קודם דאטה, אחר כך AI: איך יודעים אם הארגון מוכן?

בכל דירקטוריון עולה היום אותה שאלה: "מה אנחנו עושים עם AI?" הלחץ מובן, וההזדמנות אמיתית. אבל מהניסיון שלנו, יש שאלה שקודמת לה וחשובה ממנה: על אילו נתונים ה-AI הזה אמור לעבוד? כי ההבטחה של בינה מלאכותית מתממשת רק כשיש מתחתיה בסיס נתונים שאפשר לסמוך עליו.

למה רוב יוזמות ה-AI נתקעות

כשפרויקט AI מאכזב, ההסבר המקובל מאשים את הטכנולוגיה: המודל לא מדויק, הכלי לא בשל, הספק הגזים. בפועל, ברוב המקרים שפגשנו הבעיה התחילה קומה אחת למטה. המודל קיבל נתונים חלקיים, כפולים או לא עקביים, והחזיר תוצאות באיכות של מה שקיבל. אין קסם שמתקן בדרך נתונים שגויים. יש רק קסם שמסתיר את זה יפה יותר.

זו הסיבה שאצלנו כמעט כל שיחה על AI מתחילה דווקא בשאלות משעממות לכאורה: על ה-ERP, על האקסלים, על תהליך הדיווח החודשי. לא כי אנחנו לא מתלהבים מהטכנולוגיה, אלא כי אנחנו רוצים שהיא תעבוד.

הצ'קליסט: עשר שאלות, שלושה תחומים

הצ'קליסט הבא נועד לתת לכם תשובה כנה תוך רבע שעה. על כל שאלה ענו: כן, חלקית, או לא. אין ציון עובר. יש תמונת מצב.

חלק א': הנתונים עצמם

1. האם יש לכם מקור אמת אחד למדדים המרכזיים? אם שני דוחות עונים תשובות שונות לאותה שאלה, גם מודל AI יקבל תשובות שונות, והוא לא יידע לבחור ביניהן.

2. האם יש היסטוריה מסודרת? מודלים לומדים מהעבר. אם הנתונים ההיסטוריים מפוזרים בקבצים, נמחקו בטעות או שינו מבנה שלוש פעמים, אין ממה ללמוד.

3. האם הנתונים נגישים למערכות? נתונים שחיים רק בתוך מסכים של מערכת סגורה או בקבצים מקומיים אינם זמינים לשום פתרון אוטומטי. נדרשת גישה מסודרת: מסד נתונים, ממשק API או מחסן נתונים.

4. האם מישהו בודק איכות באופן שוטף? כפילויות, רשומות חסרות, ערכים בלתי אפשריים. אם אף אחד לא מודד את זה היום, ההפתעות יגיעו ברגע הכי פחות נוח.

חלק ב': התהליכים

5. האם למדדים המרכזיים יש הגדרה כתובה ומוסכמת? "הכנסה", "לקוח פעיל", "זמן אספקה". אם כל מחלקה מפרשת אחרת, המודל ילמד ערבוביה.

6. האם יש תהליך קבוע לתיקון שגיאות נתונים? כשמתגלה טעות, ברור מי מתקן, איפה מתקנים ואיך מתעדים? או שכל אחד מתקן אצלו בקובץ, והטעות ממשיכה לחיות במקור?

7. האם לנתונים יש בעלים? לכל תחום נתונים צריך גורם אחד שאחראי לאיכות ולזמינות שלו. כשכולם אחראים, אף אחד לא אחראי.

חלק ג': האנשים

8. האם ההנהלה סומכת על הדוחות הקיימים? אם היום לא סומכים על דוח מכירות פשוט, לא יסמכו גם על תחזית של מודל. אמון בנתונים נבנה לפני ה-AI, לא באמצעותו.

9. האם ברור מי ישתמש בתוצר, ולאיזו החלטה? "נכניס AI" זו לא מטרה. "נחזה ביקושים כדי לתכנן מלאי טוב יותר" זו מטרה. בלי משתמש מוגדר והחלטה מוגדרת, גם מודל מצוין נשאר מצגת.

10. האם יש מי שילווה את זה לאורך זמן? מודל אינו פרויקט חד פעמי. הוא דורש מעקב, כיול ותחזוקה, בדיוק כמו כל מערכת מידע אחרת בארגון.

איך לקרוא את התוצאה

רוב התשובות "לא": זה המצב הנפוץ, ואין בו שום בושה. המשמעות היא שההשקעה הנכונה עכשיו היא בתשתית: מקור אמת, הגדרות, איכות. והחדשות הטובות: ההשקעה הזאת מחזירה את עצמה מיד, עוד לפני כל AI, כי היא משפרת את הדיווח ואת קבלת ההחלטות כבר היום.

תמונה מעורבת: יש בסיס, יש פערים. הדרך ההגיונית היא פיילוט ממוקד בתחום שבו הנתונים הכי טובים, ובמקביל סגירת הפערים בשאר התחומים.

רוב התשובות "כן": יש לכם נכס אמיתי, נדיר יותר משנדמה. עכשיו אפשר לדבר ברצינות על יישומי AI, ולבחור אותם לפי ערך עסקי ולא לפי אופנה.

איך נראה פיילוט ראשון הגיוני

כשהבסיס קיים, הפיילוט הנכון הוא כמעט תמיד צר, מדיד ומחובר להחלטה קיימת. שלוש דוגמאות לכיוונים ששווה לבחון, בהתאם לאופי הארגון:

• תחזית לצורך תכנון. חיזוי ביקושים או עומסים בתחום שבו כבר יש היסטוריה מסודרת, כדי לשפר החלטת מלאי או שיבוץ שמתקבלת ממילא כל שבוע.
• זיהוי חריגות בנתונים. מערכת שמסמנת תנועות או רשומות חשודות לבדיקה אנושית. מקרה שימוש צנוע שגם משפר את איכות הנתונים עצמה.
• עוזר ניסוח ותמצות. שימוש מבוקר בכלים קיימים לסיכומים ולטיוטות, עם מדיניות ברורה מה מותר להזין ומה לא.

המשותף לשלושתם: הם לא מבטיחים מהפכה, הם משפרים החלטה מוגדרת. ופיילוט כזה, גם אם יתברר כלא משתלם, משאיר אחריו ידע ותשתית במקום אכזבה ותקציב שרוף.

איך נראית תוכנית מוכנות של רבעון

ארגון שענה "לא" על רוב השאלות לא צריך תוכנית תלת שנתית. הוא צריך רבעון אחד ממוקד, בערך כך:

חודש ראשון: מיפוי והגדרות. רשימת המדדים שההנהלה באמת משתמשת בהם, מאיפה מגיע כל אחד היום, ומילון קצר עם הגדרה מוסכמת לעשרת החשובים. זו עבודה של פגישות, לא של טכנולוגיה, והיא חושפת את רוב הבעיות.

חודש שני: מסלול נתונים אחד. בוחרים תחום אחד, לרוב זה שכואב בישיבות, ובונים לו טעינה אוטומטית מהמערכות אל שכבת נתונים מסודרת, עם בדיקות איכות בסיסיות בדרך.

חודש שלישי: אמון ובחירת פיילוט. המספרים החדשים רצים מול הדוחות הישנים, הפערים מתבררים ומתועדים, וההנהלה מתחילה לעבוד מהתמונה החדשה. עכשיו, על בסיס מה שלמדתם על הנתונים שלכם, אפשר לבחור פיילוט AI ראשון בתחום שבו הבסיס הכי מוצק, ולא בתחום שבו המצגת הכי יפה.

בסוף רבעון כזה עוד אין לכם "ארגון מונע AI", אבל יש משהו שווה יותר: דיווח שסומכים עליו, תשתית שאפשר לבנות עליה, והבנה מפוכחת של הצעד הבא.

מה אפשר לעשות כבר היום, בכל מצב

גם ארגון שרחוק ממוכנות מלאה יכול להפיק ערך מכלים קיימים בשימושים תחומים: ניסוח מסמכים, סיכום פגישות, עזרה בכתיבת קוד. ההבחנה החשובה היא בין שימוש אישי בכלים בשלים, שאפשר לאמץ כבר עכשיו עם מדיניות ברורה, לבין מערכות שמקבלות החלטות על סמך הנתונים הארגוניים שלכם. לשני הסוגים דרישות שונות לגמרי, וכדאי לא לבלבל ביניהם.

השורה התחתונה

קודם דאטה, אחר כך AI. לא מתוך שמרנות, אלא כי זה הסדר שעובד. ארגון שבנה בסיס נתונים אמין מגלה שכשה-AI מגיע, הוא מפסיק להיות הימור והופך להרחבה טבעית של מה שכבר עובד.

ולסיום, הצעה מעשית: קבעו לעצמכם מועד, נגיד בעוד רבעון, לענות על עשר השאלות האלה שוב. ההשוואה בין שתי התוצאות תגיד לכם יותר מכל מדד בודד: היא תראה אם הארגון באמת מתקדם לקראת מוכנות, או רק מדבר על זה בישיבות.

רוצים להבין איפה הנתונים שלכם נתקעים? נשמח לשיחה קצרה.