AI בתהליכים תפעוליים מול ERP: מה עובד היום, מה נכשל ואיפה עדיין חייבים אדם?
מנהל תפעול שומע היום שוב ושוב שאפשר לחבר בינה מלאכותית למערכת ה-ERP ולתת לה לטפל בהזמנות, בחשבוניות ובמסמכי ספקים.
ההבטחה נשמעת פשוטה. לקוח שולח הזמנה במייל, המערכת קוראת אותה, מזהה את הפריטים, מקימה הזמנה ב-ERP ומעבירה אותה להמשך טיפול. בלי הקלדה, בלי העתקה ובלי התערבות של עובד.
אבל למנהל יש שאלות אחרות.
כמה שעות עבודה זה באמת יחסוך? מה יקרה כשהלקוח יכתוב שם פריט שלא קיים בקטלוג? מי יטפל בהזמנה שהגיעה עם מחיר שגוי? ואיך נדע שהמערכת לא יצרה הזמנה שגויה בלי שאיש הבחין בכך?
אלה השאלות שצריך לשאול לפני שמתחילים פרויקט AI תפעולי.
כי היכולת של בינה מלאכותית להבין מסמך היא רק חלק קטן מהתהליך. האתגר האמיתי מתחיל כשהמידע צריך להפוך לפעולה בתוך מערכת ERP, עם השלכות על מלאי, כספים, רכש, לוגיסטיקה ושירות לקוחות.
מה בעצם עושה AI בתוך תהליך ERP?
כדאי להפריד בין שלוש פעולות שונות.
הראשונה היא קריאת מידע. המערכת מקבלת מסמך PDF, קובץ מצורף, הודעת מייל או תמונה, ומחלצת מתוכם נתונים. שם ספק, מספר הזמנה, תאריך, פריטים, כמויות ומחירים.
השנייה היא הבנת המידע והתאמתו לנתוני העסק. כאן המערכת צריכה להבין לאיזה לקוח מתייחסת ההזמנה, איזה מק"ט מתאים לתיאור שהתקבל, האם המחיר נכון והאם מדובר במסמך חדש או במסמך שכבר נקלט.
השלישית היא ביצוע פעולה במערכת ה-ERP. הקמת הזמנה, קליטת חשבונית, עדכון נתונים, פתיחת חריגה או העברת מסמך לאישור.
שלוש הפעולות האלה שונות מאוד ברמת הסיכון שלהן.
טעות בקריאת מסמך אפשר בדרך כלל לתקן לפני הקליטה. טעות בזיהוי פריט עלולה ליצור הזמנה שגויה. טעות בהקמת תנועת מלאי או במסמך כספי כבר יכולה להשפיע על תהליכים נוספים בארגון.
לכן השאלה אינה רק האם AI מסוגל לקרוא את המסמך.
השאלה היא האם אפשר לסמוך על התוצאה מספיק כדי לאפשר למערכת לבצע פעולה, ובאילו תנאים.
תרחיש ראשון: הזמנת רכש שמגיעה במייל
נניח שחברה מקבלת בכל יום עשרות הזמנות מלקוחות עסקיים.
חלק מהלקוחות שולחים קובצי PDF מסודרים. אחרים שולחים קובצי Excel. יש לקוחות שפשוט כותבים בגוף המייל רשימת פריטים וכמויות.
עובד במחלקת ההזמנות פותח כל הודעה, מזהה את הלקוח, מחפש את הפריטים במערכת ה-ERP ומקליד הזמנה.
זה תהליך שמתאים לבחינת אוטומציה באמצעות AI.
מה נכנס לתהליך?
מייל מהלקוח, לעיתים עם קובץ מצורף, הכולל רשימת מוצרים, כמויות, מחירים, כתובת אספקה והערות.
מה המערכת יכולה לעשות?
לקרוא את ההזמנה, לחלץ את הנתונים, לזהות את הלקוח, לחפש התאמות בקטלוג הפריטים ולהכין הזמנה במערכת ה-ERP.
כאשר כל הנתונים מתאימים לכללים שהוגדרו מראש, אפשר לאפשר קליטה אוטומטית.
איפה מתחילות הבעיות?
לקוח מזמין פריט בשם מסחרי שאינו מופיע בקטלוג.
לקוח אחר משתמש במק"ט ישן.
לקוח שלישי כותב "כמו בהזמנה הקודמת", אבל בהזמנה הקודמת היו כמה וריאציות של אותו מוצר.
ויש גם לקוח שהזמין 100 יחידות, אך התכוון ל-100 אריזות.
AI עשוי להציע התאמה שנראית סבירה. אבל התאמה סבירה אינה בהכרח התאמה נכונה.
אם קיימים בקטלוג שני מוצרים דומים, המערכת עלולה לבחור את המוצר הלא נכון.
כאן צריך להבחין בין זיהוי לבין החלטה.
אפשר לתת ל-AI לזהות את הנתונים ולהציע מק"ט. אבל כאשר ההתאמה אינה חד-משמעית, עדיף להעביר את ההזמנה לבדיקה אנושית.
העובד לא צריך להקליד מחדש את כל ההזמנה. הוא צריך לטפל רק בשורות שהמערכת לא הצליחה להתאים באופן ודאי.
זה כבר חיסכון משמעותי בעבודה, גם אם התהליך אינו אוטומטי לחלוטין.
תרחיש שני: התאמה בין הזמנת רכש, תעודת משלוח וחשבונית ספק
זה אחד התהליכים המעניינים יותר לאוטומציה, משום שהוא כולל לא רק קריאת מסמכים אלא גם בדיקה עסקית.
חברה מזמינה מספק 200 יחידות של מוצר מסוים.
הספק מספק 180 יחידות, מצרף תעודת משלוח, ובהמשך שולח חשבונית.
העובד צריך לבדוק מה הוזמן, מה התקבל בפועל ומה חויב.
מה נכנס לתהליך?
הזמנת רכש מתוך מערכת ה-ERP, תעודת משלוח וחשבונית ספק.
מה המערכת יכולה לעשות?
לחלץ את פרטי החשבונית ותעודת המשלוח, להשוות כמויות ומחירים להזמנת הרכש, לזהות פערים ולהציג אותם לבדיקה.
אם קיימת התאמה מלאה, אפשר להעביר את המסמך להמשך תהליך הקליטה בהתאם לכללי הארגון.
מה קורה כשיש התאמה חלקית?
נניח שהוזמנו 200 יחידות, התקבלו 180 והחשבונית היא על 200.
המערכת יכולה לזהות את הפער.
אבל היא לא בהכרח יודעת מה משמעותו.
ייתכן ש-20 יחידות נמצאות במשלוח נוסף. ייתכן שהספק חייב בטעות. ייתכן שחלק מהסחורה התקבל במחסן אחר וטרם נרשם.
וייתכן שהחברה הסכימה מראש לחיוב מלא.
המידע הזה לא תמיד מופיע במסמכים שה-AI קיבל.
לכן זיהוי החריגה יכול להיות אוטומטי, אבל ההחלטה כיצד לטפל בה דורשת לעיתים מידע נוסף ואישור של אדם מוסמך.
יש כאן גם הבחנה חשובה בין תעודת משלוח לבין קליטת סחורה בפועל.
תעודת משלוח היא הצהרה של הספק. היא אינה הוכחה לכך שכל הכמות התקבלה ונבדקה במחסן.
אם מערכת האוטומציה מתייחסת לתעודת המשלוח כאילו היא אישור קבלה, היא עלולה לאשר חשבונית על סחורה שלא התקבלה בפועל.
תרחיש שלישי: התאמת שמות פריטים ומק"טים
בארגונים רבים, קטלוג הפריטים במערכת ה-ERP אינו זהה לשמות שבהם משתמשים הלקוחות והספקים.
אותו מוצר יכול להופיע בכמה שמות.
הספק משתמש במק"ט שלו. החברה משתמשת במק"ט פנימי. הלקוח מכיר את המוצר בשם מסחרי.
לפעמים אפילו בתוך אותו ארגון קיימים שמות שונים לאותו פריט.
AI יכול לסייע בזיהוי הקשרים בין השמות, גם כשהם אינם זהים.
לדוגמה, ספק שולח חשבונית שבה מופיע התיאור "בורג נירוסטה M6 אורך 30", ובמערכת ה-ERP קיים פריט בשם "בורג אלן נירוסטה 6X30".
המערכת עשויה לזהות שמדובר באותו מוצר.
אבל מה קורה כשבקטלוג קיימים גם בורג אלן וגם בורג משושה באותן מידות?
או כשהספק משתמש בתיאור כללי שלא מציין את סוג הראש?
במקרה כזה, התאמה על בסיס דמיון טקסטואלי אינה מספיקה.
צריך להתייחס גם למאפיינים הטכניים, ליחידות המידה, ליצרן, להיסטוריית הרכישות ולכללי ההתאמה שהארגון הגדיר.
כאשר יש התאמה מוכרת ומאומתת בין מק"ט הספק למק"ט הפנימי, אין סיבה לבקש מה-AI לנחש אותה בכל פעם מחדש.
עדיף לשמור טבלת התאמות מסודרת ולהשתמש בה באופן קבוע.
AI יכול לסייע ביצירת ההתאמות. מערכת כללים צריכה לשמור על העקביות שלהן.
מה AI עדיין לא עושה מספיק טוב?
הטכנולוגיה התקדמה מאוד ביכולת לקרוא ולהבין מסמכים. אבל בתהליכים תפעוליים יש מצבים שבהם תשובה שנשמעת הגיונית אינה מספיקה.
הנחות ותנאים מסחריים מורכבים
לקוח מקבל הנחה קבועה של 12%, ובנוסף הנחה של 3% על הזמנות מעל כמות מסוימת.
אבל ההנחה הנוספת אינה חלה על מוצרים במבצע.
בחלק מההסכמים ההנחות מצטברות. באחרים ההנחה השנייה מחושבת מהמחיר שכבר הופחת.
AI יכול לקרוא את ההסכם ולחלץ ממנו תנאים. אבל חישוב המחיר הסופי צריך להתבצע לפי כללים עסקיים ברורים.
אם התנאים אינם מוגדרים בצורה חד-משמעית, המערכת עלולה להגיע לתוצאה שגויה.
ככלל, עדיף להשתמש ב-AI להבנת המידע ובמנגנון חישוב מוגדר לביצוע החישובים.
מק"ט שגוי או לא קיים
כאשר לקוח מזמין מק"ט שאינו קיים במערכת, AI יכול להציע פריט חלופי.
הבעיה היא שהצעה אינה אישור להחלפה.
ייתכן שמדובר בפריט שהופסק, במוצר שהוחלף או בטעות הקלדה פשוטה.
החלפה אוטומטית של מק"ט עלולה ליצור טעות שקשה לזהות בהמשך.
במקרים כאלה נדרש כלל ברור: האם מותר להחליף מק"ט, על סמך איזה מידע ומי מאשר את ההחלפה.
ספק שמופיע בשני שמות
ספק יכול להופיע בחשבונית בשם החברה הרשום, בתעודת המשלוח בשם המסחרי ובמייל בשם מקוצר.
AI עשוי לזהות שמדובר באותו ספק.
אבל זיהוי ספק לצורך פעולה כספית אינו יכול להסתמך רק על דמיון בין שמות.
צריך לבדוק מזהים חד-משמעיים, כגון מספר עוסק או מספר חברה, ולהתייחס גם למבנה הספקים הקיים במערכת.
במיוחד כאשר מדובר בשתי חברות קשורות, סניפים או ישויות משפטיות שונות.
התאמה חלקית בין מסמכים
התאמה מלאה היא המקרה הפשוט.
התאמה חלקית היא המקום שבו התהליך הופך למורכב.
חשבונית יכולה לכלול כמה הזמנות רכש. הזמנה אחת יכולה להתפצל לכמה משלוחים. תעודת משלוח יכולה לכלול פריטים שסופקו כתחליף לפריטים שהוזמנו.
כדי לטפל במקרים האלה צריך להגדיר מראש אילו פערים מותרים, מה מחייב אישור ומה נחשב חריגה.
AI יכול לעזור לזהות קשרים בין המסמכים, אך הוא לא אמור להמציא את המדיניות העסקית.
שינויים בדיעבד
זה אחד המצבים הבעייתיים ביותר.
לקוח שולח הזמנה. המערכת קולטת אותה. לאחר שעה מגיע מייל נוסף עם בקשה לשנות את הכמות.
בינתיים ההזמנה כבר הועברה למחסן.
האם מותר לעדכן אותה?
ומה אם כבר הודפסה תעודת ליקוט, הוקצה מלאי או נוצר משלוח?
היכולת להבין את הבקשה החדשה אינה הבעיה.
הבעיה היא להבין מה כבר התרחש במערכת ומה מותר לשנות בשלב הנוכחי.
לכן תהליך AI חייב להיות מחובר לסטטוס העסקי האמיתי של המסמך, ולא רק לתוכן ההודעות שהתקבלו.
כשהמערכת בטוחה בתשובה שגויה
יש עוד בעיה שחשוב להכיר.
מערכות AI יכולות להחזיר תשובה שגויה בניסוח משכנע, ולעיתים גם עם ציון ביטחון גבוה.
לכן ציון הביטחון של המודל אינו תחליף לבדיקה מול נתוני ה-ERP.
אם המערכת זיהתה מק"ט, צריך לבדוק שהוא קיים, פעיל ומתאים ללקוח ולהזמנה.
אם היא חילצה סכום חשבונית, צריך לבדוק את הסכומים, המטבע, המע"מ וההתאמה למסמכים האחרים.
במערכת תפעולית, התוצאה צריכה לעבור אימות לפי כללים עסקיים, גם כשה-AI נראה בטוח לחלוטין.
מתי אוטומציה באמצעות AI באמת משתלמת?
לא כל תהליך שמבוצע ידנית מצדיק פרויקט AI.
לפני שבוחרים טכנולוגיה, צריך להבין את היקף העבודה הקיים.
נניח שארגון מקבל 80 הזמנות ביום, וכל הזמנה דורשת בממוצע 4 דקות עבודה ידנית.
מדובר בכ-320 דקות ביום, כלומר כ-5.3 שעות עבודה.
ב-22 ימי עבודה מדובר בכ-117 שעות בחודש.
אם האוטומציה תאפשר טיפול אוטומטי ב-70% מההזמנות, והיתר ימשיכו לדרוש טיפול אנושי, פוטנציאל החיסכון הראשוני הוא כ-82 שעות בחודש.
אבל זה עדיין לא החיסכון בפועל.
צריך להפחית את הזמן שיידרש לטיפול בחריגות, בבדיקות, בתיקונים ובתחזוקת התהליך.
אם למשל כל הזמנה חריגה דורשת יותר זמן מאשר בעבר, החיסכון הכולל יקטן.
מצד שני, ייתכן שהמערכת תכין גם את ההזמנות החריגות, והעובד יצטרך לתקן רק שורה אחת במקום להקליד את כל המסמך.
לכן לא מספיק לספור כמה מסמכים נקלטו אוטומטית. צריך למדוד כמה זמן עבודה נחסך בפועל.
מספר המסמכים אינו המדד היחיד
ארגון שמקבל 20 מסמכים ביום עשוי להפיק תועלת גדולה יותר מארגון שמקבל 200.
הכול תלוי במורכבות המסמכים ובמחיר של הטעויות.
אם כל מסמך דורש חיפוש ידני, בדיקה מול כמה מערכות ושיחות עם ספקים, גם כמות קטנה יחסית יכולה להצדיק אוטומציה.
לעומת זאת, אם מדובר במסמכים אחידים שנקלטים בתוך חצי דקה, ייתכן שפתרון פשוט יותר יספיק.
כמה עולה טעות אחת?
זו שאלה שחשוב לשאול לפני שמחשבים חיסכון.
טעות במק"ט יכולה לגרום לליקוט מוצר לא נכון, משלוח חוזר, זיכוי, טיפול בשירות לקוחות ואובדן זמן במחסן.
טעות בכמות יכולה להשפיע על המלאי ועל זמינות המוצרים.
טעות בחשבונית יכולה לגרור בירור מול ספק, תיקון רישומים ועיכוב בתשלום.
ולפעמים טעות אחת משפיעה על כמה מחלקות.
לכן החישוב הכלכלי צריך לכלול גם את עלות הטעויות שהאוטומציה עשויה למנוע וגם את עלות הטעויות החדשות שהיא עלולה ליצור.
לא כל תהליך צריך AI
יש נטייה לנסות לפתור כל תהליך ידני באמצעות בינה מלאכותית.
אבל אם ספק שולח קובץ מסודר עם שדות קבועים, ייתכן שאפשר לקלוט אותו באמצעות ממשק נתונים רגיל, בלי AI בכלל.
אם יש API שמאפשר לקבל הזמנות ישירות ממערכת הלקוח, זו בדרך כלל אפשרות שכדאי לבדוק לפני שמפתחים מנגנון לקריאת PDF.
AI מתאים במיוחד למקומות שבהם המידע אינו מובנה: מיילים, מסמכים בפורמטים משתנים, תיאורי מוצרים חופשיים והערות בשפה טבעית.
לעומת זאת, חישובים, בדיקות תקינות, בדיקת הרשאות ועדכון נתונים צריכים בדרך כלל להתבצע באמצעות לוגיקה מוגדרת.
במקרים רבים הפתרון הנכון הוא שילוב של כמה רכיבים.
AI לקריאת המידע ולהבנתו, מנגנון כללים לבדיקת הנתונים, ממשק מסודר למערכת ה-ERP ותהליך אישור אנושי במקומות שבהם נדרשת החלטה.
מה צריך להכין לפני שמתחילים?
אחת הטעויות הנפוצות היא להתחיל בבחירת כלי AI לפני שבודקים את איכות הנתונים ואת התהליך הקיים.
מערכת AI לא תפתור מעצמה בעיות יסוד בניהול המידע.
אם קטלוג הפריטים מבולגן, אם לקוחות כפולים קיימים במערכת ואם אין כללים ברורים לאישור חריגות, האוטומציה תיתקל בבעיות האלה כבר בשלבים הראשונים.
קטלוג פריטים נקי
צריך לבדוק שמק"טים תקינים, שאין כפילויות מיותרות, שיחידות המידה מוגדרות ושקיימת הבחנה בין מוצרים דומים.
חשוב גם להגדיר אילו פריטים פעילים ואילו כבר אינם זמינים להזמנה.
נתוני לקוחות וספקים
כדאי לוודא שקיימים מזהים אמינים, שמות חלופיים מוכרים והיסטוריית מסמכים שניתן להשתמש בה לצורך התאמה.
אם ספק שינה שם או אם קיימות כמה ישויות עסקיות קשורות, צריך להגדיר כיצד מזהים כל אחת מהן.
כללי התאמה עסקיים
מה קורה כאשר המחיר בחשבונית שונה ממחיר ההזמנה?
האם מותר פער של אחוז מסוים? האם יש סכום מקסימלי שמותר לאשר אוטומטית? האם מותר לקלוט כמות קטנה מהכמות שהוזמנה?
אלה החלטות עסקיות, לא החלטות שהמודל צריך לקבל בעצמו.
תהליך אישור חריגות
צריך להחליט מראש מה עובר אוטומטית, מה עובר לבדיקה ומי מוסמך לאשר.
חריגת מחיר יכולה להגיע למחלקת הרכש. אי-התאמה בכמות יכולה להגיע למחסן. בעיה בפרטי ספק יכולה להגיע להנהלת החשבונות.
בלי חלוקת אחריות ברורה, האוטומציה פשוט תעביר את העבודה הידנית ממקום אחד למקום אחר.
ממשק תקין למערכת ה-ERP
חשוב לבדוק כיצד המערכת החיצונית מתקשרת עם ה-ERP.
עדיף להשתמש בממשקים רשמיים שמאפשרים קריאה וכתיבה מבוקרת של נתונים, בדיקות תקינות וקבלת תשובות ברורות על הצלחה או כישלון.
יש להגדיר גם הרשאות. מערכת שקולטת הזמנות אינה צריכה בהכרח הרשאה לשנות מחירים, למחוק מסמכים או לעדכן פרטי בנק של ספק.
מה קורה כשהתהליך נכשל באמצע?
זה נושא שלעיתים מקבל מעט מדי תשומת לב.
נניח שה-AI קרא הזמנה, זיהה את כל הפריטים ושלח בקשה להקמת הזמנה ב-ERP.
ההזמנה נוצרה בהצלחה, אבל מערכת האוטומציה לא קיבלה את תשובת האישור בגלל תקלה בתקשורת.
כעבור דקה המערכת מנסה שוב.
אם התהליך לא תוכנן נכון, עלולות להיווצר שתי הזמנות זהות.
דוגמה אחרת: חשבונית נקלטה, אבל שלב עדכון הסטטוס נכשל. העובד רואה שהמסמך עדיין ממתין לקליטה ומנסה להפעיל את התהליך מחדש.
גם כאן עלולה להיווצר כפילות.
לכן מערכת אוטומציה תפעולית צריכה לכלול מנגנונים שמונעים עיבוד כפול, מזהים מסמכים שכבר נקלטו ושומרים תיעוד של כל פעולה.
צריך לדעת איזה מסמך התקבל, אילו נתונים חולצו, אילו בדיקות בוצעו, מה נשלח ל-ERP ומה הייתה התוצאה.
במקרה של תקלה, חייבת להיות דרך להבין באיזה שלב התהליך נעצר ולהמשיך ממנו בלי ליצור פעולות כפולות.
תהליך אוטומטי שאי אפשר לעקוב אחריו ולשחזר את הפעולות שביצע אינו מתאים לפעילות עסקית קריטית.
איך בודקים שהאוטומציה באמת עובדת?
הדגמה מוצלחת עם כמה מסמכים אינה מספיקה.
כדי לבדוק מערכת AI תפעולית צריך לבחון אותה על מסמכים אמיתיים, כולל מקרים מורכבים וחריגים.
רצוי להשתמש במדגם שמייצג את העבודה השוטפת: ספקים שונים, לקוחות שונים, פורמטים שונים ומסמכים שבהם כבר ידוע שהיו בעיות.
הבדיקה צריכה לכלול כמה מדדים.
שיעור התאמות אוטומטיות
מתוך כלל המסמכים שנכנסו לתהליך, כמה נקלטו והושלמו בלי התערבות אנושית?
אם 1,000 מסמכים נכנסו לתהליך ו-750 הושלמו אוטומטית, שיעור האוטומציה הוא 75%.
אבל המדד הזה לבדו אינו מספיק.
צריך לבדוק גם אם 750 המסמכים נקלטו נכון.
שיעור חריגות
כמה מסמכים הועברו לבדיקה אנושית, ומאיזו סיבה?
כדאי להפריד בין חריגות מחיר, בעיות מק"ט, ספק לא מזוהה, מסמכים כפולים ונתונים חסרים.
החלוקה הזאת מאפשרת לזהות בעיות חוזרות.
ייתכן ש-40% מהחריגות נובעות מכמה ספקים שמשתמשים במק"טים שונים. במקרה כזה, טיפול בטבלת ההתאמות יכול לשפר משמעותית את התהליך.
שיעור טעויות שלא זוהו
זה אחד המדדים החשובים ביותר.
כמה מסמכים שגויים עברו את כל הבדיקות ונקלטו כאילו היו תקינים?
צריך להבחין בין מערכת שמזהה חריגה ומעבירה אותה לבדיקה לבין מערכת שמבצעת פעולה שגויה בלי להתריע.
גם אם שיעור האוטומציה גבוה, טעויות שקטות עלולות להפוך את הפרויקט ללא כדאי.
זמן טיפול ממוצע
כמה זמן לקח לטפל במסמך לפני האוטומציה וכמה זמן נדרש אחריה?
חשוב למדוד גם את הזמן של העובדים שמטפלים בחריגות.
אם בעבר נדרשו 5 דקות לקליטת מסמך, וכעת נדרשות 2 דקות לבדיקתו, יש חיסכון גם כאשר התהליך אינו אוטומטי לחלוטין.
מספר מחזורי תיקון
כמה פעמים צריך לתקן את מנגנון הזיהוי או את כללי ההתאמה עד שמגיעים לתוצאה יציבה?
אם כל שינוי קטן בפורמט של ספק מחייב התערבות של מפתח, עלות התחזוקה עלולה להיות גבוהה.
מערכת טובה צריכה לאפשר טיפול מסודר בשינויים חוזרים, בלי שכל חריגה תהפוך לפרויקט פיתוח חדש.
איך נכון לבצע פיילוט?
במקום לנסות לבצע אוטומציה לכל התהליכים בארגון בבת אחת, עדיף לבחור תהליך אחד מוגדר.
למשל, קליטת הזמנות מקבוצה מסוימת של לקוחות, או התאמת חשבוניות של כמה ספקים מרכזיים.
בשלב הראשון אפשר להפעיל את המערכת בלי לאפשר לה לבצע פעולות סופיות ב-ERP.
המערכת קוראת את המסמכים, מחלצת את הנתונים ומציעה את הפעולה שהייתה מבצעת. העובדים משווים את התוצאה לעבודה הרגילה.
כך אפשר לזהות טעויות בלי לסכן את הפעילות השוטפת.
לאחר מכן אפשר לאפשר ביצוע אוטומטי רק במקרים שעומדים בכללים מוגדרים.
למשל, כאשר הלקוח מזוהה באופן חד-משמעי, כל המק"טים תקינים, המחירים תואמים ואין כפילות.
מקרים אחרים ממשיכים לעבור לאישור.
עם הזמן, ולאחר מדידה של התוצאות, אפשר להרחיב את היקף האוטומציה.
אין שיעור אוטומציה אחד שמתאים לכל ארגון. בתהליך פשוט ואחיד אפשר להגיע לשיעורים גבוהים. בתהליך מורכב, גם אוטומציה חלקית עשויה להיות בעלת ערך רב.
המטרה אינה להגיע ל-100% אוטומציה בכל מחיר.
המטרה היא להפחית עבודה ידנית בלי לאבד שליטה על התהליך.
איפה עדיין חייבים אדם?
לא כל חריגה מחייבת בהכרח התערבות אנושית. חלק מהחריגות ניתנות לפתרון באמצעות כללים מוגדרים או בדיקה מול מקור מידע נוסף.
אבל יש מצבים שבהם החלטה אנושית עדיין חיונית.
כאשר נדרש אישור לחריגה מסחרית שלא הוגדרה מראש.
כאשר קיימות כמה התאמות אפשריות למוצר, ולבחירה ביניהן יש משמעות תפעולית.
כאשר חסר מידע שאינו מופיע במסמכים או במערכות.
כאשר צריך להחליט אם לאשר חשבונית למרות פער בין הכמות שהוזמנה לכמות שהתקבלה.
וכאשר פעולה מסוימת עלולה להשפיע על התחייבות ללקוח, על תשלום לספק או על תהליך שכבר נמצא בביצוע.
התפקיד של העובד בתהליך כזה משתנה.
במקום להקליד כל הזמנה ולבדוק כל שורה, הוא מטפל במקרים שבהם נדרש שיקול דעת.
אבל כדי שזה יעבוד, המערכת צריכה להציג לו את המידע הרלוונטי.
לא מספיק להציג הודעה כללית שלפיה נמצאה חריגה.
צריך להראות מה התקבל, מה נמצא במערכת, מה הפער ומהי הפעולה שהמערכת מציעה.
רצוי גם לאפשר לעובד לאשר או לתקן את הנתונים מתוך מסך עבודה אחד, בלי לחפש מידע בכמה מערכות.
אם כל חריגה מחייבת פתיחה ידנית של חמישה מסכים, חלק גדול מהחיסכון ייעלם.
האחריות נשארת אצל הארגון
נקודה נוספת שחשוב להבין היא שהאחריות העסקית אינה עוברת למערכת ה-AI.
אם נשלח מוצר שגוי, הלקוח לא יתעניין באיזה מודל זיהה את המק"ט.
אם ספק קיבל תשלום שגוי, הארגון יצטרך לטפל בכך.
לכן צריך להגדיר מי אחראי על כל שלב.
מי מאשר את כללי ההתאמה? מי רשאי לשנות אותם? מי מטפל בחריגות? מי בודק טעויות שהתגלו לאחר הקליטה? ומי אחראי לתחזוקת התהליך כאשר משתנים נתוני המוצרים, הספקים או מבנה מערכת ה-ERP?
חשוב גם לקבוע כיצד שומרים את המסמכים והמידע, אילו נתונים נשלחים לשירותי AI חיצוניים ומי רשאי לגשת אליהם.
במיוחד כשמדובר במחירים מסחריים, בפרטי לקוחות, בחשבוניות ובמידע עסקי רגיש.
אלה לא שאלות טכניות בלבד. אלה החלטות ניהוליות שצריכות להתקבל לפני הפעלת המערכת.
אז האם כדאי לשלב AI בתהליכים תפעוליים?
בהחלט כדאי לבחון את האפשרות, במיוחד בארגונים שבהם עובדים משקיעים שעות רבות בקריאת מסמכים, בהקלדת נתונים ובהשוואת מידע בין מערכות.
אבל צריך להתחיל מהתהליך העסקי ולא מהטכנולוגיה.
קודם להבין מה העובדים עושים היום, כמה זמן זה לוקח, אילו טעויות מתרחשות ומה המשמעות שלהן.
אחר כך לבדוק אילו פעולות אפשר לבצע באמצעות ממשקים וכללים רגילים, ואיפה AI יכול להוסיף יכולת שלא הייתה קיימת קודם.
רק לאחר מכן נכון לתכנן את החיבור למערכת ה-ERP, את מנגנוני הבקרה ואת הטיפול בחריגות.
פרויקט AI תפעולי אינו מסתיים כשהמערכת מצליחה לקרוא מסמך. הוא מצליח כשהמסמך הופך לפעולה עסקית נכונה, מבוקרת וניתנת למעקב.
וזו בדיוק הסיבה ששילוב AI בתהליכים תפעוליים הוא פרויקט של אפיון, אינטגרציה, בדיקות והגדרת אחריות.
לא הפעלה של כפתור.
הטכנולוגיה יכולה לצמצם משמעותית את העבודה הידנית. אבל כדי שהיא תייצר ערך אמיתי, צריך לדעת מראש מה נותנים לה לעשות, מה בודקים לפני ביצוע פעולה ואיפה משאירים את ההחלטה בידי אדם.