בינה מלאכותית ועסקים

בינה מלאכותית גנרטיבית מול אוטומציית תהליכים: מה ההבדל

בעל עסק שאל אותנו בחודש שעבר למה עליו לשלם על אוטומציית וואטסאפ כשהצוות שלו כבר משתמש ב-ChatGPT לכל דבר. שאלה הגיונית. התשובה הכנה היא שבינה מלאכותית גנרטיבית ואוטומציית תהליכים פותרות בעיות שונות, ובלבול בין השתיים הוא בדיוק הדרך לקבל בוט שכותב תשובה יפה ללקוח הלא נכון, שעתיים וחצי באיחור, בלי שום תיעוד על מה בכלל קרה.

שתי עבודות שונות שקוראים לשתיהן "AI"

בינה מלאכותית גנרטיבית טובה בלייצר דבר חדש מתוך הנחיה: פסקה, תמונה, תקציר, תשובה הגיונית לשאלה פתוחה. בבסיסה זה כותב ואנליסט מאוד מוכשר שפשוט לא נרדם. אוטומציית תהליכים טובה בדבר אחר: לבצע את אותם שלבים מוגדרים בדיוק נכון, בכל פעם מחדש, בלי יצירתיות ובלי סטייה מההנחיה. אחד ממציא טקסט. השני מבצע תהליך. לקרוא לשניהם "AI" זה נכון באופן טכני, אבל מבלבל בפועל, כי אנשים מתחילים לצפות מכלי אוטומציה לאלתר ומשפת מודל לשמור על חוקים עסקיים נוקשים, והמצב בדרך כלל הפוך.

זה קצת כמו ההבדל בין קופירייטר למסוע. אתם לא תבקשו מהמסוע להמציא סלוגן, ובטח לא תרצו שהקופירייטר יחליט אילו קופסאות נשלחות לאיזו כתובת היום.

במה AI גנרטיבי באמת טוב בעסק קטן

בטיוטות. זה בעצם רוב התועלת שלו, בכנות. גרסה ראשונה של פוסט לבלוג, תשובה לתלונת לקוח שצריכה טון אנושי, תקציר של עשרים חוות דעת כדי שלא יצטרכו לקרוא את כולן. הוא מצוין בלכווץ ערימת טקסט מבולגנת למשהו שאפשר לקרוא ברפרוף בשלושים שניות. הוא גם די טוב בסיעור מוחות: חמש אפשרויות לכותרת מייל לקמפיין, שלוש ניסוחים למדיניות החזרים שלא יישמעו קרים מדי.

מה שהוא לא טוב בו: לזכור מה קרה אתמול, להתחבר למערכת ההזמנות האמיתית שלכם, להבטיח תוצאה זהה פעמיים. תשאלו אותו את אותה שאלה בשני ימים שונים ותקבלו אולי שתי תשובות שונות. לטיוטה יצירתית ראשונה זה אפילו יתרון. להחליט אם לקוח זכאי להחזר לפי המדיניות האמיתית שלכם, זה סיכון.

במה אוטומציית תהליכים באמת טובה

אוטומציה מצטיינת כשהשלבים ידועים והקלט מובנה, או שאפשר להפוך אותו למובנה. ליד ממלא טופס, מקבל תג לפי מקור ההגעה, מתועד ומועבר למוכר הנכון, מקבל הודעת אישור, הכל בתוך שתי שניות, בכל פעם מחדש, עם יומן שמראה בדיוק מה קרה. שום כלי אוטומציה לא יכתוב לכם תשובה חדה לשאלה חריגה של לקוח. הוא גם לא מנסה. כל הערך שלו הוא לבצע באופן אמין את החלק המשעמם והחזרתי כך שאף אחד לא יצטרך לחשוב עליו יותר.

שני הכלים עובדים הכי טוב ביחד, לא כתחליף זה לזה. מודל שפה יכול לקרוא מייל נכנס ולנסח טיוטת תשובה. שכבת האוטומציה מחליטה אם הטיוטה הזו צריכה אישור של בן אדם לפני שהיא נשלחת, מתעדת את האינטראקציה ב-CRM, ומעבירה לאדם אם הלקוח מזכיר ביטול. המודל מטפל בשפה. האוטומציה מטפלת בתהליך שהוא צריך לעמוד בו.

איפה עסקים נתקעים

הטעות הנפוצה ביותר שאנחנו רואים היא להתייחס לצ'אטבוט שבנוי על מודל שפה כאילו הוא תהליך עבודה גמור. מישהו מחבר ChatGPT לוואטסאפ, מתרשם מהשטף של השיחה, ומניח שהחלק הקשה הסתיים. בדרך כלל זה לא כך. החלק הקשה מתחיל אחרי השיחה: האם ההזמנה בכלל נוצרת במערכת, האם האדם הנכון מקבל התראה, ואם קיימת בכלל תיעוד שהלקוח הזה בקש החזר בפעם השנייה החודש. צ'אטבוט בלי תהליך מאחוריו הוא מבוי סתום רהוט מאוד.

הטעות ההפוכה פחות נפוצה אבל קיימת: לבנות אוטומציה נוקשה למשהו שבאמת דורש שיקול דעת, כמו פענוח תלונה כועסת ועמומה, ולהגיע לתסריט שעונה בביטחון על השאלה הלא נכונה. כשהקלט מבולגן ופתוח לפרשנות, שם בדיוק מודל השפה מצדיק את מקומו, בתנאי שהוא פועל בתוך תהליך שיודע מה לעשות עם התשובה שלו.

איך מחליטים בפועל מה צריך

שאלו איזו תוצאה המשימה דורשת. אם התשובה צריכה להיות כתובה, מתומצתת או מוסברת בשפה טבעית, ושינויים קטנים מבין פעם לפעם לא מפריעים, לכו לכיוון AI גנרטיבי. אם התשובה צריכה להפעיל פעולה, לעדכן רשומה, או לקרות בדיוק באותו אופן בלי יוצא מהכלל, לכו לכיוון אוטומציה. רוב תהליכי העבודה האמיתיים צריכים קצת משניהם: מודל שמבין ומנסח, ותהליך מוגדר שמבטיח שבסוף קורה בדיוק מה שצריך לקרות.

אין צורך לבחור צד בדיון מופשט על AI. צריך את כלי הטיוטות לטיוטות ואת המכונה האמינה לשלבים החזרתיים, מחוברים זה לזה באופן הגיוני. בחיבור הזה בדרך כלל מתגלה הערך האמיתי, וגם בדיוק החלק שרוב העסקים מדלגים עליו כי הוא פחות מרשים מהדגמה של צ'אטבוט.

יש לכם תהליך שחוזר על עצמו ושורף שעות?

ספרו לנו עליו בכמה מילים, ונראה לכם איך אוטומציה תעבוד על הנתונים שלכם.

דברו איתנו

קריאה נוספת