עד לפני מספר שנים היכולת לשלב בינה מלאכותית במוצרים טכנולוגיים הייתה שמורה לעשירון העליון של המגה חברות הבין לאומיות שהיו להם כיסים מספיק עמוקים להתמודד עם ההרפתקה הטכנית שהציגה הטכנולוגיה החדשה.

הצורך לממן משכורות (גדולות) של צוותי פיתוח ומומחים בתחומי הבינה המלאכותית, היכולת לאסוף, לנתח ולהכין את הנתונים מתוך ומחוץ לארגון, והזמן והעלויות הגדולות שנדרשו לאימון מודלי למידת מכונה ולמידה עמוקה היו מנת חלקם של ארגונים בעלי כיסים עמוקים (או סטארטאפים שזכו להשקעות גדולות).

כל זה השתנה לפני שנה וחצי עם הופעתו שלChat GPT  מה שסימן את יריית הפתיחה למרוץ החימוש של הבינה המלאכותית היוצרת.

כיום קיים שפע של טכנולוגיות מבוססות בינה מלאכותית והגישה אליהם הפכה פשוטה, זולה ונגישה. כלים כמו ChatGPT של OpenAI ,Claude  של אנטרופיק ועוד רבים אחרים נגישים בצורה מהירה באמצעות ממשקי תכנות יישומים (APIs)  מאות מודלים וספריות קוד פתוח שוחחרו לציבור בשנה האחרונות לרבות מודלים פתוחים של חברות הטכנולוגיה הגדולות מטא (פייסבוק), גוגל ועוד.

התפיסה הרווחת לפיה יצירת ערך מפתרונות AI היא משימה מסובכת טכנולוגית, היא זו שמונעת מחברות לשלב את הטכנולוגיה החדשה במוצרים ובשירותים של החברה. ההיפך הוא הנכון, בכדי ליצר ערך מבוסס בינה מלאכותית צריך למקד את החשיבה ב ארבעת נושאים עסקיים :



1. הגדרה מדוייקת של הערך.

כמו בכל יישום טכנולוגי אחר הגדרה מדוייקת ו"צרה" של היעד והערך שאתם רוצים לייצר באמצעות הבינה המלאכותית יכריע את איכות הפתרון שתיצרו. מטרות כלליות ו"רחבות" לא רק שיסיטו אתכם מהמטרה הם גם יקשו עליכם למדוד את ההצלחה קחו לדוגמא את המטרה "להגדיל את המכירות בחברה. זו כמובן מטרה ראויה אם לא המטרה ב- ה' הידיעה של כל גוף עסקי. אך זו מטרה שמאד קשה לייחס לפעילת ספציפי והיא מן הסתם לא מייצרת ערך ללקוחות אלא רק לארגון.

מטרה מתאימה יותר יכולה להיות הקטנת זמן ההמתנה של הלקוחות או הצעת מוצרים מתאימים יותר לסיגמנט לקוחות מוגדר. מטרה זו ממקדת את המשימה שברצוננו לפתור באמצעות הבינה המלאכותית, יוצרת ערך ללקוח ומאפשרת מדידה מדוייקת יותר :

האם זמן ההמתנה של הלקוחות הצטמצם ? בכמה ?

האם הלקוחות קנו יותר מוצרים מהאלו שהוצעו להם על ידי ה AI ? בכמה ?

אלו רק שתי דוגמאות, אבל הרעיון המרכזי הוא הגדרת יעד ברור שמשלב את הערך שאנו רוצים ליצור ללקוחות או לעובדים שלנו.

2. יצירת תרבות ארגונית מתאימה.

עכשיו כשאתם כבר יודעים מה אתם רוצים להשיג באמצעות הבינה המלאכותית, מצפה לכם האתגר המשמעותי ביותר בארגון. יצירת תרבות ארגונית תומכת לשינוי.

ברוב הארגונים חלק גדול מהעובדים אימץ את השימוש בכלי הבינה המלאכותית לשיפור המשימות האישיות, שילוב של כלים בחינם באינטרנט לצד פריסה של Copilot משפרים את הפרודוקטיביות הארגונית.

אבל היישום ברוב המקרים אינו מנוהל, והשיפור הפרודוקטיביות האישית למרות שהוא משמעותי קשה למדידה, ניהול ובקרה.

לבינה המלאכותית יש יתרון משמעותי היא מאפשרת לארגון לבצע נסיונות מהירים בקנה מידה רחב. כלי הבינה לומדים מנתוני עבר באמצעות מיליוני פיסות מידע (Data Points) ומאפשרים להציג רעיונות נוספים לבדיקה. אבל חשוב מאד להבין – כלי בינה מלאוכתית אינם בנויים להמציא נושאים חדשים (בנתיים) הם מארגנים מחדש נושאים שהם כבר ראו בעבר בנתוני האימון שלהם כלומר מישהו כבר הגה את הרעיון שכלי הבינה המלאכותית מציג לכם.

יישום נכון של בינה מלאכותית דורש כמו במקרים קודמים של טכנולוגיות דיגיטליות תרבות ומנטליות של ניסוי וטעייה על סטרואידים הכל קורה הרבה יותר מהר, יש יותר טעויות אבל הן קטנות יותר, זו מציאות חדשה בה ניתן ליישם הרבה ניסויים קטנים בבת אחת לתקן ולנסות שוב במהירות ובעלויות נמוכות עד להצלחה.

ההנהלה בארגון חייבת לקבל את העובדה שניסויים כרוכים בסיכון שחלק מהניסויים כמובן לא יצליחו.

צוותי Agile חיוניים במאמץ הזה. יש להם את המיומנות והיצירתיות לנסות רעיונות חדשים ולהמשיך לשפר אותם עם הזמן. שימוש בשיטות עבודה אגי'ליות משמעו תכנון לתוצאה מוגדרת אך השארת מקום לפעולה מהירה בהתאם לתוצאות הניסויים.

 
3. תהליך הכשרה לעובדים.

 כפי שלמדנו בתהליך הטרנספורמציה הדיגיטלית החלק המשמעותי בקידום הטרנספורמציה בארגון היא ההכשרה של העובדים והיכרות עם הטכנולוגיות החדשות. ואני מוכרח לציין שמהפגישות שאני מקיים עם מנהלים בארגונים שונים חל שיפור משמעותי בהיכרות עם התחום.

 ראשית, הכשרה מתאימה מאפשרת לעובדים להבין את היכולות וההזדמנויות הטמונות בטכנולוגיית הבינה המלאכותית, ומכאן להתייחס אליה ככלי לשיפור תהליכים קיימים, ההכשרה גם מסייעת להקטין את החשש של העובדים מהסכנה שכלי הבינה המלאכותית יחליפו אותם.

 שנית, עובדים שהוכשרו לעבודה בסיוע בינה מלאכותית מסוגלים לזהות ולנצל בצורה טובה יותר וביעילות את הכלים והמשאבים שהטכנולוגיה מציעה, מה שמוביל לשיפור בביצועים ולהגדלת הפרודוקטיביות.

 הכשרה מקיפה מספקת להם את הידע והכישורים הדרושים לשימוש נכון בטכנולוגיה ובכך להבטיח את השתלבותה החלקה בארגון.

 לבסוף בהמשך לסעיף הקודם הכשרה שכזו תורמת ליצירת תרבות ארגונית הנחוצה לצורך שילוב טכנולוגיה בארגון – ניסוי וטעיה, חדשות ושיתוף פעולה ופתרון בעיות בצורה יצירתית בסיוע כלים חדשניים.
 
4. בחירת המידע והנתונים הנכונים למשימה.

יישומי AI מבצעים תחזיות בעיקר על בסיס נתוני עבר. אם אין למודל ה AI בסיסי עובדתי בכדי לייצר לנו מענה, במקרה הטוב נקבל מהמודל מענה שאין ביכולתו לספק לנו תשובה, במקרה הפחות טוב הוא ימציא לנו תשובה משכנעת על בסיס נתוני הבסיס שלו, תשובה שיהיה לנו קשה לאמת.

בהנחה שהמידע הארגוני שלנו מסודר (בצורה מובנית או בלתי מובנית) ומאומת (כלומר לא מכיל מידע כוזב, לא עדכני, לא רלוונטי או לא נכון) אחד הנושאים הקריטיים להצלחת פרוייקטי ה AI היא בחירה של סט הנתונים הנכון למשימה שלנו.

ההיתרון של הבינה המלאכותית היוצרת היא ביכולת שלה ללמוד ממידע בלתי מובנה, מסמכים, תמונות, קטעי קול או וידאו. אך האתגר הוא לארגן ולבחור את המידע המדוייק והרלוונטי למשימה אותה אנו מבקשים מהמודל לסייע לנו לפתור.

בדוגמא שהצגנו קודם בחרנו לשפר את המכירות באמצעות הצעת מוצרים רלוונטיים ללקוח. במקרה זה עלינו לוודא שיש לנו את המפרט הטכני של המוצרים שהלקוח רכש בכדי שנוכל להציע לו מוצרים דומים, אנו צריכים לתעד כמובן את העניין של הלקוח בעבר במוצרים שהוא חשב לרכוש או רכש בפועל, גם פעילות מול מוקדי השירות לפני ולאחר תהליך הרכישה רלוונטיים מאד לבחירת המוצרים הבאים שנציע ללקוחות שלנו.

כאמור. גם אם יש לנו את כל המידע בחברה. עלינו לבחור את המידע הנכון והרלוונטי, בחירת הנתונים הנכונים הם מקור היתרון התחרותי של החברה.

לסיכום

בניגוד לחשיבה הרווחת, אין צורך בגישת המפץ הגדול ליישום בינה מלאכותית בארגון. כמו בגישות אג'יליות אמיתיות, החוכמה היא להתחיל בצורה ממוקדת, תוך בחירת מקרי השימוש הספציפיים ובעלי הערך הגבוה ביותר לארגון ולעובדיו. מיקוד בארבעת הנושאים שהוצגו במאמר זה תגדיל את סיכויי ההצלחה של תהליך היישום בארגון.