יישום יכולות AI ו Gen AI בארגוני האנטרפרייז המובילים במשק, מגמות לשנת 2024. תובנות מהפאנל המקצועי

מהפכת ה- AI וה-Gen AI משנה את הכללים בכל ענף ותחום עסקי, ולא בכדי ביל גייטס טען שמדובר במהפיכה הגדולה ביותר מאז האינטרנט. כחברה המלווה את מרבית ארגוני האנטרפרייז במגוון מגזרים במשק הישראלי, צברנו בשנה האחרונה ניסיון עשיר בפיצוח וזיקוק ה Use Cases העסקיים ליישום הטכנולוגיה, במטרה למקסם את הערך העסקי.

שמחנו והתכבדנו להתארח בוועידת הפסגה השנתית של אנשים ומחשבים, במסגרתה אירחנו פאנל מקצועי תחת הכותרת: יישומי AI ו Gen AI מתקדמים בארגוני האנטרפרייז המובילים במשק, ומגמות ל 2024.

בפאנל השתתפו מקבץ מדהים באיכותו של סמנכ"לים, מנהלות ומנהלים בכירים שהגיעו כדי לשתף בתובנות, בניסיון ובלקחים האישיים שלהם מיישום בפועל של Use Cases עסקיים בתחומים שונים בהם מנפו יכולות מתקדמות של AI ו Gen AI.

לבקשת הקהל, קיבצנו עבורכן.ם תובנות מרכזיות מתוך הפאנל.

אביתר פרץ, סגן בכיר לחשב הכללי – דאטה חדשנות ודיגיטל

"אימוץ טכנולוגית Gen AI בארגון הינו תהליך הדורש טרנספורמציה אמיתית בארגונים באופן כללי, ובמשרדי הממשלה במיוחד, שם לדעתי חייבים לאמץ גישה פרואקטיבית בנושא. כיום התחום הזה כולל בתוכו שני אתגרים מרכזיים: האתר המעשי של הטמעת הטכנולוגיה (שכוללת את איסוף הדאטה ובניית מודלים על בסיסו), בניית תרבות ארגונית המבינה את ההזדמנויות ושואפת להתנסות בה. הארגון כולו צריך לאמץ DNA שחי ונושם את הנתונים, למרות חסמים היסטוריים שמשרדי הממשלה מתאפיינים בהם. כדי שזה יקרה, הצד העסקי, זה שחי ונושם את השטח חייב להתקרב לעולמות הטכנולוגיים ולהכיר את היכולות וההזדמנויות השונות. האתגר השני, מהותו בעיקר בהיבט של חיבור בין Gen AI לבין המשרדים הממשלתיים, הוא תפיסת "האח הגדול":

ציבור נרחב חושש ממתן כלים מתקדמים שכאלו לגורמי שלטון מסיבות ברורות, בעיקר כשאין שקיפות מלאה. מצד שני, האזרח יכול להפיק ערך רב על ידי שילוב כלי AI במשרדי הממשלה השונים, כמובן שגם נדרשת רמת אבטחה גבוהה ובלתי מתפשרת. 

לגבי טיפים למנהלים אחרים שמתמודדים עם שאלות דומות סביב הטכנולוגיה והיישום העסקי שלה, אני מציע לזכור שצריך להפריד בין השימוש הפרטי והביתי בטכנולוגיה, לבין הצרכים, היכולות וגם רמת הסיכון שארגונים גדולים מתמודדים איתם בהיבטים שונים, בטח כשהם נתונים לרגולציה. אני סבור שחשוב מאוד לשאול מהרגע הראשון: איזה ערך אנחנו שואפים לייצר ? מה רוצים להשיג ? ולזכור שצמצום כוח אדם אינה המטרה, אלא לשפר יכולות ומתן ערך עסקי למשתמשי הקצה".

גיל טמיר, משנה למנכ"ל ומנהל אגף חדשנות וטכנולוגיה בקבוצת הפניקס

"הפניקס היא קבוצה פיננסית גדולה בשוק הישראלי, ובשנים האחרונות השקענו משאבים רבים ביוזמות הקשורות לעולם הדאטה. עולם הביטוח הוא עתיר נתונים, בהגדרה, לצד רמת יעילות שיש לה בוודאות היכן להשתפר. בשנים האחרונות אנחנו ממוקדים בסידור וארגון הדאטה, כדי לייצר תשתית טכנולוגית-עסקית, בין היתר כדי לשלב טכנולוגיות ויכולות Gen AI כדי להפיק ערך גבוה יותר לצד העסקי, ולשמחתי אנחנו חיים בעידן שבו זה גם מתאפשר בקצב מהיר.

בנינו לשם כך אסטרטגיה ארוכת טווח, עם תכנית עבודה מסודרת ברמת הרבעון, מה שמאפשר לנו לרוץ קדימה עם אג'נדה ברורה. מצד שני, חשוב להודות שהתחום נמצא עדיין בשלבי הניסוי והטעיה. גם בתוך הקבוצה יש אזורים שבהם הדברים זזים מהר יותר ואחרים שפחות, אבל לשמחתי כן יש ניסויים שהבשילו לכדי מוצרים שיושקו ממש בקרוב, והמטרה היא להמשיך ולרוץ מהר תוך שמירה על רמת אבטחת מידע גבוהה, כיאה לארגון פיננסי גדול ומוביל במשק.

כיוון שמדובר באירוע משמעותי שאנחנו רק בתחילתו, נדרשת מנהיגות ארגונית אמיתית, הובלה ודוגמא אישית, אחרת העניין בהזדמנות לא יחלחל פנימה. לגבי השאלה: האם היוזמות הטכנולוגיות הללו ממוקדות לקוחות קצה או משתמשים פנימיים, התשובה היא שזה לא באמת משנה. כי ברגע שהשירות פוגש משתמשים פנימיים ומצליח לשפר את התפוקה, את רמת הדיוק והמהירות שלהם, הרי שלקוח הקצה הוא הראשון ליהנות מכך. באופן כללי, אנחנו שואפים ליוזמות שיביאו לשינוי עסקי אמיתי, שמזיזים את המחט, לא מהלכים קטנים".

נעמי ישראלי, סמנכ"לית החטיבה הטכנולוגית, רפאל

"אם יש משהו שתקופת המלחמה והמשבר הנוכחי מלמדים אותנו, זו החשיבות האדירה שיש למינוף של דאטה איכותי, מהיר ובזמן אמת. לאור אופי העבודה והתעשיה (תעשיה בטחונית), אנחנו לא יכולים לקלוט כמות גדולה של עובדות ועובדים מיומנים בטווח הקצר, לכן בשיתוף שטראוס אסטרטגיה עברנו ביחידת ה IT לתפיסה מוצרית, עם מנהלי מוצר שעובדים ישירות עם הצדדים העסקיים, כמו למשל בעולם של ניהול שרשרת האספקה, ומגדירים יחד איתם את הדרישות והצרכים המדויקים.

הקמנו גם מחלקת דאטה ו Gen AI, וגם מולם הצרכים העסקיים מגיעים מהשטח בערוץ תקשורת ישיר, במטרה לבחון הזדמנויות למינוף הדאטה וטכנולוגיות Gen AI כדי לשפר ולייעל תהליכים. כך למשל, הצלחנו לקצר את זמני האספקה, תהליכים שבהגדרה הינם מורכבים מאוד. השימוש בדאטה וב Gen AI מאפשר להנגיש ללקוחות הקצה את המידע שהם זקוקים לו מבלי לעצור או להאט את התהליכים. כבר היום אנחנו מזהים אזורים נוספים שבהם ניתן לשפר תהליכים בעזרת הטכנולוגיה.

לגבי שאלת החזר ההשקעה (ROI) של יישום הטכנולוגיה הזו, זו נקודה כואבת, ללא ספק. יש אצלנו בדיקת ROI כתפיסה אבל לצד אזורים שבהם קל יחסית למדוד את ההשפעה (כמו משל בכל שרשרת האספקה), מנגד ישנם אזורים אחרים כמו למשל בפיתוח, שבהם התרומה של הטכנולוגיה מורגשת אבל קשה עדיין לכמת. בכל מקרה, הארגון קיבל החלטה ברורה: להמשיך ולהשקיע בחיפושים אחר אזורים עסקיים שבהם להשקעה תהיה השפעה חיובית ברורה.

יחד עם זאת, לא בכל מחיר: לצד ההזדמנויות הרבות שהטכנולוגיה מייצרת, והחשיבות שבניסוי וטעיה כדי ללמוד, אנחנו מבינים שלא תמיד הטכנולוגיה מספקת מענה שמייצר את הערך לו ציפינו, וזה בסדר. כחלק מהלמידה אנחנו מדייקים כל הזמן את האזורים שבהם התרומה והערך הם משמעותיים ביותר ומתמשכים".

קובי כץ, סמנכ"ל וראש חטיבת הטכנולוגיות, מכבי שירותי בריאות

"ענף הבריאות הוא ענף שבהגדרה הוא עשיר בדאטה. אנחנו כקבוצת מכבי, משלבים דאטה ממספר פעילויות ומקורות, והתחלנו כאסטרטגיה למנף את הדאטה כדי לייצר ערך עסקי וצרכני אמיתי, ומשקיעים את המשאבים כדי להשיג זאת. אנחנו בונים Data Lake שיאפשר לבצע מחקר על בסיס ניתוח ומינוף הדאטה, כדי לייצר על בסיסה תובנות רוחביות על התהליכים השונים. בנוסף, למכבי יש מכון מחקר שמאפשר לסטארטאפים וגופים נוספים לחבור אליו ולייצר מוצרים על בסיס הדאטה שרכזנו.

תחום נוסף שנהנה ממינוף הדאטה: השירות ללקוח, למשל, אנחנו ממנפים מודלים של Gen AI הן לטובת הצוותים הרפואיים, כדי שאלו יוכלו לקבל המלצות ונתונים ממגוון רחב של מקורות, וגם למנף את הדאטה העשירה וכלי Gen AI כדי לחזק את יכולת המניעה המוקדמת, הפרואקטיבית, אצל מטופלים, כדי למנוע מראש צריכת שירותים רפואיים".

"אנחנו במכבי עוסקים ב Gen AI כבר כחצי שנה, ומחפשים לבנות את "המכונה" שתוכל לייצר ולאפשר Use Cases מגוונים בתוך הקבוצה. בדומה להרבה תחומים אחרים, לרוב מגלים את האתגרים האמיתיים תוך כדי תהליך ההתעמקות במשמעויות ובעשיה בפועל, לכן אפשר ומומלץ למשל לחבור לחברות הטכנולוגיה השונות, אלו שמצד אחד יכולות לשמש כשותף עסקי-טכנולוגי שיוכל לסייע באתגר היישום, וכמובן להנות מהידע והניסיון שיש להם מול ארגונים אחרים ובתחומים אחרים. האסטרטגיה שלנו בעולם הזה היא Multi Cloud מתוך הכוונה ליהנות מיכולות ה AI המתקדמות של 2 ספקי ענן מובילים לפחות, כאמור לטובת בניית המכונה שתאפשר הרצת על IO של Use Case עסקי, בין שמדובר בעולם פונה לקוחות ובין שמדובר בעולמות המצוינות התפעולית, ב Back Office". 

ליאור ג'ורג'י, סמנכ"ל חטיבת טכנולוגיות המידע, בנק ישראל

"אנחנו משלבים טכנולוגיות ויכולות Gen AI ברבדים שונים בארגון: החל מהשקעה בהון האנושי: הדרכות ועידוד שימוש בכלים השונים במטרה לשדרג ולייעל את המשימות הפרטניות, תוך גיוס כוח אדם מקצועי שיחזק את המערך הקיים. בנוסף, הקמנו פורום חוצה ארגון המהווה פלטפורמה לשיתוף רעיונות, יוזמות ומידע לגבי ההזדמנויות הרלוונטיות ביותר שבהן נוכל להטמיע ולרתום את הטכנולוגיה". יחד עם שטראוס הובלנו תכנית X-Labs in a Box במסגרת צוותים מולטי דיסציפילנריים של מנהלים ממגוון חטיבות בבנק יצרו 3 מיזמים עסקיים מבוססי Gen AI עבורם נבנתה תכנית עסקית ויישומית פרקטית בהתבסס על כלים ושיטות מעולם חברות המוצר המובילית. זה אפשר לנו לבנות מיזם מתקדם סביב פעילות ניהול המזומנים (Cash IO), כמו כן פיתחו דש בורדים שמאפשרים לצדדים העסקיים לחזות את הביקוש למזומנים ולהגיב בזמן אמת בהתאם (כולל מודלים של תחזיות ריבית, למשל), וגם מאגר דאטה עליו רצים מודלים שמאפשרים לתחקר ולתשאל בקצב מהיר ביותר".

רוני ליכטנשטיין-שני, סמנכ"לית  One Zero

לפני כחודש הצטרפנו למספר מצומצם ביותר (3) בנקים גדולים שהיו הראשונים להטמיע צ'אט בוט חכם מבוסס Gen AI, לטובת לקוחות הבנק. שיתוף הפעולה עם AI21 LABS מאפשר ללקוחות לקבל מענה זמין ומהיר באמצעות הבוט, וזאת לאחר שגילינו שכ 60% מהפניות למוקד השירות יכולות לקבל מענה אפקטיבי דרך הבוט. מבחינת המדדים העסקיים: ראינו ירידה חדה בפניה לקבלת מענה אנושי, לצד עליה ברמת שביעות הרצון של הלקוחות. הסטה משמעותית לדיגיטל. מדד חשוב נוסף: צמצום טווח הטעות האנושית, תפיסה שמגיעה ישירות מאמנון שעשוע (תפיסה המושרשת בבסיס חברת מובילאיי, שם צמצום טווח הטעות היא קריטית ברמת חיי האדם). המטרה היא שהטכנולוגיה תצמצם לאפס את טווח הטעות האנושית בבנק.

עם הפנים קדימה, המגמות או האזורים שכדאי לשים אליהם לב נוגעות בעיקר לכך שארגונים חייבים לעשות הרבה יותר אימוני כוח, לגדל שרירים בעולמות האלה. ממחקר של הארוורד עולה שכ 72% מההון האנושי בארגונים פיננסיים יהפכו ללא רלוונטיים בשנים הקרובות, הודות ל Gen AI. כמנהלת ה HR של הבנק, אני משלבת גם בתחום זה טכנולוגיות Gen AI, למשל: כבר בשלב הגיוס, נעשה שימוש ב Chat GPT כדי לשפר ולדייק תיאורי משרה (מה שהיה לוקח ימים לוקח כעת שניות בודדות), דרך סריקה ועיבוד ל מסמכי קורות חיים כדי לקצר זמנים ולאתר את המועמדים המתאימים ביותר למשרות ספציפיות.

אנחנו יודעים גם לשלב Gen AI בתהליכי המשוב של עובדים: מניתוח הדאטה המובנית למשל ביצועים יבשים, ועד שילוב מידע רך, הטכנולוגיה יודעת להמליץ על צרכי העובד אל מול הארגון בצורה מותאמת יותר.

עם הפנים קדימה, המגמות או האזורים שכדאי לשים אליהם לב נוגעות בעיקר לכך שארגונים חייבים לעשות הרבה יותר אימוני כוח, לגדל שרירים בעולמות האלה. ממחקר של הארוורד עולה שכ 72% מההון האנושי בארגונים פיננסיים יהפכו ללא רלוונטיים בשנים הקרובות, הודות ל Gen AI. כמנהלת ה HR של הבנק, אני משלבת גם בתחום זה טכנולוגיות Gen AI, למשל: כבר בשלב הגיוס, נעשה שימוש ב Chat GPT כדי לשפר ולדייק תיאורי משרה (מה שהיה לוקח ימים לוקח כעת שניות בודדות), דרך סריקה ועיבוד ל מסמכי קורות חיים כדי לקצר זמנים ולאתר את המועמדים המתאימים ביותר למשרות ספציפיות.

אנחנו יודעים גם לשלב Gen AI בתהליכי המשוב של עובדים: מניתוח הדאטה המובנית למשל ביצועים יבשים, ועד שילוב מידע רך, הטכנולוגיה יודעת להמליץ על צרכי העובד אל מול הארגון בצורה מותאמת יותר.

בסופו של יום, זו האחריות של הארגון לשלב את הכלים והטכנולוגיות וגם לעודד את העובדים להתנסות ולהשתמש בהם. אם רוצים שינוי תרבותי אמיתי, חשוב לאפשר לעובדים להתנסות בטכנולוגיה, מה שיעצים אותם וכמובן את הארגון כולו."

נעמה פרי כהן, מנהלת אגף טכנולוגיות, דיגיטל וחדשנות, חטיבת המרכזים הרפואיים הממשלתיים

"יש לנו ניסיון משמעותי בעולם של בינה מלאכותית יוצרת והבנו מאוד מהר את החשיבות האדירה שיש באימון המודלים והתאמתם לעולם התוכן והמושגים של הארגון, במיוחד כשמדובר בעולם הרפואה, ובטח כדי לאפשר לצוותים הרפואיים להסתמך על הכלים הללו. בנוסף, כגוף שמרכז דאטה של כ 25 בתי חולים ומוסדות רפואיים מובילים בישראל, המודל שהטמענו שמנתח את הדאטה מותאם לעולם הרפואי, וככזה יכול לספק תמונה רחבה מאוד עבור המשתמשים שמעוניינים בתובנות ונתונים שמגיעים ממגוון רחב של מקורות במטרה לחזק את האמינות שלהן. 

בנקודה הזו משתלבת גם הארכיטקטורה שתכננו והתאמנו, שהופכת לקריטית כשרוצים לשלב טכנולוגיות כגון Gen AI. חשוב לזכור שכדאי להתחיל בצעדים קטנים ומדודים, לא לרוץ ולבנות "חלליות", אלא להתחיל מקטן, למשל לוודא את איכות ותקינות הדאטה, לוודא שהיא אמינה, ולוודא שיש מנגנוני אבטחה אנושיים – הכוונה לבקרות אנושיות שיודעות לבקר ולתקף את התוצרים של ה Gen AI."

אסף שיפ, CTO שטראוס אסטרטגיה

הבנו שכחברה המייעצת ומלווה ארגונים גדולים, כשמדובר ב Gen AI אנחנו חייבים להטמיע את התרבות וההבנה המקצועית בתוך החברה, לכן בנינו Task Force פנימי שיעסוק בתחום בצורה עמוקה ורצינית. יש לנו כיום כ 100 יועצות ויועצים מקצועיים שמתנסים בעצמכם בשלל כלים וטכנולוגיות, בנוסף לניסיון הקריטי שנלמד בכל פרויקט שנעשה בכל תחום עסקי. ב"רוח המלחמה" אנחנו שואפים לחתור למגע, במובן של אימוץ גישה פרואקטיבית במטרה לחבר את הצד העסקי לטכנולוגי בשלבים מוקדמים של כל פרויקט ועבודה משותפת.

לרוב, הארגונים אינם מכירים את מגוון הפתרונות, האפשרויות וההזדמנויות שזמינות שם בחוץ, ודווקא בגלל זה אנחנו מאמינים שחשוב להתחיל ממיפוי הצרכים העסקיים ואז אליהם לחבר פתרונות טכנולוגיים נכונים.

בנוסף, חשוב להבין שמדובר בהשקעה, לרוב יקרה. העובדה הזו משפיעה על תהליך קבלת ההחלטות שכל ארגון נדרש אליו כשהוא בוחן היכן להתנסות במסגרת הטכנולוגיה.

שתי דוגמאות למהלכים שביצענו עם לקוחות: הראשונה: חברת הייטק שמייצרת הרבה מסכי נתונים, עזרנו להם לשלב Gen AI שמייצר אוטומציה בתהליך, מה שחוסך להם זמן פיתוח יקר ורב, מקצר את הזמנים באופן דרמטי, Figma to React.

דוגמה נוספת הקשורה לעולם ה OCR. בעיקר בתחום הפיננסי אבל לא רק, כל מי שהתנסה בזה מכיר את העובדה שהטכנולוגיה לא מדויקת ב 100%, מה שמייצר צורך לניהול ובקרה אנושיים למסמכים שמתקבלים. בשילוב Gen AI שיפרנו פלאים את איכות הסריקות שהתקבלו, בין היתר על ידי "לימוד" עולם התוכן והקונטקסט העסקי, כדי לאפשר ל Gen AI לשפר את יכולת הזיהוי של הדאטה.

נשמח לבחון חיבור של הצוות המקצועי של שטראוס אסטרטגיה אל ההנהלה או הגורם העסקי שלכם.

עוד כתבות עבורך

העבודה שלא רואים: מה באמת קורה אחרי שמטמיעים AI

נציגת מוקד השירות מקבלת כלי AI שמסכם שיחות ומציע תשובה ללקוח.

על הנייר, זה סיפור הצלחה. זמן הטיפול מתקצר, הנציגים כותבים פחות, יש תיעוד מלא ויש פוטנציאל אמיתי לשיפור השירות.

עכשיו תשבו ליד הנציגה.

היא קוראת את הסיכום, מתקנת פרט שהמערכת פספסה, בודקת שההבטחה שנוסחה ללקוח עומדת בנהלי החברה, מוחקת משפט שנשמע מצוין אבל אינו מדויק ורק אז שולחת.

הדקות שנחסכו קיימות. אבל נולדה גם עבודה חדשה.

והשאלה שלא נשאלת היא איזו עבודה חדשה AI העביר לאחריות בני האדם והאם אנו בכלל מודעים לקיומה.

 

במאמר הקודם בסדרה שאלנו איזה מדד עסקי אמור להשתפר בעקבות אימוץ AI ואיזו עבודה באמת השתנתה. אלה שאלות ניהוליות נכונות – אבל הן מניחות שקל לראות את התשובה. בפועל, בין הרגע שבו AI מייצר תוצר לרגע שבו מישהו סומך עליו יש שכבה שלמה של עבודה שכמעט אף דוח לא לוכד.

 

AI לא רק מחליף משימות. הוא משנה אותן

מחקר של Workday שפורסם ב-2026 מצא שכמעט 40% מהזמן שעובדים מדווחים כי חסכו באמצעות AI נאבד מחדש בתיקון טעויות, ניסוח מחדש ובדיקת התוצרים. [1]

בקרב משתמשים יומיומיים 77% אמרו שהם בודקים עבודה שהפיק AI לפחות באותה קפדנות שבה הם בודקים עבודה אנושית.

BCG מצאה תמונה דומה מזווית אחרת. בסקר גלובלי בקרב 11,749 עובדים, 52% מהנשאלים דיווחו שהם מקדישים יותר זמן מבעבר לבדיקה ולתיקון של תוצרים שנוצרו באמצעות AI. במקביל, 47% מהעובדים ציינו שהזמן שהם משקיעים בהנחיית כלי AI, בבדיקת התוצאות ובתיקונן כבר גדול מהזמן שהם משקיעים בביצוע המשימה עצמה. [2]

 

כלומר במקרים רבים העבודה לא נעלמת, היא עוברת מקום:

מכתיבת המסמך לבדיקתו.

מחיפוש המידע לאימות שלו.

מביצוע הפעולה להנחיית המערכת.

מהפקת התוצר לאחריות על מה שהמערכת הפיקה.

 

זהו שינוי מהותי באופן שבו עבודה מתבצעת אבל בארגונים רבים הוא עדיין לא מופיע בהגדרות התפקיד, במדדי התפוקה או בתכנון מצבת כוח האדם.

 

איך זה נראה בארגון ישראלי?

אנליסטית בחברת אשראי שמכינה ניתוח להנהלה.

בעבר היא אספה נתונים, ניתחה אותם והכינה שקפים. היום כלי AI יכול להכין טיוטה ראשונית בתוך דקות.

נשמע מצוין.

אבל עכשיו מתחילה שכבה אחרת של עבודה: האם המערכת השתמשה בגרסה האחרונה של הקובץ? האם היא הבינה נכון את ההגדרה הארגונית ל"לקוח פעיל"? האם המספר כולל את חודש אוגוסט? האם היא ערבבה בין נתוני ברוטו לנטו?

ה-AI מצמצם את עבודת ההפקה אבל מגדיל את עבודת הבקרה ואת החשיבות של הידע הארגוני.

או צוות בבית חולים שמשתמש ב-AI כדי לסכם מידע ולהכין מסמכים.

ככל שהתוצר מגיע מהר יותר ונראה מקצועי יותר דווקא האחריות האנושית לבדוק אותו הופכת חשובה יותר. במקרה כזה, "חיסכון בזמן כתיבה" לבדו הוא מדד כמעט חסר משמעות אם לא בודקים במקביל כמה זמן הושקע באימות, תיקון ואישור.

 

גם במטה של חברה קמעונאית זה יכול להיראות מוכר: מנהל מבקש מ-AI להכין ניתוח מהיר של תלונות לקוחות ובתוך דקות מתקבלת חלוקה מרשימה לקטגוריות.

אבל מנהלת השירות שמכירה את השטח מגלה שהמערכת איחדה שתי בעיות שונות לחלוטין. מבחינת האלגוריתם שתיהן "עיכוב באספקה". מבחינת העסק, במקרה אחד הבעיה נמצאת במחסן ובמקרה השני בחברת השילוח.

בלי הידע שלה, הניתוח נראה נכון אבל מוביל להחלטה הלא נכונה.

 

הידע המקצועי שמאפשר למערכת לעבוד היטב נמצא לעיתים קרובות אצל האנשים שקולם כמעט לא נכנס לדיון על הטכנולוגיה.

 

לעבודה החדשה הזו כבר נתנו שם

בדוח Work AI Index של Glean היא נקראת botsitting.

זהו הזמן שעובדים משקיעים כדי להפוך את תוצרי ה־AI  לשמישים ובעלי ערך: מתן הקשר, בדיקת דיוק, תיקון שגיאות, הרצת שאילתות חוזרות, השוואה בין מודלים שונים וליטוש פלטים שאינם בשלים להפצה בארגון.

לפי הסקר של Glean, עובדים משקיעים בכך 6.4 שעות בשבוע בממוצע. 37% מהזמן שהם עובדים עם AI מוקדש ל-botsitting, מעט יותר מ-36% שמוקדשים לשימוש בכלי לצורך הפקת העבודה עצמה. [3]

למרות המספרים הברורים, צריך לקרוא את הנתונים בזהירות. Glean היא ספקית טכנולוגיה, והמחקר שלה מתמקד ב-6,000 עובדים דיגיטליים בארה"ב, בריטניה ואוסטרליה.

אבל הוא מצביע על תופעה שמופיעה גם במחקרים אחרים: לצד החיסכון נוצרת שכבה אנושית של פיקוח, שיקול דעת ותיקון.

 

הבעיה אינה שהשכבה הזאת קיימת, להפך – היא חיונית.

הבעיה מתחילה כשהיא בלתי נראית.

 

ההנהלה רואה את הכלי. העובד רואה את העבודה

נניח שארגון הטמיע Copilot Enterprise או פתרון ארגוני אחר.

בלוח המחוונים אפשר לראות כמה עובדים נכנסו, כמה פעמים נעשה שימוש בכלי ואולי גם כמה זמן נחסך לפי הערכות המשתמשים.

קשה הרבה יותר לראות את מה שקורה דקות לאחר מכן בשטח:

  • מי פתח מחדש את קובץ המקור כדי לבדוק נתון.
  • מי שיכתב מחדש חצי מהתשובה.
  • מי העביר את הפלט למומחה נוסף לאישור.
  • מי ניסה ארבעה prompts שונים עד שהגיע לתוצאה שמישה.
  • ומי החליט שבמשימה הזאת פשוט מהיר יותר לעשות את העבודה לבד.

 

אם המידע הזה לא חוזר להנהלה נוצר פער מסוכן בין adoption לבין value.

אפשר להגיע לשיעורי שימוש גבוהים מאוד ועדיין לא לדעת אם הארגון באמת עובד טוב יותר.

זו בדיוק הסיבה ש-BCG טוענת כיום שהשלב הבא באימוץ AI אינו עוד כלי אלא עיצוב מחדש של תהליכי עבודה. [4] רק 36% מהעובדים בסקר שלה אמרו שקיבלו הכשרה מספקת למיומנויות הנדרשות לטרנספורמציית AI.

 

אבל כדי לראות את העבודה הסמויה צריך קודם לשמוע את העובדים

Gallup מצאה שבעולם רק אחד מכל ארבעה עובדים מסכים מאוד שהדעה שלו נחשבת במקום העבודה.[5]

עכשיו חברו את הנתון הזה למהפכת ה-AI.

האנשים שיודעים הכי טוב אם כלי מסוים באמת עובד אינם בהכרח חברי ועדת ההיגוי. אלה האנשים שמשתמשים בו עשרות פעמים בשבוע.

הם יודעים שהסיכום מצוין אבל המספרים דורשים בדיקה.

שהכלי מקצר הכנת הצעת מחיר אבל מחייב מעבר ידני על כל סעיף.

שה-agent חוסך עבודה מצוות אחד אבל מייצר חריגים והזיות שעלולים להגיע לצוות אחר.

שהמערכת עובדת נהדר בעברית כללית, אבל מתקשה במונחים פנימיים שהארגון משתמש בהם כבר עשרים שנה.

 

זהו ידע תפעולי יקר ערך.

אבל אם הארגון שואל את העובדים רק "האם אתם משתמשים ב-AI?" הוא מפספס אותו.

 

הבעיה אינה התנגדות לשינוי

זו אולי הנקודה החשובה ביותר שעל הנהלות להבין.

עובד שאומר "אני משקיע הרבה זמן בבדיקת התוצרים" אינו בהכרח מתנגד ל-AI. ייתכן שהוא דווקא המשתמש הטוב ביותר שלכם.

הוא מספיק מקצועי כדי לזהות טעויות, מספיק אחראי כדי לא להעביר אותן הלאה ומספיק מנוסה כדי לדעת איזה הקשר חסר למערכת.

אם המסר הארגוני הוא שהצלחה פירושה "יותר שימוש" לעובד כזה יש תמריץ חלש מאוד להציף את הבעיות.

הוא עלול לחשוב שהתגובה תהיה "אתה לא יודע לכתוב prompt טוב מספיק."

כאן ארגונים עלולים לאבד את מקור המידע החשוב ביותר שיש להם על איכות ההטמעה.

McKinsey פרסמה לאחרונה שטרנספורמציית AI אינה יכולה להתבצע רק מלמעלה למטה. הערך נוצר כאשר עובדים מגלים מקרי שימוש, מתנסים בדרכי עבודה חדשות ומשפרים באופן מתמשך את האופן שבו AI משתלב בעבודה היומיומית. [6]

 

אז מה הנהלה צריכה למדוד?

לא רק שימוש, לא רק מספר רישיונות, אפילו לא רק "שעות שנחסכו".

 

אנחנו מציעים להסתכל על AI כעל שינוי במערכת העבודה ולשאול ארבע שאלות מפתח בכל תהליך מרכזי:

1מה באמת התקצר?

איזו משימה נעשית מהר יותר ומהו החיסכון נטו אחרי בדיקות ותיקונים?

2איזו עבודה חדשה נוצרה?

בדיקות, אישורים, הזנת הקשר, טיפול בחריגים, תיקון או מעבר בין מערכות.

3לאן העבודה עברה?

אוטומציה בצוות אחד יכולה לייצר עבודה ידנית בצוות אחר. אם מודדים רק את נקודת האוטומציה, מפספסים את התהליך מקצה לקצה.

4מה העובדים יודעים שאנחנו עדיין לא יודעים?

איפה הכלי מצליח, איפה הוא נכשל ואילו התאמות בתהליך יהפכו אותו באמת לפרודוקטיבי.

 

אלה אינן שאלות של משאבי אנוש בלבד.

אלה שאלות של אסטרטגיה, תפעול, טכנולוגיה וניהול.

 

השלב הבא באימוץ AI הוא לא בהכרח עוד AI

ארגונים השקיעו בשנתיים האחרונות הרבה מאוד אנרגיה בבחירת כלים, באבטחת מידע, במודלים, ברישיונות ובהדרכות. כל אלה הכרחיים.

אבל ככל שה-AI נכנס עמוק יותר לתוך העבודה עצמה, מוקד הניהול צריך להשתנות.

פחות לשאול "מי משתמש?" ויותר לשאול "איך העבודה השתנתה?"

פחות למדוד את מה שהמערכת עשתה ויותר להבין את המאמץ האנושי שנדרש סביבה.

ובעיקר להכניס לשיחה את האנשים שמכירים את המציאות טוב יותר מכל Dashboard.

 

זהו המאמר השלישי בסדרה על הטמעת AI בארגונים. במאמר הבא נעבור מהנתונים על העבודה הנסתרת אל החוויה האנושית של השינוי עצמו – איך זה מרגיש להיות העובד שעובר את התהליך הזה.

 

אם אתם מזהים בארגונכם את הפער בין היקף האימוץ הטכנולוגי לבין התפוקה העסקית בפועל אנו מזמינים אתכם לפנות ויחד נוכל למפות את תהליכי העבודה , לזהות את שכבות הבקרה הסמויות ולעדכן את מודל ההפעלה כך שההשקעה שלכם בבינה מלאכותית תתורגם לפריון ארגוני מדיד ומתמשך.

 

מקורות

[1] Workday Research 2026 – Companies Are Leaving AI Gains on the Table

[2] BCG – AI at Work 2026

[3] Glean – Work AI Index 2026

[4] BCG – Why AI Change Is Actually a People Change

[5] Gallup – Employee Voice

[6]  McKinsey – AI transformations run on trust

 

אתם שואלים את השאלה הלא נכונה: מדריך הישרדות בגלקסיית ה-AI Powered SDLC

למה הבטחות הפרודוקטיביות של ה-AI דורשות בחינה מחודשת, ואיך מנווטים את הארגון הרחק "מחומת ה-18 חודשים"?

בספר המופת "מדריך הטרמפיסט לגלקסיה", מחשב-העל "הרהור עמוק" נדרש לשבעה וחצי מיליוני שנים כדי לחשב את התשובה לשאלה הגדולה של החיים, היקום וכל השאר. התשובה שהוא החזיר הייתה 42. הבעיה היחידה הייתה שאף אחד לא באמת הבין מהי השאלה.

בעידן ה-AI Powered SDLC ארגונים רבים חווים תופעה דומה. אנו רואים הנהלות שרוכשות רישיונות של GitHub Copilot, Cursor או Claude, מקבלות דוחות המציגים "חיסכון של 40% בזמן כתיבת קוד", ומכריזות על הצלחה.

השאלות שעולות בחדרי ההנהלה עוסקות לרוב בחיסכון: "כמה זמן פיתוח קוצץ?", "בכמה עלתה הפרודוקטיביות?" או "מתי נוכל לייעל את מצבת כוח האדם?"

אך מתוך הניסיון המצטבר בשטח, עולה כי אלו אינן השאלות המרכזיות שיובילו להצלחה ארוכת טווח.

התמקדות אך ורק במהירות כתיבת הקוד מספרת רק חצי מהסיפור. ייצור קוד מהיר יותר משמעותו, לעיתים, ייצור מורכבות מהירה יותר.

השאלה המהותית שמעסיקה כיום מובילים טכנולוגיים היא היכן פוגש ה-AI את הארגון ביום שאחרי – בנקודה שבה הקוד הזה פועל בסביבת הייצור ודורש תחזוקה. כדי לצלוח את הטרנספורמציה הזו, עלינו לעדכן את מודל ההפעלה הארגוני ולהבין את ההשלכות הרוחביות שלו.

  1. ירח הדבש, חוב ההבנה ו"חומת ה-18 חודשים"

כמו בכל הטמעה של טכנולוגיה משבשת, אימוץ AI בפיתוח מתחיל בירח דבש. בשלושת החודשים הראשונים, צוותי הפיתוח מציגים הספק חסר תקדים.

אבל מתחת לפני השטח מתחיל להצטבר "חוב הבנה" (Comprehension Debt).

חוב הבנה הוא המחיר העתידי שהארגון ישלם כדי להבין, לתקן, לשנות ולאבטח קוד שנוצר על ידי מכונה – מבלי שגורם אנושי מבין במלואה את הלוגיקה שלו. כאשר קוד מאושר בקליק ללא תהליכי Code Review מותאמים, הארגון צועד לקראת התנגשות עם מה שאנו מכנים "חומת ה-18 חודשים":

 

  1. סיור בגלקסיה הארגונית: עדכון תפקידי הליבה

מהפכת ה-AI SDLC היא אירוע הוליסטי. היא דורשת עדכון של ה-Operating Model הארגוני כולו כדי לשמור על סנכרון מלא בין היחידות השונות:

  • אנשי מוצר (Product Managers) כארכיטקטים של הקשר: בעבר, איש המוצר העביר User Story לפיתוח. כיום, הדרישה לדיוק עולה מדרגה. תפקידם מתרחב ל"ארכיטקטים של הקשר" (Context Architects) – עליהם להגדיר דרישות, חוקים עסקיים ומגבלות בצורה מדויקת (Specifications) שכן אלו מהווים את חומר הגלם למנוע ה-AI.
  • בדיקות ואיכות (QA) כמומחי וולידציה: כאשר ה-AI כותב גם את הקוד וגם את הבדיקות האוטומטיות, מוקד ה-QA משתנה מבדיקות תרחישים ידניות לוולידציה מערכתית מורכבת. האחריות שלהם היא לאתגר את ה-AI במצבי קצה (Edge Cases) ולוודא עמידה מדוקדקת בלוגיקה העסקית.
  • שיווק ומכירות – תיאום ציפיות עסקי: הנגישות לכלים אלו עלולה לייצר לחץ עסקי לשחרור פיצ'רים בזק. מנגד, זו הזדמנות עבור גופי השיווק להשתמש ב-AI ליצירת אבות-טיפוס (Mockups) מול לקוחות, ולבסס פיתוח על דרישות שוק מוכחות, כל עוד נשמר התיאום מול יכולות הייצור.
  • תמיכה ותפעול (Support & Ops) – לתקן את החוקים, לא את הקוד: במקום פתרון נקודתי של באגים בקוד (מה שמייצר "קוד ספגטי"), צוותי התפעול נדרשים לעבוד במודל שבו מתקנים את האפיון (The Spec) או את מערכת החוקים (Rulebook), ומאפשרים ל-AI לייצר את המקטע מחדש.
  • סיכונים ורגולציה (Risk & Compliance) – ניהול סיכוני ה-Shadow AI: יוזמות עצמאיות של מפתחים (Shadow AI) חושפות את הארגון לזליגת מידע, הפרת רישיונות קוד פתוח וסוגיות פרטיות. האתגר הניהולי הוא יצירת AI Governance ברור שמאפשר חדשנות בטוחה בסביבה הארגונית.

 

  1. שינוי תפיסתי: המעבר ל"קוד מתכלה"  (Disposable Code)

אחת הדאגות המרכזיות בהנהלות היא שימור הידע הארגוני. מה קורה כאשר מפתח שהשתמש ב-AI לכתיבת מערכת מורכבת עוזב את החברה?

כאן אנו רואים צורך בשינוי פרדיגמה מהותי: התייחסות לקוד כאל משאב "מתכלה" (Disposable Code).

במציאות החדשה, הקניין הרוחני (IP) האמיתי אינו שורות הקוד עצמן, אלא ההקשר הארגוני, החוקים העסקיים והאפיונים שהוגדרו (Specifications & Rules).

ניהול נכון של "מנוע הקונטקסט" הארגוני מבטיח שהידע נשאר בארגון. כאשר נדרש שינוי, המפתח הבא אינו צריך לפענח קוד Legacy מורכב; הוא מעדכן את האפיון, וה-AI מחליף את הקוד הישן בקוד חדש ומעודכן תוך זמן קצר. הקוד מתחלף, אך הידע והשליטה נשארים בידי הארגון.

 

השורה התחתונה: בניית סביבת Sandbox מבוקרת

אימוץ AI בפיתוח אינו אסטרטגיה של "שגר ושכח", אך גם אינו מחייב שינוי קיצוני ומיידי של כלל הארגון.

הצעד הראשון והנכון ביותר הוא הקמת AI Software Factory Sandbox. סביבה מבוקרת, מאובטחת ומדידה שעבורה נבחר צוות אחד, פרויקט ממוקד או רכיב ספציפי. שם נוכל להגדיר את מנוע הקונטקסט, לנסח את סט החוקים הראשוני (Rulebook) ולבנות את היכולות – ללא סיכון למערכות הליבה הקיימות.

רק לאחר הצלחה מוכחת וגיבוש מודל עבודה נכון (Spec-Driven Development), ניתן להרחיב את הפעילות לארגון כולו בביטחון, הרבה לפני ההגעה אל אותה חומת 18 החודשים.

הגלקסיה החדשה כבר כאן. נשמח לשבת יחד, לשתף מתובנות השטח שלנו, ולחשוב איך לבנות את מפת הדרכים הנכונה עבור הארגון שלכם. דברו איתנו Hello@s-strategy.com

 

 

יש לכם AI בארגון. אז למה שום דבר לא השתנה?

רכשתם רישיונות. פתחתם גישה לעובדים. קיימתם הדרכות. אולי אפילו הקמתם קבוצת AI פנימית, הפצתם מדריכים ואספתם כמה סיפורי הצלחה.

ואז, כמה חודשים אחרי, מגיעה השאלה שהרבה הנהלות מתקשות לענות עליה: מה בעצם השתנה?

חלק מהעובדים כמעט לא משתמשים בכלים. אחרים משתמשים בהם מדי יום. אבל גם בארגונים שבהם שיעורי השימוש נראים טוב, לא תמיד רואים שינוי מקביל בפרודוקטיביות, בזמני העבודה, באיכות התוצרים או בתוצאות העסקיות.

קל להסיק מכאן שיש בעיית אימוץ AI. שהעובדים עוד לא התרגלו, שהם צריכים עוד הדרכה, עוד דוגמאות, אולי כלי אחר.

אבל במקרים רבים זו בכלל לא הבעיה.

רבים מתארים את זה כ"פער האימוץ" – הפער בין הרישיון שנרכש לתוצאה העסקית שמתקבל. אבל המונח הזה מטעה. בפועל מדובר בארבע בעיות משלימות.

"אימוץ AI" הוא שם לארבע בעיות משלימות.

הטיפול בהן הוא ההבדל בין כלי שנמצא בארגון לבין שינוי שבאמת מייצר ערך.

מה ההבדל בין גישה לשימוש ב-AI לבין ערך עסקי מ-AI?

גישה לכלי, שימוש בכלי, שינוי באופן שבו העבודה מתבצעת ויצירת ערך עסקי הם ארבעה שלבים משלימים.

העובדה שעובדים משתמשים ב-AI לא אומרת שהעבודה שלהם השתנתה. והעובדה שהעבודה השתנתה עדיין לא מוכיחה שנוצר ערך שאפשר לראות במדדים העסקיים.

מודל ארבעת השלבים של אימוץ AI:

שלבמה קורה בפועלמה עדיין לא הוכחנו
גישה לכלי AIלעובדים יש רישיון וכלי זמיןשהם משתמשים בו
שימוש בכלי AIהעובדים נעזרים ב-AI בעבודהשהעבודה עצמה השתנתה
שילוב כלי AI בעבודהשלבים בתהליך מתקצרים, משתנים או נעלמיםשנוצר ערך עסקי
ערך עסקי מאימוץ AIהשינוי משפיע על זמן, עלות, איכות, תפוקה או הכנסהכאן מתחילה התוצאה

 

בפועל, הרבה ארגונים נתקעים דווקא במעבר שבין שימוש לשינוי. הכלי כבר נמצא בעבודה, אבל העבודה עצמה עדיין מתנהלת כמעט באותה צורה.

חיסכון במשימה לא בהכרח מקצר את התהליך

נניח שחברת צוות מכינה מסמך באמצעות AI בתוך 40 דקות במקום שעתיים. על הנייר, זה שיפור משמעותי בפרודוקטיביות.

אבל מה קורה למסמך אחר כך?

אם הוא עדיין עובר דרך אותם שלושה גורמים לאישור, מחכה יומיים בתיבת המייל ומגיע לאותה ישיבה שבועית, הארגון לא בהכרח נע מהר יותר.

המשימה התקצרה. התהליך כמעט לא השתנה.

אותו הדבר יכול לקרות בפיתוח. צוות הפיתוח כותב קוד מהר יותר בעזרת AI, אבל אם צוואר הבקבוק נמצא בבדיקות, בתלויות בין צוותים או בזמן שמחכים להחלטה, מהירות כתיבת הקוד לבדה לא תקצר בהכרח את זמן ההגעה לפרודקשן.

גם בתהליך גיוס אפשר לקצר משמעותית את הזמן שנדרש לסכם קורות חיים ולהכין שאלות לראיון. אבל אם המועמדים עדיין ממתינים שבוע בין שלב לשלב בגלל זמינות של מנהלים, זמן הגיוס הכולל כמעט לא השתנה.

זו הבחנה חשובה: רוב הארגונים משפרים נקודתית ולא את התהליך.

ארגון יכול לשפר מאוד את הביצועים של משימות בודדות בלי לשנות באופן משמעותי את הקצב שבו הארגון כולו פועל.

שימוש הוא אינדיקציה. לא תוצאה.

מספר משתמשים פעילים, תדירות שימוש, ניצול טוקנים וכמות אינטראקציות הם מדדים חשובים להבנת אימוץ כלי AI.

אבל הם לא מדדי תוצאה.

הם מספרים לנו שהכלי נכנס לעבודה. הם לא מספרים לנו מה קרה לעבודה בעקבותיו.

ארגון יכול להציג שיעורי שימוש מרשימים ועדיין להמשיך לעבוד כמעט בדיוק כפי שעבד קודם. העובדים פשוט מבצעים חלק מהמשימות הקיימות מהר יותר בתוך תהליך שלא תוכנן מחדש.

לכן השאלה "כמה עובדים משתמשים ב-AI?" היא רק נקודת פתיחה.

השאלה המעניינת יותר היא: איזו עבודה מתבצעת היום אחרת בגלל AI?

לא כמה פרומפטים נכתבו השבוע. לא כמה רישיונות פעילים. אלא מה השתנה בדרך שבה עבודה עוברת מתחילתה ועד שהיא מייצרת תוצאה.

לא רק מה התקצר. מה השתנה או נעלם?

כדי לזהות ערך אמיתי, כדאי להסתכל על תהליכי עבודה ולא רק על משימות.

ניקח לדוגמה תהליך הכנת הצעה ללקוח.

לפני AI, צוות הלקוחות אסף מידע ממספר מקורות, ביקש נתונים מצוות נוסף, ניסח טיוטה, העביר אותה לבדיקה, קיבל תיקונים ורק אז שלח אותה.

אחרי אימוץ AI, ניסוח הטיוטה יכול להתקצר משעתיים לעשרים דקות.

זה מועיל, אבל אם איסוף המידע עדיין ידני, ההמתנה לנתונים נמשכת יום והאישור הסופי לוקח עוד יום, שיפרנו משימה ולא בהכרח שיפרנו את התהליך.

השינוי המשמעותי מתחיל כשהתהליך עצמו משתנה.

המידע יכול להיאסף אוטומטית. הטיוטה יכולה להיווצר בפורמט קבוע. בדיקות מסוימות יכולות להתבצע לפני שהמסמך מגיע לאישור (בהתאם למדיניות אבטחת המידע וממשל הנתונים של הארגון). במקרים פשוטים אפשר אולי לוותר על שלב אישור שהיה נחוץ בעבר.

במקרה כזה, לא רק "כתיבת ההצעה נהייתה מהירה יותר". לקוחות יכולים לקבל הצעה בתוך כמה שעות במקום בתוך יומיים.

AI יוצר ערך כשהוא מקצר שלבים בתהליך.

כאן כבר לא מדובר רק בעובדים שמבצעים את אותה משימה מהר יותר. העבודה עצמה השתנתה.

איזו החלטה מתקבלת אחרת בזכות AI?

לעיתים הערך הגדול ביותר של AI לא נמצא במהירות שבה המידע נוצר, אלא במה שהארגון עושה איתו.

נניח שעד היום מנהלי אזורים קיבלו פעם בשבוע דוח שמרכז ביצועי מכירות, נטישת לקוחות וחריגות שירות. הדוח הגיע ביום ראשון, וביום שלישי התקיימה ישיבת הנהלה שבה הוחלט מה דורש טיפול.

עכשיו AI מאפשר לעדכן ולסכם את אותו מידע מדי בוקר.

זה נשמע כמו שיפור משמעותי. אבל אם הארגון עדיין מחכה לישיבת יום שלישי כדי לקבל החלטה, חלק גדול מהיתרון נעלם.

השינוי מתחיל כשגם שגרת הניהול משתנה.

למשל, בכל בוקר מתקיים עדכון קצר שבו עולות רק חריגות שעברו רף מוגדר. במקרים מסוימים יש למנהלים סמכות לפעול מיד, בלי להמתין לישיבה השבועית או לאישור נוסף.

פתאום דוח שהיה בעיקר כלי דיווח הופך לכלי שמניע פעולה.

אותו עיקרון נכון בשירות. אם AI מזהה בתוך יומיים עלייה חריגה בפניות בנושא מסוים, במקום לגלות אותה בסיכום החודשי, השאלה היא מה קורה בעקבות המידע.

האם צוות השירות יכול לשנות תסריט מענה? האם צוות המוצר מקבל התרעה? האם אפשר לפנות באופן יזום ללקוחות שנפגעו?

אם כן, AI לא רק הפיק מידע מהר יותר. הוא שינה את מהירות התגובה ואת הדרך שבה הארגון מקבל החלטות.

AI שמייצר מידע מהר יותר הוא יכולת טכנולוגית. AI שלא משנה החלטות – לא משנה ארגון.

איזה מדד עסקי אמור להשתפר?

אם אי אפשר להגדיר איזה מדד אמור להשתנות בעקבות אימוץ AI, קשה לדעת אם נוצר ערך.

לפני שמרחיבים שימוש בכלי, כדאי להיות מסוגלים להשלים משפט פשוט:

"אם המהלך הזה מצליח, אנחנו מצפים לראות שינוי ב…"

התשובה לא צריכה להיות "כמות המשתמשים".

היא יכולה להיות זמן טיפול בפנייה, זמן הכנת הצעה, זמן קבלת החלטה, מספר משימות לצוות, זמן שחרור גרסה, שיעור טעויות, עלות טיפול, שביעות רצון לקוחות, שיעור המרה או כל מדד אחר שמתאים לתהליך.

אם צוות מכירות מקבל תובנות טובות יותר לפני שיחה, האם שיעור ההמרה השתנה?

אם צוות שירות מזהה בעיות מוקדם יותר, האם זמן הטיפול ירד?

אם פיתוח עובד מהר יותר, האם גרסאות באמת מגיעות ללקוחות מהר יותר?

אם מדד לא השתנה – לא קרה שינוי.

הבחנה כזאת גם משנה את הדרך שבה בוחרים איפה להטמיע AI.

במקום לשאול "איפה העובדים יכולים להשתמש בכלי?", שואלים: "באילו תהליכים יש לנו צוואר בקבוק משמעותי שאפשר לשנות?"

זו נקודת מוצא אחרת לגמרי.

ומה עושים עם הזמן שהתפנה – זו השאלה הניהולית החשובה ביותר ב-AI

אם משימה שלקחה שלוש שעות לוקחת עכשיו שעה, נוצרה לארגון קיבולת חדשה.

זמן שנחסך ולא מנוהל – נעלם.

זו אחת השאלות הניהוליות החשובות באימוץ AI: לא רק כמה זמן נחסך, אלא מה הארגון עושה עם הקיבולת שנוצרה.

אפשר להשתמש בה כדי להגדיל תפוקה, לקצר זמני תגובה, לשפר שירות או להעביר יותר זמן לעבודה מורכבת ובעלת ערך גבוה. אפשר גם לבחור לצמצם עלויות.

זו כבר אינה החלטה טכנולוגית. זו החלטה ניהולית.

חיסכון בזמן אינו סוף החישוב. השאלה היא לאיזה ערך הארגון מתכוון להמיר את הזמן הזה.

 

כלי ניהולי להערכת אימוץ AI

במקום להתחיל מהכלי, כדאי לבחור תהליך עבודה מוגדר ולשאול עליו חמש שאלות:

1איזו עבודה באמת השתנתה?

לא האם העובדים משתמשים ב-AI, אלא מה הם עושים היום אחרת.

2איזה שלב נעלם?

האם שיפרנו משימה נקודתית או את זמן המחזור של התהליך כולו?

3איזו החלטה מתקבלת אחרת?

האם מידע מהיר או איכותי יותר מוביל גם לפעולה אחרת?

4איזה מדד עסקי אמור להשתפר?

מה אמור להשתנות אם ההטמעה מצליחה?

5מה עושים עם הקיבולת שהתפנתה?

איך ממירים יעילות נקודתית לערך ארגוני?

 

השאלות האלה משנות גם את הדיון בהנהלה.

במקום לשאול "למה העובדים לא מאמצים AI מספיק מהר?", אפשר לשאול שאלות הרבה יותר שימושיות:

איפה בדיוק ציפינו שהעבודה תשתנה? מה מנע מהשינוי לקרות? איזה שלב עדיין מעכב את התהליך? איזו החלטה עדיין מתקבלת באותה דרך? ואיזה מדד היה אמור לזוז ועדיין לא זז?

זה כבר דיון אחר לגמרי על הטמעת AI.

הטמעת AI היא שינוי בדרך שבה הארגון עובד

רישיון הוא תנאי לגישה. הדרכה יכולה לעזור לעובדים להתחיל להשתמש. שימוש בכלי AI הוא סימן לכך שהטכנולוגיה נכנסה לארגון.

אבל אף אחד מאלה אינו היעד.

היעד הוא לשנות עבודה בצורה שמייצרת ערך.

לכן ארגונים שרוצים להתקדם מעבר לשלב ההתנסות צריכים להפסיק להסתכל רק על הטמעת כלי AI ולהתחיל להסתכל על תהליכים, החלטות ומדדים.

כי השאלה החשובה כבר אינה כמה עובדים משתמשים ב-AI.

השאלה היא מה בארגון עובד אחרת מאז שהם התחילו לעבוד עם כלי AI. ואם שום דבר לא עובד אחרת, ההטמעה לא הצליחה.

 

זהו המאמר השני בסדרה על הטמעת AI בארגונים. בהמשך הסדרה נעמיק גם בזווית האנושית – איך השינוי הזה נראה מנקודת המבט של העובד עצמו.