דוח חדש של IBM Institute for Business Value מגלה שרוב הארגונים משקיעים בבינה מלאכותית בלי לדעת באמת אם היא מייצרת ערך עסקי. 92% ממנהלי הנתונים הבכירים (CDO) אומרים שהם חייבים להיות ממוקדי תוצאות עסקיות כדי להצליח בתפקיד, אבל רק 29% מהם מדווחים שיש להם מדדים ברורים שמאפשרים למדוד את הערך של תוצאות מונעות נתונים. הסקר, שנערך בקרב 1,700 מנהלי נתונים ב-27 מדינות ו-19 תעשיות, חושף פער חריף בין השאיפה להשתמש ב-AI כדי לקדם את העסק לבין היכולת להוכיח שההשקעות האלה באמת משתלמות.
IBM Institute for Business Value, 2025 CDO Study
רוצים לקבל עדכונים בלייב? רוצים מקום בו אתם יכולים להתייעץ עם מומחי AI, לשאול שאלות ולקבל תשובות? רוצים לשמוע על מבצעים והטבות לכלי ה-AI שמשנים את העולם? הצטרפו לקהילות ה-AI שלנו.
אפשר גם להרשם לניוזלטר שלנו
הסיבה לפער הזה פשוטה. ברוב הארגונים מודדים את הטכנולוגיה במקום למדוד את השפעתה על העסק. עוקבים אחרי זמני תגובה, דיוק מודלים וכמות שאילתות, אבל הרבה פחות אחרי שאלות בסיסיות כמו: האם הלקוחות מרוצים יותר, האם העלויות יורדות, והאם השורה התחתונה באמת משתפרת.
הדוח מציג כאן סתירה חדה: 81% ממנהלי הנתונים אומרים שהם נותנים עדיפות להשקעות שמאיצות יכולות ויוזמות AI, אבל רק 26% בטוחים שהיכולות האלה באמת ביצירת מקורות הכנסה חדשים שמופעלים על ידי בינה מלאכותית. במילים אחרות, רוב הארגונים משקיעים בכוח במנוע, בלי לבדוק אם המכונית בכלל מתקדמת בכיוון הנכון.
מתוך זה הדוח גוזר עיקרון פשוט: אי אפשר למדוד החזר על השקעה ב-AI בלי תשתית נתונים ותהליכי מדידה שנבנו מראש בשביל זה. החברות שמצליחות לחבר בין הטכנולוגיה לערך העסקי עושות שני דברים בולטים – בונות צנרת נתונים אמינה וגמישה, והופכות את הידע התפעולי הייחודי שלהן לנכס תחרותי. במאמר הזה נתמקד בשני התחומים האלה.
בגרף הבא רואים את הפער הזה במספרים: 92% מהמנהלים אומרים שהם חייבים להיות ממוקדי תוצאות עסקיות כדי להצליח בתפקיד, אבל רק 29% מדווחים שיש להם מדדים ברורים שמאפשרים למדוד את הערך של תוצאות מונעות נתונים. זה כבר לא רק סיפור על טכנולוגיה מתקדמת, אלא על חוסר יכולת בסיסי לענות על השאלה “האם כל זה באמת שווה את הכסף”.
IBM Institute for Business Value, 2025 CDO Study
בינה מלאכותית מכפילה גם את הערך וגם את הסיכון. מודל AI שמוזן בנתונים לא נקיים או לא מדויקים לא רק שלא מייצר ערך, הוא גם מגדיל את הנזק. קחו למשל חברה שמנסה לחזות ביקוש ללקוחות. אם הנתונים שלה מלאים ברעש מהזמנות שבוטלו או כתובות לא מעודכנות, המודל יחזה ביקוש גבוה באזורים שהלקוחות כבר עזבו. התוצאה ברורה – מלאי שנשאר במחסנים, עלויות לוגיסטיקה מיותרות והחלטות שנראות “חכמות” על הדשבורד אבל שגויות בשטח.
החברות שמצליחות לייצר ערך מבינה מלאכותית מתחילות בבנייה של צנרת נתונים נקייה ומפוקחת. הן משקיעות קודם כל בניקוי מוקדם, מסירות רעש, מסננות מקורות בעייתיים וממפות מראש נקודות כשל אפשריות. אחר כך הן ממקדות את המאמץ במידע שנותן ערך ממשי, במקום לאסוף כל דבר שזז. הן מגדירות סטנדרטים ברורים לפורמטים, משתמשות בשפה אחידה בכל המערכות ומנסחות במדויק מה נחשב “נתון תקין”.
לפני שהנתונים מגיעים למודל, הן מריצות בקרת כניסה שתופסת חריגות ושגיאות. אחרי שהמודל עולה לאוויר, הן ממשיכות לנטר את הזרימה בזמן אמת, מזהות סטיות מוקדם ומאפשרות תיקון מהיר לפני שהטעויות מתגלגלות ללקוחות ולדו”חות. בלי התשתית הזו, בינה מלאכותית היא בעיקר כלי יקר שמייצר החלטות מרשימות במצגת ופוגעות בביצועים בשורה התחתונה.
חברת Medtronic, יצרנית ציוד רפואי גלובלית, התמודדה עם תהליך ידני ואיטי של התאמת חשבוניות, אישורי משלוח והזמנות רכש. הצוותים השקיעו עד 20 דקות בעיבוד חשבונית אחת, תהליך שגזל זמן יקר מעבודה אסטרטגית ופגע ביעילות התפעולית.
Medtronic הטמיעה פתרון מבוסס AI שמבצע קליטה אוטומטית של מסמכים והתאמה ביניהם. הפלטפורמה משתמשת בלמידת מכונה ובבינה מלאכותית ג׳נרטיבית כדי להתמודד עם פורמטים מורכבים, חותמות, סריקות באיכות ירודה ומבנים לא סטנדרטיים, ולסגור את כל ההתאמות בלי התערבות ידנית.
בתוך ארבעה שבועות בלבד הושלמה האוטומציה של תהליך התאמת המסמכים במחלקה אחת, כבסיס להתרחבות לשאר הארגון. זמן עיבוד החשבוניות ירד מ”עד 20 דקות” ל-8 שניות עם דיוק שעולה על 99 אחוז. התוצאה לא הייתה רק חיסכון דרמטי בזמן: השגיאות היקרות צומצמו, המערכת יכולה להתמודד עם נפחי מסמכים גדלים בלי להוסיף כוח אדם, והעובדים שוחררו להתמקד במשימות בעלות ערך גבוה יותר.
זו דוגמה קלאסית למה שהדוח של IBM מדגיש – כשיש צנרת נתונים מסודרת ומגדירים מראש מה מודדים, בינה מלאכותית היא כבר לא “פיילוט טכנולוגי” אלא תהליך עסקי חדש עם תוצאה ברורה שקל למדוד בזמן, כסף ודיוק.
הטכנולוגיה של בינה מלאכותית זמינה לכולם. המודלים, הפלטפורמות וה-APIs דומים מאוד בין ארגון לארגון. מה שלא זמין לכולם הוא הניסיון התפעולי הייחודי שכל ארגון צובר עם השנים. החברות שמובילות בתחום הן אלו שלא מסתפקות בידע הזה כ”ידע בראש של אנשים”, אלא הופכות אותו לנתונים, למערכות ולתהליכים שאי אפשר להעתיק בקלות.
זה לא ידע כללי על השוק או על טרנדים בטכנולוגיה, אלא ידע מאוד ספציפי – איך הלקוחות שלכם באמת מתנהגים, איפה התהליכים נשברים שוב ושוב, אילו פתרונות עבדו בשטח ואילו נכשלו, מה גורם לעיכובים, ואיזה ניואנסים קטנים גורמים ללקוח להישאר או לעזוב. זה החומר הגולמי שממנו בונים יתרון תחרותי אמיתי.
כדי להפוך את הידע הזה ליתרון עסקי צריך להתייחס אליו כמו אל נכס נתונים, לא רק כמו אל ניסיון. לתעד בזמן אמת מה עובד ומה לא, ולשתף את הצוות בתובנות במקום להשאיר אותן בשיחות מסדרון, לבנות תהליכים ברורים שניתנים לשחזור ולהגדלה, להפעיל מנועי החלטות אוטונומיים בנקודות קריטיות עם אפשרות להתערבות אנושית כשצריך, לפתח מנגנונים שמונעים טעויות ומפעילים התראות מוקדמות, כך שלא מחכים לבעיות גדולות אלא מזהים סימני אזהרה בזמן, ולשמור את כל הידע הזה במערכות נגישות שמאפשרות לשפר את התהליכים כל הזמן ולא להתחיל מאפס בכל פרויקט חדש.
הדוח של IBM מראה שהמיקוד הזה איננו רק יתרון תחרותי אלא גם סדר עדיפות מובהק: מנהלי הנתונים מציבים “מינוף נתונים ליתרון עסקי” במקום הראשון, ומולם מתמודדים עם אתגרים כמו תרבות מונעת נתונים וממשל נתונים אפקטיבי. התרשים הבא מציג את זה בצורה ברורה:
מה הכי חשוב למנהלי הנתונים – ומה מעכב אותם בדרך. IBM CDO Study
הגישה הזו מתאימה בדרך כלל לארגונים גדולים, לרוב עם מאות עד אלפי עובדים, שיש להם מחלקת IT ייעודית ובעלות ברורה על הנתונים. ארגונים כאלה מסוגלים להשקיע זמן ומשאבים בבנייה של תשתית נתונים, במדידה ובשינוי תהליכים לפני שהם רצים להציג תוצאות נוצצות. זה דורש סבלנות, משמעת וגישה שיטתית לעבודה עם נתונים, לא עוד פרויקט חדשני שמוצג במצגת ונשכח אחרי חצי שנה.
היא פחות מתאימה לחברות שמחפשות קיצור דרך או “קסם” טכנולוגי. בינה מלאכותית לא מתקנת תהליכים גרועים ולא מסדרת נתונים מבולגנים. היא רק מכפילה אותם. אם התהליכים בעייתיים והנתונים לא אמינים, AI יגרום להם להיות מהירים יותר, גדולים יותר וקשים יותר לתיקון.
המסקנה המעשית נשארת פשוטה – הנתונים שלכם הם הנכס הייחודי שלכם. אם לא מטפלים בהם ברצינות, שום מודל לא יציל אתכם. התחילו מבנייה של תשתית שמאפשרת מדידה אמיתית ותיעוד של ידע תפעולי. רק אחר כך תוסיפו שכבת בינה מלאכותית, ורק אז תוכלו גם להפיק ערך ממנה וגם לדעת כמה ערך באמת התקבל.
לסקרנים שרוצים לצלול לדוח המלא ואל כל המספרים, ההמלצות והדוגמאות, אפשר לקרוא אותו כאן.
רוצים לקבל עדכונים בלייב? רוצים מקום בו אתם יכולים להתייעץ עם מומחי AI, לשאול שאלות ולקבל תשובות? רוצים לשמוע על מבצעים והטבות לכלי ה-AI שמשנים את העולם? הצטרפו לקהילות ה-AI שלנו.
אפשר גם להרשם לניוזלטר שלנו
רוצים לקבל עדכונים על כל מה שחדש ומעניין בעולם ה-AI? הרשמו לניוזלטר שלנו!
תוצאות נוספות...
תוצאות נוספות...
