הכותבת: ד"ר ענת קלומל-צוייג, יועצת אסטרטגית בעידן AI , מידענית אנליסטית.

בעידן שבו הבינה המלאכותית הפכה מגימיק טכנולוגי למנוף מרכזי לשיפור תהליכים עסקיים, עולה הצורך בגישה שיטתית להטמעתה. מקינזי, אחת מחברות הייעוץ המובילות בעולם, מציעה שילוב ייחודי בין הבנה מעשית של מגמות טכנולוגיות לבין מודלים ניהוליים מסורתיים – ובראשם מודל 7S – ככלי להטמעה מיטבית.

1. אסטרטגיה (Strategy): מיקוד באימפקט ולא רק בטכנולוגיה

על פי דוח "McKinsey Technology Trends Outlook 2024", בינה מלאכותית יוצרת (Gen AI) היא בין הטכנולוגיות בעלות שיעור האימוץ הגבוה ביותר. מקינזי ממליצה לנסח אסטרטגיה ממוקדת-ערך, ולא להיגרר אחר "הייפ". הארגון נדרש לשאול:

• היכן תוכל AI לייצר יתרון תחרותי?
• איך היא תתמוך ביעדים עסקיים קיימים?
  

2. מבנה (Structure): ארגון מחדש לתמיכה בדינמיקה חדשה

הטמעת AI מחייבת שינוי מבני – החל ביצירת צוותי מומחים וכלה בהגדרת ממשקי עבודה חוצי-מחלקות. מקינזי מיישמת מודל שבו AI משולבת בכל שכבות הארגון ולא רק בצוותי דאטה.

3. מערכות (Systems): תשתיות חכמות לאימוץ בר-קיימא

לצד הכלים, מקינזי מדגישה את החשיבות של מערכות תומכות – מסדי נתונים, פלטפורמות AI, תהליכי אוטומציה – ותיאום מתמיד ביניהם. הדוגמה של Lilli ממחישה כיצד מערכת מבוססת RAG מסוגלת להאיץ קבלת החלטות ולחבר ידע ארגוני.

מערכת מבוססת RAG – קיצור של Retrieval-Augmented Generation – היא ארכיטקטורה שמשלבת בין שליפה של מידע קיים לבין יצירת טקסט חדש באמצעות מודלים של בינה מלאכותית (כמו GPT). הרעיון המרכזי הוא לשפר את הדיוק והאמינות של תשובות שנוצרות על ידי המודל.

איך זה עובד?  מערכת RAG פועלת בשני שלבים עיקריים:

1. Retrieval – שליפה

• המערכת מחפשת מידע רלוונטי ממקורות נתונים קיימים (כמו מסמכים פנימיים, בסיסי ידע, מאגרי שאלות ותשובות).
• השליפה נעשית לרוב על ידי חיפוש סמנטי (לא רק לפי מילות מפתח) באמצעות מנוע embedding או vector search.

2. Augmented Generation – יצירה מועשרת

• לאחר שמידע רלוונטי נשלף, הוא מוזן אל מודל שפה (כמו GPT) שמשתמש בו כדי ליצור תשובה מבוססת, תוך הסתמכות על מקורות השליפה.
• התשובה נחשבת אמינה יותר כי היא נתמכת במידע שנמצא בפועל במסמכים.

יתרונות של RAG

• ✅ אמינות גבוהה יותר – פחות "הזיות" (hallucinations) של המודל.
• ✅ שקיפות – ניתן לצרף ציטוטים/מקורות לתשובות.
• ✅ יכולת עדכון שוטפת – לא צריך לאמן מחדש את המודל כדי לעדכן את המידע.
• ✅ יישום פשוט יחסית – ניתן לחבר לכל מאגר נתונים קיים בארגון.

דוגמה מעשית: "לילי" של מקינזי

• הצ'אטבוט הפנימי Lilli משתמש בגישת RAG כדי לסרוק יותר מ-100,000 מסמכים פנימיים.
• כשעובד שואל שאלה, המערכת שולפת מסמכים רלוונטיים ומזינה אותם ל-GPT כדי לנסח תשובה מדויקת ומגובה.
• המערכת גם מציגה ציטוטים ומקורות מהמסמכים המקוריים, לחיזוק האמון.

4. ערכים משותפים (Shared Values): אתיקה, אמון, וחדשנות
מקינזי רואה ב-AI מנוף תרבותי לא פחות מטכנולוגי. Lilli אינה רק כלי – היא חלק ממהלך תרבותי להנגשת ידע. ערכים כמו שקיפות, שיתוף, ושימוש אתי בטכנולוגיה מהווים תנאי בסיס להטמעה מוצלחת.

5. סגנון ניהולי (Style): מנהיגות שמובילה שינוי

מנהיגות בעידן AI דורשת גישה חדשנית – לא רק בפן הטכנולוגי אלא גם ביכולת להכיל שינוי מהיר, לעודד למידה מתמדת, ולשדר ביטחון בטכנולוגיה. מקינזי עצמה מדגימה הנהגה כזו עם אימוץ מהיר של Lilli בקרב הנהלת הארגון

6. עובדים (Staff): הכשרה, שינוי תפקידים, העצמה

AI לא מחליפה עובדים – היא מעצימה אותם. מקינזי מדווחת כי Lilli חסכה 34% מזמן המחקר לפרויקט אך שיפרה את איכות התוצרים. האתגר המרכזי: reskilling ו-upskilling של עובדים, על מנת לאפשר להם לתפקד בעולמות היברידיים.

7. מיומנויות (Skills): בניית כישורים חדשים ומודלים חדשים של למידה

מקינזי ממליצה להשקיע באופן שיטתי בפיתוח כישורים:

• אוריינות ב-AI
• הבנה עסקית של יכולות מודלים
• ניהול שיקולי אתיקה ודאטה
• דגש מיוחד ניתן לפיתוח "מתווכים טכנולוגיים" – מומחים היודעים לתרגם צורך עסקי לפתרון AI.

שילוב מודל ה-7S עם עקומת האימוץ של מקינזי

באמצעות עקומת ה-S של שלבי אימוץ טכנולוגי – חדשנות, התנסות, פיילוט, סקיילינג ואימוץ מלא – ניתן למקם את הארגון ביחס לבשלות הטכנולוגית. מקינזי מדגישה שלב "סקיילינג" כקריטי: הוא דורש תיאום בין כל 7 הרכיבים של מודל 7S.

🧩 מהו מודל 7S של מקינזי?

מודל 7S הוא כלי ניהולי שפותח ע"י מקינזי בשנות ה-80 כדי לנתח ולבנות ארגונים בצורה הוליסטית. הרעיון המרכזי: כדי להצליח בשינוי ארגוני (כמו הטמעת AI), צריך לתאם שבעה מרכיבים יחד – ולא רק להתמקד בטכנולוגיה או באנשים בלבד.

שבעת הרכיבים הם:

מרכיב	הסבר
Strategy (אסטרטגיה)	מה התוכנית הארגונית? מה החזון? איך AI משתלב בזה?
Structure (מבנה ארגוני)	איך הארגון בנוי? היררכיות, צוותים, אחריות.
Systems (מערכות)	אילו מערכות תומכות קיימות? תוכנה, דאטה, תהליכים.
Shared Values (ערכים משותפים)	תרבות ארגונית, אמון בטכנולוגיה, אתיקה.
Style (סגנון ניהולי)	איך המנהלים מובילים? סגנון אישי, השראה, שינוי.
Staff (כוח אדם)	אילו אנשים מעורבים? מה הרכב הצוותים?
Skills (מיומנויות)	אילו כישורים דרושים להטמעה? Data, AI, פתרון בעיות.

📌 העיקרון החשוב: שינוי באחד מהרכיבים דורש התאמה בשאר. למשל, הכנסת AI (במערכות) בלי להכין את האנשים (Staff) – תיכשל.

📈 מהי עקומת האימוץ (S-Curve)?

העקומה מייצגת את שלבי האימוץ של טכנולוגיה בארגון או בשוק. צורתה דומה לאות S (לכן השם). היא מתארת את הדרך מהרעיון – ועד לאימוץ המלא של טכנולוגיה.

השלבים בעקומת האימוץ לפי מקינזי:

שלב	הסבר	דוגמה בהקשר של AI
Frontier Innovation (חדשנות ראשונית)	מחקר, פיילוטים ראשוניים, סיכון גבוה.	פיתוח מודל שפה חדש במעבדה
Experimentation (התנסות)	ניסויים בארגונים, הוכחות היתכנות.	צוות קטן בודק כלי GPT
Piloting (פיילוט)	בדיקה מעשית בארגון.	ניסוי של צ’אטבוט לשירות לקוחות
Scaling (הרחבה)	הרחבת השימוש לשאר הארגון.	שילוב הכלי בכל המחלקות
Fully Scaled (אימוץ מלא)	הטכנולוגיה הופכת חלק טבעי מהארגון.	כל עובד משתמש בכלי AI בשגרה

📌 לפי מקינזי, בינה מלאכותית יוצרת (Gen AI) נמצאת כיום בשלב הסקיילינג – הרחבה לארגונים רבים.

🎯 למה זה חשוב?

כי כשאתה רוצה להטמיע בינה מלאכותית בארגון, חשוב:

• להבין איפה אתה נמצא על העקומה
• לשלב נכון את כל מרכיבי ה-7S
• לבנות תהליך מדורג, מתואם וכולל – לא רק "להכניס טכנולוגיה"

החזון הישראלי: מכללת בר-אוריין כמובילה בחדשנות AI 

בהקשר הישראלי, מכללת בר-אוריין מובילה מהפכה חדשנית בשילוב AI בחינוך העסקי. ד"ר ענת קלומל-צוייג, יועצת אסטרטגית ומומחית במידענות אנליסטית, פיתחה את מודל הניהול "מערכות מורכבות מסתגלות" לניהול צוותי מידענים בעידן הבינה המלאכותית.

במאמריה מ-2025, ד"ר קלומל-צוייג מדגישה את החשיבות של אינטגרציה של AI וטכנולוגיות מתקדמות למאמצי השיווק, ניהול קמפיינים חדשניים בעידן הבינה המלאכותית, והמהפכה בבריאות הדיגיטלית. כפי שמציינת במאמרה ממרץ 2025, "כשבנק ישראל מתעורר, ד"ר ענת קלומל-צוייג כבר מובילה מהפכה בשוק העבודה עם AI במכללת בר-אוריין משנת 2019 בניהול יום עיון בכנס מידע בטלדן "יישומי מידענות בעולם הבינה המלאכותית".

לקחים אסטרטגיים לחברות ישראליות

1. פיתוח כישורים דגיטלים כמו מידענות, אוריינות דיגיטלית ו – AI 

ד"ר ענת קלומל-צוייג מזהה מקבילה היסטורית חשובה: כשם שהאוריינות הדיגיטלית הפכה לכישור יסוד בתחילת המאה ה-21, כך גם היכולת לעבוד נכון עם כלי בינה מלאכותית הופכת כיום לכישורי עבודה קריטיים. "נסעתי ללמד מידענות בכל הארץ איך מחפשים במנועי חיפוש ובמאגרי מידע," היא נזכרת בתקופה שבה גוגל היה חדשנות מהפכנית. כיום הבינה המלאכותית משנה שוב את כללי המשחק ומאפשרת ייעול דרמטי בעיבוד מידע, אך אתגר מרכזי נשאר זהה: רוב המידע האיכותי עדיין אינו חשוף לציבור, וה-AI מאומן רק על מידע פתוח. לכן, כפי שמדגישה ד"ר קלומל-צוייג, חיפוש מידע יעיל עדיין מצריך מיומנויות מידעניות מתקדמות וחשיבה ביקורתית – במיוחד כאשר נדרש לאמת ולבדוק מידע שהופק על ידי בינה מלאכותית.

2. השקעה בתשתיות נתונים איכותיות

גישת מקינזי מלמדת על החשיבות של בסיס נתונים עשיר ומובנה. לילי מאומנת על 100,000+ מסמכים פנימיים, מה שמדגיש את הצורך בתשתית מידע איכותית ומאורגנת.

במכללת בר-אוריין מכשירים מנהלי ידע וגם דאטה אנליסטים היוצרים דשבורדים המציגים דאטה ויזואלית למקבלי ההחלטות. המידענים והדאטה אנליסטים הופכים מידע גולמי ודאטה גולמית למידע מעובד ומנותח המאפשר קבלת החלטות. 

3. אימוץ הדרגתי ומדוד

המחקר מציין שרק 11% מיישומי AI מוטמעים באופן נרחב, מה שמלמד על הצורך בגישה מדורגת ומתוכננת היטב להטמעת הטכנולוגיה.

4. פיתוח מיומנויות חדשות

דוח מקינזי "McKinsey technology trends outlook 2025" מזהה 15 מגמות טכנולוגיות מרכזיות ומדגיש את הצורך בפיתוח מיומנויות חדשות המתאימות לעידן הדיגיטלי. קישור לדו"ח 

המסקנה: חדשנות אחראית למען עתיד טוב יותר

הגישה של מקינזי מלמדת אותנו שהטמעת בינה מלאכותית איננה רק עניין טכנולוגי, אלא תהליך אסטרטגי מקיף הדורש שינוי תרבותי וארגוני. המודל של מכללת בר-אוריין, בהובלתה של ד"ר קלומל-צוייג, מוכיח שגם בישראל יש את הכישורים והחזון לעמוד בחזית המהפכה הטכנולוגיה הזו.

החברות הישראליות הרוצות להצליח בעידן הבינה המלאכותית צריכות לאמץ גישה הוליסטית הדומה לזו של מקינזי: שילוב נבון בין טכנולוגיה ויכולות אנושיות, השקעה בתשתיות נתונים איכותיות, פיתוח מיומנויות חדשות, ובעיקר – הבנה שהמהפכה הזו מתחילה בבני האדם ובתרבות הארגונית, לא רק בטכנולוגיה עצמה.