רובנו מכירים את הבינה המלאכותית שיוצרת טקסט ותמונות, אבל יש הבחנה מהותית אחת שקל לפספס: ההבדל בין יצירת תוכן לייצור ערך פיזי. בעוד כלי כמו ChatGPT מייצר מידע, טכנולוגיית Generative Physical AI יוצרת מודלים תלת-ממדיים של אובייקטים ממשיים. ההבנה הזו משנה את תפיסת התפקיד של AI בעסק, במיוחד עבור חברות יצרניות. במקום להיות כלי לשיווק או לכתיבה, ה-AI הופך לשותף בתהליך הליבה של פיתוח המוצר, עם השפעה ישירה על העיצוב, החומרים, ומהירות ההגעה לשוק. עסקים שמפנימים את ההבחנה הזו מפסיקים לחשוב על AI במונחים של החזר השקעה על תהליכים משניים ומתחילים לראות בו מנוע צמיחה מרכזי.
מהו Generative Physical AI, ואיך הוא עובד בפועל?
בבסיסו, Generative Physical AI הוא מנוע חיפוש רעיונות לעיצוב. בניגוד ל-AI גנרטיבי קלאסי שאומן על טקסטים ותמונות מהאינטרנט, המערכות הללו מתמקדות בעולם הפיזי. המערכות הללו אינן "מציירות" אובייקט. הן מתכננות אותו מאפס על בסיס עקרונות הנדסיים ופיזיקליים. התהליך מתחיל כשהמהנדס או המעצב מגדירים למערכת את הבעיה: מה המוצר צריך לעשות, מהם האילוצים (Constraints) ומהן המטרות (Objectives). למשל, "אני צריך לתכנן זרוע רובוטית שתרים משקל של 5 ק"ג, תיוצר מאלומיניום בעלות שלא תעלה על 100 שקלים לחתיכה, ותהיה קלה ככל האפשר". ה-AI לא יודע איך נראית זרוע רובוטית, וזה יתרונו הגדול. הוא מתחיל לחקור את "מרחב הפתרונות", כלומר, את כל הצורות הגיאומטריות האפשריות שמקיימות את האילוצים. הוא בונה ומפרק אלפי וריאציות, מבצע סימולציות חוזק ועמידות על כל אחת מהן בזמן אמת, ופוסל את אלו שלא עומדות בתנאים. התוצאה היא גלריה של עיצובים אפשריים, שלעיתים קרובות נראים אורגניים ולא אינטואיטיביים, אך הם אופטימליים מבחינה מתמטית. המהנדס האנושי סוקר את האפשרויות, בוחר את הכיוון המועדף, ויכול להמשיך וללטש אותו.
כיצד האלגוריתם הופך אילוצים עסקיים למודלים תלת-ממדיים?
הקסם של עיצוב גנרטיבי טמון ביכולת לתרגם יעדים עסקיים והנדסיים לשפה שהמחשב מבין, ולהפוך אותם לגיאומטריה תלת-ממדית. התהליך בנוי מכמה רכיבי קלט מרכזיים. ראשית, המהנדס מגדיר את "הגיאומטריה השמורה" (Preserve Geometry), אלו האזורים שהעיצוב חייב לכלול, כמו נקודות חיבור, חורים לברגים או משטחי מגע. שנית, הוא מגדיר "אזורי מכשול" (Obstacle Geometry), כלומר חללים שהעיצוב לא יכול לחדור אליהם, למשל כי עובר שם רכיב אחר או שנדרש מרווח לתנועה. לאחר מכן, מגדירים את העומסים והכוחות שיפעלו על הרכיב ומהיכן. לבסוף, מזינים את האילוצים והיעדים: שיטת ייצור (הדפסת תלת-ממד, עיבוד שבבי CNC, יציקה), חומר (פלדה, פלסטיק, טיטניום), ומטרת האופטימיזציה (מינימום משקל, מקסימום קשיחות, וכו'). המערכת משתמשת באלגוריתמים של אופטימיזציה, כמו אופטימיזציית טופולוגיה, ויוצרת רשת תלת-ממדית בסיסית. היא מפעילה עליה סימולציית מאמצים (Finite Element Analysis – FEA) וירטואלית, מזהה אזורים שאינם נושאים עומס משמעותי, ומסירה מהם חומר. היא חוזרת על התהליך אלפי פעמים, בכל פעם בוחנת מבנה מעט שונה, עד שהיא מתכנסת לקבוצה של פתרונות שעונים על כל הדרישות בצורה הטובה ביותר.
קיצור דרמטי ב-Time-to-Market: היתרונות העסקיים לעסק יצרני
עבור עסק יצרני, זמן הוא כסף, וזמן הפיתוח (Time-to-Market) הוא אחד המדדים הקריטיים ביותר. כל יום שהמוצר נמצא בפיתוח ולא על המדף הוא יום של אובדן הכנסות פוטנציאלי. כאן, היתרון של AI גנרטיבי הוא חד וברור. שימוש בטכנולוגיות עיצוב גנרטיבי יכול להוביל לקיצור משמעותי בזמן הפיתוח הכולל של מוצרים חדשים. החיסכון הזה נובע מכמה גורמים. ראשית, שלב הקונספט והתכנון הראשוני מתכווץ משבועות לימים, מכיוון שה-AI מייצר מאות אפשרויות במקום שצוות אנושי יפתח ידנית שלוש או ארבע. שנית, לולאות המשוב בין תכנון לאנליזה מתקצרות דרמטית. בתהליך מסורתי, מהנדס מתכנן רכיב, ואז אנליסט בודק אותו בסימולציה, והתהליך חוזר על עצמו. בעיצוב גנרטיבי, האנליזה מובנית בתוך תהליך התכנון. שלישית, מספר אבות הטיפוס הפיזיים הנדרשים פוחת משמעותית. מכיוון שהמערכת יכולה להתחשב באילוצי ייצור ולבצע אימות וירטואלי מקיף, הסיכוי לגלות כשל באב-טיפוס הראשון נמוך בהרבה. מעבר למהירות, התוצרים עצמם טובים יותר. ניתן להשיג הפחתה ניכרת במשקל הרכיבים, כפי שהודגם בפרויקטים בתעשיית הרכב והתעופה, מה שמתורגם ישירות לחיסכון בחומרי גלם ובעלויות הייצור.
מחלקי רכב ועד שתלים רפואיים: יישומים ודוגמאות
היישומים של עיצוב גנרטיבי חוצים תעשיות ומדגימים את הגמישות של הטכנולוגיה. בתעשיית הרכב והתעופה, המטרה העיקרית היא הפחתת משקל ללא פגיעה בבטיחות, כדי לשפר את יעילות הדלק. חברות כמו איירבוס וג'נרל מוטורס משתמשות בכלים אלה לתכנון מחיצות פנימיות למטוסים, תושבות למנועים ורכיבי שלדה. התוצאה היא רכיבים קלים בעשרות אחוזים, עם מבנים "שלדיים" מורכבים שהיו בלתי אפשריים לתכנון אנושי. בתחום הרפואי, הטכנולוגיה מאפשרת יצירת שתלים מותאמים אישית. למשל, ניתן לסרוק שבר מורכב בגולגולת של מטופל, ולהשתמש ב-AI כדי לתכנן שתל שמתאים באופן מושלם למבנה האנטומי הייחודי שלו, תוך אופטימיזציה של החוזק והמשקל. בתחום מוצרי הצריכה, חברות נעזרות ב-AI כדי לתכנן כלים קלים וארגונומיים יותר, או אפילו סוליות נעליים שמספקות תמיכה וריכוך אופטימליים בהתבסס על ניתוח תנועה. דוגמה נוספת היא בתחום הייצור עצמו, בתכנון גופי קירור למעבדים. המבנים המורכבים והאורגניים שה-AI מייצר מגדילים את שטח הפנים ומאפשרים פיזור חום יעיל בהרבה מעיצובים קונבנציונליים, מה שמשפר את ביצועי המחשב.
| שלב | תהליך מסורתי | תהליך מבוסס AI | יתרון ה-AI |
|---|---|---|---|
| ייזום וקונספט | סיעור מוחות אנושי, יצירת מספר קטן של קונספטים ראשוניים על בסיס ניסיון העבר. | הגדרת אילוצים ומטרות (משקל, חומר, עלות, חוזק). המערכת מייצרת מאות או אלפי קונספטים אפשריים. | הרחבה דרמטית של מרחב הפתרונות, גילוי עיצובים לא אינטואיטיביים. |
| תכנון ומידול תלת-ממד | מהנדס/מעצב בונה מודל CAD באופן ידני, תהליך איטרטיבי שלוקח זמן רב. | ה-AI מייצר אוטומטית את גיאומטריית התלת-ממד עבור העיצובים הנבחרים, כולל אופטימיזציה מובנית. | חיסכון משמעותי בזמן מידול, תוצרים שעברו אופטימיזציה ראשונית. |
| אנליזה וסימולציה | לאחר המידול, המודל נשלח לאנליסט לביצוע סימולציות (חוזק, זרימה). כל שינוי דורש חזרה לשלב התכנון. | הסימולציה והאנליזה הן חלק אינהרנטי מתהליך היצירה. ה-AI בודק כל עיצוב מול האילוצים בזמן אמת. | קיצור דרמטי של לולאות משוב (feedback loops), מניעת טעויות יקרות בשלב מאוחר. |
| ייצור אב-טיפוס | ייצור מספר אבות-טיפוס פיזיים יקרים לבדיקה, לעיתים קרובות מגלים בעיות שדורשות תכנון מחדש. | ה-AI יכול להתחשב באילוצי ייצור (כמו הדפסת תלת-ממד או עיבוד שבבי), ומאפשר בדיקה וירטואלית מקיפה לפני ייצור פיזי. | הפחתת מספר אבות הטיפוס הפיזיים, עיצובים ברי-ייצור מהשלב הראשון. |
כמה עולה לשלב Generative Physical AI בפיתוח המוצר?
השאלה "כמה זה עולה?" מורכבת, והתשובה תלויה בגודל העסק, במורכבות המוצרים ובכלים הנבחרים. לא ניתן לנקוב במספר אחד, אך ניתן וחשוב להבין את מבנה העלויות. העלות אינה מסתכמת ברכישת תוכנה. היא מורכבת מכמה רבדים. עלויות תוכנה: רוב הפלטפורמות המובילות, כמו Autodesk Fusion או PTC Creo, פועלות במודל של מנוי שנתי (SaaS). התשלום הוא פר משתמש, ולעיתים קרובות נדרש תשלום נוסף באמצעות "קרדיטים" עבור כל הרצה של תהליך גנרטיבי. המודל הזה מאפשר גמישות, אך דורש ניהול ובקרה על השימוש. עלויות חומרה: בעבר, נדרשו תחנות עבודה גרפיות חזקות ויקרות. כיום, מכיוון שחלק גדול מהחישובים הכבדים מתבצע בענן, ניתן להסתפק במחשבים סטנדרטיים, מה שמפחית משמעותית את ההשקעה הראשונית בחומרה. עלויות הטמעה והכשרה: זהו הרכיב המשמעותי והנסתר לעיתים. הטכנולוגיה דורשת שינוי תפיסתי וחשיבה שונה מצד המהנדסים. יש להשקיע בהכשרת הצוות הקיים, בלימוד מתודולוגיות העבודה החדשות, או בגיוס אנשי מקצוע עם ניסיון. העלות כאן כוללת שעות עבודה שמושקעות בלמידה במקום בפיתוח שוטף. עלויות אינטגרציה: יש לקחת בחשבון את העבודה הנדרשת לחיבור הכלים החדשים למערכות קיימות בארגון, כמו מערכות ניהול מחזור חיי מוצר (PLM) או ERP.
מדריך לבחירת הכלים הנכונים: מ-Autodesk Fusion ועד NVIDIA Omniverse
שוק הכלים לעיצוב גנרטיבי מתפתח במהירות, והבחירה תלויה בצרכים הספציפיים של העסק ובמערכות שכבר נמצאות בשימוש. Autodesk Fusion היא אחת הפלטפורמות הפופולריות והנגישות ביותר, במיוחד לעסקים קטנים ובינוניים. היא מציעה חבילה משולבת של מידול CAD, הנדסה (CAE) וייצור (CAM), עם יכולות עיצוב גנרטיבי מבוססות ענן. היתרון שלה הוא בממשק הידידותי יחסית ובמודל התמחור הגמיש. פלטפורמות מתחרות כמו PTC Creo ו-SolidWorks (Dassault Systèmes) מציעות גם הן מודולים מתקדמים לעיצוב גנרטיבי, ולרוב יהיו הבחירה הטבעית עבור חברות שכבר עובדות עם התוכנות הללו. הן נחשבות לחזקות יותר ביישומים מורכבים ובתעשיות כבדות. גישה שונה מציעה NVIDIA Omniverse. זו אינה תוכנת CAD, אלא פלטפורמת שיתוף פעולה וסימולציה בזמן אמת. היא מאפשרת לצוותים שונים, שעובדים על כלים שונים (למשל, מעצב ב-Fusion, מהנדס ב-Creo), לחבר את המודלים שלהם לסביבה וירטואלית אחת ("תאום דיגיטלי") ולבצע סימולציות פיזיקליות מורכבות. בחירת הכלי הנכון צריכה להתבסס על ניתוח של תהליכי העבודה הקיימים, סוג המוצרים, שיטות הייצור הנהוגות במפעל, והתקציב המוקדש לתוכנה ולהכשרה.
איך מתחילים? מדריך צעד-אחר-צעד לשילוב AI בפיתוח
הטמעה של טכנולוגיה כה משמעותית יכולה להיראות מרתיעה, אך ניתן לגשת אליה בצורה מדודה ושיטתית. דילוג על אחד השלבים הראשונים הוא מתכון לבזבוז זמן וכסף על כלי שלא מביא תועלת.
שלב 1: זיהוי ומיפוי התהליך המתאים
לא כל תהליך פיתוח הוא מועמד טוב לאוטומציה גנרטיבית. התחילו עם מוצר או רכיב ספציפי, רצוי כזה שבו יש פוטנציאל ברור לשיפור, כמו הפחתת משקל, חיסכון בחומר או שיפור ביצועים. לפני שקופצים לבחירת כלי, חשוב למפות את התהליך הקיים. פרקטיקה מקובלת בתחום הייעוץ לאוטומציה ו-AI היא להתחיל תמיד בבדיקה האם התהליך עצמו יעיל. לפעמים, הפתרון הנכון הוא לפשט את התהליך הידני. הפיכתו לאוטומטי אינה בהכרח הצעד הנכון בשלב זה.
שלב 2: פרויקט פיילוט קטן וממוקד
במקום לנסות להטמיע את הטכנולוגיה בכל מחלקת הפיתוח, בחרו צוות קטן ופרויקט פיילוט מוגדר היטב. המטרה היא לא להשיק מוצר חדש לשוק, אלא ללמוד את הטכנולוגיה בסביבה מבוקרת. הגדירו מדדי הצלחה ברורים לפיילוט, למשל: "האם הצלחנו להפחית את משקל הרכיב ב-15% תוך שמירה על אותה עלות ייצור?".
שלב 3: בחירת כלים והכשרת הצוות
רק לאחר שהבנתם את הבעיה שאתם רוצים לפתור, התחילו לבחון כלים. נצלו את תקופות הניסיון שרוב הספקים מציעים. במקביל, השקיעו בהכשרת הצוות. שלחו מהנדס או שניים לקורס ייעודי, או שכרו יועץ חיצוני שינחה את פרויקט הפיילוט. ההשקעה הזו תחזיר את עצמה במהירות.
שלב 4: מדידה, ניתוח והרחבה
בסיום הפיילוט, נתחו את התוצאות. האם עמדתם במדדי ההצלחה? מה היו האתגרים? מה למדתם על התהליך? השתמשו בתובנות אלו כדי להחליט על הצעדים הבאים: האם להרחיב את השימוש לצוותים נוספים, האם לבחון כלי אחר, או האם הטכנולוגיה אינה מתאימה כרגע לעסק. התקדמות איטרטיבית כזו מבטיחה שההשקעה תהיה מבוססת על נתונים אמיתיים מהארגון שלכם.
5 טעויות נפוצות בהטמעת עיצוב גנרטיבי
הדרך לשילוב AI בפיתוח רצופה הזדמנויות, אך גם מהמורות. היכרות עם הטעויות הנפוצות יכולה לחסוך זמן, כסף ותסכול רב. 1. הגדרת אילוצים לקויה: זו הטעות הקריטית ביותר. אם מגדירים את הבעיה בצורה רחבה מדי ("תכנן לי כיסא"), המערכת תייצר אלפי תוצאות לא רלוונטיות. אם מגדירים אותה בצורה צרה מדי, עלולים לפספס פתרונות חדשניים. חובה להשקיע זמן איכות בהגדרת האילוצים, העומסים ושיטות הייצור. 2. התעלמות מאילוצי ייצור: קל להתלהב מעיצובים מורכבים ואורגניים שה-AI מייצר, אך אם אי אפשר לייצר אותם במפעל שלכם בעלות סבירה, הם חסרי ערך. חשוב להגדיר למערכת את שיטות הייצור הזמינות (למשל, עיבוד שבבי ב-3 צירים ולא 5) כבר מההתחלה. 3. ציפייה ל"קופסה שחורה" אוטומטית: ה-AI הוא כלי עזר רב עוצמה, לא תחליף למהנדס. ההנחה שניתן פשוט "ללחוץ על כפתור" ולקבל מוצר מוגמר היא שגויה. התפקיד האנושי בבחינת האפשרויות, בחירת הכיוון הנכון וביצוע התאמות סופיות הוא הכרחי. 4. הזנחת ההכשרה: לתת למהנדס מנוסה תוכנה לעיצוב גנרטיבי בלי הכשרה מתאימה זה כמו לתת לטייס קרב להטיס מסוק. הכלים דומים, אבל הפילוסופיה והמתודולוגיה שונות לחלוטין. 5. פער האימוץ בישראל: חשוב להכיר את ההקשר המקומי. קיים פער באימוץ כלי AI בין סקטור ההייטק לתעשייה המסורתית. בעוד שבחברות טכנולוגיה השימוש ב-AI הוא כמעט אוניברסלי, סקרים מראים כי תעשיות הייצור המסורתיות עדיין נמצאות בשלבי אימוץ ראשוניים יותר. טעות נפוצה היא להניח שהטכנולוגיה אינה רלוונטית לעסק "מסורתי", בזמן שדווקא שם הפוטנציאל לשיפור הוא הגדול ביותר. רשות החדשנות אף מציעה מסלולי תמיכה למפעלים המעוניינים להטמיע טכנולוגיות כאלה.
האם ה-AI יחליף את המהנדס או המעצב התעשייתי?
החשש שה-AI יחליף אנשי מקצוע מיומנים עולה בכל פעם שטכנולוגיה חדשה נכנסת לשוק. במקרה של עיצוב גנרטיבי, התשובה המדויקת יותר היא שה-AI לא יחליף את המהנדס, אבל מהנדס שמשתמש ב-AI יחליף מהנדס שלא. תפקיד המהנדס והמעצב משתנה, הוא עובר מביצוע משימות חישוביות ושרטוט איטרטיביות לתפקיד אסטרטגי יותר. במקום להשקיע שעות במידול ידני של רעיון אחד, המהנדס מתרכז בהגדרת הבעיה בצורה מדויקת, בבחינה ביקורתית של עשרות פתרונות שה-AI מציע, ובבחירת הפתרון המתאים ביותר על בסיס ניסיון, אינטואיציה והבנה עסקית. ה-AI מטפל בחישובים הכבדים, בחקירת מרחב הפתרונות העצום ובביצוע סימולציות חוזרות ונשנות. האדם, לעומת זאת, אחראי על היצירתיות שבהגדרת הבעיה, על השיפוט המקצועי בבחירת התוצאה, ועל ההקשר הרחב יותר שהמכונה עדיין לא מבינה: צרכי הלקוח, אסתטיקה, והתאמה לאסטרטגיית המוצר של החברה. המעצב התעשייתי, למשל, יכול להשתמש בכלים אלה כדי לחקור צורות חדשות, אך עדיין יהיה זה שתפקידו להבטיח שהמוצר הסופי יהיה יעיל מבחינה הנדסית, ובנוסף להיות נעים למראה ונוח לשימוש. ה-AI הוא שותף ומגבר יכולות, ואינו מהווה תחליף.
מה השלב הבא אחרי השלמת הפיתוח?
הטמעה מוצלחת של Generative Physical AI אינה סוף פסוק, אלא תחילתו של תהליך למידה ושיפור מתמשך. השלמת פרויקט הפיתוח הראשון היא נקודת מפנה שמאפשרת לבנות יכולות ארגוניות עמוקות יותר. לאחר שהמוצר החדש או הרכיב המשופר מוכן, ישנם כמה צעדים חיוניים שכדאי לבצע כדי למנף את ההצלחה ולהבטיח שההשקעה תמשיך להניב פירות.
- תעדו את התהליך והתוצאות: צרו "ספר פרויקט" מפורט. תעדו לא רק את התוצאה הסופית, אלא את כל תהליך הגדרת האילוצים, את האפשרויות שנבחנו, ואת הסיבות לבחירה בעיצוב הסופי. מאגר ידע זה יהיה נכס יקר ערך בפרויקטים הבאים.
- הפיצו את הידע בתוך הארגון: הציגו את הצלחת הפיילוט בפני מחלקות וצוותים אחרים. שתפו את מה שלמדתם, כולל הקשיים והאתגרים. זה יעודד מהנדסים נוספים לאמץ את הכלים ויעזור לזהות הזדמנויות נוספות לשימוש בטכנולוגיה.
- בנו ספריית אילוצי ייצור: השקיעו ביצירת ספרייה דיגיטלית של אילוצי הייצור הספציפיים למפעל שלכם. הגדירו מראש את יכולות המכונות, החומרים הזמינים וטווחי העלויות. זה יקצר משמעותית את זמן ההגדרה בפרויקטים עתידיים ויבטיח שהתוצרים יהיו תמיד ברי-ייצור.
- בחנו את השילוב עם תהליכים אחרים: בדקו כיצד ניתן לחבר את כלי העיצוב הגנרטיבי למערכות אחרות, כמו מערכת ה-ERP לניהול עלויות חומר, או מערכות ניהול האיכות. אינטגרציה כזו יכולה ליצור תהליך פיתוח וייצור יעיל וחכם עוד יותר.
שאלות נפוצות
מה ההבדל בין עיצוב גנרטיבי לאופטימיזציית טופולוגיה?
אופטימיזציית טופולוגיה מתחילה בדרך כלל עם עיצוב קיים ומסירה ממנו חומר כדי להפחית משקל. לעומת זאת, עיצוב גנרטיבי הוא תהליך רחב יותר שמתחיל מאפס, ללא עיצוב ראשוני. הוא חוקר אלפי אפשרויות עיצוב חדשות לחלוטין על בסיס קבוצת אילוצים ומטרות, ולעיתים קרובות מגיע לפתרונות לא אינטואיטיביים שהאופטימיזציה לא הייתה מגלה.
מהן העלויות הנסתרות בהטמעת Generative Physical AI?
העלות הגדולה ביותר שאינה מופיעה בהצעת המחיר של התוכנה היא עלות ההכשרה ושינוי תהליכי העבודה. הטמעת הכלים דורשת מהמהנדסים לחשוב אחרת, להתמקד בהגדרת הבעיה במקום בשרטוט הפתרון. השקעת הזמן בלמידת המתודולוגיה החדשה וההסתגלות אליה היא הוצאה משמעותית שיש לקחת בחשבון בתקציב הפרויקט.
האם אני חייב להחזיק מחשבי-על כדי להשתמש בטכנולוגיה הזו?
כבר לא. בעבר, עיצוב גנרטיבי אכן דרש חומרה יקרה. כיום, רוב הפלטפורמות המובילות, כמו Autodesk Fusion, מעבירות את החישובים הכבדים לענן. המשמעות היא שניתן להריץ את התהליכים המורכבים גם ממחשב נייד סטנדרטי, כאשר עיקר העומס מבוצע על שרתים חזקים של ספק התוכנה.
האם ה-AI יכול להתחשב במגבלות הייצור הספציפיות של המפעל שלי?
כן, וזו אחת היכולות החשובות ביותר. בפלטפורמות מודרניות ניתן להגדיר מראש את שיטות הייצור הזמינות, כמו עיבוד שבבי CNC ב-3 או 5 צירים, הדפסת תלת-ממד מסוג מסוים, או יציקה. המערכת תייצר רק עיצובים שניתן לייצר באופן מעשי וכלכלי באמצעות הציוד הקיים, ובכך נמנע בזבוז זמן על תכנון רעיונות לא ריאליים.
קראו גם
- העסק שלכם מפסיד לקוחות? הכירו את סוכן ה-AI שלא ישן לעולם
- עוזר AI פנימי לארגון: המדריך המעשי לבניית צ'אט שיודע הכל על העסק שלכם
- מאיפה מתחילים עם AI בעסק? השוואה בין 5 תהליכים עם ROI מהיר
Mr. Make (ליאור צברי) עוסק בייעוץ ובהטמעה של אוטומציה ו-AI לעסקים בישראל, מהמערכות ועד האנשים שמפעילים אותן. דברו איתנו ונראה מאיפה כדאי להתחיל. עוד על ייעוץ אוטומציה ו-AI לעסקים אצלנו.
