מאת: ד"ר לוי שאול | Data & AI Lead, Accenture Israel
בשנים האחרונות ארגונים החלו לשלב פתרונות מבוססי בינה מלאכותית בתהליכים עסקיים שונים תוך העצמת תהליכים אוטומטיים הן בתהליכים תעשייתיים (למשל פתרונות רובוטיים מבוססי עיבוד תמונה) והן בתהליכים עסקיים (למשל עיבוד חשבוניות או ניתוח שיחות טלפון עם לקוחות).
עם זאת, בינה מלאכותית יוצרת (Gen AI) מרחיבה באופן קיצוני את הפריסה של פתרונות בינה מלאכותית לרוחב הארגון (למשל במחלקות כמו שיווק ומכירות) במנופי עסקיים: יצירת הצעת ערך חדשה, התייעלות תפעולית, שיפור חווית לקוח וצמצום סיכונים וזאת באמצעות יכולות מגוונות: עריכה, סיכום, ניתוח וכו' ללא צורך בכישורים מיוחדים של משתמש הקצה ובאופן מהיר יחסית. כיום טכנולוגיות Gen AI מאפשרות לתמוך בביצוע משימות הן בהיבטי אוטומציה (החלפה מלאה של האדם בביצוע משימה) והן בהיבטי אוגמנטציה (סיוע לאדם במשימה – למשל עריכת טיוטת מענה ללקוח).
עם זאת, עד רוב הארגונים ממוקדים כרגע בהקשרי מנופים עסקיים אלו ברמת המשימה הבודדת בלבד. אולם, אנחנו מתחילים לזהות כיום ארגונים שמתחילים לתכנן שילוב פתרונות מבוססי Gen AI בהקשר רחב יותר מהמשימה הבודדת תוך הסתכלות על תהליך עסקי שלם למשל השקת המוצר הבא. כמו כן, ככל שהטכנולוגיה תתפתח ותשתפר היקף התמיכה באוטומציה יגדל משמעותית ויצמצם היקף האוגמנטציה והתלות באדם בניהול התהליך העסקי.
שתי מגמות אלו של הסתכלות רחבה יותר מאשר המשימה הבודדת והגדלת היקף האוטומציה בביצוע משימות שונות מובילים אותנו להבנה שבשנים הקרובות נוכל לראות איך טכנולוגיות AI לרבות Gen AI פורצות מהיקף הסיוע המצומצם שלהן כיום כדי להפעיל תהליכים יותר מורכבים עד ליצירתן של מערכות שלמות מבוססות סוכנים מרובים, מעין רשתות גדולות של בינה מלאכותית המחוברות ומסונרכנות הדדית, וביחד מספקים מענה לתהליך שלם.
אנלוגיה שימושית להתקדמותם של סוכני בינה מלאכותית, לכדי מערכת אקולוגית שלמה המתנהלת עצמאית, היא התקדמותן של מכוניות בנהיגה אוטונומית. במשך שנים רבות, הנהגים היו אחראים לחלוטין לתפעול הרכב (ללא AI). אבל אז נכנסו לתמונה מערכות חצי אוטומטיות כמו בקרת שיוט או סיוע בנתיב (AI שמסייע). לאחר מכן, נהיגה אוטומטית הפכה זמינה לנהגים בתנאים מוגבלים, ולאחר מכן מכוניות בנהיגה עצמית מלאה ללא צורך בנהג כלל (סוכנים בעלי פעולה גוברת). אם נבחן את המגמה הזו, נוכל לדמיין עתיד עם מכוניות בנהיגה עצמית שכולן עובדות יחד על הכביש (אקוסיסטם של סוכנים). עבור מכוניות, ההתקדמות הללו לא באה כשינויי צעד מדויקים אלא כהתקדמות על רצף.
האבולוציה של סוכני AI והשתלבותן במארג התהליכים העסקיים ותפעוליים תהיה זהה.
כיום, כאמור, רוב אסטרטגיות הבינה המלאכותית מתמקדות בסיוע במשימה ובתפקוד, כשחקנים בודדים במקום מערכת אקולוגית של חלקים תלויים זה בזה ומסוכרנים זה עם זה. כיום אנו עושים שימוש בבינה מלאכותית לטובת מציאת פגמים בייצור או לקבל תובנות ממשוב צרכנים – אולם פתרונות אלו מספקים לרוב המלצה לפעולה כאשר האדם עדיין בחוג ומקבל את ההחלטה הסופית וכל זאת בהקשר של משימה בודדת בתהליך העסקי או התפעולי.
אבל עכשיו דברים מתחילים להשתנות. ככל שה-AI מתפתח לסוכנים, מערכות אוטומטיות יקבלו החלטות ויבצעו פעולות בעצמן. סוכנים לא רק ייעצו לבני אדם, הם יפעלו בשמם של בני אדם. בינה מלאכותית תמשיך לייצר טקסט, תמונות ותובנות, אבל הסוכנים יחליטו בעצמם מה לעשות עם זה וישלבו פעולה כדי לייצר תהליך שלם ומסונכרן.
דוגמא שיכולה לייצג במידה טובה איך התעשייה מתחילה לאמץ גישה זו היא חברת DoNotPay שהצעת הערך שלה היא זיהוי אפיקי חיסכון לצרכנים. (למשל זיהוי מנויים שאינם בשימוש). עד לאחרונה, DoNotPay סייעה ללקוחותיה את אפיקי חיסכון פוטנציאליים ולהניע את הלקוחות לנקוט בפעולה אל מול ספקי השירות. אולם, עם אימוץ טכנולוגיית Gen AI, החברה הצליחה לשדרג את הצעת הערך ע"י יצירת תהליך עסקי שלם המבוסס על תזמור של אוסף סוכנים שכל אחד אחראי על משימה מסוימת בתהליך העסקי והמערכת מפעילה אותם בהתאם לצורך ולהתקדמות התהליך. כך המערכת הפעילה סוכנים שונים לזיהוי אפיקי חיסכון שונים, ביצוע פנייה לספקי השירות, ביצוע מו"מ מולם והכנת מסמך מסכם של כלל הפעילויות ללקוח שהיא ביצעה/עומדת לבצע (כתלות בהעדפת הלקוח), סיכום החיסכון הכספי וכד'.
לפיכך חברות נדרשות להתחיל לחשוב לא רק על פיתוח הסוכנים אלא פיתוח גישה ויכולות לתזמור וסנכרון של סוכנים שונים לטובת תהליך עסקי שלם. אסטרטגיית הבינה המלאכותית של מחר תדרוש תזמור של אקו-סיסטם שלם של שחקנים: בינה מלאכותית שעברה הכשרה צרה, סוכנים מוכללים, סוכנים המכוונים לשיתוף פעולה אנושי וסוכנים המיועדים לאופטימיזציה של מכונות. סוכנים אלה יבנו אחד על המאמצים של זה, ויצרו מערכת אקולוגית שתשנה את האופן שבו ואת מה שחברות מסוגלות לייצר.
בינה מלאכותית כבר מעבדת הזמנות, אך תהליך מבוסס סוכנים מרובים יכול למכור את המוצר שלך ואז להביא אותו לדלת הלקוח בהתאם להעדפות הלקוח בממשק קל ואינטואיטיבי. בדומה לפס ייצור של מפעל, כך מערכות מרובות סוכנים יאפשרו לחברות להמציא מחדש את התהליכים העסקיים עם הלקוח עם הרבה פחות חיכוך מבעבר.
אבל יש מלכוד: יש הרבה עבודה לעשות לפני שסוכני בינה מלאכותית יוכלו לפעול באמת בשמנו, או כמיופה הכוח שלנו. ועוד עבודה לפני שהם יכולים לפעול ביחד אחד עם השני. העובדה היא שסוכנים עדיין נתקעים, משתמשים בכלים לרעה ומייצרים תגובות לא מדויקות - ואלה טעויות שעלולות להחמיר במהירות. ללא הבלמים והאיזונים המתאימים, סוכנים עלולים להרוס את התהליך העסקי תהליך זה ידרוש המשך התפתחות של הטכנולוגיה והכלים התומכים המאפשרים לשפר משמעותית את התמיכה ב RAI (responsible AI) ואת היכולת לשקף את החלטות המערכת למשתמש בצורה בהירה (explainability).
אין ספק שתהליך זה יידרש לתמוך בתהלייכים פנים ארגוניים עד להגעה לרמה גבוהה של אמון במערכת מרובת הסוכנים לפני שמימוש זהה יבוצע בתהליכים עסקיים שיש להם ממשק עם הלקוח. סוגיה זו תעצים את המתח המובנה וחוסר האמון הקיים בלאו הכי בין העובדים לארגונים בעקבות הטמעת פתרונות ראשוניים מבוססי Gen AI בארגון.
כבר כיום, עפ"י מחקרים עולה כי בממוצע 40% מכלל שעות העבודה של העובדים עשויות להיות מושפעות משילוב פתרונות מבוססי Gen AI (בתעשיות כמו בנקאות וביטוח הנתון אף עולה על 60%) וסביר להניח שהמספר הזה יגדל בעתיד בעל שילוב פתרונות מרובי סוכנים.
עם זאת, בנייה של תהליכים מרובי סוכנים לתמיכה בתהליכים תפעוליים ו/או עסקיים תוכל להתפתח רק לאחר שארגונים ישכילו לנהל את השינוי, לזהות את השינויים המתבקשים בתהליכי העבודה, את האופן שבו נכון להסב את התרומה של העובדים לארגון, לסייע לעובדים לרכוש את הכישורים הדרושה בעידן הזה ולאמץ מודל תפעולי שמאפשר לארגון לתזמר מחדש את תהליכי העבודה החדשים.
Comentários