האם AI יכול לתכנן תהליך ארגוני טוב כמו בן אדם?

התאמה מדויקת של 84% נשמעת מרשימה. בניסוי שפרסמה Camunda, המשמעות היא התאמה ב-21 מתוך 25 רכיבי תכנון שנבדקו בשתי דוגמאות של תהליכים. אין פירושה ש-AI תכנן נכון 84% מהתהליכים הארגוניים. השאלה המועילה היא מה ההבדלים מלמדים על המקומות שבהם עדיין נדרש שיקול דעת אנושי.

לבעל תהליך או למנהל תפעול, השאלה המעשית פשוטה: אם AI יכול להכין טיוטה ראשונה שימושית, איפה כדאי להשקיע את זמן הבדיקה שלי?

הניסוי: שני תרחישים, השוואה ישירה

כותבת ב-Camunda בדקה שני תרחישים: טיפול במשלוח שהתעכב והצעת מוצר מותאמת לנסיעה ללקוח בנק. היא השתמשה ב-Claude עם קובצי ההנחיות הפתוחים למידול של Camunda (skills), והשוותה את התוצרים לתהליכים שתכננה קודם בעצמה, בלי למסור למודל את התרשימים. זה לא היה ניסוי במוצר ProcessOS או מבחן השוואתי פורמלי. בתרחיש הלוגיסטי התאימו בדיוק 6 מתוך 8 רכיבים, ובבנקאי 15 מתוך 17.

הכותבת מדווחת על הרצות AI של כ-10 וכ-17 דקות. זמן ציור ידני של כ-20 דקות מצוין רק בדוגמה הראשונה, כשהדרישות כבר היו ברורות לה. ה-AI הוסיף מסלול חריג שהיא החמיצה וביצע בדיקות תקינות משלו לקבצים, אבל הבדיקות האלה לא הוכיחו שהתהליך מוכן לייצור.

מה אפשר ללמוד מההבדלים

לא כל ההבדלים היו כישלונות. הם כללו רמת פירוט שונה של משימות ומיקום שונה של נקודת הבדיקה האנושית. הבחירות האלה מעלות שאלות שבעל התהליך צריך להכריע בהן:

• סף ביטחון: הארגון צריך להגדיר סף שמתאים למדיניות שלו ולאמת כיצד הוא נמדד.
• ידע ארגוני: המודל זקוק להיסטוריה תפעולית רלוונטית, למשל תקלות חוזרות אצל חברת שילוח; ייתכן שההקשר הזה חסר בתיאור המשימה.
• פשרות ארכיטקטוניות: האם לחסוך טוקנים של מודל LLM או להקל על הביקורת? זו החלטה שדורשת סדר עדיפויות ארגוני, לא רק לוגיקה.
• מהירות מול שקיפות: מתי “לזרז” באמת משרת את העסק, ומתי הוא רק מעביר את הסיכון למקום אחר.

ניסוי המשך באופטימיזציה לפי מדדי KPI השתמש בנתוני בסיס שהונחו לצורך הדוגמה, ולא בתוצאות שנמדדו בייצור. אחד החישובים עסק בפעולות ידניות: אם 70% מהמקרים אוטומטיים לחלוטין ו-30% הנותרים דורשים לכל היותר שלוש פעולות ידניות כל אחד, הממוצע הוא לכל היותר 0.9 פעולות למקרה, מתחת ליעד של 1.3. החישוב אינו מוכיח שיעדי זמן הטיפול או סיכון האשראי יושגו. הוא ממחיש למה צריך לבדוק גם את החשבון וגם את ההנחות שמאחוריו.

התפקיד שנשאר לבעל התהליך

המסקנה שלנו היא חלוקת עבודה: AI יכול להאיץ הכנת טיוטה ראשונה, ואדם שמבין את העסק בודק אם היא מתאימה. התאמה לתכנון אנושי היא נתון מועיל, אבל התכנון האנושי אינו בהכרח התשובה הנכונה היחידה.

AI יכול לסייע בבדיקות מבניות, בתכנון מסלולי חריגים ובהכנת טיוטות. בעלי התהליך עדיין צריכים לאמת את התוצרים מול סדרי העדיפויות העסקיים, ההיסטוריה התפעולית והמטרה של הבדיקה האנושית בפועל.

זה בדיוק העיקרון שכתבנו עליו במאמר Agentic AI כתהליך עסקי: AI שמייצר החלטה מהירה, אבל תוך מסלול שמאפשר לאדם לעצור, לבדוק ולשנות לפני שההשלכה העסקית מתממשת.

מה זה אומר לארגון שלכם

שתי דוגמאות אינן יכולות להכריע אם AI יכול להחליף מתכנן תהליכים. הן כן מצדיקות ניסוי מעשי: תנו ל-AI להכין טיוטה לתהליך מוכר, ואז בדקו את התוצאה כולה, ולא רק את הרכיבים ששונים מהתרשים הקיים.

בפועל זה אומר לבנות תהליך עבודה שבו ה-AI מציע תכנון תהליך, ובעל התהליך עובר עליו עם רשימת בדיקה ממוקדת: האם סף הביטחון תואם את מדיניות הציות שלנו? האם יש ידע ארגוני שה-AI לא יכול היה לדעת? האם הפשרה בין מהירות לשקיפות משרתת את המטרה העסקית?

בתהליכי אשראי או ביטוח בישראל, שתפו בבדיקה את בעלי התפקידים הרלוונטיים בסיכון, בציות ובצד העסקי. הגדירו מי מוסמך לאשר שינוי מהותי ותעדו את ההחלטה. הדרישות המשפטיות המדויקות תלויות בפעילות ובכללים החלים על הארגון.

מקורות

• Camunda: Can AI Design an Enterprise Process as Well as a Human?
• Camunda: Optimizing a Process for Target KPIs With AI

סיכום

• ההתאמה של 84% מתייחסת ל-21 מתוך 25 רכיבים בשתי דוגמאות, ולא לשיעור הצלחה בתכנון תהליכים שלמים.
• ההבדלים כללו חלופות תכנון סבירות לצד פערים שדורשים הקשר עסקי.
• AI יכול לסייע בהכנת טיוטה; בעלי התהליך אחראים לבדיקת התכנון כולו ולאישור השימוש בו.

רוצים לבדוק איך AI יכול להאיץ תכנון תהליך אצלכם בלי לוותר על בקרה? דברו איתנו