בינה מלאכותית בקיימות: מה ישראל מביאה ל־COP29

ב־11/2024 בבאקו צפויים להתכנס יותר מ־40,000 משתתפים ל־COP29 – ועבור מי שעובד עם בינה מלאכותית באנרגיה וקיימות, זה לא עוד כנס. זה המקום שבו טכנולוגיה הופכת למדיניות, תקציבים הופכים לפיילוטים, ופיילוטים הופכים לשוק.

ההכרזה של רשות החדשנות על משלחת של 20 חברות קליימטק ישראליות לאזור ה־Blue Zone היא יותר מרשימת שמות. היא סימן לשאלה גדולה שמעניינת גם מנהלי מוצר, גם רגולטורים, וגם מובילי חדשנות בבריאות וביוטכנולוגיה: מה משותף לפתרונות להפחתת פליטות לבין פתרונות שמקצרים אבחון רפואי או מזרזים פיתוח תרופות?

התשובה פחות רומנטית ויותר פרקטית: אותו “מנוע” של חיישנים, נתונים, אופטימיזציה ו־AI. ומה שמצליח באקלים – בדרך כלל מוצא את דרכו מהר מאוד גם ל־Healthcare.

למה COP29 חשוב למי שעוסק ב־AI, אנרגיה וקיימות

הנקודה המרכזית: כנסים בינלאומיים כמו COP29 הם מנגנון האצה לשיתופי פעולה, סטנדרטים והוכחת יעילות – בדיוק מה שחסר לרבות מטכנולוגיות ה־AI באקלים וגם בבריאות.

בקליימטק, כמעט כל טכנולוגיה רצינית נדרשת לעמוד בשלושה מבחנים:

• מדידה אמינה (MRV – Measurement, Reporting, Verification): כמה באמת חסכנו/לכדנו/צמצמנו.
• היתכנות תפעולית: עובד לא רק במעבדה אלא בשטח – מפעל, נמל, עיר, חווה.
• כלכליות: החזר השקעה ברור או מסלול הכנסות.

בבריאות ובביוטק, המבחנים כמעט זהים – רק שמחליפים CO₂ בקליניקה:

• מדידה: תוצאות קליניות, תופעות לוואי, נתוני עולם אמיתי.
• תפעול: אינטגרציה לבית חולים/קופת חולים.
• כלכליות: החזר מבטח/DRG, או חיסכון תפעולי.

ההקבלה הזו חשובה כי היא מסבירה למה AI לניטור פליטות ו־AI לניטור מטופלים נראים שונים – אבל נבנים עם אותה מתודולוגיה.

20 החברות הישראליות: מה הן פותרות, ואיפה ה־AI נכנס

המסר הישיר: הרשימה מגוונת, אבל היא מתכנסת לכמה “משפחות בעיות” שחוזרות בכל עולם הקיימות.

1) מדידה חכמה של פליטות: בלי נתונים אין ניהול

חברות כמו Momentick ו־CI Sensing מכוונות לבעיה שכולם מדברים עליה אבל מעט פותרים עד הסוף: ניטור מתמשך של מתאן וגזי חממה.

כאן AI לא מגיע כקישוט. הוא מגיע כי:

• חיישנים מייצרים זרם נתונים רועש ומושפע מתנאי סביבה.
• צריך סיווג אירועים (דליפה? שינוי רוח? תחזוקה?) בזמן אמת.
• צריך כימות: לא רק “יש דליפה” אלא כמה ומה ההשפעה.

המקבילה הברורה בבריאות: ניטור רציף (למשל סטורציה/דופק/ECG) דורש מודלים שמבחינים בין ארטיפקט לבין שינוי קליני אמיתי. מי שיודע לבנות מוצר אמין לניטור פליטות – לרוב מבין גם רגולציה, איכות נתונים ומדידה לאורך זמן.

2) לכידת פחמן והסרה: הפיזיקה קשה, המוצר עוד יותר

Airovation Tech, CarbonBlue, ו־Rewind פועלות סביב הסרת CO₂ – מהאוויר, מהאוקיינוס או באמצעות ביומסה.

AI כאן תומך בעיקר ב:

• אופטימיזציה תפעולית: מתי להפעיל מערכת, באיזה עומס, באיזה תנאים.
• בקרה ותיעוד: לבנות אמון מול רגולטור ומשקיעים דרך MRV.
• מודלים של עלויות: קבלת החלטות לפי מחיר אנרגיה, זמינות, תחזוקה.

והחיבור לבריאות/ביוטק? זה מזכיר ניסויים קליניים ותהליכי ייצור ביולוגיים: מערכות מורכבות עם הרבה משתנים, שבהן AI מצליח כשהוא מחובר למכניזם מדיד, לא לסיסמה.

3) מים, חקלאות ומזון: קיימות שמתחילה מהברז

בישראל זה כמעט תמיד מופיע: Treetoscope, BlueGreen Water Technologies, EZPack, H2OLL, Salicrop.

כאן AI ואנליטיקה משנים את המשחק בדרך הכי יומיומית:

• השקיה חכמה = חיזוי צריכה, התאמה לגידול, ולתנאי קרקע.
• טיפול במקווי מים מזוהמים = זיהוי מוקדם של התפרצויות אצות/זיהום.
• מים מהאוויר = החלטות על פריסה, תחזוקה, ותעדוף אזורים.

וזה בדיוק מקום שבו מערכת בריאות מרוויחה: מים נקיים, יציבות חקלאית והפחתת מחלות זיהומיות הם “בריאות ציבור” בתחפושת של תשתית.

4) תעשייה, לוגיסטיקה ומבנים: חסכון באנרגיה בקנה מידה

כאן נמצאות SolCold (ציפוי מקרר ללא חשמל), Marine Edge (אופטימיזציה לשילוח), NGV (צמצום פליטות תעשייתיות), וגם פתרונות מחזור כמו Reep Technologies ו־TextRe.

זו הליבה של הסדרה שלנו “בינה מלאכותית באנרגיה וקיימות”: חיזוי, אופטימיזציה וניהול רשתות/תהליכים.

דוגמה פרקטית למודל AI בתפעול:

1. איסוף נתונים: מזג אוויר, מסלולי אוניות, עומסי נמל, צריכת דלק.
2. חיזוי: זמן הגעה, צריכת דלק, סיכון עיכוב.
3. אופטימיזציה: בחירת מסלול/מהירות/זמן עגינה שמקטינים פליטות.
4. בקרה: מדידה והפקת דוחות.

אותה שרשרת בדיוק קיימת בניהול חדרי ניתוח או לוגיסטיקה של תרופות בקירור: נתונים → חיזוי → אופטימיזציה → בקרה.

5) בריאות סביבתית: המקום שבו AI בבריאות פוגש קליימטק

החברה הכי “בריאותית” ברשימה היא Envomed (טיפול בפסולת רפואית מסוכנת), ולצידה Senecio Robotics שמתמודדת עם מגפת יתושים באמצעות פלטפורמה רובוטית מבוססת AI לשחרור זכרים עקרים.

כאן החיבור לקמפיין שלנו חד: אקלים ובריאות כבר לא נושאים נפרדים.

• התחממות ושינויים במשקעים מרחיבים אזורי תפוצה של וקטורים (יתושים/קרציות).
• אירועי חום קיצוני מעלים תחלואה ותמותה.
• פסולת רפואית לא מנוהלת יוצרת סיכונים סביבתיים וזיהומיים.

כלומר, השקעה בקליימטק היא גם אסטרטגיית בריאות – במיוחד עבור מערכות ציבוריות שמנסות להתייעל תחת עומס.

מה מנהלי חדשנות יכולים ללמוד מהמשלחת הזו (גם אם אתם בבריאות)

המסר: מי שבונה מוצר AI לאנרגיה וקיימות צריך לחשוב כמו מי שבונה מוצר AI לבריאות – ולהפך.

שלושה עקרונות שעובדים בשני העולמות

1. מדידה לפני מודל: אם אין KPI חד (פליטות/דליפות/צריכת אנרגיה), המודל “יסתדר” רק בדמו.
2. אינטגרציה לפני דיוק: מערכת שמתחברת לתשתיות קיימות ומייצרת תהליך עבודה מנצחת מודל מדויק יותר שנשאר בצד.
3. אמון הוא פיצ’ר: יכולת הסבר, בקרה, ותיעוד חשובים לפחות כמו AUC או RMSE.

צ’ק ליסט קצר לפיילוט מוצלח (AI בקיימות ובתשתיות)

• להגדיר מראש מה נחשב הצלחה: למשל הפחתה של X% או זיהוי של Y אירועים לחודש.
• לבחור אתר פיילוט עם “כאב” אמיתי ובעלים פנימיים (מנהל תפעול/איכות).
• להחליט מי חותם על הנתונים: מתודולוגיית MRV או תבנית דיווח.
• לבנות מסלול Scale כבר בשבוע הראשון: איזה תנאי צריך כדי לעבור מאתר אחד ל־10.

משפט שאני חוזר עליו בפגישות: אם אין דרך לדווח תוצאות בצורה שהנהלה מבינה – זה לא פיילוט, זה ניסוי.

שאלות נפוצות שמופיעות סביב COP29 וקליימטק ישראלי

האם קליימטק תלוי רק בממשלות?

לא. רגולציה פותחת דלתות, אבל המנצחות הן חברות שמראות חיסכון תפעולי או הכנסה נוספת. מדידה של מתאן, למשל, מייצרת גם בטיחות וגם חיסכון – לא רק “עמידה ביעדים”.

איפה AI באמת מוסיף ערך ולא רק סיפור?

בשלושה מקומות: חיזוי צריכת אנרגיה, זיהוי חריגות בזמן אמת, ו־אופטימיזציה של תהליכים מרובי משתנים. בכל מקום אחר צריך להיזהר מפתרון שמחפש בעיה.

מה הקשר המיידי ל־AI בבריאות וביוטכנולוגיה?

אותו סט כלים: חיישנים, עיבוד אותות, למידה ממאגרי נתונים, ותהליכי אימות. מי שמצליח לבנות MRV לאקלים יכול לבנות Real-World Evidence בבריאות.

הצעד הבא: להפוך השראה מתערוכה לשיתופי פעולה אמיתיים

המשלחת הישראלית ל־COP29 מדגישה נקודה שאני אוהב: הבעיה עצומה, אבל הפתרונות נבנים דרך אלפי החלטות הנדסיות קטנות. בדיוק כמו ב־AI רפואי – אין קסמים, יש עבודה.

אם אתם מובילים חדשנות, קרן השקעות, או צוות מוצר בבריאות/ביוטק, שווה להסתכל על הקליימטק לא כתחום מקביל אלא כמעבדה למצוינות תפעולית: איך מודדים, איך מדווחים, איך משכנעים, איך עוברים משלב דמו לשלב פריסה.

רוצים ליישם את אותם עקרונות על פרויקט AI לניהול אנרגיה בבית חולים, אופטימיזציה של שרשרת אספקה בקירור, או ניטור סביבתי שמפחית תחלואה? זה בדיוק המקום שבו קיימות ובריאות נפגשות.

מה הדבר היחיד שהייתם מודדים כבר מחר בבוקר בארגון שלכם—צריכת אנרגיה, דליפות, עומסים, או משהו קליני—אם הייתם יודעים שהנתון הזה יפתח לכם תקציב אמיתי?