Assaf Elovic, Chef for AI i monday.com – Interviewserie

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 ved 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 forstå intention; det føltes som magi. Dette var ikke bare en nytte; det løste virkelige problemer som booking af aftaler og besvarelse af komplekse spørgsmål. Det øjeblik antændte min nysgerrighed om, hvordan disse systemer fungerede.

Hvad der virkelig trak mig til, var, at jeg indså, hvor tilgængelig AI var blevet. Nogle værktøjer og API’er gjorde det muligt for udviklere at bygge robuste applikationer uden at skulle have en PhD 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 virkelige udfordringer og forbedrer menneskers liv.

Udfordringen ved at bygge intelligente systemer appellerer til mig, fordi det ligger i skæringspunktet mellem kreativitet og avanceret teknologi. Hvert projekt er som at løse en ny puslespil; du skal 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 genklang 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 virkelige brugernes behov i stedet for teoretiske. Når du bygger i det åbne, får du øjeblikkeligt, ufiltroet feedback fra udviklere, der faktisk forsøger at løse problemer. Dette lærte mig at fokusere på praktisk nytte i stedet for imponerende demos.

At arbejde 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 i år monday.com afslørede en ny, dristig AI-vision med tre søjler: AI Blocks, Product Power-ups og en Digital Workforce. Hvordan kom denne ramme sammen, og hvilket hul i markedet forsøger I at udfylde?

Vores AI-vision opstod fra at observere 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 har brug for AI, der kan integreres ubesværet i deres eksisterende arbejdsprocesser og tilpasse sig deres specifikke processer. Til sidst fokuserer vi nu på at hjælpe mennesker med at udføre arbejde med AI, en skift fra at hjælpe mennesker med at styre arbejde.

Hullet, vi forsøger at udfylde, er mellem simple AI-værktøjer og komplekse enterprise-løsninger. Mange virksomheder falder i en midtergrund, hvor de har brug for mere end grundlæggende automatisering, men ikke kan retfærdiggøre eller implementere tungtvejende AI-systemer. Vores tilgang med tre søjler 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 den læringskurve for ikke-tekniske brugere, der forsøger at integrere disse værktøjer i deres daglige arbejdsprocesser?

AI Blocks er designede til at være lige så intuitive som byggeklodser—hence 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 marketingshold oprette en arbejdsproces, hvor sociale medie-omtaler automatisk analyseres for sentiment og nøgletemaer udtrækkes, alt uden at skulle skrive en enkelt linje kode.

Nøgleindsigten er, at mennesker ikke behøver at forstå, hvordan AI fungerer, for at kunne drage fordel af det. De skal bare forstå deres egne processer godt nok til at identificere, hvor automatisering 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 industrier?

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

monday magic bringer intelligent automatisering til arbejdsprocesser, ved at bruge AI til at forudsige behov og automatisere komplekse processer, før brugere overhovedet indsætter, de har brug for dem. monday vibe er en vibe coding-platform, der giver mulighed for, at alle kan bygge sikre, tilpassede forretningsapplikationer, der er 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 arbejde 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 brugt på administrative omkostninger og mere tid fokuseret på højværdi-arbejde, der driver resultater.

Hvad der gør disse forskellige fra traditionelle assistenter, er deres dybe integration med den faktiske arbejds kontekst og deres fokus på proaktiv i stedet for 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 som bag scenen, og hvordan balancerer du gennemsigtighed med kraft?

Forklarbarhed er fundamental for at bygge tillid, især i enterprise-miljøer, hvor beslutninger har virkelige konsekvenser. Bag scenen investerer vi kraftigt i at gøre vores AI’s begrundelse gennemsigtig. Når vores Risk Analyzer markerer en potentiel projektforlængelse, viser det ikke kun en advarsel; det viser præcis, hvilke faktorer bidrog til denne vurdering, og hvor sikker det 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 havde brug for at forstå ikke kun, hvad AI foreslog, men hvorfor det gjorde det.

Balancen mellem gennemsigtighed og kraft kommer ned til lagdelt åbenbarelse. Vi giver umiddelbare, handlebare indsigt på overfladen, men kunder 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 leverandørsværser og udtrække nøgleoplysninger som priser og tilgængelighedsdatoer. Et forskningsteam skabte en arbejdsproces, der analyserede akademiske artikler og automatisk udfyldte en database med nøglefund og metodologiske noter.

En særligt kreativ brugsform var en restaurantkæde, der brugte vores AI til at analysere kundeFeedback på tværs af lokaliteter og automatisk flagrede potentielle madssikkerhedsproblemer ved at opdage mønstre i klager. De skabte i virkeligheden en tidlig advarselssystem for driftsproblemer.

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

Du fungerer også som en scout for Sequoia Capital, der investerer i tidlige AI-startups. Fra det udgangspunkt, hvilke almindelige fejl begår grundlæggere, 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 brugernes faktiske arbejdsproces og smerte punkter. De bygger imponerende demos, der viser AI-kapaciteter, men løser ikke virkelige problemer på den måde, mennesker faktisk arbejder.

En anden hyppig problemstilling er at love for meget om AI-autonomi for tidligt. Mange grundlæggere vil bygge fuldt autonome systemer, når kunder 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 nøjagtighedsmalinger, 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.

Endelig kæmper mange AI-først-startups med distribution. At have god AI-teknologi er ikke nok; du skal forstå, hvordan du integrerer det i eksisterende arbejdsprocesser og demonstrere klart ROI for beslutningstagere, der kan være 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 i stedet for 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 teams. Din research-agent kan arbejde med din planlægningsagent og din kommunikationsagent for at koordinere en kompleks projekt lancering.

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

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

Vellykket AI-produktudvikling kræver, at man bryder ned traditionelle siloer og skaber 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 man først leder med AI-kapaciteter og derefter søger efter problemer at løse.

Vi investerer også kraftigt i prototypering og bruger-testning på tværs af udviklingsprocessen. Design- og produkt-hold arbejder tæt med AI-ingeniører for at forstå, hvad der er muligt, mens AI-hold lærer om virkelige bruger-begrænsninger og præferencer. Denne to-vejs-læring er afgørende for at skabe AI-funktioner, der føles naturlige og ikke påtvungne.

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

Til sidst, som en, der brostøtter open source, enterprise AI og VC, hvor tror du, den næste store AI-gennembrud vil ske—i værktøjer, infrastruktur eller noget, vi endnu ikke ser?

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

Gennembruddet kommer ikke til at 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 enkelte arbejdsmønstre og hvordan de koordinerer med multiple mennesker og andre AI-systemer samtidig.

Fra et infrastruktur-perspektiv følger jeg udviklingen i real-time, kontekstuel AI, der kan forstå og handle på dynamiske informationsstrømme. Evnen til at bygge AI-systemer, der kan fastholde kontekst på tværs af 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 neurale maskin-oversættelser, kan næste signifikante fremskridt komme fra at løse et tilsyneladende smalt problem, der har bred anvendelse. Nøglen er at fastholde den begynder-mentalitet og forblive åben over for muligheder, vi endnu ikke har forestillet os.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge monday.com.