Assaf Elovic, Leiter von KI bei monday.com – Interview-Reihe

Assaf Elovic, Leiter von KI bei monday.com – ist ein Technologe, Gründer und Investor an der Spitze der KI-Innovation. Er hat GPT Researcher entwickelt, den ersten tiefen Forschungsagenten mit über 20.000 GitHub-Sternen, und Tavily mitgegründet, eine führende Suchmaschine für LLMs. Bei monday.com leitet er die KI-Strategie des Unternehmens über Produkt, Engineering, Design und Go-to-Market, während er auch als Scout von Sequoia Capital fungiert, um frühe AI-Startups zu beraten und zu investieren. Seine Karriere umfasst Produktentwicklung, R&D-Führung und das Skalieren globaler Teams, mit einem konsequenten Fokus auf die Entwicklung transformatorischer KI-Produkte und die Förderung der nächsten Welle von AI-getriebenen Unternehmen.

monday.com ist ein führendes Work-Operating-System, das Teams ermöglicht, Projekte, Workflows und Zusammenarbeit auf hoch anpassbare Weise zu verwalten. Vertrauen von Organisationen weltweit, integriert die Plattform AI-getriebene Automatisierung, Analytics und nahtlose Übergabe zwischen Teams, um die Produktivität zu steigern und die Entscheidungsfindung zu beschleunigen. Mit Lösungen, die Projektmanagement, CRM, Produktentwicklung und Marketing umfassen, ist monday.com zu einem zentralen Hub für Unternehmen geworden, die effizient skalieren und innovativer wachsen möchten.

Sie haben AI-Bemühungen bei einigen der dynamischsten Unternehmen im Tech-Bereich geleitet, einschließlich Wix und jetzt monday.com—was hat Sie persönlich zu der Herausforderung gezogen, intelligente Systeme zu bauen?

Meine Reise in die KI begann während des Chatbot-Booms 2015. Ich hatte eine Interaktion mit einem KI-Bot, der tatsächlich Intentionen verstehen konnte; es fühlte sich wie Magie an. Dies war nicht nur eine Neuheit; es löste reale Probleme wie die Terminvereinbarung und die Beantwortung komplexer Fragen. Dieser Moment weckte meine Neugier darauf, wie diese Systeme funktionierten.

Was mich wirklich anzog, war die Erkenntnis, wie zugänglich KI geworden war. Einige Tools und APIs ermöglichten es Entwicklern, robuste Anwendungen zu bauen, ohne dass sie einen PhD in Machine Learning benötigten. Die endlosen Möglichkeiten waren aufregend, und ich wusste, dass ich zu dieser Transformation beitragen wollte. Seitdem bin ich der Entwicklung von KI-Produkten gewidmet, die reale Herausforderungen lösen und das Leben der Menschen verbessern.

Die Herausforderung, intelligente Systeme zu bauen, spricht mich an, weil sie an der Schnittstelle von Kreativität und Spitzen-Technologie liegt. Jedes Projekt ist wie das Lösen eines neuen Puzzles; man muss nicht nur die technischen Fähigkeiten verstehen, sondern auch, wie Menschen tatsächlich arbeiten und was sie benötigen.

Bevor Sie zu monday.com kamen, haben Sie Open-Source-Tools wie GPT Researcher erstellt, die bei Entwicklern und Forschern gleichermaßen Anklang fanden. Wie haben diese Erfahrungen aus der Community Ihre Herangehensweise an die Entwicklung von Unternehmens-KI-Produkten heute geprägt?

Die Open-Source-Erfahrung hat mir unvergleichliche Lektionen über das Bauen für reale Benutzerbedürfnisse statt theoretische gelehrt. Wenn man im Offenen baut, erhält man sofortige, unverfälschte Rückmeldungen von Entwicklern, die tatsächlich Probleme lösen. Dies hat mich gelehrt, mich auf praktische Nützlichkeit zu konzentrieren und nicht auf beeindruckende Demos.

Die Arbeit mit der Community hat auch die Bedeutung von KI-Zugänglichkeit unterstrichen. Viele der Entwickler, die diese Tools verwendeten, waren keine KI-Spezialisten – sie bauten Anwendungen und benötigten KI-Fähigkeiten, die zuverlässig und einfach zu integrieren waren. Diese Erfahrung beeinflusst direkt, wie wir uns an KI-Blöcke bei monday.com heranlassen: leistungsstarke KI-Fähigkeiten für nicht-technische Kunden über intuitive Schnittstellen zugänglich machen.

Anfang dieses Jahres hat monday.com kürzlich eine mutige neue KI-Vision mit drei Säulen vorgestellt: KI-Blöcke, Produkt-Power-ups und eine digitale Arbeitskraft. Wie kam diese Rahmenbedingung zustande, und welche Lücke im Markt versuchen Sie zu füllen?

Unsere KI-Vision entstand aus der Beobachtung einer grundlegenden Herausforderung: Organisationen aller Größenordnungen wollen KI nutzen, aber die meisten Lösungen erfordern erhebliche technische Expertise oder sind zu starr für diverse Geschäftsbedürfnisse. Wir sahen, dass die Menschen nicht nur nach einem weiteren KI-Assistenten suchten; sie benötigten KI, die nahtlos in ihre bestehenden Workflows integriert werden und sich an ihre spezifischen Prozesse anpassen konnte. Zuletzt konzentrieren wir uns darauf, den Menschen zu helfen, Arbeit mit KI zu erledigen, ein Schritt weg von der bloßen Arbeitverwaltung.

Die Lücke, die wir füllen, ist der Raum zwischen einfachen KI-Tools und komplexen Unternehmenslösungen. Viele Unternehmen fallen in eine Zwischenzone, in der sie mehr als nur eine grundlegende Automatisierung benötigen, aber keine schweren KI-Systeme implementieren oder rechtfertigen können. Unser dreisäuliger Ansatz bietet Organisationen die Flexibilität, einfach mit Blöcken zu beginnen, ihre Produkte mit Power-ups zu verbessern und schließlich komplexe digitale Arbeitskräfte aufzubauen.

Seit dem Launch haben wir stark über alle Vertikalen hinweg vorangetrieben, mit signifikantem Wachstum bei der Akzeptanz und den zahlenden Nutzern.

Wir haben auch “Vibe-Coding”-Produkte eingeführt, die auf unsere Mission abzielen, Software zu demokratisieren. Mit den neuesten Fortschritten in der KI ist es noch nie einfacher gewesen, vollständige Anwendungen mit einfacher natürlicher Sprache zu bauen. Unsere neuesten Produkte wie monday Vibe und Magic ermöglichen es jedem nicht-technischen Benutzer, das monday-Ökosystem zu nutzen, um benutzerdefinierte Anwendungen für die Arbeit zu bauen.

Können Sie uns durch die Funktionsweise von KI-Blöcken in der Praxis führen? Was ist die Lernkurve für nicht-technische Benutzer, die diese Tools in ihre täglichen Workflows integrieren?

KI-Blöcke sind so konzipiert, dass sie wie Bauklötze funktionieren – daher der Name. In der Praxis könnte ein Benutzer beispielsweise einen “Fristen extrahieren”-Block in seinen Projektmanagement-Workflow ziehen oder einen “Sitzungsprotokoll zusammenfassen”-Block in seinen wöchentlichen Überprüfungsprozess hinzufügen. Die Blöcke behandeln die KI-Komplexität im Hintergrund, während sie den Kunden einfache, vertraute Schnittstellen präsentieren.

Die Lernkurve ist absichtlich minimal. Wir haben gesehen, dass Teams erfolgreich KI-Blöcke in ihre erste Sitzung integrieren. Beispielsweise könnte ein Marketing-Team einen Workflow erstellen, bei dem Social-Media-Erwähnungen automatisch analysiert werden und wichtige Themen extrahiert werden, all dies ohne eine einzige Zeile Code zu schreiben.

Der Schlüssel ist, dass die Menschen nicht verstehen müssen, wie KI funktioniert, um davon zu profitieren. Sie müssen nur ihre eigenen Prozesse gut genug verstehen, um zu erkennen, wo Automatisierung helfen würde. Wir haben die Blöcke so konzipiert, dass sie den mentalen Modellen entsprechen, die die Menschen bereits über ihre Workflows haben.

Sie haben kürzlich eine Reihe von KI-gesteuerten Tools wie monday Magic, monday Vibe und monday Sidekick veröffentlicht. Was unterscheidet diese Produkte von herkömmlichen Assistenten oder Copiloten, und welche Rolle sehen Sie sie in verschiedenen Branchen spielen?

Unsere neuesten Veröffentlichungen stellen einen umfassenden Ansatz für Workplace-KI dar, der über herkömmliche Assistenten hinausgeht. Jede Fähigkeit dient einem bestimmten Zweck und arbeitet zusammen als integriertes Ökosystem, das grundlegend die Art und Weise verändert, wie Teams operieren, und unsere Verschiebung von der Arbeitverwaltung zur Arbeitsausführung für unsere Kunden festigt.

monday Magic bringt intelligente Automatisierung in Workflows, indem es KI verwendet, um Bedürfnisse vorherzusagen und komplexe Prozesse zu automatisieren, bevor Benutzer überhaupt erkennen, dass sie sie benötigen. monday Vibe ist eine Vibe-Coding-Plattform, die es jedem ermöglicht, sichere, benutzerdefinierte Geschäftsanwendungen zu bauen, die genau auf die Bedürfnisse ihres Teams zugeschnitten sind. Und monday Sidekick dient als Ihr kontextueller KI-Begleiter, der Ihre spezifischen Arbeitsmuster versteht und proaktive Unterstützung bietet, die auf Ihre Rolle und Verantwortung zugeschnitten ist.

Zusammen bewegen diese Fähigkeiten unsere Kunden über die reine Arbeitverwaltung hinaus und ermöglichen es ihnen, Arbeit intelligenter auszuführen. Anstatt nur Aufgaben zu organisieren und den Fortschritt zu überwachen, können Teams nun auf KI vertrauen, um die Leistung zu optimieren, Herausforderungen vorherzusagen und automatisch Maßnahmen zu ergreifen. Diese Verschiebung von passiver Verwaltung zu aktiver Ausführung ist transformierend; sie bedeutet weniger Zeit, die für administrative Aufgaben aufgewendet wird, und mehr Zeit, die auf wertvolle Arbeit konzentriert wird, die Ergebnisse liefert.

Was diese von herkömmlichen Assistenten unterscheidet, ist ihre tiefe Integration in den tatsächlichen Arbeitskontext und ihre Konzentration auf proaktive anstelle von reaktiver Unterstützung. Während die meisten KI-Assistenten auf Fragen warten, beobachtet unser Suite Muster, erkennt Bedürfnisse und ergreift Maßnahmen innerhalb der etablierten Workflows und Berechtigungen.

monday.com betont Erklärbarkeit und Benutzererfahrung, nicht nur rohe Modellleistung. Wie sieht das hinter den Kulissen aus, und wie balancieren Sie Transparenz mit Leistung?

Erklärbarkeit ist grundlegend für das Aufbauen von Vertrauen, insbesondere in Unternehmensumgebungen, in denen Entscheidungen reale Konsequenzen haben. Hinter den Kulissen investieren wir stark in die Transparenz der Argumentation unserer KI. Wenn unser Risikoanalyse-Tool beispielsweise eine mögliche Projektverzögerung erkennt, zeigt es nicht nur eine Warnung an; es zeigt auch genau, welche Faktoren zu dieser Einschätzung beigetragen haben und wie sicher es in der Vorhersage ist.

Diese Konzentration kam aus Erfahrung. Frühe KI-Systeme fühlten sich oft wie schwarze Kisten an, was die Kunden zögern ließ, sich auf sie für wichtige Entscheidungen zu verlassen. Wir haben gelernt, dass die Kunden verstehen müssen, nicht nur, was die KI vorschlägt, sondern auch, warum sie diesen Vorschlag macht.

Die Balance zwischen Transparenz und Leistung kommt auf eine schichtweise Offenlegung hinaus. Wir bieten sofort einsetzbare Erkenntnisse auf der Oberfläche, aber Kunden können tiefer eintauchen, um die detaillierte Argumentation zu sehen, wenn sie sie benötigen. Dieser Ansatz baut Vertrauen auf, während er die Benutzbarkeit aufrechterhält – Kunden vertrauen dem System mehr, wenn sie es verstehen, was paradoxerweise dazu führt, dass sie eher bereit sind, seine vollständigen Fähigkeiten zu nutzen.

Da nun über 46 Millionen KI-Aktionen auf der Plattform durchgeführt werden, welche sind einige der überraschendsten oder kreativsten Wege, auf die Kunden KI genutzt haben?

Die Kreativität unserer Kunden erstaunt mich ständig. Wir haben gesehen, wie ein Hochzeitsplaner KI-Blöcke verwendet, um Anbieterantworten automatisch zu kategorisieren und wichtige Details wie Preise und Verfügbarkeitsdaten zu extrahieren. Ein Forschungsteam hat einen Workflow erstellt, der wissenschaftliche Artikel analysiert und automatisch eine Datenbank mit wichtigen Erkenntnissen und Methodennotizen füllt.

Ein besonders kreativer Anwendungsfall war ein Restaurant-Unternehmen, das unsere KI verwendet hat, um Kundenfeedback über Standorte hinweg zu analysieren und automatisch potenzielle Lebensmittelsicherheitsbedenken zu erkennen, indem es Muster in Beschwerden erkennt. Sie haben im Wesentlichen ein Frühwarnsystem für betriebliche Probleme erstellt.

Was überraschend ist, ist, wie Kunden einfache Blöcke auf sophisticatede Weise kombinieren. Sie automatisieren nicht nur einzelne Aufgaben; sie entwerfen ganze Prozesse um KI-Fähigkeiten herum, die wir nicht explizit für ihre spezifischen Anwendungsfälle entworfen haben.

Sie dienen auch als Scout für Sequoia Capital, investieren in frühe AI-Startups. Aus dieser Perspektive, welche häufigen Fehler machen Gründer, wenn sie AI-erste Produkte bauen?

Der häufigste Fehler, den ich sehe, ist, dass Gründer von den technischen Möglichkeiten der KI verführt werden, ohne die tatsächlichen Arbeitsabläufe und Schmerzpunkte der Benutzer tief zu verstehen. Sie bauen beeindruckende Demos, die KI-Fähigkeiten zeigen, aber lösen keine realen Probleme in der Art und Weise, wie Menschen tatsächlich arbeiten.

Ein weiteres häufiges Problem ist, dass Gründer zu früh zu viel Autonomie der KI versprechen. Viele Gründer wollen vollständig autonome Systeme bauen, während Kunden tatsächlich kollaborative Tools benötigen. Menschen wollen, dass KI ihre Fähigkeiten ergänzt, nicht ihre Urteilsfähigkeit ersetzt, insbesondere bei wichtigen Geschäftsentscheidungen.

Es gibt auch eine Tendenz, die Bedeutung von Vertrauen und Erklärbarkeit zu unterschätzen. Gründer konzentrieren sich oft auf Genauigkeitsmetriken, aber vernachlässigen die Benutzererfahrung bei der Bewältigung von Unsicherheit und Fehlern. Insbesondere in Unternehmenskontexten benötigen Kunden ein Verständnis dafür, wann und warum sie KI-Empfehlungen vertrauen sollten.

Schließlich haben viele AI-erste Startups Schwierigkeiten mit der Verbreitung. Das Vorhandensein großer KI-Technologie reicht nicht aus; man muss verstehen, wie man sie in bestehende Workflows integriert und ein klares ROI für Entscheidungsträger demonstrieren kann, die möglicherweise skeptisch gegenüber KI-Hype sind.

Wie denken Sie, dass KI-Agenten in den nächsten Jahren evolvieren werden – werden sie autonomer, spezifischer oder etwas ganz anderes?

Wir werden sehen, dass KI-Agenten in Richtung kontextueller Zusammenarbeit evolvieren, anstatt reine Autonomie anzustreben. Die Zukunft sind nicht vollständig autonome Agenten, die unabhängige Entscheidungen treffen, sondern Agenten, die den Kontext tief verstehen und entsprechend der Situation und Benutzerpräferenzen angemessene Maßnahmen ergreifen können.

Wir bewegen uns in Richtung Agenten, die routinemäßige Entscheidungen autonom treffen können, während sie komplexe oder mehrdeutige Situationen nahtlos an Menschen eskalieren. Dies erfordert ein differenziertes Verständnis von Kontext, Risikobewertung und Benutzerintention, Fähigkeiten, die rasch verbessert werden.

Ich erwarte auch eine signifikante Evolution in der Koordination mehrerer Agenten. Anstatt monolithischer KI-Assistenten werden wir spezialisierte Agenten sehen, die mit anderen Agenten und Menschen in dynamischen Teams zusammenarbeiten. Ihr Forschungsagent könnte mit Ihrem Terminplanungsagenten und Ihrem Kommunikationsagenten zusammenarbeiten, um den Start eines komplexen Projekts zu koordinieren.

Die Schlüsselevolution wird in der Mensch-KI-Schnittstelle liegen. Agenten werden besser darin, ihre Argumentation zu kommunizieren, Unsicherheit auszudrücken und sich an individuelle Arbeitsstile anzupassen. Das Ziel ist eine nahtlose Zusammenarbeit, bei der die Grenzen zwischen menschlichen und KI-Beiträgen weniger wichtig sind als das kollektive Ergebnis.

Intern, wie strukturieren Sie die Zusammenarbeit zwischen Ihrem KI-, Produkt-, Design- und GTM-Team, um sicherzustellen, dass KI nahtlos in die Benutzererfahrung integriert ist?

Erfolgreiche KI-Produktentwicklung erfordert das Brechen traditioneller Silos und das Schaffen eines gemeinsamen Verständnisses über alle Teams hinweg. Wir haben festgestellt, dass der Schlüssel darin besteht, eine gemeinsame Sprache über KI-Fähigkeiten und -Einschränkungen zu etablieren, die jeder verwenden kann, von Ingenieuren bis hin zu Designern und Marketingspezialisten.

Unser Prozess beginnt mit cross-funktionalen Entdeckungssitzungen, bei denen wir gemeinsam Benutzerprobleme erforschen, bevor wir technische Lösungen diskutieren. Dies verhindert den häufigen Fehler, mit KI-Fähigkeiten zu beginnen und dann nach Problemen zu suchen, die gelöst werden können.

Wir investieren auch stark in Prototyping und Benutzertests während des gesamten Entwicklungsprozesses. Design- und Produktteams arbeiten eng mit KI-Ingenieuren zusammen, um zu verstehen, was möglich ist, während KI-Teams lernen, reale Benutzerbeschränkungen und -präferenzen zu verstehen. Diese bidirektionale Lernkurve ist entscheidend für die Schaffung von KI-Funktionen, die sich natürlich anfühlen, anstatt aufgesetzt zu sein.

Aus der GTM-Perspektive sind unsere Teams in den Entwicklungsprozess integriert, beginning von Tag eins. Sie helfen uns, zu verstehen, was Kunden nicht nur wollen, sondern auch, wie sie über KI denken, welche Bedenken sie haben und wie sie neue Fähigkeiten bevorzugen zu lernen. Diese Erkenntnisse beeinflussen direkt sowohl das Produkt- als auch die technische Implementierung.

Zum Schluss, als jemand, der Open Source, Unternehmens-KI und VC verbindet, wo denken Sie, dass der nächste große KI-Durchbruch stattfinden wird – in Tools, Infrastruktur oder etwas, worauf wir noch nicht schauen?

Der nächste Durchbruch wird wahrscheinlich an der Schnittstelle zwischen Mensch-KI-Zusammenarbeit stattfinden. Wir haben enorme Fortschritte bei den Modellfähigkeiten gemacht, aber wir sind noch in den Anfängen, wenn es darum geht, herauszufinden, wie Menschen und KI-Systeme am effektivsten zusammenarbeiten können.

Der Durchbruch wird nicht darin bestehen, KI autonomer zu machen, sondern darin, die Mensch-KI-Zusammenarbeit flüssiger und natürlicher zu gestalten. Dazu gehören Fortschritte in der Kommunikation von Unsicherheit, der Anpassung an individuelle Arbeitsstile und der Koordination mit mehreren Menschen und anderen KI-Systemen.

Aus der Infrastrukturperspektive beobachte ich Entwicklungen in Echtzeit-KI, die dynamische Informationsströme verstehen und darauf reagieren können. Die Fähigkeit, KI-Systeme zu bauen, die Kontext über lange Zeiträume und multiple Interaktionstypen hinweg aufrechterhalten, wird ganz neue Anwendungskategorien ermöglichen.

Aber ehrlich gesagt, die aufregendsten Durchbrüche könnten aus unerwarteten Richtungen kommen. Genauso, wie Transformers aus Aufmerksamkeitsmechanismen in der neuronalen Maschinentranslation entstanden, könnte der nächste signifikante Fortschritt aus der Lösung eines scheinbar engen Problems kommen, das eine breite Anwendbarkeit hat. Der Schlüssel ist, eine Anfängermentalität beizubehalten und offen für Möglichkeiten zu bleiben, die wir noch nicht imaginiert haben.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten monday.com besuchen.