Key Takeaways
יש שאלה אחת שמעסיקה כיום כמעט כל הנהלה בכירה: האם אנחנו מתקדמים מהר מספיק?
אלא שזאת לא השאלה הנכונה. אנחנו שומעים אותה שוב ושוב ממנהלי מערכות מידע, ועכשיו, עם פרסום הדוח הראשון שלנו, State of Agentic AI in the Enterprise, יש לנו סוף סוף נתונים שמאפשרים לבחון את השאלה הזו לעומק.
במחקר בדקנו כיצד יותר מ־2,000 מנהלים משתמשים כיום בסוכני AI בארגונים שלהם. הממצאים מגלים שההבדל בין ארגונים שכבר מפיקים תשואה ממשית מההשקעה לבין אלה שעדיין תקועים בפיילוטים יקרים, כמעט שאינו קשור למהירות ההטמעה.
מה שבאמת עושה את ההבדל הוא ההחלטות שהתקבלו עוד לפני ההשקה: אילו נתונים הוכנו ואומתו לצורך המשימה, באיזה שלבים נדרשת מעורבות אנושית, ואילו מנגנוני בקרה והגנה הוגדרו מראש, עוד לפני שהתעורר הצורך בהם.
לא צריך נתונים מושלמים. צריך את הנתונים הנכונים.
נתונים מושלמים הם לא תנאי מוקדם להצלחה. רק 31% מהארגונים שהטמיעו סוכני AI איחדו את כלל הנתונים שלהם לפני תחילת ההטמעה, והגיעו להחזר השקעה (ROI) בתוך 7.3 חודשים.
לעומתם, 34% מהארגונים בחרו בגישה הדרגתית: הם התחילו עם הנתונים שכבר היו ברשותם, והמשיכו לשלב מקורות מידע נוספים לאורך הדרך. גם הם הגיעו להחזר השקעה, בתוך 8.2 חודשים.
יש הבדל בין שתי הגישות, אבל הוא מתון יחסית, ובוודאי לא כזה שמצדיק לעצור את התהליך ולהמתין עד שכל הנתונים יהיו מוכנים.
Help Agent, סוכן הבינה המלאכותית שלנו הפועל באתר help.salesforce.com, נבנה על גבי Data 360 והוגדר מראש למטרה אחת בלבד: פתרון פניות תמיכה. גם אנחנו לא חיכינו עד שתהיה לנו תמונה אחודה ומלאה של כל מערכות הלקוחות.
עד היום, הסוכן טיפל בכחמישה מיליון שיחות עם לקוחות, בשבע שפות ובשלושה פורטלים שונים. 68% מהפניות נפתרו ללא מעורבות אנושית, והפעילות הניבה חיסכון שנתי מוערך של 100 מיליון דולר.
גם מודל ה־AI הטוב ביותר לא יפצה על תשתית לא נכונה
אחד הלקחים המרכזיים שלמדנו מהפעלת Help Agent הוא שלא חייבים להכין הכול מראש. צריך להכין את הנתונים הנדרשים למקרה השימוש הספציפי, ואז לצאת לדרך. המסקנה הזו תואמת גם את ממצאי המחקר: מתוך עשרה גורמי הצלחה שבחנו, שלושת הגורמים בעלי יכולת הניבוי הגבוהה ביותר להצלחה כלל אינם קשורים לטכנולוגיה עצמה. בראש הרשימה נמצאים שני גורמים, עם 36% כל אחד: נתונים נקיים ונגישים, והגדרה ממוקדת של מקרה השימוש. מיד אחריהם, עם 35%, נמצאת הגדרה מראש של תהליכי העברת טיפול לגורם אנושי או לגורם מוסמך אחר, במקרים שבהם סוכן ה־AI אינו יכול להשלים את המשימה בעצמו. לעומתם, איכות המודל, בחירת הפלטפורמה ושכבת תזמור אחודה (Orchestration) קיבלו כל אחד כ־30%.
רוב הארגונים שכבר הטמיעו סוכני AI משתמשים במודלים ובפלטפורמות בעלי יכולות מתקדמות. ההבדל בין הארגונים שמצליחים במיוחד לבין אלה שמתקשים לייצר תוצאות אינו נעוץ בהכרח בטכנולוגיית הבסיס, אלא במעטפת הארגונית והתפעולית שנבנית סביבה.
הארגונים שמגיעים הכי רחוק אינם בהכרח אלה שבחרו במודל המתוחכם ביותר. אלה הארגונים שידעו להתאים את תהליך ההטמעה לרמת הבשלות האמיתית שלהם, במקום להניח שכבר מהיום הראשון אפשר לאפשר לסוכני AI לפעול באופן עצמאי לחלוטין, ללא פיקוח.
זו בדיוק הגישה שעומדת מאחורי Agentforce: סוכני AI שנבנים סביב משימות מוגדרות היטב, עם מנגנון מובנה להעברת הטיפול לגורם אנושי כבר משלב התכנון, ולא כתוספת מאוחרת לאחר שמשהו משתבש.
סוכני AI כבר פועלים בתהליכים העסקיים הרגישים והמשמעותיים ביותר
סוכני בינה מלאכותית המבוססים על מודלי שפה גדולים (LLMs) פועלים באופן הסתברותי. הם מסוגלים להתמודד עם מצבים עמומים, לשקול אפשרויות שונות ולהסיק מסקנות, בדומה לאופן שבו בני אדם מקבלים החלטות, במקום לפעול רק לפי תסריט קבוע מראש. זו בדיוק היכולת שהופכת אותם לכלים יעילים במיוחד במשימות מורכבות, שבהן המידע אינו תמיד מובנה או חד־משמעי.
אבל חשיבה הסתברותית אינה יכולה להיות הבסיס היחיד שעליו נשענת מערכת עסקית. כדי שסוכני AI יוכלו לפעול בסביבה ארגונית, הם חייבים להישען גם על רכיבים דטרמיניסטיים: לוגיקה מובנית ותהליכי עבודה מבוקרים, שמפיקים תוצאות עקביות וצפויות בכל פעם. כך, במקרה של תקלה או החלטה שגויה, האמירה "הסוכן החליט" לא תהפוך לתשובה שאי אפשר לבדוק, להסביר או לבקר.
החשיבות של מנגנוני הבקרה האלה רק הולכת וגדלה ככל שסוכני ה־AI מקבלים אחריות על משימות משמעותיות יותר. כבר היום, שני תחומי הפעילות הנפוצים ביותר של סוכני AI הם תמיכה בקבלת החלטות עבור עובדים וביצוע פעולות עסקיות מול לקוחות. כל אחד מהתחומים האלה מופיע ב־49% מהארגונים שהטמיעו סוכנים. זאת לעומת 17% בלבד מהארגונים שמשתמשים בסוכנים בתהליכים פנימיים בעלי רמת סיכון נמוכה. יתרה מכך, 40% מהארגונים שכבר הטמיעו סוכני AI מפעילים אותם בתהליכים רגישים או מפוקחים רגולטורית, כגון עסקאות פיננסיות, תהליכים המחייבים עמידה בדרישות רגולציה וקבלת החלטות שבהן לטעויות עלולות להיות השלכות משפטיות או כלכליות.
המגמה הזו מקבלת חיזוק גם מממצאי Agentic Enterprise Index שלנו, שמצביעים על כך שסוכני AI מבצעים משימות מורכבות יותר ויותר. כיום, סוכן AI ממוצע מסוגל להפעיל שש מיומנויות שונות, לעומת שתיים בלבד בתחילת 2025. במילים אחרות, סוכני AI כבר פועלים בסביבות שבהן ההשפעה העסקית שלהם היא המשמעותית ביותר. לכן, מנגנוני הבקרה הדטרמיניסטיים שמלווים אותם חייבים להיות חלק מהמערכת כבר מהיום הראשון, ולא להתווסף רק לאחר שמתרחשת תקלה.
היתרון האמיתי אינו במהירות. אלא במה שעושים עם הזמן שעומד לרשותנו.
לפני שנתיים, כל הארגונים שנכללו במחקר התחילו פחות או יותר מאותה נקודת פתיחה. לא היו מדריכים סדורים, לא היה ניסיון קודם שאפשר היה להסתמך עליו, וסוכני ה־AI כפי שאנחנו מכירים אותם היום עדיין לא היו קיימים. הארגונים שמובילים כיום לא הגיעו לשם בהכרח משום שפעלו מהר יותר. הם הגיעו לשם משום שקיבלו כמה החלטות ממוקדות עוד לפני ההשקה: באיזה מקרה שימוש להתמקד, באילו נתונים להשתמש, באילו שלבים להשאיר גורם אנושי בתהליך ומה צריך לקרות כשמשהו משתבש.
ההחלטות האלה הן מקור היתרון התחרותי האמיתי, וכל ארגון יכול להתחיל לקבל אותן כבר היום. גם אם הארגון שלכם מרגיש כרגע שהוא נמצא מאחור, הפער כנראה קטן מכפי שהוא נראה בדיוני ההנהלה. אבל כדי לצמצם אותו, צריך להתחיל לקבל החלטות ולפעול, במקום להמתין לרגע שבו הכול יהיה ברור יותר. הרגע הזה כנראה לא יגיע.
הניתוח המלא של הממצאים, שמבוסס על מחקר בקרב יותר מ־2,000 מקבלי החלטות בארגונים, כולל פירוט ההחלטות שהשפיעו יותר מכול על ההצלחה בכל שלב, מופיע בדוח State of Agentic AI in the Enterprise. כדאי לקרוא אותו לפני ישיבת התכנון הבאה שלכם, ולא אחריה.
מה שמבדיל בין ארגונים שמצליחים עם Agentic AI לבין אלה שעדיין תקועים בשלב הפיילוט אינו מהירות ההתקדמות, אלא ההחלטות שהם קיבלו לפני שיצאו לדרך.
