מהנדסים ויועצים של KO AI משכתבים את תהליכי העבודה של הארגון שלכם לתהליכים מתקדמים ויעילים, המניבים ערך אמיתי ומדיד.
Forward Deployed Engineering
FDE הוא הנדסת תהליכים מתקדמת שיודעת להפוך תהליכים עסקיים ותיקים לתהליכים מבוססי AI, ולהטמיע אותם בארגון. KO AI היא חברה חלוצה בתחום ה-FDE בישראל, ומתמחה בשילוב של הנדסת תהליכים מתקדמת עם טכנולוגיות DATA, AI ו-ML.
המטרה היא לייצר תהליכי עבודה חדשים בתוך הארגון, על ידי צוות מהנדסים ויועצים של KO AI שעובד עם האנשים שמבצעים את העבודה, על הדאטה והמערכות האמיתיים. אותו צוות אחראי גם על ההבנה העסקית וגם על המימוש, ונמדד מול מדדי ביצוע שהוגדרו מראש.
נכון ל-2026, הצוות שלנו הביא לייצור 40+ מערכות AI / ML ו-500+ תהליכים חדשים מבוססי AI שהוטמעו אצל לקוחות, בפיננסים, ביטוח, משפט, בריאות, קמעונאות ותשתיות.
FDE מתחיל בתהליך העסקי, לא בטכנולוגיה. אנחנו מודדים את התהליך כפי שהוא, מתכננים אותו מחדש סביב היכולות של AI ו-ML, ומטמיעים אותו עד שהמדדים משתפרים בפועל.
Process Discovery
לומדים את התהליך כפי שהוא קורה בפועל, לא כפי שהוא כתוב בנוהל.
ראיונות ותצפיות אצל מי שמבצע את העבודה, ומיפוי של כל צעד, החלטה והעברה בין צוותים.
ניתוח לוגים ונתוני CRM, ERP ומערכות תפעול (Process Mining), כדי לזהות את המסלול האמיתי של כל תיק.
זמן מחזור, עלות לטיפול, שיעור טעויות ועבודה חוזרת, זמני המתנה ועמידה ב-SLA.
Diagnosis
מתעדפים את נקודות השיפור לפי הערך העסקי שלהן והיכולת לממש אותן.
שלבים שבהם תיקים ממתינים, מוקלדים פעמיים או חוזרים לתיקון.
החלטות חוזרות שמבוססות על כללים או על דפוסים בנתונים, ומתאימות ל-AI או ל-ML.
מפת תעדוף שמחברת כל שיפור ל-ROI, לסיכון ולזמן המימוש.
Re-engineering
לא מוסיפים כלי לתהליך ישן. בונים את התהליך מחדש.
צעדים שמבוטלים, צעדים שעוברים לאוטומציה, וצעדים שעוברים לסוכני AI.
מודלי ML לחיזוי, סיווג וזיהוי חריגות, ומודלי שפה לקריאה, סיכום וניתוח של מסמכים.
הגדרה מדויקת של הנקודות שבהן נשאר שיקול דעת אנושי, ושל הבקרות סביבן.
Build & Deploy
המהנדסים של KO AI בונים את התהליך החדש בסביבה של הארגון.
סוכני AI, מודלי ML וחיבור למערכות הליבה, לפי מדיניות אבטחת המידע וההרשאות של הארגון.
הכשרה של הצוותים, שגרות עבודה חדשות וליווי עד שהתהליך הופך להרגל.
Measure & Improve
התהליך החדש נמדד מול קו הבסיס, ומשתפר לאורך זמן.
השוואה לקו הבסיס, ניטור ביצועי המודלים ו-Drift, ודיווח שוטף להנהלה.
בחירת המודל הנכון לכל משימה ובקרת עלויות השימוש, כדי שהחיסכון לא יישחק בעלויות ה-AI.
כל פרויקט FDE נמדד מול מדדים עסקיים שהוגדרו לפני שמתחילים לבנות, ולא מול מספר הפיצ׳רים.
הזמן מקבלת בקשה או תיק ועד סגירה, כולל זמני המתנה בין צוותים.
שעות עבודה ועלות ישירה לכל יחידת עבודה: תיק, פנייה, מסמך או הזמנה.
שיעור טעויות, עבודה חוזרת וחריגים שמגיעים לבקרה.
היקף עבודה שהצוות מטפל בו בלי להגדיל כוח אדם.
עמידה ביעדי שירות מול לקוחות פנימיים וחיצוניים.
החלטות מהירות ומבוססות נתונים, עם תיעוד והסבר לכל החלטה.
בשנת 2026 חברות ה-AI והענן הגדולות בעולם הקימו יחידות FDE ייעודיות, כי התברר שמודל טוב לא מספיק: צריך מהנדסים שיכניסו אותו לעבודה האמיתית של הארגון.
OpenAI הקימה חברה ייעודית להטמעת מהנדסי FDE בארגונים, עם השקעה של כ-4 מיליארד דולר וכ-150 מהנדסי FDE כבר ביום הראשון.
AWS השקיעה מיליארד דולר ביחידה שמטמיעה צוותים של מהנדסים אצל לקוחות, עובדת על הדאטה והתשתית שלהם, ומשאירה אותם עצמאיים בסוף.
ארגון ישראלי צריך צוות שמכיר את המערכות, הרגולציה והשפה המקומיות, ושיכול לשבת במשרד מחר בבוקר. זה בדיוק המודל שלנו, בהיקף של צוות בוטיק.
שלוש דרכים להכניס AI לארגון. ההבדל הוא מי אחראי על התוצאה, ומתי רואים אותה.
| קריטריון | FDE (KO AI) | ייעוץ מסורתי | בית תוכנה |
|---|---|---|---|
| מה מקבלים בסוף | תהליך שעובד בייצור ומודד תוצאה | מסמך המלצות ומפת דרכים | תוכנה לפי אפיון |
| איפה הצוות עובד | בתוך הארגון, עם האנשים שעושים את העבודה | בסדנאות וראיונות | אצל הספק, מול איש קשר |
| על איזה דאטה | הדאטה והמערכות האמיתיים שלכם | דוגמאות ותיאורים | דאטה שהועבר לפי דרישה |
| מי אחראי על התוצאה | אותו צוות, מהמיפוי ועד הייצור | הארגון, אחרי הייעוץ | הארגון, אחרי המסירה |
| איך מודדים הצלחה | KPI עסקי שהוגדר בשבוע הראשון | שביעות רצון מהתוצר | עמידה באפיון ובלוח זמנים |
| קצב | פיילוט תוך 30 יום, ייצור תוך 90 | חודשים עד שמתחילים לבנות | תלוי באפיון, לרוב ארוך |
תהליך אחד, יעד אחד, צוות אחד. כך נראה פרויקט FDE טיפוסי אצלנו.
המהנדסים יושבים עם האנשים שעושים את העבודה, עוקבים אחרי התהליך מקצה לקצה ומודדים זמנים, עלויות ונקודות תקיעה. בסוף השבוע יש יעד מספרי אחד שכולם מסכימים עליו.
בונים את הגרסה הראשונה בתוך הסביבה שלכם: סוכני AI, אינטגרציה למערכות הליבה ו-Human in the loop בנקודות ההחלטה. קבוצת משתמשים עובדת איתה על תיקים אמיתיים, ומודדים מול היעד.
התהליך עובר לייצור מלא, עם ניטור, בקרות ועלות לטוקן שמנוהלת. הצוות שלכם מקבל הכשרה ותיעוד, ואנחנו עוברים לתהליך הבא או נשארים בליווי קל.
FDE לא מוסיף צ'אטבוט לתהליך קיים. הוא בונה את התהליך מחדש: סוכני AI עושים את העבודה החוזרת, ואנשים מחליטים בנקודות שבהן צריך שיקול דעת. עברו עם העכבר על כל שלב.
דוגמה להמחשה. בפרויקט אמיתי אנחנו מודדים את הזמנים בפועל כבר בשבוע הראשון, ומחשבים את החיסכון על המספרים של הארגון.
לחברות וארגונים בינוניים וגדולים שיש להם תהליך עם נפח גבוה, עבודה ידנית חוזרת ודאטה שכבר קיים במערכות, גם אם הוא לא מסודר.
קליטה, בדיקה ועיבוד של בקשות, מסמכים ותיקים, שחוזרים מאות פעמים ביום בכל ארגון.
סוכנים שמטפלים בפניות חוזרות, מסכמים שיחות ומנתבים לנציג הנכון.
התאמות, הצעות מחיר, בקרות ודיווחים שחוזרים כל חודש.
בדיקת חוזים, מעקב אחר רגולציה ותיעוד, עם ציטוט המקור.
מודלי ML וחיזוי שמחוברים לתהליך ולא נשארים בדשבורד.
גיוס, קליטה ועוזרי ידע פנימיים שעונים מתוך הנהלים שלכם.
המספרים של KO AI, נכון ל-09/2026.
נכון ל-2026-09-28
תחומים: שירותים פיננסיים · ביטוח · תוכנה ו-SaaS · מוביליטי ורכב · בריאות ומדעי החיים · ייצור ותעשייה.
FDE, או Forward Deployed Engineering, הוא הנדסת תהליכים מתקדמת שיודעת להפוך תהליכים עסקיים ותיקים לתהליכים מבוססי AI ולהטמיע אותם בארגון. צוות FDE של KO AI משלב מהנדסים ויועצים שעובדים בתוך הארגון, על הדאטה, המערכות והתהליכים שלו, ואחראים גם על ההבנה העסקית וגם על המימוש, עד שהתהליך החדש פועל ומייצר ערך מדיד.
ייעוץ רגיל מסתיים בדרך כלל במסמך או במצגת, והביצוע עובר לצוות אחר. ב-FDE אותם אנשים שמיפו את התהליך גם בונים את המערכת, מחברים אותה למערכות הקיימות ומלווים אותה בייצור. המדד להצלחה הוא KPI עסקי שהוגדר מראש, לא מספר השקפים.
בית תוכנה מצפה לאפיון מוכן ומפתח לפיו. צוות FDE מתחיל לפני האפיון: יושב עם האנשים שעושים את העבודה, מזהה איפה AI באמת חוסך זמן או כסף, ומשנה את הפתרון תוך כדי תנועה לפי מה שעובד בשטח. בסוף הפרויקט הידע נשאר אצלכם, עם תיעוד וצוות פנימי שיודע לתחזק.
המבנה הטיפוסי אצלנו: בשבוע הראשון ממפים תהליך אחד, מודדים את המצב הקיים ומגדירים יעד. תוך 30 יום רץ פיילוט על דאטה אמיתי עם משתמשים אמיתיים. תוך 90 יום התהליך עובד בייצור, מנוטר ומדוד, והצוות שלכם יודע להפעיל אותו. פרויקטים רחבים מתקדמים תהליך אחרי תהליך באותו קצב.
תהליכים עם נפח גבוה, חוקים ברורים יחסית ועבודה ידנית חוזרת: קליטת מסמכים ותביעות, טיפול בפניות שירות, התאמות כספיות, הכנת הצעות מחיר, סיווג ותיעוד, וניתוח דאטה חוזר. הכלל שלנו: אם אפשר למדוד את זמן העבודה היום, אפשר להגדיר יעד ולהוכיח חיסכון.
כן, וזה העיקר במודל. אנחנו עובדים בתוך הסביבה שלכם, לפי מדיניות אבטחת המידע וההרשאות של הארגון, עם אפשרות למודלים שרצים On-Prem או בענן פרטי (VPC) כשהמידע רגיש. חתימה על NDA, מיפוי הרשאות ובדיקות אבטחה הם חלק משלב הפתיחה, לא תוספת.
המטרה היא שתהיו עצמאיים. בסוף הפרויקט מקבלים מערכת בייצור, ניטור, תיעוד והכשרה לצוות שמפעיל אותה. אפשר להמשיך איתנו לתהליך הבא, להשאיר ליווי שוטף בהיקף קטן, או לקחת את התחזוקה פנימה לגמרי.
בשיחת היכרות של 30 דקות בוחרים תהליך אחד שמעסיק הרבה אנשים או עולה הרבה כסף. אחרי זה מגיעה הצעה עם יעד מדיד, לוח זמנים והיקף צוות. אין צורך בדאטה מסודר או באפיון מוכן: את זה אנחנו עושים בשבוע הראשון.
שיחת היכרות של 30 דקות עם מהנדס שיעבוד על הפרויקט, לא עם איש מכירות.
ייעוץ AI אסטרטגי, תפעולי וטכני מקיף בתחום יישום טכנולוגיות AI ושילובן בתהליכים עסקיים בחברות, לצורך יצירת יתרון תחרותי, צמיחה והתייעלות.
02פיתוח מערכות וסוכני ML / AI ארגוניים, הקמת תשתיות לפיתוח וניהול סוכנים, אוטומציה ארגונית, אימון ותחזוקת מודלים (ML / LLM) ושירותי Data Science.
04הכשרת חברות לשימוש בכלי AI ארגוניים מותאמים. איתור כלים, פיתוח מערכי הדרכה ותהליכי עבודה, העברת הדרכות בשטח, הערכת ביצועי כלים, אבטחת מידע ובקרות שימוש.
ארגונים רבים כבר עברו את שלב ההתלהבות מצאטבוטים, אבל עדיין מתקשים להפוך מודלי שפה למנוע עבודה אמיתי. מנהל יכול לבקש תחזית מכירות, נציג שירות יכול לבקש טיפול בפנייה, ואנליסט יכול לבקש בדיקת חריגות, אך בלי חיבור מבוקר למערכות נתונים ולפעולות, המודל נשאר בעיקר ממשק שיחה. קריאת כלים, או Tool Calling, היא אחת היכולות שמתחילות לסגור את הפער הזה בין שפה לבין ביצוע. קריאת כלים הופכת מודל שפה לשכבת פעולה ארגונית מאמר מקצועי שפורסם לאחרונה ב-Towards Data Science החזיר למרכז הדיון את המנגנון הפשוט...
ארגונים רבים עדיין מתייחסים אל AI כאל כלי עבודה אישי, תוסף לדפדפן או קיצור דרך לכתיבת מסמכים. הבעיה היא שבמקום שבו נמצאת ההשפעה העסקית האמיתית, תפעול, תכנון, בקרה, שירות, רכש וניהול ידע, נדרש מהלך שיטתי בהרבה. הטמעת AI בארגונים אינה מתחילה בשאלה איזה מודל לבחור, אלא בשאלה אילו החלטות ותהליכים אפשר לשפר בלי לוותר על אחריות ניהולית. הטמעת AI בארגונים מחייבת תכנון תפעולי ולא רק רישוי תוכנה בסיס פורט לי בווירג'יניה קיים לאחרונה סדנה אסטרטגית חד-יומית לשילוב AI בתפעול השוטף. מנהלים, אנשי מטה...
ארגונים שמכניסים כלי בינה מלאכותית לסביבת הפיתוח מגלים מהר מאוד שהאתגר האמיתי אינו המודל, אלא החיבור שלו לעבודה היומיומית. המתח נמצא בין נוחות לבין שליטה: מצד אחד רוצים שעוזר חכם יקרא קוד, ינווט בפרויקט ויזהה בעיות. מצד שני אסור לתת לו גישה חופשית למערכת הקבצים, לסודות פיתוח או למידע רגיש. לכן שרת MCP מקומי ורזה הוא לא פרט טכני, אלא שכבת אמון ארגונית. שרת MCP רזה הוא החלטה ארכיטקטונית, לא קיצור דרך מאמר מקצועי שפורסם לאחרונה תיאר מימוש של שרת MCP מקומי באמצעות הספרייה הסטנדרטית של Python...
השאירו פרטים ונחזור אליכם. שיחת היכרות קצרה עם הצוות של KO AI, כדי להבין את התהליך, את היעד ואת הדרך הנכונה להגיע אליו.
