Shiva Dhawan, medgrundare och VD för Attentive.ai – Intervju-serie

Shiva Dhawan, medgrundare och VD för Attentive.ai, är en entreprenör som fokuserar på att tillämpa artificiell intelligens för att transformera infrastruktur- och byggnadsprocesser. Innan han startade Attentive.ai hade han ledande och operativa roller inom teknik och affärsfunktioner, vilket hjälpte till att forma företagets vision kring automatisering av traditionellt manuella processer inom branscher som byggnad, kartläggning och geospatial analys. Under hans ledning har företaget expanderat internationellt samtidigt som de utvecklat AI-system som är designade för att förbättra effektiviteten i uppskattningar, uttag och infrastrukturhantering för företag och entreprenörer.

Attentive.ai är ett AI-drivet byggnadsteknologiföretag som fokuserar på att automatisera förbyggnads- och infrastrukturprocesser med hjälp av datorseende och geospatial intelligens. Deras plattform hjälper entreprenörer, landskapsföretag och infrastrukturoperatörer att accelerera uppskattnings-, mätnings- och platsanalystiska uppgifter som tidigare har varit beroende av manuellt arbete. Företagets Beam AI-produkt är designad för att utnyttja flygbilder och AI för att generera mycket detaljerade fastighetsmätningar och landskapsinsikter, vilket hjälper företag att förbättra anbudsexaktheten, minska operativa flaskhalsar och skala projekt mer effektivt genom automatisering.

Du grundade Attentive.ai efter att ha skalat upp ett tjänsteföretag inom kartläggning och försäkring, och sedan introducerade Beam AI som ditt flaggskeppprodukt. Vilka specifika insikter från den tidigare fasen ledde dig till att bygga Beam AI, och varför valde du uttag och uppskattning som ingångspunkten för att transformera byggnadsprocesser?

Min medgrundare, Rishabjit, och jag kom in på den amerikanska byggnadsmarknaden under COVID, när entreprenörer var tvungna att uppskatta jobb utan att vara på plats. Det som ständigt kom upp var samma begränsning: entreprenörer förlorade jobb inte för att de inte kunde göra jobbet, utan för att de inte hade tillräckligt med tid för att prissätta det. En uppskattare, hundratals sidor med planer, 4 till 8 timmar per jobb. Du kan inte växa ett företag på det sättet.

Vi valde uttag för att de är startpunkten för allt. Ingenting annat händer förrän någon mäter omfattningen. Och utgången är verificerbar; du får antingen rätt kvantiteter eller så gör du inte. En 2-procentig miss på ett jobb på 10 miljoner dollar är 200 000 dollar borta. Det är inte abstrakt. Det är en verklig kostnad som uppskattare bär varje dag.

Byggnad och fälttjänster ses ofta som långsammare att anta nya teknologier. Vad har varit det största hindret för AI-antagande i denna sektor, och hur övervinner du det?

Förtroende. Uppskattare har byggt sina karriärer på exakthet. När de missar något, betalar deras företag för det. Så när vi visade upp AI, var den naturliga reaktionen: hur vet jag att det här är rätt?

Vi försökte inte övertyga människor om att bry sig om den här frågan. Vi adresserade den direkt. Varje färdig uppskattning granskas av en utbildad person innan den skickas tillbaka till kunden. Automatiseringen hanterar volym och hastighet.

Kvalitetskontrollen fångar allt som behöver en andra titt. Efter några jobb ser kunderna mönstret: kvantiteterna är rätt, deras team är inte begraven i plansamlingar, och anbuden går ut snabbare. En av våra kunder, Bommarito Construction, lämnade in 50 fler anbud på sex månader med hjälp av plattformen. Det är mer övertygande än någon demo.

Beam AI fokuserar på att automatisera uttag, en traditionellt manuell och tidskrävande process. Varför är den här arbetsflödespunkten så kritisk för AI-driven transformation?

Varje projekt börjar här. Innan du kan prissätta något, måste någon sitta med planerna och mäta allt. Ett uttag kan ta en hel dag. När saker och ting blir upptagna, blir det taket för hur mycket arbete ett team kan jaga.

Entreprenörer vägrar inte jobb för att de inte vill ha dem. De vägrar jobb för att de inte har tid att prissätta dem.

Uttag har också en tydlig, kontrollerbar utgång: materialkvantiteter. Du vet om något har missats. Det gör det till en rimlig plats att bygga förtroende för ett nytt system, särskilt när insatserna är höga.

Din plattform möjliggör för företag att öka anbudsvolymen utan att lägga till personal. Hur ser du att det här omformar konkurrensen och marginalerna inom branschen?

Det händer redan. När en entreprenör kan jaga tre gånger så många jobb med samma team, blir de selektiva. De går efter högmarginaljobb. De kan svara snabbt när en stor möjlighet kommer in, istället för att passa på den för att de redan är maxade.

Entreprenörer som inte tänker på det här kommer att känna trycket från dem som gör det. Rays Stairs fördubblade sin anbudsvolym och ökade intäkterna från 900 000 dollar till 2 miljoner dollar på två månader. Guardian Roofing minskade uttagstiden från 25 timmar i veckan till 5. Det är inte små vinster. De förändrar vad ett företag kan gå efter.

Beam AI inkorporerar en mänsklig kvalitetskontrollskikt bredvid automatisering. Hur bestämmer du den rätta balansen mellan AI-autonomi och mänsklig tillsyn?

Vi tänker på det i termer av förtroende och vad som står på spel. AI hanterar det strukturerade, repetitiva arbetet väl: läsa plansamlingar, identifiera komponenter, dra ut kvantiteter. Men utgångarna är branschspecifika på sätt som spelar roll. Hur du mäter HVAC-utrustning är ingenting som mätning av strukturstål eller armeringsjärn.

Kvalitetskontrollsskiktet är där för sådana situationer. För den färdiga uppskattningstjänsten granskar en utbildad granskare varje utgång innan den skickas tillbaka till kunden. För de automatiserade 10-minutersuttagen har vi ackumulerat tillräckligt med data, särskilt inom HVAC och mekanik, för att flytta snabbare utan det steget. Stål rullar ut snart. Nivån av autonomi spårar handeln och jobbets komplexitet.

När modellerna förbättras, ser du att kvalitetskontrollsskiktet blir mindre centralt över tiden, eller kommer det att förbli en permanent del av högriskprocesser som uppskattning?

Båda, beroende på hur du definierar det. Formen det tar kommer att förändras. Mycket av vad en mänsklig granskare fångar idag kommer att skifta till automatiserade kontroller inom systemet när modellerna förbättras och vi bygger upp mer data. Men jag tror inte att du någonsin tar bort verifiering från en arbetsflöde som detta högrisk. Om en entreprenör prissätter ett 50-miljondollarsståljobb, kommer de att vilja ha en kontrollpunkt.

Vad vi arbetar mot är att göra den kontrollpunkten snabbare och mindre arbetskrävande. Målet är inte att eliminera kvalitetskontroll. Det är att göra den lättare.

Attentive.ai blandar AI-automatisering med verkliga operativa arbetsflöden. Ser du framtiden för AI inom byggnad som oundvikligen hybrid snarare än fullständigt autonom?

För den närmaste framtiden, ja. Och jag skulle pusha tillbaka på idén att “hybrid” är en tröstpris. Byggnad involverar bedömning som inte fångas i en plansamling. En bra uppskattare känner till den lokala underentreprenörmarknaden. De känner till hur en viss GC skriver specifikationer. De känner till vad ett jobb kommer att kosta att bygga, vilket inte alltid är vad ritningarna säger.

AI hanterar det kvantifierbara arbetet. Människan bringar sammanhanget. Målet är inte att ersätta uppskattare. Det är att få dem ut ur det repetitiva mätandet så att de kan lägga tid på arbetet som faktiskt kräver deras bedömning. Vilket är varför vi har byggt Beam AI för att vara en augmentator, som en plug-and-play-junioruppskattare som hanterar mekaniska uppgifter.

Du har beskrivit AI som att bli det operativa ryggraden i förbyggnad. Vad ser den visionen ut som under de närmaste fem åren?

Just nu fokuserar vi på framsidan: plansamlingar till materialkvantiteter, så snabbt och exakt som möjligt. Nästa lager är anbudshantering. Vi har redan skickat Bid Dashboard och Bid Sniper, som ger entreprenörer en enda vy av deras pipeline, deadlines, RFIs och tillägg.

Under de närmaste fem åren vill jag att plattformen ska koppla uttag direkt till prissättning och inköp. En entreprenör laddar upp plansamlingar och, inom några timmar, har en verklig bild av vad jobbet kostar och vad de behöver köpa in. Det är ett genuint annorlunda sätt att köra förbyggnad än vad de flesta team gör idag.

Beam AI stöder flera branscher, från landskapsarkitektur till civil och elektriskt arbete. Hur balanserar du byggandet av generiska AI-system med behovet av djup branschspecifik optimering?

Det är en verklig spänning. Det underliggande arbetet är delat över branscher: läsa dokument, tolka ritningar och dra ut kvantiteter. Men utgångarna är branschspecifika på sätt som spelar roll. Hur du mäter HVAC-utrustning är ingenting som mätning av strukturstål eller armeringsjärn.

Vi har byggt branschspecifika modeller och investerat i utbildningsdata för var och en. Det är varför vi startade med HVAC och mekanik, där vår datamängd var starkast, innan vi expanderade till mekanik och stål. Vi täcker 15 eller fler branscher, men vi är ärliga med att inte varje bransch är på samma mognadsnivå. Vi bygger djup när vi expanderar.

AI börjar omforma traditionellt offline-industrier. Tror du att byggnad kan bli en av de mest omformade sektorerna under de närmaste tio åren, och vad skulle den omformningen se ut som i praktiken?

Jag gör det. En del av varför det är underskattat är att det har varit så manuellt i så lång tid. Det finns ingen djupt rotad programvarulager att ersätta, som det finns i finans eller hälsovård. Data har inte digitaliserats. Arbetsflödena är inte standardiserade. Det låter som ett problem, men från var vi sitter, är det en möjlighet. Vi bygger inte om ett befintligt system. I många fall bygger vi det första.

Lägg till det kapitalet som går in i datacenter, tillverkning och infrastruktur just nu, och trycket att prissätta och bygga snabbare är bara på väg upp. Entreprenörer som löser det kommer att dra ifrån. De som inte gör det kommer att undra vad som hände.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Attentive.ai eller Beam AI.