Assaf Elovic, monday.com:n AI-johtaja – Haastattelusarja

Assaf Elovic, monday.com:n AI-johtaja – on teknologiavaikuttaja, perustaja ja sijoittaja, joka on AI-innovaatioiden eturintamassa. Hän loi GPT Researcher -syvän tutkimusagentin, jolla on yli 20 000 GitHub-tähteä, ja perusti Tavilyn, johtavan hakukoneen LLM:lle. monday.com:issa hän johtaa yhtiön AI-strategiaa tuotteen, insinöörien, suunnittelun ja markkinointistrategian yhdistämisessä, ja toimii myös Sequoia Capitalin scouttina, neuvonantena ja varhaisen vaiheen AI-startup-yritysten sijoittajana. Uransa aikana hän on työskennellyt tuotekehityksessä, R&D-johtamisessa ja kansainvälisten tiimien kasvattamisessa, ja hänen fokuksensa on ollut aina rakentaa muuntavia AI-tuotteita ja edistää seuraavaa AI-vetovoimaisia yrityksiä.

monday.com on johtava työoperaatiojärjestelmä, joka mahdollistaa tiimien hallita projekteja, työnkulkuja ja yhteistyötä erittäin mukautuvalla tavalla. Organisaatioiden luottamuksella ympäri maailmaa, alusta integroi AI-vetoinen automaatio, analytiikka ja viiveettömän ristiriitaisen koordinaation työnkulkuun, jotta tuottavuus kasvaa ja päätöksenteko nopeutuu. Ratkaisujen kattauessa projektin hallinta, CRM, tuotekehitys ja markkinointi, monday.com on muodostunut liiketoiminnan keskipisteksi, joka etsii tapoja skaalata tehokkaasti ja innovoida nopeammin.

Olet johtanut AI-ponnisteluita joillakin teknologian dynaamisimmilla yrityksillä, mukaan lukien Wix ja nyt monday.com—mitä sinut henkilökohtaisesti veti tähän haasteeseen, intelligenttien järjestelmien rakentamiseen?

Matkani AI:hen alkoi chatbot-buumin aikana vuonna 2015. Minulla oli vuorovaikutus AI-bottien kanssa, jotka voivat todella ymmärtää aikomusta; se tuntui magialta. Tämä ei ollut pelkästään uutuus; se ratkaisi todellisia ongelmia, kuten ajanvarauksia ja monimutkaisten kysymysten vastaamista. Se hetki sytytti uteliaisuuteni siitä, miten nämä järjestelmät toimivat.

Se, mikä todella veti minut, oli tajunnan, että AI oli saavuttanut helposti lähestyttävissä olevan tason. Joitakin työkaluja ja API:ja, jotka mahdollistivat kehittäjille luoda vankkoja sovelluksia ilman, että heidän tarvitsi olla machine learning -asiantuntijoita. Loputtomat mahdollisuudet olivat jännittäviä, ja tiesin, että halusin osallistua tähän muutokseen. Siitä lähtien olen omistautunut rakentamaan AI-tuotteita, jotka ratkaisevat todellisia haasteita ja parantavat ihmisten elämää.

Haaste, joka liittyy intelligenttien järjestelmien rakentamiseen, vetää minua, koska se sijaitsee luovuuden ja viimeisimpien teknologioiden leikkauspisteessä. Jokainen projekti on kuin uuden puzzleen ratkaiseminen; sinun on ymmärrettävä sekä tekniset kyvyt että se, miten ihmiset todella työskentelevät ja mitä he tarvitsevat.

Ennen kuin liityit monday.comiin, loit avoimia työkaluja, kuten GPT Researcher, jotka vastaanottivat kehittäjien ja tutkijoiden yhteisöltä. Miten nuo avoimet, yhteisölähtöiset kokemukset ovat vaikuttaneet lähestymistapaasi rakentaa enterprise AI -tuotteita tänään?

Avoimen lähdekoodin kokemus opetti minulle arvokkaita oppeja siitä, miten rakentaa todellisten käyttäjien tarpeisiin, eikä teoreettisiin. Kun rakennat avoimesti, saat välittömän, suodattamattoman palautteen kehittäjiltä, jotka yrittävät ratkaista ongelmia. Tämä opetti minulle keskittyä käytännön hyödyllisyyteen vaikuttavien demojen sijaan.

Työskenteleminen yhteisön kanssa vahvisti myös AI:n saavutettavuuden merkitystä. Monet näistä työkalujen käyttäjistä eivät olleet AI-erikoistuja – he olivat sovelluksia, jotka tarvitsivat luotettavia ja helppokäyttöisiä AI-ominaisuuksia. Tämä kokemus vaikuttaa suoraan siihen, miten lähestymme AI Blocks -ominaisuuksia monday.com:ssa: teemme voimallisia AI-ominaisuuksia saataville ei-teknisille asiakkaille intuitiivisten käyttöliittymien kautta.

Aikaisemmin tänä vuonna, monday.com esitteli rohkean uuden AI-vision, jossa on kolme pilaria: AI Blocks, Product Power-ups ja Digital Workforce. Miten tämä viitekehyksesi muodostui, ja mikä aukko markkinassa yrität täyttää?

Meidän AI-vision syntyi havainnoimalla perustavaa haastetta: organisaatiot haluavat hyödyntää AI:ta, mutta useimmat ratkaisut vaativat merkittävää teknistä asiantuntemusta tai ovat liian jähmeitä monimuotoisille liiketoimintatarpeille. Havainnoimme, että ihmiset eivät etsi pelkästään toista AI-apuria; he tarvitsevat AI:ta, joka voi sulautua olemassa oleviin työnkulkuihin ja mukautua heidän erityisiin prosesseihin. Viimeksi keskitymme auttamaan ihmisiä saamaan työn tehtyä AI:n avulla, siirtymällä työn hallinnasta työn suorittamiseen.

Aukko, jonka täytämme, on tila yksinkertaisten AI-työkalujen ja monimutkaisten enterprise-ratkaisujen välillä. Monet yritykset jäävät tähän välimaastoon, jossa he tarvitsevat enemmän kuin perusautomaatiota, mutta eivät voi oikeuttaa tai ottaa käyttöön raskaita AI-järjestelmiä. Kolmen pilarin lähestymistapa antaa organisaatioille joustavuuden aloittaa yksinkertaisilla blokeilla, parantaa tuotteitaan voimistimilla ja lopulta rakentaa monimutkaisia digitaalisia työvoimia.

Kun aiemmin mainittuun lakiin, olemme työnnelleet voimakkaasti kaikkien pystyjen läpi merkittävän kasvun ja maksavan käyttäjien ottamisessa.

Olemme myös esitelleet “vibe-koodaus” -tuotteita, jotka tähtäävät tehtävään democratize software. Viimeisimpien AI-edistysten ansiosta on koskaan ollut helpompaa rakentaa täysiä sovelluksia yksinkertaisella luonnollisella kielellä. Viimeisimmät tuotteemme, kuten monday vibe ja magic, voivat mahdollistaa minkä tahansa ei-tekniikan käyttäjän hyödyntää monday.com -ekosysteemiä mukautettujen sovellusten luomiseen työhön.

Voi kuvailla, miten AI Blocks toimivat käytännössä? Mikä on oppimiskäyrä ei-teknisille käyttäjille, jotka yrittävät integroida nämä työkalut päivittäisiin työnkulkuihinsa?

AI Blocks on suunniteltu olemaan yhtä intuitiivisia kuin rakennuspalikat – siitä nimitys. Käytännössä käyttäjä voi vetää “erota deadline” -palikan projektiensa hallintatyönkulkuun tai lisätä “tiivistä kokousmuistiinpanot” -palikan viikoittaiseen katsaukseen. Palikat hoitavat AI-monimutkaisuuden taustalla, kun taas asiakkaat esitetään yksinkertaisilla, tuttujen käyttöliittymillä.

Oppimiskäyrä on tarkoituksella vähäinen. Olemme nähneet tiimien onnistuneen AI Blocks -sovellusten käyttöönotossa ensimmäisessä istunnossa. Esimerkiksi markkinointitiimi voi luoda työnkulun, jossa sosiaalisen median maininnat analyysoidaan automaattisesti mielipiteen ja avainaiheiden perusteella, kaikki ilman yhden rivin koodin kirjoittamista.

Avainnäkemyksellä on, että ihmiset eivät tarvitse ymmärtää, miten AI toimii, vaan ainoastaan hyötyä siitä. He tarvitsevat vain ymmärtää omat prosessinsa tarpeeksi hyvin, jotta voivat tunnistaa, missä automaatio auttaisi. Olemme suunnitelleet palikat vastaamaan mental malleja, joita ihmiset jo käyttävät työnkuluissaan.

Olet myös lanseerannut joukon AI-vetoisia työkaluja, mukaan lukien monday magic, monday vibe ja monday sidekick. Mitä tekee nämä tuotteet erilaisiksi perinteisistä avustajista tai copilot -sovelluksista, ja mikä rooli näet niiden pelaavan eri aloilla?

Viimeisimmät julkaisumme edustavat kattavaa lähestymistapaa työpaikan AI:hen, joka menee perinteisten avustajien ulkopuolelle. Kunkin kyvyn tarkoitus on erilainen, mutta ne toimivat yhdessä integroidussa ekosysteemissä, joka muuttaa perustavasti, miten tiimit toimivat, vahvistaen siirtymistämme työn hallinnasta työn suorittamiseen asiakkaidemme kannalta.

monday magic tuo älykkään automaation työnkulkuihin, käyttäen AI:ta ennustamaan tarpeita ja automatisoimaan monimutkaisia prosesseja ennen kuin käyttäjät edes toteavat niiden tarpeen. monday vibe on vibe-koodausalusta, joka mahdollistaa kenelle tahansa luoda turvallisia, mukautettuja liiketoimintasovelluksia, jotka on suunniteltu heidän tiiminsä tarkoituksiin. monday sidekick toimii asiakkaan kontekstisena AI-kumppanina, ymmärtäen heidän työskentelymallinsa ja tarjoamalla proaktiivista apua, joka on räätälöity heidän roolinsa ja vastuulleen.

Yhdessä nämä kyvyt siirtävät asiakkaitamme työn hallinnasta työn suorittamiseen. Sen sijaan, että he vain hallitsevat ja seuraavat tehtäviä, tiimit voivat nyt luottaa AI:hen työn optimoimiseksi, haasteiden ennakoimiseksi ja toiminnan automatisoimiseksi. Tämä siirtyminen passiivisesta hallinnasta aktiiviseen suorittamiseen on muuntava; se tarkoittaa vähemmän aikaa hallinnolliseen ylitöihin ja enemmän aikaa korkean arvon työhön, joka tuottaa tuloksia.

Mitä tekee nämä erilaisiksi perinteisistä avustajista, on niiden syvä integraatio todelliseen työkontekstiin ja fokus proaktiiviseen tukeen reaktiivisen sijaan. Kun useimmat AI-apuohjelmat odottavat, että sinä kysyt kysymyksiä, meidän sarjamme havainnoi malleja, ennustaa tarpeita ja toimii työnkuluissa ja valtuuksissa.

monday.com korostaa selittämiskykyä ja käyttäjäkokemusta, ei pelkästään raakamallin suorituskykyä. Mitä tämä näyttää taustalla, ja miten tasapainotat avoimuuden voiman kanssa?

Selittämiskyky on perustavanlaatuinen luottamuksen rakentamisessa, erityisesti enterprise-ympäristöissä, joissa päätöksillä on todellisia seurauksia. Taustalla panostamme voimakkaasti AI:n järjen selittämiseen. Kun Risk Analyzer -meidän analytiikkatyökalumme -merkkaa mahdollisen projektin viivästymisen, se ei pelkästään nostaa hälytystä; se näyttää tarkalleen, mitkä tekijät vaikuttivat arvioon ja kuinka varma se on ennusteessa.

Tämä tuli kokemuksesta. Varhaiset AI-järjestelmät tuntuivat usein mustilta laatikoilta, mikä sai asiakkaat epäröimään luottaa niihin tärkeiden päätösten tekemiseen. Olemme oppineet, että asiakkaat tarvitsevat ymmärtää, mitä AI ehdottaa, mutta myös miksi se tekee ehdotuksen.

Tasapaino avoimuuden ja voiman välillä johtuu kerroksellisesta paljastamisesta. Tarjoamme välittömästi toimivia oivalluksia pinnan tasolla, mutta asiakkaat voivat porautua syvemmälle, kun he tarvitsevat tarkempaa syytä. Tämä lähestymistapa rakentaa luottamusta säilyttäen käytettävyyden – asiakkaat luottavat järjestelmään enemmän, kun he ymmärtävät sen, mikä puolestaan tekee heidät enemmän halukkaisiksi hyödyntämään sen täysiä kykyjä.

46 miljoonan AI-toiminnon suorittamisen jälkeen alustalla, mitkä ovat joitakin yllättävimpiä tai luovimpia tapoja, joilla asiakkaat ovat käyttäneet AI:ta?

Asiakkaiden luovuus yllättää minua jatkuvasti. Olemme nähneet häitä järjestävän käyttävän AI Blocks -ominaisuuksia automaattisesti luokitellaan toimittajien vastauksia ja poistamaan avainyksityiskohtia, kuten hinnoittelua ja saatavuuspäiviä. Tutkimusryhmä loi työnkulun, joka analysoi akateemisia papereita ja automaattisesti täytti tietokannan avainlöydöksillä ja menetelmän muistiinpanoilla, kaikki ilman yhden rivin koodin kirjoittamista.

Yksi erityisen luovia tapauksia oli ravintolaketju, joka käytti meidän AI:ta analysoimaan asiakaspalautetta eri sijainteja ja automaattisesti merkkaamaan potentiaalisia elintarvikeTurvallisuuden huolenaiheita havaitsemalla kuviot valituksissa. He loivat perustuvan varoitusjärjestelmän operatiivisille ongelmille.

Mitä yllättävintä on, miten asiakkaat yhdistävät yksinkertaisia blokkeja monimutkaisilla tavoilla. He eivät pelkästään automatisoi yksittäisiä tehtäviä; he suunnittelevat kokonaisia prosesseja uudelleen AI-kykyjen ympärille, joita emme koskaan suunnitelleet nimenomaan heidän tarkoituksiinsa.

Olet myös Sequoia Capitalin scouttina, sijoittajana varhaisessa vaiheessa AI-startup-yrityksiin. Tästä näkökulmasta, mitkä yleiset virheet perustajat tekevät rakentaessaan AI-ensin tuotteita?

Yleisin virhe, jonka näen, on perustajat, jotka pääsevät valtaan teknisistä mahdollisuuksista AI:ssa ilman, että he ymmärtävät todellista käyttäjien työnkulkua ja kipukohtia. He rakentavat vaikuttavia demoja, jotka esittelevät AI-kykyjä, mutta eivät ratkaise todellisia ongelmia, joilla ihmiset todella työskentelevät.

Toinen yleinen ongelma on liian varhainen lupaaminen AI-autonomiasta. Monet perustajat haluavat rakentaa täysin autonomisia järjestelmiä, kun taas asiakkaat tarvitsevat yhteistyössä toimivia työkaluja. Ihmiset haluavat AI:n, joka täydentää heidän kykyjään, eikä korvaa heidän tuomionsa, erityisesti liiketoimintapäätöksissä, joissa on paljon panoksia.

On myös taipumus aliarvioida luottamuksen ja selittämiskyvyn merkitystä. Perustajat keskittyvät usein tarkkuusmittareihin, mutta laiminlyövät käyttäjäkokemuksen epävarmuuden ja virheiden käsittelyssä. Enterprise-kontekstissa, erityisesti, asiakkaat tarvitsevat ymmärtää, milloin ja miksi luottaa AI-suosituksiin.

Lopulta monet AI-ensin startupit kamppailevat jakelulla. Ollaan hyvä AI-teknologia ei riitä; sinun on ymmärrettävä, miten integroida se olemassa oleviin työnkulkuihin ja osoittaa selkeä ROI:lle päättäjille, jotka saattavat olla epäileviä AI-hypestä.

Miten luulet AI-agenttien kehittyvän seuraavien vuosien aikana – tulevatko ne olemaan enemmän autonomisia, erikoistuneita tai jotain aivan muuta?

Näemme AI-agenttien kehittyvän kohti kontekstuaalista yhteistyötä eikä pelkästään autonomiaa. Tulevaisuus ei ole täysin autonomisia agenteja, jotka tekevät itsenäisiä päätöksiä, vaan agenteja, jotka ymmärtävät kontekstin syvällisesti ja voivat ottaa sopivia toimia tilanteen ja käyttäjän preferenssien mukaan.

Odotan myös merkittävää kehitystä moni-agenttikoordinoinnissa. Sen sijaan, että olisimme yksittäisiä AI-apuohjelmia, näemme erikoistuneita agenteja, jotka työskentelevät yhdessä toistensa ja ihmisten kanssa dynaamisissa tiimeissä. Tutkimusagenttisi voi työskennellä aikataulutusagenttisi ja viestintäagenttisi kanssa koordinoimaan monimutkaisen projektin lanseerausta.

Avainkehitys on ihmisen ja AI:n välisessä käyttöliittymässä. Agentit tulevat olemaan parempia kommunikoimaan järjenselvyytensä, ilmaisemaan epävarmuuttaan ja mukautumaan yksilöllisiin työskentelytavoille. Tavoitteena on vaivaton yhteistyö, jossa rajat ihmisen ja AI:n välistä tulevat vähemmän tärkeiksi kuin yhteinen tulos.

Internally, miten strukturoida yhteistyötä AI, tuote, suunnittelu ja GTM -tiimien välillä, jotta AI on saumattomasti upotettu käyttäjäkokemukseen?

Onnistunut AI-tuotekehitys vaatii perinteisten silojen murtamista ja yhteisen ymmärryksen kaikkien tiimien välillä. Olemme löytäneet, että avain on luoda yhteinen kieli AI-kykyjen ja rajoitusten ympärillä, jota kaikki, insinöörit, suunnittelijat ja markkinointi, voivat käyttää.

Prosessimme alkaa monialaisilla löytöistunnoilla, joissa tutkimme käyttäjien ongelmia yhdessä ennen kuin keskustelemme teknisistä ratkaisuista. Tämä estää yleisen virheen, jossa AI-kyvyt johtavat ja etsivät ongelmia ratkaisemiseksi.

Olemme myös panostaneet voimakkaasti prototyyppien ja käyttäjätestien luomiseen kehitysprosessin aikana. Suunnittelu- ja tuotetiimit työskentelevät läheisesti AI-insinöörien kanssa ymmärtääkseen, mitä on mahdollista, kun taas AI-tiimit oppivat todellisista käyttäjien rajoituksista ja preferensseistä. Tämä bi-suuntainen oppiminen on olennainen luomaan AI-ominaisuuksia, jotka tuntuvat luonnollisilta eikä kiinniittäviltä.

GTM:n kannalta tiimimme on upotettu kehitysprosessiin alusta alkaen. He auttavat meitä ymmärtämään, mitä asiakkaat haluavat, miten he ajattelevat AI:sta, mitä huolia heillä on, ja miten he haluavat oppia uusista kyvyistä. Tämä näkemys vaikuttaa suoraan sekä tuotteen suunnitteluun että tekniseen toteutukseen.

Lopulta, jonka, joka siltaa avoimen lähdekoodin, enterprise AI:n ja VC:n, missä luulet seuraavan suuren AI-läpimurron tapahtuvan – työkaluissa, infrastruktuurissa tai jossain, mihin emme vielä ole kiinnittäneet huomiota?

Seuraava läpimurto tapahtuu ihmisen ja AI:n yhteistyön käyttöliittymän leikkauskohdassa. Olemme tehneet valtavan edistystä mallien kyvyissä, mutta olemme vasta aloittamassa ymmärtämään, miten ihmiset ja AI-järjestelmät voivat työskennellä tehokkaasti yhdessä.

Läpimurto ei tule siitä, että AI:sta tehdään autonomisempi, vaan siitä, että ihmisen ja AI:n yhteistyö tulee saumattomammaksi ja luonnollisemmaksi. Se tarkoittaa edistystä siinä, miten AI-järjestelmät kommunikoivat epävarmuutta, miten ne mukautuvat yksilöllisiin työskentelytavoille ja miten ne koordinoivat useiden ihmisten ja muiden AI-järjestelmien kanssa.

Infrastruktuurin kannalta seuraan kehitystä, joka liittyy reaaliaikaiseen, kontekstuaaliseen AI:hen, joka voi ymmärtää ja toimia dynaamisissa tietovirroissa. Kyky rakentaa AI-järjestelmiä, jotka ylläpitävät kontekstia pitkien aikajaksojen yli ja useiden vuorovaikutusten tyypeissä, mahdollistaa uusia sovellusluokkia.

Mutta totta kai, seuraavat merkittävät edistysaskeleet voivat tulla odottamattomista suunnista. Juuri niin kuin transformerit nousivat esille huomionmekaniismeista neuronverkkojen käännöksissä, seuraava merkittävä edistysaskel voi tulla ratkaisemalla kapean ongelman, jolla on laaja soveltamisala. Avain on pitää aloittelijan asenne ja pysyä avoimena mahdollisuuksille, joita emme ole vielä kuvitelleet.