Assaf Elovic, Chefe de IA da monday.com – Série de Entrevistas

Você liderou esforços de IA em algumas das empresas mais dinâmicas de tecnologia, incluindo Wix e agora monday.com—o que o atraiu pessoalmente para o desafio de construir sistemas inteligentes?

Minha jornada na IA começou durante o boom dos chatbots em 2015. Tive uma interação com um bot de IA que realmente conseguia entender intenções; parecia mágica. Não era apenas uma novidade; estava resolvendo problemas reais, como agendar consultas e responder a perguntas complexas. Aquele momento despertou minha curiosidade sobre como esses sistemas funcionavam.

O que realmente me atraiu foi perceber o quão acessível a IA havia se tornado. Algumas ferramentas e APIs possibilitaram que desenvolvedores criassem aplicativos robustos sem a necessidade de um doutorado em aprendizado de máquina. As infinitas possibilidades eram empolgantes, e eu sabia que queria contribuir para essa transformação. Desde então, tenho me dedicado a desenvolver produtos de IA que solucionem desafios do mundo real e melhorem a vida das pessoas.

O desafio de construir sistemas inteligentes me atrai porque se situa na intersecção entre criatividade e tecnologia de ponta. Cada projeto é como resolver um novo quebra-cabeça; é preciso entender não apenas as capacidades técnicas, mas também como as pessoas realmente trabalham e o que elas precisam.

Antes de ingressar monday.com, você criou ferramentas de código aberto como o GPT Researcher, que repercutiram entre desenvolvedores e pesquisadores. Como essas experiências de base, impulsionadas pela comunidade, moldaram sua abordagem para o desenvolvimento de produtos de IA empresarial hoje?

A experiência com o código aberto me ensinou lições valiosas sobre como construir para as necessidades reais do usuário, em vez de apenas teóricas. Quando você constrói em código aberto, recebe feedback imediato e sem filtros de desenvolvedores que estão realmente tentando resolver problemas. Isso me ensinou a focar na utilidade prática em vez de demonstrações impressionantes.

Trabalhar com a comunidade também reforçou a importância de tornar a IA acessível. Muitos dos desenvolvedores que utilizavam essas ferramentas não eram especialistas em IA — eles estavam desenvolvendo aplicativos e precisavam de recursos de IA confiáveis ​​e fáceis de integrar. Essa experiência influencia diretamente a forma como abordamos os Blocos de IA na monday.com: disponibilizando recursos poderosos de IA para clientes sem conhecimento técnico por meio de interfaces intuitivas.

No início deste ano, monday.com revelou recentemente uma nova e ousada visão de IA com três pilares: Blocos de IA, Power-ups de Produto e uma Força de Trabalho Digital. Como essa estrutura surgiu e qual lacuna no mercado vocês estão tentando preencher?

Nossa visão de IA surgiu da observação de um desafio fundamental: organizações de todos os portes querem aproveitar a IA, mas a maioria das soluções exige expertise técnica significativa ou é rígida demais para as diversas necessidades de negócios. Percebemos que as pessoas não buscavam apenas mais um assistente de IA; elas precisavam de uma IA que pudesse se integrar perfeitamente aos seus fluxos de trabalho existentes e se adaptar aos seus processos específicos. Por fim, agora estamos nos concentrando em ajudar as pessoas a realizarem seu trabalho com IA, uma mudança em relação a ajudar as pessoas a gerenciar o trabalho.

A lacuna que estamos preenchendo é a distância entre ferramentas simples de IA e soluções corporativas complexas. Muitas empresas se encontram em um meio-termo, onde precisam de mais do que automação básica, mas não conseguem justificar ou implementar sistemas de IA robustos. Nossa abordagem de três pilares oferece às organizações a flexibilidade para começar de forma simples, com blocos, aprimorar seus produtos com power-ups e, eventualmente, construir forças de trabalho digitais sofisticadas.

Desde o lançamento, temos atuado fortemente em todos os setores, com crescimento significativo na adoção e no número de usuários pagantes.

Também introduzimos produtos de "codificação Vibe", que visam à nossa missão de democratizar o software. Com os avanços mais recentes em IA, nunca foi tão fácil criar aplicativos completos com linguagem natural simples. Nossos produtos mais recentes, como o Monday Vibe e o Magic, permitem que qualquer usuário sem conhecimento técnico aproveite o ecossistema do Monday para criar aplicativos personalizados para o trabalho.

Você pode nos explicar como os Blocos de IA funcionam na prática? Qual é a curva de aprendizado para usuários sem conhecimento técnico que tentam integrar essas ferramentas em seus fluxos de trabalho diários?

Os Blocos de IA são projetados para serem tão intuitivos quanto blocos de construção — daí o nome. Na prática, um usuário pode arrastar um bloco "extrair prazos" para o seu fluxo de trabalho de gerenciamento de projetos ou adicionar um bloco "resumir notas de reunião" ao seu processo de revisão semanal. Os blocos lidam com a complexidade da IA ​​nos bastidores, ao mesmo tempo em que apresentam aos clientes interfaces simples e familiares.

A curva de aprendizado é intencionalmente mínima. Vimos equipes implementarem Blocos de IA com sucesso já na primeira sessão. Por exemplo, uma equipe de marketing pode criar um fluxo de trabalho em que menções em mídias sociais são analisadas automaticamente em busca de sentimentos e temas-chave são extraídos, tudo sem precisar escrever uma única linha de código.

A principal conclusão é que as pessoas não precisam entender como a IA funciona para se beneficiar dela. Elas só precisam entender seus próprios processos bem o suficiente para identificar onde a automação ajudaria. Projetamos os blocos para corresponder aos modelos mentais que as pessoas já têm sobre seus fluxos de trabalho.

Você lançou recentemente um conjunto de ferramentas com tecnologia de IA, incluindo o Monday Magic, o Monday Vibe e o Monday Sidekick. O que diferencia esses produtos dos assistentes ou copilotos tradicionais, e qual o papel que você imagina que eles desempenharão em todos os setores?

Nossos lançamentos mais recentes representam uma abordagem abrangente à IA no local de trabalho que vai além dos assistentes tradicionais. Cada recurso atende a um propósito específico, trabalhando em conjunto como um ecossistema integrado que transforma fundamentalmente a forma como as equipes operam, consolidando nossa transição da gestão do trabalho para a execução do trabalho para nossos clientes.

O Monday Magic traz automação inteligente aos fluxos de trabalho, usando IA para prever necessidades e automatizar processos complexos antes mesmo que os usuários percebam que precisam deles. O Monday Vibe é uma plataforma de codificação Vibe que permite a qualquer pessoa criar aplicativos de negócios seguros e personalizados, adaptados às necessidades exatas de sua equipe. E o Monday Sidekick atua como seu companheiro de IA contextual, entendendo seus padrões de trabalho específicos e fornecendo assistência proativa adaptada à sua função e responsabilidades.

Juntos, esses recursos levam nossos clientes além da simples gestão e acompanhamento do trabalho para a execução mais inteligente. Em vez de apenas organizar tarefas e monitorar o progresso, as equipes agora podem contar com a IA para otimizar o desempenho, antecipar desafios e agir automaticamente. Essa mudança da gestão passiva para a execução ativa é transformadora; significa menos tempo gasto em despesas administrativas e mais tempo focado em trabalhos de alto valor que geram resultados.

O que os diferencia dos assistentes tradicionais é a profunda integração com o contexto de trabalho real e o foco no suporte proativo, em vez de reativo. Enquanto a maioria dos assistentes de IA espera que você faça perguntas, nossa suíte observa padrões, antecipa necessidades e age de acordo com seus fluxos de trabalho e permissões estabelecidos.

monday.com enfatiza a explicabilidade e a experiência do usuário, não apenas o desempenho bruto do modelo. Como isso se manifesta nos bastidores e como você equilibra transparência com poder?

A explicabilidade é fundamental para construir confiança, especialmente em ambientes corporativos onde as decisões têm consequências reais. Nos bastidores, investimos pesado para tornar o raciocínio da nossa IA transparente. Quando nosso Analisador de Riscos sinaliza um possível atraso no projeto, ele não apenas emite um alerta; ele mostra exatamente quais fatores contribuíram para essa avaliação e o nível de confiança na previsão.

Esse foco veio da experiência. Os primeiros sistemas de IA muitas vezes pareciam caixas-pretas, o que fazia com que os clientes hesitassem em confiar neles para decisões importantes. Aprendemos que os clientes precisam entender não apenas o que a IA está sugerindo, mas também por que ela está fazendo essa sugestão.

O equilíbrio entre transparência e poder se resume à divulgação em camadas. Fornecemos insights imediatos e acionáveis ​​em um nível superficial, mas os clientes podem se aprofundar para ver o raciocínio detalhado quando necessário. Essa abordagem gera confiança, mantendo a usabilidade — os clientes confiam mais no sistema quando o entendem, o que, paradoxalmente, os torna mais dispostos a aproveitar todos os seus recursos.

Com mais de 46 milhões de ações de IA realizadas na plataforma, quais são algumas das maneiras mais surpreendentes ou criativas que os clientes têm usado?

A criatividade dos nossos clientes me surpreende constantemente. Vimos um organizador de casamentos usar Blocos de IA para categorizar automaticamente as respostas dos fornecedores e extrair detalhes importantes, como preços e datas de disponibilidade. Uma equipe de pesquisa criou um fluxo de trabalho que analisa artigos acadêmicos e preenche automaticamente um banco de dados com as principais descobertas e notas metodológicas.

Um caso de uso particularmente criativo foi o de uma rede de restaurantes que utilizou nossa IA para analisar o feedback dos clientes em diferentes locais e sinalizar automaticamente possíveis problemas de segurança alimentar, detectando padrões nas reclamações. Eles basicamente criaram um sistema de alerta precoce para problemas operacionais.

O surpreendente é como os clientes combinam blocos simples de maneiras sofisticadas. Eles não estão apenas automatizando tarefas individuais; eles estão redesenhando processos inteiros em torno de recursos de IA que nunca projetamos explicitamente para seus casos de uso específicos.

Você também atua como olheiro na Sequoia Capital, investindo em startups de IA em estágio inicial. A partir dessa perspectiva, quais erros comuns os fundadores cometem ao desenvolver produtos que priorizam a IA?

O erro mais comum que vejo é fundadores se deixando seduzir pelas possibilidades técnicas da IA ​​sem entender profundamente o fluxo de trabalho real e os pontos problemáticos do usuário. Eles criam demonstrações impressionantes que demonstram os recursos da IA, mas não conseguem resolver problemas reais na forma como as pessoas realmente trabalham.

Outro problema frequente é prometer autonomia da IA ​​muito cedo. Muitos fundadores querem construir sistemas totalmente autônomos quando os clientes realmente precisam de ferramentas colaborativas. As pessoas querem que a IA amplie suas capacidades, não substitua seu julgamento, especialmente em decisões de negócios de alto risco.

Há também uma tendência a subestimar a importância da confiança e da explicabilidade. Os fundadores frequentemente se concentram em métricas de precisão, mas negligenciam a experiência do usuário ao lidar com incertezas e erros. Em contextos corporativos, especialmente, os clientes precisam entender quando e por que confiar nas recomendações de IA.

Por fim, muitas startups que priorizam a IA enfrentam dificuldades com a distribuição. Ter uma ótima tecnologia de IA não basta; é preciso entender como integrá-la aos fluxos de trabalho existentes e demonstrar um ROI claro aos tomadores de decisão que podem ser céticos em relação à propaganda enganosa da IA.

Como você acha que os agentes de IA evoluirão nos próximos anos — eles se tornarão mais autônomos, mais especializados ou algo completamente diferente?

Veremos os agentes de IA evoluírem em direção à colaboração contextual, em vez da autonomia pura. O futuro não são agentes totalmente autônomos tomando decisões independentes, mas sim agentes que compreendem profundamente o contexto e podem tomar medidas apropriadas com base na situação e nas preferências do usuário.

Estamos caminhando para agentes capazes de lidar com decisões rotineiras de forma autônoma, ao mesmo tempo em que encaminham situações complexas ou ambíguas para humanos sem dificuldades. Isso requer uma compreensão sofisticada do contexto, da avaliação de riscos e da intenção do usuário, capacidades que estão melhorando rapidamente.

Também espero uma evolução significativa na coordenação multiagente. Em vez de assistentes de IA monolíticos, veremos agentes especializados que colaboram entre si e com humanos em equipes dinâmicas. Seu agente de pesquisa pode trabalhar com seu agente de agendamento e seu agente de comunicação para coordenar o lançamento de um projeto complexo.

A principal evolução estará na interface entre humanos e IA. Os agentes se tornarão mais hábeis em comunicar seus raciocínios, expressar incertezas e se adaptar a estilos de trabalho individuais. O objetivo é uma colaboração fluida, onde os limites entre as contribuições humanas e da IA ​​se tornem menos importantes do que o resultado coletivo.

Internamente, como você estrutura a colaboração entre suas equipes de IA, produto, design e GTM para garantir que a IA esteja perfeitamente incorporada à experiência do usuário?

O desenvolvimento bem-sucedido de produtos de IA exige a quebra de silos tradicionais e a criação de um entendimento compartilhado entre todas as equipes. Descobrimos que a chave é estabelecer uma linguagem comum sobre os recursos e limitações da IA ​​que todos possam usar, de engenheiros a designers e profissionais de marketing.

Nosso processo começa com sessões de descoberta multifuncionais, nas quais exploramos os problemas dos usuários em conjunto antes de discutir soluções técnicas. Isso evita o erro comum de começar com recursos de IA e depois procurar problemas para resolver.

Também investimos fortemente em prototipagem e testes com usuários durante todo o processo de desenvolvimento. As equipes de design e produto trabalham em estreita colaboração com engenheiros de IA para entender o que é possível, enquanto as equipes de IA aprendem sobre as restrições e preferências reais dos usuários. Esse aprendizado bidirecional é crucial para criar recursos de IA que pareçam naturais, em vez de agregadas.

Da perspectiva do GTM, nossas equipes estão inseridas no processo de desenvolvimento desde o primeiro dia. Elas nos ajudam a entender não apenas o que os clientes desejam, mas também como eles pensam sobre IA, quais são suas preocupações e como preferem aprender sobre novos recursos. Essa percepção influencia diretamente tanto o design do produto quanto a implementação técnica.

Por fim, como alguém que faz a ponte entre código aberto, IA empresarial e capital de risco, onde você acha que o próximo grande avanço da IA ​​acontecerá: em ferramentas, infraestrutura ou algo que ainda nem estamos analisando?

O próximo avanço provavelmente acontecerá na interseção das interfaces de colaboração entre humanos e IA. Fizemos um progresso incrível nas capacidades dos modelos, mas ainda estamos nos estágios iniciais de descobrir como humanos e sistemas de IA podem trabalhar juntos de forma mais eficaz.

O avanço não será tornar a IA mais autônoma, mas sim tornar a colaboração entre humanos e IA mais fluida e natural. Isso inclui avanços na forma como os sistemas de IA comunicam incertezas, como se adaptam a estilos de trabalho individuais e como se coordenam com múltiplos humanos e outros sistemas de IA simultaneamente.

Do ponto de vista da infraestrutura, estou observando o desenvolvimento de IA contextual em tempo real, capaz de compreender e atuar em fluxos dinâmicos de informações. A capacidade de construir sistemas de IA que mantenham o contexto em horizontes de tempo longos e em múltiplos tipos de interação possibilitará categorias de aplicações inteiramente novas.

Mas, honestamente, os avanços mais empolgantes podem vir de direções inesperadas. Assim como os transformadores surgiram a partir de mecanismos de atenção na tradução automática neural, o próximo avanço significativo pode vir da solução de um problema aparentemente limitado, mas com amplas aplicações. O segredo é manter essa mentalidade de iniciante e permanecer aberto a possibilidades que ainda não imaginamos.

Obrigado pela ótima entrevista, os leitores que desejam saber mais devem visitar monday.com.<