25.02.2025
מאת: ד"ר לוי שאול | Data & AI Lead, Accenture Israel
מאמר זה הינו מאמר רביעי בסדרה בנושא Agentic AI שמטרתה לתאר תפיסת ארכיטקטורה Gen AI מבוססת סוכנים מודולריים לבניית מערכות מתקדמות גמישות וניתנות להתאמה. במאמר הראשון ניתנה סקירה לגבי שלושת הגורמים העיקריים אשר מובילים להתפתחות גישת פתרון מבוססת סוכנים. במאמר השני ניתחנו את המאפיינים הייחודיים בפתרונות מסוג זה ובשלישי ניתחנו את העקרונות המרכזיים בעיצוב הארכיטקטורה. במאמר זה נעסוק באופן שבו נכון לארגונים לגשת לפיתוח פתרונות מסוג זה.
כאשר מאמצים סוכני AI, ארגונים חייבים להימנע מהמלכודות של גישת פתרון נקודתי. הטמעת סוכני בינה מלאכותית באופן נקודתי עשויה להניב רווחים לטווח קצר, אך היא מסתכנת ביצירת פתרונות "מפוצלים" וחוסר יכולת לספק ערך עסקי אמיתי יציב וארוך טווח. על מנת להצליח במשימה זו ארגונים נדרשים לאמץ גישה המייצרת הלימה בין סוכני AI עם שרשרת הערך של הארגון, משלבת אותם בתהליכי העבודה, ומרחיבה את השפעתם על פני העסק כולו ולא רק עבור הצורך הנקודתי.
הדרך לעשות זאת מתבססת על מסגרת מובנית בת מספר שלבים:
א. מיפוי שרשרת הערך - מיפוי שרשרת הערך והגדרת KPIs עבור המשימות בעלות ערך גבוה - לדוגמה בשיווק, התפקידים כוללים ניתוח שוק, יצירת תוכן, הפצה ומעקב אחר ביצועים, עם KPIs כגון שיעור מעורבות ויחס המרה. בעולם הבנקאות, השלבים עשויים להיות תהליך הצטרפות לקוח, עיבוד עסקאות וניהול סיכונים, הנמדדים לפי מדדי KPI כמו דיוק גילוי הונאה וזמן אישור ההלוואה. בייצור, הערך העסקי נוצר באמצעות רכישה ח"ג, ייצור ומכירה. רכישה מבטיחה זמינות של חומרים בזמן, הייצור מתמקד ביעילות זמן מחזור, והמכירות מניעה את קצב מימוש ההזמנות.
ב. מיפוי פרסונות - השלב הבא הוא להגדיר סוכני בינה מלאכותית המותאמים למשימות של כל פרסונה והתמקדות באופן שבו הסוכן נדרש להעצים את התהליך העסקי. בשלב זה נדרש להגדיר את ה KPIs של כל סוכן באופן המתכתב עם ה KPIs של המשימות של הפרסונה שהוגדרו בשלב הקודם. למשל עבור סוכן בינה מלאכותית המסייע למתכנן הייצור בחברה יצרנית (production planner) עשויים להיות מדדי KPIs הקשורים לעמידה בלוח הזמנים והפחתת צווארי בקבוק.
ג. תוכנית פיתוח - בניית תוכנית פעולה המאפשרת לארגון להתפתח ברמות הבגרות מפתרונות בסיסיים (חקירת הידע הארגוני, אוטומציה תהליכית) ועד לפתרונות מתקדמים (אורקסטרציה [תזמור] ואופטימיזציה). דוגמא לרמות הבגרות הבסיסיות הינה תהליך עסקי שבו סוכן המכירות (sales agent) והסוכן המתכנן (Planner Agent Production) משתפים פעולה כך שכאשר מתקבלת הזמנת לקוח, סוכן המכירות מבקש לקבל תחזית ייצור מהסוכן המתכנן אשר מנתח את נתוני הייצור ההיסטוריים, תוכנית הייצור הנוכחיות, סטאטוס מלאים וכו' על מנת להמליץ על היתכנות לסוכן המכירות. דוגמא לרמות הבגרות המתקדמות יותר יכולה להיות שיפור תהליכים – למשל בהקשרי רכש כאשר סוכנים כמו סוכן ניהול הספקים וסוכן הרכש מייעלים את קשרי הספקים, מייעלים את תהליך הרכש ומבטיחים יעילות בעלויות. בתחום הייצור, סוכנים כגון סוכן רצפת הייצור וסוכן תוכנית ייצור יכולים לסייע בשיפור תזמון תוכנית הייצור, את הביצוע והמעקב אחר הייצור ואת הקצאת המשאבים השוטפת. בתחום המכירות, סוכני AI כגון Customer Insights Agent ו- Order Management Agent יכולים לסייע ביצירת לידים, אימות הזמנות וחיזוי מסירה. דוגמא לרמות הבגרות המתקדמת ביותר יכולה להיות שיפור תהליכי עסקיים על בסיס למידה שוטפת של הפעילות של הסוכנים ושיפור האופן שבו הם פועלים.
תוכנית הפיתוח מתבססת על שלבי ההתפתחות הבאים:
א. בניית תשתית הידע הארגוני והשכבה הסמנטית - הצעד הראשון במפת הדרכים הוא הקמת שכבת מידע וידע ארגונית חזקה. זה כרוך ביצירת אסטרטגיית נתונים מקיפה, כלל ארגונית המחברת סוכני AI למקורות נתונים שונים – הן מאגרי הידע (למשל מסמכים) והן בסיסי/מחסני הנתונים (DBs/DWHs) . על ידי אינטגרציה של מקורות הנתונים השונים הללו, סוכני בינה מלאכותית יכולים לספק לבעלי התפקידים השונים (או לסוכנים הפועלים מטעמם) תובנות מדויקות ובזמן אמת לאור זאת שברוב המוחלט של המקרים תהליכים עסקיים דורשים גישה וניתוח של מידע ממקורות שונים וסוגים שונים. לדוגמה, סוכן מתכנן ייצור יכול לתמוך בתהליך העסקי באמצעות גישה לנתונים ולמסמכים באופן מיידי כגון: רמות מלאי בזמן אמת, זמני אספקת ספקים, מסמכי מדיניות, לוחות זמנים של ייצור ועוד מבלי להיות תלוי בהכנה וביצוע של שאילתות באופן ידני. שלב זה מסיר את החיכוך של ניהול המידע והידע, ומאפשר לעובדים להתמקד בקבלת החלטות ולא משימות טכניות (למשל אחזור נתונים). זה גם מניח את הבסיס ליכולות מתקדמות יותר על ידי הבטחה שסוכני AI פועלים על בסיס נתונים אחיד ואמין. אחזור מידע יכול לכלול Agentic RAG, אך אינו מוגבל אליו. אחזור ממערכות כגון ERP ומסדי נתונים דורשות טכניקות Agentic הדורשות Code-LLMs כדי ליישם שאילתות או אפילו לכתוב קוד API תוך כדי תנועה. יתרה מכך, שלב זה אינו מוגבל רק לשחזור מידע, אלא גם הוספה, שינוי, יצירה וחיבור של מידע.
עם זאת חשוב להדגיש שבניית תשתית הידע הארגוני מחייבת בנייה של שכבה סמנטית המאפשרת לסוכנים להבין את עולם המידע והידע. מערכות דיגיטליות נבנו על ידי בני אדם עבור בני אדם אחרים. עם זאת, בעידן הסוכנים אנו רוצים שהתשתית תהיה מובנת לסוכנים ותאפשר להם לעשות את כל הפעולות הנדרשות, בשמנו, בעצמם. הם צריכים להבין מה מייצגים המידע והידע השונים, כיצד נכון להשתמש בהם, להבין את המערכות השונות ואת הממשקים וכיצד להשתמש בהם, לדעת איך לבקש הרשאת גישה בעת הצורך, ולהיפך – לנהל מתן הרשאת גישה לסוכן אחר וכו'.
כמו כן, הכל צריך להיות מסווג לפי מטרה - אנחנו לא רוצים שפתרון שיווקי יעשה שימוש במסמך תפעולי שמיועד לצורך תפעולי בלבד למרות שהוא עשוי להיות רלוונטי מבחינה סמנטית למקרה אירוע שיווקי.
ב. השלב הבא במפת הדרכים הוא אוטומציה כמובן, שבה סוכני AI משתלטים על משימות חוזרות וגוזלות זמן המכבידות כיום על העובדים. לדוגמה, סוכן בינה מלאכותית יכול להפוך את הפקת הזמנות הרכש למומחה רכש אוטומטי או לתזמן משימות תחזוקה עבור מפעיל מכונה. על ידי טיפול בפעילויות שגרתיות אלה, סוכני AI משחררים את העובדים להתמקד בעבודה בעלת ערך גבוה יותר, כגון תכנון אסטרטגי או פתרון בעיות. שלב זה לא רק מגביר את הפרודוקטיביות אלא גם משפר את שביעות הרצון של העובדים על ידי הפחתת המונוטוניות של עבודות סיזיפיות. אוטומציה היא שלב קריטי ביצירת ערך מוחשי לבעלי עניין, מכיוון שהיא משפיעה ישירות על היעילות והעלויות התפעוליות.
ג. השלב הבא הוא אורקסטרציה (תזמור) ומתייחס למתן מענה לחיכוך בתהליך העסקי הנגרם ממערכות ארגוניות נבדלות ואתגרי תיאום. סוכני בינה מלאכותית מצטיינים בגישור על פערים והבטחת שיתוף פעולה חלק בין מחלקות וצמצום שגיאות הנגרמות כתוצאה מתקשורת לקויה או עיכובים בשל תלות בגורם האנושי. לדוגמה, סוכן בינה מלאכותית יכול לתזמן את המעבר בין מכירות לייצור, ולהבטיח שהזמנות לקוחות מתורגמות במדויק ללוחות זמנים של ייצור ללא התערבות ידנית. על ידי אוטומציה של זרימות עבודה צולבות, סוכני בינה מלאכותית מבטלים תקורת התיאום, מפחיתים את זמני המחזור ומשפרים את האמינות הכוללת של התהליך. שלב זה חשוב במיוחד עבור ארגונים עם תהליכי עבודה מורכבים ותלויים זה בזה, מכיוון שהוא פותח רמות חדשות של יעילות ואפקטיביות.
ד. השלב האחרון במפת הדרכים הוא אופטימיזציה, שבו סוכני AI עוברים מעבר לייעוד הבסיסי שלהם (ביצוע משימות) לייעוד מתקדם יותר בו הם משפרים באופן אקטיבי את מדדי ה KPI ומניעים שיפור מתמיד על ידי למידה מנתונים בזמן אמת והתאמה להקשרים משתנים. על ידי מינוף נתונים בזמן אמת וניתוחים מתקדמים, סוכני AI יכולים לזהות חוסר יעילות, לחזות צווארי בקבוק ולהמליץ על אופטימיזציות המותאמות לכל תפקיד ומשימה על בסיס למידה של האופן שבו הסוכן פעל בעבר ותוצאות הפעלתו אל מול המטרה שלשמה הוא פעל. לדוגמה, סוכן AI התומך במנהל מכירות יכול לנתח את הפעילויות הקודמות שלו בהקשר של ניתוח נתוני מכירות היסטוריים והמלצה על אסטרטגיות תמחור שממקסמות את ההכנסה. באופן דומה, סוכן בינה מלאכותית עבור מתכנן ייצור יכול לייעל את ניצול המכונה כדי להפחית את זמן ההשבתה. שלב זה מעצים את העובדים לקבל החלטות מונעות נתונים ולהשיג את מדדי ה-KPIs שלהם בצורה יעילה יותר, ובסופו של דבר שיפור הערך שהם מספקים לארגון.
חיוני למסגר את מפת הדרכים הזו כמסע לעבר הטמעת הדור הבא של פתרונות אוטונומיים בארגון וכבסיס לבניית חזון ברור ומשכנע לטרנספורמציה עסקית מונעת בינה מלאכותית המסתגלת באופן דינמי לצרכים העסקיים המתפתחים.
המסע לפריסת סוכני AI מתחיל בהבנה עמוקה של שרשרת הערך הארגונית, זיהוי תפקידי מפתח ומיפוי ה-KPIs שמגדירים הצלחה ובניית שכבה סמנטית מעל תשתית המידע והידע הארגונית.
עם זאת, המסע יכול וצריך להתחיל בהוכחת יכולת (PoC) המכוונת לחלקים ספציפיים בארגון שבהם ניתן להוכיח ערך מיידי. גישה ממוקדת זו מאפשרת יישום מהיר, מדידה ברורה של תוצאות והתאמה עם סדרי העדיפויות של הארגון, כגון הפחתת עלויות, ייעול תהליכי עבודה או שיפור קבלת החלטות.
אולם, PoC מוצלח לא אמור להתקיים במנותק מהחזון ומפת הדרכים של הארגון - הוא חייב לשמש כאבן דרך ראשונה במפת דרכים רחבה יותר וכאבן הפינה לתשתית מתפתחת אשר על פני ציר הזמן תתרחב על פני פונקציות עסקיות נוספות תוך מינוף תשתיות וכלים חוצי מקרי אירוע.
Comments