Baptiste Bouvier, vd och medgrundare av Daptic – intervjuserie

Baptiste Bouvier är vd och medgrundare av Daptic, där han arbetar med att koppla samman regulatorisk omvärldsbevakning med produktutveckling. Han har examen i datavetenskap och ingenjörsvetenskap från MIT och erfarenhet av allt från AI- och forskning inom autonoma system vid MIT CSAIL till AI inom hälso- och sjukvården på Babylon Health, kvantitativ forskning på J.P. Morgan, AR/VR-teknik på Meta och konsultarbete på McKinsey. Hans arbete handlar om att hjälpa tillverkare att omsätta komplexa regulatoriska krav i praktiska tekniska beslut.

Daptic erbjuder en AI-driven plattform för produktefterlevnad som kopplar samman regulatoriska förändringar, tolkningar och produktkrav under hela produktens livscykel. Programvaran hjälper specialister på regelefterlevnad, ingenjörer och produktteam att bevaka globala krav, bedöma hur de påverkar verksamheten och införliva dem i utvecklingsflöden, med spårbarhet till källor och mänsklig tillsyn. I den här intervjun talar Bouvier om regulatorisk omvärldsbevakning, fysisk AI, maskinläsbara konstruktionsbegränsningar och övergången till kontinuerlig hantering av produktefterlevnad genom hela livscykeln.

Din karriär har tagit dig från forskning om AI och autonoma system vid MIT CSAIL till AI inom hälso- och sjukvården på Babylon Health, kvantitativ forskning på J.P. Morgan, AR/VR-teknik på Meta och konsultarbete på McKinsey. Hur påverkade de erfarenheterna ditt beslut att bli medgrundare av Daptic, och vad övertygade dig om att AI i grunden skulle kunna förändra regulatorisk omvärldsbevakning?

Det som verkligen fick mig att inse saken var hur mycket produktutvecklingen påverkas av regler och hur lite programvara som fanns för att stödja det arbetet.

Min bakgrund är främst inom datavetenskap, med vissa inslag av maskinteknik, och innan jag startade Daptic arbetade jag i en rad olika tekniska miljöer. På McKinsey fick jag emellertid en närmare inblick i hur stora företag utvecklar fysiska produkter och hur regler kan bromsa den processen.

Jag såg oerhört avancerade företag hantera en kritisk del av produktutvecklingen med hjälp av dokument, kalkylblad, e-post och samtal mellan många olika team. En förordning kan börja som juridisk text som publiceras av en myndighet, men till slut måste någon översätta den till ett specifikt tekniskt krav som påverkar produktens utformning.

Det var den här klyftan mellan regler och teknik som intresserade mig. Det krävdes enormt mycket sakkunskap, men det fanns mycket lite infrastruktur som band samman arbetet. Vi ser hantering av produktefterlevnad genom hela livscykeln som ett bredare område. Det handlar om att koppla regulatoriska förändringar, tolkningar och produktkrav till de beslut som team fattar under produktutvecklingen och under produktens hela livslängd.

AI förändrar vad som är möjligt eftersom tekniken kan hantera stora mängder regulatoriskt material, produktinformation och organisatorisk kunskap samtidigt. Det ger oss möjlighet att bygga infrastruktur för ett arbetsflöde som historiskt sett har krävt en mycket stor manuell arbetsinsats. Det var själva grunden till Daptic.

Produktutvecklare inom sektorer som fordonsindustrin, flyg- och rymdindustrin, försvarsindustrin, medicinteknik och robotik kan behöva hantera tusentals regler som ständigt förändras. Var ger AI den största fördelen när det gäller att omvandla denna enorma mängd regulatorisk information till något som ingenjörer faktiskt kan använda under produktutvecklingen?

Den största fördelen är möjligheten att hålla det som händer på regelområdet kopplat till det som händer med produkten.

Tänk dig att du utvecklar en komplex fysisk produkt som så småningom ska säljas på 30 eller 40 olika geografiska marknader. Du behöver ta reda på vilka regler som gäller, bevaka hur de förändras, avgöra vilka förändringar som berör produkten och omsätta de relevanta kraven i tekniska beslut.

AI kan kontinuerligt bevaka regelverket och begränsa mängden information som ett team behöver utvärdera. Om ett krav förändras kan systemet hjälpa till att identifiera vilka produkter, komponenter eller tekniska beslut som kan påverkas och förmedla relevant sammanhang till de personer som behöver det.

Den mer intressanta möjligheten ligger i vad som händer när den regulatoriska kontexten blir en del av själva arbetsflödet inom teknik och konstruktion. En ingenjör som fattar ett konstruktionsbeslut bör snabbt kunna förstå vilka krav som hör samman med beslutet, utan att manuellt behöva söka igenom olika jurisdiktioner, standarder och regulatoriska områden.

Regler förändras och produkter förändras. Det verkliga värdet ligger i att hålla de två systemen sammankopplade, så att team kan förstå konsekvenserna medan de fortfarande har tid att fatta ett annat tekniskt beslut. Denna kontinuerliga koppling är en central del av hanteringen av produktefterlevnad genom hela livscykeln.

Regelefterlevnad är ett område där mycket står på spel när AI används, eftersom det kan få allvarliga konsekvenser att förbise ett krav eller göra en felaktig tolkning. Hur arbetar Daptic med noggrannhet, förklarbarhet och mänsklig tillsyn när AI används för regulatorisk omvärldsbevakning?

Förtroende är grundläggande inom det här området.

Regulatoriska beslut kräver en hög grad av säkerhet, så spårbarhet måste byggas in i arbetsflödet. Teamen behöver kunna se var informationen kommer ifrån, granska det bakomliggande källmaterialet och förstå hur en tolkning har kommit till.

Mänsklig sakkunskap är fortfarande mycket viktig, eftersom regelverk ofta är tvetydiga. Ett regelverk kan ge mycket information, men att tillämpa det på en specifik produkt kräver ofta sammanhang, erfarenhet och gott omdöme. Olika experter kan också komma fram till olika tolkningar av samma krav.

Vårt arbetssätt är att använda AI för att stödja den sakkunskapen. AI kan hitta och strukturera information, koppla den till det relevanta produktsammanhanget och bevara de resonemang som redan har förts. Ingenjörer och experter på regelefterlevnad är fortsatt delaktiga i processen och kan granska, förfina och bidra med sin egen sakkunskap.

Det skapar också något värdefullt för organisationen över tid. Resonemangen bakom ett regulatoriskt beslut blir en del av organisationens samlade kunskap, som kan konsulteras och vidareutvecklas i stället för att finnas i en e-posttråd eller hos en enskild person. För att livscykelhantering av produkters regelefterlevnad ska fungera i stor skala måste sammanhanget och de sakkunnigas bedömningar finnas kvar genom olika team, produkter och utvecklingscykler.

Fysisk AI rör sig snabbt från kontrollerade industrimiljöer mot produkter som kan användas i hem och offentliga miljöer. I takt med att humanoida robotar och system som robothundar blir allt mer kapabla, vilka regulatoriska utmaningar tror du kommer att utgöra de största hindren för ett brett konsumentgenombrott?

Fysisk AI för samman regulatoriska områden som historiskt har kunnat hanteras var för sig i betydligt större utsträckning.

Tänk på en humanoid robot som används i hemmet eller i en offentlig miljö. Samma produkt kan beröra fysisk säkerhet, elsystem, batterier, trådlös kommunikation, cybersäkerhet, integritet och autonomt beteende. Beroende på vad roboten gör kan även ytterligare krav på maskiner, transporter, medicinsk användning eller annan reglerad verksamhet bli aktuella.

Det som gör detta särskilt intressant är att de här produkterna i allt högre grad definieras av programvara. En fysisk produkt kan förändras väsentligt genom programvara efter att den redan har sålts. En ny funktion eller ett nytt beteende som införs genom en uppdatering kan förändra de regulatoriska aspekter som gäller för produkten.

Det innebär att företag måste ta hänsyn till regelverk under produktens hela livscykel, inte bara vid ett enda tillfälle före lanseringen. Övergången från regelefterlevnad vid en viss tidpunkt till kontinuerlig livscykelhantering av produkters regelefterlevnad blir särskilt viktig för produkter vars funktioner kan utvecklas efter att de har kommit ut på marknaden.

Det finns också en global dimension. Olika jurisdiktioner utvecklar regler för den här tekniken i olika takt och utgår ofta från olika förutsättningar.

För företag som utvecklar produkter med fysisk AI blir regulatorisk strategi i allt högre grad en del av produktstrategin. Beslut om sensorer, autonomi, datainsamling, material, uppkoppling och produktens beteende kan påverka var produkten kan användas, hur den behöver testas och vilka krav den måste uppfylla. Sambanden behöver förstås medan produkten fortfarande utformas.

I dag ses regelefterlevnad ofta som något som sker mot slutet av produktutvecklingen. Vad förändras när regulatoriska krav blir utgångspunkter för ingenjörsarbetet och produktutformningen redan från början?

Det ger ingenjörerna ett betydligt större lösningsutrymme.

Det finns en användbar parallell inom ingenjörsområdet: att utforma produkter med hänsyn till tillverkningsbarhet. Man kan skapa en konstruktion i CAD som verkar fullt rimlig och sedan upptäcka att det krävs ett helt annat tillvägagångssätt för att tillverka den i stor skala. Branschen utvecklade verktyg och metoder som förde in information om tillverkningsbarhet tidigare i konstruktionsprocessen, så att ingenjörerna kunde ta hänsyn till begränsningarna medan de fortfarande hade handlingsutrymme.

Regulatoriska krav kan utvecklas på samma sätt.

Om ingenjörerna förstår de regulatoriska begränsningarna medan de utformar produkten kan de utvärdera olika arkitekturer, material, komponenter och produktbeteenden med betydligt bättre förståelse för sammanhanget. De kan också förstå hur ett beslut kan påverka testning, certifiering eller marknadstillträde innan de lägger månader av utvecklingsarbete på det.

Det kan ha stor inverkan på utvecklingstiden och kostnaderna. Ännu viktigare är att reglering blir en del av ingenjörsarbetet i stället för information som kommer först efter att många viktiga produktbeslut redan har fattats. Det är en av de grundläggande förändringarna bakom livscykelhantering av produkters regelefterlevnad: regulatorisk information blir en del av produktutvecklingen, inte bara en kontroll som produkten måste klara senare.

Kan regler så småningom bli nästan maskinläsbara konstruktionsbegränsningar, så att AI-system i realtid kan varna ingenjörer för att en föreslagen komponent, ett material, en programvarufunktion eller ett produktbeteende kan strida mot kraven på en viss marknad? Hur nära är vi ett sådant arbetsflöde?

Vi rör oss i den riktningen, men det handlar inte bara om att göra regelverk maskinläsbara. Det handlar om att översätta regelverksspråk till begränsningar som är meningsfulla i en viss produkts sammanhang.

Regelverk är i allmänhet inte skrivna som tekniska specifikationer. De skrivs av myndigheter och standardiseringsorgan för människor, och mellan regeltexten och det tekniska krav som en ingenjör faktiskt behöver finns flera tolkningsled.

AI ger oss betydligt bättre verktyg för att koppla samman dessa led. Ett system kan förstå regelkraven, de officiella tolkningarna och sammanhanget för produkten som utformas. När en ingenjör ändrar ett material, en komponent, en programvarufunktion eller en produktegenskap kan systemet lyfta fram vilka krav som kan påverkas och förklara sambandet.

Det viktiga är produktens sammanhang. Samma regelverksspråk kan få mycket olika konsekvenser beroende på produkt, marknad, komponent eller avsedd användning.

Vi är redan på väg mot delar av det här arbetsflödet. För att få återkoppling om regelverk som är djupt integrerad i tekniska arbetsmiljöer krävs ett strukturerat produktsammanhang och tillförlitliga kopplingar mellan regelverksspråk, interna tolkningar och tekniska krav. AI har påskyndat vår förmåga att skapa sådana kopplingar.

Med tiden tror jag att återkoppling om regelverk kommer att integreras betydligt mer i de verktyg som ingenjörer redan använder, på samma sätt som andra tekniska begränsningar har flyttats närmare den punkt där designbeslut fattas.

Globala tillverkare behöver ofta följa olika, ibland motstridiga, regler i dussintals jurisdiktioner. Hur kan AI hjälpa ingenjörsteam att avgöra inte bara vilka regler som gäller, utan också hur ett designbeslut på en marknad kan påverka produkten globalt?

Det är här det blir mycket kraftfullt att kombinera regulatorisk omvärldsbevakning med produktens sammanhang.

Tillverkare vill i allmänhet maximera graden av gemensamma lösningar mellan marknader, eftersom det medför betydande kostnader och komplexitet att underhålla många olika versioner av samma produkt. Samtidigt varierar kraven mellan olika jurisdiktioner, så i vissa fall behöver produkten ändras.

AI kan hjälpa team att kartlägga dessa samband på ett mycket mer systematiskt sätt. Om ni överväger ett visst material, en viss komponent eller funktion kan ni utvärdera marknaderna där produkten ska säljas och förstå vilka krav som gäller på var och en.

Det gör att ingenjörsteam kan se de globala konsekvenserna av ett designbeslut mycket tidigare. Ett val kanske fungerar på 25 marknader men medför ytterligare krav på fem. Teamet kan då avgöra om den globala utformningen ska ändras, om en regional variant ska tas fram eller om en annan avvägning ska göras.

Tillverkare fattar redan sådana beslut i dag. Möjligheten ligger i att ge människor betydligt bättre insyn i hur regleringen hänger samman med produkten, så att sådana avvägningar kan göras tidigare och med bättre förståelse för sammanhanget.

Regulatorisk omvärldsbevakning handlar om mer än att följa lagar som redan har antagits. Hur kan AI identifiera tidiga signaler i förslag till regler, diskussioner inom myndigheter, standardiseringsorgan, tillsynsåtgärder och andra källor, så att företag kan förutse krav innan de påverkar en produktlansering?

Omvärldsbevakning blir särskilt viktig när produktutvecklingscykler sträcker sig över flera år.

För en tillverkare är det bara en del av bilden att förstå vad som ändrades i går. Teamen behöver också ha insyn i vad som kan förändras medan en produkt utformas, testas och förbereds för lansering.

Det finns många tänkbara signaler. Myndigheter publicerar förslag till regler och samrådsdokument. Standardiseringsorgan diskuterar förändringar. Tillsynsmyndigheter utfärdar vägledning och vidtar tillsynsåtgärder. Tillsammans kan dessa källor ge användbara indikationer på hur kraven kan komma att utvecklas.

Omfattningen är betydande. En global tillverkare kan behöva bevaka källor i dussintals jurisdiktioner, på flera språk och inom olika regleringsområden, och sedan avgöra vilka utvecklingar som faktiskt är relevanta för företagets produkter.

AI kan bevaka dessa källor kontinuerligt, identifiera utvecklingar som kan vara relevanta och koppla dem till specifika produkter, komponenter eller verksamhetsområden. Det gör att experter på regelverk kan ägna mer tid åt att utvärdera de utvecklingar som kan påverka produktplanen i betydande grad.

Ju tidigare produktteamet får den här informationen, desto större handlingsutrymme har företaget. Om ett krav sannolikt kommer att ändras om två år och nästa produkt ska lanseras om 18 månader, kan det bli ett beslut i produktplaneringen redan i dag.

Allt eftersom AI-agenter blir mer integrerade i tekniska arbetsflöden, kan vi så småningom få se specialiserade regelefterlevnadsagenter som arbetar tillsammans med ingenjörer, produktchefer och andra AI-system under hela produktlivscykeln? Hur skulle en sådan arkitektur fungera i praktiken?

Ja, och jag tror att det viktiga är att de här systemen behöver bevaka båda sidorna av ekvationen. Regelverket förändras, men det gör produkten också.

Specialiserade agenter skulle kontinuerligt kunna bevaka utvecklingen inom regelverk och avgöra vilka förändringar som är relevanta för en viss produktportfölj. Andra agenter skulle kunna hjälpa till att översätta kraven till konsekvenser för konstruktionen.

Samtidigt skulle agenter kunna bevaka förändringar i själva produkten. Ett team kan byta material, uppdatera programvara, byta leverantör, ändra en komponent eller introducera en ny produktegenskap. Alla sådana beslut kan påverka vilka krav som gäller eller hur ett befintligt krav bör tolkas.

Systemen behöver dela kontext. En agent som arbetar med regelverk måste förstå produkten. En teknisk agent behöver tillgång till relevanta regulatoriska begränsningar. Båda behöver tillgång till organisationens tidigare beslut och tolkningar.

Mänskligt omdöme är fortfarande en viktig del av den här arkitekturen. När en agent stöter på oklarheter, motstridiga krav eller ett beslut med betydande konsekvenser bör den berörda experten kunna granska de underliggande källorna, bidra med en tolkning och bevara resonemanget så att resten av organisationen kan ta del av det.

Jag ser framför mig en arkitektur som blir ett nätverk av specialiserade system och experter med en gemensam förståelse av produkten. För fysiska produkter är det särskilt kraftfullt, eftersom ett enskilt konstruktionsbeslut kan få följder längre fram i tillverkningen, säkerhetsarbetet, certifieringen, regeluppfyllelsen och marknadstillträdet. På många sätt kan den här gemensamma infrastrukturen bli det som livscykelhantering av produktöverensstämmelse innebär: ett system för att samordna regelverksinformation, produktkontext, AI och mänsklig expertis genom hela livscykeln.

Om vi blickar fem till tio år framåt, när fysisk AI, autonoma maskiner och alltmer mjukvarudefinierade produkter blir allmänt förekommande, hur tror du att samspelet mellan konstruktion, AI och regelverk kommer att utvecklas, och vilken roll ser du att Daptic kommer att spela i det ekosystemet?

Jag tror att information om regelverk kommer att bli ett självklart underlag när fysiska produkter utformas.

Vi har sett det hända inom andra delar av ingenjörsarbetet. Information som tidigare fanns i en separat process flyttas så småningom närmare ingenjören och blir tillgänglig när ett beslut ska fattas. Konstruktion för tillverkningsbarhet är ett bra exempel.

Regelverken utvecklas i den riktningen eftersom AI ger oss möjlighet att hantera den omfattning och komplexitet som detta innebär och koppla regelkrav till specifika produkter och konstruktionsbeslut.

Det blir allt viktigare i takt med att produkterna blir mer autonoma och mjukvarudefinierade. En programvaruuppdatering kan förändra hur en fysisk produkt fungerar efter lanseringen. En leverantör eller komponent kan bytas ut. En ny funktion kan förändra vilka krav som är relevanta. Samtidigt fortsätter regelverk och standarder att utvecklas på olika marknader.

Produkten förändras och regelverket förändras. Företag behöver en infrastruktur som kontinuerligt kan koppla samman de båda.

Det är den riktning vi utvecklar Daptic mot. Vi vill att information om regelverk ska bli en del av infrastrukturen för produktutveckling, så att ingenjörer får insyn i de regulatoriska konsekvenserna medan de fortfarande har möjlighet att ändra utformningen, och så att experter på regelverk kan tillämpa sin kompetens i betydligt större organisationer.

I slutändan ser vi livscykelhantering av produktöverensstämmelse som en central del av den här infrastrukturen. Målet är att koppla samman regelverk och konstruktion genom hela produktens livscykel, så att företag kan fatta bättre produktbeslut, bevara kritisk organisatorisk kunskap och snabbare få ut fysisk innovation på marknaden.

Tack för en givande intervju. Läsare som vill veta mer om AI-driven regelverksinformation och livscykelhantering av produktöverensstämmelse kan besöka Daptic.