בשבת לפנות בוקר נערך בטקסס קרב אגרוף בין מייק טייסון (גיבור מוערץ) לבין ג'ייק פול אקס-יוטיובר שהוסב למתאגרף. התוצאה צפויה לצערי – 30 שנות הפרש הן רמז עבה… אבל, הקרב הזה הזכיר לי שרציתי לכתוב על "דו-קרב" אחר בעל תוצאות הרבה פחות צפויות: מודלי שפה גנריים מול מודלי שפה מתמחים.
🎯 ממון רב מושקע באימון ו/או fine-tuning של מודלי שפה
בתקווה ליצור מודל מתמחה שמניב ביצועים עדיפים בעולם תוכן ספציפי. מודלים אלו מכונים DAPT (domain adaptive pretraining). לכאורה טריוויאלי ומתבקש: מודלים שאומנו (pre trained) ו/או כויילו (fine tuned) כירורגית להתמחות בעולמות רפואה או פיננסים למשל, אמורים להניב תשובות מדויקות יותר בשימושים ייעודיים ממודל גנרי עדכני.
לכאורה. שני מחקרים שפורסמו מטילים ספק בפרדיגמה הזאת.
💰לקסם הבא אני זקוק ל-10 מיליון $ ומודל GPT3
בלומברג – ענקית פיננסים מהמובילות בעולם – השקיעה לפני שנה+ למעלה מ-10 מיליון $ ביצירת BloombergGPT – מודל שפה ייעודי מבוסס GPT3.5 שאומן על דאטה פיננסי קנייני וציבורי.
BloombergGPT הוא מודל שפה בן 50 מיליארד פרמטרים. הוא אומן מהבסיס – משימה יקרה השמורה בד"כ לשחקנים מובילים. הוכן dataset עצום שמתבסס על מידע פיננסי שנצבר מ-40 שנות פעילות, בתוספת מאגרי מידע פיננסיים ציבוריים שיצרו גוף-ידע של למעלה מ-700 מיליארד טוקנים אותם היא זיקקה ל 50.
היעד היה שאפתני והתוצאה סמוך להשקה היתה חד-משמעית: המודל של בלומברג הציג ביצועים טובים יותר בהשוואה למודלים דוגמת GPT3.5 במשימות פיננסיות, ולתוצאות דומות או עדיפות במשימות כלליות.
אמריקה, וורסאנו. או שלא תמיד?
במחקר מקיף שהתפרסם באוק 23 נמצא שמספר חודשים מאוחר יותר – מודל GPT4 החינמי הזמין לכל מביס אותו ברוב המבדקים.
הסיפור של BloombergGPT ממחיש בצורה הכי גרפית את העקרון של "שיפור אינטרינסי אקספוננציאלי" ביכולות מודלי שפה והמשמעות הדרמטית שלו על אסטרטגיות מוצר או הצעת ערך.
⚕️האם מודלים רפואיים מתמחים בהכרח עדיפים?
חוקרים מאוניברסיטאות קרנגי-מלון וג'ון הופקינס פרסמו לאחרונה מחקר שמטיל ספק דומה בתחום הרפואי. המחקר השווה בין מספר מודלי שפה מתמחים (טקסטואלים וחזותיים) לבין מודלי הבסיס הגנריים המקבילים.
ניתן לעובדות לדבר:
⭐ מודלים מתמחים טקסטואליים הניבו תשובות נחותות בהשוואה לאחיהם "הלא משכילים" ב 38.2% מהמבדקים, השיגו תיקו ב 49.8% מהם, והביסו את אחיהם "הגנריים" רק ב- 12.1% מהמבדקים.
⭐ המודלים החזותיים הביסו את אחיהם הגנריים רק ב 6.3% מהמבדקים, הגיעו לתיקו ב 81.3%, והובסו ב 12.5% מהמבדקים.
📈 מחשבות ותובנות שלדעתי ראוי שכל מקבל החלטות ישקול:
⚡שיקלו להשקיע באימון או fine-tuning במקרים מאד מובחנים
דוגמאות: דאטה ייחודי ובעל משמעות דרמטית לאיכות התשובה, צורך בסמנטיקה עמוקה או רצון לנתח/לבנות גרף ידע בתחום מאד מתמחה.
⚡"פקטרו" שיפור "אבולוציוני" במוצר שלכם שנובע משיפור במודל-השפה
קצב השיפור האקספוננציאלי של מודלים גנריים מאפשר לעתים לתכנן מפת דרכים שממנפת שיפור "עצמוני" במוצר ⭐שלכם⭐ שנובע מעצם השיפור במודל הגנרי השלוב בו.
נסו שלא "לנוון" שיפור זה בגלל ארכיטקטורת שילוב/פרומפטינג קשיחה.
⚡טכניקות פרומפטינג מדויקות
(דוגמת COT , few shots) כמו גם הינדוס חכם של זרימת השימוש במודלי השפה הגנריים מוכחים כיכולים לשפר דרמטית את איכות ועקביות התשובות
כיצד לנווט בחכמה את מהפכת ה AI: ממהלכים טקטיים לטרנספורמציה ארגונית אסטרטגית
שינוי פרדיגמה: מהפכה עמוקה מכפי שנדמה
העולם העסקי חווה שינוי מהותי ועמוק עם כניסת הבינה המלאכותית "לחייו". חברות ייעוץ ומחקר מעריכות כי עד 2030, הבינה המלאכותית צפויה לתרום כ 15.7 טריליון דולר לכלכלה העולמית. בדרך לשם, הבינה המלאכותית מאתגרת ומשבשת את כללי המשחק לא רק ברובד התפעולי והטכנולוגי – אלא בעיקר ברמת הפרדיגמה הארגונית.
איך מרגיש השינוי הזה?
קצב תמורות אקספוננציאלי
מהפכות / טרנספורמציות טכנולוגיות קודמות התאפיינו בשינויים הדרגתיים יחסית וקצב הבשלה שאפשרו לארגונים להסתגל באופן מדוד אחראי ומתון, ואשר השפיעו באופן יחסית ממוקד על רבדים/יחידות ארגוניים. לעומתן, מהפכת הבינה המלאכותית מציבה בפנינו תמונת מציאות שונה לחלוטין: טכנולוגיה שמשנה את כללי המשחק בכל רובד ארגוני במקביל, בקצב אקספוננציאלי, ללא "נוסחה מנצחת" לאימוץ ארגוני מוצלח, ומאלצת חשיבה מחדש על הנחות יסוד ופרדיגמות עסקיות של הארגון בעידן החדש הזה.
"כוח על" לכל עובד-ידע
אם לא די בכך, הבינה המלאכותית היוצרת והנגישות חסרת התקדים שלה יוצרות לראשונה מצב בו טכנולוגיה כה טרנספורמטיבית זמינה ונגישה פוטנציאלית לכל עובד ידע בכל רמה ותפקיד in-the-flow-of-work ויכולה להקפיץ באופן דרמטי את האפקטיביות, האיכות, הפריון, והיצירתיות שלו מרמת הניהול והתכנון ועד לרזולוציה של משימה בודדת.
כל זאת, ללא צורך ברכישת מיומנויות טכנולוגיות, ללא צורך בפיתוח תוכנה, תקורת IT, או צורך בהטמעת מערכות ליבה ארגוניות מורכבות. בדיוק כפי שלא נעלה בדעתנו עובד-ידע שאינו שולט בסביבת Office בקרוב כל עובד ישלוט בארגז-כלי AI יומיומיים חיוניים שישפרו דרמטית את הפרודוקטיביות והיצירתיות שלו.
דמוקרטיזציה וקומודיטציה של עולם התוכנה
ומהפרט לארגון: אנו עדים לתהליך מואץ ועמוק של קומודיטיזציה של עולם התוכנה. מה שפעם היווה חסם כניסה ומקור ליתרון תחרותי לגדולים, לעשירים ולעתירי טאלנט טכנולוגי, כעת הופך במהירות עצומה למוצר מדף נגיש, זמין כלכלית ובר-שיחלוף.
מערכות המידע הארגוניות "המסורתיות" מאבדות את הערך האינטרינסי המבדל שלהן, ובמקביל, הבינה המלאכותית הנגישה (לעתים עד רמת קוד פתוח חינמי לשימוש בלתי מוגבל) מתגלה ככוח טרנספורמטיבי שמסוגל לשנות מן היסוד את האופן שבו יחידים וארגונים מקבלים החלטות, מנהלים סיכונים, מזהים הזדמנויות ומייצרים ערך.
הפרדוקס האסטרטגי: מדוע ארגונים רבים מחמיצים את ההזדמנות האמיתית
עד כאן החלק הרומנטי.
בעוד מחקרים ודוחות עדכניים (בעיקר מארה"ב ואירופה) מעידים על אחוז גבוה (35-60%) מהארגונים שהצהירו כי הם כבר "משתמשים" ב Gen-AI בצורה כזו או אחרת, הרי שבפועל אחוז גבוה מאד מאלו המצהירים זאת מיישם זאת בפועל באחד מ או שילוב של 2 נתיבי אימוץ עיקריים:
א. הארגון מנסה לגבש "אסטרטגיית AI" נפרדת ועצמאית
גישה זו, המתייחסת ל-AI כאל עוד תחום טכנולוגי שדורש אסטרטגיה משל עצמו, היא – בעצמה – סוג של טעות אסטרטגית…
הפרדוקס טמון בעובדה שככל שהתועלות הפוטנציאליות המהותיות שמביאה עמה הבינה המלאכותית אמורה להשתלב ולהעצים את האסטרטגיה העסקית והמיקודים העסקיים של הארגון. במקום לראות ב-AI עוד הזדמנות טכנולוגית או דיסציפלינה נפרדת, עלינו להתייחס אליו ככוח טרנספורמטיבי שיכול:
לשדרג ולהאיץ את המיקודים העסקיים הקיימים
לדמיין מחדש את הצעות הערך והמודלים העסקיים
להעצים את היתרונות התחרותיים של הארגון
לשפר ללא הכר את יכולת קבלת ההחלטות וניהול הסיכונים
ב. הארגון מקדם "איים" של יוזמות נקודתיות וטקטיות
רוב הארגונים במשק כבר מקדמים / מתניעים מהלכים ויוזמות בתחום AI. חלקם מקדם פיילוטים או POC (Proof of concept) ליוזמות AI, מספקים הדרכות וסדנאות לחלק מהעובדים לשימוש בכלי Gen-AI מובילים. חלקם אף מטמיע פתרונות נקודתיים דוגמת בוטים של שרות או אוטומציות ברצפת המוצר והשירות.
איים של יוזמות, ואסטרטגיית AI עצמאית = סיכוי גבוה לתת מיצוי
פיילוט אינו טרנספורמציה, הדרכה לא יוצרת מיינדסט AIואימוץ נרחב, ויישום של בוט שירות לא "יזיז את המחוג" במיקודים העסקיים. נדרשת חשיבה עדכנית יותר על הפוטנציאל הטרנספורמטיבי המהותי של AI בארגון. מבינה מלאכותית ככלי / operational enabler ל- transformative tool
האתגר המרכזי: ניווט חכם בים סוער של שינוי אקספוננציאלי
האתגר המרכזי העומד בפני ארגונים החפצים להתגבר על הפרדוקס הארגוני / אסטרטגי הזה, הוא משולש:
שיטות ניהול-שינוי הנוכחיות לינאריות – מהפכת ה AI היא אקספוננציאלית
ראשית, רוב פרקטיקות ניהול השינוי ומודלי ההפעלה והניהול המסורתיים אופטימליות לעידן של שינויים לינאריים ומתונים, עבורו קיים playbook מוכח לאימוץ והטמעה של טכנולוגיות חדשות. אולם בעידן הנוכחי של שינוי אקספוננציאלי, כלים אלו פשוט הרבה פחות אפקטיביים.
להמתין שהעת תבשיל משמעו לפתוח פיגור מהותי
שנית, אסטרטגיית המתנה (Wait Strategy) שנראית לכאורה זהירה ואחראית, עלולה ליצור פער בלתי ניתן לגישור מול מתחרים שכבר החלו במסע הטרנספורמציה. כמו בכל מהפכה טכנולוגית, אלו הנעים ראשונים קדימה כבר ימנפו את היתרון התחרותי שהשיגו בעזרת AI כדי ליצור פער, בידול, נתח שוק, או נכסים מוחשיים רבי ערך אחרים – נכסים שישמרו על ערכם גם אחרי שכל השחקנים האחרים כבר יאמצו AI.
הייפ ורעש לבן מקשים לקבל החלטות
שלישית, הקצב המסחרר של ההתפתחויות בתחום מייצר "רעש לבן" שמקשה על קבלת החלטות אסטרטגיות מבוססות ותקפות. ארגונים מתקשים להבחין בין מגמות משמעותיות לבין הייפ זמני וטרנדים חולפים, בין הזדמנויות אמיתיות לבין חתונה-קתולית עם טכנולוגיה או תפיסה קניינית.
לסיכום:
תמונת המצב הנוכחים היא שארגונים רבים שאינם ארגוני AI – נאבקים לנווט במסע לאימוץ והטמעה ארגונית של בינה מלאכותית בליבת העסק, ובלב העובדים. הם חווים את המורכבות של ריבוי גישות כלליות, איים של יוזמות ופרויקטים שמיעוטם מבשיל לסביבת הייצור, וונדורים עם פרדיגמות כלים ופלטפורמות "גן סגור", אימוץ נקודתי ע"י עובדים, וחוסר בהירות באשר לתמונת העתיד.
אז מה עושים?
שלושת גלגלי התנופה שיעזרו לארגון להתמודד עם האתגרים:
GAIN: מודל הפעלה "עדכני" לניהול טרנספורמציית AI
אז סיכמנו שמהפכת הבינה המלאכותית מציבה בפני ארגונים אתגר ייחודי: כיצד להוביל טרנספורמציה ארגונית בעידן שבו אין playbook מוכח, קצב השינויים אקספוננציאלי, וההשפעה חודרת לכל רובד בארגון.
המענה לאתגר המשולש הזה דורש מסגרת חשיבה חדשה – מודל הפעלה עדכני – המתבסס על שלושה גלגלי תנופה ארגוניים המזינים ומעצימים זה את זה בדרך לארגון מועצם AI.
אנחנו מכנים את מודל ההפעלה הזה GAIN (וזו גם שמה של פרקטיקת ה AI הצומחת במהירות שלנו בשטראוס).
GAIN מתבססת על התובנה שטרנספורמציית AI מוצלחת דורשת סינרגיה בין שלושה מרכיבים קריטיים:
אוריינות AI ואימוץ נרחב ואחראי בקרב כלל העובדים, בכל יחידות ורמות הארגון
זיהוי והבשלה של יוזמות AI מובילות והבשלה של תשתית מידע/IT "מאפשרת"
תשתית ניהולית תומכת – מצפן לניווט ארגוני חכם בטרנספורמציה.
כל אחד מהמרכיבים הללו הוא תנאי הכרחי אך לא מספיק בפני עצמו – רק השילוב ביניהם מייצר את גלגל התנופה הארגוני – האינרציה הארגונית הנדרשת לטרנספורמציה ומיצוי מוצלחים ברמה האסטרטגית.
הבה נסקור בקצרה כל אחד מגלגלי התנופה:
GAIN Impact/Adoption
מעבר להדרכות: הקניית מיינדסט של אוריינות, כישורים ומצוינות AI לעובדי הידע
הדרכות והנגשת כלי AI ,חשובות ככל שיהיו, אינן מספיקות ליצירת אימוץ נבחר ובר-קיימא של AI בקרב עובדי הידע בארגון. נדרשת גישה מערכתית שיוצרת אוריינות AI עמוקה, מטפחת סביבה תומכת ומייצרת מוטיבציה מתמשכת לאימוץ והתפתחות. גלגל התנופה הראשון מתמקד ביצירת התשתית האנושית והתרבותית הנדרשת, בין היתר:
Buy-in ארגוני חכם ומותאם אישית – מהנהלה בכירה ועד לאחרון עובדי-הידע
הקניית אוריינות, מיינדסט וארגז-כלי AI לכל רמות הארגון באופן שלוב ביום-יום העסקי
יצירת סביבה ארגונית וכלי IT מעודדים ומאיצים שימוש, שימוש חוזר ושיתוף ידע
יצירה של סביבת למידה רציפה in the flow of work למשך חיי הארגון
GAIN Value
מינוף הזדמנויות למיצוי AI ויצירת תשתית תומכת
האימוץ הנרחב של AI בארגון יוצר מצע חיוני לזיהוי והבשלה של יוזמות AI מובילות. עובדים ומנהלים המצוידים ב AI-mindset ובאוריינות AI מתקדמת משלבים את "חוכמת השטח" העסקית שלהם עם הגופים הטכנולוגיים בארגון כדי לזהות לאפיין ולתעדף הזדמנויות למינוף AI בתהליכי הליבה ובמיקודים העסקיים של הארגון, ובכלל זה:
איתור הזדמנויות / יוזמות AI מובילות
כלים ופתרונות לזיהוי ואפיון יוזמות bottom-up ומונחי הנהלה
מיפוי רב ממדי ברבדי המוצרים, העובדים, התהליכים, הדאטה, וה IT.
זיהוי הזדמנויות AI בנכסי Data ארגוניים וחשיבת AI Data thinking
תיעדוף מאוזן מבוסס ערך עסקי ומידת ישימות
יישום מודל הערכה רב-ממדי לסינון ותיעדוף יוזמות AI
איזון בין תועלות מיידיות לפוטנציאל אסטרטגי ארוך טווח
הערכת בשלות טכנולוגית וארגונית ליישום – מוכנות Data, IT, רגולציה, בעלי תפקיד וכו'
ניהול פורטפוליו יוזמות חכם ומאוזן
יצירת תמהיל אופטימלי של יוזמות קצרות וארוכות טווח
קידום תשתיות מאפשרות בתחומי ה Data וה IT
GAIN Confidence
המצפן הניהולי החדש לניווט בטרנספורמציה הארגונית
גלגל התנופה השלישי מספק את התשתית הניהולית החיונית להצלחת הטרנספורמציה. הוא מאפשר למקבלי ההחלטות לנווט את המהלך המורכב באמצעות:
גיבוש מודל-הפעלה ושפה ארגונית אחידה לניהול טרנספורמציית AI
גיבוש מודל הפעלה לתיעדוף, קבלת החלטות, וקידום יוזמות
גיבוש מבנה ארגוני והגדרות תפקיד למבנים ולכישורים החדשים
מפת דרכים דינמית וגמישה
תוכנית פעולה דינאמית ומדורגת , ידידותית להתאמות ועדכונים תדירים
יכולת תגובה מהירה לשינויים טכנולוגיים ועסקיים
ניהול פורטפוליו יוזמות AI בצורת "תיק השקעות" ארגוני
ראייה הוליסטית של כלל היוזמות והפרויקטים, הערכה שוטפת של תשואה על השקעה
ניהול סיכונים מושכל ברמת הפורטפוליו
הסינרגיה והסנכרון בין הגלגלים: המפתח לניווט מוצלח בכל תוואי שנבחר
שלושת גלגלי התנופה אינם פועלים בוואקום. הם מזינים ומעצימים זה את זה באופן מתמיד:
תשתית ניהולית חזקה מאפשרת היגוי חכם ואחראי ומינוף ההצלחות להישגים עסקיים מדידים
ומה הלאה? הדרך לארגון אקספוננציאלי
ניווט במסע המרתק לאימוץ AI ארגוני בשיטת גלגלי התנופה של GAIN, לא רק שמסייע למקבלי ההחלטות בארגון לנווט בצורה חכמה ואפקטיבית בטרנספורמציה הארגונית של AI, אלא יכול אף לחשל ולהוביל בהמשך ליצירת "ארגון אקספוננציאלי" – ארגון עם מערכת הפעלה ניהולית עדכנית שמסוגל לא רק להסתגל בקצב-מואץ ומערכתי לשינויים וטרנספורמציות טכנולוגיות או עסקיות, אלא גם ליצור ולמנף הזדמנויות בקצב הולך וגובר – תוך יישום אותם שלושת גלגלי התנופה לאימוץ ארגוני, טכנולוגי, וניהולי מתואם, סינרגטי ומהיר.
ארגונים שיצליחו במשימה זו ייהנו מיתרונות מצטברים ומתחזקים:
יכולת קבלת החלטות מהירה ומדויקת יותר, מבוססת Data ומועצמת AI
חדשנות רציפה בתהליכים ובמודלים עסקיים
יתרון תחרותי מבוסס על נכסי מידע אסטרטגיים (Data, מודלים של AI)
תרבות ארגונית של למידה והתפתחות מתמדת
GAIN. נעים להכיר 🙂
GAIN, פרקטיקת ה AI הצומחת במהירות של שטראוס גובשה כמענה ישיר לאתגרים הייחודיים של עידן ה AI. ההתמחות שלנו שלנו מבוססת על שילוב של:
ניסיון עשיר בליווי טרנספורמציות ארגוניות, דיגיטליות, ועסקיות מורכבות
הבנה מעמיקה של דינמיקת השינוי האקספוננציאלי בעידן ה AI
היכרות מעמיקה עם אתגרי אימוץ AI בארגונים גדולים
מסגרת חשיבה הוליסטית המשלבת טכנולוגיה, תהליכים ואנשים
אנו מזמינים אתכם לגלות כיצד GAIN יכולה לסייע לארגון שלכם לנווט בהצלחה את המסע המאתגר לעבר עתיד מועצם AI – עתיד שבו הארגון שלכם לא רק מסתגל לשינויים, אלא מוביל אותם.
למידע נוסף על כיצד GAIN יכולה לסייע לארגון שלכם בטרנספורמציית AI,צרו קשר עם צוות המומחים שלנו.
מה צפויות להיות המגמות העסקיות המרכזיות ב-2025? כיצד תיראה מפת התחרות העסקית והטכנולוגית במגזרים השונים בישראל?
השנה החולפת היתה מהקשות שידעה המדינה. אך דווקא מתוך משבר עמוק, גדול ככל שיהיה, נוצרת גם הזדמנות לשינוי. הזדמנות לצמיחה לאומית, אישית וגם עסקית. המלחמה הפתאומית מה-7 באוקטובר 2023 טלטלה את יסודות המשק הישראלי וחידדה את חשיבותה הקריטית של היערכות איתנה להתמודדות עם מצבי קיצון. המציאות החדשה יצרה אי וודאות שלא פסחה על אף מגזר או תחום. היכולת לפעול בצורה גמישה, יצירתית תוך שיתוף פעולה חוצה-מגזרים הפכה לנכס קריטי.
כך נולד המצפן העסקי אסטרטגי שלנו ל-2025, מצפן לניווט עסקי וארגוני בעידן החדש.
כמומחים, בעלי ניסיון רב- שנים בשוק הישראלי, ניתחנו במסמך זה את המגמות הבולטות במגזרים מרכזיים, את האתגרים והקשיים שאיתם נאלצו להתמודד יחד עם חזון מעורר השראה לעתיד טוב יותר. ראיינו עשרות מנכ"לים, מנהלות בכירות וגורמי מפתח עסקים וטכנולוגיים ממגוון רחב של חברות גדולות במשק הישראלי. שאלנו כל אחת ואחד שתי שאלות: מה לדעתך יהיו המגמות העסקיות-טכנולוגיות המרכזיות ביותר במגזר שלך ב-2025? ומה לדעתך היתה ההחמצה המשמעותית ביותר ב-2024?
אצרנו וזיקקנו חוכמת חיים מצרפית מדהימה של מנהלים.ות בכירים ומקבלי.ות החלטות בתהליך המעניק מצפן ניווט יוצא דופן ברוחבו ועומקו – לכל מנהל.ת ומנהיג החפץ לנווט את הארגון שלו בהצלחה במים ובימים הסוערים הללו.
כאן המקום לומר תודה עמוקה לכן.ם, מובילי.ות המשק הישראלי, על שהקדשתם מזמנכם היקר ושיתפתם בתובנותיכם העמוקות. ראייתכם העסקית הרחבה והניסיון העשיר שלכם מסייעים לכולנו להיערך טוב יותר לאתגרי העתיד ולהזדמנויותיו.
איך חברת פינטק שבדית מאתגרת את ענקיות ה SaaS העולמיות?
"אם חשבנו שבינה מלאכותית שמה עין על המשרות והקריירה שלנו, היא בעצם שמה עין על המנוי החודשי שלנו"
אמ;לק: מהלך נועז של Klarna מסמן שינוי פרדיגמה בעולם ה SaaS הארגוני
חברת קלארנה השבדית הכריזה על מהלך עסקי נועז: נטישת פתרונות SaaS מובילים (SalesForce ו- WorkDay ) לטובת פיתוח עצמי מבוסס AI. או כמו שאומרים בשכונה: “אם כל מה שאני מקבל זו אוטומציה חכמה של תהליכים, אותם אוכל לפתח בעזרת צוות קטן ומוח ענק של AI, למה לי להמשיך ולשלם סכומי עתק עבור רשיונות ארגוניים?"
הסיפור של Klarna
קלארנה השבדית היא לא עוד חברת פינטק. עם כ- 3,500 עובדים, 150 מיליון משתמשים, ולמעלה מ- 500,000 לקוחות קמעונאים ברחבי העולם, קלארנה היא אחת מחברות הפינטק המובילות באירופה ולפי השמועות, בדרך להנפקה. פתרונות המימון והתשלומים באונליין במודל "קנה עכשיו, שלם אח"כ" (BNPL), מיצבו אותה כשחקן משמעותי בעולם הפינטק. אגב, קלארנה החלה עם הרומן האסטרטגי שלה עם AI כבר ב 2022 והיא אחת החברות הראשונות להציג ביצועים פיננסיים ותפעוליים מרשימים אותם היא משייכת ישירות ל- AI. זה למאמר נפרד…
כשמנכ"ל מחליט לשחוט פרות קדושות
המנכ"ל של קלארנה, סבסטיאן סימיאטקובסקי, הכריז שהחברה מפסיקה את השימוש במערכת SalesForce ) מובילה עולמית בניהול קשרי לקוחות למכירות, שירות ושיווק מבוסס ענן) לאלתר ונוטשת גם את Workday (כנ"ל לניהול הון אנושי וניהול פיננסי מבוסס ענן) בעוד מספר שבועות. סימיאטקובסקי טוען שבעזרת AI, קלארנה הצליחה להקים שדרה ותשתית טכנולוגית קלה יותר, יעילה יותר תפעולית, וברמת התאמה גבוה יותר לצרכים.
מה זה אומר על שוק ה SaaS הארגוני ועל התעשייה?
אנחנו כל הזמן שומעים "AI is coming" אבל אם החדשות סביב קלארנה אכן תבשלנה בשטח – זו כנראה תהיה החברה המשמעותית הראשונה "שחוצה את הקווים" ובונה חלופה מבית לשחקניות SaaS גדולות, שעד כה, נדמה היה והן בלתי חדירות. לא מדובר במערכות לווין, אלא מערכות ליבה של קלארנה. המעבר של Klarna מפתרונות SaaS מסורתיים לפיתוח עצמי מבוסס AI מייצג לא רק חיסכון בעלויות, אלא גם שאיפה לגמישות ואוטונומיה טכנולוגית גבוהה יותר.
המעבר של Klarna מפתרונות SaaS מסורתיים לפיתוח עצמי מבוסס AI מייצג לא רק חיסכון בעלויות, אלא גם שאיפה לגמישות ואוטונומיה טכנולוגית גבוהה יותר
בואו וננסה לעכל יחד את המשמעויות:
תיעדוף מחדש של פיתוח-עצמי לחלקים מהשדרה-הטכנולוגית
המהלך של קלארנה עשוי לסמן את תחילתה של מגמה הדרגתית בה ארגונים מתעדפים מחדש את הפיתוח והבעלות העצמית על חלק מהשדרה-הטכנולוגית שלהם, בעיקר במוצרים שעולים לארגון 7-8 ספרות מדי שנה.
דמיינו עתיד אפשרי: סוכני AI + מהנדסי AI יכולים לבנות מחדש את הפונקציונליות הרלוונטית של מרבית פתרונות ה SaaS הארגוניים בעצמם, לארח אותם בענן בזיל הזול, ולקבל בערך 80% מהפונקציונליות בשבריר עלות.
המנדט שניתן למנמ"ר בארגונים אלו סביר שיתרחב מעבר לניהול מו"מ לרשיונות SaaS ארגוניים, אל יכולת להחליט להחליף את חלקם בפתרונות "מבית" מבוססי AI.
מקבלי החלטות בארגונים שניחנו במיינדסט AI-first יוכלו ליצור לעצמם בעזרת AI פתרונות פשוטים ו- "תפורים לצורך" שזולים עשרות מונים לפיתוח ותפעול בהשוואה לשירותי ה SaaS המסחריים. די סביר להניח שהם יתחילו ממערכות לווין ויתקדמו בזהירות המתבקשת אל מערכות הליבה.
כנגזרת, הגיוני לדמיין היווצרות של שדרה-טכנולוגית רזה יותר, קלה יותר, ספציפית יותר, יעילה לתפעול וזולה לשינוי/שיחלוף. בדוגמה של קלארנה, אפשר להעריך שה TCO של החלופות הרזות עשוי להיות זולות עשרות מונים לתפעול כיוון שתהליך האפיון, היישום וההתאמה חצי-אוטומטיים ומונעי AI.
עם זאת, יש לזכור כי המעבר לפיתוח עצמי טומן בחובו סיכונים, כגון אתגרי אבטחת מידע, תחזוקה ארוכת טווח, ועמידה בתקנות רגולטוריות מתחלפות."
דמיינו קטגוריה חדשה: "Disposable Enterprise Apps"
עלייתו של "בדיוק מה שצריך כעת" ונפילתו של "המקיף, גנרי ודורש התאמה"
צור, השבח, . Repeat.
אתה הלקוח, המפתח, הספק, והמשתמש.
דמיינו קטגוריה חדשה: "Disposable Enterprise Apps"
סביבות פיתוח חדשות מבוססות AI מאפשרות לבנות פתרונות שבנויים בדיוק לתהליכים ולשרשרת ערך מאד ספציפית של הלקוח במקום להתאים כלים גנריים ענקיים ומודולריים לעייפה. כלומר, אפס פשרה ובניה של " מה שאני צריך כרגע בדיוק".
הם לא גמישים ומודולריים מדי – אין בכך צורך; כלכלי יותר ליצור מחדש את הגרסה המטוייבת והמדויקת יותר שנדרשת כרגע, ואת זו שתידרש בהמשך. כל ה unit economics של פיתוח ותפעול של יישומים ארגוניים מתהפך על ראשו.
וכך, במקום one size fits all שמספקות ענקיות ה SaaS הארגוניות, שמוליד בתורו פשרה מיתולוגית בין אימוץ תהליכי Vanilla אל מול התאמה ספציפית אך יקרה ומורכבת (המון כסף מושקע בהתאמות). – מהפכת ה AI מייצרת מרחב לפרדיגמה חדשה: אתה יוצר, מתקן, יוצר שנית, מטמיע, מטייב, מטייב שוב, מרחיב, וחוזר חלילה. הכל לפי דרישה.
מהפכה ב SaaS Unit Economics ובכלכלת Build or Buy
הפרמיה שאנחנו משלמים לענקיות ה SaaS בצורת רשיונות/מנוי, נובע בחלקו מהעובדה שהן משקיעות שנות אדם רבות בפיתוח מערכת מקיפה, מודולרית להתאמה לצרכינו המשתנים (פחות או יותר) וצומחת.. כלומר אנחנו משלמים *היום* על היכולת הפוטנציאלית שלנו *בעתיד* לשנות, לעדכן, להתאים, לצמוח. עד כה, עדיין השתלם למרבית הארגונים לשלם לפתרונות SaaS. אולם הכלכלה של פיתוח מול רישוי/מנוי משתנה במהירות למול עינינו. העלות לפיתוח-מחדש של גרסה עדכנית ומותאמת "לעכשיו" צונחת פלאים. אתה חוסך את הפרמיה/קנס על הגמישות הפוטנציאלית העתידית. WYNIWYP What you need is what you pay.
מי באמת צריך לדאוג?
פאוזה של פרופורציות ומיליון דיסקליימרים: בטווח הנוכחי, הפרדיגמה הזו עשויה להתאים רק לחלק מהארגונים ולתהליכים / יישומים מסוימים. מערכות ליבה קריטיות בארגונים גדולים? שירותים נצרכי-לקוח? כנראה שיישארו על SaaS מסורתי בעתיד הנראה לעין. אבל, תחשבו על "יתר העולם" הארגוני:
– ארגונים קטנים ובינוניים יכולים לשקול ברצינות לאמץ פיתוח עצמי לסביבה התפעולית – מערכות לווייניות בארגונים גדולים עשויות להיות המועמדות הראשונות להחלפה ארגונים עם אידיאולוגיית AI-first דוגמת קלארנה כנראה יובילו את המגמה ויסללו עבור יתר הארגונים את הדרך.
הדילמה של ענקיות ה SaaS:
להתחדש או להחלש המגמה הזו צריכה להדיר שינה מכל שחקנית SaaS ארגונית. אם צוות מהנדסים בארגון שנעזר ב AI יכול לשכפל את הפונקציונליות הנקודתית הרלוונטית עבורו מסך המוני השנים של פיתוח והתאמות שהשקיעו ענקיות ה SaaS הארגוניות, והוא כבר לא חש הצדקה לממן רשיונות כה יקרים, הרי שכדאי לשחקנים אלו לחשב מחדש את פרדיגמת ה Stickiness שלהם.
כשחושבים אסטרטגית בעולם הטכנולוגיה, העתיד אינו בינארי של מוות או פריחה. הנה שתי אבולוציות אפשריות לדוגמה בהן שחקניות ה SaaS הארגוניות עשויות להתאים את הצעת הערך שלהן: – להציע הרבה מעבר לאוטומציה של תהליכים והתאמות בקצה. כדי להצדיק את חידוש הרישיונות היקרים, הן תצטרכנה להתחרות בכלכלה החדשה ולהציע תובנות ייחודיות, או יכולות חדשות ופורצות דרך, כגון יכולות AI שלובות ומשיאות ערך נתפס דוגמת סוכנים-חכמים ומודלי חיזוי – לפתח גרסאות "רזות" מבוססות AI. תוך שימור היתרונות הארגוניים הייחודיים שלהן סביב גמישות, אבטחת מידע, תחזוקתיות, ניסיון מצטבר. וכן, הן תסתכנה בקניבליזציה של הכנסות מחלק מהלקוחות הארגוניים הקיימים שלהן. – לשנות את המודל העסקי שלהם. תשלום לפי חיסכון/ביצועים, תמחור דינאמי/לפי-שימוש, ועוד.
דוגמאות עדכניות למהלכים כאלו הן ההכרזות האחרונות על שילוב סוכני AI בפלטפורמות דוגמת SalesForce , מיקרוסופט קופיילוט, ו Slack (עליהן נרחיב בפוסט נפרד).
שני הסנט שלי?
זהו סיגנל ראשון למהפכה פוטנציאלית ענקית בעוד שמוקדם לקבוע אם מהלך זה מסמן את 'קץ עידן ה- SaaS הארגוני", הוא בהחלט סיגנל חזק לשינוי פרדיגמה אפשרי בדרך שבה ארגונים חושבים על תשתיות טכנולוגיות ומערכות ארגוניות בעידן ה- AI. (ציניקנים טוענים שיתכן וזו טקטיקה חכמה של חברה שנערכת להנפקה… ) כך או כך, ידרשו לא מעט חודשים כדי להבין לאן העניינים מתפתחים.
המנכ"ל של קלארנה אוונגליסט קולני ליתרונות החיסכון של AI. ההחלטה ללכת all-in על AI הנה החלטה אסטרטגית עבורו, אך גם טומנת בחובה סיכונים שמוקדם עדיין מכדי להעריך. מה שבטוח, המהלך האמיץ של קלארנה עשוי להעניק השראה לארגונים אחרים. להערכתי – לפחות בשלב זה, עבור רוב הארגונים מסלול ברירת המחדל הוא עדיין אימוץ של פתרונות SaaS מסחריים. האימוץ הארגוני הנרחב יהיה איטי מקצב החדשנות הנקודתית שכלי ה AI מדגימים כיום.
נקודת המפנה (point of inflection) תתרחש להערכתי כאשר מבחינה ארגונית, היכולת לפתח מערכת מדויקת, רזה וספציפית בבית, תיחשב כסממן של איכות, יעילות ושיקול דעת ניהולי נכון ולא כיעד טקטי פופוליסטי להמחיש חיסכון בעלויות תפעול. כאשר זה יהפוך לסטנדרט זהב חדש של אפקטיביות ארגונית. וזה דורש חינוך שוק. וזמן.
את המאמר כתב מוטי קריספיל, Head of AI בשטראוס אסטרטגיה