הנדסת תהליכים
מיפוי, מדידה ותכנון מחדש של תהליכי עבודה, מקצה לקצה.
- BPMN 2.0
- SIPOC
- Value Stream Mapping
- Lean
- Process Mining
FORWARD DEPLOYED ENGINEERING
FDE בישראל: הנדסת תהליכים עם AI ו-ML
מהנדסים ויועצים של KO AI משכתבים את תהליכי העבודה של הארגון שלכם לתהליכים מתקדמים ויעילים, המניבים ערך אמיתי ומדיד.
מה זה FDE
מה זה FDE?
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.
מקצוע, לא כלי
FDE דורש הרבה יותר מהיכרות עם צ'טבוטים
FDE נמצא במפגש של ארבעה תחומים. זו יכולת נדירה יחסית: ידע עסקי מתקדם יחד עם הבנה טכנית עמוקה, באותו צוות.
ניהול אופרטיבי
קיבולת, צווארי בקבוק, עלויות ורמות שירות, כפי שהם נראים בשטח.
- Theory of Constraints
- Little's Law
- SLA
- Cost-to-serve
- KPI Trees
ניהול פרויקטים
הובלת שינוי בארגון גדול: בעלי עניין, סיכונים, לוחות זמנים והטמעה.
- Agile
- RACI
- Risk Register
- Change Management
- Stakeholder Mapping
AI ו-ML
מודלים, נתונים והנדסה שמחזיקים מעמד בייצור, לא רק בהדגמה.
- LLM
- RAG
- Classification
- Anomaly Detection
- Evals
- MLOps
המתודולוגיה
הנדסת תהליכים ואופטימיזציה עסקית עם AI ו-ML
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
מיפוי ומדידה של התהליך הקיים
לומדים את התהליך כפי שהוא קורה בפועל, לא כפי שהוא כתוב בנוהל.
- SIPOC
- BPMN 2.0
- Value Stream Mapping
- Process Mining
- Time & Motion
עבודה עם האנשים בשטח
ראיונות ותצפיות אצל מי שמבצע את העבודה, ומיפוי של כל צעד, החלטה והעברה בין צוותים.
נתונים מהמערכות
ניתוח לוגים ונתוני CRM, ERP ומערכות תפעול, כדי לזהות את המסלול האמיתי של כל תיק.
קו בסיס מספרי
זמן מחזור, עלות לטיפול, שיעור טעויות ועבודה חוזרת, זמני המתנה ועמידה ב-SLA.
Diagnosis
אבחון: איפה הולכים הזמן והכסף
מתעדפים את נקודות השיפור לפי הערך העסקי שלהן והיכולת לממש אותן.
- Theory of Constraints
- Little's Law
- Pareto
- Root Cause (5 Whys)
- Cost-to-serve
צווארי בקבוק ועבודה חוזרת
שלבים שבהם תיקים ממתינים, מוקלדים פעמיים או חוזרים לתיקון. זמן המחזור נקבע בצוואר הבקבוק, לא בממוצע.
נקודות החלטה
החלטות חוזרות שמבוססות על כללים או על דפוסים בנתונים, ומתאימות לחוק עסקי, ל-ML או למודל שפה.
ערך מול מאמץ
מפת תעדוף שמחברת כל שיפור ל-ROI, לסיכון ולזמן המימוש.
Re-engineering
תכנון מחדש של התהליך סביב AI ו-ML
לא מוסיפים כלי לתהליך ישן. בונים את התהליך מחדש.
- BPR
- Lean (8 Wastes)
- DMN Decision Tables
- RACI
- Human-in-the-Loop
- Exception Paths
מה מבטלים ומה ממכנים
צעדים שמבוטלים, צעדים שעוברים לאוטומציה דטרמיניסטית, וצעדים שבהם AI מוסיף ערך אמיתי.
הנדסת צמתי החלטה
לכל צומת: מי מחליט (חוק, מודל או אדם), על סמך מה, באיזה סף ביטחון, ומה קורה כשהסף לא מתקיים.
אדם בלולאה
הגדרה מדויקת של הנקודות שבהן נשאר שיקול דעת אנושי, ושל הבקרות סביבן.
Build & Deploy
בנייה והטמעה בתוך הארגון
המהנדסים של KO AI בונים את התהליך החדש בסביבה של הארגון.
- Orchestration
- API Integration
- RAG
- Evals
- Guardrails
- ADKAR
תהליך, מודלים ואינטגרציה
Workflow מתוזמר, מודלי AI ו-ML וחיבור למערכות הליבה, לפי מדיניות אבטחת המידע וההרשאות של הארגון.
הטמעה אצל האנשים
הכשרה של הצוותים, שגרות עבודה חדשות וליווי עד שהתהליך הופך להרגל.
Measure & Improve
מדידה ושיפור מתמיד
התהליך החדש נמדד מול קו הבסיס, ומשתפר לאורך זמן.
- SPC Control Charts
- DMAIC
- Model Drift
- LLMOps
- Unit Economics
מדדים וניטור
השוואה לקו הבסיס, ניטור ביצועי המודלים ו-Drift, ודיווח שוטף להנהלה.
כלכלת טוקנים
בחירת המודל הנכון לכל משימה ובקרת עלויות השימוש, כדי שהחיסכון לא יישחק בעלויות ה-AI.
הנדסת צמתי החלטה
אנטומיה של תהליך אופטימלי
תהליך טוב הוא שרשרת של צעדים וצמתי החלטה. בכל צומת אנחנו קובעים מי מחליט: חוק עסקי, מודל ML, מודל שפה או אדם, ובאיזה סף ביטחון. עברו על הצמתים.
טיפול בחשבונית ספק: תהליך דטרמיניסטי עם רכיבי AI בצמתים
- אוטומציה דטרמיניסטית
- מודל שפה (LLM)
- חוק עסקי (DMN)
- מודל ML
- החלטה אנושית
- קלט
- מייל, פורטל ספקים או סריקה
- לוגיקה
- קליטה, זיהוי כפילויות לפי מספר חשבונית וספק, ופתיחת רשומה
- בקרה
- כל חשבונית מקבלת מזהה ונרשמת ביומן
01 קליטת חשבונית · אוטומציה דטרמיניסטית
- קלט
- PDF או תמונה, בכל פורמט של ספק
- לוגיקה
- מודל שפה מחלץ ספק, סכומים, שורות ומע״מ למבנה קבוע (JSON)
- בקרה
- ציון ביטחון לכל שדה. מתחת לסף: לבדיקה אנושית
02 חילוץ נתונים · מודל שפה (LLM)
- קלט
- הזמנת רכש, תעודת משלוח וחשבונית
- לוגיקה
- טבלת החלטה (DMN): כמויות ומחירים תואמים בתוך טווח סבילות
- בקרה
- 100% הסברתי: כל החלטה מפנה לכלל שהופעל
03 התאמה משולשת · חוק עסקי (DMN)
- קלט
- היסטוריית ספק, מחירים ודפוסי תשלום
- לוגיקה
- מודל ML מדרג סיכון: מחיר חריג, שינוי חשבון בנק, חשבונית כפולה
- בקרה
- סף ציון שנקבע מול עלות טעות. ניטור Drift חודשי
04 זיהוי חריגות · מודל ML
- קלט
- תוצאת ההתאמה + ציון הסיכון
- לוגיקה
- תקין ובסיכון נמוך: לתשלום. אחרת: לגורם המאשר לפי סכום (RACI)
- בקרה
- ספי הניתוב מנוהלים כפרמטר, לא בקוד
05 ניתוב לפי סף · חוק עסקי (DMN)
- קלט
- תיק מסוכם עם הסיבה לחריגה
- לוגיקה
- אדם מחליט רק על החריגים, עם כל המידע מול העיניים
- בקרה
- ההחלטה וההסבר נשמרים, ומשמשים לשיפור המודל
06 אישור חריגים · החלטה אנושית
- קלט
- חשבונית מאושרת
- לוגיקה
- רישום ב-ERP ושידור לתשלום לפי תנאי הספק
- בקרה
- Audit trail מלא מקצה לקצה
07 רישום ותשלום · אוטומציה דטרמיניסטית
דוגמה להמחשה. בכל פרויקט הצמתים, הספים והבקרות נקבעים לפי הנתונים והסיכונים של הארגון.
איזה רכיב מתאים לאיזו החלטה?
| רכיב | מתי מתאים | עלות להחלטה | הסברתיות | מהירות |
|---|---|---|---|---|
| חוק עסקי (DMN) | כללים ברורים ויציבים: ספים, התאמות, הרשאות | כמעט אפסית | מלאה | מיידית |
| מודל ML | דפוסים בנתוני עבר: חיזוי, דירוג סיכון, חריגות | נמוכה | חלקית (חשיבות משתנים) | מילישניות |
| מודל שפה (LLM) | טקסט ומסמכים לא מובנים: קריאה, חילוץ, סיכום, סיווג | משתנה, לפי טוקנים | דורשת ציטוט מקור ובקרות | שניות |
| החלטה אנושית | שיקול דעת, חריגים, אחריות ורגולציה | הגבוהה ביותר | מלאה, כשמתועדת | דקות עד ימים |
סוכנים או תהליכים
סוכנים אוטונומיים מול AI Workflows
סוכנים אוטונומיים מעוררים הרבה פנטזיות על פריון. בפועל, היעילות האמיתית נמצאת בשילוב נכון של רכיבי AI בתוך תהליכי עבודה דטרמיניסטיים שתוכננו היטב.
| קריטריון | סוכן אוטונומי | AI Workflow מהונדס |
|---|---|---|
| יעילות | מסלול שמשתנה בכל הרצה, עם צעדים מיותרים וניסיונות חוזרים. | מסלול קבוע וקצר. AI מופעל רק בצומת שבו הוא מוסיף ערך. |
| עלות | קשה לחזות: כל צעד הוא עוד קריאה למודל. | צפויה ומדידה לכל תיק, כולל עלות הטוקנים. |
| בקרה | קשה להסביר למה התקבלה החלטה, ומה בדיוק קרה בדרך. | לכל צומת סף, מסלול חלופי ותיעוד. יודעים מה קרה ולמה. |
| סקלביליות | טעות קטנה מוכפלת באלפי הרצות. | אותה איכות בעשרה תיקים ובעשרת אלפים. |
| ערך | מרשים בהדגמה, קשה להוכיח בייצור. | נמדד מול KPI עסקי מהיום הראשון. |
אוטונומיה משמשת אצלנו כשהיא מרוויחה את מקומה: בצעד פתוח ומוגדר היטב, בתוך תהליך מבוקר, עם גבולות, הרשאות ובדיקות.
Anthropic: Building effective agents Gartner: תחזית לביטול של יותר מ-40 אחוז מפרויקטי ה-Agentic AI עד סוף 2027
הנדסת תהליכים עם AI
מה משתנה בתהליך עצמו
FDE לא מוסיף צ'אטבוט לתהליך קיים. הוא בונה את התהליך מחדש: רכיבי AI עושים את העבודה החוזרת, ואנשים מחליטים בנקודות שבהן צריך שיקול דעת. עברו עם העכבר על כל שלב.
היום: תהליך ידני
- נציגקבלת מייל ומסמכיםנציג פותח כל מייל, מוריד קבצים ומזהה את סוג הפנייה.
- נציגפתיחת תיק והקלדההקלדה ידנית של פרטי המבוטח והאירוע למערכת הליבה. כאן נוצרות רוב טעויות ההזנה.
- מסלקבדיקת כיסוי בפוליסהחיפוש תנאי הפוליסה, החרגות והשתתפות עצמית, מול מסמכי האירוע.
- נציגבקשת מסמכים חסריםמייל חוזר למבוטח והמתנה. התיק עומד בתור.
- מסלקהחלטה ותשלוםסיכום, החלטה, הזנת תשלום ותיעוד.
75 דק׳זמן עבודה אנושי לתיק
3 ימיםזמן מקבלה ועד החלטה
עם סוכני AI
- סוכן AIקליטה וסיווג אוטומטייםסוכן קורא את המייל והקבצים, מזהה סוג תביעה ודחיפות, ומנתב.
- סוכן AIחילוץ נתונים ופתיחת תיקהנתונים מחולצים מהמסמכים ונכתבים למערכת הליבה דרך API, עם ציון ביטחון לכל שדה.
- סוכן AI + מסלקבדיקת כיסוי עם הפניה לסעיףהסוכן מצליב מול תנאי הפוליסה ומצטט את הסעיף. המסלק מאשר או מתקן (Human in the loop).
- סוכן AIבקשת מסמכים חסריםבקשה אוטומטית ומדויקת למבוטח, עם תזכורת. התיק לא נתקע בתור.
- מסלקהחלטה ותשלוםהמסלק מקבל תיק מוכן ומסוכם, ומחליט. ההחלטה נשארת אצל אדם.
13 דק׳זמן עבודה אנושי לתיק
1 יוםזמן מקבלה ועד החלטה
דוגמה להמחשה. בפרויקט אמיתי אנחנו מודדים את הזמנים בפועל כבר בשבוע הראשון, ומחשבים את החיסכון על המספרים של הארגון.
מה משתפר
אילו מדדים אופטימיזציה עם AI משפרת?
כל פרויקט FDE נמדד מול מדדים עסקיים שהוגדרו לפני שמתחילים לבנות, ולא מול מספר הפיצ׳רים.
זמן מחזור
הזמן מקבלת בקשה או תיק ועד סגירה, כולל זמני המתנה בין צוותים.
עלות לטיפול
שעות עבודה ועלות ישירה לכל יחידת עבודה, כולל עלות השימוש במודלים.
איכות ודיוק
שיעור טעויות, עבודה חוזרת וחריגים שמגיעים לבקרה.
תפוקה וגדילה
היקף עבודה שהצוות מטפל בו בלי להגדיל כוח אדם.
זמני תגובה (SLA)
עמידה ביעדי שירות מול לקוחות פנימיים וחיצוניים.
קבלת החלטות
החלטות מהירות ומבוססות נתונים, עם תיעוד והסבר לכל החלטה.
למה עכשיו
השוק הגלובלי כבר בחר במודל הזה
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: The Deployment Company
OpenAI הקימה חברה ייעודית להטמעת מהנדסי FDE בארגונים, עם השקעה של כ-4 מיליארד דולר וכ-150 מהנדסי FDE כבר ביום הראשון.
AWS: יחידת FDE של מיליארד דולר
AWS השקיעה מיליארד דולר ביחידה שמטמיעה צוותים של מהנדסים אצל לקוחות, עובדת על הדאטה והתשתית שלהם, ומשאירה אותם עצמאיים בסוף.
וכשכולם מציעים FDE, השאלה היא מי יושב מולכם.
למה KO AI
למה שירותי ה-FDE שלנו מתאימים לחברה שלך
חברות כמו AWS, Anthropic, OpenAI ו-Microsoft מציעות היום שירותי FDE. ה-FDE שלנו רב-מערכתי ואגנוסטי לספק: אנחנו מביאים את הפתרון היעיל והמתאים ביותר ללקוח, בלי זיקה לספק כזה או אחר.
אגנוסטיים לספק
אנחנו שותפים רשמיים של AWS ו-Microsoft ונמנים ברשת השותפים של Anthropic. השותפות מתבטאת בהיכרות עמוקה וביכולת לחבר טכנולוגיות, לא בהעדפת ספק בגלל זיקה עסקית.
הנדסת תהליכים עסקיים לעומק
ידע וניסיון מעמיק בתכנון, מדידה ואופטימיזציה של תהליכים. מתחילים מהתהליך, לא מהכלי.
מנהלים מהשטח, לא רק נותני שירות
ניסיון בארגונים גדולים כמנהלים בשטח וכמקבלי החלטות. אנחנו יודעים איך תהליך נראה מהצד של מי שאחראי עליו.
עומק טכני ב-AI וב-ML
הבנה וניסיון טכני ייחודי במודלי AI ו-ML: בחירה, התאמה והערכה של מודלים, לא רק שימוש בכלים.
מחקר יישומי בינלאומי
אנחנו עוסקים במחקר יישומי בינלאומי בתחום, ומביאים לפרויקטים שיטות שנבדקו גם מחוץ לארגון.
צוות ישראלי בוטיק
מכירים את המערכות, הרגולציה והשפה המקומיות, ויכולים לשבת אצלכם במשרד מחר בבוקר.
שותפים רשמיים, לא נציגי מכירות
ANTHROPICהשוואה
FDE של KO AI מול FDE של ספק, ייעוץ מסורתי ובית תוכנה
ארבע דרכים להכניס AI לארגון. ההבדל הוא מאיפה מתחילים, מי אחראי על התוצאה, ומתי רואים אותה.
| קריטריון | FDE (KO AI) | FDE של ספק ענן / מודל | ייעוץ מסורתי | בית תוכנה |
|---|---|---|---|---|
| מה מקבלים בסוף | תהליך שעובד בייצור ומודד תוצאה | פתרון בייצור, על הפלטפורמה של הספק | מסמך המלצות ומפת דרכים | תוכנה לפי אפיון |
| העדפת ספק טכנולוגי | אגנוסטי: הפתרון המתאים ביותר, מכל ספק | מבוסס על הטכנולוגיה של הספק | משתנה | הסטאק של הבית |
| איפה הצוות עובד | בתוך הארגון, עם האנשים שעושים את העבודה | בתוך הארגון, סביב הפלטפורמה | בסדנאות וראיונות | אצל הספק, מול איש קשר |
| נקודת המוצא | התהליך העסקי והמדדים שלו | היכולות של הפלטפורמה | אסטרטגיה ומבנה ארגוני | אפיון שהארגון כתב |
| מי אחראי על התוצאה | אותו צוות, מהמיפוי ועד הייצור | צוות הספק, עם דגש על אימוץ הפלטפורמה | הארגון, אחרי הייעוץ | הארגון, אחרי המסירה |
| איך מודדים הצלחה | KPI עסקי שהוגדר ביום הראשון | KPI עסקי ואימוץ הפלטפורמה | שביעות רצון מהתוצר | עמידה באפיון ובלוח זמנים |
| קצב | תהליך בשבוע, מערכת החלטות בחודש, יחידה ב-3 חודשים | לפי היקף ההתקשרות | חודשים עד שמתחילים לבנות | תלוי באפיון, לרוב ארוך |
קצב
שבוע, חודש, 3 חודשים: מה אפשר לבנות
תהליך מהונדס אחד בשבוע. מכאן הקצב מצטבר: מערכת קבלת החלטות בחודש, ויחידה שלמה בשלושה חודשים.
- שבוע
בשבוע: מחליפים תהליך
יום לאבחון, שלושה ימים לתכנון, כמה ימים לבנייה, ואז ניסויים על דאטה אמיתי עד שמגיעים לערך הרצוי.
- חודש
בחודש: מערכת קבלת החלטות
כמה תהליכים מחוברים למערכת אחת: צמתי החלטה עם מודלי ML ומודלי שפה, ספי ביטחון, ניתוב חריגים לאנשים הנכונים ובקרה מלאה.
- 3 חודשים
ב-3 חודשים: יחידה שלמה
עשרות תהליכים חדשים שמחליפים עשרות רבות של תהליכים ישנים, עם ניטור, ניהול עלויות מודל וצוות פנימי שמפעיל את היחידה.
ספרינט תהליך: איך נראה שבוע אחד
- יום 1
אבחון
מיפוי התהליך בשטח ובנתונים, מדידת מצב קיים ויעד מספרי אחד.
- ימים 2 עד 4
תכנון
התהליך האופטימלי, צמתי ההחלטה, הרכיב הנכון לכל צומת והבקרות.
- כמה ימים
בנייה
Workflow, רכיבי AI ו-ML וחיבור למערכות, בסביבה של הארגון.
- עד היעד
ניסויים
הרצה על דאטה אמיתי, מדידה מול היעד וכיוונונים עד שמגיעים לערך הרצוי.
תהליך מורכב? מפצלים אותו לתתי-תהליכים, וכל אחד עובר את אותו ספרינט.
למי זה מתאים
לאילו ארגונים ותהליכים FDE מתאים?
לחברות וארגונים בינוניים וגדולים שיש להם תהליך עם נפח גבוה, עבודה ידנית חוזרת ודאטה שכבר קיים במערכות, גם אם הוא לא מסודר.
תפעול ובק-אופיס
קליטה, בדיקה ועיבוד של בקשות, מסמכים ותיקים, שחוזרים מאות פעמים ביום בכל ארגון.
שירות ומוקדים
טיפול בפניות חוזרות, סיכום שיחות וניתוב לנציג הנכון.
כספים ותפעול
התאמות, הצעות מחיר, בקרות ודיווחים שחוזרים כל חודש.
משפט, רגולציה וציות
בדיקת חוזים, מעקב אחר רגולציה ותיעוד, עם ציטוט המקור.
דאטה וקבלת החלטות
מודלי ML וחיזוי שמחוברים לתהליך ולא נשארים בדשבורד.
משאבי אנוש וידע ארגוני
גיוס, קליטה ועוזרי ידע פנימיים שעונים מתוך הנהלים שלכם.
הוכחות
מה כבר רץ בייצור
המספרים של KO AI, נכון ל-09/2026.
- מערכות AI / ML בפרודקשן בחברות
- 40+
- תהליכים חדשים מבוססי AI הוטמעו אצל לקוחות
- 500+
- פרויקטים שהושלמו
- 100+
- שעות ייעוץ AI לחברות
- 10K+
נכון ל-2026-09-28
תחומים: שירותים פיננסיים · ביטוח · תוכנה ו-SaaS · מוביליטי ורכב · בריאות ומדעי החיים · ייצור ותעשייה.
FAQ
שאלות נפוצות על FDE
מה זה FDE (Forward Deployed Engineering)?
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.
במה FDE שונה מייעוץ AI רגיל?
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.
במה FDE שונה מבית תוכנה?
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.
כמה זמן לוקח פרויקט FDE?
תהליך אחד מוחלף בדרך כלל תוך שבוע: יום לאבחון ומדידת המצב הקיים, שלושה ימים לתכנון התהליך וצמתי ההחלטה, כמה ימים לבנייה, ואז שלב ניסויים על דאטה אמיתי עד שמגיעים לערך הרצוי. תהליך מורכב מפצלים לתתי-תהליכים, וכל אחד עובר את אותו ספרינט. בחודש אפשר לבנות מערכת קבלת החלטות שלמה, ובשלושה חודשים יחידה עם עשרות תהליכים חדשים שמחליפים עשרות רבות של תהליכים ישנים.
אילו תהליכים מתאימים ל-FDE?
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.
מה ההבדל בין סוכן AI אוטונומי ל-AI Workflow?
סוכן אוטונומי מחליט בעצמו על המסלול בכל הרצה: אילו צעדים לבצע ובאיזה סדר. AI Workflow הוא תהליך שתוכנן מראש, שבו רכיבי AI מופעלים בצמתים מוגדרים, עם ספי ביטחון, מסלולים חלופיים ותיעוד. ברוב התהליכים העסקיים workflow מהונדס יעיל יותר, זול וצפוי יותר, קל לבקרה ומתרחב בלי לאבד איכות. אנחנו משתמשים באוטונומיה רק בצעדים פתוחים ומוגדרים היטב, בתוך תהליך מבוקר.
מה זה הנדסת צמתי החלטה בתהליך?
כל תהליך עסקי כולל נקודות שבהן מתקבלת החלטה: לאשר, לדחות, לנתב או לבקש מידע. בהנדסת צמתי החלטה אנחנו קובעים לכל צומת מי מחליט (חוק עסקי, מודל ML, מודל שפה או אדם), על סמך אילו נתונים, באיזה סף ביטחון, ומה קורה כשהסף לא מתקיים. הכלל: הרכיב הפשוט והזול ביותר שעומד ביעד, ו-AI רק כשהוא באמת מוסיף ערך.
האם אתם ממליצים על ספק AI מסוים?
לא מראש. ה-FDE שלנו רב-מערכתי ואגנוסטי לספק: אנחנו בוחרים את הפתרון היעיל והמתאים ביותר לכל תהליך, לפי עלות, ביצועים, אבטחת מידע והמערכות הקיימות בארגון. אנחנו שותפים רשמיים של AWS ו-Microsoft ונמנים ברשת השותפים של Anthropic, והשותפות מתבטאת בהיכרות עמוקה וביכולת לחבר טכנולוגיות, לא בהעדפה עסקית.
האם המהנדסים עובדים על הדאטה שלנו? איך נשמרת אבטחת המידע?
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.
מה קורה אחרי שהתהליך עובד?
המטרה היא שתהיו עצמאיים. כל תהליך נמסר עם ניטור, בקרות, תיעוד והכשרה לצוות שמפעיל אותו. אפשר להמשיך איתנו לתהליך הבא, להשאיר ליווי שוטף בהיקף קטן, או לקחת את התחזוקה פנימה לגמרי.
איך מתחילים פרויקט FDE?
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 ביום הראשון.
בחרו תהליך אחד. נחזור עם יעד, זמנים והיקף.
שיחת היכרות של 30 דקות עם מהנדס שיעבוד על הפרויקט, לא עם איש מכירות.
עוד שירותים
השירותים של KO AI
01
ייעוץ AI
ייעוץ AI אסטרטגי, תפעולי וטכני מקיף בתחום יישום טכנולוגיות AI ושילובן בתהליכים עסקיים בחברות, לצורך יצירת יתרון תחרותי, צמיחה והתייעלות.
02פיתוח פתרונות AI / ML
פיתוח מערכות וסוכני ML / AI ארגוניים, הקמת תשתיות לפיתוח וניהול סוכנים, אוטומציה ארגונית, אימון ותחזוקת מודלים (ML / LLM) ושירותי Data Science.
04הטמעות והכשרות AI
הכשרת חברות לשימוש בכלי AI ארגוניים מותאמים. איתור כלים, פיתוח מערכי הדרכה ותהליכי עבודה, העברת הדרכות בשטח, הערכת ביצועי כלים, אבטחת מידע ובקרות שימוש.
תובנות
תובנות על הטמעת AI בארגון
קריאת כלים היא שכבת האינטגרציה שמבדילה בין צאטבוט לבין סוכן AI
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...
הטמעת AI בארגונים מתחילה בתפעול, לא במצגת חדשנות
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...
שרת MCP רזה משנה את אינטגרציית ה-AI הארגונית
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...
