Assaf Elovic, Head of AI at monday.com – Intervista della serie

Hai guidato gli sforzi 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 acceso 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 realmente 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 soluzioni per esigenze degli utenti reali e non teoriche. Quando costruisci in modo aperto, ottieni un feedback immediato e non filtrato da parte degli sviluppatori che stanno cercando di risolvere problemi. Questo mi ha insegnato a concentrarmi sull’utilità pratica più che su demo 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 AI; stavano costruendo applicazioni e avevano bisogno di capacità AI affidabili e facili da integrare. Questa esperienza influenza direttamente il modo in cui approcciamo gli AI Blocks in monday.com: rendere disponibili potenti capacità AI ai clienti non tecnici attraverso interfacce intuitive.

All’inizio di quest’anno, monday.com ha presentato una nuova visione AI audace con tre pilastri: AI Blocks, Product Power-ups e una Forza lavoro digitale. 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 svolgere il lavoro con l’AI, un passaggio dalla gestione del lavoro all’esecuzione del lavoro per i nostri clienti.

La lacuna che stiamo colmando è lo spazio tra gli strumenti AI semplici e le soluzioni aziendali complesse. Molte aziende si trovano in una fascia 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 blocchi semplici, migliorare i loro prodotti con power-up e infine costruire forze lavoro digitali sofisticate.

Da allora abbiamo spinto con forza su 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 così facile costruire applicazioni complete con 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 su come funzionano gli 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?

AI Blocks sono progettati per essere intuitivi come i blocchi di costruzione—da cui il nome. Nella pratica, un utente potrebbe trascinare un blocco “estrai scadenze” nel proprio flusso di lavoro di gestione dei progetti o aggiungere un blocco “riassumi le note della riunione” al proprio processo di revisione settimanale. I blocchi gestiscono la complessità dell’AI dietro le quinte mentre presentano ai clienti interfacce semplici e familiari.

La curva di apprendimento è intenzionalmente minima. Abbiamo visto team implementare con successo 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 automaticamente analizzati per il sentimento e vengono estratti temi chiave, tutto senza scrivere una sola riga di codice.

L’idea chiave è che le persone non hanno bisogno di capire come funziona l’AI per trarne vantaggio. 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 già hanno sui loro flussi di lavoro.

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

I nostri lanci più recenti rappresentano un approccio globale all’AI sul 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 dai gestionali 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 esatte 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 e il tracciamento del lavoro per eseguirlo in modo più intelligente. Invece di organizzare solo 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.

Ciò che li rende diversi dagli assistenti tradizionali è la loro profonda integrazione con il contesto di lavoro reale e la loro focalizzazione 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. Cosa significa questo 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 la nostra AI trasparente. 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 sicuro della previsione.

Questa enfasi 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 l’AI suggerisce, ma anche perché lo fa.

L’equilibrio tra trasparenza e potenza si riduce a una divulgazione stratificata. Forniamo immediati insight azionabili a livello di superficie, ma i clienti possono scavare 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 li rende più disposti a sfruttarne appieno le capacità.

Con oltre 46 milioni di azioni AI ora 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 mi sorprende costantemente. Abbiamo visto un wedding planner utilizzare AI Blocks per categorizzare automaticamente le risposte dei fornitori ed estrarre dettagli chiave come 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 d’uso particolarmente creativo è stato un gruppo di ristoranti che ha utilizzato la nostra AI per analizzare i feedback dei clienti in tutti i locali e segnalare automaticamente potenziali problemi di sicurezza alimentare rilevando modelli nelle lamentele. Hanno essenzialmente creato un sistema di allarme precoce per problemi operativi.

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

Anche servi come scout per Sequoia Capital, investendo in startup AI di prima fase. Da quel punto di vista, 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 e i punti deboli degli utenti. Costruiscono demo impressionanti che mostrano le capacità dell’AI, ma falliscono nel risolvere problemi reali nel modo in cui le persone lavorano realmente.

Un altro problema frequente è promettere troppo presto l’autonomia dell’AI. 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, soprattutto 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 nell’affrontare 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 responsabili delle decisioni che potrebbero essere scettici sull’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 la collaborazione contestuale piuttosto che la pura autonomia. Il futuro non è costituito da agenti autonomi che prendono decisioni indipendenti, ma da agenti che capiscono profondamente il contesto e possono prendere livelli appropriati di azione in base alla situazione e alle preferenze degli utenti.

Stiamo andando verso agenti che possano 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 un’evoluzione significativa 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 le limitazioni 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 dell’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 degli utenti reali. Questo apprendimento bidirezionale è cruciale per creare funzionalità AI che sembrano naturali e non aggiunte.

Da una prospettiva GTM, i nostri team sono coinvolti nel processo di sviluppo fin dal primo giorno. 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 conoscenza influenza direttamente sia il design del prodotto che l’implementazione tecnica.

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

Il prossimo passo avanti probabilmente si verificherà all’intersezione delle interfacce di collaborazione uomo-macchina. 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 passo avanti non sarà nel rendere l’AI più autonoma, ma nel rendere la collaborazione uomo-macchina più fluida e naturale. Ciò include progressi 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 e contestuale che possa capire 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 abiliterà intere nuove categorie di applicazioni.

Ma onestamente, i passi avanti più emozionanti potrebbero provenire da direzioni inaspettate. Proprio come i trasformatori sono emersi dai meccanismi di attenzione nella traduzione neurale della macchina, il prossimo passo avanti significativo potrebbe provenire dal risolvere un problema apparentemente ristretto che ha 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.