הסיפור שמאחורי השיחה
כשה-AI יכול להעתיק אתכם, מה נשאר?
פעם סטארטאפ קטן היה צריך לפחד מהחברות הגדולות.
היום גם החברות הגדולות צריכות לפחד מסטארטאפ שקם אתמול, וגם הסטארטאפ שקם אתמול צריך לפחד ממישהו שיבנה מוצר דומה תוך שבוע.
זאת הבעיה שאופיר ניר הגיע לדבר עליה.
אופיר, בוגר 8200, שמונה שנים ב-Singular, Big Brain של monday.com והיום VP R&D של Vega, חוזר לקופסה כדי לדבר על השאלה שכבר אי אפשר לדחות: איך בונים חפיר כשה-AI מוריד את עלות הבנייה כמעט לאפס?
או במילים פחות יפות: מה במוצר שלכם עדיין קשה להעתיק?
חפיר הוא לא פיצ’ר
בכנס RSA, אחד מכנסי הסייבר הגדולים בעולם, הסתובב אתר קטן שמדרג חברות לפי השאלה מי Hot ומי כבר בדרך להיות Cooked.
Vega יצאה משם בצד הטוב של הטבלה.
אבל כמו שאופיר אומר בפרק, זה לא אומר שבשנה הבאה הם לא יהיו בקטגוריה השנייה.
זה בדיוק המקום שבו המילה Moat מפסיקה להיות מונח של משקיעים ומתחילה להיות שאלה הנדסית. חפיר הוא לא עוד מסך במוצר, לא עוד Agent ולא עוד אינטגרציה נוצצת. חפיר הוא הדבר שממשיך להחזיק גם כשמישהו אחר משתמש באותם מודלים, באותם כלים ובאותה מהירות פיתוח.
אם כל היתרון שלכם הוא “אנחנו משתמשים ב-AI”, אין לכם יתרון.
💡 מה מחכה לכם בפרק:
- למה Product-Market Fit בסייבר מתחיל ב-50-70 שיחות, לא בדמו.
- איך Vega בחרה לפתור בעיית דאטה בלי להזיז את הדאטה למקום אחד.
- למה Detection Engineers עברו מעבודה של ימים לחלון זמן של דקות.
- מה הופך דאטה מפוצל לבעיה טכנית, עסקית ותחרותית.
- איך מכניסים AI לארגון בלי לפתוח את הדלת לדאטה של לקוחות.
- למה טמפלייט טוב לפיצ’ר או Design Review נהיה חשוב יותר, לא פחות, בעידן ה-AI.
קודם מבינים מה הלקוח צריך
Vega קמה בשוק צפוף. בסייבר יש הרבה כסף, הרבה חברות ענק והרבה סטארטאפים שנכנסים לאותם אזורים.
במצב כזה, לא מתחילים מ-”יש לנו רעיון”. מתחילים מלצאת החוצה.
אופיר מתאר את ה-Sunrise Process: לפני שבונים מוצר, פוגשים עשרות אנשי מקצוע, לקוחות ואנשים בדרגים שונים. לא כדי לשאול אותם מה הם רוצים. זאת בדרך כלל השאלה הלא נכונה.
המטרה היא להבין מה הם צריכים.
זה הבדל קטן שנשמע כמו סמנטיקה עד שמנסים לבנות מוצר. לקוחות יודעים לתאר כאב, workaround ולחץ תפעולי. הם לא תמיד יודעים לתאר את המוצר שיפתור את זה.
במקרה של Vega, הכאב היה דאטה.
הדאטה לא נמצאת במקום אחד
בארגון Security, הדאטה היא קודש הקודשים.
היא מגיעה מ-EDR, ממערכות ענן, ממערכות Authentication, מ-Okta, מ-OneLogin, מלוגים, מסטורג’ים, מדאטה סנטרים ישנים ומחברות שנרכשו לאורך הדרך.
כל מקור מייצר דאטה בצורה אחרת, בקצב אחר ובמבנה אחר.
עכשיו שימו מעל זה אירוע סייבר.
אנליסט צריך להבין מה קרה. Detection Engineer צריך להבין אם הארגון מכוסה מול איום חדש. שניהם צריכים להגיע מהר לדאטה, להבין אותה, ולבנות תשובה שאפשר לסמוך עליה.
והעולם מסביב לא מחכה.
אם פעם היה אפשר לתת לאיש מקצוע כמה ימים לחקור איום ולבנות כיסוי, היום החלון הזה מתקצר לדקות. בהמשך הוא יתקצר עוד יותר, כי גם הצד התוקף משתמש באוטומציה וב-AI.
זאת לא בעיית Dashboard.
זאת בעיה של זמן תגובה.
לא חייבים לרכז את הכול
התשובה הקלאסית לבעיית דאטה היא לרכז אותו.
בונים Data Warehouse, Data Lake, תהליכי ETL, צינורות, שכבות ניקוי, שכבות חיפוש ומעל זה מערכות שמנסות לשאול שאלות על הכול.
זה עובד בהרבה מקומות. אופיר עצמו עשה את זה שנים, ביחידות, במרקטינג וב-monday.com.
אבל בסייבר זה גם יקר, איטי ומורכב.
צריך להזיז כמויות גדולות של מידע בין קלאודים, בין סניפים, בין מערכות On-prem ובין מקורות שלא נבנו כדי לעבוד יחד. צוותים מתחילים להתעסק יותר בשינוע, סידור והכנה של דאטה מאשר בחקירת אירועים.
Vega הלכה על כיוון אחר: לא להזיז את כל הדאטה למקום אחד, אלא להבין אותו איפה שהוא נמצא.
זה החלק שקשה להעתיק.
לא כי אי אפשר לבנות עוד UI מעל LLM. אפשר. אלא כי החפיר יושב בהבנה של מערכות הסייבר, של המבנים השונים, של הזרימה האמיתית בארגון ושל הדרך להפוך דאטה מפוצל למשהו שאפשר לעבוד איתו בזמן אמת.
ה-AI לא מחליף IP
הסיכון בעידן הזה ברור.
אם המוצר שלכם יושב רק על מודל, מישהו גדול יותר יכול להשתמש באותו מודל. אם הערך הוא רק Prompt טוב, מישהו יכתוב Prompt דומה. אם הדמו נראה טוב רק כי הבעיה קטנה, פרודקשן יפרק אותו.
אופיר מדבר על שלושה כיוונים לבניית חפיר:
- ליבה טכנולוגית עמוקה שקשה לשכפל.
- ידע שנצבר לאורך זמן מתוך שוק אמיתי ודאטה אמיתית.
- Execution כל כך טוב בנישה ספציפית שגם שחקן גדול יתקשה לעשות אותו באותה רמה.
זה לא חייב להיות Deep Tech במובן המחקרי בלבד.
לפעמים החפיר הוא להבין איך נראה התפקיד החדש של המשתמש, איך הוא עובד עכשיו, מה השתנה סביבו בגלל AI, ואיפה המוצר שלכם נכנס לתוך הזרימה הזאת בלי להעמיד פנים שהעולם נשאר אותו דבר.
גם הארגון צריך חפיר פנימי
הפרק לא נשאר רק ברמת המוצר.
אופיר מתאר גם איך Vega משתמשת ב-AI בתוך תהליכי הפיתוח והעבודה הפנימיים שלה. לא רק בקוד, אלא גם ב-Product, Design, תחקירי תקלות, Design Reviews וכלים פנימיים.
אחד הסיפורים המעניינים בפרק הוא כלי פנימי שנבנה כמעין Back Office חדש: חוויית Notebook שמחוברת לקוד, ל-APIs, לשיחות, ל-Slack ולמערכות הארגוניות. במקום לבנות פורטל פנימי גדול במשך שנים, מישהו בנה שכבה קטנה שמאפשרת לעובדים לשאול שאלות ולהפעיל פעולות על המערכות האמיתיות.
זה נשמע חזק.
וזה גם מסוכן.
כי ברגע שכל עובד יכול להפעיל AI מול מערכות פנימיות, השאלה היא לא רק מה אפשר לעשות. השאלה היא מה מותר לעשות, עם איזה דאטה, תחת איזה הרשאות, ואיך מונעים מצב שבו מידע של לקוחות יוצא החוצה.
ב-Vega שמים קו ברור סביב דאטה של לקוחות. שם לא משחקים. יש כלים מאושרים, ריצה פנימית במקומות הרגישים, הפרדה בין דאטה עסקית לבין דאטה של לקוחות, ותפיסה שבה DevOps כבר לא רק מפעיל תשתיות. הוא גם בונה את שכבת ה-AI הפנימית של הארגון.
טמפלייטים נהיו חשובים יותר
יש רגע יפה בפרק שבו אופיר מדבר על Design Review.
הפורמט עצמו רץ איתו שנים. בעידן ה-AI, פתאום Claude ממלא חלק מהמסמכים האלה. וזה בסדר, כל עוד האדם עדיין אחראי למה שכתוב שם.
אם התוכן לא נכון, לא משנה מי כתב אותו.
כאן נכנסת החשיבות של טמפלייטים. איך נראה Feature טוב, איך נראה Design Review, איך נראה תחקיר תקלה, איפה צריך לכתוב “לא רלוונטי” במקום למלא קשקוש, ואיך מבקשים מהמודל להיות Devil’s Advocate ולא רק להגיד שהכול גאוני.
AI לא מבטל משמעת הנדסית.
הוא מעניש את מי שאין לו כזאת.
החפיר הוא מה שנשאר אחרי הדמו
זה פרק על AI, אבל לא במובן של עוד כלי ועוד מודל.
זה פרק על מה שנשאר כשכולם מקבלים את אותם כלים.
האם אתם מבינים את הלקוח טוב יותר? האם יש לכם דאטה שאחרים לא יודעים להפעיל? האם יש לכם תהליך שמייצר איכות ולא רק מהירות? האם הארגון יודע להשתמש ב-AI בלי לשבור אבטחת מידע? האם יש במוצר שלכם משהו שגם Agent טוב לא יכול לשכפל בלי כל ההיסטוריה שמאחוריו?
כי הדמו ייראה טוב.
החפיר נבחן אחר כך.
