AI Agent within an office representing the implementation of AI agents in work processe

איך נראה סוכן AI בתוך צוות עובדים

AI Agent within an office representing the implementation of AI agents in work processe

איך נראה סוכן AI בתוך צוות עובדים

איך נראה סוכן AI בתוך צוות עובדים

סוכן AI הוא לא צ׳אטבוט שמחכה לשאלה, אבל גם לא כל workflow שמפעיל מודל שפה הוא סוכן. מה ההבדל? כמה זה יעלה? ואיפה צריך להשאיר Human-in-the-loop?

מה זה סוכן AI?

סוכן AI הוא מערכת שמקבלת מטרה, מחליטה כיצד להתקדם, משתמשת בכלים, בוחנת את תוצאות הפעולות שלה ומתאימה את הצעד הבא. בניגוד לצ׳אטבוט, היא יכולה לפעול לאורך כמה שלבים ובכמה מערכות. בניגוד לאוטומציה קבועה, היא יכולה לבחור באופן דינמי את מסלול הביצוע.
זו הגדרה חשובה מפני שהמונח “agent” משמש היום כמעט לכל אוטומציה שיש בה מודל שפה. כאשר כל workflow מקבל את אותה תווית, מנהלים מתקשים להבין מה הם קונים, מה הסיכון, ואילו תהליכים באמת מצדיקים אוטונומיה.

מה ההבדל בין סוכן ל Workflow?

נניח שסיום sprint ב-Jira מפעיל תהליך. המערכת מושכת tickets, קוראת שיחות Slack רלוונטיות, מסכמת את התוצאות, מפרסמת מסמך ב-Confluence ומעדכנת dashboard. אם השלבים והחיבורים נקבעו מראש, זהו agentic workflow: מודל השפה מפרש וכותב, אבל מסלול העבודה מוגדר.
אם המערכת מקבלת מטרה רחבה יותר, למשל “זהה מדוע יעדי ה-sprint הוחמצו והכן את הארגון להחלטה”, ואז מחליטה איזה מידע חסר, באילו מערכות לחפש, למי לפנות, אילו בדיקות להריץ ומתי לעצור, היא מתנהגת יותר כמו agent.
ה- workflow צפוי יותר, מהיר יותר לבדיקה ולעיתים זול יותר. Agent מתאים כשהדרך אל התוצאה אינה ידועה מראש והמערכת נדרשת לבחור בין כמה צעדים אפשריים.

כך נראה התהליך בתוך צוות עובד

הדוגמה הבאה היא תבנית עבודה אפשרית, עבור תהליך של סגירת Sprint ב JIRA:

  1. ה-workflow אוסף את נתוני המשימות: מה הושלם, מה נדחה, אילו חסמים תועדו ומה השתנה במהלך התקופה. הוא מושך הקשר ממקורות שהוגדרו מראש, למשל Slack ו-Confluence, ומעביר את החומר למודל שפה.

  2. המודל מסווג גורמים, מזהה סתירות ומנסח סיכום שמבדיל בין שינוי scope, תלות חיצונית ובעיית ביצוע.

  3. התהליך מכין שלושה תוצרים: סיכום sprint, מייל לבעלי תפקידים רלוונטים בקשר לנושאים לביצוע ועדכון מדדים.
    הערך מהתהליך הוא שהמידע מוכן לפני שמישהו מבקש אותו, ישיבות עוברות מאיסוף סטטוס לדיון בהחלטות ונחסך זמן של איסוף והכנת הנתונים.

האתגר הוא לא בבחירת המודל

המודל הוא רק שכבה אחת. כדי שהתהליך יעבוד, צריך להחליט איזה אירוע מפעיל אותו, מאיפה יגיעו נתונים אמינים, אילו הרשאות ניתנות לסוכן/לאוטומציה, כיצד מתמודדים עם מידע חסר, היכן נשמר log, ואיך מודדים אם התוצאה אמינה ואיכותית.
עם הנתונים ב Jira לא מעודכנים או שההטמעה בפרויקטים שונים היא לא עיקבית, השימוש בסוכן לא יפיק תוצאה טובה, רק משום שחיברנו אותו ל LLM.
מה שיקרה הוא שנקבל פרשנות מהירה יותר של נתונים לא עקביים.
זו אחת התובנות החשובות ביותר בהטמעת סוכנים: איכות הסוכן מתחילה באיכות התהליך ואיכות המידע: מה כל שדה אומר, מי מעדכן אותו, ומה עושים כשהמציאות אינה תואמת את הנתונים.

מתי לא צריך סוכן

אם יש trigger ברור, קלט מוגדר, מסלול קבוע ופלט צפוי, workflow הוא בדרך כלל נקודת התחלה טובה יותר. גמישות מיותרת מוסיפה עלות, latency ומרחב טעות.
סוכן מתאים יותר כאשר הדרך אל התוצאה משתנה, כאשר צריך לפרש חומר לא מובנה, כאשר נדרש לבחור בין כלים או לחזור על פעולה בהתאם לתוצאה.
גם אז אין צורך לתת לו שליטה מלאה, אפשר לבצע באמצעותו את החיפוש והניתוח, אך לדרוש אישור לפני הודעה ללקוח, שינוי תאריך, עדכון התחייבות או פעולה שקשה לבטל.
הבחירה הנכונה יותר יכולה להיות אוטומציה “פחות חכמה” אך אמינה, Agentic AI צריך להיכנס רק במקום שבו יכולת ההחלטה של המודל מוסיפה ערך משמעותי.

הסיכון החדש מגיע מהחיבור למערכות

סוכן שטועה עלול לבצע פעולה לא נכונה. לכן הרשאות אינן פרט טכני, הן חלק מהתהליך העסקי. סוכן צריך לקבל את מינימום הגישה הנדרש, עם הפרדה בין קריאה לכתיבה, נקודות אישור לפעולות משמעותיות, תיעוד מלא ויכולת לעצור או לשחזר.
הסיכון לא מסתכם ב“האם המודל בטוח?”, השאלה היותר חשובה היא “מה הנזק המרבי שהמערכת יכולה לגרום גם כאשר המודל, הנתונים או ההוראות אינם פועלים כפי שציפינו?”
התשובה לשאלה צריכה להיות בבסיס הארכיטקטורה של הפתרון.

איך בוחרים תהליך ראשון

תהליך ראשון שמתאים לפיילוט, כהתחלה של תהליך הטמעה, אינו בהכרח התהליך הכואב ביותר. הוא התהליך שבו אפשר ללמוד מהר בלי להסתכן הרבה: אירוע התחלה ברור, מידע נגיש, תוצאה שקל לבדוק, נפח שחוזר על עצמו ופעולות שניתן לבטל.
מודדים baseline למצב הקיים: כמה זמן מושקע היום, כמה זמן עובר עד שהתוצר מוכן, כמה תיקונים נדרשים, ואילו טעויות חוזרות.
לאחר ההפעלה, מודדים את רצף העבודה כולו: האם המערכת בחרה מידע נכון, האם היא הפעילה את הכלי הנכון, האם היא עצרה בזמן, האם מקרי קצה הגיעו לאדם הנכון, והאם עבודת הצוות באמת השתפרה.

מה משתנה בעבודת הצוות

כאשר דוח סיום ה sprint נוצר בתזמון הנכון, והחסמים צפים לפני ישיבת הסטטוס, הצוות יכול לקדם החלטות ופעולות מתקנות בלי לחכות לישיבת הסטטוס.
סוכן טוב אינו רק מפחית עבודה, הוא מאפשר לצוות להתקדם יותר מהר ולהתמקד בקבלת החלטות והסרת חסמים ולא רק באיסוף והצגת מידע.
זהו המבחן האמיתי של סוכן בתוך ארגון, לא האם הוא פועל ללא בני אדם, אלא האם הוא מאפשר לבני אדם לעסוק בפעולות יותר משמעותיות מבלי לאבד אחריות על התוצאה.

רוצים להבין איך ליישם את העקרונות בארגון שלכם? דברו איתנו

או קראו עוד על הטמעת בינה מלאכותית בארגונים

Chamutal Gavish, Founder and CEO of NativeAI
Chamutal Gavish, Founder and CEO of NativeAI

אודות הכותבת

אודות הכותבת

חמוטל גביש היא המייסדת של חברת NativeAI, חברת ייעוץ להטמעת AI, המלווה ארגונים בשילוב בינה מלאכותית בתהליכי העבודה, לשיפור התוצאות העיסקיות של הארגון.

לינקדאין | NativeAI

חמוטל גביש היא המייסדת של חברת NativeAI, חברת ייעוץ להטמעת AI, המלווה ארגונים בשילוב בינה מלאכותית בתהליכי העבודה, לשיפור התוצאות העיסקיות של הארגון.

לינקדאין | NativeAI

רוצים לשמוע עוד?

השאירו פרטים ונחזור אליכם

רוצים לשמוע עוד?

השאירו פרטים ונחזור אליכם