ארגון ה-AI הישראליארגון ה-AI הישראלי
חדר שרתים בארגון פיננסי וצוות מהנדסים מול מסכים
הטמעת AI בארגוניםמקרה בוחן

רצינו מודל AI פנימי, וגילינו שהוא עולה פי שלושה מהטמעה חכמה

ליאור אברהםליאור אברהם⏱️ 3 דק׳ קריאה

"אנחנו רוצים להקים מודל בינה מלאכותית משלנו. כזה שיישב אצלנו, ישמור על המידע ויענה לצרכים שלנו בלבד." כך פתח סמנכ"ל הטכנולוגיה של ארגון פיננסי גדול את הפגישה הראשונה שלנו. הרעיון נשמע מצוין: לא להיות תלויים בגורמי חוץ, לשמור מידע רגיש בבית, ולבנות יכולת פנימית שתשרת את כולם, משירות הלקוחות ועד ההדרכה.

המקרה אמיתי. הפרטים המזהים שונו.

בקצרה
  • ארגון פיננסי השקיע חצי שנה במודל AI פנימי, ושילם פי שלושה בשביל עשירית מהתוצאה.
  • ברוב הארגונים, השחרת מידע ושימוש במודל חיצוני בגרסה ארגונית זול, מהיר ומדויק יותר.
  • מודל פנימי מוצדק בעיקר כשרגולציה או ביטחון מחייבים שהמידע לא ייצא מהארגון בשום צורה.

חצי שנה של התלהבות, ואז המספרים

הם בנו צוות, שכרו יועצים, רכשו שרתים והתחילו לאמן מודל על הנתונים של הארגון. בהתחלה הייתה אווירה של סטארט-אפ: המהנדסים התרגשו, ההנהלה עודדה, כולם הרגישו פורצי דרך.

ואז הגיעו המספרים. שרתים עולים הרבה. מומחי AI פנימיים עולים עוד יותר. והמודל? עדיין לא נתן תוצאות טובות יותר ממערכות שקיימות בשוק. "אנחנו משלמים פי שלושה, ומקבלים עשירית ממה שציפינו," סיכם המנמ"ר אחרי חצי שנה. "והכי מתסכל? אם היינו משקיעים את אותם משאבים בהטמעה חכמה של מודל קיים, כולל אבטחת מידע, הדרכות ותהליכים, כבר היינו עם מערכת עובדת."

ואז, מחוץ לחדר, הוא הוסיף משפט שאני זוכר עד היום: "גיליתי שהעובדים המאוכזבים לא מתלוננים. הם פשוט עובדים עם המודלים בחוץ, ואין לנו שליטה על זה."

מה באמת קרה כאן

הטעות לא הייתה טכנית. היא הייתה טעות בהערכה של שלושה דברים: רגישות המידע (רובו לא דרש מודל פנימי), היכולת להחזיק מודל (שזה פרויקט שלא נגמר), והעלויות (שתמיד גבוהות מהתכנון). בינתיים, המודלים המסחריים השתפרו בקצב שאף צוות פנימי לא יכול להדביק. כל חודש שהארגון השקיע בפיתוח, הפער רק גדל.

📬

רוצים לקבל עדכוני AI ישירות לאימייל?

הצטרפו לאלפי מנהלים שמקבלים את הניוזלטר השבועי שלנו

"מרבית הארגונים לא באמת צריכים מודל פנימי. הם צריכים דרך בטוחה להשתמש במודל קיים. זה פחות מרגש בישיבת הנהלה, אבל זה עובד." — ליאור אברהם, מייסד ארגון ה-AI הישראלי

החלופה שעובדת: השחרה ומודל חיצוני

במקום להחזיק תשתית מודל שלמה, אפשר להשחיר את המידע הרגיש על שרת מקומי, להפוך אותו ללא מזוהה, ורק אז לשלוח אותו למודל חיצוני בגרסה ארגונית. כך שומרים על הפרטיות, חוסכים בעלויות, ומקבלים תוצאה איכותית יותר ומהר יותר. בנוסף, ספקי הענן הגדולים מציעים היום מודלים מובילים בתוך סביבת הענן של הארגון, עם הסכמי עיבוד נתונים ושמירת המידע באזור גאוגרפי מוגדר.

מתי כן נכון לבנות מודל פנימי

שאלהאם התשובה "כן"אם התשובה "לא"
האם רגולציה, ביטחון או דין מחייבים שהמידע לא יצא מהארגון בשום צורה?מודל פנימי שקולמודל חיצוני עם השחרה
האם יש לנו צוות AI פנימי יציב לשנים קדימה?אפשר להחזיק מודלמודל פנימי יהפוך ליתום
האם מודלי המדף נכשלו במשימה הספציפית שלנו, אחרי בדיקה אמיתית?יש הצדקה לפיתוחאין סיבה לפתח
האם יש תקציב לתחזוקה, אימון ותיקוף מתמשכים, לא רק להקמה?אפשר להתקדםהפרויקט ייתקע בשנה השנייה

רק אם התשובה לשאלה הראשונה, וגם לשלוש האחרות, היא "כן", מודל פנימי הוא כנראה ההחלטה הנכונה.

איך תדעו שאתם בכיוון הלא נכון

  • הפרויקט נמדד ב"כמה התקדמנו באימון", ולא ב"כמה עובדים משתמשים ומה זה חוסך".
  • אין השוואה מסודרת בין המודל הפנימי לבין מודל מסחרי על אותן משימות.
  • העובדים ממשיכים להשתמש בכלים חיצוניים כי "המערכת שלנו עוד לא מוכנה".
  • התקציב לשנה השנייה לא הוגדר, כי "נראה איך זה ילך".

השוואת עלויות: על מה באמת משלמים

רכיבמודל פנימימודל חיצוני בגרסה ארגונית
הקמהשרתים או GPU, צוות, אימון ותיקוףהגדרה, השחרה, חיבור למערכות
עלות שוטפתתשתית, אנשי צוות קבועים, אימון מחדשרישיונות או תשלום לפי שימוש
איכות לאורך זמןתלויה ביכולת הצוות להדביק את השוקמשתפרת עם כל דור מודלים חדש
זמן עד ערךחודשיםשבועות
שליטה במידעמלאהתלויה בהסכם, בהשחרה ובאזור האחסון

תבנית: בדיקה של שבועיים לפני שמחליטים

  1. בוחרים 3 משימות אמיתיות שהמודל הפנימי אמור לפתור.
  2. משחירים את המידע הרגיש, ומריצים את אותן משימות על שניים או שלושה מודלים מסחריים מובילים.
  3. מודדים איכות, זמן ועלות לכל משימה.
  4. רק אם המודלים המסחריים נכשלו בבירור, יש הצדקה לדון בפיתוח פנימי.

עוד כלים, מדריכים ומקרים בתחום תמצאו בעמוד AI ל-IT ואבטחת מידע, ותבניות מוכנות למדיניות ולנהלים בערכת הטמעת ה-AI החינמית שלנו.

השורה התחתונה

בינה מלאכותית טובה היא לא רק שורת קוד. היא אסטרטגיה שמתחילה בהבנת הצרכים מול מה שכבר קיים בשוק. ברוב המקרים, פתרון חיצוני עם הטמעה חכמה, נהלים ברורים ואחריות על פרטיות ייקח את הארגון הרבה יותר רחוק, בהרבה פחות זמן. ואם אתם מתלבטים בין המודלים המסחריים עצמם, השוואה מעודכנת תמצאו במדריך Claude 5.5 לארגונים.

שאלות ותשובות
ברוב המקרים לא. מודל פנימי מוצדק בעיקר כשרגולציה, ביטחון או דין מחייבים שהמידע לא ייצא מהארגון בשום צורה, ויש צוות ותקציב לתחזק אותו לאורך שנים.
הצטרפו לקבוצת הווטסאפ שלנו לעדכונים

תגיות:

שתפו את הכתבה:

עוד כתבות שיעניינו אותך

הטמעת AI בארגונים: המדריך המלא 2026 — שלבים, עלויות, ROI וטעויות נפוצות
מדריכים• ליאור אברהם• 2 באוקטובר

הטמעת AI בארגונים: המדריך המלא 2026 — שלבים, עלויות, ROI וטעויות נפוצות

המדריך המלא להטמעת AI בארגונים בישראל: חמשת השלבים מאבחון ועד מדידה, מי צריך להיות בצוות, רגולציה ואבטחת מידע ב-2026, איך מודדים ROI, כמה זה עולה, תוכנית 30-60-90 יום וחמש הטעויות שמכשילות הטמעות — עם מקרים אמיתיים מהשטח.

המערכת נתנה תשובה שגויה, ומאז אף אחד בצוות לא סומך עליה
הטמעת AI בארגונים• ליאור אברהם• 2 באוקטובר

המערכת נתנה תשובה שגויה, ומאז אף אחד בצוות לא סומך עליה

מנהל צוות בחברת ייעוץ הנדסי העביר תשובה של AI בלי לבדוק, והטעות הגיעה להנהלה. איך אירוע אחד מחק חודשים של הטמעה, מה קרה ל-Deloitte באוסטרליה, ואיך מגדירים מה חייב בדיקה לפני שליחה.

הלקוחות גילו שהנציגה 'דנה' היא בוט, והאמון קרס: למה חייבים גילוי נאות
הטמעת AI בארגונים• ליאור אברהם• 2 באוקטובר

הלקוחות גילו שהנציגה 'דנה' היא בוט, והאמון קרס: למה חייבים גילוי נאות

בוט שירות מצוין בחברת תקשורת הציג את עצמו כנציגה אנושית, עד שלקוח שאל 'את אמיתית?'. איך שקיפות הפכה לסוגיה רגולטורית (EU AI Act, סעיף 50), מה למדנו מ-Air Canada, ואיך מפעילים בוט שירות נכון.

מערכת ה-AI סיננה מועמדים, וכולם יצאו זהים: מקרה של הטיה בגיוס
הטמעת AI בארגונים• ליאור אברהם• 2 באוקטובר

מערכת ה-AI סיננה מועמדים, וכולם יצאו זהים: מקרה של הטיה בגיוס

חברת טכנולוגיה הכניסה AI לסינון קורות חיים, ופתאום כל המועמדים נראו אותו דבר. איך מערכת שלמדה מהעבר הנציחה הטיה, מה קרה ל-Amazon, מה ה-EU AI Act דורש, ואיך מחנכים את המערכת מחדש.

התהליך האוטומטי אישר הזמנה של עשרות אלפי שקלים בלי חתימה: מה אסור לתת ל-AI לעשות לבד
הטמעת AI בארגונים• ליאור אברהם• 2 באוקטובר

התהליך האוטומטי אישר הזמנה של עשרות אלפי שקלים בלי חתימה: מה אסור לתת ל-AI לעשות לבד

תהליך רכש אוטומטי מבוסס AI בארגון גדול שלח הזמנה חריגה לספק בלי שאף אחד אישר אותה. איך זה קרה, למה זה רלוונטי עוד יותר בעידן הסוכנים, ואיך מגדירים נקודות בקרה ורמות אוטומציה לפי סיכון.

'פעם שאלו אותי, היום שואלים את המחשב': איך מונעים התנגדות של עובדים ותיקים ל-AI
הטמעת AI בארגונים• ליאור אברהם• 2 באוקטובר

'פעם שאלו אותי, היום שואלים את המחשב': איך מונעים התנגדות של עובדים ותיקים ל-AI

כלי AI במוקד של חברת תשתיות שיפר את כל המדדים, ובמקביל גרם לעובדים הוותיקים להרגיש מיותרים ולהתרחק. מה השתבש, מה אומרים הנתונים של מיקרוסופט, ואיך הופכים ותיקים ממתנגדים למנטורי AI.

מנהל אבטחת המידע עצר את השימוש ב-AI בבוקר אחד: איך בונים 'מסלול ירוק' במקום לחסום
הטמעת AI בארגונים• ליאור אברהם• 2 באוקטובר

מנהל אבטחת המידע עצר את השימוש ב-AI בבוקר אחד: איך בונים 'מסלול ירוק' במקום לחסום

ביחידת שירות של ארגון ציבורי העובדים התחילו להיעזר ב-AI, עד שמנהל אבטחת המידע אסר הכול במייל אחד. למה חסימה בלי חלופה מגדילה את הסיכון, ואיך בונים מסלול ירוק: סיווג מידע, כלי ארגוני מאושר והשחרה.

כתיבת נהלים עם AI: למה מנהלת משאבי האנוש קיבלה מסמך משפטי קר, ואיך תיקנו את זה
הטמעת AI בארגונים• ליאור אברהם• 2 באוקטובר

כתיבת נהלים עם AI: למה מנהלת משאבי האנוש קיבלה מסמך משפטי קר, ואיך תיקנו את זה

מנהלת משאבי אנוש בחברת ביטוח ביקשה מה-AI לנסח נהלים וקיבלה טקסט משפטי ומנותק. איך לימדנו את המודל לכתוב בקול של הארגון, איך עושים את זה היום ב-ChatGPT, Gemini, Claude ו-Copilot, ומה צריך לקרות בהטמעה.

חיפשתי 'מקדחה' ולא קיבלתי כלום: למה הטמעת AI נכשלה בחברה ממשלתית
הטמעת AI בארגונים• ליאור אברהם• 2 באוקטובר

חיפשתי 'מקדחה' ולא קיבלתי כלום: למה הטמעת AI נכשלה בחברה ממשלתית

מנמ"ר של חברה ממשלתית בחר כלי, ספק והדרכה, ואחרי שלושה חודשים השימוש צנח לאפס. הסיבה: העובדים השתמשו ב-AI כמו במנוע חיפוש. מה השתבש, איך היינו מונעים את זה, וצ'קליסט לפני השקת כלי AI בארגון.

שוק הדירות בחולון: פחות עסקאות, פחות עליות
מאמרים ומחקריםרשות המסים — מאגר עסקאות המקרקעין (גרסאות לעם)• ליאור אברהם• 1 באוקטובר

שוק הדירות בחולון: פחות עסקאות, פחות עליות

ניתוח באמצעות AI של 40,061 עסקאות דירות בחולון מאז 2008 מראה עיר שמאבדת תנופה: ירידה במכירת הדירות, השיעור הנמוך באזור של דירות חדשות, מחסור בדירות קטנות לצעירים וכמעט עצירה של עסקאות הקומבינציה. השוואה לערים השכנות ונתונים לפי שכונות.

הצטרפו אלינו