יישום AI בארגונים – איך זה עובד בשטח?

רבים מדברים על יישום בינה מלאכותית בארגונים. בכירי התעשייה עוסקים בזה, גם חברות המחקר, וכמובן הספקיות, כי שם נמצא הכסף הגדול. אבל איך זה עובד בפועל? מה נדרש כדי להטמיע אותה בצורה נכונה? ומה ההלשכות של הפרויקטים האלה על הארגון?

הנושא החם הזה עלה בכנס CAIO של אנשים ומחשבים, שנערך אתמול (ד') באיסט תל אביב. מנהלים טכנולוגיים ומנכ"לים חלקו עם הקהל מניסיונם והסבירו כיצד לעשות את הפרויקטים המסובכים של הטמעת AI יותר בפשטות. את הפאנל הנחתה תמי אוחנה קול, סמנכ"לית הטכנולוגיות של פורמולה מערכות, והשתתפו בו נציגים מחברות מובילות שעוסקות בעולמות אלה.

השאלה הראשונה ששאלה אוחנה קול הופנתה לכלל המשתתפים: מה הופך פרויקטי הטמעת AI בארגונים למוצלחים? רבים מהם ציינו את ה-Business case, כלומר: היכן בארגון מיישמים אותה ואיזה ערך זה נותן. לשיטתה של נוגה מילוסלבסקי הנדלר, מנהלת מוצר ו-AI בקומיט, התשובה היא ש-"חייב להיות לפרויקטים האלה ערך עסקי, וחשוב לדעת למדוד אותו נכון. זה חשוב על רקע העובדה שהבינה המלאכותית נהייתה קומודיטי – סטנדרטית, נפוצה ונגישה". "ה-AI משנה את איך שהארגון נראה", ציינה.

נוגה מילוסלבסקי הנדלר, מנהלת מוצר ו-AI בקומיט. צילום: ניב קנטור

עופרה וינטרשטיין, מנהלת תחום דאטה ו-AI בנס, ציינה שהערך העסקי הוא אמנם חשוב, אלא ש-"אם מדובר בפרויקט עם ערך עסקי גבוה, אבל ללא 'צרכנים' (המשתמשים בארגון – י"ה) בצד השני – לא עשינו כלום". היא העירה כי "בפרויקטי AI יש המון ניסוי וטעייה, ויש כאן את החופש לטעות, כי אפשר לתקן את הטעויות מהר וזה לא עולה הרבה".

עופרה וינטרשטיין, מנהלת תחום דאטה ו-AI בנס. צילום: ניב קנטור

תמיר חסון, מנהל פעילות גריד דיינמיקס בישראל, אמר כי צריך להגיע בפרויקטים מעין אלה למצב שבו העובדים והמנהלים בארגון כלל לא יבחינו ולא יתנו את דעתם לנושא. "סוד ההצלחה הוא בפשטות, והיא מושגת כשהארגון מטמיע בינה מלאכותית בצורה טבעית, והעובדים והמנהלים לא חושבים האם מאחורי מה שהם משתמשים בו עומד כלי AI כזה או אחר", אמר.

גילי שלזינגר, מנכ"לית וואן דיגיטל. צילום: ניב קנטור

לדברי גילי שלזינגר, מנכ"לית וואן דיגיטל, לפני שארגונים ניגשים להטמעת AI עליהם "להבין מה הם יכולים לייעל באמצעותה, כיצד היא יכולה לסייע להם לקצר תהליכים, ומהו החזר ההשקעה ועד כמה מהר הוא יגיע. אלה שלושה דברים שמבדילים האם פרויקט ה-AI יצליח או לא. בנוסף, מחויבות ההנהלה לכך חשובה מעל ומעבר לתחומי טכנולוגיה אחרים, בעבר".

אסי מויאל, סמנכ"ל מכירות ושותפים בקליק ישראל, אמר שלפני ש-"רצים" לבניית מודל או סוכן AI יש לחשוב – בעיקר על הנתונים. "פרויקטים מצליחים רק אם הם באים לפתור בעיה עסקית ברורה. אם אין בסיס נתונים איכותי ואמין, אין משמעות לבינה המלאכותית. היא לא יודעת לעבוד כשהדאטה בייס לא אמין ואין לו הקשרים עסקיים", הסביר.

הוא ציין שקיימים הבדלים בתהליך היישום של ה-AI והשימוש בה – בין ארגונים שהדגש בהם הוא על רגולציה לכאלה שהדגש בהם הוא על מהירות. "לדוגמה, החשיבות בעולמות הבריאות והפיננסים היא למענה לדרישות הרגולציה והמשילות, בתעשיית הביטחון הדגש הוא על אמינות ואבטחת מידע, והתעשייה שמה במרכז את הקצב וזמן ההגעה לשוק", אמר מויאל.

לדברי מוטי קריספיל, סמנכ"ל האסטרטגיה של ג'ין, "ליוויתי אימוץ AI במעל 150 ארגונים. כדאי לעשות זאת באמצעות חברה חיצונית כמונו. אנחנו יושבים מהדקה הראשונה עם הלקוח, שאמור לשאת על הכתפיים את הפרויקט וההשלכות שלו, מדברים איתו בשפה העסקית ומטמיעים את הפתרון".

"חשוב שפרויקטי יישום בינה מלאכותית יתמקדו בזרימת העבודה העסקית, ולא ב-'שרברבות' של ה-AI. יש בלבול גדול בין משילות, מערכות מדידה ועוד, והיכולת ליצור הפרדה מוחלטת בין התהליך העסקי ל-'צנרת' של ה-AI מאפשרת גמישות בהמשך", אמר.

קריספיל קרא להפסיק להשתמש במילים "פיילוט" ו-"בדיקת היתכנות", ובמקום זה לאמץ את הביטוי "הוכחת ערך". "המוצר צריך לחזק את התשתית לפרודקשן, כדי שבסופו של דבר יהיה לארגון ערך מכל התהליך. כשהדמו נגמר מתחיל עמק המוות של העברת הפיילוט לפרודקשן. אם מיישמים את הייצור כבר בשלב הפיילוט, מגבירים את הסיכוי להצלחה", אמר.

מוטי קריספיל, סמנכ"ל האסטרטגיה של ג'ין. צילום: יח"צ

ברכי צוקבכר, ראשת תחום AI במטריקס DnA, אמרה כי מניסיונה בליווי הקמה של מערכות בינה מלאכותית בעשרות ארגונים היא למדה ש-"כל פתרון AI מתחלק לשלוש שכבות: תשתית, דאטה – שאם היא לא אמינה שום דבר לא יעזור, והחיבור לעולם העסקי, באמצעות הניסיון של המטמיעים וסוכני ה-AI. חייבת להיות שותפות בין הצוותים הטכנולוגיים והעסקיים בארגון, כי בלעדיה, ובלעדי החיבור בין שלוש השכבות הללו, הפרויקט לא יצליח".

שלי מחרז, סמנכ"ל טכנולוגיות ופיתוח עסקי ב-SQLink, אמר כי מי שצריך להוביל את תהליך ה-"קבלה" של ה-AI לארגון הוא בכיר בביזנס. לצד זאת, ציין, "יש למנמ"רים ולמנהלי הטכנולוגיה כוח רב להביא לשינוי מהותי של התרבות הארגונית. מעמד המנמ"רים כיום גדול בהרבה מבעבר, משום שכל פעולה שהם יעשו היום יכולה לשנות מהותית את התוצאות של הארגון".

"אחד האתגרים המהותיים ביותר הוא הקמת תשתית שתהיה מסוגלת להתחבר לנתונים – מובנים ולא מובנים כאחד", הוסיף.

שלי מחרז, סמנכ"ל טכנולוגיות ופיתוח עסקי ב-SQlink. צילום: ניב קנטור

בשלב השני של הפאנל עברה אוחנה קול לשאלות ממוקדות, והפנתה לכל משתתף שאלה ייעודית. לפניכם השאלות – והתובנות המרכזיות של המשיבים:

איך ה-GenAI שינתה את השיח עם הלקוחות?
שלזינגר: "הם הפכו להרבה יותר מתוחכמים. הלקוחות הולכים לצ'ט כדי לקבל מידע, ודורשים בהתאם. הם באים עם תובנות ודרישות מוכנות מראש, וזה הרבה יותר קל, כי זה מזקק את הצורך העסקי. מהצד השני, זה מעורר ציפיות שהדברים ייעשו יותר בזול והרבה יותר מהר.
"אצלנו, מאז שנכנסתי לתפקידי שיניתי את כל החברה. בניתי אגף שלם, שכל תפקידו הוא בעולמות הבינה המלאכותית. התוצאה היא פרויקטים הרבה יותר חדים, קצרים וזולים".

מה לוקח יותר זמן – לבנות את פתרון ה-AI או להטמיע אותו?
חסון: "אם היית שואלת אותי לפני חצי שנה הייתי משיב שלהטמיע, אבל כיום, ה-AI היא כבר קומודיטי. הארגונים יודעים להמשיך ולפתח בעצמם את הפרויקטים שלהם שמבוססים על המערכות ש-'השארנו' אצלם, הם כבר לא זקוקים לנו בכך. כשאנחנו חוזרים ללקוח ורואים אילו שימושים הוא עושה עם ה-AI שהטמענו אצלו – זה הניצחון האמיתי".

תמיר חסון, מנהל פעילות גריד דיינמיקס ישראל. צילום: ניב קנטור

מה הפער הכי גדול בין ציפיות הלקוח מהפרויקט ותוצאותיו למציאות?
מחרז: "בצעדים הראשונים של פרויקט ה-AI, הלקוחות חושבים שהפרויקט טכנולוגי, אבל זה לא נכון. מדובר בשינוי ארגוני, שצריך שינוי תפיסתי ובניית תהליכים. ארגונים שמבצעים את השינוי הזה יכולים להשתמש אחרי ההטמעה בפתרונות הבינה המלאכותית בעצמם: לאסוף את הדאטה, לארגן אותה, להגדיר את התהליכים העסקיים, כי לפעמים צריך לעשות שינוי בהם, ולהבין שהשינוי הוא ההצלחה. ארגונים שאנחנו עובדים איתם מצליחים להקים את ה-Use cases הבאים לבד, וזה הכי משמעותי, כי הפריסה היא שקובעת את ההצלחה", אמר.

מהם השינויים בעולם זה בשנים האחרונות?
צוקבכר: "אחד מהם הוא שבניגוד לעבר, חברות הענק כבר מאמנות את המודלים. בכל יום יוצא מודל יותר מדויק ומותאם. לרוב, וזה עוד שינוי, אין צורך לאמן מודל, בטח שלא מאפס. העבודה היא בעיקר על התשתית, שכבת הדאטה והנרמול שלה. ברגע שמסדרים את זה, ה-RAG (שיטה שמאפשרת למודל לשלוף מידע ממקורות חיצוניים אמינים – י"ה) נותן פתרון מספיק טוב".

ברכי צוקבכר, ראשת תחום AI במטריקס DnA. צילום: ניב קנטור

איזו בעיה מהותית בארגונים הבינה המלאכותית חשפה?
מויאל: "בעיית הנתונים. בין 60% ל-80% מהזמן הולך על בניית התשתית והאיכות של הדאטה, ולאו דווקא על המודלים, כי אלה יודעים לעבוד בעצמם".

אסי מויאל, סמנכ"ל מכירות ושותפים בקליק ישראל. צילום: פיני סילוק

אילו דוגמאות יש לניצחונות מהירים שהושגו בפרויקטי AI?
וינטרשטיין: "הניצחונות המהירים מגיעים בגלל תחושת FOMO, שנוצרת כי המודלים משתנים כל הזמן וכי ה-CTO שומע על פרויקטים שהקולגות שלו מבצעים ומביאים להצלחה. דוגמאות לניצחונות מהירים כאלה הם הטמעת RAG על מסמכים וחוזים, שירות לקוחות חכם והטמעת כלי שחוסך תמלול במפגשים של מטפל-מטופל. אצלנו, בנס, מכיוון שה-AI כל כך רחבה ונמצאת כמעט בכל מקום בארגון, אנחנו מבצעים פרויקטים שבעבר לקח חצי שנה לעשות אותם – בחודש בלבד".