87% מהיצרנים כבר ניסו AI. רק אצל אחד מכל חמישה, הנתונים בפועל מוכנים לזה
הפער שאף אחד לא מדבר עליו
לפי דוח שפרסמה Deloitte בתחילת 2026 (Future of Manufacturing), 87% מהיצרנים שנסקרו כבר הריצו לפחות פיילוט אחד של AI גנרטיבי ברצפת הייצור. זה נתון שנשמע כמו הצלחה, אבל דוח נוסף של אותה חברת ייעוץ (State of AI in the Enterprise, 2026) חושף את הפער האמיתי: כמעט שלושה מכל ארבעה ארגונים מתכננים לפרוס AI אוטונומי (agentic AI) תוך שנתיים, אבל רק אחד מכל חמישה מהם דיווח שיש לו בפועל מודל מוכן ומיושם. גרטנר הולכת רחוק יותר וצופה שמעל 40% מפרויקטי ה-AI האוטונומי בייצור ייזנחו עד 2027, בגלל ערך עסקי לא ברור, עלויות עולות וקשיי יישום.
למה זה קורה
צ’נדרה סורבהאט, אנליסט ב-Altimetrik, מסביר את הפער בפשטות רבה: AI אוטונומי עובד רק כשיש לו נתונים נקיים, עקביים והיסטוריים ללמוד מהם. הבעיה היא שברוב סביבות הייצור בפועל, הנתונים האלה או שלא קיימים בכלל, או לא מחוברים בין מערכות שונות, או משתנים כל כך בין מפעל למפעל שאותו מודל לא יכול להיות אמין בכולם בבת אחת. במילים אחרות, החברות שממהרות לפרוס AI רחב לפני שהנתונים שלהן מוכנים, בונות על בסיס שלא יחזיק.
הזווית שחסרה בכל הדיון על AI
מנקודת מבט תפעולית, אין כאן שום דבר חדש. זה בדיוק אותו תנאי בסיס שכל תהליך Lean Six Sigma דורש עוד לפני שמדברים בכלל על אוטומציה: עבודה סטנדרטית, תיעוד עקבי, ומקור אמת אחד לנתונים. ארגון שמריץ מפעל בלי סטנדרטים ברורים לא יקבל תועלת מ-AI, הוא יקבל אוטומציה של הבלגן שכבר קיים אצלו, רק מהר יותר. מי שמדלג על שלב עבודת היסוד לא מקבל AI גרוע, הוא מקבל AI שאי אפשר לסמוך עליו, ולפי גרטנר, בסיכוי גבוה מאוד גם AI שייזנח תוך שנה או שנתיים.
השאלה הפרקטית למי שמוביל תהליכים היא לא “איזה כלי AI לבחור”, היא “האם התהליך שלי מספיק סטנדרטי ומתועד כדי שכלי כזה בכלל יוכל ללמוד ממנו נכון”. זו שאלה מתודולוגית, לא טכנולוגית, וזה בדיוק המקום שבו רוב הארגונים מדלגים.
מקור: Manufacturing Dive, יוני 2026, מאת Sakshi Udavant.
