לחשב פרומפט מחדש: אי אפשר להטמיע AI רק לצרכי תדמית
הנהלות ודרגים בכירים בארגון דוחפים להטמעת בינה מלאכותית מתוך צורך להתהדר בחדשנות. אלא שבפועל, מדובר בצעד שיוביל רק לדריכה מקום. איך בכל זאת משלבים בינה מלאכותית בצורה חכמה? מתחילים בצורך העסקי ובתיאום ציפיות
האם הטמעת בינה מלאכותית היא חלק ממהפכה תפעולית או טרנד תדמיתי? במבחן המציאות, הטמעת טכנולוגיות בינה מלאכותית בארגונים נעה לעיתים קרובות על התפר שבין צורך עסקי אמיתי לבין הרצון לומר: "גם אנחנו שם". בשוק הישראלי בפרט, אנו עדים בשנים האחרונות להאצה חדה בהצהרות מצד חברות על שילוב בינה מלאכותית ולעיתים גם למאמצים פומביים ליחסי ציבור - בעוד שבפועל, לא תמיד מדובר בפרויקטים שנולדו מבעיה עסקית מוגדרת או בצורך תפעולי אמיתי.
במגזר העסקי בישראל ניכר לחץ גובר מצד הנהלות, דירקטוריונים ובעלי עניין להציג "עשייה חדשנית". מגמה זו בולטת במיוחד בענפי הפיננסים, הביטוח, הקמעונאות והבריאות - שם מונחים כמו "בינה מלאכותית", "אוטומציה חכמה" ו"GenAI"- -הפכו כמעט לדרישות חובה בכל מצגת הנהלה או מסמך אסטרטגי.
כתוצאה מכך, ארגונים רבים פונים לפרויקטי בינה מלאכותית אך עושים זאת לעיתים מתוך מגמה שיווקית, חיקוי למתחרים, או לחץ תדמיתי, ולא בהכרח מתוך צורך עסקי ממשי או הבנה של הטכנולוגיה ומה היא יכולה לתרום לארגון. תופעה זו יוצרת פער מובהק בין ההצהרות הפומביות על שימוש בבינה מלאכותית לבין ההטמעה בפועל.
דוגמאות מהשנה האחרונה מעידות על הפער הזה. מוסדות ציבוריים ועסקיים בישראל הטמיעו "מוקדנים" מבוססי AI בשירותים הדיגיטליים, אך ללא התאמה מספקת לשפה, למונחים מקצועיים או לרגישויות הנוגעות למידע אישי. התוצאה הייתה עלייה בתלונות מצד לקוחות שקיבלו מידע מבלבל, לא מדויק ולעיתים אף שגוי, שלא תאם את מצבם או את נתוניהם כפי שהם מופיעים במערכות הארגון.
פרויקטים אלו, ששווקו כהישגים טכנולוגיים, לא הניבו ערך עסקי של ממש ונדרשו למקצה שיפורים יסודיים ובחלק מהמקרים אף נזנחו לחלוטין. המחיר הכלכלי והתדמיתי של כישלונות אלו הוא כבד, אך הם מספקים לקח חשוב לארגונים אחרים.
גם בענף הקמעונאות ניכרות מגמות דומות. רשתות קמעונאיות גדולות משקיעות בפלטפורמות המלצה מבוססות בינה מלאכותית באתרי הסחר המקוון שלהן, אך לעיתים המערכות אינן מחוברות למלאי בזמן אמת או אינן מבוססות על נתוני רכישה קודמים, מה שמוביל לפערים בציפיות הלקוח ולעיתים גם לפגיעה בחוויית השירות.
לעומת זאת, רשתות שביצעו אפיון מדויק של צרכי המשתמש, לדוגמה, חיזוי ביקושים לפי עונות ומבצעים, הצליחו לשפר משמעותית את זמינות המוצרים ולצמצם עלויות מלאי. ההבדל בין שתי הגישות טמון בהנחת הבסיס - זיהוי הצורך העסקי הקונקרטי לעומת יישום טכנולוגיה בלבד.
מייצור מסורתי לייצור חכם
בתחום התעשייה הישראלית, המגמה לשילוב בינה מלאכותית בולטת במיוחד בתעשיות עתירות טכנולוגיה כמו הרכב, התעופה והחלל, והציוד הרפואי.
עם זאת, גם כאן נתקלים בפער בין היעדים לבין המימוש. חברות תעשייה שמיהרו להטמיע חיישנים ומערכות AI ללא הבנה עמוקה של התהליכים הקיימים מצאו עצמן עם נתונים רבים אך חסרי משמעות פרקטית. לעומת זאת, יצרנים שהתחילו מזיהוי בעיות ספציפיות, הצליחו להטמיע פתרונות AI שהביאו לתוצאות מדידות כמו עלייה ביעילות הייצור והפחתה בפסולת.
עקרונות להטמעה מוצלחת
הניסיון הישראלי מלמד על מספר עקרונות מנחים להטמעה מוצלחת של בינה מלאכותית. ראשית, יש לבצע תיאום ציפיות מהשלב הראשון. יש להגדיר מהן מטרות ההטמעה, מהם גבולות היכולת של המערכת בטווח הקצר והארוך, ומהם המדדים שייקבעו להצלחת הפרויקט. כמו כן חשוב לוודא איזו בעיה עסקית נפתור באמצעות בינה מלאכותית או איך היא תייעל את העבודה השוטפת?
בנוסף לכך יש להכין את הארגון לשינוי שכרוך בהטמעת מערכות AI באמצעות הכשרה ושינוי התהליכים הארגוניים וכן לסנכרן את המערכות הקיימות בארגון.
המסקנה: מעבר לחדשנות אמיתית
בישראל כמו בעולם, קיים פער מובהק בין ההצהרות על שימוש בבינה מלאכותית לבין ההטמעה האפקטיבית בפועל. בעוד שבחלק מהארגונים מדובר במהפכה תפעולית של ממש, באחרים מדובר בסיסמה נטולת ביסוס מעשי.
ארגון שבוחר להטמיע טכנולוגיה רק כדי "להיראות חדשני" עלול להישאר עם טכנולוגיה מתקדמת אך חסרת ערך, ולעיתים גם מיותרת. הזמן הגיע לעבור מהתלהבות טכנולוגית למחשבה אסטרטגית מבוססת צרכים עסקיים אמיתיים.
הדרך לחדשנות משמעותית בתחום הבינה המלאכותית עוברת דרך הבנה עמוקה של הצרכים העסקיים, תכנון מדויק של היישום, הטמעה נכונה של הטכנולוגיה ומדידה קפדנית של התוצאות. רק כך תוכל הטכנולוגיה לממש את הפוטנציאל האמיתי שלה ולהפוך מטרנד לכלי עסקי אפקטיבי.
ד"ר טל אספיר הוא דירקטור ומנהל מעבדת AI בפירמת הייעוץ וראיית החשבון BDO
