העלייה המהירה של בינה מלאכותית הובילה לשטף של ניסויים בתעשיות שונות. עם זאת, חברות רבות חוות “תשישות מהוכחת היתכנות” (proof-of-concept fatigue), שבה ניסויים ראשוניים לא מצליחים להתורגם לערך עסקי מוחשי. איוון ג’אנג, מייסד שותף של Cohere, חברת מודלים שפתיים גדולים (LLM) מובילה, התייחס לתסכול הגובר הזה במהלך ועידת Web Summit האחרונה, ודחק בלקוחות פוטנציאליים לשמור על אמונתם בבינה מלאכותית תוך הדגשת הצורך הקריטי להתמקד בהחזר על ההשקעה (ROI).
המלכודת של הוכחת ההיתכנות
ג’אנג הדגיש את תחושת האכזבה בקרב ארגונים שהשקיעו רבות בפיילוטים של AI מבלי לראות תמורה מתאימה. הוא הכיר בכך שלקוחות רבים של Cohere, למרות שבנו יישומים ראשוניים, התקשו להעביר אותם לפעילות שוטפת, בשל בעיות שנעות מעלויות וממשל ועד לאבטחת נתונים ופרטיות. תחושה זו משקפת מגמה רחבה יותר שבה ההבטחה של AI מתנגשת לעתים קרובות עם המציאות המעשית של היישום.
הוא הצביע על בעיות של הוצאות, תאימות רגולטורית, הגנת נתונים ופרוטוקולי פרטיות, ש-Cohere מקווה לפתור באמצעות הצעת פלטפורמת סביבת העבודה החדשה שלה, North.
הכרח ה-ROI
בראיון, ג’אנג הדגיש שהשלב הבא של אימוץ AI חייב להיות מונע על ידי ROI ברור. חברות צריכות לראות הצדקה כספית ברורה להשקעות ה-AI שלהן, ולהבטיח שהיתרונות עולים על העלויות. הוא הזהיר שמערכות AI מסוימות יקרות כל כך לתפעול שהן מבטלות כל חיסכון פוטנציאלי בעלויות מאוטומציה של משימות.
"לפעמים המערכות שבסופו של דבר הן בונות, העלות של המודל עצמו יקרה יותר מהאנשים שמפעילים אותו בפועל," הוא אמר.
יש להתייחס לשאלה המהותית האם יש שיפור ממשי עם יישומי AI כדי להתגבר על הגשרים השרופים של חברות AI שלוקחות על עצמן פרויקטים שלעולם לא מצליחים.
הגדלת AI לעומת פרודוקטיביות
ג’אנג ציין גם מקרים שבהם חברות ניסו להגדיל את כוח העבודה הקיים באמצעות AI אך לא הצליחו לראות שיפור בפרודוקטיביות. במקרים מסוימים, עובדים פשוט הפחיתו את עומס העבודה שלהם מבלי להגדיל את התפוקה, ובכך ביטלו למעשה את היתרונות של AI. זה מדגיש את החשיבות של התחשבות זהירה באופן שבו AI משולב בתהליכי עבודה קיימים והבטחה שהוא מוביל לרווחי יעילות אמיתיים.
התגברות על כישלונות מוקדמים
ג’אנג צופה שסטארטאפים של AI יצטרכו כעת לזכות מחדש בחברות ש"נשרפו" מפרויקטים שלא צלחו. "השלב הבא של יציאה לשוק עבור הטכנולוגיה הזו הוא, ‘איפה ה-ROI?’" הוא מאמין שחברות AI יצטרכו לבנות מחדש את האמון על ידי הדגמת הערך המוחשי של הפתרונות שלהן והתמקדות באספקת תוצאות מדידות.
הדים מקהילת המחקר
התצפיות של ג’אנג נתמכות על ידי מחקרים מארגונים כמו הלשכה הלאומית למחקר כלכלי, שמצאו "שאין השפעה משמעותית על הרווחים או שעות העבודה המתועדות בכל מקצוע" לאחר שסקרו 7,000 מקומות עבודה המשתמשים בצ’אטבוטים של AI. באופן דומה, מחקר של בוסטון קונסלטינג גרופ חשף שרק רבע מהמנהלים שנסקרו ראו ערך משמעותי מ-AI, מה שמצביע על כך שחברות לעתים קרובות מפזרות את השקעותיהן בצורה דלילה מדי על פני פיילוטים מרובים.
תעדוף בעיות עסקיות על פני פתרונות ראוותניים
העצה של ג’אנג לחברות השוקלות LLM היא להתמקד בפתרון בעיות עסקיות ספציפיות ולא בבניית פתרונות מורכבים ללא מקרי שימוש ברורים. הוא הזהיר מפני "להיבלע בבניית משהו ולחפש בעיה", והדגיש את החשיבות של התאמת השקעות AI עם מטרות עסקיות אסטרטגיות.
AI ככלי בארגז הכלים
ג’אנג טען שיש לראות ב-AI כלי אחד בלבד בארגז הכלים לפתרון בעיות עסקיות ויצירת ערך עבור לקוחות. הוא הזהיר מפני הגזמה בפוטנציאל של הטכנולוגיה לפתור את כל בעיות העולם, והדגיש שהיא היעילה ביותר כאשר משתמשים בה באופן אסטרטגי ובשילוב עם פתרונות אחרים.
אתגר ההזיות
בעוד ש-AI עשה התקדמות משמעותית, אתגרים עדיין קיימים, במיוחד בתחום ה”הזיות” (hallucinations), שבו LLM יוצרים מידע שקרי או מפוברק. למרות ההתקדמות בתחום זה, שיעורי ההזיות של LLM נותרו גבוהים בעקשנות, כאשר אפילו המודלים האחרונים מחברות מובילות מייצרים שגיאות. בעיה זו מדגישה את החשיבות של שקיפות ומתן למשתמשים תובנות לגבי האופן שבו מודלים של AI מגיעים למסקנות שלהם.
המייסד השותף הודה בפני אנשי מקצוע רבים שההזיה נותרה בעיה ב-AI גנרטיבי. הוא הצהיר שהחברה ניסתה לעזור על ידי היותה שקופה, כולל הצגת למשתמשים "החשיבה הגולמית" של ה-LLM שלה, ואילו כלים המערכות שלה משתמשות בהם, יחד עם אופן וציטוטים לתשובות נגזרות.
הנוף התחרותי
Cohere מתמודדת עם תחרות עזה מיריבות ממומנות טובות יותר בתחום ה-AI. עם זאת, ג’אנג מאמין שיותר גדול זה לא תמיד יותר טוב כשמדובר בבניית מודלים של AI חסכוניים ויעילים באנרגיה. הוא טען שמודל "טוב רק כמו הנתונים והמערכות שהוא יכול לגשת אליהם", והדגיש את החשיבות של בניית פתרונות שיכולים לפעול לחלוטין בסביבות של לקוחות. ג’אנג שיבח את "הצמיחה העזה" של Cohere ואמר שהאופי "היחסית חדשני" של התחום משאיר הרבה מקום לחברה להתרחב.
צמיחה בהכנסות ואתגרים
הצמיחה של Cohere הייתה נושא מרכזי לאחרונה עבור כלי תקשורת טכנולוגיים. Cohere הגיעה ל-100 מיליון דולר ארה"ב (138 מיליון דולר קנדי) בהכנסות שנתיות החודש לאחר שהכפילה יותר ממכירותיה מאז תחילת 2025, והמנכ"ל איידן גומז אמר לאחרונה לבלומברג שהחברה "לא רחוקה" מרווחיות. אבל The Information דיווח שזה עדיין 350 מיליון דולר ארה"ב אחרי מה ש-Cohere אמרה למשקיעים ב-2023 שהיא צופה להרוויח שנתית עד עכשיו. יעדי הכנסות ותחרות עזה אינם האתגרים היחידים ש-Cohere חייבת להתמודד איתם.
תביעה בגין הפרת זכויות יוצרים
לסטארטאפ ה-AI יש גם מה שאחד המומחים כינה תביעה פוטנציאלית "קובעת תקדים" בגין הפרת זכויות יוצרים מחברות מדיה גדולות. קבוצה של ארגוני מדיה, כולל Toronto Star, Condé Nast ו-Vox, טענו ש-Cohere גרדה תכני מדיה ללא הסכמה והשתמשה בהם כדי להכשיר מודלים של AI, ניגשה לתכנים בזמן אמת ללא רשות והפיקה תפוקות מפרות. Cohere היא רק אחד מני רבים של סטארטאפים של AI המתמודדים עם תביעות דומות. Cohere הכחישה טענות אלה, וטענה שהמוציאים לאור התובעים יצאו מדרכם כדי "לייצר" תיק והכחישה את הרעיון שארעה הפרת זכויות יוצרים מעשית כלשהי.
ג’אנג סירב להציע תגובה רבה בנושא, והפנה את BetaKit לפוסט בבלוג המפרט את החשיבה של Cohere. "אנחנו בטוחים בכך," הוא אמר.
מבט מעמיק יותר על אתגרי הטמעת AI
עסקים רבים צוללים בתחילה ליוזמות AI בהתלהבות רבה, מתוך אמונה ש-AI תחולל מהפכה במהירות בפעולות שלהם ותיצור יעילות שלא נשמעה עליהן קודם לכן. אבל רבים מוצאים את עצמם מתמודדים עם אתגרים משמעותיים שהם לא צפו להם. קשיים אלו יכולים ללבוש צורות שונות, ממורכבות טכנית ועד להתנגדות ארגונית. הבנת אתגרים אלה חיונית לעסקים המקווים ליישם בהצלחה AI ולקבל החזר חיובי על השקעותיהם.
מורכבות טכנית ודרישות נתונים
אחד המכשולים הראשונים שעסקים נתקלים בהם לעתים קרובות הוא המורכבות הטכנית של מערכות AI. מודלים של AI, במיוחד אלה המבוססים על למידה עמוקה, תובעניים מבחינה חישובית ודורשים ידע מיוחד כדי ליצור, להכשיר ולפרוס. נתונים נדרשים גם. לאיכות ולכמות נתוני ההכשרה יש השפעה ניכרת על הביצועים של מודלים של AI. איסוף והכנה של מערכי נתונים עצומים עשויים להיות תהליך גוזל זמן ועתיר משאבים. פרויקטים של AI עשויים להיפגע מחוסר בנתונים מסומנים באיכות גבוהה, מה שגורם למודלים לא מדויקים או מוטים.
יתר על כן, הבטחת יכולת הפעולה ההדדית של מערכות AI עם תשתית IT קיימת מציגה מורכבות נוספת. ייתכן שפלטפורמות ומסגרות AI שונות לא יהיו תואמות למערכות מדור קודם, מה שמצריך שינויים משמעותיים בתהליכי עבודה וארכיטקטורות קיימות. שילוב AI בסביבות ארגוניות מסובכות דורש לעתים קרובות ניסיון רב והבנה חזקה הן של טכנולוגיות AI והן של הפעולות המסחריות הבסיסיות.
מחסומים ארגוניים ותרבותיים
מלבד מכשולים טכניים, ארגונים עשויים להיתקל במחסומים ארגוניים ותרבותיים משמעותיים לאימוץ AI. אחת הבעיות השכיחות היא הסתייגות עובדים לאמץ שינויים מונעי AI. עובדים עשויים להיות מודאגים לגבי תזוזת מקומות עבודה, כמו גם הצורך ללמוד כישרונות חדשים ולהסתגל לשיטות עבודה חדשות. התנגדות מצד עובדים עשויה לפגוע ביוזמות AI ולמנוע את מימוש היתרונות הצפויים.
יתר על כן, פריסת AI מחייבת שיתוף פעולה ניכר בין מחלקות וצוותים. מדעני נתונים, אנשי מקצוע בתחום IT, אנליסטים עסקיים ומומחי תוכן חייבים לשתף פעולה כדי להגדיר בעיות, ליצור פתרונות AI ולפרוס אותם לייצור. סילו ואי תקשורת עלולים לדכא שיתוף פעולה ולמנוע שילוב יעיל של AI בפעולות מסחריות. התגברות על מכשולים ארגוניים ותרבותיים אלה מחייבת מנהיגות חזקה, תקשורת יעילה ומחויבות לניהול שינויים.
חששות אתיים וניהוליים
ככל ש-AI הופכת נפוצה יותר, נושאי אתיקה וניהול הופכים חשובים יותר ויותר. למערכות AI יש את היכולת להנציח דעות קדומות, לקבל החלטות לא הוגנות ולפגוע בפרטיות של אנשים. ארגונים חייבים להתייחס לחששות אלה על ידי פיתוח הנחיות אתיות ונהלי ניהול חזקים לתכנון, פיתוח ופריסה של AI. שקיפות, אחריותיות והגינות הם עקרונות מפתח ל-AI אחראי.
פרטיות נתונים היא נושא חשוב שיש לקחת בחשבון. יש לפעול לפי כללי פרטיות נתונים בעת בניית מערכות AI, יחד עם אמצעי הגנה כדי להגן על מידע רגיש מפני גישה או שימוש לרעה לא רצויים. ארגונים חייבים לקבל הסכמת משתמשים לאיסוף ושימוש בנתונים, כמו גם לספק שקיפות לגבי האופן שבו מודלים של AI מקבלים החלטות. יתר על כן, ארגונים צריכים להיות בעלי מנגנונים במקום לניטור ולביקורת של מערכות AI כדי לגלות ולהפחית סיכונים אתיים או השלכות לא רצויות.
מדידה והדגמה של ROI
בסופו של דבר, ההצלחה של כל פרויקט AI תלויה ביכולתו להפיק החזר השקעה (ROI) מדיד. עם זאת, קביעת ה-ROI של פרויקטים של AI עשויה להיות קשה, במיוחד כאשר היתרונות אינם מוחשיים או ארוכי טווח. ארגונים חייבים לקבוע יעדים ואינדיקטורים ברורים עבור יוזמות ה-AI שלהם, כמו גם לעקוב אחר התקדמות ולמדוד תוצאות באופן קבוע. זה מחייב הבנה מעמיקה של הערך העסקי ש-AI צפויה לספק, כמו גם את המשאבים הנחוצים כדי להשיג ערך זה.
יתר על כן, העברת היתרונות של AI לבעלי עניין היא קריטית להשגת תמיכה וביסוס ביטחון בהשקעות AI. זה עשוי לכלול הצגת מקרי שימוש, הצגת ניצחונות מוקדמים וכימות ההשפעה של AI על מדדי ביצועים חיוניים. כדי לכמת ולהראות בהצלחה את ה-ROI של AI, עסקים חייבים ליצור מסגרת מוגדרת למדידת ביצועים ולהביע בבירור את הצעת הערך לבעלי עניין.
העתיד של אימוץ AI: נקודת מבט מאוזנת
התובנות של איוון ג’אנג מדגישות את החשיבות של גישה מאוזנת לאימוץ AI, כזו שמכירה בפוטנציאל של הטכנולוגיה תוך שמירה על קרקע במציאות מעשית. ככל ש-AI תמשיך להתפתח, חברות יצטרכו להתמקד בבניית פתרונות המספקים ROI מוחשי, מטפלים בבעיות