חמישה מודלים ליצירת ערך מבינה מלאכותית שמעצבים מחדש את העסק

רוב הארגונים עדיין מנהלים בינה מלאכותית כסדרה של שימושים נקודתיים: פיילוט כאן, תהליך עבודה שם, כלי מבטיח באחת היחידות. גישה כזו יכולה להניב הצלחות מקומיות, אך לעיתים רחוקות היא משנה מהיסוד את האופן שבו העסק יוצר ערך.

זה דומה ליצירת באנרים אינטראקטיביים וקמפיינים של דיוור מדורג עם הופעת האינטרנט, תוך החמצת מהותה של מהפכת המסחר המקוון.

הארגונים שפורצים קדימה פועלים לפי היגיון שונה ושאפתני יותר. הם מתייחסים לבינה מלאכותית לא כאל אוסף ניסויים מנותקים, אלא כאל מערך של מודלים ליצירת ערך. לכל מודל היגיון כלכלי, פרק זמן למימוש ערך ודרישות ממשל משלו, וכל אחד מקל על הרחבת המודל הבא.

לכן, החברות שיפיקו את המרב מבינה מלאכותית לא יהיו אלה שמפעילות הכי הרבה פיילוטים. אלה יהיו החברות שמבינות אילו מודלים ליצירת ערך לבנות, באיזה סדר ועל אילו תשתיות, כדי להמציא מחדש את העסק שלהן.

חמישה מודלים ליצירת ערך מבינה מלאכותית בולטים כיום בעולם הארגוני. כל אחד מהם יוצר ערך בדרך אחרת. לכל אחד היגיון כלכלי, אופק זמן ומנגנוני ממשל משלו. וכל אחד יכול ליצור את התנאים להרחבת המודל הבא.

העצמת העובדים בונה מיומנות. המיומנות מאפשרת ליישם מנגנוני ממשל בפועל. מנגנוני הממשל מאפשרים שילוב עמוק יותר בין מערכות. שילוב המערכות מאפשר לנהל תלויות. ניהול התלויות מאפשר תפעול בטוח בהובלת סוכנים.

כך ארגונים עוברים מהצלחות נקודתיות בבינה מלאכותית להמצאה מחדש של העסק בהיקף רחב יותר. השאלה האסטרטגית אינה באיזה מודל לבחור. השאלה היא באיזה מודל להתחיל, איזו תשתית הוא בונה ומה הוא מאפשר בהמשך.

זהו המודל ליצירת ערך שאפשר להפעיל במהירות הרבה ביותר. הוא מקנה לעובדים ברחבי הארגון יכולת מעשית להשתמש בבינה מלאכותית, משפר את הפרודוקטיביות בטווח הקרוב ובמקביל בונה את המיומנות הנדרשת לשינוי עמוק יותר. התועלת הגדולה יותר אינה ניסוח, שילוב מידע או ניתוח מהירים יותר, אלא מוכנות ארגונית. משאבי אנוש יכולים לפתח יכולות, המחלקה המשפטית יכולה לקבוע כללים ולפקח, מחלקת הכספים יכולה לממן, והצוותים העסקיים יכולים לשתף פעולה מתוך הבנה משותפת של המקומות שבהם בינה מלאכותית מועילה ושל הדרכים להשתמש בה בבטחה.

• שימוש חוזר לפי תפקיד ורמת מיומנות

• פרומפטים, תהליכי עבודה ונכסים שניתנים לשימוש חוזר בין צוותים

• עדויות לפיתוח יכולות בין יחידות הארגון

• הופעת דרכי עבודה חדשות

פער בין שתי קבוצות עובדים: קבוצה קטנה של משתמשים מתקדמים מתקדמת, בעוד שאר הארגון דורך במקום.

בנו רשת של מובילי אימוץ ותהליכי עבודה להתחלה, כגון הערכת ביצועים, ניהול חוזים ותהליך מרכש ועד תשלום, שימחישו שיטות עבודה מומלצות באופן נגיש ומעורר השראה.

המודל הזה חשוב משום שבינה מלאכותית משנה את האופן שבו לקוחות מגלים, מעריכים ובוחרים מוצרים ושירותים, תוך יצירת רמה חדשה לגמרי של מעורבות. בערוצים הבנויים סביב בינה מלאכותית, ההמרה מתרחשת יותר ויותר בתוך שיחה. כך מוקד הצמיחה עובר מהיקף החשיפה לבניית אמון ולנוכחות ברגעים שבהם מתגבשת כוונת רכישה. המנצחים לא יהיו בהכרח בעלי הנראות הגבוהה ביותר. הם יהיו אלה שמציעים את התועלת והאמינות הרבות ביותר, בדיוק ברגע שבו מתקבלת ההחלטה.

• כוונת רכישה מבוססת ומספר סבבי האינטראקציה עד להתחייבות המשתמש

• איכות ההמרות, כולל שימור לקוחות, מכירות שדרוג וערך לקוח לאורך זמן

• סימני אמון כגון חזרה לשירות, מעורבות חוזרת והפניית לקוחות נוספים

• הפעלת מחברי נתונים ייעודיים או אפליקציות הקשורות לעסק שלכם

התייחסות להפצה המובנית בבינה מלאכותית כאל משפך ביקוש מסורתי, ומיטוב הכמות על חשבון רלוונטיות ואמון לאורך זמן.

בחרו זירה אחת, כגון חוויה המותאמת לתחום מסוים, אפליקציה מוטמעת או יעד פרסום מוגדר, וקבעו מהי המרה איכותית לפני שתרחיבו את ההשקעה.

המודל הזה משלב יכולות בינה מלאכותית ייעודיות במחקר, ביצירה ובעבודה הדורשת מומחיות מעמיקה בתחום. בטווח הקרוב, הוא מצמצם צווארי בקבוק בעבודת מומחים. עם הזמן הוא משנה את המודל התפעולי: במקום לייצר טיוטות ראשונות בעצמם, צוותים עוברים להכוונה, לבדיקה ולשילוב של תוצרים איכותיים שנוצרים בזמן אמת. הערך נובע מהרחבת טווח הדברים שהצוות יכול לבחון, לבדוק או לייצר, בסביבה שמאפשרת לחקור כל תובנה בעזרת תוכניות פעולה ובחינת פוטנציאל ההחזר על ההשקעה, במקום לתעדף מראש על סמך אינטואיציה בלבד.

• קיצור משך התהליכים בצווארי בקבוק בעבודת מומחים

• שיפור האיכות, כולל ציוני בודקים, שיעורי שגיאות ועבודה חוזרת לתיקון

• הרחבת היקף הפעילות, כגון ביצוע יותר ניסויים או בדיקת יותר חלופות יצירתיות

• מקורות הכנסה חדשים לגמרי, שהיו נפסלים על סמך הנחות לגבי היתכנותם

התייחסות ליכולת מומחה כאל הדגמה, במקום לשלב אותה בתהליך עבודה אמיתי עם אחריות מוגדרת היטב.

בחרו צוואר בקבוק אחד בעבודת מומחים ומקדו את הצעת הערך במקבלי ההחלטות שנותנים את האישור, תוך הסכמה ברורה על הראיות הנדרשות כדי להפוך רעיון חדש לאבן הבניין הבאה של העסק שלכם.

סוכני תכנות הם הדוגמה המובהקת ביותר כיום, אך המודל הרחב יותר ליצירת ערך הוא שדרוגים בטוחים במערכות עבודה המחוברות זו לזו. עם הזמן, ארגונים ירצו להחיל את אותה יכולת לא רק על קוד, אלא גם על נוהלי עבודה, חוזים, מסמכי מדיניות, מסרים ללקוחות, תהליכי קליטה ותוצרים נוספים שחייבים להישאר עקביים זה עם זה גם כשהם מתפתחים. הדגש כאן הוא פחות על יצירה ויותר על בקרה: עדכונים מהירים יותר, פחות תקלות בהמשך השרשרת, עמידה טובה יותר בדרישות ויכולת משופרת לערוך ביקורת.

• הזמן הנדרש לביצוע שינוי בטוח בתוצרים מקושרים ולפתרון התנגשויות בין גרסאות

• מוכנות לביקורת, כולל יכולת להתחקות אחר עריכות, אישורים ואסמכתאות

• עקביות בין מסמכים, מערכות ותהליכי עבודה בהמשך השרשרת

• אמינות במערכים רחבי היקף של תהליכים התלויים זה בזה

הרחבת היצירה של תוכן או קוד בקצב מהיר יותר מפיתוח מנגנוני הממשל, תוך צבירת חוב מערכתי שידרוש טיפול מפרך בהמשך.

התחילו בתחום אחד מרובה תלויות והגדירו את גרף התלויות, מסלול האישורים והאסמכתאות הנדרשות, לפני שתבצעו שינויים אוטומטיים בעזרת שכבת בקרה של בינה מלאכותית.

זהו המודל שהרחבתו דורשת הכי הרבה זמן, ולעיתים קרובות הוא גם זה שמחולל את השינוי העמוק ביותר. כאן, סוכנים מתזמרים תהליכי עבודה מקצה לקצה בתוך יחידות הארגון וביניהן: מרכש ועד תשלום, תביעות, בקרת שינויים בייצור, תפעול קליני ועוד. פוטנציאל התועלת גדל באופן מעריכי, אך רק כשהתשתיות מבוססות בפועל: בקרות זהות וגישה, הרשאות מסודרות למערכי נתונים ולרכיבי משנה, יכולת ניטור רחבת היקף, טיפול בחריגים עם מדדי ביטחון ואחריות מוגדרת היטב. בלעדיהן, האוטומציה יוצרת סיכונים מהר יותר משהיא יוצרת ערך.

גם כאן, התמורה גדולה בהרבה מהתייעלות בלבד. תכנון מחדש של תהליך עבודה מחייב את הארגון לבחון שוב מה מטרת התהליך, היכן נדרש שיקול דעת והיכן אפשר ליצור ערך חדש. זהו הפתח הסמוי שדרכו מתחיל השינוי במודל העסקי.

• משך התהליך מקצה לקצה

• שיעור החריגים והזמן לפתרונם

• עמידה בדרישות ותוצאות ביקורת

• תוצרי חדשנות, כגון הזדמנויות חדשות שזוהו או השערות חדשות שנבדקו

ניסיון להפוך תהליכי עבודה לאוטומטיים מקצה לקצה לפני שמערכי ההרשאות, הבקרה והאחריותיות בשלים לכך.

בחרו תהליך עבודה אחד והעריכו את המוכנות בתחומי ניהול זהויות, הרשאות גישה, שילוב כלים, רישום ביומנים, טיפול בחריגים והגדרת אחריות.

נקודת הכשל באסטרטגיית בינה מלאכותית אינה רק פיילוטים מבודדים, אלא גם התייחסות לשינוי כאל הימור המבוסס על אמונה: להשקיע עכשיו, לחכות זמן רב ולקוות שערך משמעותי יופיע בהמשך. הגישה העדיפה היא שיטתית יותר ושאפתנית יותר. היא בונה ערך מצטבר ברצף מתמשך של החזרים על ההשקעה.

הרצף הזה מתחיל בהעצמה רחבה, שהיא התנאי המאפשר את כל שאר המודלים ליצירת ערך. מיומנות רחבה בכל הארגון היא הקרקע שממנה צומחים שימושים בעלי ערך גבוה. ככל שיותר אנשים מבינים איך בינה מלאכותית עובדת, היכן היא יוצרת ערך ואיך להשתמש בה בבטחה, כך הזדמנויות טובות יותר מתגלות מהר יותר. מנגנוני הממשל נעשים מעשיים יותר. שילוב המערכות נעשה ישים יותר. ומערכות בעלות ערך גבוה יותר נעשות עמידות ומשותפות ליחידות הארגון, ומשמשות דוגמאות מובילות וסמלים של הזהות הארגונית.

כך ארגונים עוברים ממודלים עסקיים טובים יותר למודלים עסקיים שונים. בתחילה, בינה מלאכותית משפרת את ביצוע המשימות. לאחר מכן היא מעצבת מחדש תהליכי עבודה. בהמשך היא משנה שכבות בקרה, מודלים תפעוליים ולבסוף גם מודלים עסקיים. הקמעונאות לא הפכה למסחר מקוון בזכות שיפור קל ביעילות החנויות. השינוי התרחש כשמנהלים למדו לבנות הצעת ערך חדשה לגמרי, שמייתרת את החנויות ומחברת בין שיווק ללוגיסטיקה במהלך אחד הממוקד במשתמש. הבינה המלאכותית תתפתח באותו דפוס.

כמה דוגמאות:

• קמעונאי מתחיל באימוץ נרחב בקרב העובדים, משפר בהמשך גילוי מוצרים המבוסס על בינה מלאכותית ומסחר באמצעות שיחה, ולבסוף יוצר ערוץ חדש למכירה מותאמת אישית.

• חברת תרופות מתחילה בפיתוח מיומנות בקרב העובדים ויכולות מומחה במחקר ופיתוח ובתפעול הקליני, ובהמשך בונה תהליכי מחקר מבוקרים המזהים התוויות חדשות לאישור בשלבים מתקדמים ומשנים את הכדאיות הכלכלית של צבר הפיתוח.

• יצרן מתחיל בעוזרים חכמים ביחידות הארגון, ובהמשך מיישם בינה מלאכותית בבקרת שינויים, בנוהלי עבודה ובתהליכי איכות, עד שאפשר לנהל את הפעילות כמערכת מסתגלת המגדירה מחדש את כללי הכלכלה בשוק, במקום כמערכת סטטית.

• חברת ביטוח מתחילה בכלים המסייעים בטיפול בתביעות, בונה בהמשך מערך מבוקר של בדיקות מומחים ותזמור תהליכי עבודה, ולבסוף מעצבת מחדש את הטיפול בתביעות סביב החלטות מהירות יותר, פחות חריגים ותוצאות טובות יותר ללקוחות.

אם אתם מובילים כיום אסטרטגיית בינה מלאכותית, שמרו על פשטות עם שלושה שלבים.

• העצימו את כלל העובדים באמצעות תהליכי עבודה מותאמים לתפקיד ורשת של מובילי אימוץ.

• הניחו את יסודות הממשל: מה מותר, מה נבדק, מה מתועד ומי אחראי לאימוץ.

• מדדו שימוש חוזר, רמת מיומנות, תהליכי עבודה לשימוש חוזר ופיתוח יכולות בין יחידות הארגון.

• בחרו מספר קטן של מהלכים בעלי ערך גבוה: מהלך הפצה אחד, צוואר בקבוק אחד בעבודת מומחים ותהליך עבודה אחד עם החזר ניכר על ההשקעה.

• מדדו ערך במונחים עסקיים: איכות ההמרות, קיצור משך התהליכים, שיפור האיכות, צמצום סיכונים ופוטנציאל להכנסות חדשות.

• השקיעו מחדש את פירות ההצלחות האלה בשכבת התשתיות הבאה: איכות נתונים, ניהול זהויות, שילוב מערכות, ניטור ובקרה.

• הרחיבו את השימוש בבינה מלאכותית למערכות מרובות תלויות ולתהליכי עבודה מקצה לקצה רק כשיש בפועל הרשאות מסודרות, יכולת לערוך ביקורת וטיפול בחריגים.

• השתמשו בתשתיות האלה כדי לעצב מחדש את המודל התפעולי, ולא רק להאיץ את המודל הישן.

• שאלו היכן בינה מלאכותית יכולה ליצור ערך חדש לגמרי, ולא רק להוזיל את הביצוע.

הקריאה לפעולה אינה חייבת להתמקד בשאלה היכן בינה מלאכותית יכולה לעזור במסגרת המודל הישן. שאלו איזה מודל ליצירת ערך כדאי לבנות קודם, איזו תשתית הוא יוצר ומה הוא מאפשר בהמשך. התחילו בהיקף רחב מספיק כדי לפתח מיומנות. פעלו בשיטתיות כדי לממש ערך בכל שלב. ואז הרחיבו את הפעילות בביטחון שיאפשר לכם לעבור מגרסה משופרת של ההווה לעתיד שונה לחלוטין.