12 אנשי המוצר שבונים את דור המוצרים הבא בעזרת AI

בקשת לקוח הופכת לפיצ'ר בתוך שעות, מחקר מוצר מתקצר מיומיים לרבע שעה, וסוכן AI מבצע פעולות שבעבר חייבו משתמש להיכנס לממשק. השינויים האלה כבר מתרחשים בצוותי מוצר בישראל. הם מרחיבים את מה שאנשי מוצר יכולים לבנות בעצמם ומשנים את הדרך שבה הם לומדים מהלקוחות, בודקים רעיונות ומחליטים מה לפתח.

מאחורי השינויים האלה עומדים אנשי מוצר שמחברים בין יכולות טכנולוגיות חדשות לצרכים של לקוחות ולמטרות העסקיות של החברה. הכירו 12 נשות ואנשי מוצר שמובילים יוזמות AI בהייטק הישראלי: מה הם בחרו לבנות, איך השתנתה העבודה ומה למדו בדרך.

רועי רג'ואן, מייסד שותף ו-CPO ב-Astelia

איזו יוזמת AI הובלתם בתחום המוצר, ומה היא שינתה?

השינוי המשמעותי ביותר הוא בדרך שבה אנחנו בונים: מנהלי המוצר מעלים פיצ'רים ישירות לסביבת הייצור, לפעמים בלי לעבור דרך מפתח שיכתוב את הקוד. במקום מוצר שתלוי בקצב הספרינטים, קיבלנו מוצר שנבנה בקצב של הצרכים בשטח. לדוגמה, אנחנו מייצרים סביבות דמו דינמיות שמתאימות לדרישות של כל לקוח בנפרד.

במרכז המוצר עומד AI שפועל כחוקר אבטחה ומנתח לעומק חולשות אבטחה בהתאם לסביבת הלקוח. לצד זה יש שכבה שמנתחת בזמן אמת איך משתמשים באמת עובדים עם המוצר, ומשפרת את חוויית המשתמש בהתאם.

מה השתנה בעקבות היוזמה?

השתנתה כל הדינמיקה של קבלת ההחלטות. היא הפכה מבוססת נתונים במקום מבוססת תחושה, רמת ההתאמה האישית של המוצר קפצה, וצוות המוצר קיבל לראשונה את היכולת לרוץ כמעט לבד: לתרגם תובנה או בקשה ישירות לתוך המוצר, בלי לגעת בספרינטים של צוותי הפיתוח ובלי להעמיס עליהם. הפער בין רעיון למוצר הצטמצם דרמטית.

כיצד היוזמה השפיעה על הלקוחות או על הצוותים?

ההשפעה נוגעת בכל בסיס הלקוחות. בקשות שבעבר היו מתגלגלות לרשימת המתנה נענות היום תוך שעות בודדות, ולעיתים פחות, והלקוח מרגיש מוצר שמתפתח סביבו כמעט בזמן אמת. פנימית, זו הייתה העצמה אמיתית לצוותי המוצר, שהפכו לבעלי הבית של השינוי מקצה לקצה. במקביל, זו גם הקלה על צוותי הפיתוח, שהשתחררו מבקשות אד-הוק ויכלו להתמקד בעבודת הליבה שלהם.

האם נמדדו תוצאות עסקיות או מוצריות?

התוצאה הבולטת ביותר היא קיצור הזמן: זמן המענה לבקשות לקוח מתקצר מימים ושבועות לשעות בודדות. במקביל, אנחנו רואים מגמת עלייה בשיעור האימוץ ובשימוש במוצר, בזכות היכולת להתאים אותו במהירות למה שקורה בשטח, כך שהלקוח מקבל בדיוק את מה שהוא צריך, מתי שהוא צריך.

מה היה האתגר המרכזי בהוצאה לפועל?

לתת למנהלי מוצר, שאינם מפתחים, את המפתחות לסביבת הייצור היה צעד לא טריוויאלי: היה צריך לוודא שהמהירות לא תבוא על חשבון היציבות, האיכות או האבטחה, ושכל זה יקרה בלי לשבש את עבודתם של צוותי הפיתוח. הפתרון היה בבניית מנגנוני בקרה ותהליכים שמאפשרים לצוות המוצר להפעיל AI באחריות ובקנה מידה מתאים.

אלון יוטבת, CPO ב-Conifers

איזו יוזמת AI הובלתם בתחום המוצר, ומה היא שינתה?

היוזמה שהובלתי היא תשתית ההערכה והבקרה שעוטפת כל יכולת AI במוצר חקירות הסייבר שלנו. בניגוד לתוכנה רגילה, אותו קלט יכול להחזיר בכל פעם תשובה מעט אחרת, ולכן אי אפשר להסתפק בבדיקה אחת ולסמן וי. בנינו תשתית שמודדת באופן רציף איך כל יכולת מתנהגת, בוחרת את המודל המתאים לכל משימה ומריצה בדיקות על כל שינוי כדי לוודא שלא פגע ביכולות שכבר עובדות. כך אנחנו יכולים לאמץ מודלים ויכולות חדשים במהירות בלי לאבד את הדיוק, העקביות וזמני התגובה שהלקוחות נשענים עליהם.

מה השתנה בעקבות היוזמה?

קצב הפיתוח השתנה. מעבר למודל חדש, שינוי בהנחיות למודל או הוספת יכולת היו בעבר מהלך ידני ומסוכן; היום הם צעד שגרתי ומדיד. אפשר לבדוק במהירות אם שינוי שיפר את המערכת או פגע ביכולת אחרת. על השאלה "האם השתפרנו או הידרדרנו?" עונה התשתית, לא תחושת הבטן.

כיצד היוזמה השפיעה על הלקוחות או על הצוותים?

בעולם אבטחת הסייבר, מהירות החקירה היא חלק מההגנה עצמה: ככל שמזהים ומבינים מתקפה מהר יותר, אפשר להגיב מוקדם יותר. בצד שלנו, הצוותים יכולים להתנסות יותר ולשחרר שינויים מהר יותר כי יש להם דרך ברורה לבדוק אם מה שבנו באמת עובד.

האם נמדדו תוצאות עסקיות או מוצריות?

כן. זמני החקירה התקצרו משמעותית תוך שמירה על הדיוק והעקביות. גם עלות התפעול של יכולות AI ירדה, משום שכל משימה יכולה לעבור למודל היעיל ביותר שעומד ברף האיכות שנדרש. במקביל התקצר הזמן שלוקח ליכולת חדשה להגיע מרעיון לפרודקשן.

מה היה האתגר המרכזי בהוצאה לפועל?

האתגר היה לבנות לתוך המוצר קצב שינוי מהיר בלי להפוך כל שינוי לסיכון. המודלים משתפרים כל כמה חודשים, והתוקפים מפתחים שיטות חדשות כל הזמן. היינו צריכים ליצור תשתית שמאפשרת לאמץ במהירות שיפור משמעותי במודלים, ובאותו זמן לוודא שהיכולות שכבר עובדות אצל לקוחות לא נפגעות.

אור ארנון, VP Product ב-Stigg

איזו יוזמת AI הובלתם בתחום המוצר, ומה היא שינתה?

Stigg בונה תשתית שמאפשרת לחברות למדוד שימוש ביכולות AI, לתמחר אותן ולנהל את הגישה אליהן. מפתחים עובדים כיום יותר מתוך ה-terminal ובעזרת סוכנים כמו Claude ו-Cursor, והבנו שגם המוצר שלנו צריך להתאים לדרך העבודה הזאת. במקום לבנות קודם ממשק משתמש ולהוסיף אליו אוטומציה, הפכנו את הפלטפורמה לנגישה ישירות לסוכני AI, בלי צורך לעבור דרך ממשק המשתמש. חיברנו אליהם גם את התיעוד ובנינו הנחיות לסוכנים (Agent Skills) שמאפשרות להם לבצע פעולות מורכבות, למשל לשנות תמחור או הרשאות עבור מיליוני מנויים, משתמשים וסוכנים.

מה השתנה בעקבות היוזמה?

סדר העדיפויות של המוצר השתנה. בעבר היינו מתחילים בממשק המשתמש; היום אנחנו משחררים קודם יכולות דרך API ו-Agent Skills, ורק אחר כך בונים להן ממשק עבור משתמשים פחות טכניים. גם הלקוחות יכולים לבנות על גבי Stigg חוויות וכלים באמצעות טקסט חופשי, בלי להיות תלויים בכל רכיב UI שאנחנו מפתחים עבורם.

כיצד היוזמה השפיעה על הלקוחות או על הצוותים?

הלקוחות משתמשים במוצר בצורה שונה לגמרי. בעבר, כדי לבצע פעולות מסוימות, אנשי Customer Success או Support היו צריכים לפנות לצוות הפיתוח. כיום אפשר לבצע אותן דרך כלי פנימי שנבנה על גבי Stigg. כלי כזה, שבעבר היה דורש זמן פיתוח ותחזוקה, יכול לקום כיום בתוך כחצי שעה. גם העברות מידע בין מערכות השתנו: אחד הלקוחות העביר מידע ממערכת ישנה ל-Stigg בתוך שעות בודדות, תהליך שבעבר יכול היה להימשך חודשים.

השינוי הזה הכריח גם אותנו ללמוד את המוצר מחדש. כמנהלי מוצר היינו רגילים להסתכל על שימוש בממשק, מדדי מעורבות והקלטות של אינטראקציות. כשהשימוש עבר ל-terminal ולסוכנים, חלק גדול מהנראות הזאת נעלם והיינו צריכים לבנות דרכים חדשות להבין איך הלקוחות באמת עובדים עם המוצר.

האם נמדדו תוצאות עסקיות או מוצריות?

כן. כיום כ-55% מהאינטראקציה הישירה עם Stigg כבר נעשית באמצעות סוכני AI כמו Claude ולא על ידי אנשים. זה מראה שהשינוי אינו רק בדרך שבה אנחנו בונים את המוצר, אלא גם בדרך שבה הלקוחות משתמשים בו בפועל.

מה היה האתגר המרכזי בהוצאה לפועל?

האתגר המרכזי היה לתת לסוכן מספיק הקשר כדי שיידע לבצע את הפעולה הנכונה. עברנו כמה איטרציות: פתחנו את ה-API דרך MCP, חיברנו את התיעוד, שינינו אותו כך שסוכנים יוכלו לצרוך אותו בצורה יעילה יותר והוספנו Agent Skills לפעולות מורכבות. מהר מאוד הבנו שלא מספיק לחשוף לסוכן יכולת טכנית; צריך גם ללמד אותו איך להשתמש בה נכון בתוך ההקשר של המוצר.

מעין כפיר, Head of Analytics ב-Orca Security

איזו יוזמת AI הובלת בתחום המוצר, ומה היא שינתה?

בנינו באורקה מערכת שמאפשרת להנהלה ולצוותים לשאול שאלות עסקיות ומוצריות בשפה חופשית ולקבל תשובות מתוך הדאטה של החברה. במקום להסתמך רק על דשבורדים שנבנו מראש, אפשר לשאול למשל כמה עסקאות נסגרו ברבעון, אילו לקוחות בסיכון לעזוב או כמה עולה לתפעל לקוח מסוים. אחד השימושים החשובים מבחינתי הוא תעדוף פיתוח: אנשי המוצר יכולים לבדוק אם נכון יותר להשקיע בתיקון שמשפיע על מאות לקוחות או בבעיה שנוגעת למעטים אבל יכולה לייצר ערך גדול יותר. כך החלטות על מה לבנות ובאיזה סדר נשענות יותר על נתונים ופחות על תחושת בטן.

מה השתנה בעקבות היוזמה?

לפני כן, דשבורדים וכלי BI חזקים שבנו צוות הדאטה ענו היטב בעיקר על שאלות שתוכננו מראש. שאלה חדשה, חתך אחר או שאלת המשך דרשו לא פעם זמן של אנליסט או דו"ח חדש. היום אפשר לקבל תשובה גם לשאלה שלא הוכנה מראש, בלי לפתוח בכל פעם מחזור עבודה חדש מול צוות הדאטה. כך צוות הדאטה יכול להשקיע יותר זמן בעבודת עומק אסטרטגית במקום במענה על בקשות נקודתיות חוזרות.

כיצד היוזמה השפיעה על הלקוחות או על הצוותים?

ההנהלה, צוותי המוצר והפיתוח עובדים היום לפי אותן הגדרות עסקיות ויכולים להגיע מהר יותר לאותה תמונת מצב. צוותי המוצר משתמשים בכלי כדי להבין אילו בעיות משפיעות על יותר לקוחות, איפה נמצא הערך העסקי ומה צריך לקבל קדימות. במקביל, התלות בצוות הדאטה כמעט נעלמה כשהתשובות נגישות בשירות עצמי לכל מי שצריך אותן.

האם נמדדו תוצאות עסקיות או מוצריות?

כן. המערכת מרכזת יותר מ-25 הגדרות עסקיות מרכזיות, ובהן מדדי הכנסות חוזרות, שימור ונטישת לקוחות, עלויות ותקציב, ומחברת אותן למקורות המידע המרכזיים של החברה. היא משמשת כיום מקור אמת לשאלות עסקיות גם ברמת ההנהלה הבכירה. התוצאה הבולטת ביותר היא שהזמן לקבלת תשובה התקצר מימים לדקות, ובמקביל כל הארגון עובד לפי אותן הגדרות במקום שכל צוות יפרש את אותו מדד אחרת.

מה היה האתגר המרכזי בהוצאה לפועל?

חיסרון ידוע של כלי AI הוא חוסר עקביות, אותה שאלה יכולה להניב ניסוחים או אפילו מספרים שונים בכל פעם. כשמדובר בהחלטות מוצר, כספים או נתונים שמגיעים לדירקטוריון, זה לא מתקבל. לכן קיבענו את ההגדרות העסקיות עצמן, למשל מה נחשב הכנסה חוזרת שנתית חוזית ואיך מחושבת נטישת לקוחות, כך שהמודל תמיד נשען על אותו מקור אמת אחד ואחיד. העקביות הזאת מאפשרת לנו להישען על הכלי כשאנחנו מקבלים החלטות עסקיות.

איתי מאור, Head of Product ב-Orion

איזו יוזמת AI הובלתם בתחום המוצר, ומה היא שינתה?

ההחלטה הכי משמעותית בהגדרת המוצר של Orion הייתה לא לבנות מנוע חוקים בליבה. במקום לנסות לחזות מראש כל פעולה מסוכנת, חמישה סוכני AI אוספים בזמן אמת את ההקשר של תנועת המידע: מאיפה הוא הגיע, לאן הוא עובר, מי המשתמש, אילו הרשאות יש לו ומה היחסים עם היעד. סוכן שישי מקבל את התמונה הזאת ומכריע אם זו פעילות עסקית רגילה או הוצאת מידע לא מורשית. במקביל, המידע עצמו מסווג בזמן שהוא נע, כך שגם קובץ שלא נסרק מראש יכול להיבדק. שינינו באותה רוח גם את העבודה בצוות המוצר: אפיון אצלנו מגיע כפרוטוטייפ שאפשר להריץ, ומחקר שפעם לקח יומיים יכול להסתיים בתוך כרבע שעה.

מה השתנה בעקבות היוזמה?

הזיהוי כבר לא תלוי בהבנה ובניסיון של מי שכתב את החוקים. המוצר בוחן אם פעולה מסוימת מתאימה לאדם הזה, למידע הזה, ליעד הזה ולנסיבות שבהן היא מתרחשת. אם ארגון מתחיל להשתמש מחר בכלי AI חדש, אף אחד לא צריך לרוץ לכתוב חוק. הכיסוי כבר שם. גם זמן ההטמעה השתנה: בעבר היה צריך לפרוס את המערכת, לאפיין ולכוונן חוקים במשך חודשים ורק אז לקבל התראות שימושיות. היום ההתראות יכולות לעלות כמעט מיד.

כיצד היוזמה השפיעה על הלקוחות או על הצוותים?

אצל הלקוחות ההבדל הוא במה שהצוות עושה כל בוקר. במקום למיין מאות התראות שרובן לא רלוונטיות, הם עובדים על אירועים אמיתיים. בצד שלנו, צוות המוצר הפסיק להסתפק במסמכי אפיון ועבר לבנות דברים שאפשר להריץ ולבחון כמעט מיד מול לקוחות. מחקר תחרותי, תחקור אירועים, סיכום שיחות לקוח ומיון ותעדוף פניות נעשים מעל הנתונים שלנו עצמם, כך שאני מגיע לדיון עם עובדות מהמערכת ולא רק עם תחושה.

האם נמדדו תוצאות עסקיות או מוצריות?

כן. אצלנו שיעור ההתראות השגויות עומד על כ-5%, לעומת 80% עד 90% במערכות מסורתיות למניעת דליפת מידע (DLP). במקביל, כ-80% עד 90% מהזיהויים נוצרים על ידי המודל בלי חוקים מוגדרים מראש. מבחינת הלקוח המשמעות היא שהערך מהמוצר תלוי הרבה פחות בכמות עבודת ההטמעה שהוא מוכן להשקיע, והזמן מהפריסה לשימוש ממשי מתקצר.

מה היה האתגר המרכזי בהוצאה לפועל?

האתגר היה אמון, לא דיוק. המודל זיהה טוב כבר בשלב מוקדם, אבל מנהל אבטחה צריך להסכים שמערכת תחסום עובד על סמך החלטה שהוא עצמו לא כתב. לכן כל הכרעה מוצגת עם הסיבה שהובילה אליה, סיווג המידע, ההקשר של המשתמש והסביבה והסיבה שהיעד נחשב חריג. הוספנו גם מסלול חריגים מתועד, כך שאנליסט שלא מסכים עם המערכת יכול לשנות את ההחלטה בצורה גלויה שאפשר אחר כך לבקר. מי שלא מבין למה משהו נחסם לא יעביר את המערכת למצב אכיפה, ואז מה שנשאר בידיים שלו זה דוח.

יואב רומח, Director of Product Management ב-Quantum Machines

איזו יוזמת AI הובלתם בתחום המוצר, ומה היא שינתה?

שילבנו כלי AI בניהול רשימת המשימות הממתינות (Backlog) ובעבודה היומיומית של צוותי המוצר והפיתוח כדי לזהות מהר יותר בקשות והזדמנויות שאפשר לפתור בלי להסיט את הצוותים מהפרויקטים המרכזיים. במקום שכל בקשה קטנה תידחק הצידה בגלל העלות של פתיחת משימה חדשה, אנחנו יכולים לזהות אילו שיפורים ייתנו ערך גבוה בזמן קצר ולהכניס אותם לעבודה. במקביל, העברנו ל-AI חלק גדול מהעבודה החוזרת של יצירה, עדכון ותחזוקת תיעוד המוצר.

מה השתנה בעקבות היוזמה?

פיצ'רים משלימים ובקשות שעולות מהלקוחות יכולים להתקדם היום במסלול מהיר יותר. דברים שבעבר היו נשארים ב-Backlog כי לא הצדיקו הסטת משאבים יכולים להיבחן ולהתקדם הרבה יותר מהר. דוגמה מוחשית לכך היא בקשת לקוח למנגנון back-pressure, שנועד למנוע קריסת מערכת בעומס. בזכות עבודה עם כלי ה-AI, צוות הפיתוח הצליח להכניס את הפיצ'ר הזה בזמן שיא, מהלך שאלמלא השימוש בכלים אלו היה נדחה או מתעכב משמעותית. גם תיעוד המוצר נשאר מעודכן ונגיש יותר בלי לדרוש מהצוותים אותה כמות של עבודה ידנית.

כיצד היוזמה השפיעה על הלקוחות או על הצוותים?

כשעולה צורך מהשטח, אנחנו יכולים להגיב מהר יותר בלי לעצור פרויקטים מרכזיים. צוותי המוצר והפיתוח משקיעים פחות זמן בעבודה חוזרת ובתחזוקה ויותר זמן בפיתוח עצמו. הלקוחות מקבלים שיפורים ומענה לבקשות בקצב מהיר יותר.

האם נמדדו תוצאות עסקיות או מוצריות?

אנחנו רואים ירידה בזמני הפיתוח של פיצ'רים משלימים, עלייה בשימוש בתיעוד המוצר ושיפור בשביעות הרצון מהקצב שבו בקשות מקבלות מענה.

מה היה האתגר המרכזי בהוצאה לפועל?

האתגר היה הטמעת תרבות עבודה ויצירת סטנדרט אחיד. כדי לגשר על הפער, קיימנו פגישות ייעודיות להדגמת הכלים והתוצרים שלהם כדי להמחיש את החיסכון בזמן, וביצענו הדרכה מתמשכת בשיחות אישיות כדי לוודא שהסטנדרט החדש הופך לחלק מהשגרה של כל חבר צוות.

יעל ברגמן, Lead Product Manager ב-Terra Security

איזו יוזמת AI הובלתם בתחום המוצר, ומה היא שינתה?

Terra מבצעת בדיקות חדירה באמצעות סוכני AI שמדמים תוקף אמיתי. המוצר התחיל בבדיקת אפליקציות ו-API, ואחת היוזמות שלקחתי חלק בהובלתן מרחיבה את הבדיקות גם לסוכני AI שהלקוחות עצמם בונים - כלומר תוכנות AI שלא רק עונות על שאלות, אלא גם מבצעות בעצמן פעולות בשם המשתמש: מזמינות, ניגשות למערכות, שולחות מידע החוצה. במקום לבדוק רק את האפליקציה שמסביב, אנחנו בודקים גם את הסוכן עצמו ואת הפעולות שאפשר לגרום לו לבצע. כלומר, סוכני ה-AI שלנו תוקפים את הסוכנים של הלקוח.

מה השתנה בעקבות היוזמה?

לבדיקות חדירה קלאסיות כבר יש מתודולוגיות והגדרות שהתגבשו במשך שנים. בעולם סוכני ה-AI עדיין אין כללים ברורים לכל תרחיש. כמנהלת מוצר אני מגדירה יחד עם הצוות מה בכלל נחשב בדיקה: איך ממפים את הסוכן, מה נכלל בבדיקה, מה מנסים לגרום לו לעשות, מה נחשב ממצא ואיך מציגים את הסיכון כך שהלקוח יודע במה לטפל. אנחנו משתמשים בדפוסי תקיפה מוכרים ובמסגרות עבודה בין-לאומיות כמו אלה של OWASP ל-AI כדי לא להמציא את הגלגל בכל בדיקה מחדש.

כיצד היוזמה השפיעה על הלקוחות או על הצוותים?

עבור לקוח שבונה סוכן AI, השאלה כבר אינה רק אם האפליקציה שמסביבו מאובטחת, אלא אם אפשר לגרום לסוכן עצמו להשתמש בהרשאות, במידע או בכלים שלו באופן שהארגון לא התכוון לאפשר. כך הצוותים יכולים לבדוק את ההתנהגות הזאת ולקבל ממצאים שאפשר לטפל בהם. כשאנחנו מזהים במחקר דפוס תקיפה חדש, צוותי המוצר והפיתוח יכולים במהירות להוסיף בדיקה שמחפשת אותו.

האם נמדדו תוצאות עסקיות או מוצריות?

כן. כבר יש אינדיקציה עסקית ברורה: לקוחות קיימים מרחיבים את השימוש ב-Terra מבדיקת אפליקציות ו-API גם לבדיקת AI Agents. מבחינתי, זה המדד המשמעותי ביותר לכך שלא מדובר רק בסקרנות סביב תחום חדש. לקוחות שכבר מכירים ומשתמשים במוצר בוחרים להרחיב את ההתקשרות ולהשקיע בבדיקת סוכני ה-AI שהם מכניסים לארגון. זה מעיד על צורך אמיתי ועל נכונות לשלם עבור היכולת הזו.

מה היה האתגר המרכזי בהוצאה לפועל?

האתגר היה לבנות שיטת בדיקה לעולם שאין בו עדיין כללים ברורים. קחו למשל Agent טלפוני שמזמין חדר במלון. כדי לבדוק אותו צריך להבין מה הוא יודע לעשות, לאילו מערכות הוא מחובר, מה אפשר לגרום לו לעשות ומה ייחשב לכשל אבטחה משמעותי. אחר כך צריך להחליט מה בדיוק בודקים, איך בודקים ואיך מציגים ללקוח ממצא שהוא באמת יכול לטפל בו. זה בדיוק התפקיד שלי כרגע: לא לנהל פיצ'ר לפי ספר חוקים קיים, אלא לכתוב את ספר החוקים תוך כדי תנועה.

אלה חיימוביץ' פרמינגר, מנהלת מוצר מובילה ב-Act Security

איזו יוזמת AI הובלתם בתחום המוצר, ומה היא שינתה?

Act Security עוזרת לארגונים לקבוע מי רשאי לגשת למה בענן ולאכוף את הכללים באמצעות פוליסות. מאחורי כל חסימה עומד מישהו: אדם, מערכת אוטומטית או סוכן AI. ברוב הארגונים, חסימה כזו היא בעיקר שורה ביומן המערכת, בלי הסבר ובלי מישהו שאחראי עליה.

בעזרת היכולת החדשה שלנו, Investigation by Act's AI, כל חסימה הופכת לאירוע שנחקר. סוכן AI מקבל את פרטי האירוע, את הפוליסה שחסמה אותו ואת ההקשר מתוך מפת הגישה שלנו, ועונה על ארבע שאלות: מה קרה, למה זה נחסם, האם זו פעולה שגרתית או חריגה, ומה כדאי לעשות עכשיו.

מה השתנה בעקבות היוזמה?

הבנה של חסימה דורשת מומחיות בניהול הרשאות בענן, ובדרך כלל עושים אותה רק אחרי שמישהו כבר התלונן. עכשיו כל חסימה מגיעה עם הסבר בשפה פשוטה והמלצה, לצד הסימנים שהובילו אליה. מי שנחסם מקבל הודעה ב-Slack, מסומנת בבירור כתוכן שנכתב על ידי ה-AI של Act, ויכול לבקש גישה בלחיצה אחת.

כיצד היוזמה השפיעה על הלקוחות או על הצוותים?

מי שנחסם כבר לא צריך להיכנס ל-Act כדי להבין מה קרה ולהתקדם. צוותי האבטחה והענן מקבלים ניתוח מוכן של כל מקרה, ורואים כל בקשת גישה לצד החקירה שממנה היא נולדה.

חסימה שאף אחד לא מבין שוחקת את האמון באכיפה, וארגונים נמנעים מלאכוף כללי גישה מחשש שישבשו את מערכות הייצור. כשכל חסימה מוסברת ויש דרך ברורה לטפל בה, קל יותר להחליט לאכוף.

אצלנו, בצוותי המוצר והפיתוח, היוזמה פרצה סכר. כל יכולת שכבר קיימת במוצר זמינה עכשיו לסוכן בלי אינטגרציה חדשה. כל שימוש חדש ב-AI הוא בעיקר הגדרה: הנחיה לסוכן, רשימת כלים ומגבלת עלות, ולא פרויקט תשתית.

האם נמדדו תוצאות עסקיות או מוצריות?

היכולת נולדה מדרישה של לקוחות שבחנו את המוצר וביקשו לראות לכל חסימה את ההקשר המלא. היא עלתה רק לאחרונה, ולכן עוד מוקדם לפרסם מספרים.

מה שכבר רואים הוא פידבק ראשוני חיובי מאוד מהלקוחות, במיוחד סביב שני דברים: הסבר ברור בשפה פשוטה לכל חסימה, והאפשרות לבקש גישה ישירות מ-Slack, בלי לפתוח פנייה ובלי לחכות לצוות האבטחה.

מה היה האתגר המרכזי בהוצאה לפועל?

האתגר היה להגיע לחקירה שעונה על השאלה אם החסימה הייתה מוצדקת ומה עושים עכשיו. בשביל זה צריך להבין מי פעל, באיזו סביבה ולשם מה נכתבה הפוליסה. שתי פוליסות יכולות להחזיר אותה הודעת שגיאה, אבל לדרוש המלצות הפוכות: אם הגישה לנתוני ייצור מוגבלת למערכות ייצור, מפנים את המפתחת לזהות מורשית; אם אסור ליצור מסד נתונים לא מוצפן, מתקנים את הקוד ומוסיפים הצפנה. פתיחת חריגה במקרה השני היא בדיוק מה שהפוליסה נועדה למנוע.

מנוע האנליזה שלנו ממפה זהויות, הרשאות ומשאבים, מזהה איזה סעיף בפוליסה גרם לחסימה ובודק איזו גישה החרגה תפתח בפועל. דרך ה-MCP הסוכן מקבל את העובדות שהמנוע כבר יודע. העובדות מגיעות מהמנוע, ה-AI מסביר וממליץ, ואדם מחליט.

אלון שבו, מוביל צוות מוצר ב-Finout

איזו יוזמת AI הובלתם בתחום המוצר, ומה היא שינתה?

ניהול עלויות ענן ו-AI הוא אחד האתגרים המורכבים ביותר לארגונים, ופינאאוט מאפשרת לארגונים לנהל אותן. היוזמה שהובלנו, Finout AI, הנגישה מחדש את שכבת הדאטה של הפלטפורמה דרך שני ממשקי AI: Billy, מומחה וירטואלי לניהול עלויות ענן (FinOps) שמאפשר לשאול שאלות בשפה חופשית ולקבל תשובות מבוססות דאטה בזמן אמת; ותקן MCP, שמאפשר לסוכני AI חיצוניים בארגון להתחבר ישירות לדאטה של פינאאוט ולצרוך נתוני עלויות באופן אוטונומי, ללא התערבות אנושית.

מה השתנה בעקבות היוזמה?

בעבר, כדי לחלץ תובנה נדרשה היכרות עמוקה עם הממשק, הפילטרים והצלבות הנתונים. היום המידע נגיש בשניות, מאנשי FinOps ומהנדסים ועד CFO ומנהלים. במקום להתאים את המשתמש למערכת, המערכת מתאימה את עצמה למי ששואל. גם סוכני AI פנימיים בארגון יכולים לקרוא את הדאטה ישירות וכך לקצר תהליכי דיווח ואופטימיזציה של עלויות.

כיצד היוזמה השפיעה על הלקוחות או על הצוותים?

עם הגידול בעלויות הענן וה-AI, צוותי FinOps חווים עומס משמעותי. Finout AI הפך ל"מכפיל כוח": אנשים שונים בארגון יכולים לקבל בעצמם תשובות לשאלות שגרתיות, במקום להקדיש זמן לשליפת נתונים והכנת דוחות, ולהתפנות לתכנון ויישום מהלכי חיסכון בעלי השפעה גדולה.

האם נמדדו תוצאות עסקיות או מוצריות?

כ-50% מלקוחות החברה משתמשים ביכולות החדשות על בסיס חודשי, עם שיעור שימור של כמעט 100%. העובדה שמשתמשים חוזרים ומשלבים את הכלים בשגרה היא בדיוק המדד שהצבנו לנגד עינינו. בעולם שבו מוצרי AI חדשים צצים כל הזמן, זה סימן שהם כבר לא נתפסים כניסוי, אלא כחלק קבוע מהעבודה.

מה היה האתגר המרכזי בהוצאה לפועל?

האתגר המרכזי היה אמינות והקשר עסקי. שאלה כמו "מה העלות של צוות X?" דורשת מה-AI להבין מה בדיוק נחשב "צוות" בארגון הספציפי, ותשובה לא מדויקת עלולה להוביל להחלטות שגויות.

תוך עבודה קרובה עם המשתמשים בנינו שני מנגנונים מרכזיים: הראשון מאפשר לכל לקוח להגדיר ל-AI את המושגים העסקיים הייחודיים לו, כדי להימנע מגנריות במקרה הטוב ומניחושים במקרה הרע. השני הוא מערכת הערכה אוטומטית שמנטרת את האינטראקציות עם מנוע ה-AI, בודקת את איכות התשובות ומאפשרת למנהלי המוצר והפיתוח לדעת בכל רגע אם השיפורים האחרונים אכן עובדים ואיפה נמצאות נקודות החולשה הדורשות את תשומת לבנו.

אלה שיר, AI Engineer ב-Nimble

איזו יוזמת AI הובלתם בתחום המוצר, ומה היא שינתה?

בנינו ב-Nimble סוכן בינה שמביא תשובות עם הפניות למקורות על בסיס כל המידע שנגיש באינטרנט. הסוכן מבצע מחקר רב-שלבי, משתמש בעשרות כלים שונים שפיתחנו בעבר, מחלץ מידע ממאות מקורות ומוציא תשובות ברמה מחקרית, שחיפושים אצל ספקיות הבינה הגדולות לא מצליחים להביא.

למשל: ״המלץ לי על כמה עכברי גיימינג בטווח המחירים הזה, שנמצאים במלאי כעת ברשתות המובילות בישראל״. אם בגוגל תצטרך לעבור תוצאה-תוצאה, וב-ChatGPT יש תשובה די שטחית לשאלה, לאו דווקא עדכנית, הסוכן החדש יבנה טבלאות מידע מעודכנות בזמן אמת.

אנחנו מתמחים גם במהימנות המידע: כל שורה בתשובה תהיה מאומתת ומתוקפת, עם קישור לעמוד האינטרנט המקורי שהכיל את המידע.

מה השתנה בעקבות היוזמה, וכיצד היא השפיעה על השימוש במוצר?

כיום שכבת כלי הבינה שלנו מתחברת בקלות לכל בינה אחרת, כמו קלוד וקרסור. כל אחד יכול לנסח שאלה שמצד אחד היא בשפה פשוטה, ומצד שני היא מורכבת ודורשת חיפושים רבים, ולקבל בתשובה את המידע העדכני ביותר שנמצא באינטרנט.

האם נמדדו תוצאות עסקיות או מוצריות?

יש לנו מעל מיליון וחצי התקנות רק דרך קלוד קוד. זה מרגש במיוחד לאפשר לאנשים להשתמש במוצרי תוכנה שפעם רף הכניסה אליהם היה טכני מדי.

בנוסף, זה אפשר לנו לשרת לקוחות מתחומים חדשים, ממחלקות ניתוח עסקי בענקיות תוכנה בארה״ב, דרך קרנות הון סיכון שמבצעות ניתוח עסקי ועד חברות סייבר.

מה היה האתגר המרכזי בהוצאה לפועל?

לאפשר לשכבת הבינה לקבל שאלות בשפה אנושית, ולבצע ניתוחים לוגיים: לפרק את הבקשה לתת-שאלות, לבצע לולאות של חיפושים חוזרים ולכתוב קטעי קוד שינתחו את המידע.

למשל, בדוגמה למעלה: מהן החנויות שמוכרות מוצרי טכנולוגיה בישראל? לבצע מחקר על עכברי הגיימינג המבוקשים, ואז לשלוף את המידע מהאתרים, לבדוק מלאי, להצליב מחירים ולהציג את המידע בצורת טבלה נוחה.

שילבנו בינה מלאכותית שמנתחת בעיות, עם יכולות כתיבת קוד ושימוש בכלי החיפוש וניתוח המידע שכבר היו לחברה, כדי לייצר מוצר חדשני בחזית הטכנולוגיה.

יעל פוגל, Product Manager ב-Coralogix

איזו יוזמת AI הובלתם בתחום המוצר, ומה היא שינתה?

אחת היוזמות שהובלתי הייתה לשנות את הדרך שבה מהנדסים חוקרים ומתחזקים מערכות בפרודקשן. בנינו עם Olly מודל של Autonomous Observability - ניטור וחקירה אוטונומיים של מערכות: במקום תהליך ידני שבו צריך לעבור בין מסה של נתונים ולכתוב שאילתות, המהנדס מתאר את הבעיה בשפה טבעית וה-AI מבצע חקירה רב-שלבית, מצליב בין מקורות מידע, מזהה את מקור התקלה ומציע פעולות המשך. במקביל פתחנו את היכולות דרך MCP ו-CLI כך שהמידע על סביבת הייצור נכנס ישירות לסביבות העבודה של המפתחים ול-AI agents שבהם הם כבר משתמשים, כמו Cursor ו-Claude Code.

מה השתנה בעקבות היוזמה?

השינוי המרכזי היה מעבר מ-Observability ככלי שהמהנדס צריך להפעיל בעצמו, ל-AI שמבין את סביבת הפרודקשן ופועל עליה. נוצר תהליך עבודה שבו מספיק לתאר את הבעיה ו-Olly חוקר אותה, מפעיל את הכלים הרלוונטיים ומקצר משמעותית את הדרך לתשובה. בנוסף הורדנו חסמי מומחיות: אפשר לתאר בשפה טבעית מה רוצים לחפש, ו-Olly מייצר את השאילתות הרלוונטיות בלי צורך להכיר מראש את התחביר או את הדאטה.

כיצד היוזמה השפיעה על הלקוחות או על הצוותים?

עבור צוותי ההנדסה, השינוי הוריד משמעותית את החסם בעבודה עם כמויות גדולות ומורכבות של מידע בניטור וחקירת המערכות וקיצר את הדרך משאלה לפעולה. עבור צוותי המוצר, הוא אפשר לבנות יכולות AI שהן חלק מתהליכי העבודה במוצר עצמו: לחשוב על הפעולות שהמשתמשים מבצעים במערכת ואיך סוכן יכול לבצע אותן בצורה יעילה יותר. כבר ראינו לא מעט מקרים שבהם Olly סייע להגיע לפעולה לתיקון התקלה אחרי חקירות ארוכות, ולקוחות מתארים בעקביות איך הוא מקצר את הזמן שהמהנדסים שלהם מקדישים לניטור וחקירת המערכות.

האם נמדדו תוצאות עסקיות או מוצריות?

כן. אחד ההישגים המרכזיים היה להפוך את ביצועי ה-AI למשהו שניתן למדוד הנדסית. בנינו מערך הערכה שמודד באופן רציף דיוק, איכות חקירה וביצועים על תקלות אמיתיות, ומאפשר להשוות בין מודלים וגרסאות לפני העלאה לפרודקשן. במקביל אנחנו מודדים זמני תגובה ועלות השימוש במודל, כך שכל שינוי ארכיטקטוני נבחן לא רק לפי תחושה אלא לפי השפעה מדידה על איכות, מהירות ועלות. ברמה העסקית, אנחנו כבר רואים שהשימוש ב-Olly מקצר משמעותית את זמני החקירה, מצמצם את העבודה הידנית הנדרשת כדי להגיע למקור התקלה ומאפשר לצוותים להגיב לתקלות מהר יותר.

מה היה האתגר המרכזי בהוצאה לפועל?

האתגר המרכזי היה להפוך חקירת AI רב-שלבית על סביבת ייצור למשהו שאפשר לסמוך עליו ולשפר באופן הנדסי. לא מספיק שהמודל ייתן תשובה טובה במקרה אחד: הוא צריך לעבוד מול מקורות מידע שונים, להפעיל כלים, לשמור על איכות לאורך שלבי החקירה ולא לייצר נסיגה בביצועים כשמשנים מודל או ארכיטקטורה. לכן בנינו את מערך ההערכה ומדדי זמני התגובה ועלות השימוש במודל כחלק מתהליך הפיתוח עצמו.

רוני עמיאור, Sr. Product Manager בחברת Gain

איזו יוזמת AI הובלתם בתחום המוצר, ומה היא שינתה?

הובלתי את הפיתוח של פול, עובד ה-AI שלנו לניהול הזמנות רכש. הרעיון המרכזי היה לאפשר לפול לקחת על עצמו את כל המשימות השוטפות והחוזרות שמעסיקות את הקניין ביום-יום: מעקב, תיאומים, תקשורת מול ספקים, מענה לשאלות ועדכון של הגורמים הרלוונטיים.

מבחינתי, זה שינוי משמעותי בתפקיד של הקניין: ה-AI לא מחליף אותו, אלא מוציא ממנו את ה"עבודה השחורה" ומאפשר לו להשקיע את הזמן שלו במקומות שבהם באמת נדרשים שיקול דעת, קבלת החלטות וחשיבה עסקית.

מה השתנה בעקבות היוזמה?

תפקיד הקניין האופרטיבי השתנה מ"מי שמריץ כל אינטראקציה בעצמו" ל"מי שמפקח על תהליך שרץ ברובו לבד". פול לוקח על עצמו את כל התקשורת השוטפת מול הספק: שאלות, אישורים ועדכוני סטטוס, ומעדכן את שאר בעלי העניין בארגון בזמן אמת, כך שהקניין לא צריך לתאם ידנית בין כל הגורמים.

כיצד היוזמה השפיעה על הלקוחות או על הצוותים?

כבר עלינו לאוויר עם הלקוח הראשון שלנו. קניינים שהיו רגילים לבלות שעות בשבוע בשאלות ותשובות מול ספקים ובתיאומים מול דורש, מחסנאי והנהלת חשבונות, מקבלים תהליך שרץ ברקע ודורש מהם מעורבות רק כשצריך. מבחינת צוותי המוצר והפיתוח, זה חייב אותנו לחשוב מחדש על כל נקודות הממשק בארגון של הלקוח: לא רק על שיחה בין שני צדדים, אלא על תזמורת של כמה בעלי עניין במקביל.

האם נמדדו תוצאות עסקיות או מוצריות?

מה שרואים בבירור הוא רמת הביקוש: בכל פעם שאנחנו מציגים את פול יש התלהבות ועניין מיידי בקרב לקוחות נוספים. מבחינה תפעולית, המטרה שלנו היא לצמצם משמעותית את הזמן שקניין מבלה בתיאומים חוזרים. קניין ממוצע מבלה בין 10 ל-15 שעות בשבוע רק על תיאומים מול ספק, דורש, מחסנאי והנהלת חשבונות, וזה בדיוק העומס שפול אמור לספוג.

מה היה האתגר המרכזי בהוצאה לפועל?

האתגר המרכזי היה מוצרי: איך מגדירים בכלל "מוצר טוב" כשמדובר ב-AI. בעולם קלאסי, פיצ'ר נחשב טוב אם הוא מבצע פעולה צפויה ונכונה. בעולם ה-AI זה מורכב יותר: פול צריך לענות לספק, לעדכן דורש ומחסנאי ולקבל החלטות בזמן אמת, והתשובות שלו אינן קבועות מראש. אותה שאלה יכולה להניב כמה תשובות שונות ולגיטימיות.

בתור מנהלת מוצר, חלק מהתפקיד שלי הפך להיות להגדיר בעצמי מה נחשבת "תשובה טובה" של פול בכל אחת מהאינטראקציות האלה: מול הספק, מול הדורש, מול המחסנאי, ולתרגם את זה לקריטריונים ברי-מדידה ולבדיקות הערכה לכל יכולת. בלי זה, אין דרך אמיתית לדעת אם פול עובד טוב, או רק עובד.