阿龙·英格兰，Accruent 首席产品和技术官 – 采访系列

阿龙·英格兰，Accruent 首席产品和技术官，是一位经验丰富的技术和产品领导者，擅长于建立和扩展全球团队，开发和提供 SaaS 和代理解决方案，从早期研究到高增长、面向客户的产品。他将对消费者市场、B2B SaaS、电子商务和商业技术的深入了解与强大的领导能力相结合，通过创新和对客户问题的深入理解来推动可持续的产品市场适应和可衡量的业务成果，包括通过收购和知识产权驱动的战略实现增长。

Accruent 提供帮助组织更高效地运行其业务物理方面的软件，通过将设施、资产、空间和工作场所运营工具连接到一个系统中。其平台旨在减少碎片化，提高可见性和决策能力，并帮助团队规划、维护和优化建筑和设备，以满足各个行业的需求。

您已经建立和领导了超过 25 年的高绩效全球团队。回顾您在初创公司、大型企业和现在 Accruent 的经历，您认为哪些关键经验最能体现您对构建大规模可信技术的思考方式？

通过在《财富》50 强公司和初创公司的技术领导层工作，我在推动各个行业的数字化转型方面积累了丰富的经验。最值得注意的是，我是 DocuSign 的第九位员工，我们当时正在针对一个需要真正变革的市场。推动模拟合同行业进行数字化转型，不仅需要建立市场信任，还需要立法来确保转型的安全性。在那里，我学到了很多经验，这些经验可以应用于当前的 LLM 和 AI 工具市场。

从高层次上看，我的经验模式始终保持一致：可信的系统不会偶然出现。它们来自于有意的架构、数据一致性、透明度和对真实用户如何使用技术的深入理解。

您曾警告，到 2026 年，技术人员将不再接受仅仅说“相信我”的 AI 系统。从 Accruent 的角度来看，什么因素驱动了这一变化，导致一线和现场服务专业人员的期望发生了变化？

在设施经理和技术人员使用 AI 诊断设备故障和指导复杂维修的环境中，AI 推荐的错误或不准确的建议可能会导致重大业务和安全风险。

通常，LLM 会从多个页面创建混合答案，而不会引用原始证据。因此，如果技术人员遵循 AI 生成的步骤，而该步骤在原始设备制造商手册中不存在，组织可能会面临重大合规性反弹，因为他们将无法提供可辩护的证据链用于审计或安全审查。随着 AI变得更加普遍和“不可见”，可追溯性的重要性将会增加。

AI 的“幻觉”在受监管的行业中可能不仅仅是令人烦恼的问题，还可能造成真正的安全、合规和运营风险。您最担心哪些与维护、设施管理或资产运营相关的“幻觉”场景？

在制造业中，如果 AI 生成的建议告诉工人对关键设备采取错误的行动，可能会导致计划外的停机、浪费的材料、有缺陷的最终产品或损坏的机械。这些错误可能会导致数百万美元的损失，因为制造线停顿或甚至声誉受损，如果后来导致召回。

这些 AI 工具的“幻觉”对医疗保健等行业尤其有害，因为当机器故障未能及时维护或修复时，责任和患者的生计都处于风险之中。处理与现实世界交互的行业时，纠正错误并不像简单地删除并重新开始那么简单。

您强调，每个 AI 输出必须指向原始来源——手册、数据表、图表、历史日志。Accruent 如何设计系统以确保可追溯性和消除“黑盒”答案？

我们确保 AI 推荐可以追溯到其源材料中的有意义的输出点，例如特定的手册页、图表、数据表或日志条目。如果 AI 推荐告诉医疗保健设施经理如何维护压缩机，他们应该能够追溯到支持该步骤的确切段落，以确保准确性。为了关闭当前企业 AI 中日益增长的信任差距，系统还必须能够显示所评估的点或页面，以便用户知道 AI 是否查看了所有相关文档或仅查看了一个子集。

许多企业 AI 工具优先考虑速度，但受监管的环境需要审计跟踪、文档准确性和可验证的推理。您如何平衡创新与透明度和合规性的需求？

将 AI 嵌入现有的工作流程中是关键。这简化了将批准、文档、维护例行程序和合规性检查添加到已知实践中的过程，而不是实施新的孤立工具。这意味着避免对运营进行全面改造，并允许员工继续按照既定的方式工作，但将手动、耗时的过程自动化。

现场技术人员依赖于准确的指令。Accruent 如何解决将 AI 输出建立在权威源材料基础上的挑战，以降低风险和提高技术人员的信心？

我们的方法从捕获和组织手册、图表、图纸、租赁协议和历史工作订单开始，以确保 AI 从公司的特定内容中提供答案，而不是从通用训练数据中提供答案。当生成程序、建议或检查清单时，我们的系统被设计为使每一步都可以追溯到原始文档。

如果没有这一功能，技术人员已经很缺乏资源，他们将不得不花费更多时间手动搜索文档以验证准确性，从而进一步延迟流程和工作订单。

提供审计就绪的 AI 需要大量结构化数据。为了使这一愿景成为现实，需要解决哪些数据挑战——从非结构化的遗留文档到资产历史的不一致性？

提供审计就绪的 AI 首先需要可靠和井然有序的数据。然而，大多数物理环境仍然依赖于模拟过程，包括手动数据输入、扫描的 PDF 和孤立的电子表格。当数据和资产历史存在缺口、不完整或不一致时，AI“幻觉”的风险会增加。为了使 AI 输出在受监管的环境中值得信赖，公司必须首先解决遗留数据的障碍，从非结构化格式到不一致的历史记录、缺乏治理，通过迁移到结构化、版本控制的集中文档和资产数据系统。

我们的 EDMS（工程文档管理系统）可以为包括采矿、公用事业、制造业等多个行业提供此功能。这些行业经常依赖物理工程图纸和文档，这可能会导致版本控制的噩梦。使用我们的 EDMS 解决方案来数字化这些文档是第一步。从那里，软件有助于管理版本控制、工作流治理和审计跟踪，以确保消除不一致性。

随着 AI 被嵌入到维护、设施和资产生命周期管理中，您认为在不损害安全性或监管要求的情况下提高生产力的最大机会在哪里？

最大的机会之一是自动化员工的重复性、非增值任务，例如手动数据输入和为技术人员安排工作订单。从外部来看，这似乎是一项相对简单但耗时的任务。然而，AI 可以从战略角度处理这项任务。

首先，如果设备配备了传感器，工作订单可能会在真正的故障发生之前根据异常检测触发。其次，AI 可以帮助自动根据紧急程度和安排维修时间来最小化对业务的干扰——它还可以同时考虑多个问题、成本、安全性和收入以找到最佳的前进路径。AI 有潜力不仅仅是“协助”维护和设施团队——它将越来越多地作为数字运营商发挥作用。

信任正在成为企业 AI 的新标准。您认为在接下来的两年里，供应商需要做出什么不同的事情来赢得——和保持——这种信任？

供应商必须停止假设客户会简单地“相信模型”当谈到企业 AI 时。AI 的建议需要提供生成它们的证据。解决这一问题的一种方法是提供引用和明确的文档描述，说明 AI 查看了哪些文档。例如，如果员工要求 AI 分析 1,000 个租赁协议，他们应该明确知道 AI 是否评估了所有 1,000 个协议，还是只有 700 个，为什么或为什么不这样做。

作为这一部分，供应商应该优先考虑数据使用透明度。这包括明确谁可以看到数据、如何使用数据（包括任何训练影响），以及如何将数据与其他客户环境分离或隔离。

在接下来的两年里，赢得信任将至关重要，供应商可以通过以下方式占据优势：明确说明 AI 工具的局限性，保持人类在高风险决策中的参与，并从狭窄、明确定义的用例开始，这些用例可以在不将客户置于“黑盒”情况下的情况下提供有形的价值。

展望未来，您认为 AI 将如何在任务关键型运营中演变，Accruent 将在为可信、透明的 AI 设置行业标准方面发挥什么作用？

任务关键型运营中的 AI 正在迅速从单一任务的自动化演变为智能的多代理系统，这些系统可以协调和优化整个工作流程。AI 不再只是协助用户，而是将提供具有全透明度和可追溯性的自治决策支持，持续监测运营状况，预测风险，并推荐具有可追溯性的行动。随着 AI 学会将非结构化文档、结构化运营数据和实时信号相结合，它将直接嵌入到日常流程中，推动更快、更安全、更可靠的结果。

随着时间的推移，这将使系统能够自我优化和自我纠正，而人类则专注于监督和战略决策。作为市场领导者，Accruent 将通过将审计能力、可解释性和强大的治理嵌入其平台，并与客户、合作伙伴和监管机构合作，定义任务关键型环境中安全部署的最佳实践，来帮助为可信和透明的 AI 设置行业标准。

感谢您这次精彩的采访，希望了解更多的读者可以访问 Accruent。