ארגונים היום מתפצלים לשניים: אלו שנותנים ל-AI לעשות הכל ומקבלים תוצרים גנריים, מלאי הזיות ונטולי נשמה, ואלו שמפחדים מה-AI וממשיכים לעשות הכל ידנית בקצב של צב.
הקבוצה השלישית, המנצחת, היא אלו שמבינים את אמנות ה-Handoff, המסירה.
זהו תהליך עבודה מעוצב שבו ה-AI ובני אדם עובדים כצוות אחד, כשכל צד עושה את מה שהוא טוב בו.
הסוד הוא לא באיכות המודל. הוא בנקודות הממשק: הרגע שבו ה-AI מעביר את המקל לאדם, והרגע שהאדם מחזיר אותו.
| מתאים ל-AI | מתאים לאדם |
|---|---|
| נפח גבוה, שונות נמוכה | נפח נמוך, שונות גבוהה |
| טעות עולה מעט וניתנת לתיקון | טעות עולה ביוקר או בלתי הפיכה |
| התשובה ניתנת לאימות מול מקור | התשובה דורשת שיפוט או הקשר ארגוני |
| אין השלכה משפטית או רגשית | יש לקוח, כסף או אדם בצד השני |
השורה השנייה היא הקובעת. השאלה הנכונה היא לא "האם ה-AI יודע לעשות את זה", אלא "מה קורה כשהוא טועה, ומי יגלה".
שימו לב שהאדם נכנס פעמיים, ובשני תפקידים שונים. בשלב 2 הוא מחליט, בשלב 4 הוא מאשר. אם תמזגו את שניהם לנקודה אחת, קיבלתם אדם שמאשר תוכן שלא באמת קרא.
כשה-AI צודק ב-95% מהמקרים, האדם שבודק אחריו מפסיק לבדוק אחרי שבועיים. הוא לוחץ אישור. זה לא עצלות, זו התנהגות צפויה: תשומת לב אנושית נשחקת כשהיא כמעט תמיד מיותרת.
הפתרון: אל תבקשו מאדם לאשר הכל. בקשו ממנו לאשר את המקרים שה-AI עצמו סימן כלא בטוחים, ולדגום אקראית אחוז קטן מהשאר. בדיקה של 10% שבאמת קוראים שווה יותר מ-100% שמאשרים בלי להסתכל.
ה-AI מעביר לאדם פלט, ולא מעביר לו למה. האדם מקבל טיוטה ולא יודע על מה היא מבוססת, מה היה בטוח ומה נוחש, ולכן הוא צריך לעשות את כל העבודה מחדש כדי לבדוק.
הפתרון: כל מסירה כוללת את המקורות, את מה שהמודל לא מצא, ואת הנקודות שבהן הוא היה לא בטוח. זה הופך בדיקה של עשר דקות לבדיקה של דקה.
האדם מתקן את אותה טעות בפעם השלושים. אף אחד לא מעדכן את ה-prompt.
הפתרון: תיקון חוזר הוא באג בתהליך, לא משימה. אם אותו תיקון חוזר שלוש פעמים, הוא צריך להיכנס להוראות ולא ליומן העבודה.
מהתהליך עם הנפח הגבוה ביותר שבו טעות עולה הכי מעט. זה המקום שבו יש הכי הרבה מה להרוויח והכי מעט מה להפסיד בזמן הלמידה.
זה תלוי לגמרי בתהליך, ואי אפשר לדעת בלי למדוד. תמדדו את התהליך הקיים בשעות לפני שאתם משנים משהו, אחרת לא תדעו להבדיל בין שיפור אמיתי לבין תחושה.
לרוב לא. Make ו-Zapier מכסים את רוב המסירות בין מערכות. מתכנת נדרש כשיש לוגיקה עסקית מורכבת או מערכת פנימית בלי API.
מצמצמים את התפקיד שלו. מודל שמסכם מסמך שנתתם לו טועה הרבה פחות ממודל שנשאל שאלה פתוחה. ככל שהתשובה ניתנת לאימות מול מקור שסיפקתם, כך ההזיות פוחתות.
ב-Elya Strategy אנחנו לא רק אומרים לכם להשתמש ב-AI. אנחנו מעצבים עבורכם את ה-Workflows האלו, כדי שהצוות שלכם יהפוך לצוות-על היברידי.
בואו ננתח את זרימת העבודה הקיימת שלכם ונמצא את נקודות הממשק המושלמות. ייעוץ לעיצוב זרימות עבודה היברידיות
עבודה ידנית איטית עולה לכם ביוקר. בדקו את פוטנציאל החיסכון שלכם. למחשבון חיסכון AI וכוח אדם >
רוצים לעצב את זרימת העבודה הזו? עיצוב זרימת עבודה AI-אדם מתכנן את המסירות בין AI לצוות.