לפי מאמר המציג את ממצאי דו״ח "State of Agentic AI in the Enterprise" של חברת Salesforce, המבוסס על מחקר גלובלי בקרב יותר מ-2,000 מנהלים ומקבלי החלטות בתחום הבינה המלאכותית, השאלה שמעסיקה הנהלות רבות – האם הארגון מתקדם מספיק מהר – אינה השאלה הנכונה. על פי הנתונים המוצגים בדו״ח, מה שמבדיל בין ארגונים שמשיגים החזר השקעה (ROI) אמיתי לבין אלו שנותרים תקועים בפיילוטים יקרים אינו קשור למהירות, אלא לפעולות שנעשו טרם ההשקה: הפיכת הנתונים למהימנים עבור המשימה הספציפית, הגדרת הנקודה שבה אדם נשאר בתהליך (Human in the loop), ובניית מנגנוני הגנה (Guardrails) מראש ולא בדיעבד.
נתונים מוכנים למשימה במקום איחוד נתונים מושלם
לפי הדו״ח, נתונים מושלמים אינם תנאי מקדים להטמעת סוכני בינה מלאכותית. רק 31 אחוז מהארגונים שהטמיעו סוכני AI איחדו את הנתונים שלהם באופן מלא לפני הפריסה, וארגונים אלו הגיעו להחזר השקעה בתוך 7.3 חודשים. במקביל, 34 אחוז מהארגונים בחרו בפריסה הדרגתית (איטרטיבית) – הם החלו עם הנתונים שהיו ברשותם והוסיפו אינטגרציות נוספות לאורך זמן. ארגונים אלו הגיעו להחזר השקעה בתוך 8.2 חודשים. הפער של פחות מחודש בהגעה להחזר השקעה מוגדר בדו״ח כפער צנוע שאינו מהווה סיבה להקפיא מהלכים.
במאמר מצוין כי פחות משנה לפני ההצטרפות ל-Salesforce, בעת עבודה במשרד ה-CIO של חברה גדולה לשירותים פיננסיים, שררה ספקנות לגבי היכולת של פלטפורמה נוספת לפתור את מה שנראה כבעיית נתונים ולא כבעיית כלים. עמדה זו השתנתה בעקבות צפייה במה שמתרחש כאשר נתונים מוגדרים ועוברים משילות (Governance) עבור משימה ספציפית, במקום להתייחס אליהם כפרויקט הגירת נתונים ענקי שחובה להשלימו לפני שניתן להתחיל.
הניסיון של Salesforce עם Help Agent
במאמר מודגם עקרון זה באמצעות Help Agent, סוכן ה-AI של Salesforce הפועל באתר help.salesforce.com. הסוכן נבנה על גבי Data 360 והוגדר למשימה אחת בלבד: פתרון פניות תמיכה. ההטמעה לא המתינה לתצוגה מאוחדת ומלאה של כל מערכות הלקוחות בארגון.
על פי הנתונים שנמסרו, הסוכן טיפל בכמעט חמישה מיליון שיחות לקוחות בשבע שפות ובשלושה פורטלים שונים. Help Agent פתר 68 אחוז מהפניות ללא מעורבות של גורם אנושי, והניב חיסכון שנתי מחושב של 100 מיליון דולר. הלקח המרכזי שצוין מהפעלת הסוכן הוא שאין צורך להכין את כלל המערכות, אלא להכין את הנתונים הדרושים למקרה השימוש המסוים ולהתחיל בעבודה.
הגורמים המנבאים הצלחה: התשתית סביב המודל
ממצאי המחקר מראים כי מתוך עשרה גורמי הצלחה שנמדדו, שלושת הגורמים בעלי יכולת הניבוי הגבוהה ביותר אינם קשורים לטכנולוגיית הבסיס:
- נתונים נקיים ונגישים (Clean, accessible data) ומקרה שימוש מוגדר וצר (Narrowly scoped use case) חולקים את המקום הראשון עם 36 אחוזים כל אחד.
- נתיבי הסלמה לגורם אנושי שהוגדרו לפני ההשקה נמצאים במקום הבא עם 35 אחוזים.
- איכות המודל, בחירת הפלטפורמה ושכבת תזמור מאוחדת (Unified orchestration layer) קיבלו כל אחת כ-30 אחוזים בלבד.
הדו״ח מציין כי מרבית הארגונים שהטמיעו סוכנים כבר עובדים עם מודלים ופלטפורמות בעלי יכולות גבוהות. הפער בין ארגונים בעלי ביצועים חזקים לביצועים חלשים מתבטא במה שנבנה מסביב לתשתית זו, ולא בתשתית עצמה. על פי מודל הבשלות (Agentic Maturity Model) המוזכר במאמר, הארגונים המתקדמים ביותר אינם אלה המשתמשים במודל המתקדם ביותר, אלא אלה שהתאימו את הפריסה לרמת הבשלות הארגונית שלהם במקום להניח שהארגון מוכן להפעלת סוכנים ללא פיקוח מהיום הראשון. עקרון זה עומד בבסיס פלטפורמת Agentforce, שבה הסוכנים מוגדרים בצורה ממוקדת לתפקיד מסוים, עם העברה מובנית לגורם אנושי שמתוכננת מראש ולא מתווספת רק בעת תקלה.
שילוב סוכנים במשימות מורכבות ובעלות סיכון
סוכנים המבוססים על מודלי שפה גדולים (LLMs) פועלים בצורה הסתברותית: הם מנתחים אי-ודאות באמצעות שקילת אפשרויות במקום לפעול לפי תסריט קבוע מראש, מה שהופך אותם למתאימים לעבודה מורכבת ולא מובנית. עם זאת, במאמר מודגש כי היגיון הסתברותי אינו יכול להוות את המערכת כולה; עליו להיות מעוגן ברכיבים דטרמיניסטיים, כגון לוגיקה מובנית ותהליכי עבודה מנוהלים המתנהגים בצורה זהה בכל פעם, כדי למנוע מצב שבו החלטת הסוכן אינה ניתנת להסבר כאשר מתרחשת שגיאה.
לפי נתוני הדו״ח, סוכנים פועלים כיום בתחומים בעלי השפעה רחבה:
- תמיכה בקבלת החלטות עבור עובדים (Employee-facing decision support) ועבודה עסקית מול לקוחות (Customer-facing transactional work) הם המקומות הנפוצים ביותר שבהם סוכנים פועלים, כל אחד ב-49 אחוזים.
- תהליכי עבודה פנימיים בעלי סיכון נמוך מהווים 17 אחוזים בלבד.
- 40 אחוז מהארגונים שהטמיעו סוכנים מפעילים אותם במשימות בעלות סיכון גבוה או תחת רגולציה, כגון עסקאות פיננסיות, תהליכים רגישים לציות (Compliance) והחלטות שבהן לתשובה שגויה יש משקל משפטי או כלכלי.
בנוסף, מדד ה-Agentic Enterprise Index של החברה מצביע על כך שסוכנים מתמודדים עם משימות מורכבות יותר: כיום, סוכן ממוצע מסוגל לפעול על בסיס שש מיומנויות (Skills), לעומת שתי מיומנויות בלבד בתחילת שנת 2025.
היתרון הארגוני: החלטות מקדימות במקום מהירות
הדו״ח מדגיש כי כל הארגונים שהשתתפו במחקר החלו מנקודת פתיחה דומה לפני שנתיים, ללא תקדימים או סוכנים קיימים. הארגונים המובילים כיום לא הגיעו למעמדם בזכות קצב מהיר יותר, אלא משום שקיבלו שורה מוגדרת של החלטות מראש: בחירת מקרה השימוש המתאים, הגדרת הנתונים הרלוונטיים, קביעת המקום שבו נשמרת מעורבות אנושית והגדרת התגובה למקרי תקלה.
לגבי מידת האוטונומיה, הדו״ח חושף כי פריסה אוטונומית מלאה של סוכני AI ללא כל מעורבות אנושית היא נדירה ביותר, ומדווחת על ידי אחוז אחד עד שני אחוזים בלבד מהארגונים שהטמיעו סוכנים. הפערים שנמצאו מצביעים על כך שארגונים שמגדירים מראש את תחומי האחריות, הנתונים ומנגנוני ההסלמה של הסוכן מגיעים לתוצאות טובות יותר בהשוואה לאלו הממתינים לתנאי פתיחה מושלמים.