David Pinn, VD för Brain Corp – Intervjuserie

David Pinn är VD för Brain Corp, där han i nästan nio år har varit med och format företagets strategi, finansiella verksamhet och övergången till en mjukvarudriven robotikverksamhet. Han anslöt sig till Brain Corp 2017 som vice verkställande direktör för strategi och avancerade genom seniora strategi‑ och finansroller innan han blev VD 2022. Under sin mandatperiod har Pinn hjälpt till att leda stora kapitalrundor, företagets skifte från en hårdvarucentrerad modell till återkommande mjukvaruinkomster, dess expansion inom robotisk datainsamling och analys samt strategiska partnerskap med globala originalutrustningstillverkare (OEM). Tidigare i sin karriär hade han finans‑ och strategipositioner på Qualcomm, rådgav riskfinansierade teknik‑startups, arbetade med L Catterton‑portföljbolag och började sin bana på Teradyne inom teknik och teknisk försäljning, vilket ger honom en bakgrund som spänner över robotik, halvledare, finans, företagsutveckling och kommersialisering av teknik.

Brain Corp är ett robotik‑ och fysisk AI‑företag som utvecklar BrainOS®, en företagsautonomiplattform avsedd att möjliggöra för tillverkare och företag att distribuera och hantera autonoma mobila robotar i stor skala. BrainOS driver mer än 50 000 robotar på sex kontinenter och har samlat in över 25 miljoner timmars verklig drift, med stöd för applikationer såsom autonom golvrengöring, lager‑ och hylldata‑insamling samt materialförflyttning i miljöer som butiker, lager, flygplatser, vårdinrättningar och kommersiella byggnader. Plattformen kombinerar AI‑styrd navigation, semantisk 3D‑kartläggning, säkerhetssystem, molnbaserad flott‑hantering, analyser och integrationer med företagssystem, där data som samlas in från den distribuerade flottan hjälper till att förbättra navigation och tillförlitlighet över tid. Nyliga utvecklingar inkluderar BrainOS Clean 2.0 och SelfPath™ AI, som gör att rengöringsrobotar automatiskt kan generera och anpassa sina rutter istället för att förlita sig på manuellt tränade banor.

Din karriär har gått från ingenjörsarbete inom radiofrekvens‑ och trådlösa system till strategisk finans, SaaS‑transformation och nu VD‑ledarskap på Brain Corp. Hur har den kombinationen av teknisk och finansiell disciplin format din syn på att företag inte köper “robotar”, utan mätbara operativa resultat?

Min tidiga karriär började i teknisk försäljning, där jag sålde utrustning för tillverkning av halvledare åt Teradyne. Genom mycket trial‑and‑error lärde jag mig en viktig läxa tidigt: det fanns ett stort gap mellan vad jag ansåg vara viktigt – oftast de tekniska specifikationerna – och vad köparen faktiskt brydde sig om. Jag lärde mig att köparen verkligen bryr sig om affärsresultatet, och om de litar på mig och mitt team att faktiskt leverera det.

När jag senare övergick till robotik förstärktes den lärdomen. Varje teknikinvestering konkurrerar om kapital, och ett system får inte erkännande bara för att vara tekniskt imponerande. Inom robotik är det så lätt att bli fascinerad av själva maskinen. Men en återförsäljare vaknar inte med en robot i åtanke. De vill ha renare golv, mycket exakt lager och mer tid för sina medarbetare att ge kundservice. Robotaren är bara leveransfordonet för det resultatet.

På Brain Corp börjar vi med kundens problem, definierar affärsresultatet och arbetar baklänges mot autonomilagret och den data som krävs för att leverera det. Min ingenjörsbakgrund hjälper mig att uppskatta hur djupt komplext det underliggande tekniska problemet är, men mina försäljnings‑ och finansdiscipliner håller mig fokuserad på om lösningen skapar en skalbar, kommersiellt hållbar verksamhet. Du behöver båda. En robot som fungerar men inte kan ge ekonomisk avkastning är ett vetenskapsprojekt, inte en produkt, och en finansiell modell byggd kring opålitlig teknik är ingen affär.

Med så mycket uppmärksamhet på humanoider och allmänna robotar, vad tror du marknaden missförstår om vad företag faktiskt behöver från robotik idag?

Snabb kommentar: branschens besatthet av humanoider i kommersiella och industriella miljöer är en distraktion.

Det vanliga argumentet du hör från humanoidentusiaster är: ‘Världen är byggd för människor, därför måste robotar formas som människor.’ Det kan vara sant i bostadsmiljöer, men för företagsmiljöer är det i grunden fel.

Titta på ett lager. Det är inte byggt för människor; det är byggt för gaffeltruckar, palllyftar och tung utrustning. Titta på butiker, skolor, hotell, sjukhus och flygplatser. Tillgänglighetskrav för rullstolar innebär att dessa utrymmen har plana golv, ramper, breda gångar och hissar. Kommersiella och industriella byggnader är designade för hjulbaserad rörelse.

När du inser det, ser du snabbt att att sätta ben på en kommersiell robot är en onödig risk och ett enormt slöseri med pengar. Varför konstruera ett dyrt, skört tvåbent system för att navigera i ett utrymme som redan är anpassat för hjul? Hjul är billigare, mer pålitliga och hanterar last bättre.

Som jag nämnde tidigare är en robot utan ekonomisk avkastning bara ett vetenskapsprojekt. Att bygga en mycket komplex humanoid bara för att gå över ett plant, rullstolsanpassat golv är det ultimata vetenskapsprojektet. Det löser ett locomotionsproblem som inte existerar. Företag behöver inte maskiner som efterliknar människor; de behöver verktyg som pålitligt levererar ett specifikt affärsresultat. Och för kommersiella användningsfall vinner hjul varje gång.

Brain Corp verkar i röriga, offentliga, högtrafikerade miljöer som butiker, flygplatser, lager, sjukhus och campus. Vilka är de svåraste verkliga problemen som inte syns i robotik‑demonstrationer?

Den autonoma fordonsindustrin lärde sig på det hårda sättet hur vilseledande demonstrationer kan vara. Vi såg självstyrande bil‑demo för mer än ett decennium sedan, men det tog ytterligare tio till femton år av intensiv ingenjörskonst för att faktiskt lansera kommersiella förarlösa taxibilar. Varför? På grund av vad branschen kallar ‘march of the nines’.

Att få ett system att vara 90 % pålitligt ger en bra demo. Att nå 99 % är en enorm ingenjörsprestation. Men när du driver en flotta med tiotusentals robotar på tusentals offentliga platser är 99 % pålitlighet otillräckligt.

I en levande kommersiell miljö ändrar människor riktning utan förvarning. Kundvagnar lämnas i gångar. Skyltar flyttas över natten. Pallblockeringar uppstår. Golv kan vara reflekterande, våta, ojämna eller täckta av skräp. Dörrar öppnas och stängs, belysning förändras, och anställda utvecklar egna sätt att interagera med maskinen. En robot kan också möta barn, personer med mobilitetshjälpmedel, distraherade kunder, gaffeltruckar eller någon som helt enkelt bestämmer sig för att stå i dess väg.

Det svåraste problemet är inte att navigera när allt beter sig som förväntat. Det är att anpassa sig elegant när något oväntat händer. Kan roboten förstå varför dess rutt är blockerad, hitta ett säkert alternativ och slutföra uppgiften? Kan den göra det utan att skapa mer arbete för anställda och i skala över miljontals timmar?

Det finns också en social dimension som demonstrationer ofta missar. Människor måste förstå robotens avsikt. Dess rörelser bör vara förutsägbara, dess signaler tydliga, och den bör passa in i befintliga mänskliga arbetsflöden snarare än att tvinga alla runt den att anpassa sig.

För oss betyder AI i verkliga världen ”det bara fungerar”. Edge‑fallen är inte i kanten, de är miljön. Att bygga för dessa förhållanden kräver år av operativ inlärning, genomtänkt säkerhetsarkitektur och ett obevekligt fokus på detaljer som är osynliga i en simulerad video.

När ett företag utvärderar robotik‑ROI, vilka mått är viktigast: sparade arbetstimmar, uppgiftskonsekvens, drifttid, datainsamling, säkerhet, kundupplevelse eller något annat?

Det är alla ovanstående.

Sparade arbetstimmar är användbara, men de fångar inte hela bilden. I många branscher är den underliggande frågan inte bara att arbetskraft är dyr; det är att rekrytera kvalificerade personer kan vara svårt, personalomsättningen är hög, och viktiga uppgifter utförs inkonsekvent eftersom teamen är överbelastade. I den situationen kan uppgiftsutförande, frekvens och konsekvens vara mer värdefulla än en teoretisk minskning av personalstyrkan.

Nästa lager är operativ prestanda: drifttid, autonom utnyttjandegrad, lyckad uppgiftsutförande, täckning och mängden övervakning som krävs. En robot som tekniskt sett arbetar i många timmar men ofta måste räddas levererar inte meningsfull autonomi.

Förbättringar av säkerhet och efterlevnad bör inte förbises i en ROI‑modell heller. En rengöringsrobot minskar arbetsbelastning och skador på arbetsplatsen, och ger anställda mer tid att fokusera på kunder och högre värdearbete. En lagerrobot förbättrar varulagerstillgänglighet, prisnoggrannhet och genomförandekonsekvens. Robotar skapar också ett nytt lager av operativ insyn genom att samla pålitlig, återkommande data om vad som händer i den fysiska miljön.

Nyckeln är att etablera en verklig grundlinje före implementering och mäta prestanda genom hela livscykeln, inklusive införande, support, underhåll, utbildning och integration.

Brain Corp är unikt inom robotikområdet genom att de opererar som en återkommande SaaS‑robotikplattform. Varför blir mjukvara, data och flott‑orchestration viktigare än robotens formfaktor?

Hårdvara definierar vad en robot fysiskt kan göra. Mjukvara bestämmer hur pålitligt den gör det, hur enkelt den kan distribueras, hur säkert den integreras i ett företag och om den blir mer användbar över tid.

Utan ett enhetligt mjukvaru‑ och molnlager är en robot i princip en isolerad maskin. Den kan utföra en uppgift i en anläggning, men den kan inte enkelt övervakas, uppdateras, integreras med företagsystem eller koordineras med en bredare flotta. Det skapar fragmentering när företag lägger till olika robottyper, var och en med eget gränssnitt, supportmodell, data och arbetsprocedurer.

En plattform förändrar den ekvationen. Med vår autonomiplattform, BrainOS®, tillhandahåller vi en gemensam autonomi‑, säkerhets‑, data‑ och flott‑hanteringsgrund för olika maskiner och applikationer. Våra partners kan fokusera på sin hårdvarukompetens och det kundproblem de förstår djupt, snarare än att bygga om hela autonomi‑ och molninfrastrukturen för varje ny produkt.

Mjukvara möjliggör också att maskinens värde kan växa. Vi kan distribuera nya funktioner via over‑the‑air‑uppdateringar, lära av hur robotar beter sig över flottan, förbättra prestanda och svara på nya edge‑fall utan att byta ut hårdvaran. Traditionell industriell utrustning deprecierar i princip från det ögonblick den tas i bruk. Ett anslutet autonomt system blir mer kapabelt under hela sin livscykel.

Formfaktorn kommer fortsatt att vara viktig, eftersom den fysiska designen måste passa uppgiften. Men formfaktorer kommer att utvecklas. Det mest hållbara värdet ligger i intelligensen, den operativa infrastrukturen och datalagret som kan sträcka sig över alla applikationer. Därför beskriver vi BrainOS® som autonomiplattformen för den verkliga världen, snarare än ett operativsystem för en specifik robot.

BrainOS‑drivna robotar används nu inte bara för rengöring, utan också för hyllanalys, lagerinsyn och materialförflyttning. Hur ser du att robotar utvecklas från uppgiftsautomatiseringsverktyg till mobila dataplattformar?

Vår BrainOS®‑plattform utrustar företag med den infrastruktur som krävs för att bygga, distribuera och stödja autonoma lösningar i företagsstorlek. Vi tillhandahåller det underliggande autonomi‑ och intelligenslagret, vilket låter våra partners fokusera på det de gör bäst: att lösa specifika, verkliga affärsproblem. Detta är ett unikt tillvägagångssätt som har gjort att vi snabbt kan skala och låter företag bygga inte bara robotar, utan robotikverksamheter.

Robotisk golvvård var en av de första kommersiella tillämpningarna som nådde betydande skala eftersom den adresserade ett tydligt, repetitivt operativt behov; varje kommersiell miljö har ett smutsigt golv och många står inför arbetskraftsutmaningar. Vi uppnådde denna skala tillsammans med vår partner Tennant Company, en ledare inom golvvård i över 150 år som nu har utvecklats till en av världens största tillverkare av kommersiella robotar.

Genom vårt arbete med stora företag inom detaljhandel och logistik insåg vi en grundläggande sanning: medan dessa verksamheter exakt vet vilken lager som kommer in och lämnar deras anläggningar, saknar de ofta insyn i vad som faktiskt händer på butik‑ eller lagergolvet. En mobil robot är ett av de få system som upprepade gånger rör sig genom den fysiska miljön, vilket gör den unikt kapabel att samla in denna grunddata i skala. För att hjälpa till med denna utmaning har vi samarbetat med Driveline Retail, en ledande varuexpert, och Dane Technologies, en ledare inom lagerutrustning, för att föra in lagerspårning och hyllintelligens på marknaden i företagsstorlek.

När du expanderar till dessa applikationer kring lagerinsyn är datainsamling bara en del av ekvationen. De flesta lager och återförsäljare vill ha mer än bara miljoner råa bilder; de behöver veta exakt vilken produkt som är slutsåld, vilket pris som är felaktigt, var en saknad pall befinner sig och vilken specifik åtgärd en medarbetare bör vidta härnäst. Brain Corp tillhandahåller den avancerade datorseende‑ och AI‑teknik som krävs för att översätta dessa råa observationer till korrekta, prioriterade affärsbeslut.

Oavsett robotens formfaktor låser dessa system också upp möjligheten för företag att skapa kontinuerligt uppdaterade digitala tvillingar av sina anläggningar. Eftersom våra robotar säkert och pålitligt navigerar hela byggnadsytor, fungerar de som mobila dataplattformar som fångar mycket detaljerad anläggningsintelligens. Det kan till exempel innebära att verifiera en brandsläckares placering, identifiera en felaktig frys eller kartlägga områden med dålig Wi‑Fi‑täckning.

Vad skiljer en robotik‑implementering som fungerar i en pilotplats från en som kan skalas över tusentals företagsplatser?

Pilotprojekt belönar möjlighet. Skalning belönar pålitlighet.

En pilot kan lyckas eftersom den bästa ingenjören står i närheten, miljön har förberetts noggrant och någon i hemlighet hanterar undantag bakom kulisserna. Inget av detta fungerar när du rullar ut på hundratals eller tusentals platser. Vid den tidpunkten blir varje manuellt steg en källa till kostnad och fel.

En skalbar implementering kräver repeterbarhet från början. Robotens konfiguration bör vara enkel, intuitiv för frontlinjepersonal, fjärrövervakningsbar och kunna ta emot mjukvaruuppdateringar utan att någon måste besöka varje plats. Organisationen behöver också mogna system för cybersäkerhet, säkerhetscertifiering, support, utbildning, underhåll, analyser och integration med kundens befintliga teknik.

Förändringshantering är lika viktig. Personalen som arbetar tillsammans med roboten måste förstå vad den gör, vilka begränsningar den har och hur den passar in i deras ansvarsområden. Implementeringar misslyckas när tekniken är tekniskt sund men operativt ägandeskap är oklart.

Slutligen måste ekonomin fungera för både kunden och robotikleverantören. Detta kräver en robotikinfrastruktur som blir mer ekonomisk och mer robust med varje implementering.

Den samlingen av utmaningar kallar vi Autonomi‑gapet. Att bygga en fungerande prototyp är bara en del av att skapa en robotikverksamhet. Det mycket svårare arbetet är att förvandla den prototypen till en säker, stödjande, repeterbar produkt som fortsätter att prestera när specialisterna lämnar byggnaden.

Brain Corp:s senaste arbete kring kontextuell förankring och semantisk kartläggning pekar mot ett mer intelligent lager för fysisk AI. Varför är ”förståelse av miljön” nästa stora frontier för autonoma robotar?

Traditionell navigation är i huvudsak ett geometriskt problem: Var är jag, var kan jag röra mig och vad bör jag undvika? Kontextuell förankring lägger till ett mycket rikare frågesätt: Vad händer runt omkring mig? Vad är dessa objekt? Hur sannolikt är det att människor interagerar med dem? Vilket beteende är lämpligt i just denna situation?

Ett grundläggande navigationssystem kan se att något upptar utrymme. Ett kontextuellt medvetet system bör förstå exakt vad objektet är, varför det är där, vad det gör och i slutändan hur man ska bete sig runt det. Dessa skillnader är viktiga eftersom rätt respons varierar i varje fall.

Det blir särskilt viktigt när robotik börjar integrera mer generativ AI, vision‑språk‑modeller och andra sannolikhetsbaserade system. Dessa modeller kan tillföra enorm intelligens och flexibilitet, men ett plausibelt svar är inte tillräckligt när mjukvara styr en fysisk maskin. Åtgärden måste vara förankrad i den faktiska geometrin, förhållandena, säkerhetskraven och den sociala kontexten i miljön.

Vi tror att svaret är att kombinera avancerad AI med en bestående kontextuell representation av den fysiska världen och deterministiska säkerhetskontroller. Det möjliggör för roboten att dra nytta av allt mer kapabla AI‑modeller utan att sannolikhetsbaserad intelligens får verka utan gränser.

Hur bör företag tänka på förtroende när de implementerar robotar runt anställda, kunder och allmänheten?

Först måste vi erkänna en grundläggande sanning: robotar är annorlunda än annan företags‑teknik. En mjukvarubugg kan krascha din laptop, men en bugg i en 1 000‑pund‑maskin som navigerar i en trång detaljhandelsgång har helt andra konsekvenser. Företag kan inte bara behandla en robot som en annan ansluten IT‑enhet.

Förtroende i robotik förtjänas varje dag. I en tid då FCC begränsar godkännande av utländsk producerad robotik på grund av säkerhetsrisker, har tröskeln för detta förtroende aldrig varit högre. När fysisk AI skalar in i våra sjukhus, flygplatser, lager och livsmedelsbutiker, måste företag utvärdera förtroende över några tydliga lager: fysisk säkerhet, datasekretess och mänsklig integration.

Avancerad AI är fantastisk för att göra en robot ’smart’ nog att navigera komplexa miljöer, men intelligens och säkerhet är inte samma sak. En pålitlig robot separerar de två. Den måste ha dedikerade, redundanta hårdvarusäkerhetskontroller som kan åsidosätta systemet. Säkerhet måste vara hårdkodad, inte inlärd.

Dessutom är robotar som navigerar i offentliga utrymmen i princip vandrande dataplattformar. De använder kameror och sensorer för att se världen. Företag måste kräva extrem tydlighet från sina leverantörer: Vad ser roboten? Vart går den datan? Vem har tillgång till den? Integritet och cybersäkerhet kan inte fästas på efterhand som en PR‑övning; de måste byggas in i systemets arkitektur från dag ett.

Det största misstaget företag gör är att släppa in en robot i en anläggning utan någon tanke på förändringshantering. Du kan inte be dina anställda eller kunder att ta robotik på tro. Anställda måste involveras tidigt, utbildas ordentligt och visas exakt hur maskinen gör deras dagliga arbete enklare och säkrare. De måste veta vem som är ansvarig om något går fel, och hur man ingriper vid behov.

I slutändan är certifieringar, revisioner och säkerhetskontroller bara grundläggande bevis. Verkligt förtroende byggs genom upprepad erfarenhet. När en robot beter sig säkert, konsekvent respekterar en kunds personliga utrymme och tar bort det tråkiga, smutsiga arbetet från en anställds tallrik dag efter dag, blir den helt enkelt en del av teamet.

Framåt, var förväntar du dig att kommersiell robotik skapar mest värde under de kommande fem åren: detaljhandel, logistik, sjukvård, tillverkning, flygplatser eller en helt annan sektor?

Det mesta värdet tenderar att komma från miljöer som är stora, distribuerade och arbetskraftsbegränsade. De har repetitiva uppgifter som är svåra att utföra konsekvent.

Försörjningskedjan: från tillverkning till logistik till detaljhandel kombinerar alla dessa förutsättningar. Butiker är komplexa offentliga utrymmen, arbetskraftstillgång är en ihållande utmaning, och små operativa problem (en tom hylla, ett felaktigt pris, en försenad rengöringsuppgift) kan direkt påverka kundupplevelsen och den finansiella prestationen. Logistik och tillverkning kommer också att skapa enormt värde, genom lagerinsyn, materialförflyttning och samordning över alltmer automatiserade anläggningar.

Men det största värdet kommer inte att definieras av en specifik bransch. Det blir ett skifte i hur företag köper robotik. Specifikt kommer de kommande fem åren att innebära slutet för det isolerade robotikprojektet.

Just nu driver företag starkt fragmenterade initiativ. De köper en robot från företag A för att rengöra golven, en annan från företag B för att skanna lager och en tredje från företag C för att flytta material. Var och en har sin egen lokala världsuppfattning som inte delas med de andra. Det är en operativ mardröm som inte skalar.

Under de kommande fem åren kommer värdeskapandet att komma från delad kontext och utförande. Företag kommer att sluta köpa fragmenterade robotar och börja investera i en enhetlig fysisk AI‑grund. De vill ha en mjukvaruplattform, ett autonomilager och en datapipeline som hanterar en diversifierad flotta av maskiner, delar kontext om miljön och orkestrerar centralt för att automatisera hela anläggningar snarare än enskilda uppgifter.

Det är så AI går bortom ambitioner för att få den verkliga världen att fungera bättre.

Tack för den fantastiska intervjun, läsare som vill veta mer bör besöka Brain Corp.