אמש (ב') התקיימה בהר מירון ההילולה המסורתית, שמתקיימת בכל שנה בל"ג בעומר סביר קברו של רבי שמעון בר יוחאי. עקב הסיכון הביטחוני, ההנחיות אפשרו את קיומה בנוכחות של עד 200 איש בלבד, אולם עשרות אלפי אנשים לא שמעו להן ועלו בכל זאת אל ההר. מכבי האש, או כפי שהם נקראים כיום רשות הכבאות וההצלה, הם גוף קריטי בשמירה שהאירוע יעבור בשלום. לפי טפסר משנה אייל אבזבקייב, ראש מחלקת קשר חירום ותיאום מבצעי בחטיבת התקשוב של הרשות, הם נערכו מראש לאירוע, גם בהיבטי הטכנולוגיה. "עבורנו, ל"ג בעומר זה 'חג החגים', וכמו בכל שנה, נערכנו לקראתו באינטנסיביות", אמר אבזבקייב לאנשים ומחשבים. "בחודשיים האחרונים ערכנו סיורים בשטח, עם מיקוד בשלושה אתרים: בני ברק, ירושלים והר מירון, שהוא המוקד המרכזי עבורנו. הכנו נוהל קרב, בנינו תוכניות ואישרנו אותן. לשמחתנו, הלילה עבר בשלום, ול-IT היה חלק בכך". טפסר משנה אייל אבזבקייב, ראש מחלקת קשר חירום ותיאום מבצעי בחטיבת התקשוב של רשות כבאות והצלה. צילום: דוברות רשות כבאות והצלה הוא ציין כי "תת טפסר ניר צנטנר, ראש חטיבת התקשוב, החליט שאהיה הפרויקטור של האירוע". לחטיבת התקשוב בכבאות יש שלוש רגליים: מחלקת טכנולוגיות ומערכות מידע, בראשות המנמ"ר, טפסר משנה גיא חסון; מחלקת קשר מבצעי, בראשות טפסר משנה אבזקייב; ומחלקת לוגיסטיקה בתקשוב, שבראשה עומד סגן טפסר קובי צונזר. ה-IT במערך הכבאות משרת את 3,200 עובדיו, 2,200 מהם לוחמי אש. זאת, לצד יותר מ-4,000 מתנדבים שונים – שירות לאומי, חרדים וצופי אש. IT בחפ"קים אבזקייב תיאר את ההיערכות של כוחות הכיבוי להילולה: "לפני כמה ימים סיימנו את ההקמה של חפ"ק איסוף חזותי, שכולל מצלמות שהותקנו על ידי מדור תקשוב בנקודות שולטות על ההר, והן שולחות את החוזי לאחור, למפקדות. החפ"ק המחוזי הוקם בנוף הגליל, והארצי פועל באופן קבוע במטה הכבאות וההצלה בראשון לציון. כמו כן, הקמנו בהר מירון ארבעה חפ"קים, כאשר ראשי ביניהם, שמכונה 'חפ"ק משימתי', שלט על האירוע מבית קירור במושב בר יוחאי". החפ"ק של רשות כבאות והצלה בהר מירון. צילום: דוברות רשות כבאות והצלה "בכל החפ"קים הוקצו אמצעי IT רבים: מערכות שליטה ובקרה (שו"ב), טלפוניה, מולטי מדיה, תשתיות תקשורת פיזיות וגיבוי של תקשורת לוויינית למקרה של שיבוש אופציונלי. גיבוי תקשורתי נוסף היה של סלולר, מאתרי סלקום", אמר. ריבוי מערכות – במקום פלטפורמת תקשורת אחידה ואחודה לדבריו, "אין כיום עדיין פלטפורמת תקשורת אחידה ואחודה למגיבים הראשונים – כוחות החירום וההצלה, שמגיעים ראשונים לשטח. לפיקוד העורף יש מערכת משלו, למגן דוד אדום יש מערכת נפרדת ואנחנו, במכבי האש, חולקים את אותה מערכת עם המשטרה. כך, כאשר מסוק משטרתי משדר חוזי מזירת אירוע, עם מחברים ו-API, גם אנחנו מקבלים אותה. יחד עם המשטרה העמקנו את התשתית במרחב צפון, הרחבנו את הליכי הגיבוי והשרידות". "אנחנו מצליחים בכל אירוע לבנות 'אירוע חוזי' מורכב, וכך עשינו גם אמש", הוסיף אבזבקייב. "אנחנו אוספים את התמונות והסרטים משלל מקורות: המצלמות שבכבאיות ועל קסדות לוחמי האש, מצלמות מהעיריות, מערכות BI ו-GIS, ועוד. את כלל החומר אנחנו 'שופכים' לאגם נתונים אחד. תמונת חוזי ארצית זו משמשת את כלל גופי החירום בשטח, ומעניקה להם יתרון בהבנת המצב ובהתמצאות – ברגעים הראשונים להגעתם. כך, המצילים מקבלים מידע אמין מפורט וקרוב לזמן אמת בשכבות מידע מרובות". מימין: טפסר יאיר אלקיים, מפקד מחוז צפון ברשות כבאות והצלה; רב טפסר אייל כספי, נציב כבאות והצלה ארצי; רב רשף יואב רבינוביץ', רמ"ד תקשוב מחוז צפון; וטפסר משנה אייל אבזבקייב, ראש מחלקת קשר חירום ותיאום מבצעי בחטיבת התקשוב. צילום: דוברות רשות כבאות והצלה עוד ציין טפסר משנה אבזבקייב כי "הגדלנו את איוש המוקדנים במוקד 102 ועמדנו בהתחייבות למענה לאזרחים של תוך פחות מדקה. מרגע קבלת הודעה על אירוע אנחנו מחויבים להוצאת צוות לשטח בתוך 60 שניות. במוקד אסור לתת לאזרחים להמתין למענה יותר מ-15 שניות. אם המוקד עמוס – המערכת 'תעיף' את הפונה למוקד הפנוי הראשון. אנחנו נמדדים ועורכים על כך בקרות". כמו כן, הוא אמר כי "סיפקנו מענה לרב רשף יואב רבינוביץ', ראש מדור תקשוב במחוז צפון. הוא הציג את התוכנית תקשובית שלו – ואנחנו הוספנו בהתאם רשתות ופרסנו מערכות. כך הבאנו למפקדים תמונת מצב, במטה בראשון לציון ובחפ"ק הנייד, עם יכולות סלולר ולוויין". תת טפסר צנטנר ציין כי "הקרב של לוחמי האש מוכרע בדקות הראשונות להגעתם לזירה, ותלוי במודל 'מעז' – ראשי תיבות של מרחב, עוצמה וזמן. את המודל בנה רב טפסר אייל כספי, נציב הכבאות וההצלה. שלושת הגורמים האלה קריטיים להצלחת המשימה: על מנת להכריע שריפה יש להגיע בכוחות גדולים, במסות ובמהירות".

ארגונים מעולם לא היו מצוידים טוב יותר מאשר היום לטרנספורמציה דיגיטלית. שירותי ענן, פלטפורמות Low-Code ופתרונות בינה מלאכותית הפכו יכולות שבעבר דרשו שנים של פיתוח ותקציבי ענק למוצרי מדף זמינים כמעט מיידית. הטכנולוגיה, במילים פשוטות, כבר כאן, והיא בשלה מתמיד. ובכל זאת, שיעורי ההצלחה של מהלכי הטרנספורמציה לא משתפרים באופן מהותי. לפי מק'ינזי, כ־70% מיוזמות הטרנספורמציה הדיגיטלית לא משיגות את יעדיהן העסקיים. המעבר לענן חשף את הכאוס אמנם, המעבר לענן ביטל מגבלות תשתית והפך מערכות מתקדמות לנגישות מאי פעם, אך בו זמנית הוא העלה את רף הניהול הנדרש. כאשר כל מערכת זמינה בלחיצת כפתור קל יותר לאבד שליטה על עלויות, הרשאות וגבולות אחריות. ההשלכות כבר ניכרות בשטח: הערכות בתעשייה מצביעות על כך שארגונים מבזבזים בין 20% ל־30% מהוצאות הענן שלהם על משאבים שאינם מנוהלים כראוי. המסקנה היא ברורה: החסם הוא כבר לא טכנולוגי, אלא ניהולי. הטכנולוגיה נעשתה פשוטה יותר, אך הניהול – מורכב יותר. פלטפורמות ה-Low-Code וה-No-Code האיצו מגמה נוספת לראשונה בהיסטוריה הארגונית, היכולת לבנות מערכות כבר לא שמורה רק ל-IT. יחידות עסקיות, צוותי מוצר ולעיתים אף עובדים ללא רקע טכנולוגי יכולים להקים אפליקציות בתוך זמן קצר. רבות מהאפליקציות הארגוניות כבר נבנות באמצעות פלטפורמות שמאפשרות זאת, אבל טמונה כאן מלכודת: המהירות הזו מייצרת ערך, אך גם אשליה מסוכנת של פשטות. כאשר מדלגים על ארכיטקטורה, מודל נתונים או מנגנוני בקרה ופיקוח, המורכבות לא נעלמת – היא פשוט נדחית לשלב התפעול. ארגונים מגלים מאוחר מדי שהמערכת שנבנתה במהירות יוצרת תלות, חוב ארכיטקטוני (כלומר, החלטות תכנון שנדחו או קוצרו וכעת דורשות תיקון מורכב בהמשך) ואתגרי שליטה. הפער בתעשייה כיום אינו פער טכנולוגי, אלא פער ביצועי. מה שמפריד בין חברות שמדברות על חדשנות לכאלה שמייצרות ערך מחדשנות הוא היכולת לבנות ארכיטקטורה יציבה ומשמעת תהליכית בשנים האחרונות נכנסה לתמונה הבינה המלאכותית, והיא מאיצה את הכול. אולם, בניגוד לתפיסה הרווחת, ה-AI לא מייצרת סדר בארגון, כי אם מגבירה את מה שכבר קיים בו. בארגון מתואם היא מאיצה קבלת החלטות, אך בארגון מבולגן היא מאיצה טעויות בקנה מידה גדול יותר. לא במקרה יותר ממחצית מיוזמות ה-AI הארגוניות נעצרות בשלב הפיילוט או אינן מגיעות להטמעה רחבה – בעיקר בשל היעדר מוכנות ארגונית ונתונים לא אחידים. הבינה המלאכותית יודעת לנתח מידע ולהציע פעולה, אך היא לא מחליפה את ההנהלה, לא מגדירה אסטרטגיה ולא פותרת אי סדר ארגוני. יתרה מכך, אם בעבר טעויות נבנו לאורך שנים, כיום ניתן להטמיע אותן בתוך חודשים ולהפיץ אותן על פני הארגון כולו. בפרויקט שליווינו באחרונה ביקש ארגון גדול להטמיע יכולות AI במערכת שירות מרכזית. הטכנולוגיה הייתה בשלה והפיתוח התקדם במהירות, אך עד מהרה התבררה הבעיה האמיתית: לא הייתה הגדרה אחידה לנתוני לקוח, תהליכי העבודה לא היו מתואמים ולא הייתה בעלות ברורה על קבלת ההחלטות. האלגוריתם עבד מצוין על נתונים שלא ניתן היה לסמוך עליהם. רק לאחר שהובלנו את הארגון להגדרת מודל נתונים אחוד, קבענו איתם מנגנוני בקרה ופיקוח, והבהרנו את תחומי האחריות, ניתן היה להפעיל את המערכת באופן שייצר ערך אמיתי. הלקח היה ברור: לפני שמכניסים AI, צריך להכין את הארגון לעבוד איתה. להתגבר על הפער שיוצרת ה-AI הכלים קיימים והידע נגיש. לכן, הפער בתעשייה כיום אינו פער טכנולוגי, אלא פער ביצועי. מה שמפריד בין חברות שמדברות על חדשנות לכאלה שמייצרות ערך מחדשנות הוא היכולת לבנות ארכיטקטורה יציבה ומשמעת תהליכית. הבינה המלאכותית לא תחליף ארגונים שלא יודעים לנהל טרנספורמציה, היא פשוט תחשוף אותם מהר יותר. הארגונים שיצליחו להתגבר על הפער שיוצר השימוש ב-AI אינם דווקא אלה שמאמצים טכנולוגיות חדשניות ראשונים, אלא אלה שמנהלים אותן נכון. אלה שמבינים שהבינה המלאכותית היא לא שכבה שמוסיפים מעל המערכת, אלא שינוי עומק בתהליכים ובאחריות הניהולית. השאלה שההנהלות צריכות לשאול את עצמן כיום היא לא האם הארגון מוכן ל-AI, אלא האם הוא מוכן לניהול שהעידן הזה מצריך. הכותב הוא מנכ"ל אשכול פתרונות הענן המותאמים ב-peax (לשעבר קבוצת EMET), שמוביל פרויקטי טרנספורמציה דיגיטלית מורכבים בארגונים גדולים בתחומי הדיגיטל, הענן, ה-Low-Code והבינה המלאכותית.

עם התקדמות הטכנולוגיה, מגמה חדשה מעצבת את עולם התוכן: לפחות שליש מהפודקאסטים מופקים כיום באמצעות בינה מלאכותית. מה שהתחיל כניסוי הפך במהירות לטרנד משמעותי בתעשייה. לפי נתוני דו"ח New Feeds של פלטפורמת הקוד הפתוח Podcast Index, כמעט שליש מכלל הפודקאסטים נוצרים כיום באמצעות AI. הנתונים מ-Podcast Index מראים, שכשליש מהפודקאסטים החדשים שנוצרים כיום הם תוצר של בינה מלאכותית. בשלב מסוים אף דווח, כי כ-39% מהפודקאסטים החדשים ביום אחד נוצרו כך. נכון לעכשיו, המספר עומד על כ-35.4% – כלומר אלפי תוכניות חדשות מבוססות AI שנוצרות באופן שוטף. עם זאת, עולה שאלה מרכזית: מי בעצם מאזין לפודקאסטים הללו, ומה המשמעות הרחבה של התופעה? בשונה מפודקאסטים מסורתיים שמתמקדים באישיות, סיפור וחוויה, פודקאסטים שנוצרים על ידי AI פונים לאנשים שמחפשים לצרוך מידע בצורה מהירה וישירה — פחות בידור, יותר תמצות. גישה זו מזכירה שימושים בכלים כמו NotebookLM של גוגל, שמטרתם לפשט מידע ולהנגיש נושאים מורכבים. יש כמה חששות הנובעים מהתופעה: משפיענים מבוססי בינה מלאכותית מטשטשים יותר ויותר את הגבול בין מציאות לדמיון, דבר שמוביל לירידה באמון בתוכן מקוון. ככל שהקהל מתרגל לדמויות סינתטיות, כך קשה יותר להבחין בין תוכן אמיתי לבין כזה שנוצר על ידי AI. עובדה זו עלולה להיות מנוצלת להונאות ולהפצת מידע כוזב, ומעלה חששות לגבי שחיקת האמון במרחב הדיגיטלי וספקנות כלפי אמינות התוכן, לצד השפעה פסיכולוגית של עלייה בהיקשרות רגשית ליוצרים וירטואליים. ככל שמשתמשים נחשפים יותר לתוכן שנוצר בידי בינה מלאכותית, כך פוחתת היכולת שלהם להעריך באופן ביקורתי את המידע שהם צורכים — מה שמגביר את הפגיעות למניפולציות ולדיסאינפורמציה, עם השלכות חברתיות משמעותיות. עם התפשטות הפודקאסטים שנוצרים על ידי AI, מאזינים עשויים לפקפק בעומק ובמעורבות שמספקים בדרך כלל מנחים אנושיים. היעדר מגע אישי בתוכן סינתטי מעלה ספקות האם הוא מסוגל לענות על הציפיות לחוויית האזנה משמעותית ומבדרת. בעוד שנפח התוכן ממשיך לגדול במהירות, עדיין לא ברור אם המאזינים באמת רוצים אותו. למרות שתוכן מבוסס AI יכול להיות תמציתי וברור יותר, הוא חסר את המגע האנושי — והדיון סביב היתרונות והחסרונות של התופעה רק בתחילתו.

בשנים האחרונות, מהפכת הבינה המלאכותית הוגדרה כמעט לחלוטין על ידי עלייתם של מודלי שפה גדולים (LLMs). מערכות כמו ChatGPT הפכו לכלים מרכזיים בעבודה היומיומית – מכתיבה ויצירת תוכן, דרך פיתוח קוד, ועד ניתוח מידע וקבלת החלטות. הן שינו את הדרך שבה אנשים וארגונים ניגשים לידע, והציבו סטנדרט חדש לאינטראקציה בין אדם למכונה. אך לצד ההתקדמות המרשימה הזו, כיום מתפתחת בשקט פרדיגמה נוספת – מודלי עולם (World Models) – שעשויה לשנות את חוקי המשחק באופן עמוק הרבה יותר. LLMs מבוססים על עיקרון פשוט אך עוצמתי: חיזוי. הם לומדים דפוסים סטטיסטיים מתוך כמויות עצומות של טקסט, ומסוגלים לנבא את המילה או המשפט הבא בצורה שמדמה הבנה אנושית. ככל שהמודלים גדלים, כך משתפרת היכולת שלהם להפיק תשובות מורכבות, לנהל שיח, ואפילו לבצע משימות שנראות כמו חשיבה. אך למרות זאת, היכולת הזו נשארת ברובה סימולציה – הם אינם מחזיקים ייצוג אמיתי של העולם, אלא ייצוג של שפה על העולם. "אם העשור האחרון היה על לגרום למכונות לדבר – העשור הבא יהיה על לגרום להן להבין, לחזות ולפעול כאן נכנסים מודלי העולם. במקום להתמקד בשפה, הם שואפים ללמוד את מבנה המציאות עצמה: כיצד פעולות מובילות לתוצאות, כיצד מערכות משתנות לאורך זמן, ואיך מתקיימת סיבתיות בין אירועים. זהו מעבר מתפישה של "מה סביר שייאמר" לתפישה של "מה סביר שיקרה". חוקרים כמו יאן לקון מדגישים כי אינטליגנציה אמיתית אינה יכולה להתבסס רק על חיזוי טקסט, אלא מחייבת מודל פנימי של העולם, שמאפשר הבנה, תכנון ולמידה. שינוי מהותי בתפקיד של מערכות AI ההבדל הזה הופך משמעותי במיוחד כאשר עוברים מהקשר של שיחה להקשר של פעולה. LLMs מצטיינים בהסבר, בהצעת פתרונות ובבניית תוכניות, אך הם מוגבלים כאשר נדרש תכנון ארוך טווח, התמודדות עם אי-ודאות, או הפעלה של מערכות מורכבות בזמן אמת. הם יכולים לומר מה כדאי לעשות, אך לא תמיד יודעים להעריך בצורה אמינה מה יקרה בפועל. מודלי עולם, לעומת זאת, מתוכננים בדיוק לכך: הם מאפשרים להריץ סימולציות, לבחון תרחישים חלופיים, ולהבין את ההשלכות של פעולות לפני שמבצעים אותן. במובן הזה, מדובר במעבר מהיגיון מבוסס שפה להיגיון מבוסס סביבה. התוצאה היא שינוי מהותי בתפקיד של מערכות AI. אם עד היום התמקדנו בעוזרים חכמים – מערכות שמסייעות לאדם לחשוב – השלב הבא הוא סוכנים אוטונומיים – מערכות שפועלות בשם האדם. המעבר הזה כבר החל, ואנו רואים ניצנים שלו בשילוב בין LLMs לבין מנגנוני קבלת החלטות וסימולציה. ישינו את ה-AI כפי שהכרנו. מודלי עולם. צילום: ג'מיני   ארגונים כמו דיפ-מיינד (DeepMind) של גוגל משקיעים במשך שנים בפיתוח למידה מבוססת מודל, בעוד ש-OpenAI מתקדמים לכיוון של מערכות סוכנות שמבוססות על LLMs, אך מתרחבות מעבר להן. העתיד, אם כך, אינו מאבק בין LLMs למודלי עולם, אלא שילוב ביניהם. במבנה כזה, ה-LLM משמש כשכבת האינטראקציה וההיגיון – הוא מבין כוונות, מתרגם מטרות לתוכניות, ומתווך בין האדם למערכת. מודל העולם משמש כשכבת הסימולציה – הוא מעריך תרחישים, מחשב תוצאות, ומספק הבנה סיבתית. מעליהם פועל סוכן, שמבצע, לומד ומתאים את עצמו בזמן אמת. יחד נוצרת מערכת אינטליגנציה סגורת לולאה, שמסוגלת לא רק להבין את העולם אלא גם לפעול בתוכו בצורה אפקטיבית. השלכות השינוי הזה על התעשייה הן רחבות ועמוקות. הגל הראשון של הבינה המלאכותית התמקד ביצירת תוכן – טקסט, תמונות, קוד – והביא לעלייה דרמטית בפרודוקטיביות בתחומים יצירתיים וידעיים. הגל הבא יתמקד בשליטה במערכות מורכבות: ניהול תשלומים גלובליים, אופטימיזציה של שרשראות אספקה, תפעול אוטונומי של מערכות עסקיות, ואפילו קבלת החלטות פיננסיות בזמן אמת. בתחומים אלו, היכולת לחזות טקסט אינה מספיקה – נדרשת הבנה עמוקה של תהליכים, סיכונים וסיבתיות. בעידן מודלי העולם היתרון עובר לדאטה תפעולי בנוסף, המעבר למודלי עולם משנה גם את אופי ה-AI עצמו. בעוד ש-LLMs הם במידה רבה סטטיים לאחר האימון, מודלי עולם מחייבים למידה מתמשכת, אינטגרציה של פידבק בזמן אמת, והתאמה דינמית לסביבה משתנה. המשמעות היא מעבר מ-AI כמוצר – שנבנה, מושק ומשתפר באופן תקופתי – ל-AI כמערכת חיה, שפועלת, לומדת ומתעדכנת באופן רציף. זהו שינוי עמוק גם מבחינה טכנולוגית וגם מבחינה ארגונית. כתוצאה מכך, גם מקורות היתרון התחרותי משתנים. אם בעידן ה-LLMs היתרון היה בגישה לדאטה טקסטואלי רחב ובהשקעה בתשתיות חישוב, הרי שבעידן מודלי העולם היתרון עובר לדאטה תפעולי – נתונים על תהליכים, התנהגות משתמשים, החלטות ותוצאות. חברות שמפעילות מערכות מורכבות – כגון פינטק, פלטפורמות מסחר, לוגיסטיקה או שירותים פיננסיים – מחזיקות בנכס אסטרטגי: היכולת להבין כיצד העולם פועל בפועל, לא רק כיצד הוא מתואר בטקסט. המשמעות האסטרטגית היא שחברות שאינן בהכרח מובילות בתחום ה-AI הבסיסי עשויות להפוך למובילות בדור הבא של יישומי AI, בזכות הגישה שלהן לדאטה ולמערכות. במיוחד בעולמות כמו תשלומים גלובליים, שבהם יש מורכבות גבוהה, רגולציה, ותלות בגורמים רבים – מודלי עולם יכולים לייצר קפיצה משמעותית ביכולת לחזות, להסביר ולשפר ביצועים. לבסוף, השאלה "מי ינצח – LLMs או מודלי עולם?" מפספסת את הנקודה. LLMs יהפכו ככל הנראה לשכבת האינטראקציה הסטנדרטית של הבינה המלאכותית – הממשק שדרכו בני אדם מתקשרים עם מערכות. מודלי העולם יהפכו לשכבת ההיגיון והפעולה – המנוע שמניע את קבלת ההחלטות והביצוע. הערך האמיתי ייווצר בשילוב בין השניים, וביכולת לבנות מערכות שמחברות בין הבנה לשונית להבנה סיבתית. אם העשור האחרון היה על לגרום למכונות לדבר – העשור הבא יהיה על לגרום להן להבין, לחזות ולפעול. המעבר הזה, משפה לעולם, אינו רק התקדמות טכנולוגית – הוא שינוי יסודי באופן שבו מערכות דיגיטליות משתלבות בכלכלה ובחברה. והוא צפוי להגדיר מחדש לא רק את גבולות הבינה המלאכותית, אלא גם את גבולות היכולת האנושית לנהל, לשלוט ולהבין מערכות מורכבות. הכותב הוא מנהל מוצר ראשי בפיוניר ישראל וחוקר באקדמיה

סלקום הודיעה היום (ג') על מינויו של יניב גואטה לסמנכ"ל מערכות מידע (מנמ"ר) החברה. הוא יחליף את ויקטור מלכה, ששימש בתפקיד בחמש השנים האחרונות – ופורש. מינוי זה מצטרף לשורת מינויים שסלקום ביצעה בחודשים האחרונים, בהם של סמנכ"לית השיווק, מיכל בצר, בחודש שעבר, וכן מינויים לתפקידי סמנכ"ל שירות לקוחות וסמנכ"ל המגזר העסקי בתחילת השנה. גואטה מגיע מ-AWS, שם שימש כארכיטקט פתרונות בכיר. במסגרת תפקידו בחברת הענן של אמזון, הוא ייעץ וליווה עשרות מוסדות פיננסיים מובילים באירופה, בהם בנקים, חברות ביטוח ושווקי הון, בעיצוב והטמעת אסטרטגיות טרנספורמציה דיגיטלית, מעבר לענן והטמעת פתרונות מתקדמים מבוססי דאטה ובינה מלאכותית. לגואטה ניסיון של יותר מ-25 שנה בהובלת מהלכים טכנולוגיים רחבי היקף ויצירת ערך עסקי משמעותי בארגונים מורכבים. בסלקום, הוא יממש את האסטרטגיה הטכנולוגית שלה, שהשנה כוללת את האצת הטרנספורמציה הדיגיטלית של החברה, חיזוק יכולות AI ושימוש בטכנולוגיה ובדאטה לשיפור חוויית הלקוח. מלכה, איש מחשוב ותיק, הוביל בחמש שנותיו כמנמ"ר סלקום את מערך מערכות המידע של החברה, וקידם שורה של מהלכים טכנולוגיים וארגוניים. הוא אמר בפאנל מנמ"רים שנערך לפני כחצי שנה בכנס GenAI for All של אנשים ומחשבים כי "מוקדי שירות לקוחות הם עסק יקר ורווי עובדים. קיים צורך לסיים שיחה במהירות וביעילות, וליצור שביעות רצון לקוח גבוהה. זה מקום שבו ראינו פוטנציאל גבוה בשילוב של בינה מלאכותית יוצרת, ומאמצע השנה שעברה ביצענו 60 ניסויים בכלי AI שונים – אלא שרובם נכשלו. אחת ההצלחות הייתה במערכת מבוססת בינה מלאכותית שמשמשת כעוזרת לנציג השירות האנושי, ומאפשרת לו לתחקר נושא שקשור ללקוח. לדוגמה, תובנות שנובעות מהשוואה של חשבוניות לקוח. המערכת הזו נמצאת כבר כיום בשימוש של כ-100 נציגים במוקד השירות, ורואים שם שיפור במדדי השירות". "היכולות של גואטה יתמכו ביישום האסטרטגיה ושיפור הביצועים" אלי אדדי, מנכ"ל סלקום, אמר כי גואטה "מביא איתו ניסיון עמוק בהובלת מערכות מידע בארגונים מורכבים, לצד חשיפה רחבה לטכנולוגיות המתקדמות בעולם. היכולות שלו בעולמות הענן, הדאטה וה-AI יתמכו באופן ישיר ביישום האסטרטגיה שלנו ובהמשך שיפור הביצועים העסקיים של החברה. אנחנו ממשיכים בחיזוק שדרת הניהול לצד השקעה בטכנולוגיות מתקדמות". על מלכה הוא אמר כי "הוא הביא בתפקידו לחמש שנים של הובלה מקצועית, מחויבות גבוהה ותרומה משמעותית לפעילות החברה". גואטה ציין כי "אני מצטרף לסלקום בתקופה משמעותית של התחדשות וצמיחה. מערכות מידע הן מנוע קריטי ביצירת ערך עסקי, ואני מאמין שבאמצעות שילוב נכון של תשתיות מתקדמות, דאטה ובינה מלאכותית נוכל להאיץ חדשנות, לייעל תהליכים ולהעניק ללקוחות חוויית שירות מתקדמת יותר".

ישראל מור חי מונה באחרונה לתפקיד סמנכ"ל מערכות מידע במפעל הפיס. הוא מחליף את דניאל נחום, שפרש לגמלאות אחרי 13 שנים בתפקיד. למור חי ניסיון ניהולי וטכנולוגי עשיר של מעל 20 שנה. ביולי אשתקד הוא פרש מתפקידו כמנהל בית התוכנה סיגמה, שאחראי, בין היתר, על פרויקט מרכב"ה הממשלתי – מערכות מידע רוחביות, שמנהלות את משאבי המדינה. הוא כיהן בתפקיד זה במשך כשלוש שנים. מור חי אמר בראיון לאנשים ומחשבים לאחר הפרישה כי "ראיתי בניהול מרכבה שליחות לאומית – עכשיו הזמן לאתגר הבא". לפני סיגמה שירת מור חי בתפקידי פיקוד טכנולוגיים בכירים בחיל האוויר והשתחרר בדרגת סגן אלוף. במסגרת תפקידו במפעל הפיס יהיה מור חי אחראי על תכנון, גיבוש ויישום אסטרטגיית מערכות המידע והטכנולוגיה של הארגון, כמו גם על ניהול תשתיות התפעול הטכנולוגיות ומערכות המחשוב שלו. זאת, לרבות המערכת שאחראית על הלוטו, חיש גד ושאר ההימורים של מפעל הפיס. כמו כן, הוא יהיה אחראי על מערכות האינטגרציה, אחסון המידע ואבטחת המידע, ואתר האינטרנט של מפעל הפיס. באחריותו יימצאו ניהולן ותפעולן של מערכות הליבה המרכזיות ואבטחת פעילותן של אלפי הגרלות בשנה, תוך עמידה בתקני הסייבר והאבטחה המחמירים ביותר של ארגון הלוטו העולמי(WLA) . בנוסף, מור חי ינהל שורה של פרויקטי דגל טכנולוגיים, ובראשם המשך קידום יכולות מערכת ה-ERP החדשה, ופיתוח פלטפורמות ויכולות דיגיטליות. מור חי הוא בעל תואר ראשון בהנדסת חשמל ואלקטרוניקה ממכללת אפקה להנדסה בתל אביב ותואר שני במנהל עסקים מהמרכז האקדמי פרס. הוא אמר כי "חטיבת המחשוב היא המנוע הטכנולוגי לצמיחה עסקית, ומאפשרת לממש את תפיסת מפעל הפיס, שלפיה 'הכול חוזר לקהילה'. אני מצפה לעבודה המשותפת עם הנהלת מפעל הפיס, וכן עם מנהלות ומנהלי, עובדות ועובדי החטיבה".

חברת הענק סאפ הודיעה אתמול (ב') על שתי רכישות בהודעה אחת, כאשר שתיהן חברות שפועלות בעולם של ניתוח נתונים טבלאי מבוסס AI. הנרכשות הן דרמיו (Dremio) ופריור לאבס (Prior Labs). סאפ לא מסרה את סכומי הרכישות, אולם גורמים בענף העריכו אותן ביותר מ-400 מיליון דולר (ביחד). ענקית התוכנה הגרמנית הכריזה על השקעה של יותר ממיליארד יורו בחברות אלה. מדובר בשני סטארט-אפים, האחד אמריקני והשני גרמני, שמסייעים לארגונים לנתח נתונים טבלאיים, כלומר מידע שמאוחסן בשורות ובעמודות. דרמיו ממוקמת בסנטה קלרה, קליפורניה, וגייסה יותר מ-300 מיליון דולר מאז הקמתה. אנליסטים העריכו את גובה הרכישה שלה בסכום שבין 350-400 מיליון דולר. פריור לאבס ממוקמת בברלין, גייסה 9.3 מיליון דולר ורכישתה מוערכת ב-20 מיליון. דרמיו בנתה פלטפורמת ניהול נתונים, שיכולה לאחסן ולנתח כמויות גדולות של מידע עסקי. סוכן AI מובנה מאפשר למשתמשים להריץ שאילתות בלא לכתוב קוד SQL. הפלטפורמה בנויה על שני פרויקטים בקוד פתוח, Apache Iceberg ו-Apache Polaris – עובדה ששיחקה תפקיד מרכזי בהחלטת סאפ לרכישתה. הענקית הגרמנית תעשה שימוש בטכנולוגיה של דרמיו כדי לשפר את היצע ענן הנתונים העסקי (ה-Business Data Cloud) שלה. זהו שירות ענני, שמאפשר לארגונים לשלב מערכי נתונים ממקורות שונים ולהפוך אותם לזמינים לעבודה מול מודלים של בינה מלאכותית. פיליפ הרציג, סמנכ"ל הטכנולוגיות של סאפ, אמר כי "הבינה המלאכותית ארגונית לא מתעכבת משום שהמודלים לא מספיק טובים. זה נעצר כי הנתונים לא מוכנים לטיפול על ידי סוכני AI. דרמיו מבטלת את צוואר הבקבוק הזה". "המטרה: להריץ עומסי עבודה אנליטיים ו-AI ביותר מהירות ויעילות" בעוד שהטכנולוגיה של דרמיו מקלה על ניהול הנתונים שנמצאים בטבלאות, פריור לאבס מתמקדת בסיוע למשתמשים לנתח אותם. החברה פיתחה מודל בינה מלאכותית בשם TabPFN-2.5, שמותאם במיוחד לעיבוד מידע שמאוחסן בשורות ועמודות. כך הוא יכול למכן משימות ידניות. סאפ תשלב את הטכנולוגיה של פריור לאבס בכמה מהמוצרים שלה, לרבות ענן הנתונים העסקי. הצוות של הנרכשת ימשיך לפעול באופן עצמאי בסאפ. לפי סאפ, "הרכישות נועדו להאיץ את הבינה המלאכותית הסוכנית ולהרחיב את יכולת SAP Business Data Cloud לשלב נתונים SAP-יים ולא SAP-יים, כדי להריץ עומסי עבודה אנליטיים ובינה מלאכותית בצורה יעילה יותר, ובזמן אמת".

לאחר הפוגת מלחמה קצרה, אנחנו חוזרים לסדרת המדריכים שלנו למנהלים בכירים, שאני מכנה "ה-AI ואתם". או אתן. אחרי המנמ"ר, המנכ"ל, ה-CTO, סמנכ"ל התפעול, ה-CFO וסמנכ"ל השיווק, הגיע תורם – ובדרך כלל תורן – של מנהלי.ות משאבי האנוש. מחלקת משאבי האנוש, או ה-HR, היא המקום שבו הטכנולוגיה פוגשת את החומר הכי רגיש בארגון: האנשים. בדיוק בגלל זה, הבינה המלאכותית יכולה להיות מכפיל כוח אמיתי עבור מנהל משאבי האנוש – או מכפיל סיכונים, במיוחד כשזה נוגע לאפליה בגיוס עובדים או בקידום. בפסקאות הבאות נציע לכם.ן מה לעשות וממה להיזהר. שלוש התועלות המרכזיות של ה-AI – גם למנהלי.ות ה-HR כפי שלמדנו מהמדריכים הקודמים לעמיתיכם (ולעמיתיכן – מעתה, כפי שכותבים במודעות דרושים, הניסוח בלשון זכר אך מיועד לכל המגדרים) בהנהלת החברה, לבינה המלאכותית יש שלוש תועלות מרכזיות שחוזרות על עצמן: הראשונה היא זמן. ה-AI מורידה עומס מהעבודה התפעולית. היא יכולה לנסח מודעות דרושים, לכתוב טיוטות מיילים, לסכם שיחות, להכין שאלות ראיון מובנות ואפילו לבצע ראיונות שלמים במקומכם, להפיק מסמכי קליטה ולכתוב הודעות פנים ארגוניות. זה לא גימיק – זה להחזיר לכם זמן שבעבר הייתם צריכים להשקיע אותו בלית ברירה. עכשיו יש לכם כזו. השנייה היא שיפור החלטות. כשמחברים נתוני גיוס, חניכה, למידה, תחלופה, היעדרויות ומבנה ארגוני, אפשר לזהות דפוסים שלא תמיד נראים לעין. זה מאפשר להציע התערבויות כוח אדם מדויקות יותר: איפה לחזק מנהלים, היכן לשנות תהליך קליטה ואיפה להשקיע בהכשרה פנימית, כדי להימנע מעוד גיוס חיצוני. התועלת השלישית היא עקביות. בארגונים גדולים, המדיניות בדרך כלל טובה, אבל היישום – לא תמיד. עוזרים מבוססי בינה מלאכותית יכולים לייצר שפה אחידה לתהליכי משוב, להציע תבניות עבודה קבועות למנהלים, ולהזכיר נקודות שמונעות טעויות קלאסיות בתקשורת עם עובדים. בסופו של דבר, זה הכול למענם.ן – עודות ועובדי ההיי-טק. צילום: ג'מיני שלושה שלבים בשלב הראשון, כדאי לכם להשתמש ב-AI לשימושים תפעוליים בסיכון נמוך. כאן המטרה היא להחזיר זמן ולבנות הרגלי עבודה. דוגמאות שכמעט תמיד מצליחות: ניסוח מודעות דרושים ושיפור ניסוחי תפקיד, תקצירי ראיונות אוטומטיים, הכנת שאלות ראיון עקביות, כתיבת טיוטות מכתבים לעובדים ותבניות הודעות פנימיות. בכולם הסיכון הוא נמוך. אלה משימות שקל להטמיע לתוכן כלי בינה מלאכותית ולקבל תוצאות מיידיות. השלב השני הוא שימושים תומכי החלטה – אך לא מחליפים אותה. כאן נכנסים כלי התאמה מבוססי כישורים בגיוס, ניתוח אפקטיביות חניכה, מיפוי מיומנויות והצעות למסלולי למידה לעובדים קיימים. העיקרון הוא שהמערכת מציעה והאדם מחליט, תוך תיעוד והסבר. לבסוף, השלב השלישי, והמתקדם יותר, הוא אנליטיקה פעילה: זיהוי סיכון לעזיבה של עובד.ת, הערכות עומס ושחיקה, ופערי קידום בין יחידות או אוכלוסיות. זה המקום שבו חייבים משמעת ניהולית גבוהה, כי ניבוי הוא התראה – לא פסק דין בגיוס או פיטורים. אחרת אתם באמת עלולים להטריח את עורכי הדין והמנהלים של הארגון להגיע לבית הדין לעבודה. להפוך את המנהלים למגייסים בגיוס עובדים, הבינה המלאכותית יכולה לקצר זמני תגובה ולשפר איכות החלטות, בעיקר כשמפסיקים להתייחס אליה כסוג של מאגיה שחורה, אלא כערכת כלים: ברמת התפעול, היא יכולה לחדד פרופיל תפקיד מתוך תיאור עמום של מנהל מגייס, להציע ניסוחים שמדברים בשפה של קהלי יעד שונים ולהכין ערכת שאלות ראיון מובנות, שמפחיתה את הנטייה המאוד אנושית לראיונות אינטואיטיביים מדי. היא מאפשרת לסיכומי ראיונות להפוך לאחידים, כך שאפשר להשוות מועמדים על בסיס אותם פרמטרים ולא על בסיס מי היה יותר כריזמטי בראיון, או יצר תחושת קרבה עם המראיין, כי יש להם חבר משותף מחטיבת הביניים. ברמת הסיוע בהחלטה, אפשר להשתמש בכלי התאמה שמציעים רשימת מועמדים מתאימים לפי מיומנויות וניסיון. כאן חשוב להגדיר כלל עבודה שמונע נעילה על דפוסי עבר, לדוגמה כשהצוות בוחן גם מדגם מוגדר של מועמדים מחוץ לקבוצה העליונה שהמערכת הציעה, בבחינת "איפכא מסתברא" למערכת, ולבדוק גם מועמדים שהמערכת סיננה. זאת נשמע טרחה קטנה, אבל זאת דרך יעילה להקטין הטיות ולשפר גיוון בלי להפוך את הגיוס למלחמה אידיאולוגית. ומילה על ראיונות וידיאו וסינון אוטומטי: אם הכלי מנתח התנהגות או טון, זה דורש זהירות כפולה. כשהבינה המלאכותית מתיימרת לקרוא בין השורות, היא לפעמים פשוט קוראת את השורות הלא נכונות. ראיונות עבודה ב-AI הפכו באחרונה לסוג של אופנה בארגונים בארצות הברית, אבל הם גם כלי מסוכן, שיוצר מרמור ואנטגוניזם כלפי הארגון המראיין ולהניא מועמדים טובים מלהתמודד על המשרה. אם אתם יוצאים לדרך עם שימוש תפעולי שמחזיר זמן, ממשיכים לשימושים שמסייעים להחלטה,ומגדירים מראש כללים, הסבריות ומדידה – הבינה המלאכותית יכולה להפוך את מחלקת משאבי האנוש שלכם ליחידה חזקה יותר, ולא לכזו שמתנצלת יותר מגיליונות לקפיצת מיומנויות אחד היישומים הכי חזקים בבינה מלאכותית במחלקת משאבי האנוש הוא מעבר מניהול הכשרות לניהול מיומנויות. במקום להחליט על קורסים לפי צו האופנה או לחץ של מנהלים שראו משהו מגניב בארגון מתחרה, אפשר למפות פערי מיומנויות אמיתיים לפי דרישות תפקידים, פרויקטים וכלים ארגוניים. ה-AI יכולה להציע מסלולי למידה מותאמים לתפקיד או לעובד, להמליץ על תרגול מעשי תוך כדי העבודה ולהציע שיבוץ להזדמנויות פנימיות. התועלת כאן היא גם עסקית: כשאפשר להראות קשר בין הכשרה לבין ביצועים או צמצום תחלופה, השיחה עם ההנהלה והכספים הופכת קלה יותר, ומבוססת פחות על אמונה. גם עובדים יכולים להיות מרוצים כשמוצעים להם קידומים פנימיים והזדמנויות פתוחות, במקום שיצטרכו לסרוק את לוח השעם בפינת הקפה. עוזר דיגיטלי לעובדים יכול להוריד עומס עצום מפניות חוזרות: בקשות חופשה, נהלים, הטבות, טפסים ותהליכי קליטה. כשהסוכן האוטומטי מוגדר כראוי, העובד מקבל תשובה מיידית והצוות מתפנה לטפל במקרים מיוחדים, שבהם נדרשים רגישות ושיקול דעת. ברם, כדי שזה לא יהפוך למכונת תשובות שגויות, שני תנאים חייבים להתקיים: הראשון הוא שהעוזר נשען על מאגר ידע ארגוני מאושר ומעודכן, והשני הוא מסלול ברור להעברה לנציג אנושי ושפה שלא גורמת לעובדים להרגיש שהם מדברים עם רובוט. ביצועים ורווחה: תובנות בלי ליצור תרבות של חשד ה-AI יכולה לעזור לזהות עומסים, נקודות חיכוך ופערים בין יחידות, ולעתים גם סימנים מוקדמים לשחיקה או נטישה. אבל כאן נמצא גם מוקד רגיש: הדרך שבה מודדים עלולה להשפיע על ההתנהגות. באחרונה קיימו במטא ניסוי פנימי, שדירג את רמות השימוש של עובדים בבינה מלאכותית כמדד לקידום. אחרי שהתגלה שאנשים כמו מארק צוקרברג בעצמו וסמנכ"ל התוכנה לא נמצאים אפילו ב-250 הראשונים בשימוש בטוקני AI, כלי הדירוג הפנימי נסגר. כאן נשאלת השאלה: האם מי שמבזבז הכי הרבה טוקנים על מנועי AI הוא באמת הכי יעיל? לגמרי לא בטוח. זו דוגמה טובה לאיך מדד כמותי משפיע על התנהגות עובדים. לא בין 250 הראשונים. מארק צוקרברג. צילום: מטא הגישה הנכונה היא להשתמש בנתונים מצרפיים ככל האפשר ולהפוך את התוצר להמלצה ניהולית: שינוי חלוקת עומסים, חיזוק חניכה או התערבות במבנה צוות. גישה בעייתית היא להציג ציונים אישיים או ליצור תחושה שמנטרים אנשים ומכמתים אותם כניסוי מעבדה, במקום לעזור להם. ברגע שעובדים מתחילים להתנהל מול לוח מחוונים ולא מול עבודה אמיתית, לא תקבלו שיפור אמיתי, אבל מה שכן יהיה אמיתי הוא הפגיעה באמון של העובדים. שלושה עוגנים שחייבים לפני שמרחיבים העוגן הראשון הוא כללי שימוש ברורים: מה מותר להכניס לכלים מבוססי בינה מלאכותית, ומה אסור. כלל עבודה פרקטי הוא להפריד בין תוכן תפעולי למידע אישי רגיש. ככל שאתם מתקרבים להערכות אישיות, תלונות, מידע רפואי, שכר או החלטות משמעתיות, כך הסף צריך להיות גבוה יותר, ולעיתים פשוט לא משתמשים בכלי לצרכים האלה. העוגן השני הוא הסבריות ויכולת ערעור. לכל שימוש שמשפיע על החלטה חייבת להיות דרך להסביר לעובד או למועמד מה קרה, וחייבת להיות דרך להעביר בדיקה לאדם. זה לא רק עניין ערכי, אלא גם מה שמקטין התנגדות ומונע תקריות לא נעימות. העוגן השלישי הוא מדידה. בלי מדדים תישארו עם פיילוט נצחי. מדידה לא חייבת להיות מסובכת! בגיוס מודדים זמן לאיוש ואיכות קליטה לאחר מספר חודשים, בשירות מודדים זמן מענה ושביעות רצון ובלמידה – מעבר לתפקידים פנימיים וצמצום גיוסים חיצוניים. כשבוחרים מעט מדדים ומנהלים לפיהם אפשר גם לתקן מהר. אם מדובר בכלי שנוגע לתעסוקה, קידום או סינון מועמדים, אל תסתפקו בהבטחה שהוא “הוגן”. דרשו להבין איך הוא נבדק לאורך זמן ומה אתם יכולים לעשות כשהמציאות בשטח לא מסתדרת עם ההבטחות. AI טובה היא לא זו שאומרת שאין בעיה, כי אם זו שנותנת לכם דרך לזהות בעיה ולתקן. הטמעה מוצלחת של בינה מלאכותית במחלקת משאבי האנוש נראית פשוטה – פחות אדמיניסטרציה, יותר זמן לאנשים, החלטות עקביות יותר ושירות טוב יותר לעובדים. אבל היא דורשת ניהול. לא ניהול של מודלים, אלא של גבולות, אחריות ומדדים. לסיכום, אם אתם יוצאים לדרך עם שימוש תפעולי שמחזיר זמן, ממשיכים לשימושים שמסייעים להחלטה,ומגדירים מראש כללים, הסבריות ומדידה – הבינה המלאכותית יכולה להפוך את מחלקת משאבי האנוש שלכם ליחידה חזקה יותר, ולא לכזו שמתנצלת יותר. וזה שדרוג שיועיל לכל ארגון באשר הוא.