לאחר המאמר שלי בנושא הקשיים שחווים לא מעט עסקים וסוכנויות בהטמעת כלים חדשים בבינה מלאכותית וכיצד ניתן לפתור חלק מהאתגרים, חשוב להבין את הדרך שעושה הבינה המלאכותית בשנתיים האחרונות ומדוע לפי מקינזי שנת 2024 תהיה שנת הפריצה של הבינה המלאכותית.

אין ספק שהגיע הזמן לאיפוס והבנה של בינה מלאכותית (Generative AI). ההתלהבות הראשונית ושטף הפעילות ב-2023 מפנים את מקומם למחשבות נוספות וכיול מחדש, כשחברות מבינות שלכידת הערך הפוטנציאלי העצום של הבינה המלאכותית מאתגר יותר ולא ניתן לכימות ולהוצאה לפועל במהירות כפי שהיה נדמה.

שנת 2024 מסתמנת כשנה שבה הבינה המלאכותית תוכיח את ערכה. כדי שזה יקרה על החברות לזכור את הלקחים הקשים שנלמדו עם טרנספורמציות דיגיטליות מהעבר: יתרון תחרותי מגיע תמיד מבניית יכולות ארגוניות וטכנולוגיות כדי לחדש, לייעל ולשפר פתרונות בקנה מידה גדול.

כלומר, כדי להטמיע טכנולוגיה חדשה ופורצת דרך שיכולה לשנות את הארגון, יש לעצור ולבצע חשיבה מהרבה היבטים – כיצד נערכים לאתגרים, מי הצוות המוביל, מה הסמכויות שלו וכיצד זה ישפיע על כל אחד ממרכיבי העסק. מקינזי בחנה את הנושא והיא מציעה כמה צעדים שיסייעו לחברות לכייל מחדש את כל נושא החדרת כלי בינה מלאכותית חדשים לארגון.

כדי לחדד את הכלים ליישום, להלן מקרה של חברת טלקומוניקציה אחת שביצעה רה-ארגון בחברה בנושא בינה מלאכותית:

החברה שכרה מנהל נתונים ובינה מלאכותית ראשי עם מנדט "לאפשר לארגון ליצור ערך באמצעות נתונים ובינה מלאכותית". המנהל עבד עם הצוותים במטרה לפתח את החזון האסטרטגי וליישם את מפת הדרכים של הארגון.

לאחר סריקה של תחומים רבים והזדמנויות למקרי שימוש ברחבי הארגון, ההנהלה תיעדפה את תחום השירות/תחזוקה הביתית לפיילוט ולאחר מכן להתרחב כחלק מרצף גדול יותר של יוזמות. בחברה התמקדו במיוחד בפיתוח כלי AI כדי לסייע למשגרים ולמפעילי שירותים לחזות טוב יותר את סוגי השיחות והחלקים הדרושים בעת מתן שירות לבתי הלקוחות.

ההנהלה הקימה צוותי מוצר חוצי תפקודים עם יעדים ותמריצים משותפים לבניית כלי הבינה המלאכותית לארגון. כחלק מהמאמץ לשיפור המיומנות של הארגון כולו כדי לעבוד טוב יותר עם כלי נתונים וכלי AI, הם גם הקימו אקדמיה לנתונים ובינה מלאכותית, שהמוקדנים ומפעילי השירות נרשמו אליה כחלק מההכשרה שלהם. כדי לספק את הטכנולוגיה ואת בסיס הנתונים עבור כלי ה-AI, המנהל הראשי בחר גם מודל שפה גדול (LLM) וספק ענן שיכול לענות על הצרכים של התחום, כמו גם לשרת חלקים אחרים של הארגון. המנהל הראשי פיקח גם על יישום ארכיטקטורת הנתונים, כדי שתתאים לארגון ולאסטרטגיה ובכך סייע שהנתונים יועברו באחריות ובמהירות.

דוגמה זו ממחישה בצורה מיטבית כיצד ארגון צריך ויכול להיערך ולבצע נכון את המעבר לכלי בינה מלאכותית בארגון והכנה לחמש הנקודות שבמקינזי מייעצים לארגונים להקפיד במעבר לטכנולוגיית בינה מלאכותית והם מתאימים לכל עסק כצורך באסטרטגיה ויישום של כלים חדשים.

1. גלו היכן הכלים של בינה מלאכותית מייצרים לכם יתרון תחרותי

ההתרגשות הגדולה סביב הבינה המלאכותית וקלות השימוש היחסית שלה, הובילו לפרץ של ניסויים בקרב ארגונים. עם זאת, רוב היוזמות הללו לא יניבו יתרון תחרותי. בנק אחד, למשל, רכש עשרות אלפי רישיונות GitHub ,Copilot, אך מכיוון שלא היה לו מושג ממשי כיצד לעבוד עם הטכנולוגיה, ההתקדמות הייתה איטית ולא אפקטיבית. דוגמה נוספת הינה הניסיון לייצר יתרונות בתחום שירות הלקוחות. מכיוון שזו לא ליבת העסקים של הארגון ברוב המקרים ואולי יכול לסייע בפרודוקטיביות, שינוי זה לא יעניק יתרון תחרותי על המתחרים.

כדי ליצור יתרון תחרותי, חברות צריכות להבין תחילה את ההבדל בין להיות "לוקח" (משתמש בכלים זמינים, לעתים קרובות באמצעות ממשקי API ושירותי מנוי), "מעצב" (אינטגרטור של מודלים זמינים עם נתונים קנייניים), ו"מייקר" (בונה של LLMs). לעת עתה, גישת המייקרים יקרה מדי עבור רוב החברות, ולכן הנקודה האפשרית עבור עסקים היא יישום מודל לוקח לשיפור הפרודוקטיביות תוך בניית יישומי "מעצב" ליתרון תחרותי.

חלק גדול מהערך לטווח הקרוב של הבינה המלאכותית קשור קשר הדוק ליכולתה לעזור לאנשים לבצע טוב יותר את עבודתם הנוכחית. בדרך זו, כלי AI פועלים כטייסי משנה שעובדים זה לצד זה עם העובד. משמעות הדבר היא שחברות צריכות להתמקד במקומות שבהם טכנולוגיית טייס משותף יכולה להיות בעלת ההשפעה הגדולה ביותר על התכניות האסטרטגיות שלהן.

2. לשפר את הכישרון הקיים, אבל להיות מדויקים בכישורים והיכולות הנדרשים מאנשי ה AI בארגון

אין ספק שלחלק נכבד מעובדי הארגונים יש כבר ידע בסיסי בהפעלת כלי בינה מלאכותית והארגונים אף מעודדים עובדים לעבור הכשרות, השתלמויות, אך זה לא מספיק ויש לבצע התאמות לסוגי הצוותים והעובדים במטרה לייעל את המעבר. לדוגמה, נדרשו לחברת שירותים פיננסיים שלושה חודשים כדי להכשיר את מדעני הנתונים הטובים ביותר שלה לרמה גבוהה של מיומנות, למרות  קורסים ותיעוד זמינים. הדרך היעילה ביותר לבנות יכולות בקנה מידה גדול היא באמצעות חניכה, הכשרת אנשים ולאחר מכן להכשיר אחרים, ובניית קהילות של מתרגלים. תזמון מפגשים קבועים שבהם אנשים יכולים לשתף את הלמידה ואירוח מפגשי סקירת תיעוד דו-שבועיים הם פרקטיקות חשובות.

3. צוות מרכזי ליצירת סטנדרטיזציה

כדי להבטיח שכל חלקי העסק יוכלו להרחיב את יכולות הבינה המלאכותית, ריכוז יכולות הוא צעד ראשון טבעי. המוקד הקריטי עבור צוות מרכזי זה יהיה לפתח וליישם פרוטוקולים ותקנים לתמיכה בקנה מידה גדול, להבטיח שהצוותים יוכלו לגשת למודלים תוך מזעור סיכונים והכלת עלויות, וכמובן בניית מודל/ארכיטקטורת בינה מלאכותית בארגון. עבודת הצוות יכולה לכלול, למשל, רכישת מודלים המותאמים לארגון ולצרכים שלו וקביעת דרכים לגשת אליהם (מתוך הארגון, ענן וכד') ופיתוח תקנים למוכנות נתונים, הגדרת ספריות מהירות מאושרות והקצאת משאבים נדרשים. הצוות יוכל להמליץ על מקצועות חדשים נדרשים, כגון מדען נתונים, מהנדס נתונים, מנתח שפה ועוד.

4. התמקדות באיכות הדאטה

התמקדות באיכות הדאטה זו אחת הנקודות הכי חשובות שרוב הארגונים, או משקיעים בה הכי הרבה מאמצים או לא מבינים את החשיבות, וזה מאוד תלוי בגודל הארגון ובמורכבות הדאטה שלו. היו ממוקדים בשיפור איכות הנתונים ובמאמצי הגדלת הנתונים שלכם. בעוד שבעבר איכות הנתונים הייתה תמיד נושא חשוב, הבינה המלאכותית הוסיפה גם את קנה המידה וההיקף של הנתונים שמודלים של בינה מלאכותית משתמשים – במיוחד היכולת להפוך נתונים לא מובנים (ערכים שניתן לארגן בטבלאות, כגון מחירים ותכונות) לדאטה מובנת – ובכך הפכו את הנושא למשמעותי הרבה יותר בהטמעת כלים אלו בארגון.

מסיבה זו, זה קריטי כדי לקבל נכון את יסודות הנתונים – הבהרת זכויות החלטה, הגדרת תהליכי נתונים ברורים כדי לקבוע טקסונומיות כדי שהמודלים יוכלו לגשת לנתונים שהם צריכים. החברות שעושות זאת היטב קושרות את מאמצי איכות הנתונים וההרחבה שלהן ליישום ולמקרה השימוש הספציפי של בינה מלאכותית. יש להבין איזה ערך נעול בנתונים הלא מובנים בארגון. רוב הארגונים מיקדו באופן מסורתי את מאמצי הנתונים שלהם בנתונים מובנים אבל הערך האמיתי של LLMs מגיע עם היכולת שלהם לעבוד עם נתונים לא מובנים (לדוגמה, שקופיות PowerPoint, קטעי וידאו, וטקסט).

5. אמון ואחריות

כולנו מכירים חלק מההתנגדויות של עובדים כחלק מהחדרת כלים מתקדמים ה"מאיימים" עליהם ובמיוחד בכלי הבינה המלאכותית שהפוטנציאל שלהם לעובד לא מיומן גדל מאוד. לכן קריטי לארגון להוריד חששות אלו, והרף להסביר כיצד כלים אלה עובדים ומייעלים, הוא הרבה יותר גבוה מאשר פתרונות עבר. אנשים שמשתמשים בכלים רוצים לדעת איך הם עובדים, לא רק מה הם עושים. לכן חשוב להשקיע זמן וכסף נוספים כדי לבנות אמון על ידי הבטחת דיוק המודל והקלה על בדיקת התשובות.

חברת ביטוח אחת, למשל, יצרה כלי בינה מלאכותית כדי לסייע בניהול התביעות. כחלק מהכלי, הוא פירט את כל המקורות והתהליך בקבלת התשובות, ולכל תשובה סיפק קישור למשפט או לעמוד במסמכי הפוליסה ומדיניות הרלוונטיים. החברה גם השתמשה ב-LLM כדי ליצור וריאציות רבות של אותה שאלה כדי להבטיח עקביות של התשובה. צעדים אלה, בין היתר, היו קריטיים כדי לסייע למשתמשי הקצה לבנות אמון בכלי ובתהליך.

לסיום, אנו רואים כי הדרך להטמעת כלי בינה מלאכותית בארגון מצריכים השקעות וחשיבה שונים מכלים שהוטמעו בעבר, ולפי הנתון הבא: "רק 21% מהחברות המדווחות על אימוץ AI אומרות שהן קבעו מדיניות המסדירה את השימוש של העובדים בטכנולוגיות דור AI". אנו מבינים כי הדרך לשם עוד ארוכה ומלאה באתגרים הניתנים לפתרונות, אך מצריכים השקעה וסבלנות.

• הכותב הינו מנהל קהילת עדיףTech