Assaf Elovic, Leiter der KI bei monday.com – Interviewreihe

Sie haben die KI-Bemühungen bei einigen der dynamischsten Unternehmen im Tech-Bereich geleitet, einschließlich Wix und jetzt monday.com—was hat Sie persönlich zur Herausforderung der Entwicklung intelligenter Systeme gezogen?

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

Was mich wirklich anzog, war die Erkenntnis, wie zugänglich KI geworden war. Einige Tools und APIs machten es Entwicklern möglich, robuste Anwendungen ohne PhD in Maschinellem Lernen zu bauen. 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 zwischen Kreativität und Spitzen-Technologie liegt. Jedes Projekt ist wie das Lösen eines neuen Puzzles; man muss nicht nur die technischen Fähigkeiten, sondern auch, wie Menschen tatsächlich arbeiten und was sie benötigen, verstehen.

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

Die Open-Source-Erfahrung hat mir unvergleichliche Lektionen über die Entwicklung für reale Benutzerbedürfnisse und nicht für theoretische Bedürfnisse beigebracht. Wenn man im Offenen baut, erhält man sofortiges, unverfälschtes Feedback 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 nutzten, 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 nähern: Machen wir leistungsstarke KI-Fähigkeiten für nicht-technische Kunden über intuitive Schnittstellen verfügbar.

Früher in diesem Jahr hat monday.com 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 kann. Zuletzt konzentrieren wir uns darauf, den Menschen zu helfen, Arbeit mit KI zu erledigen, ein Schritt vom reinen Arbeitsmanagement zur Ausführung.

Die Lücke, die wir füllen, liegt zwischen einfachen KI-Tools und komplexen Unternehmenslösungen. Viele Unternehmen fallen in eine Mittelposition, in der sie mehr als nur einfache Automatisierung benötigen, aber nicht die Ressourcen oder die Implementierung von schweren KI-Systemen rechtfertigen können. Unser dreisäuliger Ansatz bietet Organisationen die Flexibilität, mit Blöcken zu beginnen, ihre Produkte mit Power-ups zu erweitern und letztendlich sophisticatede 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 erstellen.

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 möchten?

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 “Meeting-Notizen zusammenfassen”-Block zu seinem 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 KI-Blöcke innerhalb ihrer ersten Sitzung erfolgreich implementieren. Beispielsweise könnte ein Marketing-Team einen Workflow erstellen, bei dem Social-Media-Erwähnungen automatisch nach Sentiment und Schlüsselthemen analysiert werden, all dies ohne eine einzige Codezeile zu schreiben.

Der Schlüsselgedanke 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 Suite von KI-gesteuerten Tools wie monday Magic, monday Vibe und monday Sidekick veröffentlicht. Was unterscheidet diese Produkte von traditionellen Assistenten oder Co-Piloten, und welche Rolle sehen Sie ihnen in verschiedenen Branchen zu?

Unsere neuesten Veröffentlichungen stellen einen umfassenden Ansatz für KI am Arbeitsplatz dar, der über traditionelle 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 unseren Schritt vom Arbeitsmanagement 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 erstellen, die genau auf die Bedürfnisse seines Teams zugeschnitten sind. Und monday Sidekick dient als kontextueller KI-Begleiter, der die spezifischen Arbeitsmuster versteht und proaktive Unterstützung bietet, die auf die Rolle und Verantwortung des Benutzers zugeschnitten ist.

Zusammen bewegen diese Fähigkeiten unsere Kunden über das reine Arbeitsmanagement 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 zu handeln. Dieser Schritt vom passiven Management zur aktiven Ausführung ist transformierend; er bedeutet weniger Zeit für administrative Aufgaben und mehr Zeit für wertvolle Arbeit, die Ergebnisse liefert.

Was diese von traditionellen Assistenten unterscheidet, ist ihre tiefe Integration in den tatsächlichen Arbeitskontext und ihre Konzentration auf proaktive Unterstützung anstelle von reaktiver. Während die meisten KI-Assistenten auf Anfragen warten, beobachtet unsere Suite Muster, erkennt Bedürfnisse und handelt 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 unserer KI-Gründe. Wenn unser Risikoanalyst ein potenzielles Projektverzögerung signalisiert, zeigt er nicht nur eine Warnung an, sondern auch, welche Faktoren zu dieser Einschätzung beigetragen haben und wie sicher er 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 lernten, dass die Kunden verstehen müssen, nicht nur, was die KI vorschlägt, sondern warum sie diesen Vorschlag macht.

Die Balance zwischen Transparenz und Leistung kommt auf eine schichtweise Offenlegung hinaus. Wir bieten sofortige, handhabbare Einblicke auf der Oberfläche, aber Kunden können tiefer eintauchen, um die detaillierten Gründe zu sehen, wenn sie es benötigen. Dieser Ansatz baut Vertrauen auf, während er die Benutzbarkeit beibehält – Kunden vertrauen dem System mehr, wenn sie es verstehen, was paradoxerweise dazu führt, dass sie eher bereit sind, seine volle Fähigkeiten zu nutzen.

Mit über 46 Millionen KI-Aktionen, die jetzt 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 automatisch Anbieterantworten zu kategorisieren und wichtige Details wie Preise und Verfügbarkeitsdaten zu extrahieren. Ein Forschungsteam hat einen Workflow erstellt, der akademische Artikel analysiert und automatisch eine Datenbank mit wichtigen Erkenntnissen und Methodennotizen füllt.

Ein besonders kreativer Anwendungsfall war eine Restaurantkette, die unsere KI nutzte, um Kundenfeedback über Standorte hinweg zu analysieren und potenzielle Lebensmittelsicherheitsbedenken automatisch zu erkennen, indem sie Muster in Beschwerden erkannte. Sie schufen im Wesentlichen ein Frühwarnsystem für betriebliche Probleme.

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

Sie sind auch Scout für Sequoia Capital und investieren in KI-Startups im Frühstadium. Aus dieser Perspektive, welche häufigen Fehler machen Gründer, wenn sie KI-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 weiterer häufiger Fehler ist, zu früh zu viel Autonomie der KI zu versprechen. Viele Gründer wollen vollautonome Systeme bauen, während die 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. In Unternehmenskontexten, insbesondere, müssen Kunden verstehen, wann und warum sie KI-Empfehlungen vertrauen sollten.

Schließlich haben viele KI-Startups Schwierigkeiten mit der Verteilung. Das Vorhandensein von großartiger 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, spezialisierter oder etwas ganz anderes?

Wir werden sehen, dass KI-Agenten in Richtung kontextueller Zusammenarbeit und nicht reine Autonomie evolvieren. Die Zukunft liegt nicht in vollautonomen Agenten, die unabhängige Entscheidungen treffen, sondern in Agenten, die Kontext tief verstehen und entsprechende Maßnahmen basierend auf der Situation und den Benutzerpräferenzen 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 Benutzerabsicht, 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 Gründe 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 Ihren KI-, Produkt-, Design- und Go-to-Market-Teams, um sicherzustellen, dass KI nahtlos in die Benutzererfahrung integriert ist?

Erfolgreiche KI-Produktentwicklung erfordert das Brechen traditioneller Silos und die Schaffung eines gemeinsamen Verständnisses über KI-Fähigkeiten und -Einschränkungen, das alle Teams nutzen können, 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 gegenseitige Lernkurve ist entscheidend für die Schaffung von KI-Funktionen, die sich natürlich anfühlen und nicht wie nachträglich hinzugefügt.

Aus der Perspektive von Go-to-Market sind unsere Teams von Anfang an in den Entwicklungsprozess eingebunden. Sie helfen uns, zu verstehen, was Kunden wirklich wollen und wie sie über KI denken, was ihre Bedenken sind und wie sie neue Fähigkeiten bevorzugen zu lernen. Diese Erkenntnisse beeinflussen direkt sowohl die Produktgestaltung als auch die technische Umsetzung.

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

Der nächste Durchbruch wird wahrscheinlich an der Schnittstelle zwischen Mensch-KI-Zusammenarbeit liegen. Wir haben enorme Fortschritte in der Modellfähigkeit 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. Dies umfasst Fortschritte darin, wie KI-Systeme Unsicherheit kommunizieren, wie sie sich an individuelle Arbeitsstile anpassen und wie sie mit mehreren Menschen und anderen KI-Systemen gleichzeitig koordinieren.

Was die Infrastruktur betrifft, beobachte ich Entwicklungen im Bereich 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 völlig neue Kategorien von Anwendungen ermöglichen.

Aber ehrlich gesagt, die aufregendsten Durchbrüche könnten aus unerwarteten Richtungen kommen. So wie Transformers aus Aufmerksamkeitsmechanismen in der neuronalen Maschinenschnittstelle entstanden, könnte der nächste signifikante Fortschritt aus der Lösung eines scheinbar engen Problems mit breiten Anwendungen kommen. Der Schlüssel liegt darin, eine Anfängermentalität beizubehalten und offen für Möglichkeiten zu bleiben, die wir noch nicht vorstellen können.

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