בינה מלאכותית מעצבת מחדש את העסקים – אם כי לא בקצב שרבים מניחים. נכון, בינה מלאכותית מנחה כעת החלטות בכל דבר, החל מקציר יבול וכלה בהלוואות בנקאיות, וברגע שלקוחות פוטנציאליים כמו שירות לקוחות אוטומטי לחלוטין נמצאים באופק. הטכנולוגיות המאפשרות AI, כמו פלטפורמות פיתוח וכוח עיבוד עצום ואחסון נתונים, מתקדמות במהירות והופכות לזול יותר ויותר. נראה שהגיע הזמן לחברות לנצל את הבינה המלאכותית. ואכן, אנו מעריכים שבינה מלאכותית תוסיף 13 טריליון דולר לכלכלה העולמית בעשור הקרוב.
עם זאת, למרות ההבטחה של AI, המאמצים של ארגונים רבים עם זה נופלים. סקרנו אלפי מנהלים לגבי האופן שבו החברות שלהם משתמשות ומתארגנות עבור AI וניתוחים מתקדמים, והנתונים שלנו מראים שרק 8% מהחברות עוסקות בפרקטיקות ליבה התומכות באימוץ נרחב. רוב החברות הפעילו רק פיילוטים אד-הוק או מיישמים AI בתהליך עסקי אחד בלבד.
הנכם מוזמנים להירשם לקורס שלנו קורס AI מקיף למנהלי פרויקטים.
למה ההתקדמות האיטית? ברמה הגבוהה ביותר, זה שיקוף של כישלון בחיווט מחדש של הארגון. בסקרים שלנו ובעבודה שלנו עם מאות לקוחות, ראינו שיוזמות בינה מלאכותית עומדות בפני מחסומים תרבותיים וארגוניים אדירים. אבל ראינו גם שמנהלים שבהתחלה נוקטים צעדים כדי לשבור את המחסומים האלה יכולים ללכוד ביעילות את ההזדמנויות של AI.
ביצוע השינוי בארגון
אחת הטעויות הגדולות ביותר שמנהלים עושים היא לראות ב-AI כטכנולוגיית הכנס-הפעל עם החזרות מיידיות. כשהם מחליטים להפעיל כמה פרויקטים, הם מתחילים להשקיע מיליונים בתשתית נתונים, כלי תוכנת AI, מומחיות נתונים ופיתוח מודלים. חלק מהפיילוטים מצליחים להוציא רווחים קטנים בכיסי ארגונים. אבל אז חולפים חודשים או שנים מבלי להביא את הניצחונות הגדולים שצפויים למנהלים. חברות נאבקות לעבור מהפיילוטים לתוכניות כלל-חברה – ומהתמקדות בבעיות עסקיות בדידות, כמו פילוח משופר של לקוחות, לאתגרים עסקיים גדולים, כמו ייעול מסע הלקוח כולו.
מנהלים גם חושבים לעתים קרובות צר מדי על דרישות AI. אמנם יש צורך בטכנולוגיה ובכישרונות מתקדמים, אך חשוב באותה מידה ליישר את התרבות, המבנה ודרכי העבודה של החברה כדי לתמוך באימוץ AI רחב. אבל לרוב עסקים שלא נולדו דיגיטליים, דרכי חשיבה ודרכי עבודה מסורתיות נוגדות את אלו הדרושים לבינה מלאכותית.
כדי להגדיל את הבינה המלאכותית, חברות חייבות לבצע שלוש משמרות:
מעבודה מטופחת ועד לשיתוף פעולה בין-תחומי.
ל-AI יש את ההשפעה הגדולה ביותר כאשר היא מפותחת על ידי צוותים מגוונים עם שילוב של מיומנויות ונקודות מבט. העובדה שאנשי עסקים ותפעוליים יעבדו זה לצד זה עם מומחי אנליטיקה תבטיח שיוזמות עוסקות בסדרי עדיפויות ארגוניים רחבים, לא רק בנושאים עסקיים מבודדים. צוותים מגוונים יכולים גם לחשוב על השינויים התפעוליים שיישומים חדשים עשויים לדרוש – סביר יותר שהם יכירו, למשל, שהכנסת אלגוריתם החוזה צרכי תחזוקה צריכה להיות מלווה בשיפוץ של זרימות עבודה תחזוקה. וכאשר צוותי פיתוח מערבים את משתמשי הקצה בעיצוב אפליקציות, הסיכוי לאימוץ גדל באופן דרמטי.
מקבלת החלטות מבוססת ניסיון ומנהיגות ועד קבלת החלטות מונעות נתונים בקו החזית.
כאשר בינה מלאכותית מאומצת באופן נרחב, עובדים במעלה ובמורד ההיררכיה יעצימו את שיקול הדעת והאינטואיציה שלהם עם המלצות האלגוריתמים כדי להגיע לתשובות טובות יותר ממה שבני אדם או מכונות יוכלו להגיע בעצמם. אבל כדי שגישה זו תעבוד, אנשים בכל הרמות צריכים לסמוך על הצעות האלגוריתמים ולהרגיש מוסמכים לקבל החלטות – וזה אומר לנטוש את הגישה המסורתית מלמעלה למטה. אם העובדים יצטרכו להתייעץ עם גורם גבוה יותר לפני שהם נוקטים פעולה, זה יעכב את השימוש ב-AI.
תהליכי ההחלטה השתנו באופן דרמטי בארגון אחד כשהחליף שיטה ידנית מורכבת לתזמון אירועים במערכת בינה מלאכותית חדשה. מבחינה היסטורית, מתכנני האירועים של החברה השתמשו בתגים צבעוניים, סיכות ומדבקות כדי לעקוב אחר התנגשויות, העדפות המשתתפים ושיקולים אחרים. לעתים קרובות הם הסתמכו על אינסטינקט בטן ועל תשומות של מנהלים בכירים, שגם פעלו על האינסטינקטים שלהם, כדי לקבל החלטות. המערכת החדשה ניתחה במהירות את המגוון העצום של תמורות תזמון, השתמשה תחילה באלגוריתם אחד כדי לזקק מאות מיליוני אפשרויות למיליוני תרחישים, ולאחר מכן באלגוריתם אחר כדי להפחית את המיליונים הללו למאות בלבד, תוך דירוג לוחות הזמנים האופטימליים עבור כל משתתף. לאחר מכן, מתכננים אנושיים מנוסים יישמו את המומחיות שלהם כדי לקבל החלטות סופיות הנתמכות על ידי הנתונים, ללא צורך בקבלת מידע מהמנהלים שלהם. המתכננים אימצו את הכלי בקלות, סמכו על התפוקה שלו כי הם עזרו להגדיר את הפרמטרים והאילוצים שלו וידעו שהם עצמם יבצעו את הקריאה הסופית.
מקשיחה ושנאת סיכונים ועד לזריזה, נסיונית וניתנת להתאמה.
ארגונים חייבים לשפוך את הלך הרוח שרעיון צריך להיות אפוי במלואו או שכלי עסקי חייב לכלול כל פעמון ושריקה לפני שהוא ייפרס. באיטרציה הראשונה, ליישומי בינה מלאכותית רק לעתים נדירות יש את כל הפונקציונליות הרצויה להם. מנטליות של מבחן וללמוד תנסח מחדש טעויות כמקור לגילויים, ותפחית את הפחד מכישלון. קבלת משוב מוקדם מהמשתמשים ושילובו בגרסה הבאה יאפשרו לחברות לתקן בעיות קלות לפני שהן הופכות לבעיות יקרות. הפיתוח יאיץ, ויאפשר לצוותי בינה מלאכותית קטנים ליצור מוצרים מינימליים ברי קיימא תוך שבועות ולא חודשים.
שינויים בסיסיים כאלה לא באים בקלות. הם דורשים ממנהלים להתכונן, להניע ולצייד את כוח העבודה לבצע שינוי. אבל מנהלים צריכים קודם כל להיות מוכנים בעצמם. ראינו כישלון אחר כישלון שנגרם מחוסר הבנה בסיסית של AI בקרב מנהלים בכירים. (בהמשך, נדון כיצד אקדמיות לניתוח יכולות לעזור למנהלים לרכוש הבנה זו.)
הגדרה להצלחה
קורס בינה מלאכותית למנהלי פרויקטים המותאם במיוחד לצרכי ארגון פרטניים, יחד עם אפיון להטמעת ה-AI בארגון.
כדי להכניס עובדים לסיפון ולהחליק את הדרך להשקות בינה מלאכותית מוצלחת, על מנהלים להקדיש תשומת לב מוקדמת למספר משימות:
סיפור מרתק עוזר לארגונים להבין את הדחיפות של יוזמות שינוי וכיצד כולם ירוויחו מהן. זה קריטי במיוחד עם פרויקטים של בינה מלאכותית, מכיוון שהחשש שבינה מלאכותית ייקח משרות מגביר את התנגדות העובדים כלפיה.
מנהלים צריכים לספק חזון שמרכז את כולם סביב מטרה משותפת. העובדים חייבים להבין מדוע בינה מלאכותית חשובה לעסק וכיצד הם ישתלבו בתרבות חדשה מכוונת בינה מלאכותית. בפרט, הם זקוקים להבטחה שבינה מלאכותית תשפר ולא תפחית או אפילו תבטל את תפקידיהם. (המחקר שלנו מראה שרוב העובדים יצטרכו להסתגל לשימוש בבינה מלאכותית במקום להיות מוחלפים בבינה מלאכותית).
ברוב החברות שאינן נולדות דיגיטליות, דפוסי חשיבה מנוגדים לאלה הדרושים לבינה מלאכותית.
כאשר קונגלומרט קמעונאי גדול רצה להביא את עובדיו מאחורי אסטרטגיית הבינה המלאכותית שלו, ההנהלה הציגה זאת כציווי קיומי. מנהלים תיארו את האיום שקמעונאים דיגיטליים מציבים וכיצד בינה מלאכותית יכולה לעזור להדוף אותו על ידי שיפור היעילות התפעולית וההיענות התפעולית של החברה. על ידי הוצאת קריאה לנשק במאבק על הישרדות, ההנהלה הדגישה את התפקיד הקריטי שעל העובדים למלא.
בשיתוף החזון שלהם, מנהיגי החברה שמו זרקור על עובדים שניסו כלי AI חדש שעזר להם לייעל את מבחר המוצרים של החנויות ולהגדיל את ההכנסות. זה נתן השראה לעובדים אחרים לדמיין כיצד בינה מלאכותית יכולה להגדיל ולהעלות את הביצועים שלהם.
לצפות מחסומים ייחודיים לשינוי.
מכשולים מסוימים, כגון הפחד של עובדים להתיישנות, נפוצים בארגונים. אבל לתרבות של חברה עשויה להיות גם מאפיינים ייחודיים שתורמים להתנגדות. לדוגמה, אם לחברה יש מנהלי מערכות יחסים שמתגאים בכך שהם מותאמים לצרכי הלקוחות, הם עשויים לדחות את הרעיון שלמכונה יכולה להיות רעיונות טובים יותר לגבי מה הלקוחות רוצים ולהתעלם מהמלצות המוצר המותאמות של כלי בינה מלאכותית. ומנהלים בארגונים גדולים המאמינים שהסטטוס שלהם מבוסס על מספר האנשים שהם מפקחים עליהם עשויים להתנגד לקבלת החלטות מבוזרת או להפחתה בדוחות שבינה מלאכותית יכולה לאפשר.
במקרים אחרים, תהליכים מוצקים יכולים לעכב את האימוץ הרחב של AI. ארגונים שמקצים תקציבים לפי פונקציה או יחידה עסקית עשויים להתקשות להרכיב צוותים בינתחומיים זריזים, למשל.
ניתן למצוא כמה פתרונות על ידי סקירה כיצד יוזמות שינוי בעבר התגברו על מחסומים. אחרים עשויים לכלול התאמה של יוזמות בינה מלאכותית עם הערכים התרבותיים מאוד שנראים כמו מכשולים. במוסד פיננסי אחד עם דגש חזק על בנקאות מערכות יחסים, למשל, הדגישו מנהלים את היכולת של AI לשפר את הקשרים עם הלקוחות. הבנק יצר חוברת למנהלי מערכות יחסים שהראתה כיצד שילוב המומחיות והכישורים שלהם עם המלצות המוצרים המותאמות של AI יכול לשפר את חוויות הלקוחות ולהגדיל את ההכנסות והרווחים. תוכנית אימוץ הבינה המלאכותית כללה גם תחרות להמרות מכירות המונעות על ידי שימוש בכלי החדש; הישגי הזוכים הוצגו בניוזלטר החודשי של המנכ”ל לעובדים.
סוג חדש יחסית של מומחים, מתרגמי ניתוח, יכול למלא תפקיד בזיהוי מחסומים. האנשים האלה מגשרים בין מהנדסי הנתונים והמדענים מהתחום הטכני עם האנשים מהתחום העסקי – שיווק, שרשרת אספקה, ייצור, אנשי סיכון וכדומה. מתרגמים עוזרים להבטיח שיישומי הבינה המלאכותית שפותחו עונים על הצרכים העסקיים ושהאימוץ יעבור בצורה חלקה. בשלב מוקדם של תהליך ההטמעה, הם עשויים לסקור את משתמשי הקצה, להתבונן בהרגלים שלהם וללמוד תהליכי עבודה כדי לאבחן ולתקן בעיות.
הבנת החסמים לשינוי יכולה לא רק ליידע מנהלים כיצד לתקשר עם כוח העבודה אלא גם לעזור להם לקבוע היכן להשקיע, אילו יוזמות בינה מלאכותית הן האפשריות ביותר, אילו הכשרה יש להציע, אילו תמריצים עשויים להיות נחוצים ועוד.
תקצוב לאינטגרציה ואימוץ כמו לטכנולוגיה (אם לא יותר).
באחד הסקרים שלנו כמעט 90% מהחברות שעסקו בשיטות קנה מידה מוצלחות הוציאו יותר ממחצית מתקציבי האנליטיקה שלהן על פעילויות שהניעו את האימוץ, כגון עיצוב מחדש של זרימת עבודה, תקשורת והדרכה. רק 23% מהחברות הנותרות התחייבו למשאבים דומים.
מנהלי מערכות יחסים עשויים לדחות את הרעיון שמכונה יודעת מה הלקוחות רוצים.
שקול ספק טלקום אחד שהשיק תוכנית חדשה מונעת בינה מלאכותית לשימור לקוחות במרכז הטלפוני שלה. החברה השקיעה במקביל בפיתוח מודלים של AI ובסיוע לעובדי המרכז לעבור לגישה החדשה. במקום להגיב רק לשירות לביטול שיחות, הם היו פונים באופן יזום ללקוחות שנמצאים בסכנת עריקה, ונותנים להם המלצות שנוצרו על ידי בינה מלאכותית על הצעות חדשות שהם צפויים לקבל. העובדים קיבלו הכשרה והדרכה תוך כדי עבודה במיומנויות המכירה הנדרשות לסגירת העסק. מאמנים ומנהלים הקשיבו לשיחות שלהם, נתנו להם משוב פרטני, ועדכנו ללא הרף את חומרי ההדרכה ותסריטי השיחה. הודות לאותם מאמצים מתואמים, התוכנית החדשה הפחיתה את שחיקת הלקוחות ב-10%.
איזון בין היתכנות, השקעת זמן וערך.
המשך ביצוע יוזמות שקשה יתר על המידה ליישום או שהשקתן דורשת יותר משנה עלול לחבל בפרויקטים נוכחיים ועתידיים של AI.
ארגונים אינם צריכים להתמקד אך ורק בניצחונות מהירים; עליהם לפתח תיק יוזמות עם אופקי זמן שונים. תהליכים אוטומטיים שאינם זקוקים להתערבות אנושית, כגון זיהוי הונאה בעזרת בינה מלאכותית, יכולים לספק תשואה תוך חודשים, בעוד שפרויקטים הדורשים מעורבות אנושית, כגון שירות לקוחות נתמך בינה מלאכותית, צפויים להשתלם לאורך תקופה ארוכה יותר. תעדוף צריך להתבסס על ראייה ארוכת טווח (בדרך כלל שלוש שנים) ולקחת בחשבון כיצד ניתן לשלב מספר יוזמות עם קווי זמן שונים כדי למקסם את הערך. לדוגמה, כדי להשיג תצוגה של לקוחות מפורטת מספיק כדי לאפשר AI לבצע מיקרו-פילוח, חברה עשויה להגדיר מספר יוזמות מכירות ושיווק. חלקם, כגון הצעות ממוקדות, עשויות לספק ערך תוך מספר חודשים, בעוד שייתכן שיחלפו 12 עד 18 חודשים עד שכל חבילת היכולות תגיע להשפעה מלאה.
קמעונאי באסיה באוקיינוס השקט קבע שיוזמת בינה מלאכותית לייעול שטח הרצפה ומיקום המלאי לא תניב את ערכה המלא אלא אם החברה תשפץ את כל החנויות שלה, ותקצה מחדש את השטח לכל קטגוריה של סחורות. לאחר ויכוחים רבים, המנהלים של החברה החליטו שהפרויקט חשוב מספיק כדי שהרווחיות העתידית תתקדם – אבל לא בלי לפצל אותו לשניים. חלק ראשון הפיק כלי בינה מלאכותית שנתן למנהלי חנויות המלצות לכמה פריטים מצטברים שיימכרו היטב בסניפים שלהם. הכלי סיפק רק חלק קטן מהתשואה הכוללת הצפויה, אך המנהלים יכלו להכניס את הפריטים החדשים לחנויות באופן מיידי, להדגים את היתרונות של הפרויקט ולבנות התלהבות לקראת המסע הרב-שנתי שלפנינו.
התארגנות לפי קנה מידה
יש הרבה ויכוחים היכן צריכות להימצא יכולות AI וניתוח בתוך ארגונים. לעתים קרובות מנהלים פשוט שואלים, “איזה מודל ארגוני עובד הכי טוב?” ולאחר מכן, לאחר ששמעתי מה הצליח בחברות אחרות, עשה אחד משלושה דברים: איחוד את רוב יכולות הבינה המלאכותית והאנליטיקה בתוך “רכזת” מרכזית; לבזר אותם ולהטמיע אותם בעיקר ביחידות העסקיות (“החישורים”); או להפיץ אותם על פני שניהם, באמצעות מודל היברידי (“רכז ודיבור”). גילינו שאף אחד מהדגמים האלה לא תמיד טוב יותר מהאחרים בהעלאת ה-AI לקנה מידה; הבחירה הנכונה תלויה במצב האישי של החברה.
חברות עם שיטות קנה מידה טובות הוציאו מחצית מתקציבי הניתוח שלהן על אימוץ.
שקול שני מוסדות פיננסיים גדולים שעבדנו איתם. אחד איחד את צוותי הבינה המלאכותית והניתוח שלה ברכזת מרכזית, כאשר כל צוות הניתוח דיווח לקצין הנתונים והניתוח הראשי ונפרס ליחידות העסקיות לפי הצורך. השני ביזר כמעט את כל כישרון הניתוח שלו, וצוותים שוכנים ומדווחים ליחידות העסקיות. שתי החברות פיתחו בינה מלאכותית בקנה מידה בראש התעשייה שלהן; הארגון השני גדל מ-30 ל-200 יוזמות AI רווחיות תוך שנתיים בלבד. ושניהם בחרו את המודל שלהם לאחר שלקחו בחשבון את המבנה, היכולות, האסטרטגיה והמאפיינים הייחודיים של הארגונים שלהם.
הרכזת.
קומץ קטן של תחומי אחריות תמיד מטופלים בצורה הטובה ביותר על ידי רכזת ומובלים על ידי מנהל הניתוח הראשי או מנהל הנתונים הראשי. אלה כוללים ממשל נתונים, אסטרטגיית גיוס והדרכה של בינה מלאכותית, ועבודה עם ספקי צד שלישי של שירותי ותוכנות נתונים ו-AI. רכזות צריכים לטפח כישרונות בינה מלאכותית, ליצור קהילות שבהן מומחי בינה מלאכותית יכולים לחלוק שיטות עבודה מומלצות, ולהתאר תהליכים לפיתוח בינה מלאכותית ברחבי הארגון. המחקר שלנו מראה שלחברות שהטמיעו בינה מלאכותית בקנה מידה גדול יש סבירות גבוהה פי שלושה מחבריהן לקבל רכזת ופי 2.5 לקבל מתודולוגיה ברורה ליצירת מודלים, פירוש תובנות ופריסה של יכולות AI חדשות.
רכזות צריכות להיות אחראיות גם על מערכות ותקנים הקשורים לבינה מלאכותית. אלה צריכים להיות מונעים על ידי הצרכים של יוזמות של פירמה, כלומר יש לפתח אותם בהדרגה, במקום להקים אותם במכה אחת, לפני שנקבעו מקרים עסקיים. ראינו ארגונים רבים מבזבזים זמן וכסף משמעותיים – מבזבזים מאות מיליוני דולרים – מראש על פרויקטים של ניקוי נתונים ואינטגרציית נתונים כלל החברה, רק כדי להפסיק את המאמצים הללו באמצע הדרך, תוך מימוש יתרונות מועטים או כלל לא.
לעומת זאת, כאשר בנק אירופאי גילה שאסטרטגיות ניהול נתונים סותרות מעכבות את הפיתוח שלו של כלי בינה מלאכותית חדשים, הוא נקט בגישה איטית יותר, והכין תוכנית לאחד את ארכיטקטורת הנתונים והניהול שלו במהלך ארבע השנים הבאות תוך בניית מקרים עסקיים שונים. על שינוי הבינה המלאכותית שלו. תוכנית רב-שלבית זו, הכוללת גם עיצוב מחדש ארגוני ואסטרטגיית כישרונות מתוקנת, צפויה להיות בעלת השפעה שנתית של יותר מ-900 מיליון דולר.
החישורים.
קומץ נוסף של אחריות צריך להיות כמעט תמיד בבעלות החישורים, מכיוון שהם הכי קרובים לאלה שישתמשו במערכות הבינה המלאכותית. ביניהן משימות הקשורות לאימוץ, כולל הדרכת משתמשי קצה, עיצוב מחדש של זרימת עבודה, תוכניות תמריצים, ניהול ביצועים ומעקב אחר השפעות.
כדי לעודד לקוחות לאמץ את השירותים התומכים בינה מלאכותית המוצעים עם הציוד החכם והמקושר שלו, ארגון מכירות ושירות של יצרן אחד יצר “צוות SWAT” שתמך בלקוחות המשתמשים במוצר ופיתח תוכנית תמחור כדי להגביר את האימוץ. עבודה כזו היא בבירור ערובה של דיבור ואי אפשר להאציל אותה למרכז ניתוח.
ארגון AI עבור קנה מידה
חברות התומכות בינה מלאכותית מחלקות תפקידי מפתח בין רכזת וחישורים. כמה משימות נמצאות תמיד בבעלות הרכזת, והחישורים תמיד הם בבעלות הביצוע. שאר העבודה נופלת לתחום אפור, והמאפיינים האישיים של החברה קובעים היכן יש לבצע אותה.
התחום האפור.
חלק גדול מהעבודה בטרנספורמציות מוצלחות של AI נופלת לתחום אפור מבחינת אחריות. משימות מפתח – קביעת הכיוון לפרויקטים של AI, ניתוח הבעיות שהם יפתרו, בניית האלגוריתמים, תכנון הכלים, בדיקתם מול משתמשי קצה, ניהול השינוי ויצירת תשתית ה-IT התומכת – יכולות להיות בבעלות כל אחד מהמרכזים או הדיבור, משותף לשניהם או משותף עם IT. ההחלטה היכן צריכה להיות אחריות בתוך ארגון אינה מדע מדויק, אך היא צריכה להיות מושפעת משלושה גורמים:
הבשלות של יכולות AI. כשחברה נמצאת בשלב מוקדם במסע הבינה המלאכותית שלה, לעתים קרובות זה הגיוני שמנהלי ניתוח, מדעני נתונים, מהנדסי נתונים, מעצבי ממשקי משתמש, מומחי ויזואליזציה שמפרשים באופן גרפי ממצאי ניתוח וכדומה, ישבו בתוך רכזת וייפרסו לפי הצורך. החישורים. בעבודה משותפת, שחקנים אלה יכולים לבסס את נכסי ויכולות הליבה של החברה בינה מלאכותית, כגון כלי ניתוח נפוצים, תהליכי נתונים ומתודולוגיות מסירה. אבל ככל שחולף הזמן והתהליכים הופכים לסטנדרטיים, המומחים הללו יכולים להתגורר בתוך החישורים באותה מידה (או יותר) ביעילות.
מורכבות המודל העסקי. ככל שמספר הפונקציות העסקיות, קווי העסקים או התחומים הגיאוגרפיים יתמכו בכלי AI גדול יותר, כך גדל הצורך לבנות גילדות של מומחי בינה מלאכותית (של, למשל, מדעני נתונים או מעצבים). חברות עם עסקים מורכבים מאחדים לעתים קרובות את הגילדות הללו במרכז ולאחר מכן מחלקות אותן לפי הצורך ליחידות עסקיות, פונקציות או גיאוגרפיות.
הקצב ורמת החדשנות הטכנית הנדרשים. כאשר הן צריכות לחדש במהירות, חברות מסוימות מכניסות יותר אסטרטגיה ובניית יכולות למרכז, כך שהן יכולות לפקח טוב יותר על שינויים בתעשייה ובטכנולוגיה ולפרוס במהירות משאבי AI כדי להתמודד עם אתגרים תחרותיים.
נחזור לשני המוסדות הפיננסיים שדנו בהם קודם לכן. שניהם התמודדו עם לחצים תחרותיים שדרשו חדשנות מהירה. עם זאת, הבגרות האנליטית והמורכבות העסקית שלהם היו שונות.
למוסד שהציב את צוותי הניתוח שלו בתוך המרכז שלו היה מודל עסקי מורכב הרבה יותר ובגרות בינה מלאכותית נמוכה יחסית. המומחיות הקיימת ב-AI הייתה בעיקר בניהול סיכונים. על ידי ריכוז מדעני הנתונים, המהנדסים ומומחים רבים אחרים בתחום האפור בתוך הרכזת, החברה הבטיחה שכל היחידות והפונקציות העסקיות יוכלו לגשת במהירות לידע חיוני בעת הצורך.
למוסד הפיננסי השני היה מודל עסקי הרבה יותר פשוט שכלל התמחות בפחות שירותים פיננסיים. לבנק הזה היה גם ניסיון ומומחיות בינה מלאכותית. אז היא הצליחה לבזר את כישרון הבינה המלאכותית שלה, ולהטמיע רבים ממומחי הניתוח, האסטרטגיה והטכנולוגיה שלה בתחום האפור בתוך החישורים של היחידה העסקית.
כפי שמציעות דוגמאות אלו, אמנות מסוימת מעורבת בהחלטה היכן צריכות לחיות האחריות. לכל ארגון יש יכולות ייחודיות ולחצי תחרות, ויש לקחת בחשבון את שלושת גורמי המפתח במכלול, ולא בנפרד. לדוגמה, לארגון עשוי להיות מורכבות עסקית גבוהה וזקוק לחדשנות מהירה מאוד (מציע שהוא צריך להעביר יותר אחריות למרכז), אבל יש לו גם יכולות AI בוגרות מאוד (מציע שזה צריך להעביר אותם לחיקורים). מנהיגיה יצטרכו לשקול את החשיבות היחסית של כל שלושת הגורמים כדי לקבוע היכן, על האיזון, הכישרון ייפרס בצורה היעילה ביותר. לרמות הכישרון (מרכיב של בגרות בינה מלאכותית) יש לרוב השפעה גדולה על ההחלטה. האם יש לארגון מספיק מומחי נתונים שאם הוא יעביר אותם לצמיתות אל החישורים, הוא עדיין יוכל למלא את הצרכים של כל היחידות העסקיות, הפונקציות והאזורים הגיאוגרפיים? אם לא, כנראה שעדיף לשכן אותם במרכז ולשתף אותם בכל הארגון.
פיקוח וביצוע.
בעוד שחלוקת האחריות של AI וניתוח משתנה מארגון אחד למשנהו, לאלה שמגדילים את AI יש שני דברים משותפים:
קואליציה שלטת של מובילי עסקים, IT ואנליטיקה. שילוב מלא של AI הוא מסע ארוך. יצירת צוות משימה משותף שיפקח עליו תבטיח ששלושת הפונקציות ישתפו פעולה ויחלקו אחריות, ללא קשר לאופן חלוקת התפקידים והאחריות. קבוצה זו, שלעתים קרובות מתכנסת על ידי מנהל הניתוח הראשי, יכולה גם להוות גורם מרכזי בבניית מומנטום ליוזמות בינה מלאכותית, במיוחד בשלב מוקדם.
צוותי ביצוע מבוססי מטלות. לארגונים שמגדילים את הבינה המלאכותית יש סיכוי גבוה פי שניים להקים צוותים בינתחומיים בתוך החישורים. צוותים כאלה מפגישים מגוון נקודות מבט ומבקשים מידע מהצוות הקדמי בזמן שהם בונים, פורסים ומנטרים יכולות בינה מלאכותית חדשות. הצוותים מורכבים בדרך כלל בתחילת כל יוזמה ושואבים מיומנויות הן מהרכז והן מהחישורים. כל אחד מהם כולל בדרך כלל את המנהל האחראי על הצלחת כלי הבינה המלאכותית החדש (“בעל המוצר”), מתרגמים, אדריכלי נתונים, מהנדסים ומדענים, מעצבים, מומחי הדמיה ואנליסטים עסקיים. צוותים אלה מטפלים בבעיות יישום מוקדם ומפיקים ערך מהר יותר.
חלק מהאמנות מעורבת בהחלטה היכן צריכים לחיות האחריות והתפקידים של AI.
לדוגמה, בקמעונאי באסיה פסיפיק שהשתמשה בבינה מלאכותית כדי לייעל את שטח החנות ומיקום המלאי, צוות ביצוע בין-תחומי עזר לשבור חומות בין סוחרים (שקבעו כיצד יוצגו פריטים בחנויות) לבין קונים (שבחרו את מגוון המוצרים ). בעבר, כל קבוצה עבדה באופן עצמאי, כשהקונים שינו את המלצות הבינה המלאכותית כראות עיניהם. זה הוביל לחוסר התאמה בין המלאי שנרכש לשטח הפנוי. על ידי הזמנת שתי הקבוצות לשתף פעולה בפיתוח נוסף של כלי הבינה המלאכותית, הצוות יצר מודל יעיל יותר שסיפק מגוון אפשרויות משוקללות לקונים, שיוכלו לאחר מכן לבחור את הטובות ביותר עם מידע מהסוחרים. בסופו של התהליך, המרווח הגולמי על כל קטגוריית מוצר שהטמיעה את הכלי גדל ב-4% ל-7%.
איך לאמץ את הבינה המלאכותית
כדי להבטיח את אימוץ הבינה המלאכותית, חברות צריכות לחנך את כולם, מהמנהלים המובילים ומטה. לשם כך, חלקם משיקים אקדמיות פנימיות לבינה מלאכותית, המשלבות בדרך כלל עבודה בכיתה (מקוונת או אישית), סדנאות, הכשרה בעבודה ואפילו ביקורים באתר לעמיתים מנוסים בתעשייה. רוב האקדמיות שוכרות בתחילה סגל חיצוני כדי לכתוב את תכניות הלימודים ולהעביר הכשרה, אך בדרך כלל הן מכניסות תהליכים לבניית יכולות פנימיות.
כל אקדמיה שונה, אבל רובן מציעות ארבעה סוגי הוראה רחבים:
מַנהִיגוּת.
רוב האקדמיות שואפות לתת למנהלים בכירים ולמנהיגי יחידות עסקיות הבנה ברמה גבוהה של אופן הפעולה של בינה מלאכותית ודרכים לזהות ולתעדף הזדמנויות בינה מלאכותית. הם גם מספקים דיונים על ההשפעה על תפקידי העובדים, חסמי אימוץ ופיתוח כישרונות, ומציעים הדרכה להחדרת השינויים התרבותיים הבסיסיים הנדרשים.
ניתוח ובניית פתרונות AI
כאן ההתמקדות היא בחידוד מתמיד של הכישורים הקשים והרכים של מדעני נתונים, מהנדסים, אדריכלים ועובדים אחרים שאחראים על ניתוח נתונים, ממשל נתונים ובניית פתרונות AI.
מתרגמי Analytics
מתרגמי Analytics מגיעים לרוב מהצוות העסקי וזקוקים להכשרה טכנית בסיסית – למשל, כיצד ליישם גישות אנליטיות לבעיות עסקיות ולפתח מקרי שימוש בבינה מלאכותית. ההוראה שלהם עשויה לכלול הדרכות מקוונות, ניסיון מעשי בצל מתרגמים ותיקים, ו”בחינה” אחרונה שבה עליהם ליישם בהצלחה יוזמת בינה מלאכותית.
למרות השקעות גדולות, ארגונים רבים מקבלים תוצאות מאכזבות ממאמצי הבינה המלאכותית והניתוח שלהם. מה שעושה …
משתמש קצה.
עובדי קו החזית עשויים להזדקק רק להכרות כללית עם כלי בינה מלאכותית חדשים, ולאחר מכן הכשרה תוך כדי עבודה והדרכה כיצד להשתמש בהם. מקבלי החלטות אסטרטגיות, כגון אנשי שיווק וצוות כספים, עשויים לדרוש מפגשי הכשרה ברמה גבוהה יותר המשלבים תרחישים עסקיים אמיתיים שבהם כלים חדשים משפרים החלטות לגבי, למשל, השקות מוצרים.
חיזוק השינוי
רוב טרנספורמציות הבינה המלאכותית לוקחות 18 עד 36 חודשים כדי להשלים, וחלקן נמשכות אפילו חמש שנים. כדי למנוע מהם לאבד מומנטום, מנהלים צריכים לעשות ארבעה דברים:
מודל לחיקוי הוא חיוני. בתור התחלה, מנהלים יכולים להפגין את מחויבותם לבינה מלאכותית על ידי השתתפות בהדרכה באקדמיה.
אבל הם גם חייבים לעודד באופן פעיל דרכי עבודה חדשות. בינה מלאכותית דורשת ניסויים, ולעתים קרובות איטרציות מוקדמות אינן עובדות כמתוכנן. כשזה קורה, מנהלים צריכים להדגיש את מה שנלמד מהפיילוטים. זה יעזור לעודד לקיחת סיכונים הולמת.
המודלים היעילים ביותר לחיקוי שראינו הם צנועים. הם שואלים שאלות ומחזקים את הערך של נקודות מבט מגוונות. הם נפגשים בקביעות עם הצוות כדי לדון בנתונים, שואלים שאלות כמו “באיזו תדירות אנחנו צודקים?” ו”אילו נתונים יש לנו כדי לתמוך בהחלטה של היום?”
המנכ”ל של קמעונאי מיוחד אחד שאנו מכירים הוא דוגמה טובה. בכל פגישה שהיא הולכת אליה, היא מזמינה את המשתתפים לחלוק את הניסיון והדעות שלהם – ומציעה את שלה אחרון. היא גם מפנה זמן להיפגש עם עובדי עסקים ואנליטיקס מדי כמה שבועות כדי לראות מה הם עשו – בין אם זה השקת פיילוט חדש או הגדלה של פיילוט קיים.
זה לא נדיר לראות את צוות הניתוח הפך לבעלים של מוצרי AI. עם זאת, מכיוון שאנליטיקה היא פשוט אמצעי לפתרון בעיות עסקיות, היחידות העסקיות הן שצריכות להוביל פרויקטים ולהיות אחראיות להצלחתם. יש להקצות בעלות למישהו מהעסק הרלוונטי, שאמור למפות תפקידים ולהנחות פרויקט מתחילתו ועד סופו. לפעמים ארגונים מקצים בעלים שונים בנקודות שונות במחזור החיים של הפיתוח (לדוגמה, להוכחת ערך, פריסה וקנה מידה). גם זו טעות, כי היא עלולה לגרום לקצוות רופפים או לפספס הזדמנויות.
כרטיס מידע הקולט מדדי ביצועים של פרויקט עבור כל מחזיקי העניין הוא דרך מצוינת ליישר את המטרות של צוותי אנליטיקה וצוותים עסקיים. חברת תעופה אחת, למשל, השתמשה בכרטיס מידע משותף כדי למדוד את קצב האימוץ, המהירות ליכולת מלאה ותוצאות עסקיות עבור פתרון AI שמייעל את התמחור וההזמנה.
השוואת תוצאות AI
השוואת התוצאות של החלטות שהתקבלו עם ובלי AI יכולה לעודד עובדים להשתמש בו. לדוגמה, בחברת סחורות אחת, הסוחרים למדו שהתחזיות שאינן נתמכות ב-AI נכונות בדרך כלל רק חצי מהזמן – לא יותר מאשר ניחוש. הגילוי הזה גרם להם להיות פתוחים יותר לכלי AI לשיפור חיזוי.
על היחידות העסקיות להוביל פרויקטים של AI ולהיות אחראיות להצלחתם.
צוותים שעוקבים אחר היישום יכולים לתקן את הקורס לפי הצורך. בקמעונאי אחד בצפון אמריקה, בעל פרויקט בינה מלאכותית ראה מנהלי חנויות נאבקים לשלב תפוקה של פיילוט במעקב אחר תוצאות ביצועי החנות. ממשק המשתמש של ה-AI היה קשה לניווט, ותובנות ה-AI שנוצרו לא שולבו בלוחות המחוונים עליהם הסתמכו המנהלים מדי יום כדי לקבל החלטות. כדי לתקן את הבעיה, צוות ה-AI פישט את הממשק והגדיר מחדש את הפלט כך שזרם הנתונים החדש יופיע בלוח המחוונים.
לספק תמריצים לשינוי.
הכרה מעוררת השראה לעובדים לטווח הארוך. המנכ”ל של הקמעונאי המתמחה מתחיל פגישות על ידי הזרקת זרקור על עובד (כגון מנהל מוצר, מדען נתונים או עובד חזיתי) שסייע להפוך את תוכנית הבינה המלאכותית של החברה להצלחה. בקונגלומרט הקמעונאי הגדול, המנכ”ל יצר תפקידים חדשים עבור בעלי ביצועים מובילים שהשתתפו בשינוי הבינה המלאכותית. לדוגמה, הוא קידם את מנהל הקטגוריות שעזר לבחון את פתרון האופטימיזציה במהלך הפיילוט שלו כדי להוביל את השקתו בחנויות – והמחיש באופן גלוי את ההשפעה הקריירה שיכולה להיות לאימוץ AI.
לבסוף, חברות חייבות לבדוק שהתמריצים של העובדים באמת מתאימים לשימוש ב-AI. זה לא היה המקרה אצל קמעונאי פנטסטי שפיתח מודל בינה מלאכותית כדי לייעל את תמחור ההנחה כדי שיוכל לפנות מלאי ישן. המודל גילה שלפעמים היה משתלם יותר להיפטר ממלאי ישן מאשר למכור אותו בהנחה, אבל לאנשי החנות היו תמריצים למכור הכל, אפילו בהנחות גדולות. מכיוון שהמלצות הבינה המלאכותית סתרו את הפרקטיקה הסטנדרטית, המתוגמלת, העובדים חשדו בכלי והתעלמו ממנו. מכיוון שתמריצי המכירות שלהם היו קשורים גם בחוזים ולא ניתן היה לשנות אותם בקלות, הארגון עדכן בסופו של דבר את מודל הבינה המלאכותית כדי לזהות את ההחלפה בין רווחים לתמריצים, מה שעזר להניע את אימוץ המשתמשים והעלה את השורה התחתונה.
סיכום
הפעולות המקדמות קנה מידה ב-AI יוצרות מעגל טוב. המעבר מצוותים פונקציונליים לבינתחומיים מפגיש בתחילה את המיומנויות והפרספקטיבות המגוונות ואת קלט המשתמש הדרוש לבניית כלים יעילים. עם הזמן, עובדים ברחבי הארגון סופגים שיטות שיתופיות חדשות. ככל שהם עובדים בשיתוף פעולה הדוק יותר עם עמיתים בפונקציות אחרות ובאזורים גיאוגרפיים אחרים, העובדים מתחילים לחשוב יותר גדול – הם עוברים מניסיון לפתור בעיות בדידות לדמיין מחדש לחלוטין את המודלים העסקיים והתפעוליים. מהירות החדשנות עולה ככל ששאר הארגון מתחיל לאמץ את גישות הבדיקה-וללמוד שהניעו את הפיילוטים בהצלחה.
ככל שכלי בינה מלאכותית מתפשטים ברחבי הארגון, האנשים הקרובים ביותר לפעולה הופכים להיות מסוגלים יותר ויותר לקבל החלטות ברגע שהתקבלו על ידי אלה שמעליהם, מה שמשטח את ההיררכיות הארגוניות. זה מעודד שיתוף פעולה נוסף וחשיבה גדולה עוד יותר.
הדרכים שבהן ניתן להשתמש ב-AI כדי להגביר את קבלת ההחלטות ממשיכות להתרחב. יישומים חדשים ייצרו שינויים מהותיים ולעיתים קשים בזרימות העבודה, התפקידים והתרבות, שמנהלים יצטרכו להוביל את הארגונים שלהם בזהירות. חברות שמצטיינות בהטמעת בינה מלאכותית בכל הארגון ימצאו את עצמן ביתרון גדול בעולם שבו בני אדם ומכונות שעובדים יחדיו עולים על בני אדם או מכונות הפועלות בעצמם.
