ניהול בינה מלאכותית כקצב ניהולי רב עוצמה

מאת קירן גילמוריי | מקור: IRPA.AI

30.06.2026

---

המאמר עוסק בצורך להפוך את המשילות (Governance) על בינה מלאכותית מחלק מהתיעוד הסטטי של הארגון למקצב ניהולי פעיל ויומיומי. 

1. הכישלון של משילות מבוססת מסמכים

רוב הארגונים כבר מחזיקים במדיניות, עקרונות אתיים וועדות משילות, אך אלו נותרים לעיתים קרובות מנותקים מהמערכות התפעוליות שבהן ה-AI פועל בפועל. מסמכים שאושרו לפני חודשים אינם יכולים לזהות בעיות דינמיות כמו סחיפת נתונים ,שינויים ביכולות הספקים או התפתחות בשיטות העבודה. כתוצאה מכך, ארגונים רבים חווים השלכות שליליות משימוש ב-AI  למרות קיומה של מדיניות כתובה.

2. משילות כ"מקצב ניהולי" (Management Rhythm)  

על פי המאמר, משילות בינה מלאכותית צריכה להתנהל כ"מקצב ניהולי" (Management Rhythm) עם משימות המותאמות לתדירויות שונות בהתאם לרמת הסיכון והצורך התפעולי:

• משימות ברמה היומית

המשילות היומית מתמקדת בנראות תפעולית (Operational visibility) ובזיהוי אירועים בזמן אמת. המשימות כוללות:

• מעקב אחר התראות ואנומליות במערכות.

• ניטור חריגות (Overrides) ושינויי גישה.

• זיהוי סחיפת איכות (Quality drift) בביצועי המודלים.

• טיפול בחריגים שלא נפתרו (Unresolved exceptions).

• מעקב אחר אותות אבטחה.

• מתן אפשרות לצוותי פלטפורמה ואבטחה להתערב בביצועים חיים.

• משימות ברמה הרבעונית

המשילות הרבעונית הופכת לאסטרטגית יותר ומתמקדת בבחינה רחבה של פעילות הארגון:

• הערכה מחדש של תיאבון הסיכון (Risk appetite) הארגוני.

• בחינת החשיפה לספקים (Vendor exposure).

• עדכון שינויי מדיניות ומילוי חובות רגולטוריות )כמו ה – EU AI ACT )

• קבלת החלטות מימון ובחינת ביצועי הפורטפוליו.

• הפקת דיווח מובנה לדירקטוריונים ולוועדות הנהלה.

ההבדל המרכזי הוא שבעוד שהרמה היומית עוסקת בביצועים החיים של המערכת, הרמה הרבעונית מבטיחה שהשימוש ב- AI  נשאר מיושר עם היעדים העסקיים והדרישות החוקיות המשתנות.

3. חלוקת תחומי האחריות לפי קצב זמן

המשילות צריכה להתבצע בתדירויות שונות בהתאם לרמת הסיכון:

• יומי: התמקדות בנראות תפעולית – התראות, אנומליות, בעיות גישה ואבטחה.

• שבועי: ניתוח דפוסים – מגמות של חריגות, משוב משתמשים ושינויים במדיניות.

• חודשי: נראות הנהגתית – סקירת מדדי תפוקה, שיעורי תקריות והחלטות על הרחבת שימוש (Scaling) או תכנון מחדש.

• רבעוני: אסטרטגיה – הערכת תיאבון הסיכון, חשיפה לספקים ועמידה ברגולציה (כמו ה-EU AI Act).

4. מדדים ולוחות בקרה (Dashboards)

על פי המאמר, לוח בקרה (Dashboard) אפקטיבי למנהלים אינו צריך להתמקד רק במדדי אימוץ טכנולוגי (כמו מספר רישיונות או כמות פרומפטים), אלא לשמש כ"משטח בקרה תפעולי" המשלב מדדי סיכון, ערך ותפעול.

המדדים המרכזיים שצריכים להופיע בלוח הבקרה כוללים:

• מדדי תקריות ותגובה: שיעור התקריות בחלוקה לפי תהליכי עבודה (Workflows) ורמות חומרה, וכן הזמן הנדרש לזיהוי ופתרון של בעיות אלו.

• בקרה והתערבות: תדירות ביצוע עקיפות (Overrides) למערכת, שיעורי ההתערבות האנושית הנדרשים וצבר (Backlog) של חריגות שטרם טופלו.

• משילות וציות: מהירות ההסלמה (Escalation) של בעיות, שלמות הביקורת (Audit completeness), כיסוי המלאי של מערכות ה-AI הקיימות, ובהירות הבעלות (Ownership) על המערכות.

• סיכונים תפעוליים: חשיפה ל- Shadow AI- מערכות שאינן מנוטרות), הפרות מדיניות, כשלי בקרה, והידרדרות באיכות המערכת (Quality degradation).

• מדדי ערך ואימוץ: מדדי מימוש ערך המקושרים ישירות לתהליכי עבודה מנוהלים, מגמות אימוץ, וחדירה של ה-AI  לתהליכי העבודה הארגוניים.

המאמר מדגיש כי מדדי המשילות ומדדי העסק חייבים להופיע יחד; הפרדה ביניהם יוצרת נתק מסוכן בין יצירת הערך לבין ניהול הסיכונים התפעוליים. לוח בקרה כזה מאפשר למנהלים לקבל החלטות מושכלות לגבי הרחבת השימוש במערכות (Scaling), תכנונן מחדש או אפילו סגירתן במידת הצורך.

5. משילות כמאיץ חדשנות

לפי המאמר, התפיסה שמשילות מעכבת חדשנות היא אחת הטעויות הנפוצות ביותר; בפועל, משילות תפעולית חזקה משמשת כמאיץ לחדשנות ולא כגורם מעכב. בעוד שמשילות לקויה אכן יוצרת חיכוך, משילות המוטמעת ב"מקצב הניהולי" של הארגון מאפשרת לו להתקדם מהר יותר ובבטחה.

להלן הדרכים המרכזיות שבהן משילות תפעולית מאיצה את החדשנות:

• הפחתת אי-ודאות ובניית אמון: משילות חזקה מפחיתה את חוסר הוודאות לגבי התנהגות המערכות תחת לחץ. כאשר קיים אמון בכך שהמערכות מנוטרות ומתופעלות בבטחה, הארגון יכול להרחיב את השימוש (Scaling) ב-AI במהירות רבה יותר.

• שיפור מהירות קבלת ההחלטות: משילות תפעולית מגדירה בבירור את הבעלות (Ownership) על המערכות ויוצרת נתיבי הסלמה ברורים, מה שמונע עיכובים הנובעים מבירוקרטיה לא ברורה או התערבות מאוחרת של מחלקות משפטיות וניהול סיכונים.

• יעילות תפעולית וצמצום עבודה חוזרת: היא מפחיתה את הצורך בבדיקות כפולות ומקטינה את כמות העבודה החוזרת (Rework) הנדרשת לתיקון תקלות שלא זוהו בזמן.

• תשתית ולא בירוקרטיה: המקורות מציינים כי משילות טובה מתנהגת פחות כמו בירוקרטיה ויותר כמו תשתית תפעולית המאפשרת למערכות לצמוח.

• תוצאות עסקיות מוכחות: מחקרים המצוטטים במאמר מראים כי ארגונים עם משילות וניטור בזמן אמת נטו לדווח על שיפור משמעותי בצמיחה בהכנסות ובחיסכון בעלויות, והיו בעלי סבירות גבוהה בהרבה להפיק ערך גבוה מטכנולוגיית Generative AI.

לעומת זאת, משילות חלשה היא זו שמעכבת חדשנות, שכן היא גורמת לצוותים להסס, מובילה לאישורים לא עקביים ולתגובות "כיבוי שריפות" לתקריות, מה שבסופו של דבר בולם את הצמיחה הארגונית.

לקריאת המאמר המלא במקור לחצו...