Assaf Elovic, Head of AI at monday.com – Interview Series

Assaf Elovic, Head of AI at monday.com – è un tecnologo, fondatore e investitore all’avanguardia dell’innovazione AI. Ha creato GPT Researcher, il primo agente di ricerca profonda con oltre 20.000 stelle su GitHub, e ha co-fondato Tavily, un motore di ricerca leader per LLM. In monday.com, guida la strategia AI dell’azienda in tutto il prodotto, l’ingegneria, il design e il go-to-market, oltre a svolgere il ruolo di scout per Sequoia Capital, consigliando e investendo in startup AI in fase di avvio. La sua carriera spazia dallo sviluppo del prodotto alla leadership R&D e alla scalabilità di team globali, con un focus costante sulla costruzione di prodotti AI trasformativi e sulla promozione della prossima ondata di aziende guidate da AI.

monday.com è un sistema operativo di lavoro leader che consente ai team di gestire progetti, flussi di lavoro e collaborazione in modo altamente personalizzabile. Affidato da organizzazioni in tutto il mondo, la piattaforma integra l’automazione guidata da AI, l’analisi e la coordinazione tra team senza soluzione di continuità per aumentare la produttività e accelerare la presa di decisioni. Con soluzioni che spaziano dalla gestione dei progetti al CRM, allo sviluppo del prodotto e al marketing, monday.com è diventato un hub centrale per le aziende che cercano di scalare in modo efficiente e innovare più velocemente.

Hai guidato gli sforzi di AI in alcune delle aziende più dinamiche del settore tecnologico, tra cui Wix e ora monday.com—cosa ti ha attirato personalmente nella sfida di costruire sistemi intelligenti?

Il mio viaggio nell’AI è iniziato durante il boom dei chatbot del 2015. Ho avuto un’interazione con un bot AI che poteva veramente capire l’intento; sembrava magia. Non si trattava solo di una novità; stava risolvendo problemi reali come la prenotazione di appuntamenti e la risposta a domande complesse. Quel momento ha suscitato la mia curiosità su come funzionavano questi sistemi.

Ciò che mi ha veramente attirato è stato rendersi conto di quanto l’AI fosse diventata accessibile. Alcuni strumenti e API rendevano possibile per gli sviluppatori costruire applicazioni robuste senza aver bisogno di un dottorato in apprendimento automatico. Le possibilità infinite erano emozionanti e sapevo di voler contribuire a questa trasformazione. Da allora, mi sono dedicato a costruire prodotti AI che risolvono sfide del mondo reale e migliorano la vita delle persone.

La sfida di costruire sistemi intelligenti mi attrae perché si trova all’intersezione della creatività e della tecnologia all’avanguardia. Ogni progetto è come risolvere un nuovo puzzle; devi capire non solo le capacità tecniche, ma anche come le persone lavorano e cosa hanno bisogno.

Prima di unirti a monday.com, hai creato strumenti open-source come GPT Researcher che hanno riscontrato un grande successo tra gli sviluppatori e i ricercatori. Come hanno influenzato queste esperienze di base, guidate dalla comunità, il tuo approccio alla costruzione di prodotti AI aziendali oggi?

L’esperienza open-source mi ha insegnato lezioni inestimabili sulla costruzione di prodotti che soddisfino i bisogni reali degli utenti, piuttosto che teorici. Quando costruisci in modo aperto, ricevi immediatamente un feedback non filtrato da parte degli sviluppatori che stanno cercando di risolvere problemi. Ciò mi ha insegnato a concentrarmi sull’utilità pratica più che sulle dimostrazioni impressionanti.

Lavorare con la comunità ha anche rafforzato l’importanza di rendere l’AI accessibile. Molti degli sviluppatori che utilizzavano questi strumenti non erano specialisti di AI; stavano costruendo applicazioni e avevano bisogno di capacità AI che fossero affidabili e facili da integrare. Questa esperienza influenza direttamente il modo in cui approcciamo gli AI Blocks in monday.com: rendere potenti capacità AI disponibili ai clienti non tecnici attraverso interfacce intuitive.

All’inizio di quest’anno, monday.com ha presentato una nuova visione AI ambiziosa con tre pilastri: AI Blocks, Product Power-ups e Digital Workforce. Come è emersa questa struttura e quale lacuna nel mercato state cercando di colmare?

La nostra visione AI è emersa dall’osservazione di una sfida fondamentale: le organizzazioni di tutte le dimensioni vogliono sfruttare l’AI, ma la maggior parte delle soluzioni richiede una significativa competenza tecnica o è troppo rigida per le esigenze aziendali diverse. Abbiamo visto che le persone non cercavano solo un altro assistente AI; avevano bisogno di un AI che potesse integrarsi senza problemi nei loro flussi di lavoro esistenti e adattarsi ai loro processi specifici. Infine, ci stiamo concentrando sull’aiutare le persone a completare il lavoro con l’AI, un passaggio dall’aiutare le persone a gestire il lavoro.

La lacuna che stiamo colmando è lo spazio tra gli strumenti AI semplici e le soluzioni aziendali complesse. Molte aziende si trovano in una posizione intermedia in cui hanno bisogno di più dell’automazione di base, ma non possono giustificare o implementare sistemi AI pesanti. Il nostro approccio a tre pilastri consente alle organizzazioni di iniziare con semplicità con i blocchi, migliorare i loro prodotti con power-up e infine costruire sofisticate forze di lavoro digitali.

Da quando abbiamo lanciato, abbiamo spinto con forza in tutti i settori verticali con una crescita significativa nell’adozione e negli utenti che pagano.

Abbiamo anche introdotto prodotti di “vibe coding” che mirano alla nostra missione di democratizzare il software. Con gli ultimi progressi nell’AI, non è mai stato più facile costruire applicazioni complete con un semplice linguaggio naturale. I nostri prodotti più recenti come monday vibe e magic possono consentire a qualsiasi utente non tecnico di sfruttare l’ecosistema monday per costruire applicazioni personalizzate per il lavoro.

Puoi guidarci attraverso il funzionamento degli AI Blocks nella pratica? Qual è la curva di apprendimento per gli utenti non tecnici che cercano di integrare questi strumenti nei loro flussi di lavoro quotidiani?

Gli AI Blocks sono progettati per essere facili da usare come i blocchi di costruzione—da cui il nome. Nella pratica, un utente potrebbe trascinare un blocco “estrare scadenze” nel proprio flusso di lavoro di gestione dei progetti o aggiungere un blocco “riassumere le note delle riunioni” al proprio processo di revisione settimanale. I blocchi gestiscono la complessità dell’AI sullo sfondo mentre presentano ai clienti interfacce semplici e familiari.

La curva di apprendimento è intenzionalmente minima. Abbiamo visto team implementare con successo gli AI Blocks nel loro primo utilizzo. Ad esempio, un team di marketing potrebbe creare un flusso di lavoro in cui i riferimenti ai social media vengono analizzati automaticamente per il sentimento e vengono estratti temi chiave, tutto senza scrivere una sola riga di codice.

L’idea chiave è che le persone non devono capire come funziona l’AI per trarne beneficio. Devono solo capire i propri processi abbastanza bene da identificare dove l’automazione sarebbe utile. Abbiamo progettato i blocchi per corrispondere ai modelli mentali che le persone hanno già dei propri flussi di lavoro.

Hai recentemente lanciato una serie di strumenti AI, tra cui monday magic, monday vibe e monday sidekick. Cosa rende questi prodotti diversi dagli assistenti o copilot tradizionali e quale ruolo immagini che giocheranno attraverso i settori?

I nostri ultimi rilasci rappresentano un approccio globale all’AI del posto di lavoro che va oltre gli assistenti tradizionali. Ogni capacità serve uno scopo distinto e funziona insieme come un ecosistema integrato che trasforma fondamentalmente il modo in cui i team operano, consolidando il nostro passaggio dalla gestione del lavoro all’esecuzione del lavoro per i nostri clienti.

monday magic porta l’automazione intelligente ai flussi di lavoro, utilizzando l’AI per prevedere le esigenze e automatizzare processi complessi prima che gli utenti si rendano conto di averne bisogno. monday vibe è una piattaforma di “vibe coding” che consente a chiunque di costruire app aziendali personalizzate e sicure adattate alle esigenze specifiche del team. E monday sidekick funge da compagno di lavoro AI contestuale, comprendendo i modelli di lavoro specifici e fornendo assistenza proattiva adattata al ruolo e alle responsabilità.

Insieme, queste capacità spostano i nostri clienti oltre la semplice gestione del lavoro per eseguirlo in modo più intelligente. Invece di semplicemente organizzare attività e monitorare i progressi, i team possono ora affidarsi all’AI per ottimizzare le prestazioni, anticipare le sfide e agire automaticamente. Questo passaggio dalla gestione passiva all’esecuzione attiva è trasformativo; significa meno tempo speso sull’onere amministrativo e più tempo concentrato sul lavoro ad alto valore che produce risultati.

Cosa li rende diversi dagli assistenti tradizionali è la loro profonda integrazione con il contesto di lavoro reale e la loro concentrazione sul supporto proattivo piuttosto che reattivo. Mentre la maggior parte degli assistenti AI aspetta che tu faccia domande, la nostra suite osserva i modelli, anticipa le esigenze e agisce all’interno dei flussi di lavoro e delle autorizzazioni stabilite.

monday.com enfatizza la spiegabilità e l’esperienza utente, non solo le prestazioni del modello grezzo. Come si presenta questo aspetto dietro le quinte e come bilanciate la trasparenza con la potenza?

La spiegabilità è fondamentale per costruire la fiducia, specialmente in ambienti aziendali in cui le decisioni hanno conseguenze reali. Dietro le quinte, investiamo molto nel rendere trasparente il ragionamento della nostra AI. Quando il nostro Risk Analyzer segnala una potenziale ritardo del progetto, non si limita a sollevare un allarme; mostra esattamente quali fattori hanno contribuito a quella valutazione e quanto è fiducioso nella previsione.

Questo focus deriva dall’esperienza. I primi sistemi AI spesso sembravano scatole nere, il che faceva esitare i clienti a fidarsi di loro per decisioni importanti. Abbiamo imparato che i clienti devono capire non solo cosa suggerisce l’AI, ma anche perché lo fa.

L’equilibrio tra trasparenza e potenza si riduce a una divulgazione stratificata. Forniamo immediatamente informazioni utili e azioni al livello di superficie, ma i clienti possono approfondire per vedere il ragionamento dettagliato quando ne hanno bisogno. Questo approccio costruisce la fiducia mantenendo l’usabilità—i clienti si fidano di più del sistema quando lo capiscono, il che paradossalmente li rende più disposti a sfruttarne appieno le capacità.

Con oltre 46 milioni di azioni AI eseguite sulla piattaforma, quali sono alcuni dei modi più sorprendenti o creativi in cui i clienti hanno utilizzato l’AI?

La creatività dei nostri clienti ci sorprende costantemente. Abbiamo visto un wedding planner utilizzare gli AI Blocks per categorizzare automaticamente le risposte dei fornitori ed estrarre dettagli chiave come prezzi e date di disponibilità.

Un team di ricerca ha creato un flusso di lavoro che analizza articoli accademici e popola automaticamente un database con risultati chiave e note sulla metodologia.

Un caso di utilizzo particolarmente creativo è stato quello di una catena di ristoranti che ha utilizzato la nostra AI per analizzare i feedback dei clienti in tutte le sedi e segnalare automaticamente potenziali problemi di sicurezza alimentare rilevando modelli nelle lamentele.

Cosa sorprende è come i clienti combinino blocchi semplici in modi sofisticati. Non stanno solo automatizzando compiti individuali; stanno ridisegnando interi processi intorno alle capacità AI che non abbiamo mai progettato esplicitamente per i loro casi d’uso specifici.

Sei anche uno scout per Sequoia Capital, investendo in startup AI in fase di avvio. Da questa prospettiva, quali errori comuni commettono i fondatori quando costruiscono prodotti AI-first?

L’errore più comune che vedo è che i fondatori si lasciano sedurre dalle possibilità tecniche dell’AI senza capire profondamente il flusso di lavoro reale dell’utente e i suoi punti deboli. Costruiscono dimostrazioni impressionanti che mostrano le capacità dell’AI, ma falliscono nel risolvere problemi reali nel modo in cui le persone lavorano effettivamente.

Un altro problema frequente è promettere un’autonomia AI troppo presto. Molti fondatori vogliono costruire sistemi completamente autonomi quando i clienti hanno bisogno di strumenti collaborativi. Le persone vogliono che l’AI aumenti le loro capacità, non sostituisca il loro giudizio, specialmente nelle decisioni aziendali ad alto rischio.

C’è anche la tendenza a sottovalutare l’importanza della fiducia e della spiegabilità. I fondatori si concentrano spesso sui metriche di accuratezza, ma trascurano l’esperienza utente nel gestire l’incertezza e gli errori. In contesti aziendali, in particolare, i clienti devono capire quando e perché fidarsi delle raccomandazioni dell’AI.

Infine, molte startup AI-first lottano con la distribuzione. Avere una grande tecnologia AI non è sufficiente; devi capire come integrarla nei flussi di lavoro esistenti e dimostrare un chiaro ROI ai decision-maker che potrebbero essere scettici sull’ipotesi dell’AI.

Come pensi che gli agenti AI evolveranno nei prossimi anni—diventeranno più autonomi, più specializzati o qualcos’altro?

Vedremo gli agenti AI evolversi verso una collaborazione contestuale piuttosto che una pura autonomia. Il futuro non è costituito da agenti autonomi che prendono decisioni indipendenti, ma piuttosto da agenti che capiscono profondamente il contesto e possono prendere livelli appropriati di azione in base alla situazione e alle preferenze dell’utente.

Stiamo andando verso agenti che possono gestire decisioni di routine in modo autonomo mentre escalano in modo fluido situazioni complesse o ambigue agli esseri umani. Ciò richiede una comprensione sofisticata del contesto, della valutazione del rischio e dell’intento dell’utente, capacità che stanno migliorando rapidamente.

Mi aspetto anche una significativa evoluzione nella coordinazione multi-agente. Invece di assistenti AI monolitici, vedremo agenti specializzati che collaborano tra loro e con gli esseri umani in team dinamici. Il tuo agente di ricerca potrebbe lavorare con il tuo agente di pianificazione e il tuo agente di comunicazione per coordinare il lancio di un progetto complesso.

L’evoluzione chiave sarà nell’interfaccia uomo-macchina. Gli agenti diventeranno migliori nel comunicare il loro ragionamento, esprimere l’incertezza e adattarsi agli stili di lavoro individuali. L’obiettivo è una collaborazione senza soluzione di continuità in cui i confini tra contributi umani e AI diventano meno importanti del risultato collettivo.

Internamente, come strutturi la collaborazione tra i team AI, prodotto, design e GTM per assicurarti che l’AI sia perfettamente integrata nell’esperienza utente?

Lo sviluppo di prodotti AI di successo richiede la rottura delle tradizionali barriere e la creazione di una comprensione condivisa tra tutti i team. Abbiamo scoperto che la chiave è stabilire un linguaggio comune sulle capacità e i limiti dell’AI che tutti possono utilizzare, dagli ingegneri ai designer ai marketer.

Il nostro processo inizia con sessioni di scoperta cross-funzionali in cui esploriamo i problemi degli utenti insieme prima di discutere soluzioni tecniche. Ciò impedisce l’errore comune di guidare con le capacità AI e poi cercare problemi da risolvere.

Investiamo anche molto nella prototipazione e nel test degli utenti durante l’intero processo di sviluppo. I team di design e prodotto lavorano a stretto contatto con gli ingegneri AI per capire cosa è possibile, mentre i team AI imparano sui vincoli e le preferenze reali degli utenti. Questo apprendimento bidirezionale è cruciale per creare funzionalità AI che si sentono naturali piuttosto che aggiunte.

Da una prospettiva GTM, i nostri team sono integrati nel processo di sviluppo fin dal primo giorno. Ci aiutano a capire non solo cosa vogliono i clienti, ma anche come pensano all’AI, quali preoccupazioni hanno e come preferiscono imparare nuove capacità. Questa consapevolezza influenza direttamente sia il design del prodotto che l’implementazione tecnica.

Infine, come ponte tra open source, AI aziendale e VC, dove pensi che si verificherà il prossimo grande balzo in avanti nell’AI—in strumenti, infrastrutture o qualcosa che non stiamo ancora guardando?

Il prossimo balzo in avanti si verificherà probabilmente all’intersezione delle interfacce di collaborazione uomo-AI. Abbiamo fatto progressi incredibili nelle capacità dei modelli, ma siamo ancora alle prime fasi di capire come gli esseri umani e i sistemi AI possano lavorare insieme nel modo più efficace.

Il balzo non sarà nel rendere l’AI più autonoma, ma nel rendere la collaborazione uomo-AI più fluida e naturale. Ciò include avanzamenti nel modo in cui i sistemi AI comunicano l’incertezza, si adattano agli stili di lavoro individuali e coordinano con più esseri umani e altri sistemi AI contemporaneamente.

Da una prospettiva infrastrutturale, sto guardando gli sviluppi nell’AI in tempo reale, contestuale, che può comprendere e agire su flussi di informazioni dinamici. La capacità di costruire sistemi AI che mantengono il contesto su orizzonti temporali lunghi e tipi di interazione multipli consentirà categorie di applicazioni completamente nuove.

Ma onestamente, i balzi più emozionanti potrebbero provenire da direzioni inaspettate. Proprio come i trasformatori sono emersi dai meccanismi di attenzione nella traduzione automatica, il prossimo avanzamento significativo potrebbe provenire dal risolvere un problema apparentemente ristretto con applicazioni ampie. La chiave è mantenere una mentalità da principiante e rimanere aperti a possibilità che non abbiamo ancora immaginato.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare monday.com.