ה-AI ואתם: המדריך לסמנכ"ל התפעול

מנהל התפעול (COO) הוא האיש שצריך לדאוג שדברים יעבדו ביומיום ובכלל, רגע אחרי שהמצגות נגמרות. המזל הגדול הוא, שבינה מלאכותית באופיה מתאימה מאוד לשלל משימות שנמצאות בתחום האחריות של התפעול בארגון: תעדוף הזמנות, הקצאת קיבולת ומשמרות, תזמון תחזוקה, טיפול בתקלות, בקרת איכות, ניהול מלאי ושילוח – כל אלו הם רק חלק מהתחומים שנמצאים בתחום האחריות התפעולי. עוד דבר מה הרלוונטי לתחום של מנהל התפעול הוא הכימות והמדידה המאוד ברורים: כמה חריגות יש, כמה מהר זורמים תהליכים, וכמה מעט דרמות נשארות לשיחת הבוקר. בינה מלאכותית טובה לתפעול היא כזו שלא דורשת שכולם יאמינו בה. היא פשוט גורמת למערכת לעבוד חלק יותר.

בינה מלאכותית תפעולית אמיתית לא צריכה בייביסיטר, ועובדת גם כשאף אחד לא מסתכל

בתפעול, רוב הכסף לא נשרף בטעויות ענק אלא במנות קטנות: דקות המתנה בין שלבים, עבודה כפולה או חוזרת, עצירות לא מתוכננות, עודפי מלאי מיותרים שמחזיקים "ליתר ביטחון", והעברות ידיים שמייצרות חיכוך וחוסר יעילות. היופי הוא שבינה מלאכותית יכולה להשיב את הזמן האבוד הזה לפס ייצור של תפוקה, אבל, ורק אבל, אם היא נטמעת בתוך התהליך עצמו ולא כעוד שכבת דשבורדים שמספרת לכולם מה שהם כבר יודעים  – באיחור של שבוע…

הדבר הראשון שמנהל תפעול צריך לעשות בהטמעת AI בארגון הוא לבחון איזה תהליכים בו חוזרים על עצמם, אולי אפילו לעתים – מתסכלים לבן האדם, שכן אלה סוג המשימות שבינה מלאכותית יכולה לתרום בהן, ואולי אפילו להוציא את האדם מהלולאה, אם רואים שהדברים עולים יפה.

מדדים קריטיים ועקרונות להטמעה נכונה

בתחום התפעול כל הצלחה כאמור, ניתנת לכימות: המדדים המרכזיים הם זמן מחזור מקצה לקצה, זמני המתנה בין שלבים, שיעור פעולה חוזרת ופחת, זמן השבתה לא מתוכננת מול מתוכננת, זמן תיקון ותקלות חוזרות, ומדדי תפוקה לשעה, קו או משמרת, אמינות אספקה בזמן, ועלות ליחידה. אם הבינה המלאכותית לא משנה לפחות שניים-שלושה מהמדדים האלה בתוך פרק זמן סביר, היא כנראה לא יושבת על בעיה תפעולית אמיתית…

אחת התרומות החזקות של בינה מלאכותית למנהל התפעולה היא הרצת תרחישים. זה הופך אותה לכלי יעיל באיתור צווארי בקבוק שהפכו לשגרה ("כי ככה זה") ושאיש לא נתן עליהם את הדעת; ולכלי מצוין למנהל התפעול לבדוק תרחישי "מה אם" – מה יקרה אם נשנה את ההליך הזה, או נשנה משהו בשרשרת התפעול – בינה מלאכותית תוכל לשער מה תהיה התוצאה של השינוי. אבל חשוב שהדברים האלה, כאמור, לא יהיו באוויר – מודל שמחובר בזמן אמת למלאי, חלונות זמן ותכנון כוח אדם ומשמרות בנתוני אמת, ינצח מודל "מדהים" שמוציא התרעות שאף אחד אולי לא חשב עליהן, אבל הן גם עלולות להיות התרעות-שווא וסתם רעש סטטי שגוזל תשומת לב, בבחינת הנער שצעק "זאב, זאב". הטמעה טובה מקשרת בין זיהוי לפעולה: עצירה או הסטה לבדיקה, הצעה ממוקדת לשורש-סיבה, ואכיפת תהליך שמונעת קיצורי דרך מסוכנים.

עוד תחום שיכול להרוויח מבינה מלאכותית הוא ניהול שרשרת אספקה. כשבינה מלאכותית משפרת מדיניות מלאי והקצאה של נקודות הזמנה, גודל אצווה, רמות שירות, חלונות הובלה והפצה בין אתרים. תחזית ביקוש לבדה היא אולי נחמדה, אבל בלי תרגום להחלטה היא עוד לוח מחוונים. השאיפה היא ליצור מערכת חכמה, שמבינה תנודתיות, אמינות ספקים, מגבלות קיבולת ושיעורי כשל, ומציעה מדיניות שעומדת במבחן המציאות, ולא "באוויר".

מאיפה מתחילים? עדיף לבחור שניים או שלושה הליכים קריטיים בארגון, "מסלולי זהב", ולבנות בהם יכולת מקצה לקצה: איכות הנתונים, קביעת החלטה, ביצוע, מדידה – ואז לשכפל לקווים או אתרים נוספים. פיילוטים נקודתיים על חוליה אחת בשרשרת זה נחמד, אבל המהלך הזה לא נותן ערך אמיתי להטמעת ה-AI בהליך. בתפעול, כדאי ללכת על הטמעה של בינה מלאכותית לכל אורך הקו.

מה לא לעשות: אל תמדוד או תמדדי הצלחה לפי דיוק מודל, אם התוצאה התפעולית לא משתנה. אל תכניסו בינה מלאכותית שרק מוסיפה עוד התרעות, בלי לקצר את הדרך לפעולה. אל תאפשרו למערכת להשפיע על איכות או בטיחות בלי גבולות מוגדרים, אימות ותיעוד החלטה. ואל תבנו פתרון שמתפקד רק כשיש צוות פרויקט לידו. בינה מלאכותית תפעולית אמיתית לא צריכה בייביסיטר, ועובדת גם כשאף אחד לא מסתכל.

בסופו של דבר, בינה מלאכותית בתפעול היא לא קסם ולא פיילוטים נוצצים. היא דורשת משמעת וסדר, ואם עושים אותה נכון, היא גם תחסוך לך את סוג השיחות שאף COO לא אוהב או אוהבת לקבל בבוקר.