Aron England，Accruent 首席产品与技术官 – 专访系列
Aron England 是 Accruent 的首席产品和技术官，是一位经验丰富的技术和产品领导者，以构建和扩展全球团队而闻名，这些团队负责从早期研究到面向客户的高增长产品，提供 SaaS 和智能体解决方案。他融合了在消费者市场、B2B SaaS、电子商务和商业技术领域的深厚专业知识与强大的人员领导力，将创新与对客户问题的深刻理解相结合，以推动持久的产品市场契合度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 提供软件，帮助组织更高效地运营其业务的实体层面，将设施、资产、空间和工作场所运营的工具整合到一个互联系统中。其平台旨在减少碎片化，提高可见性和决策能力，并帮助团队跨广泛行业规划、维护和优化建筑与设备。您构建和领导高绩效全球团队已超过25年。回顾在初创公司、大型企业以及现在 Accruent 的经历，哪些关键经验最深刻地塑造了您对构建可信赖的大规模技术的思考方式？通过在财富50强公司工作，以及在早期初创公司、中型及大型上市和私营公司担任技术领导职务，我在推动不同行业数字化转型采用方面获得了广泛的经验。最值得注意的是，我是 DocuSign 的第九号员工，当时我们瞄准的是一个需要真正变革的市场。推动模拟合同行业完成全面的数字化转型，不仅需要建立市场信任，还需要立法来确保转变的安全性。我在那里的许多经验教训可以应用于当前的大语言模型和人工智能工具市场。从高层次来看，我的经验模式始终一致：可信赖的系统不会偶然出现。它们源于有意识的架构、数据一致性、透明度以及对真实用户如何使用技术的深刻理解。您曾警告，到2026年，技术人员将不再接受那些只会说“相信我”的人工智能系统。从您在 Accruent 的角度来看，是什么推动了前线及现场服务专业人员期望的这种转变？在设施经理和技术人员利用人工智能诊断设备故障和指导复杂维修的环境中，由错误或不准确建议导致的失误可能造成重大的业务和安全风险。通常，大语言模型会从多个页面混合生成答案，而不引用底层证据。因此，如果技术人员遵循了一个从未在原厂手册中直接存在的人工智能生成步骤，组织可能会面临重大的合规反弹，因为他们将无法为审计或安全审查提供可辩护的证据链。随着人工智能成为标配并在软件中变得更加“隐形”，可追溯性的重要性将日益增长。在受监管的行业中，人工智能幻觉可能不仅仅是带来不便——它们可能造成真正的安全、合规和运营风险。在维护、设施管理或资产运营方面，哪些类型的幻觉场景最令您担忧？在制造业中，如果人工智能生成的建议告诉工厂工人对关键设备采取错误操作，可能导致计划外停机、材料浪费、最终产品缺陷或机器损坏。这些可能是价值数百万美元的错误，因为生产线停滞不前，甚至如果后续导致召回，还会造成声誉损害。人工智能工具的这些幻觉对医疗保健等行业尤其有害，因为当机器未能得到适当维护或及时修复时，责任和患者的生计都面临风险。当你处理与现实世界互动的行业时，纠正错误并不像按删除键然后重新开始那么简单。您强调，每个人工智能输出都必须能追溯到原始来源——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并消除“黑箱”答案？我们确保人工智能建议可以追溯到其源材料中有意义的输出点，例如提供建议所依据的特定手册页面、图表、数据表或日志条目。例如，如果人工智能建议告诉医疗保健行业的设施经理如何维修压缩机，他们应该能够一键追溯到支持该步骤的确切段落，以确保准确性。为了弥合当今企业人工智能中日益增长的信任鸿沟，这些系统还必须能够揭示实际评估了哪些要点或页面，以便用户知道人工智能是审查了所有相关文档还是仅审查了一部分。许多企业人工智能工具优先考虑速度，但受监管的环境需要审计追踪、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需求？将人工智能嵌入现有工作流程是关键。这简化了叠加审批、文档记录、维护例程和合规检查以增强已知实践的过程，而不是实施一个全新的孤立工具。这意味着避免对运营进行全面改革，允许员工继续以他们习惯的方式工作，但将手动、耗时的流程自动化。现场技术人员依赖精确的指令。Accruent 如何应对将人工智能输出基于权威源材料以减少风险和提高技术人员信心的挑战？我们的方法始于捕获和组织手册、图表、图纸、租赁合同和历史工单，以确保人工智能从公司特定的内容中提供答案，而不是通用的训练数据。在生成程序、建议或检查清单时，我们的系统设计使得每个步骤都可以追溯到原始文档。如果没有此功能，本已资源紧张的技术人员将不得不花费更多时间手动查阅文档以验证准确性，从而进一步延误流程和工单。提供透明、可审计的人工智能需要大量结构化数据。要实现这一愿景，需要解决哪些数据挑战——从非结构化的遗留文档到不一致的资产历史记录？提供可审计的人工智能始于可靠且组织良好的数据。然而，大多数建筑环境仍处于模拟流程中，依赖手动数据录入、扫描的 PDF 和孤立的电子表格。当数据和资产历史记录存在缺口、不完整或不一致时，人工智能幻觉的风险就会增加。为了在受监管的环境中使人工智能输出值得信赖，公司必须首先解决遗留数据障碍，从非结构化格式到不一致的历史记录，再到缺乏治理，方法是迁移到结构化、版本控制、集中化的文档和资产数据系统。我们的 EDMS（工程文档管理系统）可以为多个行业实现这一点，包括采矿、公用事业、制造业等。这些行业通常依赖物理工程图纸和文档，这可能造成版本控制的噩梦。使用我们的 EDMS 解决方案将这些文档数字化是第一步。然后，该软件帮助管理版本控制、工作流程治理和审计追踪，以确保消除不一致性。随着人工智能嵌入维护、设施和资产生命周期管理，您认为在哪些方面存在最大的机会来提高生产力，同时又不损害安全或监管要求？最大的机会之一是自动化员工繁琐、非增值的任务，例如手动数据录入和为技术人员安排工单。从外部看，这似乎是一个相对简单但耗时的任务。然而，人工智能可以更战略性地处理这项任务。首先，如果相关设备配备了传感器监控，工单可能会基于异常检测在真正发生故障之前被触发。其次，人工智能可以帮助根据紧急程度自动确定工单的优先级，并在对企业造成最少干扰的时间安排维修——它还可以同时权衡多个并发问题、成本、安全和收入，以找到最佳的前进路径。人工智能有潜力不仅仅是“协助”维护和设施团队——它将越来越多地充当数字操作员。信任正成为企业人工智能的新标配。您认为供应商在未来两年需要做出哪些改变才能赢得并保持这种信任？供应商必须停止假设客户在企业人工智能方面会简单地“信任模型”。人工智能的建议需要展示其生成方式的证明。解决这个问题的一种方法是提供引用，并清晰描述人工智能查阅了哪些文档、未查阅哪些文档。例如，如果员工要求人工智能分析 1,000 份租赁合同，他们应该明确知道它是评估了全部 1,000 份还是仅...
