ברור לכולנו שהבינה המלאכותית התפתחה למצב בו היא אינה רק טכנולוגיה חדשה, אלא דרך חדשה לעבוד ולשפר פרודוקטיביות, שתשנה את הדרך שבה אנו לומדים ומקבלים החלטות. במובנים מסוימים, ניתן להשוות את השפעתה הפוטנציאלית לזו של מנוע הקיטור במהפכה התעשייתית - לא ככלי עזר, אלא ככוח מארגן מחדש של העבודה והעולם שאנו חיים בו. המחקרים של מקינזי מראים שלטכנולוגיה זו פוטנציאל השפעה של טריליוני דולרים, בהגברת החדשנות, השקת מוצרים ושירותים חדשים, התייעלות ואוטומציה, וזאת בכל תחום, מבנקאות ועד פיתוח תרופות חדשות.
ברור גם לכולם שבעוד שמרבית הארגונים כבר החלו להשקיע ולהתנסות ב-AI, רק אחוזים מעטים מנצלים את הפוטנציאל המלא של טכנולוגיה זו ומשלבים אותה בצורה מלאה בתהליכים והשירותים הארגוניים שלהם. הפער בין הפוטנציאל הגדול של הטכנולוגיה לבין מידת השימוש בה בפועל בארגונים הוא עצום: בסקר שערכנו, 94% מהעובדים דיווחו כי הם עושים שימוש ב-AI, אך כששאלנו את המנהלים הבכירים באותם ארגונים, הם העריכו שרק 4% מהעובדים משתמשים בה.
מהצגת מידע לביצוע פעולות, מפיילוט לפריסה מבצעית
בעוד שקצב היישום בקרב ארגונים גדולים הוא איטי יחסית, הטכנולוגיה ממשיכה להתקדם והפער רק הולך וגדל. המחקר שלנו מצביע על חמש מגמות מרכזיות שבהן ניכרת ההשפעה של ה-GenAI על ארגונים:
1. שיפור ניכר ביכולות החשיבה וההסקה של המודלים -
הדור החדש של מודלים מבוססי שפה אינו מסתפק עוד בזיהוי תבניות או השלמה סטטיסטית, הוא מפתח יכולות חשיבה מורכבות עם הבנה מעמיקה של הקשרים, הסקת מסקנות ותכנון שלבי פעולה. יכולות אלו מתקרבות לרמות אנושיות של חשיבה מושכלת.
2. בינה מלאכותית בעלת יכולת פעולה עצמאית -
מגמת ה-AI האוטונומית מציינת מעבר חשוב, מהצגת מידע לביצוע פעולות. מודלים אינם רק מנתחים, הם מבצעים. הם מסוגלים להבין תהליך עסקי, לזהות מה צריך לקרות, ולבצע שורת פעולות אוטומטית כדי להשיג את היעד הרצוי. כבר היום ארגונים מובילים משתמשים בטכנולוגיה זו למגוון פעולות: ניהול משימות מורכבות, סנכרון מידע בין מערכות, קבלת החלטות על בסיס מדיניות ארגונית.
3. רב-מודליות: מהבנת טקסט להבנת הקשר אנושי כולל -
רוב מודלי הבינה המלאכותית של הדור הקודם עסקו בטקסט בלבד. המגמה הנוכחית מובילה ליכולות עיבוד של סוגי מידע מגוונים: טקסט, קול, תמונה ווידיאו במקביל, ובקשר ביניהם. מודלים אלו מבינים הוראות קוליות, מפרשים תכנים ויזואליים, ומסוגלים להגיב באופן רלוונטי, תוך שמירה על הקשר.
4. קפיצה ביכולות חומרה וכוח חישוב
כדי לממש את יכולות ה-AI המתקדמות, נדרש בסיס תשתיתי מתאים וכאן נכנסת לתמונה מגמת החומרה. שיפורים בצ'יפים ייעודיים, בפריסת מחשוב מבוזר ובממשקי ענן חדשניים מאפשרים להריץ מודלים מורכבים יותר, בקצבים מהירים יותר ובזמינות גבוהה. הדבר מאפשר מעבר משלב הפיילוט לפריסה מבצעית: ניתוח בזמן אמת, תגובה מיידית לעומסי מידע והרחבת היקף הפעולה, בלי לפגוע בביצועים.
5. שקיפות והסברתיות כבסיס לאמון
ללא שקיפות אין אמון וללא אמון אין אימוץ. מגמה זו נוגעת בשאלת הליבה של הסברת ההחלטות שמקבל ה-AI. במקום שהמודלים יהיו "קופסה שחורה", הם נדרשים להסביר כיצד התקבלה החלטה, אילו נתונים שימשו אותה, ואילו אלטרנטיבות נשקלו. בתחום קבלת ההחלטות הקריטית כגון אשראי, בריאות ומשאבי אנוש, הסבר כזה אינו מותרות אלא חובה. יכולת ההסבר (Explainability) נוגעת לא רק להנדסה, אלא לממשל תאגידי, עמידה ברגולציה ולביסוס תשתית של אמון ארגוני רחב בשימוש ב-AI.
שאלה של הנהגה
אחד הממצאים הבולטים במחקרים שלנו מראים שהחסם המרכזי בפני שילוב עמוק של AI בארגון אינו טכנולוגי אלא ניהולי. הכלים זמינים, הפלטפורמות מתקדמות והעובדים ברובם כבר מתנסים. ועדיין, רק אחוז קטן מהארגונים מצליחים להטמיע את הטכנולוגיה בליבת העשייה. ארגונים התרגלו לכך שהתקדמות טכנולוגית לוקחת שנים, ושהם "יכולים לחכות" עם ההטמעה, אך הם לא נתקלו בעבר בטכנולוגיה שהבשילה כל כך מהר, ממשיכה להתפתח ומייצרת ערך עסקי תוך זמן קצר. לכן, האתגר אינו הפעלה של כלים טכנולוגיים, אלא עיצוב מסגרת ארגונית שמאפשרת לטכנולוגיה לייצר ערך אמיתי. ארגונים מצליחים הם אלה שיודעים להגדיר יעדים ברורים, לזהות תהליכים בשלים לאוטומציה או תמיכה קוגניטיבית, ולהצמיד להם בעלי תפקידים אחראיים - לעיתים כאלה שלא היו קיימים קודם: מוביל AI עסקי, מנהל ממשל אתי, אדריכל תהליכים היברידיים.
אסטרטגיה, תשתית והתחלה מהירה
אנו רואים שארגונים שהצליחו להטמיע את הטכנולוגיה במהירות הסתמכו על מספר עקרונות:
- אסטרטגיה ברורה והכוונה עסקית - הגדרה מדויקת ותוכנית עבודה לשאלה: "מה אנחנו מנסים לשפר או לשנות באמצעות AI?". בלי כיוון מוגדר, קל ליפול למלכודת של פיילוטים שמתאפיינים בהרבה ניסיונות, אך מעט השפעה. בסקרים שערכנו, ארגונים שבנו מפת דרכים שאפתנית והתמקדו באזורים ספציפיים בארגון (במקום לבצע פיילוטים רוחביים בכל הארגון) השיגו תוצאות טובות יותר ומהר יותר.
- תשתית שליטה ובקרה - כלים מתקדמים מחייבים ניהול מתקדם. במקרה של GenAI, שמתקדמת במהירות, יש צורך להקים תשתית טכנולוגית מודולרית שתאפשר מצד אחד פתיחות וגמישות (יכולת לחבר מודלים וכלים שונים), ומצד שני תבטיח סטנדרטיזציה, אופטימיזציה ושימוש חוזר באבני הבניין. התשתית צריכה גם לאפשר ניהול ומעקב צמוד. יצירת ערך משמעותי דורשת הקמה של "צבא סוכנים רובוטיים" agentic framework)) שמבצעים פעולות ארגוניות, ולכן נדרשת קביעה של סטנדרטים למדידה, ניהול סיכונים ובקרה שתבטיח שה-AI לא פועל "מחוץ ללולאה".
- תרבות של למידה, שיתוף ושימוש חוזר - המפתח להטמעה רחבה הוא הפיכת העובדים לשותפים, לא רק לחשוף אותם לכלים.זה מתחיל בהדרכה, אבל לא מסתיים שם - נדרשים גם הקשבה, התאמה מקומית, ומנגנוני משוב שוטפים.
- להתחיל בקטן, לחשוב בגדול - במקום לנסות ליישם את הבינה המלאכותית "בכל מקום", ההמלצה היא לבחור תחום מוגדר שבו ניתן לייצר השפעה מובהקת: תהליך חוזר, תחום עתיר מידע, או כזה שדורש תגובה מהירה ללקוחות. אחרי הצלחה ראשונית - ניתן להתרחב. אבל מה שחשוב באמת הוא לא רק הצלחת השלב הראשון, אלא מה לומדים ממנו: אילו תהליכים השתנו? איזה חשש עלה? מה הפתיע? ארגונים שמקדישים מחשבה ל"למידה על הלמידה" - צוברים יתרון מצטבר.
לסיכום, אימוץ של AI הוא תהליך, לא אירוע חד-פעמי. הוא דורש אומץ מצד מנהלי הארגונים - לא רק להמר על טכנולוגיה חדשה, אלא לעצב מחדש את האופן שבו הארגון חושב, לומד ופועל. אלו שיבנו יכולת ניהולית ולא רק טכנולוגית - הם שיצליחו לפצח את המהפכה הזו באמת.
הכותב הוא שותף במקינזי ומוביל תחום הטכנולוגיה במקינזי ישראל. מייעץ לחברות סטארט-אפ וסקייל-אפ בישראל ובעולם, לצד ליווי חברות גדולות ומסורתיות, באימוץ טכנולוגיות מתקדמות כמו AI ודאטה.
מילא בעבר שורה של תפקידי מפתח בתעשייה המקומית ובשוק ההייטק ובהם סמנכ"ל מחשוב ודיגיטל (CDO) באל-על, שם הוביל תהליכי דיגיטציה, ו-Chief Digital Officer בבנק הפועלים, שם יזם והוביל את השקת אפליקציית התשלומים "ביט".
הוא בעל תואר ראשון במדעי המחשב ומתמטיקה מהאוניברסיטה העברית בירושלים ותואר שני במנהל עסקים MBA מבית הספר סלואן של MIT
