פתיחה
מחקר חדש של MIT זכה לכותרות: 95% מהפיילוטים של Generative AI נכשלו בהוכחת ערך עסקי מדיד. עבור מנהלים ומקבלי החלטות, זהו נתון מטלטל. אבל האמת עמוקה יותר – הבעיה אינה במודלים עצמם, אלא באופן שבו הארגונים ניגשים לתהליך האימוץ.
במקביל, טים או’ריילי והחוקרים ארווינד נאראיאנאן וסיאש קאפואר מציעים נקודת מבט אחרת: יש להתייחס ל־AI כאל "טכנולוגיה רגילה". כמו חשמל, רכב או אינטרנט – הכוח המהפכני שלה נחשף רק כאשר בונים סביבה מתאימה: תשתיות, תרבות ארגונית ומנגנוני ניהול.
שילוב שתי נקודות המבט האלה מציע מפת דרכים ברורה: להפוך את ה־AI מניסוי יקר לערך תחרותי אמיתי. ובעיקר – להבין שהשימוש ב־AI איננו בחירה רשות, אלא מהלך חיוני שהארגון חייב להוביל קדימה.
למה פיילוטים נכשלים – תובנות ממחקר MIT
המחקר של MIT מצא דפוסים חוזרים שמסבירים את שיעור הכישלון הגבוה:
- פער בין הייפ למציאות: ציפייה ל־“AGI מוכן” שמספק תוצאות מיידיות.
- איכות נתונים ירודה: גם המודל החזק ביותר לא יצליח בלי נתונים נקיים ומבניים.
- הקצאת תקציבים שגויה: רוב התקציבים הופנו לשיווק ומכירות, בעוד שהחזר ההשקעה הגבוה ביותר נמצא דווקא באוטומציה של תהליכי Back Office.
- חוסר מוכנות ארגונית: השאלה איננה ביצועי המודל אלא האם זרימות העבודה, הממשל האנליטי והאנשים משתנים בהתאם.
- היעדר מחזורי למידה: פיילוטים רבים נתפסים כהוכחת היתכנות חד־פעמית, במקום כתהליך מתמשך שמשתפר עם כל חזרת משוב.
מנגד, ה־5% שכן הצליחו הראו מאפיינים ברורים:
- חיבור ישיר לתהליכים עסקיים ולא לניסויים מנותקים.
- מיקוד במשימות Back Office כמו עיבוד מסמכים, עמידה ברגולציה ופיננסים.
- שימוש בשותפים חיצוניים – שהכפיל את שיעורי ההצלחה בהשוואה לפרויקטים פנימיים בלבד.
- שילוב אדם בתהליך לשמירה על אחריות ובקרה.
- בניית מחזורי למידה מואצים – מדידה, משוב ושיפור מתמשך.
למה חשוב להתייחס ל־AI כ"טכנולוגיה רגילה"
המסגרת שמציע או’ריילי מחזירה את האיזון. כמו חשמל או רכב, גם AI לא משנה תעשיות בן־לילה – אלא באמצעות תשתיות, רגולציה ושינוי תרבותי שנבנים לאורך זמן.
עקרונות מרכזיים:
- הטכנולוגיה היא רק ההתחלה. ההצלחה תלויה במבנים ארגוניים, חוקים ותרבות.
- פער בין זמינות ליישום. גם כלים מתקדמים משמשים מעט, עד שזרימות העבודה מתעדכנות.
- הסיכונים גדלים עם ההיקף. אוטומציה של תהליך שגוי או מוטה לא משכפלת את הבעיה – אלא מכפילה אותה.
- השליטה נשארת אנושית. הכיוון של AI אינו נקבע מראש – הוא בידינו, דרך עיצוב נכון, מדיניות ותרגול.
מפת דרכים משולבת: מהכישלון לערך אמיתי
הצלבת ממצאי MIT עם נקודת המבט של "טכנולוגיה רגילה" משרטטת אסטרטגיה ברורה:
- להתחיל איפה שניתן למדוד ערך – לבחור תחומים בהם AI יכול לקצר תהליכים או להפחית עלויות באופן מיידי.
- להשקיע בנתונים ובממשל אנליטי – אמון ב־AI מתחיל באמון בנתונים.
- לבנות מחזורי למידה מואצים – להתייחס לכל פיילוט כאל מערכת חיה שמשתפרת עם כל חזרת משוב.
- לשלב אדם בתהליך – האינטגרציה אדם־מכונה היא המקום שבו בטיחות ופרודוקטיביות נפגשים.
- לחשוב במונחים של תשתיות – הצלחה ארוכת טווח דורשת מוכנות תרבותית, רגולטורית ותפעולית.
- למדוד השפעה עסקית בפועל – להצמיד KPI’s לערכים עסקיים ולא רק למדדים טכניים.
- להתחייב קדימה – לארגונים אין את הפריבילגיה להמתין מהצד. AI הופך לטכנולוגיה תשתיתית, והקדמת האימוץ היא היתרון התחרותי.
סיכום
חשוב להבין - Generative AI לא נכשל – הארגונים הם אלה שמתקשים להסתגל. התבוננות ב־AI כ"טכנולוגיה רגילה" מדגישה שהוא דורש תהליך, תשתיות ולמידה מתמשכת.
ולמרות הקשיים – הצורך לאמץ AI חיוני. זה איננו ניסוי זמני, אלא מסע מתמשך שהופך ללב המודל העסקי העתידי. מי שיבנו את מערכת ההפעלה הארגונית לאימוץ AI – עם מחזורי למידה, מדידת ערך ושיתוף פעולה אדם־מכונה – יצאו מה־95% של כישלונות, ויצטרפו ל־5% שממנפים את ה־AI ליתרון תחרותי בר־קיימא.
