שילוב AI בארגון
איפה AI באמת משתלם לארגון שלכם? אנחנו מחפשים את המקומות שבהם הוא פותר בעיה ספציפית בעסק, בוחנים אותם בפיילוט מוגבל, ומרחיבים רק את מה שהוכיח את עצמו.
מי עושה את זה: הצוות של Alevectis, מהאבחון ועד ההדרכה והתמיכה שאחריה.
מה אפשר לבנות כאן
כל פרויקט לוקח מכאן את מה שרלוונטי לו, ובשיחת ההיכרות נבחר את זה יחד.
בוט שירות לקוחות
עונה על שאלות, מנתב פניות ומסלים מקרים שדורשים אדם.
בסיס ידע חכם
נהלים, מחירונים ופרויקטים - מחפשים בהם עם שאלה בעברית.
יצירת תוכן
הצעות מחיר, סיכומי פגישות ומיילים בשפה ובנוסח של הארגון.
ניתוח נתונים
סיכום של מה שקרה בנתונים, בשפה שאפשר להעביר הלאה.
סוכן פנימי לצוות
חיפוש, ניסוח, סיכום ודיווח - ככלי עבודה יומיומי.
פרטיות ובקרה
איפה הנתונים נשמרים, מי ניגש אליהם, ומה אסור להזין - כתוב מראש.
מתי כדאי להתחיל מכאן
אם אחד מאלה נשמע מוכר, יש כאן מה לשפר.
AI נכנס אצלנו אחרי שיש לו בעיה עסקית לפתור. סביב הנושא יש הרבה רעש ומעט יישום, ולכן מתחילים מבעיה אחת שמפריעה כאן ועכשיו ואפשר למדוד אותה, בודקים אם יש דאטה מספק ואם התוצאה שווה את ההשקעה, ורק אז בונים. את מסקנת הבדיקה אנחנו אומרים כפי שהיא, כולל כשהיא ממליצה לחכות או להשקיע במקום אחר.
- הצוות עונה שוב ושוב על אותן שאלות של לקוחות.
- יש הרבה ידע פנימי, אבל אף אחד לא מוצא אותו כשצריך.
- כתיבת תוכן שיווקי או מסמכים אורכת זמן לא פרופורציונלי.
- יש דאטה שאפשר להפיק ממנו תובנות, אבל אף אחד לא מספיק לנתח.
- רוצים להיכנס ל-AI בצורה אחראית, בלי לחשוף מידע רגיש.
איך זה עובד, שלב אחר שלב
אותו מסלול בכל פרויקט, כדי שתדעו מה קורה ומתי.
מתחילים ממקרה שימוש אחד וממוקד, בהיקף שאפשר לסיים ולהעריך, ובודקים לפני הבנייה שיש דאטה מספק, שהתוצאה ניתנת למדידה ושהיא שווה את ההשקעה. במקביל מגדירים איזה מידע מותר שיצא החוצה, מה נשאר פנימי ומי רשאי לגשת. אלה חמשת השלבים:
בעיה אחת שאפשר למדוד, בהיקף שאפשר לסיים ולהעריך.
מוודאים שיש דאטה מספק, שהתוצאה ניתנת למדידה, ושהיא שווה את ההשקעה.
בוט, בסיס ידע חכם, סיוע בכתיבה או ניתוח, בהתאם למקרה שנבחר.
מגדירים איזה מידע מותר שיצא החוצה, מה נשאר פנימי, ומי רשאי לגשת.
איך עובדים איתו ביום־יום, ומתי לא לסמוך עליו.
מה מקבלים בסוף
מה נשאר אצלכם בסוף, ואפשר לפעול לפיו.
כלי AI אחד שפועל ופותר מקרה שימוש מוגדר, ולצידו מסמך מדיניות שכתוב בו מה מותר להזין, מה אסור ומי אחראי. הצוות מקבל הדרכה עם דוגמאות מהעבודה שלכם, כולל מתי לא לסמוך על הכלי, ויש מדד שמראה אם הוא באמת חוסך זמן. אלה ארבעת התוצרים:
- כלי AI פעיל שפותר מקרה שימוש מוגדר.
- מסמך מדיניות: מה מותר להזין, מה אסור, ומי אחראי.
- הדרכה לצוות עם דוגמאות מהעבודה שלכם.
- מדד שמראה אם הכלי באמת חוסך זמן.
כלי AI כללי או כלי שמחובר למידע שלכם: איך בודקים מה נחוץ
כמעט לכל צוות כבר יש היום גישה לכלי AI כללי, והשאלה שחוזרת בשיחת ההיכרות היא מה בכלל צריך מעבר לזה. מה שמכריע הוא איפה נמצאת התשובה הנכונה: בידע הכללי שקיים בעולם, או בחומרים שיושבים אצלכם. אפשר לבדוק את זה בשבוע אחד, ולהגיע לשיחה עם התשובות ביד:
- קחו שאלה אחת שחוזרת אצלכם כל שבוע, והריצו אותה בכלי הכללי שכבר יש לכם. כשהתשובה יוצאת נכונה וכל מה שנשאר הוא לשלוח אותה, הכלי הכללי מספיק לשימוש הזה.
- בדקו על מה התשובה נשענת. כשהיא צריכה להכיר נהלים, מחירון או פרויקטים קודמים שלכם, היא תהיה מדויקת רק כשהכלי מחובר למקורות האלה.
- ספרו כמה אנשים שואלים את אותה שאלה בשבוע. כשזו אותה שאלה אצל כמה אנשים, משתלם שהתשובה תיכתב פעם אחת ותשב במקום שכולם ניגשים אליו.
- בדקו איפה התשובה צריכה להופיע. כשהיא נחוצה בתוך המערכת שבה העבודה מתבצעת, מה שמכריע הוא החיבור אליה יותר מאשר הכלי עצמו.
- תנו לאדם אחד לעבוד ככה שבוע. אם בשבוע השני הוא ממשיך מעצמו, יש כאן מקרה שימוש; אם חזר לדרך הקודמת, מה שכדאי לסדר קודם הוא התהליך עצמו.
ברוב המקרים התוצאה מעורבת, וגם זו תשובה: חלק מהשימושים נשארים בכלי הכללי, וחלק מצדיקים כלי שמחובר לידע ולמערכות שלכם. כשהבדיקות מצביעות בעיקר על מספרים (כמה נכנס, כמה נסגר, מה חרג מהצפוי), מה שנחוץ הוא בדרך כלל דשבורד, ועל זה מדברים בBI, דאטה ודשבורדים.
מה נדרש מכם
ארבעה דברים, וכולם קטנים ביחס לפרויקט: איש קשר אחד עם סמכות להחליט בשם העסק, גישה למערכות ולנתונים בזמן סביר, כמה שעות מזמנם של האנשים שעושים את העבודה בפועל, ונכונות לשנות את התהליך עצמו. אם התהליך נשאר בדיוק כמו שהיה, גם הכלי הכי טוב לא יעזור.
מה שנשאלים הכי הרבה
התשובות שאנחנו נותנים בשיחת ההיכרות.
ארבע שאלות שחוזרות בשיחת ההיכרות על AI, עם התשובות שאנחנו נותנים בה: אם המידע שלכם ייחשף, איך יודעים שהכלי לא ימציא תשובות, אם זה מחליף עובדים, ומה עושים כשעדיין לא ברור אם יש בכלל מקרה שימוש.
המידע שלנו ייחשף?
זו השאלה הראשונה שצריך לשאול, ואנחנו מתחילים ממנה. מגדירים מראש אילו נתונים מותר שיעברו לשירות חיצוני, ובמקרים רגישים בוחרים ארכיטקטורה ששומרת את המידע פנימי.
איך יודעים ש-AI לא ימציא תשובות?
מגבילים אותו למקורות ידע מאושרים, בונים מנגנון שמצביע על המקור, ומגדירים מתי הוא מעביר לבן אדם. אנחנו גם מודדים את זה אחרי העלייה לאוויר.
זה יחליף עובדים?
המטרה היא לפנות זמן. הכלים שאנחנו בונים מסירים עבודה חוזרת ומשאירים לאנשים את מה שדורש שיקול דעת, וזו גם התוצאה ברוב המקרים.
אנחנו לא בטוחים שיש לנו מקרה שימוש. שווה לדבר?
כן. חלק מהשיחה הוא לבדוק אם יש כאן בכלל הצדקה, ואם אין, עדיף לדעת את זה לפני שמשקיעים.
רוצים לבדוק איפה AI ייתן ערך אמיתי בעסק שלכם?
לשיחת היכרות