מרוב AI לא רואים את היער, ולא את האמת הארגונית

מאת ניצן שמיר, VP Microsoft Data Solutions ב-ONE datAI

 הסיפור של AI בארגונים רבים כיום, דומה לאותו סיפור ישן על האיש שקנה מחשב-על יקר להחריד וחיבר אותו לאינטרנט עם חייגן משנות התשעים. באופן דומה, אימוץ AI מתקדם ויקר ללא הכנת המודל הסמנטי שמתחתיו חושף לעתים תשתית דאטה כושלת, ולא משפר את בשלות הנתונים בארגון. אז מה לעשות? במאמר שלפניכם

יום ראשון בבוקר בדרך למשרד, ה-CFO של תאגיד פיננסי שכולכם מכירים, עם 7,000 עובדים, מקבל אימייל ממנהל ה-IT: "כל הארגון עובר לאופיס 365 בענן, כולם מקבלים Power BI Pro, ובחודש הבא Copilot יופעל למחלקות נבחרות לפי מתווה אימוץ סדור". חודש עובר. ה-CFO מקליד בממשק שבנה לו אנליסט פיננסי מהמחלקה: "מה הסיבה לירידה ברווחיות באירופה ברבעון האחרון?" Copilot עונה בביטחון מלא, ה-CFO מעביר לדירקטוריון. שבוע אחר כך מתגלה האמת… התשובה התבססה על מודל סמנטי ישן שהועלה מ-Cognos, ה-measure של Profit חישב לפני הוצאות תפעוליות, הפילטר הגיאוגרפי כלל גם את המזרח התיכון. ה-AI לא טעה. הוא ענה בדיוק על מה ששאלו אותו, על סמך הדאטה שהיתה לו.

הבעיה הייתה במה שעמד מתחת ל-AI.

התפוח המורעל של E5

מאות ארגונים גדולים עברו בשנתיים האחרונות ל-Microsoft 365 וקיבלו E5. כל משתמש קיבל גישה ל-Power BI Pro כברירת מחדל, כמעט בלי החלטה אסטרטגית, בעוד מערכות לאגאסי כמו Cognos, Business Objects ו-Tableau ממשיכות להחזיק את ההיסטוריה הארגונית.

ההנהלה רוצה כבר להתקדם לצעד הבא: Copilot, Fabric Data Agents, דיבור עם הדאטה בשפה טבעית. ה-Q&A הקלאסי של Power BI נסגר בדצמבר 2026, סימן ברור לאן הכיוון. אבל מתחת לפני השטח של הבטחת ה-AI מתפתח סיפור אחר…

ה-AI הוא מראה, לא קסם

ה-AI לא מייצר לנו דאטה. הוא מנגיש את היכולת לשאול עליו שאלות. בארגונים שאימצו E5 ו-Copilot כברירת מחדל, ה-AI לא יוצר בשלות – לעתים הוא דווקא חושף את היעדרה. Copilot טוב רק כמו המודל הסמנטי שמאחוריו. Self-service בגרסה 1.0 הבטיח שכל אחד יוכל לבנות דוח. לפי BARC Trend Monitor 2026, כ-45 אחוז מהיישומים נכשלים תוך 18 חודשים, והסיבה היא היעדר ממשל וקונטקסט. ה-AI בגרסה 2.0 לא פותר את הבעיה הזאת. הוא חושף אותה.

שלושה ארכיטיפים, קו שבר אחד

אפשר לזהות בשטח שלושה ארכיטיפים של ארגונים:

• ארגון ה-Lift and Shift – שמעביר מודלי לגאסי כפי שהם ומקבל תשובות סותרות מ-Copilot.
• ארגון ה-Greenfield Rebuild – שבונה Star Schema חדשה ומשקיע ב-Prep for AI מההתחלה, ב-AI Instructions, AI Data Schema, סימון Approved for Copilot, RLS ו-CLS שנאכפים בתוך Fabric Data Agents, ואצלו Copilot עובד מהיום הראשון.
• וארגון ה-Hybrid Trap – שהולך חצי דרך ומקבל את הסיכון הגדול ביותר: תשובות שרק נראות נכונות.

קו השבר ביניהם אינו טכנולוגי. הוא תפיסתי.

מה כדאי לעשות – כבר בחודשיים הקרובים

ההמלצה הפרקטית שלי קטנה ולא דורשת תקציב נוסף. לפני הפעלה ארגונית של Copilot פשוט לעצור לחודשיים, לבחור מודל סמנטי אחד חשוב לעסק, להפעיל עליו את Prep for AI במלואו, להריץ עליו 20 שאלות אמיתיות מהשטח ולמדוד דיוק. רק אחרי שהוכח ערך מדיד, אפשר להרחיב את השימוש בארגון.

כמו כן, שימו לב שבינתיים בארגונים המצליחים נולד תפקיד חדש: מהנדס ההקשר, או context engineer. הוא לא בונה דוחות, אלא את שכבת ההקשר שמעליה כל הארגון שואל שאלות. מהנדס ההקשר הוא זה שאחראי להפוך את החייגן שהזכרנו קודם לתשתית סיבים אופטיים במהירות 10 Gbps. כמו שאת מחשב החלומות שרכשתם במחיר מופקע אתם רוצים לחבר לתשתית מהירה ויציבה, גם את ה-AI הנוצץ והיקר שלכם אתם רוצים להושיב על מודלים סמנטיים שעברו טיוב והכנה מתאימה. זה בדיוק מה שה-context engineer יעשה עבורכם.

כי בשורה התחתונה, גם AI הכי מתקדם לא ישנה את ה-BI שלכם, הוא רק יחשוף איך הוא נראה באמת. השאלה היחידה היא האם תרצו שאחרים יראו את זה לפניכם.