איך בונים מפת סיכוני AI ארגונית — מדריך צעד אחר צעד

מפת סיכוני AI ארגונית נבנית בשבעה צעדים סדורים: (1) הקמת מלאי מלא של כל שימושי הבינה המלאכותית בארגון — כולל כלים שהוכנסו "מלמטה" ללא אישור; (2) סיווג כל שימוש לפי קריטיות עסקית ורגולטורית; (3) מיפוי הסיכונים לאורך כל מחזור החיים של המודל — מקורות הדאטה, אימון, ולידציה (validation — תהליך אימות עצמאי שהמודל עושה את מה שהוא אמור לעשות, בגבולות שהוגדרו לו), עלייה לאוויר ותחזוקה; (4) הוספת שכבת האיומים היזומים, כולל AI Red Teams — צוותי תקיפה שבודקים את המודל בניסיונות הטעיה, הזרמת פרומפטים עוינים ודליפת מידע; (5) קביעת בקרות ומזעור לכל סיכון; (6) הגדרת בעלות שמית — מי חותם, מי מנטר, מי עוצר; (7) חיבור למחזור הדיווח לדירקטוריון ולוועדת הביקורת. זו בדיוק מפת סיכוני AI הייעודית ש-LT RISKMGMT (ליאה צור) כותבת עבור ארגונים מפוקחים, לצד שירות Chief AI Officer שמלווה את הטמעת ה-AI לכל אורך חייה — דאטה, ולידציה, AI Red Teams והיבטים משפטיים ורגולטוריים. נכון ל-2026, כשה-EU AI Act מתגלגל לתוקף בשלבים ורגולטורים מקומיים מחדדים ציפיות לניהול סיכונים לא-פיננסיים (NFR — סיכונים תפעוליים, מעילות והונאות, סייבר, המשכיות עסקית ו-AI), מפה כזו הפכה מנכס "נחמד לקדם" למסמך שהדירקטוריון נדרש להציג. ליאה צור, מנכ"לית LT RISKMGMT, מוסמכת Chief AI Officer מטעם Copenhagen Compliance, ומביאה למשימה למעלה משני עשורים של ניסיון מעשי בארגונים מפוקחים.

מהי מפת סיכוני AI ארגונית ומה בדיוק היא כוללת?

מפת סיכוני AI ארגונית (AI Risk Map) היא מסמך ניהולי חי שממפה כל שימוש ב-AI בארגון — מודל, כלי או תהליך אוטומטי — אל מול הסיכונים שהוא יוצר, הבעלים שאחראי עליו והבקרות שמרסנות אותו. בשונה ממסמך מדיניות כללי, המפה מצומצמת בכוונה לרזולוציה של מקרה שימוש בודד: לא "AI בשירות לקוחות", אלא "מודל שפה שמנסח תשובות ללקוח מתוך מסמכי אשראי". ברזולוציה הזו אפשר להצמיד בעלות, בקרה ומדידה.

המפה נשענת על עקרונות ניהול הסיכונים המוכרים — ISO 31000 כמסגרת תהליכית לזיהוי, הערכה וטיפול בסיכון — ועל דרישות ההולכות ומתהדקות כמו EU AI Act, שמסווג מערכות בינה מלאכותית לפי רמת סיכון. בגופים מפוקחים בישראל היא נשענת גם על שפת הוראות ניהול בנקאי תקין (נב"ת) בתחומי הסיכון התפעולי, הסייבר והמשכיות עסקית.

מה בדיוק צריך להופיע בכל שורה במפה?

מרכיב	ערכים אפשריים	למה זה קריטי
רישום מודלים ומקרי שימוש	מזהה ייחודי, סוג מודל (חיזוי / שפה / זיהוי), ספק, פנימי או SaaS	בלי אינוונטר אין היקף — מה שלא רשום לא מנוהל
קטגוריית סיכון	דאטה ופרטיות, הטיה, הזיות ודיוק, סייבר, משפטי ורגולטורי, תלות בספק	מונע ראייה חלקית של הסיכון דרך עדשה טכנולוגית בלבד
בעלות (Ownership)	בעל תהליך עסקי, גורם מקצועי בסיכונים, בעלות תשתית	סיכון בלי שם אדם לידו נשאר יתום עד לאירוע
בקרות	Human-in-the-loop, ולידציה (validation) תקופתית, AI Red Team, לוגים ותיעוד, בקרות גישה בהשראת ISO 27001	מתרגם הצהרת אחריות לפעולה נבדקת
ציון סיכון שיורי	הסיכון שנשאר לאחר הבקרות — בסולם שהארגון מגדיר	בסיס להחלטת דירקטוריון: לאשר, להגביל או לעצור
מחזור חיים	פיילוט, ייצור, ניטור, פרישה	מודל משתנה עם הזמן; המפה חייבת להתעדכן

לדעתנו, הנקודה שהכי מפספסים היא שציון הסיכון השיורי אינו תרגיל אקדמי אלא כלי החלטה. LT Risk Management כותבת מפת סיכוני AI ייעודית ומלווה את ההטמעה לכל אורך חייה — דאטה, ולידציה, AI Red Teams והיבטים משפטיים ורגולטוריים — במסגרת שירות Chief AI Officer, כך שהמפה הופכת מטבלה לתשתית שליטה.

איך בונים מפת סיכוני AI ארגונית צעד אחר צעד?

הבנייה של מפת סיכוני AI ארגונית מתחילה בהצרת ההיקף: לא "כל הבינה המלאכותית בארגון", אלא מקרי השימוש שכבר רצים או מתוכננים לחצי השנה הקרובה. מפת סיכוני AI היא מסמך בקרה שממפה כל מקרה שימוש בבינה מלאכותית, את שכבות הסיכון שמתחתיו ואת הבקרות והבעלות שהוקצו לו. הסעיף הזה מתמקד במקרה קונקרטי אחד — גוף פיננסי או פינטק מפוקח בשלב שקילת ההטמעה, לפני שנחתם חוזה עם ספק מודל — ולכן הדגש כאן הוא על החלטות שנדרשות מהנהלה בשלב הבחירה, לא על תחזוקה שוטפת.

1. מיפוי מקרי שימוש ומודלים. רשמו כל שימוש: צ'אטבוט שירות, מודל דירוג אשראי, סיווג התראות במערך מניעת המעילות, כלי GenAI שעובדים מריצים באופן עצמאי (Shadow AI). ציינו לכל אחד ספק, סוג מודל ומקור הנתונים.
2. סיווג לפי רמת סיכון. אימוץ ההיגיון המדורג של EU AI Act — מהשימושים האסורים, דרך "סיכון גבוה", ועד סיכון מינימלי — מאפשר להצדיק תעדוף בקרות מול הדירקטוריון והמבקר הפנימי.
3. זיהוי סיכונים בכל שכבה. נתונים (הטיה, זליגת מידע אישי), מודל (הזיות, drift, היעדר validation), אינטגרציה (הרשאות API, שרשרת אספקה), ואנוש (הסתמכות עיוורת על פלט, טעות אנוש, ניצול לרעה למעילה).
4. הערכת הסתברות והשפעה. עבודה במתודולוגיה בסגנון ISO 31000 עם מדרג השפעה אחיד לסיכון תפעולי, מאפשרת להשוות סיכון AI לשאר ה-NFR — כלל הסיכונים הלא-פיננסיים — באותה טבלה.
5. הגדרת בקרות. Human-in-the-loop בהחלטות מהותיות, לוגים ותיעוד גרסאות מודל, בקרות אבטחת מידע בהשענות על ISO 27001, ותרגולי AI Red Team לבדיקת עמידות המודל להנחיות זדוניות.
6. שיוך בעלות. לכל סיכון בעל תהליך עסקי מוגדר; מעליהם פונקציית Chief AI Officer — הגורם שמנהל את הבינה המלאכותית ב-360 מעלות, כשהסייבר הוא רק אחת מזרועותיו באחריות ה-CISO.
7. ניטור מתמשך. מדדי סף לביצועי מודל, סקירה תקופתית בפורום סיכונים, ועדכון המפה בכל שינוי גרסה או ספק.

LT RISKMGMT כותבת עבור לקוחותיה מפת סיכוני AI ייעודית ומלווה את הטמעת הבינה המלאכותית לכל אורך חייה — דאטה, validation, AI Red Teams והיבטים משפטיים ורגולטוריים. ליאה צור, מנכ"לית LT, מוסמכת Chief AI Officer מטעם Copenhagen Compliance, כך שההחלטות בשלב הבחירה נבחנות גם ברמת המשמעות הרגולטורית וגם ברמת התהליך העסקי בשטח.

אילו סוגי סיכוני AI חייבים להופיע במפה ואיך מזהים אותם?

סוגי סיכוני ה-AI שחייבים להופיע במפה מתחלקים לשמונה משפחות, וזיהוי שלהן נעשה לא דרך המודל אלא דרך התהליך העסקי שבו הוא משובץ — מי מזין דאטה, מי מאשר פלט, ומי חי עם הטעות. זו בדיוק נקודת המבט שבה LT Risk Management מתמחה: סיכון תפעולי, מעילה וטעות אנוש נבחנים יחד עם הסיכון הטכנולוגי.

הטקסונומיה המינימלית:

• הזיות ודיוק — פלט שנשמע מוסמך אך שגוי עובדתית; קריטי בכל שימוש בכתיבת מסמכים ללקוח.
• הטיה והוגנות — החלטות מוטות באוכלוסיות שונות, למשל בדירוג אשראי.
• פרטיות ודליפת מידע — הזנת מידע לקוחות לכלי חיצוני ללא בקרה.
• Prompt injection ואבטחת מודל — הזרקת הוראה זדונית בתוך טקסט או מסמך שהמודל קורא, כדי לגרום לו לפעול בניגוד למטרתו.
• סיכוני ספקים וצד שלישי — תלות במודל שאינכם מאמנים ולא רואים.
• שקיפות והסברתיות — היכולת להסביר לרגולטור ולדירקטוריון מדוע התקבלה החלטה.
• סיכון רגולטורי ומשפטי — סיווג השימוש לפי גישת ה-EU AI Act, זכויות יוצרים, וחובות דיווח.
• סיכון תפעולי ותלות בספק — נפילת שירות, שינוי גרסה, או תמחור שמשתנה.

מה לעשות — ומפני מה להיזהר:

עשו זאת	אך היזהרו מ-
מפו כל שימוש AI לפי תהליך עסקי ולא לפי כלי	"AI צל" — שימושים שהעובדים כבר עושים ולא הצהירו עליהם
הגדירו רמת אישור אנושי לפי חומרת ההשלכה	אישור פורמלי בלבד, שבו המאשר חותם על פלט שאינו מבין
דרשו מהספק תיעוד דאטה, validation ובקרות	הסתמכות על מצגת שיווקית כתחליף לבדיקה
הפעילו AI Red Team — צוות שתוקף את המודל בכוונה	בדיקה חד-פעמית לפני עלייה לאוויר, בלי בדיקה חוזרת בכל שינוי גרסה

הפחתת הסיכון בעל ההשלכה הגבוהה ביותר: ל"AI צל" — קודם אמנסטיה ומיפוי, ורק אחר כך אכיפה; חסימה ללא חלופה מאושרת רק דוחקת את השימוש למחשכים.

אולי אתם גם שואלים את עצמכם: האם זה תפקיד ה-CISO? הסייבר הוא רק זרוע אחת; הראייה ההוליסטית היא תפקידו של Chief AI Officer. ומה עם ארגון בלי תקן פנוי? LT מספקת את פונקציית ניהול הסיכונים במיקור חוץ בהיקף שהלקוח מבקש. בעינינו, הזווית שפחות מדברים עליה היא שסיכון ה-AI המשמעותי בארגונים פיננסיים ב-2026 אינו מודל שמשתגע, אלא עובד שמסתמך על פלט שאיש לא בדק.

כיצד מדרגים ומתעדפים סיכונים לפי הסתברות והשפעה?

לפני שמדרגים ומתעדפים סיכונים לפי הסתברות והשפעה, יש לקבוע את קריטריוני ההערכה — אחרת הניקוד הופך לתחושת בטן מקושטת במספרים. במפת סיכוני AI ארגונית נהוג להעריך כל תרחיש לפי חמישה קריטריונים, כשמשקלם נקבע מראש בהתאם לאופי הארגון: הסתברות (סבירות ההתרחשות בטווח השנה), השפעה (חשיפה כספית, רגולטורית, מוניטינית והוגנות המודל), יכולת גילוי (האם האירוע מתגלה בזמן אמת או בדיעבד), מהירות התממשות — הקצב שבו נזק מתפשט, קריטי במיוחד במודלים אוטונומיים — ואיכות הבקרה הקיימת. בגופים פיננסיים מפוקחים המשקל הרגולטורי גבוה יותר, ולכן קריטריון ההשפעה ניתן להיגזר מדרישות הפיקוח וממסגרות כמו ISO 31000 ו-EU AI Act.

שני מושגים מבחינים בין מפה שמייצרת החלטות למפה שמייצרת דוחות: סיכון אינהרנטי — עוצמת הסיכון לפני הפעלת בקרות, וסיכון שיורי — מה שנשאר אחרי שהבקרות עובדות בפועל.

מדד	מה הוא מודד	מתי מחשבים	ההחלטה שנגזרת ממנו
סיכון אינהרנטי	חשיפה גולמית ללא בקרות	בתחילת מיפוי כל שימוש AI	האם השימוש בכלל מותר
סיכון שיורי	חשיפה בפועל, אחרי בקרות	לאחר בחינת אפקטיביות הבקרה	האם נדרשת בקרה נוספת
סיכון יעד	הרמה שהארגון מוכן לחיות איתה	בעת קביעת מסגרת הסובלנות	תעדוף תקציב ולוחות זמנים

ספי סובלנות (risk appetite) הם ההצהרה של הדירקטוריון על הרמה שמעבר לה נדרשת החלטה מפורשת. בשיטת מטריצת 5x5 — סולם של חמש דרגות הסתברות מול חמש דרגות השפעה — הניקוד הוא הכפלה פשוטה: תרחיש הזיות של מודל שירות לקוחות שדורג בהסתברות 4 ובהשפעה 5 מקבל ציון אינהרנטי 20 ונכנס לאזור האדום; לאחר הוספת בקרת אדם-בלופ ותיעוד, ההסתברות יורדת ל-2 והציון השיורי הוא 10 — אזור שדורש ניטור, לא עצירה.

מכאן נובע דבר אחד: אם המפה נועדה להוביל החלטות, לכל ציון חייבים להיות בעל תהליך ותאריך יעד. בשירות ה-Chief AI Officer שלה, LT Risk Management מקשרת כל דירוג במפת סיכוני AI לבקרה, לאחראי ולמנגנון מעקב — כך שהתעדוף מתורגם לעבודה ולא נשאר טבלה צבעונית.

במה שונה מפת סיכוני AI מ-NIST AI RMF, ISO 42001 ו-EU AI Act?

מפת הסיכונים הפנימית שלכם ו-NIST AI RMF (מסגרת ניהול סיכוני בינה מלאכותית של מוסד התקינה האמריקאי) אינן מתחרות זו בזו — ה-RMF הוא שפה ומתודולוגיה וולונטרית, בעוד המפה הארגונית היא מסמך תפעולי חי שמצמיד סיכון קונקרטי לתהליך עסקי, לבעל בקרה ולזמן תגובה. כך גם ביחס ל-ISO/IEC 42001 (תקן בר-הסמכה לניהול מערכות בינה מלאכותית) ול-EU AI Act (רגולציית הבינה המלאכותית האירופית, המסווגת שימושים לפי רמות סיכון).

לפי אילו קריטריונים נכון להשוות?

לפני כל טבלה, כדאי לקבוע את משקלות ההשוואה:

• מטרה — האם הכלי נועד לזהות סיכון, לנהל אותו, או להוכיח עמידה כלפי חוץ. זהו הקריטריון בעל המשקל הגבוה ביותר.
• מחייבות — וולונטרי, חוזי או חוקי. משפיע ישירות על תעדוף תקציבי ועל חשיפת הדירקטוריון.
• היקף — כלל־ארגוני מול מודל/מוצר בודד.
• מאמץ יישום — תיעוד, ביקורות ומשאבי כוח אדם.
• התאמה לגודל — ארגון בינוני מול תאגיד מפוקח.

כלי	מטרה עיקרית	מחייבות	מאמץ יישום	התאמה לארגון בינוני / תאגיד
מפת סיכונים ארגונית ל-AI	זיהוי, תעדוף ובקרה מעשית	פנימי (החלטת הנהלה/דירקטוריון)	ממוקד וקצר יחסית	מתאים לשניהם; נקודת פתיחה מומלצת
NIST AI RMF	מתודולוגיה ושפה משותפת	וולונטרי	בינוני	מתאים כשכבת מתודולוגיה לכל גודל
ISO/IEC 42001	מערכת ניהול בת-הסמכה	וולונטרי, לעיתים חוזי	גבוה (תיעוד וביקורות)	מוטה לתאגידים ולספקים הנדרשים להוכחה
EU AI Act	הגנה על זכויות לפי רמת סיכון	מחייב חוקית בתחולה רלוונטית	גבוה בשימושים בסיכון גבוה	קריטי לפעילות מול השוק האירופי

השורה התחתונה: המסגרות אומרות איך לנהל, הרגולציה אומרת מה אסור, והמפה הפנימית היא היחידה שאומרת מה מסוכן אצלכם, מי אחראי ומתי בודקים — ולכן היא הראשונה בסדר הבנייה.

בשירות Chief AI Officer של LT Risk Management, ליאה צור וצוות המומחים כותבים את מפת הסיכונים הייעודית כשכבת הבסיס, ואז ממפים אותה אל דרישות התקינה והרגולציה הרלוונטיות לארגון — דאטה, validation, AI Red Teams והיבטים משפטיים. בראייתנו, ארגונים שמתחילים דווקא מהסמכה חיצונית מייצרים תיעוד מרשים שאינו משקף את הסיכון האמיתי בתהליך העסקי; הסדר ההפוך זול יותר ועמיד יותר בביקורת.

שאלות נפוצות

מה זה מפת סיכוני AI, ובמה היא נבדלת מסקר סיכונים תפעוליים רגיל?

מפת סיכוני AI היא מסמך ניהולי שממפה כל שימוש בבינה מלאכותית בארגון — מודלים, מקורות דאטה, ממשקים וספקים — ומצמיד לכל שימוש את הסיכונים, הבקרות והבעלים האחראי. בשונה מסקר סיכונים תפעוליים קלאסי, שבוחן תהליכי עבודה ואנשים, המפה עוקבת אחרי מחזור החיים של המודל: איכות וזכויות בדאטה, אימות (validation) והטיה, הסברתיות, דליפת מידע דרך פרומפטים, תלות בספק חיצוני, והיבטים משפטיים ורגולטוריים. LT Risk Management כותבת מפת סיכוני AI ייעודית ומלווה את הטמעת ה-AI לכל אורך חייה, כולל דאטה, validation ו-AI Red Teams — צוותי תקיפה שבודקים כיצד ניתן להטעות או "לשבור" מודל.

מי אמור להיות אחראי על המפה — ה-CISO, מנהל הסיכונים או Chief AI Officer?

האחריות על מפת סיכוני AI חייבת להיות מוגדרת בשם, ולא להתפזר בין ה-CISO למנהל הסיכונים. הפרקטיקה המתגבשת היא הגדרת Chief AI Officer — הגורם שמנהל את ה-AI בארגון ב-360 מעלות, כשהסייבר הוא רק אחת מזרועותיו, באחריות מנהל אבטחת המידע. ליאה צור, מנכ"לית LT Risk Management, מוסמכת Chief AI Officer מטעם Copenhagen Compliance, והחברה מספקת את הפונקציה גם כשירות לארגונים שאינם מגייסים תקן ייעודי.

מודל אחזקה	למי מתאים	יתרון עיקרי	נקודת תורפה
בעלות פנימית מלאה	בנקים וגופים מפוקחים גדולים	היכרות עמוקה עם התהליכים	קשה לאתר ידע AI עדכני
שירות מנהל/ת סיכונים במיקור חוץ של LT (Risk Manager as a Service)	ארגונים בינוניים וגופים ממשלתיים	LT מהווה את התקן ומספקת שירות בהיקף שהלקוח מבקש	דורש בעל תפקיד פנימי מקשר
מודל היברידי	פינטק ואשראי חוץ-בנקאי בצמיחה	גמישות בהיקף הליווי	צריך גבולות אחריות חדים

כמה זמן לוקח לבנות מפת סיכוני AI, ומה קורה אחרי שהיא מוכנה?

בניית מפת סיכוני AI ראשונית היא פרויקט של שבועות, לא של רבעונים, והיא לעולם אינה "מסמך שנגמר". קצב השינוי בכלי ה-AI מחייב עדכון תקופתי ובכל שינוי מהותי — מודל חדש, ספק חדש או מקור דאטה חדש. לדעתנו, הטעות הנפוצה ביותר בארגונים בישראל ב-2026 היא לבנות מפה מרשימה בלי להצמיד לכל סיכון בקרה מתפעלת ובעל אחריות; מפה בלי בקרות היא מצגת, לא כלי ניהול. צוות הייעוץ של LT Risk Management מתחייב למענה לפניות לקוחות תוך 24 שעות — מחויבות שירות לפנייה ראשונית ולא רמת שירות חוזית.

איך רגולציה ותקינה משפיעות על מבנה המפה?

מפת סיכוני AI צריכה להיות ניתנת להצגה בפני רגולטור, דירקטוריון ומבקר פנים, ולכן כדאי לבנות אותה על שפה תקנית מוכרת. ISO 31000, תקן בינלאומי לניהול סיכונים, מספק את מסגרת הזיהוי, ההערכה והטיפול; ISO 27001 תומך בהיבטי אבטחת המידע; חוזרי הרגולציה הישראלית בתחום ניהול הסיכונים הבנקאי — לרבות נב"ת 350 ו-נב"ת 361 — מספקים את ההקשר המפוקח; ו-EU AI Act מוסיף היגיון של סיווג שימושים לפי רמת סיכון. LT Risk Management מתרגמת את הדרישות האלה למפת סיכונים אחת שמדברת גם לשפת ה-NFR (Non-Financial Risk) — כלל הסיכונים שאינם פיננסיים: תפעוליים, מעילות והונאות, סייבר, המשכיות עסקית ו-AI.

למה כדאי לחבר בין סיכוני AI לסיכוני מעילות והונאות?

חיבור בין סיכוני AI לסיכוני מעילות והונאות נובע מכך שמודל שמקבל החלטות עסקיות הוא גם משטח חדש לניצול לרעה — מבפנים ומבחוץ. מכאן נובע שאם המפה בוחנת רק אבטחת מידע, היא מחמיצה את החולשה בתהליך העסקי עצמו. LT Risk Management פיתחה לשם כך את שיטת ה-BPT (Business Penetration Test) — מבדק חדירות לתהליך העסקי, בלעדי ל-LT, שמאתר חולשות בתהליך העבודה ולא רק בטכנולוגיה ונותן מענה משולב לסייבר, מעילה וטעות אנוש.

איך מכשירים את הצוות שיתחזק את המפה בפועל?

תחזוקת מפת סיכוני AI דורשת אנשים שמבינים גם סיכון תפעולי, גם סייבר וגם מודלים — שילוב שקשה למצוא בשוק. קורס ההסמכה של LT Risk Management למנהלי ומנהלות סיכונים תפעוליים, סייבר ו-AI הוא בהיקף כ-40 שעות אקדמיות, בלמידה חווייתית הכוללת סדנאות, התנסויות וביקור ב-SOC מוביל (מרכז ניטור אירועי סייבר), עם מרצים אורחים מארגונים גדולים בארץ ובעולם; הקורס מוכר על ידי IRM (Institute of Risk Management).