3 סיבות מדוע פרויקט ה-AI שלכם ייכשל (ואיך להציל אותו)

כולם משקיעים הון ב-AI, אך מאחורי דלתות סגורות רוב ההנהלות מגלות את אותה אמת מרה: המודלים מבריקים, אבל התוצאות העסקיות גרועות. אז מה אתם עושים לא נכון?

הבעיות אינן טכניות בלבד, אלא נובעות משיטות עבודה מיושנות שמכשילות את הפרויקט (צילום: Unsplash)

מאת צביקה גולדרייך

אחד הדברים הכי כואבים בהתנהלות שלנו ביומיום היא דמו שמתרסק. וכשמעורבים בפרויקט חודשים של עבודה, השקעות בסכומים גבוהים והבטחות לתקופה חדשה – זה קשוח במיוחד.

הנה סיטואציה שמתרחשת הרבה יותר ממה שהיינו רוצים להודות: דמיינו ישיבת הנהלה בכירה באחת מחברות הפיננסים הוותיקות במשק. אחרי חצי שנה של השקעות עתק ביחידת חדשנות ובמודלי GenAI מתקדמים, שהבטיחו לפתור את בעיות השירות והחיתום, הגיעה ההדגמה החיה – והתרסקה. המערכת הציגה תשובה מנוסחת היטב לשאילתה פשוטה על לקוח, אך סמנכ"ל הסיכונים גילה במהירות שהיא איחדה נתונים של שני לקוחות שונים, התעלמה מתביעת ענק עדכנית והציעה פוליסה במחיר הפסד, מה שהוביל לכיבוי מהיר של המצגת ולסיום הישיבה בהחלטה העמומה "לחזור לבדיקות נוספות".

התרחיש הזה אינו יוצא דופן במגזר הבריאות, ברשתות הקמעונאות הגדולות, בבנקים, בחברות ביטחוניות ובמשרדי ממשלה. כולם מדברים על מהפכת ה-AI, כולם משקיעים בה הון, אך מאחורי דלתות סגורות רוב ההנהלות מגלות את אותה אמת מרה: הטכנולוגיה מבריקה, אבל התוצאות העסקיות תקועות.

מדוע כל כך הרבה פרויקטים נכשלים?

מחקרים עדכניים של חברות הייעוץ הבינלאומיות המובילות, ובראשן Gartner ו-McKinsey, משרטטים תמונת מצב מדאיגה: יותר מ-80% מיוזמות ה-AI בארגונים אינן מצליחות לעבור את שלב ה-PoC, או שאינן מציגות ROI חיובי כשהן מגיעות לפרודקשן. לשם השוואה, בפרויקטי תוכנה מסורתיים שיעורי הכישלון עומדים על כ-30%-40%.

אז כיצד טכנולוגיה כל כך מתקדמת, שמפגינה ביצועים לא פחות ממדהימים במעבדות ובדמואים, קורסת כשהיא פוגשת את המציאות? יש לזה הסבר פשוט. מנהלים רבים התרגלו להתייחס לבינה מלאכותית כאל שרביט קסמים עצמאי – תוכנה שמורידים מהענן, מחברים לשקע ומקבלים תובנות. אך האמת היא שמודלי AI לא יוצרים יש מאין. הם לא יכולים להוות תחליף לחשיבה לוגית, ואינם יודעים לפצות על כאוס ארגוני. ה-AI משקף את הדאטה של הארגון: אם תזינו לתוך המודל נתונים חלקיים, לא מסונכרנים, מקוטעים וחסרי הקשר – הוא פשוט יחזיר טעויות, כשלים והטיות מנוסחים היטב ובביטחון רב.

ניקח לדוגמה את בתי החולים וקופות החולים בישראל, שמחזיקים במאגרי מידע רפואי עשיר ואיכותי. על הנייר, זהו כר פורה ליישומי AI שיכולים לחזות הידרדרות של חולים, לאבחן מוקדם מחלות קשות ולייעל ניהול חדרי מיון ומחלקות אשפוז. אבל במציאות, הנתונים של כל מטופל מפוצלים בין עשרות מערכות שלא מתקשרות ביניהן: מערכת המעבדה הוותיקה אינה מסונכרנת בזמן אמת עם מערכת הדימות, התיק הקליני במחלקה נכתב בטקסט חופשי ללא סטנדרטיזציה, ונתוני קופת החולים נשארים מחוץ לכותלי בית החולים. כאשר ארגון בריאות מנסה להפעיל יישום AI לאבחון מוקדם על בסיס דאטה מקוטע כזה, המודל מחמיץ רמזים קריטיים ומייצר אבחנות שגויות. הרופאים, בצדק רב, מאבדים אמון בכלי וחוזרים לניתוח ידני ומסורבל.

הכשלים האלה חוזרים על עצמם גם בעולמות הפיננסים והביטוח, שסוחבים מערכות לגאסי מיושנות ללא Single Source of Truth, בעולם האיקומרס, במגזר הממשלתי והביטחוני ועוד.

השגיאות שמכשילות פרויקטי AI

כשבוחנים לעומק את הפרויקטים שנתקעו, מתברר שהבעיות אינן טכניות בלבד, אלא נובעות גם מתפיסות ניהוליות מיושנות שכבר לא מתאימות לעידן הדאטה. הנה שלושת החסמים המרכזיים שמכשילים פרויקטי AI:

• איי מידע מבודדים: במרבית הארגונים, המידע אינו זורם בחופשיות בין המחלקות. כל חטיבה – שיווק, מכירות, שירות לקוחות, כספים ותפעול – מתנהלת כיישות עצמאית עם מאגרי מידע משלה. כשמנסים לאמן מודל AI על תהליך חוצה ארגון, מגלים שאין שום גשר שמחבר בין האיים האלו. התוצאה היא מודלים עיוורים שרואים רק חלק קטן מהתמונה.
• איכות נתונים ירודה והיעדר Governance: שאלתם את עצמכם פעם כיצד מוגדר "לקוח פעיל" בארגון שלכם? ברוב המקרים, אם תשאלו את סמנכ"ל השיווק, סמנכ"ל המכירות ומנהל הכספים – תקבלו שלוש תשובות שונות לחלוטין. נתונים שגויים, רשומות כפולות, פורמטים משתנים של תאריכים וכתובות ושדות חיוניים שנשארים ריקים – כל אלה הם זריקת רעל עבור מודלי AI.
• שיתוק אבטחתי ורגולטורי: החרדה (המוצדקת) מפני דליפת סודות מסחריים, הפרת חוק הגנת הפרטיות או חשיפת מידע רגיש גורמת לעתים קרובות לשיתוק ארגוני. במקום לתכנן מראש סביבות עבודה מאובטחות עם מנגנוני אנונימיזציה והרשאות קפדניות, ארגונים רבים בוחרים לחסום כליל את השימוש בכלים מתקדמים, או גרוע מכך – מפעילים אותם מאחורי הקלעים ללא פיקוח.

4 צעדים שיצילו לכם את פרויקט ה-AI

אחרי שהבנו את הבעיה, מה מנכ"לית או חבר הנהלה צריכים לעשות בפועל מחר בבוקר? הנה ארבעה צעדים שיעזרו לכם להוביל מהלך אסטרטגי, תרבותי ומבני שיכשיר את הקרקע בארגון:

שלב 1: העבירו את הבעלות על הדאטה לשולחן ההנהלה
הטעות הנפוצה ביותר היא להתייחס לדאטה כאל עניין טכני ששייך בלעדית למחלקת ה-IT. דאטה הוא נכס אסטרטגי לא פחות מההון הפיננסי וממאגר הלקוחות של החברה. המנכ"ל חייב לדרוש תמונת מצב שקופה על מצב הנתונים בארגון באותה רצינות שבה הוא בוחן את הדוח הכספי הרבעוני. יש למנות גורם ניהולי בכיר (CDO או סמנכ"ל טכנולוגיות מוכוון דאטה) שיוביל את התחום, ולוודא שההגדרות העסקיות הבסיסיות של החברה מוסכמות ואחידות בכלל המערכות.

שלב 2: Data Modernization
אי אפשר לבנות קומה עשירית על יסודות רעועים. לפני שמשקיעים ברכישת מודלים גנרטיביים מורכבים, יש להבטיח שהתשתיות הבסיסיות פועלות כשורה. זה אומר לעבור לארכיטקטורת ענן מודרנית, לבנות פייפליינים אוטומטיים של אינטגרציה שמזרימים נתונים בצורה רציפה ולוודא שהמידע נגיש, נקי ומסודר. ההשקעה במודרניזציה של הנתונים מחזירה את עצמה במהירות, מייעלת את התהליכים הקיימים ומורידה את עלויות המחשוב באופן ניכר.

שלב 3: הטמיעו Governance ואבטחה By Design
במקום לחשוש מסיכוני אבטחה ורגולציה, בנו את ההגנות לתוך המערכת מראש. הגדירו קטלוג נתונים ארגוני שקובע מי מורשה לראות מה, אילו נתונים מותר להזין למודלים חיצוניים ואילו נתונים חייבים להישאר מבודדים ומוצפנים. כאשר מנגנוני הבקרה והאיכות מוטמעים בארכיטקטורה, הצוותים יכולים לרוץ קדימה, לערוך ניסויים ולפתח פתרונות חדשניים בביטחון מלא – ללא חשש מחשיפה משפטית או מפגיעה בפרטיות הלקוחות.

שלב 4: התחילו מהבעיה העסקית, לא מהטכנולוגיה
אל תצאו למסע AI לא מוגדר במטרה ליישם את הטכנולוגיה לשם הטכנולוגיה. בחרו בעיה עסקית אחת ספציפית, כואבת ומדידה, שפתרונה יכול לייצר ערך כלכלי ברור כבר ברבעון הקרוב. זה יכול להיות קיצור זמני ההמתנה במוקד השירות ב-25%, הפחתת נטישת לקוחות ב-5%, או ייעול תהליך הרכש. סביב המטרה הזו בלבד, הכשירו ונקו את נתיב הדאטה הנדרש, חברו את המערכות הרלוונטיות ובנו פתרון ממוקד. הצלחה מהירה ומדידה תייצר לגיטימציה פנים-ארגונית, תבסס את האמון של העובדים וההנהלה ותניח תשתית איתנה לפרויקטים הבאים.

היתרון התחרותי האמיתי

כאשר כל ארגון יכול לגשת בקלות לאותם מודלי AI מתקדמים, האלגוריתם עצמו מפסיק להיות יתרון תחרותי. לעומת זאת, דאטה ארגוני נקי וייחודי הוא כבר יתרון עסקי מובהק שאף אחד לא יכול להעתיק מכם. אך כל עוד הזהב הזה קבור תחת שכבות של בלאגן טכנולוגי ומערכות מנותקות, הוא לא שווה הרבה. הנהלות שמחפשות קיצורי דרך ומשקיעות בטכנולוגיות מעטפת מבלי לטפל ביסודות, ימשיכו לבזבז זמן על דמואים ולהתאכזב מהתוצאות בשטח. בניגוד אליהן, הנהלות שיבינו כי הדרך למודלים שמייצרים ערך אמיתי מתחילה בסדר ובארגון של הנתונים, שייקחו אחריות מנהיגותית על המידע ויכשירו את התשתיות בצורה יסודית – הן אלה שיצליחו למקסם את ההשקעה ויבטיחו לעצמן יתרון תחרותי אמיתי.

הכותב הוא מנכ"ל OpiSoft, חברת Data & AI המתמחה בפתרונות דאטה מקבוצת SQlink