יש משהו קצת מוזר שקורה בזמן האחרון.

מצד אחד, אף פעם לא היה קל יותר לבנות דברים. נוסחה באקסל? מבקשים מ-ChatGPT. קוד VBA? מקבלים תוך כמה שניות. שאילתת Power Query? הכלי כבר יודע לכתוב טיוטה לא רעה. אפילו ב-Power BI, כשצריך Measure ב-DAX או רעיון למבנה של דוח, אפשר לקבל כיוון ראשוני הרבה יותר מהר מבעבר.

וזה באמת מרשים.

מי שעבד עם אקסל או עם קוד לפני עידן כלי ה-AI יודע כמה זמן היה אפשר לבזבז על בעיה אחת קטנה. לפעמים סוגר אחד חסר בנוסחה היה יכול לשגע אותך חצי שעה. לפעמים קשר לא נכון במודל הנתונים היה גורם לכל הדוח להיראות מוזר, ולא היה ברור מאיפה בכלל להתחיל לבדוק. לפעמים היית יושב מול Power Query, מנסה להבין למה שלב מסוים נשבר, קורא הודעות שגיאה, מחפש בגוגל, נכנס לפורומים, קורא תשובות ישנות ב-Stack Overflow, מנסה פתרון אחד, מוחק, מנסה שוב, מתעצבן, קם לקפה, חוזר, ורק אז מבין שהבעיה הייתה בכלל בשם עמודה שהשתנה.

זה היה מתיש.

אבל זה גם היה בית ספר.

כי דווקא המקומות האלה, שבהם נתקעת, הכריחו אותך להבין. לא רק להעתיק נוסחה, אלא להבין למה היא עובדת. לא רק לבנות דוח, אלא להבין למה הוא לא מציג את מה שציפית. לא רק לכתוב קוד, אלא ללמוד איך לחשוב כמו מי שצריך לפתור בעיה.

היום חלק גדול מהכאב הזה נעלם. או לפחות מתקצר מאוד.

וזה דבר נהדר, אבל גם קצת מסוכן.

כי כשכלי AI נותן לנו תשובה תוך כמה שניות, קל מאוד להתבלבל ולחשוב שהתשובה היא גם נכונה. היא כתובה יפה, היא נראית מקצועית, היא מגיעה עם הסבר משכנע, ולפעמים היא אפילו עובדת. לפחות בדוגמה הראשונה שבדקנו.

אבל מי שעובד עם אקסל ו-Power BI יודע שהמבחן האמיתי הוא לא האם משהו “עובד”. המבחן הוא האם הוא עובד נכון.

וזה הבדל עצום.

נוסחה יכולה להחזיר מספר, אבל המספר לא יהיה המספר הנכון.
דוח יכול להיראות יפה, אבל להתבסס על לוגיקה שגויה.
Measure ב-DAX יכול להחזיר תוצאה, אבל להתנהג אחרת לגמרי כשמשנים פילטר או עוברים לרמת סיכום אחרת.
שאילתת Power Query יכולה לנקות נתונים, אבל למחוק בדרך שורות שלא היינו אמורים למחוק.
קוד VBA יכול לרוץ, אבל להיכשל בשקט במקרה קצה שלא חשבנו עליו.

והבעיה הכי גדולה היא שטעויות כאלה לא תמיד צועקות.

באקסל, הרבה פעמים הטעות שקטה. אין הודעת שגיאה. אין מסך אדום. אין התרעה דרמטית. יש פשוט מספר. והמספר נראה הגיוני. וזה בדיוק מה שהופך את זה למסוכן.

אם מדובר בקובץ אישי קטן, ניחא. אבל בעולם העסקי, אקסל ו-Power BI הם לא משחק. אנשים מקבלים החלטות לפי הדוחות האלה. תקציבים, תחזיות, רווחיות, תזרים, מלאי, שכר, ספקים, לקוחות, יעדים. טעות קטנה בנוסחה יכולה להפוך להחלטה גדולה ולא נכונה.

לכן בעיניי השאלה האמיתית היא לא האם להשתמש ב-AI.

ברור שכן.

מי שלא ישתמש בכלים האלה ימצא את עצמו מהר מאוד עובד לאט יותר מאחרים. השאלה היא אחרת לגמרי: האם אנחנו משתמשים ב-AI כדי להעמיק את המקצועיות שלנו, או כדי לדלג עליה?

וזה כבר עניין אחר.

אני רואה היום יותר ויותר אנשים שמבקשים מכלי AI נוסחה, קוד, דוח, גרף או ניתוח, ומיד רצים עם התוצאה. לפעמים זה עובד. לפעמים אפילו מצוין. אבל לפעמים חסרה שם ההבנה. חסרה היכולת לעצור ולשאול: רגע, זה באמת מתאים לקובץ שלי? מה קורה אם יש ערכים ריקים? מה קורה אם יש תאריכים בפורמט שונה? מה קורה אם יש כמה שורות לאותו לקוח? האם החישוב הזה מתאים למה שהעסק באמת צריך למדוד?

ופה נמצא הפער בין משתמש שנעזר ב-AI לבין משתמש שמסתמך עליו בעיניים עצומות.

ניקח דוגמה פשוטה. נניח שאני מבקש נוסחה שמסכמת מכירות לפי לקוח וחודש. כלי AI יכול להחזיר לי נוסחת SUMIFS יפה מאוד. אבל עכשיו אני צריך לבדוק: האם החודש שמופיע בתא הוא באמת תאריך או רק טקסט? האם עמודת התאריכים כוללת גם שעות? האם אני רוצה חודש קלנדרי או תקופת דיווח אחרת? האם יש החזרות במינוס? האם יש לקוחות עם שמות לא אחידים? האם צריך לסנן גם לפי אזור, סוכן או מחלקה?

אלה דברים שה-AI לא בהכרח יודע אם לא סיפרתי לו.

וזו בדיוק הנקודה. כלי AI טוב ככל שיהיה, לא מכיר את העסק שלנו כמו שאנחנו אמורים להכיר אותו. הוא לא יודע מה נחשב חריג אצלנו. הוא לא יודע איזה שדה הוא מקור האמת. הוא לא יודע איזה קובץ הגיע ממערכת אמינה ואיזה קובץ עבר עשרים ידיים לפני שנחת אצלנו במייל. הוא לא יודע שלפעמים “לקוח פעיל” אצלנו מוגדר אחרת ממה שמקובל בספרים.

הוא יכול לעזור מאוד, אבל הוא צריך אותנו.

יותר נכון, הוא צריך אותנו מקצועיים.

בעבר, הערך של משתמש אקסל היה הרבה פעמים ביכולת הטכנית: לדעת נוסחאות, לדעת Pivot, לדעת לבנות דוח, לדעת לתקן שגיאה. היום הערך הזה לא נעלם, אבל הוא משתנה. כי אם כולם יכולים לקבל טיוטה של נוסחה תוך כמה שניות, היתרון כבר לא נמצא רק בזה שאתה יודע לכתוב את הנוסחה מהזיכרון. היתרון נמצא בזה שאתה יודע אם הנוסחה טובה.

זה נשמע קטן, אבל זה שינוי גדול.

המשתמש המקצועי של השנים הקרובות יצטרך לדעת לשאול טוב יותר, להסביר טוב יותר, לבדוק טוב יותר ולחבר את התשובה להקשר העסקי. הוא יצטרך לדעת מתי פתרון עם נוסחה הוא רעיון טוב, ומתי עדיף Power Query. מתי Pivot מספיק, ומתי צריך מודל נתונים. מתי DAX הוא הפתרון הנכון, ומתי אנחנו מסבכים משהו שאפשר לפתור הרבה יותר פשוט.

והוא יצטרך לדעת גם להגיד ל-AI: לא. זה לא מספיק טוב. תסביר. תתקן. תכתוב אחרת. תתאים לגרסת אקסל ישנה יותר. תציע פתרון יעיל יותר. תראה לי איפה עלולה להיות טעות. תבנה בדיקות בקרה.

כלומר, העבודה לא נעלמת. היא פשוט זזה מקום.

פחות זמן על חיפוש תחביר.
יותר זמן על הבנת הבעיה.
פחות זמן על כתיבה מאפס.
יותר זמן על בדיקה, שיפור וקבלת החלטות.
פחות “איך עושים את זה טכנית”.
יותר “האם זה הפתרון הנכון”.

וזה בעיניי דווקא דבר טוב.

כי בסוף, הרבה מאוד מהעבודה באקסל במשך השנים הייתה עבודה טכנית שחזרה על עצמה. לחפש נוסחה, לתקן טווח, לסדר כותרות, להעתיק קוד, לבנות שוב את אותו דוח. אם AI יכול לקחת חלק מהעומס הזה, מצוין. זה מפנה אותנו לעסוק בדברים החשובים יותר: להבין את הנתונים, לשאול שאלות טובות, למצוא תובנות, לבנות תהליכים יציבים, ולתת לארגון תשובות שאפשר לסמוך עליהן.

אבל זה יקרה רק אם לא נתבלבל.

AI הוא לא קיצור דרך שמאפשר לנו לא לדעת.
AI הוא כלי שמאפשר למי שכן יודע להגיע רחוק יותר.

וזה אולי ההבדל הכי חשוב בין שני סוגי משתמשים שנראה בשנים הקרובות.

יהיו כאלה שישתמשו ב-AI כדי להעתיק תשובות. הם יקבלו תוצרים מהירים, אבל ההבנה שלהם תישאר שטחית. ברגע שמשהו יישבר, הם ייתקעו. ברגע שהתוצאה תהיה לא הגיונית, הם לא תמיד ידעו לזהות את זה. ברגע שהדוח יהיה צריך התאמה אמיתית לעסק, הם יגלו שהתשובה הגנרית כבר לא מספיקה.

ויהיו כאלה שישתמשו ב-AI כדי ללמוד. הם יבקשו ממנו להסביר, להשוות, להציע חלופות, לבדוק טעויות, לפשט נוסחאות, לבנות בקרות, להראות מה עלול להשתבש. אלה האנשים שיתקדמו מהר מאוד. לא בגלל שה-AI החליף אותם, אלא בגלל שהוא האיץ את הלמידה שלהם.

אני חושב שזה נכון במיוחד באקסל וב-Power BI.

כי אלה כלים שנמצאים בדיוק באמצע בין טכנולוגיה לעולם העסקי. מצד אחד יש בהם נוסחאות, מודלים, קשרים בין טבלאות, שפות כמו DAX ו-M, ואוטומציות. מצד שני, בסוף הם משרתים שאלות עסקיות מאוד פשוטות: כמה מכרנו, כמה הרווחנו, איפה חרגנו, מה השתנה, מה צפוי לקרות, ואיפה צריך להתערב.

ה-AI יכול לעזור לנו להגיע לתשובות מהר יותר. אבל הוא לא יכול לקחת מאיתנו את האחריות להבין מה אנחנו שואלים ומה אנחנו עושים עם התשובה.

ולכן, אני לא חושב שהדור החדש של משתמשי Excel, Power BI או אפילו מפתחים יהיה בהכרח פחות טוב. הוא יכול להיות הרבה יותר טוב. אבל רק בתנאי שהוא לא יוותר על השלב החשוב ביותר: להבין.

לא חייבים לסבול כמו פעם כדי ללמוד.
לא חייבים לבזבז שלוש שעות על כל שגיאה כדי להפוך למקצועיים.
אבל כן צריך לפתח סקרנות. כן צריך לבדוק. כן צריך להבין את העיקרון. כן צריך לשאול למה. כן צריך לדעת מתי התשובה שקיבלנו יפה, אבל לא נכונה.

המיומנות החדשה היא לא “לדעת להשתמש ב-ChatGPT”. כמעט כולם ידעו לעשות את זה.

המיומנות האמיתית תהיה לדעת לעבוד איתו בצורה מקצועית. לשאול נכון, לכוון נכון, לבדוק נכון, ולהפוך את התשובה לפתרון שאפשר לסמוך עליו.

בסוף, AI לא הופך אותנו אוטומטית למקצועיים יותר. הוא הופך אותנו למהירים יותר.

מה נעשה עם המהירות הזאת, זו כבר הבחירה שלנו.

אפשר להשתמש בה כדי לדלג על ההבנה.
ואפשר להשתמש בה כדי להגיע להבנה עמוקה יותר, מהר יותר.

בעיניי, שם נמצא העתיד של העבודה עם אקסל, Power BI וכלי פיתוח.

לא פחות מקצועיות.
יותר מקצועיות, עם כלים חזקים יותר.

אם אתם רוצים לקחת את זה לארגון שלכם בצורה מסודרת, לא רק “לשחק עם AI”, אלא להבין איך משלבים אותו באמת בעבודה עם אקסל, Power BI, דוחות, נתונים ותהליכים עסקיים, זה בדיוק הזמן להתחיל.

בהדרכות פנים ארגוניות אפשר ללמוד איך לעבוד נכון עם כלי AI, איך לכתוב בקשות מדויקות, איך לבדוק תשובות, איך לשלב אותן עם אקסל ו-Power BI, ואיך להרוויח מהמהירות בלי לוותר על המקצועיות.

לפרטים על הדרכות פנים ארגוניות באקסל, Power BI וכלי AI לארגונים:

אני שלומי פוסטלניק, Microsoft MVP, מומחה Excel ו-Power BI, עם יותר מ-35 שנות ניסיון בעבודה עם אקסל ובהדרכות לארגונים.

להדרכות פנים ארגוניות, פתרונות אקסל, Power BI או מידע נוסף על ערכת UNIQUE:

[email protected]

שלומי פוסטלניק הוא Microsoft MVP ומייסד חברת יוניק. ניתן להצטרף לקבוצת הפייסבוק "קהילת משתמשי אקסל ו Power BI" לעדכונים נוספים.