בעל השליטה בקליל: "דיוק של 80% ב-AI? בתעשייה זה כישלון"
צורי דבוש על פער עמוק בין האופן שבו חברות הייטק מפתחות פתרונות בינה מלאכותית לבין הדרישות של מפעלים וקווי ייצור: סביבת העבודה קשה יותר, הרגולציה מחמירה והסובלנות לטעויות כמעט אפסית; לדבריו, הדרך להטמעה מוצלחת עוברת בפיילוטים ממוקדים, מדדי הצלחה ברורים
ומודל כלכלי שמגדיר מראש מי נושא בעלויות
המרוץ להטמעת בינה מלאכותית הגיע גם לרצפת הייצור, אבל החיבור בין חברות AI לבין התעשייה המסורתית מתברר כמורכב בהרבה מכפי שנראה במצגת או בהדגמה במשרד. צורי דבוש, יו"ר קלילקליל -0.56% , חברת האלומיניום שמייצרת פרופילים לדלתות וחלונות, מכיר לדבריו את שני העולמות - הייטק ותעשייה - וטוען כי חלק ניכר מהקשיים נובע מפער בציפיות ובתרבות העבודה בין מפתחי הטכנולוגיה לבין מנהלי המפעלים.
"אני מחזיק בשני כובעים, כובע של הייטק וכובע של תעשיין, והחיבור ביניהם מלא באתגרים", אומר דבוש. לדבריו, יזמים מגיעים לא פעם למפעל עם פתרון שעבד היטב בסביבת פיתוח מבוקרת, אך מגלים כי תנאי העבודה בשטח שונים לחלוטין.
דבריו של דבוש מגיעים בתקופה שבה קליל עצמה מציגה שיפור בתוצאות. ברבעון הראשון של 2026 צמחו הכנסות החברה בכ-38% לכ-134 מיליון שקל, כתוצאה הן מצמיחה אורגנית בהיקפי הפעילות והן מאיחוד לראשונה של פעילות חברת גולן צח שנרכשה. החברה מייחסת את הצמיחה האורגנית ליישום התוכנית האסטרטגית שלה, הכוללת פיתוח מוצרים חדשים, חיזוק מערך השיווק והעמקת הקשר עם הלקוח הסופי.
גם הרווחיות השתפרה. שיעור הרווח הגולמי עלה ל-23.8%, לעומת 21.3% ברבעון הקודם ו-17.3% ברבעון המקביל אשתקד. הרווח הנקי זינק פי 3.5 לכ-7.6 מיליון שקל, לעומת כ-2.2 מיליון שקל ברבעון המקביל, על רקע הגידול בפעילות, השיפור ברווחיות הגולמית וההתייעלות התפעולית. ה-EBITDA הוכפל לכ-18.6 מיליון שקל, בעיקר בעקבות העלייה ברווח התפעולי.
הדמו עובד - ואז מגיעים לרצפת הייצור
אחד הפערים המרכזיים שעליהם מצביע דבוש הוא ההבדל בין סביבת הדגמה לבין מפעל פעיל. מערכת AI שעובדת היטב במשרד או במעבדה צריכה להתמודד במפעל עם רעש, אבק, לחות, טמפרטורות משתנות, תנועה של עובדים וכלי רכב תפעוליים וקצב עבודה גבוה.
"מישהו מציג דמו שהכול עובד בו ונראה מגניב, אבל כשפתרון מגיע לקו הייצור אתה מגלה עולם אחר. הסביבה רועשת, מאובקת, לחה, חמה או קרה, והאינטנסיביות התפעולית אינה סלחנית. אנשים זזים, יש מלגזות ומנופים - אלו דברים שלא קורים במשרד ממוזג", הוא אומר.
לדבריו, לצד הקושי הפיזי קיימים גם חסמים של שפה מקצועית ורגולציה. יזמים שאינם מכירים את התקנים, נהלי הבטיחות והמונחים המקצועיים של הענף מתקשים ליצור אמון כבר בשלב הראשוני.
דבוש ממליץ לחברות הטכנולוגיה לבצע עבודת הכנה עוד לפני הכניסה למפעל, ואף להשתמש בכלי AI כדי ללמוד את התחום שבו הן מבקשות לפעול. "אפילו מילה פשוטה כמו 'תבנית' נקראת אחרת כמעט בכל ענף תעשייתי. כדי ליצור מגע ראשוני נכון, חייבים לדבר בשפה של המפעל".
"80% דיוק" לא מספיק כשקו ייצור עומד על הפרק
פער נוסף נוגע לרמת הבשלות שמצופה מהמוצר. בהייטק מקובל להשיק גרסאות ראשוניות, ללמוד מהמשתמשים ולתקן תקלות תוך כדי תנועה. בתעשייה, לדברי דבוש, מרחב הטעות מצומצם בהרבה.
"מגיעים סטארטאפיסטים ואומרים 'אנחנו בדיוק של 80%' או 'המערכת תלמד תוך כדי'. זה לא מספיק. התעשייה צריכה משהו שעובד ברמות דיוק שכמעט מתקרבות ל-100%", הוא אומר.
הסיבה היא שהמשמעות של טעות אינה רק חוויית משתמש פחות טובה או תקלה תוכנתית שניתנת לתיקון בעדכון הבא. במפעל, גם שיעור קטן של טעויות עלול לגרום לייצור מוצרים פגומים, להשבתת קווים, לפגיעה בציוד יקר ולנזק תפעולי ותדמיתי.
דבוש מזהיר כי לכישלון של פרויקט ראשון עלולות להיות השלכות רחבות יותר. מפעל שנכווה ממערכת שלא עמדה בהבטחות עלול להפוך חשדן יותר כלפי פתרונות AI אחרים - גם כאלה שאינם קשורים לאותו ספק.
עלויות גבוהות ובעלות על המידע נכנסות למשוואה
מעבר לאמינות הטכנולוגית, גם המודל הכלכלי הופך לחלק מהותי בהחלטה אם להטמיע מערכת AI. מערכות המבוססות על מודלים גדולים עלולות לייצר עלויות שימוש שגדלות יחד עם היקף הפעילות, ולכן נדרש להגדיר מראש מי נושא בעלויות העיבוד ומהי העלות הצפויה כאשר המערכת עוברת מפיילוט להפעלה מלאה.
לדברי דבוש, ללא מודל תמחור ברור מפעל עלול למצוא את עצמו עם הוצאה חודשית גבוהה בהרבה מזו שהעריך בתחילת הדרך.
- בלידר מאמינים שהריבית תרד גם בספטמבר, ומה זה יעשה למחירי הדירות?
- החוב השקוף: כך הפכה "הוראת הקבע" למלכודת החוב החדשה של ישראל
סוגיה נוספת היא המידע. מערכות AI תעשייתיות עשויות לקבל גישה לנתוני ייצור, תהליכים, ביצועים, מוצרים ולעיתים גם מידע מסחרי רגיש. לכן נדרשת הסדרה מראש של השאלה למי שייך המידע, היכן הוא נשמר, כיצד משתמשים בו והאם הוא מועבר למערכות חיצוניות.
להתחיל בקטן ולא להבטיח לפתור הכל
למרות הקשיים, דבוש סבור כי שילוב AI בתעשייה הוא הכרחי, אך דורש גישה שונה מזו שמאפיינת לעיתים חברות טכנולוגיה צעירות.
העיקרון הראשון, לדבריו, הוא להתמקד בבעיה מוגדרת. במקום להגיע למפעל עם הבטחה רחבה שלפיה הטכנולוגיה יכולה "לפתור הכל", עדיף לזהות תהליך אחד שבו ניתן להציג שיפור ברור ומדיד.
במקביל, יש להגדיר מראש מדדי הצלחה - KPIs - שעל פיהם ייבחן הפרויקט, וליצור לוח בקרה שמאפשר למפעל לראות בזמן אמת האם המערכת אכן מספקת את התוצאות שהובטחו.
דבוש ממליץ גם להתחיל בפיילוט מצומצם באזור שאינו מסכן את רצפת הייצור הקריטית. כך ניתן לבדוק את המערכת בתנאי אמת מבלי לחשוף את המפעל לסיכון תפעולי משמעותי.
עיקרון נוסף הוא חלוקת סיכונים. מודלים שבהם ספק הטכנולוגיה מצמצם את העלות הראשונית או קושר חלק מהתשלום לעמידה ביעדים יכולים להקל על מפעלים לקבל החלטה להכניס מערכת חדשה.
הכסף כבר מחפש AI תעשייתי
לצד הקשיים בהטמעה, גם שוק ההשקעות מזהה את הפוטנציאל בתחום. גופים המתמקדים בטכנולוגיה לתעשייה, בהם חממת i4Valley, וכן קרנות כמו IL Ventures בשלבים מתקדמים יותר, מפנים הון למיזמים שמנסים לחבר בין יכולות AI לבין ייצור פיזי.
האתגר עבור החברות האלה אינו רק להציג אלגוריתם שעובד, אלא להוכיח שהמערכת מסוגלת לפעול לאורך זמן בתנאי מפעל, להשתלב בתהליכי העבודה הקיימים ולהציג החזר כלכלי ברור.
"ליזמים יש אחריות רחבה יותר מהפרויקט הפרטי שלהם", מסכם דבוש. "כל כישלון של מערכת AI ברצפת הייצור שורף את האמון של התעשיינים ומקשה על הבאים בתור. שקיפות לגבי הסיכונים והגדרת גבולות גזרה ברורים מראש הן הדרך היחידה לבנות אמון ארוך טווח".
