לא ה-AI עוצר את ישראל, אלא צווארי הבקבוק שמסביבו

הטכנולוגיה כבר כאן. ההטמעה היא זו שנתקעת

כדי לזהות את הפער הטכנולוגי של ישראל, לא חייבים להתחיל במודל שפה חדש או בשבב מתקדם. לפעמים מספיק להביט בעגורן בנייה, בגשר שלא נפתח בזמן, או בנתוני משכנתאות שמגלים סיפור מסובך יותר מזה שעולה מהכותרת. בשלושת המקרים האלה, הטכנולוגיה עצמה אינה החסם העיקרי. הבעיה נמצאת במקום אחר: רגולציה איטית, תיאום חלקי בין גופים, אינטרסים מקצועיים והרגלים ארגוניים שקשה לשנות.

זה אולי נשמע פחות נוצץ מ-AI, אבל כאן בדיוק העניין. חלק גדול מהשיח על חדשנות מתרכז ביכולת לפתח. הרבה פחות תשומת לב מוקדשת ליכולת להטמיע. ובישראל, פעם אחר פעם, מתברר שהפער המשמעותי באמת נפתח בין מה שכבר אפשרי טכנולוגית לבין מה שמערכת שלמה מוכנה לאפשר בפועל.

העגורן הוא לא רק עניין של בטיחות, אלא גם מבחן לאימוץ טכנולוגיה

הדוגמה הבולטת ביותר מגיעה מענף הבנייה. לפי הדיווח, בישראל עדיין לא עברו באופן רחב להפעלת עגורני צריח מעמדות קרקע, אף שמדובר בפרקטיקה מוכרת במדינות אחרות ושכבר שנים מנסים לקדם אותה. על פני השטח זו נראית כמו שאלה מקצועית של הענף. בפועל, זה כמעט מקרה מבחן קלאסי לקושי בהטמעה.

כשקיימת מערכת שמפחיתה את החשיפה של עובדים לסיכון, ובכל זאת אינה הופכת לחלק מהזרם המרכזי, קשה להסביר את זה רק דרך בשלות טכנולוגית. מהר מאוד הדיון נעצר בתחנות המוכרות: מי הגוף המאשר, מי נושא באחריות במקרה של תקלה, מי חושש משינוי במבנה התעסוקה, ואיך בכלל מנהלים תקופת מעבר שבה המערכת הישנה והחדשה מתקיימות זו לצד זו.

כאן נכנסות לתמונה הרחבה יותר גם מערכות AI וטכנולוגיות בקרה מרחוק. הטכנולוגיה כבר יודעת לספק חיווי בזמן אמת, סיוע למפעיל, תיעוד, זיהוי חריגות ולעתים גם שכבות בקרה נוספות. אבל כאשר הארגון או הרגולטור מתייחסים לעצם החידוש כאל איום, גם מערכת בשלה עשויה להיתפס כמו ניסוי מסוכן. לא בהכרח בגלל המערכת עצמה, אלא מפני שאין סביבה תהליך מסודר שמתרגם חדשנות לשגרה תפעולית.

וזה כמובן לא נשאר רק באתרי בנייה. כמעט בכל תחום שעובר דיגיטציה מגלים מהר מאוד שהחלק הקשה באמת מתחיל דווקא אחרי הפיילוט.

גם נתונים איכותיים לא מספיקים כשיכולת הפרשנות חלשה

מקור אחר עסק בזינוק בהיקף המשכנתאות במאי. בקריאה מהירה, מספר כזה יכול להיראות כמו סימן להתאוששות חדה או לחזרת ביקושים. אלא שהתמונה מורכבת יותר: חלק מהמשכנתאות נלקחות עכשיו עבור דירות שנרכשו קודם, לאחר שהתשלומים נדחו במסגרת מבצעי קבלנים. כלומר, הנתון הפיננסי לא בהכרח מספר את מה שנדמה במבט ראשון.

לכאורה זה רחוק מעולם הטכנולוגיה, אבל למעשה זה יושב בלב העניין בעידן ה-AI. מודלים אנליטיים, לוחות מחוונים ודשבורדים מציגים מספרים נאים, מזהים מגמות ומצליבים מקורות. מה שהם עושים פחות טוב, לפחות בלי תכנון נכון, הוא להסביר את ההקשר המוסדי והחוזי שמאחורי הנתון. כשארגון נשען יותר מדי על מדידה ופחות מדי על פרשנות, הוא עלול להתחיל לנהל מציאות חלקית מאוד.

במילים פשוטות, יש הבדל בין דיגיטציה של מידע לבין הבנה ממשית של המערכת. גוף פיננסי, יזם, עיתונאי או מקבל החלטות שיסתכל רק על היקף האשראי, בלי להבין את דחיות התשלום ואת מבצעי המימון שדחו את מועד נטילת המשכנתה, עלול להגיע למסקנות לא מדויקות. AI יכול לסייע כאן, אבל הוא גם עלול לחדד את הבעיה אם הוא פועל בלי ההקשר הנכון.

לכן, בתחומים כבדי רגולציה, אוטומציה טובה לא יכולה להיבנות מעל הידע הענפי. היא חייבת להיבנות יחד איתו.

לפעמים הפקק האמיתי נמצא בין העירייה, המשטרה וחברת התשתית

הסיפור על שכונת הסופרים בבני ברק, שעלולה להישאר עם כביש גישה סגור למשך כמה ימים סביב הופעות באצטדיון רמת גן, מדגים כשל מסוג אחר. כאן אין מחסור במערכות מתוחכמות. ניהול תנועה, סימולציות עומסים, בקרה על רמזורים, תיאום בין גופים, התרעות בזמן אמת וניווט מבוסס אירועים הם כלים שקיימים כבר מזמן. ובכל זאת, תושבים עדיין עשויים להיות תלויים בציר יחיד, בזמן שגשר שנחנך בטקס עדיין לא נפתח בפועל.

זה רגע שמפרק לא מעט אשליות על עיר חכמה. עיר אינה נעשית חכמה רק מפני שהותקנו בה חיישנים או מפני שפועל בה חדר שליטה. היא נעשית כזו כאשר המידע עובר בזמן בין הגופים, כשיש חלוקת אחריות ברורה, וכאשר התפעול בשטח גובר על שיקולי טקס, הודעות לתקשורת או משחקי האשמה המוכרים.

AI אולי יכול לחזות עומסים סביב אירועי ענק, להציע מסלולים חלופיים ולחשב חלונות סיכון. אבל בלי סמכות מתכללת שמסוגלת להכריע בזמן, ובלי יכולת לפתוח תשתית קריטית גם כשיש מחלוקת בין גופים, האלגוריתם נשאר לכל היותר פרשן מהצד.

מה משותף לעגורן, למשכנתה ולכביש סגור

במבט ראשון אלה שלושה סיפורים שאין ביניהם קשר: אחד עוסק בבטיחות בבנייה, אחר באשראי לדיור, והשלישי בניהול גישה עירונית. אבל מתחת לפני השטח חוזר אותו דפוס. בישראל, הבעיה אינה תמיד מחסור בחדשנות. לא פעם זו דווקא חולשה בשרשרת שמחברת בין טכנולוגיה, רגולציה ותפעול.

בכל אחד מהמקרים נוצר פער בין היכולת לבין המימוש:

• יש פתרון טכנולוגי, אבל אין הסכמה מוסדית רחבה שמאפשרת להפעיל אותו.
• יש נתונים, אבל ההקשר שאמור לפרש אותם לא נטמע מספיק עמוק במערכת.
• יש תשתית, או לפחות תכנון תשתיתי, אבל התיאום בין הגופים נשבר בדיוק ברגע הקריטי.

זה לא אומר שכל עיכוב מיותר, או שכל התנגדות לשינוי נובעת רק משמרנות. לפעמים יש שאלות מקצועיות לגיטימיות, סיכונים שצריך לבדוק, והשלכות תעסוקתיות שמחייבות תקופת מעבר. דווקא משום כך, הטמעה רצינית היא משימה ניהולית ולא רק הנדסית. היא דורשת תמריצים, תקינה, הכשרה, חלוקת אחריות ומדדי הצלחה. כל אלה לא מופיעים מעצמם רק מפני שהטכנולוגיה קיימת.

הלקח לעידן ה-AI: פחות הדגמות, יותר מוסדות שמתפקדים

הפיתוי בעולם הטכנולוגיה מובן. הרבה יותר קל להתרשם ממערכת חדשה מאשר לשאול מי יאשר אותה, מי יתפעל אותה, מי יתנגד לה, ובאיזו נקודה היא עלולה להיתקע. אבל בלי השאלות האלה, גם פתרון מצוין עלול להישאר תקוע במשך שנים. לפעמים זה קורה בשקט, בתוך נוהל שלא עודכן. לפעמים זה מתפרץ החוצה, כשנתון מטעה את השוק או כששכונה מגלה שהגישה אליה תלויה בהחלטה שלא התקבלה בזמן.

לכן, אם יש מסקנה שעולה מהסיפורים האלה עבור תחום הטכנולוגיה וה-AI, היא אינה שצריך להאט את החדשנות. להפך. צריך להבין שהשלב הקריטי מתחיל אחרי הפיתוח: במוסדות, בממשקים וביכולת של גופים שונים לעבוד יחד, בלי להפוך כל שינוי למאבק התשה.

AI לא יפתור לבדו מערכת שסובלת מחוסר תיאום, מאחריות מפוזרת ומרגולציה שמתקשה להתעדכן. הוא בהחלט יכול להיות כלי משמעותי בתוך מערכת מתפקדת. זו הבחנה פחות נוצצת, אבל כנראה חשובה יותר. במדינה שמצטיינת בהמצאה, צוואר הבקבוק נמצא לא פעם דווקא במקום שפחות מדברים עליו: היכולת להפוך טכנולוגיה לעבודה יומיומית שאנשים באמת סומכים עליה.