מה שקרה ב-Cox — ולמה 75% מהעבודה הייתה במקום שאף אחד לא מתקצב.
נתחיל מהמספרים, כי הם עושים את העבודה
Cox Communications היא ספקית הברודבנד הפרטית הגדולה בארה"ב. 15,000 עובדים, שישה מיליון לקוחות. הזרוע העסקית שלה נתקעה — קמפיינים אחידים שהפסיקו לייצר צמיחה, ואנשי מכירות שחוקרים לקוחות פוטנציאליים ידנית מתוך רשימות לידים שדיוקן היה 18%.
הם עבדו עם Accenture ועם Claude דרך Amazon Bedrock. אלה התוצאות שדווחו:
| החזר על ההשקעה בשנה הראשונה | פי 7 |
| הוזלת עלות אימות ליד | 86% |
| דיוק רשימות הלידים | מ-18% ל-97% |
| מהירות לשוק בשיווק | 55% מהר יותר |
| בדיקות A/B | מ-~100 בשנה ל-100+ ביום |
זמן הכנה לשיחת מכירה ירד משעות לדקות. ~2,500 עובדים משתמשים ב-Claude Code — יותר ממחציתם בתפקידים לא טכניים.
בשלב הזה כל מנהל שקורא את זה חושב על אותו דבר: איזה מודל הם השתמשו, וכמה זה עלה.
וזו השאלה הלא נכונה.
הציטוט שאף אחד לא יצטט
עמוק בתוך המקרה יושבת אמירה של קתרין מוריג, ראשת ההתקשרות מצד Accenture:
"רק כ-25% מהזמן שלנו מוקדש לפיתוח בפועל."
השאר — 75% — הלך לנתונים, אימות ואבטחה.
תחשבו מה זה אומר. הפרויקט שהחזיר פי 7, שהקפיץ דיוק מ-18% ל-97%, שהפך מאה בדיקות בשנה למאה ביום — רבע ממנו היה בניית AI. שלושה רבעים היו העבודה שאף אחד לא מצלם לסרטון השקה.
ורוב הארגונים מתקצבים בדיוק הפוך.
למה זה קורה, ולמה זה יימשך
זה לא כשל תכנוני מקומי. יש לזה סיבה מבנית.
איכות המודלים הפכה לסחורה. לכם, ל-Cox ולמתחרים שלכם יש גישה לאותם מודלים בדיוק, באותו מחיר בערך, מאותם ספקים. אף אחד לא מנצח היום כי יש לו מודל טוב יותר.
ולכן היתרון התחרותי זז. הוא ישב בגישה למודל, והוא עבר לשני מקומות אחרים:
מה שאתם מזינים לו — הנתונים שלכם, בפורמט שהוא יכול לעבוד איתו, נקיים מספיק כדי לסמוך עליהם.
איך אתם מאמתים אותו — היכולת לדעת שהפלט נכון לפני שהוא מגיע ללקוח.
שני אלה לא ניתנים לרכישה מדף. הם ספציפיים לארגון שלכם, והם בדיוק ה-75%.
מודל הוא סחורה. הנתונים שלכם — לא.
מה Cox באמת בנו
תסתכלו על הרשימה, ותשימו לב כמה מעט ממנה היא "AI":
The Cube — מודל נתונים בשש שכבות. זו התשתית. לפני שהמודל ראה משהו, מישהו החליט מה זה בכלל לקוח, מה נחשב אינטראקציה, ואיך נראית היסטוריה של חשבון.
צינור אימות לידים — שכבה שבודקת ומעשירה כל ליד לפני שהוא נכנס למערכת. פחות מדקה לליד. זה מה שהזיז את הדיוק מ-18% ל-97% — לא המודל, אלא ההחלטה לבנות שלב אימות שלם לפני שסומכים על משהו.
CAMI — עוזר השיווק. מייצר קמפיינים ל-120 תת-תעשיות ושמונה פלחי לקוחות, בערך 32 פריטים לקמפיין.
SAMI — עוזר המכירות. מסמכי הכנה, תסריטי שיחה, מיילים, העשרת רשומות ב-Salesforce מהכתבה קולית.
Skill Studio — מערכת שלוכדת ידע עסקי שבשתיקה והופכת אותו לכישורי סוכן לשימוש חוזר.
ממשל דרך Bedrock — כדי שהכל ישב בתוך עקרונות האבטחה והניטור הקיימים.
בחירת מודל לפי משימה — Haiku לאחזור, Sonnet לעבודה בינונית, Opus להיסק כבד.
ארבעה מתוך שבעה הסעיפים האלה הם תשתית, נתונים או ממשל. שניים הם יישומים. אחד הוא אופטימיזציה של עלות.
המודל עצמו לא מופיע ברשימה בכלל. הוא הנחת יסוד.
והנה מה שהמספר הכי חשוב באמת אומר
מכל המספרים במקרה הזה, אחד קפץ לי יותר מהאחרים:
ממאה בדיקות A/B בשנה — למאה ביום.
פי 365 בקצב.
כתבתי כאן לא מזמן שהדבר היחיד ש-AI לא הוריד לאפס הוא מספר הסיבובים — שידע נהיה זול, ושיפוט נשאר יקר, ושהוא נבנה רק דרך לולאה של ניסיון, כישלון ותיקון.
Cox היא המקרה שמראה איך זה נראה כשארגון מתעש את הלולאה הזאת.
ושימו לב לקשר: הם לא הגיעו ל-100 בדיקות ביום כי קנו מודל מהיר. הם הגיעו לשם כי בנו את שכבת הנתונים, את צינור האימות ואת הממשל — וזה מה שאיפשר להריץ ניסויים מהר ובלי לשבור דברים.
ה-75% הם לא תקורה. הם מה שקונה את מהירות הסיבובים.
ארגון בלי שכבת נתונים מסודרת לא יכול להריץ מאה ניסויים ביום, כי אין לו דרך לדעת מה מהם הצליח. הוא ירוץ שלושה, יתווכח על התוצאות, ויעצור.
ופרט אחד שראוי לעצור עליו
Skill Studio — המערכת שלוכדת ידע עסקי שבשתיקה והופכת אותו לכישורים חוזרים.
טענתי כאן קודם, בעקבות הפילוסוף מייקל פולני, שידע שבשתיקה — התחושה של איש מכירות ותיק שהעסקה הולכת לאיבוד — לא ניתן לכתיבה, ולכן גם לא ניתן לטעינה למודל.
אני עדיין חושב שזה נכון, ו-Skill Studio מדייק את זה במקום לסתור:
אי אפשר לטעון שיפוט. אבל אחרי שעברתם את הלולאה — אפשר לקודד את מה שהיא ייצרה.
זה ההבדל בין לתת למישהו מפה לבין לתת לו מפה שמישהו שהלך בשטח צייר. המפה לא מחליפה את ההליכה. אבל היא הופכת את ההליכה של אדם אחד לנכס של ארגון.
וזה גם מסביר למה אי אפשר לקנות את זה: הידע שנלכד שם הוא של Cox. אף ספק לא יכול למכור לכם אותו.
"אבל אנחנו לא Cox"
זו התגובה הצפויה, ואני שומע אותה בכל פגישה כמעט. 15,000 עובדים, Accenture, AWS ומרכז מצוינות AI ייעודי. יצרן ישראלי עם 80 עובדים קורא את זה ומסיק שזה סיפור מעולם אחר.
הסקאלה שונה. הרצף — לא.
מה שיורד בסקאלה: מספר המערכות, גודל הצוות, התקציב, מספר התהליכים שנוגעים בהם.
מה שלא יורד בסקאלה:
נתונים לפני מודלים. אין קיצור דרך. ארגון שמתחיל מהמודל בונה משהו מרשים שמתפרק בפגישה השלישית עם המציאות.
אימות לפני אוטומציה. אם אין לכם דרך לדעת שהפלט נכון, האוטומציה רק מגדילה את קצב הטעויות.
תהליך אחד לפני הכל. Cox התחילו מאימות לידים — סעיף אחד, מדיד, עם מספר ברור לפני ואחרי. לא מ"טרנספורמציית AI".
בגודל של חברה ישראלית בינונית, ה-75% הוא לא שש שכבות נתונים ומרכז מצינות. הוא לרוב טבלה אחת שמישהו סוף סוף מסדר, ובדיקה אחת שמישהו סוף סוף מגדיר. זה נשמע קטן. זה מה שמכריע.
מה שאנחנו רואים בשטח
הלקוחות שאני ועומר עובדים איתם הם לא חברות טכנולוגיה. יצרן, יבואן, מפיץ. אין להם מרכז מצוינות AI ואין להם Accenture. יש להם מנהל תפעול שיודע הכל, ומערכת מ-2011.
ושם ל-75% יש בעיה נוספת מעבר למאמץ: הוא לא מרגיש כמו התקדמות.
מנהל ישראלי שאומרים לו "קודם נסדר את הנתונים" שומע חצי שנה בלי שום דבר להראות. והוא לא טועה שהוא מתנגד — בארגון שהוא לא חברת טכנולוגיה, פרויקט בלי תוצאה גלויה מאבד את הפטרון שלו בחודש השלישי. זה לא חוסר סבלנות. זו הבנה נכונה של איך הארגון שלו עובד.
ולכן העבודה שלנו היא לא רק לעשות את ה-75%. היא לפרק אותו לחתיכות שכל אחת מהן מייצרת ניצחון.
לא "נבנה תשתית נתונים ואז נראה ערך". אלא: השבוע מסדרים את טבלת הלקוחות — ומיד אנשי המכירות מקבלים רשימה שאפשר לסמוך עליה. אחר כך מוסיפים את שלב האימות — ומיד מספר השיחות המבוזבזות יורד. אותו 75% בדיוק, רק שעכשיו כל שלב משלם על עצמו וקונה את השלב הבא.
הישראלים רוצים ניצחונות. אז אנחנו מחלקים את התהליך לניצחונות קטנים שמרכיבים ניצחון גדול.
ותשימו לב ש-Cox עשו בדיוק את זה, בלי לקרוא לזה כך. הם התחילו מאימות לידים — סעיף אחד, מדיד, עם מספר לפני ואחרי. זה היה הניצחון הקטן הראשון שלהם. The Cube לא קדם לו; הוא צמח ממנו.
והחלק השני שאנחנו מביאים קשה יותר לתיאור, אבל הוא הצוואר האמיתי: בארגון שהוא לא טכנולוגי, החלק הקשה הוא לא המודל, ואפילו לא הנתונים. הוא שאף אחד מעולם לא כתב איך התהליך באמת עובד. מנהל התפעול יודע. זה בראש שלו.
וזה שוב אותו ידע שבשתיקה. בחברה ישראלית בינונית, ה-Skill Studio הוא בן אדם. והעבודה היא להוציא את מה שיש לו בראש לצורה שמערכת יכולה לעבוד איתה — וזה דורש להבין את העסק, לא רק את הטכנולוגיה.
מה לעשות ביום שני בבוקר
ארבעה צעדים, בסדר הזה:
1. בחרו תהליך אחד עם מספר. לא "לשפר את השיווק" — אלא משהו שאפשר למדוד לפניו ואחריו. Cox בחרו דיוק לידים והתחילו מ-18%. מה המספר שלכם, והאם אתם בכלל יודעים אותו היום?
2. תשאלו איפה הנתונים לתהליך הזה. בדרך כלל התשובה תהיה מביכה — שלוש מערכות, שני קבצי אקסל ואיש אחד שזוכר. זו העבודה. לא עיכוב לפני העבודה.
3. תבנו את שלב האימות לפני האוטומציה. איך תדעו שהפלט נכון? אם התשובה היא "נסתכל עליו", אתם עוד לא מוכנים לאוטמט.
4. תמדדו סיבובים. כמה ניסויים אתם מריצים בחודש על התהליך הזה. אם התשובה היא אחד — הבעיה שלכם היא לא המודל.
שורה תחתונה
הסיפור של Cox נקרא כמו סיפור על בינה מלאכותית. הוא לא.
הוא סיפור על ארגון שהבין שהמודל הוא החלק הזמין, הזול והמשותף לכולם — והשקיע שלושה רבעים מהמאמץ בדברים שאף אחד לא מתלהב מהם: נתונים, אימות, ממשל.
המודל הוא מה שכולם קונים. הבידול הוא מה שמזינים לו ואיך מוודאים אותו.
ואם אתם מתקצבים 75% לבנייה ו-25% לנתונים — אתם מתקצבים בדיוק הפוך ממי שקיבל פי 7.
איפה מתחילים
השאלה המעשית היא לא "האם להיכנס ל-AI". היא איזה תהליך אצלכם מתאים להיות הניצחון הקטן הראשון — כזה שיש לו מספר, שאפשר להוכיח עליו ערך תוך שבועות, ושקונה את השלב הבא.
זה בדיוק מה שבניתי ב-Pele: במקום פרויקט AI גדול שמנסה הכל בבת אחת — תהליך אחד, ערך מדיד, ורק אז הרחבה.
רוצים לבדוק איזה תהליך אצלכם מתאים ראשון? דברו איתי — שיחה של 30 דקות בדרך כלל מספיקה כדי לדעת.
— שחר פאר, מייסד e-Sharp, מלווה חברות B2B בבנייה והטמעה של מערכות AI וסוכנים אוטונומיים.
רוצים לבנות את ה-75% שמכריע?
בואו נבחר יחד את התהליך הראשון — זה שיש לו מספר, ושקונה את השלב הבא.
קבעו שיחת ייעוץ אסטרטגי