מתי לא כדאי להשתמש ב-AI — שבעה מצבים שבהם זו הבחירה הלא נכונה

אני מתפרנס מבניית פתרונות AI לעסקים, ואני אומר ללקוחות "אל תעשו את זה" בערך בשליש מהפגישות. לא מתוך צניעות — פשוט כי פרויקט שלא מחזיר את עצמו פוגע בשני הצדדים, וכי הרבה בעיות שמגיעות אליי מתויגות כ"צריך AI" כשהן בכלל משהו אחר.

המאמר הזה הוא הצד השני של כל מה שכתבתי על הטמעת AI: שבעה מצבים שבהם התשובה הנכונה היא לא, ומה עדיף לעשות במקום.

1. כשאפשר לנסח את הכלל במשפט אחד

זו הטעות הנפוצה ביותר. "כשמגיעה הזמנה מעל 5,000 ₪, שלח התראה למנהל" — זה כלל. הוא לא צריך מודל שפה, הוא צריך שורת קוד או אוטומציה פשוטה.

ההבדל אינו רק במחיר. כלל הוא דטרמיניסטי: הוא יעבוד בדיוק אותו דבר בפעם המיליון. מודל הוא הסתברותי, ולפעמים יטעה. להכניס אי-ודאות למקום שבו לא היית צריך אותה זה לא שדרוג אלא הרעה.

מה לעשות במקום: אוטומציה קלאסית. אם התהליך מוגדר היטב — כלל ינצח מודל בכל פרמטר.

2. כשאין מספיק נפח

משימה שקורית פעמיים בשבוע ולוקחת עשר דקות היא 80 דקות בחודש. אין פרויקט AI שמחזיר את עצמו על זה, גם אם הוא זול.

הבדיקה פשוטה: כמה שעות בחודש נשרפות על המשימה, כפול עלות שעה. אם המספר הוא מאות שקלים ולא אלפים — לא כדאי, גם אם טכנית זה אפשרי.

מה לעשות במקום: תבנית, צ'קליסט, או פשוט להשאיר את זה ידני. לא כל דבר צריך פתרון.

3. כשהידע לא מסודר

זו הסיבה מספר אחת לפרויקטים שנכשלים. עסק שרוצה בוט שיענה מהידע שלו, כשאין מחירון אחד מעודכן, כשמדיניות ההחזרות לא כתובה בשום מקום, וכשכל עובד עונה אחרת.

מודל שיוזן בבלגן יענה בלגן, ובביטחון מלא. גרוע מזה: הוא יפיץ את חוסר העקביות מהר יותר ובקנה מידה גדול יותר מאדם.

מה לעשות במקום: לסדר את הידע. זה שווה בפני עצמו — גם אם לא תבנו כלום, עובד חדש ייקלט מהר יותר וההנחיות יהיו אחידות. אחרי זה אפשר לחזור לשאלה.

4. כשטעות עולה יותר מדי

יש החלטות שבהן שיעור דיוק של 95% הוא לא הישג אלא סיכון. אבחון רפואי, ייעוץ משפטי מחייב, החלטות אשראי, ופיטורים — בכל אלה, 5% טעות זה נזק שלא מתאזן מול החיסכון.

זה לא אומר ש-AI לא נוגע בתחומים האלה. זה אומר שהוא לא מחליט בהם. הוא יכול להכין, לסכם, להצביע על מה שדורש תשומת לב — אבל ההחלטה נשארת אצל אדם עם אחריות.

מה לעשות במקום: AI ככלי עזר עם אדם שמחליט, ולא כמקבל החלטות.

5. כשהבעיה האמיתית היא לא זו שמנסים לפתור

עסק שמבקש בוט שיענה מהר יותר ללקוחות מתוסכלים — כשמקור התסכול הוא זמני אספקה. בוט מהיר רק יאיץ את קצב התלונות.

עסק שרוצה AI שיסכם דוחות — כשאף אחד לא קורא את הדוחות ממילא. הפתרון הוא לבטל את הדוח, לא לאטמט אותו.

זו הסיבה שאני מתעקש על שלב אפיון לפני שמדברים על פתרון. השאלה "מה יקרה אם פשוט נפסיק לעשות את זה?" חוסכת יותר כסף מכל טכנולוגיה.

מה לעשות במקום: לתקן את המקור. הרחבתי על תהליך המיפוי במאמר על ייעוץ טכנולוגי לעסקים.

6. כשאין מי שיתחזק

פתרון AI הוא לא רהיט. מחירים משתנים, נהלים משתנים, מערכות מתעדכנות, ומה שהיה מדויק בינואר מטעה ביוני.

אם אין בעסק אדם שזה באחריותו — לא "כולם", אלא שם אחד — הפתרון יתיישן. ראיתי בוטים מצוינים שהפכו לנטל תוך חצי שנה כי אף אחד לא עדכן מחירון.

מה לעשות במקום: או למנות בעלים לפני שמתחילים, או לבחור פתרון פשוט יותר שדורש פחות תחזוקה.

7. כשעושים את זה כי כולם עושים

"המתחרים שלנו הכריזו על AI" הוא לא צורך עסקי. פרויקט שנולד מלחץ ולא מבעיה מזוהה כמעט תמיד מסתיים באחת משתיים: משהו שאף אחד לא משתמש בו, או הודעה לעיתונות בלי מוצר מאחוריה.

הבדיקה: אם אתם לא יכולים לנסח במשפט אחד איזו בעיה זה פותר ולמי — עוד לא הגיע הזמן.

מה לעשות במקום: לחפש את הצוואר האמיתי בעסק. הוא כמעט תמיד קיים, והוא בדרך כלל פחות זוהר ממה שהמתחרים הכריזו עליו.

שלוש דוגמאות שבהן אמרתי לא

משרד עורכי דין שרצה AI שיכתוב חוזים. הבקשה נשמעה סבירה — יש תבניות, יש חזרתיות. אבל כשירדנו לפרטים התברר שכל חוזה נבדל בסעיפים שדווקא הם קריטיים, ושטעות בסעיף אחד עולה יותר מכל החיסכון. מה שכן בנינו: כלי שמשווה חוזה חדש לתבנית ומסמן סטיות, כדי שעורך הדין יבדוק אותן. AI כמצביע, לא כמנסח.

חנות עם 15 הזמנות ביום שרצתה בוט. הנפח פשוט לא הצדיק. הבעלים ענה לכל ההודעות בעצמו בתוך רבע שעה, והלקוחות אהבו את זה. במקום בוט הגדרנו הודעות מוכנות בוואטסאפ העסקי ותבנית לשאלות נפוצות — עלות אפס, פתר את רוב הכאב.

חברה שרצתה מערכת שתחזה נטישת לקוחות. רעיון טוב שדורש היסטוריה נקייה של התנהגות לקוחות. כשבדקנו, הנתונים היו חלקיים, בשלוש מערכות, ובלי תיעוד של מי עזב ומתי. אמרתי להם שהפרויקט אפשרי אבל שנה מוקדם מדי, ושהצעד הנכון הוא לסדר את הנתונים. הם עשו את זה, וכעבור שנה הפרויקט היה גם זול יותר וגם עבד.

המשותף לשלושתן: אף אחת מהן לא נכשלה בגלל טכנולוגיה. כולן היו נכשלות בגלל התאמה בין הכלי לבעיה.

סימני אזהרה שכדאי לזהות מוקדם

• אף אחד לא יודע לומר מי המשתמש. "זה יעזור לכולם" פירושו לאף אחד.
• אין מדד להצלחה. אם אי אפשר לומר מראש מה ייחשב הצלחה, גם בדיעבד לא יידעו.
• הפרויקט גדל בכל פגישה. סימן שאין בעיה מוגדרת אלא התלהבות.
• מדברים על טכנולוגיה לפני שמדברים על תהליך. "נשתמש ב-X" לפני "נפתור את Y".

"לא עכשיו" מול "לא בכלל"

הבחנה שחוסכת הרבה תסכול. רוב המקרים שבהם אני אומר לא הם לא שלילה של הרעיון אלא של העיתוי.

לא בכלל שייך למקרים שבהם הכלי לא מתאים לבעיה מהותית: החלטות שבהן טעות יקרה מדי, או משימה שכלל פשוט פותר טוב יותר. שם שום דבר לא ישתנה עם הזמן.

לא עכשיו שייך לרוב המקרים האחרים: הידע לא מסודר, הנפח עדיין קטן, אין מי שיתחזק, או שהנתונים לא נאספים בצורה שמאפשרת את מה שרוצים. בכל אלה, מה שחסר הוא מצב העסק ולא הטכנולוגיה.

ההבדל מעשי: כשהתשובה היא "לא עכשיו", יש רשימת מטלות שמקרבת אתכם — לרוב מטלות שמשתלמות בפני עצמן. שווה לבקש מספק שאומר לכם לא שיגיד באיזו קטגוריה אתם, ומה בדיוק צריך להשתנות.

מה כן עובד — לשם השוואה

המצבים ההפוכים נראים אחרת לגמרי: משימה חוזרת ומוגדרת, עם נפח משמעותי, שהקלט שלה טקסט חופשי שדורש הבנה, שטעות בה מתגלה בקלות ועולה מעט, ושיש מישהו שאחראי עליה.

אם ארבעה מהחמישה נכונים אצלכם — כנראה שיש פרויקט. אם פחות משלושה — שווה לחכות. פירוט על איך בוחרים תהליך נמצא בחמישה תהליכים שכדאי להטמיע בהם AI, ועל הטעויות הנפוצות בחמש טעויות בהטמעת AI.

מאיפה מתחילים — גם כשהתשובה היא לא

אם קראתם וזיהיתם את עצמכם באחד מהשבעה, זו לא בשורה רעה. ברוב המקרים הצעד הנכון הוא קטן וזול: לסדר ידע, לבטל תהליך מיותר, או לבנות אוטומציה פשוטה בלי AI בכלל. הדברים האלה מחזירים את עצמם מהר, והם גם מה שיהפוך פרויקט AI עתידי לזול ומוצלח יותר כשבאמת יגיע הזמן.

רוצים דעה כנה אם זה מתאים לכם? בואו נדבר — גם אם התשובה תהיה לא →