ה-AI הארגוני תקוע בגלל הנתונים

כולם מדברים על agentic AI, על מודלים שנעשים חכמים יותר כל חודש, על סוכנים שמקבלים החלטות לבד. אבל אם נוריד את ההייפ לשנייה ונסתכל על מה שקורה באמת בארגונים גדולים — התמונה הרבה פחות זוהרת.

הפער בין המסיבה למציאות

"אנחנו רק בתחילת הדרך עם AI", אמר לאחרונה David Linthicum, מייסד Linthicum Research. "אני יודע שכולם חושבים שיש בחוץ מסיבת AI ענקית ושלא הוזמנו — אבל בפועל, מה שאנחנו רואים זה בעיקר ניסויים מוגבלים." והנתונים בשטח מאשרים את זה: רוב האימוץ הארגוני מרוכז עדיין במודלי LLM, במערכות edge ובסוכנים לניהול יומנים, פיתוח תוכנה ואוטומציה של תהליכים בסיסיים. השלב הבא — הרחבת AI לשרשראות אספקה, ניהול מלאי ותהליכים עסקיים ליבה, עם דרישות מחמירות הרבה יותר של נתונים, אבטחה וממשל? עדיין לא התממש.

אז מה בעצם עוצר את הארגונים?

המודל הוא לא הסיפור

Nicola Tan, מנהלת פיתוח שוק Enterprise AI ב-AMD, ניסחה את זה בצורה ברורה: "עסקים הם עסק — הם לא בונים מודלים. בניגוד ל-hyperscalers, הם מנסים למקסם את הליבה העסקית שלהם. לכולם יש גישה ל-ChatGPT, Claude או מודלים בקוד פתוח. המודל עצמו הוא table stakes. הערך האמיתי לארגונים נמצא בנתונים שלהם."

וזה בדיוק המקום שבו הדברים נתקעים.

הנתונים — הכאב האמיתי

להפוך את כל הנתונים של ארגון לנגישים ושמישים — זה החלק הקשה. לא המודל, לא ה-API, לא הפלטפורמה. הנתונים עצמם. הם מפוזרים על מערכות ישנות, בפורמטים שונים, עם הרשאות מסובכות, ולפעמים פשוט לא באיכות מספקת כדי לאמן מודלים או להפעיל אותם על הנתונים בצורה אמינה.

ארגונים צריכים פתרונות הוליסטיים — לא עוד מוצר AI בודד, אלא תשתיות שמאפשרות ל-data לזרום בצורה מאובטחת, עם ממשל נכון ובאיכות שמספיקה לייצור. וזה דורש מודרניזציה של תשתיות, שליטה בעלויות ובחירה נכונה של יישומים — דברים שדורשים זמן, תקציב ובעיקר הבנה עמוקה של מה הארגון באמת צריך.

המנהלים עדיין לא שם

עוד בעיה שעולה מהשטח: הרבה מנהלים בכירים עדיין לא התנסו בעצמם בכלי AI באופן שמאפשר להם להוביל את השינוי. במאמר שפורסם לאחרונה, CIO בכיר הודה שהמודל המסורתי של הובלת שינוי טכנולוגי — לקרוא לעומק, לדבר עם עמיתים, לאתגר את הצוות ולתקשר כיוון — פשוט לא עובד במקרה של AI.

"AI זו הפעם הראשונה בדור שבה הניסיון האישי של המנהל עם הכלים הפך לחלק מכלי ההנהגה עצמו", נכתב. ורבים עדיין לא הפנימו את המשמעות של זה.

מה זה אומר למי שבונה מוצרים

אם אתם עובדים בחברת Enterprise SaaS או בונים מוצרים לארגונים גדולים — זה מידע קריטי. הלקוחות שלכם נמצאים מאחור. הם רוצים AI, הם שומעים על AI, אבל התשתיות שלהם לא מוכנות. המשמעות: יש פה שוק עצום של מוצרים שיעזרו לארגונים להכין את עצמם — מוכנות נתונים, תשתיות ממשל וכלי אינטגרציה.

בזירה הישראלית, אגב, זה תחום שמשקיעים מתחילים לשים לב אליו. בשיחה לקראת אירוע RoadShow+ של כלכליסט, בכירי תעשיית ה-VC ציינו שבעוד שכלי AI מאפשרים לצוותים קטנים לבנות מוצר במהירות — אותם כלים גם מקלים על מתחרים לחקות אותם, ומעלים את הרף מצד המשקיעים. הוכחת ביקוש, מומחיות עמוקה והגעה מהירה לשוק הפכו קריטיות.

אז מה הלאה?

התעשייה נמצאת בשלב שבו כולם יודעים שצריך AI, אבל מעט מאוד ארגונים יודעים איך ליישם אותו בצורה שמייצרת ערך אמיתי מעבר לניסויים קטנים. הפער הזה — בין הרטוריקה של הספקים לבין המציאות בשטח — הוא גם הסיכון הגדול ביותר וגם ההזדמנות הגדולה ביותר.

ומי שיצליח לפתור את בעיית הנתונים בארגונים גדולים — כנראה ירוויח יותר מכל מי שבונה עוד מודל.