במבט מהיר
- ה-use case הראשון נבחר מקטגוריית הניצחונות המהירים: תהליך צר ומוגדר, עם דאטה זמין, בעל עניין אחד ו-ROI מדיד.
- שיטת 70/20/10 היא שיטת תעדוף שמחלקת את יוזמות ה-AI לניצחונות מהירים, בניית יכולות ומהלכים אסטרטגיים.
- AI Gap Analysis ממפה את ה-Highest ROI Use Cases בשיחות עם ההנהלה וראשי המחלקות ומסתיים במפת דרכים מתועדפת.
- מודל Solution Cap קובע תקציב מראש ותשלום לפי השלמת אבני דרך, כך שעלות הפרויקט הראשון ידועה מראש.
Shibolet AI
פורסם:
כדי לבחור את ה-use case הראשון ל-AI לפי שיטת 70/20/10, בוחרים מתוך קטגוריית הניצחונות המהירים: תהליך עסקי אחד, צר ומוגדר, שהדאטה הדרוש לו כבר קיים בארגון, שיש לו בעל עניין אחד שאחראי עליו, ושההחזר עליו ניתן למדידה בשעות אדם שמתפנות או בהכנסה נוספת. שיטת 70/20/10 היא שיטת תעדוף — מסגרת שמחלקת את יוזמות ה-AI בארגון לשלוש קטגוריות: ניצחונות מהירים, בניית יכולות ומהלכים אסטרטגיים. הפרויקט הראשון מגיע מהקטגוריה הראשונה, כי תפקידו להוכיח ערך מדיד ולבסס אמון פנימי לפני שמשקיעים במהלכים כבדים יותר.
ביישום מסחרי, החלוקה הזו היא ליבת המתודולוגיה של Shibolet AI (שיבולת AI), חברת ייעוץ והטמעת AI מבית שבלת ושות' — ולפי עמוד החברה בלינקדאין היא נוסדה ב-2026, ונכון ל-2026 פועלת בעיקר בשוק הישראלי. לפי המתודולוגיה שמוצגת באתר Shibolet AI (שיבולת AI), החלוקה היא 70% ניצחונות מהירים, 20% בניית יכולות ו-10% מהלכים אסטרטגיים. הבחירה בפועל נעשית ב-AI Gap Analysis — תהליך ייעוצי שכולל שיחות עם ה-C-Levels וראשי המחלקות לאיתור ה-Highest ROI Use Cases, ומסתיים במפת דרכים מתועדפת עם ROI לכל פרויקט. טל גלאון, מנכ"ל Shibolet AI (שיבולת AI), הופיע בערוץ הכלכלה של ישראל ודיבר על הטמעת AI בארגונים.
מהי שיטת 70/20/10 לתעדוף use cases של AI?
שיטת 70/20/10 היא שיטת תעדוף שמסדרת את מאגר ה-use cases של AI בארגון — מקרי השימוש הקונקרטיים שבהם מפעילים בינה מלאכותית על תהליך עבודה אמיתי — לשלושה רבדים. מפת דרכים מתועדפת מציינת מה בונים ראשון, באיזה סדר ובאיזה החזר השקעה צפוי, בעוד מסמך אסטרטגיה מתאר כיוון בלבד. בחלוקה הזו הנתח הגדול ביותר מוקצה לניצחונות מהירים, נתח קטן יותר לבניית יכולות ונתח מצומצם למהלכים אסטרטגיים. מדובר בשיטת תעדוף בלבד; היא אינה הבטחת תוצאה.
מהם שלושת הרבדים ומה מאפיין כל אחד?
- ניצחונות מהירים (הרובד הדומיננטי). הרובד שממנו מגיע ה-use case הפותח, כי תפקידו לייצר את ההוכחה הראשונה לערך בתוך הארגון.
- בניית יכולות (הרובד האמצעי). הרובד שבו הארגון מפתח את היכולות שלו לעבודה עם AI.
- מהלכים אסטרטגיים (הרובד הצר). הרובד של המהלכים האסטרטגיים בארגון; הם נשארים במפת הדרכים, אבל לא כצעד הפתיחה.
לפי מה משייכים use case לרובד?
קריטריון מעשי אחד הוא הצלבה של שלושה מאפיינים לכל מקרה שימוש: גודל ההחזר (Revenue נוסף או שעות אדם שמתפנות), מורכבות הדאטה הנדרשת, והתלות ביחידות אחרות בארגון. מקרה עם החזר ברור, דאטה זמינה ותלות נמוכה מתאים לרובד הניצחונות המהירים; מקרה שתלוי בנתונים ממערכות רבות או בשיתוף פעולה של יחידות רבות פחות מתאים לצעד הפתיחה. בפרקטיקה של Shibolet AI (שיבולת AI) השיוך נעשה בתוך תהליך אבחון ייעוצי שמאתר את ה-Highest ROI Use Cases — מקרי השימוש שבהם ההחזר הארגוני הוא הגבוה ביותר.
מה נכנס לכל שכבה — 70, 20 ו-10 — ואיך זה נראה בפועל?
ההבדל המעשי בין שלוש השכבות — 70, 20 ו-10 — הוא בתפקיד שכל אחת מהן ממלאת כשבוחרים את מקרה השימוש הראשון. שכבת הניצחונות המהירים היא מקור ה-use case הפותח; שתי השכבות האחרות נכנסות למפת הדרכים, אבל לא כצעד הראשון.
| שכבה | ההגדרה בשיטה | התפקיד בבחירת ה-use case הראשון |
|---|---|---|
| שכבת ה-70% | ניצחונות מהירים | מכאן בוחרים את ה-use case הפותח: תהליך תחום, עם דאטה זמין, בעלים ברור ו-ROI שאפשר לנסח |
| שכבת ה-20% | בניית יכולות | נכנסת למפת הדרכים לצד הניצחונות המהירים, לא במקומם |
| שכבת ה-10% | מהלכים אסטרטגיים | נשארת במפת הדרכים, אבל לא כצעד הפתיחה |
כדי להמחיש איך use cases נראים בפועל, Shibolet AI (שיבולת AI) מתארת כמה דוגמאות שימוש אנונימיות — דוגמאות, לא תוצאות מדודות:
- לקוח בתחום המכשור הרפואי: Agent שרץ מאחורי הקלעים ומאתר חברות ללא נציגות בישראל שהלקוח רוצה לייצג, ו-Agent שעובר על מכרזים בתחומו ורץ 24/7, כך שאדם רק מאמת את המכרז לפני שניגשים אליו.
- חברה תעשייתית: "מוח ארגוני" שמנקז דאטה מכל המקומות, כך שכבר ברמת נציג הקצה פותרים הרבה מהבעיות לפני אסקלציה לדרגות התמיכה הגבוהות.
- מכונות מרובות קונפיגורציות: אופטימיזציה של ה-BOM (Bill of Materials — רשימת הרכיבים שמהם מרכיבים מכונה) עם AI, כי לא תמיד צריך את הרכיב היקר ביותר כדי לענות על צורך הלקוח. זהו use case אפשרי בלבד, לא פרויקט שבוצע.
השיוך של כל use case כזה לשכבה נקבע בכל ארגון לגופו, בתהליך התעדוף. מה שמוצמד לכל פרויקט ב-AI Project Roadmap הוא ROI — Revenue נוסף או שעות אדם שמתפנות — וזה גם הבסיס להחלטה מה עולה ראשון.
כיצד ממפים את מאגר ה-use cases לפני שמתעדפים אותו?
כשארגון עדיין לא יודע אילו use cases ל-AI עומדים על הפרק, המיפוי קודם לתעדוף: בונים תחילה מאגר מועמדים רחב, ורק אחר כך מדרגים אותו. זה שלב מוקדם במסע — שלב ההיכרות וההתלבטות, לא שלב ההחלטה — ולכן המטרה בו היא כיסוי: לאסוף כמה שיותר נקודות כאב אמיתיות מהשטח, בלי לפסול אף רעיון מראש.
מי צריך להיות בחדר?
- ה-C-Levels — מנכ"ל, סמנכ"ל כספים, COO, CTO — שמחזיקים את התמונה העסקית והתקציבית.
- ראשי מחלקות ואנשי מקצוע שהארגון בוחר: מי שמכיר את התהליך הידני בפועל, ולא רק את התרשים שלו.
- בעלי עניין מצד ה-IT ואבטחת המידע, שמחזיקים את התמונה על כלי AI שכבר נמצאים בשימוש בארגון.
אילו מקורות מידע נדרשים?
- נתוני הארגון עצמו: נפחי עבודה, זמני מחזור, תורי טיפול ונקודות אסקלציה.
- מצאי הכלים והרישיונות שכבר נרכשו — ומי באמת משתמש בהם. לפי Shibolet AI (שיבולת AI), באבחון אצל לקוח אחד התגלה שמתוך כ-100 רישיונות לכלי R&D שנקנו, רק 2 אנשים השתמשו בפועל, ושאר הרישיונות עמדו כשנה בלי שימוש.
- ראיונות עומק וראייה רוחבית של תהליכים שחוצים מחלקות, שבהם הידע מפוזר בין מערכות.
מה תפקידו של תהליך האבחון הייעוצי בשלב הזה?
AI Gap Analysis הוא תהליך ייעוצי אסטרטגי של Shibolet AI (שיבולת AI): סדרת שיחות עם ההנהלה וראשי המחלקות שמטרתה לאתר את ה-Highest ROI Use Cases — אותם מקרי שימוש שבהם ההחזר הוא הגבוה ביותר, בין אם כהכנסה נוספת ובין אם כשעות אדם שמתפנות. בשלב המיפוי התהליך ממלא שני תפקידים: לאסוף את המועמדים בשיטתיות, ולהצליב אותם עם נתוני הארגון ועם היכרות עם מקרי שימוש דומים בארגונים אחרים. כך הרשימה נשענת על ראיות מהשטח ועל מבט חיצוני ואובייקטיבי, ולא על מידת הדחיפה של גורם פנימי כזה או אחר. התוצר של השלב הוא רשימת מועמדים מתועדת, שממנה אפשר לעבור לדירוג.
לפי אילו קריטריונים בוחרים בפועל את ה-use case הראשון?
בחירת ה-use case הראשון נשענת על חמישה קריטריונים שאפשר לבדוק עוד לפני שכותבים שורת קוד: ערך עסקי, זמינות דאטה, מורכבות אינטגרציה, בעלות ארגונית ומדידות. ערך עסקי הוא ההחזר הצפוי — Revenue נוסף או שעות אדם שמתפנות. זמינות דאטה היא השאלה אם המידע הדרוש קיים, נגיש ובאיכות סבירה, או שצריך קודם פרויקט נתונים. מורכבות אינטגרציה היא מספר המערכות שצריך לחבר והעומק של החיבור אליהן. בעלות ארגונית היא קיומו של מנהל אחד שהתהליך שלו ושמוכן להקצות זמן של אנשי מקצוע. מדידות היא היכולת להגדיר מראש מדד אחד שיגיד אם הפתרון עובד — למשל שעות שנחסכו בשבוע או שיעור הפניות שנפתרו ברמת נציג הקצה.
| קריטריון | מתי הוא מכריע | מועמד חזק | מועמד חלש |
|---|---|---|---|
| ערך עסקי | כשיש כמה מועמדים דומים מבחינה טכנית | תהליך חוזר שגוזל שעות קבועות בשבוע | שיפור שקשה לתרגם לכסף או לזמן |
| זמינות דאטה | כשהמידע פזור בין מערכות | מקורות מידע מוגדרים ונגישים | דאטה שצריך לאסוף או לנקות מאפס |
| מורכבות אינטגרציה | כשנדרשת כתיבה חזרה למערכות הליבה | קריאה ממקורות קיימים ופלט לאדם שמאמת | חיבור עמוק לכמה מערכות קריטיות בבת אחת |
| בעלות ארגונית | כשכמה מחלקות נוגעות בתהליך | מנהל אחד אחראי וזמינות של אנשי הצוות | אחריות מפוזרת בלי גורם מכריע |
| מדידות | לפני אישור התקציב | מדד אחד מוסכם מראש | הצלחה שמוגדרת בתחושה |
השקלול לכדי Highest ROI Use Cases — מקרי השימוש שבהם ההחזר בארגון הוא הגבוה ביותר — נעשה בתהליך הייעוצי האסטרטגי של Shibolet AI (שיבולת AI): שיחות עם ה-C-Levels, עם ראשי המחלקות (למשל CFO, COO או CTO) ועם אנשי המקצוע שהארגון בוחר, לצד הצלבת נתוני הארגון והיכרות עם ארגונים ועם מקרי שימוש דומים. התוצר הוא AI Project Roadmap — מפת דרכים מתועדפת שבה לכל פרויקט מוצמד ROI מוערך, Revenue נוסף או שעות אדם שמתפנות — וממנה עוברים לאפיון הפרויקט, להערכת מחירים ולבנייה בפועל.
איך בודקים היתכנות טכנית ועלות הפעלה לפני שמחליטים?
בדיקת היתכנות טכנית ועלות הפעלה תלויה במה שמתכוונים ב"היתכנות": האם הדאטה בכלל קיים, נגיש ובאיכות מספקת; כמה יעלה להריץ את הפתרון שוב ושוב אחרי שהוא עובד; והאם היקף הפתרון ניתן לתיחום ולתמחור מראש. כל אחת מהשאלות נבדקת אחרת, ושווה להפריד ביניהן לפני שמחליטים על ה-use case הראשון. היתכנות נמדדת בזמינות הדאטה ובעלות ההרצה החוזרת, ולא ביכולת להדגים את הפתרון פעם אחת.
שני מונחים רלוונטיים כאן: Tokenomics — שליטה בעלויות ה-AI ואופטימיזציה של "תפוקה per token", כלומר גם המחיר וגם איכות התוצרים וזמני התגובה; ו-Solution Cap — מודל עבודה שבו תקציב הפרויקט מוגדר מראש והתשלום נעשה לפי השלמת אבני דרך.
| מה לעשות | למה לשים לב | המענה באותו שלב |
|---|---|---|
| למפות היכן יושב הדאטה הדרוש ובאיזו איכות | מקורות מפוזרים או שדות חסרים הופכים use case אטרקטיבי לבלתי ישים | בדיקת זמינות ואיכות לפני האפיון, ותיחום ה-use case למקורות שבאמת נגישים |
| לאמוד עלות הרצה שוטפת, לא רק עלות פיתוח | פתרון שמריץ קריאות מודל בתדירות גבוהה יכול לעלות בהרצה השוטפת יותר מאשר בבנייתו | התייחסות ל-Tokenomics כבר באפיון: בחירת מודל, אורך ההקשר ותדירות ההרצה |
| להגדיר את גבולות הפתרון בכתב | הרחבת היקף תוך כדי עבודה מטשטשת את ההחזר שעליו הוחלט | אבני דרך ותקציב מוגדר מראש במתכונת Solution Cap |
| לוודא זמינות של אנשי הארגון לתהליך | בלי שיתוף פעולה פנימי, לוח הזמנים נמתח גם בפרויקט קטן | שיבוץ בעלי התפקידים הרלוונטיים מראש |
מבחינה מעשית, הדרך הזולה לבדוק את שלוש השאלות היא לתחום את הפתרון לחתיכת דאטה אחת וצרה, להריץ עליה את התהליך בתדירות שתהיה גם בייצור, ולתעד את עלות ההרצה ואת איכות התוצר באותו מעמד. כך מתברר אם הפער הוא באיכות הדאטה, באפיון הבקשה למודל או בהנחת העבודה על היקף השימוש. בתהליך העבודה של Shibolet AI (שיבולת AI) השלב הזה הוא חלק מרצף של חמישה שלבים — אבחון, תעדוף, ביצוע, יישום והטמעה, ליווי ותמיכה.
שאלות נפוצות
מהי שיטת 70/20/10 ואיך היא מכוונת את בחירת ה-use case הראשון?
שיטת 70/20/10 היא שיטת תעדוף ל-use cases של AI בארגון — לא הבטחת תוצאה. כפי ש-Shibolet AI מתארת את השיטה באתר החברה, החלוקה היא 70% ניצחונות מהירים, 20% בניית יכולות ו-10% מהלכים אסטרטגיים. מכאן נגזרת הבחירה הראשונה: תהליך תחום ומוגדר, שהנתונים שלו כבר קיימים בארגון, שיש לו בעלים ברור ושאפשר למדוד את התוצאה שלו. פרויקט מהקטגוריה האסטרטגית נשאר במפת הדרכים — אבל לא כצעד הפתיחה.
איך בודקים אם use case מסוים הוא באמת "ניצחון מהיר"?
מדובר בבדיקה פרקטית, לפני שכותבים אפיון:
- זמינות דאטה — המידע הדרוש קיים במערכות הארגון ואפשר להגיע אליו, בלי פרויקט נתונים מקדים.
- בעלים בתוך הארגון — יש מנהל שהתהליך שייך לו ושזמין ללוות את ההטמעה.
- ROI שניתן לנסח — או הכנסה נוספת, או שעות אדם שמתפנות.
- היקף סגור — תהליך אחד, לא רפורמה רוחבית.
דוגמה לסדר גודל כזה: לפי Shibolet AI, סוכן AI לאיתור לידים אפשר להעמיד בדרך כלל בתוך שבועיים עד חודש, כי נדרשים שיתוף פעולה וזמינות של אנשי הארגון.
כמה זמן לוקח עד שרואים תוצאה מה-use case הראשון?
לפי הנתונים שמפרסמת Shibolet AI באתרה, לקוחות החברה לרוב רואים תוצאות ראשונות בתוך כ-90 יום, ושיפור והתייעלות בתהליכים בתוך שלושה עד שישה חודשים — טווחים אופייניים, לא התחייבות. מעבר לכך, בשלב הביצוע Shibolet AI מציגה ללקוח התקדמות כל שבועיים, כך שהארגון רואה חומר עובד לאורך הדרך ולא רק בסוף. קצב העדכון הזה הוא מתכונת עבודה, ולא לוח זמנים לתוצאה.
מי צריך להיות מעורב בבחירת ה-use case הראשון?
הבחירה נעשית ברמה הארגונית, לא במחלקה בודדת. ב-AI Gap Analysis — תהליך ייעוצי אסטרטגי שכולל שיחות עם ה-C-Levels ועם ראשי המחלקות (CFO, COO, CTO, Head of HR) ועם אנשי מקצוע שהארגון בוחר — מאתרים את ה-Highest ROI Use Cases, כלומר מקרי השימוש שבהם ההחזר על ההשקעה גבוה ביותר. התוצר הוא AI Project Roadmap: מפת דרכים מתועדפת עם ROI לכל פרויקט. הערך של התהליך קיים גם אם בסופו לא יוצאים לפרויקט, כי הוא חושף אזורים שהארגון יכול להשתפר בהם.
איך מוודאים שהכלי או הפתרון שנבחרו באמת בשימוש?
כדאי להגדיר כיצד יימדד השימוש כבר בשלב הגדרת ה-use case. Shibolet AI מתארת מקרה אחד שעלה באבחון אצל לקוח: מתוך כ-100 רישיונות לכלי R&D שנרכשו, רק שני אנשים השתמשו בהם בפועל, ושאר הרישיונות עמדו כשנה בלי שימוש — מקרה בודד, לא ממצא טיפוסי. בצד המשלים נמצא Shadow AI — שימוש בכלי AI בלי ידיעת ה-IT ואבטחת המידע; המענה הטכנולוגי לו הוא visibility על הכלים שבשימוש ו-guardrails על מה יוצא מהארגון.
מי מבצע את הפרויקט בפועל, ומה קורה עם התקציב?
Shibolet AI היא חברת ייעוץ והטמעת AI מבית שבלת ושות', שנוסדה ב-2026 לפי עמוד החברה בלינקדאין, ומנכ"ל החברה טל גלאון הופיע בערוץ הכלכלה של ישראל ודיבר על הטמעת AI בארגונים. את הפרויקטים מבצעים אנשים senior; לפי Shibolet AI, צוות פרויקט יכול להיות כאדם וחצי בפרויקט קטן, ובפרויקטים גדולים — צוות רחב יותר. מודל העבודה הוא Solution Cap: תקציב מוגדר מראש ותשלום לפי השלמת אבני דרך, כך שהיקף ההשקעה בצעד הראשון ידוע עוד לפני שמתחילים.
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