מיישם ה-AI: התפקיד החסר שימנע את כישלון הטכנולוגיה בארגון

הטמעת ומינוף ה-AI בארגונים לא נכשלים טכנולוגית, אלא ארגונית – חסר תפקיד שמחבר בין יכולות ה-AI לתהליכי העבודה העסקיים. תפקיד זה מוגשר כ'מיישם ה-AI', והיעדרו גורם ל-95% מהפיילוטים לא להניב תשואה מדידה.

סדרת הכתובת הנוכחית בוחנת את התפקיד הזה: מה מהותו, למה אף כותרת תפקיד קיימת אינה מכסה זאת, ומה המחיר של המשך ההתעלמות מהצורך בו. כל מאמר בסדרה מתמודד עם אחת מדרכי הכשל הספציפיות של פריסת בינה מלאכותית (Deployment), ומה שמיישם ה-AI עושה כדי למנוע אותה.

המאמר הזה פותח את הסדרה על תפקיד מיישם ה-AI ומניח את הבסיס ליתר המאמרים.

מיישם ה-AI הוא תפקיד ייחודי עם מחסנית מיומנויות ייחודית: אבחון תהליכי עבודה, איתור נושאים (Use Cases) המתאימים ליישום ב-AI, תרגום עסקי, משילות מינימלית מספיקה (Minimum Viable Governance) וניהול שינוי בלתי נראה

95 אחוז זה לא שגיאת עיגול

נתחיל עם הנתון שהיה צריך היה לפתוח כל כתבה עסקית ב-2025 – ובאופן מוזר לא פתח אף אחת: 95% מהפיילוטים (Pilots) של AI ארגונית לא מייצרים תשואה מדידה. זה מספר שיש לעצור ולעכל אותו – לא 30%. לא 60%. 95%!

מדובר בתעשייה שהוציאה 644 מיליארד דולר על בינה מלאכותית ג'נרטיבית (Generative AI) אשתקד בלבד – עלייה של 76.4% לעומת השנה הקודמת, 2024 – כשהרוב המוחלט לא הניב כלום מדיד.

הפורום הכלכלי העולמי (WEF) מגלה שכמעט כל המנכ"לים מצהירים כי הם מוכנים להוביל טרנספורמציה של AI בארגון שלהם – אבל הביצוע בפועל חושף חרדות ניכרות. הביטחון העצמי סותר את המספרים. הפער בין כוונה מוצהרת למימוש בפועל, הוא לא אי-נוחות מינורית. זוהי הבעיה כולה.

האבחנה המקובלת מפנה אצבע לחוסר בשלות טכנולוגית, בעיות איכות נתונים, או עובדים שמתנגדים לשינוי. אלה הסברים נוחים, כי הם מצביעים על דברים שאפשר לפתור בכסף – תשתיות, צינורות נתונים (Data Pipelines) והדרכות שכולם שונאים. ההסבר המטריד, זה שמתאים לראיות, הוא ארגוני: ארגונים מנסים לפרוס AI בלי התפקיד שהופך את הפריסה לאפשרית.

תפקיד שחסר בארגונים. מיישם ה-AI. צילום: אילוסטרציה. ג'מיני

מה חסר בתרשים הארגוני

תסתכלו על כל ארגון גדול היום ותמצאו מדעני נתונים (Data Scientists) שבונים מודלים; אדריכלי IT שפורסים תשתיות; מנהלי פרויקטים שעוקבים אחר לוחות זמנים; ומנהלי שינוי (Change Managers) שמריצים קמפיינים פנימיים. מה שלא תמצאו – לא בתרשים הארגוני, לא במודעות הדרושים, לא במטריצת RACI – הוא מישהו שכל תפקידו לעמוד בצומת שבין יכולות ה-AI לתהליכי עבודה עסקיים, ולענות על שאלה שנשמעת פשוטה: איפה בדיוק זה אמור להיכנס, ואיך גורמים לזה לקרות בפועל?

בעל התפקיד הזה הוא מה שאנחנו מכנים 'מיישם בינה מלאכותית' (AI Implementor). לא 'אסטרטג AI' – זה מופשט מדי ורחוק מדי מהשטח. לא 'מהנדס פרומפטים' (Prompt Engineer) – זה צר מדי וטקטי מדי. לא 'מוביל טרנספורמציה דיגיטלית' (Digital Transformation Lead) – זה רחב מדי ואטי מדי.

מיישם ה-AI הוא תפקיד ייחודי עם מחסנית מיומנויות ייחודית: אבחון תהליכי עבודה, איתור נושאים (Use Cases) המתאימים ליישום ב-AI, תרגום עסקי, משילות מינימלית מספיקה (Minimum Viable Governance) וניהול שינוי בלתי נראה.

הסיבה שאף אחד לא מיסד את התפקיד הזה היא אותה הסיבה לכך שארגונים ממשיכים להיכשל: הם מניחים שהיכולת כבר קיימת בתיאור התפקיד של מישהו אחר. היא לא.

הנתונים מצביעים על מקום מאוד ספציפי

כדאי להסתכל על מה הנתונים באמת אומרים כשקוראים אותם יחד, לא בנפרד.

מחקר ה-CEO של יבמ (IBM) – הרלוונטי לשנת 2025, ואשר סקר 2,000 מנכ"לים ב-33 מדינות – מצא שרק 25% מיוזמות ה-AI הניבו את התשואה הצפויה, ורק 16% הגיעו לסקייל ארגוני (Enterprise-Wide Scale). באותה נשימה, 50% מאותם מנכ"לים נסקרים הודו שהשקעה מהירה מדי יצרה טכנולוגיה מפוצלת ולא מחוברת – לא כשל טכנולוגי, אלא כשל של שילוב ומיקום.

ניתוח של מקינזי (McKinsey) מצא ש-80% מהארגונים לא רואים שום השפעה מדידה על ה-EBIT מהשקעות בבינה מלאכותית ג'נרטיבית. אלה לא הנתונים של טכנולוגיה שאינה עובדת. אלה הנתונים של טכנולוגיה שנפרסת בלי הרקמה המחברת, שגורמת לפריסה להצליח.

ואז יש את נתוני כוח העבודה, שיורדים בשקט: סקר GoTo לשנת 2025 מצא ש-82% מהעובדים לא מכירים את הדרכים שבהן AI יכולה לסייע בעבודתם היומיומית, ו-86% מודים שהם לא מנצלים כלי AI קרוב לפוטנציאל שלהם. מחקר Upwork מצא ש-77% מהעובדים שמשתמשים ב-AI אומרים שהיא הוסיפה על עומס העבודה שלהם, לא הפחיתה אותו. בזמן שה-AI נמכרת כמכפילת פרודוקטיביות (Productivity Multiplier) היא נחווית כנטל אדמיניסטרטיבי.

אף אחת מהתוצאות האלה אינה תאונה. הן תוצאות צפויות מפריסת טכנולוגיה בלי מישהו שאחראי על היישום המעשי שלה בתוך עבודה אמיתית.

מיישם ה-AI: הגדרת התפקיד

• מיישם ה-AI הוא האדם שיודע: לראות מה שאחרים לא רואים. מומחי תחום שקועים עמוק מדי בתהליכי עבודה קיימים כדי לזהות הזדמנויות AI. יועצים חיצוניים רחוקים מדי מהמציאות התפעולית כדי להעריך כדאיות. מיישם ה-AI יושב בעמדה שלישית – קרוב מספיק כדי להבין את העבודה, מנותק מספיק כדי לראות היכן היא נשברת.
• לדבר בכל שפה בחדר: מהנדסים מדברים יכולות (Capabilities). מנהלים בכירים מדברים ROI. עובדי חזית מדברים עומס עבודה. מיישם ה-AI מתרגם בין השלושה, בלי לאבד נאמנות בשום כיוון.
• לנוע בלי לגרום לבהלה: ארגונים שמצליחים להגיע לסקייל עם AI מבצעים את העבודה הקשה מראש – מיפוי תהליכים, יישור קו עם בעלי עניין (Stakeholders), הגדרת קריטריוני הצלחה – לפני שנפרס מודל אחד. מיישם ה-AI הוא האדם שמנהל את ההכנה הזאת – לא כשער בירוקרטי, אלא כדבר שהופך פריסה לישימה ובלתי הפיכה.
• לנהל משילות בלי לשתק: דו"ח Aligne לשנת 2025 מצא ש-58% ממנהלים מזהים משילות מנותקת (Disconnected Governance) כמכשול העיקרי לסקייל של AI. מיישם ה-AI מיישם משילות מינימלית מספיקה – מספיק כדי לנהל סיכון אמיתי, לא כל כך הרבה שדברים לא יוצאים לפועל.

למה עכשיו?

EY מתארת את הנוף הנוכחי כ"תקיעות בפיילוט" (Pilot Purgatory) – ארגונים שיש להם ניצחונות ראשוניים שלעולם אינם מגיעים לייצור, כשהתחזיות מצביעות על כך שיותר מ-40% מפרויקטי בינה מלאוכתית סוכנית (Agentic AI) יבוטלו עד סוף 2027. החלון להצלחה עם AI צר יותר ממה שרוב המנהלים מעריכים.

הארגונים שיבדלו את עצמם מה-95% לא יהיו אלה עם המודלים המתוחכמים ביותר או תקציבי ה-AI הגדולים ביותר. הם יהיו אלה שיבינו, לפני כולם, שפריסת AI מוצלחת היא בעיית יכולת אנושית שמסתתרת מאחורי בעיה טכנולוגית – ושליכולת האנושית החסרה יש שם.

• המאמר הבא בסדרה – למה עובדיכם עיוורים להזדמנויות ה-AI הטובות ביותר שלכם
• בהמשך – למה ה-Pitch של AI מת בחדר הדירקטוריון
• אחר כך – איך ממשל הופך לדרך הנימוסית להרוג יוזמה
• ולבסוף – למה כשמבקשים מאנשים לשנות את אופן עבודתם – כבר הפסדתם

כותבי המאמר הם רז הייפרמן, BDO Consulting, ואבישי מרון, מנכ"ל AM Consulting