סוכני AI כמעט לא מוכרים ב-Airbnb: מה ארגונים בישראל צריכים ללמוד

הדיווח של Airbnb אינו הוכחה שסוכני AI לא עובדים. הוא תזכורת לכך שיכולת לבצע פעולה אינה מבטיחה שלקוחות ירצו להאציל אותה. עבור ארגונים בישראל, המסקנה המעשית היא להתחיל במשימות שהלקוח או העובד מעוניינים להיפטר מהן, ולא דווקא בהחלטות שהם רוצים לשמור לעצמם.

בשיחת התוצאות המתוארת בדיווח אמר מנכ״ל Airbnb, בריאן צ׳סקי, כי סוכנים חיצוניים מייצרים תנועה מועטה ומספר זניח של הזמנות. זה נתון חשוב, אבל הוא מתייחס לערוץ מסוים ולתקופת המדידה המתוארת. הוא לא מודד את כלל השפעת ה-AI על בחירת חופשה, ובוודאי לא את הפוטנציאל של סוכנים בתוך תהליכים ארגוניים.

הנתון המעניין הוא דווקא הרצון לתכנן

לפי הנתונים שהציג צ׳סקי, חלק גדול מהמשתמשים אינו רואה בתכנון החופשה מטלה מיותרת. השוואת הדירות, הדמיון של הבוקר במרפסת וההתייעצות עם בני המשפחה הם חלק מהמוצר עצמו.

מהנוסעים נהנים מתכנון לפי צ׳סקי

80%

מהמשתמשים שולחים הודעה למארח

90%

הזמנות ביום לפי הדיווח

כחצי מיליון

הנתונים האלה, המובאים לפי דברי מנכ״ל החברה, מסבירים מדוע הזמנה אוטונומית אינה בהכרח הצעת הערך הנכונה. עם זאת, הם אינם מוכיחים שאנשים לא יאמצו סוכנים בהמשך. גם אין בדיווח מספר מדויק של הזמנות מסוכנים או הגדרה מלאה לאופן שיוכן, ולכן אי אפשר לחשב ממנו שיעור המרה אמין.

צריך להפריד בין חוסר אימוץ, חוסר אמון וחוסר התאמה למשימה. כל אחד מהם מחייב תגובה עסקית אחרת.

אם הבעיה היא אמון, ייתכן שנדרשים אישור אנושי ושקיפות. אם הבעיה היא מידע חסר, נדרשת אינטגרציה טובה יותר. ואם המשתמש פשוט נהנה מהבחירה, אוטומציה מלאה עלולה למחוק דווקא את החלק שהוא מעריך.

לא כל זמן שהלקוח מקדיש לתהליך הוא חיכוך. לפעמים זה בדיוק הזמן שבגללו הוא הגיע.

במקום להחליף את הבחירה, להסיר את עבודת ההכנה

הטעות האסטרטגית היא להתייחס לתכנון ולהזמנה כאל פעולה אחת. בפועל מדובר ברצף של משימות, עם רמות שונות של שיקול דעת, סיכון ומעורבות רגשית.

סוכן יכול לאסוף מגבלות, לזהות חוסר התאמה בין נכס לצורכי נגישות, להשוות תנאי ביטול ולהכין שאלות למארח. הלקוח עדיין יכול לבחור היכן ירצה לבלות עם משפחתו ולאשר את התשלום. זו אינה אוטומציה שנכשלה באמצע, אלא חלוקת עבודה נכונה.

אותו היגיון רלוונטי לחברת ביטוח ישראלית, לרשת קמעונאית ולמחלקת רכש. כדאי לבחון כל משימה בנפרד, ולא להחליט מראש שכל התהליך חייב להיות אוטונומי.

הטבלה אינה קובעת שכל התחייבות דורשת אישור ידני. הארגון צריך להגדיר מראש אילו פעולות מותר לבצע אוטומטית, באילו תנאים ומתי נדרשת הסלמה. הגבול נגזר מהסיכון העסקי, לא מרמת הביטחון שבה המודל מנסח תשובה.

סוכן צרכני וסוכן תפעולי נבחנים אחרת

סוכן שמנסה להביא הזמנה ל-Airbnb צריך להשתלב בהרגלי חיפוש, לזכות באמון ולהתחרות בחוויה מוכרת. סוכן תפעולי יכול לפעול מאחורי הקלעים בתוך תהליך שהעובדים כבר מכירים.

למשל, במקום לבקש מנציג שירות לפתוח כלי חדש ולהעתיק אליו כל פנייה, אפשר להפעיל סוכן שמכין בתיק הלקוח תקציר, מאתר מסמכים ומציע את הצעד הבא. זו דוגמה אפשרית, לא תוצאה שדווחה ב-Airbnb. יתרונה הוא שהערך נוצר בתוך סביבת העבודה הקיימת.

לכן, כלי פשוט מבחינה טכנית עשוי להיות קשה יותר להטמעה מסוכן מורכב. הכלי מחייב את העובד לזכור להשתמש בו ולשנות הרגלים; הסוכן יכול להשתלב בתהליך ללא פעולה נוספת. מנגד, הוא דורש תשתית רצינית יותר של הרשאות, ניטור ובדיקות.

ההבחנה הזאת חשובה לתקציב. מעט הזמנות מערוץ חיצוני עשויות להצדיק השקעה מוגבלת בערוץ הזה, אך אינן סיבה לעצור פרויקט תפעולי בעל תועלת מוכחת. גם הכיוון ההפוך נכון: חיסכון פנימי אינו הוכחה שקיים ביקוש למוצר צרכני אוטונומי.

איך בוחרים תהליך ששווה להשקיע בו

לא מתחילים מהמודל ולא מהדגמה מרשימה. מתחילים מבעל התהליך, מהעלות הקיימת ומהשאלה מי באמת רוצה שהעבודה תיעשה במקומו.

1. 01

   מזהים עבודה לא רצויה

   בוחרים משימה חוזרת שהעובד או הלקוח רוצים לצמצם, ולא חוויה שהם מבקשים לשמר.

2. 02

   מודדים מצב קיים

   מתעדים זמן טיפול, עבודה חוזרת, עלות ושגיאות לפני הכנסת הסוכן.

3. 03

   מגדירים גבולות פעולה

   קובעים הרשאות, תנאי עצירה ומקרים שמחייבים בדיקה אנושית.

4. 04

   בודקים בתנאי אמת

   משווים לביצוע הקיים ובוחנים גם חריגים, עלויות פיקוח ואיכות תוצאה.

5. 05

   מרחיבים עם אחריות

   מרחיבים שימוש רק לאחר שנקבעו בעלות עסקית, ניטור ויכולת לעצור את הסוכן.

התהליך הזה מחייב שותפות בין מומחה תחום, מנהל עסקי וצוות טכנולוגי. השכלה רלוונטית והיכרות עם מחקר ב-AI תורמות להבנת מגבלות המערכת; ניסיון תפעולי מאפשר לזהות היכן טעות קטנה הופכת לנזק ממשי. אף אחד מהמרכיבים האלה אינו תחליף לאחר.

כשבוחנים ספק או יועץ, כדאי לבקש יותר מהדגמה: כיצד נבנתה בדיקת האיכות? מי הגדיר את מקרי הקצה? מה קורה כשהמידע סותר את עצמו? מי נושא באחריות כשהמערכת מבצעת פעולה שגויה? הבטחה לסוכן שעושה הכול אינה תשובה מקצועית.

אדם בלולאה, לא עובד שמאשר הכול

פיקוח אנושי הוא רכיב קריטי, אבל אישור ידני לכל פעולה עלול להשאיר את צוואר הבקבוק במקומו. היעד הוא לא להוסיף עובד שמפקח על כל לחיצה, אלא לאפשר לאיש מקצוע לפקח על הרבה יותר פעילות באמצעות טיפול בחריגים ובקרת איכות.

לשם כך נדרשים תיעוד החלטות, הרשאות מצומצמות, מדיניות הסלמה ובדיקות מדגמיות. יש למדוד גם את זמן הפיקוח והתיקון: חיסכון שנעלם בתוך עבודת הבקרה אינו חיסכון תפעולי אמיתי.

במקביל, ארגונים צריכים לפעול בשני מסלולים: לפתח אוריינות AI אצל העובדים, ולבנות יכולת פנימית להקמה ולניהול של סוכנים. עובדים צריכים לדעת לנסח משימות, לבדוק תוצרים ולזהות מגבלות; מערכות המידע צריכות לנהל את מחזור החיים של הסוכן, מהקמה והרשאות ועד הערכה והוצאה משימוש.

הלקח מ-Airbnb אינו להמתין עם AI. הוא לבחור טוב יותר מה להעביר אליו. לפני ששואלים אם הסוכן מסוגל להשלים את כל המסע, צריך לשאול איזה חלק במסע האדם באמת רוצה למסור. שם יש סיכוי טוב יותר למצוא גם אימוץ וגם ערך עסקי.