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.

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.

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. 

מודל "מידענות תוצאתית": חידוש פורץ דרך בניהול מודיעין תחרותי

מהפכה קונספטואלית בעולם המידענות

במחקר דוקטורט פורץ דרך, פיתחה ד"ר ענת קלומל-צוייג מודל חדשני שמשנה באופן יסודי את אופן התפיסה של עבודת המודיעין התחרותי. המודל, הכונה "מידענות תוצאתית" או "הגישה התוצאתית", מציע מסגרת קונספטואלית מהפכנית לניהול עבודת המודיעין, המדגישה את התוצאות הסופיות ואת השגתן כיעד המרכזי והמכתיב של הפעילות.

בניגוד לגישות מסורתיות שמתמקדות בתהליכי איסוף ועיבוד מידע, המודל של ד"ר קלומל-צוייג מציב במרכז את השאלה: איזו תוצאה עסקית אנחנו רוצים להשיג? זהו שינוי פרדיגמה שמעביר את המיקוד מ"איך אוספים מידע" אל "איך המידע מוביל לפעולה ותוצאות מדידות".

העיקרון המנחה: המבנה הארגוני כאמצעי לתוצאה

הגישה התוצאתית תופסת את "המבנה הארגוני" כאמצעי המרכזי למימוש והשגה מיטביים של הארגון בהשגת מטרותיו. במילים אחרות, התוצאות הן אלה המכוונות את הפעילות, ומנהל המודיעין משתמש בתוצאות אלו ככלי ניהולי מרכזי.

המודל נועד לאפשר בקרה בין המערכת הארגונית לשינויים ולמגמות בסביבה החיצונית והתחרותית, תוך התאמת החזון, האסטרטגיה והטקטיקה של הארגון. זוהי גישה הוליסטית שרואה במערכת המודיעין לא רק כלי טכני, אלא כמנגנון אסטרטגי מרכזי בהובלת הארגון.

המאפיינים המרכזיים של הגישה התוצאתית

1. התמקדות בתוצאה הסופית

הדגש הוא על ההגדרה הברורה של התוצאה הסופית ועל התוצאות הספציפיות הנגזרות ממנה לכל בעל תפקיד. זה לא רק שינוי במיקוד, אלא שינוי בכל תהליך התכנון והביצוע – מתחילת החיפוש ועד לקבלת החלטות עסקיות.

המודל דורש מהמידענים לחשוב אחורה מהתוצאה הרצויה: מה המטרה העסקית? איזה סוג החלטה צריך להתקבל? איזה מידע באמת נדרש כדי לתמוך בהחלטה זו? כיצד נמדוד הצלחה?

2. מדידת איכות על פי תוצאות

אחד החידושים המשמעותיים במודל הוא הגישה לאיכות מידע. הגישה התוצאתית ניגשת לנושא האיכות בהנחה כי איכות, בסופו של דבר, נמדדת על פי תוצאות. התוצאות הן אלה שצריכות להכתיב את סוג האיכות ורמתה.

איכות נמדדת בשלושה פרמטרים מרכזיים:

• יעילות: האם המידע מוביל לפעולה מהירה ויעילה?
• שימושיות: האם המידע רלוונטי לקבלת החלטות?
• שביעות רצון: האם התוצאות עונות על הצרכים העסקיים?

3. כלים ניהוליים מרכזיים

המודל מגדיר חמישה כלים ניהוליים מרכזיים:

מטרה משותפת ברורה: הגדרה מדויקת של מה הארגון רוצה להשיג, עם קישור ישיר בין פעילות המודיעין לבין המטרות העסקיות.

תוצאות ספציפיות: פירוק המטרה הכללית לתוצאות מדידות לכל בעל תפקיד, כך שכל מידען וחוקר יודע בדיוק מה תרומתו לתמונה הכוללת.

ידע מקצועי ומומחיות ייחודית: הכרה בכך שכל תפקיד דורש מומחיות מיוחדת, והצורך לפתח כישורים מתמחים.

תגמול הולם: מערכת תגמול שמתחשבת בתרומה למטרות הארגוניות, לא רק בביצוע משימות טכניות.

מנהל המפעיל את המטרה המשותפת: מנהיגות שמתמקדת בהשגת התוצאות ומשתמשת במטרה המשותפת ככלי ניהולי מרכזי.

4. בקרה ומדידה כמרכיבים מהותיים

הבקרה והמדידה הינם מרכיבים חשובים ומשמעותיים ביותר בגישה התוצאתית, שכן לתוצאה שאינה ניתנת למדידה ולהערכה אין למעשה כל משמעות. המודל מדגיש שמדידה מאפשרת תגובה ותיקון, והיא חיונית לשיפור מתמיד.

המדידה כוללת:

• מדדי ביצוע כמותיים (זמן, דיוק, כמות)
• מדדי איכות איכותיים (רלוונטיות, שימושיות)
• מדדי השפעה עסקית (תרומה לקבלת החלטות, השפעה על תוצאות עסקיות)

5. היזון חוזר (משוב) כעיקרון מרכזי

הגישה מדגישה את חשיבות ניהול האינטראקציה המייצרת את התנאים למתן משוב. המשוב הוא עיקרון מרכזי המאפשר להחזיר בחזרה מידע למערכת כדי לאפשר בקרה בצורת שינויים והתאמות שיש לבצע.

המשוב מתקיים במספר רמות:

• משוב מיידי על איכות המידע ורלוונטיותו
• משוב על תהליכי העבודה והשיטות
• משוב על התרומה לתוצאות העסקיות הכוללות

הוא חלק אינטגרלי מתהליכי המודיעין ומאפשר את יצירת השלם שהוא יותר מסך כל חלקיו – עיקרון מרכזי במחשבה מערכתית.

6. אפקטיביות תהליכית והתגברות על מגבלות

הגישה התוצאתית מובילה לאפקטיביות תהליכית והתגברות על מגבלות איסוף המידע. המודל מזהה מגבלות נפוצות כמו:

• מודלים מנטליים ייחודיים המגבילים את החיפוש
• עומס מידע המקשה על קבלת החלטות
• דיסאינפורמציה ומידע מטעה
• הטיות קוגניטיביות המשפיעות על האיסוף והניתוח

המודל מאפשר איתור מתודולוגיות ליצירת הערכות המידע ונועד להתגבר על מכשולים אלו ולמנוע מצבי הפתעות וכשל ביצירת הערכות מודיעיניות.

7. אינטגרציה וביזור הידע בין בעלי תפקידים 

המחקר מעלה את הצורך לא רק בביזור אלא גם בניהול האינטגרציה בין הפרקטלים (יחידות אוטונומיות), באופן המאפשר ניצול מומחיות וערך מוסף. קיימת חשיבות עליונה לשילוב אינטרסים ושיתוף פעולה מתמיד בין הפרקטלים, כמו המידענים וחוקרי המודיעין.

זוהי גישה מתוחכמת שמכירה בצורך לאזן בין אוטונומיה מקצועית לבין תיאום מערכתי, תוך יצירת סינרגיה בין הרכיבים השונים.

8. הבנת ההפתעה כמדד לכשל מערכתי

הגישה מכירה בכך שמצב הפתעה הוא תוצאה של תהליך מודיעיני מוטעה ואינו מותאם לתנאים הקיימים. הפתעה היא הפער בין ההערכה למציאות, וככל שהפער גדול יותר, ההפתעה גדולה יותר.

המודל רואה בהפתעות לא אירועים בלתי נמנעים, אלא אינדיקטור למערכת מודיעין שאינה מתפקדת כראוי, ומציע כלים למדידה ושיפור כדי למזער את הסיכון להפתעות.

תהליכי העבודה הנדרשים מהמידען התוצאתי

מומחיות בחיפוש וניהול מידע

שליטה בכלי חיפוש וטכנולוגיות מידע: נדרשת מיומנות בשימוש בטכנולוגיות מידע, ביכולת לאחזר מידע מרשת האינטרנט וממאגרי מידע מסחריים באופן מושכל. חיפוש מידע ברשת האינטרנט הוא פעולה מורכבת ומסובכת, ולעיתים אף קשה לביצוע, ומצריך הכרת כלי החיפוש השונים ורמת מיומנות גבוהה.

בניית שאילתות מורכבות: מומחיות המידען כוללת ידיעה באיזה מנוע חיפוש רצוי לאחזר את המידע, כיצד לתרגם את מושא החיפוש לשאילתה חכמה מבחינה תחבירית וסמנטית, וכיצד לבצע צמצום והרחבה של החיפוש.

התאמת אסטרטגיות חיפוש: המידענים צריכים להכיר סוגי מידע מגוונים ולדעת לאתר אותם. אין אסטרטגיית חיפוש מידע קבועה; היא משתנה ממידען למידען, מסוגי משימות חיפוש וסוגי שאילתות. יש צורך להתאים אסטרטגיות חיפוש לכלי אחזור המידע.

התמודדות עם עומס מידע ואי-ודאות: רשת האינטרנט שופעת מקורות מידע אך המידע בה אמנם עשיר ומגוון אך לעיתים אינו מדויק, אינו אמין ולפעמים אף פוגע ומזיק. המידענים מספקים פתרון לעומס מידע.

עיבוד, ניתוח והערכת מידע

יכולת עיבוד מידע: המידענים צריכים להיות בעלי יכולת עיבוד מידע. חלקם מנתחים את המידע במהלך איסופו. רוב המרואיינים טוענים שרצוי שהמידען גם יעיר הערות וגם ימליץ או יציג הצעות בנוסף לעבודתו כאוסף המידע. הם נוהגים להוסיף הערות, תובנות, סיכומים ומסקנות.

הערכת מידע איכותית: המידענים מעריכים את איכות המידע הנדלה מבחינת התאמה, רלוונטיות, אמינות, חדשנות ועדכניות. עליהם להכיר את תפיסותיהם האישיות, את "הידע הקודם" שלהם ואת הקונספציות המשפיעות על עבודתם כשהם מבצעים את חיפוש המידע וקובעים את אסטרטגיות החיפוש.

חשיבה ביקורתית: נדרשת חשיבה ביקורתית ומודעות לאופן בו מעריכים את המידע ומאחזרים אותו. עליהם להתמודד עם הטיה תפיסתית ונטייה להתעלם ממידע סותר.

היכרות עם מקורות: עליהם להכיר מקורות מידע רבים ולדעת לאתר אותם.

אינטראקציה ושיתוף פעולה

עבודה בצוות: מידענים וחוקרי המודיעין הם צוות, ובתהליכי עבודתם הם אמורים לייצר תוצר מודיעיני שהוא יותר מסך הפעולות של חיפוש מידע, עיבודו וניתוחו. שיתוף הפעולה ביניהם מאפשר פרספקטיבה לקבלת החלטות היוצרת שינוי או תגובה מצטברת כלפי הסביבה.

תקשורת בין-אישית: נדרשות מהמידען מיומנויות תקשורת בין אישית גבוהה, יכולת ביצוע אינטראקציה בשיחה אישית (פנים מול פנים או בטלפון) ובערוצים מקוונים שונים.

היזון חוזר מתמיד: אינטראקציה זו מתקיימת מספר פעמים ובכל השלבים של תהליך איסוף המידע. היא משפיעה על איכות המידע. המידען נדרש לתכנן את שינוי אסטרטגיית חיפוש המידע בהתאם למשוב במתן היזון חוזר.

מעורבות במחקר ובקבלת החלטות: רוב המרואיינים ממליצים לשלב מידענים וחוקרי מודיעין בישיבות ההמלצה ובתהליכי העבודה. הם צריכים להכיר את צרכי הלקוחות ומקבלי ההחלטות.

היתרונות והיישומים המעשיים של המודל

מודל המידענות התוצאתית מספק מספר יתרונות מהותיים:

התגברות על כשלים מערכתיים: המודל מאפשר זיהוי ותיקון של בעיות נפוצות במערכות מודיעין מסורתיות, כמו איסוף מידע ללא מטרה ברורה, פיזור מאמצים, וחוסר התאמה בין המידע לצרכים העסקיים.

שיפור קבלת החלטות: על ידי התמקדות בתוצאות, המידענים מספקים מידע רלוונטי יותר ושימושי יותר למקבלי החלטות.

יעילות משאבים: המודל מאפשר ניצול מיטבי של משאבים על ידי מיקוד המאמצים בפעילויות שתורמות לתוצאות הרצויות.

אפקטיביות ארגונית: השילוב בין איסוף מידע מדויק לבין התמקדות בתוצאות יוצר מערכת מודיעין שתורמת באופן מהותי להצלחת הארגון.

מהפכה במידענות המודרנית

מודל המידענות התוצאתית של ד"ר ענת קלומל-צוייג מייצג מהפכה אמיתית בתחום המידענות והמודיעין התחרותי. המודל משנה את הפרדיגמה המסורתית ומציע גישה מתוחכמת וכוללת שמתאימה לצרכים של ארגונים מודרניים.

עבודת המידען התוצאתית בחיפוש מידע דורשת שילוב של מומחיות טכנית גבוהה, יכולות אנליטיות והערכתיות, מודעות עצמית להטיות קוגניטיביות, וכישורי תקשורת ושיתוף פעולה מתקדמים, והכל מתוך ראייה של השגת תוצאה עסקית ברורה ומועילה לארגון.

המודל לא רק משפר את איכות המידע ויעילות האיסוף, אלא יוצר מערכת מודיעין שתורמת באופן ישיר ומדיד להצלחת הארגון. זוהי תרומה משמעותית לתחום המידענות ומודל שראוי ליישום בארגונים שרוצים למצות את הפוטנציאל המלא של המידע בעידן המודרני.

קישור לספריית אוניברסיטת בר-אילן למחקר הדוקטורט 

 

 

 

 

 

מטריצת GE-McKinsey (או Nine-Box Matrix) היא כלי אסטרטגי שמיועד לעזור לארגונים להעריך את התיק העסקי שלהם, כלומר להחליט באילו יחידות עסקיות כדאי להשקיע, להחזיק או לצמצם/למכור. המטריצה מבוססת על שני קריטריונים עיקריים:

1. אטרקטיביות השוק: כמה השוק שבו פועלת היחידה אטרקטיבי, מבחינת גודל, צמיחה, רווחיות ותחרותיות.
2. חוזק היחידה העסקית: עד כמה היחידה העסקית חזקה מבחינת יתרון תחרותי, נתח שוק, יעילות תפעולית ויכולת פיננסית.

המטריצה מחולקת ל-9 ריבועים שמייצגים את השילוב של שני הקריטריונים הללו ברמות שונות (נמוך, בינוני, גבוה). באמצעות המטריצה, מנהלים יכולים לזהות אילו יחידות עסקיות מציעות את הפוטנציאל הגדול ביותר להשקעה והרחבה, ואילו יחידות יש לשקול להפסיק או למכור.

איך מידענים יכולים לעבוד עם המטריצה בחיפוש מידע עסקי:

מידענים, המתמחים באיסוף וניתוח מידע רלוונטי, יכולים לתרום רבות לעבודה עם מטריצת GE-McKinsey כאשר הם מחפשים מידע עסקי עבור החברה. הנה הדרכים בהן הם יכולים לעבוד עם המטריצה:

1. איסוף מידע על אטרקטיביות השוק:

• מחקרי שוק: מידענים יכולים לחפש ולנתח דוחות שוק, תחזיות צמיחה, נתוני גודל שוק, מגמות טכנולוגיות ועוד כדי להעריך את הפוטנציאל של השוק שבו פועלת החברה.
• תחרותיות השוק: הם יכולים לחקור את מבנה התחרות בשוק, לרבות מי הם המתחרים המרכזיים, חסמי הכניסה, והיכולת לייצר יתרונות תחרותיים.
• רגולציה והשפעות חיצוניות: איתור של מידע רגולטורי שעשוי להשפיע על אטרקטיביות השוק, כמו חוקים, מיסוי או תקנות חדשות שעלולות להוות חסם לצמיחה.

2. ניתוח חוזק היחידה העסקית:

• מעמד תחרותי: מידענים יכולים לחקור את נתח השוק של החברה מול מתחרים, לאסוף מידע על המיצוב של המוצרים והשירותים של החברה ולבחון עד כמה החברה מצליחה לשמור על יתרון תחרותי.
• ניתוח ביצועים פיננסיים: ניתן לאסוף נתונים פיננסיים כגון רווחיות, נזילות ותשואות, כדי להעריך את החוזק הכלכלי של היחידות העסקיות השונות בתוך החברה.
• משאבים ויכולות: איתור מידע על המשאבים (אנושיים, טכנולוגיים ועוד) והיכולות הייחודיות של החברה, כמו יכולות חדשנות, פיתוח מוצרים או שרשרת אספקה יעילה.

3. הצעות לשיפור ותובנות עסקיות:

• לאחר ניתוח המידע שנאסף, המידענים יכולים להציג תובנות אסטרטגיות להנהלה, כגון המלצות היכן כדאי להשקיע, אילו תחומים דורשים יותר תשומת לב או שיפור, ואילו שווקים או יחידות כדאי לשקול לצמצם או למכור.

4. איתור הזדמנויות צמיחה:

• באמצעות חקר שווקים חדשים או תחומים טכנולוגיים מתפתחים, המידענים יכולים לזהות תחומים שבהם החברה עשויה להתרחב, כמו כניסה לשווקים חדשים או פיתוח מוצרים חדשים על סמך הזדמנויות עסקיות שנמצאו במהלך החיפוש.

5. ניטור מתחרים וחדשנות:

• מידענים יכולים לבצע מעקב שוטף אחרי פעולות מתחרים, ולבחון אם שינויים בתעשייה דורשים התאמה אסטרטגית מצד החברה, כמו גם לזהות טכנולוגיות חדשות שיכולות להשפיע על כוח התחרות של היחידה העסקית.

מטריצת GE-McKinsey היא אחד הכלים האסטרטגיים החשובים שבהם משתמשים ארגונים כדי להעריך את היחידות העסקיות שלהם ולתעדף השקעות. אך בעולם שבו הנתונים זורמים בכמויות עצומות, ויכולת קבלת ההחלטות תלויה במידע מדויק ועדכני, תפקידם של המידענים הופך למרכזי וחשוב יותר מאי פעם. המידען, שמומחיותו היא איסוף, ניתוח והערכת מידע, הופך לכתובת החשובה ביותר לאספקת תובנות מבוססות נתונים, במיוחד כאשר נדרשת החלטה אסטרטגית על בסיס ניתוח כמו מטריצת GE-McKinsey.

מה תפקיד המידענות בתהליכי ניתוח אסטרטגי בשימוש מטריצת GE-McKinsey?

מידענים ממלאים תפקיד מכריע בתהליך העבודה עם מטריצת GE-McKinsey על ידי אספקת המידע הנדרש לשתי הצירים המרכזיים שלה: אטרקטיביות השוק וחוזק היחידה העסקית. הם מספקים את התשתית המידעית להנהלה, כך שניתן יהיה להחליט אילו יחידות עסקיות ראויות להשקעה ואילו כדאי לצמצם או למכור.
מידענות היא למעשה המקור שבלעדיו מטריצת GE-McKinsey לא הייתה יכולה להתקיים:

• איסוף נתונים עסקיים ושיווקיים על מגמות שוק, נתוני צמיחה, שחקנים בשוק, חידושים טכנולוגיים וחסמי כניסה לתעשיות שונות, המספקים תמונה מלאה על אטרקטיביות השוק.
• ניתוח ביצועי יחידות עסקיות המבוסס על נתונים פיננסיים, ביצועים תחרותיים ויכולת חדשנות.

השילוב עם בינה מלאכותית

ההתקדמות הטכנולוגית בשנים האחרונות, ובעיקר בתחום הבינה המלאכותית (AI), פתחה אפשרויות חדשות למידענים ולניתוח עסקי בכלל. השילוב בין מידענות ובינה מלאכותית מאפשר להפוך את תהליך איסוף וניתוח המידע ליעיל יותר, עם יכולת להפיק תובנות עמוקות יותר ולקבל החלטות בזמן אמת.

איך בינה מלאכותית יכולה להשתלב בניתוח עם המטריצה?

1. איסוף מידע אוטומטי: בינה מלאכותית יכולה לסרוק מקורות מידע מגוונים – אתרי אינטרנט, דוחות פיננסיים, מאגרי מידע ועוד – במהירות ובדיוק רב יותר מאשר חיפוש ידני. AI יכול למפות את המידע הרלוונטי ולאחסן אותו בצורה מאורגנת לניתוח.
2. ניתוח מגמות ותחזיות: AI יכול לנתח מגמות בשוק ולהצביע על התפתחויות עתידיות על סמך למידת מכונה (Machine Learning). כך ניתן להעריך טוב יותר את אטרקטיביות השוק ולזהות הזדמנויות מוקדם יותר.
3. ניתוח תחרותי: כלי AI יכולים לנתח מתחרים בזמן אמת, לזהות שינויים במצבם העסקי, ולהשוות את הביצועים של היחידות העסקיות של החברה מול שחקנים מרכזיים בשוק.
4. הפקת תובנות חכמה: AI יכול להצליב נתונים ממספר מקורות ולהפיק תובנות אסטרטגיות מורכבות. למשל, על בסיס נתוני מכירות, תחזיות שוק ומידע על מתחרים, בינה מלאכותית יכולה להמליץ על הפעולות המיטביות ביחס למיקום יחידה עסקית במטריצה.
5. מעקב והערכה מתמשכת: בעוד שמידענים נדרשים לאסוף ולעדכן נתונים באופן שוטף, AI יכול לעשות זאת בזמן אמת, לעדכן את המטריצה באופן רציף ולאפשר לחברה להגיב לשינויים בשוק במהירות רבה יותר.

דוגמה לשימוש בבינה מלאכותית

נניח שחברה פועלת במספר תחומים טכנולוגיים שונים. מידען המשתמש בבינה מלאכותית יכול להזין למערכת AI את הנתונים הפיננסיים של כל יחידה עסקית, יחד עם מידע על תחרות, שינויים רגולטוריים ומגמות טכנולוגיות. המערכת יכולה לספק בזמן קצר ניתוח מפורט של כל יחידה, עם דירוגים מדויקים בכל אחד מהפרמטרים של מטריצת GE-McKinsey. כתוצאה מכך, המנהלים יכולים לקבל החלטות מהירות ומבוססות נתונים על השקעות, צמצומים או פיתוחים חדשים.

מטריצת GE-McKinsey, בשילוב עם יכולות מידענות ובינה מלאכותית, מאפשרת לארגונים לקבל החלטות מבוססות מידע לגבי תיקי העסקים שלהם. מידענות מספקת את התשתית המידעית הדרושה לניתוח, בעוד שהבינה המלאכותית מאפשרת להאיץ את תהליך איסוף המידע והפקת התובנות. שילוב זה יוצר סביבה אסטרטגית בה מנהלים יכולים לקבל החלטות מהירות, חכמות ומדויקות יותר, בהתבסס על ניתוח מעמיק ומבוסס נתונים.

הכותבת: ד"ר ענת קלומל-צוייג, מנכ"לית מכללת בר-אוריין ומרצה בתחום המידענות משנת 2006 מאות בוגרים שיצאו לעבודה כמידענים.

המידענות ומודיעין עסקי תחרותי בעידן הבינה המלאכותית

בעידן המודרני, המידענות ומודיעין עסקי תחרותי הפכו לכלים קריטיים להצלחת ארגונים. השימוש בבינה מלאכותית פתח דלתות חדשות לאיתור ועיבוד מידע, אך גם הציב אתגר חדש – איך להפיק את המיטב מכלי ה-AI, כולל כתיבת פרומפטים מדויקים, ולהפוך את המידע שמתקבל לכלי יעיל ואסטרטגי. סטודנטים במכללת בר-אוריין לומדים מיומנויות קריטיות אלה כדי להוביל בעולם המודיעין העסקי ולשדרג את הקריירה שלהם.

למה המידענות עדיין רלוונטית?

הבינה המלאכותית שינתה את חוקי המשחק. כיום, נגישות למידע מהירה מאי פעם, ויש אפשרות לעבד נתונים בקנה מידה עצום בתוך זמן קצר. אך האם זה אומר שהמידענות הפכה למיותרת? התשובה היא חד משמעית – לא. היכולת לאסוף, לעבד ולנתח מידע רלוונטי נשארה קריטית בעידן ה-AI, אך המיומנויות הנדרשות השתנו.

**כתיבת פרומפטים מדויקים:**

היום, היכולת לנסח שאילתות מדויקות לבינה המלאכותית היא מיומנות חדשה ומאתגרת שמידענים צריכים לשלוט בה. הבינה המלאכותית יכולה לספק תשובות, אך איכות התשובות תלויה באיכות השאלות שנשאלות. פרומפטים נכונים יכולים להוביל למידע עשיר, רלוונטי וממוקד יותר. המידען המודרני חייב לדעת כיצד לנסח את השאלות כדי להוציא את המידע המדויק והרלוונטי ביותר מהמערכת.

**המודיעין העסקי בעידן ה-AI:**

מודיעין תחרותי תמיד היה קריטי להצלחת ארגונים, אך בעידן הבינה המלאכותית, היכולות זינקו קדימה. חברות מובילות משתמשות בבינה מלאכותית כדי לעקוב אחר מתחרים, לנתח שווקים ולהבין מגמות חדשות. אך כאן נכנסת המיומנות האנושית: מעבר לעיבוד המידע הגולמי, המומחה במידענות חייב לדעת כיצד להוציא תובנות משמעותיות שמובילות לפעולה.

המידענות בעידן החדש: שילוב בין טכנולוגיה ואסטרטגיה

המיומנויות המסורתיות של המידען, כגון חיפוש מידע, ניתוח מקורות, ואיסוף נתונים ממאגרי מידע – עדיין רלוונטיות, אך עם טוויסט מודרני. הטכנולוגיה מעניקה כלים מתקדמים, אך החשיבות של מיומנות האנליזה והפרשנות נותרה ללא שינוי.

למה חשוב לדעת למכור מידע נכון?

במציאות העסקית של היום, איסוף מידע זה לא מספיק. על המידען לדעת כיצד להציג את המידע בצורה שתהיה משכנעת וברורה למקבלי ההחלטות. לקוחות וארגונים מחפשים ערך מוסף מהמידע שהם מקבלים – הם רוצים לדעת מה לעשות איתו, איך להרוויח ממנו, ואיך לקבל יתרון על פני המתחרים. כאן נכנסת החשיבות של היכולת למכור את המידע בצורה יעילה, תוך שימת דגש על תועלות ועל החלטות אסטרטגיות.

**דוגמה להצלחה:**

חברות שמשתמשות נכון בבינה מלאכותית ובמידענות תחרותית יכולות לגלות הזדמנויות שוק, לאתר מגמות חבויות ולהקדים את המתחרים. ארגונים מובילים שמשקיעים בניהול נכון של מידע מצליחים להמיר את הנתונים שהם אוספים לרווח עסקי אמיתי.

המהפכה של מכללת בר-אוריין: לימודי מידענות מותאמים לעידן ה-AI

מכללת בר-אוריין מתמחה בלימוד מיומנויות המידענות והמודיעין העסקי בעידן הבינה המלאכותית. הסטודנטים במכללה מקבלים הכשרה מקיפה שתאפשר להם להוביל תהליכים במגוון ארגונים ותעשיות, בעזרת הכלים הטכנולוגיים והאסטרטגיים המתקדמים ביותר.

למה ללמוד אצלנו?
הקורסים מותאמים למציאות המשתנה במהירות ומעניקים כלים מעשיים לכתיבת פרומפטים מדויקים, עבודה עם כלי AI מתקדמים, והבנה של דפוסי התחרות בשוק. בנוסף, הסטודנטים לומדים איך לשלב את המידע שהם אוספים בתוך התהליך האסטרטגי של הארגון ולהפוך אותו לכוח מניע שמוביל לצמיחה והצלחה.

העתיד של המידענות – הטכנולוגיה לצד האנושיות

בעידן הבינה המלאכותית, המידענות הפכה למיומנות אסטרטגית חשובה מתמיד. השילוב בין הבנה טכנולוגית לבין יכולת לנתח ולהוביל מידע בצורה ברורה הוא מה שמוביל ארגונים להצלחה. הסטודנטים שלומדים במכללת בר-אוריין מקבלים את הידע, הכלים והמיומנויות שמבטיחים שהם יהיו בחזית השינויים בתחום.

מכללת בר-אוריין קוראת לך להצטרף לעולם של חדשנות, טכנולוגיה ומידענות תחרותית – ולהפוך את המידע לכוח האסטרטגי שמוביל להצלחה!