יישום יכולות AI ו Gen AI בארגוני האנטרפרייז המובילים במשק, מגמות לשנת 2024. תובנות מהפאנל המקצועי

מהפכת ה- AI וה-Gen AI משנה את הכללים בכל ענף ותחום עסקי, ולא בכדי ביל גייטס טען שמדובר במהפיכה הגדולה ביותר מאז האינטרנט. כחברה המלווה את מרבית ארגוני האנטרפרייז במגוון מגזרים במשק הישראלי, צברנו בשנה האחרונה ניסיון עשיר בפיצוח וזיקוק ה Use Cases העסקיים ליישום הטכנולוגיה, במטרה למקסם את הערך העסקי.

שמחנו והתכבדנו להתארח בוועידת הפסגה השנתית של אנשים ומחשבים, במסגרתה אירחנו פאנל מקצועי תחת הכותרת: יישומי AI ו Gen AI מתקדמים בארגוני האנטרפרייז המובילים במשק, ומגמות ל 2024.

בפאנל השתתפו מקבץ מדהים באיכותו של סמנכ"לים, מנהלות ומנהלים בכירים שהגיעו כדי לשתף בתובנות, בניסיון ובלקחים האישיים שלהם מיישום בפועל של Use Cases עסקיים בתחומים שונים בהם מנפו יכולות מתקדמות של AI ו Gen AI.

לבקשת הקהל, קיבצנו עבורכן.ם תובנות מרכזיות מתוך הפאנל.

אביתר פרץ, סגן בכיר לחשב הכללי – דאטה חדשנות ודיגיטל

"אימוץ טכנולוגית Gen AI בארגון הינו תהליך הדורש טרנספורמציה אמיתית בארגונים באופן כללי, ובמשרדי הממשלה במיוחד, שם לדעתי חייבים לאמץ גישה פרואקטיבית בנושא. כיום התחום הזה כולל בתוכו שני אתגרים מרכזיים: האתר המעשי של הטמעת הטכנולוגיה (שכוללת את איסוף הדאטה ובניית מודלים על בסיסו), בניית תרבות ארגונית המבינה את ההזדמנויות ושואפת להתנסות בה. הארגון כולו צריך לאמץ DNA שחי ונושם את הנתונים, למרות חסמים היסטוריים שמשרדי הממשלה מתאפיינים בהם. כדי שזה יקרה, הצד העסקי, זה שחי ונושם את השטח חייב להתקרב לעולמות הטכנולוגיים ולהכיר את היכולות וההזדמנויות השונות. האתגר השני, מהותו בעיקר בהיבט של חיבור בין Gen AI לבין המשרדים הממשלתיים, הוא תפיסת "האח הגדול":

ציבור נרחב חושש ממתן כלים מתקדמים שכאלו לגורמי שלטון מסיבות ברורות, בעיקר כשאין שקיפות מלאה. מצד שני, האזרח יכול להפיק ערך רב על ידי שילוב כלי AI במשרדי הממשלה השונים, כמובן שגם נדרשת רמת אבטחה גבוהה ובלתי מתפשרת. 

לגבי טיפים למנהלים אחרים שמתמודדים עם שאלות דומות סביב הטכנולוגיה והיישום העסקי שלה, אני מציע לזכור שצריך להפריד בין השימוש הפרטי והביתי בטכנולוגיה, לבין הצרכים, היכולות וגם רמת הסיכון שארגונים גדולים מתמודדים איתם בהיבטים שונים, בטח כשהם נתונים לרגולציה. אני סבור שחשוב מאוד לשאול מהרגע הראשון: איזה ערך אנחנו שואפים לייצר ? מה רוצים להשיג ? ולזכור שצמצום כוח אדם אינה המטרה, אלא לשפר יכולות ומתן ערך עסקי למשתמשי הקצה".

גיל טמיר, משנה למנכ"ל ומנהל אגף חדשנות וטכנולוגיה בקבוצת הפניקס

"הפניקס היא קבוצה פיננסית גדולה בשוק הישראלי, ובשנים האחרונות השקענו משאבים רבים ביוזמות הקשורות לעולם הדאטה. עולם הביטוח הוא עתיר נתונים, בהגדרה, לצד רמת יעילות שיש לה בוודאות היכן להשתפר. בשנים האחרונות אנחנו ממוקדים בסידור וארגון הדאטה, כדי לייצר תשתית טכנולוגית-עסקית, בין היתר כדי לשלב טכנולוגיות ויכולות Gen AI כדי להפיק ערך גבוה יותר לצד העסקי, ולשמחתי אנחנו חיים בעידן שבו זה גם מתאפשר בקצב מהיר.

בנינו לשם כך אסטרטגיה ארוכת טווח, עם תכנית עבודה מסודרת ברמת הרבעון, מה שמאפשר לנו לרוץ קדימה עם אג'נדה ברורה. מצד שני, חשוב להודות שהתחום נמצא עדיין בשלבי הניסוי והטעיה. גם בתוך הקבוצה יש אזורים שבהם הדברים זזים מהר יותר ואחרים שפחות, אבל לשמחתי כן יש ניסויים שהבשילו לכדי מוצרים שיושקו ממש בקרוב, והמטרה היא להמשיך ולרוץ מהר תוך שמירה על רמת אבטחת מידע גבוהה, כיאה לארגון פיננסי גדול ומוביל במשק.

כיוון שמדובר באירוע משמעותי שאנחנו רק בתחילתו, נדרשת מנהיגות ארגונית אמיתית, הובלה ודוגמא אישית, אחרת העניין בהזדמנות לא יחלחל פנימה. לגבי השאלה: האם היוזמות הטכנולוגיות הללו ממוקדות לקוחות קצה או משתמשים פנימיים, התשובה היא שזה לא באמת משנה. כי ברגע שהשירות פוגש משתמשים פנימיים ומצליח לשפר את התפוקה, את רמת הדיוק והמהירות שלהם, הרי שלקוח הקצה הוא הראשון ליהנות מכך. באופן כללי, אנחנו שואפים ליוזמות שיביאו לשינוי עסקי אמיתי, שמזיזים את המחט, לא מהלכים קטנים".

נעמי ישראלי, סמנכ"לית החטיבה הטכנולוגית, רפאל

"אם יש משהו שתקופת המלחמה והמשבר הנוכחי מלמדים אותנו, זו החשיבות האדירה שיש למינוף של דאטה איכותי, מהיר ובזמן אמת. לאור אופי העבודה והתעשיה (תעשיה בטחונית), אנחנו לא יכולים לקלוט כמות גדולה של עובדות ועובדים מיומנים בטווח הקצר, לכן בשיתוף שטראוס אסטרטגיה עברנו ביחידת ה IT לתפיסה מוצרית, עם מנהלי מוצר שעובדים ישירות עם הצדדים העסקיים, כמו למשל בעולם של ניהול שרשרת האספקה, ומגדירים יחד איתם את הדרישות והצרכים המדויקים.

הקמנו גם מחלקת דאטה ו Gen AI, וגם מולם הצרכים העסקיים מגיעים מהשטח בערוץ תקשורת ישיר, במטרה לבחון הזדמנויות למינוף הדאטה וטכנולוגיות Gen AI כדי לשפר ולייעל תהליכים. כך למשל, הצלחנו לקצר את זמני האספקה, תהליכים שבהגדרה הינם מורכבים מאוד. השימוש בדאטה וב Gen AI מאפשר להנגיש ללקוחות הקצה את המידע שהם זקוקים לו מבלי לעצור או להאט את התהליכים. כבר היום אנחנו מזהים אזורים נוספים שבהם ניתן לשפר תהליכים בעזרת הטכנולוגיה.

לגבי שאלת החזר ההשקעה (ROI) של יישום הטכנולוגיה הזו, זו נקודה כואבת, ללא ספק. יש אצלנו בדיקת ROI כתפיסה אבל לצד אזורים שבהם קל יחסית למדוד את ההשפעה (כמו משל בכל שרשרת האספקה), מנגד ישנם אזורים אחרים כמו למשל בפיתוח, שבהם התרומה של הטכנולוגיה מורגשת אבל קשה עדיין לכמת. בכל מקרה, הארגון קיבל החלטה ברורה: להמשיך ולהשקיע בחיפושים אחר אזורים עסקיים שבהם להשקעה תהיה השפעה חיובית ברורה.

יחד עם זאת, לא בכל מחיר: לצד ההזדמנויות הרבות שהטכנולוגיה מייצרת, והחשיבות שבניסוי וטעיה כדי ללמוד, אנחנו מבינים שלא תמיד הטכנולוגיה מספקת מענה שמייצר את הערך לו ציפינו, וזה בסדר. כחלק מהלמידה אנחנו מדייקים כל הזמן את האזורים שבהם התרומה והערך הם משמעותיים ביותר ומתמשכים".

קובי כץ, סמנכ"ל וראש חטיבת הטכנולוגיות, מכבי שירותי בריאות

"ענף הבריאות הוא ענף שבהגדרה הוא עשיר בדאטה. אנחנו כקבוצת מכבי, משלבים דאטה ממספר פעילויות ומקורות, והתחלנו כאסטרטגיה למנף את הדאטה כדי לייצר ערך עסקי וצרכני אמיתי, ומשקיעים את המשאבים כדי להשיג זאת. אנחנו בונים Data Lake שיאפשר לבצע מחקר על בסיס ניתוח ומינוף הדאטה, כדי לייצר על בסיסה תובנות רוחביות על התהליכים השונים. בנוסף, למכבי יש מכון מחקר שמאפשר לסטארטאפים וגופים נוספים לחבור אליו ולייצר מוצרים על בסיס הדאטה שרכזנו.

תחום נוסף שנהנה ממינוף הדאטה: השירות ללקוח, למשל, אנחנו ממנפים מודלים של Gen AI הן לטובת הצוותים הרפואיים, כדי שאלו יוכלו לקבל המלצות ונתונים ממגוון רחב של מקורות, וגם למנף את הדאטה העשירה וכלי Gen AI כדי לחזק את יכולת המניעה המוקדמת, הפרואקטיבית, אצל מטופלים, כדי למנוע מראש צריכת שירותים רפואיים".

"אנחנו במכבי עוסקים ב Gen AI כבר כחצי שנה, ומחפשים לבנות את "המכונה" שתוכל לייצר ולאפשר Use Cases מגוונים בתוך הקבוצה. בדומה להרבה תחומים אחרים, לרוב מגלים את האתגרים האמיתיים תוך כדי תהליך ההתעמקות במשמעויות ובעשיה בפועל, לכן אפשר ומומלץ למשל לחבור לחברות הטכנולוגיה השונות, אלו שמצד אחד יכולות לשמש כשותף עסקי-טכנולוגי שיוכל לסייע באתגר היישום, וכמובן להנות מהידע והניסיון שיש להם מול ארגונים אחרים ובתחומים אחרים. האסטרטגיה שלנו בעולם הזה היא Multi Cloud מתוך הכוונה ליהנות מיכולות ה AI המתקדמות של 2 ספקי ענן מובילים לפחות, כאמור לטובת בניית המכונה שתאפשר הרצת על IO של Use Case עסקי, בין שמדובר בעולם פונה לקוחות ובין שמדובר בעולמות המצוינות התפעולית, ב Back Office". 

ליאור ג'ורג'י, סמנכ"ל חטיבת טכנולוגיות המידע, בנק ישראל

"אנחנו משלבים טכנולוגיות ויכולות Gen AI ברבדים שונים בארגון: החל מהשקעה בהון האנושי: הדרכות ועידוד שימוש בכלים השונים במטרה לשדרג ולייעל את המשימות הפרטניות, תוך גיוס כוח אדם מקצועי שיחזק את המערך הקיים. בנוסף, הקמנו פורום חוצה ארגון המהווה פלטפורמה לשיתוף רעיונות, יוזמות ומידע לגבי ההזדמנויות הרלוונטיות ביותר שבהן נוכל להטמיע ולרתום את הטכנולוגיה". יחד עם שטראוס הובלנו תכנית X-Labs in a Box במסגרת צוותים מולטי דיסציפילנריים של מנהלים ממגוון חטיבות בבנק יצרו 3 מיזמים עסקיים מבוססי Gen AI עבורם נבנתה תכנית עסקית ויישומית פרקטית בהתבסס על כלים ושיטות מעולם חברות המוצר המובילית. זה אפשר לנו לבנות מיזם מתקדם סביב פעילות ניהול המזומנים (Cash IO), כמו כן פיתחו דש בורדים שמאפשרים לצדדים העסקיים לחזות את הביקוש למזומנים ולהגיב בזמן אמת בהתאם (כולל מודלים של תחזיות ריבית, למשל), וגם מאגר דאטה עליו רצים מודלים שמאפשרים לתחקר ולתשאל בקצב מהיר ביותר".

רוני ליכטנשטיין-שני, סמנכ"לית  One Zero

לפני כחודש הצטרפנו למספר מצומצם ביותר (3) בנקים גדולים שהיו הראשונים להטמיע צ'אט בוט חכם מבוסס Gen AI, לטובת לקוחות הבנק. שיתוף הפעולה עם AI21 LABS מאפשר ללקוחות לקבל מענה זמין ומהיר באמצעות הבוט, וזאת לאחר שגילינו שכ 60% מהפניות למוקד השירות יכולות לקבל מענה אפקטיבי דרך הבוט. מבחינת המדדים העסקיים: ראינו ירידה חדה בפניה לקבלת מענה אנושי, לצד עליה ברמת שביעות הרצון של הלקוחות. הסטה משמעותית לדיגיטל. מדד חשוב נוסף: צמצום טווח הטעות האנושית, תפיסה שמגיעה ישירות מאמנון שעשוע (תפיסה המושרשת בבסיס חברת מובילאיי, שם צמצום טווח הטעות היא קריטית ברמת חיי האדם). המטרה היא שהטכנולוגיה תצמצם לאפס את טווח הטעות האנושית בבנק.

עם הפנים קדימה, המגמות או האזורים שכדאי לשים אליהם לב נוגעות בעיקר לכך שארגונים חייבים לעשות הרבה יותר אימוני כוח, לגדל שרירים בעולמות האלה. ממחקר של הארוורד עולה שכ 72% מההון האנושי בארגונים פיננסיים יהפכו ללא רלוונטיים בשנים הקרובות, הודות ל Gen AI. כמנהלת ה HR של הבנק, אני משלבת גם בתחום זה טכנולוגיות Gen AI, למשל: כבר בשלב הגיוס, נעשה שימוש ב Chat GPT כדי לשפר ולדייק תיאורי משרה (מה שהיה לוקח ימים לוקח כעת שניות בודדות), דרך סריקה ועיבוד ל מסמכי קורות חיים כדי לקצר זמנים ולאתר את המועמדים המתאימים ביותר למשרות ספציפיות.

אנחנו יודעים גם לשלב Gen AI בתהליכי המשוב של עובדים: מניתוח הדאטה המובנית למשל ביצועים יבשים, ועד שילוב מידע רך, הטכנולוגיה יודעת להמליץ על צרכי העובד אל מול הארגון בצורה מותאמת יותר.

עם הפנים קדימה, המגמות או האזורים שכדאי לשים אליהם לב נוגעות בעיקר לכך שארגונים חייבים לעשות הרבה יותר אימוני כוח, לגדל שרירים בעולמות האלה. ממחקר של הארוורד עולה שכ 72% מההון האנושי בארגונים פיננסיים יהפכו ללא רלוונטיים בשנים הקרובות, הודות ל Gen AI. כמנהלת ה HR של הבנק, אני משלבת גם בתחום זה טכנולוגיות Gen AI, למשל: כבר בשלב הגיוס, נעשה שימוש ב Chat GPT כדי לשפר ולדייק תיאורי משרה (מה שהיה לוקח ימים לוקח כעת שניות בודדות), דרך סריקה ועיבוד ל מסמכי קורות חיים כדי לקצר זמנים ולאתר את המועמדים המתאימים ביותר למשרות ספציפיות.

אנחנו יודעים גם לשלב Gen AI בתהליכי המשוב של עובדים: מניתוח הדאטה המובנית למשל ביצועים יבשים, ועד שילוב מידע רך, הטכנולוגיה יודעת להמליץ על צרכי העובד אל מול הארגון בצורה מותאמת יותר.

בסופו של יום, זו האחריות של הארגון לשלב את הכלים והטכנולוגיות וגם לעודד את העובדים להתנסות ולהשתמש בהם. אם רוצים שינוי תרבותי אמיתי, חשוב לאפשר לעובדים להתנסות בטכנולוגיה, מה שיעצים אותם וכמובן את הארגון כולו."

נעמה פרי כהן, מנהלת אגף טכנולוגיות, דיגיטל וחדשנות, חטיבת המרכזים הרפואיים הממשלתיים

"יש לנו ניסיון משמעותי בעולם של בינה מלאכותית יוצרת והבנו מאוד מהר את החשיבות האדירה שיש באימון המודלים והתאמתם לעולם התוכן והמושגים של הארגון, במיוחד כשמדובר בעולם הרפואה, ובטח כדי לאפשר לצוותים הרפואיים להסתמך על הכלים הללו. בנוסף, כגוף שמרכז דאטה של כ 25 בתי חולים ומוסדות רפואיים מובילים בישראל, המודל שהטמענו שמנתח את הדאטה מותאם לעולם הרפואי, וככזה יכול לספק תמונה רחבה מאוד עבור המשתמשים שמעוניינים בתובנות ונתונים שמגיעים ממגוון רחב של מקורות במטרה לחזק את האמינות שלהן. 

בנקודה הזו משתלבת גם הארכיטקטורה שתכננו והתאמנו, שהופכת לקריטית כשרוצים לשלב טכנולוגיות כגון Gen AI. חשוב לזכור שכדאי להתחיל בצעדים קטנים ומדודים, לא לרוץ ולבנות "חלליות", אלא להתחיל מקטן, למשל לוודא את איכות ותקינות הדאטה, לוודא שהיא אמינה, ולוודא שיש מנגנוני אבטחה אנושיים – הכוונה לבקרות אנושיות שיודעות לבקר ולתקף את התוצרים של ה Gen AI."

אסף שיפ, CTO שטראוס אסטרטגיה

הבנו שכחברה המייעצת ומלווה ארגונים גדולים, כשמדובר ב Gen AI אנחנו חייבים להטמיע את התרבות וההבנה המקצועית בתוך החברה, לכן בנינו Task Force פנימי שיעסוק בתחום בצורה עמוקה ורצינית. יש לנו כיום כ 100 יועצות ויועצים מקצועיים שמתנסים בעצמכם בשלל כלים וטכנולוגיות, בנוסף לניסיון הקריטי שנלמד בכל פרויקט שנעשה בכל תחום עסקי. ב"רוח המלחמה" אנחנו שואפים לחתור למגע, במובן של אימוץ גישה פרואקטיבית במטרה לחבר את הצד העסקי לטכנולוגי בשלבים מוקדמים של כל פרויקט ועבודה משותפת.

לרוב, הארגונים אינם מכירים את מגוון הפתרונות, האפשרויות וההזדמנויות שזמינות שם בחוץ, ודווקא בגלל זה אנחנו מאמינים שחשוב להתחיל ממיפוי הצרכים העסקיים ואז אליהם לחבר פתרונות טכנולוגיים נכונים.

בנוסף, חשוב להבין שמדובר בהשקעה, לרוב יקרה. העובדה הזו משפיעה על תהליך קבלת ההחלטות שכל ארגון נדרש אליו כשהוא בוחן היכן להתנסות במסגרת הטכנולוגיה.

שתי דוגמאות למהלכים שביצענו עם לקוחות: הראשונה: חברת הייטק שמייצרת הרבה מסכי נתונים, עזרנו להם לשלב Gen AI שמייצר אוטומציה בתהליך, מה שחוסך להם זמן פיתוח יקר ורב, מקצר את הזמנים באופן דרמטי, Figma to React.

דוגמה נוספת הקשורה לעולם ה OCR. בעיקר בתחום הפיננסי אבל לא רק, כל מי שהתנסה בזה מכיר את העובדה שהטכנולוגיה לא מדויקת ב 100%, מה שמייצר צורך לניהול ובקרה אנושיים למסמכים שמתקבלים. בשילוב Gen AI שיפרנו פלאים את איכות הסריקות שהתקבלו, בין היתר על ידי "לימוד" עולם התוכן והקונטקסט העסקי, כדי לאפשר ל Gen AI לשפר את יכולת הזיהוי של הדאטה.

נשמח לבחון חיבור של הצוות המקצועי של שטראוס אסטרטגיה אל ההנהלה או הגורם העסקי שלכם.

עוד כתבות עבורך

מעבר למספרים | האמנות והמדע של מדידת ערך בבינה מלאכותית

בעולם העסקי של 2026, השאלה היא כבר לא האם להשקיע בבינה מלאכותית אלא כיצד להוכיח שההשקעה הזו אכן משתלמת. בעוד שהציפייה הארגונית היא לראות החזר השקעה מהיר, המציאות מציבה אתגר מורכב: 74% מיוזמות ה-AI בארגונים מתרסקות בשלב הפיילוט ואינן מבשילות לכדי ייצור. התופעה הזו – "בית הקברות של הפיילוטים", איננה נובעת מאתגרים טכנולוגיים אלא ניהוליים ותרבותיים, היעדר מסגרת עסקית מובנית.  

 

פרדוקס הערך | למה 60% מהארגונים נשארים מאחור? 

הנתונים העדכניים חושפים תמונה מורכבת: 60% מהארגונים נמצאים כיום בפיגור ללא החזר משמעותי, על אף השקעות עתק. רק קבוצה מצומצמת של 5% מהחברות בעולם מצליחה להמיר בהצלחה פרויקטים של AI לערך משמעותי בשורה התחתונה.  

ללא מודל מדידה קפדני, הארגון חשוף לסיכון של הקצאת הון שגויה. מנגד, ארגונים המאמצים מתודולוגיית מדידה אדפטיבית מדווחים על החזר השקעה גבוה פי 1.3 עד 3.5 על השקעתם. המפתח להצלחה טמון ביכולת לכמת במדויק את האימפקט הפיננסי כבר ברמת היוזמה הבודדת.  

 

המתודולוגיה | מדידה המבוססת על זמן אמת ואימות 

כדי לנהל את המסע הזה בצורה מושכלת, עלינו להפריד בין שני עולמות של מדדי ביצוע (KPIs): 

  • מדדים מובילים (Leading KPIs): אלו מדדים הנמדדים בזמן אמת. הם מתפקדים כ "שעון חול" המאפשר ניהול, בקרת סטייה ותיקון מסלול לפני שהתקציב אוזל. דוגמאות לכך כוללות את אחוז אימוץ הקוד על ידי מפתחים או את רמת הדיוק של המודל בחיזוי לידים. בזירת הנדסת התוכנה (Engineering), מדדים אלו חיוניים במיוחד: אנו רואים קיצור של כ 45% בזמן מחזור ה PR בארגונים המטמיעים כלי AI בצורה נכונה.  
  • מדדים מאמתים (Lagging KPIs): אלו מדדי "המראה האחורית" המתקבלים לאחר תקופה של שימוש רצוף (לעיתים 9-12 חודשים). הם משמשים לאימות ה ROI הפיננסי ולהצדקת המשך התקצוב של הפרויקט.  

העיקרון הניהולי הוא שהתמקדות מוקדמת במדדים המובילים היא זו שמבטיחה את שורת הרווח המיוחלת בסוף התהליך.  

 

"המס" של הבינה המלאכותית | השחיקה שחובה להכיר 

מדידה נכונה חייבת לשקלל גם את העלויות הנלוות שאינן תמיד גלויות לעין ביום הראשון. אנו קוראים לזה "המס של AI". עד היום בוצעו מחקרים ראשוניים בלבד ואלו מראים על 

  • חוב טכני מצטבר: הצבירה של חוב טכני ביוזמות AI מהירה עד פי 8 לעומת פיתוח מסורתי.  
  • עלויות תחזוקה: עלות התחזוקה השנתית של מודלים נעה בין 30% ל 45%, זאת בהשוואה ל 15% עד 25% במערכות רגילות.  

 

מה עושים מחר בבוקר? | חמשת עקרונות היסוד 

כדי לעבור למדידה המבוססת על ערך שקוף ומדיד, עלינו לאמץ חמישה צעדים קריטיים: 

  • הגדרת הבעיה העסקית: ודאו שכל השקעה מגובה במדד תפעולי קיים שניתן לשיפור כמו עלות, מהירות או איכות.  
  • קביעת קווי בסיס (Baselines): לעולם אל תשיקו פרויקט AI ללא תיעוד מדויק של ביצועי הארגון טרום ההשקה. ללא מדידת קו הבסיס ביום אפס, כל דיווח על שיפור הוא חסר משמעות. ה– Baseline הוא למעשה תשתית למשילות (Governance) המאפשרת להנהלה לקבל החלטות מבוססות נתונים לגבי הרחבת ההשקעה או עצירתה.  
  • הפרדת המדדים: עקבו אחר מדדי אימוץ ושימוש בטווח הקצר, ומדדי רווח והפסד בטווח הארוך.  
  • ראייה רב ממדית: שקללו ערך אסטרטגי, ניהול סיכונים ושיפור חוויית עובד או לקוח לתוך נוסחת ה– ROI המורחבת שלכם.  
  • התרחבות מבוססת נתונים: התחילו בפיילוטים מבוקרים והרחיבו השקעות רק ליוזמות שהוכיחו ערך מדיד במורד "מפל הערך".  

 

גיבוש מודל מדידה מובנה הוא תנאי הכרחי למעבר ממרכז עלויות למנוע ערך שקוף. ארגונים המיישמים מנגנון מדידה ומשילות רציף נהנים מרמת ביטחון גבוהה פי 5.2 בהקצאת הון נוסף לבינה מלאכותית.  

 

המומחיות שלנו בשטראוס אסטרטגיה היא בדיוק כאן: בבניית המודלים האדפטיביים שיבטיחו שכל פרויקט AI בארגון שלכם ינוהל עם עין אחת על המדדים המובילים ועין שנייה על השורה התחתונה.  

גיל רבינוביץ, מוביל מקצועי תחום מערכות מידע, שטראוס אסטרטגיה. 

דברו איתי > gil.r@s-strategy.com 

 

מ"שומר סף" ל"מאפשר": המהפכה האסטרטגית של עולם ה- Vibe Coding

בשיח פתוח שקיימנו לאחרונה עם מנהלים ומנהלות בכירים ברמת C-Level צללנו לעומק האתגרים המורכבים שארגוני Enterprise פוגשים בעידן ה-AI. המציאות כיום מציבה ארגונים רבים בצומת דרכים טקטוני שבו פיתוח Vibe Coding על ידי עובדים שאינם מפתחים אינו רק "טרנד טכנולוגי", אלא שינוי אסטרטגי מהותי שמשנה את מאזן הכוחות בין ה-IT לשאר חלקי הארגון.

תפקיד יחידת מערכות המידע עובר טרנספורמציה ממצב של "שומר סף" החוסם יוזמות, למצב של "מאפשר" (Enabler) – גוף המגדיר פלטפורמה, ממשל (Governance) ותשתית, ומעניק ליחידות העסקיות את הכוח לבנות בעצמן.

ארגונים שיבחרו להתעלם מהמגמה הזו יתעוררו למציאות של אלפי אפליקציות "פיראטיות" ללא ניהול. מנגד, אלו שינהלו זאת נכון יהפכו לארגונים גמישים ומהירים לאין שיעור.

 

שלושת מנועי השינוי האסטרטגי

מדוע ה-Vibe Coding הוא אירוע שאי אפשר להתעלם ממנו? לפי המומחים שלנו, קיימים שלושה מנועים מרכזיים:

  1. דמוקרטיזציה של הפיתוח: הכוונה (Intent) הופכת לכלי. יחידות עסקיות יכולות לבנות פתרונות בעצמן ללא תלות מלאה ב-IT.
  2. האצה דרמטית (Speed): מחזור פיתוח שנמשך בעבר חודשים ארוכים הופך כמעט לאפסי. Vibe Coding מייצר תוכנה בזמן קצר בהרבה מהמקובל.
  3. שינוי תפיסתי ב-IT: המעבר הוא מ"מתרגמים של צרכים עסקיים" לבעלי פלטפורמות המאפשרות לארגון כולו ליצור ערך.

 

המודל התלת-שכבתי: איך מסווגים את "השדים הדיגיטליים"?

אחת השאלות המורכבות היא מה עושים עם אפליקציה שנבנתה "בסוף השבוע" על ידי גורם עסקי. התשובה אינה לפסול, אלא לסווג. הפרוטוטייפ העסקי הוא Spec (אפיון) טוב יותר מכל מסמך PDF, אך הוא דורש מסגרת משילות ברורה:

רמההגדרהאחריות
רמה 1: מאקרו אישיכלי אישי לעובד, ללא ערך ארגוני רוחבינשאר אצל העובד. IT אינו מעורב
רמה 2: מחלקתימערכת המשרתת יחידה עסקית ספציפיתה-IT מספק תשתית, API ואבטחה. הביזנס הוא ה-Owner
רמה 3: ארגוני (Enterprise)מערכת ליבה עם השלכות חוצות ארגוןה-IT לוקח Ownership מלא על המערכת

 

ארבעת אזורי הנחיתה האידיאליים לתחילת העבודה

היכן הכי נכון להתחיל את מסע ה-Vibe Coding בארגון?

בשטראוס אסטרטגיה אפיינו ארבעה תחומים בעלי פוטנציאל ערך גבוה וסיכון נמוך:

  • פיננסים: אוטומציה של עבודות רוטיניות המתבצעות כיום באקסלים ידניים. ניתן להגיע לחיסכון של 30 עד 40 שעות עבודה בשבוע ליחידה.
  • משאבי אנוש (HR): תחום שלרוב נמצא בתחתית סדר העדיפויות של ה-IT. יישומים כמו סינון קורות חיים ותהליכי גיוס יכולים להשתדרג דרמטית.
  • ניהול ידע (Knowledge): תהליכי Onboarding לעובדים חדשים, צ'קליסטים ובדיקות מובנות.
  • יזמות וחדשנות: בניית פרויקטים מהירים על בסיס Mock Data כדי להוכיח היתכנות בעלות אפסית.

 

Governance: הארכיטקטורה כעוגן של יציבות

ארכיטקטורה היא המרכיב הקריטי ביותר מהשנייה הראשונה. ללא ארכיטקטורה נכונה, הארגון הולך למסלול של תיקונים יקרים בעתיד. כדי לשלוט בגל החדש, חובה ליישם מספר שכבות הגנה:

  • API מאובטחים: חשיפת Read Only בלבד בשלב הראשון למניעת כתיבה לא מבוקרת למערכות הליבה.
  • סיווג דאטה: הגדרה ברורה של מה מותר לשימוש (ירוק), מה מוגבל (צהוב) ומה אסור לחלוטין (אדום).
  • סריקות אבטחה חובה: נתון מרתק מראה כי קוד שנוצר על ידי AI מועד ב-25% יותר לחולשות אבטחה לעומת קוד אנושי, ולכן סריקה אוטומטית היא תנאי סף.
  • מדד ה-Time to Switch: הארכיטקטורה חייבת לאפשר מעבר מהיר בין כלי AI שונים (למשל מ-Gemini ל-Claude) כדי למנוע נעילה טכנולוגית.

 

מה עושים מחר בבוקר? תוכנית פעולה למנהלים

הצלחה בעולם ה-Vibe Coding דורשת שילוב בין תשתית טכנולוגית לבניית אמון ארגוני:

  1. הקמת Sandbox ארגוני: בניית "מגרש משחקים" מבוקר עם זהות ארגונית מנוהלת (SSO) וגישה מוגבלת לנתונים.
  2. הצמחת שגרירים (Ambassadors): זיהוי העובדים שכבר בונים כלים "פיראטיים", והצמדת מפתח IT אליהם למשך 3 חודשים כדי להפוך אותם לשגרירים של פיתוח מבוקר.
  3. הטמעת Audit Log עסקי: לא לוותר על מדידה! יש לנטר כל שלב בכל אפליקציה כדי להבין את מסע הלקוח (Customer Journey) ואת הערך העסקי שנוצר.

 

לסיכום, Vibe Coding הוא כבר לא אופציה – הוא המציאות בארגון שלכם, בין אם אישרתם זאת ובין אם לא. הדרך הנכונה היא להוביל את המגמה, להגדיר את גבולות הגזרה ולהפוך את העובדים לשותפים אקטיביים בתהליך הדיגיטציה, תוך שמירה הדוקה על ביטחון המידע והארכיטקטורה הארגונית.

משתמשים בסוכני AI בשביל לכתוב קוד? יש סיבה שזה לא עובד לכם

בניגוד לפנטזיה הרווחת, גם כלי הAI הכי חזקים יתקעו אתכם עם ערימות של קוד בינוני שפשוט נכתב מהר יותר. כדי להטמיע AI-Driven SDLC אמיתי, אתם חייבים לשחרר כמה הרגלים ישנים

בואו נדבר רגע על הפיל שבחדר. קניתם לכל הארגון GitHub Copilot ,Amazon Q ,Antigravity ,Cursor או Claude Code, ואולי אפילו שלחתם את הצוות לסדנת Prompting. ההנהלה ציפתה לראות גרף תפוקה שיזכיר את מניית אנבידיה, אבל בפועל קיבלתם קוד בינוני שנכתב מהר יותר, וערימות של Pull Requests שאף אחד לא מספיק לבדוק.

מפתה לחשוב שזה כישלון של ה-AI, אבל זאת למעשה טעות בהגדרת הבעיה: לקחתם ארגון שרגיל לנסוע בכרכרה וסוסים, והרכבתם לו מנוע סילון. הבעיה שלכם היא לא טכנולוגית – היא אנושית ותהליכית.

פיתוח מוצר מעולם לא הסתכם בכתיבת קוד, וארגונים שמודדים השפעה רק בלולאת ה-IDE מפספסים את התמונה הגדולה. צווארי הבקבוק האמיתיים נוצרים מוקדם הרבה יותר – בשלבי ה-ideation, דיסקברי, תכנון, ניתוח הדרישות ומאוחר יותר בבדיקות, Governance, תשתיות ובעצם בכל נקודה של קבלת החלטות. וכאן מתחיל השינוי האמיתי.

הקסם האמיתי לא מתרחש מול המסך, אלא בחדר

הרעיון שצריך להוביל ארגונים הוא ש-AI-Driven SDLC אינו כלי למפתחים, אלא מודל הפעלה לכל מחזור החיים. ארגון שמפתח מוצרים – תוכנה או חומרה – צריך להפעיל כלי AI כבר בשלבים מוקדמים:

  • ניתוח שוק, מיפוי מתחרים וביצוע Benchmarking
  • Product Owners – עבודה עם מודלים במטרה לחדד ערך עסקי
  • אנליסטים – בניית סימולציות
  • QA – תכנון בדיקות עוד לפני שנכתבה שורת קוד אחת

כל זה קורה בתוך Human Feedback Loop – כלומר, לא מדובר באוטומציה עיוורת, אלא בדיאלוג מתמשך שבו כלי ה-AI מובילים ומתקדמים והאדם מכוון, מאתגר ומדייק.

זאת נקודה קריטית שחשוב להתעכב עליה: הקסם האמיתי לא מתרחש מול המסך, אלא בחדר. בארגונים מובילים, צוותים מולטי-דיסציפלינריים יושבים יחד – מוצר, פיתוח, QA, ארכיטקטורה – ומנהלים סשנים  מתמשכים, כאשר ה-AI מוביל. זה סוג של Mob Engineering מודרני – במקום שבועות של פינג-פונג ארגוני וזמני המתנה ארוכים, מפרקים בעיה, בוחנים כיוונים ומגבשים Spec מדויק תוך שעות.

זו לא האצה טכנולוגית – זו האצה תרבותית ואנושית. לכן, ארגונים לא צריכים AI טוב יותר, אלא עליהם לגבש ולבנות תהליכי עבודה שמאפשרים לכלים אלו להשפיע.

מפתחים כבר לא נמדדים על פי מספר שורות הקוד שכתבו. אז מה כן?

השינוי הזה משפיע עמוקות גם על צוותי הפיתוח. זה לא הפחד מ"הרובוט שיחליף אותי", אלא משבר עמוק יותר. במשך עשור, מפתחים נמדדו ביכולת שלהם לזכור syntax, לכתוב אלגוריתם מיון יעיל או לדבג Race Condition ב-Java. אבל פתאום המיומנויות האלה שוות הרבה פחות. הגבינה לא סתם זזה, היא עברה לשרתים של Anthropic.

אלא שהשינוי באנטרפרייז לא קורה כשנותנים למפתח כלי שמשלים לו שורת קוד או פונקציה, אלא כשמחליפים את יחידת העבודה הבסיסית. בעולם הישן (2024), המפתח היה בנאי – הוא הניח לבנה על לבנה. אבל בעולם ה-AI-Driven SDLC של 2026, המפתח הוא ארכיטקט ערים: הוא לא שואל איך נראה הבניין, אלא איך אנשים, דאטה ושירותים נעים ופועלים ביניהם. הוא מחליט איפה עוברות התשתיות, מזהה היכן נוצרים צווארי בקבוק ומתכנן כיצד המערכת תתפקד בעוד כמה שנים.

באותו אופן, מפתח בעידן ה-AI כבר לא נמדד על פי מספר שורות הקוד שכתב, אלא באופן שהוא מגדיר גבולות, מנסח Specs, מנהל Tradeoffs ומתפעל מערך של סוכנים שמממשים עבורו את המערכת.

כלומר, הקוד הוא כבר לא התוצר המרכזי, אלא התכנון. ה-Spec הופך למרכז הכובד. במקום לכתוב קוד, אנחנו מפתחים הגדרה מדויקת של הבעיה, ורק כאשר ה-Spec בשל – ה-AI מבצע. זה היפוך סדר הפעולות הקלאסי והוא מפחית אי-ודאות בצורה דרמטית.

קוד ריוויו של יומייםשלושה? נו באמת

האתגר הגדול ביותר של ארגונים במעבר ל-AI-Driven SDLC הוא לא Legacy Code, אלא Legacy Thinking. ראיתי ראשי צוותים שזורקים לפח קוד מעולה שה-AI יצר, רק כי "זה לא איך שאני הייתי כותב את זה". הטרנספורמציה דורשת ענווה והבנה שלפעמים הג'וניור הדיגיטלי שלכם מכיר שיטות שאתם עדיין לא שמעתם עליהן.

ארגונים עדיין בנויים סביב הפרדות, המתנות וטקסים שנועדו להתמודד עם מגבלות אנושיות: code review של יומיים-שלושה כי "צריך עיניים אנושיות", handoffs בין צוותים כי "אף אחד לא מבין הכל", gates של קומפליינס שמאטים הכל כי פעם זה היה הכרחי. אבל כשה-AI מוביל את התהליך, זמני ההמתנה האלה הופכים לבזבוז. נתקלתי בצוות פיתוח שקיצר review time מ-48 שעות לשעתיים כי ה-AI כבר בדק style ,security, קומפליינס ו-unit tests לפני שה-PR בכלל נפתח. הם לא ביטלו את ה-review האנושי, אלא הפכו אותו לשלב משמעותי יותר.

הכלים החדשים לא מבטלים אנשים, להיפך – הם מעלים אותם רמה: במקום לקודד ולתקן באגים שגרתיים, הצוותים הופכים למחליטים שמגדירים את הכיוונים, בוחרים בין אופציות שה-AI מייצר ומבטיחים שהכל יתיישב עם היעדים העסקיים. במקום אנשי ביצועי שמיישמים spec, הם הופכים למכוונים שמנצחים על תזמורת של סוכנים.

איך להטמיע AI-Driven SDLC בצורה נכונה

  1. הטמעה נכונה אינה מתחילה בIDE או במוצר, אלא בתהליך: אל תנסו לשנות את כל הארגון ביום הראשון. במקום זה, קחו microservice חדש או כלי פנימי, ותגדירו ששם (ורק שם) אסור יותר לכתוב קוד ידנית, ומותר רק לנהל סוכנים. זה מכריח את הצוות ללמוד ולאמן את השריר החדש הזה.
  2. תיעוד הוא המלך החדש: אם בעבר תיעוד היה עונש, הרי שהיום הוא הדלק של ה-AI. אם אין לכם Confluence מעודכן, לקונטקסט של ה-AI אין ערך כמעט. בארגון שעובר ל-AI-Driven SDLC, כתיבת מסמכי דרישות וארכיטקטורה הן הפעילויות החשובות ביותר.
  3. שינוי הDefinition of Done (או בקיצור, DOD): משימה לא מסתיימת כשהקוד "עובד". היא מסתיימת כשה-AI מצליח להסביר מה הוא עשה, כשהטסטים האוטומטיים עברו וכשהקוד עומד בסטנדרט הארגוני וכל התהליך הזה מתועד אוטומטית.
  4. שבירת הסיילואים: AI-Driven SDLC עובד הכי טוב כשצוותים מולטי-דיסציפלינריים עובדים יחד ומנהלים דיאלוג משותף עם המערכת. במקום להעביר דרישות בין מחלקות, הן מתגבשות בזמן אמת. הערך כאן הוא לא רק במהירות, אלא באיכות ההחלטות שמתקבלות כשכולם רואים ומסכימים על אותה התמונה.

 

ארגונים שיפנימו את כל השינויים האלה יגלו ש-AI לא מאיץ קוד, הוא מאיץ חשיבה. מי שיאפשרו לכלים האלה להוביל, תוך פידבק אנושי מתמשך, יבינו שה-Velocity האמיתי מגיע הרבה לפני שלב הפיתוח. באחד הארגונים שהובלנו, לדוגמה, מנהלי המוצר הצליחו לקצר בשלושה שבועות שלב של מחקר שוק ומתחרים, כולל יצירת ה-stories המתאימים.

אנחנו לא בתקופה של "שיפור פרודוקטיביות", אלא בשלב אחר לגמרי של המצאת המקצוע שלנו מחדש. בארגוני אנטרפרייז, השאלה היא לא איזה כלי AI חזק יותר, אלא איזה ארגון יהיה אמיץ מספיק וישחרר את התפישה של "איך עשינו דברים ב-20 השנה האחרונות".

מי שיצליחו לעשות את השינוי המנטלי הזה, יגלו ש-AI הוא לא רק כלי להתייעלות, אלא מפתח למאגר בלתי נגמר של יכולות ביצוע. לעומת זאת, מי שיתעקש להישאר "בנאי", יגלה שהעיר החדשה נבנית בלעדיו. האתגר הוא לא לאמץ כלי AI, אלא להסכים לעבוד אחרת.