הכשרה ארגונית בתדהר
מפתרונות AI ו-Low-Code מהירים אל יישומים ארגוניים
תעשייה
נדל"ן / בנייה
שירותים
טכנולוגיה
Claude Code, AWS, Azure, Workato, Power Automate, Copilot Studio
TL;DR
- 1.נבנה מודל הכשרה דו-מסלולי: פתרונות קטנים הזוקקים הכשרה ארגונית, ופתרונות גדולים המחייבים מעורבות ישירה בתכנון ובמימוש.
- 2.הוגדר פאנל ממשל שמחבר אישור CISO ותקציב עם ארכיטקטורה, הרשאות, ביצועים, גיבוי, ניטור, עלות ודרישות מידע רלוונטיות.
- 3.נקבע נתיב DevOps תקני לפתרונות מאושרים, הכולל בעלות, תיעוד, ניטור ומנגנון להחזרת פתרונות שאינם עומדים בדרישות עם רשימת פערים.
- 4.הוכנסו FinOps, כלכלת טוקנים, ROI ומרכיבים לשימוש חוזר כקריטריוני החלטה, כך שהשקעות נמדדות בערך עסקי ובעלות תפעול — ולא רק בהצלחת POC.
האתגר
בתדהר משתמשים שונים יצרו פתרונות קטנים באמצעות Claude Code וכלי Low-Code, בזמן שיוזמות רחבות פותחו עם ספקים חיצוניים. חלק מהפתרונות יצרו ערך, אך סביבת העבודה הייתה מפוזרת בין AWS, Azure, Workato, Power Automate ו-Copilot Studio.
תדהר נדרשה למסלול אחיד לאישור פתרונות, להקצאת בעלות טכנית לאורך זמן, למדידת ROI, לבקרת עלויות תפעול ולשימוש חוזר במרכיבים בין יוזמות — במקום להשאיר ניסויים מוצלחים כיישומים מבודדים.
- 1
נוף טכנולוגי מפוזר
הפתרונות התפרסו על פני סביבות ענן, אוטומציה ו-AI שונות, מה שהקשה על יישום אחיד של ארכיטקטורה, בעלות וסטנדרטים תפעוליים.
- 2
מיישום אישי לשירות ארגוני
פתרונות מהירים שנוצרו על ידי משתמשים שונים נדרשו לנתיב חוזר של אבטחה, הרשאות, ביצועים, גיבוי, ניטור, תחזוקה ואחריות לטווח ארוך.
- 3
עלות, כפילות ושימוש חוזר
הארגון נדרש לשקיפות בכלכלת הענן והטוקנים, לפחות כפילויות בין ספקים ולדרך להפוך מרכיבים חוזרים לתשתית פנימית משותפת.
הפתרון
שני מסלולי הכשרה
Dofinity.AI חילקה את התיק לשני מסלולים: פתרונות קטנים הדורשים הכשרה ארגונית, ופתרונות רחבים הדורשים מעורבות ישירה בתכנון ובמימוש. כך עומק הממשל מותאם להיקף ולסיכון של היוזמה.
פאנל הכשרה ארגוני
הוגדרה מסגרת ממשל שמפרטת במה כל פתרון חייב לעמוד לפני אישור ארגוני, כולל בחינת Agent Center. הפאנל מחבר אישור CISO ותקציב עם ארכיטקטורה, הרשאות, ביצועים, גיבוי, ניטור ועלות. עבור פתרונות AI הוא כולל גם FinOps, כלכלת טוקנים, שמירת מידע, מאגרי מידע ודרישות רלוונטיות לסביבת הנדל"ן והבנייה.
DevOps תקני ובלוקים לשימוש חוזר
צוות ה-DevOps מיישם את הדרישות בתשתית הקיימת, ומפתחי ה-AI מעצבים מחדש את הפתרונות לצורה שניתן להפעיל, לתחזק ולבקר. פתרון שאינו עומד בדרישות חוזר עם רשימת פערים ותיקונים; פתרון מאושר עובר לנתיב DevOps תקני עם בעלות, תיעוד וניטור. מרכיבים חוזרים הופכים לתשתית משותפת לפתרונות עתידיים.
התוצאה
התהליך מספק לתדהר דרך מעשית לשמר את מהירות הניסוי ב-AI וב-Low-Code, בלי להשאיר פתרונות בעלי ערך כיישומים אישיים שלא ניתן לתחזק בקנה מידה ארגוני.
הוא גם תומך בפחות כפילויות בין ספקים, בידע פנימי חזק יותר ובהחלטות השקעה המבוססות על ערך עסקי ועלות תפעול — ולא רק על השאלה אם ה-POC עבד.
מוכנים לנהל AI בקנה מידה ארגוני?
נהפוך ניסויי AI מהירים לשירותים ארגוניים מבוקרים וניתנים לביקורת.