למה רישיונות AI צריכים את המוח של החברה

כמעט לכל חברה יש כבר רישיונות AI, והאנשים שמשתמשים בהם מהירים יותר בכמה דברים ממה שהיו לפני שנה. בסקר של McKinsey לשנת 2026, כמעט תשעה מכל עשרה משיבים דיווחו על שימוש קבוע בבינה מלאכותית בפונקציה עסקית אחת לפחות, ושמונה מכל עשרה אמרו שהיא שיפרה את הפרודוקטיביות האישית שלהם.

החברה עצמה, ברוב המקרים, השתנתה הרבה פחות. אותו סקר מצא ששיעור המשיבים שמייחסים לבינה מלאכותית השפעה כלשהי על ה־EBIT נשאר יציב על 37 אחוזים. בארצות הברית, נתונים שפרסם הפד של סנט לואיס מראים ש־39.2 אחוזים מהמבוגרים המועסקים השתמשו בבינה מלאכותית גנרטיבית לעבודה בשבוע נתון עד הרבעון השני של 2026, ושהזמן שהיא חוסכת עומד על 2.2 אחוזים מכלל שעות העבודה.

אנחנו חושבים שלפער יש סיבה פשוטה. הרישיונות האלה מכירים את האינטרנט. הם לא מכירים את החברה.

למה הרישיונות נותנים טיוטות

בקשו מעוזר הצעת מחיר, והוא יכתוב הצעה טובה לחברה שלא קיימת. הוא לא מכיר את המחירים שלכם, את התנאים שלכם, את ההיסטוריה של הלקוח, את הדרך שבה החברה שלכם בונה הצעה או את ההנחה שאסור לאף אחד לתת. אז הוא מנסח טיוטה, ואדם מעתיק, מדביק ומתקן. האיכות תלויה במי שהקליד את הפרומפט ובכמה הוא ידע.

המחקר הכלכלי של Anthropic מצא את אותו דפוס באופן שבו עסקים משתמשים במודלים שלה: הטמעת בינה מלאכותית למשימות מורכבות עשויה להיות מוגבלת יותר בגלל הגישה למידע מאשר בגלל מה שהמודל מסוגל לעשות. יוזמת NANDA של MIT ניסחה את זה בבוטות רבה יותר בשנה שעברה. לפי המחבר הראשי של הדוח שלה על בינה מלאכותית גנרטיבית בעסקים, כלים גנריים נתקעים בחברות כי הם לא לומדים מהאופן שבו העבודה נעשית ולא מסתגלים אליו.

אפילו הספקים אומרים שהעבודה לא הושלמה. מחקר על ChatGPT Enterprise של חוקרים מ־OpenAI, שעודכן באוגוסט, מסיק שחברות עדיין לומדות איך לשלב בינה מלאכותית בתהליכי העבודה שלהן, ושהערך לטווח הארוך תלוי בשאלה אם שימוש אישי מפוזר יתפתח ליכולת של הארגון.

מה המוח של החברה מחזיק

המוח של החברה הוא השכבה החסרה הזאת, והוא מחזיק ארבעה דברים. ידע: מסמכים, מיילים, הצעות מחיר, חוזים, מוצרים, מחירים, פרויקטים קודמים והקול של החברה, מעודכנים, עם המקור לכל תשובה. כללים: מה כל תפקיד רשאי לראות ולעשות, מה מחכה לאישור ומה יכול לרוץ לבד. מערכות: חיבורים ל־bexio, ל־Microsoft 365, ל־CRM, ליומן ולכלים של החברה עצמה, כך שהמוח יכול לחפש מידע ולכתוב אותו בחזרה. ומיומנויות: הדרך שבה כל מחלקה עושה את העבודה החוזרת שלה, כתובה כך שעוזר יכול לפעול לפיה.

זה מה ש־Twin הוא. הוא חי בעוזר שהאנשים שלכם כבר משתמשים בו, ב־Claude, ב־ChatGPT או ב־Codex, או על מודל פרטי כשהנתונים לא יכולים לצאת: Eigna, שנבנתה בידי השותפה שלנו Eigna Labs, מאומנת על העבודה של החברה עצמה ורצה בענן שלה או על השרתים שלה. Twin נמסר כקוד מקור שבבעלות החברה, כך שהמוח נשאר עם החברה כשהמודלים מתחלפים.

מחלקה אחר מחלקה

במכירות, ההצעה מהשיחה של אתמול מגיעה כטיוטה במבנה של החברה, והמעקב נכתב בקול שלה. אדם מאשר את שניהם. בתמיכה, תשובה יוצאת עם הקטע מהמדריך שעליו היא נשענת, החזרה מטופלת לפי המדיניות הכתובה, וכל מה שהמוח לא בטוח לגביו מועבר לאדם.

בכספים, חשבונית חלקית מוכנה ב־bexio דרך Kontor, יתרות פתוחות מקבלות מעקב בזמן, וסגירת החודש מגיעה מוכנה לבדיקה. בשיווק, הפוסטים של השבוע הבא מגיעים בשפת המותג, ודוח הקמפיין מסתיים בשלושה צעדים הבאים. הבעלים מקבלים בכל יום שני תדריך על מכירות, תזרים ויתרות פתוחות, ומזכר החלטה עם מקור לכל מספר.

מי שמרוויחים הכי הרבה הם העובדים החדשים. במחקר על 5,179 נציגי תמיכה, אריק בריניולפסון, דניאל לי ולינדזי ריימונד מצאו שעוזר AI העלה את מספר הפניות שנפתרו בשעה ב־14 אחוזים בממוצע וב־34 אחוזים אצל עובדים חדשים ובעלי מיומנות נמוכה. המחברים משערים שזה עבד בזכות העברת הידע של העובדים המוכשרים ביותר לעובדים החדשים יותר. המוח של החברה עושה את זה בכוונה: הידע של העמית הטוב ביותר, על כל שולחן, מהיום הראשון.

איכות, מהירות, עלות ועומס עבודה

האיכות היא השינוי הראשון: סטנדרט אחד על כל שולחן, עם המקור לכל תשובה, במקום תוצאה שתלויה במי ששאל. המהירות באה אחריה, כי עבודה שלקחה שעות מתחילה מטיוטה גמורה. העלות יורדת עם פחות שגרה, פחות עבודה חוזרת ופחות כלים שעושים את אותה עבודה. ועומס העבודה משתנה. אנשים מפסיקים להעביר טקסט בין חלונות וחוזרים לעבודה שרק הם יכולים לעשות.

הנקודה האחרונה הזאת חשובה לנו. המוח לוקח את ההעתקה, את החיפוש ואת הטיוטה הראשונה. שיקול הדעת, השיחה עם הלקוח, הבדיקה והאחריות למה שיוצא מהחברה נשארים אצל אנשים, ולשם הזמן שלהם צריך ללכת.

אנחנו לא מצמידים מספר לרווחים האלה לפני שאנחנו מכירים חברה. הם תלויים בכמה מהעבודה שלה חוזרת על עצמה, נכתבת ונבדקת, וזה בדיוק מה שמיפוי מגלה.

תהליכים טובים יותר לפני אוטומציה

המחקר מסכים לגבי המקום שבו נמצא הערך. BCG, על סמך העבודה שלה עם לקוחות, מחלקת אותו כך: כ־10 אחוזים מהערך של טרנספורמציית AI מגיעים מהאפליקציה עצמה, 20 אחוזים מנתונים וטכנולוגיה, ו־70 אחוזים מעיצוב מחדש של תהליכי עבודה, מתרבות, ממשילות ומהאופן שבו אנשים ובינה מלאכותית עובדים יחד. בסקר של McKinsey, כמעט שלושה רבעים מהקבוצה הקטנה של החברות המצטיינות עיצבו מחדש את תהליכי העבודה שלהן מהיסוד בגלל AI, לעומת רבע מכל השאר. הדוח של Deloitte לשנת 2026 מצא ש־37 אחוזים מהארגונים משתמשים בבינה מלאכותית ברמה שטחית, עם שינוי קטן באופן שבו העבודה נעשית.

לכן אנחנו מתחילים במיפוי, לא בתוכנה: האנשים, הכלים, הנתונים והעבודה שעדיין נעשית ידנית. אחר כך אנחנו מחדדים את התהליך לפני שאנחנו מלמדים אותו מכונה. תבנית הצעת מחיר שאף אחד לא מסכים עליה, אישור שמחכה שבוע, דוח שנבנה פעמיים בשתי מחלקות. לתקן את אלה זה לעיתים קרובות הרווח הגדול ביותר, וזה הופך את האוטומציה שבאה אחר כך לפשוטה ובטוחה יותר.

מאיפה להתחיל

חברה יכולה להתחיל השבוע בלי כלי חדש. רשמו את עשרת המסמכים שהחברה שלכם כותבת הכי הרבה. כתבו את הכללים שחיים רק בראש של מישהו: מחירים, הנחות, טון, מי חותם על מה. ציינו דרך אילו מערכות העבודה עוברת ואיפה אנשים מעתיקים מאחת לשנייה. הרשימה הזאת היא קווי המתאר של המוח של החברה.

אחר כך בחרו מחלקה אחת ושגרה אחת, חברו את הידע ואת המערכת שמאחוריה, והשאירו אדם בנקודה שבה משהו יוצא מהחברה. כשהטיוטות מפסיקות להצריך תיקונים, עברו לשגרה הבאה. הרישיונות שאתם כבר משלמים עליהם יתחילו לעבוד בשביל החברה, לא רק בשביל האדם שיושב מול המחשב.