MIT וקבוצת הייעוץ של בוסטון (BCG) פרסמו זה עתה מחקר שתפס כותרות: 95% מפרויקטים של בינה מלאכותית ארגונית אינם מראים השפעה מדידה על הרווח וההפסד.
החלק המפתיע? זו לא הטכנולוגיה שנכשלת. זו הדרך שבה חברות מנסות להשתמש בה. המחקר מצביע על שילוב לקוי של זרימת עבודה וחוסר יישור עסקי ברור כסיבות העיקריות לכך שמאמצי בינה מלאכותית רבים כל כך לא מצליחים.
מה אומרים על זה ב-MIT
חוקרי MIT Sloan Management Review ו-BCG מדגישים כי הפער הגדול ביותר הוא מוכנות ארגונית. חברות קופצות על פרויקטים של בינה מלאכותית מבלי לתכנן מחדש תהליכים, להכשיר מחדש צוותים או להתאים פרויקטים לתוצאות עסקיות.
כפי שמייקל צ'ו, מנהל בכיר ב-BCG, הסביר ב"חומרה של טום":
"בינה מלאכותית גנרטיבית היא כלי רב עוצמה, אך ללא שילוב נכון ומקרי שימוש ברורים, היא עלולה להפוך לעוד ניסוי שאין בו הרבה מה להראות."
(מקור: דוח המחקר של MIT CISR, 2024)
מה זה אומר (במילים אנושיות)
או כל הרעש סביב בינה מלאכותית, רוב החברות לא רואות את התמורה.
למה? כי הם מנסים להכניס בינה מלאכותית למערכות ישנות במקום לשנות את אופן פעולתן בפועל.
תחשבו על זה כמו הוספת מנוע חדש וחזק למכונית ישנה וחלודה - זה לא פתאום יהפוך את המכונית למהירה יותר אם הגלגלים, הבלמים והשלדה לא בנויים לכך.
מה המשמעות של זה עבורך:
בינה מלאכותית לבדה אינה התשובה. מה שחשוב הוא האופן שבו משתמשים בה.
אם העסק שלכם לא יתאים את התהליכים שלו, הבינה המלאכותית רק תיראה מפוארת אבל לא תזיז את המחט.
כדי להפיק תועלת אמיתית, מנהיגים צריכים לחשוב מחדש על זרימות עבודה, לא רק לחבר כלים.
חיבור הנקודות
ב-Frozen Light אנחנו רוצים להעלות כמה שיותר נקודות מבט סביב ידיעה כלשהי. הנה מה שגילינו:
השקעות ותגובות שוק – חומרת טום
ממצאי MIT הגיעו מ-150 ראיונות, 350 עובדים שנסקרו ו-300 פריסות של בינה מלאכותית. הדו"ח מדגיש כי ארגונים רבים משקיעים תקציבי בינה מלאכותית במכירות ושיווק תוך התעלמות מאוטומציה של המשרד האחורי, שלעתים קרובות מניבה החזר השקעה חזק יותר.
🔗 חומרת טום
ירידה במשקיעים – Investors.com
המחקר של MIT זעזע את וול סטריט, ותרם לירידות במניות הקשורות לבינה מלאכותית כמו Nvidia ו-Palantir. חלק מהאנליסטים מציעים כי הזדמנויות עוברות לכיוון חברות שירותי IT ותשתיות הממוקמות טוב יותר לסייע לחברות לפרוס בינה מלאכותית ביעילות.
🔗 Investors.com
ספקנות וול סטריט - אקסיוס
Axios דיווחה כיצד הממצאים הציתו ספקות בקרב משקיעים לגבי רווחיות הבינה המלאכותית. המסקנה: הוצאות ארגוניות על בינה מלאכותית אינן מובטחות להשתלם, במיוחד כאשר כלים פנימיים מציגים ביצועים נמוכים בהשוואה לפתרונות חיצוניים מוכנים לשימוש.
🔗 אקסיוס
פער למידה והשפעת כוח העבודה – AInvest
אוניברסיטת MIT תיארה את "פער הלמידה" כבעיה האמיתית - ארגונים ממעיטים בערכם של הזמן שלוקח לעובדים לאמץ בינה מלאכותית ביעילות. המחקר גם צפה בירידה בגיוס עובדים בתפקידים כבדי ניהול, מה שמראה שגם ללא פיטורים המוניים, אימוץ בינה מלאכותית מעצב מחדש את הביקוש לכוח אדם.
🔗 איי-אינספקט
פרספקטיבה עולמית של כישלון – TechRadar
TechRadar הרחיבה את נקודת המבט, והצביעה על כך ששיעור הכישלונות אינו מוגבל למגזר אחד. מפיננסים ועד ייצור, פיילוטים רבים קורסים משום שאינם משולבים בזרימות עבודה קיימות. המאמר מזהיר מפני הפער ההולך וגדל בין ההייפ של בינה מלאכותית למציאות תפעולית.
🔗 טק-רדאר
הצע את זה
אחת הסיבות העיקריות לכישלון פרויקטים של בינה מלאכותית בארגונים היא שזרימות עבודה אינן מוכנות לבינה מלאכותית.
זה לא תמיד עניין של מודל - זה עניין של איך העבודה בנויה.
שם תוכל להשתמש בתואר שני במשפטים (LLM) כ"בודק תהליכי עבודה".
במקום לבקש ממנו "לעשות את העבודה", בקשו ממנו לבדוק אם אופן העבודה שלכם מתאים לכלי בינה מלאכותית.
הנה סגנון מילוי ריקים שתוכלו לנסות:
לְעוֹרֵר:
"הנה תהליך העבודה הנוכחי שלי: [תאר את התהליך שלך שלב אחר שלב].
האם תהליך העבודה הזה מוכן לבינה מלאכותית?
אם לא, הציעו את 3 השינויים המובילים שיהפכו את השימוש בבינה מלאכותית ליעיל יותר.
הסבר מדוע שינויים אלה חשובים ותן דוגמאות פשוטות כיצד הם יכולים לשפר את התוצאות.
👉 פשוט החליפו את הסוגריים בתהליך העבודה שלכם, ותקבלו תחושה ברורה האם בינה מלאכותית תעזור - או פשוט תוסיפו עוד פרויקט כושל לרשימה.
נקודת מבט של צוות האור הקפוא
אין כאן חדש: בינה מלאכותית טובה רק כמו האנשים שמאחוריה. מזעזע, נכון??!!!
אנחנו צוחקים - כולנו יודעים את זה. אבל האם אנחנו זוכרים את זה כשפרויקט הבינה המלאכותית שהשקענו בו נכשל? זה סיפור אחר, עדיין סיפור אנושי 😉
נחמד למצוא הודעות כאלה, שבהן MIT עצמה משקיעה חוקרים מובילים כדי לתמוך במה שאנחנו מקווים שאנחנו כבר יודעים. ואם לא ידענו עד עכשיו - ובכן, הסיכויים שנזכור את זה בהמשך פשוט השתפרו.
