מגימיק לאמון: הבינה המלאכותית נמדדת ביכולת לבטוח בה
יתרון תחרותי של חברות יושג בזכות איכות ואמינות הנתונים שבידיהן ולא בגלל כלי AI כזה או אחר. המשמעות היא שינוי תהליכי העבודה, כך שניתן יהיה לסמוך על תוצרי AI ולקבל החלטות על בסיסם
בשנה האחרונה נדמה היה שהתחרות סביב הבינה המלאכותית מתנהלת בכיוון אחד בלבד: מי יאמץ מהר יותר את הטכנולוגיה ומי יטמיע יותר יכולות AI בתוך הארגון. כמעט כל הנהלה שאלה את עצמה כיצד ניתן לעבוד מהר יותר, יעיל יותר וזול יותר. אין ספק שזה צעד לגיטימי ואפילו מתבקש, אבל ככל שהטכנולוגיה מתבגרת ומשתכללת, חשוב למדוד עניין אחר: לא רק עד כמה מטמיעים AI או מה הכלי הכי חשוב, אלא עד כמה ניתן לסמוך עליו?
עד לא מזמן היחס האמיתי לבינה מלאכותית היה בעיקר ככלי שמסייע לעובדים בכתיבת מסמכים, סיכום דיונים, ניתוח קבצים או איתור מידע. גם כאשר חלה טעות, ברוב המקרים היה מדובר בטעות שניתן היה לזהות במהרה ולתקן לפני שהייתה לה השפעה ממשית על הארגון.
המציאות הזו משתנה בימים אלו. יותר ויותר מערכות AI אינן מסתפקות בהפקת תשובות, אלא משתלבות בתהליכים עסקיים של ממש. הן מסייעות בהחלטות אשראי, משתתפות בתהליכי קליטת לקוחות וספקים, תומכות בבדיקות ציות, מזהות סיכונים ומספקות המלצות שעל בסיסן מתקבלות החלטות ניהוליות. במילים אחרות, הבינה המלאכותית כבר אינה רק כלי עבודה. היא הופכת לחלק ממנגנון קבלת ההחלטות של הארגון.
תשובות רהוטות גם כשהן שגויות
הסיכון הגדול ביותר של בינה מלאכותית אינו בכך שהיא טועה. כל מערכת עלולה לטעות. הסיכון הוא שהיא עלולה לטעות באופן משכנע. מודלי שפה יודעים לנסח תשובות ברורות, בטוחות ורהוטות גם כאשר המידע שעליו הן מבוססות חלקי, מיושן או פשוט שגוי. כאשר אותה תשובה נשארת בגבולות מסמך או מצגת, הנזק מוגבל. כאשר היא הופכת להמלצה על מתן אשראי, על התקשרות עם ספק או על החלטה פיננסית, המשמעות כבר שונה לחלוטין.
זו הסיבה שהשיח סביב AI חייב לעבור מהמודל אל הדאטה. בסופו של דבר, רוב הארגונים יעבדו עם אותן טכנולוגיות. הפער ביניהם לא ייווצר משום שלאחד יש מודל מתקדם יותר, אלא משום שלאחד יש מידע עסקי איכותי יותר. מידע שיודע לזהות באופן חד משמעי את הישות העסקית, למפות קשרי בעלות, להצביע על אינדיקטורים של סיכון וציות, ולהציג את ההקשר המלא שבו מתקבלת ההחלטה. רק מידע כזה מאפשר לבינה מלאכותית לא רק לענות על שאלה, אלא גם להמליץ על פעולה שניתן לעמוד מאחוריה. לכן, השאלה שכל הנהלה צריכה לבחון היא על איזה דאטה המודל התבסס, האם הנתונים מאומתים, כיצד התקבלה החלטה מסוימת ואיזו בקרה הופעלה?
חדשנות היא לא על חשבון איכות
השאלות הללו הופכות את תפקיד סמנכ"ל הכספים למשמעותי יותר מאי פעם. אם בעבר האחריות שלו הייתה להבטיח את אמינות הדוחות הכספיים, כיום היא מתרחבת גם אל אמינות הנתונים שמייצרים את ההחלטות העסקיות. ככל שהבינה המלאכותית הופכת לאוטונומית יותר, כך גוברת החשיבות של בקרת נתונים, בקרות ותיעוד. לא כדי לעכב חדשנות, אלא כדי לוודא שהחדשנות אינה באה על חשבון איכות ההחלטות.
אפשר לראות את השינוי הזה כבר היום בפתרונות המתקדמים ביותר בשוק. שיתוף הפעולה בין דן אנד ברדסטריט לאנטרופיק מחבר את Claude אל מאגר המידע העסקי המאומת של דן אנד ברדסטריט. המשמעות היא שתהליכים כמו קליטת ספקים, בדיקות לקוחות ועסקים והערכת סיכוני אשראי מבוססים על מידע עסקי אמין, מבוקר ומתועד. זהו מעבר מהותי משימוש ב-AI כמנוע חיפוש משוכלל לחלק מתהליך עסקי שקוף וברור.
אמון הוא נכס עסקי
גם האופן שבו ארגונים צריכים למדוד את ההצלחה של פרויקטי AI משתנה. במשך תקופה ארוכה התמקד הדיון בחיסכון בזמן ובעלויות. אלה מדדים חשובים, אך הם אינם חזות הכול. הערך המשמעותי ביותר של בינה מלאכותית אינו בכך שהיא מבצעת את אותה עבודה מהר יותר, אלא בכך שהיא מאפשרת לקבל החלטות טובות יותר, מוקדם יותר, ותוך הפחתת הסיכון העסקי.
בסופו של דבר, המרוץ האמיתי אינו בין מודלים. המודלים ימשיכו להשתפר, והיכולות יהפכו לנגישות כמעט לכל ארגון. היתרון התחרותי יישאר אצל מי שיבנה סביבם תשתית של מידע אמין, בקרות אפקטיביות וממשל נתונים איכותי. בעולם שבו בינה מלאכותית משתלבת יותר ויותר בקבלת החלטות, אמון הוא כבר לא ערך מופשט. מדובר בנכס עסקי, ואולי גם ליתרון התחרותי החשוב ביותר של ארגונים בשנים הקרובות.
