בזמן שכולנו מדברים על המהפכה, בשטח קורה משהו מעניין: צוותים בארגונים כבר מריצים עשרות כלי בינה מלאכותית ביומיום שלהם. זה מתחיל בכתיבת קוד ואנליטיקה, ממשיך בניסוח תשובות לשירות לקוחות ונגמר במחקר פנים-ארגוני עמוק. אבל הבעיה הגדולה? הפיקוח על כל זה נראה כמו טלאי על טלאי. תקופת "המערב הפרוע" של ה-AI, שבה כל עובד התנסה בכלים להנאתו, מסתיימת. כעת, כשהטכנולוגיה הופכת לחלק בלתי נפרד מליבת העסק, המדידה הופכת מצורך טכני לדרישה אסטרטגית.
סקר חדש של חברת Larridin בקרב מנהלים בכירים מציב את נושאי המדידה והממשל (Governance) במרכז הזירה הארגונית. אם פעם הסתפקנו בזה ש"העובדים משתמשים ב-ChatGPT", היום אנחנו מבינים שאם לא נמדוד את זה בדיוק כמו שאנחנו מודדים תקציבי פרסום או שעות פיתוח – פשוט לא נוכל לנהל את זה, ובטח שלא למקסם את הרווחים.
הפער המדאיג: ביטחון בקומה ה-20 לעומת עיוורון בשטח
אחד הממצאים המרתקים (והמדאיגים) ביותר בסקר נוגע לפער התפיסתי העמוק בין שכבות הניהול. מנכ"לים וסמנכ"לים נוטים להביע ביטחון גבוה מאוד בכך שהם מבינים בדיוק מה קורה עם ה-AI בארגון שלהם. הם רואים את הדוחות הכלליים ומאמינים שהכול תחת שליטה. אך ככל שיורדים בשרשרת הפיקוד לכיוון המנהלים שקרובים לביצוע היומיומי – ראשי צוותים ומנהלי מחלקות – הביטחון הזה צונח פלאים.
למעשה, נמצא פער של 16 נקודות בין הראייה של ההנהלה הבכירה לבין המנהלים בשטח בנוגע לנראות (Visibility) של כלי ה-AI. הפער הזה אינו מקרי; הוא נובע מהעובדה שהנהלה בכירה ניזונה לעיתים קרובות מ"משאלות לב" או ממצגות אופטימיות, בעוד שהשטח מתמודד עם השאלות הקשות: האם הכלי הזה באמת עובד? האם הוא חוסך זמן או מייצר עבודה כפולה? הנתק הזה עלול לעלות ביוקר כאשר יגיע שלב הקצאת התקציבים השנתית.
ה-Shadow AI: האיום השקט שמתחת לרדאר
חלק גדול מהנתק הזה נובע ממה שאנחנו מכנים "Shadow AI" – שימוש בכלי בינה מלאכותית אישיים או לא מאושרים על ידי העובדים. למעלה מחמישית מהמנהלים מזהים את התופעה הזו כמחסום להצלחה.
דמיינו עובד במחלקת הכספים שמשתמש בגרסה חינמית של מודל שפה כדי לנתח דוחות רגישים, פשוט כי הכלי הארגוני הרשמי מסורבל מדי. מחלקת הרכש אולי יודעת כמה רישיונות נקנו ל-Microsoft 365 Copilot, אבל אין לה מושג כמה עובדים "מדליפים" מידע ארגוני לתוך מודלים חיצוניים בדפדפן. הסיכון כאן הוא כפול: גם חשיפת מידע רגיש וגם יצירת "איים של מידע" שאינם מסונכרנים עם שאר הארגון.
כפי שאמר ראס פראדין, מנכ"ל Larridin: "הנהלת ה-C-suite מאמינה שה-AI נראה לעין ותחת שליטה, בזמן שהאימוץ בשטח רץ הרבה יותר מהר מהמדידה. עד שארגונים לא יארגנו את המאמצים סביב נתונים בזמן אמת, ה-AI עלול להפוך מנכס אסטרטגי לנטל אסטרטגי שחושף את החברה לסיכונים משפטיים ותפעוליים".
יותר כלים, פחות נראות: המספרים שמאחורי הבלגן
הנתונים מראים שארגונים מצליחים באמת לא מסתמכים על כלי אחד "כל-יכול". חברות שמדווחות על החזר השקעה (ROI) גבוה משתמשות בממוצע ב-2.7 כלים, לעומת 1.1 כלים אצל החברות המשתרכות מאחור. מדובר בשימוש בכלים ייעודיים: אחד לכתיבת קוד, אחד לאוטומציה של מיילים ואחר לאנליטיקה של דאטה.
אבל כאן מתחילה הבעיה המבנית:
- כפילות ובזבוז תקציבי: ארגון גדול ממוצע מפעיל כיום כ-23 כלי AI שונים. רבים מהם הגיעו "בדלת האחורית" כחלק מחבילות תוכנה קיימות (כמו AI בתוך ה-CRM או בתוך כלי העיצוב). 45% מהאימוץ מתרחש מחוץ לערוצי הרכש הרשמיים, מה שמוביל למצב שבו הארגון משלם פעמיים על אותן יכולות.
- חוסר שליטה וניהול מלאי: רק 38% מהארגונים מחזיקים ברשימה מלאה ומעודכנת של אפליקציות ה-AI שבשימוש. ללא רשימת מלאי (Inventory), אי אפשר לנהל אופטימיזציה של עלויות או לבחון את האפקטיביות של כל כלי.
חוסר המיפוי הזה מקשה מאוד על ניהול סיכונים ועמידה ברגולציות מחמירות כמו תקן ISO 42001 או ה-EU AI Act, שדורשים מארגונים מודעות מלאה ורציפה לכל מערכת שמוטמעת אצלם.
מי מרוויח ומי משתרך מאחור? (ניתוח לפי מגזרים)
החזר ההשקעה משתנה דרמטית בין התעשיות השונות, והוא קשור ישירות ל"פירוק" משימות (Task Deconstruction):
- החלוצים (Retail, תוכנה, ייצור, טלקום): חברות אלו מדווחות על סבירות גבוהה ל-ROI תוך חצי שנה בלבד. הסיבה לכך פשוטה: מדובר במגזרים שבהם זרימת העבודה מורכבת ממשימות דיסקרטיות וחוזרות שניתן לאוטומט בקלות. בקמעונאות, למשל, יצירת תיאורי מוצר ב-AI חוסכת אלפי שעות עבודה ידנית באופן כמעט מיידי.
- המתעכבים (אירוח, מסעדות, בריאות): כאן ההתקדמות איטית בהרבה. מגזר הבריאות הוא מקרה בוחן מרתק: למרות שההנהלה משדרת ביטחון גבוה בנראות, החזר ההשקעה בפועל הוא הנמוך ביותר. למה? בגלל חסמים של רגולציה מחמירה, חשש מטעויות באבחון רפואי (Hallucinations) וחיכוך תמידי עם דרישות פרטיות המידע.
למה ה-IT מוביל ושירות הלקוחות תקוע?
בתוך הארגון, צוותי ה-IT הם המנצחים הגדולים. הם משתמשים ב-AI לכתיבת קוד (GitHub Copilot ודומיו), אוטומציה של תשתיות ענן וניטור מערכות. המדדים שלהם ברורים: פחות באגים, זמן פיתוח קצר יותר וזמינות מערכת גבוהה יותר. זהו ערך שקל לתרגם לכסף.
לעומת זאת, בשירות הלקוחות ובלוגיסטיקה התמונה מורכבת יותר. למרות ההשקעה האדירה בצ'אטבוטים, אנשי השירות מדווחים על רמת הביטחון הנמוכה ביותר ב-ROI. ה-AI משמש שם בעיקר לסיכום שיחות או ניסוח תגובות, אבל קשה מאוד להוכיח שהפעולות האלו שיפרו את שביעות רצון הלקוח או הורידו את כמות הפניות בטווח הארוך. לעיתים ה-AI אף מייצר "עבודה נוספת" עבור הנציג שצריך לתקן את ניסוחי המכונה.
פער הפרודוקטיביות: 6% שעושים את ההבדל
הנתונים חושפים מציאות של "פער דיגיטלי" בתוך הארגון. רוב העובדים (85%) מדווחים על חיסכון צנוע של פחות מ-10 שעות בחודש – זה נחמד, אבל לא משנה את כללי המשחק. אולם, קיימת קבוצת עלית של "Power Users" (כ-6% בלבד) שחוסכת למעלה מ-20 שעות עבודה בחודש.
המשתמשים האלו לא רק שואלים שאלות ב-ChatGPT; הם בונים אוטומציות, מחברים בין כלים שונים ומשתמשים ביכולות מתקדמות של ניתוח נתונים. הם הופכים ל"מכפילי כוח" בתוך הצוותים שלהם.
המפתח הוא הכשרה ולא רק גישה: ארגונים שמשקיעים בתוכניות הכשרה מסודרות (AI Upskilling) רואים שיפור לא רק בפרודוקטיביות, אלא גם בשביעות הרצון של העובד. עובד שיודע איך לעבוד עם ה-AI מרגיש מועצם, בעוד שעובד שקיבל רק "שם משתמש" מרגיש מאוים מהטכנולוגיה.
סיכום ומבט לעתיד: איך סוגרים את הפער?
המדידה כיום עדיין שטחית מדי ומתמקדת ב"קל למדידה" במקום ב"חשוב למדידה". רוב החברות בודקות כמה כסף נחסך בתיאוריה, אבל מעטות בודקות האם איכות התוצרים השתפרה או האם מהירות האספקה (Velocity) גדלה באמת.
כדי להפוך את ה-AI למנוע צמיחה אמיתי, ארגונים חייבים לבצע שינוי גישה בשלושה מישורים:
- בעלות ואחריות: כיום ל-30% מהחברות אין גורם אחד שאחראי על מדידת ה-AI. האחריות "מתפזרת" בין ה-IT, הכספים וראשי המחלקות. חייבים להגדיר בעלים לתהליך המדידה.
- ממשל (Governance) מבוסס נתונים: לא מספיק לנסח מסמך אתיקה או מדיניות אבטחת מידע. צריך להטמיע כלים טכנולוגיים שנותנים נראות בזמן אמת לשימוש בכלים, כדי לזהות חריגות וסיכונים ברגע שהם קורים.
- חיבור בין שימוש לתוצאות עסקיות: המטרה היא לא "להשתמש ב-AI", אלא להשיג תוצאה עסקית. המדידה צריכה לעבור מספירת רישיונות לבדיקת מדדי בגרות פונקציונליים – למשל, כיצד ה-AI השפיע על מהירות הפצת גרסה בתוכנה או על יחס המרת לקוחות במכירות.
הבינה המלאכותית היא מנוע חזק להפליא, אבל בלי לוח מחוונים (Dashboard) מדויק, הארגון נוסע ב-200 קמ"ש בתוך ערפל. מי שישכיל לבנות מערך מדידה חכם כבר היום, הוא זה שיקטוף את פירות המהפכה מחר.
