מהפכת הבינה המלאכותית: ממבוכה ראשונית ליתרון תחרותי - תובנות מסקר Protiviti AI Pulse

מבוא

בשנים האחרונות הפכה הבינה המלאכותית (AI) מאוסף של ניסויים אלגנטיים לתשתית עסקית חיונית. חברות משקיעות סכומי עתק בטכנולוגיות חיזוי, יצירה אוטונומית, רובוטיקה וניתוח נתונים כדי לשפר תפעול, להקטין עלויות ולהרחיב את היצע השירותים. אולם הצלחת ההשקעות באינטליגנציה מלאכותית איננה מובנת מאליה. כדי להבין כיצד ארגונים מתמודדים עם מימוש ערך מהטכנולוגיות החדשות, ערכה חברת הייעוץ Protiviti במהלך מרץ-אפריל 2025 את “AI Pulse Survey” המהווה מחקר עולמי רחב היקף שמטרתו לבדוק מה מצב היישום של AI, כמה מרוצים מהשקעותיהם ומהם האתגרים העיקריים בדרך. מחקר זה, שהינו הראשון בסדרה מתוכננת, מציג תובנות חשובות על התקדמות הבינה המלאכותית בארגונים ומציע המלצות מעשיות למנהלים בישראל ובעולם.

מתודולוגיה ופרופיל הנסקרים

הסקר נערך בתקופה מרץ-אפריל 2025 וכלל 1,026 משתתפים ממגוון תעשיות וגדלים. כ‑176 מהמשתתפים היו מנהלים בכירים (C‑suite) או חברי דירקטוריון, והיתר כללו סמנכ״לים, מנהלי יחידות ודירקטורים. התעשיות העיקריות שהשתתפו היו טכנולוגיה (11% מהנשאלים) וייצור (10%), כאשר 42% מהמשיבים הגיעו מארצות הברית והשאר מחולקים בין הודו, בריטניה, יפן ושווקים נוספים. מבחינת פונקציות ארגוניות, המדגם כלל אנשי טכנולוגיה (27%), תפעול (18%), פיננסים (11%), רגולציה וציות (10%) ותחומים אחרים. מגוון זה מאפשר לקבל תמונה רחבה של מוכנות ארגונים ל‑AI ברחבי העולם.

מפת הדרכים של האימוץ: חמישה שלבים בדרך לבשלות AI

אחת התובנות המרכזיות של הסקר היא שרוב מוחלט של הארגונים נמצא עדיין בשלבים המוקדמים או באמצע הדרך של מסע אימוץ הבינה המלאכותית. מעטים מאוד, פחות מ-8%, הגיעו לשלב שבו הטכנולוגיה משמשת כמנוע לחדשנות פורצת דרך ויתרון תחרותי משמעותי. כדי להבין את הדינמיקה הזו, Protiviti משרטטת מודל בן חמישה שלבי בשלות, המאפשר לארגונים למקם את עצמם על הרצף ולהבין את הצעדים הבאים הנדרשים מהם.

חמשת שלבי הבשלות על פי Protiviti:

שלב 1: ראשוני (Initial Exploration - 19% מהארגונים): בשלב זה, הארגון מכיר בפוטנציאל הטמון ב-AI, אך הבנתו מוגבלת ואין לו עדיין יוזמות אסטרטגיות קונקרטיות. מדדי ביצוע מרכזיים (KPIs) טרם הוגדרו, והפעילות מתאפיינת בעיקר בלמידה ראשונית.

שלב 2: התנסות (Experimentation - 32% מהארגונים): זהו השלב בו נמצא הריכוז הגדול ביותר של חברות. ארגונים בשלב זה יוזמים פרויקטים קטני היקף ותוכניות פיילוט כדי לבחון את ההיתכנות והתועלות של יישומי AI ספציפיים. המטרה היא לבדוק את המים ולהבין היכן הטכנולוגיה יכולה להשתלב.

שלב 3: מוגדר (Defined - 21% מהארגונים): בשלב זה, פתרונות AI כבר משולבים בתהליכים עסקיים קיימים במטרה לשפר את היעילות התפעולית ואת תהליכי קבלת ההחלטות. האינטגרציה הופכת לממוסדת יותר, והארגון מתחיל לראות ערך מוחשי.

שלב 4: אופטימיזציה (Optimization - 20% מהארגונים): ארגונים בשלים אלו כבר הטמיעו מערכות AI ומתמקדים בשיפור מתמיד של הביצועים וההרחבה שלהן. התהליך מבוסס על משוב מנתונים, במטרה למקסם את הערך המופק מהמערכות הקיימות.

שלב 5: טרנספורמציה (Transformation - 8% מהארגונים): זוהי הפסגה של בשלות ה-AI. בשלב זה, הטכנולוגיה אינה רק כלי לשיפור, אלא מנוע לשינוי עסקי משמעותי. היא יוצרת מודלים עסקיים חדשים, פותחת הזדמנויות שלא היו קיימות קודם לכן, ומעצבת מחדש את הנוף התעשייתי כולו.

הפערים בין המגזרים השונים בולטים במיוחד. סקטור הטכנולוגיה, באופן לא מפתיע, מוביל בפער ניכר, כאשר מעל 70% מהחברות בו נמצאות בשלבים 3 או 4. לעומת זאת, סקטור הייצור והתעשייה מראה נוכחות גדולה (37%) בשלב ההתנסות (שלב 2), מה שמעיד על בחינה אקטיבית של מקרי שימוש כמו תחזוקה חזויה, בקרת איכות ורובוטיקה. בתוך הארגונים עצמם, מחלקות ה-IT מובילות באופן עקבי את אימוץ הטכנולוגיה (53% מהמקרים), ואחריהן ניצבות מחלקות שירות הלקוחות והתפעול (48%), המדגישות את הערך המיידי של AI באוטומציה ויעילות.

שביעות רצון מהשקעות ו‑ROI

אחת השאלות הבוערות ביותר עבור כל מנהל היא "מה ההחזר על ההשקעה?". הסקר מציג תמונה אופטימית באופן כללי: 85% מהארגונים מדווחים כי ההחזר על השקעתם ב-AI עומד בציפיות או אף עולה עליהן. עם זאת, הסיפור המלא מורכב יותר וחושף כי שביעות הרצון מההשקעה אינה מיידית, אלא גדלה באופן דרמטי ככל שהארגון מתקדם בשלבי הבשלות.

המסלול להחזר השקעה אינו ליניארי. בשלבים המוקדמים, קיימת סבירות גבוהה לאכזבה. בשלב 1, למעלה משליש מהארגונים (36%) מדווחים שההחזר על ההשקעה היה נמוך מהציפיות. הנתון הזה צונח ל-21% בשלב 2, ומשם ממשיך לרדת באופן דרמטי ל-5% ו-4% בשלבים 3, 4 ו-5 בהתאמה.

הצד השני של המטבע מרשים לא פחות. ככל שהבשלות עולה, כך גם שביעות הרצון נוסקת. בשלב 5, שלב הטרנספורמציה, 96% מהמשיבים מביעים שביעות רצון כוללת מהשקעתם. נתון מדהים עוד יותר הוא שכ-75% מהארגונים בשלב זה מדווחים שההחזר על ההשקעה עלה על הציפיות (באופן מתון או משמעותי), ו-47% מהם אף מדווחים כי הוא "עלה על הציפיות באופן משמעותי". המסר ברור: סבלנות והתמדה משתלמות. ההשקעות הראשוניות הגבוהות עשויות לעכב את התשואה, אך בנייה שיטתית של יכולות מובילה לתוצאות פיננסיות טובות יותר באופן מובהק.

מעניין גם לראות כיצד תפיסת ההצלחה משתנה בהתאם לתפקיד בארגון. הסקר מראה כי דרג ההנהלה הבכירה (C-suite) הוא האופטימי ביותר בנוגע לתשואות מ-AI. הסיבה לכך, ככל הנראה, היא ראייתם הרחבה, המאפשרת להם לזהות תועלות במגוון רחב של תהליכים ולחבר בין מקרי שימוש שונים ברחבי הארגון. מנהלים בדרגי ביניים, לעומתם, נוטים להיות חשופים פחות לתמונה הכוללת ולכן תופסים פחות תועלות. נתון זה מדגיש את החשיבות של יצירת אסטרטגיה מגוונת של מקרי שימוש, כדי להדגים את הערך ברבדים שונים של הארגון.

האתגרים בדרך

הדרך לאימוץ AI אינה חפה מקשיים. הסקר מזהה מספר אתגרים מרכזיים, ומראה כיצד גם הם מתפתחים ומשנים את פניהם ככל שהארגון מתבגר.

האתגר הגדול ביותר, באופן חוצה-ארגונים ותעשיות, הוא האינטגרציה של טכנולוגיות AI עם מערכות קיימות. כ-30% מכלל המשיבים ציינו זאת כחסם העיקרי. ארגונים רבים מסתמכים על מערכות לגאסי שלא תוכננו מתוך מחשבה על AI, והשילוב ביניהן כרוך בקשיים הנובעים מפורמטי נתונים לא תואמים, ארכיטקטורה מיושנת ומגבלות API. אתגר זה מגיע לשיאו בשלבי הבשלות האמצעיים (שלבים 2 ו-3), שם הוא הופך לדאגה המרכזית (30% ו-37% בהתאמה). זהו השלב שבו הארגון כבר זיהה מקרי שימוש, אך מתקשה "לחבר את החוטים" ולשלב את הטכנולוגיה החדשה במרקם התפעולי הקיים.

עם זאת, ככל שהארגונים מתקדמים, אתגר האינטגרציה, על אף שנותר משמעותי, מפנה את מקומו לדאגה חדשה-ישנה: זמינות וגישה לנתונים (Data). בשלבים המוקדמים, הבעיה העיקרית היא חוסר הבנה לגבי מקרי השימוש היעילים ביותר (32% בשלב 1). אך בשלבים המתקדמים, כאשר הארגון כבר יודע מה הוא רוצה לעשות, הוא מגלה שהאתגר הגדול ביותר הוא להזין את המודלים בנתונים איכותיים, נגישים ומדויקים. בשלב 5, זמינות הנתונים הופכת לאתגר מספר אחת, עם 29% מהמשיבים המציינים אותה כחסם העיקרי.

מומחי Protiviti מדגישים כי נתונים איכותיים הם "משני משחק" להצלחה ב-AI, אך חשיבותם נדחקת לעיתים קרובות לשוליים בשלבים המוקדמים. האנלוגיה שלהם חדה וברורה: זה כמו לבנות משרד ביתי מפואר מבלי לוודא שיש שקע חשמל נגיש. ארגונים מגלים את הפערים באיכות הנתונים שלהם רק כשהם מתחילים להתנסות בפועל. לכן, ההמלצה היא לתעדף את נושא הנתונים מההתחלה, להעריך את צורכי המידע כבר בשלב התכנון, ולהבטיח תשתית נתונים יציבה ומאובטחת.

כיצד מודדים הצלחה בבינה מלאכותית?

בדיוק כפי שהאתגרים משתנים, כך גם מדדי ההצלחה. הסקר חושף אבולוציה ברורה באופן שבו ארגונים מודדים את התועלת מבינה מלאכותית.

בשלבים המוקדמים (1-2), הפוקוס הוא באופן טבעי על תועלות מיידיות ומוחשיות. המדדים המובילים הם חיסכון בעלויות, פריון עובדים ויעילות תפעולית. בשלב 1, לדוגמה, 60% מהארגונים רואים בחיסכון בעלויות את המדד החשוב ביותר. בשלב 2, היעילות התפעולית (Process Efficiency) תופסת את ההובלה עם 66%. המטרה בשלבים אלו היא להצדיק את ההשקעה הראשונית באמצעות "ניצחונות מהירים" והוכחת היתכנות.

אולם, ככל שהארגונים מתבגרים ועוברים לשלבים המתקדמים (4-5), מתרחש שינוי כיוון אסטרטגי. בעוד שהמדדים התפעוליים נותרים חשובים, הדגש עובר ליעדים אסטרטגיים יותר כמו צמיחה בהכנסות (Revenue Growth) ושביעות רצון לקוחות (Customer Satisfaction). בשלבים אלו, הארגון כבר לא מסתפק בשימוש ב-AI כדי "לעשות את אותם דברים, רק יותר טוב", אלא שואף להשתמש בו כדי "לעשות דברים חדשים" – להציע מוצרים טובים יותר, לשפר את חווית הלקוח ולהוביל לגידול אמיתי בשורה העליונה. שינוי מנטלי זה הוא קריטי, והוא מסמן את המעבר משימוש טקטי בטכנולוגיה למינוף אסטרטגי שלה לצורך צמיחה וחדשנות.

 המלצות מומחים להצלחה בעולם ה-AI

בהתבסס על ממצאי הסקר, מומחי Protiviti, כריסטין ליווינגסטון ובריאן טרוקמורטון, מציעים מפת דרכים מעשית לארגונים השואפים לנווט בהצלחה את מסע ה-AI. עצותיהם משלימות זו את זו ויוצרות גישה המשלבת יסודות אסטרטגיים עם ביצוע מהיר וגמיש

היסודות על פי כריסטין ליווינגסטון

ליוונגסטון מדגישה כי בניית בסיס איתן בשלבים המוקדמים היא חיונית להצלחה. לדבריה, "הטעות הנפוצה ביותר אינה קשורה להצבת ציפיות, אלא לחוסר הבנה ברורה של מה אתה מנסה להשיג עם AI מלכתחילה". ללא בהירות זו, קשה למצות את הפוטנציאל המלא של הטכנולוגיה. היא מציעה להתחיל בשאלות בסיסיות: "מדוע אנחנו מנסים לשלב AI, ואילו בעיות ספציפיות אנחנו שואפים לפתור?".

כדי להתמודד עם אתגרים מרכזיים כמו הגדרת יעדים, אינטגרציה ואימות נתונים, ליווינגסטון מציעה מודל עבודה בן ארבעה שלבים:

1. חזון (Envision): זהו את ההזדמנויות הטובות ביותר לשימוש ב-AI ובחרו את הכלים והטכנולוגיות המתאימים. העריכו תרחישים וסיכונים פוטנציאליים כדי להבטיח גישה מאוזנת.

2. ביסוס (Establish): פתחו אסטרטגיה להבטחת מוכנות הנתונים ("Do I have the right data?") והעריכו את ההיתכנות הטכנית ואת פרופיל הסיכון של מקרי השימוש.

3. ביצוע (Execute): שלבו את פתרונות ה-AI במערך הטכנולוגי הקיים, הכינו את סביבת הנתונים, והקפידו על עקרונות של AI אחראי (Responsible AI) כדי לשמור על אבטחה ויושרה

4. התפתחות (Evolve): הצלחה ארוכת טווח דורשת בחינה, התאמה ושיפור מתמידים של מערכות ה-AI. בצעו ביקורות ועדכונים שוטפים כדי להבטיח יעילות ועמידה בדרישות.

עצותיו של בריאן טרוקמורטון

טרוקמורטון משלים את התמונה וטוען כי "העידן של יישום AI איטי ומקוטע הסתיים". לאור העובדה שארגונים בשלים מפיקים תשואות גבוהות יותר, השאלה המרכזית היא כיצד ניתן לצבור תאוצה. התשובה, לדבריו, היא לנוע במהירות כדי להפוך אתגרים להזדמנויות.

הוא מציע מספר דרכים מעשיות להאיץ את ההתקדמות:

1. אסטרטגיה ממוקדת ערך: ניתן להתקדם רק כאשר מבינים מה הערך העסקי של כל מקרה שימוש. אם אי‑אפשר לשרטט אפילו ערך הערכה בסיסי, עדיף לחפש מקרה אחר.

2. חשיבה קטנה וגדולה כאחד: להתחיל בפרויקטים ברי‑ביצוע כדי להוכיח ערך, אך בהמשך לבחון תהליכים עסקיים רחבים ולדמיין כיצד ניתן לשנות אותם מקצה לקצה.

3. הקמת מרכז מצוינות (COE): ייעול פרויקטים וקבלת החלטות שיטתיות באמצעות איחוד המשאבים המוגבלים ויצירת מודל תפעולי כולל, כולל מסגרת לניהול סיכונים.

4. בחינה מחדש של תפקידי עובדים ומעורבות: פיתוח כלים כגון ChatGPT ו‑Copilot מראה שעובדים מאמצים AI כדי לשפר יצירתיות ויעילות ולכן כדאי להתגבר על החשש משינוי תפקידים ולהדגיש ש‑AI מסייע ולא מחליף.

5. אסטרטגיית תקשורת: שיתוף עם העובדים והמנהלים כיצד AI עתיד לשנות את התהליכים, תוך יצירת חזון אחיד.

6. מהירות: בעולם שבו שינויים דיגיטליים מתרחשים במהירות, מי שמאחר לא רק מפספס הזדמנויות אלא גם נפגע מתחרות, ולכן פיתוח "שריר ארגוני" המאפשר תגובה מהירה יהווה יתרון משמעותי.

מה כדאי לעשות עכשיו?

כדי לרתום את מלוא הפוטנציאל של הבינה המלאכותית, הדוח ממליץ לארגונים להתמקד בשלושה צירים מרכזיים:

• אנשים: יש להשקיע בהכשרה ובשיפור מיומנויות (Upskilling) של כוח האדם כדי לגשר על פערי הידע הטכני והעסקי ב-AI. על הארגון לעודד למידה מתמשכת, בעיקר כאשר הכלים והמודלים משתנים במהירות.

• תהליכים: יש לקבוע יעדים ברורים, ספציפיים ומדידים עבור כל יוזמת AI, ולוודא שהם עולים בקנה אחד עם היעדים העסקיים של הארגון.

• טכנולוגיה: יש לבחור ולבנות תשתית טכנולוגית שתהיה גמישה, ותוכל להשתלב עם המערכות הקיימות. כפי שהסקר מראה, הצורך בתמיכה טכנולוגית ותשתיתית רק גובר ככל שהבשלות עולה.

סיכום - מסע מתמשך לעבר עתיד חכם יותר

סקר ה-AI Pulse של Protiviti מספק תזכורת חשובה: אימוץ בינה מלאכותית הוא מרתון, לא ספרינט. רוב הארגונים עדיין נמצאים בראשית דרכם, מתמודדים עם אתגרים של הבנה, אינטגרציה ואיכות נתונים. עם זאת, התמונה הכוללת מעודדת מאוד. היא מראה קשר ישיר וחזק בין התמדה והשקעה שיטתית לבין הצלחה מוחשית.

הארגונים שישכילו לעבור את שלבי ההתנסות הראשוניים יגלו כי ההחזר על ההשקעה לא רק מגיע, אלא אף עולה על הציפיות. הם יראו כיצד מדדי ההצלחה מתפתחים מחיסכון בעלויות גרידא ליצירת ערך אסטרטגי, צמיחה וחדשנות. המסע הזה דורש סבלנות, חזון אסטרטגי, ונכונות להשקיע באופן מאוזן באנשים, בתהליכים ובטכנולוגיה. עבור אלו שיעשו זאת נכון, ההזדמנות היא עצומה: לא רק לשרוד במהפכת ה-AI, אלא להוביל אותה ולעצב את עתיד התעשייה שלהם.

לסקר המלא בשפה האנגלית: How AI Maturity Impacts ROI: Insights by Protiviti | Protiviti US