כולם מטמיעים AI - אבל לא כולם מצליחים לייצר ערך
מדוע השלב הבא של מהפכת הבינה המלאכותית יוכרע בארגון, במדיניות ובתשתיות- ולא במודל?
הבינה המלאכותית כבר אינה טכנולוגיה ניסיונית. בארגונים גדולים היא נוכחת כמעט בכל מקום: בשיווק, בפיתוח, בשירות, בפיננסים ובתפעול. אלא שככל שה-AI הופך לנפוץ יותר, כך מתחדדת השאלה: מדוע ההשקעה האדירה, הציפיות הגבוהות והאימוץ הרחב לא תמיד מתכנסים לערך עסקי ברור ועקבי?
במובנים רבים, השלב הנוכחי של ה-AI מזכיר את שנותיה הראשונות של מהפכת הענן. גם אז ראינו נהירה מהירה, פיילוטים מרשימים ותקציבים נדיבים- אך פער לא קטן בין שימוש בטכנולוגיה לבין השפעה ממשית על השורה התחתונה. הנתונים מחזקים את ההשוואה הזו: בסקר עולמי של מקינזי, כ-88% מהחברות דיווחו שהן משתמשות ב-AI, אך רק כ-39% הצליחו להצביע על השפעה ברמת הארגון כולו, כולל על מדדים כמו EBIT. במילים אחרות, ה-AI נמצא בפעילות השוטפת - אך לא תמיד בליבת הערך העסקי.
הסיבה לכך אינה איכות המודלים. להפך, יכולות המודלים משתפרות בקצב מהיר מאי פעם. הבעיה המרכזית היא ארגונית. בארגונים גדולים, הנתונים מפוצלים בין מערכות, מחלקות וספקים. אותה ישות -לקוח, מוצר, חוזה או עובד- מוגדרת אחרת בכל מערכת. בסקרים בקרב מנהלי IT עולה כי בארגונים רבים הנתונים מפוזרים על פני יותר מ-50 אפליקציות שונות, ולעיתים נתוני הלקוחות עצמם מנוהלים במקביל בלמעלה מ-20 מערכות.
במציאות כזו אין “שפה משותפת” לנתונים, ואין מקור אמת אחד. התוצאה ברורה: גם מודל מצוין מתקשה להפוך ליכולת תפעולית יציבה שניתן להרחיב בקנה מידה ארגוני. במקום מנוע צמיחה, ה-AI נשאר לעיתים אוסף של פתרונות נקודתיים, חכמים, אך מנותקים זה מזה.
האתגר הזה מתעצם משמעותית כאשר ארגונים עוברים משימוש ב-AI ככלי לניתוח והפקת תובנות, לשימוש ב-AI כמנגנון פעולה. כאן נכנסים לתמונה Agents - מערכות אוטונומיות המבצעות פעולות, מקבלות החלטות ומשפיעות בפועל על תהליכים עסקיים. בשלב הזה, השאלה המרכזית כבר איננה “מה המודל יודע לעשות”, אלא “מי אחראי על ההחלטה” ו”מה מותר למערכת לעשות לבד”.
הנתונים כאן חושפים פער מדאיג. לפי מקינזי, רק כ-23% מהחברות הגדולות הצליחו להגיע לפריסה של Agents בקנה מידה רחב. EY מצאה שכ-72% מהארגונים כבר הטמיעו AI ביוזמות רוחביות, אך רק כשליש מהם בנו בפועל מנגנוני מדיניות, בקרה ואחריות שמותאמים לעולם של אוטונומיה. המשמעות היא שבארגונים רבים קיימת אוטומציה, אך ללא הגדרה מספקת של סמכויות, אחריות וגבולות. במצב כזה, ה-AI עלול להפוך ממנוע יעילות למקור סיכון: תפעולי, רגולטורי ואפילו תדמיתי.
ולכל אלה מתווסף ממד נוסף, שפחות זוכה לתשומת לב, אך משפיע ישירות על כלכלת ה-AI: התשתיות. קנה מידה בבינה מלאכותית אינו רק פונקציה של אלגוריתם, אלא גם של חישוב, אנרגיה וזמינות משאבים. בארצות הברית, דו״ח של Lawrence Berkeley National Laboratory מצביע על גידול של פי 20 בשימוש בשרתים מואצי-GPU ליישומי AI בין 2017 ל-2023. כדי להמחיש את המשמעות: שאילתה אחת ב-ChatGPT צורכת בערך פי 10 יותר חשמל מחיפוש רגיל בגוגל. זהו פער שמחייב חשיבה חדשה על תכנון, תיעדוף וניהול עומסים.
מנקודת מבט של משקיע הון סיכון, כל אלה מתכנסים לתובנה אחת ברורה: היתרון בשלב הבא של מהפכת ה-AI לא יגיע ממי שהיה הראשון לאמץ את הטכנולוגיה, אלא ממי שידע להפוך אותה ליכולת ארגונית שלמה. יכולת עם נתונים אחידים, מדיניות ברורה, אחריות מוגדרת ותפעול שמחזיק לאורך זמן ובקנה מידה גדול.
גם עבור האקוסיסטם הישראלי זו נקודת הכרעה; הסטארטאפים שיצליחו לאורך זמן לא יהיו אלה שמציגים דמו מרשים בלבד, אלא אלה שיודעים להשתלב עמוק בליבת העבודה הארגונית- כחלק אינטגרלי מהתהליך העסקי, עם אבטחה, מדיניות ופרוטוקולים מתאימים. בעולם שבו כולם משתמשים ב-AI, הערך האמיתי ייווצר אצל מי שיודע לגרום לו לעבוד באמת ולהניע יתרון עסקי תחרותי.
יודפת הראל בוכריס היא מנהלת ההשקעות בישראל, Blumberg Capital
