מסתכלת מתחת לפני השטח.
תרבות, תהליכים, טכנולוגיה.
לפני שאתם בונים, משדרגים או משקיעים - אני בודקת את הקרקע. שלושת המקומות שבהם דברים בשקט נשברים: תרבות, תהליכים, טכנולוגיה. אם לא תופסים את הסדק עכשיו, התיקון שלו עולה הרבה יותר בסקייל הבא. AI היא יכולת אחת שאני מביאה כשהיא התשובה הנכונה - הרבה ממה שאני עושה לא צריך AI בכלל.
הסיפור בקצרה
התחלתי כ-Full-Stack Developer בבניית תוכנות פיננסיות לחברות השקעה ובנקים. משם עברתי לניהול מוצר טכני - קודם בבנק דיגיטלי, שבו בניתי את תשתיות האשראי והסיכונים שעיבדו יותר מ-500K בקשות הלוואה, ובהמשך הובלתי את תהליך הקליטה והסקייל של צוותי R&D כשהארגון גדל מ-30 ל-150 מפתחים (סה"כ 500 עובדים).
בדרך השלמתי M.Sc במערכות אינטליגנטיות (AI). את הקוד אני כותבת בעצמי, וב-AI אני משתמשת בעבודה היומיומית: Claude Code, RAG, Agentic Workflows ו-OpenAI API.
בתחילת 2026 עברתי לפעילות עצמאית והקמתי את Scale with May. השילוב בין ניהול מוצר טכני, פיתוח בפועל וידע עמוק על איך ארגונים באמת עושים סקייל - הוא מה שמאפשר לי לעזור למנהלים לאבחן מה עומד להשבר, לתכנן ארגונים, מערכות ותהליכים טובים יותר, ולבנות תשתית שמסוגלת לצמוח.
הגישה: בודקת את הקרקע לפני שבונים.
אני קודם כול יורדת לשטח - מסתכלת מתחת לפני השטח של הארגון, בודקת מה באמת קורה בשלושה מקומות: תרבות, תהליכים, טכנולוגיה. שם נמצאים הדליפות, צווארי הבקבוק והסיכונים שעוד לא נראים על פני השטח - אבל יתפרצו ברגע הסקייל הבא.
הסיבה הכלכלית פשוטה: כל בעיה שלא מזהים בסקייל הנוכחי עולה הרבה יותר לתקן בסקייל הבא. פער בתהליך אצל 30 עובדים - אדם אחד יכול לפתור בתוך שבוע. אותו פער אצל 150 עובדים כבר דורש פרויקט, תקציב ויישור קו בין בעלי עניין. אצל 1,000 עובדים זו כבר תוכנית טרנספורמציה יקרה.
עלות האבחון נשארת קבועה. זה כל ההיגיון הכלכלי של מניעה. לא כל בעיה דורשת AI. לפעמים התשובה היא תהליך, לפעמים אנשים, לפעמים ארכיטקטורה. האבחון מחליט - לא הברושור.
הסמכות ורקע
למי זה מתאים
למי זה לא מתאים
