מיליארדים מושקעים ב-AI בפיננסים — וה-ROI עדיין לא ברור

הבנקים, חברות הביטוח וגופי ההשקעות כבר אינם בשלב השאלה אם להשתמש בבינה מלאכותית. הם נמצאים בשלב הקשה יותר: להראות שההשקעה מתורגמת לתוצאה עסקית ברורה — הכנסות גבוהות יותר, עלויות נמוכות יותר, ניהול סיכונים טוב יותר או שירות משופר ללקוחות.

זו המסקנה המרכזית של Quinlan & Associates: היקף הניסויים והתקציבים גדל במהירות, אבל בפועל רבים מהמוסדות עדיין לא מצליחים להוכיח תשואה על ההשקעה (ROI).

76 מיליארד דולר בשנה — ופער גדול בתשואה

לפי הערכת Quinlan & Associates, מגזר השירותים הפיננסיים השקיע 76 מיליארד דולר ביוזמות הקשורות ל-AI בשנת 2025. ההוצאה בענף צפויה לעבור את רף 130 מיליארד הדולר עד 2030. 14

במקביל, לפי הדיווחים, 95% מהמוסדות הפיננסיים המסורתיים כבר בוחנים AI או מפעילים פתרונות כאלה במסגרת הפעילות העסקית שלהם. אלא ש-71% מהם מדווחים על קושי להשיג או להציג תשואה ברורה על ההשקעה. 3

פער זה חשוב: אימוץ רחב מעיד על כוונה ארגונית ועל נכונות להשקיע, אך אינו מוכיח שכל פרויקט מייצר ערך מתמשך. ממצאים המקושרים ל-Quinlan מצביעים גם על כך ש-43% מיוזמות ה-AI מבוטלות — נתון שממחיש כמה מהפעילות אינה מגיעה להטמעה יציבה בסביבת ייצור. 15

שלושה חסמים בדרך מערך תיאורטי לתוצאה עסקית

Quinlan מזהה שלושה גורמים שלובים שמקשים על מימוש הערך:

1. אסטרטגיה שמתחילה בטכנולוגיה, לא בבעיה עסקית. ארגונים עלולים להתחיל מכלי זמין, במקום להגדיר תחילה בעיה עסקית, מסע לקוח, צוואר בקבוק תפעולי ויעד ערך. במצב כזה קשה לבחור מקרה שימוש עם נתיב אמין להשפעה. 6
2. ממשל ובקרות שמגיעים מאוחר מדי. כאשר ניהול סיכונים, ציות ובקרות נתפסים כשלב אישור לאחר תחילת התכנון, הצוותים עלולים לגלות מגבלות רק אחרי שכבר הושקעו זמן וכסף רבים. 6
3. מודל תפעולי שאינו בנוי להתרחבות. נתונים מפוצלים, תשתיות הטמעה חלשות ויכולת בלתי מספקת לנהל, לפרוס ולהרחיב AI יכולים להשאיר גם פרויקטים מבטיחים תקועים בין פיילוט לאימוץ ארגוני. 6

אלה אינם רק אתגרים טכנולוגיים, אלא בעיקר בעיות ביצוע. מוסד פיננסי יכול לרכוש רישיונות למודלים, להריץ הוכחות היתכנות ולדווח על עשרות ניסויים — ועדיין לא לשנות את תהליכי העבודה, חלוקת האחריות והמנגנונים הנדרשים כדי להשיג תוצאה פיננסית ממשית.

ממשל AI הוא חלק ממנגנון ה-ROI

בשירותים פיננסיים, ממשל אמין של בינה מלאכותית אינו שכבת ציות נפרדת מהביצועים העסקיים. הוא קובע אם אפשר לאשר שימוש מסוים, לפרוס אותו, לנטר אותו ולסמוך עליו ברמת האוטונומיה שהמודל העסקי דורש.

הפלייבוק של הפורום הכלכלי העולמי למגזר הפיננסי ממליץ לשלב ניהול סיכונים ונהלי AI אחראי בכל שכבה: להגדיר מוקדם את תיאבון הסיכון, לבצע אימות קפדני למודלים, ולוודא שפעולות ה-AI נותרות ניתנות להסבר, למעקב ולשליטה. 1

הדברים נעשים חשובים במיוחד ככל שארגונים עוברים ממערכות מסייעות למערכות שמסוגלות לבצע פעולות מרובות שלבים. גבולות ברורים, מסלולי הסלמה ופיקוח אנושי יכולים לצמצם את אי-הוודאות התפעולית שמונעת ממקרי שימוש בעלי ערך להתרחב.

גם סקר IIF-EY מדגיש את חשיבות התשתיות: איכות הנתונים וזמינותם הן מן החסמים המובילים לפריסת AI בסביבת ייצור, לצד הצורך בכוח אדם מיומן ובאמצעי ממשל והגנה. 4

מה אומרים BCG ו-NVIDIA

מחקרים רחבים יותר תומכים באבחנה של Quinlan, גם אם הם מתבססים על מדגמים ומדדים שונים.

בסקר של BCG בקרב יותר מ-280 מנהלים בתחום הכספים, התשואה החציונית המדווחת על AI ובינה מלאכותית יוצרת הייתה 10% בלבד — מתחת ליעד של 20% שרבים מהמשיבים הציבו. כמעט שליש דיווחו על רווחים מוגבלים בלבד. 43 במחקר נפרד של BCG, שכלל יותר מ-1,250 חברות, רק 5% הצליחו להשיג ערך מ-AI בהיקף רחב; 60% דיווחו על ערך מהותי מועט, למרות השקעה ניכרת.

מנגד, סקר 2025 של NVIDIA בתחום השירותים הפיננסיים מציג גם תמונה חיובית: חלק ממקרי השימוש שכבר הוטמעו אכן מייצרים תועלת מוחשית. קרוב ל-70% מהמשיבים אמרו ש-AI תרם לעלייה של לפחות 5% בהכנסות, ויותר מ-60% דיווחו על הפחתה של לפחות 5% בעלויות השנתיות. מקרי השימוש המובילים ב-AI גנרטיבי לפי תשואה מדווחת היו מסחר ואופטימיזציית תיקים, ולאחריהם חוויית לקוח.

המחקרים אינם סותרים זה את זה. AI יכול לייצר תשואה, אך עצם הפריסה אינו התוצאה הסופית. ההבדל תלוי בבחירת מקרה השימוש, בשינוי תהליך העבודה הרלוונטי, בבניית נתונים ובקרות אמינים, ובמדידה של התוצאה התפעולית והפיננסית.

האתגר עבר מאימוץ לביצוע

המסר הבולט בדוח Quinlan הוא חוסר ההתאמה בין הוצאה, פעילות וערך ממומש: בסיס השקעה של 76 מיליארד דולר ב-2025, שימוש או בחינה נרחבים של AI במוסדות, וקושי מתמשך להוכיח תשואה. 14 3

עבור מנהלים בשירותים פיננסיים, המשמעות המעשית היא להתייחס ל-AI כתוכנית לשינוי עסקי — לא כאוסף פיילוטים מנותקים. נקודת הפתיחה צריכה להיות יעד עסקי מדיד; את דרישות הסיכון והממשל יש להגדיר לפני הפיתוח; יש להקצות בעלות ברורה על התוצאות; ולעקוב אחר מדדי ביצוע לאורך חיי המערכת לאחר ההשקה.

גם BCG טוענת שהחברות שמייצרות ערך משמעותי מתמקדות במספר קטן של יוזמות, מרחיבות אותן במהירות, משנות תהליכי ליבה, מכשירות צוותים ומודדות באופן שיטתי תשואות תפעוליות ופיננסיות.

קו ההפרדה התחרותי הבא, אם כן, כנראה לא יעבור בין מוסדות שיש להם AI לאלה שאין להם. הוא יעבור בין מי שמסוגלים להפעיל AI בבטחה ובאופן מדיד בתוך תהליכי ליבה — לבין מי שממשיכים לצבור ניסויים בלי דרך עקבית להפיק מהם ערך.