Assaf Elovic, Kepala AI di monday.com – Seri Wawancara

Assaf Elovic, Kepala AI di monday.com – adalah seorang teknolog, pendiri, dan investor di garis depan inovasi AI. Ia menciptakan GPT Researcher, agen penelitian dalam yang pertama dengan lebih dari 20.000 bintang GitHub, dan mendirikan Tavily, mesin pencari terkemuka untuk LLM. Di monday.com, ia memimpin strategi AI perusahaan di seluruh produk, teknik, desain, dan go-to-market, sementara juga menjabat sebagai pengintai Sequoia Capital, memberikan saran dan berinvestasi di perusahaan rintisan AI tahap awal. Karirnya meliputi pengembangan produk, kepemimpinan R&D, dan mengembangkan tim global, dengan fokus konsisten pada membangun produk AI transformatif dan mempromosikan gelombang berikutnya perusahaan yang didorong AI.

monday.com adalah sistem operasi kerja terkemuka yang memungkinkan tim untuk mengelola proyek, alur kerja, dan kolaborasi dengan cara yang sangat dapat disesuaikan. Dipercaya oleh organisasi di seluruh dunia, platform ini mengintegrasikan otomatisasi yang didorong AI, analitik, dan koordinasi antar tim yang mulus untuk meningkatkan produktivitas dan mempercepat pengambilan keputusan. Dengan solusi yang meliputi manajemen proyek, CRM, pengembangan produk, dan pemasaran, monday.com telah menjadi pusat utama bagi bisnis yang ingin berkembang secara efisien dan berinovasi lebih cepat.

Anda telah memimpin upaya AI di beberapa perusahaan paling dinamis di teknologi, termasuk Wix dan sekarang monday.com—apa yang pertama kali menarik Anda secara pribadi ke tantangan membangun sistem cerdas?

Perjalanan saya ke AI dimulai selama ledakan chatbot pada 2015. Saya memiliki interaksi dengan bot AI yang benar-benar dapat memahami niat; itu terasa seperti sihir. Ini bukan hanya novitas; itu memecahkan masalah nyata seperti memesan janji temu dan menjawab pertanyaan yang kompleks. Saat itu memicu rasa ingin tahu saya tentang bagaimana sistem tersebut bekerja.

Apa yang benar-benar menarik saya adalah menyadari betapa mudahnya AI telah menjadi. Beberapa alat dan API membuatnya memungkinkan bagi pengembang untuk membangun aplikasi yang kuat tanpa perlu gelar PhD di bidang pembelajaran mesin. Kemungkinan yang tak terbatas sangat menggembirakan, dan saya tahu saya ingin berkontribusi pada transformasi ini. Sejak itu, saya telah berdedikasi untuk membangun produk AI yang memecahkan tantangan dunia nyata dan meningkatkan kehidupan orang.

Tantangan membangun sistem cerdas menarik bagi saya karena berada di persimpangan kreativitas dan teknologi mutakhir. Setiap proyek seperti memecahkan teka-teki baru; Anda harus memahami tidak hanya kemampuan teknis tetapi juga bagaimana orang sebenarnya bekerja dan apa yang mereka butuhkan.

Sebelum bergabung dengan monday.com, Anda menciptakan alat sumber terbuka seperti GPT Researcher yang merespons dengan pengembang dan peneliti. Bagaimana pengalaman akar rumput, pengalaman berbasis komunitas ini membentuk pendekatan Anda untuk membangun produk AI perusahaan hari ini?

Pengalaman sumber terbuka mengajarkan saya pelajaran berharga tentang membangun untuk memenuhi kebutuhan pengguna yang sebenarnya, bukan yang teoretis. Ketika Anda membangun secara terbuka, Anda mendapatkan umpan balik langsung, tidak disaring dari pengembang yang sebenarnya mencoba memecahkan masalah. Ini mengajarkan saya untuk fokus pada utilitas praktis daripada demo yang mengesankan.

Bekerja dengan komunitas juga memperkuat pentingnya membuat AI yang dapat diakses. Banyak pengembang yang menggunakan alat ini bukanlah spesialis AI—mereka membangun aplikasi dan membutuhkan kemampuan AI yang dapat diandalkan dan mudah diintegrasikan. Pengalaman ini secara langsung mempengaruhi bagaimana kami mendekati AI Blocks di monday.com: membuat kemampuan AI yang kuat tersedia untuk pelanggan non-teknis melalui antarmuka yang intuitif.

Awal tahun ini, monday.com baru-baru ini mengungkap visi AI yang berani dengan tiga pilar: AI Blocks, Product Power-ups, dan Digital Workforce. Bagaimana kerangka ini terbentuk, dan apa celah di pasar yang Anda coba isi?

Visi AI kami muncul dari mengamati tantangan mendasar: organisasi dari semua ukuran ingin memanfaatkan AI, tetapi sebagian besar solusi memerlukan keahlian teknis yang signifikan atau terlalu kaku untuk kebutuhan bisnis yang beragam. Kami melihat bahwa orang tidak hanya mencari asisten AI lain; mereka membutuhkan AI yang dapat terintegrasi secara mulus ke dalam alur kerja yang ada dan menyesuaikan diri dengan proses bisnis yang spesifik. Terakhir, kami sekarang fokus membantu orang menyelesaikan pekerjaan dengan AI, pergeseran dari membantu orang mengelola pekerjaan.

Celah yang kami isi adalah ruang antara alat AI sederhana dan solusi perusahaan yang kompleks. Banyak bisnis jatuh ke tanah tengah di mana mereka membutuhkan lebih dari sekadar otomatisasi dasar tetapi tidak dapat membenarkan atau mengimplementasikan sistem AI yang berat. Pendekatan tiga pilar kami memberikan organisasi fleksibilitas untuk memulai dengan sederhana dengan blok, meningkatkan produk dengan power-ups, dan akhirnya membangun tenaga kerja digital yang canggih.

Sejak peluncuran kami telah mendorong pertumbuhan yang kuat di semua vertikal dengan pertumbuhan yang signifikan dalam adopsi dan pengguna berbayar.

Kami juga memperkenalkan produk “vibe coding” yang bertujuan pada misi kami untuk mendemokratisasi perangkat lunak. Dengan kemajuan terbaru dalam AI, tidak pernah lebih mudah untuk membangun aplikasi lengkap dengan bahasa alami sederhana. Produk terbaru kami seperti monday vibe dan magic dapat memungkinkan pengguna non-teknis untuk memanfaatkan ekosistem Monday untuk membangun aplikasi khusus untuk pekerjaan.

Bisakah Anda menjelaskan bagaimana AI Blocks bekerja dalam praktik? Apa kurva belajar untuk pengguna non-teknis yang mencoba mengintegrasikan alat ini ke dalam alur kerja harian mereka?

AI Blocks dirancang untuk menjadi seintuitif mungkin—hence nama. Dalam praktik, pengguna mungkin menarik blok “ekstrak tenggat waktu” ke dalam alur kerja manajemen proyek, atau menambahkan blok “ringkas catatan pertemuan” ke proses tinjauan mingguan. Blok-blok tersebut menangani kompleksitas AI di balik layar sementara menyajikan pengguna dengan antarmuka sederhana dan familiar.

Kurva belajar secara sengaja minimal. Kami telah melihat tim berhasil mengimplementasikan AI Blocks dalam sesi pertama mereka. Misalnya, tim pemasaran mungkin membuat alur kerja di mana mentions media sosial dianalisis secara otomatis untuk sentimen dan tema kunci diekstrak, semua tanpa menulis satu baris kode.

Wawasan kunci adalah bahwa orang tidak perlu memahami bagaimana AI bekerja untuk memanfaatkannya. Mereka hanya perlu memahami proses mereka sendiri dengan cukup baik untuk mengidentifikasi di mana otomatisasi akan membantu. Kami telah merancang blok-blok tersebut untuk sesuai dengan model mental yang orang sudah miliki tentang alur kerja mereka.

Anda baru-baru ini meluncurkan serangkaian alat yang didukung AI termasuk monday magic, monday vibe, dan monday sidekick. Apa yang membuat produk-produk ini berbeda dari asisten tradisional atau copilot, dan apa peran yang Anda bayangkan mereka mainkan di seluruh industri?

Rilis terbaru kami mewakili pendekatan komprehensif untuk AI tempat kerja yang melampaui asisten tradisional. Setiap kemampuan memiliki tujuan yang berbeda sementara bekerja bersama sebagai ekosistem terintegrasi yang secara fundamental mengubah cara tim beroperasi, memperkuat pergeseran kami dari manajemen kerja ke eksekusi kerja untuk pelanggan kami.

monday magic membawa otomatisasi cerdas ke alur kerja, menggunakan AI untuk memprediksi kebutuhan dan mengotomatisasi proses kompleks sebelum pengguna menyadari mereka membutuhkannya. monday vibe adalah platform “vibe coding” yang memungkinkan siapa saja untuk membangun aplikasi bisnis khusus yang aman dan disesuaikan dengan kebutuhan tim mereka. Dan monday sidekick berfungsi sebagai rekan AI kontekstual Anda, memahami pola kerja khusus Anda dan menyediakan bantuan proaktif yang disesuaikan dengan peran dan tanggung jawab Anda.

Bersama, kemampuan-kemampuan ini memindahkan pelanggan kami melampaui sekadar mengelola dan melacak pekerjaan untuk benar-benar mengeksekusinya dengan lebih cerdas. Alih-alih hanya mengatur tugas dan memantau kemajuan, tim sekarang dapat mengandalkan AI untuk mengoptimalkan kinerja, mengantisipasi tantangan, dan mengambil tindakan secara otomatis. Perubahan ini dari manajemen pasif ke eksekusi aktif adalah transformatif; itu berarti lebih sedikit waktu dihabiskan untuk overhead administratif dan lebih banyak waktu fokus pada pekerjaan ber nilai tambah yang menghasilkan hasil.

Apa yang membuat produk-produk ini berbeda dari asisten tradisional adalah integrasi yang dalam dengan konteks kerja yang sebenarnya dan fokus pada dukungan proaktif daripada reaktif. Sementara sebagian besar asisten AI menunggu Anda untuk bertanya, suite kami mengamati pola, mengantisipasi kebutuhan, dan mengambil tindakan dalam alur kerja yang ada dan izin.

monday.com menekankan keterjelasan dan pengalaman pengguna, bukan hanya kinerja model mentah. Apa yang terlihat di balik layar, dan bagaimana Anda menyeimbangkan transparansi dengan kekuatan?

Keterjelasan adalah fundamental untuk membangun kepercayaan, terutama di lingkungan perusahaan di mana keputusan memiliki konsekuensi nyata. Di balik layar, kami berinvestasi berat untuk membuat alasan AI kami transparan. Ketika Risk Analyzer kami membenderakan potensi keterlambatan proyek, itu tidak hanya mengangkat peringatan; itu menunjukkan faktor-faktor yang secara spesifik menyumbang pada penilaian tersebut dan seberapa yakin itu dalam prediksi.

Pendekatan ini datang dari pengalaman. Sistem AI awal sering terasa seperti kotak hitam, yang membuat pelanggan ragu untuk mengandalkannya untuk keputusan penting. Kami belajar bahwa pelanggan perlu memahami tidak hanya apa yang AI sarankan, tetapi juga mengapa itu membuat saran tersebut.

Keseimbangan antara transparansi dan kekuatan terletak pada pengungkapan yang berlapis. Kami menyediakan wawasan yang segera dapat digunakan dan dapat ditindaklanjuti pada tingkat permukaan, tetapi pelanggan dapat menelusuri untuk melihat alasan yang terperinci ketika mereka membutuhkannya. Pendekatan ini membangun kepercayaan sambil mempertahankan kemudahan penggunaan—pelanggan lebih percaya pada sistem ketika mereka memahaminya, yang secara paradoks membuat mereka lebih mau memanfaatkan kemampuan penuhnya.

Dengan lebih dari 46 juta tindakan AI yang sekarang dilakukan di platform, apa beberapa cara paling mengejutkan atau kreatif yang pelanggan telah menggunakan AI?

Kreativitas pelanggan kami terus-menerus mempesona saya. Kami telah melihat perencana pernikahan menggunakan AI Blocks untuk secara otomatis mengkategorikan tanggapan vendor dan mengekstrak detail kunci seperti harga dan tanggal yang tersedia. Tim penelitian menciptakan alur kerja yang menganalisis makalah akademis dan secara otomatis memopulasikan database dengan temuan kunci dan catatan metode.

Salah satu contoh penggunaan yang paling kreatif adalah rantai restoran yang menggunakan AI kami untuk menganalisis umpan balik pelanggan di seluruh lokasi dan secara otomatis membenderakan potensi masalah keamanan pangan dengan mendeteksi pola dalam keluhan. Mereka secara efektif menciptakan sistem peringatan dini untuk masalah operasional.

Apa yang mengejutkan adalah bagaimana pelanggan menggabungkan blok-blok sederhana dengan cara yang canggih. Mereka tidak hanya mengotomatisasi tugas individu; mereka merancang ulang proses keseluruhan di sekitar kemampuan AI yang kami tidak secara eksplisit dirancang untuk kasus penggunaan khusus mereka.

Anda juga menjabat sebagai pengintai untuk Sequoia Capital, berinvestasi di perusahaan rintisan AI tahap awal. Dari sudut pandang itu, apa kesalahan umum yang dilakukan pendiri ketika membangun produk AI-pertama?

Kesalahan paling umum yang saya lihat adalah pendiri terpesona oleh kemungkinan teknis AI tanpa memahami dengan baik alur kerja pengguna yang sebenarnya dan poin-poin nyeri. Mereka membangun demo yang mengesankan yang menunjukkan kemampuan AI tetapi gagal memecahkan masalah nyata dengan cara orang sebenarnya bekerja.

Masalah lain yang sering terjadi adalah berjanji terlalu banyak tentang otonomi AI terlalu dini. Banyak pendiri ingin membangun sistem yang sepenuhnya otonom ketika pelanggan sebenarnya membutuhkan alat kolaboratif. Orang ingin AI untuk melengkapi kemampuan mereka, bukan menggantikan penilaian mereka, terutama dalam keputusan bisnis yang berisiko tinggi.

Ada juga kecenderungan untuk meremehkan pentingnya kepercayaan dan keterjelasan. Pendiri sering fokus pada metrik akurasi tetapi mengabaikan pengalaman pengguna dalam menangani ketidakpastian dan kesalahan. Dalam konteks perusahaan, khususnya, pelanggan perlu memahami kapan dan mengapa mereka harus mempercayai rekomendasi AI.

Terakhir, banyak perusahaan rintisan AI yang berfokus pada AI kesulitan dengan distribusi. Memiliki teknologi AI yang hebat tidak cukup; Anda perlu memahami bagaimana mengintegrasikan AI ke dalam alur kerja yang ada dan menunjukkan ROI yang jelas kepada pengambil keputusan yang mungkin skeptis terhadap hypes AI.

Bagaimana Anda pikir agen AI akan berkembang dalam beberapa tahun ke depan—apakah mereka akan menjadi lebih otonom, lebih spesialis, atau sesuatu yang sama sekali berbeda?

Kami akan melihat agen AI berkembang menuju kolaborasi kontekstual daripada otonomi murni. Masa depan bukanlah agen yang sepenuhnya otonom yang membuat keputusan independen, tetapi agen yang memahami konteks dengan baik dan dapat mengambil tindakan yang sesuai berdasarkan situasi dan preferensi pengguna.

Kami bergerak menuju agen yang dapat menangani keputusan rutin secara otonom sementara mengeskalasi situasi yang kompleks atau ambigu ke manusia. Ini memerlukan pemahaman yang canggih tentang konteks, penilaian risiko, dan niat pengguna, kemampuan yang sedang berkembang pesat.

Saya juga mengharapkan evolusi signifikan dalam koordinasi multi-agennya. Alih-alih asisten AI monolitik, kami akan melihat agen yang berspesialisasi yang bekerja sama dengan agen lain dan dengan manusia dalam tim dinamis. Agen penelitian Anda mungkin bekerja dengan agen penjadwalan dan agen komunikasi untuk mengoordinasikan peluncuran proyek yang kompleks.

Evolusi kunci akan berada di antarmuka manusia-AI. Agen akan menjadi lebih baik dalam mengkomunikasikan alasan mereka, mengekspresikan ketidakpastian, dan menyesuaikan diri dengan gaya kerja individu. Tujuan adalah kolaborasi yang mulus di mana batas antara kontribusi manusia dan AI menjadi kurang penting daripada hasil kolektif.

Secara internal, bagaimana Anda membangun struktur kolaborasi antara tim AI, produk, desain, dan GTM untuk memastikan AI terintegrasi dengan mulus ke dalam pengalaman pengguna?

Pengembangan produk AI yang sukses memerlukan menghancurkan silo tradisional dan menciptakan pemahaman bersama di seluruh tim. Kami telah menemukan bahwa kunci adalah membangun bahasa umum tentang kemampuan dan keterbatasan AI yang dapat digunakan oleh semua orang, dari insinyur hingga desainer hingga pemasar.

Proses kami dimulai dengan sesi penemuan lintas fungsional di mana kami menjelajahi masalah pengguna bersama sebelum membahas solusi teknis. Ini mencegah kesalahan umum yang memimpin dengan kemampuan AI dan kemudian mencari masalah untuk dipecahkan.

Kami juga berinvestasi berat dalam prototip dan pengujian pengguna di seluruh proses pengembangan. Tim desain dan produk bekerja erat dengan insinyur AI untuk memahami apa yang memungkinkan, sementara tim AI belajar tentang keterbatasan pengguna yang sebenarnya dan preferensi.

Dari perspektif GTM, tim kami terintegrasi ke dalam proses pengembangan dari hari pertama. Mereka membantu kami memahami tidak hanya apa yang diinginkan pelanggan, tetapi bagaimana mereka berpikir tentang AI, apa kekhawatiran mereka, dan bagaimana mereka lebih suka belajar tentang kemampuan baru. Wawasan ini langsung mempengaruhi baik desain produk dan implementasi teknis.

Akhirnya, sebagai orang yang menjembatani sumber terbuka, AI perusahaan, dan VC, di mana Anda pikir terobosan AI besar berikutnya akan terjadi—di alat, infrastruktur, atau sesuatu yang belum kita lihat?

Terobosan berikutnya kemungkinan akan terjadi di persimpangan antarmuka kolaborasi manusia-AI. Kami telah membuat kemajuan luar biasa dalam kemampuan model, tetapi kami masih dalam tahap awal memahami bagaimana manusia dan sistem AI dapat bekerja sama dengan cara paling efektif.

Terobosan tidak akan terjadi dalam membuat AI lebih otonom, tetapi dalam membuat kolaborasi manusia-AI lebih fluid dan alami. Ini termasuk kemajuan dalam cara sistem AI mengkomunikasikan ketidakpastian, bagaimana mereka menyesuaikan diri dengan gaya kerja individu, dan bagaimana mereka koordinasikan dengan banyak manusia dan sistem AI lainnya secara bersamaan.

Dari perspektif infrastruktur, saya memantau perkembangan AI kontekstual waktu nyata yang dapat memahami dan bertindak pada aliran informasi dinamis. Kemampuan membangun sistem AI yang mempertahankan konteks selama horizon waktu panjang dan berbagai jenis interaksi akan memungkinkan kategori aplikasi yang sama sekali baru.

Tapi, jujur, terobosan paling menarik mungkin datang dari arah yang tidak terduga. Sama seperti transformer muncul dari mekanisme perhatian dalam terjemahan mesin, terobosan signifikan berikutnya mungkin datang dari memecahkan masalah yang tampaknya sempit yang memiliki aplikasi yang luas. Kunci adalah mempertahankan pikiran pemula dan tetap terbuka terhadap kemungkinan yang belum kita bayangkan.