ResolveGrid: סוכן AI שמכניס בינה מלאכותית לעבודת שטח אמיתית

בעולם שבו רוב כלי ה-AI הארגוניים עדיין עסוקים בכתיבת מיילים, סיכום פגישות, חיפוש במסמכים או תמיכה בצ׳אט, ResolveGrid מציעה כיוון הרבה יותר תפעולי ומוחשי. הפלטפורמה נועדה לצוותי שירות שטח שמטפלים בציוד מורכב, במצבים שבהם כל ביקור חוזר, כל אבחון שגוי וכל המתנה למומחה בכיר עולים כסף אמיתי. מה שמעניין כאן הוא לא רק השימוש בבינה מלאכותית, אלא המעבר מ-AI שמייעץ מתוך חלון דפדפן ל-AI שמלווה טכנאי בזמן תיקון פיזי, מול מכונה, רכיב, מתקן רפואי, תשתית תקשורת או מערכת IT באתר לקוח. לפי ממצאי המחקר, ResolveGrid הושקה פומבית ב-14 במאי 2026, ממוקמת ב-Mountain View, נוסדה בשיתוף AI Fund של Andrew Ng, ומבוססת על טכנולוגיה שמקורה ב-Xerox ובפלטפורמת CareAR. הנקודה הזו חשובה, כי היא מציבה אותה לא כסטארטאפ שמתחיל מאפס, אלא כניסיון לארוז ניסיון קודם בעולמות סיוע מרחוק ו-AR לתוך שכבת AI אג׳נטית מודרנית יותר.

מנקודת המבט של משתמש הקצה, כלומר טכנאי או מנהל שירות, ההבטחה המרכזית היא תהליך עבודה אחד שבו אפשר לקבל הכוונה, לבדוק חזותית את המצב, להפעיל נוהל תיקון, להסלים למומחה מרחוק ולתעד את הפתרון בלי לשבור את הרצף. ResolveGrid מתארת מערכת שמפרשת נהלים ארגוניים, קלט מהטכנאי, היסטוריית שירות ומצב תהליך כדי להציע את הפעולה הטובה הבאה. בפועל, זה יכול להיות משמעותי במיוחד עבור טכנאים חדשים, צוותים שמכסים מוצרים רבים, או ארגונים שבהם הידע הקריטי נמצא אצל מעט מומחים ותיקים. אם הטכנאי יכול לצלם רכיב, לשתף וידאו חי, לקבל הנחיות שלב אחר שלב, ובמידת הצורך לצרף מומחה שרואה את אותו הקשר חזותי ותפעולי, הפוטנציאל להפחתת טעויות ולחיסכון בזמן הוא ברור. עם זאת, חשוב להדגיש שהמידע הציבורי עדיין לא מפרט מספיק כיצד בדיוק נראית חוויית המשתמש במובייל, בטאבלט או במשקפי עבודה, האם זיהוי הציוד אוטומטי לחלוטין, אילו אינטגרציות זמינות למערכות כמו Salesforce Field Service, ServiceNow, SAP או Microsoft Dynamics, והאם המערכת תומכת בעבודה במקומות עם קישוריות חלשה.

היתרון האסטרטגי של ResolveGrid נמצא בחיבור בין שלושה רבדים שבדרך כלל נמכרים בנפרד: ניהול תהליך שירות, סיוע חזותי מרחוק, ושכבת AI שמסיקה מה לעשות עכשיו. כלי סיוע מרחוק כמו TeamViewer Frontline, PTC Vuforia או Help Lightning מתמקדים רבות בשיתוף וידאו, AR או מומחה מרחוק. מערכות Field Service Management כמו ServiceNow, Salesforce, Microsoft Dynamics, ServiceMax או IFS מתמקדות בניהול קריאות, משאבים, תזמון ונכסי שירות. ResolveGrid מנסה לעמוד באמצע ולומר שהערך אינו רק בחיבור וידאו או בניהול קריאה, אלא באורקסטרציה של ההחלטה הטכנית עצמה. אם היא אכן מצליחה להפוך נהלים, מדריכים, היסטוריית תיקונים והתערבויות מומחים להנחיה שימושית בזמן אמת, היא עשויה להיות כלי משמעותי לארגונים שבהם השירות הוא מוקד עלות גדול וגם מקור בידול עסקי. נתוני הביצועים שהחברה מפרסמת, כמו ירידה של 50% בדיספאצ׳ים ו-85% פתרון מרחוק, מרשימים מאוד, אך בשלב זה יש להתייחס אליהם בזהירות. חסרים פרטים על גודל המדגם, סוגי הלקוחות, הבסיס להשוואה, והאם הנתונים מגיעים מפריסות CareAR קודמות, מפיילוטים של ResolveGrid או מלקוחות פעילים לאחר ההשקה.

לצד ההזדמנות, יש כאן גם סיכונים אמיתיים. הנחיית AI בעולם פיזי אינה דומה להמלצה על ניסוח אימייל. טעות בהוראת תיקון יכולה לגרום לנזק לציוד, להשבתה, לסיכון בטיחותי או להפרת רגולציה, במיוחד בציוד רפואי, תחבורה או מתקנים תעשייתיים. גם ראייה ממוחשבת אינה חסינה: תאורה חלשה, לכלוך, גרסאות ציוד חריגות, חלקים מוסתרים או רוחב פס נמוך עלולים להקשות על זיהוי אמין. בנוסף, ארגונים רבים יגלו שהצלחת מערכת כזו תלויה בניקוי ידע פנימי, סטנדרטיזציה של נהלים, הגדרת תהליכי אישור, והחלטה מתי AI רשאי להציע פעולה ומתי חובה לערב מומחה אנושי. לכן, ההמלצה היא לראות ב-ResolveGrid פתרון מבטיח לארגונים בינוניים וגדולים עם מערך שירות שטח בשל, ולא כלי קסם שמתקינים ומיד מקבלים אוטומציה מלאה. הדירוג שלנו משקף פוטנציאל גבוה מאוד, חדשנות ברורה ומיקוד בבעיה עסקית אמיתית, לצד פערים ציבוריים במידע על תמחור, אבטחה, מודלים, אינטגרציות והוכחת ביצועים עצמאית.

יכולות מרכזיות

• הנחיית AI אג׳נטית בזמן אמת: המערכת מנתחת נהלים, מצב עבודה וקלט מהטכנאי כדי להציע פעולות המשך.
• ראייה ממוחשבת ותמיכה חזותית: שימוש בתמונות, וידאו חי והקשר חזותי כדי לסייע באבחון ובאימות תיקון.
• הסלמה למומחה אנושי: חיבור מומחה מרחוק תוך שמירה על היסטוריית האירוע, הקשר חזותי ושלבי העבודה.
• אורקסטרציית תהליכי שירות: בניית נהלים מונחים הכוללים המלצות AI, נקודות בדיקה, אישור אנושי ותיעוד.
• למידה מתמשכת: לכידת נתיבי פתרון, החלטות טכנאים והתערבויות מומחים כדי לשמר ידע ארגוני.
• מיקוד בתפעול שטח: התאמה לסביבות עם ציוד מורכב, מחסור במומחים ועלויות גבוהות של ביקורים חוזרים.

מה אהבנו

• מיקוד בבעיה עסקית אמיתית: הפחתת ביקורים חוזרים, קיצור זמן תיקון ושימור ידע מומחים.
• שילוב בין AI לווידאו ולתהליכי עבודה: לא רק צ׳אט, אלא מערכת שמנסה ללוות את האירוע התפעולי כולו.
• פוטנציאל חזק להעצמת טכנאים חדשים: כלי כזה יכול לצמצם פערי ידע בין מומחים ותיקים לבין צוותים בשטח.
• חיבור לעולמות פיזיים: הדוגמה מעניינת במיוחד כי היא מוציאה AI מהדפדפן אל ציוד, אתרים ולקוחות.
• מקור טכנולוגי משמעותי: הקשר ל-AI Fund, Xerox ו-CareAR מוסיף אמינות ראשונית לסיפור המוצר.

מה פחות אהבנו

• חוסר שקיפות בתמחור: אין מחירון פתוח, ולכן קשה להעריך התאמה תקציבית מראש.
• נתוני ביצועים לא מאומתים עצמאית: המספרים מרשימים, אך הם עדיין טענות ספק.
• פערים במידע טכני: לא ברור אילו מודלים עומדים מאחורי המערכת ומה רמת השליטה של הלקוח בהם.
• מידע אבטחה חלקי: לא נמצאו פרטים פומביים מספקים על תקנים כמו SOC 2 או ISO 27001.
• תלות באיכות הידע הארגוני: ארגונים עם תיעוד מבולגן עלולים להזדקק להכנה משמעותית לפני הטמעה.
• סיכון תפעולי ובטיחותי: הנחיות שגויות בתיקון פיזי עלולות להיות יקרות ואף מסוכנות.

מודלים וטכנולוגיה

• מודלי בסיס: נכון למידע הציבורי שנבדק, ResolveGrid אינה מפרסמת אילו Foundation Models משמשים את הפלטפורמה, כגון GPT-4o, Claude, Gemini או מודלים קנייניים.
• שכבת AI אג׳נטית: הפלטפורמה מתוארת כמערכת שמפרשת נהלים, קלט טכנאי, מצב Workflow והקשר תפעולי כדי לייצר פעולות המשך.
• ראייה ממוחשבת: המוצר כולל יכולות Visual Intelligence ותהליכי וידאו חיים, אך לא פורסם פירוט מלא על אופן העיבוד, זיהוי הציוד, רמת זמן אמת או שימוש במודלים ייעודיים.
• שימוש אפשרי ב-RAG: לפי אופי המוצר, סביר שהמערכת נשענת על חיפוש והפקת תשובות ממקורות ידע ארגוניים, אך לא פורסמה ארכיטקטורת RAG רשמית.
• בקרת הזיות: לא נמצאו פרטים פומביים על Confidence Scoring, מנגנוני אימות או כללי חסימה לפני מתן הוראות תיקון.
• Human-in-the-loop: יכולת ההסלמה למומחה אנושי היא חלק מרכזי במוצר, והיא עשויה להיות מנגנון קריטי לצמצום סיכון.
• שאלות שחשוב לשאול בדמו: אילו מודלים פועלים בפועל, היכן הנתונים מעובדים, האם לקוח יכול לבחור מודל, והאם וידאו ותיעוד משמשים לאימון עתידי.

קהל יעד

• טכנאי שטח: משתמשים שזקוקים להנחיות תיקון בזמן אמת מול ציוד מורכב.
• מנהלי שירות שטח: צוותים שמודדים First-Time Fix Rate, זמני שירות, עומסי דיספאצ׳ ושביעות רצון לקוחות.
• מנהלי תפעול: ארגונים שרוצים להפחית עלויות של ביקורים חוזרים והסלמות.
• צוותי הנדסת שירות וידע: בעלי תפקידים שאחראים על נהלים, מדריכים, Best Practices ושימור מומחיות.
• מנהלי טרנספורמציה דיגיטלית ו-IT: גורמים שמחפשים לשלב AI בתהליכי שטח קיימים.
• תעשיות רלוונטיות: ייצור, ציוד רפואי, תחבורה, תשתיות IT, טלקום, אלקטרוניקה מורכבת וסביבות ציוד קריטיות.

אבטחה והתאמה לארגונים

• תקני אבטחה: לא נמצאו בפרסום הציבורי פרטים מאומתים על SOC 2, ISO 27001, HIPAA, GDPR או תקנים דומים.
• בקרות ארגוניות: מומלץ לבדוק בדמו תמיכה ב-SSO, SAML, SCIM, RBAC, Audit Logs וניהול הרשאות לפי עובדים, קבלנים ומומחים חיצוניים.
• מידע חזותי רגיש: מכיוון שהמערכת עוסקת בווידאו חי, תמונות ציוד וסביבות עבודה, חשוב לברר הצפנה, שמירת הקלטות, בקרת גישה ומדיניות מחיקה.
• נתוני אימון: יש לוודא האם אירועי שירות, וידאו, החלטות טכנאים והתערבויות מומחים משמשים לשיפור מודלים, והאם הלקוח יכול לבטל שימוש כזה.
• סביבות מוסדרות: בענפים כמו ציוד רפואי, תחבורה ותעשייה כבדה, חשוב לבדוק תיעוד, בקרת גרסאות, אישור נהלים ומנגנוני Human-in-the-loop.
• המלצה לרכש: לפני פריסה, כדאי לדרוש מסמכי אבטחה רשמיים, DPA, מדיניות Data Residency, בדיקות חדירה ותרשים ארכיטקטורה.