בינה מלאכותית לא צריכה נתונים מושלמים: תפיסה מוטעית שעולה לחברות שנים – סוף למיתוס ההגירה

סוף להכנה האינסופית: כיצד בינה מלאכותית סוף סוף מספקת ערך מוסף אמיתי

לבינה מלאכותית פוטנציאל עצום, אך בפועל העסקי היא לעתים קרובות מתדרדרת לאשליה יקרה. הסיבה פשוטה וקטלנית כאחד: חברות הופכות, מבלי משים, את יוזמות הבינה המלאכותית השאפתניות שלהן לפרויקטים ענקיים ודורשים משאבים רבים להעברת נתונים. המטרה המקורית של השגת תוצאות עסקיות מהירות ומדידות הופכת למאבק ממושך על תשתית נתונים מושלמת ואיחוד חלק במחסני נתונים מרכזיים. בעוד מיליארדים מושקעים בהכנה, שני שלישים מהחברות נותרות תקועות בשלב הפיילוט - ויצירת הערך בפועל נופלת מהדרך.

מאמר זה חושף מדוע היצמדות נוקשה לאסטרטגיה של "תשתית תחילה" מובילה באופן קבוע לכישלון ומדוע הגירת נתונים מלאה אינה נדרשת בהכרח להצלחה של בינה מלאכותית. הוא מתאר שינוי פרדיגמה נחוץ ביותר: אלו שמתכננים לאחור מתוצאות עסקיות קונקרטיות ומסתמכים על גישה מאוחדת לנתונים אינם צריכים לחכות להשלמתם של מגה-פרויקטים של IT בני שנים. למד כיצד לשמור נתונים היכן שהם נמצאים, לספק לבינה מלאכותית רק את ההקשר הספציפי שהוא זקוק לו, ולהשיג הצלחה מדידה באמצעות "ניצחונות מהירים" ממוקדים בזמן קצר מאוד. הגיע הזמן להסיט את המיקוד משלמות נתונים טהורה לכיוון יצירת ערך פרגמטית של בינה מלאכותית.

קשור לזה:

• UNFRAME.AI: העברת נתונים מעולם לא הייתה הנקודה. תוצאות בינה מלאכותית כן.

בריחה ממלכודת הנתונים: חשיבה על בינה מלאכותית מנקודת מבט של התוצאה

הרוצח הגדול ביותר של בינה מלאכותית הוא העברת נתונים

פרויקטים של בינה מלאכותית נכשלים בדרך כלל לא בגלל הטכנולוגיה עצמה, אלא משום שהם מתדרדרים לפרויקטים של תשתית IT בלבד. איחוד כל הנתונים נחשב בטעות לדרישה חובה.

חשיבה מהתוצאה (הנדסה הפוכה)

במקום לשאול כיצד להכין את כל הנתונים עבור בינה מלאכותית, השאלה המהותית היא: איזה הקשר נתונים ספציפי בינה מלאכותית צריכה כאן ועכשיו כדי לספק תוצאה עסקית קונקרטית?

הקשר במקום עותק (גישה מאוחדת)

בינה מלאכותית אינה זקוקה לכל מחסן הנתונים. טכנולוגיות כמו גישה מאוחדת לנתונים, וירטואליזציה של נתונים ו-RAG (יצירת אחזור רבודה) מאפשרות לשמור נתונים במערכות המקור שלהם ולהרכיב את ההקשר רק ברגע השאילתה. זה חוסך זמן ועלויות עצומים.

פעולה מקבילה במקום קיפאון

העברת נתונים ארוכת טווח (תהליכי ETL לדיווח, היסטוריה וכו') יכולה ועשויה להימשך. עם זאת, יוזמת הבינה המלאכותית אינה צריכה להמתין לכך, אלא יכולה לגשת לנתונים הקיימים והמבוזרים במקביל.

זריזות מנצחת פרפקציוניזם

ניסיון לבנות סכמת נתונים מקיפה אינו יעיל. מודלים של הקשר ספציפיים למקרה שימוש, מוכווני תחום (בדומה לגישת רשת הנתונים) מבטיחים הרבה יותר.

כוחם של "ניצחונות מהירים"

כדי להשיב לעצמם את האמון של בעלי העניין, שלעתים קרובות נשחק, פרויקטים של בינה מלאכותית חייבים להדגים במהירות החזר השקעה (ROI). מקרה שימוש ראשוני אידיאלי (תדירות גבוהה, בסיס מדיד, נתונים קיימים) מספק תוצאות מוחשיות תוך מספר שבועות, ובכך מצדיק השקעה נוספת.

מדוע חברות משקיעות מיליארדים בתשתיות במקום לספק ערך מוסף

הטרנספורמציה הדיגיטלית בשנים האחרונות יצרה דפוס פרדוקסלי החוצה את כל התעשיות. חברות משקיעות סכומים משמעותיים בבינה מלאכותית, אך ברוב המקרים, יצירת הערך בפועל אינה עומדת בציפיות. הסיבה לכך לעיתים רחוקות טמונה בטכנולוגיה עצמה. היא טמונה באופן שבו ארגונים ניגשים לדרך לבינה מלאכותית. במקום להתמקד בתוצאות עסקיות מדידות, יוזמות בינה מלאכותית הופכות בהדרגה לפרויקטים אדירים של תשתית נתונים שמפתחים חיים משלהם ומאבדים את מטרתם המקורית. מה שהחל כיוזמה אסטרטגית למינוף בינה מלאכותית מסתיים לעתים קרובות כשנים של העברת נתונים ללא כל תשואה נראית לעין על ההשקעה.

על פי תחזית גרטנר מדצמבר 2025, ההוצאות העולמיות על בינה מלאכותית יגיעו לכ-1.8 טריליון דולר בשנת 2025 וצפויות לגדול ל-4.7 טריליון דולר עד 2029. במקביל, סקר מקינזי העולמי לשנת 2025 על מצב הבינה המלאכותית מראה כי 88 אחוז מהחברות שנבדקו כבר משתמשות בבינה מלאכותית לפחות בתפקיד עסקי אחד, אך כמעט שני שלישים עדיין נמצאים בשלב הניסוי או הפיילוט. רק כשישה אחוזים מהחברות מסווגות כ"בעלות ביצועים גבוהים של בינה מלאכותית", כאשר יותר מחמישה אחוזים מהרווח התפעולי (EBIT) מיוחסים לבינה מלאכותית. נתונים אלה ממחישים פער מהותי בין הכסף הזורם לבינה מלאכותית לבין הערך שנוצר בסופו של דבר. ניתוח פער זה מגלה בעיה מבנית המשתרעת הרבה מעבר לבעיות טכניות.

כיצד פרויקט התשתיות בלע את יוזמת הבינה המלאכותית

שרשרת ההיגיון שמובילה חברות למצב הזה נראית סבירה במבט ראשון. בינה מלאכותית זקוקה לנתונים. הנתונים מקוטעים על פני מערכות רבות. לכן יש לאחד אותם. איחוד דורש הגירה. הגירה דורשת טרנספורמציה. טרנספורמציה דורשת ממשל. ממשל דורש תוכניות איכות נתונים. כל החלטה בודדת בשרשרת הזו סבירה בפני עצמה. אבל יחד, הם הופכים יוזמת בינה מלאכותית לתוכנית תשתית נתונים שלוקח שנים עד שתוצאת בינה מלאכותית אחת הופכת לגלויה.

תופעה זו ניכרת באופן בולט בנתונים. על פי דוח העברת הנתונים של Caylent לשנת 2025, רק שישה אחוזים מהחברות שנסקרו דיווחו על השלמת פרויקטי ההגירה המורכבים ביותר שלהן בזמן. כמעט מחצית מהנשאלים חוו יותר מחמש שעות של השבתה במהלך העברות קריטיות, מה שהוביל לבעיות בחוויית הלקוח, הפסדי הכנסות ועיכובים תפעוליים. ניתוח של למעלה מ-500 ביקורות חברות מגלה שכ-73 אחוזים מפרויקטי העברת הנתונים נכשלים עקב תכנון לא מספק, פערים בממשל וחוסר מומחיות ספציפית לפלטפורמה. חריגות זמן של 150 אחוז בממוצע אינן היוצא מן הכלל, אלא הכלל.

פרויקטי הגירה אלה מפתחים דינמיקה משלהם. הם מושכים צוותים ייעודיים, יוצרים מדדי ביצועים מרכזיים (KPI) משלהם, ומקבלים נותני חסות משלהם ברמת הדירקטוריון, אשר מהמרים על המוניטין שלהם בהשלמת הפרויקט. מקרי השימוש המקוריים של בינה מלאכותית נדחים לשלב הבא, אחר כך לתקופה שלאחר ההגירה, ולבסוף, הם נעלמים בשקט מדיוני התכנון. איש אינו מתכנן את התוצאה הזו. היא נובעת מאלף החלטות קטנות, כל אחת מוצדקת בפני עצמה, אך יחד, גורמות להקצאה אסטרטגית שגויה של משאבים ותשומת לב.

תרחיש טיפוסי ממחיש את הבעיה. סקירת העסקים הרבעונית מתחילה כפי שעשתה בשנתיים האחרונות. צוות טרנספורמציית הנתונים מציג את התקדמותו. ההעברה הושלמה ב-73 אחוזים. מדדי איכות הנתונים השתפרו בשישה תחומים. ארכיטקטורת מחסן הנתונים עברה את הביקורת האחרונה שלה. נותן החסות הראשי מהנהן בהסכמה לעבר תרשימי אבני הדרך. ואז מישהו שואל את השאלה שכולם נמנעו ממנה: מתי הבינה המלאכותית תעלה לאוויר? שתיקה משתררת. מישהו מזכיר את השלב השני. מישהו אחר מצביע על תלויות. ציר הזמן המקורי, שהבטיח תובנות המונעות על ידי בינה מלאכותית תוך שמונה עשר חודשים, הפך להערת שוליים בפרויקט תשתית נתונים שקיבל חיים משלו.

הבונוס של מיליארד הדולר של הכנות לא גמורות

הממד הכלכלי של בעיה זו הוא משמעותי. גרטנר צופה שעד סוף 2026, ארגונים ללא נתונים מוכנים לבינה מלאכותית יחוו כישלון ונטישה של למעלה מ-60 אחוז מפרויקטי הבינה המלאכותית שלהם. כתב העת Harvard Business Review מעריך את שיעור הכישלון הכולל של פרויקטי בינה מלאכותית ב-80 אחוז, כמעט כפול משיעור הכישלון של פרויקטי IT שאינם כוללים בינה מלאכותית. על פי סקר משנת 2025 של S&P Global Market Intelligence, 42 אחוז מהחברות נטשו את רוב יוזמות הבינה המלאכותית שלהן, עלייה דרמטית מ-17 אחוז בלבד בשנה הקודמת. ארגון ממוצע זנח 46 אחוז מהוכחות היתכנות של בינה מלאכותית עוד לפני שהגיעו לייצור.

גרטנר צופה גם שלפחות 30 אחוזים מפרויקטים של בינה מלאכותית גנרטיבית יינטשו לאחר שלב הוכחת ההיתכנות עקב איכות נתונים ירודה, בקרת סיכונים לא מספקת, עלויות גוברות או ערך עסקי לא ברור. סקר Informatica CDO Insights לשנת 2025 מזהה בבירור את המכשולים הגדולים ביותר להצלחת בינה מלאכותית: איכות נתונים ובגרות (43 אחוזים), חוסר בגרות טכנית (גם 43 אחוזים) ומחסור בכוח אדם מיומן (35 אחוזים).

נתונים אלה מדגישים אי הבנה בסיסית הרווחת בארגונים רבים. הבעיה אינה שמקרי שימוש בבינה מלאכותית נכשלים. הבעיה היא שההגירה הפכה למשימה עצמה, ולא לאמצעי להשגת מטרה. איחוד כל הנתונים למחסן נתונים מרכזי הפך למטרה בפני עצמה, בעוד שהערך העסקי המקורי נמוג ברקע. בינתיים, ההשקעות בנתונים מוכנים לבינה מלאכותית מתפוצצות. גרטנר צופה כי שוק נתוני הבינה המלאכותית יגדל מ-134 מיליון דולר בשנת 2024 ל-14.6 מיליארד דולר עד 2029, מה שמייצג קצב צמיחה שנתי מצטבר של 155 אחוזים. הכסף זורם, אך הוא הולך בכיוון הלא נכון אם ניגשים לאספקת נתונים כפרויקט מונוליטי ומכינה ולא כתהליך איטרטיבי.

חשבו במונחים של תוצאה, במקום לתכנן מנקודת מבט של התשתית

הגישה האלטרנטיבית מתחילה בשאלה שונה במהותה. במקום לשאול כיצד להכין נתונים עבור בינה מלאכותית, יש לשאול איזה הקשר בינה מלאכותית צריכה כדי לספק תוצאה עסקית ספציפית. היפוך נקודת המבט הזה משנה את כל ארכיטקטורת הפרויקט.

רוב מקרי השימוש של בינה מלאכותית דורשים הקשר של שלוש עד חמש מערכות, לא תיק נתונים שהועבר במלואו. דרישות ההקשר הן ספציפיות. בינה מלאכותית לניתוח חוזים זקוקה לחוזים, תיקונים, צדדים והתחייבויות. היא אינה זקוקה לכל מחסן הנתונים. בינה מלאכותית לשירות לקוחות זקוקה להיסטוריית אינטראקציה, נתוני מוצר ורישומי ניהול אירועים. היא אינה זקוקה לכל טבלה בכל מערכת מקור.

נתיב הנתונים המינימלי הנדרש כמעט תמיד צר יותר מהיקף פרויקט ההגירה. ההגירה מותאמת לכל שאילתה עתידית אפשרית. בינה מלאכותית זקוקה להקשר הנכון עבור מקרי שימוש ספציפיים כאן ועכשיו. שתי דרישות אלו שונות במהותן, והתייחסות אליהן כשוות ערך היא בדיוק המנגנון שבאמצעותו פרויקטי תשתית טורפים יוזמות בינה מלאכותית.

בעבודה אחורה מתוצאת הבינה המלאכותית, מגלים לעתים קרובות שהנתונים הדרושים כבר נגישים. אין צורך להעביר אותם. יש לחבר אותם, לארגן אותם עבור מקרה השימוש ולהנגיש אותם בזמן ריצה. ניהול יעיל של נתוני בינה מלאכותית מתחיל בהבנה זו: ראשית יש להגדיר את התוצאה, ולאחר מכן למצוא את הנתיב הפשוט ביותר להקשר המאפשר את התוצאה הזו.

פלטפורמת בינה מלאכותית מנוהלת - תמונה: Xpert.Digital

כאן תלמדו כיצד החברה שלכם יכולה ליישם פתרונות בינה מלאכותית מותאמים אישית במהירות, בצורה מאובטחת וללא חסמי כניסה גבוהים.

פלטפורמת בינה מלאכותית מנוהלת היא הפתרון השלם והחסר דאגות שלכם לבינה מלאכותית. במקום להתמודד עם טכנולוגיה מורכבת, תשתית יקרה ותהליכי פיתוח ארוכים, אתם מקבלים פתרון מוכן מראש המותאם לצרכים שלכם משותף מתמחה - לעתים קרובות תוך מספר ימים בלבד.

היתרונות המרכזיים במבט חטוף:

⚡ יישום מהיר: מרעיון ליישום מוכן לשימוש תוך ימים, לא חודשים. אנו מספקים פתרונות מעשיים היוצרים ערך מוסף מיידי.

🔒 אבטחת מידע מקסימלית: המידע הרגיש שלך נשאר אצלך. אנו מבטיחים עיבוד מאובטח ותואם ללא שיתוף מידע עם צדדים שלישיים.

💸 אין סיכון פיננסי: אתם משלמים רק על תוצאות. השקעות גבוהות מראש בחומרה, תוכנה או כוח אדם מבוטלות לחלוטין.

🎯 התמקדו בעסק הליבה שלכם: התרכזו במה שאתם עושים הכי טוב. אנחנו דואגים לכל תהליך היישום הטכני, התפעול והתחזוקה של פתרון הבינה המלאכותית שלכם.

📈 עמיד לעתיד וניתן להרחבה: הבינה המלאכותית שלכם גדלה איתכם. אנו מבטיחים אופטימיזציה וגמישות מתמשכת, ומתאימים את המודלים לדרישות חדשות בצורה גמישה.

מידע נוסף כאן:

• פלטפורמת בינה מלאכותית מנוהלת

גישה מאוחדת לנתונים כמודל חלופי אדריכלי

בינה מלאכותית ללא העברת נתונים אינה קיצור דרך. זוהי ארכיטקטורה שונה המשקפת כיצד בינה מלאכותית פועלת בפועל בסביבות ייצור. שלושה עקרונות יסוד מאפיינים גישה זו.

ראשית, גישה מאוחדת מחברת את הבינה המלאכותית (AI) למערכות המקור בהן נמצאים הנתונים מבלי לדרוש ריכוזיות מוקדמת. נתוני CRM נשארים ב-CRM. מסמכים נשארים במאגר המסמכים. נתונים תפעוליים נשארים ב-ERP. שכבת הבינה המלאכותית יכולה לגשת לכל זה מבלי להמתין לסנכרון. גישה מאוחדת לנתונים שומרת על הנתונים במיקומם המקורי, ממנפת טכניקות וירטואליזציה כדי לספק תצוגה מאוחדת ומאפשרת תובנות בזמן אמת לפי דרישה. בניגוד לאחסון נתונים, שבו הנתונים מועברים פיזית למיקום מרכזי, גישה מאוחדת מבטלת את הסיכונים והעלויות הכרוכים בשכפול נתונים ומשפרת את היעילות התפעולית.

שנית, מודלים של הקשר ספציפיים למקרה שימוש מגדירים את הצרכים הספציפיים של כל יישום בינה מלאכותית. במקום לבנות סכמה אוניברסלית שמנסה לכסות הכל, המערכת מגדירה את הישויות, הקשרים והאותות הספציפיים הרלוונטיים לכל מקרה שימוש בנפרד. עיקרון זה מתיישב עם תפיסת ארכיטקטורת רשת הנתונים, שבה צוותים מוכווני תחום מנהלים באופן עצמאי את הנתונים שלהם ומתחזקים סטנדרטים מותאמים אישית של ממשל המשקפים דרישות עסקיות ספציפיות.

שלישית, הרכבה בזמן ריצה מרכיבה את ההקשר ברגע ההחלטה, ולא מראש באמצעות צינורות אצווה. כאשר הבינה המלאכותית צריכה לענות על שאלה, היא אוספת את ההקשר הרלוונטי מכל המקורות, בכל מקום בו ההקשר הזה נמצא. אין עיכוב בסנכרון. אין תמונות מצב מיושנות. נתונים עדכניים, המורכבים לפי דרישה. עיקרון זה עבר התבגרות טכנולוגית עם התפשטות ה-RAG (Retrieval Augmented Generation). ארכיטקטורות RAG מאפשרות למערכות בינה מלאכותית לאחזר מידע חיצוני רלוונטי ברגע השאילתה ולשלב אותו בהקשר, במקום להסתמך אך ורק על ידע שאומן מראש. עד אמצע 2026, למעלה מ-66 אחוז מהטמעות הבינה המלאכותית הגנרטיבית בארגון ישתמשו בארכיטקטורות RAG.

היישום המעשי של ארכיטקטורה זו ניכר בסביבות ארגוניות אמיתיות. לדוגמה, Federated Machine Learning Library של SAP, ממנפת את ארכיטקטורת איחוד הנתונים של SAP Datasphere כדי לחשוף בצורה חכמה נתוני SAP ונתונים שאינם של SAP ללמידת מכונה מבלי לדרוש שכפול או העברת נתונים. חברות כמו Downer, אחת מספקיות השירותים המשולבים הגדולות באוסטרליה, יישמו פלטפורמת נתונים ובינה מלאכותית מאוחדת המשלבת גמישות מבוזרת עם ממשל מרכזי, המאפשרת ליחידות עסקיות לחדש באופן עצמאי תוך שיתוף נתוני ארגון בצורה חלקה ומאובטחת.

השוואה בין וירטואליזציה של נתונים לעיבוד אצווה

הבחירה בין גישה מאוחדת באמצעות וירטואליזציה של נתונים לבין איחוד מסורתי מבוסס ETL אינה בחירה בינארית, אלא עניין של התאמתה לדרישות עומס העבודה הרלוונטי. וירטואליזציה של נתונים מספקת זמני תגובה מהירים יותר בעת שאילתות למערכי נתונים קטנים ומבוזרים. עם זאת, עם נפחי נתונים הולכים וגדלים ודרישות טרנספורמציה מורכבות, ETL יכול להיות יעיל יותר הודות ליכולתו לעבד מערכי נתונים גדולים באמצעות כללי טרנספורמציה מוגדרים מראש.

הפשרה הבסיסית היא שוירטואליזציה של נתונים מחליפה איחוד פיזי באינטגרציה לוגית. אתם מקבלים נתונים עדכניים יותר, שכן שאילתות ניגשות ישירות למערכות המקור, ואתם נמנעים מהעלות והמורכבות של העתקת כל הנתונים למחסן יחיד. במקביל, אתם הופכים תלויים בזמינות ובביצועים של כל מערכת בסיסית. עבור שאילתות אנליטיות כבדות בטווח פטה-בייט, מחסנים עם אגרגטים מחושבים מראש ואחסון עמודתי עולים על שאילתות מאוחדות ברשתות פי עשרה או יותר.

הפתרון החכם הוא להשתמש בשתי הגישות באופן משלים. ETL מטפל בעיבוד נתונים היסטוריים מובנים לצורך דיווח ומבטיח עקביות. וירטואליזציה של נתונים מאפשרת גישה זריזה לנתונים חיים או מבוזרים עבור שאילתות קריטיות בזמן. בעת שילוב מקור נתונים חדש, שינוי זרימות עבודה של ETL יכול להימשך ימים או שבועות. וירטואליזציה של נתונים מאפשרת שילוב מיידי של מקורות נתונים זמניים או ניסיוניים. גישה היברידית זו ממטבת ביצועים, עלות וגמישות באופן שווה.

הדרך הקצרה ביותר לתוצאות מדידות של בינה מלאכותית

ההיגיון הכלכלי העומד מאחורי הגישה המוכוונת-תוצאות משכנע. משך פרויקט בינה מלאכותית ממוצע עוקב אחר דפוס מוכר: שלושה חודשי תכנון, שישה חודשי פיתוח, שישה חודשי בדיקות, שלושה חודשי פריסה, סך של שמונה עשר חודשים עד להחזר השקעה (ROI). על פי גרטנר, בממוצע רק 48 אחוזים מפרויקטי בינה מלאכותית מגיעים לייצור, והדרך מאב טיפוס של בינה מלאכותית לייצור אורכת שמונה חודשים. רק 35 אחוזים מפרויקטי בינה מלאכותית מגיעים אפילו למוכנות לייצור.

אבל יש דרך נוספת. על פי מחקר של IDC, 92 אחוז מהטמעות מוצלחות של בינה מלאכותית מניבות תשואה חיובית על ההשקעה תוך שנים עשר חודשים. 40 אחוז מהחברות מדווחות על תשואה חיובית תוך שישה חודשים. המפתח טמון בבחירת מקרה השימוש הראשוני הנכון ובהימנעות מהכנות תשתית שאפתניות מדי.

המסגרת לתשואה מהירה על ההשקעה בבינה מלאכותית מבוססת על ארבעה עקרונות. מקרה השימוש הראשון האידיאלי מאופיין בתדירות גבוהה; המשימה המדוברת מבוצעת מדי יום או שבועי. יש לה קו בסיס ברור, וניתן למדוד את הביצועים הנוכחיים. הנתונים כבר קיימים, ולמקרה השימוש יש תלות מוגבלת במערכות אחרות. אם קריטריונים אלה מתקיימים, ניתן להשיג תוצאות מדידות תוך מספר שבועות.

ההשפעה של ניצחונות מהירים כאלה חורגת הרבה מעבר לתשואה הפיננסית המיידית. ספקית טלקומוניקציה הטמיעה צ'אטבוט מבוסס בינה מלאכותית עבור חמש פניות הלקוחות הנפוצות ביותר בנוגע לחיוב. תוך 60 יום, הפתרון פתר 35 אחוז מהפניות ללא התערבות אנושית, צמצם את זמן הפתרון הממוצע מ-24 שעות ל-10 דקות, ושיפר את ציוני שביעות רצון הלקוחות ב-22 אחוז. יצרן בינוני הטמיע תחזוקה ניבויית המופעלת על ידי בינה מלאכותית בקו ייצור קריטי. פרויקט הפיילוט בן 45 הימים הביא להפחתה של 62 אחוזים בזמן השבתה לא מתוכנן, 157,000 דולר בהפסדי ייצור שנמנעו, והפחתה של 28 אחוזים בעלויות התחזוקה. עוזרת הבינה המלאכותית של Klarna פתר שני שלישים מכלל פניות הצ'אט של הלקוחות בחודש הראשון והפחיתה את זמן הפתרון הממוצע מ-11 דקות לפחות משתי דקות.

מדוע אמון בעלי העניין הוא המטבע הקשה ביותר

ניצחונות מהירים אלה משרתים תפקיד שמעבר לחיסכון גרידא בעלויות. הם משקמים את אמון בעלי העניין, אשר נשחק במשך שנים של פרויקטים של תשתית ללא תוצאות נראות לעין. הצלחות מהירות מספקות הוכחה מהירה ומוחשית לכך שבינה מלאכותית יוצרת ערך עסקי. זה בונה את אמון מקבלי ההחלטות, מפחית את ההתנגדות לאימוץ וסולל את הדרך להשקעות גדולות יותר בבינה מלאכותית.

ניצחונות מהירים מוצלחים יוצרים לולאות משוב חיוביות המאיצות את אימוץ הבינה המלאכותית. הצלחה ראשונית מייצרת התלהבות ומשאבים ליישום רחב יותר. הרחבת היישום יוצרת ערך נוסף ולמידה ארגונית. למידה זו מאפשרת יישומים מתוחכמים יותר ויתרונות גדולים יותר. היתרונות הגדולים יותר מצדיקים השקעה מוגברת ביכולות בינה מלאכותית.

נתוני מקינזי מדגישים מנגנון זה. חברות בעלות ביצועים גבוהים בבינה מלאכותית - ששת האחוזים מהחברות עם תרומה מדידה ל-EBIT מבינה מלאכותית - נוטות פי שלושה יותר מאחרות לדווח כי הארגון שלהן מתכוון להשתמש בבינה מלאכותית לשינוי טרנספורמטיבי. חברות אלו נוטות כמעט פי שלושה יותר מאחרות לעצב מחדש באופן יסודי זרימות עבודה, ועיצוב מחדש מכוון זה של זרימות עבודה מדגים את אחת התרומות החזקות ביותר להשגת השפעה עסקית מדידה. חברות בעלות ביצועים גבוהים פורסות באופן קבוע בינה מלאכותית על פני יותר פונקציות עסקיות מקבוצת המתחרות שלהן, וסביר להניח שהן ירחיבו פי שלושה את השימוש בסוכני בינה מלאכותית.

פעולה מקבילית במקום תלות סדרתית

אין צורך לעצור את פרויקט ההגירה. הוא עשוי לשרת מטרות מעבר לבינה מלאכותית. דיווחים רגולטוריים, ניתוחים היסטוריים או לוחות מחוונים ניהוליים במפת הדרכים הפנימית עשויים אכן לדרוש נתונים מאוחדים. ההשקעה בבניית בסיס זה אינה מבוזבזת למטרות אלה.

אבל בינה מלאכותית לא צריכה לחכות להשלמת ההגירה. שתיהן יכולות לפעול במקביל. ההגירה ממשיכה בלוח הזמנים שלה למטרותיה המיועדות. בינה מלאכותית מספקת תוצאות כעת, על סמך הנתונים הקיימים כיום.

הגישה הפרגמטית מתחילה בזיהוי שניים עד שלושה מקרי שימוש של בינה מלאכותית אשר יספקו ערך עסקי מדיד. לאחר מכן, מיפוי הקשר הנתונים הספציפי הנדרש עבור כל מקרה שימוש. לאחר מכן, נבדק האם הקשר זה נגיש ישירות מבלי לדרוש הגירה. לבסוף, הבינה המלאכותית מופעלת בפיילוט על נתיב הנתונים הצר ביותר האפשרי.

גישה זו תואמת את ממצאיה של האנליסטית של גרטנר, הריתה חאנדאבאטו, המתארת ​​מעבר הדרגתי מבינה מלאכותית גנרטורה כמוקד מרכזי, אל המאפשרים הבסיסיים התומכים בפריסה בת קיימא של בינה מלאכותית, כולל נתונים וסוכני בינה מלאכותית מוכנים לבינה מלאכותית. השקעות עוברות מאסטרטגיה המתמקדת בתשתית תחילה לארכיטקטורה המתמקדת בנתונים ויכולות תחילה. ארגונים המתייחסים למוכנות לנתונים כאל מחשבה שלאחר מעשה הם אלה שסביר להניח שיישארו בין 94 האחוזים שלעולם לא מתקדמים מעבר לשלב הפיילוט.

ארגון מחדש של לוגיקת ההשקעה

נתוני ההוצאות של גרטנר חושפים שינוי טקטוני בהיגיון ההשקעה. בעוד שתשתיות בינה מלאכותית נותרות קטגוריית ההוצאות הגדולה ביותר ללא ספק, עם 965 מיליארד דולר בשנת 2025, קצב הצמיחה שלה הוא מתון יחסית, 29 אחוזים בשנה. ההאצה מתרחשת במקומות אחרים: נתוני בינה מלאכותית צומחים ב-155 אחוזים מדי שנה, אבטחת סייבר של בינה מלאכותית ב-74 אחוזים, ומודלים של בינה מלאכותית ב-68 אחוזים. הכסף עוקב אחר צווארי הבקבוק, לא אחר הכותרות.

בתוך שוק נתוני הבינה המלאכותית, מניעי הצמיחה ברורים אף יותר. יצירת נתונים סינתטיים צומחת בקצב שנתי של 178 אחוזים, מ-41 מיליון דולר ל-6.8 מיליארד דולר עד 2029. מערכי נתונים מוכנים לבינה מלאכותית - כלומר, נתונים שנוצרו מראש המובנים עבור זרימות עבודה של בינה מלאכותית - צומחים ב-136 אחוזים מדי שנה. חברות מוכנות לשלם עבור קיצורי דרך לייצור. זהו איתות ברור לכך שהשוק מעריך מוכנות נתונים מהירה על פני הגירה איטית ומקיפה.

הארגונים המנצחים, אלו שבאמת קוצרים את הערך מהטרנספורמציה הזו, משקיעים ביכולות שהופכות מערכות בינה מלאכותית לעבוד בקנה מידה ארגוני: מוכנות נתונים, ממשל, אינטגרציה ואבטחה. הם הופכים את יחסי ההוצאות הטיפוסיים, ומקדישים 50 עד 70 אחוז מזמנם ותקציבם למוכנות נתונים - כלומר, חילוץ, נרמול, מטא-נתונים של ממשל, לוחות מחוונים איכותיים ובקרות שמירה. עם זאת, מוכנות נתונים זו אינה נתפסת כפרויקט הגירה מונוליטי, אלא כתהליך איטרטיבי, מונע-מקרה-שימוש.

מפרפקציוניזם של נתונים לפרגמטיזם של בינה מלאכותית

את הממצא המרכזי של ניתוח זה ניתן לסכם בעיקרון אחד: המטרה מעולם לא הייתה תשתית מושלמת. המטרה הייתה להשיג תוצאות מבינה מלאכותית, ולמרבה המזל, זה לא דורש איחוד נתונים מלא. הצוותים שמזהים זאת מפסיקים להתייחס להגירה כתנאי מוקדם ומתחילים לראות בתוצאות בינה מלאכותית את המדד שחשוב באמת.

הנתונים מדברים בעד עצמם. 88 אחוז מהחברות משתמשות בבינה מלאכותית, אך רק שליש החלו להרחיב אותה. 73 אחוז מפרויקטי ההגירה נכשלים עקב בעיות יישום, ולא הטכנולוגיה עצמה. 42 אחוז מהחברות ינטשו את רוב יוזמות הבינה המלאכותית שלהן עד 2025. במקביל, ששת האחוזים המובילים מדגימים שהדרך להצלחה טמונה ביעדים שאפתניים, זרימות עבודה מחודשות ובהרחבה מהירה, ולא בהשלמת פרויקטי הגירה.

זה מציג קריאה ברורה לפעולה עבור מנהלי מערכות מידע ומנהלי טכנולוגיות ראשיות. השאלה אינה עוד כיצד לאחד את כל הנתונים לפני שניתן ליישם בינה מלאכותית. השאלה היא איזה הקשר נתונים ספציפי נדרש עבור מקרה השימוש הבא של בינה מלאכותית וכיצד ניתן לספק הקשר זה בצורה המהירה והחסכונית ביותר. גישה מאוחדת, מודלי הקשר ספציפיים למקרה שימוש והרכבת זמן ריצה הם הכלים הארכיטקטוניים המאפשרים גישה זו. הם מחליפים את הפרדיגמה של הכנה מלאה בפרדיגמה של יצירת ערך איטרטיבית.

חברות שרואות בבינה מלאכותית לא כגורם משני בפרויקטים של תשתית, אלא ככוח מניע הקובע את דרישות הנתונים, יהיו אלו שיתקדמו הכי מהר משלב הפיילוט לשלב ההרחבה. פרויקט ההגירה יכול להימשך, אבל הבינה המלאכותית לא צריכה לחכות.

Konrad Wolfenstein

אשמח לשמש כיועץ האישי שלך.

קשר בכתובת wolfenstein ∂ xpert.digital

פשוט התקשרו אליי למספר +49 89 89 674 804 (מינכן) .

לינקדאין