רווחים:
- יכולת להסביר את תפקידו של מומחה מערכות מידע לניהול כגשר בין היחידה העסקית ל-IT והיכן בינה מלאכותית מייצרת ערך בגשר זה.
- יכולת להבחין אילו החלטות נותרות באחריות אנושית בעת שימוש ב-AI כמאיץ בתקשורת עסקית-IT
- אמצו דיסציפלינה עבודה המאמתת כל פלט AI עם כלל עסקי, נתונים אמיתיים ואימות בעלי עניין
מערכות מידע לניהול (MIS) היא מערכת של מערכות המאפשרות לארגון לבצע את התהליכים העסקיים שלו באמצעות טכנולוגיית מידע (IT). המומחה בתחום זה מכונה לרוב "הגשר": מצד אחד יש את היחידה העסקית (מכירות, חשבונאות, משאבי אנוש, תפעול) שמסבירה מה היא רוצה בשפה העסקית, ומצד שני יש את צוותי התוכנה והתשתית שמתרגמים את זה לקוד ומערכת. איש המקצוע של MIS מתרגם את שני העולמות הללו זה לזה. הצהרת מנהל מכירות "אני רוצה להכיר את הלקוחות שלי טוב יותר" הופכת לדרישה ברורה שהמפתח יכול ליישם; מהות העבודה הזו היא לתרגם את המשפט של היזם "השדה הזה חייב להיות מפתח זר" להסבר שהיחידה העסקית יכולה להבין.
בינה מלאכותית (AI) מתאימה בדיוק באמצע עבודת הגשר הזו, שכן היא מורכבת במידה רבה מהפקה, פרשנות ומבנה של טקסט: הערות ראיונות, מסמכי דרישות, מילוני נתונים, מפות תהליכים, תיאורי דוחות, מצגות. כל אלה הם מוצרי ביניים שבינה מלאכותית יכולה להאיץ. אבל יש עיקרון אחד שמודול זה מבהיר כבר מההתחלה: בינה מלאכותית מאיצה את ניסוח המוצרים הללו; תפקידו של מי שמכיר את כללי העסק ונושא באחריות להחליט אם הם נכונים או לא.
שני צידי הגשר ומקום הבינה המלאכותית
הצד של היחידה העסקית הוא עולם של שאלות מה ולמה: איזו בעיה, איזו מטרה, איזו עדיפות. צד ה-IT הוא עולם השאלה איך: איזו טבלה, איזה API (English Application Programming Interface; הממשק הסטנדרטי המשמש שתי תוכנות להחלפת נתונים), איזה אינטגרציה. הערך של מומחה MIS הוא למלא את החלקים החסרים שהוסברו על ידי שני הצדדים. היחידה העסקית שוכחת לא פעם להזכיר חריגים ("זה למעשה עובד אחרת עבור לקוחות בחו"ל"); צוות ה-IT גם לא יכול לראות את ההשפעה העסקית ("מחיקת שדה זה תשחית את הדוחות").
AI עוזר כאן בשלוש דרכים קונקרטיות. הראשון הוא טיוטה מהירה: מחלץ רשימה ראשונית של דרישות מתוך פתק ראיון תוך דקות. השני מעורר שאלות לא שלמות: "אילו מצבים אינם מוגדרים בדרישה זו?" כששואלים אותנו, זה מזכיר לנו את החריגים שאנשים מתעלמים מהם. שלישית, תרגום: מתרגם תיאור טכני לשפה עסקית, בקשה בשפה עסקית לטיוטה טכנית. שלושתם חוסכים זמן; אבל אף אחד מהם אינו ההחלטה עצמה.
טיפ: חשבו על AI כמו "מתמחה שמקליד מהר יותר". אתה תמיד בוחן את הפלט של המתמחה, מתקן אותו בהתאם לכלל העבודה ומכניס את שמך מתחתיו. האחריות נשארת עליך.
שלב אחר שלב: מחקר גשר מופעל בינה מלאכותית
שלב 1 - איסוף הקשר. כתוב את הבעיה של היחידה העסקית במילים שלך; אילו מערכות, אילו נתונים, אילו אילוצים יש. אל תיתן שום דבר ל-AI בשלב זה; להבין קודם.
שלב 2 - סקיצה. על ידי מתן הפתק שאספתם לבינה המלאכותית, הוא מגיע עם רשימה ראשונה של דרישות, שאלות והנחות אפשריות. כאן AI מייצר "הצמדה ראשונה".
שלב 3 - סמן את הרווחים. אסוף כל נקודה המסומנת כ"לא בטוח", "השערה" ו"דורש אישור" בטיוטה שנוצרה בבינה מלאכותית. רשימה זו היא שלד של שאלות לשאול את היחידה העסקית שלך.
שלב 4 - אשר עם בעל העניין. קחו את הטיוטה ליחידה העסקית, מלאו יחד את החסר. AI לא יכול לעשות את השלב הזה; כי הכללים העסקיים האמיתיים נמצאים רק בראשו של האדם שעושה את העבודה הזו.
שלב 5 - אבטחה והעברה. בדוק שוב את הדרישה המאושרת מול נתונים אמיתיים והמערכת הקיימת, ולאחר מכן מסור אותה לצוות ה-IT.
שלושה מיני מארזים: לפי המספרים
מקרה 1 - זמן נחסך, הדיוק נשמר. בחברה קמעונאית, מומחה MIS בילה בדרך כלל 3 ימים כדי ליצור מסמך דרישות מתוך הערת ראיון של 40 עמודים. עם בינה מלאכותית, הוא הפיק את הטיוטה הראשונה תוך חצי יום; עם זאת, נתפס באישור מחזיקי העניין ש-9 מתוך 62 הדרישות בטיוטה היו נגד הכלל העסקי. רווח נקי: זמן קצר מ-3 ימים ל-1.5 ימים, אך מעולם לא דילג על שלב האימות.
מקרה 2 - עלות ההזיה. בחברת לוגיסטיקה הוסיפה AI את המשפט "המערכת מוחקת רשומות אוטומטית לאחר 30 יום" לטיוטת הדרישות; אולם דבר כזה לא נדון במהלך הפגישה. אם משפט זה היה נעלם מעיניהם, ניתן היה לכתוב כלל מחיקה המפר את תקופת השמירה החוקית. המומחה שאל: "מאיזו פגישה הגיע הכלל הזה?" הוא תפס את ההזיה (הייצור הבטוח של הדוגמנית של מידע שלא קיים במציאות) באמצעות חקירה.
מקרה 3 - ערך התרגום. צוות ה-IT בחברת ייצור אמר: "אנחנו צריכים לרמות את נתוני האב." בעזרת AI, המומחה MIS תרגם זאת ליחידה העסקית כ"אותו ספק מופיע במערכת עם 3 רשומות שונות, עלינו לשלב אותן לרשומה אחת". רק לאחר תרגום זה זכרה היחידה העסקית חריג קריטי: שני הרשומות היו למעשה שני סניפים של אותה חברה עם מספרי מס שונים ואין לאחד אותם.
הנחיה חלשה / הנחיה חזקה
הנחיה חלשה:
כתוב מסמך דרישות מההערות האלה.[הערות]
הנחיה זו מעניקה לדגם חופש רב; הדגם משלים את הפערים בראשו והסיכון להזיות עולה.
הנחיה עוצמתית:
תפקידך: אתה אנליסט עסקי מנוסה של MIS. נסח דרישות מתוך הערת הראיון שלהלן. כללים: השתמש רק במידע המצוין בבירור בהערה; אל תשלימו את החסר.- כתבו כל דרישה כניתנת למדידה, בפורמט "המערכת צריכה...". - רשום כל נקודה שאינה ברורה בהערה בנפרד עם התגית [UNCERTAIN].- סמן כל הנחה שאתה מניח כ-[ASSUMPTION].- הוסף סעיף "5 שאלות לשאול את בעל העניין" בסוף. הערת ראיון: [הערות]
ההנחיה העוצמתית שומרת את הדגם בגבולות השטר, אוסרת ייצור ומציגה נקודות גלויות שצריכות אימות.
ארבע תבניות הניתנות להעתקה
1) תרגום משפה עסקית לטיוטה טכנית:
תרגם את הבקשה העסקית הבאה לטיוטה של דרישה טכנית. אין להוסיף פרטים טכניים שאינם כלולים בתפקיד; רשום גם כל הנחה שהוספת. בקשה: [טקסט]
2) תרגום מתיאור טכני לשפה עסקית:
תרגם את ההסבר הטכני למטה לטורקית פשוטה שמנהל מכירות שאינו יודע מאגרי מידע יכול להבין. הדגש את ההשפעה העסקית במשפט אחד. תיאור: [טקסט]
3) יצירת שאלות לא שלמות:
בחן את רשימת הדרישות שלהלן וחלץ מצבים לא מוגדרים (חריגים, מגבלות, מצבי שגיאה, הרשאות) כשאלות. אל תענה, רק רשום את השאלות שצריך לשאול. רשימה: [טקסט]
4) חילוץ פעולה מסיכום הפגישה:
מתוך הערת הפגישה הבאה: (א) החלטות שהתקבלו, (ב) נושאים פתוחים, (ג) פעולות ספציפיות אחראיות. לא אחראי לכך שלא מופיע בפתק או בהמצאת התאריך. הערה: [טקסט]
תרשים השוואה: האם ניתן להשאיר אותו ל-AI?
קווסט
האם AI מאיץ?
מי מקבל את ההחלטה?
טיוטה ראשונה מתוך הערות ראיונות
כן, חזק
מומחה MIS מאשר
דרישת כתיבה ניתנת למדידה
כן
בעל העניין מאשר
נכונות הכלל העסקי
לא
יחידה עסקית
היקף והחלטה בעדיפות
לא
יחידה עסקית + הנהלה
תרגום טכני
כן
צוות IT מאשר
אישור מסמך סופי
לא
שלטי מומחה MIS
טעויות נפוצות
- מסירת טיוטת הבינה המלאכותית כפי שהיא. המודל נחשב כנכון כי הוא כותב בצורה שוטפת; עם זאת, משפטים המפרים את הכללים העסקיים יכולים להיות גם שוטפים. סנן כל משפט לפי הכלל העסקי.
- שואל בלי הקשר. אמירת "דרישת כתיבה" מאלצת את המודל להתאים לפער. ככל שתיתן הקשר קונקרטי יותר, ההזיה תפחת.
- הסתרת אי ודאות. הטעות המסוכנת ביותר היא למחוק את סימני ה"[UNCERTAIN]" של הדגם ולגרום למסמך להיראות נקי; אי הוודאות לא נעלמת, היא פשוט הופכת לבלתי נראית.
- דילוג על אימות בעלי עניין. אמירת "זה נכון בכל מקרה" ודילוג על האישור בלחץ זמן הוא המקור לטעויות היקרות ביותר.
- מטילים את האשמה על AI. "זה מה שהדגם כתב" אינו הגנה; החתימה שייכת למומחה MIS.
שימו לב: הדרישה שנוצרה על ידי מומחה MIS היא הבסיס לקוד שלהלן שיכתבו עשרות אנשים במהלך חודש. אי בהירות קטנה בהתחלה הופכת בסוף לרימייק גדול ויקר. לכן האטה בתחילת הגשר מואצת בסופו.
לסיכום
מומחה MIS הוא המתרגם בין היחידה העסקית ל-IT, והתפקיד הזה מורכב ברובו מהפקה, פרשנות ובניית טקסט. בינה מלאכותית מאיץ באופן דרמטי את הניסוח של חומרי הביניים האלה: ניסוח מהיר, יצירת שאלות לא מלאה ותרגום דו-כיווני. אבל נכונות הכלל העסקי, החלטת ההיקף והאישור הסופי נשארים תמיד אצל האדם. השתמש בבינה מלאכותית כמו "מתמחה בהקלדה מהירה": סקור את הפלט שלו, תקן אותו מול הכלל העסקי, שמור על אי בהירות גלויות ואשר עם בעל העניין. בינה מלאכותית אינה מהווה תחליף לאישור מומחה מוסמך בכל החלטות קריטיות בתחום הכספים והציות.
משימת יישום
בחר בקשה עסקית אמיתית מהארגון שלך (או תרחיש דמיוני): לדוגמה, "צוות המכירות רוצה לקבל את דוח המחזור החודשי בקליק אחד". (1) כתוב את הבקשה במילים שלך כהקשר. (2) הפק טיוטה לדרישות עם "הנחיית הכוח" לעיל. (3) רשום כל תג [UNCERTAIN] ו-[ASSUMPTION] המיוצר על ידי הדגם ברשימה נפרדת. (4) הפוך את הרשימה הזו ל-5 שאלות שהיית שואל בעל עניין. (5) לבסוף, כתוב תרחיש שבו לפחות משפט אחד בטיוטה עשוי להפר כלל עסקי והסביר כיצד תשים לב.
רשימת בדיקה
- [ ] הבנתי את בקשת העבודה בעצמי וכתבתי את ההקשר לפני שנתתי אותה ל-AI.
- [ ] בהנחיה נתתי את הכלל "אין להמציא, סמן את המעורפל".
- [ ] אספתי בנפרד את כל אי הוודאות וההנחות שהופקו על ידי המודל.
- [ ] לא סיימתי סופית את הטיוטה מבלי לאשר אותה עם בעל העניין.
- [ ] אני מאשר שאני אחראי למסמך הסופי.
- [ ] לא השארתי החלטות קריטיות בתחום הכספים/ציות ל-AI.