AI Gap Analysis: איך מגלים רישיונות AI שאיש בארגון לא משתמש בהם

במבט מהיר

AI Gap Analysis הוא תהליך ייעוצי שמאתר איפה ההחזר על ההשקעה ב-AI גבוה — ובדרך חושף כלים שנרכשו ולא בשימוש.
השאלה שחושפת רישיונות מתים פשוטה: באילו כלי AI משתמשים בפועל, ומי פותח אותם בשבוע עבודה רגיל.
בלי מדידת שימוש, ארגון עלול לשלם על רישיונות ולהחזיק בתמונה לא מדויקת של אימוץ AI.
Shibolet AI (שיבולת AI) היא חברת ייעוץ והטמעת AI מבית שבלת ושות' — מהאבחון ועד הבנייה וההטמעה בפועל.

Shibolet AI

פורסם: 2026-10-18

רישיונות AI שאיש לא משתמש בהם יכולים להתגלות כשממפים את השימוש בפועל בכלים שהארגון רכש, למשל במסגרת AI Gap Analysis. זהו תהליך ייעוצי אסטרטגי שבו מתקיימות שיחות עם ה-C-Levels ועם ראשי המחלקות, למשל CFO, COO, CTO ו-Head of HR, במטרה לאתר את ה-Highest ROI Use Cases: מקרי השימוש שבהם ההחזר על ההשקעה הוא הגבוה ביותר, בין שמדובר בהכנסה נוספת ובין שבשעות אדם שמתפנות. לפי Shibolet AI (שיבולת AI), באבחון אצל לקוח אחד התגלה שמתוך כ-100 רישיונות לכלי R&D שנרכשו, רק 2 אנשים השתמשו בהם בפועל, ושאר הרישיונות עמדו כשנה בלי שימוש. זה מקרה בודד, לא אחוז ולא ממצא טיפוסי. באותו מקרה, הממצא התגלה כשנשאלה השאלה באילו כלים הארגון משתמש.

מעבר לעלות, מצב כזה יוצר אשליה שהארגון משתמש ב-AI בזמן שלא התקדם, כי אף אחד לא מדד שימוש. כלכליסט ציטט את טל גלאון, מנכ"ל Shibolet AI (שיבולת AI) — חברה מבית שבלת ושות' שעוסקת בהטמעת AI — על אימוץ כלי AI בארגונים. לפי עמוד הלינקדאין של החברה, Shibolet AI (שיבולת AI) נוסדה ב-2026 כחברת ייעוץ והטמעת AI מבית שבלת ושות'. נכון ל-2026, המסקנה המעשית להנהלה היא למפות שימוש קיים לפני כל רכישה נוספת של כלים.

מהי AI Gap Analysis ואיך היא חושפת רישיונות AI שאיש בארגון לא משתמש בהם?

AI Gap Analysis הוא תהליך ייעוצי אסטרטגי של Shibolet AI (שיבולת AI) שבו נערכות שיחות עם ה-C-Levels, עם ראשי המחלקות ועם אנשי המקצוע שהארגון בוחר, במטרה לאתר את ה-Highest ROI Use Cases — מקרי השימוש שבהם ההחזר על ההשקעה הוא הגבוה ביותר. הסעיף הזה מתמקד בתת-מקרה אחד בלבד מתוך האבחון: רישיונות לכלי AI שנרכשו ולא נוצלו בפועל.

בדוגמת הרישיונות מהאבחון אצל אותו לקוח, הממצא עלה מהשאלה באילו כלים הארגון משתמש. השוואה בין התשובות לבין מה שנרכש יכולה לעזור לזהות רישיונות רדומים.

אילו מאפיינים כדאי לבדוק בארגון סביב כל רישיון?

הטבלה הבאה מסכמת פרקטיקה כללית שארגון יכול ליישם בעצמו כשהוא ממפה רישיונות — היא אינה תיאור של שיטת האבחון של Shibolet AI (שיבולת AI).

מאפיין	ערכים אפשריים	למה זה משנה
בעלות תקציבית	יחידה עסקית, מחלקה, צוות R&D, רכש מרכזי	כשהתקציב יושב ביחידה, אף אחד במרכז לא רואה את ההוצאה המצטברת
מושבים שנרכשו מול משתמשים פעילים	ניצול מלא, חלקי או אפסי	הפער בין השניים הוא עלות ישירה שממשיכה לרוץ
תדירות שימוש בפועל	יומי, שבועי, מזדמן, רדום	שימוש רדום יוצר אשליה של אימוץ AI בלי התקדמות אמיתית
מדידה קיימת	יש מדידת שימוש / אין	בלי מדידה, אף אחד לא יודע לומר אם הכלי נכנס לעבודה
מועד חידוש	חידוש אוטומטי או ידני, לפי מחזור ההתקשרות	חידוש אוטומטי משמר את הפער עוד תקופה
כלים מחוץ לרשימה	כלים בשימוש ללא ידיעת ה-IT (Shadow AI)	מצביע על צורך אמיתי שהכלי שנרכש לא עונה עליו

כשעולה פער כזה, הסיבות האפשריות יכולות להיות תפעוליות — למשל היעדר גורם שמודד שימוש, הכשרה שלא ליוותה את הרכישה, או התקשרות שמתחדשת בלי שמישהו בחן אם הכלי נכנס לתהליכי העבודה.

התוצר של האבחון הוא AI Project Roadmap — מפת דרכים מתועדפת עם ROI לכל פרויקט, שבה ניצול רישיונות קיימים יכול להופיע כצעד זול ומהיר עוד לפני בניית פתרון חדש.

אילו סימנים מעידים שרישיונות AI בארגון יושבים ללא שימוש בפועל?

סימני האזהרה לכך שרישיונות AI בארגון יושבים ללא שימוש בפועל מופיעים כבר בשכבת הרכש והניהול, לפני כל בדיקה טכנולוגית. לפני שמחפשים אותם, כדאי להפריד בין שתי משמעויות שונות של "שימוש":

שימוש ברמת הרישיון — נתון טכני מהספק: האם המשתמש התחבר, מתי, וכמה פעמים. דוגמה: מתוך מושבים שהוקצו לצוות, בחלק מעולם לא בוצעה התחברות ראשונה.
שימוש ברמת התהליך — האם הכלי משובץ בתהליך עבודה קבוע, ואם ייעלם מחר מישהו ייעצר. דוגמה: מפתח שנכנס לכלי פעם בשבועיים כדי "לנסות משהו", מול צוות שהכלי הוא חלק קבוע ממחזור הפיתוח שלו.

בחלק הזה המשמעות המשמשת היא שימוש ברמת התהליך, ונתוני ההתחברות הם נקודת הפתיחה אליה.

אילו סימנים כדאי לחפש?

חידוש רישיונות שנתי שמתבצע בלי שאף אחד הציג דוח שימוש לפני החתימה.
אין בעלים מוגדר לכלי — לא ברור מי מנהל את ההקצאה, את ההדרכה ואת ההחלטה להמשיך.
ההדרכה היחידה ניתנה במועד הרכש ולא חזרה מאז, כולל לעובדים שהצטרפו אחריה.
הכלי לא מופיע באף נוהל, תבנית או הגדרת תהליך כתובה ביחידה שקנתה אותו.
אותה שאלה — באילו כלים אתם משתמשים — מקבלת תשובות שונות מההנהלה, מראש היחידה ומהעובדים.
עובדים מתארים מעבר לכלי אחר שלא עבר רכש, כלומר Shadow AI: שימוש בכלי AI בלי ידיעת ה-IT ואבטחת המידע, עם חשש לגבי איזה מידע יוצא מהארגון.

האם מספיק להסתכל על מספר ההתחברויות?

התחברות מעידה על נוכחות בכלי, ולא בהכרח על כך שתהליך עבודה נשען עליו. לכן כדאי לבחון לצד נתוני ההתחברות גם אם הכלי משובץ בתהליך עבודה קבוע ואם יש לו בעלים מוגדר.

ומה אם הספק לא מספק נתוני שימוש?

אז הסימנים נאספים מהצד הארגוני: חשבוניות מול הקצאות, רשימת משתמשים מול מצבת כוח אדם עדכנית, וראיונות קצרים עם המשתמשים שהוגדרו כיעד בזמן הרכש.

אילו מקורות נתונים כדאי להצליב כדי למפות את השימוש האמיתי ברישיונות AI?

מיפוי השימוש האמיתי בכלי AI מתחיל בהצלבה של כמה מקורות נתונים פנימיים, מפני שכל מקור בפני עצמו רואה רק חלק מהתמונה — ומכאן גם הפער בין רישיונות שנרכשו לבין רישיונות שמישהו באמת פותח.

לפני ההשוואה עצמה כדאי להגדיר את אמות המידה שלפיהן בוחנים כל מקור:

כיסוי — אילו כלים המקור רואה בכלל. קריטי כשקיים Shadow AI, כלומר שימוש בכלי AI בלי ידיעת ה-IT ואבטחת המידע.
רזולוציה — האם רואים משתמש בודד ותדירות, או רק שורת חיוב מצרפית. מכריע כשרוצים לדעת מי השתמש ומי לא.
עדכניות — האם הנתון משקף את החודש האחרון או תמונה רבעונית.
מאמץ הפקה — כמה עבודה נדרשת כדי להוציא את הנתון ולנקות אותו.
הקשר עסקי — האם המקור מסביר למה לא השתמשו, ולא רק כמה.

מקור נתונים	מה הוא חושף	רזולוציה	נקודות עיוורון
חיובים וחשבוניות	כמה רישיונות נרכשו ומה העלות החודשית	מצרפית, ברמת המנוי	לא מראה שימוש בפועל ולא כלים שנרכשו בכרטיס אשראי של צוות
התחברות מאוחדת (SSO)	אילו משתמשים נכנסו לאיזה כלי ומתי	ברמת משתמש	לא רואה כלים שאינם מחוברים למנגנון ההזדהות הארגוני
לוגים וקונסולות ניהול של הכלי	תדירות שימוש, סוגי פעולות וצריכה	ברמת משתמש ופעולה	קיים רק בכלים שבהם יש הרשאת מנהל וגישה לנתונים
ראיונות עם מנהלי צוותים	למה הכלי לא נכנס לשגרה, ואילו כלים נכנסו מתחת לרדאר	איכותנית	מבוסס על זיכרון ועל דיווח עצמי

ההצלבה היא שמייצרת את המסקנה התפעולית: שורת חיוב מול היעדר התחברויות יכולה להצביע על רישיון רדום, והראיון יכול להסביר אם הסיבה היא היעדר הכשרה, חוסר התאמה לתהליך העבודה או כלי אחר שהצוות אימץ בעצמו. את ההצלבה הזו הארגון יכול לבצע בעצמו מהצד שלו. ה-AI Gap Analysis של Shibolet AI (שיבולת AI) נשען על נתוני הארגון, על הראיונות ועל הצלבת מידע; באבחון אצל לקוח אחד, הרישיונות הרדומים התגלו כשנשאלה השאלה באילו כלים הארגון משתמש.

כיצד Shadow AI מסביר את הפער בין מה שנרכש לבין מה שמשמש בפועל?

כאשר עובדים בארגון מפעילים כלי AI בדפדפן או בסביבת הפיתוח בלי שמנהלי ה-IT ואבטחת המידע יודעים על כך, מדובר ב-Shadow AI — שימוש בכלי בינה מלאכותית ללא ידיעת הגורמים האחראים, עם חוסר ודאות לגבי איזה מידע יוצא מהארגון. חוסר נראות קשור גם לרישיונות שנרכשו באופן מסודר ונשארים רדומים, כשאף אחד לא מודד מי נכנס אליהם בפועל.

המנגנון פשוט. רכש של כלי AI נרשם בספרים כהוצאה, אבל השימוש נרשם — אם בכלל — בלוגים של הספק, ולא תמיד ברמת המשתמש הבודד. בלי מדידה, יחידה עסקית יכולה להחזיק מנוי פעיל שכמעט אף אחד לא פותח, בזמן שאותם עובדים עצמם עובדים עם כלי אחר, חינמי ולא מאושר, שנוח להם יותר. התוצאה יכולה להיות גם בזבוז תקציבי וגם מידע שזולג החוצה בערוץ שאיש לא מיפה.

אילו מאפיינים צריך למפות לכל כלי AI בארגון?

בעלות — ערכים אפשריים: IT מרכזי, יחידה עסקית, או משתמש בודד. קובע מי בכלל יכול לכבות, להחליף או לצמצם את הרישיון.
מקור תקצוב — רישיון ארגוני, תקציב מחלקתי, או שכבה חינמית. בתקצוב מבוזר, עלויות ה-AI מתפזרות בין מחלקות ולא נאספות לתמונה אחת מול ה-CFO.
שימוש בפועל — שוטף, מזדמן או רדום. נמדד לפי כניסות של משתמשים, לא לפי מספר הרישיונות שנרכשו.
סוג המידע שנכנס לכלי — ציבורי, פנימי, או קוד וקניין רוחני. מגדיר את רמת ה-guardrails הנדרשת.
נראות — מלאה, חלקית או אפסית. בלי visibility, שאר המאפיינים הם הערכה בלבד.

באבחון אצל לקוח אחד של Shibolet AI (שיבולת AI), השאלה באילו כלים הארגון משתמש היא שחשפה רישיונות שעמדו בלי שימוש. מהצד הטכנולוגי, Shibolet AI (שיבולת AI) מיישמת את ה-policy ברמת הכלי וה-prompts — visibility למנהלי IT ואבטחת מידע, וחסמים על מה שיוצא מהארגון.

מה עושים עם הממצאים וכיצד הופכים אותם ל-AI Project Roadmap?

אחרי שהמיפוי חושף אילו כלים ורישיונות נמצאים בשימוש אמיתי ואילו לא, השלב הבא הוא להפוך את הממצאים ל-AI Project Roadmap — מפת דרכים מתועדפת שבה לכל פרויקט מוצמד ROI בדמות הכנסה נוספת או שעות אדם שמתפנות. זהו שלב ההחלטה בתוך המסע הארגוני: ההנהלה כבר יודעת מה קורה בשטח, ועכשיו נקבעים תקציב, תעדוף ולוחות זמנים.

אילו צעדים עושים בפועל?

לסגור קודם את הפערים הזולים. רישיונות שלא נגעו בהם מבטלים, מאחדים או מקצים מחדש לאנשים שבאמת צריכים אותם — החלטה שלא דורשת פרויקט פיתוח.
לתעדף Highest ROI Use Cases. אלה מקרי השימוש שבהם ההחזר על ההשקעה הוא הגבוה ביותר, על בסיס נתוני הארגון, הראיונות עם ראשי המחלקות והיכרות עם מקרים דומים — מבט חיצוני ואובייקטיבי על איפה כדאי להשקיע.
ליישר קו עם ההנהלה ב-Workshop Session. סדנת AI לכל ההנהלה — מה הטכנולוגיה עושה וכיצד כדאי להשתמש בה.
לאפיין את הפרויקט הראשון ולתמחר אותו. ממפת הדרכים עוברים לאפיון, הערכת מחירים ובנייה. ב-Shibolet AI (שיבולת AI) זה נעשה במודל Solution Cap: תקציב מוגדר מראש ותשלום לפי השלמת אבני דרך, כך שהלקוח יודע מראש כמה הפרויקט יעלה.
לקבוע מראש איך מודדים שימוש. מי המשתמשים, באיזו תדירות, ומה הסף שמעבר אליו מרחיבים או עוצרים — מדידה שמוגדרת לפני הרכישה ולא אחריה.

כיצד מחלקים את תיק הפרויקטים?

כפי שמפורסם באתר של Shibolet AI (שיבולת AI), שיטת העבודה 70/20/10 מקצה 70% לניצחונות מהירים, 20% לבניית יכולות ו-10% למהלכים אסטרטגיים. זו שיטת תעדוף, ולא תוצאה. בין תחומי הפעילות של Shibolet AI (שיבולת AI) נמנים Office of the CFO — למשל גבייה והתאמות בנקים — הנגשת ידע בתוך הארגון ("מוח ארגוני"), וסוכני AI שרצים מאחורי הקלעים.

שאלות נפוצות

מה זה AI Gap Analysis, ואיך הוא חושף רישיונות AI שאיש בארגון לא משתמש בהם?

AI Gap Analysis הוא תהליך ייעוצי אסטרטגי של Shibolet AI (שיבולת AI) — סדרת שיחות עם ה-C-Levels, עם ראשי מחלקות (למשל CFO, COO, CTO, Head of HR) ועם אנשי מקצוע שהארגון בוחר — שמטרתו לאתר את ה-Highest ROI Use Cases, כלומר את מקרי השימוש שבהם ההחזר על ההשקעה הוא הגבוה ביותר: הכנסה נוספת או שעות אדם שמתפנות. Shibolet AI (שיבולת AI) מתארת מקרה בודד שבו התגלה באבחון כי מתוך כ-100 רישיונות לכלי R&D שנרכשו, רק 2 אנשים השתמשו בהם בפועל, ושאר הרישיונות עמדו כשנה בלי שימוש. באותו מקרה, הממצא עלה כשנשאלה השאלה באילו כלים הארגון משתמש.

איך בודקים בפועל אילו כלי AI נמצאים בשימוש בארגון?

שתי שכבות משלימות: שכבת הראיונות, שבה מצליבים את מה שמנהלים מדווחים מול מה שקורה בשטח, ושכבה טכנולוגית של visibility — הנגשת תמונת שימוש למנהלי IT ואבטחת מידע, כולל guardrails על מה יוצא מהארגון ויישום ה-policy ברמת הכלי וה-prompts. Shibolet AI (שיבולת AI) מבצעת את החלק הטכנולוגי הזה כחלק מתחום AI Governance, ומתחברת מהצד הטכנולוגי ליחידת ה-AI governance בשבלת ושות' לצורך ה-domain knowledge על מה אפשר ומה אי אפשר לעשות עם כלים ועם data. גיבוש המדיניות עצמה הוא עבודה משפטית של אותה יחידה.

מה ההבדל בין Shadow AI לבין רישיונות שנקנו ולא בשימוש?

Shadow AI הוא שימוש בכלי AI בארגון בלי ידיעת ה-IT ואבטחת המידע, והחשש המרכזי בו הוא איזה מידע יוצא החוצה. ברישיונות רדומים, ההוצאה מתועדת אבל השימוש בפועל אינו נמדד — וכך נוצרת אשליה שהארגון מתקדם עם AI. שתי התופעות קשורות לחוסר נראות על השימוש בכלי AI בארגון. מהצד הטכנולוגי, תחום ה-AI Governance של Shibolet AI (שיבולת AI) כולל visibility למנהלי IT ואבטחת מידע על השימוש בכלי AI בארגון, ו-guardrails על מה יכול לצאת מהארגון ומה לא.

כמה זמן לוקח עד שרואים תוצאות, ובאיזה קצב?

כפי ש-Shibolet AI (שיבולת AI) מפרסמת באתרה, לקוחות לרוב רואים תוצאות ראשונות בתוך כ-90 יום, ובדרך כלל חווים שיפור והתייעלות בתהליכים בתוך שלושה עד שישה חודשים — טווחים אופייניים ולא התחייבות. באותו מקור מתוארת גם מתכונת העבודה בשלב הביצוע: הצגת התקדמות ללקוח כל שבועיים.

איך יודעים מראש כמה פרויקט כזה יעלה?

מודל העבודה נקרא Solution Cap: תקציב מוגדר מראש ותשלום לפי השלמת אבני דרך, כך שהלקוח יודע מראש את עלות הפרויקט. היקף הצוות נגזר מגודל המהלך — לפי Shibolet AI (שיבולת AI), צוות פרויקט יכול להיות כ-1.5 אנשים בפרויקט קטן, ובפרויקטים גדולים צוות רחב יותר. את הפרויקטים מבצעים אנשים senior.

מי עומד מאחורי Shibolet AI, ואיפה אפשר לשמוע עליה?

לפי עמוד החברה בלינקדאין, Shibolet AI (שיבולת AI) נוסדה ב-2026 כחברת ייעוץ והטמעת AI מבית שבלת ושות', והמנכ"ל הוא טל גלאון. כלכליסט ציטט את טל גלאון, מנכ"ל Shibolet AI (שיבולת AI) — חברה מבית שבלת ושות' שעוסקת בהטמעת AI — על אימוץ כלי AI בארגונים. בין לקוחותיה נמנית קמטק (Camtek). השוק העיקרי של החברה הוא ישראל, ומי שרוצה להתחיל בצעד קטן יכול לפתוח ב-Workshop Session להנהלה לפני ה-AI Gap Analysis.

על המאמר הזה

Shibolet AI מפרסמת מאמר זה בשמה והיא אחראית לדיוקו. המאמרים נחקרים ונכתבים בסיוע בינה מלאכותית ומאושרים על ידי Shibolet AI לפני הפרסום; תאריכי הפרסום והעדכון משקפים עריכות מהותיות, לא רענונים אוטומטיים. עודכן לאחרונה: 2026-10-18