איך הופכים בינה מלאכותית מניסוי יקר לערך עסקי?

מאת פיט ג'ונסון

אין כמו חדשות רעות כדי למשוך תשומת לב, ובזמן האחרון מובילי טכנולוגיה בכל העולם עסוקים בנתונים מרעישים למדי סביב ההתפתחות הטכנולוגית שהצליחה לערער תחומים ואת היומיום של כולנו. מחקר של MIT מצא לאחרונה, כי כמעט כל הפיילוטים בתחום הבינה המלאכותית היוצרת (GenAI) נכשלים במבחן התוצאה הכלכלית – 95% מהם, ליתר דיוק, לא מניבים רווחים ממשיים. מחקר של RAND Corporation הציג תמונה עגומה דומה, שלפיה ארבעה מתוך חמישה פרויקטים של AI פשוט נתקעים בדרך. אם זה לא מספיק, נתונים של S&P Global מראים, שארגונים נוטשים יוזמות AI בקצב כפול מזה שראינו בשנה שעברה.

קל לרדד את הדיון ולקטלג במהירות את הטכנולוגיה בכך שהיא רק "טרנד שיעבור", ורבים אכן טוענים שהמודלים כרגע חלשים מדי או שהכלים לא בשלים. עם זאת, האמת פשוטה יותר ואולי אף פחות נוחה לעיכול: רוב פרויקטי ה-AI נכשלים לא בגלל המורכבות הטכנולוגית, אלא בגלל האסטרטגיה – או חוסר האסטרטגיה – שעומדת מאחוריהם. הבעיה המרכזית מתחילה כשמתייחסים לבינה מלאכותית כאל מוצר "מכולת" או פריט מדף פשוט. כל מי שמבקר בכנסי טכנולוגיה פוגש אינספור ספקים המציעים "פתרונות AI" מוכנים מראש, כשהמסר הסמוי הוא שניתן פשוט לרכוש מוצר, לחבר אותו למערכת ולראות איך היעילות משתפרת מאליה. ההתייחסות הזו ל-AI כאל עוד סעיף רכש קטלוגי שניתן להזמין ולשכוח ממנוהיא הסיבה לכך, שפרויקטים רבים מתפרקים זמן קצר לאחר הרכישה.

חשוב להבין שבינה מלאכותית אינה תשובה ארוזה שמתאימה לכל בעיה. מדובר למעשה במערכת של טכניקות, שמייצרות ערך רק כאשר הן מיושמות על בעיה עסקית ספציפית ומדויקת. ללא נתיב ברור שמראה איך ההשקעה תחזיר את עצמה כבר מהיום הראשון, הסבירות לכישלון גבוהה מאוד. כשארגונים שוכחים את העיקרון הזה, הם נופלים למלכודת שניתן לכנותה "הניסוי המדעי". לפעמים זה מתחיל כהתלהבות של עובדים ממודל חדש ומסקרן שזוכה למימון ולהדגמה מרשימה, אך תוך חודשים ספורים הפרויקט דועך כי אף אחד לא מצליח להסביר מה הוא באמת תרם לחברה. המחקר של MIT תומך בכך ומראה, שכלי AI מוכנים שנרכשו מספקים מצליחים ב-67% מהמקרים פשוט כי הם מגיעים מראש עם הגדרות ברורות למה שהם אמורים להשיג.

במקרים אחרים, המלכודת מתחילה מהחלטה של ההנהלה ש"צריך אסטרטגיית AI". כדי להראות עשייה מהירה, הארגון רוכש חומרה או תוכנה שנראות מרשימות על הנייר, ורק לאחר שהן מגיעות הצוות מבין שאין להן שימוש אמיתי או שהן לא מספקות את הסחורה. בשני המקרים הסיפור זהה: כאשר הבעיה העסקית מגיעה בסוף הרשימה, אין מקום ליצירת ערך אמיתי. הדרך הנכונה להעריך השקעות בבינה מלאכותית דורשת מצוותים ומנהלים להגדיר מחדש את הטכנולוגיה סביב המציאות העסקית שלהם, ולהבחין בין רעיונות שנראים מלהיבים תיאורטית לבין אלו שבאמת שווה להשקיע בהם.

התהליך הבריא חייב להתחיל בזיהוי האתגרים הגדולים ביותר של הארגון – האם מדובר בצמיחת הכנסות, יעילות תפעולית, או שביעות רצון של לקוחות? השיחה חייבת להתמקד בצורך העסקי ולא בסקרנות הטכנולוגית. לאחר מכן, יש להעריך את איכות הנתונים שעליהם ירוץ כלי ה-AI ואת תשתית הדאטה של הארגון. בארגונים רבים הנתונים מפוזרים או כלואים במערכות מיושנות, וכל עוד הם לא מאוחדים ונקיים, שום מודל בינה מלאכותית לא יוכל לעבוד איתם ביעילות. לבסוף, יש לוודא שקיימת יכולת מדידה ברורה לאורך תהליך הטמעת ה-AI בארגון. קביעת נקודות מוצא מאפשרת להדגים בבירור כל שיפור, בין אם מדובר בזמן עבודה שנחסך, בשיפור בדיוק או בהוזלה של עלויות.

לסיכום, כאשר מיישמים את השיקולים העסקיים הללו, סביר להניח שמספר פרויקטי ה-AI הפוטנציאליים יצטמצם – וזה דווקא דבר חיובי. הפרויקטים שיישארו יהיו אלו שקשורים ישירות לערך האמיתי של החברה ונתמכים בנתונים מתאימים. בדרך זו, הבינה המלאכותית מפסיקה להיות ניסוי יקר והופכת לכלי שבאמת תורם לצמיחה, ורק כך היא תוכל לקיים את הבטחת השינוי הגדול שהיא מציעה לעולם הארגוני.

סדרת ה-MongoDB Skill Badge בעברית: כל מה שמפתחים צריכים כדי לבלוט בעולם הדאטה המודרני – הירשמו עכשיו!

הכותב הוא Field CTO, בינה מלאכותית, MongoDB.