ניתוח מערכות הוא הדרך המהירה ביותר שאני מכיר כדי למנוע מוויכוחי מימון של בינה מלאכותית להפוך למלחמות של דעות. אם אתם שוקלים השקעה בבינה מלאכותית, אתם זקוקים לשיטה שניתן לחזור עליה כדי להשוות החזר השקעה (ROI), עלות בעלות כוללת (TCO), סיכונים וזמן להשגת ערך זה לצד זה, ולא מצגת של תקוות. מדריך זה מספק את תהליך העבודה להערכה שאני משתמש בו עם צוותים כדי להחליט במה להשקיע ומתי.
מה המשמעות האמיתית של "השקעה בבינה מלאכותית" (ומה היא לא)
השקעה בבינה מלאכותית אינה "קנה כלי ותראה מה קורה". זוהי החלטת תיק השקעות: אילו תהליכי עבודה יעברו אוטומציה או העצמה, אילו נכסי נתונים ישודרגו, ואילו סיכונים אתם מקבלים על עצמכם בתמורה למהירות או איכות.
אני מחלק את ההוצאות על בינה מלאכותית לשלוש קטגוריות מכיוון שכל אחת מתנהגת אחרת מבחינה פיננסית:
סוג השקעה
מה אתם מממנים
דפוס החזר טיפוסי
מצב כשל נפוץ
העצמת פריון
שימוש בעוזרים מבוססי בינה מלאכותית בתוך תהליכי עבודה קיימים (תמיכה, מכירות, מחקר)
החזר מהיר אם האימוץ נשמר
השימוש יורד לאחר דעיכת החידוש
אוטומציה של תהליכים
שינויים מקצה לקצה (ניתוב, אישורים, ניסוח, בקרת איכות)
החזר בינוני, תלוי באינטגרציה
אינטגרציה ומקרי קצה אוכלים את התקציב
בינה מלאכותית במוצר או בהכנסות
תכונות מול לקוחות, תמחור, התאמה אישית
האיטי ביותר, פוטנציאל הרווח הגבוה ביותר
איכות נתונים וחוב הערכה
אם הצוות שלכם לא יכול לנקוב בשם הקטגוריה שבה נמצאת יוזמה מסוימת, אין לכם עדיין תזה להשקעה. יש לכם פרויקט של סקרנות.
כדי לשמור על ההחלטה מבוססת, התחילו עם מסגרת החלטות שהצוות שלכם כבר מכבד. אם אתם זקוקים לבסיס, מסגרות החלטות: המדריך המלא מציג את הנפוצות שבהן ומתי הן נכשלות בפועל.
ניתוח מערכות: תהליך עבודה מעשי להערכה שהצוות שלכם יכול לחזור עליו
ניתוח מערכות, בהקשר זה, הוא שיטה מובנית למיפוי תשומות (עלויות, אילוצים, סיכונים) לתפוקות (תוצאות עסקיות מדידות) ולאחר מכן השוואת אפשרויות באופן עקבי. המטרה אינה חיזוי מושלם. המטרה היא פחות נקודות עיוורות.
להלן תהליך העבודה שעומד בבדיקה של סמנכ"ל כספים ובמציאות ההנדסית:
דרגו כל אפשרות לפי החזר השקעה, עלות בעלות כוללת, סיכון וזמן להשגת ערך.
בצעו ניתוח תרחישים כדי לראות מה נשבר ראשון.
החליטו, ולאחר מכן קבעו טריגר לבדיקה חוזרת (לא "נראה כבר").
המבנה הזה הוא בעצם לוגיקת החלטות שהופכת לנראית לעין. אם אתם רוצים את גרסת הצוות, איך לבחור מסגרת החלטות לצוות שלכם הוא בן לוויה מצוין.
משפט שאני חוזר עליו לעיתים קרובות בסקירות מנהלים: אם אנחנו לא יכולים להסביר מדוע יוזמת בינה מלאכותית זו מנצחת חלופה ללא בינה מלאכותית, אנחנו לא משקיעים, אנחנו מהמרים.
החזר השקעה (ROI): איך להעריך תשואות בלי לשקר לעצמכם
החזר השקעה עבור בינה מלאכותית מוצג לרוב בצורה מוגזמת מכיוון שצוותים ממדלים "תפוקה בתרחיש הטוב ביותר" ומתעלמים מאימוץ, עבודה חוזרת וטיפול בחריגים. מודל החזר השקעה כנה יותר משתמש בשלוש שכבות של תועלות:
ראשית, חיסכון ישיר: הפחתת שעות עבודה, הפחתת הוצאות ספקים, הפחתת זמן מחזור שמורידה ישירות עלויות. שנית, שיפורי איכות: פחות פגמים, פחות הסלמות, שיעור פתרון גבוה יותר בניסיון הראשון. שלישית, השפעה על הכנסות: עלייה בהמרות, שימור, הרחבה או מחזורי מכירות מהירים יותר.
הטריק הוא להמיר כל אחד מהם לערך דולרי עם טווח ביטחון. אני מעדיף גישת ערך צפוי פשוטה:
תועלת שנתית צפויה = (תועלת אם זה עובד) x (שיעור אימוץ) x (שיעור הצלחה)
אם אינכם מקצים שיעורי אימוץ והצלחה, אתם מניחים במשתמע ששניהם עומדים על 100%. זה כמעט אף פעם לא נכון.
עבור מדדי השוואה, משכו נתוני בסיס אמיתיים מהמערכות שלכם. אם אתם חייבים להשתמש בהפניות חיצוניות, השתמשו בהן רק לבדיקות שפיות. לדוגמה, המחקר ארוך הטווח של IBM על עלויות פריצה שימושי כאשר אתם מכמתים חשיפה לסיכון הקשורה לבינה מלאכותית וטיפול בנתונים, מכיוון שהוא מאלץ אתכם לתמחר תוצאות אבטחה בדולרים (ראו דוח IBM על עלות פריצת נתונים).
דוגמה מעשית להחזר השקעה (טייס משנה לניסוח תמיכה)
צוות של 40 נציגי תמיכה מנסח 60,000 תשובות בחודש. זמן הטיפול הממוצע הוא 6 דקות. אם ניסוח בינה מלאכותית מפחית את הזמן נטו ב-45 שניות לאחר בדיקה, מדובר ב-45,000 דקות שנחסכו בחודש, או 750 שעות. לפי 35 דולר לשעה (עלות מלאה), מדובר ב-26,250 דולר לחודש.
עכשיו המציאות: האימוץ הוא 70% לאחר 60 יום, ושיעור ההצלחה (טיוטות שמפחיתות זמן מבלי להוסיף עבודה חוזרת) הוא 80%. התועלת הצפויה הופכת ל-26,250 דולר x 0.7 x 0.8 = 14,700 דולר לחודש.
זה עדיין כסף אמיתי. זה גם חצי מהמספר הראשי שהצוות שלכם יתפתה להציג.
עלות בעלות כוללת (TCO): העלויות שמחליטות בשקט על התוצאה
עלות בעלות כוללת (TCO) היא המקום שבו רוב המקרים העסקיים של בינה מלאכותית מתים לאחר ההשקה. רישיונות הם גלויים. כל השאר הוא המקום שבו התקציבים נאכלים.
עבור השקעה בבינה מלאכותית, אני ממדל TCO על פני שישה קווים:
פריט TCO
מה לכלול
מה צוותים שוכחים
כלים ושימוש
מושבים, קריאות API, אירוח מודלים, כלי הערכה
שימוש בשיא וניסיונות חוזרים
עבודת נתונים
ניקוי, תיוג, גישה, ממשל
חוזי נתונים ובעלות
אינטגרציה
SSO, הרשאות, רישום, חיבורי תהליכי עבודה
ניתוב מקרי קצה
אבטחה ותאימות
סקירות, הערכות ספקים, צוותי אדום
ביקורות שוטפות
ניהול שינויים
העצמה, עדכוני נהלים, תהליכי בקרת איכות
זמן מנהלים ותמריצים
תחזוקה
עדכוני הנחיות ומדיניות, ניטור, סטיית מודל
"מישהו יהיה אחראי לזה" אינה תוכנית
שתי הפניות חיצוניות שוות סימניה כאן. הראשונה היא מסגרת ניהול הסיכונים של NIST לבינה מלאכותית, שנותנת לכם אוצר מילים משותף לבקרות סיכונים וממשל שרואי חשבון וצוותי אבטחה מזהים (NIST AI RMF). השנייה היא עקרונות הבינה המלאכותית של ה-OECD, שהם כוכב צפון מעשי לפריסה אחראית כאשר אתם פועלים באזורים שונים (עקרונות ה-OECD לבינה מלאכותית).
אם אתם רוצים להקל על שיחת ה-TCO, מסגרו אותה כגורמי סיכון ניתנים לשינוי. דפוסי גישה לנתונים, דרישות לבדיקה אנושית ורישום ביקורת הם כולם כפתורים שניתן לסובב כדי להפחית סיכון על חשבון מהירות.
סיכון: כמת אותו עם מטריצת בקרת סיכונים, לא לפי תחושות בטן
סיכון אינו ציון יחיד. זוהי קבוצה של מצבי כשל עם הסתברויות וחומרות שונות. התייחסו לזה כפי שהנדסה מתייחסת לאמינות.
מטריצת בקרת סיכונים היא הפורמט הפשוט ביותר שמצאתי ששומר על יישור קו בין המחלקה המשפטית, האבטחה והמוצר:
קטגוריית סיכון
דוגמה לכשל
אינדיקטור מוביל
בקרה
סודיות
נתונים רגישים דולפים לפלטים או ליומנים
גישה ללא הגבלה, חוסר בהשחרה
מזעור נתונים, בקרות גישה
שלמות
עובדות הזויות נשלחות ללקוחות
בקרת איכות נמוכה, ללא סט הערכה
בדיקה אנושית, רתמת הערכה
זמינות
השבתת ספק חוסמת תהליך עבודה
תלות בספק יחיד
נתיב גיבוי, שמירה במטמון
תאימות
פלט מפר מדיניות או רגולציה
אין אילוצי מדיניות
מעקות בטיחות, עקבות ביקורת
מוניטין
פלט גרוע הופך לציבורי
מקרי שימוש ללא גבולות
הגבלת מקרי שימוש, ניטור
כאן חשיבה של "ניתוח הגדרת שונות" עוזרת, גם אם לעולם לא תקראו לזה כך. אתם מזהים מה משתנה (תפוקות, שיעורי שגיאה) ומה מניע את השונות הזו (הנחיות, נתונים, הקשר, התנהגות משתמש). אם אינכם יכולים להסביר את מניעי השונות, אינכם יכולים לשלוט בהם.
כמו כן, היו מפורשים לגבי פרשנות יחס הסיכון. אם אפשרות א' נוטה פי שניים לייצר תקרית נתונים מוסדרת מאשר אפשרות ב', ליחס הזה יש חשיבות גם אם שניהם בעלי "הסתברות נמוכה". אירועים בעלי חומרה גבוהה שולטים באיכות ההחלטה.
זמן להשגת ערך: מתי לממן פיילוטים לעומת פלטפורמות
זמן להשגת ערך הוא המדד הפוליטי ביותר מכיוון שהוא חושף אם יוזמה היא ניצחון מהיר או הימור על פלטפורמה רב-רבעונית.
אני משתמש בשלושה אופקי זמן:
0-30 ימים: אינטגרציות קלות, עוזרים פנימיים, תהליכי עבודה מוגבלים
30-90 ימים: אוטומציה עם אישורים, מדידה והדרכה
90+ ימים: צינורות נתונים, בינה מלאכותית מול לקוחות, ממשל בקנה מידה גדול
הטעות היא מימון בניית פלטפורמה של 90+ ימים כאשר הארגון לא הוכיח אימוץ. הטעות ההפוכה היא הרצת פיילוטים אינסופיים שלעולם לא מסתיימים כי אף אחד לא מתקצב את עבודת האינטגרציה והניטור ה"משעממת".
השוו אפשרויות עם מטריצת קבלת החלטות (ושמרו עליה מעודכנת)
מטריצת קבלת החלטות היא טבלת ניקוד שהופכת פשרות למפורשות. היא לא מושלמת, אבל היא הרבה יותר טובה ממי שמדבר אחרון בישיבה.
הנה תבנית מטריצה שניתן להעתיק למסמך:
אפשרות
החזר השקעה (1-5)
TCO (1-5, נמוך יותר טוב)
סיכון (1-5, נמוך יותר טוב)
זמן להשגת ערך (1-5)
הערות
אל תעשה כלום
1
5
5
5
הכאב הבסיסי נמשך
פתרון ללא בינה מלאכותית
3
4
4
3
שינוי תהליך, סקריפטים
העצמת בינה מלאכותית
4
3
3
4
זקוק לתוכנית אימוץ
אוטומציית בינה מלאכותית
5
2
2
2
כבד באינטגרציה
השתמשו במשקלים אם ההקשר שלכם דורש זאת. תעשיות מוסדרות צריכות לתת משקל גבוה יותר לסיכון ול-TCO. צוותים בשלבים מוקדמים עשויים לתת משקל גבוה יותר לזמן להשגת ערך.
זה גם המקום שבו תרשים זרימה להחלטות עוזר. אם תהליך העבודה הוא בסיכון גבוה ומול לקוחות, אתם מנתבים לבקרות חזקות יותר ופריסה איטית יותר. אם הוא פנימי והפיך, אתם יכולים לנוע מהר יותר.
Lucid בנויה בדיוק לרגע הזה: הפיכת ויכוח חופשי ללוח אפשרויות מובנה עם יתרונות, חסרונות ותוצאות שנשאר עקבי ככל שההנחות משתנות. כאשר אתם מעדכנים הקשר (עלויות חדשות, אילוצים חדשים), הלוח מתעדכן באופן מיידי, מה שמונע את בעיית ה"גיליון האלקטרוני המיושן" הקלאסית.
מתי בינה מלאכותית היא ההשקעה הלא נכונה (ומה לעשות במקום)
אסטרטגיית בינה מלאכותית חזקה כוללת אמירת "לא". להלן הדפוסים שבהם אני ממליץ בעקביות על גישה ללא בינה מלאכותית תחילה:
אם תהליך העבודה שבור בגלל בעלות לא ברורה, נהלים חסרים או תשומות לא עקביות, תקנו את התהליך. בינה מלאכותית רק תגביר את הבלגן.
אם אינכם יכולים למדוד ביצועי בסיס, אינכם יכולים להוכיח שיפור. בצעו מדידה תחילה.
אם הערך העיקרי הוא "נשמע חכם יותר", תפסיקו. זו לא תוצאה עסקית.
זה גם המקום שבו צוותים נתקעים בוויכוחי יתרונות וחסרונות של בינה מלאכותית. יתרונות וחסרונות אינם ההחלטה. ההחלטה היא האם מקרה שימוש ספציפי זה, עם הנתונים והאילוצים שלכם, מניב תוצאה צפויה טובה יותר מחלופות.
שאלות נפוצות
מהם היתרונות והחסרונות של בינה מלאכותית?
היתרונות כוללים מהירות, קנה מידה ועקביות למשימות שניתן לחזור עליהן, בתוספת תמיכה בהחלטות באמצעות זיהוי דפוסים. החסרונות כוללים הזיות, הטיות, חשיפה לאבטחה ותקורה תפעולית כאשר אתם פורסים ללא ניטור וממשל.
מהו חוק ה-10-10-10 להחלטות?
חוק ה-10-10-10 שואל איך תרגישו לגבי החלטה בעוד 10 דקות, 10 חודשים ו-10 שנים. עבור החלטות השקעה בבינה מלאכותית, הוא שימושי להצפת דאגות ארוכות טווח לגבי ממשל ונעילה לספק שפיילוטים קצרים נוטים להתעלם מהן.
מהו ניתוח SWOT ודוגמאות?
SWOT הוא מסגרת המפרטת חוזקות, חולשות, הזדמנויות ואיומים עבור אפשרות נתונה. עבור בינה מלאכותית, SWOT טוב כולל מוכנות נתונים כחוזקה או חולשה, וחשיפה רגולטורית כאיום, לא רק "בינה מלאכותית היא חדשנית".
מהם 10 החסרונות של בינה מלאכותית?
אתם לא צריכים רשימה של עשרה כדי לקבל החלטה. החסרונות שחשובים בדרך כלל להשקעה הם שיעורי שגיאה, סיכון אבטחה ופרטיות, מורכבות תאימות, עלות אינטגרציה ונטל התחזוקה השוטף של שמירה על אמינות הפלטים.
צעד מעשי הבא: בצעו סקירת מימון בינה מלאכותית של 45 דקות עם לוח אמיתי
בחרו יוזמת בינה מלאכותית אחת שאתם מתווכחים עליה כרגע. כתבו את ההחלטה במשפט אחד, הגדירו את מדד הבסיס, ודרגו שלוש אפשרויות: אל תעשה כלום, פתרון ללא בינה מלאכותית וגישת בינה מלאכותית. לאחר מכן בצעו ניתוח תרחישים מהיר (בסיס, תרחיש חיובי, תרחיש שלילי) והחליטו אילו ראיות אתם צריכים תוך 30 יום כדי להמשיך במימון.
אם אתם רוצים לעשות זאת בלי להטט בגיליונות אלקטרוניים, בנו את האפשרויות כלוח החלטות ב-Lucid כך שבעלי עניין יוכלו להשוות נתיבים בתצוגות רשת, טבלה ומיקוד ולשמור על עקביות התוצאות ככל שההנחות משתנות. התחילו עם דילמה אחת ומפו אותה ללוח אפשרויות על ידי יצירת חשבון חינם ב-יצירת סביבת העבודה שלכם ב-Lucid.