צוותים גנרליסטים ב-AI: היתרון החדש בלוגיסטיקה וברפואה

בדצמבר 2025, כשחברות בישראל סוגרות תקציבים ל-2026, אני שומע שוב ושוב את אותה תלונה משני עולמות שנראים רחוקים אבל מתנהגים אותו דבר: לוגיסטיקה ושרשרת אספקה מצד אחד, ו-בריאות וביוטכנולוגיה מצד שני. “יש לנו יותר כלים מבינה מלאכותית מאי פעם — אבל אין לנו מספיק אנשים שיודעים לחבר את זה למציאות.”

Most companies get this wrong. הן מגיבות ל-AI כמו שהן הגיבו לענן לפני עשור: רצות לגייס מומחה אחד “שיסדר את זה”. בפועל, העידן הנוכחי מתגמל דווקא אנשים שמסוגלים לזוז בין תחומים, להבין תהליך מקצה לקצה, ולהחליט מהר גם כשהמידע לא מושלם. כלומר: גנרליסטים חזקים.

הפוסט הזה לוקח את התזה הזו צעד קדימה — ומתרגם אותה לשטח: איך בונים צוותים גנרליסטים שמצליחים עם בינה מלאכותית בלוגיסטיקה ובשרשרת אספקה, ואיך זה מתחבר באופן טבעי לסדרת התוכן שלנו על בינה מלאכותית בתחום הבריאות והביוטכנולוגיה.

למה מודל “מומחה לכל דבר” מפסיק לעבוד

התשובה הישירה: קצב השינוי ב-AI מהיר יותר מקצב ההכשרה בארגון, ולכן תפקידים נוקשים ומומחים “במסילה אחת” הופכים לצוואר בקבוק.

בעשור הקודם היה היגיון בגיוס מומחים מאוד ספציפיים: מהנדס בקאנד, דאטה סיינטיסט, ארכיטקט, מומחה WMS, מומחה תכנון ביקושים. הטכנולוגיה השתנתה, אבל בדרך כלל בקצב שאפשר לתכנן סביבו. היום? יכולת שנחשבת “סטנדרט” בדצמבר עשויה להפוך למוצר מדף בפברואר.

במקור שממנו יצאנו יש נתון שמסביר את עוצמת ההסטה: לפי הערכות מקינזי (2023), עד 2030 כ-30% משעות העבודה בארה״ב עשויות לעבור אוטומציה, וכ-12 מיליון עובדים עשויים להחליף תפקיד. גם אם המספרים בישראל שונים, הכיוון זהה: יותר אוטומציה, פחות “ידיים”, והרבה יותר צורך באנשים שיודעים לעצב תהליך.

בלוגיסטיקה זה קורה מהר יותר ממה שנוח להודות

בלוגיסטיקה ושרשרת אספקה, AI חודר במקביל לכמה שכבות:

• חיזוי ביקושים שמתחבר לשיווק, עונתיות ומבצעים
• תכנון מלאי מול זמני אספקה משתנים ואי־ודאות
• אופטימיזציה של הובלה (מסלולים, העמסה, SLA)
• אוטומציה במחסן (ליקוט, בקרת איכות, חריגים)
• ניהול חריגים עם סוכנים חכמים: “איפה נתקע המשלוח ולמה?”

הבעיה: אם כל שכבה מנוהלת בידי “מומחה אחד” שמכיר רק את המערכת שלו — אף אחד לא מחבר את הנקודות. ואז AI הופך להיות עוד מסך בדשבורד, לא מנוע החלטה.

הגנרליסט החזק: רוחב עם עומק, לא “הכול כלום”

התשובה הישירה: גנרליסט טוב הוא מי שיודע להחזיק אחריות עסקית, לדבר את שפת הדאטה, להבין תהליך תפעולי, ולהפעיל כלי AI בלי לחכות לאישורים אינסופיים.

יש בלבול נפוץ: גנרליסט אינו “ג׳וניור שמכיר קצת מהכול”. גנרליסט חזק הוא אדם שיש לו לפחות תחום-שניים שבהם הוא עמוק, אבל הוא נשאר שוטף בעוד תחומים — מספיק כדי להוביל החלטה, להגדיר ניסוי, ולפרק בעיה מורכבת.

מהמאפיינים שחוזרים אצל גנרליסטים שמצליחים עם AI (ובעיניי אלו הקריטיים במיוחד בלוגיסטיקה):

• בעלות (Ownership) מקצה לקצה: לא “העליתי מודל”, אלא “שיפרתי OTIF”.
• חשיבה מהעקרונות הראשונים: מה המטרה? מה המדד? איפה המגבלה?
• אדפטיביות: יכולת ללמוד מערכת/תחום בתוך שבועות, לא חודשים.
• סוכנות (Agency): קבלת החלטות וביצוע, ואז תיקון תוך כדי תנועה.
• תקשורת ויישור קו: לוגיסטיקה לא מנצחת בווטסאפ; צריך שפה משותפת.

משפט שאני חוזר עליו בארגונים: “AI מוריד את רף ההפעלה — ומעלה את רף האחריות.” קל יותר לבנות, קשה יותר לבחור נכון.

איפה זה פוגש את הבריאות והביוטכנולוגיה (ולמה זה חשוב לסדרה)

התשובה הישירה: בבריאות ובביוטכנולוגיה, כמו בשרשרת אספקה, הערך של AI נוצר בחיבור בין תחומים — קליניקה/מעבדה/תפעול/רגולציה — ולכן גנרליסטים הם דבק ארגוני.

במערכות בריאות בישראל, AI נכנס במקביל ל:

• טריאז׳ דיגיטלי וטלה-רפואה
• ניהול תורים וחדרי מיון
• אופטימיזציה של מיטות ומשאבים
• אנליטיקה של שרשרת אספקה רפואית: תרופות, שתלים, ציוד מתכלה

ומה משותף לכל אלה? זה לא “מודל אחד”. זו מערכת החלטות שחוצה מחלקות. אם מי שמוביל AI לא מבין תפעול בית חולים, או לא מבין איכות נתונים, או לא מכיר את מגבלות הרגולציה — הפרויקט ייתקע.

לכן הפוסט הזה יושב טבעי בסדרה שלנו: הוא לא רק על טכנולוגיה, אלא על איך בונים יכולת ארגונית להטמיע בינה מלאכותית בעולם שבו כלים משתנים בקצב מסחרר.

דוגמה מעשית: הטמעת AI לניהול חריגים בשרשרת אספקה

התשובה הישירה: היישומים שמצליחים ב-2026 הם אלו שמתחילים מתהליך “כואב”, מודדים תוצאה, ומחברים תפעול+דאטה+מוצר תחת בעלות אחת.

ניקח תרחיש מוכר: חברה קמעונאית או יצרנית בישראל שמנהלת אלפי הזמנות בשבוע. בכל יום יש חריגים: איחורים, חוסרים, פגיעות, טעויות ליקוט, שינוי כתובת, ספק שלא עמד בזמנים.

הגישה ה“מומחית” הקלאסית:

• צוות דאטה בונה מודל/חוקים.
• צוות IT מחבר למערכות.
• לוגיסטיקה ממשיכה לעבוד עם אקסלים כי “זה לא יושב בדיוק על המציאות”.

הגישה הגנרליסטית (שעובדת טוב יותר):

1. מגדירים תוצאה אחת: למשל הפחתת קריאות שירות על סטטוס משלוח ב-20% תוך 90 יום.
2. בונים “מפת חריגים”: 10 סוגי החריגים הכי יקרים, לפי זמן טיפול ועלות לקוח.
3. משחררים MVP של סוכן AI שמסווג חריג + מציע פעולה + יוצר טיקט אוטומטי.
4. מוסיפים לולאת למידה: כל פעולה של מתאם/ת לוגיסטיקה מחזירה פידבק.

גנרליסט חזק יכול להוביל את זה כי הוא מבין:

• מה זה SLA ומה זה OTIF
• איך נראית זרימת מידע מה-WMS/TMS/ERP
• איך לנסח פרומפטים/כללים/בדיקות ולמדוד דיוק מול תועלת
• איך להטמיע בתהליך בלי לשבור את התפעול

מדדים שכדאי למדוד (ולא רק “דיוק מודל”)

אם אתם רוצים תוצאות עסקיות, אלה המדדים:

• זמן טיפול ממוצע בחריג (AHT)
• אחוז חריגים שמטופלים אוטומטית
• זמן עד זיהוי תקלה (MTTD)
• אחוז משלוחים בזמן (OTD) / OTIF
• ירידה בפניות לקוח על “איפה המשלוח”

AI שמעלה “דיוק” אבל לא מזיז מדד תפעולי — הוא דמו.

איך מגייסים ומפתחים גנרליסטים ל-AI בלוגיסטיקה

התשובה הישירה: שנו את פרופיל הגיוס: פחות “ניסיון ב-Tool X”, יותר יכולת להוביל תהליך, ללמוד מהר, ולחיות עם עמימות.

1) שאלות ראיון שעושות סדר תוך 20 דקות

במקום לשאול “איזה מודל אתה מכיר”, שאלו:

• “תאר/י תהליך תפעולי ששיפרת. מה המדד שהיה לפני/אחרי?”
• “תן/י דוגמה למקרה שבו הנתונים היו גרועים. מה עשית?”
• “איך את/ה מחליט/ה מתי אוטומציה מסוכנת מדי?”
• “איזה ניסוי היית מריץ ב-30 יום כדי להוכיח ערך?”

2) בנו תפקידים היברידיים במקום מסלולים קשיחים

בלוגיסטיקה, תפקידים שהופכים למכפיל כוח ב-AI:

• מנהל/ת מוצר תפעולי (Operations Product)
• אנליסט/ית תפעול עם אוריינטציית אוטומציה
• Process Engineer שמדבר/ת דאטה
• אחראי/ת הטמעה שמבין/ה שינוי ארגוני, לא רק מערכת

3) תמריצים: תגמלו על תוצאה, לא על “הטמעה”

אם הבונוס הוא על “עלייה לאוויר”, תקבלו פיצ׳ר. אם הבונוס הוא על ירידה בעלות ליחידה, תקבלו מערכת עובדת.

שאלות שחוזרות אצל מנהלים (ותשובות קצרות)

האם זה אומר שאין צורך במומחים?

לא. מומחים עדיין קריטיים, במיוחד בתחומים רגולטוריים, אבטחת מידע, אופטימיזציה מתמטית כבדה, או הנדסת נתונים עמוקה. ההבדל הוא שמומחה שלא משתף פעולה עם התהליך העסקי הופך להיות תוספת יקרה.

איך מונעים “כל אחד עושה הכול” ובלגן?

באמצעות שני עקרונות:

1. בעלות ברורה על מדדים (Owner לכל KPI)
2. סטנדרטים תפעוליים וטכניים (דאטה, הרשאות, תיעוד, ניטור)

מה הצעד הראשון הכי פרקטי ל-2026?

בחרו מקרה שימוש אחד עם כאב יומיומי, הקצו לו Owner גנרליסטי, וקבעו יעד מספרי ל-90 יום. זה מייצר מומנטום ומלמד את הארגון לעבוד עם AI בצורה בוגרת.

מה לעשות השבוע: תכנית פעולה קצרה ליצירת לידים פנימית (ולא רק רעיונות)

התשובה הישירה: אם אתם רוצים התקדמות אמיתית, התחילו באבחון יכולות צוות והגדירו פיילוט שמחובר ל-KPI.

אני מציע מסגרת עבודה פשוטה:

1. מיפוי תהליכים: איפה יש “עבודת אדם חוזרת” וחריגים רבים?
2. מיפוי נתונים: מה איכות הנתונים? מי הבעלים? איפה החוסרים?
3. בחירת Use Case אחד: כזה שיש לו תוצאה מדידה תוך 90 יום.
4. צוות קטן: Owner גנרליסט + מומחה נתונים + נציג תפעול.
5. השקה מבוקרת: 10% נפח, ניטור, ואז הרחבה.

בסדרה שלנו על בינה מלאכותית בבריאות וביוטכנולוגיה אנחנו רואים את אותו דפוס בדיוק: מי שמצליח הוא מי שמחבר קליניקה/תפעול/דאטה סביב תוצאה. שרשרת אספקה לא שונה — רק שהמטופל הוא הלקוח, והמחלקה היא המחסן.

הדבר שצריך לשאול לקראת 2026 הוא לא “איזה מודל נקנה”, אלא: האם יש לנו אנשים שיודעים להפעיל AI כדי להזיז מדדים אמיתיים?