פלטפורמות הנתונים שלכם לא מוכנות ל-AI — וה-CIO עלול לשלם את המחיר

הנה משהו שכולנו יודעים אבל מעדיפים לא לדבר עליו: הפלטפורמות שהשקענו בהן בשנים האחרונות — אותם מחסני ענן מודרניים שבנינו ל-dashboards, דו״חות כספיים ו-BI — פשוט לא מתוכננות לעומס שה-AI הארגוני מטיל עליהן. וככל שסוכנים אוטונומיים (agentic AI) נכנסים לשטח, הסדקים הופכים לבעיות אמיתיות.

הבעיה: לא חסר מודל, חסר קונטקסט

מודל שפה גדול כל אחד יכול להשיג — זה לא היתרון התחרותי. מה שישאיר חברה אחת לפני השנייה הוא הנתונים שלה, ואיך היא מנגישה אותם למודלים. את זה אומר Bharat Bansal, שותף ב-Bain & Company, והוא יודע על מה הוא מדבר: Bain פרסמה לאחרונה דוח שלם שעוסק בדיוק בנושא הזה — איך לבנות מחדש את פלטפורמת הנתונים לעידן ה-AI.

הבעיה מתחילה במגוון המשימות ששמים היום על אותה תשתית נתונים. בעבר, מחסן ענן היה צריך להתמודד עם שאילתות BI ודו״חות. היום, סוכנים אוטונומיים שולפים מידע, מקבלים החלטות ופועלים על פיהן — בלי שאדם יתערב. תקלה באיכות נתונים שפעם הייתה מייצרת גרף שגוי ב-dashboard יכולה עכשיו לגרום לסוכן לבצע רכישות או לקבל החלטות בשרשרת האספקה לפני שמישהו שם לב.

בפועל, איכות נתונים ובקרות גישה הופכות מדרישות מנהליות לדרישות בטיחות תפעוליות.

מה ה-CIO צריך להחליט?

ב-Bain מזהים שתי חולשות מרכזיות בסביבות הנתונים הקיימות:

• הפער בין נתונים מובנים לבלתי מובנים: מחסנים מאחסנים נתונים מובנים עם ממשל קפדני, אבל נתונים לא מובנים (מסמכים, מיילים, תמונות) יושבים במקומות אחרים עם הרבה פחות פיקוח. סוכני AI צריכים את שניהם.

• המחסור בקונטקסט עסקי: חברות אולי מחזיקות data dictionaries וקטלוגים, אבל סוכן צריך יותר מהגדרה של ״לקוח״ או ״מוצר״. הוא צריך להבין שללקוח יש חברות־בת באזורים שונים, שהוא רוכש כמה מוצרים ושהוא מתקשר עם החברה דרך ערוצים מרובים. Bansal אומר את זה ישירות: ״שכבות הסמנטיות המסורתיות לא מספקות את הקונטקסט הזה לסוכנים שלנו.״ הרבה מהידע הזה עדיין יושב בראש של העובדים.

אז מה עושים? שלוש אפשרויות עיקריות:

1. להרחיב את המחסן הקיים — ב-Bain מייעצים לרוב הארגונים ללכת על זה, במקום להחליף פלטפורמה.
2. לעבור ל-Data Lakehouse — שילוב של יכולות מחסן ואגם נתונים.
3. לבנות ארכיטקטורה מותאמת — לארגונים עם צרכים ספציפיים יותר.

פלטפורמות כמו Snowflake, Google BigQuery ו-Amazon Redshift כבר מרחיבות את היכולות שלהן, וקונספט ה-warehouse וה-lakehouse מתכנסים. אבל זה לא פותר הכול — צריך גם שכבת סמנטיות, ממשל נתונים, ובסופו של דבר: בעלות עסקית על הנתונים.

מקרה מבחן: Hitachi — 150 מערכות CRM, בלי פתרון אחיד

רוצים לראות איך זה נראה בעולם האמיתי? תסתכלו על Hitachi. קונגלומרט יפני עם 290,000 עובדים, 607 חברות־בת ב-190 שווקים והכנסות שנתיות של 70 מיליארד דולר. החברה קנתה וקנתה וקנתה במשך מאה שנה — והתוצאה היא שהנתונים פזורים על פני יותר מ-150 מערכות CRM שונות, כולל Salesforce, SAP ו-Microsoft.

Bala Krishnapillai, סגן נשיא בכיר ו-CIO של חטיבת אמריקה ב-Hitachi, מודה שהאתגר אינו פשוט. למרות ש-ChatGPT הושק כבר לפני שלוש שנים וחצי, Hitachi עדיין לא פרסה כלי AI אחד שמיועד לכל העובדים בארגון. וזה כנראה מהלך חכם — כי מחקרים מראים שפיילוטים רבים של AI ארגוני נכשלים.

Krishnapillai מתאר גישה בשלושה סלים:

• כלי פרודוקטיביות יומיומיים כמו Microsoft Copilot ו-Google Gemini — לסיכומי מיילים ולתרגום (קריטי לחברה גלובלית).
• כלים ספציפיים לתפקיד — יצירת תוכן לצוותי קריאייטיב וניתוח תחרותי לצוותי מכירות.
• עוזרי קוד למפתחים — Hitachi עובדת עם Anthropic בתחום הזה.

״מבחינת אסטרטגיית AI ארגונית, אין פתרון אחד,״ הוא אומר. וגם בנושא התקציב: צריכת טוקנים היא עניין רציני, ומנהלי חטיבות אחראים על השימוש ועל ההוצאות.

לא רק ה-CIO על הכוונת

עוד דבר מעניין שקורה במקביל: בעוד CIOs רבים הפכו למובילי אסטרטגיית AI בארגון, חלק מהחברות מחליטות שהאחריות על AI צריכה להיות אצל מישהו אחר — Chief AI Officer, או אפילו אצל ה-CEO ישירות.

זה מעמיד את ה-CIOs בסכנה אמיתית של הדרה מהדיון הפנימי. מצד שני, גם מנהלי אבטחת מידע (CISOs) מוצאים את עצמם נדחפים לתוך שיחה שלא הייתה שלהם קודם: ניהול סיכוני AI. ב-Black Hat USA השנה דיברו על זה לא מעט — רק כ-20% מ-CISOs באמת מבינים את ההשלכות של AI על הארגון שלהם, לפי אנליסטים מ-theCUBE Research. היתר? ״במצב של חוסר ידע, לפעמים חוסר ידע הוא אושר.״

Oltsik, אנליסט בתחום, אומר את זה בצורה ברורה: CISOs צריכים לבנות מודלי איומים הקשורים ליוזמות עסקיות ספציפיות, ואז לתת להנהלה תפריט ברור — לקבל את הסיכון, לצמצם אותו או להעביר אותו. ״אי אפשר לעמוד בדרך,״ הוא אומר. ״אם תנסה, ידרסו אותך.״

מה זה אומר עלינו?

אם אתם עובדים בחברת טכנולוגיה ישראלית — בין אם כמפתחים, מנהלי נתונים או מנהלי מוצר — הסיפור הזה רלוונטי אליכם גם אם אתם לא CIO. הפלטפורמות שאתם בונים עליהן, ה-data pipelines שאתם מתחזקים, השכבות הסמנטיות שאתם (או לא) מייצרים — הכול נבחן מחדש. ומי שלא יבין שה-AI הארגוני דורש תשתיות שונות ממה שבנינו ל-BI המסורתי, יגלה את זה בדרך הקשה.

בסופו של דבר, כולם יכולים להשיג את אותו LLM. השאלה היא למי יש את הנתונים הנכונים, עם הקונטקסט הנכון, מונגשים בצורה הנכונה.

ומי שחשב שה-Data Warehouse המודרני שלו יחזיק מעמד עוד עשור — אז זהו, שלא.