מאת: מערכת מכללת בר-אוריין

כולנו מרגישים את זה. פעם מידען היה צריך לדעת "איך למצוא". היום גוגל ו-AI מוצאים הכל בשנייה. פעם איש משרד היה צריך "לתייק ולנהל". היום הכל אוטומטי. אז איפה אנחנו בתוך כל זה?

הבעיה: המחשב חכם, אבל הוא לא חי בשטח

הבינה המלאכותית עברה דרך ארוכה. היא התחילה ביכולת לזהות תמונות, עברה ליכולת לכתוב לנו טקסטים (כמו ChatGPT), ועכשיו היא מגיעה לשלב הכי חשוב: השלב שבו היא צריכה להבין את העולם האמיתי.

מנכ"ל Nvidia קורא לזה "בינה פיזיקלית". במילים פשוטות? זה השלב שבו המחשב צריך להבין לא רק מילים, אלא איך דברים עובדים באמת – במפעל, באתר בנייה או בניהול מלאי של חנות. הוא קורא לזה רובוטיקה, אבל עבורנו זה אומר דבר אחד: הערך שלנו עובר מהמסך אל השטח.

העולם עובר מהפכה שאינה מסתכמת עוד ב"צ'אט" חכם. ג'נסן הואנג, מנכ"ל Nvidia, הציג לאחרונה בפורום Hill & Valley את מפת הדרכים של הבינה המלאכותית. 

הוא שרטט את האבולוציה המרתקת של ה – AI: 

מבינה תפיסתית (Perception) ויוצרת (Generative), דרך בינה חושבת (Reasoning) ועד ליעד הסופי – בינה מלאכותית פיזיקלית. זהו הגל שבו ה-AI לומד את חוקי הפיזיקה, הסיבתיות והמרחב כדי להניע את עולם הרובוטיקה והתשתיות.

כשה-AI מבינה פיזיקה, היא יכולה להפעיל רובוטים, לנהל מחסנים חכמים, לתכנן תשתיות חשמל ולשלוט במפעלים שלמים.

הבנת האבולוציה הזו היא המפתח להבנת מסלול ההכשרה המקצועי שאנו מובילים במכללת בר-אוריין.

📈 שלוש המדרגות: האבולוציה של ה-AI לפי Nvidia

לדברי הואנג, הבינה המלאכותית התפתחה בשלושה גלים מרכזיים, כשהרביעי כבר כאן:

1. בינה מלאכותית תפיסתית (Perception AI): הגל הראשון עסק ביכולת של המכונה "לראות" ולזהות – זיהוי פנים, אובייקטים ותבניות פשוטות.
2. בינה מלאכותית יוצרת (Generative AI): הגל שפרץ לחיינו לאחרונה. היכולת ליצור תוכן חדש (טקסט, תמונה, קוד) על בסיס מידע קיים.
3. בינה מלאכותית חושבת (Reasoning AI): זהו הגל הנוכחי. AI שמסוגל להבין הקשרים עמוקים, לפתור בעיות מורכבות ולהסיק מסקנות במצבים חדשים שלא נתקל בהם בעבר.
4. בינה מלאכותית פיזיקלית (Physical AI): זהו העתיד המיידי. AI שמבין את חוקי הפיזיקה, הסיבתיות והמרחב. כשה-Reasoning AI נכנס לתוך אובייקט פיזי, אנו מקבלים רובוטיקה מתקדמת המנהלת מפעלים, תשתיות וערים חכמות.

בעוד העולם הטכנולוגי מנסה להבין את ההשלכות, ד"ר ענת קלומל-צוייג, מייסדת מכללת בר-אוריין, כבר מציעה את המתודולוגיה היישומית לניהול המהפכה הזו דרך מודל המערכות המורכבות המסתגלות.

🏛️ החיבור למודל בר-אוריין: הכשרה למערכות מורכבות

במכללת בר-אוריין, תחת הסלוגן "AI כבר כאן ולכולם", אנו לא רק עוקבים אחרי הגלים הללו – אנו בונים את כוח האדם שינווט בהם. המודל של ד"ר ענת קלומל-צוייג לניהול "מערכות מורכבות מסתגלות לשינויים" הוא המענה הישיר לאבולוציה זו:

 

🔍 ממידענות לייעוץ אסטרטגי

בעבר, התמקדה ד"ר קלומל-צוייג בבינה מלאכותית ככלי עזר במידענות – היכולת לאתר, לזקק ולנהל מידע (מקביל ל-Perception AI). היום, עם המעבר ל-Reasoning ו-Physical AI, המיקוד עובר לייעוץ אסטרטגי.

איך זה מתחבר להכשרה המקצועית?

• הבנת הסיבתיות: בדיוק כפי שה-Physical AI חייב להבין "סיבה ותוצאה" בשטח הפיזי, היועץ האסטרטגי של בר-אוריין לומד לזהות סיבה ותוצאה במערכות ארגוניות מורכבות.
• קביעות האובייקט בניהול: הואנג מדבר על הבנה שהאובייקט קיים גם כשאינו נראה. במודל המכללה, זהו ניהול המידע ה"סמוי" מהעין – זיהוי מגמות שוק ואיומים אסטרטגיים לפני שהם הופכים למציאות מוחשית.
• הסתגלות לשינויים: אם ה-AI הופך לפיזי (רובוטים, מפעלים חכמים), המנהלים והיועצים חייבים לדעת לנהל סביבות עבודה דינמיות. המודל של ד"ר ענת מלמד איך לבנות אסטרטגיה גמישה שאינה נשברת כשהפיזיקה של השוק משתנה.

💡 השורה התחתונה לאנשי המקצוע

האבולוציה של ה-AI דורשת מאיתנו לעבור מ"מבצעים" ל"מתכננים". הקורסים במכללת בר-אוריין – ממידענות ודאטה ועד ניהול Tech Office וייעוץ אסטרטגי – מעניקים לכם את הReasoning (ההיגיון) שמאחורי ה-AI.

אנחנו לא רק מלמדים אתכם להשתמש ב-AI; אנחנו מכשירים אתכם להיות אלו שמנהלים את המערכות המורכבות שבהן ה-AI הפיזיקלי פועל.

מתודולוגיית העבודה של היועץ: המודל של ד"ר ענת קלומל-צוייג בפעולה

אבולוציית ה-AI והמענה המידעני-אסטרטגי

המעבר לבינה פיזיקלית דורש מאנשי המקצוע להפסיק להיות "מפעילים" ולהפוך ל"יועצים אסטרטגיים". השילוב בין החזון של Nvidia למודלים של ד"ר קלומל-צוייג יוצר את פרוטוקול העבודה החדש: היועץ האסטרטגי בשיטת בר-אוריין אינו מסתמך על תחושות בטן, אלא על תהליך מובנה ומדעי של זיהוי הזדמנויות והובלה לצמיחה. כך זה נראה שלב אחר שלב:

שלב א': מבט החוצה – מידענות אנליסטית ותוצאתית

לפני שמתחילים תהליכי ייעוץ לחברה, היועץ פועל כ"סורק שטח". באמצעות מידענות אנליסטית הוא בוחן את המגמות העולמיות (כמו גלי ה-AI שתיאר מנכ"ל Nvidia).

מה עושים? משתמשים במודל מידענות תוצאתית כדי להבין אילו שינויים חיצוניים – טכנולוגיים, כלכליים או רגולטוריים – עומדים להשפיע על העסק. זהו "מד שינוי השינויים" שמאפשר לנו לצפות את הנולד.

בפרקטיקה שלב האבחון הוא תהליכי מידענות אנליסטית ותוצאתית

לפי המודל של ד"ר ענת, הייעוץ מתחיל ב"מבט החוצה". היועץ משתמש במידענות תוצאתית כדי לסרוק את השינויים לפי מודל "מד שינוי השינויים".

הקשר ל-Physical AI: כדי לייעץ לחברה המקימה תשתיות או משתמשת ברובוטיקה, עלינו להבין את המגמות החיצוניות (רגולציה, אנרגיה, טכנולוגיה) עוד לפני שהן משפיעות על העסק.

שלב ב': מבט פנימה – צלילה לדאטה הארגוני

אחרי שהבנו מה קורה בחוץ, היועץ בודק את ה"מערכת החיסונית" והמשאבים של החברה.

מה עושים? ניתוח מעמיק של הדאטה הפנים-ארגונית. אנחנו בוחנים את המידע והידע שנצבר בארגון (מהמכירות ועד לתהליכי העבודה בשטח) כדי לזהות חוזקות ופערים.

בפרקטיקה ניתוח דאטה פנים-ארגוני (על ידי כלים כמו אקסל Power Query , Power BI , SQL , פייתון ועוד) ויצירת דשבורדים שמציגים את הדאטה באופן ויזואלי ומאפשרים למקבלי החלטות להבין את הדאטה ולפעול באופן מהיר ותואם למציאות האמיתית. 

לאחר הבנת המגמות, היועץ צולל אל המידע והידע הקיים בתוך הארגון.

היישום: זיהוי הנכסים הדיגיטליים והפיזיים של החברה. יועץ בשיטת בר-אוריין בונה את הקשר שבין הדאטה במשרד לבין הפעילות בשטח, ובכך מטמיע את "קביעות האובייקט" הניהולית – היכולת לנהל משאבים גם כשהם סמויים מן העין.

שלב ג': ניתוח ויצירת האסטרטגיה

זהו השלב שבו המידע הופך לכוח. היועץ משתמש במודלים של חשיבה יצירתית, עסקית ואסטרטגית כדי לחבר את הנקודות.

מה עושים? מעבדים את כל הנתונים שנאספו (מהחוץ ומהפנים) כדי לבנות מפת דרכים לצמיחה. היועץ מגדיר איך החברה יכולה להשתמש בבינה המלאכותית הפיזיקלית כדי לייעל את עצמה ולהוביל את השוק שלה.

בפרקטיקה מבצעים את האנליזה של המידע  והדאטה (שלב הפיצוח: שילוב של חשיבה יצירתית ואסטרטגית) ומקבלים החלטות אסטרטגיות. 

כאן מתרחש המעבר ל-Reasoning AI (בינה חושבת). היועץ משתמש במודלים ייחודיים לחשיבה עסקית כדי לחבר את מגמות השוק עם יכולות הארגון.

הפריצה של ד"ר ענת: בניית מפת דרכים לצמיחה שאינה מבוססת רק על אוטומציה, אלא על יצירת ערך חדש וזיהוי הזדמנויות בשוק ההון ובתשתיות.

שלב ד': הובלה לצמיחה (מערכת מסתגלת)

היועץ לא רק מגיש דוח, הוא מוביל את החברה לשינוי בפועל. מה עושים? הטמעת המסקנות בשטח, הדרכת הצוות והפיכת הארגון למערכת מורכבת מסתגלת. כך, החברה הופכת לישות חיה שיודעת לצמוח מתוך השינויים של עידן ה-AI ולא רק לשרוד אותם.

תהליכי הייעוץ האסטרטגי בעידן ה AI הפיזיקלי 

דבריו של מנכ"ל Nvidia מאששים את מה שד"ר ענת קלומל-צוייג מקדמת מזה שנים: ה-AI הוא לא המטרה, הוא הכלי. בעולם שבו הבינה הופכת לפיזיקלית, הצורך ביועצים אסטרטגיים שיודעים לנתח מידע במודלים של מערכות מורכבות הוא קריטי מתמיד. כשעולם הטכנולוגיה פוגש את העולם האמיתי, נוצרת "מערכת מורכבת". זה נשמע מפוצץ, אבל זה בסך הכל אומר שהכל קשור בהכל: השוק משתנה, המחירים קופצים, הטכנולוגיה מתעדכנת – והעסק צריך להמשיך לעבוד.

הפתרון של ד"ר ענת קלומל-צוייג מבוסס על שלושה צעדים פשוטים:

1. מידענות תוצאתית (להבין מה קורה בחוץ): אנחנו כבר לא רק מחפשים מידע. אנחנו בודקים אילו שינויים בחוץ הולכים להשפיע על העסק שלנו מחר. אנחנו ה"גשש" של הארגון.
2. דאטה פנים-ארגוני (להבין מה קורה בפנים): אנחנו בודקים מה יש לנו בידיים – איזה ידע ואיזה מידע נצבר אצלנו בחברה, כדי שלא נצטרך להמציא את הגלגל בכל פעם מחדש.
3. אסטרטגיה של צמיחה (לחבר את הנקודות): כאן אנחנו משתמשים בראש שלנו (ובעזרת AI) כדי להחליט: איך המידע מהחוץ והמידע מהפנים עוזרים לנו לגדול?

מכללת בר-אוריין, תחת הנהגתה, היא המוסד היחיד שמחבר בין האבולוציה הטכנולוגית לבין היישום האסטרטגי בשטח – תחת הסלוגן המחייב: "AI כבר כאן ולכולם".

 

 

ההקבלה ההיסטורית: מהדיגיטציה ל-AI

בתחילת המאה ה-21, כאשר האינטרנט החל לחדור לכל תחום בחיים, נוצר פער עמוק בין היכולת הטכנולוגית החדשה לבין הכישורים הנדרשים לניצולה האפקטיבי. ד"ר ענת קלומל-צוייג זוכרת היטב את התקופה שבה "נסעה ללמד מידענות בכל הארץ כיצד מחפשים מידע במנוע חיפוש גוגל ומנועי חיפוש נוספים". התקופה הזו, שנראית היום כמעט נאיבית, הייתה מהפכנית באמת – האוריינות הדיגיטלית הפכה לכישור יסוד כמו קריאה וכתיבה.

כיום אנו עומדים בפני מעבר דומה, אך עמוק עוד יותר. הבינה המלאכותית משנה את כללי המשחק, בדיוק כפי שגוגל שינה את כללי איסוף המידע לפני שני עשורים. אולם שינוי זה מורכב יותר – הוא לא רק מאפשר גישה למידע, אלא משנה את עצם אופן עיבוד, ניתוח ויצירת המידע.

האבולוציה של מיומנויות המידענות

שנות ה-2000: המהפכה הדיגיטלית הראשונה

בתחילת הדרך, המיומנויות הנדרשות היו יחסית פשוטות אך מהפכניות:

כישורי חיפוש בסיסיים:

• שימוש באופרטורים בוליאניים (AND, OR, NOT)
• חיפוש בביטויים מדויקים באמצעות מרכאות
• שימוש בחיפוש מתקדם וסינון תוצאות
• הבנת מגבלות מנועי החיפוש השונים

הבנת מאגרי מידע:

• ניווט במאגרים אקדמיים ומקצועיים
• הבנת ההבדל בין מידע פתוח למידע מוגבל
• שימוש בכלי מחקר מתמחים לפי תחומי ידע

הערכת מהימנות המקורות:

• בדיקת מקור המידע ומחברו
• הערכת תאריך הפרסום ורלוונטיות
• השוואה בין מקורות מרובים
• הבחנה בין מידע אובייקטיבי לסובייקטיבי

2025: המהפכה השנייה – עידן הבינה המלאכותית

כיום, כפי שמסבירה ד"ר קלומל-צוייג, "הבינה מלאכותית מאפשרת ייעול בעיקר בעיבוד מידע", אך היא גם יוצרת אתגרים חדשים ומורכבים יותר:

מיומנויות Prompt Engineering:

• יצירת שאילתות מובנות ומדויקות לכלי AI
• הבנת המגבלות והיכולות של מודלים שונים
• שימוש בטכניקות "חיפוש בעזרת הקשר" (contextual search)
• התאמת סגנון השאילתה לסוג המידע הנדרש

אוריינות AI-מידענית:

• הבנת אופן עבודת מודלי שפה גדולים (LLMs)
• זיהוי של "הזיות AI" (hallucinations) ותוכן מטעה
• הבחנה בין מידע שהופק על ידי AI למידע ממקור אנושי
• שימוש נכון בכלי AI כנקודת התחלה, לא כמקור סופי

חשיבה ביקורתית מתקדמת:

• אימות צולב של תוכן שהופק על ידי AI
• הבנת הטיות אלגוריתמיות ומגבלות מודלים
• שילוב בין תובנות AI לבין מחקר מסורתי
• פיתוח "חושי מידענות" לזיהוי תוכן מפוקפק

המורכבות החדשה: כאשר המידע "נראה" אמין

אחד האתגרים הגדולים ביותר בעידן ה-AI הוא שהתוכן המופק נראה מקצועי, מובנה ומשכנע – גם כאשר הוא שגוי. בניגוד לתקופת הדיגיטציה הראשונה, שבה היה יחסית קל לזהות מקורות לא מהימנים (עיצוב גרוע, שגיאות כתיב, מבנה לא ברור), כלי ה-AI יוצרים תוכן בעל מראה מקצועי שעלול להטעות גם מומחים.

"עדיין רוב המידע אינו חשוף לציבור"

תובנה מהותית של ד"ר קלומל-צוייג היא שלמרות המהפכה הטכנולוגית, "עדיין רוב המידע אינו חשוף לציבור". מצב זה יוצר שני אתגרים מרכזיים:

האתגר הראשון – פערי גישה למידע:

• מידע אקדמי ומחקרי נשאר מאחורי חומות תשלום
• מסדי נתונים ממשלתיים ותאגידיים אינם נגישים לציבור
• מידע מקצועי מתמחה נשאר בקהילות סגורות
• AI מאומן על מידע פתוח בלבד, יוצר תמונה חלקית

האתגר השני – תלות יתר ב-AI:

• סיכון לאובדן כישורי מחקר מסורתיים
• פיתוח "עצלות מידענית" – הסתמכות על תשובות מהירות
• התרחקות ממקורות ראשוניים ומחקר מעמיק
• פגיעה ביכולת הערכה ביקורתית עצמאית

המודל החדש: כישורי מידענות היברידיים

ד"ר קלומל-צוייג מציעה גישה היברידית המשלבת את הכישורים המסורתיים עם הדרישות החדשות:

שלב 1: הכנה וזיהוי צרכים

לפני השימוש ב-AI:

• הגדרה ברורה של שאלת המחקר
• מיפוי מקורות מידע פוטנציאליים (כולל מה שאינו נגיש ל-AI)
• קביעת סטנדרטים למהימנות ודיוק הנדרש

שלב 2: חיפוש משולב

שילוב כלי AI עם מחקר מסורתי:

• שימוש ב-AI לסקירה ראשונית ויצירת מפת מושגים
• חיפוש ממוקד במאגרי מידע מקצועיים
• אימות צולב בין מקורות AI למקורות מסורתיים

שלב 3: הערכה ביקורתית מתקדמת

בדיקת איכות ומהימנות:

• בדיקת עקביות פנימית של המידע
• השוואה למקורות מוסמכים ובלתי תלויים
• זיהוי פערים או סתירות במידע
• הערכת רלוונטיות לשאלת המחקר המקורית

יישום פרקטי: מכללת בר-אוריין כמודל

התפיסה של ד"ר קלומל-צוייג מיושמת בפועל במכללת בר-אוריין, שם היא מפתחת תוכניות הכשרה לעידן ה-AI. הגישה כוללת:

הכשרה בסיסית (כל הסטודנטים):

• אוריינות AI בסיסית – הבנת יכולות ומגבלות
• כישורי prompt engineering מעשיים
• זיהוי תוכן שהופק על ידי AI ובדיקתו
• עקרונות חשיבה ביקורתית בעידן הדיגיטלי

הכשרה מתקדמת (מידענים ואנליסטים):

• מתודולוגיות מחקר היברידיות AI-אנושי
• ניתוח נתונים מתקדם עם כלי AI
• פיתוח מערכות בקרת איכות למידע
• הובלת פרויקטי מידענות ארגוניים

הכשרה מומחים (חוקרים ויועצים):

• פיתוח כלי AI מותאמים אישית
• ניהול מידע ארגוני בעידן ה-AI
• הובלת שינוי ארגוני מבוסס מידע
• מחקר מתקדם בטכנולוגיות מידענות חדשות

המבט לעתיד: מה צפוי לנו?

הניתוח של ד"ר קלומל-צוייג מצביע על כמה מגמות משמעותיות:

מגמה 1: התמחות מתקדמת

כישורי המידענות יהפכו למתמחים יותר, עם דרישה לידע מעמיק בתחומי נישה ספציפיים. לא יספיק להיות "מידען כללי" – נדרש יהיה הידע המקצועי לצד כישורי ה-AI.

מגמה 2: שיתוף פעולה אדם-מכונה

העתיד לא ב"AI שמחליף אנשים" אלא ב"אנשים שעובדים עם AI בצורה חכמה". המידענים המובילים יהיו אלה שידעו לנצל את כוח ה-AI תוך שמירה על חשיבה עצמאית וביקורתית.

מגמה 3: חשיבות הקשר וניואנסים

ככל שה-AI נהיה מתקדם יותר, הערך הייחודי של האדם יהיה בהבנת הקשרים, ניואנסים תרבותיים, והיכולת לחבר בין תחומי ידע שונים בדרכים יצירתיות.

המסר המרכזי: פיתוח מיומנויות חדשות וחשיבה יצירתית מתקדמת

ד"ר קלומל-צוייג מסכמת בבהירות: "הבינה מלאכותית מאפשרת ייעול בעיקר בעיבוד מידע, אך עדיין חיפוש מידע מצריך מיומנויות מידעניות וחשיבה ביקורתית". המסר אינו על איזון בין יעילות לעומק, אלא על פיתוח מיומנויות חדשות לחלוטין – כישורים שלא היו קיימים בעבר.

העתיד שייך למידענים, אנליסטים, חוקרים, יועצים ומנהלי ידע שיפתחו חשיבה יצירתית מתקדמת – היכולת לחשוב מחוץ לקופסה על אופן שילוב ה-AI בתהליכי המחקר, לפתח שיטות חדשות לאימות מידע, וליצור גישות חדשניות לניתוח מידע שמשלבות אינטואיציה אנושית עם כוח חישובי.

המהפכה חורגת הרבה מעבר למידענות מסורתית: מנהלי פרויקטים צריכים ללמוד כיצד לנהל צוותים היברידיים של בני אדם ו-AI, אנשי שיווק צריכים לפתח יכולות ליצירת תוכן מותאם אישית בקנה מידה, מנהלי משאבי אנוש צריכים להבין כיצד לגייס ולפתח כישורים שעדיין לא קיימים בשוק, ומנהלים בכירים צריכים ללמוד כיצד לקבל החלטות אסטרטגיות מבוססות על תובנות AI מורכבות.

המטרה היא לא להפוך לתלויים ב-AI או להתנגד לו, אלא לחדש מקצועות שלמים מהיסוד – לפתח כישורים שלא קיימים עדיין בשוק העבודה ולהוביל את השינוי במקום להיגרר אחריו. זו מהפכה מקצועית רחבת היקף שדורשת מכל עובד ידע לחשוב מחדש על עצם זהותו המקצועית ולהמציא דרכי עבודה חדשות שמנצלות את מלוא הפוטנציאל של הטכנולוגיות המתפתחות.

הכותבת: ד"ר ענת קלומל-צוייג יועצת אסטרטגית בעידן AI , מידענית אנליסטית. הובילה והרצתה את לימודי מידענות ארגונית במסגרת האוניברסיטה הפתוחה והקימה את מכללת בר-אוריין למידענות, דאטה אנליסט ובינה מלאכותית.

המפגש בין מידענות תוצאתית לבינה מלאכותית

 

המודל של מידענות תוצאתית שפיתחה ד"ר ענת קלומל-צוייג במחקר הדוקטורט שלה מקבל משמעות חדשה ועוצמה מתוחכמת יותר בעידן הבינה המלאכותית. הגישה התוצאתית, שמדגישה את התוצאות הסופיות ואת השגתן כיעד המכתיב של הפעילות, מתאימה באופן מושלם לאתגרים החדשים שיוצרת מהפכת ה-AI.

בעוד שבעבר המודל התמקד בהתגברות על מגבלות איסוף מידע מסורתיות כמו עומס מידע ודיסאינפורמציה, כיום הוא מספק מענה מדויק למציאות שבה בינה מלאכותית מייצרת כמויות אינסופיות של מידע, אך לא בהכרח מידע שמוביל לפעולה ותוצאות עסקיות.

 

השינוי הפרדיגמטי: מ"חיפוש מידע" ל"הנעת תוצאות עם AI"האתגר החדש: עודף מידע ב"איכות גבוהה"

בעידן הבינה המלאכותית, האתגר המרכזי אינו חוסר מידע אלא עודף מידע שנראה איכותי ומקצועי. כלי AI מסוגלים להפיק תוכן מובנה, מנותח ומשכנע בכמויות עצומות, אך ללא הכוונה תוצאתית ברורה, זה הופך ל"רעש מידעני" מתוחכם.

מודל המידענות התוצאתית מספק פתרון יעיל לאתגר זה: התחלה מהתוצאה הרצויה ולא מהטכנולוגיה הזמינה. השאלה הראשונה אינה "מה ה-AI יכול לספק?" אלא "איזו תוצאה עסקית אנחנו רוצים להשיג?"

מימוש חדש לעקרונות המודל

מרכז הכובד על התוצאה מקבל משמעות חדשה: במקום להתמקד ביכולות ה-AI, המידען התוצאתי מתמקד בשאלה איזו החלטה עסקית צריכה להתקבל, ורק לאחר מכן בוחר את כלי ה-AI המתאימים ביותר להשגת מטרה זו.

מדידת איכות על פי תוצאות הופכת קריטית יותר: כאשר AI מייצר תוכן "מושלם" מבחינה טכנית, הקריטריון היחיד לאיכות הוא האם המידע מוביל לפעולה מוצלחת ותוצאות מדידות.

התאמות ספציפיות של המודל לעידן ה-AI

1. הגדרת תוצאות בעידן הטכנולוגי החדש

מיפוי תוצאות היברידיות: המודל התוצאתי בעידן ה-AI מגדיר שני סוגי תוצאות:

• תוצאות עסקיות (המטרה הסופית): מה הארגון רוצה להשיג
• תוצאות טכנולוגיות (האמצעי): איך ה-AI יכול לתמוך בהשגת המטרה

דוגמה מעשית: במקום "שימוש בכלי AI לניתוח השוק", המודל דורש הגדרה: "הגדלת נתח השוק ב-15% תוך 6 חודשים באמצעות זיהוי הזדמנויות חדשות, כאשר AI ישמש לניתוח מגמות צרכנות וזיהוי פערים תחרותיים".

2. כלים ניהוליים מותאמים ל-AI

מטרה משותפת היברידית: המטרה כוללת הגדרה ברורה של תפקידי האדם מול תפקידי ה-AI. לדוגמה: "AI יאסוף וינתח נתונים, המידען יפרש את המשמעות העסקית, מנהל המוצר יקבל החלטות על סמך התובנות".

מומחיות היברידית: המודל מגדיר שלושה רבדי מומחיות:

• מומחיות תחומית: הבנה עמוקה של התחום העסקי
• אוריינות AI: הבנת יכולות ומגבלות כלי הבינה המלאכותית
• מיומנויות אינטגרציה: היכולת לשלב תובנות AI עם שיקול דעת אנושי

3. מערכת בקרה ומדידה מתקדמת

מדדי ביצוע היברידיים:

• מדדי יעילות AI: זמן עיבוד, דיוק תחזיות, כיסוי מידע
• מדדי אפקטיביות אנושית: איכות פרשנות, רלוונטיות החלטות, מהירות תגובה
• מדדי השפעה עסקית: תרומה לתוצאות פיננסיות, שיפור בקבלת החלטות

זיהוי "הזיות AI" וכשלי מערכת: המודל מפתח מנגנוני בקרה לזיהוי תוכן שגוי או מטעה שמופק על ידי AI, תוך הגדרת תהליכי אימות צולב ובדיקות איכות.

4. היזון חוזר בזמן אמת

משוב רב-רבדי:

• משוב מיידי על ביצועי AI: האם הכלי מספק תוצאות רלוונטיות?
• משוב על תהליכי העבודה: האם השילוב אדם-מכונה יעיל?
• משוב על תוצאות עסקיות: האם השימוש ב-AI מוביל לשיפור מדיד?

למידה מתמדת: המערכת משתפרת על בסיס המשוב, הן ברמת התאמת כלי ה-AI והן ברמת שיפור תהליכי העבודה האנושיים.

מהמידענות המסורתית למידענות תוצאתית

המודל המסורתי התמקד בשאלות כמו "איך מוצאים מידע?" ו"איפה מחפשים?". מודל המידענות התוצאתית שואל שאלות שונות לחלוטין: "איזו תוצאה עסקית אני רוצה להשיג?", "איך המידע יוביל לפעולה קונקרטית?", ו"מה ההשפעה המדידה של המידע על הארגון?".

בעידן ה-AI, ההבחנה הזו הופכת קריטית. בינה מלאכותית מצטיינת באיסוף ועיבוד מידע, אך האדם נשאר מרכזי בהגדרת המטרות, פרשנות התוצאות, וביצוע הפעולות הנדרשות.

יישום המודל עם כלי AI

המודל התוצאתי של ד"ר קלומל-צוייג מתאים באופן מושלם לעידן ה-AI:

שלב 1: הגדרת תוצאה עסקית ברורה

• במקום "אני רוצה מידע על השוק" → "אני רוצה להגדיל נתח שוק ב-15% בשישה חודשים"
• AI יכול לעזור בניתוח נתונים, אבל האדם מגדיר את היעד העסקי המדויק

שלב 2: מיפוי נתיבי מידע לפעולה

• זיהוי איזה מידע באמת נדרש להשגת התוצאה
• AI מספק ניתוחים מהירים, האדם מחליט על רלוונטיות ועדיפויות

שלב 3: מדידת השפעה והתאמות

• מעקב אחר KPIs ספציפיים הקשורים לתוצאה הרצויה
• AI מזהה מגמות ודפוסים, האדם מתאים אסטרטגיה

המהפכה: מ"חיפוש מידע" ל"הנעת תוצאות"

הגישה המסורתית בעידן ה-AI עלולה ליצור "צריכת מידע אינסופית" – כלי ה-AI מסוגלים לספק כמויות עצומות של מידע, אך ללא כיוון ברור זה הופך לרעש ולא לאות.

מודל המידענות התוצאתית יוצר משמעת אחרת: כל פיסת מידע נבדקת על פי השאלה "איך זה מקדם אותי לתוצאה הרצויה?". זה מאפשר ניצול מיטבי של כוח ה-AI תוך שמירה על מיקוד וכיווניות.

דוגמה מעשית: במקום לשאול AI "תן לי מידע על מגמות צרכנות", המידען התוצאתי ישאל "איזה שינויים בהתנהגות צרכנים יאפשרו לי להשיק מוצר חדש עם סיכוי הצלחה של 70%+ בקבוצת יעד של נשים בנות 25-40?".

במכללת בר-אוריין, ד"ר קלומל-צוייג מיישמת את המודל התוצאתי בהכשרת הדור הבא של מידענים ואנליסטים. הסטודנטים לומדים לא רק איך להשתמש בכלי AI, אלא איך להוביל פרויקטים עסקיים שבהם ה-AI משמש כמנוע לקבלת תוצאות מדידות.

המודל הזה הופך את הבוגרים לא רק למשתמשי AI מיומנים, אלא למובילי שינוי ארגוניים שיודעים איך להפוך מידע לפעולה ותוצאות עסקיות מוחשיות.

תהליכי עבודה חדשים למידען התוצאתי בעידן ה-AI

מיומנויות Prompt Engineering מתקדמות

בניית שאילתות תוצאתיות: המידען התוצאתי לא שואל את ה-AI "מה אתה יודע על הנושא?" אלא "איזה מידע ספציפי יעזור לי להשיג תוצאה X?". זה דורש פיתוח יכולות:

• תרגום מטרות עסקיות לשאילתות AI מדויקות
• הבנת האופן שבו סוגי שאילתות שונים משפיעים על איכות התשובות
• יכולת לחזק ולמקד את השאילתות על בסיס תוצאות ביניים

אימות והערכת תוכן AI

פיתוח "חוש שישי מידעני": המידען התוצאתי מפתח יכולת לזהות:

• תוכן שנראה מקצועי אך חסר בסיס עובדתי
• הטיות אלגוריתמיות שמשפיעות על התוצאות
• פערים במידע שה-AI לא מסוגל לכסות (מידע לא פומבי, נתונים עדכניים מדי)

מתודולוגיית אימות צולב: פיתוח תהליכי עבודה שמשלבים:

• השוואה בין מספר כלי AI
• אימות מול מקורות מסורתיים
• בדיקת עקביות פנימית של המידע
• הערכת הגיונות התוצאות מול הידע המקצועי

ניהול מערכות AI מרובות

אינטגרציה של כלי AI מגוונים: המידען התוצאתי עובד עם מספר כלי AI במקביל:

• כלי ניתוח נתונים לזיהוי מגמות
• כלי חיפוש מתקדם לאיתור מידע ספציפי
• כלי סינתזה ליצירת תובנות מתוך מקורות מרובים
• כלי חיזוי להערכת תרחישים עתידיים

יצירת workflow תוצאתי: תכנון רצף פעולות שמשלב כלי AI שונים לקבלת תוצאה ספציפית, תוך מדידה והערכה של יעילות כל שלב.

האבולוציה של תפקיד המידען

מאוסף מידע למנהל תוצאות

במודל המסורתי, המידען היה אחראי על איסוף ועיבוד מידע. במודל התוצאתי בעידן ה-AI, המידען הופך למנהל תוצאות – אחראי על התהליך השלם מהגדרת המטרה ועד להשגתה.

התפקיד החדש כולל:

• ניהול פרויקטים מבוססי AI: הובלת פרויקטים שמשלבים טכנולוגיה ומומחיות אנושית
• יעוץ אסטרטגי: ייעוץ להנהלה על האופן המיטבי לנצל AI להשגת מטרות עסקיות
• ניהול סיכונים: זיהוי ומניעת סיכונים הנובעים משימוש לא נכון ב-AI

היכולות החדשות הנדרשות

מיומנויות היברידיות:

• חשיבה מערכתית: הבנת האופן שבו רכיבי AI משתלבים עם תהליכים עסקיים
• ניהול שינוי: הובלת תהליכי הטמעת AI בארגונים
• תקשורת מתקדמת: יכולת להסביר תובנות מורכבות שמבוססות על AI לקהלים שונים

מנהיגות טכנולוגית:

• זיהוי הזדמנויות לשימוש יצירתי ב-AI
• הובלת צוותים היברידיים של אנשים וטכנולוגיה
• פיתוח תרבות ארגונית שמעודדת שימוש חכם ב-AI

יישומים מעשיים במכללת בר-אוריין

תוכנית הכשרה מתקדמת

ד"ר קלומל-צוייג מיישמת את המודל התוצאתי המעודכן למכללת בר-אוריין באמצעות תוכנית הכשרה חדשנית:

שלב ראשון – הבנת המודל התוצאתי:

• למידת עקרונות המידענות התוצאתית
• הבנת ההבדל בין פעילות מונעת טכנולוגיה לפעילות מונעת תוצאות
• פיתוח יכולות הגדרת מטרות ומדידת תוצאות

שלב שני – אוריינות AI מתקדמת:

• הכרת כלי AI מרכזיים ויכולותיהם
• פיתוח מיומנויות prompt engineering
• למידת מתודולוגיות לאימות תוכן AI

שלב שלישי – אינטגרציה מעשית:

• עבודה על פרויקטים אמיתיים המשלבים מודל תוצאתי עם כלי AI
• פיתוח מערכות מדידה ובקרה
• הובלת תהליכי שינוי בארגונים

דוגמאות מעשיות מהשטח: מחקר שוק מידעני בגישה תוצאתית עם AI

 

מחקר א' – משרד תיווך נדל"ן קטן: במטרה למכור 5 דירות נוספות בחודש באזור פתח תקווה, המידען השתמש בכלי AI לניתוח מודעות דומות באתרי נדל"ן, מחירי מכירה אחרונים ברחוב, וחיפושי גוגל של קונים פוטנציאליים באזור. במקום לחקור את כל שוק הנדל"ן, המחקר שאל שאלה ספציפית: "באיזה מחיר ואיזה תיאור דירה 4 חדרים ברחוב הראשונים תימכר הכי מהר?" ה-AI גילה שדירות עם המילים "קרוב לקניון" ו"חנייה מקורה" נמכרות ב-8% יותר ו-15 יום מהר יותר. התוצאה: שינוי תיאורי המודעות והתמקדות במאפיינים ספציפיים הוביל למכירת 7 דירות נוספות בחודש.

מחקר ב' – קליניקת שיניים משפחתית: במטרה להגדיל מספר הטיפולים האסתטיים (הלבנות, וניירים) ב-30% תוך 6 חודשים, המידען השתמש בכלי AI לניתוח חיפושים מקומיים בגוגל, ביקורות על רופאי שיניים באזור, ופוסטים ברשתות חברתיות על טיפולי שיניים. במקום לחקור העדפות כלליות, המחקר התמקד בשאלה: "מה מעכב אנשים מהאזור לבקש טיפולים אסתטיים?" ה-AI זיהה שהחשש העיקרי הוא מהכאב והמחיר הלא ברור. התוצאה: הקליניקה יצרה חבילות טיפול במחיר קבוע ומסרים על "טיפול ללא כאב" – מה שהוביל לעלייה של 45% בטיפולים אסתטיים.

פרויקט א' – חברת טכנולוגיה: המטרה העסקית: הגדלת שביעות רצון הלקוחות ב-25% תוך שנה השימוש ב-AI: ניתוח פידבק לקוחות, זיהוי נושאים בעייתיים, חיזוי מגמות התוצאה המדודה: שיפור של 32% בשביעות רצון תוך 8 חודשים

פרויקט ב' – בנק מסחרי: המטרה העסקית: צמצום זמן אישור הלוואות ב-50% תוך שמירה על רמת סיכון זהה השימוש ב-AI: ניתוח אוטומטי של מסמכים, הערכת סיכונים, זיהוי דפוסים התוצאה המדודה: צמצום של 60% בזמן העיבוד עם שיפור ב-15% ברמת הדיוק

המבט לעתיד: מידענות תוצאתית כמובילת השינוי

הכנה לדור הבא של AI

המודל של ד"ר קלומל-צוייג מכין מידענים לא רק לטכנולוגיות הנוכחיות, אלא לגל הבא של התפתחויות AI:

• AI Agents: מערכות אוטונומיות שמבצעות משימות מורכבות
• Multimodal AI: שילוב טקסט, תמונות, קול ווידאו בניתוח אחד
• AI שיתופי: מערכות שעובדות יחד עם בני אדם באופן טבעי יותר

יצירת יתרון תחרותי בר-קיימא

המידענים שמיישמים את המודל התוצאתי לא רק מתאימים עצמם לעידן ה-AI, אלא הופכים למובילי החדשנות בארגונים שלהם. הם מפתחים:

• יכולת לזהות הזדמנויות עסקיות חדשות שנוצרות על ידי AI
• מומחיות ביצירת תהליכי עבודה היברידיים יעילים
• ניסיון בניהול פרויקטים טכנולוגיים מורכבים

השפעה על התעשייה כולה

המודל של ד"ר קלומל-צוייג תורם להגדרה מחדש של מקצוע המידענות לעידן הדיגיטלי. במקום להילחם על הישרדות מול הטכנולוגיה, מידענים הופכים למנהיגי הטכנולוגיה – אלה שיודעים איך לרתום אותה לתוצאות עסקיות מעשיות.

המודל התוצאתי כמפתח להצלחה בעידן ה-AI

מודל המידענות התוצאתית של ד"ר ענת קלומל-צוייג מתגלה כבעל ראייה נבואית – הוא לא רק רלוונטי לעידן ה-AI, אלא מספק מענה מדויק לאתגרים המרכזיים של הטכנולוגיה החדשה.

המודל מלמד שהצלחה בעידן ה-AI לא נמדדת ביכולת לייצר מידע, אלא ביכולת להפוך מידע לתוצאות. המידענים שיאמצו את הגישה התוצאתית לא רק ישרדו את המהפכה הטכנולוגית, אלא יהפכו למובילים שלה.

העתיד שייך למידענים שיבינו ש-AI הוא כלי רב עוצמה, אבל המטרות, החשיבה האסטרטגית, וההבנה של הצרכים העסקיים נשארים תחום אנושי. המודל התוצאתי מספק את המסגרת המושלמת לשילוב זה – הוא מבטיח שהטכנולוגיה תשרת את האדם והעסק, ולא להיפך.

כפי שמסכמת ד"ר קלומל-צוייג: "המהפכה האמיתית לא בטכנולוגיה עצמה, אלא ביכולת שלנו לרתום אותה לתוצאות שחשובות לנו. המידען התוצאתי הוא זה שמוביל את המהפכה הזו."

הכותבת: ד"ר ענת קלומל-צוייג , יועצת אסטרטגית בעידן AI, מידענית אנליסטית. ניתוח המודלים ממחקר הדוקטורט בעזרת AI והתאמתם לעידן הנוכחי.