מחקר דלתק: 91% מהחברות רואות בבינה מלאכותית גורם קרדינלי להצלחה

מחקר דלטק: 91% מהחברות רואות בבינה מלאכותית גורם קרדינלי להצלחה — אך התוצאות עדיין מאחרות להגיע

בחברת הנדסה טיפוסית, החריגה ברווחיות אינה מתחילה בהכרח בהחלטה דרמטית. לפעמים היא מסתתרת בכמה שעות עבודה שלא חויבו, בהקצאת יתר של מומחה לפרויקט אחד, בחשבונית שהתעכבה או בתחזית שנשענה על גיליון נתונים שכבר אינו מעודכן.

כאשר הכלכלה אינה צפויה ועלויות העבודה עולות, הצטברות של סטיות קטנות עלולה למחוק חלק ניכר מהרווח. זהו הרקע לממצא המרכזי במחקר החדש של דלטק: 91% מהחברות המבוססות על פרויקטים מגדירות בינה מלאכותית כחשובה להצלחתן העתידית.

אלא שההסכמה הרחבה סביב חשיבות הטכנולוגיה עדיין אינה מתורגמת בהכרח לערך עסקי. לפי המחקר, יותר ממחצית מהארגונים שנבדקו טרם ראו שיפור משמעותי בפרודוקטיביות או חיסכון מהותי בעלויות בעקבות השימוש בבינה מלאכותית.

זהו הפער שמעסיק כיום מנהלי כספים, תפעול ומערכות מידע: לא האם כדאי להשתמש בבינה מלאכותית, אלא היכן להטמיע אותה, על אילו נתונים לבסס אותה וכיצד להוכיח שהיא משפרת את ביצועי העסק.

אופטימיות ברווחים, זהירות בביצוע

המחקר, שכותרתו “סדר היום של מנהל הכספים”, מבוסס על מחקר השקיפות השנתי השביעי של דלטק ועל תשובותיהם של 375 מקבלי החלטות אסטרטגיים בכירים בבריטניה, בגרמניה ובאוסטרליה. הוא מתמקד בחברות הפועלות סביב פרויקטים, ובהן חברות אדריכלות, הנדסה וייעוץ.

לפי הממצאים, 78% מהחברות שנבדקו צופות עלייה ברווחים בשנת 2026. יותר מאחת מכל חמש חברות צופה צמיחה של 10% או יותר. מדובר בתחזית אופטימית, במיוחד על רקע תנודתיות כלכלית, לחץ על עלויות ושינויים בביקוש.

עם זאת, תחזית רווח אינה רווח בפועל. בעסק מבוסס פרויקטים, המרחק בין השניים עובר דרך ניהול שעות, תמחור, ניצולת עובדים, תכנון כוח אדם, קצב חיוב, גבייה ושליטה בהוצאות. טעות קטנה בכל אחד מהתחומים האלה עלולה להתרחב ככל שהפרויקט מתקדם.

חשוב גם לקרוא את הנתונים בהקשר הנכון. זהו מחקר המבוסס על דיווחי מנהלים בשלושה שווקים, ולא מדידה אוניברסלית של כלל החברות בעולם. עם זאת, הוא מצביע על מגמה ניהולית ברורה: בינה מלאכותית כבר אינה נתפסת כניסוי צדדי של מחלקת החדשנות, אלא כחלק מסדר היום הפיננסי והתפעולי.

מדוע 91% מהחברות מייחסות לבינה מלאכותית חשיבות כה גדולה?

חברות מבוססות פרויקטים מנהלות בכל רגע רשת צפופה של החלטות. מי יעבוד על איזה פרויקט, כמה שעות יידרשו, האם התקציב עדיין ריאלי, מה צפוי לקרות לרווחיות ואם יש צורך להוסיף עובדים או להעביר משימות בין צוותים.

בינה מלאכותית יכולה לסייע באיתור דפוסים בתוך המידע הזה. היא אינה מחליפה את שיקול הדעת הניהולי, אך עשויה להצביע מוקדם יותר על חריגה, עומס או סיכון. לדוגמה, מערכת יכולה לזהות שקצב צריכת השעות בפרויקט גבוה מהמתוכנן, אף שאחוז ההשלמה עדיין נמוך. במקום לגלות את הבעיה בסוף החודש, המנהל מקבל הזדמנות לפעול בזמן.

הערך האפשרי אינו מוגבל לחיזוי. כלים מבוססי בינה מלאכותית יכולים לסכם דוחות, לסווג הוצאות, לאתר מידע חסר, להציע תחזיות ולהפנות תשומת לב למקרים חריגים. כאשר מדובר במאות פרויקטים ובאלפי רשומות, החיסכון בזמן עשוי להיות משמעותי.

אבל היכולת הטכנולוגית לבדה אינה מספיקה. אם נתוני השעות נמצאים במערכת אחת, החוזים במערכת אחרת, החשבוניות בתוכנה שלישית ותחזיות הפרויקט בגיליונות ידניים, גם מודל מתקדם יתקשה לספק תמונה אמינה.

הבעיה אינה רק בבינה המלאכותית — אלא בתשתית שמתחתיה

אחד הנתונים הבולטים במחקר ממחיש את הפער. 86% מהעסקים שנבדקו דיווחו כי הם עוקבים אחר ביצועים תפעוליים ברמה מספקת או טובה מאוד, לעומת 75% בשנת 2024. מנגד, רק 22% מחזיקים במערכת משולבת לחלוטין לניהול פרויקטים מקצה לקצה.

במילים אחרות, ארגונים רבים מרגישים שהם מודדים היטב את פעילותם, אך עושים זאת באמצעות מערכות שאינן מחוברות במלואן. המשמעות המעשית היא לעיתים איסוף ידני, התאמות בין דוחות, העתקת נתונים לגיליונות וחישובים שתלויים באדם מסוים.

מצב כזה יוצר בעיה כפולה. ראשית, המידע מגיע באיחור. שנית, לא תמיד ברור אם כל המחלקות מסתכלות על אותם מספרים. מנהל הפרויקט עשוי לחשב את שיעור ההשלמה בדרך אחת, בעוד שמחלקת הכספים נשענת על חיובים בפועל ומחלקת התפעול בוחנת שעות מתוכננות.

בינה מלאכותית המופעלת על נתונים חלקיים אינה מתקנת את הפער הזה. לעיתים היא רק מעבדת מהר יותר תמונה שאינה מלאה. לכן השאלה הראשונה של הנהלה אינה צריכה להיות “איזה כלי בינה מלאכותית נרכוש?”, אלא “האם הנתונים שעליהם הוא יפעל עקביים, עדכניים ונגישים?”.

שלושה תחומים שבהם ניתן לחפש ערך בטווח הקצר

המחקר מסמן את תכנון הפרויקטים, הקצאת המשאבים ודיווח הביצועים כתחומים שבהם קיימת הזדמנות קרובה יחסית להפקת ערך. אלה אינם שימושים עתידניים, אלא תהליכים מוכרים שבהם מנהלים כבר מקבלים החלטות מדי יום.

תכנון פרויקטים והתרעה על חריגות

נניח שחברת ייעוץ מתכננת פרויקט בן ארבעה חודשים. לאחר שישה שבועות נוצלו 55% משעות העבודה, אבל רק כשליש מאבני הדרך הושלמו. מערכת שמחברת בין שעות, תקציב, משימות והתקדמות יכולה להציף את הפער ולהעריך את השפעתו האפשרית על הרווחיות.

המערכת אינה חייבת לקבל החלטה במקום המנהל. תפקידה הוא להציג את האות מוקדם: ייתכן שהתמחור היה נמוך מדי, שהיקף העבודה התרחב, שנדרש מומחה נוסף או שהצוות משקיע זמן בפעילות שאינה ניתנת לחיוב.

הקצאת עובדים ומשאבים

בחברות שירותים מקצועיים, עובדים הם גם המשאב המרכזי וגם אחת ההוצאות הגדולות ביותר. הקצאה לא מדויקת יוצרת שני סיכונים מנוגדים: עובדים עמוסים מדי לצד עובדים שאינם מנוצלים, או שימוש בעובד יקר למשימה שיכולה להתבצע בעלות נמוכה יותר.

כלים חכמים יכולים להצליב בין זמינות, מיומנויות, מיקום, ותק ודרישות הפרויקט. כך ניתן להציע חלופות לשיבוץ, לזהות מחסור צפוי ולתכנן גיוס או הכשרה מראש. ההמלצה עדיין זקוקה לבדיקת מנהל, במיוחד כאשר קיימים שיקולים אנושיים שהמערכת אינה מכירה.

חיוב, גבייה ודיווח ביצועים

גם התהליכים המשרדיים מציעים הזדמנות. חשבונית שמתעכבת משום שחסר אישור, פירוט שעות או מסמך חוזי משפיעה על תזרים המזומנים. כלי בינה מלאכותית יכול לסייע באיתור פרטים חסרים, בתיעדוף חשבונות לטיפול ובהכנת טיוטות לתקשורת עם לקוחות.

בדיווח ביצועים, הערך עשוי להגיע מסיכום מהיר של מידע רב. במקום לעבור ידנית על עשרות דוחות, מנהל יכול לקבל תמונת מצב הכוללת פרויקטים בסיכון, שינוי ברווחיות, פער בין תכנון לביצוע וחשבוניות שטרם נגבו. עם זאת, החלטות כספיות מהותיות מחייבות בקרה אנושית ומקור נתונים ברור.

מנהל הכספים כבר אינו רק מי שמסכם את החודש

המחקר משקף שינוי רחב בתפקיד מנהל הכספים. בעבר התמקד התפקיד במידה רבה בדיווח, תקציב, בקרה ועמידה בדרישות. כיום, בחברות רבות, מנהל הכספים שותף לבחירת מערכות, להגדרת מדדים, לניהול סיכוני סייבר ולבחינת ההחזר על השקעות טכנולוגיות.

הסיבה פשוטה: כמעט לכל החלטה טכנולוגית יש השפעה פיננסית. מערכת חדשה משנה את עלות התפעול, את חלוקת העבודה, את איכות הנתונים ולעיתים גם את החשיפה לסיכון. הטמעה שאינה מצליחה אינה רק תקלה טכנולוגית; היא השקעה שלא החזירה את עצמה ולעיתים אף הוסיפה עבודה ידנית.

לכן מנהלי כספים נדרשים להציב מדדים עוד לפני ההטמעה. אם המטרה היא לקצר את זמן הכנת החשבונית, יש למדוד את המצב הקיים. אם רוצים לשפר תחזיות, צריך להגדיר כיצד נבחנת רמת הדיוק. בלי נקודת מוצא ויעד, קשה להבחין בין שימוש מרשים בכלי חדש לבין שיפור עסקי ממשי.

מה מבדיל בין הטמעה שימושית לניסוי יקר?

הפער בין 91% שרואים חשיבות בבינה מלאכותית לבין יותר ממחצית שעדיין אינם מדווחים על תועלת משמעותית עשוי לנבוע מכמה סיבות. חלק מהארגונים נמצאים בשלבים מוקדמים, וחלקם בחרו מקרה שימוש שאינו קשור לבעיה עסקית בעלת ערך גבוה.

במקרים אחרים, העובדים אינם משלבים את הכלי בשגרת העבודה. אם מנהל פרויקט צריך לעבור בין מערכות, להזין מידע פעמיים או לבדוק ידנית כל תוצאה, הכלי עלול להוסיף חיכוך במקום להפחית אותו.

גם ממשל נתונים הוא גורם מרכזי. המונח מתאר את הכללים שקובעים מי אחראי למידע, מי רשאי לגשת אליו, כיצד מתקנים טעויות וכמה זמן שומרים אותו. בלי אחריות ברורה, קשה לסמוך על תחזית אוטומטית או להסביר כיצד התקבלה המלצה.

גישה מעשית יותר מתחילה מתהליך מוגדר ומצומצם. לדוגמה: התרעה על פרויקטים שבהם קצב צריכת התקציב גבוה מקצב ההשלמה. לאחר מכן בודקים האם ההתרעה מדויקת, האם המנהלים משתמשים בה והאם היא מאפשרת פעולה מוקדמת. רק כאשר נוצר ערך מדיד, מרחיבים את השימוש.

ומה מקומן של אפליקציות ללא קוד?

פלטפורמות ללא קוד ובקוד מועט יכולות לעזור לארגונים לחבר תהליכים סביב מערכות קיימות, בלי להפוך כל שינוי לפרויקט פיתוח ארוך. אפשר, למשל, לבנות טופס אחיד לדיווח חריגה, תהליך אישורים לחשבוניות או לוח בקרה שמרכז מידע מכמה מקורות.

השילוב עם בינה מלאכותית עשוי לאפשר סיכום טקסטים, סיווג פניות או יצירת התרעות. היתרון הוא מהירות יחסית וגמישות לצוותים עסקיים. הסיכון הוא יצירת אוסף אפליקציות מקומיות שאינן מנוהלות, אינן מאובטחות או נשענות על הגדרות שאיש אינו מתחזק.

לכן גם פתרון ללא קוד דורש בעלות ארגונית, הרשאות, תיעוד ובדיקות. “ללא קוד” אינו “ללא ניהול”. בארגונים גדולים במיוחד, מומלץ להגדיר מראש אילו נתונים מותר להעביר לכלי, מי מאשר פרסום של יישום וכיצד עוקבים אחר השימוש בו.

השלב הבא: בינה מלאכותית שפועלת, לא רק מנתחת

המחקר מצביע גם על בינה מלאכותית סוכנית כאחד הכיוונים הבאים. הכוונה למערכות שאינן מסתפקות בתשובה או בהמלצה, אלא מסוגלות לבצע רצף פעולות בהתאם למטרה ולכללים שנקבעו.

בתרחיש אפשרי, מערכת מזהה שחסר אישור לחיוב, פונה לגורם המתאים, מעדכנת את סטטוס המשימה ומכינה את החשבונית לבדיקה. ככל שהמערכת מקבלת יכולת פעולה רחבה יותר, כך גדלה גם החשיבות של גבולות ברורים: אילו צעדים דורשים אישור אנושי, מה מתועד וכיצד עוצרים פעולה שגויה.

ארגונים בעלי נתונים משולבים, הרשאות מסודרות ומדדים עקביים יהיו בדרך כלל מוכנים יותר למעבר כזה. מי שעדיין מתמודד עם כפילויות ונתונים סותרים יתקשה להפקיד בידי מערכת אוטומטית תהליכים בעלי משמעות כספית.

סיכום: הנתונים המרכזיים והמשמעות הניהולית

ממצא	מה הוא אומר	המשמעות למנהלים
91% רואים בבינה מלאכותית רכיב חשוב להצלחה העתידית	הטכנולוגיה הפכה לנושא הנהלתי ולא רק טכני	יש לחבר כל השקעה לבעיה עסקית ולמדד תוצאה
יותר ממחצית עדיין אינם רואים חיסכון או שיפור משמעותי בפרודוקטיביות	אימוץ כלי אינו מבטיח ערך	נדרשים תהליך מתאים, נתונים איכותיים ושילוב בשגרת העבודה
78% צופים עלייה ברווחים ב-2026	קיימת אופטימיות למרות אי-הוודאות	כדי לממש את התחזית יש לזהות חריגות לפני שהן פוגעות בשולי הרווח
86% מדווחים על מעקב מספק או טוב מאוד אחר ביצועים תפעוליים	רוב החברות סבורות שיש להן יכולת מדידה	כדאי לבדוק גם את מהירות, עקביות ואיכות הנתונים
רק 22% מחזיקים במערכת משולבת מקצה לקצה	המידע עדיין מפוצל בארגונים רבים	חיבור נתוני כספים, פרויקטים ומשאבים הוא תנאי למימוש רחב של בינה מלאכותית

חמש שאלות שמנהלים צריכים לשאול לפני ההשקעה הבאה

1. איזו החלטה עסקית אנחנו רוצים לשפר, ומה המחיר של קבלת ההחלטה מאוחר מדי?
2. האם הנתונים הדרושים מלאים, עדכניים ומחוברים, ומי אחראי לאיכותם?
3. איזה מדד יוכיח שהיישום חסך זמן, הפחית עלות או הגן על רווחיות?
4. באילו נקודות חייב להישאר אישור אנושי, במיוחד בתהליכים כספיים או מול לקוחות?
5. האם הכלי משתלב בתהליך העבודה הקיים, או דורש מהעובדים לנהל עוד מערכת במקביל?

המבחן האמיתי אינו באימוץ, אלא בתגובה מוקדמת

המסר החשוב במחקר דלטק אינו רק ש-91% מהחברות מאמינות בבינה מלאכותית. הנתון המשמעותי יותר הוא הפער בין האמונה הזאת לבין התועלת שנמדדה עד כה.

חברות שמצליחות לחבר בין נתוני פרויקטים, כספים ומשאבים יכולות לזהות סימנים מוקדמים ולפעול לפני שהחריגה הופכת להפסד. חברות שנשענות על איסוף ידני עשויות לקבל דוח מדויק — אבל רק לאחר שהאפשרות לתקן כבר הצטמצמה.

בינה מלאכותית אינה תחליף למשמעת ניהולית, להגדרות ברורות או לנתונים אמינים. היא יכולה להעצים את כולם. כאשר התשתית טובה, היא מקצרת את הדרך מתובנה לפעולה; כאשר התשתית חלשה, היא עלולה לייצר שכבה נוספת של מורכבות.

לקראת 2026, ההבדל בין תחזית רווח לבין רווח בפועל עשוי להיקבע פחות לפי מספר כלי הבינה המלאכותית שהארגון רכש, ויותר לפי יכולתו להשתמש בהם כדי לקבל החלטות טובות בזמן.