top of page

פורטל ידע

בינה מלאכותית למודרניזציה של IT - מהיר יותר, זול יותר, טוב יותר

ערך: אריה עמית | יועץ אסטרטגי וחבר נשיאות הלשכה,

מקור: McKinsey & Company


29.12.2024

 

בליבו של כמעט כל ארגון גדול נמצא עוגן עצום שמאט את פעילות העסק: זהו החוב הטכנולוגי שנמצא במערכות IT מדור קודם. מערכות גדולות אלו שנבנו לעתים קרובות לפני עשרות שנים, מהוות את עמוד השדרה הטכני של חברות ומתפקדות כמעט בכל מגזר. עד 70 אחוז מהתוכנה שבהן משתמשות חברות Fortune 500 פותחו לפני 20 שנים או יותר.


מודרניזציה של מערכות ותיקות אלו ופירעון חובות טכנולוגיים  נחשבו באופן מסורתי ל "בעיה של ה IT" ומנהלים עסקיים הסתפקו פחות או יותר בלהעביר את הבעיה או להסירה מסדר היום. הסיבות מוכרות: זה יקר מדי (לעיתים מאות מיליוני דולרים), זה לוקח יותר מדי זמן (חמש עד שבע שנים), זה מפריע מדי, ההחזר על ההשקעה לא ברור, והמערכות הנוכחיות בעצם עובדות.


אך מכיוון שהטכנולוגיה חודרת לכל פינה בעסק והופכת למרכזית ביכולתה של חברה לייצר ערך, מודרניזציה של מערכות IT חייבת להיות בראש סדר העדיפויות של המנכ"ל. ההזדמנויות והסיכונים שנוצרו מהתקדמות הטכנולוגיה מ- AI גנרי (Gen AI) לענן  ועד  לרובוטיקה - דורשים יסודות טכנולוגיים מודרניים. למעשה, הטכנולוגיה מאפשרת כ-71 אחוז מהערך המופק מתמורות עסקיות. העובדה שהמתכנתים שבנו ותחזקו את המערכות הארגוניות הותיקות הללו מגיעים לגיל פרישה מעניקה דחיפות גדולה עוד יותר לצורך במודרניזציה.


התפתחויות חדשות ב AI- במיוחד ב, GENAI- מכוילות מחדש באופן קיצוני את העלויות והיתרונות של מודרניזציה של טכנולוגיה ותיקה וצמצום החוב הטכנולוגי כחלק ממערך גדול יותר של שינויים באופן פעולת ה IT - שקול לפיתוח מערכת לעיבוד עסקאות עבור מוסד פיננסי מוביל, שלפני שלוש שנים היה עולה הרבה יותר מ-100 מיליון דולר לחדשה, וכיום זה הרבה פחות ממחצית מכך בעת שימוש ב Gen AI - השינוי הזה גורם למאמצי מודרניזציה רבים שפעם היו יקרים מדי או ארכו זמן לאפשריים וניתנים למימוש. ועם היכולת למדוד ולעקוב אחר העלות הישירה של חוב טכנולוגי  והשפעתה על תוצאות רווח והפסד (במקרים רבים עד 40 עד 50 אחוז מסך הוצאות ההשקעה), חברות יכולות לעקוב אחר הערך שהן מייצרות.


בבסיסה, מודרניזציה טכנולוגית כרוכה בשינוי יישומים קיימים כדי לנצל את היתרונות של טכנולוגיות, מסגרות וארכיטקטורות מודרניות. תהליך זה יכול לכלול מעבר לשפות תכנות קלות יותר לשימוש, מעבר למסגרות מודרניות המספקות יותר פונקציונליות, ארגון מחדש של מערכות ליצירת מודולריות, או אפילו תיקון והעברה של יישומים לריצה בסביבות ענן זולות יותר. רתימת יכולות ה-Gen AI כדי לבצע שינויים מסוג זה, לשפר את החזר ה-ROI בתוכניות ענן ולשלם חובות טכנולוגיים דורשת התמקדות בשלושת התחומים הבאים:


  • שיפור התוצאות העסקיות. המרת קוד ישן לשפות טכנולוגיות מודרניות פשוט מעבירה את החוב הטכנולוגי ממערכת ותיקה למערכת מודרנית. הימנעות מבעיית "קוד וטעינה" זו מחייבת שימוש ב-Gen AI כדי לעזור לקבל החלטות עסקיות טובות יותר ולחדש את מה שחשוב.

  • הפעלת סוכני AI אוטונומיים. בנייה והכשרה של סוכני בינה מלאכותית מסוג AI שיכולים לעבוד באופן עצמאי ובשיתוף פעולה עם פיקוח אנושי על מגוון תהליכים מקצה לקצה, מוכיחים שהם מספקים שיפורים משמעותיים במאמצי המודרניזציה של. IT 

  • התמקדות בקנה המידה של הערך. הערך של מודל רב סוכנים מגיע מתיעוש שלו, כך שניתן יהיה להרחיב אותו ולהחיל אותו על מספר תחומים בעסק ולפרוע באופן רציף חובות טכנולוגיים.


חברות נטו להשתמש ב-Gen AI בצורה בוטה על ידי, למשל, הזנת קוד מדור קודם ישירות לכלי Gen AI שמתרגם אותו לשפה מודרנית. עם זאת, גישת קוד וטעינה זו מעבירה למעשה את החוב הטכנולוגי למערכת המודרנית. המלכודת הזו דומה לזו שחברות רבות נפלו אליה במהלך הימים הראשונים של מחשוב הענן, שבו ההתמקדות הייתה בהעברת יישומים קיימים לענן שבו בעיות מדור קודם נותרו ללא מענה.


המטרה של מאמץ מודרניזציה של טכנולוגיה מדור קודם לא צריך להיות בלהמיר כמה שיותר שורות קוד. הוא צריך לשפר מערכות ותהליכים כדי שהעסק יוכל לייצר יותר ערך. זה אומר להשתמש ב-Gen AI כדי להבין את הקוד שכבר יש לנו, לקבוע מה דרוש כדי לייצר ערך עסקי, ולאחר מכן לחדש את התהליכים הדרושים להשגת תוצאה זו.


כשהוא מיושם כהלכה, ה Gen AI מסוגל לתרגם את האלמנטים המורשתים כמו: תיעוד, קוד, נתוני צפייה, יומני שיחות, גישות תכנות וכו' - לתיאורי תהליך פשוטים באנגלית תוך דקות ספורות. מהנדסים בחברת שירותים פיננסיים אחת, לדוגמא, ראיינו מספר מומחים כדי להשלים את התיעוד המצומצם הזמין והזינו את התמלילים למודל ה Gen AI כדי לספק לו הדרכה טובה יותר. הבהירות הזו לא רק עוזרת למהנדסים להבין מה המערכות עושות אלא גם מאפשרת למומחים עסקיים לעזור לקבוע מה באמת נחוץ. בדרך זו, מומחי עסקים והנדסה יכולים לעבוד יחד כדי לקבוע מה הם רוצים, מה צריך לעדכן ועל מה אפשר לוותר.


על סוכני AI אוטונומיים

בפיתוח תוכנה, שימוש בסוכני בינה מלאכותית כדי לסייע למפתחים בקידוד יכול לעזור למפתחים מסוימים להגדיל את הפרודוקטיביות שלהם. הניסיון מראה שהאופק הבא של האצה זו יאפשר למאות סוכני בינה מלאכותית ג'נרטיבית  לפעול באופן עצמאי עם פיקוח אנושי, במיוחד כאשר המודל משתנה.


הליבה של גישת סוכנים אוטונומיים זו היא פריסה של סוכני בינה מלאכותית מתמחים רבים, שלכל אחד מהם תפקידים ומומחיות שונים, המשתפים פעולה במשימות מורכבות. המשימות שהם יכולים לבצע כוללות ניתוח נתונים, יישום של אינטגרציות מתוחכמות, תכנון והרצת אירועים לבדיקה, וחידוד תוצאות המבוססות על משוב בזמן אמת מבני אדם.


הערך האמיתי, לעומת זאת, מגיע משילוב סוכנים להשלמת לא רק משימות אלא תהליכי פיתוח תוכנה שלמים. סוכני מיפוי ואחסון נתונים, למשל, מבצעים ניתוח נתונים, ניתוח תאימות, QA, וכן יוצרים תיעוד רלוונטי. סוכנים אלה עובדים עם סוכני עיצוב אבטחה המתמקדים בניתוח איומים, מדיניות אבטחת מידע, עיצוב אבטחה וסוכני QA כדי לפתח קוד בטוח, מאובטח ויעיל.


כדי להבטיח שסוכני הבינה המלאכותית הג'נרטיבית מספקים את התוצאות הנכונות, חשוב ליישם מגוון של בקרות. לולאות משוב בונות, למשל, מאפשרות לסוכנים לסקור ולחדד את עבודתם. ניתן גם לתכנת סוכני בינה מלאכותית ג'נרטיבית ללמד את עצמם לפתור בעיות או להעלות אותן למנהל אנושי אם הם לא מצליחים להבין זאת. כמה סוכני בינה מלאכותית יכולים אפילו לשאול את המנהל שאלות ישירות. מתן זיהוי לכל סוכן בינה מלאכותית מאפשר למנהלים לזהות במהירות את מקור הבעיה ולטפל בה. באופן דומה, ארגונים יכולים לפתח סוכנים מיוחדים כדי לבדוק ולתקן באופן אוטומטי את הפלט של סוכנים אחרים בהתבסס על חששות אתיים והטיות שזוהו.


התפקיד שאנשים ממלאים ימשיך להיות חיוני להנחיה וניהול של סוכני AI ג'נרטיבי. מומחים כמו מנהלי מוצרים, מהנדסים ואדריכלים יצטרכו להבין את הכוונה של מערכות מדור קודם, להבין אילו תהליכים חשובים לעסק, ולפתח ולהגדיר יעדים.


המיקוד בשינוי הערך

ההתרגשות סביב ה-Gen AI הובילה חברות להתמקד פרק זמן משמעותי בהערכה ובחירת כלים. זה חשוב, אבל זה מחוויר בהשוואה להתמודדות עם הנושא וההזדמנות הגדולים יותר כמו איך להגדיל את הGen AI  כדי לפתור כמות גדולה של בעיות.


מנהיגות טכנולוגית צריכה להתמקד בפיתוח יכולת AI מרכזית ואוטונומית של AI שיכולה לבנות זרימות עבודה מתוחכמות מרובת סוכנים, מקצה לקצה. ישנם שני מרכיבים עיקריים של יכולת זו:


FACTORY

הוא קבוצה של אנשים שמפתחים ומנהלים סוכני בינה מלאכותית ג'נרטיבית מרובים לביצוע תהליך ספציפי מקצה לקצה. מטרת המפעל היא לתקנן ולפשט את התהליכים השונים המרכיבים את הפיתוח, הפריסה והניהול של סוכני בינה מלאכותית. מפעל מפתח מערך סטנדרטי של כלים וגישות לפיתוח וניהול סוכנים, כגון ניטור, מעקב, ניהול מסמכים וגישה למודלים של שפה גדולה. ארגון צריך לשקול פיתוח של חמישה עד עשרה מפעלי סוכנים בשלבים המוקדמים של בגרות.


PLATFORM

היא קבוצה סטנדרטית של שירותים ויכולות לשימוש חוזר שמפעלים יכולים לגשת אליהם. פלטפורמה צריכה לכלול ממשק משתמש, ממשקי API המחברים את שירותי הבינה המלאכותית הג'נרטיבית לשירותים ארגוניים (כגון Jira אוServiceNow מגוון שירותים תומכים (כגון שירות ייבוא ​​נתונים או שירות אינטגרציה של סוכנים), וספרייה של סוכני בינה מלאכותית שניתן לטעון כדי לבצע משימות ספציפיות. חברות צריכות לפתח באופן אידיאלי מפעל AI אחד או שניים כדי לקבוע בדיוק באילו סוגים של שירותים ויכולות הם משתמשים במשותף, ואז לתקן את האלמנטים האלה ולהציע אותם באמצעות פלטפורמה. צוות ייעודי של מומחים רלוונטיים צריך גם לפקח על הפיתוח והניהול של פלטפורמה זו וגם לעקוב מקרוב אחר השימוש מול מדדי KPI ספציפיים, כגון שימוש בשירות או בתכונות.


לסיכום

חברות בקושי גירדו את פני השטח בכל הנוגע ליישם ביעילות את ה-Gen AI כדי לחדש את הטכנולוגיה הישנה ולהפחית חובות טכניים. התמקדות באיך לשלב סוכני בינה מלאכותית ג'נרטיבית על הזדמנויות טכנולוגיות עסקיות משמעותיות היא הדרך היחידה שבה חברות יוכלו לצמצם את החוב הטכנולוגי ולאפשר לפורטפוליו הטכנולוגי שלהן להניע חדשנות וערך


Comments


bottom of page