שאלות ששווה לשאול לפני שבוחרים יועץ AI

שוק ה-AI צפוף ורועש, ורוב הקונים בוחרים יועץ בפעם הראשונה. חוסר הסימטריה הזה הוא לא באשמתכם, אבל הוא הסיכון שלכם. השאלות כאן נשענות על כשלים מתועדים במחקר ובעיתונות העסקית בישראל, לא על סיפורי אימה על אף אחד ספציפי. שאלו אותן את כל מי שאתם מדברים איתו, כולל אותנו.

1. האם מי שמבצע את האפיון הוא גם מי שיבנה בפועל?#

בחברות רבות איש בכיר מתכנן את הפתרון, וצוות אחר מממש אותו. במעבר הזה דולפים בשקט הקשר, הנחות עבודה ואחריות. שאלו מי בדיוק יכתוב את הקוד, והאם הוא ישב בפגישות האפיון. אם התשובה היא ‘צוות הביצוע שלנו’, בקשו לפגוש אותו לפני חתימה.

2. איך זה ישתלב במערכות שאנחנו כבר עובדים איתן?#

בסיקור אימוץ AI בעיתונות העסקית בישראל (כלכליסט), היעדר שילוב עם מערכות הליבה הוא אחד החסמים הנפוצים ביותר שרוכשי AI מציינים, לצד מחסור בכישורים ואבטחה, וחיבור ל-ERP ול-CRM מוצג כחובה מהיום הראשון, לא כמותרות של שלב שני. מודל שחי מחוץ ל-ERP מייצר דוח שמישהו צריך להקליד מחדש. בקשו תוכנית שילוב קונקרטית למערכות שלכם, בשמן, ומי כבר עשה את זה בעבר.

3. האם הנתונים שלנו באמת מוכנים לזה, והאם תגידו לנו אם לא?#

מוכנות נתונים היא החסם האמיתי הנפוץ ביותר. על פי סיקור בעיתונות הטכנולוגית בישראל (גיקטיים), נתונים מפוזרים ולא מוכנים עומדים מאחורי רוב מכריע של יוזמות AI שנכשלו. יועץ שבוחן את הנתונים שלכם לפני שהוא מתמחר, ומוכן להגיד ‘אתם עוד לא בשלים, תתקנו קודם שלושה דברים’, שומר על התקציב שלכם. יועץ שמתמחר בלי להסתכל על הנתונים מתמחר פנטזיה.

4. מה התוכנית לעבור מהדגמה עובדת למערכת בייצור, ומה הניסיון שלכם בדיוק בצעד הזה?#

מחקר של MIT שזכה לסיקור נרחב בעיתונות העסקית בעברית מצא שהרוב המכריע של ניסויי GenAI בארגונים לא מייצר החזר השקעה מדיד, ורק אחד מכל עשרים בערך מגיע לייצור. זו סטטיסטיקה על ניסויים ארגוניים, לא על יועצים, אבל היא מלמדת איפה פרויקטים מתים: אחרי ההדגמה. שאלו מה זה ‘גמור’ בהצעה. אם ‘גמור’ הוא הדגמה, החלק המסוכן של הפרויקט נשאר בלי מחיר.

5. כשזה נמסר, של מי המודל, הקוד ותשתית הנתונים?#

יש התקשרויות שבסופן אתם בעלים של תוצר, ויש כאלה שבסופן אתם שוכרים אותו. אף אחת מהאפשרויות אינה פסולה, אבל כדאי לדעת מה אתם קונים. שאלו ישירות: אם ניפרד בעוד שנה, האם המערכת ממשיכה לרוץ, האם הצוות שלכם או ספק אחר יכולים לתחזק אותה, והאם משהו ממותג או מתומחר לפי שימוש?

6. אפשר לראות תחזיות שנבחנו מול מה שקרה בפועל?#

כל אחד יכול להציג דיוק על שקף. הראיה החזקה ביותר שספק תחזיות יכול להציג היא יומן: תחזיות שניתנו מראש, מול תוצאות אמת, לאורך חודשים. שאלו האם הם מנהלים מעקב כזה ללקוחותיהם, והאם יתחייבו לנהל אותו עבורכם. ספק שבטוח במודלים שלו ישמח להיבחן.

7. מה קורה בלי אינטרנט? האם זה יכול לרוץ ברשת סגורה?#

אם אתם פועלים בביטחוני, בתשתיות קריטיות או בכל סביבה עם מידע רגיש, שאלו מוקדם האם הפתרון המוצע יכול לרוץ כולו בתוך רשת סגורה (סביבה מבודדת ללא חיבור לאינטרנט), בלי ששום דבר יוצא ממנה. הרבה פתרונות בנויים סביב שירותי ענן חיצוניים ופשוט לא יכולים. פריסות AI מנותקות קיימות היום ברמות הסיווג הגבוהות בעולם, כך ש’אי אפשר בלי אינטרנט’ כבר אינו נתון; זו החלטת תכנון.

8. על איזה מדד הצלחה נסכם לפני שבונים, ומה קורה אם לא עומדים בו?#

התעקשו על מדדי הצלחה (KPI) במונחים עסקיים לפני תחילת הפיתוח, שנמדדים מול המצב הקיים אצלכם, עם נקודת החלטה מוסכמת אם המספרים לא עומדים ברף. פרויקטים בלי מדד מוסכם מראש לא נכשלים; הם פשוט אף פעם לא נגמרים.

9. מה הפרויקט הזה לא הולך לעשות?#

לתכולה הגונה יש גבולות. שאלו מה מחוץ לתכולה במפורש, לאילו בעיות הגישה הזאת לא מתאימה, ואיזה לקוח היועץ מסרב לקחת. מי שמעולם לא אמר ללקוח משלם ‘אנחנו לא הכתובת הנכונה לזה’, לא יתחיל דווקא אצלכם.

10. מה קורה אחרי המסירה?#

מודלים נשחקים כשהמציאות משתנה. שאלו מי מנטר ביצועים אחרי המסירה, איך נראה עדכון מודל, כמה זה עולה, והאם הליווי הוא חוזה או טובה. מערכת שנמסרה בלי תוכנית להמשך היא שעון עצר.