בינה מלאכותית כמכפיל כוח בבדיקות טכנולוגיות

בעידן שבו בינה מלאכותית נשמעת כמעט בכל דיון מקצועי, גם הדוחות הטכנולוגיים-כלכליים – אותם מסמכים שמלווים פרויקטים של מאות מיליוני שקלים – נכנסים בהדרגה למהפכה. מערכות AI יודעות לקרוא, לסכם ולארגן כמויות עצומות של מידע הנדסי וכספי, ולהציגו בצורה נוחה והגיונית. אבל כשמגיעים לשאלה הקריטית ביותר – כמה זמן באמת לוקח לפתח, לבדוק ולייצר מערכת מורכבת – דווקא כאן מתברר שעדיין אין תחליף לעין האנושית שמסתובבת בשטח, בין קווי הייצור ומגרשי הניסויים.

מה AI יודע לעשות טוב

במבט ראשון, נדמה שהפיתרון מונח על השולחן: מעלים למערכת בינה מלאכותית את כל החומר – הצעות מחיר מפורטות, תרשימי עבודה (WBS), פירוט שעות פיתוח וניסויים, עלויות רכש וקבלני משנה – והמערכת “מוציאה דוח”. היא יודעת לזהות בלוקים חריגים של שעות, להשוות בין פרויקטים דומים, להציע סיווגים חדשים של פעילויות, ואפילו לנסח טיוטת מסקנות. עבור גופים ציבוריים וחברות גדולות, זה נשמע כמו חלום: פחות זמן אנושי, יותר אוטומציה, החלטות מהירות יותר.

אבל AI רואה רק את מה שיש במסמך. הוא אינו יודע אם “500 שעות אינטגרציה” משקפות תהליך מורכב ועתיר ניסויים – או שהן בעצם כרית ביטחון נדיבה שהוסתרה בשורה אחת. הוא אינו עומד ליד העמדה שמרכיבה את הקופסה האלקטרונית, לא רואה כמה פעמים הטכנאי עוזב את העמדה כי חסר חלק, ולא מודע להבדל בין קו ייצור מאורגן וממוכן לבין קו שבו כל עצירה קטנה הופכת לחצי שעה של עיכוב מצטבר.

איפה האדם חוזר למרכז: הבודק שלא נשאר במשרד

שוחחנו עם ירונה מרנין, בודקת הנדסית-כלכלית, מהנדסת אווירונאוטיקה בוגרת הטכניון ובעלת תואר שני במנהל עסקים מאוניברסיטת תל אביב. מאז 2006 היא עומדת בראש חברה הנדסית עצמאית המתמחה בבדיקות טכנו-כלכליות לפרויקטים טכנולוגיים מורכבים, וכבר למעלה מעשור מלווה תהליכי קבלת החלטות בגופים ממשלתיים כמו רשות החדשנות ומשרד הכלכלה – רשות ההשקעות.

מאחורי בדיקות טכנו-כלכליות רציניות עומד צוות בודקים טכנולוגיים – מהנדסים ומנהלי פרויקטים שחיו שנים בקווי פיתוח, ייצור , בדיקות אינטגרציה וניסויים. הם מתחילים, כמו ה-AI,  במסמכים: מפרקים את ההצעה לשעות פיתוח, בדיקות, ניסויים, ייצור ובקרה; משווים רכש מקומי למיובא; מנתחים הצעות של קבלני משנה ומסמנים חריגים. אבל כאן מגיע ההבדל: הם לא נשארים מול המסך.

השלב הבא מתרחש במפעלים, בתחנות העבודה, בקווי הייצור,במעבדות ובאתרי ניסוי. הבודקים עוברים בין התחנות, מבקשים לראות פקודות עבודה, שואלים עובדים כמה יחידות באמת הספיקו להרכיב באותו יום, בודקים את שיעורי הפסילות בפועל ומסתכלים על המלאי השיורי והגרט. ברזולוציה של דקות ושניות הם מנסים לענות על השאלה הפשוטה-כביכול: כמה זמן העבודה הזו באמת לוקחת – לא בתיאוריה, אלא במציאות.

במקרים לא מעטים מתברר שההצעה דווקא “בחסר” – והפחתה אוטומטית של שעות עלולה לפגוע בסיכויי הפרויקט להצליח. במקרים אחרים מתגלות העמסות מיותרות. זהו שיפוט מקצועי שאין לו תחליף אלגוריתמי פשוט: הוא נשען על ניסיון של עשרות פרויקטים, על היכרות עם תרבות העבודה במפעלים שונים, ועל הבנה עמוקה של ההבדל בין ניסוי דמה לבין ניסוי שמכשיר מערכת למבצעיות או לייצור סדרתי.

"אז איפה בכל זאת נכנסת הבינה המלאכותית? " מסבירה מרנין

החדשות הטובות הן שבינה מלאכותית לא חייבת להיות או-או, אלא גם-וגם. כשהיא משמשת נכון, היא הופכת למכפיל כוח של הבודק – לא למחליפה.

הבינה המלאכותית מאפשרת לבודק הטכנולוגי לגשת במהירות למאגר עצום של מידע על תהליכים, חומרים וטכנולוגיות, ולזקק ממנו את מה שבאמת רלוונטי למשימה. היא יודעת להסביר בשפה ברורה שלבים מורכבים בתהליך, לפרק מושגים טכניים קשים ולהציע דוגמאות יישומיות מהעולם האמיתי, כך שההבנה הופכת לפשוטה ומהירה יותר. במקום לבזבז זמן יקר על חיפוש ידני במסמכים, תקנים וכתבות, הבודק מקבל תמונת מצב מרוכזת, שמחזקת את שיקול הדעת המקצועי שלו ומאפשרת לו להתמקד בביקורת עצמה ולא ב“ציד המידע”

כך, למשל, ניתן להשתמש ב-AI  כדי:

• למיין במהירות עשרות קבצים ולהפיק מהם מבנה עבודה ראשוני ברור.

• לסמן מקטעים חריגים של שעות או עלויות לצורך בדיקה אנושית מעמיקה.

• לסייע בהשוואה למסמכים ופרויקטים קודמים, מתוך מאגרי ידע גדולים.

• להפיק טיוטות דוחות, כולל סיכומי פרקים והצעות לניסוח מסקנות ביניים.

בכל אלה, הבודק הטכנולוגי נשאר זה שמחזיק ב”זכות הווטו“: הוא זה שמחליט אילו ממצאים תקפים, אילו מספרים משקפים את המציאות ואילו נובעים מפרשנות אוטומטית לא מדויקת. במילים אחרות, AI יכול לקרוא, לארגן ולערוך – אבל להעריך זמנים ולשקלל סיכונים הוא עדיין לא יודע לבד. 

למה זה קריטי דווקא כשזה נודע לכספי ציבור

לדברי ירונה מרנין, כאשר מדובר בתקציבים פרטיים, טעות בהערכת זמנים ועלויות היא בעיה של חברה אחת. אך בפרויקטים המתוקצבים מכספי ציבור – בתחומי תשתיות וחדשנות תעשייתית – כל טעות כזו עלולה להסתכם בעשרות או מאות מיליוני שקלים, על חשבון פרויקטים אחרים. כאן, בדיקות טכנו-כלכליות ממלאות תפקיד כפול: גם חיזוק משמעת תקציבית, וגם הבטחה שהשקעה בטכנולוגיה מתורגמת ליכולת אמיתית – ולא רק למצגות מרשימות.

הפיתוי “לתת ל-AI  לעשות את העבודה” יהיה רק חזק יותר בשנים הקרובות. אבל דווקא מי שמבין לעומק את היכולות של הכלים האלה, מבין גם את המגבלות שלהם: הם מצוינים בטקסטים, סבירים במספרים – אך חסרי אונים מול מציאות ייצור מורכבת שלא נכנסת לטבלה. האחריות להחליט כמה זמן באמת לוקח לפתח, לבדוק ולייצר מערכת – תישאר, לפחות בזמן הנראה לעין, בידיים של מי שמוכן לעלות לקו הייצור ולשאול עוד שאלה אחת יותר מדי.

בעידן של אי-ודאות תקציבית ותחרות תעשייתית עולמית, השילוב הנכון בין בינה מלאכותית לבין בדיקות טכנו-כלכליות יכול לייצר מערכת בקרה חזקה יותר – לא חלשה יותר. בתנאי אחד פשוט: שנזכור מי בסוף אחראי לחתום על הדוח, ועל המציאות שהוא אמור לשקף – האדם שמכיר את הקו, את הניסוי ואת השטח, ולא האלגוריתם שמכיר רק את הקובץ.