monday.com 人工智能主管 Assaf Elovic – 访谈系列

你曾在一些最具活力的科技公司领导 AI 工作，包括 Wix，现在 monday.com— 是什么首先吸引您接受构建智能系统的挑战？

我的人工智能之旅始于2015年的聊天机器人热潮。当时我与一个能够真正理解意图的人工智能机器人进行了互动，感觉就像魔术一样。这不仅仅是一个新奇事物，它还能解决诸如预约和回答复杂问题等实际问题。那一刻激发了我对这些系统工作原理的好奇心。

真正吸引我的是，我意识到人工智能已经变得如此触手可及。一些工具和 API 让开发者无需拥有机器学习博士学位就能构建强大的应用程序。无限的可能性令人兴奋，我知道自己想要为这场变革做出贡献。从那时起，我一直致力于构建能够解决现实世界挑战并改善人们生活的人工智能产品。

构建智能系统的挑战吸引着我，因为它是创造力与尖端技术的交汇点。每个项目都像解开一道新的谜题；你不仅要了解技术能力，还要了解人们的实际工作方式和需求。

加入之前 monday.com您创建了 GPT Researcher 等开源工具，引起了开发者和研究人员的共鸣。这些由社区驱动的草根经验如何影响了您如今构建企业 AI 产品的方法？

开源的经历教会了我宝贵的经验，那就是要根据用户的真实需求而非空谈理论来构建。在开源环境中构建时，你会从真正致力于解决问题的开发者那里获得即时、未经过滤的反馈。这让我明白，要专注于实用性，而不是仅仅停留在浮夸的演示层面。

与社区的合作也强化了让人工智能触手可及的重要性。许多使用这些工具的开发者并非人工智能专家——他们正在构建应用程序，需要可靠且易于集成的人工智能功能。这种经验直接影响了我们在monday.com上开发AI Blocks的方式：通过直观的界面，让非技术用户也能使用强大的人工智能功能。

今年早些时候， monday.com 最近，我们发布了一个大胆的全新 AI 愿景，其中包含三大支柱：AI 模块、产品升级和数字化劳动力。这个框架是如何形成的？你们试图填补哪些市场空白？

我们的 AI 愿景源于对一个根本性挑战的观察：各种规模的组织都渴望利用 AI，但大多数解决方案要么需要大量的技术专业知识，要么过于僵化，无法满足多样化的业务需求。我们发现，人们并非仅仅需要一位 AI 助手；他们需要的是能够无缝融入现有工作流程并适应其特定流程的 AI。最后，我们现在专注于帮助人们利用 AI 完成工作，这已从帮助人们管理工作转变。

我们正在填补的是简单 AI 工具与复杂企业解决方案之间的空白。许多企业处于中间地带，他们需要的不仅仅是基础自动化，却又无法证明或实施重量级 AI 系统的合理性。我们的“三支柱”方法为企业提供了灵活性，让他们能够从简单的模块入手，通过功能增强来增强产品，最终打造成熟的数字化劳动力。

自推出以来，我们一直在所有垂直领域大力推动，采用率和付费用户数量均显著增长。

我们还推出了“vibe 编码”产品，旨在实现软件大众化的使命。随着人工智能的最新进展，使用简单的自然语言构建完整的应用程序从未如此简单。我们最新的产品，例如 Monday Vibe 和 Magic，可以让任何非技术用户利用 Monday 生态系统构建定制的工作应用程序。

您能向我们介绍一下 AI Blocks 的实际工作原理吗？对于非技术用户来说，将这些工具融入日常工作流程的学习曲线是怎样的？

AI Blocks 的设计理念如同积木般直观——正如其名。在实际操作中，用户可以将“提取截止日期”模块拖入项目管理工作流程，或将“总结会议记录”模块添加到每周回顾流程中。这些模块在后台处理 AI 的复杂性，同时为客户提供简洁、熟悉的界面。

学习曲线刻意设计得极低。我们已经看到一些团队在第一次课程中就成功实施了 AI Blocks。例如，一个营销团队可以创建一个工作流程，自动分析社交媒体提及的情绪并提取关键主题，而这一切都无需编写任何代码。

关键在于，人们无需了解人工智能的工作原理即可从中受益。他们只需充分理解自身流程，就能确定自动化在哪些方面能够发挥作用。我们设计了这些模块，以匹配人们已有的工作流程思维模型。

您最近推出了一系列人工智能工具，包括Monday Magic、Monday Vibe和Monday Sidekick。这些产品与传统的助手或副驾驶有何不同？您认为它们将在各个行业中扮演什么样的角色？

我们最新发布的产品代表了超越传统助手的全面工作场所 AI 方法。每项功能都服务于独特的目的，同时又协同工作，形成一个集成的生态系统，从根本上改变团队的运作方式，巩固了我们为客户从工作管理到工作执行的转型。

monday magic 为工作流程带来智能自动化，利用人工智能预测需求，并在用户意识到需要之前就实现复杂流程的自动化。monday vibe 是一个 Vibe 编码平台，任何人都可以根据团队的具体需求构建安全、定制的业务应用程序。monday sidekick 则作为您的情境化人工智能伴侣，了解您的具体工作模式，并根据您的角色和职责提供主动协助。

这些功能共同赋能我们的客户，使其不再仅仅管理和追踪工作，而是能够更智能地执行工作。团队现在可以依靠人工智能来优化绩效、预测挑战并自动采取行动，而不仅仅是组织任务和监控进度。这种从被动管理到主动执行的转变具有变革意义；这意味着更少的行政管理时间，将更多的时间投入到能够带来成果的高价值工作上。

这些助手与传统助手的不同之处在于，它们与实际工作环境深度融合，并且注重主动而非被动的支持。大多数 AI 助手会等待您提问，而我们的套件则会观察模式、预测需求，并在您既定的工作流程和权限范围内采取行动。

monday.com 强调可解释性和用户体验，而不仅仅是原始模型性能。幕后是什么样的？您如何平衡透明度和功能？

可解释性是建立信任的基础，尤其是在决策会产生实际影响的企业环境中。在幕后，我们投入巨资，致力于使 AI 的推理过程透明化。当我们的风险分析器标记出潜在的项目延期时，它不仅仅是发出警报，还会准确显示哪些因素导致了该评估，以及它对预测的可信度。

这种专注源于经验。早期的人工智能系统常常感觉像黑匣子，这使得客户不愿依赖它们做出重要决策。我们认识到，客户不仅需要了解人工智能的建议，还需要了解它提出这些建议的原因。

透明度与权力之间的平衡取决于分层披露。我们仅提供表面的即时可操作洞察，但客户可以在需要时深入了解详细原因。这种方法在保持可用性的同时增强了信心——客户在理解系统后会更加信任系统，这反而让他们更愿意充分利用系统的全部功能。

目前该平台上已执行了超过 46 万次 AI 操作，客户使用 AI 的一些最令人惊讶或最具创意的方式有哪些？

客户的创造力总是让我惊叹不已。我们曾看到一位婚礼策划师使用AI Blocks自动对供应商的回复进行分类，并提取价格和可用日期等关键细节。一个研究团队创建了一个工作流程，可以分析学术论文，并自动将关键发现和方法说明填充到数据库中。

一个特别有创意的用例是一家连锁餐厅，他们使用我们的人工智能分析不同门店的顾客反馈，并通过检测投诉模式自动标记潜在的食品安全问题。他们实际上创建了一个针对运营问题的预警系统。

令人惊讶的是，客户如何将简单的模块以复杂的方式组合在一起。他们不仅仅是在自动化单个任务，而是围绕我们从未明确为其特定用例设计的AI功能，重新设计整个流程。

您还担任红杉资本的“星探”，负责投资早期人工智能初创公司。从这个角度来看，创始人在打造“人工智能优先”产品时会犯哪些常见错误？

我看到最常见的错误是，创始人被人工智能的技术潜力所吸引，却没有深入了解用户的实际工作流程和痛点。他们制作了令人印象深刻的演示来展示人工智能的能力，但却未能解决人们实际工作中遇到的真正问题。

另一个常见问题是过早地过度承诺人工智能的自主性。许多创始人希望构建完全自主的系统，而客户实际上需要的是协作工具。人们希望人工智能能够增强他们的能力，而不是取代他们的判断，尤其是在高风险的商业决策中。

人们往往低估了信任和可解释性的重要性。创始人往往注重准确性指标，却忽视了用户在处理不确定性和错误时的体验。尤其是在企业环境中，客户需要了解何时以及为何应该信任人工智能建议。

最后，许多 AI 优先的初创公司在分销方面举步维艰。仅仅拥有优秀的 AI 技术是不够的；你需要了解如何将其融入现有的工作流程，并向那些可能对 AI 炒作持怀疑态度的决策者展示清晰的投资回报率。

您认为人工智能代理在未来几年将如何发展——它们会变得更加自主、更加专业化，还是完全不同？

我们将见证人工智能代理向情境协作而非纯粹自主演进。未来并非完全自主地独立决策，而是能够深刻理解情境并根据情况和用户偏好采取适当行动的代理。

我们正在努力打造能够自主处理日常决策，同时又能无缝地将复杂或模糊情况上报给人类的智能体。这需要对情境、风险评估和用户意图有深入的理解，而这些能力正在迅速提升。

我还期待多智能体协作技术取得重大进展。我们将看到不再是单一的人工智能助手，而是能够相互协作并与人类在动态团队中协作的专业智能体。你的研究智能体可能会与你的调度智能体和沟通智能体协同工作，协调一个复杂的项目启动。

关键的进化将在于人机界面。智能体将更善于表达推理、表达不确定性，并适应个人的工作风格。目标是实现无缝协作，让人类与人工智能之间的界限变得不那么重要，而集体成果才是最重要的。

在内部，您如何构建 AI、产品、设计和 GTM 团队之间的协作，以确保 AI 无缝嵌入到用户体验中？

成功的 AI 产品开发需要打破传统的各自为政的局面，并在所有团队之间建立共识。我们发现，关键在于围绕 AI 的功能和局限性建立一种通用语言，让每个人都能使用，从工程师到设计师再到营销人员。

我们的流程始于跨职能探索会议，在讨论技术解决方案之前，我们会共同探讨用户问题。这可以避免常见的错误：先用AI功能引导，然后再寻找需要解决的问题。

在整个开发过程中，我们还投入了大量资金进行原型设计和用户测试。设计和产品团队与 AI 工程师紧密合作，探索各种可能性，同时 AI 团队则了解真实用户的约束和偏好。这种双向学习对于打造自然流畅而非强加于人的功能至关重要。

从GTM的角度来看，我们的团队从第一天起就深入开发流程。他们不仅帮助我们了解客户的需求，还帮助我们了解他们对AI的看法、他们的顾虑以及他们希望以何种方式了解新功能。这些洞察直接影响着产品设计和技术实现。

最后，作为连接开源、企业 AI 和 VC 的桥梁，您认为下一个重大的 AI 突破将发生在哪里——工具、基础设施，还是我们尚未关注的领域？

下一个突破很可能发生在人机协作界面的交叉领域。我们在模型能力方面已经取得了令人难以置信的进步，但我们仍处于探索人类与人工智能系统如何最有效地协同工作的早期阶段。

突破并非在于让人工智能更加自主，而在于使人机协作更加流畅自然。这包括人工智能系统如何沟通不确定性、如何适应个体工作风格以及如何同时与多个人类和其他人工智能系统协调。

从基础设施的角度来看，我正在关注实时、情境化人工智能的发展，这种人工智能能够理解动态信息流并采取行动。构建能够跨长期范围和多种交互类型保持情境的人工智能系统的能力，将催生全新的应用类别。

但说实话，最激动人心的突破可能来自意想不到的方向。正如Transformer源于神经机器翻译中的注意力机制一样，下一个重大进展可能来自于解决一个看似狭窄却有着广泛应用的问题。关键在于保持初学者的心态，并对我们尚未想象到的可能性保持开放态度。

感谢您的精彩采访，想要了解更多信息的读者可以访问 monday.com.<