בינה מלאכותית לעסקים: מה באמת עובד, ומה לא

לחתוך את הרעש#

כמעט כל עסק בישראל שמע בשנתיים האחרונות שהוא “חייב AI”. בפועל, רוב העסקים עדיין לא משתמשים בו: לפי סקר מגמות בעסקים של הלמ״ס מיוני 2025, 28% מהעסקים בישראל השתמשו ב-AI בחצי השנה שקדמה לסקר. ובקרב העסקים שגם לא מתכננים להשתמש בו, 71% ציינו שהסיבה היא שאין ל-AI רלוונטיות לפעילות שלהם (ניתוח של המכון הישראלי לדמוקרטיה).

לפעמים זו באמת התשובה הנכונה, וכשהיא נכונה אנחנו אומרים אותה בעצמנו. אבל כדאי לבחון אותה מול השאלה היחידה שחשובה: איזו החלטה עסקית אצלכם תשתפר אם נתונים יחליטו אותה במקום תחושת בטן? רוב מה שמוצע לעסקים לא עוזר לענות עליה: כלים כלליים שמרשימים בהדגמה ולא פוגשים את תהליכי העבודה, או מצגות חזון שלא מגיעות לכדי מערכת.

זו נקודת הפתיחה של DataWise, צוות Data Science בוטיקי שבונה מערכות AI סביב החלטות עסקיות מדידות, לא סביב טכנולוגיה שמחפשת תירוץ.

מה AI עושה בעסק, בפועל#

מאחורי השמות והכותרות, כמעט כל שימוש עסקי ב-AI שאנחנו פוגשים הוא אחד משלושה סוגים. שווה להבחין ביניהם, כי כל אחד נשען על נתונים אחרים ונמדד אחרת.

לחזות מספר. כמה יימכר בחודש הבא, כמה להזמין מכל פריט, איזה לקוח מתחיל לצמצם רכש, מתי נכון לקנות חומר גלם. מה שמזין את המודל הוא היסטוריה: שורות הזמנה, חשבוניות, תשלומים, ברזולוציה שבה ההחלטה מתקבלת. והמדד הוא תמיד השוואה לדרך שבה ההחלטה מתקבלת אצלכם היום.

לזהות מה יש בתמונה או במסמך. פגם בפריט על קו הייצור, שטח שצריך למדוד בתצלום אוויר, נתונים שקבורים במסמך סרוק. כאן המודל מחליף את המעבר הידני היקר, ואדם עדיין מאשר את התוצאה.

לענות ולבצע מתוך הידע של הארגון. עובד שמחפש נוהל, איש מכירות שצריך את דף המפרט באמצע פגישה, טיוטה שנכתבת שוב ושוב. מה שמזין את המערכת הוא תוכן כתוב: נהלים, מדריכים, חומרי מוצר. וכשהמערכת גם מבצעת פעולות בשמכם, בגבולות שהגדרתם, היא כבר סוכן: סוכני AI לעסקים מסביר מה מבדיל סוכן אמיתי מצ׳אטבוט, ואיזה תהליך מתאים לסוכן ראשון.

מה שלא נכנס לאף אחד מהשלושה הוא לרוב אוטומציה: כלל קבוע שמעביר נתונים ממערכת למערכת. זה לגיטימי, ולפעמים זה כל מה שצריך, אבל זה לא AI, ואין סיבה לשלם עליו כאילו הוא כזה.

איפה בינה מלאכותית מחזירה השקעה בפועל#

מהעבודה שלנו עם יצרנים, יבואנים, מפיצים וארגונים רגישי-ביטחון, אלה התחומים שבהם ההשקעה חוזרת שוב ושוב. בכל אחד מהם השאלה אינה מה המודל יודע לעשות, אלא איזו החלטה הוא משנה, ואיך יודעים שהיא השתנתה.

חיזוי ביקושים ותחזית מכירות. ההחלטה הכי יקרה ברוב העסקים: כמה לרכוש וכמה לייצר. בהתקשרות הארוכה שלנו בתחום, שירות תחזיות לאורך שלוש שנים ליצרן תעשייתי הפועל בשוק האמריקאי, כל תחזית חודשית נבחנה מול תוצאות אמת ונכנסה לישיבות התכנון של ההנהלה. זה מה שנותן לדרג הניהולי יכולת תכנון קדימה, במקום כיבוי שריפות.

עיתוד מלאי ברמת פריט. תחזית ברמת החברה יכולה להיות נכונה בזמן שהמחסן טועה: פריט אחד חסר במלאי ופריט אחר יושב על המדף. לכן המודל עובד ברזולוציית פריט: מלאי ביטחון דינמי במקום כלל ‘חודשי ביטחון’ אחיד, והמלצות רכש בתוך ה-ERP הקיים, כולל Priority. מדד ההצלחה נקבע מראש: שיפור ‘טעות הרכש’ בלפחות 10% מהמצב הקיים.

ניתוח תמונה ובקרת איכות. ממדידה בתצלומי אוויר ולוויין, שבה פיתחנו והדגמנו מערכת שמזהה שדות תעופה ומודדת אותם, ועד בקרת איכות חזותית על הקו: המודל עושה את המעבר היקר, האנשים שלכם מפקחים ומתקנים.

זיהוי סיכוני לקוחות. לקוח שמצמצם רכש בשקט, או מתחיל לאחר בתשלומים, משאיר סימנים בשורות ההזמנה ובתאריכי התשלום לפני שזה מגיע לדוח המכירות. ניתוח נטישת לקוחות וניתוח התנהגות לקוחות סופקו בפועל בתוך שלוש שנות הליווי של אותו יצרן תעשייתי, ולסיטונאי שמשרת מעל 1,000 לקוחות אפיינו ותכננו זיהוי לקוחות חורגים בגבייה עם התראות שבועיות. המדד כאן אינו דשבורד, אלא לקוח שנתפס כשעוד אפשר להתקשר אליו.

סוכן ידע ארגוני. הידע שמפוזר בתיקיות, בקבצים ובוואטסאפ הופך לזמין בשאלה חופשית, מעוגן במסמכים שלכם ולא בניחוש של מודל, כולל ברשת סגורה לחלוטין כשהמידע רגיש.

טרנספורמציה עסקית מבוססת AI. כשהתפעול מפוזר בין מערכות וגיליונות, קודם מרכזים אותו למערכת עבודה אחת, ורק אז בונים מעליה שכבת AI שבאמת עוזרת. כך בנינו מחדש את התפעול של חברת הופעות חיות: מ-WhatsApp ומתריסר כלים מפוזרים למערכת אחת מבוססת monday.com ו-Make.com, שחיה היום בשימוש יומיומי. וגם איפה המערכות ירוצו, בענן שלכם או ברשת סגורה, היא החלטה אמיתית: שירותי AI בענן עושה סדר באפשרויות.

איפה AI לא יחזיר את ההשקעה#

הרשימה הזו חשובה לא פחות מהקודמת, כי כסף שהולך לפרויקט הלא נכון הוא גם זמן שלא הלך לנכון. ארבעה מצבים שבהם נמליץ לעצור, או לפחות לחכות:

ההחלטה לא נרשמה אף פעם. אם אתם רוצים לדעת כמה להזמין מכל פריט, ויש לכם רק סיכומי מכירות חודשיים, אין למודל ממה ללמוד. זה הכשל הנפוץ ביותר, והוא לא עניין של נתונים ‘מלוכלכים’: אלה נתונים שמעולם לא רשמו את מה שאתם רוצים לחזות.

אף אחד לא פועל לפי התשובה. תחזית שאף אחד לא מתוזמן לפעול לפיה היא דוח, ודוחות לא משנים תוצאות. אם אין אדם, מסך ויום בשבוע שבהם ההמלצה נכנסת להחלטה, קודם מגדירים אותם, ורק אחר כך בונים.

כלל קבוע עושה את העבודה. כשאפשר לכתוב את התשובה ככלל, אם קרה X עשו Y, אוטומציה פשוטה תעשה את זה בפחות כסף ובלי הפתעות. אין טעם לאמן מודל על מה שמשפט אחד מתאר.

ההחלטה נדירה והטעות זולה. החלטה שמתקבלת פעם ברבעון, וטעות בה עולה מעט, לא תצדיק מערכת. את התקציב כדאי להפנות להחלטה שחוזרת כל שבוע, או שכל טעות בה עולה כסף אמיתי.

כשאחד מאלה נכון, שלב האפיון יגיד את זה בכתב, יחד עם מה כדאי לתקן קודם, ומסמך האפיון נשאר אצלכם. את הבדיקה עצמה אפשר להריץ לבד, עוד לפני שמדברים עם מישהו: האם הנתונים שלכם בשלים ל-AI מפרט אותה צעד אחר צעד.

איך מתחילים נכון#

כשבוחנים AI לעסק בפעם הראשונה, הנטייה הטבעית היא להתחיל מהכלי. אנחנו מציעים להתחיל מהצד השני. שלושה עקרונות מפרידים פרויקטים שמצליחים מפרויקטים שנתקעים:

מתחילים מהחלטה אחת, לא מ“אסטרטגיית AI” כוללת. נסחו אותה כמשפט שיש בו מספר: כמה יחידות להזמין מהפריט הזה, לאילו לקוחות להתקשר השבוע, כמה שעות לתמחר. אם אי אפשר להכניס מספר למשפט, זה הדבר הראשון שצריך לתקן, ושום מודל לא יתקן אותו במקומכם.

קובעים את מדד ההצלחה לפני שבונים. דיוק תחזית מול השיטה הקיימת, שעות עבודה שנחסכות, צמצום ‘טעות הרכש’. המדד נקבע מראש כדי שאף אחד לא יזיז את שער המטרה אחר כך, כולל אנחנו, וההחלטה אם להמשיך מתקבלת לפי מספרים.

עובדים בשלבים עם נקודות יציאה הוגנות. אפיון, הוכחת היתכנות על נתוני אמת, ורק אז הטמעה מדורגת במערכות שאתם כבר עובדים איתן. אחרי כל שלב אפשר לעצור, ומה שנבנה עד אותו רגע נשאר אצלכם.

נתקעתם על מונח? מילון המונחים מסביר הכול בעברית פשוטה. אם אתם מתלבטים בין כלי מדף, פלטפורמה או פיתוח מותאם, שלוש דרכים לקנות AI עושה סדר. רוצים לדעת קודם כמה זה עולה? עמוד התמחור מפרט מה קובע את המחיר. ואם אתם כבר מדברים עם ספקים, יועץ בינה מלאכותית: מה לשאול יחסוך לכם טעויות יקרות.

ההצעה שלנו#

הביאו לנו החלטה אחת שמתקבלת היום מהבטן. בשיחת אפיון נגיד לכם בכנות אם הנתונים יכולים לשאת אותה, מה יידרש, ואיך תדעו שזה עבד, בלי הבטחות מנופחות ובלי מספרים מומצאים.