רק 5% מהפרויקטים של AI מצליחים? זה לא בדיוק נכון
מחקר MIT מצייר תמונה קודרת על עתיד ה-AI, אבל האמת היא שהוא לא מציג כישלון של הטכנולוגיה, אלא בעיקר חוסר הבנה של איך עובדת חדשנות
נוצר באמצעות AI
מחקר שפורסם לאחרונה על ידי MIT Media Lab טען כי רק 5% מפרויקטי הבינה המלאכותית בארגונים גדולים הגיעו לשלב ייצור והצליחו להציג ערך עסקי מדיד. זהו מספר דרמטי, שנשמע כמו הוכחה חותכת לכך שרוב מוחלט של היוזמות בתחום נכשלות. אבל האמת מורכבת יותר: הנתון הזה לא מעיד על כישלון של הטכנולוגיה, אלא על חוסר הבנה של מהות התהליך.
הבעיה במחקר היא ההסתכלות הצרה שלו. הוא מצייר תמונה פסימית על סמך פיילוטים שנעצרו באמצע, מבלי להבין שפיילוטים הם לא יעד, אלא אמצעי. בכל מהפכה טכנולוגית – מהכניסה של המחשב האישי ועד המעבר לענן – שיעור גבוה מהיוזמות הראשוניות לא שורד, וזה לא מפני שהטכנולוגיה לא עובדת אלא מפני שארגונים לומדים, מתנסים ומזהים בהדרגה היכן טמון הערך האמיתי. לקרוא לזה "כישלון" זה פשוט לא להבין איך חדשנות עובדת.
כאן נכנס לתמונה חוק אמרה (Amara’s Law): אנחנו נוטים להפריז בהערכת ההשפעה של טכנולוגיה חדשה בטווח הקצר, ולהמעיט בהערכת השפעתה בטווח הארוך. ההתלהבות הראשונית סביב AI יצרה ציפיות לשינוי מיידי, אך המציאות מלמדת שהשינוי האמיתי דורש זמן, למידה והתאמות עמוקות בתרבות הארגונית ובתהליכים העסקיים. בדיוק כפי שחוק אמרה מנבא, אנו נמצאים כעת בשלב של אכזבה זמנית אך מי שיבין את האתגרים ויפעל נכון, יוכל ליהנות מהשפעות מרחיקות לכת בעתיד.
דינמיקה של חדשנות
איפה הפתרון האמיתי? השלב הראשון הוא התאמה עסקית. פרויקט AI שמתחיל מתוך FOMO או אופנה חולפת נידון להיכשל. המחקר עצמו מצא כי בין 50%-70% מההשקעות מופנות לכלים שיווקיים, אבל כאשר הארגון מתמקד במקרי שימוש עם ROI ברור כמו אוטומציה של שרשראות אספקה, שדרוג מערכות CRM או ERP התמונה משתנה לחלוטין. זה כבר לא ניסוי אקדמי, אלא מהלך שמייצר חיסכון אמיתי ומדיד.
כל עדכוני ה-IT, תשתית וטכנולוגיה בערוץ הטלגרם של ITtime
נוסף על כך, המחקר מתעלם מהבסיס של כל פרויקט AI – ניהול נכון של נתונים. מודלים לא יכולים להפיק תובנות כשהמידע מפוזר או באיכות ירודה. הפתרון הברור הוא קטלוג נתונים, אוטומציה של צינורות מידע ואחסון סמנטי. כשעושים את זה נכון, המודלים עובדים על בסיס מוצק ומספקים ערך עסקי משמעותי.
גם התשתיות משחקות תפקיד מכריע. נכון שמערכות IT מסורתיות מתקשות להתמודד עם עומסי העבודה של מודלים גדולים, אבל כיום יש תשתיות מודולריות, GPU מתקדמים וטכנולוגיות קירור חדשניות, שמאפשרות לעבור ממצב של צוואר בקבוק לסביבה גמישה וצומחת.
פערי ידע וכישורים? גם זה ניתן לפתרון. הכשרות מקצועיות, ליווי צמוד ושירותי האצה הופכים צוותים פנימיים לשחקנים מיומנים. אפילו תופעת ה-Shadow AI – שימוש עצמאי של עובדים בכלים כמו ChatGPT – אינה בהכרח איום משום שאם הארגון מספק כלים מאובטחים ומנוהלים היטב, הוא נהנה מהיתרונות בלי להסתכן רגולטורית או אבטחתית.
ולבסוף, הנקודה שהמחקר כמעט לא נגעה בה: תרבות ארגונית. מה שמפיל פרויקטים פעמים רבות הוא לא חוסר בנתונים או תשתיות, אלא התנגדות פנימית. חוסר שיתוף פעולה, ריכוזיות יתר או חוסר הבנה בין מחלקות הם הגורמים שמחבלים בהצלחה. דווקא גישה מבוזרת, שמבוססת על קונצנזוס והכשרות מותאמות לכל דרג, מייצרת מחויבות אמיתית ומאפשרת להטמעה להצליח.
לכן, למרות ההערכה למכון MIT, המחקר כפי שהוצג מחמיץ נקודות מהותיות: הוא מתאר מספרים יבשים, אבל לא מבין את הדינמיקה האמיתית של חדשנות. בינה מלאכותית אינה נכשלת – היא בתהליך של למידה והתבגרות, וארגונים שמגדירים מטרות ברורות, מנהלים נתונים איכותיים, בונים תשתיות גמישות ומטמיעים תרבות מתקדמת מגלים שה-AI לא רק שורד, אלא הופך למנוע צמיחה עסקי חזק ומהיר.
בני מלכה הוא סמנכ"ל טכנולוגיות ראשי, פתרונות בינה מלאכותית ופיתוח שווקים ב-Dell Technologies ישראל
