בשנים האחרונות קשה למצוא חברה או ארגון שלא משלב או מתכנן לשלב בינה מלאכותית בעבודה השוטפת. על פניו היתרונות ברורים: ה-AI יכול לייעל תהליכים, לחסוך לא מעט עבודה שחורה ולהוזיל עלויות. מעבר לכך, במקרים רבים, שילוב של בינה מלאכותית יכול גם להסיט משאבים לצרכים ארגוניים אחרים ולחולל מהפכה של ממש.
אלא שזה התרחיש האופטימי. בפועל, הטמעה של AI בחברות כרוכה בלא מעט קשיים, התאמות והתמודדות עם אתגרים משמעותיים במיוחד – סנכרון עם מערכות קיימות, הדרכה והכשרה, אימות ותיקוף של מידע, הגנה על מידע רגיש או מסווג ועוד. כמו כן כדי שאכן ניתן יהיה להפיק את המירב מ-AI נדרש שינוי ארגוני כולל וממושך ונדרש להבין אותו לעומק, עם כל ההשלכות שלו.
"להכריז שעושים AI זו לא אסטרטגיה", מבהיר יוסי הרשקו, סמנכ"ל הטכנולוגיות הגלובלי של קבוצת דן אנד ברדסטריט. "ארגונים רבים קופצים למים העמוקים של הטמעת פתרונות מבלי להבין את כל המורכבויות. האתגר הכי גדול בהקשר הזה הוא איכות ודיוק הנתונים שעליהם הבינה מסתמכת. העיקרון של GARBAGE IN GARBAGE OUT עובד כאן נהדר. ניקח למשל דוגמא מעולם הפינטק. יועצי AI, המשמשים כיועצים אסטרטגיים בפלטפורמות רבות, הם כלי רב עוצמה. אך שימו לב: הזנת נתונים פגומים – בין אם דוחות שגויים, נתוני מכירות לא מדויקים או תחזיות מיושנות – תהפוך את הייעוץ שלהם למסוכן. המודל, גם החכם ביותר, עלול להוביל להחלטות עסקיות שגויות, הפסדים משמעותיים ואף לפספוס הזדמנויות יקרות. זכרו תמיד: איכות התפוקה של ה-AI תלויה באופן מוחלט באיכות הקלט. לכן, חשוב לערוך באופן שוטף ועקבי בדיקה של הנתונים גם אם זה כביכול מאריך את הדרך. היסודיות והקפדנות תשתלם, תקצר את הדרך בהמשך ותבטיח תוצר איכותי".
חנן זכאי, GenAI lead בחברת CodeValue, שותף לעמדה זו. "חשוב מאוד להתייחס לנושא של אימות ותיקוף של תוצרי AI: אחת הבעיות בשימוש בכלים שגם במקרה שהם לא עובדים כמו שצריך אין הודעת שגיאה והם מייצרים תשובות ותוצאות שלעיתים כל קשר בינם לבין המציאות מקרי בהחלט. חשוב מאוד לבנות מנגנונים שיאפשרו אימות של המידע והתובנות שמספקת הבינה המלאכותית. לא תמיד ברור איך מודל AI הגיע לתשובה מסוימת (wהקופסה השחורהw), ולכן נדרשת יכולת לבדוק את התוצאות, לזהות טעויות או הטיות, ולהבין את מגבלות המערכת".
רו"ח ליאור שחר, שותף וראש תחום ההייטק בפירמת הייעוץ וראיית החשבון BDO, מצביע על אתגר נוסף. "כאשר AI מבצע משימות שבעבר דרשו מומחיות אנושית, זה משנה את הערך הנתפס של תפקידים בארגון. פתאום נוצר צורך להגדיר מחדש מהי מומחיות, ומה התרומה של עובד בעולם שבו המכונה יודעת 'לכתוב, לנתח, להמליץ'. מדובר בשינוי זהות מקצועית שדורש רגישות ניהולית הטמעה מוצלחת של בינה מלאכותית היא הרבה יותר ממהלך טכנולוגי – זו טרנספורמציה תרבותית, תהליכית ואסטרטגית עמוקה.
לצד אתגרים אלו, מציינים המומחים גם עלויות מחשוב תפעוליות גבוהות, צורך במשאבי מחשוב עצומים, אבטחת מידע – וגם סינכרון עם מערכות קיימות. לדברי אמנון אבי גיא מנכל Robotize המפתחת פתרונות רובוטיקה ואוטומציה, "רוב הארגונים פועלים עם תשתיות שאינן 'מדברות' היטב או בכלל עם מערכות חדשניות של AI. כתוצאה מכך עולה צורך לבצע אינטגרציה מורכבת, להגדיר מחדש תהליכים עסקיים ולהכשיר עובדים לעבוד אחרת".
לא על הבינה לבדה
הטמעת AI בארגונים עשויה להוביל גם לתופעה נוספת: מקרים שבהם הבינה המלאכותית אולי פותרת אתגר מסוים – אך מייצרת אתגר חדש. "בעת שימוש בבינה המלאכותית למיון קורות חיים, שימוש בבינה מלאכותית עשוי לייצר הטיה מסוימת כמו העדפה של גברים לתפקידים מסוימים. התוצאה היא אולי מיון קצר יותר בו בעת נוצרת בעיה או החרפה של אפליה ובעיה חברתית מורכבת. כדי למנוע ממודלים לשקף או להעצים עיוותים קיימים, נדרשת מעורבות אנושית ביקורתית. שילוב בין אוטומציה לשיקול דעת אנושי הוא תנאי הכרחי להטמעה אחראית ואתית של AI, אומר הרשקו".
אבי גיא אף מצביע על "תוצר לוואי" אחר. "מערכות בינה מלאכותית יכולות לייעל משמעותית את שירות הלקוחות באמצעות צ'אטבוטים – זמינות 24/7, תגובה מיידית, חיסכון בכוח אדם. אבל מהצד השני, זה יוצר חוויה לא אנושית עבור לקוחות שדורשים יחס אישי או פתרונות מורכבים", הוא מסביר. "האיזון הוא בשילוב נכון בין אדם למכונה – לתת לבינה לטפל בשאלות שגרתיות, ולאפשר מעבר חלק לנציג אנושי כשנדרש. עיקרון דומה תקף גם בתחומים אחרים – יש להבין את גבולות היכולת של ה-AI ולהשתמש בה ככלי, לא כמחליף מלא".
לדברי זכאי, הדוגמה הטובה ביותר לתופעה היא בעולמות פיתוח התוכנה. "שימוש בעזרי קוד מבוססי AI שיפרה מאוד את הפרודקטיביות של מפתחים, אך הוא מקשה על איתור ותיקון תקלות או סיכוני סייבר והופך אותם למסובכים". גם כאן, לדבריו, חשוב לא להתבסס רק על הבינה אלא לשלב אותה עם ידע והבנה אנושית.
אי אפשר לחמוק מניסוי וטעיה
שיקול נוסף שלא כדאי להקל בו ראש הוא נוגע לעובדה כי השימוש בכלי AI עדיין חדש ולא קיימת פרקטיקות או מתודות לשילוב שלו בארגונים. "רוב הארגונים נמצאים בשלב של ניסוי וטעייה", מבהיר שחר. "סביב הבינה יש המון שיח והייפ אבל אין מפת דרכים שמתאימה לכולם. יש כאלה שמתחילים בפרויקטים קטנים כמו אוטומציה של שירות לקוחות וכאלו שקופצים למים עמוקים יותר של פיתוח טכנולוגי מורכב. בחלק לא מבוטל מהמקרים, הם מגלים שבהעדר הכשרה לעובדים, תשתיות נכונות וניהול של השינוי – אין באמת ערך".
לדברי זכאי, "אנו מזהים שני פערים עיקריים מבחינת ההטעה של הארגונים. הפער הראשון הוא ה"מימוש הראשון" - יצירת USE CASE /מימוש שידגים את יצירת הערך לארגון ובעיקר כיצד מייצרים שכבת נתונים ומידע איכותית ומדויקת שתאפשר לפתרון ה AI לייצר את הערך. הפער השני הוא לקחת פתרון מקומי ולהפוך אותו לפתרון מרובה משתמשים. פתאום פוגשים בעוצמה גבוהה פערים של נכונות מידע, ניצול לרעה ועלויות שכן הרצה של פתרונות מבוססי AI דורשת לרוב שימוש בחומרה ובמשאבים רבים ויקרים".
"ניסוי וטעיה הם חלק אינהרנטי מכל תהליך שכזה. זאת, מפני שבסופו של דבר מאחורי פתרון AI נמצא מודל סטטיסטי שכל מה שהוא יודע לעשות הוא ל"דעת" בהסתברות גבוהה מה תהיה המילה הבאה במשפט. וכל מה שכולם עסוקים מחברות הענק כמו NVIDIA ועד מיישמי AI בארגונים הוא לשפר את הדיוק והשימושיות של התוצאות ואחד האמצעים החשובים לצורך כך הוא ניסוי וטעיה".
מה כן לעשות?
לנוכח המקרים והאתגרים שכרוכים בהטמעת בינה מלאכותית, ממליצים המומחים על מספר עקרונות בשילוב AI בארגונים וחברות:
התמקדו בערך עסקי, לא בטכנולוגיה - אל תטמיעו AI רק כי זה 'קול'. תשאלו: איזה בעיה עסקית ה-AI הזו באה לפתור? איך היא תחסוך לנו כסף, תגדיל הכנסות, או תשפר את חווית הלקוח.
זכרו: זו קפיצה תרבותית, לא רק טכנולוגית – חשוב להבין שהטמעה של AI היא שינוי תרבותי ולא בהכרח טכנולוגי. כדי שזה באמת יעבוד, צריך להשקיע גם באנשים, גם בתשתיות וגם בפתיחות מחשבתית.
אל תזניחו את הבינה האנושית – ה-AI אולי יכולה לפתור אתגרים במהירות וביעילות שיא, אבל לשבש או "להרוג" יצירתיות שהיא בדיוק מה שמייצר הבדל או ערך מוסף לחברות. מנהלים של חברות הייטק לא בהכרח הגיעו מרקע או ניסיון ישיר של הייטק ודווקא הם חוללו שינוי אדיר.