אימוץ AI בארגונים מתקדם מהר יותר מכל שינוי טכנולוגי אחר בהיסטוריה של העת האחרונה. כל ישיבת הנהלה מגיעה בסופו של דבר לאותה ציפייה. AI חייב לספק ערך מדיד לכלל הארגון. לאחר השקת ChatGPT, צוותי הנדסה אימצו את Copilot, אנליסטים אימצו את Perplexity, וצוותי תפעול התנסו באוטומציה. הפרודוקטיביות השתפרה כמעט מיד.
אלא שכעבור חודשים ספורים בלבד, קצב האימוץ הואט. פיילוטים נתקעו. ההחזר על ההשקעה נעשה לא עקבי. ההאטה הזו אינה נובעת ממודלים חלשים או מחוסר שאפתנות של ההנהלה. היא נובעת מחוסר התאמה מבני בין יכולות ה-AI לבין הסביבות הארגוניות.
לאחרונה נתקלתי בניתוח של Caleb, יוצר שמרבה לעסוק בהיבטים הארגוניים של אימוץ AI. נקודת המבט שלו לא הציגה מושגים חדשים, אבל היא הבהירה מתח שמנהלים רבים בארגונים כבר חשו בו. היא הסבירה מדוע AI מצטיין במקרי שימוש נקודתיים, אך מתקשה לחולל שינוי ברמת המערכת כולה.
אימוץ AI אינו תלוי בעוצמת המודל. הוא תלוי בשכבה שבה ה-AI משולב בארגון.
עבור מנהלי מערכות מידע, מנהלי טכנולוגיה ומובילי שינוי שתוהים מדוע AI מרשים בהדגמות אך נתקע בהטמעה, המאמר הזה ממפה את המגבלות הנסתרות ואת הדרכים האסטרטגיות הנדרשות לאימוץ בר-קיימא בכלל הארגון.
מ״האם כדאי לנו לאמץ AI״ ל״למה האימוץ כל כך איטי״
לפני שנתיים ארגונים דנו בשאלה אם הם זקוקים ל-AI. היום השאלה היא איך לשלב אותו באופן בר-קיימא ומאובטח. אנליסטים צופים שחלק משמעותי מהתפוקה הארגונית עשוי בקרוב להיווצר באמצעות AI. על הנייר זה נראה בלתי נמנע. בפועל, ההשפעה עדיין אינה אחידה.
צוותי הנדסה עובדים מהר יותר, אך העבודה המשותפת בין מחלקות כמעט שאינה משתפרת. צוותי מכירות הופכים את הפנייה ללקוחות לאוטומטית, אך עדיין מבזבזים זמן על תיאום ידני. צוותי תפעול מפיקים תובנות במהירות, אך מתאימים ידנית בין נתונים המפוזרים במקורות שונים.
ארגונים אינם מתפקדים כמכונות ליניאריות. הם פועלים בתור מערכות מורכבות המעוצבות על ידי ממשל ארגוני, תמריצים, תרבות וטכנולוגיה מדור קודם. AI מעצים את המורכבות הזו במקום לצמצם אותה.
דרך מועילה להבין את הנושא היא לבחון AI בארגונים לפי שלוש רמות בשלות.
רמה 1. משימות בסיוע AI
שימושי, אך מוגבל מיסודו
כאן רוב הארגונים מתחילים. עובדים משתמשים ב-AI גנרטיבי למחקר, לסיכום, להצעות קוד וליצירת תוכן. הכלים האלה מספקים ערך מיידי.
אבל האצת משימות אינה שינוי של תהליכי העבודה. התהליכים שסביבן — אישורים, העברות בין גורמים ושכבות דיווח — נשארים ללא שינוי. כתוצאה מכך, קצב ההתקדמות של הארגון אינו משתפר משמעותית.
מהירות ביצוע המשימות אינה זהה למהירות ההתקדמות של הארגון.
השלב הזה מרגיש בטוח משום שאינו דורש התאמות מבניות. אבל החזר ההשקעה לטווח הארוך מוגבל מעצם התכנון.
רמה 2. תהליכי עבודה מבוססי סוכנים
פוטנציאל גבוה והתנגדות גבוהה
AI מבוסס סוכנים מבצע באופן אוטונומי תהליכי עבודה מרובי שלבים. הסוכנים משנים קבצים, בודקים תוצרים, מנהלים משימות או מתאמים פעולות. ההבטחה עצומה.
היקף האימוץ רחוק מכך.
המכשול אינו היכולת הטכנית אלא המוכנות הארגונית. מערכות מבוססות סוכנים דורשות אמון, פיקוח, ממשל ארגוני ונכונות לקבל אוטומציה. הן מערערות היררכיות מבוססות ושגרות של עמידה בדרישות. הן מכניסות סיכון תפעולי לא מוכר.
כתוצאה מכך, כלים רבים המבוססים על סוכנים נסוגים והופכים לעוזרים אוטונומיים למחצה, שפועלים רק בגבולות בטוחים.
ארגונים אינם דוחים אוטונומיה מתוך פחד. הם דוחים אותה בגלל חוסר התאמה.
רמה 3. מערכות AI נייטיב
היתרון לטווח הארוך
מערכות AI נייטיב מייצגות את רמת הבשלות הגבוהה ביותר. הן מתוכננות לשלב AI כבר מההתחלה. במקום להתאים בדיעבד תהליכי עבודה שתוכננו לפעולה מיטבית של בני אדם, ארגונים בונים מבנים תפעוליים חדשים שבהם AI מתזמר את זרימת הנתונים, רצפי ההחלטות ומקצבי העבודה.
כך מתאפשר תפעול המבוסס על חיזוי, מצטמצמים צווארי בקבוק ומתאפשרת קבלת החלטות רציפה.
החסם גבוה. אבל היתרון לטווח הארוך עולה בהרבה על שיפורים הדרגתיים.
עם זאת, הדרך למערכות AI נייטיב ארוכה. הסכנה האמיתית מתעוררת בתקופת הביניים.
בעיית ה-Ferrari
AI לא מנוהל הוא איום בעל ביצועים גבוהים
Caleb השתמש במטפורה שמקבלת משנה תוקף בהקשר הארגוני. לתת לעובדים גישה לכלי AI עוצמתיים כמו ChatGPT או Copilot זה לא רק לתת להם Ferrari.
זה כמו לתת להם Ferrari בלי הכשרה, בלי חוקי תנועה, בלי ביטוח ובלי אפשרות לראות לאן המכונית באמת תיסע.
המנוע יוצא דופן. אבל בסביבה ארגונית מורכבת, עם נתונים רגישים, דרישות ציות ומערכות ותיקות, עוצמה כזו ללא בקרה היא איום מבני.
AI ללא הסדרה מוביל לדליפת נתונים לא מכוונת, לשימוש ב-Shadow IT, לתוצרים שאי אפשר לאמת, לקלטים לא מבוקרים למודל ולאובדן מוחלט של היכולת לבצע ביקורת.
ה-Ferrari לא רק נוסעת מהר. היא נוסעת לכיוונים שהארגון אינו יכול לראות.
כל עוד תהליכי העבודה, גבולות הממשל הארגוני, שכבות האימות וארכיטקטורת האינטגרציה לא נבנו מחדש, AI לא מנוהל נשאר נטל, לא נכס.
למה היקף הפעילות הארגונית יוצר חיכוך מערכתי
ככל שארגונים גדלים, מורכבות התיאום גדלה מהר יותר. הכפלת גודלו של צוות אינה מכפילה את המורכבות. היא מגדילה אותה פי כמה.
AI משפר את הביצועים של כל אדם בנפרד. אבל ארגונים פועלים ברמת הרשת. חוסר ההתאמה הזה סופג את רוב ההשפעה.
המחקר מצביע על אמת מרכזית.
AI מעצים את מה שכבר קיים. התיאום מואץ. הפיצול קורס.
בלי תכנון מחדש של תהליכי העבודה והממשל הארגוני, AI מספק שיפורים נקודתיים במקום שינוי כלל-מערכתי.
המציאות הארגונית
אבטחה, אמון, סיכונים לנתונים והתנגדות פנימית
לפני שארגונים חותרים לאוטונומיה או לתהליכי עבודה שנבנו מלכתחילה סביב AI, הם ניצבים מול מגבלות בלתי נמנעות.
דרישות אבטחה אינן מאפשרות שום פשרה על גבולות הנתונים או על עמידה בדרישות הרגולציה.
חוסר האמינות של LLM מעורר היסוס, משום שאי אפשר להשלים עם הזיות.
Shadow IT צומח כשהכלים הרשמיים אינם מדביקים את צורכי העובדים.
נתונים אסטרטגיים ואישיים יוצרים סיכון משפטי ותדמיתי.
היעדר ממשל ארגוני מרכזי יוצר אי-ודאות בנוגע לאימות ולפיקוח.
אלה אינם סימנים לשמרנות.
אלה סימנים של אחריות מוסדית.
אימוץ AI מואץ רק כשמכבדים את היסודות האלה.
הפער האמיתי בשוק
לא כל תהליך עבודה רוצה להמציא את עצמו מחדש
חלק מהנרטיבים סביב AI מניחים שעובדים רוצים אוטומציה. בפועל, תהליכי עבודה רבים נשארים יציבים משום שהם נתפסים כצפויים וכבטוחים מבחינת התרבות הארגונית.
ההזדמנות האמיתית נמצאת במקום אחר.
העברות נתונים ידניות.
תיעוד חוזר.
מעבר בין הקשרים.
פלטפורמות מבודדות.
תהליכי עבודה מנותקים.
נקודות החיכוך האלה שוחקות בשקט את הפרודוקטיביות.
הסירו את החיכוך הבלתי נראה, והאימוץ יהפוך לטבעי.
צעדים מעשיים לשינוי ארגוני בר־קיימא
לארגונים שמצליחים יש דרכי פעולה משותפות.
בצעו בדיקות מעמיקות ומפורטות של תהליכי העבודה.
שלבו בהדרגה ותחת פיקוח פעולה אוטונומית של סוכני AI.
עצבו מחדש את התפקידים לפני שאתם מעצבים מחדש את הטכנולוגיה.
התחילו בתחומים שבהם יש מעט מגבלות הנובעות ממערכות ותיקות.
מדדו את קצב ההתקדמות של הארגון, לא את מהירות ביצוע המשימות.
הצעדים האלה נראים פשוטים. ההשפעה שלהם גדלה באופן מעריכי.
מחשבה מסכמת למנהיגי ארגונים
אימוץ AI בארגונים אינו אתגר של מודלים. זהו אתגר מבני ותרבותי. רוב הארגונים נותרים מוגבלים לשיפורים ברמת המשימה, משום שתהליכי העבודה שלהם לא תוכננו למערכות אוטונומיות.
מנהיגים שיכירו בכך ויתכננו את השינוי במכוון יעצבו את העידן הבא של הפרודוקטיביות הארגונית.
AI מחזק ארגונים שפועלים בתיאום ומעצים את הפיצול בארגונים מפוצלים. חזקו קודם את היסודות. אחר כך הרחיבו את הפעילות.
הערה מעשית
הצורך בשכבה ארגונית מאובטחת ומשולבת
בשיחות עם מנהלי מערכות מידע וצוותים המובילים שינוי ארגוני, נושא אחד חוזר שוב ושוב. ארגונים אינם זקוקים לעוד עוזר שעומד בפני עצמו. הם זקוקים לשכבת פרודוקטיביות מאובטחת, שניתנת לביקורת ומשולבת לעומק במערכות הארגון, מחברת בין יישומים, מגינה על נתונים, תואמת את כללי הממשל הארגוני ומשלבת AI בתהליכי עבודה בלי לערער את יציבות המערכות הקיימות.
פלטפורמות שנבנו עם אינטגרציות עמוקות, ארכיטקטורה שמעמידה את הפרטיות בראש ופיקוח ברמה ארגונית הופכות AI לא מנוהל מסיכון ליתרון אסטרטגי. הן מספקות את מערכת הכבישים המתוכננת היטב שמעולם לא הייתה ל-Ferrari.
זו הפילוסופיה שמאחורי Dvina. היא תוכננה לא ככלי לביצוע משימות או כסוכן מבודד, אלא בתור שכבת פרודוקטיביות שמבינה את תהליכי העבודה, מאחדת יישומים, מגינה על נתונים רגישים ומאפשרת לצוותים להשיג שינוי ברמת תהליך העבודה בלי לוותר על שליטה.
מחשבה לסיום
העתיד שייך לארגונים שבונים את הכבישים הנכונים
הארגונים שיצליחו במעבר ל-AI לא יהיו אלה עם מספר המודלים הגדול ביותר. הם יהיו אלה שיבנו עבור AI את מסלולי הפעולה הבטוחים והברורים ביותר, שאפשר להתאים בקלות לשינויים.
כשתהליכי העבודה, הממשל הארגוני וזרימת הנתונים פועלים בתיאום, AI מפסיק להתנהג כמו מנוע ניסיוני והופך לתשתית ארגונית אמיתית.
העתיד אינו שייך לארגונים בעלי המנועים המהירים ביותר. הוא שייך לאלה בעלי הכבישים החזקים ביותר.