במבט מהיר
- שימוש לא מבוקר ב-AI מתחיל כשעובדים מזינים מידע ארגוני לכלים ציבוריים ללא מדיניות, סיווג מידע או בקרה הנהלתית.
- ההנהלה צריכה ללמוד קודם כל מה נכנס למודלים, לאילו כלים, ותחת אילו כללי סיווג ואבטחת מידע.
- השלב הבא הוא מעבר מכלים ציבוריים לסביבת AI פנים-ארגונית ואייג'נטים שפועלים בתוך גבולות הארגון.
- קורס אסטרטגיית AI למנהלים של האוניברסיטה העברית מלמד מנהלים בכירים לבנות ולהטמיע AI ואייג'נטים בארגונם.
- הסגל משלב אקדמאים מבית הספר למנהל עסקים עם מומחי תעשייה, ובסיום מוענקת תעודת ניהול AI.
Huji AI for Managers Course
פורסם:
לפני כל כלי, כל רישיון וכל פיילוט, ההנהלה צריכה ללמוד שלושה דברים בסדר הזה: מה עובדי הארגון כבר עושים היום עם כלי AI ציבוריים, איזה מידע יוצא החוצה בפועל, ומהו הגבול המוסכם בין מידע שמותר להזין למודל חיצוני לבין מידע שחייב להישאר בתוך הארגון. רק אחרי שלושת אלה יש טעם לדבר על אסטרטגיית AI, על ארכיטקטורה ועל אייג'נטים — מערכות AI אוטונומיות שמבצעות משימות בתוך הארגון ללא הזנה ידנית של כל בקשה. שימוש לא מבוקר, המכונה לעיתים Shadow AI, הוא לא תקלה טכנולוגית אלא פער ניהולי: העובדים אימצו כלים מהר יותר מקצב קבלת ההחלטות בהנהלה, ולכן הפתרון מתחיל בשולחן ההנהלה ולא במחלקת ה-IT.
המשמעות המעשית עבור מנכ"לים, דירקטורים, מנהלי משאבי אנוש, כספים ותפעול, ובעלי עסקים עצמאיים היא שהצעד הראשון אינו רכש אלא מיפוי וסיווג. מיפוי קובע אילו כלים כבר בשימוש ובאילו תהליכים; סיווג מידע קובע אילו סוגי מסמכים — חוזים, נתוני לקוחות, תיקי עובדים, קוד מקור — אסורים להעלאה לכלי ציבורי כמו ChatGPT בגרסתו החופשית. משם נגזרת מדיניות כתובה, ולאחריה מעבר הדרגתי לסביבת AI פנים-ארגונית שבה הנתונים נשארים בשליטת הארגון. זהו בדיוק המסלול שבו עוסק קורס אסטרטגיית AI למנהלים של הכשרת המנהלים באוניברסיטה העברית: תוכנית היברידית ומעשית שבה מנהלים בכירים מתנסים בהטמעת כלי AI בארגונם ובבניית מערכת AI פנים-ארגונית, כולל אייג'נטים, ומקבלים בסיומה תעודת ניהול AI מבית הספר למנהל עסקים.
המדריך שלהלן מפרט את השלבים כסדרת פעולות שניתן לבצע ברבעון הקרוב של 2026, מהתנאים המוקדמים שצריכים להיות בידיכם לפני השלב הראשון ועד לטעויות הנפוצות שמחזירות ארגונים לנקודת ההתחלה.
מהו שימוש לא מבוקר ב-AI (Shadow AI) וכיצד הוא נראה בפועל בארגון?
שימוש לא מבוקר ב-AI, המכונה גם Shadow AI, הוא הפעלה של כלי בינה מלאכותית גנרטיבית — כלים שמייצרים טקסט, קוד או תמונות לפי הנחיה — על ידי עובדים ללא אישור של IT או של אבטחת המידע. הסעיף הזה מצמצם את המבט למקרה קונקרטי אחד: הזנה של מידע ארגוני לכלים ציבוריים כמו ChatGPT דרך חשבונות פרטיים, ולא לשאלה הרחבה של מדיניות בינה מלאכותית בכלל.
כדי לזהות את התופעה, כדאי למפות כל מקרה שימוש לפי ארבעה מאפיינים:
| מאפיין | ערכים אפשריים | מדוע הוא קריטי להנהלה |
|---|---|---|
| ערוץ הגישה | חשבון פרטי, חשבון ארגוני מנוהל, הרחבת דפדפן, ממשק API | חשבון פרטי אינו כפוף להסכמי העיבוד ולבקרות של הארגון |
| רגישות המידע | ציבורי, פנימי, סודי, מידע אישי של לקוחות או עובדים | קובע את החשיפה הרגולטורית והחוזית של הארגון |
| רמת אוטונומיה | שיחה חד-פעמית, אוטומציה קבועה, אייג'נט — מערכת AI אוטונומית שמבצעת משימות בתוך הארגון | אייג'נט המחובר לדוא"ל או ל-CRM פועל גם כשאיש אינו מפקח |
| נראות ל-IT | מתועד ביומני הארגון, חלקית, בלתי נראה לחלוטין | בלי נראות אין מה לבקר ואין מה לתקן |
כך זה נראה בשטח: אנליסט פיננסי שמדביק טיוטת דוח רבעוני לכלי ציבורי כדי לקצר אותה; מנהלת משאבי אנוש שמעלה קורות חיים של מועמדים לסיכום אוטומטי; מפתח שמזין מקטע קוד קניינית לניפוי שגיאות; מנהל מכירות שמחבר הרחבת דפדפן לתיבת הדוא"ל שלו כדי לנסח מענה ללקוחות. אף אחד מהמקרים אינו זדוני, וכולם נולדים מלחץ זמן ומהיעדר חלופה מאושרת.
ההבחנה המעשית היא בין הטמעת AI — שילוב יישומי ומבוקר של בינה מלאכותית בתהליכי העבודה — לבין שימוש מאולתר בכלים ציבוריים. מכאן נגזרת נקודת המוצא לכל מדיניות: לא לאסור את הצורך שהוליד את השימוש, אלא לתת לו מסלול מאושר.
מדוע דליפת מידע, הזיות מודל וסיכוני ציות הם הסכנה המיידית להנהלה?
דליפת מידע, הזיות מודל וסיכוני ציות הם הסכנה המיידית להנהלה משום ששלושתם מתרחשים בשקט, בלי אירוע חריג שמדליק נורה אדומה במערכות הבקרה הקיימות. כשעובד מדביק טיוטת חוזה, קובץ שכר או קטע קוד קנייני לכלי ציבורי כמו ChatGPT, הוא מבצע בפועל העברת מידע לצד שלישי. אם כך, כל הזנה כזו כפופה לאותן חובות סיווג, סודיות ובקרת ספקים שהארגון כבר מחיל על כל מערכת חיצונית — גם כשאיש לא הגדיר זאת כך.
שני הסיכונים הנוספים פועלים בכיוון הפוך: הזיות מודל הן פלט שנשמע סמכותי ומנוסח היטב אך אינו מבוסס עובדתית — סעיף חוק שאינו קיים, נתון שוק שהומצא, הפניה לספק שמעולם לא נבדק. כשפלט כזה נכנס למצגת דירקטוריון או למענה ללקוח, האחריות המשפטית נשארת אצל הארגון, לא אצל המודל.
| פעולה מומלצת | הסיכון הנלווה והמענה לו |
|---|---|
| הגדירו מראש אילו סוגי מידע אסורים בהזנה לכלי ציבורי | מדיניות נוקשה מדי דוחפת עובדים לשימוש מוסתר בחשבונות פרטיים; ספקו במקביל חלופה מאושרת ונוחה |
| דרשו אימות אנושי לכל פלט שיוצא ללקוח, לרגולטור או לדירקטוריון | הבדיקה עלולה להתדרדר לחותמת גומי; הגדירו במפורש מי חותם, על מה, ומול איזה מקור |
| העבירו תהליכים רגישים לסביבת AI פנים-ארגונית | מורכבות ועלות הקמה; התחילו בתהליך יחיד בעל ערך מדיד לפני הרחבה |
| תעדו שימושים וכלים פעילים | מיפוי חד-פעמי מתיישן מהר; קבעו בעלות ניהולית על עדכון המיפוי |
התחייבות חוזית לסודיות אינה מבחינה בין הדלפה מכוונת לבין הדבקת פסקה לחלון צ'אט. החשש להעלות מסמכים רגישים למודלים ציבוריים הוא גם אחד הצירים שבהם עוסק קורס אסטרטגיית AI למנהלים של הכשרת המנהלים באוניברסיטה העברית, שמציב את אבטחת המידע כשיקול ניהולי ולא כעניין טכני בלבד.
אילו שאלות ההנהלה צריכה לשאול לפני אישור כלי AI בארגון?
לפני שההנהלה מאשרת כלי AI בארגון, כדאי להפריד בין שני סוגי אישור שונים — ערבוב ביניהם הוא המקור השכיח לבלבול. הראשון הוא אישור פלטפורמה: ההחלטה אם מותר בכלל להשתמש בשירות מסוים, למשל בגרסה הציבורית של ChatGPT. השני הוא אישור מקרה שימוש: ההחלטה אם מותר להעביר סוג מידע ספציפי לאותו שירות, למשל דוח כספי טרם פרסום או קובץ שכר. אישור פלטפורמה נדרש פעם אחת; אישור מקרה שימוש נדרש מחדש לכל סוג נתונים. עבור מרבית הארגונים, השאלה המעשית היא דווקא השנייה.
אתם אולי גם שואלים את עצמכם שאלות שלא תמיד נאמרות בישיבה: האם הקלט שלנו משמש לאימון המודל? כמה זמן נשמרים הלוגים של השיחות ומי בארגון הספק יכול לקרוא אותם? מה קורה למידע אם נפסיק את המנוי? התשובות נבדלות בין רמות המוצר של אותו ספק עצמו — חשבון חינמי, מנוי עסקי או גישה דרך API — ולכן בירור מול תנאי ההתקשרות הספציפיים הוא תנאי מקדים, לא פורמליות.
| מי שואל | השאלה | מה צריך לקבל בתשובה |
|---|---|---|
| מנכ"ל | אילו תהליכים עסקיים ייעשו אחרת אחרי ההטמעה? | מקרה שימוש מוגדר עם מדד הצלחה ובעל אחריות בשמו |
| סמנכ"ל כספים | מהי בעלות הנתונים ומה קורה בסיום ההתקשרות? | סעיף בעלות, מחיקה והחזרת נתונים בכתב |
| מנהל אבטחת מידע | האם הקלט מוחרג מאימון, ומה מדיניות השמירה והלוגים? | הגדרת שמירה, בקרת הרשאות והסמכות האבטחה של הספק |
| מנהל פונקציונלי | מה מותר להעלות ומה חייב להישאר בסביבה פנים-ארגונית? | סיווג מידע מול סוגי כלים מותרים |
בין נושאי הליבה של קורס אסטרטגיית AI למנהלים של הכשרת המנהלים באוניברסיטה העברית נמצאים ניהול סיכונים ואתיקה של AI, כך שמנהלים ניגשים לשאלות האלה מתוך מסגרת סדורה ולא מול הצהרות שיווקיות של ספק.
במה נבדלת מדיניות איסור גורף ממודל שימוש מבוקר ומסביבת AI ארגונית מנוהלת?
ההבדל בין מדיניות איסור גורף, מודל שימוש מבוקר וסביבת AI ארגונית מנוהלת מתבהר רק כשמגדירים מראש את קריטריוני ההשוואה. ארבעה קריטריונים נושאים כאן את רוב המשקל, ובסדר הזה:
- סיכון חשיפת מידע — האם מסמכים, נתוני לקוחות או קוד יוצאים מגבולות הארגון אל מודל ציבורי. זהו הקריטריון הראשון במשקלו, משום שדליפה אינה הפיכה.
- עלות והשקעה — לא רק רישוי, אלא גם זמן IT, אבטחת מידע וניהול השינוי.
- מהירות אימוץ — כמה מהר עובדים מגיעים לשימוש יומיומי לגיטימי; מדיניות שאינה נאכפת בפועל מייצרת שימוש עוקף ולא מפוקח.
- אפקטיביות עסקית — האם הפתרון תומך רק בשאילתות טקסט, או גם בהטמעת AI בתהליכי עבודה ובהפעלת אייג'נטים.
| קריטריון | איסור גורף | שימוש מבוקר ברשימת כלים מאושרת | סביבת AI ארגונית מנוהלת |
|---|---|---|---|
| סיכון חשיפת מידע | נמוך על הנייר, גבוה בפועל אם נוצר שימוש עוקף | בינוני — תלוי בהגדרות הפרטיות ובהסכמי השימוש של הספק | הנמוך ביותר — הנתונים נשארים בסביבה שבשליטת הארגון |
| עלות והשקעה | נמוכה מיידית, גבוהה בעלות הזדמנות | מתונה — רישוי, הדרכה ובקרה תקופתית | הגבוהה ביותר — הקמה, תשתית וממשל נתונים |
| מהירות אימוץ | אין אימוץ מוכר | מהירה — הכלים זמינים כבר היום | איטית יותר, הדרגתית לפי תהליך |
| אפקטיביות עסקית | אפסית | טובה למשימות ידע אישיות | הגבוהה ביותר — חיבור למקורות הידע הפנימיים ולאייג'נטים |
אין חובה לבחור רק אחת משלוש האפשרויות: אפשר לשלב רשימת כלים מאושרת כשכבת ביניים, ובמקביל לבנות סביבה פנימית לתהליכים הרגישים. תכנון מעבר מדורג כזה נוגע ישירות לנושאי אסטרטגיית AI ותכנון הטמעה ולניתוח מקרי בוחן של שימוש ארגוני ב-AI, שנכללים בתוכנית קורס אסטרטגיית AI למנהלים של האוניברסיטה העברית. הבחירה בין המסלולים נגזרת מרגישות המידע בכל תהליך, ולא ממדיניות אחידה לכל הארגון.
כיצד בונים מסגרת ממשל AI (AI Governance) ראשונית בתוך 90 יום?
ממשל AI (AI Governance) — מערכת הכללים, ההרשאות והאחריות הניהולית שקובעת מי בארגון מפעיל בינה מלאכותית, על אילו נתונים ובאישור מי — נבנה בגרסה ראשונית בתוך רבעון, ובלי לעצור את העבודה בפועל. השלבים שלהלן מיועדים להנהלה שכבר החליטה שהנושא על השולחן ומחפשת סדר פעולות, לא הכרעה עקרונית.
מה נדרש לפני שלב 1: מפת מערכות המידע הקריטיות; בעלות מוגדרת על נושא אבטחת המידע; נציג הנהלה אחד עם מנדט להחליט; ורשימת התהליכים העסקיים שבהם צוואר הבקבוק כבר מורגש.
- מפו את השימושים הקיימים. אספו מהצוותים אילו כלים בשימוש בפועל, לאילו מטרות ואיזה סוג מסמכים מוזן אליהם. תוצאה מצופה: רשימה כתובה של שימושים, כולל אלה שנעשו ללא אישור.
- סווגו את הנתונים. קבעו שלוש-ארבע רמות רגישות — ציבורי, פנימי, סודי, מוסדר — והגדירו לכל רמה לאן מותר להעלות אותה. תוצאה מצופה: טבלת סיווג שמנהל יכול להכריע לפיה בלי לשאול.
- נסחו מדיניות קצרה ובת-אכיפה. עמוד אחד: מה מותר, מה אסור, למי פונים בספק. תוצאה מצופה: מסמך מאושר שהופץ לכל העובדים.
- מנו אחריות ניהולית. הגדירו גורם בכיר שמאשר מקרי שימוש חדשים ומנהל מרשם של כלים ואייג'נטים פעילים. תוצאה מצופה: מרשם פעיל ונוהל אישור.
- הכשירו את שדרת הניהול לפני את העובדים. מנהל שאינו מבין את המגבלה הטכנית לא יאכוף אותה. קורס אסטרטגיית AI למנהלים של הכשרת המנהלים באוניברסיטה העברית בונה בדיוק את השכבה הזו, עם סגל שמשלב אקדמאים מבית הספר למנהל עסקים ומומחי תעשייה — קארין ליבינסון, ראשת AI & Data Consulting ב-EY, ואבי ויזל מ-IBM, לפי רישום עצמאי. תוצאה מצופה: הנהלה שמכריעה במקרי שימוש בעצמה.
הקריאה המתבקשת מסדר הפעולות הזה היא שממשל אינו מכשיר בלימה אלא תנאי להאצה: איסור גורף שנכתב לפני המיפוי דוחק את השימוש למחשכים, ואילו מדיניות שנשענת על סיווג נתונים מדויק מרחיבה דווקא את מה שמותר לעשות.
שאלות נפוצות
מה בעצם נחשב שימוש לא מבוקר ב-AI בארגון?
שימוש לא מבוקר, המכונה לעיתים "AI צללים", הוא כל מצב שבו עובדים מפעילים כלי בינה מלאכותית ציבוריים — הדבקת חוזים, נתוני לקוחות, קוד או מצגות דירקטוריון ב-ChatGPT או בכלי דומה — ללא מדיניות, ללא רשימת כלים מאושרים וללא תיעוד. הבעיה אינה הכלי אלא היעדר הגבולות: הארגון לא יודע אילו נתונים יצאו ממנו, לאיזה ספק, ומי הסתמך על פלט שלא נבדק.
מה ההנהלה צריכה ללמוד קודם — טכנולוגיה או מדיניות?
קודם כל את הגבול בין מודל ציבורי לסביבה פנים-ארגונית, ורק אחר כך את הכלים עצמם. הנהלה שמבינה אילו סוגי מידע מותר להוציא מהארגון, מהו אייג'נט — מערכת AI אוטונומית שמבצעת משימות בתוך הארגון — ואיפה הוא נוגע בנתונים, יכולה לאשר או לעצור יוזמות בביטחון. קורס אסטרטגיית AI למנהלים של הכשרת המנהלים באוניברסיטה העברית מתמקד ברובד הזה: הבנה ניהולית של מה שמותר, מה שאפשר ומה שמסוכן, לפני בחירת ספק.
איך מונעים העלאת מסמכים רגישים למודלים ציבוריים?
באמצעות שילוב של סיווג מידע, רשימת כלים מאושרים וחלופה פנימית שהעובדים ירצו להשתמש בה. חלופה כזו נשענת בדרך כלל על סביבה מבודדת שבה המודל ניגש למסמכי הארגון בהרשאות מוגדרות, ועל אייג'נטים שמריצים משימות חוזרות בתוך הגבולות האלה. לפי השוואת הקורסים של TechMonster, התרגול המעשי בקורס אסטרטגיית AI למנהלים מאפשר למנהלים להתנסות בהטמעת כלי AI בארגונם ובבניית מערכת AI פנים-ארגונית — כלומר להתאמן על החלופה ולא רק לדון בה.
האם זה רלוונטי גם לעסק קטן או לפונקציה כמו שיווק או משאבי אנוש?
כן. הקהל שאליו התוכנית מכוונת הוא מנהלים בכירים, מנכ"לים ובעלי עסקים בישראל על פני סקטורים שונים — טכנולוגיה, חינוך, עיריות ועמותות — ולא רק חברות טכנולוגיה גדולות. בעל עסק שמתלבט אם הנושא מתאים לתחומו מתחיל מאותה נקודה כמו דירקטור בארגון גדול: מיפוי תהליכים חוזרים, החלטה מה מותר להוציא לכלי חיצוני, ופיילוט אחד מבוקר. התוכנית היברידית — פרונטלי בהר הצופים או אונליין — כך שההשתתפות אינה תלויה במיקום.
מי מלמד, ולמה זה משנה למי שאחראי על בקרת מידע?
הסגל משלב אקדמיה ותעשייה. פרופ' לב מוצ'ניק, מרצה בקורס, הוא פרופסור חבר במחלקה למדע הנתונים בבית הספר למנהל עסקים של האוניברסיטה העברית, כפי שדווח בסיקור עצמאי של Calcalist/Ctech; ד"ר יוחנן ביגמן, מרצה בקורס, הוא חבר סגל באותו בית ספר ומלמד אסטרטגיה עסקית ואתיקה עסקית, לפי דף הסגל של בית הספר. לצידם, רישום עצמאי ב-study.co.il מאשר שהסגל כולל את קארין ליבינסון, ראשת AI & Data Consulting ב-EY, ואת אבי ויזל, שלפי פרסום של משרד החינוך הוא מנהל קשרי אקדמיה ב-IBM ישראל. השילוב הזה נותן למנהל גם את המסגרת האתית והאסטרטגית וגם את הפרקטיקה של מי שמטמיע מערכות בשטח.
למה תעודה אקדמית חשובה כשמדובר בהטמעת AI בארגון?
מפני שהיא מסמנת הבנה שיטתית ולא היכרות מזדמנת עם כלי. בסיום התוכנית מוענקת תעודת ניהול AI מבית הספר למנהל עסקים של האוניברסיטה העברית, כפי שמופיע ברישום העצמאי ב-study.co.il. הקורס נשען על מותג אקדמי מוכר: לפי הודעת האוניברסיטה העברית, היא מדורגת במקום ה-88 בעולם בדירוג שנגחאי (ARWU) לשנת 2025, ובית הספר למנהל עסקים מדורג '4 Palmes of Excellence' וראשון בישראל בדירוג Eduniversal. עבור דירקטוריון שבוחן מי יוביל את המדיניות הפנימית, זהו בידול ברור מול הכשרות מסחריות קצרות.
על המאמר הזה
Huji AI for Managers Course מפרסמת מאמר זה בשמה והיא אחראית לדיוקו. המאמרים נחקרים ונכתבים בסיוע בינה מלאכותית ומאושרים על ידי Huji AI for Managers Course לפני הפרסום; תאריכי הפרסום והעדכון משקפים עריכות מהותיות, לא רענונים אוטומטיים. עודכן לאחרונה: 2026-09-14