Assaf Elovic, chef för AI på monday.com – Intervjuserie

Du har lett AI-insatser på några av de mest dynamiska företagen inom tech, inklusive Wix och nu monday.com—vad var det som först drog dig personligen till utmaningen att bygga intelligenta system?

Min resa inom AI började under chatbot-boomen 2015. Jag hade en interaktion med en AI-bot som kunde förstå avsikt; det kändes som magi. Detta var inte bara en nyhet; det löste verkliga problem som att boka möten och svara på komplexa frågor. Det ögonblicket väckte min nyfikenhet om hur dessa system fungerade.

Vad som verkligen drog mig in var att inse hur tillgänglig AI hade blivit. Vissa verktyg och API:er gjorde det möjligt för utvecklare att bygga robusta applikationer utan att behöva en doktorsexamen i maskinlärning. De oändliga möjligheterna var spännande, och jag visste att jag ville bidra till denna transformation. Sedan dess har jag varit dedikerad till att bygga AI-produkter som löser verkliga utmaningar och förbättrar människors liv.

Utmaningen att bygga intelligenta system tilltalar mig eftersom det ligger vid skärningspunkten mellan kreativitet och banbrytande teknik. Varje projekt är som att lösa ett nytt pussel; du måste förstå inte bara de tekniska förmågorna utan också hur människor faktiskt arbetar och vad de behöver.

Innan du gick med i monday.com skapade du öppen källkod-verktyg som GPT Researcher som fick gensvar från utvecklare och forskare. Hur har dessa gräsrots-, community-drivna erfarenheter format din tillvägagångssätt för att bygga företags-AI-produkter idag?

Den öppna källkod-erfarenheten lärde mig ovärderliga lärdomar om att bygga för verkliga användarbehov snarare än teoretiska. När du bygger i det öppna, får du omedelbar, ofiltrerad feedback från utvecklare som faktiskt försöker lösa problem. Detta lärde mig att fokusera på praktisk nytta snarare än imponerande demoer.

Att arbeta med communityn förstärkte också vikten av att göra AI tillgänglig. Många av de utvecklare som använde dessa verktyg var inte AI-specialister – de byggde applikationer och behövde AI-funktioner som var tillförlitliga och lätta att integrera. Denna erfarenhet påverkar direkt hur vi närmar oss AI Blocks på monday.com: att göra kraftfulla AI-funktioner tillgängliga för icke-tekniska kunder genom intuitiva gränssnitt.

Tidigare i år avslöjade monday.com en ny AI-vision med tre pelare: AI Blocks, Product Power-ups och en Digital Workforce. Hur kom denna ram till och vad är det gap i marknaden som ni försöker fylla?

Vår AI-vision uppstod ur observationen av en grundläggande utmaning: organisationer av alla storlekar vill utnyttja AI, men de flesta lösningar kräver betydande teknisk expertis eller är för stela för affärsbehov. Vi såg att människor inte letade efter en annan AI-assistent; de behövde AI som kunde integreras smidigt i deras befintliga arbetsflöden och anpassa sig till deras specifika processer. Slutligen fokuserar vi nu på att hjälpa människor att utföra arbete med AI, en skift från att bara hantera arbete.

Gapet vi fyller är utrymmet mellan enkla AI-verktyg och komplexa företagslösningar. Många företag hamnar i en mittmark där de behöver mer än grundläggande automatisering men inte kan motivera eller implementera tunga AI-system. Vår trepelars-tillvägagångssätt ger organisationer flexibiliteten att börja enkelt med block, förbättra sina produkter med power-ups och till sist bygga sofistikerade digitala arbetsstyrkor.

Sedan lanseringen har vi drivit starkt över alla vertikaler med betydande tillväxt i antalet användare och betalande kunder.

Vi har också introducerat “vibe coding”-produkter som syftar till vår mission att demokratisera programvara. Med de senaste framstegen inom AI har det aldrig varit enklare att bygga fullständiga applikationer med enkel naturlig språk. Våra senaste produkter som monday vibe och magic kan göra det möjligt för alla icke-tekniska användare att utnyttja Monday-ekosystemet för att bygga anpassade applikationer för arbete.

Kan du gå igenom hur AI Blocks fungerar i praktiken? Vad är lärandekurvan för icke-tekniska användare som försöker integrera dessa verktyg i sina dagliga arbetsflöden?

AI Blocks är utformade för att vara lika intuitiva som byggblock – därför namnet. I praktiken kan en användare dra ett “extrahera deadlines”-block till sitt projektledningsarbetsflöde eller lägga till ett “sammanfatta mötesanteckningar”-block till sin veckorevyprocess. Blocken hanterar AI-komplexiteten bakom kulisserna medan de presenterar kunderna med enkla, bekanta gränssnitt.

Lärandekurvan är medvetet minimal. Vi har sett team lyckas implementera AI Blocks inom sin första session. Till exempel kan en marknadsföringsteam skapa ett arbetsflöde där sociala medie-omnämnanden automatiskt analyseras för attityd och nyckelteman extraheras, allt utan att skriva en enda rad kod.

Nyckelinsikten är att människor inte behöver förstå hur AI fungerar för att dra nytta av det. De behöver bara förstå sina egna processer tillräckligt bra för att identifiera var automatisering skulle hjälpa. Vi har utformat blocken för att matcha de mentala modellerna människor redan har om sina arbetsflöden.

Du har nyligen lanserat en svit av AI-drivna verktyg, inklusive monday magic, monday vibe och monday sidekick. Vad gör dessa produkter annorlunda än traditionella assistenter eller co-piloter, och vilken roll ser du dem spela över branscher?

Våra senaste lanseringar representerar ett omfattande tillvägagångssätt för arbetsplats-AI som går utöver traditionella assistenter. Varje funktion tjänar ett distinkt syfte medan de arbetar tillsammans som ett integrerat ekosystem som grundläggande omvandlar hur team opererar, befäster vår skift från arbetsledning till arbetsutförande för våra kunder.

monday magic bringar intelligent automatisering till arbetsflöden, med AI som förutsäger behov och automatiserar komplexa processer innan användare ens inser att de behöver dem. monday vibe är en “vibe coding”-plattform som möjliggör för alla att bygga säkra, anpassade affärsapplikationer anpassade till deras teams exakta behov. Och monday sidekick fungerar som din kontextuella AI-kompanjon, som förstår dina specifika arbetsmönster och ger proaktivt stöd anpassat till din roll och ansvar.

Tillsammans flyttar dessa funktioner våra kunder bortom att bara hantera och spåra arbete till att faktiskt utföra det mer intelligent. Istället för att bara organisera uppgifter och övervaka framsteg kan team nu lita på AI för att optimera prestation, förutse utmaningar och vidta åtgärder automatiskt. Denna skift från passiv ledning till aktivt utförande är transformerande; det innebär mindre tid som spenderas på administrativt underhåll och mer tid fokuserad på högvärdigt arbete som driver resultat.

Vad som gör dessa annorlunda än traditionella assistenter är deras djupa integration med verkligt arbetskontext och deras fokus på proaktivt snarare än reaktivt stöd. Medan de flesta AI-assistenter väntar på att du ska ställa frågor, observerar vår svit mönster, förutser behov och vidtar åtgärder inom dina etablerade arbetsflöden och behörigheter.

monday.com betonar förklarbarhet och användarupplevelse, inte bara rå modellprestanda. Vad ser det ut som bakom kulisserna, och hur balanserar ni transparens med kraft?

Förklarbarhet är grundläggande för att bygga förtroende, särskilt i företagsmiljöer där beslut har verkliga konsekvenser. Bakom kulisserna investerar vi kraftigt i att göra vår AI:s resonemang transparent. När vår Risk Analyzer flaggar en potentiell projektförsening, visar den inte bara en varning; den visar exakt vilka faktorer som bidrog till den bedömningen och hur säker den är i förutsägelsen.

Denna fokus kom från erfarenhet. Tidiga AI-system kändes ofta som svarta lådor, vilket gjorde kunderna tveksamma till att lita på dem för viktiga beslut. Vi lärde oss att kunderna behöver förstå inte bara vad AI föreslår, utan varför den gör den föreslagen.

Balansen mellan transparens och kraft handlar om skiktad avslöjande. Vi tillhandahåller omedelbara, handlingsbara insikter på ytan, men kunderna kan borra ner för att se det detaljerade resonemanget när de behöver det. Detta tillvägagångssätt bygger förtroende samtidigt som det upprätthåller användbarhet – kunderna litar mer på systemet när de förstår det, vilket paradoxalt nog gör dem mer villiga att utnyttja dess fulla kapacitet.

Med över 46 miljoner AI-åtgärder som nu utförs på plattformen, vad är några av de mest förvånande eller kreativa sätten kunderna har använt AI?

Kundernas kreativitet förbluffar mig ständigt. Vi har sett en bröllopsplanerare använda AI Blocks för att automatiskt kategorisera leverantörsvar och extrahera nyckelinformation som priser och tillgänglighetsdatum. Ett forskningsteam skapade ett arbetsflöde som analyserade akademiska artiklar och automatiskt fyllde i en databas med nyckelfynd och metodnoter.

En särskilt kreativ användningsfall var en restaurangkedja som använde vår AI för att analysera kundfeedback över olika platser och automatiskt flagga potentiella livsmedelssäkerhetsproblem genom att upptäcka mönster i klagomål. De skapade i princip ett tidigt varningssystem för operativa problem.

Vad som är förvånande är hur kunder kombinerar enkla block på sofistikerade sätt. De automatiserar inte bara enskilda uppgifter; de omformar hela processer runt AI-kapacitet som vi inte explicit utformade för deras specifika användningsfall.

Du tjänstgör också som scout för Sequoia Capital, investerar i tidiga AI-startups. Från den utgångspunkten, vad är de vanligaste misstagen grundare gör när de bygger AI-första produkter?

Det vanligaste misstaget jag ser är att grundare blir förälskade i de tekniska möjligheterna med AI utan att djupt förstå användarens faktiska arbetsflöde och smärtor. De bygger imponerande demoer som visar AI-kapacitet men misslyckas med att lösa verkliga problem på det sätt människor faktiskt arbetar.

Ett annat vanligt problem är att överlova på AI-autonomi för tidigt. Många grundare vill bygga fullständigt autonoma system när kunderna faktiskt behöver samarbetsverktyg. Människor vill att AI ska förstärka deras förmågor, inte ersätta deras omdöme, särskilt i högriskbeslut.

Det finns också en tendens att underskatta vikten av förtroende och förklarbarhet. Grundare fokuserar ofta på noggrannhetsmått men försummar användarupplevelsen i hantering av osäkerhet och fel. I företagskontexter, särskilt, behöver kunderna förstå när och varför de ska lita på AI-rekommendationer.

Slutligen kämpar många AI-första startups med distribution. Att ha bra AI-teknologi räcker inte; du måste förstå hur du integrerar det i befintliga arbetsflöden och visa tydlig ROI för beslutsfattare som kan vara skeptiska till AI-hype.

Hur tror du att AI-agenter kommer att utvecklas under de närmaste åren – kommer de att bli mer autonoma, mer specialiserade eller något annat?

Vi kommer att se AI-agenter utvecklas mot kontextuell samarbete snarare än ren autonomi. Framtiden är inte fullständigt autonoma agenter som fattar oberoende beslut, utan snarare agenter som djupt förstår kontext och kan vidta lämpliga åtgärder baserat på situationen och användarpreferenser.

Vi rör oss mot agenter som kan hantera rutinbeslut autonomt medan de samtidigt smidigt eskalerar komplexa eller tvetydiga situationer till människor. Detta kräver en sofistikerad förståelse av kontext, riskbedömning och användaravsikt, kapaciteter som snabbt förbättras.

Jag förväntar mig också en betydande utveckling i multi-agent-samordning. Istället för monolitiska AI-assistenter kommer vi att se specialiserade agenter som samarbetar med varandra och med människor i dynamiska team. Din forskningsagent kan arbeta med din schemaläggningsagent och din kommunikationsagent för att koordinera en komplex projektlansering.

Den viktigaste utvecklingen kommer att vara i gränssnittet mellan människa och AI. Agenter kommer att bli bättre på att kommunicera sitt resonemang, uttrycka osäkerhet och anpassa sig till individuella arbetsstilar. Målet är smidigt samarbete där gränserna mellan mänskliga och AI-bidrag blir mindre viktiga än det kollektiva resultatet.

Internt, hur strukturerar du samarbetet mellan dina AI-, produkt-, design- och marknadsföringsteam för att säkerställa att AI är smidigt integrerat i användarupplevelsen?

Lyckad AI-produktutveckling kräver att man bryter ner traditionella silos och skapar en gemensam förståelse över alla team. Vi har funnit att nyckeln är att etablera ett gemensamt språk kring AI-kapacitet och begränsningar som alla kan använda, från ingenjörer till designers till marknadsförare.

Vår process börjar med tvärfunktionella upptäcktsessioner där vi utforskar användarproblem tillsammans innan vi diskuterar tekniska lösningar. Detta förhindrar det vanliga misstaget att leda med AI-kapacitet och sedan leta efter problem att lösa.

Vi investerar också kraftigt i prototyper och användartester under hela utvecklingsprocessen. Design- och produktteam arbetar nära med AI-tekniker för att förstå vad som är möjligt, medan AI-team lär sig om verkliga användarkonstruktioner och preferenser. Detta ömsesidiga lärande är avgörande för att skapa AI-funktioner som känns naturliga snarare än påtvingade.

Från ett marknadsföringsperspektiv är våra team inbäddade i utvecklingsprocessen från dag ett. De hjälper oss att förstå inte bara vad kunderna vill ha, utan hur de tänker på AI, vad de är oroliga för och hur de föredrar att lära sig om nya funktioner. Denna insikt påverkar direkt både produktutformning och teknisk implementering.

Slutligen, som någon som brottas mellan öppen källkod, företags-AI och VC, var tror du att nästa stora AI-genombrott kommer att ske – i verktyg, infrastruktur eller något vi inte ens tittar på ännu?

Nästa genombrott kommer troligen att ske vid skärningspunkten mellan mänskligt-AI-samarbetsgränssnitt. Vi har gjort otroliga framsteg i modellkapacitet, men vi är fortfarande i de tidiga stadierna av att förstå hur människor och AI-system kan arbeta tillsammans på bästa sätt.

Genombrottet kommer inte att vara att göra AI mer autonom, utan att göra mänskligt-AI-samarbete mer flytande och naturligt. Detta inkluderar framsteg i hur AI-system kommunicerar osäkerhet, hur de anpassar sig till individuella arbetsstilar och hur de samordnar med flera människor och andra AI-system samtidigt.

Från ett infrastrukturperspektiv håller jag ett öga på utvecklingen av realtids-, kontextuell AI som kan förstå och agera på dynamiska informationsströmmar. Förmågan att bygga AI-system som upprätthåller kontext över långa tidshorisonter och flera interaktionstyper kommer att möjliggöra helt nya kategorier av applikationer.

Men ärligt talat kan de mest spännande genombrotten komma från oväntade riktningar. Precis som transformers uppkom från uppmärksamhetsmekanismer i neural maskinöversättning, kan nästa signifikanta framsteg komma från att lösa ett synbart smalt problem som har breda tillämpningar. Nyckeln är att upprätthålla den nybörjarmentaltitet och stanna öppen för möjligheter vi inte har föreställt oss ännu.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka monday.com.