בתוך חלון של 60 יום פרסמה Gartner 2 תחזיות שכל מי שמוביל CX ומתכנן את תקציב ה-AI ל-24 החודשים הקרובים צריך לקרוא זו לצד זו.
ב-26 בינואר צפתה החברה שהעלות לפתרון של AI גנרטיבי בשירות לקוחות תעלה על $3 עד 2030, יותר מהעלות של נציגים אנושיים רבים במיקור חוץ בתחום ה-B2C. ב-31 במרץ צפתה החברה שיותר ממחצית ארגוני שירות הלקוחות יכפילו את ההוצאה על טכנולוגיה עד 2028, ללא צמצום מקביל בכוח האדם.
כשקוראים אותן יחד, התחזיות מתארות כלכלת CX שבה עקומת ההוצאות עולה, עקומת כוח האדם נשארת פחות או יותר שטוחה, והעלות לפתרון של AI מטפסת לעבר העלות של נציג במיקור חוץ, שהיא הייתה אמורה להיות נמוכה ממנה. הסיפור שלפיו AI מוזיל את שירות הלקוחות, ההנחה שעומדת מאחורי רוב תקציבי תוכנות ה-CX מאז 2023, כבר לא מחזיק באופן חלק.
Gartner מצביעה על 2 משתנים שמניעים את המגמה: כישרונות ומורכבות הכלים. שניהם אמיתיים, אבל מתחתם יש משתנה שלישי, ורוב הצוותים לא עוקבים אחריו. המשתנה הזה הוא הפתרון: ליתר דיוק, הפער בין מה שה-AI מטפל בו לבין מה שה-AI באמת פותר. הוא שקובע אם כל דולר חדש של הוצאה על טכנולוגיית CX מייצר תוצאה או רק מייצר טרנזקציה.
פער הפתרון, בדולרים
רוב לוחות המחוונים של CX מציגים את "שיעור האוטומציה" או את "שיעור ההסטה" (deflection) כמספר המרכזי. פנייה נכנסת, ה-AI עונה, השיחה מסתיימת בלי נציג, והפלטפורמה מסמנת את הפנייה כמטופלת. המספר בלוח המחוונים עולה.
מה שלוח המחוונים לא תמיד מראה הוא אם הבעיה של הלקוח באמת נפתרה. זה פער הפתרון: המרחק בין האינטראקציות שה-AI נוגע בהן לבין הבעיות שה-AI פותר.
כשהפער רחב, הנפח לא נעלם. הוא חוזר למערכת ב-3 דרכים:
- כפניות חוזרות, כשהלקוח חוזר באותו ערוץ כי הבעיה לא נפתרה
- כהסלמה בין ערוצים, כשהלקוח מנסה צ'אט, מוותר, מתקשר ומגיע לנציג שמתחיל מאפס
- כנטישה, כשהלקוח מסיק שהחברה לא יכולה לעזור ומפסיק לנסות
לכל אחת מהתוצאות האלה יש עלות שלוח המחוונים של ההסטה לא קולט. המדגם של McKinsey AI in Customer Service 2026 ממחיש היטב את כלכלת היחידה: פתרון שמטופל על ידי AI עולה כ-$0.62, לעומת $7.40 לפתרון שמטופל על ידי נציג אנושי (מצוטט דרך ריכוז המדדים של Digital Applied לשנת 2026). אבל החשבון הזה עובד רק לפי מספר הפתרונות, לא לפי מספר ההסטות. כל אינטראקציה שנרשמת כמוסטת ואז חוזרת כהסלמה לנציג אנושי פירושה 2 חשבונות: אחד על רישיון ה-AI, ועוד אחד על הנציג שמרים את החוט שנשמט. כשהפער רחב, החשבון הזה מצטבר, ועקומת ההוצאות ש-Gartner צופה עד 2028 היא בדיוק מה שזה נראה בקנה מידה גדול.
לכן העלות לפתרון היא המדד הרלוונטי כשמשווים את כלכלת ה-AI לבסיס האנושי, לא העלות לאינטראקציה ולא שיעור ההסטה. התחזית של Gartner לעלות של $3 לפתרון ב-2030 מודדת כמה עולה AI כשהוא באמת פותר את הבעיה, לא כמה הוא עולה כשהוא מטפל בהודעה.
מה באמת קורה בתוך עקומת ההוצאות
סקר של Gartner מאוקטובר 2025 בקרב 321 מנהלי שירות לקוחות מצא שרק 20% מהארגונים צמצמו את מספר הנציגים בזכות AI. 80% האחרים משלמים גם על ה-AI וגם על הנציגים.
זה לא מצב מעבר בדרך לעלויות נמוכות יותר. זו התוצאה המבנית של האופן שבו AI מוטמע ברוב מחלקות ה-CX. כפי ש-CXOVoice ניסחו זאת, עלויות שירות הלקוחות עולות כי ה-AI מוסיף שכבות במקום להסיר אותן: הסטאק כולל כעת AI שיחתי, ניתוב, ניהול ידע, אנליטיקה, תזמור ופיקוח, ולכל אחד מהם עלויות רישוי, הטמעה ואינטגרציה משלו.
אף אחת מהשכבות האלה לא מחליפה שכבה קיימת. מה ש-Gartner צופה עד 2028 אינו עלות הגירה חד-פעמית, אלא שינוי מבני מתקציבי CX שמבוססים בעיקר על שכר לתקציבי CX שמבוססים בעיקר על תוכנה, כשבסיס העלויות הכולל עולה במקום לרדת.
בתוך השינוי הזה, פער הפתרון קובע באיזה צד של המאזן נוחתת ההוצאה על AI. כשה-AI פותר את הבעיה מקצה לקצה, שכבת התוכנה מצדיקה את מקומה: היא עושה עבודה שאחרת הייתה דורשת אדם, וכלכלת היחידה עובדת. כשה-AI מסיט בלי לפתור, שכבת התוכנה מוסיפה עלות בלי להוריד אף עלות קיימת, והדולר שהיה אמור לצאת מתקציב הנציגים מממן בסוף את ה-AI בנוסף אליו.
החשבון המצטבר
ניקח תרחיש טיפוסי: 10,000 פניות נכנסות בחודש, לוח מחוונים של הספק שמדווח על שיעור אוטומציה של 60%, ו-6,000 פניות שמסומנות כ"מטופלות" בלי מעורבות אנושית.
ביקורת שמבחינה בין הסטה לבין פתרון מאומת בדרך כלל מגיעה לתוצאה אחרת. מחקרים בתעשייה על הטמעות מבוססות RAG מוצאים באופן עקבי ש-15% עד 25% מהפניות ה"מוסטות" מכילות תשובות שגויות או חלקיות. אם 25% מ-6,000 הפניות המוסטות חוזרות למערכת בתוך 72 שעות (כפניות חוזרות, הסלמות או ניסיונות בערוצים אחרים), אז 1,500 אינטראקציות שנראו אוטומטיות לא היו כאלה.
שיעור הפתרון האוטונומי האמיתי בנפח הזה אינו 60%. הוא 45%. והפער מופיע ב-3 סעיפים שרוב לוחות המחוונים של CX לא בנויים להציג:
- החשבון של ספק ה-AI לא משתנה. הרישיון מתומחר לפי אינטראקציות, וה-AI מטפל באינטראקציות.
- עומס העבודה של צוות הנציגים כולל את 1,500 הפניות שחזרו, לרוב בלי הקשר, כי ההעברה שבורה.
- חוויית הלקוח סופגת את המחיר של לשאול פעמיים. הספק גובה על 6,000 אינטראקציות. אתם שילמתם על 4,500 פתרונות.
פער הפתרון הוא שקובע אם סעיף ה-AI מחליף טיפול אנושי או מתווסף אליו. כשהפער קטן, ההוצאה על AI מקזזת את ההוצאה על נציגים. כשהפער רחב, ההוצאה על AI נערמת על ההוצאה על נציגים, וזו העקומה ש-Gartner צופה עד 2028.
משתנה הארכיטקטורה
פער הפתרון אינו בעיה של המודל. זו בעיה של ארכיטקטורה.
רוב סוכני ה-AI שפועלים היום בסביבות ייצור יכולים לקרוא אבל לא לפעול. הם שולפים מידע ממאגר ידע, מסכמים מדיניות ומציעים צעדים הבאים. מה שהם בדרך כלל לא יכולים לעשות בלי אינטגרציה עמוקה יותר הוא לבצע החזר כספי, לעדכן חשבון, לשנות הזמנה או להזיז פגישה. קו ההפרדה הארכיטקטוני הוא גישת קריאה בלבד מול גישת קריאה-כתיבה למערכות שבהן נמצאת הבעיה האמיתית של הלקוח.
AI עם גישת קריאה בלבד מוגבל מבנית לחלק הפניות שאפשר לפתור באמצעות הצגת מידע. ברוב תוכניות ה-CX הארגוניות מדובר ברובד tier-1 של איפוסי סיסמה, בירורי סטטוס הזמנה ושאלות מדיניות: נפח אמיתי, אבל עם תקרה. התלונות, החריגים, המחלוקות על חיובים ושינויי החשבון שמניעים את עלויות התמיכה נמצאים בצד השני של גבול הקריאה-כתיבה.
לכן כדאי לבחון היטב נתוני "שיעור אוטומציה" מעל 70% על מגוון רחב של שאילתות. בדרך כלל הם משקפים שכבת מיון אגרסיבית שמסננת את הזנב הקשה לפני שה-AI רואה אותו, או הגדרה של פתרון שסופרת שיחות שהסתיימו בלי לאמת את התוצאה. הטמעות ייצור עם אינטגרציית קריאה-כתיבה למערכות ה-backend מגיעות בדרך כלל לשיעור פתרון מאומת של 70% עד 85% על מגוון רחב של שאילתות, כולל פניות שתלויות במדיניות.
ההחלטה הארכיטקטונית היא שקובעת אם כל דולר חדש של הוצאה על טכנולוגיית CX סוגר את פער הפתרון או מרחיב אותו. קריאה בלבד מול קריאה-כתיבה, שכבה משלימה מול החלפה מלאה, AI כשכבה מעל מול AI בתוך מוקד התמיכה: אלה לא פרטי הטמעה. אלה מכפילי ההוצאה. מסגרת ההערכה של Maven מפרטת את הממדים האלה לעומק.
איך נראית גישה שמעמידה את הפתרון במרכז, בסביבת ייצור
לחברות שסוגרות את פער הפתרון יש מאפיין ארכיטקטוני משותף: אינטגרציית קריאה-כתיבה למערכות שבהן הבעיות של הלקוחות באמת נמצאות. נתוני הייצור שמראים סגירה של פער הפתרון הם ספציפיים:
- Mastermind הגיעה ל-93% פתרון אוטונומי בתוך 6 שבועות מההטמעה.
- Papaya Pay הגיעה ל-90% פתרון אוטונומי בתוך 3 שבועות.
- Clio עברה מצ'אטבוט מיושן לפתרון אוטונומי בשיעור של 80%, פתרה 60% יותר פניות וקיצרה את זמן התגובה בתמיכה החיה פי 4x.
- Rho שמרה על CSAT של 95% תוך טיפול ב-12% יותר פניות בחודש, בלי להוסיף כוח אדם.
בנתון האחרון כדאי להתעכב. ההודעה של Gartner מ-31 במרץ צופה שההכפלה של ההוצאה על טכנולוגיית CX עד 2028 לא תלווה בצמצום כוח אדם, ומזהירה שחברות שמקצצות נציגים כדי לממן AI מסתכנות בשיבושים תפעוליים, בפגיעה בחוויית הלקוח ובחזרות לאחור יקרות. התחזית מניחה שה-AI לא פותר מספיק בעצמו כדי להתמודד עם נפח הולך וגדל.
הנתון של Rho הוא ההמחשה הברורה ביותר לחשבון הוצאות שמעמיד את הפתרון במרכז, בסביבת ייצור. ה-CSAT נשאר על 95%, נפח הפניות גדל ב-12%, והצוות לא גדל. כך נראית קיבולת נפח כששיעור הפתרון אמיתי: יותר לקוחות מטופלים, אותו צוות, CSAT ללא פגיעה.
זו הגרסה של חשבון ההוצאות שבה סעיף ה-AI מצדיק את מקומו. ההוצאה על טכנולוגיה עולה, ההוצאה על נציגים נשארת יציבה, נפח הלקוחות עולה, ובסיס העלויות הכולל לכל בעיה שנפתרה יורד. זה עובד רק כששיעור הפתרון גבוה מספיק. כלומר, כשהפער בין הסטה לפתרון קטן מספיק כדי שנפח ה-AI יתורגם באופן נקי לתוצאות של AI.
3 שאלות לפני שמכפילים את התקציב
תחזית ההוצאות של Gartner ל-2028 לא חייבת להתממש בכל דוח רווח והפסד של CX. המשתנה שקובע אם כן הוא הארכיטקטורה והכלכלה של שכבת ה-AI שמתווספת. 3 שאלות חותכות מבעד למספרי הכותרת שכל ספק יציג ראשונים.
- האם ה-AI יכול לבצע פעולות במערכות שבהן נמצאת הבעיה של הלקוח, או רק לענות מתוך מסמכים? קו ההפרדה בין קריאה בלבד לקריאה-כתיבה הוא המשתנה הארכיטקטוני שמגביל כמה מבסיס עלויות התמיכה ה-AI יכול לכסות. AI שמציג סטטוס הזמנה הוא שימושי. AI שמבצע את ההחזרה, מעדכן את החשבון ומאשר את השינוי הוא זה שסוגר את פער הפתרון.
- מה שיעור הפניות החוזרות בתוך 72 שעות על פניות שנפתרו? זה מדד הביקורת. אם 25% מהפניות ה"פתורות" מייצרות פנייה נוספת בתוך 3 ימים, שיעור הפתרון האפקטיבי נמוך משמעותית ממספר הכותרת. ספק שבטוח באיכות הפתרון של ה-AI שלו מפרסם את המספר הזה. לספק שלא מדד אותו יש בדרך כלל סיבה.
- מה שיעור הפתרון המאומת, ולא שיעור ההסטה? פתרון מאומת סופר רק פניות שבהן הבעיה של הלקוח נפתרה והלקוח לא חזר. הסטה סופרת כל פנייה שה-AI נוגע בה. ספקים שמדדו את שניהם ישתפו את שניהם. ספקים שלא מדדו, או לא מוכנים לשתף, בדרך כלל ממטבים למספר שמחמיא להם.
שלוש התשובות יחד קובעות אם כל דולר חדש של הוצאה על טכנולוגיית CX קונה פתרון או קונה פעילות.
המשתנה ש-Gartner לא ציינה
2 התחזיות מ-2026 מושכות לאותו כיוון. ההוצאה עולה, העלות לפתרון של AI מטפסת לעבר רף העלות האנושי, וכוח האדם נשאר פחות או יותר יציב. ההשפעה המשולבת היא עלייה מבנית בבסיס עלויות ה-CX עבור מחצית הארגונים שיכפילו את ההוצאה על טכנולוגיה עד 2028.
מה שהתחזיות לא אומרות, כי הן מודדות הוצאה על טכנולוגיה ולא ארכיטקטורה, הוא שפער הפתרון הוא המשתנה שקובע לאיזו מחצית ארגון מסוים יגיע. חברות שמתייחסות לפתרון כמדד המרכזי, ובונות את שכבת ה-AI שלהן כך שתפעל במערכות שבהן הבעיות של הלקוחות באמת נמצאות, לא יראו את עקומת ההוצאות מוכפלת בלי תוצאות. חברות שמתייחסות לפתרון כשם נרדף להסטה יוציאו יותר ב-2026, ב-2027 וב-2028, ויפתרו בערך כמו שפתרו ב-2024.
שפת הקטגוריה משתנה בהתאם. פתרון אוטונומי הופך למדד המרכזי. שיעור הפתרון (Resolution Rate) בדרך להחליף מדדי CX ותיקים כמדד העיקרי לשאלה אם AI בתמיכה עובד. הפרשנות של ספקים ואנליסטים מתכנסת לאותה נקודה: ב-2026, לוח המחוונים שספק ה-AI שלכם מציג ראשון הוא זה שכדאי לבחון הכי לעומק.
עקומת ההוצאות ש-Gartner צופה ל-2028 אינה בלתי נמנעת. היא התוצאה של החלטות ארכיטקטורה שרוב צוותי ה-CX מקבלים ממש עכשיו.
ראו את זה על השיחות שלכם.
בקשו הדגמה מותאמת אישית ללא עלות.
