Assaf Elovic, leder af AI hos monday.com – Interview Serie

Assaf Elovic, Leder af AI hos monday.com – er en teknolog, grundlægger og investor i fremhjørnet af AI-innovation. Han skabte GPT Researcher, den første dybe research-agent med over 20.000 GitHub-stjerner, og co-grundlagde Tavily, en førende søgemaskine for LLM’er. Hos monday.com leder han virksomhedens AI-strategi på tværs af produkt, ingeniørarbejde, design og go-to-market, samt fungerer som en Sequoia Capital-scout, der rådgiver og investerer i tidlige AI-startups. Hans karriere spænder over produktudvikling, R&D-ledelse og opbygning af globale hold, med en konstant fokus på at bygge transformative AI-produkter og fremme den næste bølge af AI-drevne virksomheder.

monday.com er en førende arbejdsoperativsystem, der giver hold mulighed for at styre projekter, arbejdsprocesser og samarbejde på en højtilgængelig måde. Tillid af organisationer verden over, integrerer platformen AI-drevet automation, analytics og ubesværet koordination på tværs af hold til at øge produktiviteten og accelerere beslutningstagning. Med løsninger, der spænder over projektstyring, CRM, produktudvikling og marketing, er monday.com blevet en central hub for virksomheder, der søger at skala effektivt og innovere hurtigere.

Du har ledet AI-bestræbelser på nogle af de mest dynamiske virksomheder i tech, herunder Wix og nu monday.com—hvad var det, der først tiltrak dig personligt til udfordringen med at bygge intelligente systemer?

Min rejse ind i AI begyndte under chatbot-boomet i 2015. Jeg havde en interaktion med en AI-bot, der kunne virkelig forstå intention; det føltes som magi. Dette var ikke bare en nytte; det var løsning af reelle problemer som booking af møder og besvarelse af komplekse spørgsmål. Det øjeblik antændte min nysgerrighed om, hvordan disse systemer fungerede.

Hvad der virkelig trak mig ind, var at realisere, hvor tilgængeligt AI var blevet. Nogle værktøjer og API’er gjorde det muligt for udviklere at bygge robuste applikationer uden at have brug for en ph.d. i maskinlæring. De uendelige muligheder var spændende, og jeg vidste, at jeg ville bidrage til denne transformation. Siden da har jeg været dedikeret til at bygge AI-produkter, der løser reelle udfordringer og forbedrer menneskers liv.

Udfordringen med at bygge intelligente systemer appellerer til mig, fordi det sidder i skæringspunktet mellem kreativitet og cutting-edge-teknologi. Hvert projekt er som at løse en ny puslespil; du må forstå ikke kun de tekniske muligheder, men også, hvordan mennesker faktisk arbejder og hvad de har brug for.

Før du tiltrådte monday.com, skabte du open-source-værktøjer som GPT Researcher, der fik resonans hos udviklere og forskere. Hvordan har disse grassroots-, community-drevne oplevelser formet din tilgang til at bygge enterprise AI-produkter i dag?

Den open-source-oplevelse lærte mig uvurderlige lektioner om at bygge til reelle brugernes behov snarere end teoretiske. Når du bygger i det åbne, får du umiddelbar, ufiltroet feedback fra udviklere, der faktisk forsøger at løse problemer. Dette lærte mig at fokusere på praktisk nytte snarere end imponerende demoer.

Arbejdet med fællesskabet forstærkede også vigtigheden af at gøre AI tilgængeligt. Mange af udviklerne, der brugte disse værktøjer, var ikke AI-specialister; de byggede applikationer og havde brug for AI-kapaciteter, der var pålidelige og lette at integrere. Denne oplevelse påvirker direkte, hvordan vi tilgår AI Blocks hos monday.com: At gøre kraftfulde AI-kapaciteter tilgængelige for ikke-tekniske kunder gennem intuitive grænseflader.

Tidligere på året monday.com afslørede en dristig ny AI-vision med tre søjler: AI Blocks, Product Power-ups og en Digital Arbejdsstyrke. Hvordan kom denne ramme sammen, og hvilket hul i markedet forsøger du at udfylde?

Vores AI-vision opstod fra observation af en grundlæggende udfordring: organisationer af alle størrelser ønsker at udnytte AI, men de fleste løsninger kræver betydelig teknisk ekspertise eller er for stive til forskellige forretningsbehov. Vi så, at mennesker ikke bare søger en anden AI-assistent; de havde brug for AI, der kunne integreres ubesværet i deres eksisterende arbejdsprocesser og tilpasse sig deres specifikke processer. Til sidst fokuserer vi nu på at hjælpe mennesker med at få arbejdet gjort med AI, en skift fra at hjælpe mennesker med at styre arbejdet.

Hullet, vi udfylder, er rummet mellem simple AI-værktøjer og komplekse enterprise-løsninger. Mange virksomheder falder i en midtergrund, hvor de har brug for mere end grundlæggende automation, men ikke kan retfærdiggøre eller implementere tungt AI-systemer. Vores tre-søjle-tilgang giver organisationer mulighed for at starte simpelt med blokke, forbedre deres produkter med power-ups og til sidst bygge sofistikerede digitale arbejdsstyrker.

Siden lanceringen har vi skubbet stærkt på tværs af alle vertikaler med betydelig vækst i antallet af brugere og betalende brugere.

Vi har også introduceret “vibe coding”-produkter, der sigter mod vores mission om at demokratisere software. Med de seneste fremskridt i AI har det aldrig været nemmere at bygge fulde applikationer med simpel naturlig sprog. Vores seneste produkter som monday vibe og magic kan enable enhver ikke-teknisk bruger til at udnytte monday-økosystemet til at bygge tilpassede applikationer til arbejde.

Kan du føre os igennem, hvordan AI Blocks fungerer i praksis? Hvad er læringskurven for ikke-tekniske brugere, der forsøger at integrere disse værktøjer i deres daglige arbejdsprocesser?

AI Blocks er designet til at være lige så intuitive som byggeklodser – deraf navnet. I praksis kan en bruger trække en “extract deadlines”-blok ind i deres projektstyringsarbejdsproces eller tilføje en “summarize meeting notes”-blok til deres ugentlige gennemgangsproces. Blokkene håndterer AI-kompleksiteten bag scenen, mens de præsenterer kunderne med simple, velkendte grænseflader.

Læringskurven er bevidst minimal. Vi har set hold, der med succes har implementeret AI Blocks inden for deres første session. For eksempel kan et marketinghold oprette en arbejdsproces, hvor sociale medie-omtaler automatisk analyseres for sentiment og nøgletemaer udtrækkes, alt uden at skrive en enkelt linje kode.

Nøgleindsigten er, at mennesker ikke behøver at forstå, hvordan AI fungerer, for at kunne drage fordel af det. De behøver kun at forstå deres egne processer godt nok til at identificere, hvor automation ville hjælpe. Vi har designet blokkene til at matche de mentale modeller, mennesker allerede har om deres arbejdsprocesser.

Du har nyligt lanceret en række AI-drevne værktøjer, herunder monday magic, monday vibe og monday sidekick. Hvad gør disse produkter forskellige fra traditionelle assistenter eller copiloter, og hvilken rol ser du for dem på tværs af brancher?

Vores seneste udgivelser repræsenterer en omfattende tilgang til arbejdsplads-AI, der går ud over traditionelle assistenter. Hver kapacitet tjener et distinkt formål, mens de fungerer sammen som et integreret økosystem, der fundamentalt transformerer, hvordan hold opererer, og fastlægger vores skift fra arbejdsstyring til arbejdsudførelse for vores kunder.

monday magic bringer intelligent automation til arbejdsprocesser, ved at bruge AI til at forudsige behov og automatisere komplekse processer, før brugerne overhovedet realiserer, at de har brug for dem. monday vibe er en vibe coding-platform, der giver enhver mulighed for at bygge sikre, tilpassede forretningsapplikationer tilpasset deres teams præcise behov. Og monday sidekick fungerer som din kontekstuelle AI-makker, der forstår dine specifikke arbejdsmønstre og giver proaktiv assistance tilpasset din rolle og ansvar.

Sammen flytter disse kapaciteter vores kunder ud over blot at styre og overvåge arbejdet til at udføre det mere intelligent. I stedet for blot at organisere opgaver og overvåge fremgang, kan hold nu stole på AI til at optimere præstation, forudsige udfordringer og tage handling automatisk. Dette skift fra passiv styring til aktiv udførelse er transformerende; det betyder mindre tid tilbragt på administrativt arbejde og mere tid fokuseret på højværdiarbejde, der driver resultater.

Hvad der gør disse produkter forskellige fra traditionelle assistenter, er deres dybe integration med den faktiske arbejds kontekst og deres fokus på proaktiv snarere end reaktiv support. Mens de fleste AI-assistenter venter på, at du stiller spørgsmål, observerer vores suite mønstre, forudsiger behov og tager handling inden for dine etablerede arbejdsprocesser og tilladelser.

monday.com betoner forklarbarhed og brugeroplevelse, ikke kun rå modelpræstation. Hvad ser det ud til bag scenen, og hvordan balancerer du gennemsigtighed med kraft?

Forklarbarhed er fundamentalt for at bygge tillid, især i enterprise-miljøer, hvor beslutninger har reelle konsekvenser. Bag scenen investerer vi kraftigt i at gøre vores AI’s begrundelse gennemsigtig. Når vores Risk Analyzer markerer en potentiel projektforlængelse, viser den ikke kun en advarsel; den viser også præcis, hvilke faktorer bidrog til den vurdering, og hvor sikker den er på forudsigelsen.

Dette fokus kom fra erfaring. Tidlige AI-systemer føltes ofte som sorte kasser, hvilket gjorde kunderne tilbageholdende med at stole på dem til vigtige beslutninger. Vi lærte, at kunderne har brug for at forstå ikke kun, hvad AI foreslår, men også hvorfor det foreslår det.

Balancen mellem gennemsigtighed og kraft kommer ned til lagdækket afsløring. Vi giver umiddelbar, handlebar indsigt på overfladen, men kunderne kan bore ned for at se den detaljerede begrundelse, når de har brug for det. Denne tilgang bygger tillid, mens den opretholder brugervenlighed – kunderne stoler mere på systemet, når de forstår det, hvilket paradoksalt set gør dem mere villige til at udnytte dets fulde kapaciteter.

Med over 46 millioner AI-handlinger udført på platformen, hvad er nogle af de mest overraskende eller kreative måder, kunder har brugt AI?

Kundernes kreativitet overrasker mig konstant. Vi har set en bryllupsplanlægger bruge AI Blocks til automatisk at kategorisere leverandørsvaret og udtrække nøgleinformationer som priser og tilgængelighedsdatoer. Et forskninghold oprettede en arbejdsproces, der analyserer akademiske artikler og automatisk udfylder en database med nøglefund og metodenedtægter.

Et særligt kreativt brugstilfælde var en restaurantkæde, der brugte vores AI til at analysere kundetilbagemeldinger på tværs af lokaliteter og automatisk flagrede potentielle madssikkerhedsproblemer ved at detektere mønstre i klager. De skabte grundlæggende en tidlig advarselssystem for driftsproblemer.

Hvad der overrasker, er, hvordan kunder kombinerer simple blokke på sofistikerede måder. De automatiserer ikke kun enkeltopgaver; de genopbygger hele processer omkring AI-kapaciteter, vi ikke eksplicit havde designet til deres specifikke brugstilfælde.

Du fungerer også som en scout for Sequoia Capital, der investerer i tidlige AI-startups. Fra det udsyn, hvad er de almindelige fejl, grundlæggere begår, når de bygger AI-først-produkter?

Den mest almindelige fejl, jeg ser, er, at grundlæggere bliver forført af de tekniske muligheder i AI uden at dybt forstå brugerens faktiske arbejdsproces og udfordringer. De bygger imponerende demoer, der viser AI-kapaciteter, men løser ikke reelle problemer på den måde, mennesker faktisk arbejder.

En anden hyppig problemstilling er over-lokking af AI-autonomi for tidligt. Mange grundlæggere vil bygge fuldt autonome systemer, når kunderne faktisk har brug for samarbejdsværktøjer. Mennesker vil have AI til at supplere deres evner, ikke erstatte deres dømmekraft, især i forretningsbeslutninger med høje stakes.

Der er også en tendens til at undervurdere vigtigheden af tillid og forklarbarhed. Grundlæggere fokuserer ofte på nøjagtighedsmål, men negligerer brugeroplevelsen i håndtering af usikkerhed og fejl. I enterprise-sammenhænge, især, har kunder brug for at forstå, når og hvorfor de skal stole på AI-anbefalinger.

Til sidst kæmper mange AI-først-startups med distribution. At have god AI-teknologi er ikke nok; du må forstå, hvordan du integrerer det i eksisterende arbejdsprocesser og demonstrere klart ROI til beslutningstagerne, der måske er skeptiske over for AI-hype.

Hvordan tror du, AI-agenter vil udvikle sig over de næste få år – vil de blive mere autonome, mere specialiserede eller noget helt andet?

Vi vil se AI-agenter udvikle sig mod kontekstuel samarbejde snarere end ren autonomi. Fremtiden er ikke fuldt autonome agenter, der tager uafhængige beslutninger, men snarere agenter, der dybt forstår kontekst og kan tage passende niveauer af handling baseret på situationen og brugerpræferencer.

Vi bevæger os mod agenter, der kan håndtere rutinebeslutninger autonomt, mens de ubesværet eskalerer komplekse eller tvetydige situationer til mennesker. Dette kræver en sofistikeret forståelse af kontekst, risikovurdering og brugerintention, kapaciteter der hurtigt forbedres.

Jeg forventer også betydelig udvikling i multi-agent-koordination. I stedet for monolitiske AI-assistenter vil vi se specialiserede agenter, der samarbejder med hinanden og med mennesker i dynamiske hold. Din research-agent kan arbejde med din planlægningsagent og din kommunikationsagent for at koordinere et komplekst projektlancering.

Nøgleudviklingen vil være i menneske-AI-grænsefladen. Agenterne vil blive bedre til at kommunikere deres begrundelse, udtrykke usikkerhed og tilpasse sig enkelt arbejdsmønstre. Målet er en ubesværet samarbejdende oplevelse, hvor grænserne mellem menneskelige og AI-bidrag bliver mindre vigtige end den kollektive udgang.

Internt, hvordan strukturerer du samarbejdet mellem dine AI-, produkt-, design- og GTM-hold for at sikre, at AI er ubesværet integreret i brugeroplevelsen?

Succesfuld AI-produktudvikling kræver at bryde ned traditionelle siloer og skabe en fælles forståelse på tværs af alle hold. Vi har fundet, at nøglen er at etablere en fælles sprog om AI-kapaciteter og begrænsninger, som alle kan bruge, fra ingeniører til designere til markedsførere.

Vores proces starter med tværfaglige opdagelsessessioner, hvor vi udforsker brugerproblemer sammen, før vi diskuterer tekniske løsninger. Dette forhindrer den almindelige fejl at føre med AI-kapaciteter og derefter lede efter problemer at løse.

Vi investerer også kraftigt i prototypering og brugertestning på tværs af udviklingsprocessen. Design- og produktteam arbejder tæt med AI-ingeniører for at forstå, hvad der er muligt, mens AI-hold lærer om reelle brugerbegrænsninger og præferencer. Denne to-vejs læringsproces er afgørende for at skabe AI-funktioner, der føles naturlige snarere end påmonterede.

Fra en GTM-perspektiv er vores hold integreret i udviklingsprocessen fra dag ét. De hjælper os med at forstå ikke kun, hvad kunderne ønsker, men hvordan de tænker om AI, hvilke bekymringer de har, og hvordan de foretrækker at lære om nye kapaciteter. Denne indsigt påvirker direkte både produktets design og den tekniske implementering.

Til sidst, som den, der brobygger open source, enterprise AI og VC, hvor tror du, den næste store AI-gennembrud vil ske – i værktøjer, infrastruktur eller noget, vi endnu ikke kigger på?

Det næste gennembrud vil sandsynligvis ske i skæringspunktet mellem menneske-AI-samarbejdsgrænseflader. Vi har gjort fremragende fremskridt i modelkapaciteter, men vi er stadig i de tidlige faser af at løse, hvordan mennesker og AI-systemer kan arbejde sammen mest effektivt.

Gennembruddet vil ikke være i at gøre AI mere autonom, men i at gøre menneske-AI-samarbejde mere flydende og naturligt. Dette inkluderer fremskridt i, hvordan AI-systemer kommunikerer usikkerhed, hvordan de tilpasser sig enkelt arbejdsmønstre og hvordan de koordinerer med multiple mennesker og andre AI-systemer samtidig.

Fra et infrastrukturperspektiv holder jeg øje med udviklinger i realtid, kontekstuel AI, der kan forstå og handle på dynamiske informationsstrømme. Evnen til at bygge AI-systemer, der kan fastholde kontekst over lange tidsperioder og multiple interaktionstyper, vil enable helt nye kategorier af applikationer.

Men ærligt, de mest spændende gennembrud kan komme fra uventede retninger. Ligesom transformers opstod fra opmærksomheds-mekanismer i neuralt maskinoversættelse, kan det næste betydelige fremskridt komme fra at løse et tilsyneladende snævert problem, der har bred anvendelse. Nøglen er at fastholde den begynders sindstilstand og forblive åben for muligheder, vi endnu ikke har forestillet os.