כל הפוסטים

אני פוגש בשטח ארגונים שנתקעים בשני קצוות שונים לחלוטין, אבל בשניהם חסר אותו דבר: שכבת בינה שמסוגלת לראות את התמונה המלאה ולקבל החלטות. 1️⃣ב- Brownfield (ריבוי מערכות ליבה ישנות)- כל מערכת היא עולם סגור. אף אחד לא רואה את התמונה המלאה: איך עיכוב בחומר גלם ישפיע על תוכנית הייצור או האספקה? 2️⃣ ב-Greenfield (כאוס אקסלים)-אין מערכות ישנות, אבל גם אין סדר. הפיתוי הגדול הוא לרוץ לקנות מערכת גדולה שתעשה סדר. זה פרויקט של שנתיים שלא יפתור את הבעיה האמיתית. איפה ה-AI נכנס לתמונה? ✅ ל-

🟢 המשטח הירוק של הלגו: זה העתיד של ה-AI  בתעשייה כל מי ששיחק בלגו מכיר את המשטח הירוק - הבסיס שעליו הכול מתחבר. בתעשייה 4.0 זו בדיוק השכבה שחסרה: שכבת הבינה התפעולית שמחברת בין כל המערכות הקיימות לשפה אחת של החלטות. 🟢 שוק ה-Decision Intelligence ,יגיע ל- 17 מיליארד דולר עד 2030.   גידול שנתי של 30%. מתוכו, 6 מיליארד דולר כבר מתמקדים ב-Operational Intelligence. 🚨 הבעיה האמיתית המערכות הקיימות אוספות נתונים - אבל הן לא מייצרות החלטות. הפער הוא בין Data לפעולה, בין תובנה לביצ

מי שקורא מזווית מעשית את הדו"ח העדכני של מקינזי על השימוש ב-AI ב-2025, רואה שהקושי ביישום לא נובע מהטכנולוגיה. הוא נובע מהדרך שבה ארגונים ניסו להטמיע אותה בלי קשר לשטח. וחייבים להגיד את זה. חלק גדול מהאתגרים נוצרו ממודל ייעוץ שמקינזי היא חלק ממנו שהתמקד בחזון יפה על הנייר, אבל לא חיבר את ה-AI לעבודה היומיומית. ארגונים קיבלו המלצות להחליף מערכות קריטיות, לצאת לפרויקטים גדולים ולבנות תהליכים מחדש סביב Gen AI. אבל מפעלים לא יכולים לפרק תהליכי ליבה ולחכות שמישהו ירכיב אותם מחדש. 

לפי דוח מכון מוזאיק למדיניות בינה מלאכותית, 61% מהחברות בתעשייה חוששות לאבד יתרון תחרותי בלי AI, אבל בפועל רק כ-20% משתמשות בטכנולוגיה. למה הפער הזה קיים? כי אנחנו מנסים להכניס AI הסתברותי וגמיש לתוך מערכות ותהליכים שנבנו לדטרמיניזם ושליטה. 1️⃣ הדילמה האסטרטגית: בין "המוכר והבטוח" לחדשנות השוק מוצף פתרונות, והבחירה קשה: 🔹 החדשנות: פתרונות סטארט-אפ מבוססי AI נותנות מענה גמיש ומהיר לאוטומציה של החלטות מבוססות כללים, לדוגמה זיהוי והתראה על איחור במשלוח חומר גלם . הם פחות יעילים