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

AI-DLC לא מגיע בקופסה: על הפער שבין ההבטחה הטכנולוגית לבין היכולת הארגונית

ה-AI מסוגל להאיץ חלקים הולכים וגדלים מתהליך פיתוח התוכנה. השאלה הניהולית הקשה היא כיצד משמרים את ההאצה הזו כשמרחיבים את השימוש לצוותים ולמערכות נוספים – בלי להעביר את העומס לבדיקות, לאישורים ולתפעול ובלי לפגוע באיכות ובאחריות לתוצאה העסקית.

למה להאט דווקא אחרי הצלחה?

בחברת ביטוח גדולה שבה אנחנו מלווים אימוץ של AI-Driven Development Lifecycle – AI-DLC, הוכחת הערך הראשונה הסתיימה בהצלחה ברורה. היישום הראשוני הראה שמתודת העבודה ניתנת להפעלה ומייצרת ערך בעבודה עצמה, מעבר להדגמה של יכולות טכנולוגיות. האינסטינקט הניהולי המיידי היה לרוץ קדימה ולהרחיב את השימוש לכלל צוותי הפיתוח בארגון. בפועל, ההמלצה שלנו להנהלה הייתה דווקא לווסת את הקצב.

לא משום שהאמון בגישה התערער, אלא משום שההצלחה חשפה שלושה תנאי סף קריטיים שחייבים להבשיל יחד:

  • להעמיד לרשות כלי ה-AI ידע ארגוני מהימן.
  • להטמיע במסגרת העבודה את התקנים והנהלים של הארגון ושל הצוותים.
  • להרחיב את מעגל האנשים שיודעים להוביל עבודה במתודה החדשה.

הגדלת מספר הצוותים לפני הבשלת המרכיבים הללו הייתה עלולה להגדיל את היקף הפעילות מהר יותר מהיכולת לנהל אותה.

זהו, בעינינו, אחד המבחנים המרכזיים של AI-DLC בארגונים גדולים. פיילוט מוצלח מוכיח שאפשר לפתח אחרת. הוא עדיין אינו מוכיח שהארגון מסוגל לעשות זאת בעקביות, בעלות סבירה ובאחריות מלאה למוצר לאורך חייו.

צוואר הבקבוק לא נעלם, הוא משנה מקום

רוב הארגונים כבר מכירים את הערך של עוזרי כתיבת קוד ושל סוכנים למשימות ממוקדות. אלא שקיצור זמן הקידוד אינו שקול לקיצור הזמן מרעיון עסקי למערכת שפועלת בייצור (Time to Market).

כאשר מייצרים במהירות שיא אפיונים, קוד ובדיקות, נוצר עומס כבד בנקודות ההכרעה האנושיות:

  • מי מברר אי-בהירויות מול הביזנס?
  • מי מכריע בין חלופות ארכיטקטוניות מורכבות?
  • מי בודק את ההשפעה על מערכות הליבה ומאשר חריגות אבטחה?

אם יכולת קבלת ההחלטות והאימות אינה גדלה יחד עם קצב יצירת התוצרים, העבודה פשוט מצטברת במקום אחר.

הארגונים התמודדו עם בעיות זרימה גם בעידן Agile ו-DevOps. ההבדל הוא שעכשיו AI יכול להפיק, בתוך זמן קצר, תוצרים שנראו בעבר כתוצאה של עבודה מקצועית ממושכת – לעיתים לאורך כמה שלבים ברצף. קל יותר להתחיל במקביל יותר משימות, וקשה יותר לדעת אם כולן נסמכות על אותן הנחות, החלטות וגרסאות ידע. לכן הסיכון אינו רק לכתוב קוד לא נכון מהר יותר, הוא לקדם במהירות שרשרת של החלטות שנשענת על הנחה שגויה אחת.

האתגר הסמוי: כשל האימות העצמי  (The Verification Trap)

הסיכון הגדול ביותר ב-AI  אינו לכתוב קוד שגוי מהר יותר, אלא לקדם במהירות שרשרת החלטות שנשענת על הנחה שגויה אחת.

כאשר AI מנסח דרישה, מממש אותה ומציע את הבדיקות שלה -שלושת התוצרים עשויים לחלוק את אותה הנחה שגויה. לכן בדיקה אוטומטית אינה בהכרח אימות בלתי תלוי. צריך לשמר נקודות שבהן בעל מקצוע בוחן לא רק אם המימוש מתאים למפרט, אלא אם המפרט העסקי עצמו נכון.

כאן נכנס AI-DLC: לא כתוספת של סוכן לכל שלב קיים, אלא כשינוי אפשרי של דרך העבודה כולה. AI יכול לסייע בגיבוש דרישות, לזהות פערי מידע, להכין חלופות תכנון, להפיק קוד ובדיקות ולשמור את ההקשר בין התוצרים. אנשי המקצוע נדרשים פחות להעביר ביניהם מסמכים ויותר להפעיל שיקול דעת, להכריע ולאמת. לעיתים נכון לרכז בעלי תפקידים לעבודה משותפת וקצרה סביב החלטה, לעיתים נדרשים שערי בקרה נפרדים. ההכרעה תלויה בסיכון ובסוג המערכת, ולא בנאמנות לטקסי העבודה הישנים.

כשהחלוקה הזו משתנה, צריך להגדיר מחדש גם אחריות: מי מאשר דרישה שה-AI ניסח? מי עומד מאחורי החלטת תכנון שהציע סוכן? מי בודק שתוצר שעבר בדיקות אוטומטיות אכן ראוי לייצור? הסוכן יכול לסייע, ולעיתים אף לבצע חלק מהבדיקה, אבל האחריות המקצועית והניהולית אינה עוברת אליו.

מחקר DORA לשנת 2025, שהתבסס על תשובות של קרוב ל-5,000 אנשי טכנולוגיה, מחזק את הזהירות הזו: לצד קשר חיובי בין אימוץ AI לבין קצב מסירת תוכנה וביצועי מוצר, נמצא גם קשר שלילי ליציבות המסירה. אין כאן הוכחה ש-AI גורם לתקלות, אלא תזכורת לכך שהאצה בלי מערכות בקרה ומשוב מתאימות עלולה לחשוף חולשות קיימות.

שלושה מסלולים, קצב התקדמות אחד

בחברת הביטוח, האתגר לא היה לבחור בין שלושת הצירים אלא לנהל את התלות ביניהם. ה-Organizational Brain נועד להנגיש לכלי ה-AI ידע ארגוני מרכזי. מסגרת ה-AI-DLC נדרשה לשקף את הארכיטקטורה, התקנים והנהלים הכלליים, לצד כללי עבודה ייחודיים לצוותים. במקביל, הרחבת האימוץ נתקלה במחסור באנשים בעלי ניסיון מספיק בהובלת העבודה לפי המתודה.

כל אחד מהצירים משפיע על האחרים. בלי ידע מתאים, התוצרים עלולים להיות מנותקים מהקשר הארגוני. בלי כללי עבודה ישימים, גם סוכן מתקדם לא יוכל לפעול בצורה עקבית. ובלי מובילים שמסוגלים להנחות צוותים, קשה להפוך הצלחה נקודתית לשגרת עבודה. מנגד, גם ניסיון להשלים מראש מאגר ידע ארגוני מקיף או Framework שמתייחס לכל תרחיש יכול להפוך לפרויקט תשתית ארוך שמעכב את הערך שלשמו התחיל המהלך.

מכאן נגזרת הכרעה מעשית: להרחיב את מה שכבר בשל לכך, ולבסס לפני הרחבה נוספת את מה שחיוני לאיכות, לאבטחה ולאחריות. את יתר היכולות אפשר להעמיק בהתאם לצרכים שעולים מעבודה אמיתית, בלי להתנות כל התקדמות בהשלמת מצב היעד. כך ויסות נקודתי של הקצב נועד לאפשר האצה מתמשכת, ולא לצבור חסמים שיאלצו את הארגון להאט בהמשך.

מוצר מדף יכול להיות מצוין – ועדיין לא להיות התשובה כולה

גם מחוץ לעולם הפיתוח פגשנו פער דומה. ארגון ממשלתי גדול, שהגדיר אסטרטגיית AI רחבה, בחן בפיילוט פלטפורמה לניהול סוכנים וגלריית סוכנים ארגונית. רק בשלב מתקדם יחסית התברר שהמוצר, על אף יכולותיו, מכסה ממד מסוים בלבד מתוך האסטרטגיה. זו אינה דוגמה ישירה ל-AI-DLC או לכשל במוצר, אלא לסיכון שבבחירת פתרון לפני מיפוי מכלול היכולות הארגוניות הנדרשות.

מוצרי מדף עשויים להיות הבחירה הנכונה ביותר. רבים מהם כוללים יכולות התאמה, אורקסטרציה, ממשל ובקרה מתקדמות, והשקעת הספקים בהם עולה בהרבה על מה שארגון יחיד יכול לבנות. אבל גם פלטפורמה גמישה אינה יכולה לקבל במקום ההנהלה הכרעות על גבולות האחריות, סדרי העדיפויות ורמות הסיכון שהארגון מוכן לשאת.

כך גם בהבטחה ש"כל אחד יכול לבנות אפליקציה" באמצעות Vibe Coding או שכבת Unified AI SDLC. הרחבת מעגל היוצרים היא הזדמנות ממשית, אבל יכולת להפיק יישום אינה זהה לסמכות להפעילו בייצור. אבטיפוס פנימי, כלי מחלקתי ומערכת ליבה אינם זקוקים לאותו מסלול אישור. ארגון שרוצה לאפשר יצירה רחבה צריך להחליט היכן אפשר לתת חופש פעולה, מתי נדרשת בדיקה מקצועית, ומי מקבל אחריות על אבטחה, נתונים, שינויים ותחזוקה. תשתית משותפת יכולה לאכוף את ההחלטות האלה, היא אינה מחליפה אותן.

הסטנדרטיזציה חשובה. כך גם ההחלטה היכן לחרוג ממנה

מהעבודה שלנו בארגונים גדולים למדנו שההתאמה הארגונית אינה תרגום של התהליכים הקיימים ל-Workflow חדש. לעיתים אלה דווקא תהליכים שנוצרו כדי לפצות על מגבלות שה-AI מצמצם כעת: העברות מסמכים, סבבי הבהרות ממושכים או הפרדות קשיחות בין בעלי תפקידים. שימור אוטומטי שלהם יחמיץ חלק גדול מההזדמנות.

מנגד, לא כל שונות בין צוותים היא בעיה שצריך למחוק. מערכת ליבה רגישה, מוצר דיגיטלי עצמאי ותהליך אינטגרציה מורכב אינם חולקים בהכרח אותן בקרות. נכון לאמץ מן המדף את מה שכבר בשל, לקבוע בסיס ארגוני משותף לניהול ידע, עקיבות, אבטחה ואיכות, ולהתאים את נקודות ההחלטה ואת עומק הבקרה למאפייני העבודה. הפשרה יכולה להיות בקצב, בהיקף או ברמת האוטומציה, לא באחריות לתוצאה.

גם מדידת ההצלחה צריכה להשתנות (Metrics Redesign)

ארגון בוגר מפסיק למדוד "כמה שורות קוד הופקו" או "כמה שעות נחסכו בכתיבה", ועובר למדוד מדדי ערך אמיתיים:

  • Lead Time for Changes: הזמן הכולל מרעיון עסקי למערכת יציבה בייצור.
  • Rework Rate: היקף העבודה החוזרת ותיקון שגיאות לאחר בדיקות.
  • Total Cost to Deliver: עלות המסירה הכוללת (כולל זמן אימות, הרצת מודלים ותחזוקת תוכנה לאורך זמן).

מחקר McKinsey מאוגוסט 2026, המבוסס על סקר של 334 אנשי מוצר והנדסה, מצביע אף הוא על פערים משמעותיים בין ארגונים. המאפיינים שזוהו בקרב המתקדמים כללו שינוי בתהליך ובמודל העבודה, הגדרה מחודשת של תפקידים, מנגנוני אימות והשקעה בניהול השינוי.

אלה ממצאי סקר, לא נוסחה להבטחת תשואה, אך הם מתיישבים עם התמונה שאנחנו רואים בשטח.

מתי באמת מוכנים להרחיב?

אחרי שליווינו הטמעות AI-DLC במספר ארגונים מובילים, אנחנו ממליצים להנהלות לבחון ארבע שאלות פשוטות לפני אישור תקציב להתרחבות:

  1. מבחן התלות: האם צוות נוסף מסוגל לשחזר את הצלחת הפיילוט בלי להישען בכל צומת על אותם מומחים בודדים?
  2. מבחן הקונטקסט: האם הידע והסטנדרטים הארגוניים נגישים לכלי ה-AI בצורה מאובטחת ועקבית?
  3. מבחן האחריות: האם מוגדר במפורש מי מאשר תוצר ומה נבדק לפני עלייה לייצור?
  4. מבחן הערך הכולל: האם קצב הפיתוח המואץ שיפר את התוצאה העסקית בשטח, או שרק יצר צוואר בקבוק במקום סמוי מן העין?

 

אנחנו נזהרים מלראות במספר הפיילוטים שהצליחו מדד לבשלות. שאלה טובה יותר היא האם צוות נוסף מסוגל לשחזר את התוצאה בלי להישען בכל צומת על אותם מומחים מעטים, האם הידע הדרוש נגיש ואמין מספיק, האם ידוע מי מאשר ומה נבדק, והאם הגדלת הקצב משפרת גם את התוצאה העסקית, בלי להעביר עלויות וסיכונים למקום פחות גלוי.

אין צורך להשלים את כל התשתיות מראש, אך צריך לדעת אילו מהן הן תנאי להתרחבות ואילו ניתן לפתח תוך כדי תנועה. זו החלטה שמשלבת הנדסה, כלכלה וניהול סיכונים – והיא אינה מתקבלת בידי הספק או ה-Framework לבדם.

AI-DLC פותח אפשרות ממשית לשנות את קצב הפיתוח ואת איכות העבודה. השאלה אינה רק מה הטכנולוגיה כבר יודעת לעשות, אלא האם הארגון מסוגל לשחזר את ההצלחה בצוותים ובמערכות נוספים, בלי תלות מתמשכת באנשים שהובילו את הפיילוט הראשון ובלי לוותר על איכות ואחריות. זהו ההבדל בין הצלחה מקומית לבין יכולת ארגונית שאפשר להרחיב לאורך זמן.

 

מזיכרון אנושי לשליטה ניהולית | הדרך להפוך ידע מפוזר לזיכרון ארגוני מנוהל ומתעדכן

דמיינו מנהל מוכשר שסובל מאמנזיה: כל פגישה מתחילה מחדש, כל החלטה מנותקת מקודמותיה, כל תהליך נבנה שוב. כך פועל AI בלי הקשר ארגוני. הוא מייצר תחושה של התקדמות, אבל המערכת שסביבו לא לומדת.

הסימן המוכר ביותר: כלי ה־AI כבר בארגון, כמות המידע רק גדלה ועדיין כמעט כל ישיבה נפתחת באותה שאלה: "רגע, איפה היינו?"

הסיבה איננה מחסור בטכנולוגיה. הארגון פשוט לא זוכר.

ידע שלא תועד הוא ידע שכבר אבד, גם אם איש עוד לא שם לב

הבעיה קדמה לבינה המלאכותית. כבר ב־2012 העריך מכון המחקר של McKinsey שעובדי ידע מקדישים כמעט 20% משבוע העבודה לחיפוש מידע פנימי ולאיתור עמיתים שיוכלו לסייע במשימה מסוימת. כמעט יום עבודה מלא בכל שבוע שמושקע באיתור מידע ולא באתגר או בהחלטה עצמם.

ה־AI לא יצר את הבעיה. הוא מייקר אותה: כלי שמקבל הקשר חלקי מחזיר תשובה שגויה בביטחון מלא ובקנה מידה של ארגון שלם.

הנתונים מהשטח עקביים. דוח The GenAI Divide של MIT NANDA מצא ש־95% מהארגונים שנבדקו לא ראו החזר מדיד על ההשקעה ב־GenAI. גם מי שחולק על המספר המדויק מתקשה לחלוק על ההסבר שהדוח מציע: רוב המערכות אינן שומרות משוב, אינן מסתגלות להקשר ואינן משתפרות עם הזמן.

התמונה חוזרת גם בסקר VB Pulse של VentureBeat, שנערך בשלושה גלים בקיץ 2026: בכל אחד מהם, בין 57% ל־68% מהארגונים דיווחו שבחצי השנה שקדמה לסקר איתרו תשובה שגויה של סוכן AI שניתנה בביטחון מלא ונבעה מהקשר עסקי חסר או לא עקבי.

כך זה נראה מבפנים

ארבעה תסמינים שכל הנהלה מזהה:

  • החלטות בלי עקבות: סיכומי פגישות לא נכתבים באופן שיטתי והחלטות ומשימות נופלות בין הכיסאות.
  • ידע מפוזר: במיילים, בתיקיות, בכלי תמלול ובכלי ניהול, בלי שכבה אחת שמחברת ביניהם.
  • ידע שיושב אצל אנשים: כל עובד צובר ניסיון רב, והארגון מאבד אותו ביום שבו העובד עוזב.
  • ידע טכני שאיש לא כתב: היכרות עמוקה עם מערכות לגאסי, אינטגרציות, בסיסי נתונים וממשקים.

 

מהו זיכרון ארגוני אפקטיבי?

זיכרון ארגוני הוא שכבה חיה ומתעדכנת שמכירה לעומק את הארגון שלכם: השפה, התרבות, הנהלים, הביזנס, המערכות, התהליכים והחריגים.

דוגמה פשוטה: "לקוח פעיל" מוגדר אחרת בכל ארגון ולעיתים אחרת בכל מחלקה. כל עוד ההגדרה שלכם אינה כתובה ומתוחזקת ה־AI מנחש. כשהיא כתובה ומתעדכנת, התשובות מדויקות יותר ודורשות הרבה פחות טיוב ועבודה חוזרת.

זה לא עוד מאגר מידע, לא SharePoint משודרג ולא כלי AI נוסף. זו שכבה שמחברת פגישות, מסמכים, מיילים, החלטות, תורה שבעל־פה וניסיון של עובדים למערכת אחת, מנוהלת ומתעדכנת.

לכן המטרה היא לבנות יכולת ניהולית חדשה: שריר של זיכרון קולקטיבי, נגיש לכל עובד לפי צורך והרשאה. כמו כל שריר, אי אפשר להתקין אותו. הוא נבנה משימוש קבוע.

שאלות שזיכרון ארגוני צריך לדעת לענות עליהן

מתודולוגיית המצוינות התפעולית של שטראוס אסטרטגיה ממפה את הזיכרון הארגוני לשש שאלות. רוב הארגונים מתעדים היטב את הראשונה. הערך, וגם הסיכון, נמצאים בחמש האחרות.

השאלהדוגמה עסקיתדוגמה מתחום ה־IT
1. מה כתוב?חוזים, מדיניות, דוחותקוד מתועד, מסמכי ארכיטקטורה
2. מה זה אומר אצלנו?מה נחשב "לקוח פעיל" או "עסקה סגורה"מה נחשב "קוד מוכן לפרודקשן"
3. מה אמור לקרות?מה הנוהל לאישור חריגה במחירמה תהליך האישור להעלאת גרסה לפרודקשן
4. מה באמת קרה?אילו חריגים אושרו בפועל ולמהאילו קיצורי דרך נלקחו תחת לחץ זמן, ולמה נבחרה טכנולוגיה אחת ולא אחרת
5. מי יודע את זה?מי מבין באמת למה לקוח אסטרטגי מסוים "רגיש"מי מכיר את המערכת הישנה שאיש לא נוגע בה
6. מה למדנו מאז?אילו הנחות תמחור עבדו ואילו לאאילו בדיקות תפסו רגרסיות ואילו פספסו אותן

 

מה משתנה כשהארגון זוכר

כשיש זיכרון ארגוני, התובנות והמסקנות שגובשו בארגון, לעיתים בידי עשרות אנשים ולאורך שנים, נגישות לכל מנהל ועובד ברגע שהם זקוקים להן, בהתאם להרשאות. הידע מפסיק להיות נכס אישי והופך לתשתית ארגונית.

כשעובד מנוסה עוזב. לפי מחקר של Panopto ו־YouGov משנת 2018, 42% מהידע הארגוני ייחודי לעובד יחיד: אם לא נלכד בזמן, הוא יוצא מהארגון ביום העבודה האחרון. זיכרון ארגוני הופך עזיבה מבריחת ידע לחפיפה מסודרת.

כשעובד חדש נכנס. במקום חצי שנה של "להבין איך דברים עובדים כאן", הוא שואל את הזיכרון הארגוני ומקבל את ההקשר שבדרך כלל נלמד רק מניסיון. זמן ההכשרה מתקצר וההחלטות הראשונות שלו נשענות על ניסיון של אחרים.

כך זה נראה ביום־יום

ישיבת הסטטוס נפתחת בהחלטות ובמשימות מהפעם הקודמת, שתועדו אוטומטית, ולא בשאלה "רגע, איפה היינו?".

לפני יוזמה חדשה שואלים בשפה חופשית מה קרה בפעם הקודמת שהארגון ניסה משהו דומה ומקבלים מה הוחלט, למה, מה היתה התוצאה ומי היה שם.

 

מה כולל התהליך?

אנחנו לא מחליפים את הכלים הקיימים ולא מוסיפים עוד פלטפורמה. יחד אנחנו בונים את שכבת הזיכרון מעל הכלים הקיימים: ארכיטקטורה נכונה, טמפלייטים חכמים, אוטומציות וסוכני AI.

  • מיפוי מקורות הידע הקיימים בארגון: פגישות, מיילים, מסמכים, כלים ואנשים.
  • סטנדרט תיעוד, בקרה ותשאול שמתחבר לכלי ה־AI שכבר יש לכם ואינו מחליף אותם. חלק ממנו הוא הגדרה מוסכמת של מונחי הליבה, כי בלי הגדרה משותפת שתי מחלקות יקבלו שתי תשובות שונות לאותה שאלה.
  • אוטומציות וסוכני AI שמשתלבים בעבודה השוטפת ומתעדים לא רק מה סוכם אלא גם למה: הרציונל שמאחורי החלטות מפתח. לפני שפלט קריטי יוצא לדרך, אדם מאשר אותו.
  • מודל ממשל ברור: מי רשאי לגשת לאיזה מידע, על בסיס המדיניות הקיימת בארגון, לצד יומן שמתעד מי ניגש לאיזה נתון ומתי.

 

ואיפה מתחילים? לא בפרויקט ענק. מתחילים ב־Quick Win: תהליך אחד, כואב ומדיד, שבו בונים את הזיכרון, רואים תוצאה ורק אז מרחיבים.

זיכרון ארגוני, כמו שריר, לא נבנה בבת אחת. מנהלים ומרחיבים אותו לפי תהליכי הליבה של הארגון, תהליך אחר תהליך. כל תהליך שנכנס מוסיף 'פרוסה' נוספת של ידע וכל סבב מעמיק את מה שכבר קיים. כך הזיכרון גדל יחד עם הארגון והערך מוחשי ונגיש כבר מהתהליך הראשון ולא רק בסוף הדרך.

לפניאחרי
מידע מפוזרזיכרון ארגוני מנוהל
תיעוד חלקיתיעוד שיטתי
ניהול תגובתיניהול פרואקטיבי
תלות בזיכרון אישימערכת תומכת החלטה

 

שאלה אחת לסיום

אם שלושת העובדים המנוסים ביותר שלכם יעזבו מחר, כמה ממה שהם יודעים יישאר בארגון?

אם התשובה אינה ברורה, זה המקום להתחיל. נשמח לחשוב על זה יחד איתכם.

 

—

מקורות

מכון המחקר של McKinsey, דוח The Social Economy, יולי 2012

פרויקט NANDA של MIT, דוח The GenAI Divide: State of AI in Business 2025, יולי 2025

אתר VentureBeat, סקר VB Pulse, גלי יוני, יולי ואוגוסט 2026

חברת Panopto בשיתוף YouGov, דוח Workplace Knowledge and Productivity Report, 2018

מה שהעובדים מסתירים מכם: החוויה האנושית של אימוץ AI לעבודה

חשבו לרגע על העובד שמכין דוח כלשהו אחת לשבוע.

עד לא מזמן זה לקח לו שעתיים: לאסוף עדכונים, לאמת, לנסח, לעצב.

היום עם AI זה לוקח לו עשרים דקות.

הוא לא מספר את זה לאף אחד.

הוא גם בטוח שהוא המשתמש הכי טוב בצוות שלו.

הוא בוחר לשתוק מכיוון שהוא לא בטוח מה יקרה אם ההנהלה תדע. האם יצפו ממנו להספיק יותר? האם יחשבו שהתפקיד שלו קל יותר משחשבו עד עכשיו? האם יבקשו להוריד את % המשרה?

אז הוא שולח את הדוח בדיוק בזמן שהיה שולח אותו לפני חצי שנה. את השעה ועשרים הדקות שנותרו הוא משקיע לפי שיקול דעתו.

בשלושת המאמרים הקודמים בסדרה הרחבנו על מה שקורה לתהליכים ולמדדים כשארגון מטמיע AI. במאמר הנוכחי נדבר על מה שאף מודל לא לוכד: מה קורה בראש של העובד שיושב מול הכלי: מה הוא בוחר לספר, מה הוא בוחר להסתיר ולמה.

 

המספר שמופיע במצגות והנתון שנשאר בחוץ

בשנה האחרונה השימוש היומיומי ב-AI בקרב עובדי צווארון לבן קפץ ב-233% תוך חצי שנה ו-60% מעובדי הצווארון הלבן כבר משתמשים בכלי כלשהו. [1]

 

זה המספר שמופיע במצגות ההנהלה.

המספר שכמעט אף פעם לא מופיע לצידו: כמעט מחצית מהעובדים (48%) לא ירגישו בנוח לספר למנהל שלהם שהשתמשו ב-AI במשימה יומיומית רגילה – ממצא שממשיך לחזור על עצמו במחקרים גם כשהשימוש עצמו רק ממשיך לצמוח. [2]

במילים אחרות: על אף השימוש הגובר העובדים אינם משקפים זאת.

 

"בושת AI": כשהתייעלות הופכת לסוד

מחקר אקדמי שפורסם השנה ועקב אחרי 635 עובדי שיווק זיהה כמה מנגנונים חוזרים: חשש מהערכה שלילית, חרדת AI, חשש לפגיעה בתדמית היצירתית, חוסר ביטחון תעסוקתי, אמון נמוך בהנהלה לצד מדיניות AI לא ברורה. [3]

במילים פשוטות: העובד לא בטוח מה המשמעות של "אני משתמש ב-AI" בעיני מי שמעריך אותו. האם זה נתפס כ-"אני יעיל" או "אני לא באמת עובד קשה"? ואולי "אפשר להחליף אותי בזול יותר"?

כשהתשובה לא ברורה, השתיקה היא הבחירה הבטוחה.

 

איך זה נראה בארגון ישראלי?

אנליסטית תקציב שבונה מודל תחזית שהיה לוקח לה שבוע שלם ועכשיו בעזרת AI שלושה ימים בלבד.

היא לא מגישה אותו מוקדם.

למה? כי השאלה הבאה תהיה "אז מה תעשי ביומיים הימים הנותרים?"  ותשובה טובה לשאלה הזאת היא בדיוק מה שהיא עוד לא הספיקה לחשוב עליו.

אז היא מגישה בזמן. שומרת את הפער לעצמה ולא אומרת לאף אחד שהיא כבר סיימה.

זו לא עצלנות או חוסר מוטיבציה. זו הישרדות רציונלית בתוך מערכת שעדיין לא הגדירה עבורה מהי "הצלחה" בעידן שאחרי הטמעת AI.

 

הסיכון האמיתי: חרדה חוסמת שיתוף ידע

מחקר של Adaptavist בקרב 4,000 עובדי ידע מצא ש-35% מהם מסתירים ידע מקצועי מחשש שהוא ישמש להחליף אותם ו-38% נמנעים מלהדריך עמיתים בתחומים שהם רואים כיתרון האישי שלהם. חמישית מהעובדים (20%) מדווחים על מתח וחרדה ישירים מהחשש להיות מוחלפים על ידי AI ובקרב Gen Z המספר קופץ ל-40%. [4]

זהו הפרדוקס: הידע התפעולי והניסיון שאתם הכי זקוקים לו כדי לכייל ולייעל את כלי ה-AI בארגון הוא בדיוק הידע שהעובדים שלכם יבחרו לשמור קרוב לחזה.

ככל שהארגון מפעיל לחץ על קצב האימוץ והתפוקה, מבלי לבנות במקביל ביטחון תעסוקתי, כך גדל הסיכוי שהידע החשוב ביותר יישאר נעול אצל העובדים המחזיקים בו.

 

זה לא רק פחד – יש גם הסתגלות אמיתית

חשוב לומר את זה בבירור: זה לא מאמר על עובדים שמתנגדים לשינוי. זו קריאה למנהלים להקדיש את תשומת הלב הנדרשת לחששות העובדים.

רוב העובדים לא מנסים לעצור את השינוי. הם מנסים להבין את הכללים שלו – ועדיין מחכים שההנהלה תגדיר אותם.

 

מה עושים עם זה?

שלושה עקרונות תפעוליים:

  1. הפכו שימוש ב-AI לנורמה גלויה, לא לווידוי

כשמנהלים משתפים בעצמם איך הם משתמשים ב-AI ובאילו טעויות נתקלו זה מסמן שדיווח הוא יכולת, לא הודאה באשמה.

  1. תגמלו שיתוף ידע, לא רק תפוקה אישית

אם הצלחה נמדדת רק בתפוקה אישית לעובד אין תמריץ לשתף בדיוק את הידע שהופך אותו ל"פחות מיוחד".

  1. הפרידו בין מדידת AI לבין מדידת בני אדם

כשעובדים מרגישים שמשווים אותם לתפוקת מכונה הם מפסיקים לדווח באמת על איך הם עובדים איתה.

 

זהו פער באחריות הניהולית שחייב להעסיק כל חבר הנהלה: מי מופקד על בניית האמון והמעטפת התרבותית שתאפשר לעובדים לשקף את תמונת המצב האמיתית בשטח?

 

המודל הכי מדויק לא שווה הרבה אם האנשים שמזינים אותו במידע מפחדים לומר את האמת.

 

הפער בין גרף האימוץ הטכנולוגי לזה הארגוני ידוע ומוכר. הוא זה שמסביר את הפער העצום בין היכולות של הכלים לשימוש היום יומי.

הארגון שלכם יתקדם רק בקצב שבו העובדים ירגישו בטוחים לספר את האמת על השימוש בטכנולוגיה.

כדי להוביל את שינוי התפיסה הזה בארגון אנו מזמינים אתכם ליצור קשר.

יחד נוכל למפות את נקודות החיכוך, לעדכן את מודל ההפעלה ולהתאים את שיטות העבודה כדי לאפשר לעובדים שלכם לרתום את ה-AI  בשקיפות ובביטחון.

 

זהו המאמר הרביעי בסדרה על הטמעת AI בארגונים – מוקדש לשכבה הנסתרת:

מה שקורה בראש של מי שאמור להשתמש בכלי.

 

מקורות

[1] Slack – The New AI Advantage (Workforce Index, 2025)

[2] Slack – Fall 2024 Workforce Index

[3]  Behavioral Sciences (2026) – Why Hide AI Use? Psychological Configurations and Explainable Machine Learning Evidence from Marketing Work

[4] Adaptavist – AI Anxiety Drives Workers to Hoard Knowledge to Protect Jobs (Nov 2025)