בעשור האחרון, עולם הטכנולוגיה ושוק ההון חיו בהרמוניה מוחלטת סביב מודל עסקי אחד מנצח: ה-SaaS (תוכנה כשירות) המבוסס על מספר המשתמשים (Seat-based pricing). המודל הזה העניק לחברות הציבוריות ולסטארטאפים את המדד הקדוש ביותר בוול סטריט, של הכנסה שנתית חוזרת (ARR) צפויה ויציבה, ששוק ההון ידע לתמחר במכפילים גבוהים. אבל אז הגיעה מהפכת ה-Generative AI וטרפה את הקלפים. פתאום, מאחורי כל שאילתה או פעולה של משתמש לא עומד רק קוד סטטי, אלא כוח מחשוב יקר ואינספור טוקנים. שוק ההון עוקב בדריכות אחר השינוי הזה, משום שהוא מחייב הגדרה מחדש של המודלים העסקיים. עבור סטארטאפים בשלבים מוקדמים, השינוי הזה הוא לא פחות מרעידת אדמה, הן כלקוחות של ענקיות הטכנולוגיה והן כחברות שמנסות למכור מוצרים בעצמן.

מעבר לטוקנים, ענקיות הטכנולוגיה מתמחרות תוצאות

החברות הציבוריות הגדולות, מ-Microsoft ו-Google ועד ל-OpenAI ו-Anthropic, מבינות שעלויות ה-Inference (הרצת המודלים בפועל) הן בור ללא תחתית אם לא יתומחרו נכון. כתוצאה מכך, אנו עדים למעבר מואץ למודלים של צריכה (Usage-based) ותמחור לפי טוקנים. אלא שבשוק הדינמי, המודל הזה כבר מתפתח לשלב הבא. ענקיות התוכנה מבינות שוול סטריט אמנם רוצה להגן על שיעורי הרווחיות הגולמית שלהן, אך היא מסתייגת מתנודתיות קיצונית בהכנסות. לכן, חברות כמו Salesforce עברו לאחרונה לתמחור לפי יחידות עבודה של סוכנים (Agentic Work Units), ו-Zendesk מובילה מודל של תשלום לפי פתרון בעיה באמצעות AI. המשחק משתנה מכמה טוקנים המערכת שרפה לכמה עבודה המוצר בפועל חסך לארגון, במעבר ישיר למודל מבוסס תוצאה. ההדף של השינוי הזה מגיע ישירות לפתחו של האקוסיסטם היזמי.

הסטארטאפ כלקוח ומלכודת ה-Runway הנסתרת

עבור סטארטאפים בשלבי Pre-Seed ו-Seed, המעבר של הספקים הגדולים למודל טוקנים מייצר אתגר תזרימי דרמטי. בעבר, תקציב התוכנה של חברה צעירה היה צפוי וקל לניהול: רישיונות קבועים לכלים כמו Slack, GitHub או Salesforce. כיום, כשסטארטאפים מטמיעים מודלי שפה גדולים (LLMs) בתוך המוצרים שלהם, עלויות השימוש ב-API הפכו לעיתים קרובות לסעיף ההוצאות השני או השלישי בגודלו בחברה, מיד אחרי כוח אדם. חברה צעירה שלא תנהל אופטימיזציה קשוחה של טוקנים, עלולה לגלות שה-Runway (אורך הנשימה הפיננסי) שלה מתקצר בחצי רק בגלל שהמשתמשים שלה היו עסוקים בלשחק עם המוצר קצת יותר מדי. יחד עם זאת, המלכודת הזו אינה גזירת גורל. היזמים הפיקחים כבר מבינים שהפתרון נעוץ בארכיטקטורת המוצר מהיום הראשון. אנחנו רואים יותר סטארטאפים שעוברים למודלים של Bring Your Own Tokens, המאפשרים לארגונים גדולים להביא את מפתחות ה-API שלהם, או משלבים מודלים קטנים ומקומיים שמורידים את עלויות המחשוב הדרמטיות וממקסמים את ניצולת המחשוב.

הסטארטאפ כספק ואיך נראים הפתרונות בשטח?

הצד השני של המטבע מורכב אף יותר. כשסטארטאפ מפתח מוצר AI משלו ויוצא איתו לשוק, הוא ניצב בפני דילמת תמחור קריטית שתקבע את סיכוייו לגייס הון. אם הסטארטאפ ימכור במודל SaaS מסורתי וקבוע, אך מאחורי הקלעים ישלם לענקיות הענן לפי טוקנים, הוא עלול לעלות על מסלול בטוח לשחיקת הרווחיות שלו.

שוק ההון והמשקיעים רגילים לחברות תוכנה עם רווחיות גולמית של 70%-80%. מוצר AI שמתומחר לא נכון עלול להציג רווחיות גולמית של 40% בלבד, נתון שמקרב אותו יותר לחברת שירותים ומקצץ דרמטית בשווי החברה. מצד שני, גלגול עלויות הטוקנים הישירות ללקוח מייצר חסם אימוץ מול מנהלי רכש (CFOs) ששונאים הפתעות בחשבונית.

את המלכוד הזה הסטארטאפים הישראלים כבר לומדים לפצח בשטח באמצעות מודלים היברידיים ויצירתיים. חברת Atera (פלטפורמת IT אוטונומית), למשל, פיצחה זאת באמצעות שילוב חכם: היא שומרת על מודל ה-Seat הקלאסי למשתמש, אך משלבת בתוכו מכסת AI מובנית, כאשר חריגה ממנה מתומחרת לפי פעולות ספציפיות שהסוכן ביצע. המודל הזה מעניק ללקוח תקציב צפוי ומגן על הרווחיות הגולמית של החברה. דוגמה מובהקת עוד יותר למעבר לכלכלת ה-Agentic היא חברת Wonderful AI הישראלית, המפתחת סוכני שירות לקוחות אוטונומיים. החברה, שגייסה סבב ענק לפי שווי של מיליארדים, דילגה לחלוטין על מלכודת הטוקנים ועברה למודל טהור של תמחור המבוסס על פניות שנפתרו בהצלחה. אך הפיצוח הזה אינו נחלתן של חברות צמיחה מבוססות או סבבי גיוס מפוצצים בלבד, גם סטארטאפים צעירים בתחילת דרכם מיישמים את העקרונות האלו כבר משלב ה-Seed כדי להגן על עצמם. חברת Overcut, למשל, מיישמת מודל מבוסס BYOT. היא מאפשרת ללקוחות הארגוניים שלה להביא את מפתחות ה-API והסכמי הענן הקיימים שלהם, ובכך מנטרלת לחלוטין את סיכון עלויות ה-Inference מהמודל הפיננסי שלה מהיום הראשון.

המשקיעים בוול סטריט ובעולם ה-VC כבר לא מתרגשים מהבאזז הנוצץ של ה-AI, הם מתגמלים במכפילים גבוהים חברות שמציגות נתוני כלכלת יחידה (Unit Economics) ברורים ומודל עסקי חסין. ועבור סטארטאפים בשלבים מוקדמים, הכלכלה של ה-AI היא לא סוגיה פיננסית שאפשר לדחות לשלבי הצמיחה, אלא היא לב הארכיטקטורה המוצרית מהיום הראשון. החברות שיובילו בתחומן לא יהיו אלו שיציעו את הטכנולוגיה המתקדמת ביותר, אלא אלו שידעו לבנות מוצר שמודד ומחייב לפי התוצאה והערך שהוא מייצר, ולא לפי כמות הטוקנים שהוא שורף. שם, בנקודת המפגש שבין יעילות מחשוב ליצירת ערך משבשת שוק, נולדות ענקיות התוכנה הבאות.

עולם ה-Customer Success נמצא באחד מצמתי הדרכים המרתקות והמאתגרות בתולדותיו. תחום שהחל את דרכו כשכבת שירות רכה שאמורה לשמר לקוחות ולטפח מערכות יחסים, נדרש כיום להמציא את עצמו מחדש. השינויים הטכנולוגיים המהירים, לצד הלחצים המסחריים והמציאות היומיומית המורכבת, מחייבים אותנו לשאול את השאלות הקשות על מהות התפקיד שלנו. כמנהל CS בחברת AudioCodes, אני מוצא את עצמי מנהל את הדיון הזה מדי יום - לא רק מול לקוחות, קולגות ושותפים, אלא גם מול העתיד של המקצוע עצמו.

CSM עם AI מול CSM בלי AI

אחת השאלות הנפוצות ביותר שמטרידות את התעשייה היא: האם ה-AI יחליף את מנהלי ה-CS? כששאלתי את הבינה המלאכותית עצמה מה יעלה בגורלי כמנהל לקוחות, התשובה שלה הייתה כנה להפליא: ה-AI אכן יעשה אוטומציה לחלקים נרחבים מהעבודה שלנו, החל מניתוח סיכונים, דרך הפקת דוחות ו-QBRs, ועד לבניית תוכניות הצלחה ללקוחות. אך כאן בדיוק טמון ההבדל. הצלחת לקוחות מעולם לא הייתה רק עניין של דאטה יבשה ודוחות. היא מבוססת על אמון, השפעה, ניהול מערכות יחסים, קשר אישי אנושי והבנה עמוקה של מה שלא כתוב במערכת ה-CRM.

תובנת המפתח שלי ברורה: העתיד אינו מלחמה של AI נגד CSM, אלא הקרב בין ה-CSM שמשתמש ב-AI לזה שנשאר מאחור. אנחנו דוהרים לעידן של AI Agents ולקוחות עצמאיים, Agentic Customers, מציאות שבה הטכנולוגיה לא רק תסייע ללקוח, אלא תתחיל לקבל החלטות עבורו: מהשוואת ספקים ועד לניטור חוויות, זיהוי חוסר יעילות ואופטימיזציה אוטומטית בזמן אמת. במגרש המשחקים החדש הזה, החברות שיובילו לא יהיו אלו שיציגו את רשימת הפיצ'רים הארוכה ביותר, אלא אלו שידעו להוכיח ערך עסקי מתמשך דרך תובנות עמוקות ואוטומציה חכמה. בשורה התחתונה, ה-Customer Success משנה את עורו מן היסוד: מניהול מערכות יחסים ריאקטיבי, לתזמור תוצאות חכם (Intelligent Outcome Orchestration).

האמת המעט לא נוחה על אחריות עסקית

התזמור החכם הזה של התוצאות מוביל אותנו ישירות אל האמת המעט לא נוחה על אחריות עסקית. במשך שנים, התנהל בקהילת ה-CS דיון עיקש שניסה להצדיק את קיומו של התפקיד דרך התרחקות מכל מה שנתפס כמסחרי או מכירתי. מנטרות כגון ״אנחנו לא מכירות, אנחנו לא Account Management, ובטח שלא תמיכה טכנית״ נשמעו בכל פינה. אבל השוק הנוכחי כבר לא קונה את זה, הוא מתגמל דווקא את מנהלי ה-CS שיודעים לתמרן ולהשפיע על שלושת העולמות הללו גם יחד.

הרי בסופו של דבר, Customer Success מעולם לא נועד להיות פילנתרופיה או שכבה מנומסת ומלטפת סביב המוצר. הוא נועד להיות הדיסציפלינה המסחרית שהופכת את ערך הלקוח למציאות מדידה. ברגע שהתפקיד הופך למדיד, הוא הופך אוטומטית למחויב בתוצאות, ובנקודה הזו, ההפרדה המסורתית בין הבעלות על מערכת היחסים לבין הבעלות על ההכנסות פשוט מאבדת תוקף. חברות בוגרות באמת כבר מבינות שהמדד האמיתי להצלחה הוא היכולת לייצר צמיחה מתוך הערך הממשי שהלקוח מפיק.

תפיסת האחריות נשארת אצלי

איך מיישמים את זה בפועל? המדיניות שלי כ-CSM היא פשוטה: דברים נשארים אצלי. אני לא זורק אתגרים על האדם הבא בארגון. כשאתגר, שאלה או הזדמנות מגיעים לשולחן שלי, אני לוקח עליהם בעלות מקצה לקצה. לא בגלל שיש לי את כל התשובות בשלוף, אלא בגלל שערך אמיתי נוצר מתוך לקיחת אחריות, הבנת הקונטקסט והמשכיות.

הגישה הזו מייצרת ערך אדיר ללקוחות ולשותפים:

• כתובת אחת ברורה לכל התהליך: קול אחד ויציב לאורך כל הדרך, מהשלב הראשוני ועד לאספקה ומעבר לה.
• צמצום חיכוכים: פחות פינג-פונג ארגוני פנימי שמעכב תהליכים.
• האצת צמיחה: קיצור מחזורי מכירות ובניית שותפויות ארוכות טווח המבוססות על אמון.

לקיחת בעלות מלאה היא אולי לא המסלול הקל ביותר, אבל היא המסלול היחיד שמייצר אמון ומאיץ צמיחה עסקית.

המקום שבו האנושיות מנצחת את ה-AI

אי אפשר לדבר על מקצועיות וניהול לקוחות גלובליים בעידן הנוכחי מבלי לדבר על הגורם האנושי- המקום שבו שום אלגוריתם, מתקדם ככל שיהיה, לא יוכל להחליף אותנו. בעולם שבו הכל תמיד מחובר וזמין, הגבול בין החיים האישיים למקצועיים הולך ומטשטש. מול לחצים יומיומיים, אתגרים אישיים וקצב חיים אינטנסיבי, העולם המקצועי בחוץ לא עוצר לרגע: השותפים הגלובליים מחכים, הלקוחות צריכים תשובות בזמן אמת, והחלטות עסקיות חייבות להתקבל.

מערכות AI אמנם יכולות לפעול ברצף, ללא שינה וללא שחיקה, אבל הן חסרות את היכולת החשובה ביותר שמובילי Customer Success מביאים לשולחן: אנושיות, הכלה ואמפתיה אמיתית. האינסטינקט של מנהל ה-CS האנושי הוא תמיד להופיע, להיות אמין, להקשיב ולספק את הסחורה, לא משנה מה עובר עליו באותו בוקר. הניסיון להיות נוכח במאה אחוז בחיים האישיים, ובו-זמנית לשמור על מחויבות טוטאלית ללקוח, הוא משימה ששום קוד לא יצטרך להתמודד איתה.

ובכל זאת, אנחנו עושים את זה מדי יום, לא כרובוטים קרים, אלא כאנשים שמבינים אנשים. אנחנו נשארים ממוקדים במה שחשוב ותומכים בלקוחות שלנו כי פיתחנו מעין סופר-כוח אנושי. בעידן המוגדר על ידי בינה מלאכותית, האתגר האמיתי אינו לשמור על איזון, אלא לבנות חוסן- אותה יכולת אנושית ייחודית להחזיק את שני העולמות הללו יחד, להפגין רגישות תחת לחץ, ולהזכיר לכל השוק הטכנולוגי שבסופו של דבר, הערך הגבוה ביותר תמיד ייווצר במפגש שבין בני אדם.

לסיכום, מנהל ה-CS של העתיד הוא לא זה שיודע רק לכבות שריפות או לשלוח מיילים מנומסים. מנהל ה-CS החדש הוא מנהל עסקי לכל דבר: הוא רותם את ה-AI כדי להתפנות לערך האמיתי שהוא מביא, הוא לוקח בעלות מלאה על פתרון בעיות, הוא אינו חושש מאחריות על הרווח העסקי, והוא מחזיק חוסן אישי ומקצועי שמאפשר לו להוות עוגן יציב עבור לקוחותיו, גם בסערות הגדולות ביותר.

אחת ההנחות הנפוצות בעולם הטכנולוגיה היא שאם משתמשי הקצה פעילים במוצר באופן קבוע, הם כנראה מבינים אותו ומפיקים ממנו את הערך שהוא נועד לספק. אבל לאורך השנים גיליתי שלא פעם קיים פער משמעותי בין שימוש לבין מיצוי.

משתמשים יכולים לעבוד עם מוצר או פלטפורמת מוצרים במשך חודשים ואפילו שנים, לבצע את המשימות היומיומיות שלהם בצורה טובה ולהיות מרוצים מהתוצאות - ובכל זאת להכיר רק חלק מהיכולות שעומדות לרשותם. לא משום שהמערכת קשה לשימוש, ולא משום שהם אינם מקצועיים, אלא משום שרוב האנשים לומדים טכנולוגיה בצורה שונה מכפי שחברות נוטות ללמד אותה.
זו הייתה אחת הבעיות המעניינות ביותר שיצא לי להתמודד איתן: איך עוזרים לאנשים לא רק להשתמש בפלטפורמת מוצרים, אלא להבין כיצד להפיק ממנה יותר ערך. 

כמו רבים אחרים, גם אני חשבתי בהתחלה שהפתרון הוא עוד תוכן. עוד הדרכות, עוד מסמכי הסבר, עוד סרטונים. הרי אם משתמשים לא מכירים יכולת מסוימת, כנראה שלא הסברנו אותה מספיק טוב.
אבל עם הזמן הבנתי שהבעיה אינה מחסור במידע. להפך - רוב המשתמשים מוצפים במידע.

בנקודה הזו החלטנו בחברה לנסות גישה אחרת, שהתבססה על עקרונות של גיימיפיקציה. במקום ללמד את המוצר בצורה ישירה, פיתחנו עבור משתמשי פנטרה סדרת אתגרי למידה אינטראקטיביים (CTF - Capture The Flag). ה-CTFs שלנו כללו משימות ותרחישים שמאפיינים את עבודתם של אנשי אבטחת מידע, מקרי קצה וחלקים בפלטפורמה שלנו שהם לאו דווקא חווים בעשייה הסטנדרטית. לכל משחק נבנה עולם תוכן שונה - מסעות פיראטים, דרך עולמם של האחים רייט ועד השראות מהמיתולוגיה היוונית. מעבר לחווית התחרות המובנית במשחק, לאורך הדרך המשתמשים מקבלים רמזים, מתנסים ביכולות חדשות של המוצר, והצוותים המנצחים זוכים בפרסים על השלמת האתגר. יצרנו חוויה שמעודדת חקירה, קבלת החלטות וגילוי עצמאי של יכולות המוצר.

אבל התוצאה המעניינת באמת לא הייתה רק רמת המעורבות או ההנאה מהמשחק - אלא שינוי קטן בהתנהגות המשתמשים. הם הפסיקו לשאול "איפה הפיצ'ר הזה נמצא?" והתחילו לשאול "איך אני פותר את המשימה?".
באותו רגע הבנתי: משתמשים לא רוצים ללמוד מוצר. הם רוצים לפתור בעיה.
כשאנחנו מציגים רשימה של פיצ'רים, מודולים ויכולות, אנחנו מלמדים אותם את המוצר. כשאנחנו מציבים בפניהם אתגר, משימה או תרחיש אמיתי, אנחנו מלמדים אותם למה היכולות האלה חשובות מלכתחילה.

אחד הדברים המפתיעים ביותר שלמדתי הוא עד כמה חוויה חזקה יותר מהסבר. אנשים יכולים לשכוח מצגת מצוינת אחרי שבוע. הם יכולים לשכוח סרטון הדרכה אחרי יום. אבל הם כמעט תמיד זוכרים משהו שהם חוו בעצמם. כשהלמידה כוללת התנסות, קבלת החלטות, פתרון בעיות ולעיתים אפילו אלמנטים של משחק ותחרות, רמת המעורבות משתנה לחלוטין. פתאום הלמידה עוברת מלהיות מטלה לחוויה והופכת להיות הרבה יותר יעילה וזכירה. 

תובנה נוספת שעלתה מהניסיון הזה היא שלא צריך ללמד הכל בבת אחת. אחת הטעויות הנפוצות ביותר בחברות טכנולוגיה היא הרצון להציג למשתמשים כבר בתחילת הדרך את כל מה שהמערכת יודעת לעשות. זה נשמע הגיוני - הרי השקענו שנים בפיתוח היכולות האלה. אבל בפועל, כשמנסים ללמד הכול בבת אחת, המשתמשים זוכרים פחות, מתנסים פחות ולעיתים גם מתקשים להבין מה באמת חשוב להם באותו שלב.

בשלב מסוים שינינו את נקודת המבט שלנו. במקום לשאול "מה חשוב שנציג?", התחלנו לשאול "מה המשתמש חייב להבין עכשיו כדי להצליח - ומה אפשר לחשוף בהמשך?". השאלה הזו הכריחה אותנו לתעדף. בכל תהליך למידה התמקדנו במספר מצומצם של מסרים, יכולות ופעולות, ובנינו את החשיפה ליכולות נוספות באופן הדרגתי. ברגע שהמשתמש הבין לעומק את הבסיס והצליח ליישם אותו, היה לו הרבה יותר קל להמשיך לגלות, להתנסות ולאמץ יכולות נוספות לאורך הדרך. 

אבל לצד כל אלה עלתה גם שאלה חשובה: איך יודעים אם המשתמשים באמת הבינו? קל למדוד השתתפות. קל למדוד כמה אנשים סיימו הדרכה או עברו קורס. הרבה יותר קשה למדוד הבנה אמיתית.
הבנתי שהמדדים החשובים ביותר נמצאים דווקא אחרי שהלמידה מסתיימת. האם המשתמשים חוזרים למוצר ומשתמשים בו יותר? האם הם מנסים יכולות שלא הכירו קודם? האם הם שואלים שאלות מתקדמות יותר? האם הם מצליחים לפתור בעיות שבעבר היו זקוקים לעזרה כדי להתמודד איתן? אלה המדדים שמראים אם נוצרה הבנה אמיתית.

אחד הלקחים המשמעותיים ביותר שלקחתי מהתהליך הוא שהאתגר הגדול ביותר אינו לגרום לאנשים להשתמש בטכנולוגיה. ברוב המקרים הם כבר עושים זאת. האתגר הוא לעזור להם לגלות את מלוא הערך שהיא יכולה לספק להם. בעולם שבו מערכות הופכות עשירות יותר ביכולות ואפשרויות, היכולת ללמד משתמשים בצורה נכונה הופכת לחלק בלתי נפרד מהצלחת המוצר. לא באמצעות עוד מידע, אלא באמצעות יצירת חוויות שמעודדות סקרנות, התנסות וגילוי. כי בסופו של דבר, אנשים לא זוכרים את מה שהסברנו להם. הם זוכרים את מה שהם גילו בעצמם.

לפני חמש שנים, מהנדס DevOps אחד יכול היה לתמוך בערך בעשרה מפתחים. היום המציאות הזו השתנתה לחלוטין. בעזרת כלי פיתוח מבוססי בינה מלאכותית כמו Cursor או סוכני AI, ארכיטקט תשתיות יחיד יכול לתת מענה לשלושים מפתחים ומעלה. מה שפעם דרש צוות שלם ושישה חודשי עבודה, אדם אחד מסוגל להקים היום תוך יום עבודה בודד. על הנייר זו מהפכה, בפועל, מדובר במלכודת, מכיוון שכאשר ניהול התשתיות הופך קל ונגיש יותר, קל מאוד ליפול למקום המסוכן ביותר עבור סטארטאפ: Over Engineering.

זהו דפוס חוזר שאני רואה בשטח. במסגרת עבודתי ב-Sela, יצא לי לעבוד עם חברה שהריצה בסך הכל כמה אפליקציות בודדות. היה להם מהנדס מוכשר שרצה לבנות מערכת בדיוק לפי הספר. הוא הקים קלאסטר מורכב של EKS קוברנטיס בשילוב רשימה ארוכה של רכיבי מערכת משלימים כמו ArgoCD או Prometheus. המערכת הייתה נראית מדהימה, תצורה מושלמת על הנייר, ממש Textbook setup שמתאים בעיקר להצגה ב LinkedIn.

שנה לאחר מכן, הוא כבר טבע בקונפליקטים של גרסאות. כדי להשתלט על האירוע, החברה גייסה מהנדס שני, ובהמשך המורכבות דרשה גם מהנדס שלישי. פתאום, צוות של שלושה אנשים בכירים שרף את רוב זמנו על שדרוגי גרסאות יומיים, מיגרציות של שרשראות דפנדנסיז ותחזוקת התשתית של המערכת עצמה, ללא שום השפעה על המוצר או על ההתקדמות העסקית.

בזמן שהחברה הפסידה כסף, המהנדסים ניהלו דיונים אסטרטגיים על Vendor Lock in. החברה שילמה משכורות עתק למחלקה שלמה שפשוט תחזקה את עצמה. העברנו אותם ל ECS Fargate. התוצאה הייתה עשרים אחוז ירידה מיידית בעלויות הענן בזכות הסרת הרכיבים המיותרים, וחיסכון של פי חמישה במאמצי התחזוקה. התשתית חזרה לחיות בתוך ה IaC הרגיל שלהם והצוות חזר לפתח את המוצר במקום לנהל מלחמות מול הארכיטקטורה. מורכבות היא לא בגרות, פשטות שיודעת לצמוח היא כן.

שש השאלות של ה- Runway

לפני שהצוות שלכם רץ להטמיע את הכלי החדש שכולם מדברים עליו ברשתות החברתיות כמו X או Reddit, תעצרו. אל תאשרו רכיבים חדשים בלי לקבל תשובות ברורות תוך פחות מיום לשש השאלות הבאות:

1.איזה פער עסקי הכלי הזה פותר ומה האלטרנטיבות שעומדות בפנינו?

2. איך נראה מודל העלות כאשר אנחנו עושים Scale למעלה או למטה?

3. מהו מאמץ ההטמעה האמיתי כולל אבטחה, מערכות SSO ו- Compliance?

4. כמה שעות תחזוקה שוטפת נדרש להשקיע בכל חודש עבור שדרוגים וגרסאות?

5. איך נראה ניתור העלות היומית של הרכיב הזה בחשבונית הענן שלי?

6. איך נראית ה- Knowledge Transfer, והאם מפתח חדש יוכל לפתור תקלה ברכיב הזה בשתיים בלילה בזמן Down בלי הבחור שבנה אותו?

אם הצוות לא יודע לענות על השאלות האלו, יש לכם פה עלות נסתרת שאף אחד לא תקצב מראש.

הכסף שנשאר על הרצפה 

כאשר סטארטאפ נמצא במירוץ, הוא נוטה לבצע טעויות יקרות. דוגמה נפוצה היא חיבור שירותי בסיסי נתונים חיצוניים כמו MongoDB Atlas או Databricks דרך האינטרנט הציבורי. זו טעות של מתחילים שגוררת חשבוניות מנופחות על Data Transfer Out, אבטחה חלשה וביצועים איטיים פי שניים. פתרון פשוט כמו AWS PrivateLink סוגר את הסיפור הזה בכמה שעות עבודה, משאיר את המידע מאובטח וחוסך אלפי דולרים.

אבל הטעות הגדולה ביותר היא פשוט חוסר מודעות. תשעים וחמישה אחוזים מהחברות שאני פוגש לא יודעות מה הן יכולות לקבל מספקית הענן שלהן או מהשותף שמלווה אותן. אם אתם מבצעים מעבר לענן או שדרוג מערכות, ספקית הענן לרוב תממן עבורכם את ה- Professional Services של הפרויקט. לאחר סיום מוצלח, מגיעים לכם קרדיטים שיכולים לכסות בין שלושה לחמישה חודשי צריכה. אם אתם רוצים לבחון שירות AI חדש כמו Bedrock, קיימים תקציבים ייעודיים ל- POC. לצאת לדרך בלי לנצל את התוכניות האלו זה פשוט להשאיר כסף חי על הרצפה של ה Runway שלכם.

בשורה התחתונה, תפקידם של אנשי Software Developer או DevOps לא נעלם, הוא פשוט משתנה ועובר תהליך של תיעוש. הבינה המלאכותית תכתוב את ה Syntax ותקים את ה Terraform קוד מהר יותר ממה שאי פעם דמיינו. מה שיקבע אם הסטארטאפ שלכם ינצח זה שיקול הדעת ותחושת הבעלות על המערכת. הארכיטקטורה הטובה ביותר היא לא המתוחכמת ביותר, אלא זו שהצוות שלכם מסוגל לנהל, שהעסק שלכם יכול לממן, ושהמהנדס שלכם באון קול יכול לתקן בשתיים בלילה בזמן תקלה בלי לבכות. 

איך נראית התשתית שלכם כרגע, האם בניתם חללית מורכבת או מערכת פשוטה שבאמת סוחבת בעלייה?

בגיל 18, מישהו בצבא החליט שאני בחורה לוגית וריאלית מאוד. זה היה נכון. הזימון לקורס תכנות בממר"ם לא איחר לבוא, ושם למדתי את השיעור הראשון שלי בעולם הטכנולוגי: כדי להצליח, צריך לדעת לזקק חשיבה לוגית ולהפוך אותה לשפת מכונה.

נהניתי לכתוב קוד, זה היה מעניין, אבל זה לא ריגש אותי מספיק כדי להפוך לקריירה של חיים שלמים. בהמשך הדרך בחרתי באנשים, בארגונים, בניהול ומנהיגות.

במשך שנים בניתי את המסלול שלי בעולמות הפיתוח הארגוני והניהול הבכיר. אחד הדברים הראשונים שלימדתי את עצמי - ודי מהר - היה להפסיק להיות "Hands-on". למדתי שהתפקיד שלי כמנהיגה וכמנהלת הוא להתוות אסטרטגיה, לייצר Vision, לעורר השראה, להציב יעדים, ולעסוק בבקרה וב-Fine tuning מול השותפים שלי.

בכל פעם שמצאתי את עצמי מתפתה "ללכלך את הידיים" בביצוע עצמו, הלקיתי את עצמי על חטא. הרי הארגון צריך שאני אוביל ואכוון, לא שאעשה את העבודה עצמה. כך, באופן מודע ושיטתי, ניוונתי את שרירי הביצוע שלי לטובת שרירי הניהול וההנהגה. הייתי בטוחה שזה סימן להתבגרות מקצועית.

ואז הגיעה מהפכת ה-AI.

הקיר של ה-80%

בשנים האחרונות מושג "קיר ה-80%" (The 80% Wall) תופס תאוצה. הקונספט פשוט: רוב האנשים שמשתמשים כיום ב-AI מצליחים להזניק פרויקטים במהירות אדירה, אבל הם נעצרים בקיר של ה-80%. הם לא מצליחים לעבור את ה-20% האחרונים שהופכים רעיון למוצר מושלם שעובד.

אני מרגישה את זה על בשרי. למשל, לא מזמן פיתחתי משחק מבוסס AI (ב-Sticklight כמובן), רעיון יצירתי שכלל ממשקי API מורכבים, סנכרון בין דסקטופ למובייל, הרשאות שונות ועוד. הגעתי ל-95%. אבל כדי להגיע לשם, ובעיקר כדי לנסות לפצח את האחוזים האחרונים, מצאתי את עצמי נדרשת בדיוק לאותם שרירים שניוונתי במשך שנים: לשבת שעות מול המחשב, להתעמק, לנסות לפצח קוד, להבין לוגיקות ולא להרפות. אגב, אני עדיין תקועה ב-95%, ומתישהו אשב ואעלה משם ל-100%. כשיהיה לי זמן… :)

פתאום, היכולת להיות "Hands-on" היא כבר לא חטא ניהולי - היא צורך קריטי.

שלושת המתחים של המנהיגות החדשה

הטמעת ה-AI בארגונים מציבה בפנינו, הלידרים, מורכבות משולשת שלא הכרנו:

1. מתח בין הווה לעתיד: אנחנו צריכים לנהל את ה"כאן ועכשיו", לעמוד ביעדים הרבעוניים ולשמור על האופרציה, ובו זמנית להוביל טרנספורמציה עמוקה שמשנה Workflows ותהליכי ליבה.
2. Agility וניהול שינוי: היכולת להשתחרר ממה שהיה קיים עד אתמול ולדחוף עובדים לדמיין מציאות חדשה לחלוטין.
3. האתגר האישי (חיזוק השרירים המנוונים): וזו אולי הנקודה המאתגרת ביותר - עלינו למצוא את הזמן והסבלנות לחזור ולחזק את השרירים שזנחנו. הרי אי אפשר להוביל טרנספורמציה בלי לנסות אותה על בשרנו. וכאן ה-AI דורש מאיתנו רמת מעורבות טכנית וביצועית שחשבנו שהשארנו מאחורינו.

השינוי הוא קודם כל אנושי

בסופו של דבר, כבר נאמר רבות לפניי: השינוי הזה, לפני שהוא טכנולוגי, הוא קודם כל אנושי. בהתאם, לידר מצליח בעידן הזה הוא מי שיודע להשתחרר מהדפוסים שהרגיל את עצמו אליהם במשך עשורים. לידרית מצליחה היא מי שמבינה שמה שהביא אותה עד הלום - ההתרחקות מהביצוע - הוא לא בהכרח מה שיעזור לה להוביל את הארגון שלה לעבר המהפכה הבאה.

בחרתי להתמקד כאן רק באספקט אחד מתוך השינויים, שאנחנו כלידרים צריכים לעבור כדי לצלוח את טרנספורמציית ה-AI. זה מסע של למידה מחדש, של חזרה למקורות ושל גמישות מחשבתית מתמדת.

אז מה עושים? תוכנית אימונים למנהיגות ה-AI

כדי לחזור ל-Hands-on מבלי לאבד את הראייה הניהולית, אנחנו לא צריכים "להחליף מקצוע", אלא פשוט לחזור לחדר הכושר. הנה תוכנית האימונים שבניתי לעצמי, ועשויה להתאים לכל לידר שרוצה לעבור את קיר ה-80%:

• קבעו "זמן הזעה" (Deep Work Sessions): בדיוק כמו שלא בונים שריר בשיחת מסדרון, אי אפשר לפצח לוגיקה של AI בין ישיבה לישיבה. שריר ה-Hands-on דורש ריכוז. שריינו לעצמכם ביומן לפחות שעתיים בשבוע שבהן אתם לא "מנהלים" את הפרויקט, אלא "עובדים" עליו. בלי מיילים, בלי סלאק - רק אתם, המכונה והלוגיקה.

• אימון התנגדות (אל תפרשו כשה-AI מזייף): בחדר כושר, השריר נבנה דווקא בחזרות האחרונות והקשות. כשאתם בונים סוכן (Agent) והוא נתקע ב-80%, אל תעבירו את זה מיד לצוות הטכני. תנסו "להרים את המשקולת" בעצמכם עוד קצת. תשאלו את ה-AI "למה זה לא עובד?", תפרקו את הבעיה לתתי-בעיות. הפיצוח האישי הזה הוא האימון הכי טוב שיש.

• פרוגרסיב אוברלוד (עומס הדרגתי): אל תנסו לבנות את ה-ERP הארגוני החדש ביום הראשון. תתחילו במוצר קטן שפותר לכם בעיה אישית ביום-יום. כשזה יעבוד, השריר יתחזק והביטחון העצמי שלכם בטכנולוגיה יאפשר לכם להוביל פרויקטים גדולים יותר בביטחון.

• גיוון בתרגילים: אל תתקעו רק בכלי אחד. שוק ה-AI משתנה מדי שבוע. תרגלו עבודה עם LLMs שונים, נסו לבנות אוטומציה פשוטה, תתנסו בעבודה עם APIs. ככל שסל הכלים שלכם יהיה מגוון יותר, ה"גמישות המחשבתית" שלכם תהיה גבוהה יותר.

• מצאו "Partner" לאימון: הטרנספורמציה הזו בודדה פחות כשעושים אותה יחד. מצאו קולגה, או אפילו עובד בצוות שלכם, ותלמדו מהם. אצלנו בארגון יצרנו (בין יתר הפעולות התומכות בהטמעת AI בארגון שפירטתי במאמר הקודם בסדרה) גם AI Gym שנועד בדיוק עבור זה. ספציפית, היכולת של מנהל להגיד לעובד שלו "תראה לי איך עשית את זה, אני רוצה להבין את הלוגיקה לעומק" היא לא חולשה - היא מנהיגות מבוססת דוגמה אישית.

בנימה אישית - אם חשבתי שלקום בחמש בבוקר לרוץ עם קבוצת הריצה זה מאתגר, הרי שחיזוק שרירים שזנחתי מזמן מתברר כמשימה קשה בהרבה…

ואסיים בנימה אופטימית

אל מול כל האתגרים שמהפכת ה-AI מזמנת לנו - כל ה-FOMO האדיר, המרוץ להכיר עוד כלי חדש שצץ, לבנות עוד דברים, להתבלט בארגון ובשוק - ניצבת הבנה פשוטה: אנחנו צריכים לחזק שרירים שהתנוונו, אנחנו צריכים לאתגר את עצמנו כל יום מחדש - וזה מרתק בעיניי.

בסוף, כשאנחנו מצליחים לעבור את הקיר ההוא של ה-80%, אנחנו לא רק מקבלים מוצר טכנולוגי עובד. אנחנו מקבלים גרסה טובה יותר, חדה יותר ורלוונטית יותר, של עצמנו כמנהיגים.

AI לא יבנה את המותג שלכם מהלב, אבל הוא יכול לעזור לו להגיע קצת יותר רחוק.

אחרי שניסיתי להתחמק ולהתכחש בכל דרך אפשרית ל-AI, בשנה האחרונה אני מוצאת את עצמי משתמשת בכלי בינה מלאכותית ממש בכל יום עבודה. כדי לחדד רעיון, לבדוק כיוון ויזואלי חדש, ולפעמים פשוט כדי לחסוך זמן ולהתייעל בעבודה. ככל שאני עובדת איתם יותר, ככה אני מבינה שהמודלים לא יודעים לבנות מותגים חזקים ומיוחדים, אבל הם לגמרי יכולים לחזק מערך שלם של מחקר, עריכה, ופיתוח. 

תהליך לידת מותג חדש עדיין צריך הרבה רגש ואינטואיציה. המודלים לא יכולים להחליט מה החברה רוצה לייצג, לייצר חזון מהלב, לבנות תרבות שלמה או אסטרטגיה רחבה. אלו דברים שעדיין נוצרים מתוך שיחות, ניסיון, והחלטות אנושיות. אבל ברגע שמתחילים להיווצר היסודות של המותג: האישיות, השפה, הערכים והזהות הוויזואלית, AI יכול להפוך לשותף לצוות שילווה אתכם בדרך.

דווקא עבור סטארטאפים וחברות קטנות, שבהם יש הרבה משימות ומעט משאבים, זו יכולה להיות עזרה מאוד יעילה. 

מותג בהתהוות: לתת ל-AI לעזור

כשמותג עדיין נמצא בשלבי גיבוש, לדעתי כדאי להשתמש ב-AI בזהירות. בעיקר בגלל שקל להישאב לתהליך ולתת לו לקבל החלטות שהוא לא באמת מסוגל לקבל.

בשלבים הראשונים של תהליך המיתוג זה הזמן לכל השאלות הפתוחות: איך אנחנו רוצים להישמע? מה אנחנו רוצים שאנשים ירגישו כשהם פוגשים אותנו? מה הופך אותנו לשונים מהמתחרים? אלו שאלות שאין להן תשובה נכונה אחת, והן דורשות הבנה עמוקה של החברה ושל האנשים שמאחוריה.

מה שכן, AI יכול להיות כלי מצוין למחקר. הוא יכול לעזור לאסוף השראות, להציע כיוונים, לבחון חלופות, ליצור סקיצות ראשוניות או לאתגר תפיסות קיימות. במקום להחליף את תהליך החשיבה, הוא יכול להעשיר אותו ולגבות את ההחלטות שמתקבלות על ידי אנשים. 

להפוך את המותג לנגיש ולשמור עליו עקבי

מה שקורה הרבה פעמים בסטארטאפים הוא שהמותג חי בעיקר בראש של מי שמוביל אותו. יש ספר מותג, הכל נמצא ב- Figma, יש מסמכי אסטרטגיה ותכנים שנבנו לאורך הדרך, אבל בפועל, רוב העובדים לא באמת משתמשים בהם בעבודה היומיומית. ככל שהחברה גדלה, יותר אנשים כותבים תכנים, מכינים מצגות, מתקשרים עם לקוחות ומייצרים חומרים שיווקיים. באופן טבעי, בשלב מסוים מתחילות להופיע גרסאות שונות של אותם מסרים. במקביל, המותג עצמו ממשיך להתפתח ולהתעדכן לאורך הדרך.

כאן AI יכול להיות כלי משמעותי. ברגע שמרכזים את חומרי המותג במקום אחד, אפשר להפוך אותם למקור ידע זמין לכל הארגון. במקום לחפש מסמכים או לפנות שוב ושוב לצוות העיצוב או השיווק, עובדים יכולים להיעזר ב-AI כדי ליצור תכנים, מצגות, הודעות או נכסים ויזואליים שמבוססים על השפה, הערכים והעקרונות של החברה. מעבר לכך, AI יכול לסייע בשמירה על אחידות לאורך זמן, להתאים מסרים לקהלים וערוצים שונים מבלי לאבד את הטון, וגם לזהות חוסר עקביות בין תכנים. אין תחליף לעין מקצועית, אבל בהחלט כלי שיכול לעזור לשמור על אחידות כשהארגון מתחיל לצמוח.

לחדד מסרים ולהוציא יותר מהתוכן

בכל חברה מצטברת עם הזמן כמות עצומה של ידע: מחקרי משתמשים, שיחות עם לקוחות, מצגות, מסמכי מוצר, וובינרים, הקלטות ותכנים פנימיים. הרבה פעמים המידע הזה פשוט נשאר אבוד בתיקיות שאף אחד כבר לא פותח או זוכר.

AI יכול להפוך את החומרים האלה בקלות לנכסים חדשים ולוודא שהמותג נשען על תובנות אמיתיות. מסמך אחד יכול להפוך לסדרת פוסטים, שיחה עם לקוח יכולה להפוך לרשימת מסרים, ומצגת יכולה להפוך לתוכן שיווקי במספר פורמטים שונים.

חיזוק לצוות העיצוב

ברגע שכבר קיימת שפה מותגית ברורה, AI מאפשר להרחיב אותה במהירות שלא הייתה אפשרית קודם ולהוציא הרבה יותר מהנכסים שכבר קיימים. במקום ליצור כל נכס מאפס, אפשר לייצר וריאציות, להרחיב שפות קיימות, לבחון רעיונות חדשים ולהתנסות בכיוונים נוספים הרבה יותר מהר.

אם לחברה למשל יש דמות Mascot, אפשר לייצר הבעות, פוזות וסטייטים חדשים. אם יש צורך בסרטון קצר לרשתות, אפשר לייעל את שלב הקונספט ואפילו את שלב ההפקה. אם צריך להכין SWAG, אפשר לייצר בקלות הדמיות מציאותיות של חולצות, מדבקות, תיקים או מתנות עוד לפני שניגשים לייצור.

לזהות את הפער בין המותג שאנחנו רוצים להיות למותג שאנחנו באמת משדרים

כשעובדים על מוצר או מותג לאורך זמן, קל מאוד לאבד פרספקטיבה ולפעמים קשה לראות איך הם נתפסים בעיניים חדשות. עם AI אפשר לנתח את האתר, חומרי השיווק, המצגות והתקשורת של החברה ולשאול איך היה מתאר את המותג הזה אם לא היה מכיר את האסטרטגיה שלו.

התרגיל הזה לא אמור להחליף טסטינג עם משתמשים, אבל הוא יכול לשמש כמראה מהירה ואפקטיבית, ולעזור לזהות פערים בין המותג שאנחנו שואפים להיות לבין החוויה שאנחנו יוצרים בפועל.

סנדבוקס למותג

אולי הדרך הכי טובה לתאר את השימוש שלי ב-AI היא כארגז חול יצירתי. דוגמא אמיתית- כחלק משיגעון בובות הלאבובו, בדקתי איך ייראה המסקוט שלנו בתור בובה כזאת, והצ׳אט עשה את זה מדהים! 

מרחבי הבינה הם מקום שבו אפשר ומותר לנסות דברים בלי להתחייב אליהם. לבחון רעיונות, לחקור כיוונים ולשאול שאלות של מה יקרה אם נשתגע עם המסקוט? איך ייראה הביתן שלנו בכנס? איך ייראו פוסטים בכיוון קצת אחר? איך אפשר לקחת נכסים קיימים ולהשתמש בהם אחרת?

ארכיון מותג

לאורך השנים מצטברות תחנות חשובות שמרכיבות את המותג: הלוגו הראשון, המצגת הראשונה למשקיעים, סקיצות, השקת המוצר הראשונה, פוסטים מהימים הראשונים, צילומים מכנסים, והחלטות שעיצבו את הדרך. רוב החומרים האלה מפוזרים בין תיקיות, מחשבים וחשבונות ישנים, ופשוט נעלמים.

אפשר לרכז במקום אחד את כל נכסי המותג ההיסטוריים: סקיצות, מצגות, קמפיינים, גרסאות ישנות של האתר והלוגו, ואז ולתת ל-AI לנתח, למיין ולארגן אותם לציר זמן שמספר את סיפור ההתפתחות של החברה. אפשר להפוך את החומרים לאלבום דיגיטלי חי, עם נקודות ציון, תובנות וסיפורים מאחורי ההחלטות שעיצבו את המותג לאורך השנים. זה יכול להפוך ממש לנכס משמעותי עבור החברה.

כמובילת העיצוב ב־Moonshot, אני לא משתמשת ב-AI כדי שיעבוד או יקבל החלטות במקומי. אני משתמשת בו כדי לגבות את ההחלטות שלי, לחזק את הפעילות שלי, ולשפר את התוצרים שלי ביעילות. בסופו של דבר, אני לא חושבת ש-AI מחליף מותגים, מעצבים או צוותי קריאייטיב. אבל אני כן חושבת שהוא מאפשר למותגים טובים למצות את הפוטנציאל שלהם בצורה הרבה יותר יעילה. וכשמדובר בסטארטאפים, לפעמים זה בדיוק ההבדל בין רעיון טוב למותג שמצליח באמת לבלוט.

בשנים האחרונות מדברים המון על הגבול המטשטש בין פרודקט ל-R&D כאשר מנהלי מוצר שלומדים לדחוף קוד, ומפתחים שלוקחים חלק פעיל בהחלטות מוצריות. אבל יש עוד גבול שהולך ונעלם מתחת לרדאר, וזה הגבול שבין פרודקט לפרודקט מרקטינג (PMM).

באופן מסורתי, חלוקת העבודה הייתה ברורה: מנהל המוצר חוקר את השוק, מבין את צרכי הלקוח, עובד עם הפיתוח כדי לשחרר את הפיצ'ר, ומודד הצלחה. שיווק הפיצ'ר הבודד? זה כבר היה הבעיה של מישהו אחר (בדרך כלל ה-PMM או השיווק), וגם זה קרה בעיקר סביב הכרזות ענק פעם ברבעון. כמו מרבית התעשייה, גם אנחנו ב-Cycode אנחנו משלבים AI בכל שלב בבניית המוצר, מהמחקר, דרך הפרוטוטייפ והפיתוח, ועד התיעוד וההכשרה. לאחרונה, עם הקפיצה המטורפת ביכולות ה-AI בעולמות הווידאו (ספציפית מאז Veo 3), הבנו שנפתחה בפנינו הזדמנות מדהימה שלא הייתה כלכלית בעבר: לייצר מיני-קמפיין וידאו להרבה יותר פיצ'רים, גם כאלה שבעבר נחשבו לחלוטין ללא שיווקיים.

בעבר, ה-ROI על מהלך כזה היה שלילי לחלוטין. הפקת וידאו דרשה תקציבי עתק, זמן עבודה ממושך, וסט כישורים קולנועי שפשוט אין למנהל מוצר ממוצע. לכן, המאמצים השיווקיים נשמרו רק ליכולות הליבה הכי גדולות ונוצצות של החברה. היום? הסיפור אחר לגמרי, והנגישות הזו מאפשרת לנו לתת במה גם לפיצ'רים "האפורים" יותר, אלו שפותרים בעיות אמיתיות אבל קשה לרגש איתם במצגת משקיעים.

שיווק פיצ'ר הוא לא Product Demo

אחת הטעויות הנפוצות בשיווק מוצרים, במיוחד בעולמות ה-Enterprise SaaS, היא התמקדות ביכולות (ב-Features) במקום בערך (ב-Value). כולנו מכירים את הדמואים המתישים האלה, שבהם מראים לנו מסך אחרי מסך: "אם לוחצים כאן, נפתח התפריט הזה, ואז אפשר לייצא את הדוח...". המוצר במרכז, היוזר והערך בשוליים. כשמנהל מוצר ניגש להפיק סרטון שיווקי קצר לפיצ'ר שלו, הוא נאלץ לזקק את הערך. הווידאו הוא הזדמנות מצוינת לברוח מרשימת המכולת הטכנית ולחשוב: איך היוזר מרגיש כשהוא משתמש בפיצ'ר הזה? מה זה יגרום לקולגות שלו לחשוב עליו?

היופי בעולם הערך והתחושות הוא החופש היצירתי. אנחנו לא חייבים להיצמד ל-use case יבש ומדויק על המסך. אפשר (ורצוי) להשתמש בהומור, ציניות והגזמה כדי להעביר את הפואנטה. כשהתוכן הזה משווק בגישת Bottom-Up על ידי העובדים והמנהלים עצמם ברשתות החברתיות, הוא הופך לכלי מכירות חזק של הארגון.

קייס סטאדי: איך הופכים "ניהול הרשאות" לסרט דוקומנטרי של נטפליקס?

כדי להבין איך זה עובד בפועל, בואו נדבר על אחד הפיצ'רים האחרונים שהוצאנו לאחרונה שנקרא Custom Roles & Permissions. על הנייר, מדובר בפיצ'ר אנטרפרייז קלאסי, חשוב וקריטי לאדמינים, אבל כזה שבמונחים של פעם נחשב הכי פחות "מרקטבילי" שיש. מערכת שמאפשרת מעכשיו לייצר סט הרשאות ספציפי וגמיש לכל אזור, במקום להסתפק ברולים out-of-the-box הסטנדרטיים.

קהל היעד שלנו מבין את היתרון הברור של הפיצ'ר הזה בשנייה, אז במקום לעשות עוד דמו משעמם שמראה טבלאות הרשאה, החלטנו לקחת את זה הפוך לחלוטין בקמפיין הווידאו: התמקדנו דווקא בעובדים שנהינו מהרשאות יתר, ובוקר אחד גילו שלקחו להם אותן.

הפקנו קליפ שנראה כמו פרומו לסדרת דוקו-פשע בנטפליקס. דרמה, מוזיקה מותחת, ועובדים "שבורים" שמספרים למצלמה איך פתאום נחסמה להם הגישה. הטוויסט הגיע בסוף, עם עובדת אחת שדווקא קיבלה עוד הרשאות ודיברה למצלמה על תקן ה-Villain הקלאסי והמרושע של הסדרה.

במקום לחגוג את הפיצ'ר בדרך השגרתית, עצרנו לרגע "להתייחד עם נפגעי הפיצ'ר החדש" ונגענו בכאבם. התוצאה? סרטון מצחיק שמעביר את היתרון המוצרי של פיצ'ר תשתיתי "יבש" בתוך דקה ובאפס תקציב.

צפו בסרטון:

איך עושים את זה בפועל? (בלי תואר בקולנוע ובלי תקציב עתק)

לצערנו (או לשמחתנו), לכתוב פרומפט גנרי ב-Gemini לא יביא לכם קמפיין מנצח. הפיצוח הקריאטיבי והרעיון עדיין דורשים את המוח האנושי שלכם, אבל ה-AI עושה את כל השאר.

בעבודה יעילה של שעה-שעתיים (וכשרון ממוצע לחלוטין), זה התהליך שאנחנו רצים איתו:

1. הפיצוח: מגדירים בשני משפטים את הבעיה הכואבת ואת התחושה (או הדרמה) שהפיצ'ר מביא איתו, כמו בדוגמת הדוקו שלנו.
2. הכלי: יש המון כלי וידאו בשוק, אבל ההמלצה שלי היא Google Vids. מדובר בכלי עריכה פשוט להפליא שמאפשר לג'נרט קליפים של Veo ישירות לתוך הטיימליין, להוסיף קריינות AI מובנית (Voiceover) ולסגור סיפור.
3. אימוץ המגבלות: מנהלי מוצר הם לא קולנוענים ואין להם זמן לפירוטכניקה או מעברונים מתוחכמים. בגוגל וידס, למשל, המגבלה הנוכחית היא יצירת קליפים של 8 שניות בכל פרומפט. וזה מעולה! המגבלה הזו מכריחה אתכם לשמור על זה קצר, קצבי ופשוט. מחברים 3-4 קליפים כאלה, ויוצאים לדרך.

הכלים ישתנו, הטכנולוגיה תתקדם, והאינטגרציות יהיו אפילו יותר פשוטות בעתיד. אבל המהות נשארת זהה: אם תחשבו קצר ופשוט, תזקקו את הערך האמיתי ללקוח, ותארזו את זה בסיפור אישי או משעשע של חצי דקה- הוספתם לעצמכם את אחד הנדבכים החשובים ביותר בארגז הכלים של מנהל המוצר בעולם החדש.

רוב האייגנטים לא נכשלים בגלל המודל. הם נכשלים כי אף אחד לא עשה להם אונבורדינג, ואפשר לראות את זה כמעט בכל צוות שמנסה “להכניס AI” ולא מבין למה זה לא באמת תופס. בואו נדבר על איך הופכים אייגנטים לחברי צוות שלוקחים משימות באופן עצמאי, ולא רק מבצעים מה ששיבצתם להם. אבל לפני שנגיע לאוטונומיות, יש שכבה אחת שצריך להבין קודם: שכבת הקונטקסט.

אז מה זה אותו קונטקסט מפורסם? זו אולי מילה חדשה לקונספט ישן נושן: מידע. אותו תיעוד ודוקומנטציה מצד אחד, ושכבת דאטה מסונתזת ונקייה מצד שני. אבל ההבדל האמיתי הוא לא בשם, אלא באופן שבו המידע הזה מונגש, כי מידע שלא נגיש לאייגנט, פשוט לא קיים מבחינתו.

כשחושבים על זה, אייגנט בלי קונטקסט הוא קצת כמו עובד חדש בלי אונבורדינג. הוא ישאל שאלות בסיסיות, או גרוע מזה: יעבוד בביטחון מלא על הדברים הלא נכונים, וזה בדרך כלל השלב שבו אנשים אומרים “המודל לא מספיק טוב”, כשבפועל פשוט לא נתנו לו סיכוי להצליח.

הדגמה של התחושה הנפוצה:

[caption id="attachment_9004111233711672" align="aligncenter" width="528"] תחושה נפוצה על החרטטנות של אייגנטים :)[/caption]

אז כשאנחנו מדברים על עולם אייגנטי, שבו חברי צוות לא אנושיים הופכים לחלק מהעבודה היומיומית, דווקא החזרה לשורשים של איך אנחנו עובדים עם אנשים עוזרת לנו להבין מה צריך לתת גם להם. בסוף, אייגנט הוא לא קסם, הוא עובד צוות עם זיכרון סטטיסטי, והאיכות שלו נקבעת ישירות לפי איכות הקונטקסט שהוא מקבל.

הסטייט אוף מיינד שצריך להיות לכם הוא שמדובר בעובד צוות חדש, שצריך את כל המידע הרלוונטי כדי להצליח כי אייגנטים לא “מבינים את הארגון” (ואין להם שיחות מסדרון להבין הקשרים), הם פועלים לפי מה שנתתם להם, לא לפי מה שהתכוונתם.

אז מהו אותו מידע?

מידע על הצוות: מה המטרה העסקית, מה נמדד, מי האנשים, אילו ממשקים קיימים ואילו מערכות מתוחזקות. אם היה מצטרף אליכם עובד חדש, מה הייתם מצפים ממנו להבין בשבוע הראשון? כנראה שזה בדיוק מה שגם האייגנט שלכם צריך.

מידע על הכלים: מה כוללת עמדת העבודה של חבר צוות, ואיך ניגשים לכלים השונים. מבחינת האייגנט, כלי שלא הוגדר הוא כלי שלא קיים.

מידע על איך מבצעים משימות: מה נחשב תוצר איכותי, מהם הסטנדרטים ודרכי העבודה המקובלות. כי בלי הגדרה של “מה טוב”, האייגנט פשוט ימקסם משהו אחר.

במילים אחרות, ההבדל בין כלי לבין אייגנט הוא לא רק היכולת, אלא הקונטקסט שמאפשר לו לפעול כמו חלק מהצוות… או לחלופין, להיראות חכם מאוד בזמן שהוא עושה עבודה לא רלוונטית.

אז איך מייצרים את זה בפועל?

בבסיס, מדובר בקבצי md שכל פלטפורמות ה-AI יודעות לעבוד איתם (גם אם בשמות שונים), יחד עם חיבורים למערכות שהצוות משתמש בהן, בין אם דרך MCP ובין אם בדרכים אחרות. זה אולי נשמע פשוט, אבל בפועל זה אחד הנכסים הכי חשובים שאפשר לבנות סביב עבודה עם אייגנטים.

אם אתם צוות טכני, אני ממליצה להתחיל מטמפלייט הריפו הבא (של Michael Imas ): https://github.com/michaelimas1/team-context-template התוצר הוא נקודת כניסה אחת לכל הידע והמשימות בצוות, מקור אמת אחד שממנו גם בני אדם וגם אייגנטים עובדים, וזה בדיוק מה שמאפשר לעבור בין כלים בלי להתחיל כל פעם מחדש.

אם אתם צוות ביזנס, הבחירה היא בעיקר איפה שכבת הקונטקסט הזו חיה: תיקיות בדרייב, מערכת לניהול וביצוע עבודה (כמו מנדיי, ואני מודה שאני משוחדת), או כל פתרון אחר שמתאים לאופן שבו הצוות שלכם עובד. הפלטפורמה פחות חשובה; מה שחשוב הוא שהמידע יהיה נגיש, מעודכן ושמיש.

ואם אתם לא בטוחים מאיפה להתחיל, אפשר פשוט לבקש מהכלי המועדף עליכם לראיין אתכם ולבנות את הקבצים הראשוניים. זה עובד מפתיע טוב, וזה גם רמז חשוב, אם האייגנט לא מצליח לייצר את הקונטקסט, כנראה שגם לא הגדרתם אותו מספיק ברור לעצמכם.

[caption id="attachment_9004111233711674" align="aligncenter" width="619"] פשוט תשאלו את קלוד :)[/caption]

כמובן, יש גם כמה אתגרים שצריך לקחת בחשבון:

הראשון הוא ניפוח קונטקסט. למרות שהמודלים משתפרים, עדיין יש מגבלה לכמה מידע אפשר וכדאי לתת, ולכן חשוב לשמור על רלוונטיות, יותר מידע לא בהכרח אומר תוצאה טובה יותר, לפעמים בדיוק להפך.

השני הוא תחזוקה. שכבת קונטקסט היא לא משהו שמייצרים פעם אחת ושוכחים. צוותים משתנים, כלים מתחלפים, וסטנדרטים מתעדכנים, ולכן גם הקונטקסט צריך להתעדכן בהתאם. כדאי להגדיר מי אחראי על זה, ולקבוע ריטואל קבוע שבו עוברים על התוכן ומוודאים שהוא עדיין משקף את המציאות, כי קונטקסט לא מעודכן גרוע כמעט כמו חוסר קונטקסט. ואפילו כאן יש הזדמנות, אפשר לבקש מהאייגנט עצמו להציע עדכונים על בסיס מה שהוא למד תוך כדי עבודה. במובן הזה, הקונטקסט הופך ממשהו סטטי למשהו שמתפתח יחד עם הצוות.

בסוף, אם אתם רוצים אייגנטים שעובדים באמת, השאלה היא לא רק איזה מודל אתם בוחרים, אלא איזה אונבורדינג אתם עושים להם, ואיזה מציאות אתם מאפשרים להם להבין.

בשנה האחרונה אני מוצא את עצמי בשיחות על השינוי הדרמטי שעובר ענף הסייבר. אם בעבר המירוץ היה סביב בניית חומות גבוהות יותר, היום ברור שאנחנו נמצאים בנקודת מפנה שבה הטכנולוגיה הופכת לכל כך עוצמתית עד שהיא מחזירה אותנו אל נקודת התורפה הבסיסית ביותר, הגורם האנושי.

כמי שמלווה מקרוב את תעשיית הסייבר הישראלית, אני רואה כיצד היא מגיבה מהר יותר מכל מקום אחר לשיבושים הטכנולוגיים של הבינה המלאכותית. ה-AI משנה את כללי המשחק אבל הוא גם יותר פרדוקס, מצד אחד הוא מגביר סיכונים, ומצד שני הוא מאפשר לנו לפתח קטגוריות שלמות של פתרונות שפעם היו בגדר חלום.

כשהסוכנים הופכים לאוטונומיים, האחריות חוזרת אלינו

אחת החזיתות המעניינות ביותר כיום היא אבטחת סוכני בינה מלאכותית (Agents). היכולת של סוכנים אלו לקבל החלטות ולפעול באופן עצמאי הולכת ומתרחבת, אך היא גם פותחת פתח לאיומים חדשים. יזמים ישראלים כבר מזהים את הפוטנציאל הזה ומפתחים כלים להגדרת זהויות של סוכנים, ניטור התנהגותם וזיהוי פעולות זדוניות או השתלטות עוינת.

בנוסף, אנחנו רואים מעבר מאוטומציה חלקית לאוטומציה מלאה. שירותים שבעבר דרשו עבודה ידנית סיזיפית, כמו הקמת מרכזי תגובה לאירועים (SOC), בדיקות חדירות (Penetration Testing) וניהול מידע (SIEM), ניתנים כיום כשירותי ענן מבוססי AI. סוכני ה-AI הופכים למכפיל כוח עבור האקרים, וזה מחייב אותנו לא רק להתקדם טכנולוגית, אלא לחזור ולהתמקד ביסודות.

ההזדמנות הגדולה: Human Security

למרות כל הכלים המתקדמים, הנתונים מדברים בעד עצמם. בשנת 2024 הגורם האנושי היה מעורב בכ-90% מפרצות האבטחה. זהו נתון מדהים שמסביר מדוע תחום ה-Human Security חוזר לקדמת הבמה וצפוי לצמוח לשווי שוק של 10 מיליארד דולר עד 2027.

העובד בארגון היה ונשאר החוליה החלשה, בין אם בגלל רשלנות ובין אם בגלל כוונת זדון. כלי ה-AI החדשים שעובדים מאמצים רק מחריפים את הבעיה. הם מקלים על הגישה למאגרי מידע ומאפשרים להוציא נתונים בהיקפים שטרם הכרנו. מקרה ההדלפה באינטל, שבו עובד לשעבר הדליף כמות אדירה של מסמכים מסווגים, הוא תזכורת כואבת לכך שהאיום הפנימי הוא קריטי.

כאן טמונה ההזדמנות האמיתית ליזמים. אנחנו רואים מעבר מניהול פתרונות מבוזרים כמו ניהול זהויות או מניעת דליפות (DLP), לעבר פלטפורמות אחודות. סטארטאפים כמו Cymphony, Jazz, Orion ו-Bold כבר מובילים את הדרך בפיתוח פתרונות שמנטרים וחוסמים בעיות בזמן אמת. 

המטרה היא לא רק להוסיף עוד שכבת הגנה, אלא להגדיר מחדש את החוסן הארגוני.

חזית אסטרטגית: אופטימיזציה של הענן 

לצד ההתמקדות באדם, אבטחת ענן נותרת שוק אסטרטגי. בעוד שענקיות הענן AWS, Azure, Google וחברות ענק מציעות כמו כמו Wiz ופאלו אלטו, מציעות כלי אבטחה מובנים, ארגונים רבים עדיין הולכים לאיבוד וזקוקים להכוונה כיצד להשתמש בהם ביעילות. כאן בדיוק נכנסת ההזדמנות החדשה שמתפתחת לנגד עינינו, במקום לנסות להתחרות במוצרי המדף של ענקיות הסייבר, ההזדמנות הגדולה עבורכם היזמים נמצאת בפישוט המורכבות, שילוב אופטימיזציה וניהול החכם.

אנחנו כבר רואים התפתחות של פתרונות שמסייעים לארגונים להשתמש באופן חכם בכלי האבטחה המובנים. חברות כמו Native Security, Aryon ו-Blast כבר פועלות שם, הן לא בונות עוד "קיר", אלא בונות את המוח שמנהל את הקירות הקיימים בצורה אופטימלית. 

זהו הכיוון ליזמים שיצטרפו למגמה בשנה הקרובה: יצירת סדר בתוך הכאוס של תשתיות הענן.

טיפ ליזמים בתחילת הדרך

הבינה המלאכותית תמשיך לעצב את שוק הסייבר, אך ככל שהאיומים יהפכו לאוטונומיים ומורכבים יותר, הצורך האמיתי יהיה בפתרונות שעושים סדר בתוך הכאוס ומחזירים את השליטה לידי הארגון.

העצה שלי היא פשוטה: אל תחפשו רק את הטכנולוגיה המתוחכמת ביותר. חפשו את הדרכים לרתום את עוצמת ה-AI כדי לפתור את הבעיות היסודיות ביותר. מי שישכיל לעשות זאת, לא רק יתגבר על האיומים המשתנים אלא יבנה חברה שתשאיר חותם על התעשייה העולמית בעשור הקרוב.

בונים משהו שמשנה את כללי המשחק? אני מחכה לשמוע מכם.