Adi Bathla, VD och grundare av Revv – Intervjuerien

Adi Bathla, VD och grundare av Revv, är en produktorienterad operatör och innovationsledare baserad i New York som har byggt sin karriär vid skärningspunkten mellan teknik, systemtänkande och skalbarhet. Innan han grundade Revv ledde han produkt- och digitala kundupplevelseinitiativ på högt växande handelsföretag, hjälpte till att lansera nya affärsområden inom stora företagsplattformar, genomförde forskning om artificiell intelligens och kollektiv intelligens på MIT Sloan och ledde tidigare i sin karriär prisbelönta rymdsystemdesigngrupper kopplade till NASA-forskningsprogram.

Revv är en AI-driven plattform för bilreparation som fokuserar på att förenkla ADAS-kalibrering och diagnostik för krock- och mekaniska reparationsshoppar. Genom att kombinera OEM-kvalitetsdokumentation, intelligenta arbetsflöden och djupa integreringar med befintliga verktyg och uppskattningssystem hjälper Revv reparationsscentraler att minska manuell forskning, förbättra efterlevnad och säkerhet och omvandla alltmer komplexa kalibreringskrav till skalbara, data-drivna operationer. När fordon blir alltmer programvarudefinierade positionerar sig Revv som kärninfrastruktur för moderna reparationssflöden i hela Nordamerika.

Din tidiga exponering för bilreparationsbranschen tycks ha format din bana. Kan du dela en specifik stund från den tiden som gjorde att du insåg att detta område behövde en AI-driven lösning?

Det var ett telefonsamtal som helt ändrade min syn på branschen. En verkstadsägare ringde mig i panik: han hade reparerat en bil, men lånebytesystemet fungerade inte efteråt, och han var rädd för att bli stämd. Den stunden gjorde att jag tittade närmare på ADAS-system och insåg att denna osynliga komplexitet var ett massivt problem som verkstäder inte kunde lösa på egen hand. Eftersom ADAS-reparationer inte var uppenbara som en buckla eller repa var det lätt för dem att förbli ouppmärksammade. Tekniker tillbringade 3-4 timmar med att dokumentera arbete och leta efter reparationssätt, som att leta efter en nål i en höstack. Då visste jag att AI kunde skära igenom allt brus och ge tekniker exakt vad de behövde på sekunder istället för timmar.

Din tid som arbetade med AI- och kollektiv intelligensforskning på MIT och tidigare systemnivåarbete på NASA utsatte dig för komplexa, säkerhetskritiska miljöer tidigt. Hur påverkade dessa upplevelser direkt ditt beslut att grunda Revv och fokusera på fordonskalibrering som ett programvaruproblem?

Mina upplevelser på NASA och MIT lärde mig att för att bygga och vara en framgångsrik entreprenör, behöver man bara lära sig snabbt och omge sig med rätt experter. Den mentaliteten gav mig förtroendet att gå in i en bransch jag visste mycket litet om och utmana det sätt som saker och ting traditionellt hade gjorts.

När jag började tillbringa tid i bilverkstäder, såg jag tekniker drunkna i manualer, försöka kalibrera sensorer som kontrollerar om en bil kan bromsa ordentligt eller stanna kvar i sin fil. Det påminde mig om de säkerhetskritiska miljöer jag hade utsatts för på NASA, där precision är nyckeln. Detta är livräddande teknik, men verkstäder hanterade det med pappersförfaranden och föråldrade system. Jag insåg snabbt att detta var ett programvaruproblem maskerat som ett mekaniskt problem. Bilar hade blivit datorer på hjul, men infrastrukturen för att serva dem hade inte hunnit med. Detta förde mig tillbaka till den entreprenöriella mentaliteten jag utvecklade på MIT och NASA, och det är så vi byggde Revv: genom att kombinera en outsiders färska perspektiv med djup expertis från tekniker som faktiskt utför arbetet.

Innan Revv ledde du produkt- och innovationsinitiativ på Jet och Walmart (WMT ) i massiv skala. Vilka lärdomar från att bygga 0→1-produkter i handel överfördes tydligast när du designade programvara för den bilrelaterade reparationsekosystemet?

Den största lärdomen jag lärde mig från min tid på Walmart var att möta användare där de är, inte där du vill att de ska vara. Jag byggde för leverantörer och tillverkare som inte var tekniskt kunniga och hade gjort saker på samma sätt i decennier. Du kan inte be dem att byta ut hela systemet. Istället integrerar du din expertis i deras befintliga arbetsflöden så att de inte behöver lyfta ett finger utanför vad de redan gör.

Det blev Revvs hela tes. Vi integrerar med verkstäders befintliga verktyg och programvara, kör i bakgrunden och levererar insikter utan att störa vad som redan är muskelminne för dem. Men jag förde också över vad jag lärde mig på Jet om talanger: A+ spelare lockar till sig A+ spelare, och man måste vara besatt av att bygga rätt team från dag ett. Jag har inpräglat detta som vår anställningspraxis på Revv, eftersom inget av det arbete vi gör vore möjligt utan det team av superstjärnor vi har byggt.

Bilreparation är en av de största men minst moderniserade branscherna i USA. När du först började bygga Revv, vilket motstånd eller skepticism mötte du, och hur övervann du det?

Motståndet i början var en stor utmaning eftersom verkstäder har gjort saker på samma sätt i över 40 år, och förändring är obekvämt. Men här är vad som fungerade: Jag pitchade inte bara programvara, jag åtog mig att förstå varje enskild smärt punkt. Jag delade ut visitkort med mitt telefonnummer och sa: “om du har ett problem, ring mig.” Och de gjorde det. Jag tillbringade år med att bygga den databasen av förtroende och kunskap.

Genombrottet var att visa dem att vi inte bad dem att byta ut sina system eller förändra hur de arbetar. Vi byggde Revv för att integrera direkt i deras befintliga programvara och arbetsflöden, kör i bakgrunden och levererar vad de behöver utan att störa deras nuvarande processer. När verkstäder såg att vi faktiskt förstod deras värld och gjorde deras jobb enklare, inte svårare, började skepticismen blekna.

Revv positionerar sig som ett operativsystem för programvarudefinierade fordon snarare än en enskild lösning. Vad betyder det i praktiken för kalibreringsverkstäder och reparationssnätverk?

Det betyder att vi inte bara löser ett problem, vi blir den infrastruktur som driver hela ADAS-arbetsflödet. En bil kommer in i båset, Revv ansluter till deras befintliga verktyg, hämtar data direkt från tillverkaren och levererar en komplett paket till tekniken på sekunder. Det ger dem steg-för-steg-reparationsanvisningar, varje krävd kalibrering, originalutrustningstillverkarens dokumentation och anspråkspaketet redo att skickas till försäkringsbolag.

Vi utvecklas från ett system för registrering till ett system för åtgärd, inte bara berättar för dem vad som behöver göras, utan hanterar också det administrativa arbetet för dem. Till 2025 kommer över 74% av våra användare att anta våra nya produkter eftersom de ser oss som den enda plattformen som hanterar deras hela ADAS-drift från slut till slut. Detta följer med vad vi ser branschomfattande. Vår senaste ADAS-benchmarkundersökning av 300 karosseriyrkesverksamma fann att in-house-kalibreringar förväntas öka från 57% till 64% under de kommande två åren.

Bilar är nu rullande datorer packade med sensorer, kameror och programvaruavhängigheter. Var kämpar mänskliga tekniker mest idag, och hur stöder AI meningsfullt deras beslutsfattande utan att ta kontrollen ifrån dem?

Tekniker kämpar mest med den administrativa bördan som nu följer med moderna reparationer. Från kalibrering av sensorer till att spåra tillverkarens manualer och sammanställa försäkringsfärdiga rapporter, varje steg måste forskas, dokumenteras och godkännas, vilket förvandlar ett praktiskt jobb till ett jobb fyllt med pappersarbete. Varje uppskattning har 100-200 radartiklar, och var och en har en återverkan. År 2023 krävde den genomsnittliga reparationen två till tre kalibreringar. Nu är det över fem. Tekniker tillbringar tre till fyra timmar med att dokumentera arbete och leta efter förfaranden, men med Revv och AI, sjunker den processen till tre till fem minuter.

Revv:s AI bearbetar all den komplexiteten i bakgrunden, ansluter direkt till tillverkarens data, identifierar varje krävd kalibrering och levererar steg-för-steg-instruktioner. Vi har bearbetat över 300 000 reparationer, med över 5 000 kunder som nu använder plattformen. För dokumentation kan tekniker skicka in foton och Revv genererar hela försäkringsfärdiga rapporten automatiskt. Vår plattform flaggar för potentiella missade steg och automatiserar det upprepade arbetet, men tekniken förblir i full kontroll och fattar beslut utan den administrativa bördan.

Revv:s modeller är tränade på hundratusentals riktiga reparationsevent. Hur säkerställer du datakvalitet, noggrannhet och efterlevnad när AI-rekommendationer är direkt kopplade till säkerhetskritiska resultat?

För oss börjar datakvalitet och noggrannhet med att förankra AI i verkliga reparationserfarenheter, med våra modeller byggda direkt på insikter från erfarna tekniker över flera regioner och fordonstyper.

Vi bygger också in kontinuerliga återkopplingsloopar, så att tekniker kan validera AI-rekommendationer i realtid. Varje kalibrering och förfarande kontrolleras mot exakt OEM-manualer och teknisk dokumentation för ett specifikt fordon. Med en databas på över 300 000 reparationer från två länder lär sig vår plattform och förbättras kontinuerligt, medan tekniker förblir i kontroll under hela processen.

Revv fungerar över kalibrerare, reparationssnätverk, försäkringsbolag och OEM-system. Hur designar du en AI-plattform som skapar förtroende och värde över intressenter med mycket olika incitament?

Vi ser Revv som den sammanlänkande vävnaden mellan tekniker, försäkringsbolag och kunder, så vi arbetar för att möta alla deras kollektiva behov.

För tekniker sparar vi timmar av administrativt arbete medan vi hjälper dem att fånga upp missad intäkt genom att identifiera kalibreringar som annars skulle ha glidit förbi. Försäkringsbolag får snabbare godkännanden, korrekt dokumentation och färre tvister. Kunder får sina bilar tillbaka säkrare och snabbare eftersom vi ser till att varje krävd kalibrering faktiskt är slutförd.

När fordon fortsätter att utvecklas till fullt programvarudefinierade plattformar, vad ser framgång ut för Revv tre år från nu, och vilka funktioner kommer reparationssinfrastruktur att behöva utveckla för att hålla jämna steg?

För att hålla jämna steg kommer verkstäder att behöva in-house-kapacitet, en pipeline av nästa generations teknisk talang och ett starkt samarbetsnätverk för att säkerställa att varje reparation är korrekt och effektiv. Till 2029 kommer regleringen att kräva att alla nya bilmodeller har nödbromsning, och verkstäder börjar se hur mycket värde som in-house-kalibreringar bringar till deras företag. I vår senaste undersökning rapporterar 74% av karosseriyrkesverksamma att ADAS är en vinstgenerator, med 60% som anser att att växa ADAS-intäkter är “extremt eller mycket viktigt”.

Vad vi redan ser är att ADAS-kalibrering blir sin egen kategori, med nya specialister som dyker upp varje månad och riktigt affärsmomentum byggs runt det. När vi ser framåt ser vi Revv som ryggraden i hela ekosystemet. Det betyder att plattformen blir standarden över krockverkstäder, ger tekniker, försäkringsbolag och kunder ett enhetligt system för att hantera och leverera säkra, efterlevande kalibreringar i stor skala. Vi bygger infrastrukturen som definierar hur programvarudefinierade fordon repareras, och slutligen, vi sätter standarderna som kommer att forma branschens framtid.

För grundare som för in AI i djupt etablerade, traditionellt analoga branscher, vilka vanliga misstag ser du, och vilka antaganden var du tvungen att avlära dig själv medan du skalar upp Revv?

Något jag lärde mig tidigt är att skära igenom bruset och fokusera på problemet först, inte lösningen. Det är lätt att bli uppfängd i buzzet och börja bygga något imponerande, men det förvandlas ofta till en lösning som söker ett problem.

Vad som betyder något är att hitta problemet som kunder faktiskt upplever varje dag. Antagandet jag var tvungen att avlära mig var att tro att bättre teknik ensam skulle vinna. Jag underskattade hur djupt rotade arbetsflöden är i den här branschen. När vi startade Revv 2022 tillbringade jag tid i verkstäder med tekniker för att se deras arbetsflöden på nära håll och förstå vad som höll dem tillbaka. Detta lärde mig att verklig förändring inte kommer från att implementera imponerande teknik eller övertyga verkstäder om att anta ett nytt sätt att göra saker på. Det kommer från att införa din lösning så smidigt i deras befintliga arbetsflöde att de inte behöver förändra någonting. Du ber inte dem att förändra, du gör deras nuvarande sätt bättre.