הפרויקט הוא לא ה-AI.

נתחיל מהמספרים, כי הם עושים את העבודה

Cox Communications היא ספקית הברודבנד הפרטית הגדולה בארה״ב: 15,000 עובדים ושישה מיליון לקוחות. הזרוע העסקית שלה נתקעה. קמפיינים אחידים הפסיקו לייצר צמיחה ואנשי מכירות חקרו לקוחות פוטנציאליים ידנית מתוך רשימות לידים שדיוקן היה 18%.

הם עבדו עם Accenture ועם Claude דרך Amazon Bedrock. אלה התוצאות שדווחו:

• פי 7החזר על ההשקעה בשנה הראשונה
• 86%הוזלת עלות אימות ליד
• מ-18% ל-97%דיוק רשימות הלידים
• 55% מהר יותרמהירות לשוק בשיווק

זמן ההכנה לשיחת מכירה ירד משעות לדקות וכ-2,500 עובדים משתמשים ב-Claude Code, יותר ממחציתם בתפקידים לא טכניים.

בשלב הזה כל מנהל שקורא את זה חושב על אותו דבר: באיזה מודל הם השתמשו וכמה זה עלה וזו השאלה הלא נכונה.

הציטוט שאף אחד לא יצטט

עמוק בתוך המקרה יושבת אמירה של קתרין מוריג, שמובילה את ההתקשרות מצד Accenture:

“רק כ-25% מהזמן שלנו מוקדש לפיתוח בפועל.”

השאר, 75%, הלך לנתונים, אימות ואבטחה.

תחשבו מה זה אומר. בפרויקט שהחזיר פי 7 והקפיץ את הדיוק מ-18% ל-97%, רבע מהעבודה היה בניית AI. שלושה רבעים היו העבודה שאף אחד לא מצלם לסרטון השקה.

ורוב הארגונים מתקצבים בדיוק הפוך.

למה זה קורה ולמה זה יימשך

זה לא כשל תכנוני מקומי. יש לזה סיבה מבנית.

איכות המודלים הפכה לסחורה. לכם, ל-Cox ולמתחרים שלכם יש גישה לאותם מודלים בדיוק, באותו מחיר בערך, מאותם ספקים. אף אחד לא מנצח היום כי יש לו מודל טוב יותר.

ולכן היתרון התחרותי זז. הוא ישב בגישה למודל ועבר לשני מקומות אחרים:

• מה שאתם מזינים לוהנתונים שלכם, בפורמט שהמודל יכול לעבוד איתו, נקיים מספיק כדי לסמוך עליהם.
• איך אתם מאמתים אותוהיכולת לדעת שהפלט נכון לפני שהוא מגיע ללקוח.

שני אלה לא ניתנים לרכישה מהמדף. הם ספציפיים לארגון שלכם והם בדיוק ה-75%. מודל הוא סחורה. הנתונים שלכם לא.

מה Cox באמת בנו

תסתכלו על הרשימה ותשימו לב כמה מעט ממנה הוא “AI”:

• The Cubeמודל נתונים בשש שכבות. זו התשתית: לפני שהמודל ראה משהו, מישהו החליט מה זה בכלל לקוח, מה נחשב אינטראקציה ואיך נראית היסטוריה של חשבון.
• צינור אימות לידיםשכבה שבודקת ומעשירה כל ליד לפני שהוא נכנס למערכת, בפחות מדקה לליד. זה מה שהזיז את הדיוק מ-18% ל-97%. לא המודל, אלא ההחלטה לבנות שלב אימות שלם לפני שסומכים על משהו.
• CAMIעוזר השיווק, שמייצר קמפיינים ל-120 תת-תעשיות ולשמונה פלחי לקוחות.
• SAMIעוזר המכירות: מסמכי הכנה, תסריטי שיחה, מיילים והעשרת רשומות ב-Salesforce מהכתבה קולית.
• Skill Studioמערכת שלוכדת ידע עסקי שבשתיקה והופכת אותו לכישורים חוזרים של סוכנים.
• ממשל דרך Bedrockכדי שהכל ישב בתוך עקרונות האבטחה והניטור הקיימים.
• בחירת מודל לפי משימהHaiku לאחזור, Sonnet לעבודה בינונית, Opus להסקה כבדה.

רוב הסעיפים ברשימה הם תשתית, נתונים או ממשל. שניים הם יישומים ואחד הוא אופטימיזציה של עלות. המודל עצמו לא מופיע ברשימה בכלל. הוא הנחת יסוד.

המספר הכי חשוב במקרה הזה

מכל המספרים, אחד קפץ לי יותר מהאחרים. מנהל ב-Cox תיאר את הקצב החדש כך: לא מאה בדיקות A/B בשנה, אלא מאה ויותר ביום.

הדבר היחיד ש-AI לא הוריד לאפס הוא מספר הסבבים. ידע נהיה זול, שיפוט נשאר יקר והוא נבנה רק דרך לולאה של ניסיון, כישלון ותיקון. Cox הם המקרה שמראה איך זה נראה כשארגון מתעש את הלולאה הזאת.

ושימו לב לקשר: הם לא הגיעו למאה בדיקות ביום כי קנו מודל מהיר. הם הגיעו לשם כי בנו את שכבת הנתונים, את צינור האימות ואת הממשל וזה מה שאיפשר להריץ ניסויים מהר בלי לשבור דברים.

ה-75% הם לא תקורה. הם מה שקונה את מהירות הסבבים. ארגון בלי שכבת נתונים מסודרת לא יכול להריץ מאה ניסויים ביום, כי אין לו דרך לדעת מה מהם הצליח. הוא יריץ שלושה, יתווכח על התוצאות ויעצור.

ופרט אחד שראוי לעצור עליו

Skill Studio, המערכת שלוכדת ידע עסקי שבשתיקה והופכת אותו לכישורים חוזרים.

הפילוסוף מייקל פולני טען שידע שבשתיקה, התחושה של איש מכירות ותיק שהעסקה הולכת לאיבוד, לא ניתן לכתיבה ולכן גם לא ניתן לטעינה למודל. זה עדיין נכון, ו-Skill Studio מדייק את זה במקום לסתור: אי אפשר לטעון שיפוט, אבל אחרי שעברתם את הלולאה אפשר לקודד את מה שהיא ייצרה.

זה ההבדל בין לתת למישהו מפה לבין לתת לו מפה שצייר מישהו שהלך בשטח. המפה לא מחליפה את ההליכה, אבל היא הופכת את ההליכה של אדם אחד לנכס של הארגון וזה גם מסביר למה אי אפשר לקנות את זה: הידע שנלכד שם הוא של Cox ואף ספק לא יכול למכור לכם אותו.

“אבל אנחנו לא Cox”

זו התגובה הצפויה ואנחנו שומעים אותה כמעט בכל פגישה. 15,000 עובדים, Accenture, AWS ומרכז מצוינות AI ייעודי. יצרן ישראלי עם 80 עובדים קורא את זה ומסיק שזה סיפור מעולם אחר.

הסקאלה שונה. הרצף לא. מה שיורד בסקאלה הוא מספר המערכות, גודל הצוות, התקציב ומספר התהליכים. מה שלא יורד בסקאלה:

• נתונים לפני מודליםאין קיצור דרך. ארגון שמתחיל מהמודל בונה משהו מרשים שמתפרק בפגישה השלישית עם המציאות.
• אימות לפני אוטומציהאם אין לכם דרך לדעת שהפלט נכון, האוטומציה רק מגדילה את קצב הטעויות.
• תהליך אחד לפני הכלCox התחילו מאימות לידים: סעיף אחד, מדיד, עם מספר ברור לפני ואחרי. לא מ“טרנספורמציית AI”.

בגודל של חברה ישראלית בינונית, ה-75% הם לא שש שכבות נתונים ומרכז מצוינות. לרוב זו טבלה אחת שמישהו סוף סוף מסדר ובדיקה אחת שמישהו סוף סוף מגדיר. זה נשמע קטן. זה מה שמכריע.

מה אנחנו רואים בשטח

הלקוחות שאנחנו עובדים איתם הם לא חברות טכנולוגיה. יצרן, יבואן, מפיץ. אין להם מרכז מצוינות AI ואין להם Accenture. יש להם מנהל תפעול שיודע הכל ומערכת מ-2011.

ושם ל-75% יש בעיה נוספת מעבר למאמץ: הם לא מרגישים כמו התקדמות. מנהל שאומרים לו “קודם נסדר את הנתונים” שומע חצי שנה בלי שום דבר להראות והוא לא טועה כשהוא מתנגד. בארגון שאינו חברת טכנולוגיה, פרויקט בלי תוצאה גלויה מאבד את הפטרון שלו בחודש השלישי.

ולכן העבודה שלנו היא לא רק לעשות את ה-75%, אלא לפרק אותם לחתיכות שכל אחת מהן מייצרת ניצחון. השבוע מסדרים את טבלת הלקוחות ומיד אנשי המכירות מקבלים רשימה שאפשר לסמוך עליה. אחר כך מוסיפים את שלב האימות ומיד מספר השיחות המבוזבזות יורד. אותם 75% בדיוק, רק שעכשיו כל שלב משלם על עצמו וקונה את השלב הבא.

והחלק השני קשה יותר לתיאור, אבל הוא צוואר הבקבוק האמיתי. בארגון שאינו טכנולוגי, החלק הקשה הוא לא המודל ואפילו לא הנתונים. הוא שאף אחד מעולם לא כתב איך התהליך באמת עובד. מנהל התפעול יודע, זה בראש שלו. בחברה ישראלית בינונית, ה-Skill Studio הוא בן אדם והעבודה היא להוציא את מה שיש לו בראש לצורה שמערכת יכולה לעבוד איתה.

מה לעשות ביום שני בבוקר

ארבעה צעדים, בסדר הזה:

• 1. בחרו תהליך אחד עם מספרלא “לשפר את השיווק”, אלא משהו שאפשר למדוד לפני ואחרי. Cox בחרו דיוק לידים והתחילו מ-18%. מה המספר שלכם והאם אתם בכלל יודעים אותו היום?
• 2. שאלו איפה הנתונים לתהליך הזהבדרך כלל התשובה תהיה מביכה: שלוש מערכות, שני קבצי אקסל ואדם אחד שזוכר. זו העבודה, לא עיכוב לפני העבודה.
• 3. בנו את שלב האימות לפני האוטומציהאיך תדעו שהפלט נכון? אם התשובה היא “נסתכל עליו”, אתם עוד לא מוכנים לאוטומציה.
• 4. מדדו סבביםכמה ניסויים אתם מריצים בחודש על התהליך הזה? אם התשובה היא אחד, הבעיה שלכם היא לא המודל.

שורה תחתונה

הסיפור של Cox נקרא כמו סיפור על בינה מלאכותית. הוא לא. הוא סיפור על ארגון שהבין שהמודל הוא החלק הזמין, הזול והמשותף לכולם והשקיע שלושה רבעים מהמאמץ בדברים שאף אחד לא מתלהב מהם: נתונים, אימות וממשל.

ואם אתם מתקצבים 75% לבנייה ו-25% לנתונים, אתם מתקצבים בדיוק הפוך ממי שקיבל פי 7.

עוד בנושא

• אוטומציה של תהליךהזנת הזמנות, עדכוני CRM, הצעות מחיר ודוחות שמישהו מעתיק ידנית. אנחנו לוקחים תהליך אחד שעולה לכם שעות כל שבוע ובונים אותו מחדש בתוך המערכות שכבר יש לכם.
• אנליטיקה ודיווחדיווחים מגיעים מכל שוק בפורמט ובקצב אחר ועד שהתמונה מתחברת ההחלטה כבר עברה. אנחנו מחברים את הנתונים מה-ERP, מה-CRM ומהשווקים לתמונה אחת ומוסיפים שכבה שמסבירה מה השתנה ולמה.
• ליווי ארגונירוב פרויקטי ה-AI לא נכשלים בגלל הטכנולוגיה. הם נכשלים כי אין לתהליך בעלים, הנתונים לא מוכנים ואף אחד לא הוכשר להמשיך. ליווי ארגוני הוא העבודה שגורמת לזה להחזיק גם אחרי שאנחנו יוצאים.