Assaf Elovic, sjef for AI i monday.com – Intervju-serie

Assaf Elovic, sjef for AI i monday.com – er en teknolog, gründer og investor i forkant av AI-innovasjon. Han skapte GPT Researcher, den første dype forskningsagenten med over 20 000 GitHub-stjerner, og var med å grunnlegge Tavily, en ledende søkemotor for LLM-er. Hos monday.com leder han selskapets AI-strategi over produkt, ingeniørarbeid, design og markedsføring, samt fungerer som en Sequoia Capital-speider, som rådgiver og investerer i tidlige AI-startups. Hans karriere spenner over produktutvikling, R&D-ledelse og skaling av globale team, med en konstant fokus på å bygge transformative AI-produkter og fremme den neste bølgen av AI-drevne selskaper.

monday.com er en ledende arbeidsoperasjonssystem som gir team mulighet til å håndtere prosjekter, arbeidsflyter og samarbeid på en høyt tilpassbar måte. Det er en pålitelig plattform for organisasjoner verden over, som integrerer AI-drevne automatisering, analyser og sammenhengende koordinering mellom team for å øke produktivitet og akselerere beslutningsprosesser. Med løsninger som spenner over prosjektledelse, CRM, produktutvikling og markedsføring, har monday.com blitt en sentral hub for bedrifter som søker å skalerer effektivt og innovere raskere.

Du har ledet AI-innsatsen i noen av de mest dynamiske selskapene i teknologi, inkludert Wix og nå monday.com—hva var det som først trakk deg personlig til utfordringen med å bygge intelligente systemer?

Min reise inn i AI begynte under chatbot-boomen i 2015. Jeg hadde en interaksjon med en AI-bot som kunne virkelig forstå intensjon; det føltes som magi. Dette var ikke bare en nysgjerrighet; det løste virkelige problemer som å booke avtaler og svare på komplekse spørsmål. Denne øyeblikket antente min nysgjerrighet om hvordan disse systemene fungerte.

Hva som virkelig trakk meg inn var å innse hvor tilgjengelig AI hadde blitt. Noen verktøy og API-er gjorde det mulig for utviklere å bygge robuste applikasjoner uten å trenger en PhD i maskinlæring. De endelige mulighetene var spennende, og jeg visste jeg ville bidra til denne transformasjonen. Siden da har jeg vært dedikert til å bygge AI-produkter som løser virkelige utfordringer og forbedrer menneskers liv.

Utfordringen med å bygge intelligente systemer tiltaler meg fordi det befinner seg i skjæringspunktet mellom kreativitet og banebrytende teknologi. Hvert prosjekt er som å løse et nytt puslespill; du må forstå ikke bare de tekniske evnene, men også hvordan mennesker faktisk arbeider og hva de trenger.

Før du ble med i monday.com, skapte du åpne kildeverktøy som GPT Researcher som resonnerte med utviklere og forskere like. Hvordan har disse grunnleggende, community-drevne erfaringer formet din tilnærming til å bygge bedrifts-AI-produkter i dag?

Den åpne kilde-erfaringen lærte meg uvurderlige leksjoner om å bygge for virkelige brukerbehov fremfor teoretiske. Når du bygger åpent, får du umiddelbar, ufiltret tilbakemelding fra utviklere som faktisk prøver å løse problemer. Dette lærte meg å fokusere på praktisk nytte fremfor imponerende demoer.

Arbeidet med communityen forsterket også viktigheten av å gjøre AI tilgjengelig. Mange av utviklerne som brukte disse verktøyene var ikke AI-spesialister – de bygde applikasjoner og trengte AI-evner som var pålitelige og enkle å integrere. Denne erfaringen påvirker direkte hvordan vi nærmer oss AI Blocks i monday.com: å gjøre kraftfulle AI-evner tilgjengelige for ikke-tekniske kunder gjennom intuitive grensesnitt.

Tidligere i år, monday.com avduket nylig en dristig ny AI-visjon med tre søyler: AI Blocks, Product Power-ups og en Digital Arbeidsstyrke. Hvordan kom denne rammen sammen, og hva gap i markedet prøver du å fylle?

Vår AI-visjon oppstod fra å observere en grunnleggende utfordring: organisasjoner av alle størrelser ønsker å utnytte AI, men de fleste løsningene krever betydelig teknisk ekspertise eller er for stive for diverse forretningsbehov. Vi så at mennesker ikke bare søkte etter en annen AI-assistent; de trengte AI som kunne sammenhengende integreres i deres eksisterende arbeidsflyter og tilpasse seg deres spesifikke prosesser. Til slutt fokuserer vi nå på å hjelpe mennesker å få arbeid gjort med AI, en skifte fra å hjelpe mennesker med å håndtere arbeid.

Gappen vi fyller er rommet mellom enkle AI-verktøy og komplekse bedriftsløsninger. Mange bedrifter faller inn i en midterom hvor de trenger mer enn grunnleggende automatisering, men kan ikke berettige eller implementere tungvektige AI-systemer. Vår tre-søyle-tilnærming gir organisasjoner fleksibiliteten til å starte enkelt med blokker, forbedre produktene med power-ups og til slutt bygge sofistikerte digitale arbeidsstyrker.

Siden lanseringen har vi presset sterkt over alle vertikaler med betydelig vekst i antall brukere og betalende kunder.

Vi har også introdusert “vibe coding”-produkter som retter seg mot vår misjon om å demokratisere programvare. Med de siste fremgangene i AI har det aldri vært enklere å bygge fullstendige applikasjoner med enkel naturlig språk. Våre siste produkter som monday vibe og magic kan muliggjøre at enhver ikke-teknisk bruker kan utnytte monday-økosystemet til å bygge tilpassede applikasjoner for arbeid.

Kan du gå gjennom hvordan AI Blocks fungerer i praksis? Hva er læringkurven for ikke-tekniske brukere som prøver å integrere disse verktøyene i deres daglige arbeidsflyter?

AI Blocks er designet for å være like intuitive som byggeklosser – derav navnet. I praksis kan en bruker dra en “uttrekk deadlines”-blokk inn i sin prosjektledelsesarbeidsflyt, eller legge til en “summering av møtenotater”-blokk i sin ukentlige gjennomgangsprosess. Blokkene håndterer AI-kompleksiteten bak scenen mens de presenterer kundene med enkle, familiære grensesnitt.

Læringkurven er bevisst minimal. Vi har sett at team kan implementere AI Blocks innen sin første sesjon. For eksempel kan et markedsførings-team skape en arbeidsflyt hvor sosiale medie-omtaler automatisk analyseres for holdninger og nøkkeltemaer trekkes ut, alt uten å skrive en enkelt linje med kode.

Den viktigste innsikten er at mennesker ikke trenger å forstå hvordan AI fungerer for å dra nytte av det. De trenger bare å forstå sine egne prosesser godt nok til å identifisere hvor automatisering ville hjelpe. Vi har designet blokkene til å matche de mentale modellene mennesker allerede har om sine arbeidsflyter.

Du har nylig lansert en rekke AI-drevne verktøy, inkludert monday magic, monday vibe og monday sidekick. Hva gjør disse produktene forskjellige fra tradisjonelle assistenter eller copiloter, og hva rolle ser du for dem å spille over bransjene?

Våre siste utgaver representerer en omfattende tilnærming til arbeidsplassen AI som går utenfor tradisjonelle assistenter. Hver evne tjener en distinkt formål mens de fungerer sammen som et integrert økosystem som fundamentalt transformerer hvordan team opererer, og konsoliderer vår skifte fra arbeidsledelse til arbeidsutførelse for våre kunder.

monday magic bringer intelligent automatisering til arbeidsflyter, ved å bruke AI til å forutsi behov og automatisere komplekse prosesser før brukerne engang innser at de trenger dem.

monday vibe er en “vibe coding”-plattform som muliggjør at alle kan bygge sikre, tilpassede forretningsapper tilpasset deres teams eksakte behov. Og monday sidekick fungerer som din kontekstuelle AI-kompanjong, som forstår dine spesifikke arbeidsmønster og gir proaktiv assistanse tilpasset din rolle og ansvar.

Sammen flytter disse evnene våre kunder bort fra å bare håndtere og spore arbeid til å faktisk utføre det mer intelligently. Istedenfor å bare organisere oppgaver og overvåke fremgang, kan team nå stole på AI til å optimere ytelse, forutsi utfordringer og iverksette handlinger automatisk. Denne skiftet fra passiv ledelse til aktiv utførelse er transformerende; det betyr mindre tid brukt på administrative oppgaver og mer tid fokusert på høyverdiarbeid som driver resultater.

Hva som gjør disse forskjellige fra tradisjonelle assistenter er deres dype integrasjon med faktisk arbeidskontekst og deres fokus på proaktiv støtte fremfor reaktiv. Mens de fleste AI-assistenter venter på at du skal stille spørsmål, observerer vårt suite mønster, forutsier behov og iverksetter handlinger innenfor dine etablerte arbeidsflyter og tillatelser.

monday.com betoner forklarbarhet og brukeropplevelse, ikke bare rå modell-ytelse. Hva ser dette ut som bak scenen, og hvordan balanserer du gjennomsiktighet med kraft?

Forklarbarhet er grunnleggende for å bygge tillit, spesielt i bedriftsmiljøer hvor beslutninger har virkelige konsekvenser. Bak scenen investerer vi tungt i å gjøre vår AI’s begrunnelser gjennomsiktige. Når vår Risiko-analyser flagger en potensiell prosjektforsinkelse, flagger den ikke bare en advarsel; den viser eksakt hvilke faktorer bidro til den vurderingen og hvor sikker den er på prediksjonen.

Dette fokus kom fra erfaring. Tidlige AI-systemer føltes ofte som svarte bokser, noe som gjorde kundene motvillige til å stole på dem for viktige beslutninger. Vi lærte at kundene trenger å forstå ikke bare hva AI foreslår, men hvorfor det foreslår det.

Balansen mellom gjennomsiktighet og kraft kommer ned til lagdelt avsløring. Vi tilbyr umiddelbare, handlebare innsikter på overflaten, men kundene kan grave ned for å se den detaljerte begrunnelsen når de trenger det. Denne tilnærmingen bygger tillit mens den opprettholder brukervennlighet – kundene stoler mer på systemet når de forstår det, noe som paradoksalt gjør dem mer villige til å utnytte dets fulle evner.

Med over 46 millioner AI-handlinger nå utført på plattformen, hva er noen av de mest overraskende eller kreative måtene kundene har brukt AI?

Kreativiteten til våre kunder forbløffer meg stadig. Vi har sett en bryllupsplanlegger bruke AI Blocks til å automatisk kategorisere leverandør-svar og trekke ut nøkkelinformasjon som priser og tilgjengelighetsdatoer. Et forskningsteam skapte en arbeidsflyt som analyserer akademiske artikler og automatisk populerer en database med nøkkel funn og metode-notater.

En særlig kreativ brukssak var en restaurantkjede som brukte vår AI til å analysere kunde-tilbakemeldinger over lokasjoner og automatisk flagge potensielle mat-sikkerhetsproblemer ved å detektere mønster i klager. De skapte essensielt en tidlig advarselssystem for operasjonelle problemer.

Hva som er overraskende er hvordan kundene kombinerer enkle blokker på sofistikerte måter. De automatiserer ikke bare individuelle oppgaver; de redesigner hele prosesser rundt AI-evner vi aldri eksplisitt designet for deres spesifikke brukssaker.

Du tjener også som en speider for Sequoia Capital, og investerer i tidlige AI-startups. Fra den vinkel, hva vanlige feil gjør gründere når de bygger AI-første produkter?

Den vanligste feilen jeg ser er at gründerne blir forført av de tekniske mulighetene i AI uten å dypt forstå brukerens faktiske arbeidsflyt og smerte-punkter. De bygger imponerende demoer som viser AI-evner, men mislykkes i å løse virkelige problemer på måten mennesker faktisk arbeider.

En annen hyppig problem er å love for mye om AI-autonomi for tidlig. Mange gründere ønsker å bygge fullstendig autonome systemer når kundene faktisk trenger samarbeidsverktøy. Mennesker ønsker AI til å forbedre deres evner, ikke erstatte deres dømmekraft, spesielt i høyrisiko-forretningsbeslutninger.

Det er også en tendens til å undervurdere viktigheten av tillit og forklarbarhet. Gründere fokuserer ofte på nøyaktighets-målinger, men neglisjerer brukeropplevelsen i å håndtere usikkerhet og feil. I bedriftskontekster, spesielt, trenger kundene å forstå når og hvorfor de skal stole på AI-anbefalinger.

Til slutt kjemper mange AI-første startups med distribusjon. Å ha god AI-teknologi er ikke nok; du må forstå hvordan du integrerer det i eksisterende arbeidsflyter og demonstrere tydelig ROI til beslutningstakere som kan være skeptiske til AI-hype.

Hvordan tror du AI-agenter vil utvikle seg over de neste årene – vil de bli mer autonome, mer spesialiserte eller noe helt annet?

Vi vil se AI-agenter utvikle seg mot kontekstuell samarbeid fremfor ren autonomi. Fremtiden er ikke fullstendig autonome agenter som tar uavhengige beslutninger, men agenter som dypt forstår kontekst og kan iverksette passende nivåer av handling basert på situasjonen og brukerpreferanser.

Vi beveger oss mot agenter som kan håndtere rutine-beslutninger autonomt mens de sammenhengende eskalerer komplekse eller tvetydige situasjoner til mennesker. Dette krever en sofistikert forståelse av kontekst, risikovurdering og bruker-intensjon, evner som raskt forbedres.

Jeg forventer også betydelig utvikling i multi-agent-koordinering. Istedenfor monolittiske AI-assistenter vil vi se spesialiserte agenter som samarbeider med hverandre og med mennesker i dynamiske team. Din forskningsagent kan arbeide med din planleggingsagent og din kommunikasjonsagent for å koordinere et komplekst prosjekt-lansering.

Den viktigste utviklingen vil være i menneske-AI-grensesnittet. Agenter vil bli bedre til å kommunisere sin begrunnelse, uttrykke usikkerhet og tilpasse seg individuelle arbeidsstiler. Målet er sammenhengende samarbeid hvor grensene mellom menneskelig og AI-bidrag blir mindre viktige enn den kollektive utfallet.

Internt, hvordan strukturerer du samarbeidet mellom dine AI-, produkt-, design- og GTM-team for å sikre at AI er sammenhengende integrert i brukeropplevelsen?

Suksessfull AI-produktutvikling krever å bryte ned tradisjonelle siloer og skape en felles forståelse over alle team. Vi har funnet at nøklen er å etablere en felles språk om AI-evner og begrensninger som alle kan bruke, fra ingeniører til designere til markedsførere.

Vår prosess starter med tverrfaglige oppdagelsessesjoner hvor vi utforsker brukerproblemer sammen før vi diskuterer tekniske løsninger. Dette forhindrer den vanlige feilen med å lede med AI-evner og deretter lete etter problemer å løse.

Vi investerer også tungt i prototyping og bruker-testing gjennom hele utviklingsprosessen. Design- og produktteam arbeider tett med AI-ingeniører for å forstå hva som er mulig, mens AI-team lærer om virkelige bruker-begrensninger og preferanser. Denne to-veiskommunikasjonen er avgjørende for å skape AI-funksjoner som føles naturlige fremfor pådyttet.

Fra en GTM-perspektiv er våre team integrert i utviklingsprosessen fra dag én. De hjelper oss å forstå ikke bare hva kundene ønsker, men hvordan de tenker om AI, hva bekymringer de har, og hvordan de foretrekker å lære om nye evner. Denne innsikten påvirker direkte både produkt-design og teknisk implementering.

Til slutt, som en brobygger mellom åpen kilde, bedrifts-AI og VC, hvor tror du den neste store AI-gjennombruddet vil skje – i verktøy, infrastruktur eller noe vi ikke ser på ennå?

Det neste gjennombruddet vil sannsynligvis skje i skjæringspunktet mellom menneske-AI-samarbeids-grensesnitt. Vi har gjort enorme fremgang i modell-kapasiteter, men vi er fortsatt i de tidlige stadiene av å finne ut hvordan mennesker og AI-systemer kan arbeide sammen mest effektivt.

Gjennombruddet vil ikke være i å gjøre AI mer autonom, men i å gjøre menneske-AI-samarbeid mer flytende og naturlig. Dette inkluderer fremgang i hvordan AI-systemer kommuniserer usikkerhet, hvordan de tilpasser seg individuelle arbeidsstiler og hvordan de koordinerer med multiple mennesker og andre AI-systemer samtidig.

Fra et infrastruktur-perspektiv ser jeg på utviklingen av sanntids-, kontekstuell AI som kan forstå og iverksette dynamiske informasjonsstrømmer. Evnen til å bygge AI-systemer som opprettholder kontekst over lange tids-horisontaler og multiple interaksjonstyper vil muliggjøre helt nye kategorier av applikasjoner.

Men ærlig talt, de mest spennende gjennombruddene kan komme fra uventede retninger. Like som transformers oppstod fra oppmerksomhets-mekanismer i neuralt maskin-oversettelse, kan det neste betydelige fremsteget komme fra å løse et tilsynelatende smalt problem som har bred anvendelse. Nøklen er å opprettholde den nybegynnerens sinn og å forbli åpen for muligheter vi ennå ikke har forestilt oss.