סקר של MIT חושף: רק שליש מפרויקטי הסוכנים מגיעים לייצור

הסיבה העיקרית שכל כך הרבה פרויקטים של סוכני בינה מלאכותית נתקעים בשלב הפיילוט אינה מחסור בדאטה, אלא מחסור בידע, ההבנה מה הדאטה אומר בהקשר הארגוני הספציפי. דוח מותאם של MIT Technology Review Insights בשיתוף Neo4j, שמבוסס על סקר של 300 מנהלי דאטה, AI וטכנולוגיה, מציב את הפער הזה במרכז: ארגונים צוברים כמויות עצומות של מידע, אבל הסוכנים שלהם לא יודעים לפרש אותו בהקשר הנכון, והתוצאה היא החלטות שגויות ואמינות נמוכה.

המספרים שמאחורי התקיעה

הנתון הבולט ביותר בסקר הוא שיעור ההצלחה הנמוך: בממוצע, רק 34% מפרויקטי הסוכנים הארגוניים מגיעים לסביבת ייצור. גם חברות הייטק מתקשות לשבור את התקרה הזו. שלוש נקודות הכשל העיקריות שזוהו הן מערכות דאטה מיושנות, חששות אבטחה ופרטיות, והיעדר ידע והקשר, כשהאחרון הוא זה שמבדיל בין דאטה גולמי לבין הבנה שמאפשרת פעולה.

מה מבדיל את המובילים

קבוצה קטנה של "מובילי ייצור", ארגונים שבהם 61% בממוצע מהפרויקטים עוברים את שלב הפיילוט, מציגה יכולות ידע חזקות משמעותית, במיוחד בהיבט הסמנטי. היתרון הזה מתאם כמעט אחד לאחד עם שיעור הייצור הגבוה. מעניין לציין שהאתגרים שהם מדווחים עליהם שונים: בעוד 55% מהנשאלים בכלל הצביעו על פרגמנטציה של דאטה (שיתוף לקוי בין מערכות) כמכשול העיקרי להרחבת הגישה לידע, 72% ממובילי הייצור דווקא סימנו אבטחה ופרטיות כדאגה המרכזית, סימן לכך שמי שפתר את בעיית הפרגמנטציה נתקל בשכבת הקושי הבאה.

לאן הולך הכסף

כשנשאלו אילו צעדים יניבו את ההשפעה הגדולה ביותר על איכות החלטות הסוכנים, המנהלים הצביעו על חיזוק התשתית המבנית בין הדאטה הארגוני לסוכנים. המומחים שרואיינו לדוח רואים בשכבת ידע (knowledge layer) את הדרך המרכזית להשיג את זה. בהתאם, סדרי העדיפויות להשקעה כוללים טכנולוגיות שליפה, צנרת בליעה (ingestion pipelines), ממשקי API מותאמי AI, ודור מוגבר שליפה (RAG), לצד סוכני הערכה (AI evaluation agents) וגרפי ידע (knowledge graphs).

הערת הקשר חשובה

הדוח הופק על ידי זרוע התוכן המותאם של MIT Technology Review, לא על ידי המערכת העיתונאית, ונכתב בידי חוקרים אנושיים עם שימוש מוגבל בכלי AI לתהליכי הפקה בלבד. זה לא מחקר אקדמי שעבר ביקורת עמיתים, אלא סקר מנהלים ממומן, והמסקנות משקפות את תפיסת הנשאלים, לא מדידה אובייקטיבית של ביצועי מודלים.