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.