AI הוא בעיה של מנהיגות, לא טכנולוגיה: איך להפוך השקעות בינה מלאכותית לרווחים עסקיים

בשנים האחרונות, רוב צוותי ההנהלה שאני עובד איתם השקיעו בבינה מלאכותית. התסכול הגדול ביותר אינו בקרב הספקנים, אלא בקרב המאמינים – אלה שפרויקטי ה-AI שלהם לא הצליחו להתחבר לרווחיות העסקית. הם מציגים לוועדה מנהלים שקפים מרשימים, מספרים על מומנטום פנימי ופרויקטים ניסיוניים, אך חסרה להם היכולת להוכיח כיצד פעילות זו משפיעה על ביצועי החברה. בשלב הנוכחי של מחזור ה-AI, הפער הזה כבר אינו מקובל.

במהלך שנותיי בניהול פרויקטי AI בקרוגר ובחברת הבת שלה 84.51°, עיבדנו מיליוני תחזיות בשנייה ברחבי אלפי סניפים. המדד להצלחה לא היה כמות המודלים שהופעלו או מידת הרשימות המרשימות שהצגנו לוועדות, אלא השפעה ישירה על נתוני הרווחיות: גודל סל הקניות, שולי הרווח ושימור לקוחות. ניסיון זה עיצב את תפיסתי לגבי מה ש-AI דורש ממנהיגים, ומה רוב צוותי ההנהלה עדיין עושים לא נכון.

המנהלים שאני עובד איתם אינם מתלבטים לגבי חשיבות ה-AI. הם מתמודדים עם מגבלות תקציביות, דרישות לוועדות מנהלים שמעוניינות בתוצאות ולא בתוכניות, וצורך מובהק להפוך השקעות לטובות כלכליות. על פי ניסיוני, סגירת הפער הזה מתבססת על שלושה עקרונות מרכזיים:

1. התועלת חייבת להופיע בדוח הרווח והפסד

רוב החברות יכולות לספר בדיוק כמה מודלי AI הן מפעילות. מעטות יכולות להסביר מהו הערך העסקי של אותם מודלים. AI יכול להשפיע הן על צד ההכנסות והן על צד ההוצאות: באמצעות התאמה אישית משופרת ותמחור חכם התומכים בהגדלת ההכנסות, וכן באמצעות אוטומציה וחיזוי מדויק יותר שמפחיתים עלויות ופסולת. עם זאת, רבות מהחברות מפזרות את ההשקעות שלהן על יותר מדי יוזמות ללא קשר ברור לערך העסקי. הן מייצרות פעילות ללא שינוי במצב הכלכלי שלהן.

השאלה הנכונה אינה איפה החברה משתמשת ב-AI, אלא איפה ה-AI משנה את הכלכלה היחידנית של העסק. רוב הארגונים אינם יכולים לענות על השאלה השנייה.

2. מהירות היא יתרון אסטרטגי שלא ניתן לזלזל בו

כמעט כל ארגון גדול יודע יותר ממה שהוא מסוגל לבצע בפועל. הנתונים וההבנות קיימים, אך המרחק בין האיתות לביצוע נותר ארוך. מחזורי קבלת ההחלטות מתארכים, מחלקות פועלות על בסיס הנחות שונות, ובזמן שמתגבשת ההסכמה הפנימית, לעיתים כבר מאוחר מדי. ראיתי זאת קורה בעצמי בתחום השירותים הפיננסיים: צוות פיתח מודלים לזיהוי לקוחות של בנקים מתחרים שעשויים לעבור לחברה בתחום עסקי מסוים. הניתוח היה תקין והמודלים פעלו כהלכה. אך לאחר מכן התעכבה קבלת ההחלטות במשך חודשים בשל שאלות ממשל ארגוני חוזרות ונשנות, עד שההזדמנות כבר לא הייתה רלוונטית. מישהו סיכם זאת בצורה מושלמת: "הניתוח היה מוצלח, אבל המטופל כבר מת."

ה-AI יכול לסגור את הפער הזה באמצעות דיווח מהיר יותר, חיזוי משופר וגילוי מוקדם של סטיות. המטרה אינה להיות זולים יותר, אלא להיות מסוגלים לפעול ברגע הנכון. וזהו היבט שבו המהירות הופכת לאסטרטגיה קריטית.

3. אחריות ברורה היא המפתח להצלחה

אחת הבעיות הנפוצות ביותר היא העדר אחריות ברורה ליישום ה-AI. כאשר אין בעל תפקיד מוגדר שמניע את הפרויקט קדימה, האחריות מתפזרת בין מחלקות שונות, והפרויקט הופך להיות עוד יוזמה טכנולוגית ללא השפעה עסקית. מנהיגים חייבים להגדיר מי אחראי על התוצאות, ולהבטיח שהפרויקט יתחבר למטרות העסקיות של החברה.

במקרים רבים, ה-AI נתפס כפרויקט טכנולוגי ולא ככלי אסטרטגי לשינוי עסקי. כדי להפוך אותו לרווחי, יש צורך בשינוי תרבותי: מנהיגים חייבים לאמץ חשיבה של ביצועים עסקיים ולא רק של חדשנות טכנולוגית. הם חייבים לשאול את עצמם לא רק אילו פרויקטים הם מפעילים, אלא איך הם משפיעים על התוצאות הסופיות.

"הטכנולוגיה עובדת. הרגע חלף. AI יכול לסגור את הפער בין האיתות לביצוע, אך רק אם המנהיגות תוביל את השינוי – לא רק תאשר אותו."

בסופו של דבר, ההצלחה של פרויקטי AI תלויה פחות בטכנולוגיה עצמה ויותר ביכולת של ההנהלה להפוך אותה לכלי שמניע צמיחה ורווחיות. החברות שיצליחו הן אלה שיבינו כי AI הוא לא פרויקט טכנולוגי, אלא הזדמנות אסטרטגית לשינוי עסקי.