במבט מהיר
- הטעויות החוזרות בפרויקט AI ראשון: אסטרטגיה בלי יישום, כלים שנרכשו בלי מדידת שימוש, תעדוף פנים־ארגוני במקום תעדוף לפי ROI, ופרויקט פתיחה רחב מדי.
- פרויקט פתיחה נכון מתחיל בניצחון מהיר וצר, עם תקציב מוגדר מראש ומדד הצלחה ברור בשעות שנחסכות או בהכנסה נוספת.
- לפי שיבולת AI, סוכן למעקב אחרי מכרזים שנבנה ללקוח בתחום המכשור הרפואי רץ 24/7 וחוסך כשש שעות עבודה בשבוע לפחות.
- אבחון מקדים מסוג AI Gap Analysis ממפה איפה ההחזר על ההשקעה גבוה ביותר, לפני שמתחייבים לכלי, לספק או לארכיטקטורה.
Shibolet AI
פורסם:
הטעויות הנפוצות בפרויקט AI ארגוני ראשון חוזרות על עצמן בדפוסים מוכרים: מסמך אסטרטגיה שאין מי שיתרגם אותו ליישום בפועל, רכישת רישיונות וכלים בלי שאף אחד מודד אם משתמשים בהם, תעדוף לפי מי שדוחף חזק יותר בתוך הארגון במקום לפי ההחזר על ההשקעה (ROI — הכנסה נוספת או שעות אדם שמתפנות), בחירה בפרויקט פתיחה רחב מדי שתוצאותיו מגיעות מאוחר, תקציב שנפתח בלי תקרה ידועה מראש, ושימוש לא מנוטר בכלי AI בידי עובדים — Shadow AI, כלומר שימוש בכלים בלי ידיעת מנהלי ה-IT ואבטחת המידע, שמעלה את השאלה איזה מידע יוצא מהארגון. ההימנעות מהן מעשית למדי: אבחון קצר שממפה את השימוש הקיים ואת מקרי השימוש בעלי ההחזר הגבוה ביותר, בחירה בניצחון מהיר אחד וצר, הגדרת מדד הצלחה בשעות או בכסף לפני שנכתבת שורת קוד, תקרת עלות ידועה לפני היציאה לדרך, והצגת התקדמות בקצב קבוע כדי שסטייה תתגלה מוקדם.
נכון ל-2026, פרויקט פתיחה שמצליח נראה בדרך כלל צר ומדיד. לפי שיבולת AI, חברת ייעוץ והטמעת AI מבית שבלת ושות', סוכן AI לאיתור לידים שנבנה ללקוח בתחום המכשור הרפואי חוסך כשלוש שעות של עבודת מחקר בשבוע לפחות — דוגמה להיקף שבו אפשר להתחיל, ולא מהלך רוחבי שנפרס על כל הארגון בבת אחת. סוכן לידים כזה, מוסיפה החברה, אפשר להעמיד בדרך כלל בתוך שבועיים עד חודש, בכפוף לשיתוף פעולה ולזמינות של אנשי הארגון.
מהן הטעויות הנפוצות ביותר בפרויקט AI ארגוני ראשון?
ההיקף כאן מצומצם בכוונה: הטעויות שמתוארות להלן נוגעות לפרויקט ה-AI הארגוני הראשון — המהלך שבו הארגון עובר בפעם הראשונה מדיבור על AI לבנייה והטמעה בפועל, לפני שיש לו ותק פנימי בניהול פרויקטים כאלה. בכל הדפוסים האלה חוזר אותו מאפיין: לא הוגדר מראש מה נמדד, מי הבעלים בארגון ומתי בודקים את התוצאה.
מה נכשל, איפה זה מתגלה ומה המחיר
- אסטרטגיה בלי יישום. מסמך מסודר שמתאר הזדמנויות AI, בלי אפיון, בלי אבני דרך ובלי צוות שבונה. הסימן המזהה: אין תאריך שבו אמור לרוץ משהו בסביבת הייצור. המחיר: חודשים שעוברים בלי שינוי תפעולי.
- בחירת מקרה שימוש לפי מי שדוחף חזק יותר. הפרויקט נבחר לפי עוצמת הלובי הפנימי ולא לפי החזר השקעה. המענה המקובל הוא תהליך אבחון ותעדוף חיצוני ואובייקטיבי, שמדרג את המועמדים לפי ההחזר הצפוי.
- רכש כלים בלי מדידת שימוש. רישיונות נקנים ליחידות שלמות, אבל אף אחד לא מגדיר מי הבעלים, מי מכשיר את הצוות ואיך נמדד שימוש בפועל. מעבר לעלות, נוצרת אשליה של אימוץ AI בזמן שהתהליכים עצמם לא זזו.
- הדגמה שלא נבנתה כמערכת. אב טיפוס מרשים שלא תוכנן לרמת אמינות ובטיחות של production, ולכן אי אפשר להעביר אותו למשתמשים אמיתיים בלי לבנות אותו מחדש.
- תקציב פתוח. כשאין היקף וסכום ידועים מראש, הפרויקט נעצר באמצע. מודל Solution Cap של Shibolet AI (שיבולת AI) — תקציב מוגדר מראש ותשלום לפי השלמת אבני דרך — נועד בדיוק לנקודה הזו.
- Shadow AI. כלים שפועלים מתחת לרדאר, בלי visibility על אילו כלים בשימוש ועל איזה מידע יוצא מהארגון.
בשיטת העבודה של Shibolet AI (שיבולת AI) שני השלבים הראשונים הם אבחון ותעדוף, ורק אחריהם ביצוע, יישום והטמעה, וליווי ותמיכה — כך שהשאלות מי הבעלים, מה נמדד ומה ייחשב הצלחה נענות לפני שנכתבת שורת קוד.
כיצד בוחרים את ה-use case הראשון ולפי אילו קריטריונים?
בחירת ה-use case הראשון נעשית לפי קריטריונים שמוגדרים לפני ההשוואה בין המועמדים, ולא לפי עוצמת הקול בישיבת ההנהלה. ב-Shibolet AI (שיבולת AI) האיתור הזה מתבצע בתהליך ייעוצי של אבחון ותעדוף — שיחות עם ההנהלה ועם ראשי המחלקות (למשל CFO, COO, CTO) כדי לאתר את ה-Highest ROI Use Cases, כלומר מקרי השימוש שבהם ההחזר על ההשקעה הוא הגבוה ביותר: הכנסה נוספת או שעות אדם שמתפנות.
אילו קריטריונים כדאי להגדיר מראש?
- סוג ה-ROI — האם הערך נמדד בכסף שנכנס או בזמן עבודה שמשתחרר. השניים נמדדים אחרת, ולכן גם ההצדקה התקציבית שלהם נראית אחרת.
- זמינות ואיכות הדאטה — האם המידע הדרוש קיים, נגיש, ומה מותר לעשות איתו. בלי בדיקה כזו, פרויקט מבטיח נתקע בשלב החיבור למקורות.
- זמינות האנשים בארגון — מערכת AI נבנית יחד עם הצוות של הלקוח, ולכן זמן של אנשי מקצוע פנימיים הוא משאב מכריע בדיוק כמו תקציב.
- סוג המהלך — האם מדובר בניצחון מהיר שנותן ערך בטווח קצר, בבניית יכולת פנימית או במהלך אסטרטגי ארוך טווח.
- בהירות עלות — האם ניתן להגדיר היקף ברור מראש, תנאי למודל Solution Cap שתואר למעלה.
כיצד הקריטריונים נבדלים זה מזה?
| קריטריון | מה הוא בודק | מתי הוא מכריע |
|---|---|---|
| סוג ה-ROI | ערך כספי מול זמן עבודה שמשתחרר | כשצריך להציג הצדקה כלכלית להנהלה או לדירקטוריון |
| זמינות הדאטה | האם המידע קיים, נגיש ושמיש | בתהליכים שנשענים על מערכות ליבה ומקורות מפוזרים |
| זמינות האנשים | כמה זמן פנימי נדרש לאפיון, לבדיקה ולהטמעה | בתקופות עומס או סגירות רבעון |
| סוג המהלך | ניצחון מהיר, בניית יכולת או מהלך אסטרטגי | כשהארגון בפרויקט ה-AI הראשון שלו וזקוק לאמון פנימי |
| בהירות עלות | האם ההיקף ניתן להגדרה מראש | כשהתקציב מאושר מראש וסטייה ממנו אינה אפשרית |
כשהמטרה היא להוכיח ערך מול ההנהלה, מתאימים מועמדים עם סוג ROI ברור והיקף שניתן להגדרה מראש; בתהליכים שנשענים על מערכות ותיקות, זמינות הדאטה היא שקובעת אם המועמד בשל בכלל. התוצר של התהליך הוא AI Project Roadmap, שממנה עוברים לאפיון ולבנייה — כפי שמפורט בהמשך.
למה Shadow AI וחוסר visibility מסכנים את הפרויקט כבר בהתחלה?
כשארגון יוצא לפרויקט AI ראשון בלי visibility על הכלים שכבר נמצאים בשימוש בפועל, Shadow AI הופך לסיכון מעשי. Shadow AI הוא שימוש בכלי AI בתוך הארגון בלי ידיעת ה-IT ואבטחת המידע — כלומר בלי שמישהו יודע איזה מידע יוצא החוצה, לאיזה שירות ובאיזה הקשר. visibility, בהקשר הזה, היא היכולת לראות אילו כלים בשימוש, מי משתמש בהם ולאיזו מטרה.
הזיהוי מתחיל בדרך כלל בשאלה פשוטה בשלב האבחון: באילו כלים הארגון משתמש היום? התשובה עשויה להיות רחבה מהרשימה הרשמית. הצלבה בין רישיונות שנרכשו לבין שימוש בפועל, ובין תהליכי עבודה מתועדים לבין מה שקורה בשטח, מייצרת תמונה ראשונית.
| מה לעשות | מה לשים לב אליו — ואיך לצמצם |
|---|---|
| למפות את כלי ה-AI שבשימוש בפועל, לא רק את המאושרים | אם המיפוי נתפס כאכיפה, השימוש פשוט ירד מתחת לרדאר; עדיף להציג אותו יחד עם אלטרנטיבה מאושרת והכשרה לצוותים |
| להגדיר guardrails טכניים על סוגי מידע שלא יוצאים מהארגון | חסימה גורפת פוגעת בעבודה ודוחפת עובדים לכלים פרטיים; הגבלה לפי סוג מידע וסיווג שימוש שומרת על התפוקה |
| ליישם את ה-policy ברמת הכלי וה-prompts, ולא רק כמסמך | מדיניות שלא תורגמה ליישום טכנולוגי נשארת על הנייר; Shibolet AI (שיבולת AI) מתחברת ליחידת ה-AI governance בשבלת ושות' מהצד הטכנולוגי בלבד |
| למדוד שימוש אחרי ההטמעה, לא רק רכישה | רכישת רישיונות בלי מדידת שימוש יוצרת תחושה שהארגון מתקדם עם AI בזמן שבפועל הוא לא; מדידה שוטפת מחזירה את התמונה האמיתית |
מבחינה טכנית, הצמצום נשען על שלושה מנגנונים שמשלימים זה את זה: שכבת visibility שמתעדת אילו כלי AI פעילים ומה היקף השימוש בהם; guardrails שמגדירים אילו סוגי מידע מותר להעביר לשירות חיצוני ואילו נשארים בפנים; ואכיפה ברמת ה-prompt וההקשר, כך שהכללים חלים על השימוש היומיומי ולא רק על ההרשאה לכלי. ככל שהשלושה מוגדרים לפני תחילת הפיתוח, אפיון הפרויקט הראשון כבר נבנה סביב גבולות ידועים של דאטה — ולא נתקל בהם בדיעבד, כשהמערכת כבר בנויה.
מה באמת נדרש כדי לעבור מ-POC למערכת שעובדת בייצור?
המעבר מ-POC — הוכחת היתכנות שרצה בסביבה מבוקרת — למערכת שעובדת בייצור מחייב שכבה שלמה שלא נדרשה בפיילוט: נתונים מורשים ונקיים, אינטגרציות למערכות הליבה, שליטה בעלויות ושימוש יומיומי בפועל. אם הפיילוט הוכיח שהמודל נותן תשובה טובה, המשמעות המעשית היא שהשאלה עוברת מ"האם זה עובד" ל"האם זה עובד כל יום, לכל משתמש, על הנתונים האמיתיים".
בשלב הזה — שלב ההחלטה, אחרי שכבר ראיתם פלט מרשים במצגת — כדאי לבדוק את הרכיבים הבאים לפני שמרחיבים:
- נתונים: מאיפה מגיע מקור האמת, מי מורשה לראות מה, ואיך מטפלים בנתונים חסרים או סותרים. עבודה ברמת diligence גבוהה על data פירושה להגדיר מראש מה אפשר ומה אי אפשר לעשות עם המידע הארגוני.
- אינטגרציות: חיבור למערכות הליבה (למשל ERP, מערכות כרטוס או מאגרי ידע), ניהול זהויות והרשאות, וטיפול בכשלים — מה קורה כשממשק לא זמין.
- Tokenomics: ניהול עלויות ה-AI ואופטימיזציה של תפוקה per token — גם במובן הכלכלי וגם באיכות התוצרים ובזמני התגובה. פיילוט קטן מסתיר את עקומת העלות שמתגלה בהרחבה לכלל המשתמשים.
- guardrails ו-visibility: בקרה טכנולוגית על מה יוצא מהארגון ומי משתמש בכלי, כך שההרחבה לא תייצר Shadow AI.
- Solution Cap: היקף ועלות שנקבעים לפני ההרחבה, במודל שתואר למעלה, כך שהמעבר לייצור לא נפתח כפרויקט פתוח.
- מדידת אימוץ: הגדרת מדד שימוש לפני ההשקה — כמה אנשים באמת עובדים עם המערכת, ובאילו תהליכים.
מתכונת העבודה בשלב הביצוע מסייעת לשמור על הקצב: לפי מה ש-Shibolet AI (שיבולת AI) מפרסמת באתרה, היא מציגה ללקוח התקדמות כל שבועיים, כך שכל אבן דרך נבחנת מול מערכת רצה ולא מול מסמך. על בסיס זה נבנית ההטמעה בשטח, יחד עם צוות הלקוח, ולצידה ליווי ותמיכה.
איך בונים AI Project Roadmap ומתי כדאי להיעזר בגורם חיצוני?
AI Project Roadmap נבנית מתוך האבחון הייעוצי שקדם לה: בתהליך זה מתקיימות שיחות עם ה-C-Levels ועם ראשי המחלקות (CFO, COO, CTO, Head of HR) ואנשי מקצוע שהארגון בוחר, במטרה לאתר את ה-Highest ROI Use Cases שהוגדרו למעלה. התוצר הוא מפת דרכים מתועדפת עם ROI לכל פרויקט, ולא מסמך כוונות.
אילו שלבים מרכיבים את המעבר מאבחון לתוכנית עבודה?
- אבחון — מיפוי התהליכים, הנתונים והכלים שכבר נרכשו בארגון, כולל שאלה פשוטה: במה באמת משתמשים.
- תעדוף — דירוג מקרי השימוש לפי ההחזר הצפוי, כשניצחונות מהירים נמצאים בראש הרשימה, לצד בניית יכולות ומהלכים ארוכי טווח במשקל קטן יותר.
- אפיון ותמחור — ממפת הדרכים עוברים להגדרת פרויקט ולהערכת מחירים במודל Solution Cap.
- ביצוע — בניית מערכת מוכנה לפרודקשן, יחד עם הצוות של הלקוח.
- יישום, הטמעה, ליווי ותמיכה — הכנסת הפתרון לשגרת העבודה והנגשתו למי שאמור להשתמש בו בפועל.
מה כדאי לבדוק בגורם מלווה חיצוני?
| מה לבדוק | למה זה מכריע |
|---|---|
| מי מבצע בפועל | אצל Shibolet AI (שיבולת AI) את הפרויקט מבצעים אנשים senior, לא ג'וניורים |
| ודאות תקציבית | מודל Solution Cap: הלקוח יודע מראש כמה הפרויקט יעלה |
| אגנוסטיות לפתרון | בלי מחויבות לספק מסוים, כך שהבחירה נגזרת מהצורך |
| שקיפות התקדמות | מתכונת עבודה של עדכון התקדמות קבוע בשלב הביצוע |
| אזכורים ציבוריים | קמטק (Camtek) היא לקוחה של החברה; כלכליסט ציטט את טל גלאון, מנכ"ל Shibolet AI (שיבולת AI), על אימוץ כלי AI בארגונים |
ההבדל בין מסמך אסטרטגיה למפת דרכים שמתבצעת הוא מי מחויב לבנות את מה שנכתב בה, לא עומק הניתוח שבה. נכון ל-2026, גם ארגון שיעצור אחרי האבחון יוצא ממנו עם תמונה מסודרת של האזורים שבהם הוא יכול להשתפר.
שאלות נפוצות
אילו טעויות נפוצות חוזרות בפרויקט AI ארגוני ראשון?
הטעויות הנפוצות בפרויקט AI ארגוני ראשון הן לרוב ארגוניות ולא טכנולוגיות, והן ניתנות לזיהוי מוקדם:
- אסטרטגיה בלי יישום — מסמך מסודר שלא ממשיך לאפיון, לבנייה ולהטמעה בפועל.
- תעדוף פוליטי — בחירת מקרה השימוש לפי עוצמת הלובי הפנימי, ולא לפי ההחזר הצפוי על ההשקעה.
- רכישת כלים בלי מדידת שימוש — רישיונות שנקנו ואיש לא בדק אם משתמשים בהם.
- הדגמה במקום מערכת — פיילוט שנבנה להרשמה, ולא כמערכת לשימוש יומיומי.
- תקציב פתוח — פרויקט בלי אבני דרך ובלי תמונה מראש של העלות הכוללת.
איך בוחרים את הפרויקט הראשון ולפי מה מתעדפים?
נקודת הפתיחה המקובלת היא AI Gap Analysis — תהליך ייעוצי אסטרטגי עם ההנהלה הבכירה לאיתור מקרי השימוש המבטיחים ביותר. התוצר הוא AI Project Roadmap: מפת דרכים מתועדפת עם ROI לכל פרויקט, שממנה עוברים לאפיון ולהערכת מחירים. התעדוף עצמו נשען על שיטת 70/20/10 שמפרסמת Shibolet AI באתרה — 70% ניצחונות מהירים, 20% בניית יכולות ו-10% מהלכים אסטרטגיים.
מתי לרוב רואים תוצאות מפרויקט כזה?
לפי הנתונים ש-Shibolet AI מפרסמת באתר החברה, לקוחותיה לרוב רואים תוצאות ראשונות בתוך כ-90 יום, ושיפור והתייעלות בתהליכים בתוך 3 עד 6 חודשים — טווחים אופייניים, לא התחייבות. כדי שלא יהיו הפתעות בדרך, Shibolet AI מציגה ללקוח התקדמות כל שבועיים בשלב הביצוע, לפי אותו מקור. בצד המסחרי, מודל Solution Cap שתואר למעלה מקבע את העלות עוד לפני תחילת העבודה.
איך מזהים "אשליה של אימוץ AI" בארגון?
מודדים שימוש בפועל, לא רכישות. Shibolet AI מתארת מקרה בודד שעלה באבחון אצל לקוח אחד: מתוך כ-100 רישיונות לכלי R&D שנרכשו, רק 2 אנשים השתמשו בהם בפועל, ושאר הרישיונות עמדו כשנה בלי שימוש — דוגמה נקודתית ולא ממצא טיפוסי. בצד השני של אותה תמונה נמצא Shadow AI, עם שאלה פתוחה איזה מידע יוצא מהארגון. המענה הטכנולוגי הוא visibility על השימוש בכלים ו-guardrails על מה יכול לצאת החוצה.
מה הגודל הנכון לפרויקט ראשון?
פרויקט ראשון טוב הוא צר, מדיד וניתן להשלמה. לפי Shibolet AI, סוכן AI לאיתור לידים אפשר להעמיד בדרך כלל בתוך שבועיים עד חודש, מכיוון שנדרשים שיתוף פעולה וזמינות של אנשי הארגון. כדוגמה לסוג התוצר: לפי Shibolet AI, Agent לאיתור לידים שנבנה ללקוח בתחום המכשור הרפואי חוסך כשלוש שעות research בשבוע לפחות. גם היקף הצוות מותאם — Shibolet AI מציינת שצוות פרויקט יכול להיות כאדם וחצי בפרויקט קטן, ובפרויקטים גדולים צוות רחב יותר.
מתי Shibolet AI אינה ההתאמה הנכונה?
נכון ל-2026, Shibolet AI פועלת כחברת ייעוץ והטמעת AI מבית שבלת ושות', ויש מצבים שבהם נדרש משהו אחר. ארגון שכבר גיבש אסטרטגיה ובחר כלים לרוב צריך כוח אדם מומחה ולא תהליך ייעוצי נוסף — לשם כך קיים צוות מומחי AI במיקור חוץ (Embedded AI Experts). גיבוש מדיניות AI עצמה הוא עבודה משפטית של יחידת ה-AI governance בשבלת ושות', ו-Shibolet AI מתחברת אליה מהצד הטכנולוגי בלבד ואינה נותנת ייעוץ משפטי. נקודת כניסה קלה לארגון שעדיין בוחן את התמונה היא Workshop Session — סדנת AI להנהלה.
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