שבירת המעגל: כיצד ארגונים יכולים לעקוף את הדחף הרע ולהביא להצלחה

מאז היווסדה התיאורטי בשנות ה-1950, בינה מלאכותית (AI) סללה את הדרך לעסקים לחוות הזדמנויות ופרודוקטיביות משופרים באמצעות טכניקות שונות, ובמיוחד מערכות למידת מכונה. כלים/טכנולוגיות אלו שיפרו את החיזוי וקבלת ההחלטות, והניחו את היסודות להתקדמות טכנולוגית עתידית. לאחרונה, בינה מלאכותית גנרטיבית הבטיחה להפוך את כל מה שאנו יודעים על עבודה ודמוקרטיזציה של חוויית הבינה המלאכותית. כיום משתמשים מקיימים אינטראקציה עם מודלים של בינה מלאכותית כמו ChatGPT, באמצעות "הנחיה", שבהם אדם מקיים אינטראקציה הלוך ושוב עם מודל בינה מלאכותית. עם זאת, יתרונות אלו מגיעים גם עם אתגר חדש: הנחיה על סף אבדון. זה שקול לגלילה על סף אבדון בתוכן מקוון, ללא מטרה מוגדרת, ולכידת משתמשים בבורות ארנבת. עם זאת, עם בינה מלאכותית, בור הארנבת מדבר בחזרה. פעולה זו של חידוד מתמיד של הנחיות בינה מלאכותית עבור מודלים גנרטיביים וסוכניים כאחד, המונעת על ידי השאיפה להשיג את הפלט המושלם (ולפעמים על ידי הנחיה ללא מטרה ספציפית בראש), מובילה לעלייה בעלויות ולירידה בתשואות. היא יוצרת מחסום משמעותי להצלחה ומסכלת את מטרת השימוש בטכנולוגיית הבינה המלאכותית עצמה.

ככל שעסקים מגדילים את תקציבי הבינה המלאכותית שלהם, מקבלי ההחלטות צריכים להבין את הנתיב לתשואות אמיתיות על השקעותיהם ומהו הערך שהן מייצרות. דו"ח משנת 2025 של IEEE, העלויות הנסתרות של בינה מלאכותית: כיצד חוסר יעילות קטן מצטבר',' מדגים כיצד התאמות קלות יכולות להצטבר לנטל כלכלי משמעותי. כדי להימנע מלהיות חלק ממאבק יקר זה, ארגונים חייבים לחדד את הכשרת העובדים שלהם באמצעות תואר ראשון במשפטים (LLM) כדי לממש את מלוא הפוטנציאל של השקעותיהם בבינה מלאכותית.

בינה מלאכותית גנרטיבית מביאה עמה את ההבטחה לאופטימיזציה ויעילות. עם זאת, כאשר צוותים נלכדים במעגל של עידון אינסופי (או נדודים ללא מכ"ם), חוסר יעילות מערער את היסודות הללו.

ניקוי "משטח העבודה"

אחת הסיבות לכך שצוותים משפרים ללא הרף את התפוקות כדי לייצר תגובה מושלמת היא workslop. workslop, שתואר לראשונה ב-Harvard Business Review, כולל "תוכן עבודה שנוצר על ידי בינה מלאכותית שמתחזה לעבודה טובה אך חסר את התוכן הדרוש לקידום משמעותי של משימה נתונה".

"השלשול" הזה, שמיוצר על ידי בינה מלאכותית, הוא הדומינו הראשון בשורה ארוכה שיוצרת את מעגל ה"דעת הגורם". בעוד ששינוי התוכן הנחות באמצעות איטרציות או עריכות הוא חשוב, צריך להבין מתי לעצור, לפני שהוא מגיע למדרון של התשואה הפוחתת. ארגונים חייבים לגשת להשקעת הזמן שלהם בהכשרת בינה מלאכותית עם איזון עדין. מצד אחד, צוותים צריכים להיות מודעים לאיכות הנדרשת; מצד שני, עליהם לדעת מתי זה יותר מדי. הכשרת עובדים בשימוש חכם יותר במודלים של בינה מלאכותית באמצעות הנחיות אופטימליות ויעדים ברורים תהיה גם היא שימושית.

מינוף בינה מלאכותית של סוכנים כדי להימנע מ"הנחת נזק"

בשנים האחרונות, עסקים הגבירו משמעותית את העניין וההשקעות שלהם בבינה מלאכותית סוכנתית, המוכרת ביכולתה לשפר את האפקטיביות התפעולית. בינה מלאכותית סוכנתית יכולה לקחת על עצמה משימות מורכבות, לתאם עם סוכנים מרובים (כולל RAG וסוכני פעולה) כדי להחליט על דרך הפעולה, ולבצע את המשימות להשלמת המשימה הכוללת באופן אוטונומי.

תכונות אלו עשויות לסייע לבינה מלאכותית למתן הנחיות אסון, או לעקוף אותן לחלוטין. זה יכול לבטל את הצורך להורות לממשקי GenAI באמצעות הנחיות מרובות להשלמת המשימה. דוגמה לכך ניתן למצוא בפעולות IT המונעות על ידי בינה מלאכותית, או AIOps, אשר מודרניזציות את ה-IT על ידי שילוב בינה מלאכותית במשימות היומיומיות. באופן מסורתי, צוותים מבלים את זמנם בכוונון ידני של מערכות. מחלקות של המאה ה-21 הן כאלה שממנפות בינה מלאכותית לטיפול אוטונומי בפונקציות קריטיות כמו פתרון בעיות, תגובה לאירועים והקצאת משאבים.

דוגמה הולמת נוספת היא כיצד מערכות בינה מלאכותית סוכניות יכולות להתמודד עם אירוע מורכב באופן אוטונומי. סוכנים אלה, יחד עם סוכני IT, מסוגלים להבין את הבעיה בהקשר, לתאם עם סוכני חשיבה כדי להחליט על דרך פעולה, להשתמש בסוכני פעולה כדי לבצע תיקונים אחרונים במערכות IT ולבסוף, להעסיק סוכני למידה כדי להבין את הפתרון וליישם אותו בצורה יעילה יותר באירועים עתידיים.

האוטומציה החכמה של Agentic AI מסייעת בפחות אינטראקציה אנושית ומבצעת משימות באופן אוטונומי. כדי לעמוד בדרישות עסקיות מתפתחות, יש להעביר משימות ופעולות חוזרות ונשנות לבינה מלאכותית אוטונומית. האצלת משימות זו מבטלת את מעגל הבקשות החוזרות ונשנות ועידון חוזר שלעתים קרובות מלבות הנחיות שגויות. פעולות אוטונומיות מאפשרות למודלים של בינה מלאכותית לבצע אופטימיזציה מתמדת ולהגיב למשתנים משתנים ללא קלט ידני, מה שמוביל לתוצאות מהירות יותר עם התערבות אנושית מינימלית.

בעוד שאנשי מקצוע מיומנים עדיין ימלאו תפקיד מרכזי בפעילות היומיומית באמצעות גישת "אדם בתוך הלולאה", זמנם ינוצל טוב יותר בסריקה לאימות תוצאות. גישה זו ממזערת את הסיכון להכנסת שגיאות או התאמות יתר.

תפקיד הממשל במניעת השלכות חורבן

בחודש האחרון סקר מקינזי88% מהנשאלים דיווחו על מינוף בינה מלאכותית לפחות בתפקיד עסקי אחד. מדובר בקפיצה של 10% משנת 2024 ובעלייה מדהימה של 33% מאז 2023. עבור Agentic AI, קפיצה זו הייתה משמעותית אף יותר. מ-33% בלבד בשנת 2023 לכמעט 80% בשנת 2025.

אימוץ נרחב זה מוביל עסקים למצוא פתרונות חדשים ל"התפרצות חורבן". כלי אחד כזה הוא מסגרות ניהול חזקות. יש לעצב אותן בקפידה כדי להבטיח שפרויקטים של בינה מלאכותית יישארו תואמים ליעדי העסק ולא יפלו קורבן לוואלס האינסופי של אופטימיזציה. כאשר צוותים מפתחים מסגרות אלו, עליהם לשקול:

• קביעת הנחיותזרמי נתונים אל וממודלים של בינה מלאכותית הופכים מורכבים יותר ויותר. כדי לפשט זאת, הנחיות בינה מלאכותית צריכות ליצור מסגרת לצוותים לטיפול בנתונים, קבלת החלטות וניהול תפוקות בינה מלאכותית באחריות.
• הדרכת המשתמשים: הכשרה נכונה בשימוש מהיר יכולה לסייע להשגת פרודוקטיביות אופטימלית
• שימוש במודלים ייעודיים: מודלים של בינה מלאכותית ספציפיים לתעשייה ולמטרה עשויים לספק תוצאות הקשריות ומשמעותיות מהר יותר
• אימון מודלי הבינה המלאכותית: אימון מודלי הבינה המלאכותית עם נתונים ספציפיים לתעשייה/משימה/ארגון (במידת האפשר) יכול להוביל לפחות עומס עבודה ותפוקות מתאימות יותר מהר יותר.
• פיתוח כלליםניסוח ויישום של מערכת כללים ברורה חיוניים להנחיית פיתוח ופריסה של בינה מלאכותית. כאשר צוותים קובעים גבולות תפעוליים, הם מבטיחים שהמערכות שאומצו תואמות את יעדי הארגון, הסטנדרטים האתיים והדרישות הרגולטוריות.

בעוד שקצב האימוץ של פתרונות בינה מלאכותית עולה, הממשל לא. על פי דו"ח התעשייה של PEX לשנת 2025, פחות ממחצית יש להם מדיניות ניהול בינה מלאכותית. בינתיים, רק 25% היו בתהליך יישום כזו, וכמעט שליש לא הייתה להם מדיניות ניהול בינה מלאכותית. מסגרות אלו יכולות להיות הגורם המגדיר בסיוע לעסקים לקבוע גבולות ברורים לגבי מה נחשב לביצועים מקובלים.

בריחה מלולאת ה-Doomprompting

כדי להימנע מנפילה למעגל של "הנחיות אסון", עסקים חייבים לאמץ אסטרטגיות של בינה מלאכותית שמעדיפות תוצאות על פני שלמות. שימוש בהכשרה מהירה, מודלים של בינה מלאכותית ספציפיים למטרה ומודלים שאומנו על נתוני ארגון קונטקסטואליים יכולים להפחית את הצורך בהנחיות חוזרות ונשנות נרחבות. עסקים המשתמשים בבינה מלאכותית סוכנית, פעולות IT אוטונומיות ומסגרות ממשל חזקות יכולים להקצות מחדש משאבים קריטיים להשגת יעדי העסק שלהם מבלי להיתקע במחזורי אופטימיזציה אינסופיים. ההצלחה תגיע כאשר צוותים ישנו את חשיבתם משיפור מתמיד לגישה של ביצוע ממוקד ותוצאות מדידות.