הבעיה של ה-AI כבר לא מתחילה במודל, אלא בתיאום שמסביבו

לא מעט ארגונים כבר יודעים להעמיד דמו מרשים של AI. הקושי האמיתי מתחיל מיד אחר כך. כשההתלהבות הראשונית דועכת, מתברר מהר מאוד שהמודל הוא רק חלק מהתמונה. הפער הגדול נמצא בדרך כלל במקום אחר: בנתונים שחסרים, במדיניות שעדיין לא נוסחה, בממשקים שלא עובדים בין צוותים, ובשורה ארוכה של החלטות קטנות. כל אחת מהן נראית שולית בפני עצמה, אבל יחד הן קובעות אם המערכת תחזיק מעמד גם מחוץ לחדר הישיבות.

זו גם לא תופעה ייחודית ל-AI. במובנים רבים, היא מזכירה תחומים אחרים שבהם יש מרחק קבוע בין תוכנית לבין ביצוע. אפשר להכריז על אלפי יחידות תכנון, אבל בלי תיאום, מידע ומנגנון שמוציא דברים לפועל, מעט מאוד קורה בשטח. אפשר גם לחלום שנים על בית פרטי, לקנות מגרש, להתחיל תהליך, ואז לגלות שהאתגר האמיתי אינו הרעיון אלא כל מה שנמצא בין ההיתר, הבחירות, הביקורים והסבלנות. גם בפרויקטי AI, שם בדיוק הדברים נבחנים.

מהדמו לפרודקשן: הרגע שבו המציאות קובעת את הקצב

השלב הראשון כמעט תמיד נראה מבטיח. בוחרים כלי, מעלים כמה מסמכים, מגדירים משימה, ומקבלים תשובה שנשמעת חכמה. קל מאוד להסיק מזה ש”הגענו”. אלא שבשימוש ארגוני אמיתי, זו לא השאלה המרכזית. מה שחשוב הוא לא אם המודל מסוגל לענות, אלא אם הוא יודע לענות נכון, בעקביות, בצורה מאובטחת, ובאופן שמתאים לתהליך קיים.

כאן נפתח הפער בין תכנון לביצוע. בארגונים רבים יש תקציב, יש הנהלה תומכת, ולעתים גם צוות ייעודי. מה שחסר הוא לעתים קרובות תשתית עבודה בסיסית: מי אחראי על איכות הנתונים, מי מאשר שימושים רגישים, איך מודדים הצלחה, ומה עושים כשמחלקה אחת מקדמת כלי שמחלקה אחרת בכלל לא יכולה לתחזק. בלי מענה לשאלות האלה, גם יוזמה מבטיחה עלולה להיתקע חודשים ארוכים בשלב הפיילוט.

AI הוא לא רק מוצר. הוא תלוי בכמה מערכות בבת אחת

אחת הטעויות הנפוצות היא להתייחס ל-AI כאילו מדובר ברכיב תוכנה שאפשר פשוט להלביש על הארגון. בפועל, מודל עובד תמיד בתוך רשת של תלות הדדית: מאגרי מידע, נהלי פרטיות, אבטחת מידע, מערכות הרשאה, עובדים שצריכים להבין מה מותר ומה אסור, ולעתים גם רגולציה חיצונית שמשתנה תוך כדי תנועה.

כשהגורמים האלה לא מתואמים, מופיעה תופעה מוכרת: כולם מסכימים עקרונית, אבל אף אחד לא באמת יכול לקדם את המהלך עד הסוף. צוות הדאטה מחכה לאישור משפטי, המשפטנים מחכים למסמך מדיניות, מחלקת ה-IT מחכה למיפוי סיכונים, וההנהלה בטוחה שהמערכת כבר כמעט באוויר כי הדמו עבד נהדר בפגישה. זה לא בהכרח כשל טכנולוגי. זה כשל תפעולי.

במובן הזה, AI דומה יותר לפרויקט בנייה מאשר לאפליקציה קטנה. יש אינספור החלטות שצריך לקבל: מאילו מקורות יישאב המידע, אילו מסמכים ייחשבו אמינים, איך תיראה הבקרה האנושית, מי רשאי לשנות פרומפטים מערכתיים, ומה עושים כשעולות תשובות בעייתיות. אין כאן רגע אחד של הכרעה גדולה, אלא הצטברות של בחירות. ארגון שלא בנוי לתהליך כזה עלול לגלות מהר שההתלהבות הראשונית נשחקת.

הנתון החסר: לא כל ארגון באמת יודע מה יש לו

עוד לפני שמגיעים למודלים, הרבה ארגונים מתמודדים עם בעיה בסיסית יותר: הם לא באמת מכירים את הנכסים המידעיים שלהם. מסמכים מפוזרים בין מערכות, גרסאות שונות מתקיימות במקביל, אין היררכיה ברורה של מקורות אמת, ולעתים גם אין תיעוד מספק של האופן שבו המידע נוצר.

במצב כזה, מערכת AI לא מסדרת את הבלגן. לפעמים היא דווקא מחריפה אותו. כשמזינים לכלי חכם תשתית מידע לא אחידה, מתקבלות תשובות שנשמעות בטוחות בעצמן, אבל נשענות על בסיס רעוע. חשוב לומר זאת בזהירות: בעיות נתונים לא תמיד מתגלות מיד. לא פעם הן נחשפות רק אחרי שהמערכת כבר נמצאת בשימוש, ואז המחיר הארגוני גבוה יותר, משום שגם אמון המשתמשים מתחיל להיסדק.

גם התזמון חשוב, לא רק היכולות

יש פרויקטים שנכשלים לא מפני שהרעיון חלש, אלא מפני שהם מגיעים בזמן הלא נכון. בעולם התיירות, למשל, יש חשיבות גדולה להבנה של חלון הזמן המתאים: עונה, אירוע, תנאי שטח. הטכנולוגיה הארגונית לא שונה עד כדי כך. השאלה מתי להטמיע AI חשובה כמעט כמו השאלה איזה כלי לבחור.

אם מנסים להטמיע מערכת חדשה בתקופה של עומס חריג, שינויים ארגוניים או חוסר יציבות ניהולי, גם פתרון טוב עלול להיתקל בדחייה מצד המשתמשים. מנגד, ארגון שבוחר נקודת כניסה מדויקת, למשל תהליך מוגדר עם כאב ברור ונתונים מסודרים יחסית, מגדיל את הסיכוי ללמידה אמיתית. לא כל ארגון בשל באותה מידה, ולא כל משימה מתאימה לאוטומציה באותו שלב.

מדיניות לא יכולה להגיע רק בדיעבד

בחודשים האחרונים יותר ארגונים מבינים שמדיניות AI היא לא מסמך יחסי ציבור, אלא כלי עבודה. בלי כללים ברורים, החלטות מתחילות להתקבל אד הוק: מי רשאי להשתמש בכלי חיצוני, אילו נתונים מותר להזין, האם מותר להסתמך על תשובה גנרטיבית מול לקוח, ואיך מתעדים תיקונים ושגיאות.

כאן עולה לקח מוכר גם מעולמות של מדיניות ציבורית: כשמנגנונים שונים אינם מתואמים, ההשפעה חורגת מהכוונה המקורית. שינוי אחד בתנאי זכאות, בבקרה או בהרשאות יכול לייצר השלכות במקומות שאיש לא תכנן. גם ב-AI, החלטה שנראית נקודתית, למשל פתיחה של כלי גנרטיבי לכלל העובדים, עשויה להשפיע על פרטיות, אבטחת מידע, קניין רוחני ואיכות השירות. לכן לא מספיק רק לאשר או לאסור. צריך להבין את השרשרת כולה.

מה כן מאפיין פרויקטים שמתקדמים בצורה בריאה יותר

• הם מתחילים מבעיה ממוקדת, לא מהבטחה להפוך את כל הארגון ל”מונע AI”.
• יש להם בעל בית ברור, ולא ועדה גדולה שבה האחריות מתפזרת.
• מקורות המידע נבדקים מראש, גם אם רק עבור מקרה שימוש אחד.
• יש בקרה אנושית מוגדרת, לפחות בשלבים הראשונים.
• ההצלחה נמדדת לפי שיפור בתהליך אמיתי, לא לפי כמה התשובה נשמעת מרשימה.

המכנה המשותף לכל אלה הוא צניעות תפעולית. לא לרוץ מהר יותר ממה שהארגון יודע להחזיק, ולא להניח שמודל חזק יפצה על חולשות מבניות. לפעמים דווקא צעד קטן, כזה שנראה פחות מרשים במצגת, יוצר בסיס יציב יותר להמשך.

הזוהר נשאר בחוץ, העבודה נעשית בפנים

אולי זה ההבדל העיקרי בין השלב שבו AI נשמע כמו הבטחה לבין השלב שבו הוא הופך לכלי שימושי. בשלב הראשון מדברים על יכולות. בשלב השני מדברים על תהליכים. והרבה ארגונים עדיין נמשכים לשלב הראשון, כי הוא מהיר יותר, מרשים יותר, וגם מחייב פחות.

אבל יש שיעור שחוזר כמעט בכל תחום מורכב: תוכנית שלא נשענת על תיאום, סבלנות ותשתית, נשארת לא פעם על הנייר. ב-AI, כמו בפרויקטים גדולים אחרים, ההצלחה לא נקבעת רק לפי איכות החזון. היא נקבעת לפי היכולת לנהל את כל מה שקורה בין החזון לבין הרגע שבו מישהו באמת משתמש במערכת, וסומך עליה במידה סבירה.

זה פחות זוהר מדמו. ודווקא בגלל זה, כנראה ששם נכון להסתכל עכשיו.