בינה מלאכותית לעסקים נמכרת היום כאילו היא דבר אחד. בפועל אלה שלושה שימושים שונים: תוכן ותקשורת, אוטומציה של תהליך, והבנת המספרים של העסק. כל אחד מהם מחזיר משהו אחר, דורש משהו אחר, ונכשל מסיבה אחרת. המאמר הזה נכתב למי שמנהל עסק תפעולי, עם מלאי, סניפים, קווי ייצור או קווי חלוקה, ורוצה לדעת איפה AI באמת מחזיר את ההשקעה בעסק כזה, ואיפה פחות.
מה זה בינה מלאכותית לעסקים, בפועל
בינה מלאכותית לעסקים היא שימוש במודלים של AI לעבודה שעד היום דרשה אדם: לכתוב, לסכם, למיין, לענות, ולמצוא דפוסים בנתונים. מה שהשתנה בשנים האחרונות הוא שהמודלים מבינים שפה רגילה, ולכן אפשר לבקש מהם דברים בלי לתכנת.
זה לא אומר שהם מכירים את העסק שלכם. מודל כללי יודע הרבה על העולם, ולא יודע כלום על הלקוחות, המחירונים והעלויות שלכם. ההבדל בין שלושת השימושים הוא בעיקר בשאלה כמה מהעסק המודל צריך להכיר כדי להועיל.
שלושה שימושים, ומה כל אחד מחזיר
שלושת השימושים נבדלים במה שהם מחזירים. הראשון מחזיר זמן לאנשים, השני מוזיל תהליך אחד, והשלישי משפר החלטות על רווחיות.
| שימוש | דוגמאות | מה הוא מחזיר | מה הוא דורש |
|---|---|---|---|
| תוכן ותקשורת | מיילים, הצעות מחיר, סיכומי ישיבות, תרגום, מענה ראשוני ללקוחות | זמן של אנשים | רישיון, כללי שימוש, ואדם שקורא לפני ששולחים |
| אוטומציה של תהליך | קליטת חשבוניות ספקים, הקלדת הזמנות שמגיעות במייל, מיון פניות שירות | שעות עבודה ופחות טעויות בתהליך אחד | תהליך יציב, נפח, בעלים, ומי שמטפל בחריגים |
| הבנת המספרים של העסק | איפה הרווח נשחק, איזה לקוח, סניף או מוצר חורג, ולמה | החלטות טובות יותר על מחיר, רכש, כוח אדם ולקוחות | נתונים תפעוליים מחוברים ונקיים, והגדרות מוסכמות |
ככל שיורדים בטבלה התמורה גדלה, וגדלה גם העבודה שצריך לעשות לפני שרואים אותה.
תוכן ותקשורת: קל להתחיל, והתמורה מוגבלת
השימוש הראשון חוסך זמן לאנשים במשרד, ולא משנה את הרווחיות של עסק תפעולי. הוא שווה את המאמץ הקטן שהוא דורש, כל עוד לא מצפים ממנו ליותר.
במה זה טוב. טיוטה ראשונה של מייל או של הצעת מחיר. סיכום של ישיבה או של שרשור ארוך. תרגום. ניסוח מחדש של נוהל. מענה ראשוני לשאלות שחוזרות מלקוחות. אלה משימות שבהן טעות קטנה אינה יקרה, ואדם ממילא קורא את התוצאה לפני שהיא יוצאת.
מה זה דורש. מעט מאוד: רישיון, כמה כללים על מה מותר להדביק לתוך הכלי ומה לא, ואדם שאחראי על מה שנשלח החוצה.
איפה זה נעצר. בחברת הפצה, במפעל או ברשת סניפים, הכסף לא נמצא במיילים. הוא נמצא במחיר הקנייה, בהנחות, בפחת, בשעות הנוספות ובמלאי. עוזר כתיבה לא נוגע באף אחד מהם. מי שמודד את AI רק לפי השימוש הזה יגיע למסקנה שזה נחמד, ולא יותר.
אוטומציה של תהליך: עובדת כשהתהליך יציב
אוטומציה עם AI מחזירה את ההשקעה כשיש תהליך אחד שחוזר על עצמו בנפח גדול, עם כללים ברורים ועם מישהו שאחראי עליו. בלי שלושת אלה היא מייצרת בעיקר חריגים.
דוגמאות שמתאימות לעסק תפעולי: קליטת חשבוניות ספקים והתאמה שלהן להזמנת הרכש ולתעודת המשלוח. הזמנות שמגיעות במייל או בהודעה, ומוקלדות היום ביד ל-ERP. מיון של פניות שירות והעברה שלהן לגורם הנכון. גם דוח שמורכב ביד כל שבוע הוא תהליך כזה, ועליו כתבנו במאמר על דוחות אוטומטיים.
מה זה דורש:
- תהליך מוגדר. אם שלושה אנשים עושים את אותה עבודה בשלוש דרכים, אין עדיין מה להפוך לאוטומטי. קודם מיישרים את התהליך.
- נפח. תהליך שקורה עשר פעמים בחודש לא מצדיק פרויקט.
- טיפול בחריגים. תמיד יהיו מקרים שהמערכת לא בטוחה בהם. צריך אדם שמקבל אותם, ולא מערכת שמנחשת.
- בעלים ומדד. מישהו שיודע כמה שעות וכמה טעויות היו לפני, וכמה יש אחרי.
איפה זה נכשל. כשהופכים תהליך מבולגן לאוטומטי, מקבלים בלגן מהיר יותר. וכשחלק גדול מהמקרים הוא חריג, האנשים ממשיכים לעשות את רוב העבודה, רק עם עוד מערכת באמצע.
מה שנקרא היום "סוכן AI" שייך ברובו לשימוש הזה: מודל שמבצע כמה צעדים ברצף בתוך תהליך. הדרישות לא משתנות. תהליך מוגדר, גבולות ברורים, ואדם שמקבל את החריגים.
התמורה כאן אמיתית ומדידה, אבל היא תחומה. חסכתם בתהליך אחד. היא לא אומרת לכם אם העסק מרוויח יותר.
הבנת המספרים: כאן הכסף הגדול, וכאן הכי קשה
בעסק תפעולי, הכסף הגדול נמצא בפער בין מה שתכננתם לבין מה שקורה בפועל. הנחה שהעמיקה. לקוח שהפסיק להיות רווחי. חומר גלם שהתייקר בלי שהמחירון התעדכן. סניף שעלות השכר שלו עלתה מהר יותר מהמכירות. אלה סכומים גדולים בהרבה מכל שעת עבודה שנחסכת במשרד.
הבעיה מוכרת. המידע קיים, אבל הוא מפוזר בין ה-ERP, הקופות, מערכת השכר וקובצי האקסל, ואין מי שיעבור עליו כל יום. מגלים בסגירת החודש, כשכבר מאוחר לתקן.
כאן AI יכול לעשות שני דברים שאדם לא מספיק לעשות. הראשון: לעבור כל יום על כל המספרים ולהציף את מה שחורג, בלי שמישהו יבקש. השני: לענות על שאלת ההמשך בשפה רגילה. כמה דוגמאות לשאלות כאלה:
- בהפצה ובסיטונאות: אילו לקוחות נשארים רווחיים אחרי הנחות, החזרות והובלה?
- במפעל: באיזה קו ובאיזו משמרת העלות ליחידה עלתה, ומאיזו סיבה?
- ברשת סניפים: למה סניף אחד מרוויח, וסניף דומה לו לא?
היום כל שאלה כזו דורשת ייצוא, חיבור קבצים וחצי יום של מישהו. כשהתשובה מגיעה בתוך דקה, שואלים גם את השאלה שאחריה. על המדדים שכדאי לעקוב אחריהם בכל סוג של פעילות כתבנו במאמר על מדדי KPI.
למה השימוש השלישי תלוי בנתונים ולא במודל
מודל חכם שמקבל נתונים חלקיים, מלוכלכים או לא מוגדרים עלול להחזיר תשובה שגויה, ובביטחון מלא. מה שקובע אם אפשר לפעול לפי התשובה הוא ארבעה דברים, ואף אחד מהם אינו המודל:
- חיבור. שאלה כמו "מה נשאר מכל לקוח אחרי הנחות, החזרות והובלה" חוצה את ה-ERP, המחסן והנהלת החשבונות. מודל שרואה קובץ אחד עונה רק על מה שיש בקובץ הזה.
- ניקיון. אותו לקוח שמופיע בשלושה שמות. פריט שנקנה בקרטונים ונמכר ביחידות. זיכוי שנרשם חודש אחרי המכירה. אדם שמכיר את העסק מתקן את זה בראש. מודל לא.
- הגדרות. מה נכלל אצלכם ברווח גולמי? עם הובלה או בלי? לפני הבונוס השנתי ללקוח או אחריו? אם לא לימדו את המערכת את ההגדרה, היא תבחר אחת בעצמה.
- עדכניות. קובץ שייצאתם לפני שבועיים עונה על העסק של לפני שבועיים.
יש לזה גם משמעות עסקית. המודלים עצמם זמינים לכולם, כולל למתחרים שלכם. מה שלא זמין לאף אחד אחר הוא הנתונים התפעוליים שלכם, מחוברים ומוגדרים נכון. שם נמצא היתרון, ושם גם רוב העבודה.
זו הסיבה שעוזר AI כללי, מוצלח ככל שיהיה, לא הופך לבד לכלי לניהול רווחיות. על ההבדלים בין הדרכים לנתח נתונים עם AI, ועל מה שבודקים לפני שסומכים על תשובה, כתבנו במאמר על כלי AI לניתוח נתונים.
איך בוחרים מאיפה להתחיל
מתחילים מהמקום שבו ההחלטה יקרה והמידע מפוזר, ולא מהכלי שכולם מדברים עליו. שלוש שאלות עוזרות לבחור:
- איזו החלטה שחוזרת אצלכם מתקבלת היום באיחור, או על תחושת בטן? תמחור ללקוח, הזמנת רכש, סידור עבודה, מבצע.
- איפה יושבים הנתונים שלה? אם במערכת אחת, ייתכן שמחולל הדוחות של ה-ERP מספיק. אם בשלוש, שם נמצאת הבעיה.
- איך תדעו שזה עבד? מדד אחד, מספר לפני ומספר אחרי, ואדם שאחראי עליו.
ומכאן, לפי מה שכואב:
- האנשים במשרד טובעים בטקסטים: התחילו בשימוש הראשון. זה זול ומהיר.
- תהליך אחד חונק את הנהלת החשבונות או את שירות הלקוחות: אוטומציה של אותו תהליך, אחרי שיישרתם אותו.
- אתם מגלים רק בסגירת החודש לאן הלך הרווח: השימוש השלישי, ומתחילים מחיבור הנתונים.
אפשר לעשות יותר מאחד. לא כדאי להתחיל את שלושתם יחד.
ארבע טעויות נפוצות
ארבע הטעויות שחוזרות כשמכניסים AI לעסק הן להתחיל מהכלי, לצפות שמודל כללי יכיר את העסק, להריץ פיילוט בלי מדד, ולתת ל-AI להחליט. אף אחת מהן אינה טכנולוגית.
- להתחיל מהכלי. "צריך להכניס AI" אינה מטרה. קודם ההחלטה או התהליך, אחר כך הכלי.
- לצפות שמודל כללי יכיר את העסק. הוא לא מכיר. את מה שלא חיברתם ולא הגדרתם, הוא ישלים בעצמו.
- פיילוט בלי מדד. בלי מספר לפני ומספר אחרי, כל פיילוט מסתיים ב"היה מעניין".
- לתת ל-AI להחליט. AI מציף, מסביר ומציע. מי שמכיר את הלקוח, את הספק ואת העובדים הוא שמחליט.
מה AI לא יעשה בשבילכם
AI לא ימציא נתונים שלא נרשמו, לא יחליף היכרות עם העסק, ולא יקבל במקומכם החלטה לא נעימה. אם הפחת לא נרשם, שום מודל לא יגלה אותו. אם אין מי שיתקשר ללקוח שהאט את ההזמנות, ההתראה לא תעזור.
מה שהוא כן עושה, כשהנתונים מחוברים: מקצר את הדרך בין "משהו לא בסדר" לבין "זה מה שקרה, כאן, ומהסיבה הזאת". בעסק תפעולי, הקיצור הזה שווה כסף.
איפה Figureit נכנסת
Figureit עוסקת בשימוש השלישי בלבד. היא מערכת AI מבוססת דאטה ליעילות עסקית: מחברת את ה-ERP, הקופות, השכר והמלאי למקום אחד, לומדת את המדדים ואת ההגדרות שלכם, מתריעה על חריגות, ועונה בעברית על שאלות, עם טבלאות וגרפים. את ההטמעה עושה הצוות שלנו, כך שלא צריך צוות דאטה. איך זה נראה בפועל אפשר לקרוא בעמוד איך Figureit עובדת.
המערכת מציפה ועונה. את ההחלטות מקבלים אתם.