הטמעת בינה מלאכותית בארגון_

למה רוב פרויקטי ה-AI נתקעים בפיילוט

הטמעת AI בארגונים נראית פשוטה בהדגמה: מעלים מסמך, שואלים שאלה, מקבלים תשובה יפה. הבעיות מתחילות כשמנסים להפוך את זה לכלי עבודה. הנתונים מפוזרים, ההרשאות לא ברורות, אף אחד לא הגדיר מה נחשב הצלחה, והמערכת לא מחוברת לשום דבר שהעובדים כבר משתמשים בו.

לכן אנחנו לא מתחילים במודל. אנחנו מתחילים בשאלה איפה העבודה בארגון חוזרת על עצמה, כמה זמן היא לוקחת, ואילו נתונים צריך כדי לעשות אותה טוב יותר. מהנקודה הזו, הבחירה בטכנולוגיה היא כמעט טכנית.

מה אנחנו בודקים לפני שכותבים שורת קוד

תהליך, נתונים, סיכון

כל שימוש מקבל ציון בשלושה צירים: כמה זמן או כסף הוא חוסך, האם הנתונים זמינים ונקיים מספיק, ומה קורה אם המערכת טועה. שימוש עם ערך גבוה, נתונים זמינים וסיכון נמוך הולך ראשון. שימוש שבו טעות פוגעת בלקוח מחכה לשלב שבו יש בקרה אנושית מסודרת.

מי ישתמש בזה ביום רביעי בבוקר

AI שאף אחד לא פותח לא שווה כלום. אנחנו מתכננים את הממשק בתוך הכלים שהצוות כבר עובד בהם: ה-CRM, מערכת הפניות, הדפדפן. אם צריך להיכנס למערכת חדשה כדי להשתמש בזה, השימוש יירד.

איך נמדוד

לפני הפיילוט מגדירים מדד אחד או שניים: זמן טיפול בפנייה, מספר פניות שנסגרו בלי העברה, זמן הכנת מסמך. מודדים את המצב הקיים, ומשווים.

פרטיות: חוק הגנת הפרטיות ותיקון 13

תיקון 13 לחוק הגנת הפרטיות הגדיל את האחריות של ארגונים על מידע אישי שהם מחזיקים ומעבדים. מערכת AI שקוראת פניות של לקוחות, מסמכי עובדים או רשומות רפואיות נוגעת בדיוק במידע הזה.

אנחנו מתכננים לזה מהיום הראשון: ממפים איזה מידע אישי עובר בתהליך, מגדירים הרשאות לפי תפקיד, שומרים לוגים של מה נשאל ומה נענה, ומחליטים במפורש מה נשלח לספק מודל חיצוני ומה לא יוצא מהסביבה שלכם. במקרים רגישים אפשר להסתיר פרטים מזהים לפני שהם מגיעים למודל. את ההחלטות המשפטיות מקבלים היועץ המשפטי וממונה הגנת הפרטיות שלכם, ואנחנו בונים את המערכת כך שתתאים להן.

מה אנחנו בונים בפועל

• עוזר ידע ארגוני: עונה מתוך הנהלים והמסמכים שלכם, בעברית ובאנגלית, עם הפניה למקור.
• אוטומציה של פניות: קליטה, סיווג, ניתוב וטיוטת תשובה, עם אישור אנושי.
• AI בתוך ה-CRM: סיכום שיחות, תיעדוף לידים ומשימות המשך. ראו פיתוח CRM.
• עיבוד מסמכים: חילוץ נתונים מטפסים, חוזים וחשבוניות אל המערכות שלכם.

אנחנו מפעילים מערכת CRM עם עוזר AI על צינורות הלידים של העסקים שלנו ושל השותפים שלנו, כך שאת הבעיות של AI בייצור אנחנו מכירים מקרוב.

דוגמה: איך נראה תהליך בחירת שימושים

נניח ארגון שירות בינוני עם מוקד פניות, צוות מכירות ומחלקת משאבי אנוש. במיפוי עולים חמישה רעיונות: סיכום וניתוב פניות נכנסות, עוזר שעונה לעובדים מתוך נהלי משאבי אנוש, טיוטות מענה ללידים ב-CRM, חילוץ נתונים מחשבוניות ספקים, ואישור אוטומטי של החזרים ללקוחות.

כל רעיון מקבל ציון של 1 עד 5 בשלושה צירים: ערך, זמינות נתונים וסיכון. סיכום וניתוב פניות מקבל ציון גבוה בכולם, ולכן הוא הפיילוט הראשון. אישור אוטומטי של החזרים נראה מפתה, אבל טעות בו פוגעת ישירות בלקוח, ולכן הוא מחכה לשלב שבו יש בקרה אנושית מסודרת. ההחלטה לא נשענת על התלהבות, אלא על טבלה שכל אחד בהנהלה יכול לקרוא ולהבין.

למה דינו

AI טוב רק כמו הנתונים והמערכות שמסביבו, ושם בדיוק הניסיון שלנו. אותו צוות בנה את ibon, פלטפורמת ניהול המלאי והייצור לתעשיית המזון, את מערכת ה-OEE בזמן אמת של Netafim, ואת דשבורד הקורונה של N12 שמשך נתונים חיים ממקורות שונים, כולל משרד הבריאות. אלה לא פרויקטי AI, אבל הם בדיוק העבודה שקובעת אם פרויקט AI יצליח: חיבור מקורות נתונים, ביצועים, ואמינות בייצור.

הצוות יושב בתל אביב ובטורונטו, עובד בעברית מול ההנהלה, ומסר פרויקטים בישראל, בקנדה, בארה“ב, באירופה ובאוסטרליה. אם אתם רוצים לקרוא עוד לפני שיחה, יש לנו מדריך מפורט באנגלית על בניית מפת דרכים להטמעת AI. כשאתם מוכנים, ספרו לנו על התהליך שהכי מעיק עליכם, ונחזור עם הצעה לפיילוט ראשון.