טכנאי שדה עומד מול מכונה תקולה שהוא לא מכיר. התשובה שהוא מחפש לתקלה, קיימת אצל מישהו בחברה, במסמכי תקלות ישנים או בראש של עובד ותיק. השאלה היחידה היא כמה זמן ייקח לטכנאי להגיע אליה.
זו דוגמה טובה למה שבינה מלאכותית יודעת לעשות היטב, וזו גם דוגמה טובה למה שרוב הארגונים לא מגיעים אליו. הטמעת בינה מלאכותית בארגונים נכשלת כמעט תמיד בשלב שאחרי ההדגמה, ולאף סיבה אין שום קשר לטכנולוגיה.
מה השתנה בשאלה שארגונים שואלים
“האתגר היום כבר אינו לשכנע ארגונים ש-AI הוא מהלך משמעותי,” אמרתי בכתבה שהתפרסמה בדה-מרקר.
זה השינוי הגדול של השנה האחרונה. אף אחד כבר לא צריך לשכנע.
ההנהלות מבינות את המשמעות, מקצות תקציב, ומחפשות איפה להתחיל.
ודווקא שם מתחילות הטעויות.
“האתגר הוא לדעת היכן נכון להשקיע, כיצד לעבור מדמו למערכת שעובדת בסביבה ארגונית, ואיך לוודא שההשקעה מייצרת תוצאה עסקית ברורה.”
טעות ראשונה: מתחילים מהכלי במקום מהתהליך
הטעות הראשונה היא להתחיל מהטכנולוגיה. הנהלה בוחרת פלטפורמה, משווה ספקים, ורק אחר כך מחפשת איפה להשתמש בה.
אנחנו מתחילים בכיוון ההפוך. מה היעד העסקי. איזה תהליך עסקי מגביל את הארגון היום.
בפועל ההבדל הזה עושה את כל ההבדל.
אצל יצרן שעבדנו איתו, בדיקת נתוני ספק חדש הייתה תהליך של ימים.
לא התחלנו בבחירת מודל, התחלנו במיפוי של התהליך עצמו, כדי להבין מאיפה מגיע המידע, מי מצליב אותו, ולאיפה הזמן באמת הולך.
הפתרון שנבנה אחרי המיפוי הוריד את התהליך מימים לדקות.
השלב שעשה את ההבדל היה השלב שלא הייתה בו שום טכנולוגיה.
כמה באמת עולה הטמעת AI בארגון
הטעות השנייה נמצאת בתקציב. בהצעת המחיר כתובה עלות הפיתוח, וזו לא עלות הפתרון.
“צריך להביא בחשבון לא רק שימוש במודלים, אלא גם אינטגרציות, אבטחת מידע, תחזוקה.” וגם את איכות הנתונים שהמערכת אמורה לעבוד עליהם, ואת האימוץ בפועל של העובדים.
הסעיף האחרון הוא הכי קל לשכוח, והוא קובע אם השאר בכלל משנה. מערכת שאף אחד לא נוגע בה צרכה תקציב גדול והחזירה אפס.
וזו גם הסיבה שדמו לא עוזר להעריך עלות. בדמו אין אינטגרציה, אין נתונים אמיתיים, ואין עובדים שצריכים לשנות הרגלים.
למה הדמו עובד והמערכת נתקעת
“קל מאוד לייצר הדגמה מרשימה על מידע מצומצם ובסביבה מבוקרת.”
זו הטעות שאנחנו באקספריטי רואים הרבה, והיא גם הכי מתסכלת, כי בשלב הזה כולם כבר מרוצים. הדמו עבד, ההנהלה התלהבה, אישרו להרחיב.
ואז מגיעה הסביבה האמיתית.
נתונים לא מסודרים, מערכות שצריך להתחבר אליהן, מאות משתמשים במקום אחד, ודרישות אבטחה שבהדגמה אף אחד לא נגע בהן.
דמו שעובד אצל עובד אחד אינו מערכת ארגונית.
איך נראה פרויקט שכן מגיע לתוצאות
עוזר מכירות שבנינו לארגון B2B מנתח שיחות, מכין את איש המכירות לפגישה, ומייצר טיוטת הצעה.
המטרה אינה להחליף את איש המכירות, אלא לצמצם את העבודה הידנית שסביבו, כדי שיישאר לו זמן למה שרק הוא יכול לעשות.
זה ההבדל בין פרויקט שמצליח לפרויקט שנתקע. לא גודל המודל, ולא מי הספק.
השאלה היא אם מישהו הגדיר מראש מה אמור להשתנות, ובנה את הדרך למדוד את זה.
רוצים להבטיח פרויקט AI שלא נתקע בין הדמו לפרודקשן?
השאירו לי פרטים כאן
מילוי הפרטים לטובת יצירת קשר מהווה הסכמה למדיניות הפרטיות של האתר
ארבעת החיבורים שקובעים אם ההשקעה תחזיר את עצמה
בסוף הכתבה אמרתי משפט שאני חוזרת עליו כמעט בכל פגישת הנהלה:
“AI יכול להיות מנוע משמעותי של צמיחה ורווחיות, אבל רק כאשר מחברים אותו לתהליך, לנתונים, לאנשים ולמדדים.”
ארבעה חיבורים. הכלי צריך לשבת בתוך תהליך עסקי אמיתי. הוא צריך נתונים שאפשר לעבוד עליהם. הצוות צריך לאמץ אותו בפועל. והמדדים צריכים להיות מוגדרים מהיום הראשון.
הטכנאי מהפתיחה יקבל תשובה מהירה רק אם ארבעת החיבורים קיימים. אחרת תהיה שם מערכת מרשימה שאף אחד לא פותח.
על הטמעת AI מוצלחת בארגון ואיך מגיעים לשם, כתבנו גם מדריך מלא
מתי נכון לפנות לייעוץ בהטמעת AI?
אם אתם שואלים:
מאיפה נכון להתחיל?
איך לבחור Use Case ראשון?
איך להימנע מכשל בפרויקט AI ראשון?
איך למדוד ROI אמיתי?
זה בדיוק השלב שבו ליווי בהטמעת AI בארגונים באופן מקצועי עושה את ההבדל בין פיילוט מקרטע למהלך אסטרטגי.
רוצים להבטיח פרויקט AI שלא נתקע בין הדמו לפרודקשן?
השאירו לי פרטים כאן
מילוי הפרטים לטובת יצירת קשר מהווה הסכמה למדיניות הפרטיות של האתר
שאלות ותשובות
למידע מעמיק על תהליך ליווי והטמעת AI בארגון, כולל בניית פיילוט עם ROI מדיד, קראו כאן.
