האם אסטרטגיית הבינה המלאכותית שלך שבורה? כיצד מנכ"לים מובילים משתמשים ברובוטריקים כדי לנצח בגדול

מנכ"לים רבים מתמודדים עם אותו לחץ: לקוחות מצפים לשירות מהיר יותר, העובדים מבלים יותר מדי זמן בחיפוש מידע והנתונים העסקיים ממשיכים לגדול. תוכנה מסורתית יכולה להתמודד עם כללים ברורים, אך היא מתקשה כאשר העבודה כוללת שפה, הקשר, מסמכים או תשובות אפשריות רבות. זו הסיבה שחלק מהמנהיגים העסקיים משקיעים בבינה מלאכותית מבוססת שנאים. שנאי הוא סוג של מודל AI שנועד להבין קשרים בין מילים, תמונות, קוד או נתונים אחרים. ChatGPT, Google Translate, Microsoft Copilot וכלי שפה מודרניים רבים משתמשים במודלים של שנאים. הערעור אינו תווית הטכנולוגיה עצמה. הערעור הוא הערך העסקי שהוא יכול ליצור כאשר חברה מיישמת אותו לבעיה ברורה. אני רואה חמש סיבות מעשיות לכך שמנכ"לים שמים לב. 1. רובוטריקים עובדים במשימות עסקיות רבות חברה עשויה להזדקק לכלים נפרדים למיילים של לקוחות, מסמכי מוצר, דוחות שוק וקוד תוכנה. מודל שנאי יכול לתמוך במספר משימות אלו באמצעות מערכת משותפת אחת. זה יכול לעזור לצוות שירות: - סיווג בקשות של לקוחות - טיוטת תשובות - חיפוש מדיניות פנימית - סיכום שיחות ארוכות - זיהוי תלונות נפוצות - תרגום הודעות בשפות המודל אינו מחליף כל מומחה. זה מפחית את כמות הקריאה והכתיבה השגרתית שמאטה מומחים. עובד תמיכה עשוי להשקיע עשר דקות בחיפוש אחר מדיניות החזרה וכתיבת תשובה. עוזר בינה מלאכותית יכול להכין טיוטה תוך שניות. העובד עדיין בודק את התשובה ומטפל ביחסי הלקוח, בעוד המערכת מסירה חלק מהעבודה הידנית. 2. הם עוזרים לחברות להשתמש בנתונים שקשה היה לחפש בהם לעסקים רבים יש מידע שימושי המפוזר על פני קובצי PDF, מיילים, רשומות צ'אט, חוזים, דפי מוצר וקובצי הדרכה. מידע זה עשוי להיות בעל ערך, אך לעתים קרובות העובדים אינם יכולים למצוא אותו כאשר הם זקוקים לו. שנאי יכול לחבר שאלה עם תוכן רלוונטי גם כאשר הניסוח אינו תואם למסמך המקורי. לדוגמה, עובד עשוי לשאול: "האם לקוח יכול להחזיר פריט פגום לאחר 45 יום?" ייתכן שמסמך המדיניות לעולם לא ישתמש במשפט המדויק הזה. זה עשוי להזכיר "מוצרים פגומים", "חלונות החזרה" ו"הוכחת רכישה". מערכת חיפוש הבנויה עם מודלים של שפה יכולה לקשר את הרעיונות הללו ולהפנות את העובד לחלק הנכון. זה יכול להפחית שאלות חוזרות ונשנות למנהלים ולעזור לעובדים חדשים ללמוד תהליכי חברה עם פחות תמיכה. מנכ"ל עשוי לראות זאת כבעיית ידע ולא כבעיית AI. החברה כבר מחזיקה במידע. השנאי נותן לעובדים דרך מעשית יותר להגיע אליו. 3. הטכנולוגיה יכולה לשפר את זמן התגובה של הלקוחות לקוחות לא תמיד רוצים שיחה ארוכה. לעתים קרובות הם רוצים תשובה ברורה לגבי משלוח, חיוב, גישה לחשבון או שימוש במוצר. שנאי יכול לתמוך בצ'אט בוט שמבין שפה טבעית במקום לאלץ לקוחות לבחור מתוך תפריט ארוך. זה יכול גם להעביר מקרים קשים לעובד אנושי עם סיכום קצר של השיחה. גישה זו עובדת בצורה הטובה ביותר כאשר החברה מציבה גבולות ברורים. המערכת צריכה לענות על שאלות הנתמכות במידע מאושר. זה צריך להגיד מתי חסר לו מספיק נתונים. אסור להמציא מדיניות החזר כספי, תשובה רפואית, תאריך מסירה או תביעה משפטית. חברות רבות למדו את הלקח הזה לאחר שצ'אטבוטים מוקדמים יצרו תגובות בטוחות אך שגויות. לתשובה מהירה אין ערך רב אם הלקוח חייב לפנות שוב לחברה כדי לתקן אותה. 4. רובוטריקים יכולים לתמוך בעובדים מבלי לשנות כל מערכת עסק לא צריך לבנות מחדש את כל ערימת הטכנולוגיה שלו לפני בדיקת מודל שפה. חברה עשויה לחבר עוזר בינה מלאכותית ל: - פלטפורמת עזרה דסק - ספריית מסמכים - מערכת קשרי לקוחות - סביבת קידוד - כלי חיפוש פנימי זה מאפשר למנהיגים לבדוק זרימת עבודה אחת ולמדוד את התוצאה. חברת תוכנה עשויה להתחיל עם סיכומי סקירת קוד. חברת לוגיסטיקה עשויה לבדוק חילוץ מסמכים מרישומי משלוח. משרד עורכי דין עשוי להשתמש בכלי פרטי לאיתור סעיפים בחוזים, כאשר עורך דין בודק כל תוצאה. ככל שהפרויקט הראשון קטן יותר, כך קל יותר לזהות שגיאות, לחשב עלות ולאסוף משוב מעובדים. 5. ניתן למדוד את המקרה העסקי מנכ"לים חכמים לא משקיעים כי AI נשמע מרגש. הם שואלים שאלות מעשיות: - כמה שעות תהליך זה יחסוך? - האם איכות התגובה תשתפר? - באיזו תדירות המודל עושה שגיאות? - לאילו נתונים המערכת תיגש? - מה עולה כל בקשה? - מי סוקר את הפלט? - האם הלקוחות יקבלו את התהליך החדש? שאלות אלו הופכות פרויקט טכנולוגי רחב למבחן עסקי. נניח שצוות תמיכה מטפל ב-20,000 הודעות בכל חודש. כלי בינה מלאכותית מנסח תשובות לשאלות נפוצות, בעוד העובדים בודקים אותן לפני השליחה. החברה יכולה להשוות זמן טיפול ממוצע, שיעורי תיקון, שביעות רצון לקוחות ועלות תפעול לפני ואחרי הבדיקה. התוצאה עשויה להראות ערך חזק, ערך מוגבל או ללא ערך. כל תוצאה מעניקה לחברה מידע שימושי. דוגמאות ציבוריות מראות את מגוון מקרי השימוש גוגל השתמשה במערכות מבוססות שנאים במוצרי חיפוש ושפה. מיקרוסופט הוסיפה עוזרי בינה מלאכותית לתוכנות ולכלי קידוד במקום העבודה. GitHub Copilot עוזר למפתחים ליצור ולהסביר קוד. דוגמאות אלו מראות כיצד מודלים של שנאים יכולים לתמוך בחיפוש, כתיבה, קידוד ועבודת ידע. התוצאות אינן זהות עבור כל חברה. לחברת טכנולוגיה גדולה עשויה להיות מערכות נתונים חזקות וצוותי מומחים. עסק קטן עשוי להזדקק לכלי פשוט יותר עם פחות צרכי אינטגרציה. הלקח הוא לא להעתיק את תוכנית הבינה המלאכותית של חברה אחרת. השיעור הוא ללמוד את המשימה, הנתונים ותהליך הסקירה לפני בחירת מודל. נתיב בטוח יותר מתחיל בזרימת עבודה אחת צרה הייתי משתמש בתהליך פשוט: 1. בחר משימה חוזרת עם תוצאה ברורה. 2. אסוף קבוצה קטנה של מסמכים או דוגמאות מאושרים. 3. הסר נתונים פרטיים שהמערכת לא צריכה. 4. קבעו כללים לביקורת אנושית. 5. בדוק את הדגם עם מקרים רגילים וקשים. 6. עקוב אחר דיוק, זמן, עלות ומשוב משתמשים. 7. הרחב רק לאחר שזרימת העבודה הראשונה מציגה תוצאות יציבות. תהליך זה גם עוזר לעובדים לסמוך על הכלי. אנשים נוטים יותר להשתמש בבינה מלאכותית כשהם מבינים מה הוא יכול לעשות, מה הוא לא יכול לעשות ומי נשאר אחראי להחלטה הסופית. הגנת מידע דורשת תשומת לב מההתחלה. חברה צריכה לבדוק היכן מאוחסנים הנחיות ומסמכים, מי יכול לגשת אליהם, כמה זמן נשמרים הנתונים והאם הספק משתמש בתוכן של לקוחות לצורך הדרכת מודלים. מידע פיננסי, בריאותי, משפטי או אישי רגיש עשוי לדרוש בקרה נוספת. גם פלט הדגם זקוק לבדיקה. רובוטריקים מנבאים שפה שימושית מדפוסים בנתונים. אין להם שיקול דעת אנושי. הם יכולים לייצר עובדות שגויות, מידע מיושן, הקשר חסר או תגובה שנשמעת אמינה ללא תמיכה מתאימה. דעתי פשוטה: מנכ"לים לא צריכים להמר על שנאים כסמל לעסקים מודרניים. הם צריכים להמר על תהליכים ברורים ששנאים יכולים לשפר. מודל עשוי לעזור לצוות לחפש מהר יותר, לכתוב טיוטות, לארגן מידע או לענות על שאלות שגרתיות. זה לא יתקן נתונים לקויים, מדיניות לא ברורה, שירות לקוחות חלש או תהליך שאף אחד לא מבין. התוכנית החזקה ביותר משלבת מקרה שימוש ממוקד, נתונים מהימנים, פיקוח אנושי ותוצאות מדידות. כאשר חלקים אלה קיימים, טכנולוגיית השנאים יכולה להפוך לכלי עסקי שימושי ולא לעוד ניסוי יקר.

חברות רבות משתמשות בכלי AI, אך ייתכן שאסטרטגיית ה-AI שלהן עדיין מפגרת. לעתים קרובות אני רואה את אותו דפוס: צוות קונה גישה לצ'אטבוט, יוצר כמה פרויקטי פיילוט ומחכה לתוצאות עסקיות. הכלי עובד, אבל התהליך נשאר זהה. עובדים ממשיכים להעתיק נתונים בין מערכות. מנהלים לא יכולים להסביר אילו פרויקטים חשובים. לקוחות מבחינים בתשובות איטיות בעוד שצוותים פנימיים מבלים זמן בבדיקת כלים ללא מטרה ברורה. אסטרטגיית AI אינה רשימה של מנויי תוכנה. זוהי תוכנית מעשית המחברת בין צרכים עסקיים, נתונים, אנשים, סיכונים ותוצאות מדידות. סימנים שאסטרטגיית הבינה המלאכותית שלך זקוקה לאיפוס ייתכן שהתוכנית שלך זקוקה לתשומת לב כאשר: - צוותים שונים משתמשים בכלי בינה מלאכותית נפרדים ללא כללים משותפים. - עובדים מדביקים נתוני חברה או לקוחות רגישים בכלים ציבוריים. - לפרויקטים של AI אין בעלים או תאריך סקירה. - מנהיגים מודדים את מספר הניסויים במקום את הערך העסקי. - הצוות מקבל גישה לכלים אך מעט הכשרה. - טייס עובד בסביבת מבחן אך נכשל בפעילות היומיומית. - לקוחות מקבלים תשובות אוטומטיות שנשמעות כלליות או מחמיצות את הבעיה האמיתית. - הנתונים שלך מאוחסנים בפורמטים שמערכות AI לא יכולות להשתמש בהם בביטחון. הסימנים האלה לא אומרים שהחברה שלך נכשלה. הם מראים שאימוץ הכלים עבר מהר יותר מהתכנון. התחל עם בעיה עסקית לא הייתי מתחיל בשאלה, "היכן נוכל להשתמש בבינה מלאכותית?" הייתי שואל, "איזו משימה חוזרת ומגבירה את העסק, יצירת שגיאות או הגבלת איכות השירות?" לבעיה שימושית יש בדרך כלל בעלים ברור ועלות נראית לעין. זה יכול לכלול: - סקירת כרטיסי תמיכה - יצירת תיאורי מוצרים - סיכום שיחות מכירה - בדיקת מסמכים לגבי מידע חסר - חיזוי צרכי מלאי - מציאת דפוסים בנתוני ציוד - עזרה לעובדים בחיפוש מדיניות פנימית UPS מספקת דוגמה שימושית. מערכת ה-ORION שלה שימשה לתמיכה בתכנון נתיבי משלוח. האתגר העסקי לא היה פשוט "להשתמש בבינה מלאכותית". המטרה הייתה לעזור לנהגים ולמתכננים לנהל מסלולים עם פחות נסיעות מבוזבזות. סוג זה של פרויקט מתחיל בצורך תפעולי ומחבר את הטכנולוגיה לזרימת עבודה ספציפית. רשום את התהליך הנוכחי לפני בחירת כלי. רשום את הזמן הנדרש, האנשים המעורבים, שגיאות נפוצות והתוצאה שהלקוחות מקבלים. בחר פרויקט קטן עם מידה שימושית פיילוט צריך להיות צר מספיק כדי לנהל ומשמעותי מספיק כדי ללמד אותך משהו. לדוגמה, צוות תמיכה יכול לבדוק סיכומי כרטיסים שנוצרו על ידי AI. הצוות עשוי למדוד: - זמן הקריאה של כל כרטיס - מספר סיכומים שדורשים תיקון - זמן תגובה לאחר יצירת הסיכום - שביעות רצון לקוחות - מקרים הדורשים בדיקה אנושית המטרה היא לא להוציא אנשים מהתהליך. המטרה היא ללמוד היכן בינה מלאכותית יכולה להפחית עבודה שגרתית בזמן שאנשים מטפלים בשיפוט, אמפתיה וחריגים. פרויקט שחוסך כמה דקות אך יוצר עבודת סקירה חדשה עשוי שלא להיות שימושי. לפרויקט שמשפר את העברת מסרים בין צוותים יכול להיות ערך רב יותר, גם אם הוא לא מייצר שינוי דרמטי במשימה אחת. הכן את הנתונים שלך לפני קנה מידה כלי AI תלויים באיכות ובכללי הגישה של המידע שהם משתמשים בהם. אם שמות המוצרים שונים בין מערכות, רישומי לקוחות מכילים כפילויות או מסמכים מיושנים, ייתכן שיהיה קשה לסמוך על הפלט. אני ממליץ לבדוק: 1. איפה הנתונים מאוחסנים 2. מי יכול לגשת אליהם 3. באיזו תדירות הוא מתעדכן 4. אילו שדות מכילים מידע אישי או סודי 5. איך מתקנים שגיאות 6. כמה זמן יש לשמור את הנתונים. חברה לא צריכה לנקות כל מקור נתונים לפני שמתחילים. הוא יכול לבחור תהליך אחד, להגדיר את הנתונים הנדרשים ולתקן את הבעיות המשפיעות על התהליך הזה. גישה זו שומרת על ניהול העבודה ומעניקה לצוות ראייה טובה יותר של הצרכים העתידיים. תן לעובדים כללים ומקום לדווח על בעיות אנשים צריכים יותר מכניסה והדגמת מוצר קצרה. מדיניות AI פנימית שימושית יכולה להסביר: - באילו כלים עובדים עשויים להשתמש - באיזה מידע אסור להזין - מתי נדרשת סקירה אנושית - כיצד לבדוק תוכן שנוצר על ידי AI - כיצד לדווח על פלט לא מדויק או לא בטוח - מי הבעלים של ההחלטה הסופית ההדרכה צריכה להשתמש במשימות שעובדים מטפלים בהן מדי שבוע. צוות מכירות יכול להתאמן בסיכום שיחות. צוות כספים יכול לעיין בהסבר שהופק על ידי בינה מלאכותית של דוח. צוות תמיכה יכול להשוות טיוטות אוטומטיות עם תגובות מאושרות. המטרה היא לא להפוך כל עובד למומחה בינה מלאכותית. זה לעזור לאנשים להבין מה הכלי יכול לעשות, היכן הוא יכול להיכשל, ומתי עליהם לעצור ולבקש עזרה. צור תהליך סקירה פשוט לכל פרויקט בינה מלאכותית צריך בעלים. אדם זה צריך לעקוב אחר הפרויקט, לאסוף משוב ולהחליט אם הבדיקה צריכה להמשיך, לשנות או להפסיק. סקירה חודשית יכולה לכסות: - באיזו בעיה הפרויקט מטפל - מה השתנה בזרימת העבודה - מה הנתונים מראים - אילו שגיאות הופיעו - מה העובדים והלקוחות דיווחו - האם הפרויקט צריך להתרחב זה שומר על עבודת AI מחוברת להחלטות עסקיות. זה יכול למנוע מרעיון חלש לצרוך משאבים תוך מתן תמיכה לפרויקט שימושי שהוא צריך. בנה אסטרטגיה שיכולה לשנות כלי בינה מלאכותית וצרכי ​​מקום העבודה ימשיכו להשתנות. תוכנית קבועה עשויה להתיישן לפני שהחברה משלימה אותה. אני מעדיף אסטרטגיה עם עקרונות יציבים ופרויקטים גמישים. העקרונות עשויים לכלול הגנה על נתונים, סקירה אנושית, בעלות ברורה ומדידה כנה. הפרויקטים יכולים להשתנות ככל שמופיע מידע חדש. חברה המאמצת כל כלי חדש עשויה להיראות פעילה תוך יצירת בלבול. חברה שמחכה לוודאות מושלמת עלולה לאבד למידה חשובה. נתיב מעשי נמצא בין הבחירות הללו: בחר בעיות אמיתיות, בדוק אותן בזהירות, מדוד את ההשפעה ושתף את מה שהצוות לומד. אם אסטרטגיית הבינה המלאכותית שלך מרגישה מאחור, התחל בבדיקת זרימת עבודה אחת במקום לקנות כלי אחר. דבר עם האנשים שמבצעים את העבודה, הגן על הנתונים שהם משתמשים בהם וקבע מדד שמשקף צורך עסקי אמיתי. תהליך זה יכול להפוך פעילות AI מפוזרת לתוכנית שאנשים מבינים ויכולים להשתמש בה.

מנכ"לים רבים אינם משתמשים בבינה מלאכותית כדי לרדוף אחרי תשומת הלב. הם משתמשים בזה כדי לפתור בעיה עסקית שכבר עולה כסף, זמן או אמון לקוחות. ההבדל הזה חשוב. לעתים קרובות אני רואה חברות קונות כלי בינה מלאכותית לפני שהן מגדירות את העבודה שעליו לשפר. התוצאה היא רשימה ארוכה של ניסויים, נתונים מפוזרים ועובדים שאינם בטוחים כיצד המערכת משתלבת במשימות היומיומיות שלהם. גישה טובה יותר מתחילה בצורך עסקי אחד ברור. מנכ"ל יכול להפוך בינה מלאכותית לנכס עסקי שימושי על ידי חיבורו ליעד מדיד, כגון: - צמצום זמני ההמתנה לתמיכת לקוחות - עזרה לצוותי מכירות להתכונן לפגישות - מציאת דפוסים בעלויות תפעול - תמיכה בצוות בעבודת מסמכים שגרתית - שיפור תחזיות ביקוש - מתן גישה מהירה יותר למנהלים למידע פנימי הטכנולוגיה היא רק חלק אחד מהתהליך. להחלטה העסקית סביבו יש משקל רב יותר. אני מתחיל עם זרימת העבודה, לא מהתוכנה כשאני סוקר פרויקט בינה מלאכותית, אני שואל שאלה פשוטה: "איזו משימה חוזרת ונשנית מאטה את הצוות?" צוות שירות לקוחות עשוי לבלות שעות בחיפוש אחר תשובות בדפי מוצרים, קבצי מדיניות וכרטיסים ישנים. צוות מכירות עשוי לבלות חלק מכל יום בהכנת הערות לחשבון. צוות כספים עשוי לסקור קבוצות גדולות של מסמכים לפני שמנהל יכול לקבל החלטה. למשימות אלו יש עלות נראית לעין. יש להם גם מספיק מבנה למערכת AI שתתמוך בהם. UPS מספקת דוגמה שימושית. מערכת ORION שלה תמכה בתכנון מסלול על ידי סקירת נתוני משלוח והצעת מסלולים יעילים יותר לנהגים. המערכת אינה מחליפה את הידע של הנהג על התנאים המקומיים. זה נותן לעסק מקור נוסף להכוונה. זהו שימוש מעשי ב-AI: זרימת עבודה מוגדרת, נתונים שימושיים ואדם שנשאר מעורב. אני בוחר יעד שניתן למדוד יעד מעורפל יוצר תוצאות מעורפלות. "השתמש ב-AI ברחבי החברה" קשה לניהול. "צמצם את הזמן הדרוש כדי לענות על שאלות תמיכה נפוצות" נותן לצוות נתיב ברור יותר. אני בדרך כלל עוקב אחר שלושה סוגים של מדדים: - זמן: כמה זמן נמשכת המשימה לפני ואחרי הוספת כלי הבינה המלאכותית? - איכות: האם תשובות, דוחות או תחזיות מדויקות מספיק עבור התפקיד? - אפקט עסקי: האם השינוי משפר את השירות, מפחית עבודה הניתנת להימנעות או עוזר לצוות לקבל החלטות טובות יותר? המדד לא צריך להיות מורכב. מנהל תמיכה עשוי להשוות את הזמן הממוצע המושקע בכרטיס. מנהל מחסן עשוי לעקוב אחר שגיאות תחזית. מנהיג מכירות עשוי לבדוק כמה זמן נציגים מבלים בהכנת מחקר לקוחות. מדידות קטנות עוזרות למנכ"ל להחליט אם להרחיב את הפרויקט, להתאים אותו או לעצור אותו. אני נותן לעובדים תפקיד בתכנון עובדים לרוב מבינים תהליך טוב יותר מהצוות המנהלי. הם יודעים היכן חסר מידע, אילו שלבים יוצרים עיכובים והיכן לקוחות מתוסכלים. הייתי מביא את העובדים האלה לפרויקט לפני בחירת הכלי. המשוב שלהם יכול לענות על שאלות מעשיות: - אילו חלקים במשימה חוזרים על עצמם? - אילו החלטות דורשות שיקול דעת אנושי? - באיזה מידע מערכת AI לעולם לא צריכה להשתמש? - מה יקשה על האמון בכלי? - איך אדם צריך לתקן תוצאה לא נכונה? שלב זה יכול למנוע טעות נפוצה: בניית מערכת שנראית שימושית בהדגמה אך אינה מתאימה לעבודה. עוזר תמיכת לקוחות עשוי לספק תשובות מהירות, אך הצוות עדיין צריך דרך לבדוק את פרטי המדיניות. כלי מסמכים עשוי למצוא סעיפי מפתח, אך עורך דין או מנהל עדיין צריכים לבדוק את התוצאה. בינה מלאכותית צריכה לתמוך באחריות, לא להסתיר אותה. אני מגן על נתוני החברה לפני חיבור כלי פרויקטים של בינה מלאכותית כוללים לרוב רישומי לקוחות, קבצי תמחור, מידע על עובדים או תוכניות פנימיות. מנכ"ל צריך לדעת לאן הנתונים האלה הולכים, מי יכול לגשת אליהם וכמה זמן הם מאוחסנים. סקירה בסיסית יכולה לכסות: - סוג הנתונים המשמשים את המערכת - רמות גישה לעובדים שונים - כללים למידע אישי וסודי - שמירת תיעוד עבור החלטות הנוצרות בינה מלאכותית - סקירה אנושית לעבודה רגישה - תהליך לדיווח על שגיאות או שימוש לרעה בפלטפורמת COiN של JPMorgan שימש כדי לסייע בבדיקת הסכמי הלוואות מסחריים. הערך מגיע מטיפול בחלקים של משימה עתירת מסמכים בעוד שצוות מיומן נשאר אחראי להחלטות. המודל הזה מציע שיעור שימושי. בינה מלאכותית יכולה לעבד מידע במהירות, אבל החברה עדיין צריכה כללים, סקירה ואחריות. אני מאמן אנשים לפקפק בפלט תגובת AI יכולה להישמע מלוטשת ועדיין להכיל שגיאה. העובדים זקוקים להכשרה החורגת מלימוד על אילו כפתורים ללחוץ. הייתי מלמד את הצוות לבדוק: - האם התשובה משתמשת במקור הנכון - האם חסרים פרטים מרכזיים - האם המידע עדכני - האם ההמלצה מתאימה ללקוח או במקרה העסקי - האם התוצאה צריכה להיבדק על ידי מומחה זה שימושי במיוחד בפיננסים, בריאות, שירותים משפטיים, גיוס עובדים ותחומים אחרים שבהם תשובה לקויה יכולה להשפיע ישירות על אנשים. רשימת ביקורת קצרה יכולה להיות שימושית יותר ממסמך מדיניות ארוך. אנשים צריכים דוגמאות ברורות של שימוש מקובל, שימוש מוגבל ומצבים הדורשים אישור. אני מרחיב רק אחרי שהטייס זוכה לאמון טייס צריך להיות מספיק גדול כדי להראות דפוס אבל קטן מספיק כדי לשלוט. מחלקה אחת, תהליך אחד ומדד אחד ברור עשויים להספיק. במהלך הפיילוט, הייתי אוסף משוב משלוש קבוצות: - עובדים שמשתמשים בכלי - מנהלים שבודקים את העבודה - לקוחות או צוותים פנימיים שהושפעו מהשינוי הדעות שלהם עשויות להצביע על בעיות שנתוני הביצועים מפספסים. כלי עשוי לחסוך זמן אך ליצור עבודת עריכה נוספת. זה עשוי לשפר את המהירות תוך גורם לתגובות להרגיש פחות אישיות. זה עשוי לעבוד היטב עבור מקרים נפוצים אך להיכשל בבקשות חריגות. הפרטים האלה מעצבים את ההחלטה הבאה. אם הכלי תומך במטרה, החברה יכולה להרחיב אותו בזהירות. אם לא, עצירת הפרויקט היא גם החלטה עסקית מועילה. כסף שכבר הוצא לא צריך לאלץ מערכת חלשה לשימוש רחב יותר. המנכ"לים שמרוויחים ערך מתמשך מבינה מלאכותית נוטים להתייחס לזה כשינוי עסקי, לא כרכישת תוכנה. הם מגדירים את הבעיה, מערבים את האנשים שעושים את העבודה, מגנים על נתונים רגישים, מודדים את ההשפעה ושומרים על שיקול דעת אנושי בתהליך. גישה זו עשויה להיראות פחות דרמטית מהשקת עשרות פרויקטים של AI. זה יותר פרקטי. מערכת ממוקדת המסירה עומס יומי אחד יכולה ליצור ערך רב יותר מתוכנית גדולה ללא בעלים או מידה ברורים.

חברות רבות מוסיפות AI לזרימת העבודה שלהן לפני שהן מחליטות איזו בעיה היא צריכה לפתור. בחירה זו יוצרת לעתים קרובות יותר עבודה, תוצאות לא אחידות ובלבול לגבי מי אחראי לתוצאה. ראיתי צוותים קונים כמה כלי AI, מאמנים את הצוות להשתמש בהם, ועדיין נאבקים עם אישורים איטיים, תוכן חלש ונהלי נתונים לא ברורים. הבעיה היא רק לעתים רחוקות התוכנה בלבד. הבעיה העמוקה יותר היא אסטרטגיית AI ללא מטרה ברורה, בעלים או תהליך סקירה. תוכנית AI שימושית אמורה לעזור לאנשים לעבוד טוב יותר תוך הגנה על איכות, אמון לקוחות ונתונים עסקיים. ## התחל עם הבעיה העסקית אני לא מתחיל בשאלה, "איזה כלי בינה מלאכותית עלינו לקנות?" אני מתחיל ב: - איפה העבודה מאטה? - אילו משימות חוזרות על עצמן כל שבוע? - אילו החלטות זקוקות לנתונים טובים יותר? - היכן מתמודדים הלקוחות עם עיכובים או תשובות לא ברורות? - איזה תהליך יוצר עלויות נמנעות? צוות שירות לקוחות עשוי להזדקק לעזרה במיון בקשות תמיכה. צוות שיווק עשוי להזדקק לדרך מהירה יותר ליצור תקצירי תוכן. צוות מכירות עשוי להזדקק להערות נקיות יותר לאחר שיחות לקוח. אלו צרכים שונים. ייתכן שכלי אחד לא ישרת את כולם היטב. רשום את התהליך, האנשים המעורבים, הזמן שהושקע, והתוצאה לה אתה מצפה. זה נותן לצוות נקודת התחלה שימושית ועוזר למנוע אימוץ כלים אקראי. ## בחר מקרה שימוש אחד ממוקד פרויקטים גדולים של בינה מלאכותית נכשלים לעתים קרובות מכיוון שההיקף גדל מהר מדי. אני מעדיף בדיקה קטנה עם תוצאה ברורה. חברה יכולה להשתמש בבינה מלאכותית כדי: - לסווג הודעות דוא"ל תמיכה נכנסות - ליצור טיוטה ראשונה של תיאורי מוצרים - להפוך את הערות הפגישה לפריטי פעולה - לסקור מסמכים לגבי שדות חסרים - להציע מאמרים בבסיס ידע פנימי - לקבץ משוב מלקוחות לפי נושאים יש לחזור על המשימה לעתים קרובות מספיק כדי למדוד. צריך שיהיה לו גם אדם שיכול לסקור את הפלט. לדוגמה, קמעונאי עשוי לבקש מבינה מלאכותית ליצור טיוטה ראשונה של עותק מוצר. איש צוות עדיין בודק את גודל המוצר, החומרים, פרטי המשלוח ותביעות לפני הפרסום. גישה זו חוסכת זמן כתיבה מבלי לאפשר לטקסט לא מאומת להגיע ללקוחות. ## הגדר תקן איכות ברור פלט AI אינו מדויק, שימושי או מתאים לפרסום באופן אוטומטי. לפני שמתחיל פיילוט, אני מגדיר איך נראית עבודה מקובלת. התקן עשוי לכלול: - מידע נכון על המוצר - רמת קריאה מתאימה - קול מותג עקבי - ללא טענות לא נתמכות - ללא נתוני לקוחות פרטיים - נתיב ברור לסקירה אנושית צ'אט בוט לתמיכה לא אמור לענות על כל שאלה בפני עצמו. הוא עשוי לטפל בבקשות פשוטות ולשלוח מקרים רגישים לעובד מיומן. עוזר תוכן עשוי לנסח מאמר, אך מומחה בנושא צריך לבדוק עובדות, טון וכוונת חיפוש. גוגל גם הראתה שתשובות שנוצרו על ידי מכונה יכולות להכיל שגיאות. הדיון הציבורי סביב סיכומי חיפוש AI מוקדם הבהיר זאת. נראות החיפוש עדיין תלויה בתוכן שימושי ומדויק שמשרת אנשים. הוספת טקסט בינה מלאכותית בלבד אינה יוצרת אמון או דירוג יציב. ## הגן על נתונים לפני חיבור כלים פרויקטים של AI כוללים לעתים קרובות רישומי לקוחות, נתוני מכירות, מסמכים פנימיים או מידע על עובדים. כל מקור נתונים צריך כלל גישה ברור. אני שואל את השאלות האלה לפני חיבור כלי: - איזה מידע המערכת תקבל? - היכן יישמר המידע הזה? - מי יכול לגשת לפלט? - האם הספק ישתמש בנתונים שהוגשו לצורך הכשרת מודלים? - איך החברה יכולה להסיר נתונים מאוחר יותר? - מה קורה אם הכלי נותן תשובה שגויה? ייתכן שצוות לא יצטרך לשלוח רישומי לקוחות מלאים למערכת בינה מלאכותית. הוא עשוי להשתמש במספר לקוח, סוג בעיה כללית או סיכום קצר במקום זאת. מגבלות נתונים פשוטות מפחיתות את החשיפה והופכות את התהליך לקל יותר להסבר לעובדים וללקוחות. ## תן לפרויקט בעלים אחד אחריות משותפת יכולה להפוך ללא אחריות. פרויקט בינה מלאכותית זקוק לבעלים בשם שעוקב אחר המטרה, בודק ביצועים, אוסף משוב ומחליט מתי יש צורך בהתאמה של זרימת העבודה. הבעלים לא צריך להיות מומחה טכני. הם זקוקים לסמכות מספקת כדי לתאם שיווק, תפעול, ביקורת משפטית, שירות לקוחות או תמיכת IT בעת הצורך. הצוות צריך גם להגדיר מי יכול לאשר תוכן, מי מטפל בשגיאות ומי עוצר את המערכת כאשר מופיעה בעיה. זה משנה כאשר AI הופך לחלק מתהליך יומיומי. טעות קלה בטיוטה עשויה להיות קלה לתיקון. מחיר שגוי, טענה בריאותית שגויה או תשובת לקוח מטעה יכולים ליצור בעיה גדולה יותר. ## מדידת תוצאות עסקיות שימושיות השימוש בכלים אינו זהה לערך העסקי. צוות עשוי לדווח שהעובדים יצרו 2,000 טיוטות בינה מלאכותית. מספר זה אומר מעט על איכות או חיסכון. מדדים טובים יותר כוללים: - זמן טיפול ממוצע - זמן עריכה אנושי - שיעור שגיאות - זמן תגובה של הלקוח - שיעור המרה - עלות לכל משימה שהושלמה - מספר מקרים שנשלחו לצוות אנושי - תלונות לקוחות הקשורות לפלט AI השתמש בקו בסיס לפני תחילת הפיילוט. אם צוות משקיע 30 דקות בכתיבת תיאור מוצר אחד, מדוד אם הטיוטה שנבדקה מפחיתה את הזמן הזה מבלי להגדיל את התיקונים. ספירת זמן נמוכה יותר אינה תוצאה טובה אם העובדים מבלים יותר שעות בתיקון טעויות. ## אימון אנשים להטיל ספק באימון AI הפלט צריך לכסות יותר מלחיצות כפתורים. עובדים צריכים לדעת לכתוב הוראות שימושיות, לבדוק עובדות, להגן על מידע פרטי ולדווח על שגיאות. הם צריכים גם להבין מתי לא להשתמש בבינה מלאכותית. מדריך פנימי קצר יכול לכלול: - כלים מאושרים - נתונים אסורים - שלבי סקירה - דוגמאות לתפוקה חלשה - אנשי קשר הסלמה - כללי ניהול רישומים אבקש גם מהעובדים לשתף בדוגמאות כושלות. מקרים אלה מלמדים לעתים קרובות יותר מאשר הדגמות מלוטשות, כי הם מראים היכן המערכת זקוקה לגבולות. ## בנה תוכנית SEO סביב אנשים שבינה מלאכותית יכולה לתמוך בתוכן חיפוש, אבל היא לא אמורה להחליף מחקר או שיפוט עריכה. זרימת עבודה קולית עשויה להיראות כך: 1. למד את השאלות שלקוחות שואלים. 2. סקור דפים קיימים וזיהוי מידע חסר. 3. צור מתווה התואם את מטרת החיפוש. 4. השתמש ב-AI לתמיכה במחקר או טיוטה גסה. 5. הוסף ניסיון מומחה, דוגמאות מקוריות והסברים ברורים. 6. בדוק עובדות, קישורים, טענות ומבנה העמוד. 7. עיין בתוכן לאחר הפרסום. מנועי חיפוש יכולים להבין דפוסים חוזרים, דפים דקים וטקסט שמוסיף מעט ערך. פרסום דפים דומים רבים עשוי להגביר את עומס העבודה מבלי לבנות תעבורת חיפוש שימושית. אני מעדיף לפרסם פחות דפים שעונים על שאלות אמיתיות של לקוחות מאשר ליצור ספרייה גדולה של טיוטות רדודות. ## סקור את התוכנית מדי חודש אסטרטגיית בינה מלאכותית צריכה להשתנות ככל שהעסק לומד. סקור את הפיילוט כל חודש: - איזו משימה השתפרה? - היכן הופיעו שגיאות? - אילו עובדים צריכים יותר תמיכה? - האם לקוחות שמו לב לחוויה טובה יותר? - האם התהליך יצר סיכונים חדשים? - האם החברה צריכה להרחיב, להתאים או להפסיק את השימוש במקרה? סקירה זו שומרת על AI מחובר לצרכים העסקיים. זה גם נותן לחברה הזדמנות להסיר כלים שכבר אינם מספקים מספיק ערך. AI לא צריך לשלוט בכל חלק של העסק. זרימת עבודה ממוקדת, טיפול זהיר בנתונים, סקירה אנושית ויעדים ניתנים למדידה יכולים ליצור נתיב יציב יותר. הצוותים שמתכוננים מוקדם הם לא תמיד הצוותים עם התקציבים הגדולים ביותר. לעתים קרובות הם הצוותים שיודעים מה הם רוצים לשפר, מה הם ימדוד, והיכן אדם חייב להישאר אחראי. אנו מברכים על פניותיך: amy.wu@ihuagroup.com/WhatsApp +8613612662976.

אשיש ואסואני, נועם שזיר, ניקי פארמר, יעקב אוסקורייט, ליון ג'ונס, איידן נ. גומז, לוקאש קייזר ואיליה פולוסוחין, 2017, Attention Is All You Need National Institute of Standards and Technology, ינואר 2023, Artificial Intelligence Risk Management Framework 120.McKAI Global Institute 12. הפוטנציאל הכלכלי של בינה מלאכותית: ארגון הגבול הבא לפרודוקטיביות לשיתוף פעולה ופיתוח כלכלי, מאי 2019, המלצת המועצה לבינה מלאכותית Google Search Central, פברואר 2023, הנחיות לגבי תוכן בינה מלאכותית גנרטיבית באתר האינטרנט שלך JPMorgan Chase & Co, 2017, תוכנית COIN Learning לביקורת ב-Commer