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

Du har ledet AI-tiltak 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 var løsning av reelle 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 trenge en PhD i maskinlæring. De endeløse mulighetene var spennende, og jeg visste at jeg ville bidra til denne transformasjonen. Siden da har jeg vært dedikert til å bygge AI-produkter som løser reelle utfordringer og forbedrer menneskers liv.

Utfordringen med å bygge intelligente systemer tiltaler meg fordi det ligger i skjæringspunktet mellom kreativitet og banebrytende teknologi. Hvert prosjekt er som å løse en ny puslespill; du må forstå ikke bare de tekniske mulighetene, 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 resonerte med utviklere og forskere like. Hvordan har disse grunnleggende, samfunnsdrevne erfaringene formet din tilnærming til å bygge bedrifts-AI-produkter i dag?

Den åpne kilde-erfaringen lærte meg uvurderlige leksjoner om å bygge for reelle brukerbehov fremfor teoretiske behov. 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 demonstrasjoner.

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

Tidligere i år monday.com avduket et nytt AI-visjon med tre søyler: AI-blokker, Produkt 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 lette 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 å håndtere arbeid.

Gappen vi fyller er rommet mellom enkle AI-verktøy og komplekse bedriftsløsninger. Mange bedrifter faller i en midterposisjon der de trenger mer enn grunnleggende automatisering, men kan ikke rettferdiggjøre eller implementere tungvektige AI-systemer. Vår tredelt tilnærming gir organisasjonene mulighet til å starte enkelt med blokker, forbedre produktene med power-ups og til slutt bygge sofistikerte digitale arbeidsstyrker.

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

Vi har også introdusert “vibe-koding”-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 enkle, naturlige språk. Våre siste produkter som monday vibe og magic kan aktivere enhver ikke-teknisk bruker til å utnytte Monday-økosystemet til å bygge tilpassede applikasjoner for arbeid.

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

AI-blokker er designet til 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 “summer meeting notes”-blokk i sin ukentlige gjennomgangsprosess. Blokkene håndterer AI-kompleksiteten bak scenen samtidig som de presenterer kundene med enkle, kjente grensesnitt.

Lærekurven er bevisst minimal. Vi har sett team som har implementert AI-blokker innen sin første sesjon. For eksempel kan et markedsførings-team skape en arbeidsflyt der sosiale medier-omtaler automatisk analyseres for holdning og nøkkeltemaer trekkes ut, alt uten å skrive en enkelt kode-linje.

Hovedinnsikten 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 deres 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 over hele industrien?

Våre siste utgaver representerer en omfattende tilnærming til arbeidsplassen AI som går utenfor tradisjonelle assistenter. Hver funksjon tjener en distinkt formål samtidig som de fungerer sammen som et integrert økosystem som fundamentalt transformerer hvordan team opererer, og solidifiserer vår skifte fra arbeidshåndtering 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-koding-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 kapasitetene våre kunder beyond bare å håndtere og spore arbeid til å faktisk utføre det mer intelligently. Istedenfor å bare organisere oppgaver og overvåke fremgang, kan team nå avhengig av AI til å optimalisere ytelse, forutsi utfordringer og handle automatisk. Denne skiftet fra passiv håndtering 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 handler innenfor dine etablerte arbeidsflyter og tillatelser.

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

Forklarbarhet er fundamentalt for å bygge tillit, spesielt i bedriftsmiljøer der beslutninger har reelle konsekvenser. Bak scenen, investerer vi tungt i å gjøre vår AI-forståelse gjennomsiktig. Når vår Risiko-analytiker flagger en potensiell prosjektforsinkelse, gjør den ikke bare en advarsel; den viser eksakt hvilke faktorer bidro til den vurderingen og hvor sikker den er på prediksjonen.

Dette fokuset kom fra erfaring. Tidlige AI-systemer føltes ofte som svarte bokser, noe som gjorde kundene motvillige til å avhenge av 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 bore ned for å se den detaljerte begrunnelsen når de trenger det. Denne tilnærmingen bygger tillit samtidig som den opprettholder brukervennlighet – kundene stoler mer på systemet når de forstår det, noe som paradoksalt gjør dem mer villige til å utnytte dets fulle kapasiteter.

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-blokker til å automatisk kategorisere leverandør-svar og trekke ut nøkkel-detaljer som priser og tilgjengelighetsdatoer. Et forskningsteam skapte en arbeidsflyt som analyserer akademiske papirer 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 hele landet og automatisk flagge potensielle mat-sikkerhetsproblemer ved å detektere mønster i klager. De skapte i praksis en tidlig advarselssystem for operasjonelle problemer.

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

Du tjener også som en utsending for Sequoia Capital, investerer i tidlige AI-startups. Fra det utgangspunktet, hva vanlige feil gjør grunnleggere når de bygger AI-først-produkter?

Den vanligste feilen jeg ser er grunnleggere som blir forført av de tekniske mulighetene i AI uten å dypt forstå brukerens faktiske arbeidsflyt og smertepunkter. De bygger imponerende demonstrasjoner som viser AI-kapasiteter, men løser ikke reelle problemer på måten mennesker faktisk arbeider.

En annen hyppig problem er å love for mye AI-autonomi for tidlig. Mange grunnleggere ønsker å bygge fullstendig autonome systemer når kundene faktisk trenger samarbeidende verktøy. Mennesker ønsker AI som kan supplere deres evner, ikke erstatte deres dømmekraft, spesielt i høyriskede forretningsbeslutninger.

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

Til slutt kjemper mange AI-først-startups med distribusjon. Å ha god AI-teknologi er ikke nok; du må forstå hvordan du skal integrere 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 ta passende nivåer av handling basert på situasjonen og brukerpreferanser.

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

Jeg forventer også betydelig utvikling i multi-agent-koordinasjon. 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.

Hovedutviklingen 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 der grensene mellom menneskelige og AI-bidrag blir mindre viktige enn den kollektive utfallet.

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

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

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

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

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 kapasiteter. Denne innsikten påvirker direkte både produkt-design og teknisk implementering.

Til slutt, som noen som broer åpne kilde, bedrifts-AI og VC, hvor tror du den neste store AI-gjennombruddet vil skje – i verktøy, infrastruktur eller noe vi ikke ennå ser?

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 samarbeide mest effektivt.

Gjennombruddet vil ikke være å gjøre AI mer autonom, men 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 følger jeg med utviklingen av sanntids-, kontekstuell AI som kan forstå og handle på dynamiske informasjonsstrømmer. Evnen til å bygge AI-systemer som opprettholder kontekst over lange tids-horisont og multiple interaksjons-typer, 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 neurale maskin-oversettelser, kan det neste signifikante fremste skje fra å løse et tilsynelatende smalt problem som har bredde-applikasjoner. Nøkkel er å opprettholde den nybegynner-mentaliteten og å forbli åpen for muligheter vi ennå ikke har forestilt oss. Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke monday.com.