כן, דאטה הוא הנפט החדש. אבל רק אם הוא נזיל

לארגונים מעולם לא היה יותר דאטה. ועדיין, רוב יוזמות ה-AI  נכשלות. מחקר MIT מצביע על אחת הסיבות המרכזיות: המידע קיים, אבל לא נזיל.

מאת דוד זלצר, מנכ"ל ומייסד קמביום, חברת פתרונות תוכנה מקבוצת מטריקס הממוקמת בדימונה, המפתחת מערכות  AI, מערכות Web ואפליקציות לחברות ומגזרים מובילים במשק.

יותר דאטה לא בהכרח אומר דאטה טוב יותר

בעשור האחרון ארגונים השקיעו בצבירת נתונים מתוך תפיסה שככל שיש יותר מידע, כך ערכו גבוה יותר. עידן ה-AI משנה את ההנחה הזאת מהיסוד. המודלים לא צריכים רק גישה לכמויות עצומות של מידע, אלא למידע רלוונטי, עדכני ונגיש. השאלה כבר אינה רק כמה דאטה יש לארגון, אלא עד כמה הדאטה הזה רלוונטי, איכותי ונזיל בין מערכות ותהליכים.

קחו דוגמה פשוטה: חברה תעשייתית רוצה לתכנן את התקציב לשנה הבאה. ברשותה נתוני תקציב משנת 1978 ועד היום. הכול נגיש, הכול זמין, ואפשר להזין את כל המידע למערכת AI ולקבל אינסוף קונטקסט. אבל בפועל, תנאי השוק של סוף שנות ה-70 כמעט שאינם רלוונטיים למציאות העסקית של השנה הקרובה. במקרה כזה, נתונים משלוש השנים האחרונות, יחד עם ניתוח שוק עדכני, יהיו בעלי ערך גבוה בהרבה מהיסטוריה של ארבעים שנות דאטה.

בעולם ה-AI ערכו של מידע כבר לא נמדד רק בכמות שלו, אלא ביכולת להשתמש בו בזמן הנכון, בהקשר הנכון ובצורה שמאפשרת להפיק ממנו תובנות אמיתיות.

מה זה דאטה נזיל?

המושג Data Liquidity מתאר עד כמה קל לארגון לגשת לדאטה שלו, לשלב אותו ממקורות שונים, להזרים אותו בין מערכות ולהשתמש בו מחדש בצורה מהירה וגמישה. בדומה לנזילות בעולם הפיננסי, שבה נכס נחשב נזיל אם ניתן להמיר אותו בקלות למזומן, כך גם דאטה נחשב נזיל כאשר ניתן להפעיל אותו בזמן אמת, לחבר אותו להקשרים שונים ולהפיק ממנו ערך בלי חסמים טכנולוגיים או ארגוניים. המשמעות היא לא רק שהדאטה קיים, אלא שהוא זמין, מחובר, עדכני וניתן לניצול אפקטיבי עבור אנליטיקה, קבלת החלטות ומערכות AI.

דאטה נזיל שווה יותר מדאטה זמין. ארגונים עם Data Liquidity גבוה מציגים ביצועים עסקיים טובים יותר, כולל שיפור של כ-14% במדדים כמו time-to-market וחוויית לקוח (מחקר MIT).

כשזה מגיע להטמעה שלAgentic AI , הבעיה הזאת הופכת לקריטית עוד יותר. הנתון קיים, יושב בתוך Data Warehouse יקר ומכובד, אבל אם נדרשים שבועיים כדי לחלץ אותו, לנקות אותו ולהכין אותו לשימוש, הוא לא נזיל. במצב כזה הסוכן האוטונומי מתחיל להזות, לטעות ולקבל החלטות על בסיס מידע חלקי או לא רלוונטי.

ואכן, מחקרים עדכניים מ-2024 ו-2025 מצביעים על כך שהיכולת של ארגון להפיק ערך מ-AI תלויה ישירות ברמת ה-Data Liquidity שלו, כלומר ביכולת לעשות reuse ולשלב דאטה בין מערכות. כך למשל, מחקר של MIT Center for Information Systems Research  מ-2025 מראה שארגונים עם Data Liquidity גבוה מצליחים יותר להפעיל יוזמות AI ומציגים ביצועים עסקיים טובים יותר, כולל שיפור של כ-14% במדדים כמו time-to-market וחוויית לקוח. במקביל, מדוח MIT בנושא GenAI בארגונים לשנת 2025, עולה כי כ-95% מיוזמות ה-AI אינן מצליחות לייצר ערך עסקי מדיד, כאשר אחת הסיבות המרכזיות היא חוסר התאמה בין מערכות ה-AI לבין תשתיות הדאטה והיכולת להזרים ולשלב נתונים בצורה אפקטיבית. במילים אחרות, הפער בין ארגונים שמצליחים עם AI לאלו שלא נובע פחות מהמודלים עצמם ויותר מהיכולת להפוך דאטה לנזיל, זמין ומחובר כך שיוכל להזין מערכות AI בצורה רציפה ואמינה.

שלושה מנופים מרכזיים שיכולים להפוך מידע בארגון לנזיל יותר

הראשון הוא ארכיטקטורה נכונה. כשה-CRM  מכיר לקוח במספר אחד, מערכת החשבונות במספר אחר והלוגים בשם משתמש שלישי, המידע אמנם קיים אבל לא באמת מתחבר. הפתרון מתחיל בהחלטה אחת: מזהה אחיד לכל ישות, שנראה אותו דבר בכל מערכת בארגון. קל להגיד, קשה הרבה יותר לבצע בארגון ותיק ומורכב.

השני הוא הכנת נתונים מראש. ניקוי, תיוג ו- metadata עשיר שמוכנים עוד לפני שצוות ה-AI מתחיל לעבוד. פעים רבות מדעני הדאטה מבלים חלק גדול מהזמן שלהם ב-data wrangling, כיוון שהמידע לא עבר הכנה לשימוש.

השלישי הוא ניהול הרשאות. מעבר ממודל של "שלח בקשה ותחכה לאישור" ל-Policy-Based Access , שמאפשר גישה אוטומטית למי שמורשה לכך. פעמים רבות צוואר הבקבוק הבירוקרטי לא פחות משמעותי מהמגבלה הטכנולוגית.

נזילות מידע מייצרת ערך עסקי. אבל גם מגדילה סיכונים

אבל לנזילות גבוהה של מידע יש גם היבט אחר, בעייתי, שאי אפשר להתעלם ממנו. נזילות מידע גבוהה מרחיבה את משטח התקיפה. סביבה שבה מידע זורם בחופשיות מאפשרת לתוקף שפרץ לבצע תנועה רוחבית מהירה, ולחלץ נתונים לפני שהפריצה מתגלה. זאת גם בעיה רגולטורית. רגולציות כמוGeneral Data Protection Regulation  דורשות מינימיזציה של נתונים וזכות להישכח, שתי דרישות שנזילות קיצונית מקשה מאוד לאכוף כאשר מידע משוכפל לעשרות מערכות שונות.

ולצד זה קיימת גם בעיית Garbage In, Garbage Out בקנה מידה גדול. כאשר נתון שגוי זורם אוטומטית ללא בקרה אנושית, הטעות מתפשטת מיד לכל המודלים והמערכות שנשענים עליו. בשווקים פיננסיים כבר נרשמו מקרים של flash crashes שנגרמו מאלגוריתמים שהגיבו לאותה שגיאה בו-זמנית.

לכן הפתרון אינו “נזילות מקסימלית” אלא נזילות מנוהלת. זרימה מהירה באזורים שמייצרים ערך עסקי מיידי, לצד גדרות בטיחות והשהיה מכוונת באזורים רגישים. גישות כמו Data Mesh מעניקות בעלות על הדאטה לצוות שמייצר אותו ומתייחסות אליו כמוצר עם לקוחות פנימיים. Data Fabric, לעומת זאת, יוצרת שכבת וירטואליזציה שמחברת מידע מבוזר מבלי להזיז אותו פיזית. חברת Caterpillar הגדילה הכנסות משירותים במיליארדי דולרים באמצעות פלטפורמת חיזוי שנשענת על נזילות נתונים ממערכות תפעוליות. חברת Fidelity Investments בנתה שוק נתונים פנימי ששינה את הדרך שבה מידע זורם בין יחידות עסקיות.

בסופו של דבר, השאלה שמנהלי ארכיטקטורה צריכים לשאול את עצמם היא פשוטה: כמה זמן לוקח היום לחלץ נתון קריטי ולהכין אותו לשימוש? אם התשובה נמדדת בשבועות, ייתכן שהנתונים זמינים. אבל הם עדיין לא נזילים.