בינה מלאכותית כבר נמצאת בארגון. אז למה היא עדיין לא מבינה את הארגון?

אימוץ בינה מלאכותית כבר אינו האתגר המרכזי של ארגונים. בשנים האחרונות AI נכנסה כמעט לכל שכבה בארגון: עובדים משתמשים בה למחקר ולכתיבה, צוותים מפעילים כלים חכמים בתהליכים מקצועיים, וארגונים משיקים עוד ועוד פיילוטים. האתגר האמיתי מתחיל בשלב הבא - להפוך את השימוש הזה ליכולת ארגונית שמשפיעה באופן עקבי על הדרך שבה עבודה מתנהלת, החלטות מתקבלות וערך עסקי נוצר.

הפער הזה כבר מופיע בנתונים. לפי The State of AI in 2026 של McKinsey, כמעט 90% מהמשיבים מדווחים על שימוש קבוע ב-AI לפחות בפונקציה עסקית אחת. עם זאת, רק 44% מדווחים שה-AI נמצאת בתהליך הרחבה ברמת הארגון כולו, לעומת 38% שנה קודם לכן - פער שממחיש כי אימוץ AI נפוץ הרבה יותר מהיכולת להפוך אותו לתשתית ארגונית רחבה. במקביל, נייר העבודה The GenAI Divide: State of AI in Business 2025 של Project NANDA במעבדת המדיה של MIT קבע כי 95% מהארגונים שנבדקו אינם רואים תשואה כלל.

שני הנתונים מובאים עם הסייג שלהם. סקר McKinsey מבוסס על דיווח עצמי של המשיבים. המסמך של Project NANDA הוא נייר עבודה מקדמי שלא עבר ביקורת עמיתים, והנתון המרכזי שבו מתייחס לארגונים ולא לפיילוטים - גם במקומות שבהם הנייר עצמו מנסח אותו כשיעור כישלון של פיילוטים. לפי המשפך שבנייר עצמו, 60% מהארגונים בחנו כלים, 20% הריצו פיילוט ו-5% הטמיעו בהצלחה, כלומר כרבע מהארגונים שהריצו פיילוט אכן הגיעו להטמעה. גם הניסוח "ללא השפעה מדידה על רווח והפסד" אינו אומר שמישהו מדד רווח והפסד. התיקון המלא של המספר הזה מתפרסם אצלנו באנגלית.

שני המקורות מצביעים על אותו פער: הטכנולוגיה כבר נמצאת בתוך הארגון, אבל ברוב המקרים היא עדיין לא הפכה לחלק מהמערכת התפעולית שמניעה אותו. הבעיה אינה בהכרח שאין מספיק מודלים, כלים או מידע. הבעיה מתחילה במקום אחר.

הבעיה היא לא גישה למידע. היא הקשר תפעולי

אחת ההנחות הנפוצות סביב AI ארגוני היא שככל שניתן למודל גישה ליותר מידע, כך הוא יבין טוב יותר את הארגון. בפועל, גישה למידע והבנה של הארגון הן שתי יכולות שונות. ארגון יכול לחבר AI ל-CRM, ל-ERP, למסמכים, למיילים ולמערכת ניהול הפרויקטים, ועדיין לא לספק לה את מה שעובד ותיק או מנהל מנוסה יודעים כמעט באופן אינטואיטיבי: איך כל החלקים מתחברים.

נניח שהזמנה של לקוח מתעכבת. מערכת אחת יכולה להציג את סטטוס ההזמנה, במייל אחר יכולה להופיע הסיבה לעיכוב, החלטה שהתקבלה בפגישה יכולה לשנות את אופן הטיפול במקרה, ובעל תפקיד מסוים מחזיק כרגע באחריות לשלב הבא. כל מקור מתאר חלק נכון מהמציאות, אבל אף אחד מהם לבדו אינו מתאר את העבודה כולה.

כאן נכנס המושג Operational Context - הקשר תפעולי. זהו הייצוג של האופן שבו הארגון באמת עובד: הקשרים בין אנשים, תהליכים, מערכות, ישויות עסקיות, החלטות, סטטוסים ואירועים לאורך זמן. הוא מאפשר להבין לא רק מה כתוב במערכת, אלא מה המשמעות של המידע ביחס למה שקורה עכשיו, מה הוביל למצב הנוכחי ומה אמור לקרות בהמשך.

מה AI צריכה להבין כדי לפעול בתוך ארגון?

כדי לעבור ממשימה מבודדת ליכולת ארגונית, מערכת חכמה צריכה להבין שאלות שחורגות ממקור מידע אחד. היא צריכה לדעת מה קורה כרגע, איך הארגון הגיע למצב הזה, מה השתנה מאז ההחלטה האחרונה, מי אחראי לשלב הבא, אילו כללים חלים על המקרה ומה דורש פעולה עכשיו. אלה כבר אינן רק שאלות של אחזור מידע, אלא שאלות על המשמעות של המידע בתוך העבודה עצמה.

חיבור של מודל לעוד מערכות יכול להגדיל משמעותית את כמות הנתונים הזמינה לו, אבל הוא לא מייצר אוטומטית את ההיגיון שמחבר בין הנתונים. מנהל, למשל, יכול להבין שפרויקט נמצא בסיכון גם אם אף מערכת אינה מחזיקה שדה בשם "בסיכון". מבחינתו, המסקנה נוצרת מהשילוב בין חריגה בתקציב, אישור שטרם התקבל, תלות בספק ולוח זמנים שכבר השתנה.

עבור אדם שמכיר את העבודה, ארבע העובדות האלה מתחברות לתמונה אחת. עבור מערכת AI שרואה כל רשומה בנפרד, הן עלולות להישאר ארבע עובדות נפרדות. בדיוק בנקודה הזו הופך Operational Context משכבת מידע נוספת לתנאי שמאפשר ל-AI להבין מה קורה בארגון ולא רק לקרוא את הנתונים שלו.

למה פיילוטים מצליחים, אבל מתקשים להגיע לסקייל?

פיילוט פועל בדרך כלל בתוך סביבה מוגדרת. בוחרים תהליך אחד, מספר מצומצם של מקורות מידע, קבוצת משתמשים קטנה ותוצאה ברורה שאותה רוצים להוכיח. בתוך הגבולות האלה קל יותר לייצר את ההקשר הנדרש עבור התרחיש, ולכן אפשר להראות במהירות שהטכנולוגיה מסוגלת לבצע משימה מסוימת ולייצר תוצאה טובה.

המעבר מהפיילוט לעבודה ארגונית רחבה משנה את המשוואה. תהליכים חוצים מחלקות, מידע מתעדכן לאורך זמן, אחריות עוברת בין בעלי תפקידים, חריגים נכנסים לתמונה והחלטה שמתקבלת במקום אחד יכולה להשפיע על כמה מערכות ותהליכים במקביל. בשלב הזה השאלה כבר אינה רק האם המודל מסוגל לייצר תשובה טובה, אלא האם הוא מבין את ההקשר שבו התשובה הזו צריכה להפוך לפעולה.

זו גם אחת הסיבות לכך שאפשר לראות אימוץ מהיר של כלי AI אישיים לצד קצב איטי יותר של פריסה ארגונית. להוסיף כלי לעובד הוא מהלך נקודתי יחסית. לייצר תמונה תפעולית משותפת שממנה מערכות חכמות יכולות לפעול לאורך זמן דורש בסיס אחר - כזה שאינו נבנה מחדש בכל פיילוט או Use Case.

מה חסר בין מערכות הליבה לבין ה-AI?

מערכות הליבה בארגון נבנו כדי לנהל תחומים מוגדרים. ה-CRM מנהל לקוחות ואינטראקציות, ה-ERP מחזיק עסקאות ומשאבים, מערכות ניהול העבודה מתעדות משימות וסטטוסים, ומסמכים ומיילים מחזיקים חלק גדול מההחלטות והידע שנוצרים לאורך הדרך. זה אינו כשל של המערכות; הן עושות בדיוק את מה שנבנו לעשות.

הפער נמצא ביניהן. אותו לקוח, פרויקט, נכס או תהליך יכול להיות מיוצג באופן שונה בכמה מערכות, כאשר כל אחת מחזיקה חלק אחר מהמציאות. חלק מהידע נמצא בנתונים מובנים, חלק בהחלטות, חלק באחריות של בעלי תפקידים וחלק בקשרים שנוצרים ומשתנים לאורך זמן.

כאשר אין ייצוג משותף של הקשרים האלה, כל יכולת AI חדשה נדרשת למעשה לשחזר מחדש את ההקשר שהיא צריכה עבור תרחיש השימוש שלה. ככל שמספר ה-Agents, המודלים ומקרי השימוש גדל, כך הגישה הזו הופכת קשה יותר להרחבה. במקום עוד חיבור נקודתי בין כלי למערכת, נדרש בסיס שמייצג את המודל התפעולי של הארגון מעל המערכות הקיימות.

Operational System of Record - שכבה משותפת למציאות התפעולית

הבסיס הזה אינו אמור להחליף את ה-CRM, את ה-ERP או את יתר מערכות הליבה. המערכות הקיימות ממשיכות להיות מקורות האמת בתחומן, אבל מעליהן נדרשת שכבה שמייצגת את הקשרים ביניהן ואת העבודה שמתרחשת באמצעותן: מה קורה, מה השתנה, מי אחראי, אילו ישויות קשורות זו לזו ומה המשמעות של כל אירוע ביחס לתהליך כולו.

אפשר לחשוב על השכבה הזו כעל Operational System of Record - ייצוג משותף של המציאות התפעולית של הארגון. כאשר הוא קיים, אנשים ומערכות AI יכולים לפעול מתוך אותה תמונה. מנהל אינו צריך להרכיב ידנית כמה גרסאות של אותו מצב, ומערכת חכמה אינה נדרשת להסיק מחדש בכל פעם מה משמעות הנתונים שמגיעים ממקורות שונים.

המשמעות רחבה יותר מתרחיש שימוש בודד. במקום לבנות מחדש אינטגרציה, הקשר והיגיון עסקי עבור כל Agent או Use Case, הארגון יוצר שכבה תפעולית משותפת שמתעדכנת יחד עם העבודה. המודלים יכולים להשתנות, ה-Agents יכולים להתחלף ומקרי השימוש יכולים להתרחב, אבל ההבנה המשותפת של הארגון נשארת הבסיס שעליו הם פועלים.

זו השכבה ש-HIVO בונה

HIVO היא The Operational System of Record for Enterprise AI - שכבה שמייצגת את הדרך שבה הארגון באמת עובד מעל המערכות שכבר מנהלות אותו. המטרה אינה להוסיף עוד מודל או עוד ממשק, אלא ליצור בסיס תפעולי משותף שמייצג את הקשרים בין מידע, אנשים, תהליכים, החלטות וישויות עסקיות.

כאשר הבסיס הזה קיים, AI מקבלת את ה-Operational Context שנדרש כדי לפעול מתוך המציאות של הארגון ולא רק מתוך מקור מידע מסוים. כל תרחיש שימוש חדש אינו צריך להתחיל מחדש מהשאלה "איך הארגון הזה עובד?", אלא יכול להישען על מודל תפעולי שכבר קיים ומתעדכן כחלק מהעבודה עצמה.

כך HIVO הופכת את הדיון מ"לאיזה מודל צריך להתחבר?" לשאלה מהותית יותר: איזה בסיס תפעולי צריך להתקיים כדי שאנשים ומערכות חכמות יוכלו לפעול מתוך אותה תמונה.

מבינה מלאכותית שנמצאת בארגון לבינה מלאכותית שמבינה את הארגון

השלב הבא של בינה מלאכותית ארגונית לא ייקבע רק לפי מי משתמש במודל החזק ביותר או מי מריץ את מספר הפיילוטים הגדול ביותר. הוא ייקבע גם לפי היכולת של הארגון לתת למערכות החכמות הקשר אמין, משותף ועדכני על הדרך שבה העבודה באמת מתרחשת.

האתגר כבר אינו להביא AI לתוך הארגון - היא כבר שם. האתגר הוא לתת לה את ה-Operational Context של הארגון, כך שהיא תוכל להבין את הקשרים בין מידע, החלטות, אחריות ותהליכים ולפעול מתוכם.