סייבר ובינה מלאכותית

הקדמה

ישראל נחשבת בעשור האחרון לאחת המדינות המובילות בעולם בתחום הסייבר, הן ברמה הטכנולוגית והן ברמת האקו־סיסטם הכולל מחקר אקדמי מתקדם, יחידות טכנולוגיות ביטחוניות, חברות הזנק חדשניות וחברות בינלאומיות הפועלות מהארץ. שילוב ייחודי זה יצר יתרון יחסי משמעותי ומיצב את ישראל כמרכז מצוינות עולמי בתחום. במקביל, בשנים האחרונות מתרחשת מהפכה טכנולוגית נוספת — התפתחות מואצת של תחום הבינה המלאכותית — אשר צפויה להשפיע באופן עמוק על עולם הסייבר. המפגש בין שני התחומים מתאפיין בהשפעה הדדית: מחד, טכנולוגיות בינה מלאכותית משפרות באופן משמעותי את יכולות הסייבר באמצעות זיהוי מתקדם של איומים, אוטומציה של תהליכי הגנה וניתוח כמויות גדולות של נתונים ממערכות מחשוב ורשתות לצורך זיהוי דפוסים חריגים או התנהגויות חשודות המעידות על פעילות זדונית; ומאידך, טכניקות ויכולות מעולם הסייבר נדרשות יותר ויותר להגנה על מערכות ותשתיות מבוססות בינה מלאכותית, להבטחת אמינותן, עמידותן בפני תקיפות ולשמירה על שימוש בטוח בהן.

על רקע זה, ניצבת בפני ישראל הזדמנות אסטרטגית להרחיב את יתרונה היחסי ולבסס מובילות גם במפגש שבין עולמות הסייבר והבינה המלאכותית. שמירה על מעמד זה מחייבת זיהוי מוקדם של תחומים טכנולוגיים מתפתחים בעלי פוטנציאל משמעותי בשנים הקרובות, ובפרט כאלה שיש להם גם חשיבות לאומית מבחינת חוסן, ביטחון וכלכלה. מטרת מסמך זה היא להציג תמונת־על של השילוב בין תחומי הסייבר והבינה המלאכותית, למפות את תתי־התחומים המרכזיים המתפתחים במרחב זה, לסקור את הפעילויות הבולטות בישראל ובעולם, ולהציע כיווני פעולה שיסייעו בהמשך ביסוס ההובלה הישראלית בתחום. בתוך כך, המסמך מציג המלצות מדיניות וכלי פעולה שבאמצעותם גופים ממשלתיים, ובראשם רשות החדשנות, יכולים לתמוך בפיתוח האקו־סיסטם, לעודד חדשנות ולהבטיח את מעמדה של ישראל בחזית הטכנולוגיה העולמית בתחום המתפתח של AI וסייבר.

מתודולוגיה המחקר בבסיס הדוח

הניתוח המוצג במסמך זה מבוסס על שילוב בין סקירת מחקרי שוק בינלאומיים לבין ניתוח פעילות התעשייה בישראל ובעולם.

בבסיס עבודת הניתוח עמדו מחקרים שפורסמו על ידי חברות מחקר בינלאומיות מובילות, כאשר מחקרי חברת Gartner שימשו מקור מידע מרכזי, לצד מחקרים ופרסומים נוספים העוסקים בהתפתחות תחומי הסייבר והבינה המלאכותית. מחקרי Gartner מתחלקים לשני סוגים מרכזיים:

• מחקרי Hype Cycle, הממפים טכנולוגיות מתפתחות, מפרקים תחומים רחבים לתת־תחומים טכנולוגיים, מנתחים את רמת הבשלות שלהם ומעריכים את לוחות הזמנים עד להבשלה מסחרית רחבה;
• מחקרי עומק טכנולוגיים, הסוקרים תחומים ספציפיים ומספקים ניתוח מגמות, יישומים פוטנציאליים והשלכות אסטרטגיות עבור מקבלי החלטות.

בנוסף לניתוח מחקרי השוק, נעשה שימוש במאגר הנתונים של רשות החדשנות על מנת לבחון פעילות של חברות שהגישו בקשות תמיכה לרשות. ניתוח זה מאפשר לזהות מגמות טכנולוגיות המתפתחות בתעשייה הישראלית, אשר לעיתים נמצאות בשלבים מוקדמים של התפתחות ולכן טרם משתקפות באופן מלא במחקרי השוק הבינלאומיים. במקרים רבים פעילות זו משקפת מגמות רחבות יותר המתחילות להתפתח גם בזירה הגלובלית.

במסגרת ניתוח זה יושמה גישת Bottom-Up, שבמסגרתה זוהו קבוצות (Clusters) של חברות הפועלות בתחומים טכנולוגיים דומים או משלימים. גישה זו מאפשרת לזהות מוקדם יחסית תחומים מתפתחים ולחדד את ההגדרות של תתי־תחומים טכנולוגיים המצויים בשלבי התגבשות.

לאחר זיהוי תתי־התחומים הפוטנציאליים בוצעה בחינה שלהם בהתאם למספר קריטריונים מרכזיים:

• פוטנציאל טכנולוגי ושוקי – היקף ההשפעה הצפוי של התחום בשנים הקרובות והיקף הפעילות הכלכלית הפוטנציאלית סביבו.
• רמת חדשנות ובשלות טכנולוגית – עד כמה מדובר בתחום מתפתח שצפוי לצמוח משמעותית בטווח של מספר שנים.
• חשיבות לאומית – תרומת התחום לחוסן הלאומי, לביטחון המדינה, להגנה על תשתיות קריטיות ולשמירה על עצמאות טכנולוגית.
• יתרון יחסי לישראל – מידת ההתאמה של התחום לחוזקות הקיימות באקו־סיסטם הישראלי, כגון מומחיות בסייבר, מחקר אקדמי מתקדם וניסיון מצטבר בתעשייה ובמערכת הביטחון.

השילוב בין סקירת המחקרים הבינלאומיים, ניתוח פעילות התעשייה בגישת Bottom-Up והערכת התחומים בהתאם לקריטריונים אלו אפשר גיבוש תמונת מצב עדכנית של התחום וזיהוי תתי־תחומים בעלי פוטנציאל משמעותי הן מבחינה טכנולוגית וכלכלית והן מבחינת האינטרסים האסטרטגיים של מדינת ישראל. על בסיס ניתוח זה גובשו ההערכות וההמלצות המוצגות במסמך ביחס להתפתחות התחום ולתפקיד המדינה, ובפרט רשות החדשנות, בקידום תחומי הפעילות הרלוונטיים.

 הגדרת התחום

השילוב בין בינה מלאכותית וסייבר אינו מתמצה בתחום טכנולוגי יחיד, אלא מבטא זיקה הדדית בין שני עולמות המתפתחים במקביל ומשפיעים זה על זה. מצד אחד, טכנולוגיות בינה מלאכותית הופכות לכלי מרכזי בשיפור יכולות ההגנה בסייבר; מצד שני, מערכות בינה מלאכותית עצמן הופכות לנכסים דיגיטליים קריטיים הדורשים מנגנוני הגנה ייעודיים.

היבט ראשון של התחום ניתן לכנות AI for Cyber – שימוש בטכנולוגיות בינה מלאכותית לשיפור יכולות ההגנה בסייבר. מערכות מבוססות AI מאפשרות ניתוח של כמויות גדולות של נתונים ממערכות מחשוב ורשתות, זיהוי דפוסים חריגים ואיומים מתפתחים, וסיוע בזיהוי, חקירה ותגובה לאירועי סייבר. יכולות אלו מאפשרות אוטומציה של תהליכי אבטחה, תיעדוף התראות וניתוח אירועים מורכבים, ובכך מחזקות את עבודת צוותי הסייבר בארגונים. יישומים נפוצים כוללים, בין היתר, זיהוי אנומליות מתקדם, גילוי תקיפות מתוחכמות, מערכות תומכות החלטה למרכזי ניטור (SOC) ויכולות תגובה אוטונומיות לאירועים.

היבט שני של התחום ניתן לכנות Cyber for AI – הגנה על מערכות הבינה המלאכותית עצמן. ככל שמערכות AI משתלבות בתהליכים עסקיים, בתשתיות קריטיות ובמערכות ממשלתיות וביטחוניות, הן יוצרות מרחב תקיפה חדש ומורכב. מערכות אלו כוללות רכיבים רבים – מודלים, מערכי נתונים, ממשקי API, תשתיות מחשוב ותהליכי פיתוח ופריסה (MLOps), ולעיתים גם סוכנים אוטונומיים הפועלים במערכות מידע – אשר כל אחד מהם עלול להוות יעד לתקיפה או לניצול זדוני.

איומים מרכזיים בתחום זה כוללים, בין היתר, תקיפות על נתוני האימון של המודל (Data Poisoning), מניפולציה של קלטים במטרה לגרום למודל להפיק תוצאות שגויות (Adversarial Inputs), ניסיונות לשחזר או לגנוב מודלים דרך ממשקי שימוש (Model Extraction), וכן מתקפות מבוססות קלט כגון Prompt Injection, שבהן תוקפים מחדירים הוראות זדוניות למודלים מבוססי שפה במטרה לשנות את התנהגותם או לחשוף מידע רגיש.

המורכבות וההתפתחות המואצת של שני ממדי התחום יוצרים מגוון תתי־תחומים טכנולוגיים חדשים במפגש שבין AI וסייבר. תתי־תחומים אלו משמשים בסיס לניתוח המוצג במסמך ולהמלצות המדיניות המפורטות בהמשך.

פריצת דרך טכנולוגית מול סקיילינג יישומי – ההבחנה המעשית

הבחנה מרכזית הנדרשת לניתוח התחום היא בין פריצת דרך טכנולוגית לבין סקיילינג יישומי. במקרים רבים האתגר המרכזי אינו בשאלה האם קיימת יכולת טכנולוגית בסיסית, אלא האם ניתן להטמיע אותה באופן בטוח, מדיד ונשלט בהיקף ארגוני.

סקיילינג הוא בראש ובראשונה אתגר הנדסי־תפעולי: שילוב יכולות AI במערכות קיימות, הבטחת נתונים איכותיים ורציפים, הפחתת טעויות, והטמעת היכולות החדשות בתהליכי עבודה הניתנים למדידה ולניהול לאורך זמן. במקרים רבים סקיילינג דורש גם התאמות ארגוניות ותהליכיות הנדרשות כדי לשלב את הטכנולוגיה באופן אפקטיבי בפעילות הארגון. במילים אחרות, האתגר אינו רק בפיתוח הטכנולוגיה אלא ביכולת לפרוס אותה באופן אמין ובקנה מידה רחב.

לעומת זאת, פריצת דרך טכנולוגית נדרשת כאשר הבעיה עצמה עדיין אינה פתורה באופן מספק. כך למשל עולה הצורך בפיתוח גישות חדשות להגנה על מודלים מפני תקיפות, להבטחת יכולת מעקב (Traceability) על פעולות של סוכנים אוטונומיים, או ליצירת אמינות מערכתית כאשר הפלט של מערכות AI הוא הסתברותי ותלוי הקשר. במילים אחרות, בחלקים מסוימים של התחום התחרות היא על מחקר וחדשנות טכנולוגית, בעוד שבחלקים אחרים היא על היכולת לפרוס, לשלוט ולתפעל מערכות מורכבות בקנה מידה רחב.

בחלק מהתחומים במפגש בין AI וסייבר נדרש שילוב בין שני הממדים – הן פריצת דרך טכנולוגית והן יכולת סקיילינג יישומי. כלומר, לצד פיתוח פתרונות חדשים לבעיות שטרם נפתרו, נדרשת גם היכולת להטמיעם באופן רחב, מדיד ונשלט בסביבות ארגוניות ותפעוליות מורכבות.

בהתאם לקריטריונים אלו, ניתן לזהות מספר תחומי פעילות מרכזיים במפגש בין AI וסייבר אשר משלבים חדשנות טכנולוגית, פוטנציאל יישומי רחב וחשיבות לאומית וביטחונית (אין מדובר במיפוי מלא של התחום).

טקסונומיה של התחום

לצורך הניתוח במסמך זה, ובנקודת הזמן הנוכחית, ניתן לחלק את תחום המפגש בין AI וסייבר לחמישה תחומי פעילות מרכזיים. תחומים אלו משמשים בסיס לניתוח הפעילות התעשייתית ולהמלצות המוצגות בהמשך המסמך:

• AI for Security Operations – שימוש ב-AI לשיפור פעילות SOC ו-SecOps, לרבות גילוי איומים, חקירה, תיעדוף אירועים, אוטומציה של תגובה ותמיכה בקבלת החלטות.
• AI Security / Secure AI Lifecycle – הגנה על נתונים, מודלים, ממשקי API, יישומי GenAI, סוכנים אוטונומיים ושרשרת האספקה של מודלים ונתונים לאורך מחזור החיים שלהם.
• Governance, Risk, Auditability ו-AI TRiSM (Trust, Risk and Security Management) – שכבת המשילות, ניהול הסיכונים, הבקרה והציות, לצד יכולות שקיפות, הסבריות וביקורת על מערכות AI.
• הגנה על סביבות OT (Operational Technology) ותשתיות קריטיות – הגנה על מערכות סייבר־פיזיות ותשתיות תעשייתיות, שבהן שילוב של AI עם מערכות שליטה פיזיות מחייב רמות הקשחה ובקרה גבוהות במיוחד.
• הגנה על אמון ושלמות מידע – תחומים הקשורים להתמודדות עם דיסאינפורמציה, Deepfakes, הגנת מותגים (Brand Protection) ולוחמת תודעה במרחב הדיגיטלי.

בשלות טכנולוגית

רמת הבשלות הטכנולוגית בתחום אינה אחידה, והיא משתנה בין תתי־התחומים השונים. תחומי AI for Cyber נמצאים ברובם כבר בשלב מסחרי מתקדם: קיימים מוצרים פעילים, רמת האימוץ הארגוני גבוהה יחסית, ותהליכי העבודה סביב הטכנולוגיה מתחילים להתייצב. עם זאת, גם בתחומים אלו קיימים עדיין אתגרים משמעותיים, בעיקר סביב אינטגרציה למערכות קיימות, איכות הנתונים, התאמת תהליכי עבודה והכשרת כוח אדם.

לעומת זאת, חלקים משמעותיים בתחום Cyber for AI עדיין נמצאים בשלבי התגבשות מוקדמים יותר. קיימים כבר פתרונות ופרקטיקות ראשוניות, אך טרם התגבשו סטנדרטים מקצועיים אחידים, אין עדיין מערך בדיקות מוסכם לכל מערכת, ומדדים כגון אמינות, בטיחות והסבריות טרם תורגמו באופן מלא ליכולות תפעוליות או למסגרות ביקורת רגולטוריות.

פער זה בולט במיוחד בתחומים הקשורים ל-Agentic AI, לניהול זהויות לא־אנושיות, לאבטחת סוכנים אוטונומיים ולאבטחת יישומי Generative AI מורכבים. תחומים אלו נמצאים כיום במפגש בין שלב מחקרי לשלב יישומי, ומתאפיינים מצד אחד בחדשנות מהירה ומצד שני בחוסר יציבות ארכיטקטוני ובסטנדרטים מקצועיים הנמצאים עדיין בתהליך התגבשות. בשל כך, הם מהווים מוקדי חדשנות מרכזיים אך גם מוקדי סיכון משמעותיים, ומקבלים תשומת לב גוברת מצד התעשייה, רגולטורים ומקבלי החלטות.

 מיפוי עולמי

במבט עולמי, השאלה המרכזית אינה רק מי מפתח אלגוריתם טוב יותר, אלא על מה נשענת מובילות טכנולוגית אמיתית. מהניתוח עולה כי המובילות העולמית בתחום נשענת כיום על ארבעה צירים מרכזיים:

• 1.     גישה לנתונים ולטלמטריה בהיקף רחב ומגוון – היכולת לאסוף, לעבד ולנתח אותות ממספר רב של מקורות.
• 2.     פלטפורמות אינטגרטיביות – המשלבות ענן, זהויות, תחנות קצה ותפעול אבטחה במסגרת מערכת אחת.
• 3.     יכולת הנדסה ותפעול בקנה מידה (Scale) – הכוללת אינטגרציות, SLA ותמיכה ארגונית.
• 4.     יכולת משילות, עמידה בדרישות ציות, ושילוב מנגנוני ניהול סיכונים הניתנים לבקרה ולביקורת.

מבחינת סוגי השחקנים, ניתן לזהות שלוש קבוצות עיקריות:

• חברות פלטפורמה גלובליות – נהנות מיתרון משמעותי בזכות גישה נרחבת לנתונים, פריסה רחבה, אינטגרציה מובנית ויכולת להטמיע AI כחלק מסביבת האבטחה הארגונית הכוללת (Gartner, Hype Cycle for AI and Cybersecurity 2025, Gartner, Hype Cycle for Security Operations 2025, Gartner, Top Trends in Cybersecurity for 2026).
• חברות עומק וסטארטאפים – המתמקדים בנישות צומחות כגון AI TRiSM, LLM Security, Model Validation, Data Integrity, AI Red Teaming, Identity for AI Agents ו-Agentic Security  (Gartner, Predicts that Guardian Agents will Capture 10-15% of the Agentic AI Market by 2030, Grand View Research, Agentic AI In Cybersecurity Market (2025 – 2033), Grand View Research, Confidential Computing Market (2024 – 2030), Market Research Forecast, AI Large Model in Cybersecurity Market Drivers and Challenges: Trends 2025-2033).
• אקדמיה, מרכזי מחקר וממשלות – מובילים מחקר בתחומים כגון Adversarial ML, privacy-preserving ML, robustness, explainability והגנה מפני model extraction, ובמקביל מעצבים מסגרות משילות, בקרה וציות.

ברמה הגיאוגרפית ניתן לזהות מוקדי חוזק שונים:

• ארצות הברית מובילה בעיקר בצירי הנתונים, הפלטפורמות והסקייל – בזכות שילוב בין תשתיות, ספקיות ענן, שוק enterprise גדול והון טכנולוגי ותפעולי (Gartner, Hype Cycle for AI and Cybersecurity 2025, Gartner, Hype Cycle for Security Operations 2025, Gartner, Top Trends in Cybersecurity for 2026).
• אירופה מובילה בעיקר בציר הרגולטורי והמערכתי – באמצעות דגש על שקיפות, אחריות, ניהול סיכונים וציות, גם במחיר של אימוץ איטי יותר בחלק מהתחומים (Gartner, Reference Guide for AI Governance, Gartner, A CISO’s Guide to AI Cyber Stewardship).
• אסיה בולטת במדינות מסוימות ביישומים תפעוליים, בממשל דיגיטלי ובאימוץ מהיר בקנה מידה, אם כי התמונה משתנה באופן משמעותי בין מדינה למדינה (Grand View Research, Confidential Computing Market (2024 – 2030), The Business Research Company, Operational Technology (OT) Security Market Report 2026, Mordor Intelligence, Operational Technology (Ot) Security Market Size & Share Analysis – Growth Trends and Forecast (2026 – 2031)).

מצבה של ישראל

השאלה המרכזית ביחס לישראל אינה האם קיימת פעילות בתחום, אלא האם קיים יתרון יחסי שניתן לתרגם למובילות ולאימפקט כלכלי, ביטחוני ומדינתי.

חוזקות: הון אנושי, עומק טכנולוגי וניסיון מבצעי

לישראל מספר חוזקות מובהקות:

• הון אנושי עמוק בתחומי סייבר, תוכנה ו-AI;
• ניסיון מבצעי בעולמות ביטחון, תשתיות ו-SecOps;
• תרבות attack/defense מפותחת;
• יכולת גבוהה להפוך ידע טכנולוגי לפתרון מעשי במהירות;
• יכולת להקים חברות המתמחות בשכבות עומק טכנולוגיות מתקדמות.

יתרונות אלו מיקמו את ישראל בעשורים האחרונים כאחת המובילות העולמיות בתחום הסייבר, והם מהווים בסיס חשוב גם למובילות עתידית במפגש בין AI וסייבר.

היתרון היחסי של ישראל אינו טמון ביכולת להתחרות בפיתוח מודלי בסיס כלליים או בתשתיות hyperscale, אלא ביכולת לחבר בין ידע טכנולוגי עמוק לבין ניסיון מבצעי וצרכים מערכתיים, ולהפוך זאת במהירות לפתרונות מעשיים. שילוב ה-AI מחדד יתרון זה דווקא בתחומים שבהם לא די ביכולת אלגוריתמית בלבד, אלא נדרשת הבנה מעשית של התנהגות מערכות תחת תקיפה, כשל ואי־ודאות.

ישראל אינה נהנית מיתרון יחסי אחיד על פני כלל התחום, אלא בעיקר בתתי־תחומים שבהם נדרשת שכבת עומק טכנולוגית־מבצעית. תחומים אלו כוללים בין היתר AI Security, Secure AI Lifecycle, Red Teaming ייעודי ל-AI, הגנה על סוכנים אוטונומיים ואימוץ AI-Cyber בסביבות רגישות כגון תשתיות קריטיות, ביטחון, בריאות ו-OT. מנגד, לישראל קיימים פערים מבניים בתחומי הסקייל, הנתונים והתשתיות, ולכן אין לה יתרון יחסי מובהק בתחומים עתירי חישוב ותשתית כגון מודלי בסיס כלליים או תשתיות ענן רחבות היקף.

בשנים האחרונות השקיעה המדינה, באמצעות רשות החדשנות וגופים ממשלתיים נוספים, בפיתוח תשתיות AI. בספטמבר 2024 הושקה הפאזה השנייה של התוכנית הלאומית לבינה מלאכותית, הכוללת השקעה של מאות מיליוני שקלים במחקר, הון אנושי ותשתיות; במאי 2025 נבחרה חברת Nebius להקים מחשב־על לאומי ל-AI; ובדצמבר 2025 אושרה השקעה של 44 מיליון ש"ח בפיתוח מאגרי נתונים לאימון מודלים.

חולשות: תשתיות, דאטה, רגולציה וסקייל

לצד החוזקות, קיימים בישראל גם פערים מהותיים. היתרון היחסי אינו נשען על הון אנושי בלבד, אלא גם על היכולת להעמיד תשתיות, נתונים ומסגרות פעולה המאפשרות סקייל.

ראשית, פערי תשתית: אחת החולשות המרכזיות היא הקושי לבנות תשתיות לאומיות תומכות — תשתיות חישוב בקנה מידה, סביבות ניסוי מתקדמות, מאגרי נתונים מאובטחים ומנגנוני שיתוף בין גופים.

שנית, פערי נתונים: פיצול בין גופים, עמימות ביחס לבעלות על נתונים, קושי בשיתוף והיעדר רציפות נתונים מצמצמים את היכולת לחבר בין נתונים לבין פעולה מבצעית — יכולת שהיא תנאי הכרחי למימוש הערך בתחום ה-AI-Cyber. בהיעדר תשתית נתונים רציפה, מסגרת שימוש ברורה ומנגנוני בקרה לאורך זמן, גם מודלים מתקדמים לא יצליחו לייצר אפקטיביות מערכתית.

שלישית, פערי רגולציה ומשילות: הצורך לאזן בין חדשנות לבין אמון, בין ציות ומסגרת פעולה ברורה לבין עידוד שוק וחדשנות, ובמקביל לצמצם שימוש לא מבוקר במערכות “Shadow AI” (ללא פיקוח, אישור או משילות רשמית של הארגון). רגולציה מכבידה עלולה לעכב אימוץ, ואילו היעדרה עלול להרחיב שימוש לא מבוקר. יש צורך במסגרת ברורה שתאפשר אימוץ בטוח, תצמצם שימוש לא מבוקר ב-AI ותתיישר לסטנדרטים בינלאומיים.

רביעית, פער סקייל מבני: הקושי לבנות מוצר הדורש נתונים גלובליים, אינטגרציות enterprise עמוקות ושירות בקנה מידה בינלאומי.

מכאן נובע כי החסם המרכזי אינו רק טכנולוגי אלא גם מערכתי: ללא חיבור בין תשתיות, נתונים, רגולציה ויכולות ניסוי, יתרון טכנולוגי לא יתורגם למובילות. בנוסף קיימת עמימות סביב בעלות על נתונים, גישה אליהם ואפשרויות לשיתוף בין גופים, דבר המקשה לחבר בין נתונים לבין פעולה מבצעית מבלי לפגוע בפרטיות, בביטחון או באינטרסים מוסדיים.

 מובילות

על בסיס זה, ההמלצה האסטרטגית לישראל היא לבחור מודל מובילות משולב בעל סדרי עדיפויות ברורים, כך שייווצר יתרון יחסי מתמשך ולא יתרון נקודתי.

סוגי המובילות המומלצים (לפי סדר עדיפות):

• מובילות טכנולוגית ממוקדת (ראשית) – בתחומי AI Security ו-Secure AI Lifecycle
• מובילות יישומית־מבצעית (משנית)
• מובילות רגולטורית־מערכתית זהירה (תומכת)
• Red Teaming ייעודי ל-AI – סימולציית תקיפות פרואקטיבית לזיהוי והערכת פגיעויות במערכות סייבר ובמערכות AI

המובילות הראשית צריכה להיות מובילות טכנולוגית ממוקדת בתחומי AI Security ו-Secure AI Lifecycle: הגנה על מחזור החיים של AI, אבטחת סוכנים אוטונומיים, אבטחת שרשרת אספקת מודלים ונתונים, בקרה ואימות לפעולות AI, ופיתוח יכולות Red Teaming ייעודיות.

המובילות השנייה צריכה להיות מובילות יישומית־מבצעית – היכולת להטמיע AI-Cyber בסביבות רגישות כגון תשתיות קריטיות, בריאות, ביטחון ו-OT, שם לישראל יש ניסיון תפעולי משמעותי.

המובילות השלישית צריכה להיות מובילות רגולטורית־מערכתית זהירה: לא ניסיון להוביל רגולציה עולמית רחבה בנוסח אירופי, אלא בניית מודל רגולטורי יישומי וגמיש, המבוסס על sandboxes, סטנדרטים אופרטיביים, מנגנוני ביקורת ישימים ויכולת מהירה להוכיח תאימות.

בהתאם לכך, ישראל צריכה לשאוף להוביל בשכבות עומק טכנולוגיות ויישומיות בממשק שבין AI וסייבר, ולא בניסיון להתחרות על תשתיות־על או על מודלי בסיס כלליים.

כיוון פעולה זה מתיישב עם המגמות הגלובליות בתחום, ובמקביל נותן מענה לצרכים בעלי חשיבות לאומית וביטחונית, שבהם לישראל יתרון יחסי מובהק — ובראשם הגנה על תשתיות קריטיות, מערכות ביטחוניות ונכסי מידע רגישים.

חסמים

חסמי התחום נחלקים לשישה ממדים: טכנולוגיים, רגולטוריים, דאטה, תשתיות, שוק/אימוץ והון אנושי. החסם הטכנולוגי המרכזי הוא הפער בין הוכחת היתכנות (PoC) לבין מערכת יציבה הפועלת לאורך זמן; החסם הרגולטורי נובע מכך שהחלטות AI אינן תמיד דטרמיניסטיות ולכן יש צורך ביכולת ביקורת, תיעוד, עקיבות (Traceability) והגדרת אחריות; חסם הדאטה מתבטא בנתונים מפוצלים בין גופים, חסרי רציפות ולעיתים בלתי נגישים, וכן בקושי לחבר אותם לפעולה בצורה מאובטחת; חסם התשתיות כולל תשתיות חישוב בקנה מידה, סביבות ניסוי מתקדמות וכלי בדיקה שיטתיים; חסם השוק/אימוץ נובע מהצורך בתיאום בין פונקציות ארגוניות שונות — SOC, פיתוח, IT, משפטי וציות; וחסם ההון האנושי נובע מכך שלצד יתרון הטאלנט הקיים, נדרש גם מערך הכשרה מתמשך לעדכון והרחבת מיומנויות.

נקודת המפתח להתערבות ממשלתית היא שהשוק לבדו מתקשה לפתור בעיות של תשתיות, שיתוף נתונים, סטנדרטים תפעוליים וניסוי מבוקר, ולכן תפקיד הממשלה הוא להפחית חסמים מערכתיים שמונעים אימוץ בטוח וסקייל.

 צעדי מדיניות והזדמנויות

מכאן נגזרת גם מסגרת הפעולה הממשלתית: גיבוש מסגרת אופרטיבית ליישום בטוח של AI, הכוללת סטנדרטים, פרקטיקות ומנגנוני ביקורת לארגונים. כיווני פעולה אלו משקפים מגמות גלובליות מרכזיות, שבהן הדגש עובר מפיתוח יכולות AI בלבד לניהול סיכונים, ניסוי מבוקר והטמעה בקנה מידה.

בטווח הקצר, של 1–2 שנים, הצעד האפקטיבי ביותר הוא יצירת מסלולי ניסוי (sandbox) מאובטחים ל-GenAI, LLMs וסוכנים בארגונים, בעיקר במגזרים עתירי סיכון. במקביל, יש צורך בגיבוש מדריך אופרטיבי ל-Secure AI Lifecycle. בנוסף, יש מקום למדיניות רכש ממשלתית שתסייע ביצירת ביקוש ראשוני לפתרונות עומק ישראליים, תוך הגדרת דרישות אמון, בטיחות ובקרה — ולא מחיר בלבד. בטווח זה יש לפעול גם להתאמה לסטנדרטים בין־לאומיים ולתרגומם להנחיות יישומיות בשוק הישראלי. כדי לאפשר אימוץ אחראי, על המדינה לקבוע מסגרות רגולטוריות ראשוניות, לעדכן חקיקה ולהבטיח אחידות בין גופי פיקוח — לצורך צמצום פערי בגרות והתמודדות עם איומים כגון דלף מידע Prompt Injection, ו-Shadow AI.

בטווח הבינוני, של 3–5 שנים, יש להשקיע בתשתיות לאומיות, ובהן testbeds, סביבות נתונים מאובטחות, יכולות חישוב ומנגנוני שיתוף נתונים תחת בקרה. נוסף על כך, ניתן להקים מרכז מצוינות לאומי ל-AI Security, שיחבר בין אקדמיה, תעשייה וממשלה ויפתח תוצרים פרקטיים, ובהם מודלי איומים, סט בדיקות ותבניות ארכיטקטורה לאימוץ בטוח. במקביל, נדרשת מעורבות ישראלית חזקה בגופי תקינה, רגולציה ומדיניות בין־לאומיים, כדי שחברות ישראליות יוכלו להוכיח תאימות במהירות בשווקים גלובליים וללא עלויות ציות בלתי סבירות. כדי לשמור על חוסן מערכתי, המדינה צריכה להשקיע גם בהכשרת כוח אדם, בהטמעת אוריינות AI רחבה ובהובלת תוכניות לאומיות למניעת דיסאינפורמציה ו-Deepfake. בנוסף, נדרש לקדם סטנדרטים לאבטחת שרשראות אספקה דיגיטליות וביוטכנולוגיות — נושא ההולך ותופס מקום מרכזי בעולם.

בהיבט של רשות החדשנות, מוקד ההתערבות צריך להיות במקומות שבהם השוק לבדו אינו צפוי לייצר מענה מספק, אך שבהם תמיכה ממשלתית יכולה להאיץ מעבר מחדשנות להטמעה ולסקייל. בהתאם לכך, על רשות החדשנות להתמקד בהפחתת סיכון טכנולוגי, בתמיכה בפתרונות עומק ובתתי־תחומים שבהם לישראל יש יתרון יחסי, וכן ביצירת מסלולים שיחברו בין פיתוח, ניסוי, הוכחת יכולת וחדירה לשוק.

כלי הרשות והתוכניות הייעודיות צריכים להתמקד במענקי מו"פ, בקולות קוראים ממוקדים, במסלולי Pilot-to-Production, עידוד שיתופי פעולה בין אקדמיה, תעשייה וממשלה, ובחיבור לשותפים ממשלתיים בתחומי רגולציה, תשתיות וסטנדרטים.

אינדיקטורים להצלחה

כדי למדוד הצלחה תוך 3–5 שנים יש להגדיר מדדים כמותיים ואיכותיים ברורים.

מדדים כמותיים

1. מספר חברות ישראליות בתחום AI Security עם:
2. ARR בטווח של 50–100 מיליון דולר ומעלה
3. חדירה ללקוחות Enterprise גלובליים
4. מספר ארגונים ממשלתיים ותשתיות קריטיות בישראל שמפעילים Secure AI Lifecycle מלא.
5. הקמת לפחות תשתית ניסוי לאומית אחת  (Testbed / Secure Sandbox) 
6. מספר פיילוטים ממשלתיים שהפכו לפריסה מלאה  (Pilot-to-Production)
7. השתתפות ישראלית בסטנדרטים בינלאומיים דוגמת  ISO / NIST / OECD
8. היקף השקעות הון סיכון בתחום AI-Cyber בישראל
9. היקף התמיכה הממשלתית בחברות בתחומים אלו

מדדים איכותיים

1. קיומו של סט בדיקות מוסכם ל-AI Security בשוק המקומי.
2. יכולת ביקורת, תיעוד ותאימות מעשית למערכות AI בארגונים.
3. צמצום אירועי Shadow AI במגזר הציבורי.
4. אימוץ עקרונות Secure AI Lifecycle כחלק מתהליכי DevSecOps ו-MLOps.
5. הכשרת הון אנושי ייעודי (תוכניות אקדמיות / מסלולי הכשרה מקצועיים).