דמיינו מנכ"ל שנכנס לתפקיד חדש ומגלה, באחת מפגישותיו הראשונות, שהחברה איבדה לפני שנתיים לקוח אסטרטגי. הוא רוצה להבין מה קרה שם, מה נעשה בעקבות האירוע והאם יש היום לקוחות נוספים שנמצאים במצב דומה. כדי לקבל תשובה הוא נדרש לדבר עם סמנכ"ל המכירות, לחפש מצגת ישנה, לעבור על התכתבויות, להוציא נתונים מה־CRM ולמצוא מישהו שהיה מעורב בזמנו ועדיין זוכר את הפרטים שלא נכנסו לפרוטוקול. בסופו של דבר הוא כנראה יקבל תמונה סבירה, אבל בדרך יושקע מאמץ לא קטן בשחזור של ידע שהחברה כבר החזיקה בו.
המצב הזה מוכר כמעט לכל מי שעבד בארגון גדול. המידע קיים, אנשים זוכרים חלקים ממנו, ובמערכות נשארו לא מעט עקבות. ובכל זאת, בכל פעם שמישהו צריך להבין את הסיפור המלא, מתחיל מחדש תהליך של איסוף, בירור וחיבור. לפעמים זה עניין של כמה שעות, לפעמים של שבועות, ולפעמים כבר אין מי שיוכל להשלים את התמונה.
אני חושב שיש כאן שאלה שאנחנו לא עוסקים בה מספיק כשאנחנו מדברים על ארגונים לומדים. אנחנו משקיעים הרבה בפיתוח אנשים, בהכשרת מנהלים ובגיוס מומחים, ובצדק. אלא שהעובדה שאנשים בארגון לומדים אינה מבטיחה שהארגון עצמו רוכש יכולת שנשארת איתו. מנהל יכול להפיק לקח חשוב, צוות יכול להבין מדוע פרויקט נכשל, ואיש מכירות יכול לפתח הבנה עמוקה של לקוח; כשהם עוברים לתפקיד הבא, לא תמיד ברור כמה מכל זה נשאר זמין למי שמגיע אחריהם.
רעיון ה־Company Brain מעניין אותי בעיקר משום שהוא מציע דרך להתמודד עם הפער הזה. יש סביבו כמובן גם התלהבות טכנולוגית, ולעיתים הבטחות מוגזמות, אבל מאחוריהן נמצאת בעיה ניהולית ותיקה מאוד: איך הופכים את הניסיון שמצטבר אצל אנשים ליכולת שהארגון יכול להמשיך להשתמש בה, גם אחרי שהאנשים והנסיבות השתנו.
לפני שמחברים את המידע, צריך להסכים מה הוא אומר
במשך עשרות שנים בנינו מערכות שאוספות ומנהלות מידע ארגוני. אנחנו יודעים לשמור עסקאות, חשבוניות, חוזים, פניות שירות, תוכניות עבודה ופרוטוקולים, ולעיתים גם להציג אותם בדשבורדים מרשימים. כל אחת מהמערכות האלה נבנתה סביב צורך מסוים, ולכן גם משקפת זווית מסוימת של הפעילות. הקושי מתחיל כשמנסים להבין משהו שחוצה את הגבולות שבין המערכות והמחלקות.
ניקח דוגמה פשוטה. סמנכ"ל המכירות מדווח שיש לחברה 1,000 לקוחות פעילים, סמנכ"ל הכספים מציג 850, ובשירות מדברים על 1,200. יכול להיות שאין כאן אפילו טעות אחת: המכירות סופרות לקוחות שרכשו בשנה האחרונה, הכספים סופרים לקוחות משלמים, והשירות סופר חשבונות שפתחו פנייה. כל אחד מתאר משהו אמיתי, אבל משתמש באותו מונח כדי לתאר אוכלוסייה אחרת. אם נחבר עכשיו מודל AI לשלוש המערכות, לא פתרנו את המחלוקת. פשוט הוספנו גורם נוסף שיצטרך להחליט לאיזו הגדרה התכוונו.
הדוגמה הזאת חשובה בעיניי משום שקל לדלג על השלב הזה כשמתלהבים מהיכולת לשאול שאלות בשפה טבעית. ממשק נוח אינו יוצר מעצמו משמעות משותפת. מישהו עדיין צריך להגדיר מהו לקוח פעיל, איך מזהים את אותו לקוח במערכות שונות, מי אחראי להגדרה ובאילו נסיבות נכון להשתמש בה. אנשי הטכנולוגיה קוראים לחלק מהתשתית הזאת Semantic Layer, ולמיפוי הקשרים בין לקוחות, מוצרים, אנשים ופרויקטים הם עשויים לקרוא Knowledge Graph. מבחינת ההנהלה, המשמעות מעשית למדי: חלק מבניית המוח הארגוני הוא העבודה שהארגון צריך לעשות כדי להסביר לעצמו כיצד הוא פועל.
זו גם אחת הסיבות שאני מתקשה לראות ב־Company Brain פרויקט שאפשר לפתור באמצעות רכישת מוצר וחיבורו למאגר המסמכים. הטכנולוגיה יכולה לעזור מאוד, אבל היא תיתקל די מהר באותם חוסרים, סתירות ומחלוקות שהאנשים בארגון כבר מכירים. ההבדל הוא שתשובה מנוסחת היטב עלולה לגרום לנו להבחין בהם פחות.
מה אנחנו בעצם מצפים מהמוח הארגוני?
Company Brain אינו שם של ארכיטקטורה מוסכמת, ובמאמר הזה אני משתמש בו כדי לתאר יכולת לחבר מידע, הקשר, החלטות ותוצאות באופן שמסייע להבין את הארגון. מנוע חיפוש ארגוני יכול למצוא חוזה או מצגת, ומערכת AI יכולה לסכם אותם. כדי שתיווצר יכולת ניהולית משמעותית יותר, צריך שאפשר יהיה לחבר את מה שכתוב בהם לשאר הדברים שאנחנו יודעים.
כשמנהל שואל אם כדאי להרחיב את הפעילות עם לקוח מסוים, למשל, הוא זקוק ליותר מדוח מכירות. הוא צריך להבין את הרווחיות של הקשר, את העומס שהלקוח מייצר בשירות, את ההתחייבויות שעוד לא מומשו, את סיכוני הגבייה ואת מקומו של הלקוח בתוכניות החברה. חלק מהתמונה נמצא בנתונים, חלק בחוזים ובהתכתבויות, וחלק בשיקול הדעת של אנשים שעובדים עם הלקוח כבר שנים. מערכת שמצליחה להביא את המרכיבים האלה לדיון, תוך הצגת המקורות והפערים ביניהם, יכולה לשפר מאוד את נקודת הפתיחה של ההחלטה.
הרעיון הזה ממשיך במידה רבה את מה שניסינו להשיג במשך שנים באמצעות ניהול ידע. מה שמאפשר לחשוב עליו מחדש הוא היכולת של מודלי שפה לעבוד עם מידע לא מובנה, יחד עם חיבור טוב יותר בין מערכות ועם סוכנים שמסוגלים לבצע פעולות מוגדרות. אפשר לזהות חלקים מהכיוון הזה בשכבות ההקשר שמקדמת Microsoft, בגרף הארגוני של Glean ובגישה שתיארה Meta לשיפור ידע מוסדי באמצעות משוב של מומחים. הגישות שונות זו מזו, והן אינן מוכיחות שכל החזון כבר התממש, אבל הן מראות שההקשר הייחודי של הארגון מקבל מקום מרכזי יותר בתשתית ה־AI.
מבחינתי, זו התפתחות שכדאי למנהלים לעקוב אחריה. ככל שהגישה למודלים חזקים נעשית נפוצה יותר, ההבדלים בין חברות עשויים להיות תלויים יותר ביכולת שלהן לחבר את המודלים למה שהן יודעות על העסק שלהן. חברה יכולה להשתמש ב־AI כדי לכתוב הצעה מהר יותר, והיא יכולה להשתמש בו כדי להבין איזו הצעה נכון להגיש, על סמך ניסיון קודם, התחייבויות קיימות ומגבלות ביצוע. יש ערך בשני השימושים, אבל ההשפעה שלהם על יכולת החברה שונה מאוד.
לשמור את ההחלטה זה עדיין לא ללמוד ממנה
כשאני מנסה לבחון מה באמת מצדיק את הביטוי "מוח ארגוני", אני חוזר לשלוש יכולות: לזכור, להבין וללמוד. לזכור פירושו לשמר מידע והחלטות יחד עם המקורות והנסיבות שלהם; להבין פירושו לחבר בין הדברים ולהבחין בין עובדה, פרשנות והחלטה מחייבת; וללמוד פירושו להשתמש במה שקרה בהמשך כדי לתקן את הידע ואת שיקול הדעת שלנו. זו אינה הגדרה מדעית של אינטליגנציה, אבל היא עוזרת להבחין בין מאגר מידע שימושי לבין יכולת שמשתפרת עם הזמן.
דווקא החלק של הלמידה מחייב אותנו לשנות הרגלים. ברוב הארגונים קל יותר למצוא תיעוד של ההחלטה מאשר של ההנחות שהובילו אליה. נוכל לגלות שהוחלט לשנות מודל תמחור, אבל לא בהכרח להבין מה חשבנו שהלקוחות יעשו בעקבות השינוי, אילו חלופות נבחנו ומה היה אמור להיחשב הצלחה. אם אחרי חצי שנה הנטישה עולה, יהיה קשה להפיק לקח רציני בלי לחזור לשאלות האלה. ייתכן שההנחה הייתה שגויה, ייתכן שהביצוע היה לקוי, וייתכן שהתרחש שינוי אחר בשוק. עצם הסמיכות בין ההחלטה לתוצאה אינה מספיקה כדי לקבוע מה למדנו.
אותו קושי מופיע גם בהחלטות שנולדו מתוך פשרה. פרוטוקול יכול לציין שהוחלט להפסיק מוצר, בלי להסביר שמנהל המכירות התנגד, שהתפעול הצביע על מגבלה זמנית ושההנהלה העדיפה באותו רגע להשקיע משאבים במקום אחר. מי שיקרא את ההחלטה שנתיים מאוחר יותר עלול לפרש אותה כעמדה עקרונית כלפי המוצר או השוק. מערכת AI יכולה לעשות בדיוק את אותו הדבר, רק בניסוח סמכותי יותר.
חלק מההקשר הזה נמצא במה שאנחנו מכנים ידע סמוי: ניסיון, היכרות עם אנשים, אינטואיציה מקצועית והבנה שנבנתה לאורך זמן. אי אפשר להפוך את כולו למסמכים, וגם אין סיבה להקליט כל שיחת מסדרון כדי לנסות. אבל בהחלטות משמעותיות אפשר לתעד מעט יותר: מה ניסינו לפתור, מדוע בחרנו בחלופה הזאת, על מה הסתמכנו ומה יצדיק בחינה מחדש. זה דורש תשומת לב ניהולית ותרבות שמעריכה הסבר ותיקון. מערכת שמסוגלת לקרוא היטב את העבר תהיה מועילה יותר ככל שנלמד לתעד טוב יותר את ההווה.
מתי הזיכרון מתחיל להפריע?
יש ברעיון של זיכרון ארגוני גם צד שאני חושב שראוי להתעכב עליו. אנחנו מניחים בדרך כלל שיותר זיכרון הוא דבר טוב, אבל ארגונים צריכים גם לדעת להשתחרר מהמסקנות של עצמם. ניסיון קודם מועיל כל עוד אנחנו מבינים באילו תנאים הוא נצבר ועד כמה התנאים האלה עדיין מתקיימים.
חברה שהחליטה לפני שלוש שנים להימנע משוק מסוים אולי קיבלה אז החלטה מצוינת. עלויות ההפצה היו גבוהות, הביקוש היה מוגבל והתחרות לא הצדיקה את ההשקעה. אם מאז העלויות ירדו, הביקוש התרחב ומתחרה מרכזי יצא מהשוק, ההחלטה הישנה כבר אינה תשובה מספקת. מערכת שתשלוף אותה בכל דיון חדש עלולה להעניק לעמדה ההיסטורית משקל גדול מדי, דווקא משום שהיא מתועדת ומגובה בסמכות של ההנהלה שקיבלה אותה.
לכן חשוב לשמר לצד ההחלטה גם את ההנחות שלה ואת המועד שבו נבדקו. הייתי רוצה שמערכת תוכל להציג את ההחלטה הקודמת ובאותה נשימה להצביע על מה שהשתנה מאז ועל ראיות שמצדיקות דיון מחודש. גם רמת הביטחון המקורית חשובה: יש הבדל בין החלטה שהתבססה על מידע מוצק לבין בחירה שנעשתה תחת לחץ, כשחלק גדול מהתמונה עדיין היה חסר.
בלי המנגנונים האלה, המוח הארגוני עלול לחזק דפוסי חשיבה קיימים ולהפוך טעויות עבר לעקביות יותר. הסיכון גדל אם התוצרים וההמלצות של המערכת חוזרים למאגר הידע ובהמשך משמשים אותה כאילו היו ראיות עצמאיות. היכולת ללמוד מחייבת אפוא גם אפשרות לערער, לתקן ולשמור הבחנה ברורה בין מקור לבין מסקנה שהמערכת עצמה יצרה.
אמון, הרשאות והגבול שבין ידע לסמכות
ככל שנרצה להסתמך יותר על המוח הארגוני, נצטרך להיות תובעניים יותר ביחס לאופן שבו הוא מציג את מה שהוא יודע. תשובה שימושית צריכה לאפשר להבין מאין היא מגיעה, עד כמה המקורות עדכניים והיכן נשארה אי־ודאות. כשיש שתי גרסאות סותרות, חשוב שהמחלוקת תישאר גלויה עד שמישהו שמוסמך לכך יכריע בה. ניסוח חלק שמחבר ביניהן אינו בהכרח שירות טוב למנהל שצריך לקבל החלטה.
זה נכון גם לגבי מידע שמעולם לא תועד. מערכת עשויה להציע הסבר סביר להחלטה ישנה, אבל סבירות אינה ידיעה. אני מצפה ממערכת כזאת שתדע להבחין בין נימוק שנמצא בפרוטוקול לבין הסבר שהסיקה בעצמה, ותאפשר לאנשים שמכירים את האירוע לתקן אותה. אחרת אנחנו עלולים לבנות לעצמנו היסטוריה ארגונית שנשמעת הגיונית יותר מכפי שהיא נאמנה למה שקרה.
ההרשאות הן חלק מאותו אמון. חיבור מקורות המידע לתשתית משותפת אינו מבטל את הגבולות סביב שכר, עסקאות רגישות, הליכים משפטיים או מידע על לקוחות. צריך לשמור על הגבולות האלה גם כשהמערכת מסכמת מידע ומשלבת כמה מקורות בתשובה אחת. השאלה מי רשאי לראות מה צריכה להיות חלק מהתכנון מראש, משום שלא תמיד אפשר לתקן בדיעבד חשיפה של מידע רגיש.
לצד הרשאת הגישה יש גם שאלה אחרת: מה מותר לעשות על בסיס הידע. העובדה שהחברה העניקה פעם הנחה של 20% ללקוח מסוים אינה מסמיכה סוכן להציע אותה ללקוח הבא. ייתכן שזו הייתה חריגה שאושרה בנסיבות מיוחדות, ואולי המדיניות השתנתה מאז. ככל שמערכות AI יוכלו לעדכן רשומות, להכין הצעות ולהניע תהליכים, נצטרך להקפיד על ההבחנה שבין הכרת התקדים לבין קבלת סמכות לפעול לפיו.
מכאן גם נובעת שאלת האחריות. אנשי הטכנולוגיה יכולים לבנות את התשתית, ואנשי הדאטה יכולים לטפל באיכות הנתונים ובמשמעות שלהם, אבל ההחלטה מהי מדיניות מחייבת ומי רשאי לחרוג ממנה נשארת שאלה עסקית וניהולית. Company Brain מחייב שותפות בין התחומים האלה, עם אחריות מזוהה למקורות, להגדרות ולהרשאות פעולה. בלי זה, נבקש מהמערכת להכריע בשאלות שהארגון עצמו עוד לא הסדיר.
איך נדע שההשקעה שינתה משהו?
קל יחסית למדוד כמה מסמכים חוברו למערכת, כמה עובדים משתמשים בה וכמה שאלות הם שואלים. הנתונים האלה יכולים לעזור לנהל את ההטמעה, אבל כדי להצדיק את ההשקעה הייתי רוצה לראות גם שינוי בעבודה עצמה: שמנהל חדש מצליח להבין החלטות קודמות בזמן קצר יותר, שצוות משתמש בניסיון של צוות אחר, או שהתחייבויות סותרות מזוהות לפני שהן מגיעות ללקוח.
מעניין אותי במיוחד אם אפשר לראות שיפור לאורך זמן בקשר שבין ניסיון להחלטה הבאה. כאשר מתגלה טעות, האם היא מתוקנת במקור והופכת לידע שאחרים יכולים להשתמש בו? כאשר פרויקט מסתיים, האם מה שלמדנו ממנו משנה משהו בתכנון של הפרויקט הבא? וכשאנחנו חוזרים להחלטה עסקית, האם אנחנו מסוגלים לבדוק אילו מההנחות התממשו, בלי לבנות מחדש את כל הסיפור מתוך תיבות המייל של המעורבים?
אלה שאלות שקשה יותר למדוד, וצריך להיזהר מלהבטיח שיפור באיכות ההחלטות רק מפני שהתשובות מגיעות מהר יותר. נדרשים קו בסיס, מעקב אחר תוצאות ובדיקה של גורמים נוספים שהשפיעו עליהן. ובכל זאת, אם אנחנו מציגים את המוח הארגוני כהשקעה אסטרטגית, ראוי שנבחן אותו לפי היכולת שהוא מוסיף לארגון.
ומה נשאר להנהלה?
אני לא רואה בחזון הזה תחליף להנהלה. ניהול כרוך באחריות, בערכים, בהבנת אנשים ובבחירה בין אינטרסים שלא תמיד אפשר ליישב. גם תמונת מצב מלאה אינה אומרת לנו בהכרח מה נכון לעשות, ובוודאי אינה פוטרת מישהו מלשאת בתוצאות. אבל תמונת מצב טובה יכולה לאפשר דיון רציני יותר ולהפחית את כמות הזמן שאנחנו משקיעים בעצם הניסיון להבין היכן אנחנו עומדים.
הרבה מהמאמץ הניהולי מופנה היום לאיסוף נתונים, לבירור גרסאות, לשחזור החלטות ולהפגשת אנשים שכל אחד מהם מחזיק חלק אחר של התמונה. אם נצליח לצמצם את המאמץ הזה, נוכל להגיע לדיון כשיותר מההקשר כבר מונח על השולחן. יהיה לנו יותר זמן לבחון חלופות, לשאול מה השתנה ולהפעיל שיקול דעת במקום שבו הוא באמת נדרש.
זה גם יעלה את רף הציפיות מההנהלה. כשאפשר להגיע להחלטות קודמות, לראות את הנחות היסוד שלהן ולעקוב אחר התוצאות, קשה יותר להצדיק חזרה על טעות בלי לבדוק מה כבר ידענו. בעיניי, יש בכך הזדמנות לבנות תרבות שבה מותר לשנות עמדה, אבל מצופה להסביר מדוע; תרבות שבה הניסיון נגיש לביקורת ומשמש בסיס לעבודה הבאה.
בסופו של דבר, זו הסיבה שהרעיון הזה מעניין אותי מעבר לטכנולוגיה שמאפשרת אותו. במשך שנים השקענו בכך שהאנשים שלנו יהיו טובים יותר בתפקידם. עכשיו יש לנו אפשרות לחזק גם את הדרך שבה הניסיון שלהם נשאר בארגון ועובר מאדם לאדם, מצוות לצוות ומהחלטה אחת לבאה אחריה. זה לא יקרה מעצמו, ולא כל מה שאנשים יודעים אפשר או כדאי להפוך לידע ממוחשב. אבל יש הרבה ניסיון ארגוני שכבר היום הולך לאיבוד, ואפשר לעשות איתו עבודה טובה יותר.
לכן, כשאני חושב על Company Brain, השאלה שמעסיקה אותי היא מה יישאר מכל הלמידה הזאת ביום שבו המשתתפים בדיון יתחלפו. אם הארגון שלנו למד משהו חשוב אתמול, האם הוא יהיה חכם יותר מחר גם כשהאנשים שהיו שם לא יהיו בחדר? היכולת לתת לשאלה הזאת תשובה טובה יותר עשויה להיות אחת התרומות המשמעותיות של AI לניהול: לאפשר לניסיון שכבר שילמנו עליו להמשיך לעבוד בשבילנו.