צילום: טוויטר

החיסכון מבינה מלאכותית לא עונה על הציפיות - ולא מהסיבה שחשבתם

סקר חדש בהשתתפות 951 חברות גדולות ברחבי העולם מצא שהחיסכון מהטמעת בינה מלאכותית נמוך בהרבה מהתחזיות; 40% מהחברות דיווחו על ירידה של עד 10% בלבד בהוצאות, בזמן שההשקעות בגל הבא כבר מתומחרות על בסיס הציפייה לחיסכון עתידי

ענת גלעד | 02/06/2026 07:35

נושאים בכתבה בינה מלאכותית

ההבטחה הפיננסית המרכזית שליוותה את גל ההשקעות המאסיבי בבינה מלאכותית בשנים האחרונות, מצד הנהלות של חברות ציבוריות ופרטיות, התמקדה כמעט כולה בשורת הרווח: היכולת לחתוך עלויות תפעול, לצמצם הוצאות כוח אדם ולייעל תהליכים מורכבים. אולם סקר עומק חדש של חברת הייעוץ הבינלאומית ביין (Bain & Company) שהושלם בחודש אפריל האחרון, חושף תמונת מצב מדאיגה עבור מנהלי הכספים והמשקיעים. לפי הממצאים, אצל חלק ניכר מהחברות ההבטחה הזו אינה מתממשת בהיקפים שתוכננו, והפער ההולך ונפתח בין הציפיות הגבוהות של השוק לבין ביצועי החיסכון בפועל הופך לאתגר ניהולי ותקציבי מורכב.

המחקר, שהקיף מנהלים ב-951 חברות גדולות המגלגלות הכנסות של יותר מ-100 מיליון דולר מתשעה ענפי משק מרכזיים - קמעונאות, טכנולוגיה, תעשייה מתקדמת, בריאות, מוצרי צריכה, אנרגיה, שירותים פיננסיים, תקשורת-מדיה-בידור וביטוח, מעלה כי החיסכון הריאלי מהטמעת אוטומציה ומערכות בינה מלאכותית נמוך מהתחזיות המוקדמות באופן רוחבי.

למרות זאת, הנהלות רבות ממשיכות לאשר תקציבי ענק הולכים וגדלים על בסיס אותן הנחות חיסכון מובטחות - והדבר מייצר סיכון פיננסי תפעולי בשטח. בקרב החברות שמדדו באופן מסודר את השינוי בהוצאותיהן, הקבוצה הגדולה ביותר - 40% מהארגונים - דיווחה על ירידה של 10% בלבד או פחות בעלויות. כלומר, החיסכון קיים, אך הוא מתברר כצנוע משמעותית מהציפיות שטופחו סביב מערכות גנרטיביות וסוכנים חכמים.

מוציאים כסף על בסיס חיסכון תיאורטי

ביין מצביעה בדוח על פרדוקס מימוני שהולך ומתרחב בארגונים: מצד אחד, קיימות חברות המממנות השקעות טכנולוגיות חדשות מתוך כסף ממשי שהן כבר הצליחו לחסוך בפועל. מצד שני, נתח גדול יותר של חברות - 44% מהמשתתפות בסקר - מציין כי החיסכון המתוכנן על הנייר הוא אחד ממקורות המימון המרכזיים של גל ההוצאות הבא שלהן. המשמעות היא שההחלטות על הרחבת פרויקטי ה-AI נשענות על תחזיות להתייעלות עתידית ולא על הון פנוי שנחסך.

זוהי נקודה רגישה ביותר בתקציב התפעולי של החברות. כאשר הנהלה מאשרת פרויקט בינה מלאכותית בעלות של מיליוני דולרים מתוך הנחה שיקוזזו עלויות שכר, תפעול או ספקים, והתוצאה בפועל נמוכה מהצפוי, נוצרת דליפה תקציבית המצטברת משנה לשנה. במצב זה קצב ההשקעה עולה על התשואה התפעולית שהיא מניבה. ביין מנסחת זאת כאי-נוחות מהותית שהמנהלים צפויים להרגיש מול הפער המבני הזה, בעיקר לנוכח העובדה שההנחות התיאורטיות הללו כבר שימשו כבסיס להצדקת הגדלת התקציבים הנוכחית.

הכשל המרכזי: הנתונים לא נגישים לחברה עצמה

בשיח הציבורי נהוג לייחס את פערי הביצוע הללו לבעיות מורכבות של שינוי ארגוני, תרבות חברה, היעדר הכשרות עובדים או מודלים טכנולוגיים שלא מתחברים היטב לתהליכי העבודה היומיומיים. עם זאת, ביין מצביעה על כשל בסיסי ותשתיתי הרבה יותר: הגישה הארגונית לנתונים.

לפי הדוח, הסיבה הראשונה במעלה לכך שתוכניות בינה מלאכותית אינן עומדות ביעדי הרווחיות שלהן היא שחברות פשוט אינן מצליחות להשיג גישה אמינה ורציפה לנתונים של עצמן. כשל זה מתרחש למרות עשור שלם של השקעות מאסיביות במודרניזציה ובדיגיטציה של נתונים, בהיקפים גלובליים המוערכים במאות מיליארדי דולרים.

המשמעות בשטח היא שמערכות המידע הקיימות של הארגונים יושבות במאגרים מבודדים, תחת מערכות הרשאות מפוצלות ואיכות נתונים לא אחידה. הדבר מייצר נתיבים ארוכים ומסורבלים מדי מהמידע הגולמי ועד למקום שבו ניתן להזין אותו בפועל לתוך מודלי ה-AI. בלי זרימה יציבה ותקינה של נתונים, הבינה המלאכותית אינה מסוגלת לייצר אוטומציה עקבית, ואינה יכולה לעבור משלב הניסוי והפיילוט לשלב הייצור - השלב היחיד שמסוגל לייצר חיסכון כספי למאזן.

מה קובע אם חברה תצליח או תשתרך מאחור?

ההמלצה האופרטיבית של ביין הולכת נגד האינסטינקט של חלק מהארגונים: החברה קוראת למנהלים לא לחכות עד שכל מאגרי המידע הארגוניים יהיו מסודרים, מובנים ומטוהרים לחלוטין. במקום זאת, מומלץ להתחיל לעבוד עם מה שזמין כבר עכשיו, להזין אותו למודלים, ורק אז להשתמש ביכולות הניתוח של הבינה המלאכותית עצמה כדי לסייע במיון, סיווג והבניה של יתרת הנתונים בארגון.

גישה זו מכירה בכך שפרויקטים מסורתיים של סידור נתונים נוטים להימרח על פני שנים ארוכות, בעוד שהדירקטוריון וההנהלה מצפים לתוצאות פיננסיות מיידיות מההשקעה ב-AI.

נתון מפתח נוסף העולה מהדוח מגלה כי גם אותן חברות שמצליחות לעמוד ביעדי החיסכון שלהן, מדווחות בשיעורים גבוהים אפילו יותר על חסמים קשים הקשורים למבנה הנתונים הקיים ולנגישות אליהם. ההבדל המרכזי בינן לבין החברות המפסידות הוא שהן מדווחות פחות על חסמים ארגוניים פנימיים, כגון מחסור בתקציב או סדרי עדיפויות מתנגשים בהנהלה.

המסקנה העולה מכך היא שגם מי שמצליח בשוק לא בהכרח פיצח לחלוטין את בעיית הנתונים הארגונית - הוא פשוט מניע את הארגון שלו במהירות גבוהה יותר, מקבל החלטות ומוציא אותן לפועל בשטח. מנגד, הפרויקטים שנתקעים עושים זאת בשכבות התשתית והדאטה, הרבה לפני שהם מגיעים לשלב שבו הם מסוגלים להציג קיצוץ עקבי בהוצאות התפעול.