Assaf Elovic, chef for AI hos monday.com – Interviewserie

Du har stået i spidsen for AI-indsatsen hos nogle af de mest dynamiske tech-virksomheder, herunder Wix og nu monday.com—hvad tiltrak dig personligt først 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 virkelig kunne forstå intentioner; det føltes som magi. Det var ikke bare en nyhed; det løste virkelige problemer som at booke aftaler og besvare komplekse spørgsmål. Det øjeblik vakte min nysgerrighed omkring, hvordan disse systemer fungerede.

Det, der virkelig tiltrak mig, var at erkende, hvor tilgængelig AI var blevet. Nogle værktøjer og API'er gjorde det muligt for udviklere at bygge robuste applikationer uden at skulle have 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 virkelige udfordringer og forbedrer folks liv.

Udfordringen med at bygge intelligente systemer appellerer til mig, fordi den ligger i krydsfeltet mellem kreativitet og banebrydende teknologi. Hvert projekt er som at løse en ny gåde; man skal ikke kun forstå de tekniske muligheder, men også hvordan folk rent faktisk arbejder, og hvad de har brug for.

Før du deltager monday.com, du har skabt open source-værktøjer som GPT Researcher, der har resoneret med både udviklere og forskere. Hvordan har disse græsrodsbaserede, fællesskabsdrevne oplevelser formet din tilgang til at bygge AI-produkter til virksomheder i dag?

Open source-oplevelsen lærte mig uvurderlige ting om at bygge til reelle brugerbehov i stedet for teoretiske. Når man bygger i det åbne, får man øjeblikkelig, ufiltreret feedback fra udviklere, der rent faktisk forsøger at løse problemer. Dette lærte mig at fokusere på praktisk anvendelighed frem for imponerende demoer.

Samarbejdet med fællesskabet understregede også vigtigheden af ​​at gøre AI tilgængelig. Mange af de udviklere, der brugte disse værktøjer, var ikke AI-specialister – de byggede applikationer og havde brug for AI-funktioner, der var pålidelige og nemme at integrere. Denne erfaring påvirker direkte, hvordan vi griber AI Blocks an hos monday.com: at gøre kraftfulde AI-funktioner tilgængelige for ikke-tekniske kunder gennem intuitive grænseflader.

Tidligere i år, monday.com har for nylig afsløret en dristig ny AI-vision med tre søjler: AI-blokke, produktforbedringer og en digital arbejdsstyrke. Hvordan blev denne ramme skabt, og hvilket hul i markedet forsøger I at udfylde?

Vores AI-vision opstod ud fra en observation af en fundamental udfordring: Organisationer i alle størrelser ønsker at udnytte AI, men de fleste løsninger kræver betydelig teknisk ekspertise eller er for rigide til forskellige forretningsbehov. Vi så, at folk ikke bare ledte efter endnu en AI-assistent; de havde brug for AI, der problemfrit kunne integreres i deres eksisterende arbejdsgange og tilpasse sig deres specifikke processer. Endelig fokuserer vi nu på at hjælpe folk med at få arbejdet gjort med AI, et skift fra at hjælpe folk med at administrere arbejde.

Det hul, vi udfylder, er mellemrummet mellem simple AI-værktøjer og komplekse virksomhedsløsninger. Mange virksomheder ender i en mellemvej, hvor de har brug for mere end grundlæggende automatisering, men ikke kan retfærdiggøre eller implementere tunge AI-systemer. Vores tre-søjle-tilgang giver organisationer fleksibiliteten til at starte simpelt med blokke, forbedre deres produkter med power-ups og i sidste ende opbygge sofistikerede digitale arbejdsstyrker.

Siden lanceringen har vi presset kraftigt på tværs af alle vertikaler med betydelig vækst i adoption og betalende brugere.

Vi har også introduceret "vibe coding"-produkter, der sigter mod vores mission om at demokratisere software. Med de seneste fremskridt inden for AI har det aldrig været nemmere at bygge komplette applikationer med simpelt naturligt sprog. Vores nyeste produkter som Monday Vibe og Magic kan gøre det muligt for enhver ikke-teknisk bruger at udnytte Monday-økosystemet til at bygge tilpassede applikationer til arbejdet.

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

AI-blokke er designet til at være lige så intuitive som byggeklodser – deraf navnet. I praksis kan en bruger trække en blok til at "udtrække deadlines" ind i deres projektledelsesworkflow eller tilføje en blok til at "opsummere mødenotater" til deres ugentlige gennemgangsproces. Blokkene håndterer AI-kompleksiteten bag kulisserne, samtidig med at de præsenterer kunderne for enkle, velkendte grænseflader.

Læringskurven er bevidst minimal. Vi har set teams implementere AI Blocks med succes i deres første session. For eksempel kan et marketingteam oprette en arbejdsgang, hvor omtaler på sociale medier automatisk analyseres for sentiment, og nøgletemaer udtrækkes, alt sammen uden at skrive en eneste linje kode.

Den vigtigste indsigt er, at folk ikke behøver at forstå, hvordan AI fungerer for at drage fordel af det. De skal bare forstå deres egne processer godt nok til at identificere, hvor automatisering ville hjælpe. Vi har designet blokkene, så de matcher de mentale modeller, folk allerede har om deres arbejdsgange.

I har for nylig lanceret en række AI-drevne værktøjer, herunder Monday Magic, Monday Vibe og Monday Sidekick. Hvad adskiller disse produkter fra traditionelle assistenter eller copiloter, og hvilken rolle forestiller I jer, at de vil spille på tværs af brancher?

Vores seneste udgivelser repræsenterer en omfattende tilgang til AI på arbejdspladsen, der går ud over traditionelle assistenter. Hver funktion tjener et specifikt formål, mens de arbejder sammen som et integreret økosystem, der fundamentalt transformerer, hvordan teams fungerer, og dermed styrker vores skift fra arbejdsstyring til arbejdsudførelse for vores kunder.

Monday Magic bringer intelligent automatisering til arbejdsgange ved hjælp af AI til at forudsige behov og automatisere komplekse processer, før brugerne overhovedet er klar over, at de har brug for dem. Monday Vibe er en Vibe-kodningsplatform, der gør det muligt for alle at bygge sikre, brugerdefinerede forretningsapps, der er skræddersyet til deres teams præcise behov. Og Monday Sidekick fungerer som din kontekstuelle AI-ledsager, der forstår dine specifikke arbejdsmønstre og yder proaktiv assistance, der er skræddersyet til din rolle og dit ansvar.

Sammen hjælper disse funktioner vores kunder med at komme ud over blot at administrere og spore arbejde og rent faktisk udføre det mere intelligent. I stedet for blot at organisere opgaver og overvåge fremskridt kan teams nu stole på AI til at optimere ydeevne, forudse udfordringer og handle automatisk. Dette skift fra passiv styring til aktiv udførelse er transformerende; det betyder mindre tid brugt på administrative overhead og mere tid fokuseret på arbejde med høj værdi, der skaber resultater.

Det, der adskiller disse fra traditionelle assistenter, er deres dybe integration med den faktiske arbejdskontekst og deres fokus på proaktiv snarere end reaktiv support. Mens de fleste AI-assistenter venter på, at du stiller spørgsmål, observerer vores suite mønstre, forudser behov og handler inden for dine etablerede arbejdsgange og tilladelser.

monday.com lægger vægt på forklarlighed og brugeroplevelse, ikke kun rå modelydelse. Hvordan ser det ud bag kulisserne, og hvordan balancerer man gennemsigtighed med styrke?

Forklarbarhed er fundamentalt for at opbygge tillid, især i virksomhedsmiljøer, hvor beslutninger har reelle konsekvenser. Bag kulisserne investerer vi massivt i at gøre vores AI's argumentation transparent. Når vores risikoanalysator markerer en potentiel projektforsinkelse, udløser den ikke bare en advarsel; den viser præcis, hvilke faktorer der bidrog til den vurdering, og hvor sikker den er på forudsigelsen.

Dette fokus kom fra erfaring. Tidlige AI-systemer føltes ofte som sorte bokse, hvilket gjorde kunderne tøvende med at stole på dem til vigtige beslutninger. Vi lærte, at kunderne ikke kun skal forstå, hvad AI'en foreslår, men også hvorfor den fremsætter det forslag.

Balancen mellem gennemsigtighed og magt handler om lagdelt åbenhed. Vi leverer øjeblikkelig, handlingsrettet indsigt på overfladen, men kunderne kan dykke ned for at se den detaljerede begrundelse, når de har brug for det. Denne tilgang opbygger tillid, samtidig med at brugervenligheden opretholdes – kunderne stoler mere på systemet, når de forstår det, hvilket paradoksalt nok gør dem mere villige til at udnytte dets fulde funktioner.

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

Vores kunders kreativitet forbløffer mig konstant. Vi har set en bryllupsplanlægger bruge AI Blocks til automatisk at kategorisere leverandørsvar og udtrække vigtige detaljer som pris- og tilgængelighedsdatoer. Et forskerteam har skabt en arbejdsgang, der analyserer akademiske artikler og automatisk udfylder en database med nøgleresultater og metodenotater.

Et særligt kreativt eksempel var en restaurantkæde, der brugte vores AI til at analysere kundefeedback på tværs af lokationer og automatisk markere potentielle bekymringer om fødevaresikkerheden ved at registrere mønstre i klager. De skabte i bund og grund et tidligt varslingssystem for driftsproblemer.

Det overraskende er, hvordan kunder kombinerer simple blokke på sofistikerede måder. De automatiserer ikke bare individuelle opgaver; de redesigner hele processer omkring AI-funktioner, som vi aldrig eksplicit har designet til deres specifikke brugsscenarier.

Du fungerer også som scout for Sequoia Capital, hvor du investerer i AI-startups i den tidlige fase. Hvilke almindelige fejl begår grundlæggere, når de udvikler AI-første produkter, set fra det synspunkt?

Den mest almindelige fejl, jeg ser, er, at grundlæggere bliver forført af de tekniske muligheder ved AI uden at have en dyb forståelse af brugerens faktiske arbejdsgang og smertepunkter. De bygger imponerende demoer, der viser AI-muligheder, men undlader at løse reelle problemer i den måde, folk rent faktisk arbejder på.

Et andet hyppigt problem er, at man for tidligt lover for meget om AI-autonomi. Mange grundlæggere ønsker at bygge fuldt autonome systemer, når kunderne rent faktisk har brug for samarbejdsværktøjer. Folk ønsker, at AI skal forbedre deres muligheder, ikke erstatte deres dømmekraft, især i forbindelse med vigtige forretningsbeslutninger.

Der er også en tendens til at undervurdere vigtigheden af ​​tillid og forklarlighed. Grundlæggere fokuserer ofte på nøjagtighedsmålinger, men forsømmer brugeroplevelsen i håndteringen af ​​usikkerhed og fejl. Især i virksomhedssammenhænge skal kunderne forstå, hvornår og hvorfor de skal stole på AI-anbefalinger.

Endelig kæmper mange AI-første startups med distribution. Det er ikke nok at have god AI-teknologi; du skal forstå, hvordan du integrerer den i eksisterende arbejdsgange og demonstrerer et klart investeringsafkast for beslutningstagere, der måske er skeptiske over for AI-hypen.

Hvordan tror du, at AI-agenter vil udvikle sig i løbet af de næste par år – vil de blive mere autonome, mere specialiserede eller noget helt andet?

Vi vil se AI-agenter udvikle sig mod kontekstuelt samarbejde snarere end ren autonomi. Fremtiden er ikke fuldt autonome agenter, der træffer uafhængige beslutninger, men snarere agenter, der har en dyb forståelse af kontekst og kan træffe passende handlinger baseret på situationen og brugerens præferencer.

Vi bevæger os mod agenter, der kan håndtere rutinemæssige beslutninger autonomt, samtidig med at de problemfrit kan eskalere komplekse eller tvetydige situationer til mennesker. Dette kræver en sofistikeret forståelse af kontekst, risikovurdering og brugerintention, funktioner der forbedres hurtigt.

Jeg forventer også en betydelig udvikling i koordinering mellem flere agenter. I stedet for monolitiske AI-assistenter vil vi se specialiserede agenter, der samarbejder med hinanden og med mennesker i dynamiske teams. Din researchagent kan arbejde sammen med din planlægningsagent og din kommunikationsagent for at koordinere en kompleks projektlancering.

Den vigtigste udvikling vil være i grænsefladen mellem menneske og kunstig intelligens. Agenter vil blive bedre til at kommunikere deres argumenter, udtrykke usikkerhed og tilpasse sig individuelle arbejdsstile. Målet er et problemfrit samarbejde, hvor grænserne mellem menneskelige og kunstig intelligens-bidrag bliver mindre vigtige end det kollektive resultat.

Hvordan strukturerer I internt samarbejdet mellem jeres AI-, produkt-, design- og GTM-teams for at sikre, at AI er problemfrit integreret i brugeroplevelsen?

Succesfuld AI-produktudvikling kræver, at traditionelle siloer nedbrydes og at der skabes fælles forståelse på tværs af alle teams. Vi har fundet ud af, at nøglen er at etablere et fælles sprog omkring AI-funktioner og -begrænsninger, som alle kan bruge, fra ingeniører til designere til marketingfolk.

Vores proces starter med tværfaglige opdagelsesmøder, hvor vi sammen udforsker brugerproblemer, inden vi diskuterer tekniske løsninger. Dette forhindrer den almindelige fejltagelse at lede med AI-funktioner og derefter lede efter problemer, der skal løses.

Vi investerer også kraftigt i prototyping og brugertestning gennem hele udviklingsprocessen. Design- og produktteams arbejder tæt sammen med AI-ingeniører for at forstå, hvad der er muligt, mens AI-teams lærer om reelle brugerbegrænsninger og præferencer. Denne tovejslæring er afgørende for at skabe AI-funktioner, der føles naturlige snarere end påbyggede.

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

Endelig, som en person, der forbinder open source, virksomheds-AI og venturekapital, hvor tror du, at det næste store AI-gennembrud vil ske – inden for værktøjer, infrastruktur eller noget, vi ikke engang kigger på endnu?

Det næste gennembrud vil sandsynligvis ske i krydsfeltet mellem samarbejdsgrænsefladerne mellem mennesker og AI. Vi har gjort utrolige fremskridt inden for modelfunktioner, men vi er stadig i de tidlige stadier af at finde ud af, hvordan mennesker og AI-systemer kan arbejde sammen mest effektivt.

Gennembruddet vil ikke ligge i at gøre AI mere autonom, men i at gøre samarbejdet mellem mennesker og AI mere flydende og naturligt. Dette inkluderer fremskridt i, hvordan AI-systemer kommunikerer usikkerhed, hvordan de tilpasser sig individuelle arbejdsstile, og hvordan de koordinerer med flere mennesker og andre AI-systemer samtidigt.

Fra et infrastrukturperspektiv følger jeg udviklingen inden for realtids, kontekstuel AI, der kan forstå og handle på dynamiske informationsstrømme. Evnen til at bygge AI-systemer, der opretholder kontekst på tværs af lange tidshorisonter og flere interaktionstyper, vil muliggøre helt nye kategorier af applikationer.

Men ærligt talt kan de mest spændende gennembrud komme fra uventede retninger. Ligesom transformatorer opstod fra opmærksomhedsmekanismer i neural maskinoversættelse, kan det næste betydelige fremskridt komme fra at løse et tilsyneladende snævert problem, der har brede anvendelser. Nøglen er at bevare den begyndertankegang og forblive åben for muligheder, vi endnu ikke har forestillet os.

Tak for det gode interview, læsere, der ønsker at lære mere, bør besøge monday.com.<