בנית מנגנון החלטות מבוסס AI

למה חברת תוכנה של 200 עובדים מניבה מיליארד דולר בעוד מפעל של 2,000 עובדים מתקשה להגיע ל-100 מיליון? ה-AI שובר שלוש מגבלות קלאסיות.

◆ Scale – צמיחה בלי לגייס כוח אדם

◆ Scope – הרחבת סל המוצרים בלי לפצל פוקוס

◆ Learning – שיפור מתמיד דרך מערכות שלומדות

התוצר: אבחון 3 המגבלות של הארגון שלך ואיך שוברים כל אחת

Amazon נכנסה לקמעונאות, Waze שינתה ניווט,

Ant Financial שינתה אשראי – לא על ידי שיפור המוצר, אלא שינוי כל כללי המשחק בעזרת AI. זוהי Collision: התנגשות בין שחקן AI-native לענף מסורתי.

◆ זיהוי חברות AI-native המהוות סיכון לענף שלך

◆ מיפוי המהלכים שהן יכולות לבצע ובאיזה סדר

◆ הערכת זמן התגובה ו-window of opportunity

התוצר: מפת Collision – מי ה-Amazon של הענף, איפה הוא פועל, כמה זמן יש

עד לפני שנתיים, AI ענה על שאלות. היום הוא מבצע משימות לבד: כותב הצעת מחיר, שולח מייל מעקב, מתאם פגישה, מעדכן דוח. זהו עידן ה-Agentic AI – מערכות שפועלות באוטונומיה ומבצעות רצפי פעולות.

◆ ההבדל בין AI שמענה לבין AI שמבצע משימות

◆ שילוב Agents בתפעול, מכירות, שירות וכספים

◆ איפה כדאי להתחיל, ואיך מנהלים סוכנים שפועלים לבד

התוצר: מפת השתלת Agents בארגון – איזה סוכן לאיזו מחלקה ובאיזה סדר

חברה עם עשר שנות היסטוריית קנייה יושבת על נכס שמתחרה לא יכול לקנות. אבל לא כל נתון שווה אותו דבר: Transaction Data הנפוץ ביותר וערך נמוך, Network Data – כמו Waze שיודע על פקק שאף נהג לא ידע – בלתי אפשרי לשכפל.

◆ סיווג: Transaction · Behavioral · Network Data

◆ הערכת שווי של כל סוג בקונטקסט של הארגון שלך

◆ הפיכת מאגרי הנתונים הייחודיים ליתרון תחרותי

התוצר: Data Audit – הנתונים שיש לך, סיווג לפי סוג, וערך תחרותי של כל אחד

התזרים של פרויקט AI לא נראה כמו פרויקט קלאסי: עלויות בנייה (חד-פעמיות), עלויות הפעלה (חוזרות), ולוח זמנים שונה עד break-even. נבנה מודל פיננסי מלא לפרויקט ה-AI שלך – כי מנהל כלכלי חייב לראות את המספרים.

◆ מבנה עלויות: פיתוח, הפעלה, ניטור וטיוב

◆ מודל תגמול: הנחות עלויות, רווח נוסף, Payback Period

◆ Sensitivity Analysis – מה קורה כשהחיזויים לא מדויקים

התוצר: מודל פיננסי ל-Use Case ראשון – עלויות, רווח, Break-Even, Payback Period

כשה-AI טועה, מי אחראי? כשהוא מפלה לקוח, מי נתבע? ה-EU AI Act קובע Risk Classification לכל מערכת ומחייב ארגונים ישראליים הפועלים בשוק האירופי. נבנה מסגרת Governance מעשית.

◆ סיווג סיכון לפי EU AI Act: Prohibited, High-Risk, Limited

◆ מנגנוני אישור פנימיים לפני פריסת AI

◆ מה לדווח לדירקטוריון ואיזה שאלות לשאול ספק לפני חוזה

התוצר: רשימת AI Governance – פרוטוקול אישור, קריטריונים לדירקטוריון, בחינת ספקים

הפער בין אסטרטגיה לביצוע אינו תקציבי או טכנולוגי – הוא תרבותי. עובדים חוששים מאוטומציה, ומנהלי הביניים אינם רואים בעצמם מנהיגים של השינוי. נלמד איך בונים בעלות ואמון בכל שכבה.

◆ Communication Playbook לפי שכבה – טאון-הול מול

שיחה אישית

◆ תפקיד ה-Middle Management – הם המפתח, לא הקורבן

◆ מפגשים שבהם אנשים מבינים את האפשרויות ולא רק את האיום

התוצר: תוכנית תקשוב ושינוי – מפת שיח לפי שכבה + מיקום מדויק של מנהלי הביניים

לא כל Use Case שווה להתחיל בו. הטוב ביותר: גבוה Impact וגבוה Feasibility. נבנה מטריצה ונבחר את הפרויקט שיצליח וייתן momentum להמשך.

◆ קריטריונים: Impact (כלכלי + אסטרטגי) מול Feasibility (נתונים, טכנולוגיה)

◆ מטריצה 2×2: Impact vs. Feasibility

◆ בחירה חכמה – לא תמיד Impact גבוה טוב אם הביצוע יקר

התוצר: Use Case Matrix – 5 יוזמות ממופות לפי Impact × Feasibility + הבחירה הסופית

כל משתתף יוצא עם תוכנית ל-90 הימים הראשונים: איזה Use Case, איזה KPI, מה בשבוע הראשון, מה ב-30 יום, ואיך יודעים ביום ה-90 אם הצלחנו. לא מצגת – מסמך עבודה שנכנס לישיבת הנהלה.

◆ בחירה סופית של Use Case ראשון

◆ KPI ברורים – מדדי הצלחה לכל milestone

◆ לוח זמנים: שבוע 1 · 30 יום · 90 יום עם deliverables

תוצר: Owners, AI 90-Day Roadmap – Use Case, KPI, Milestones