המאמר הזה הוא לא על טכניקות ב-Excel, לא על מודלים ב-Power BI, לא על פרומפטים ל-AI ולא על כלי כזה או אחר.
הוא גם לא עוסק בשאלה איזה כלי טוב יותר, מה כדאי לרכוש או כמה שעות עבודה אפשר לחסוך.
המאמר הזה הוא על האנשים.
על העובד.
על המנהל.
על איש המקצוע.
עליכם.
ולמען האמת, הוא גם עליי.
כי מתחת לכל ההתלהבות המוצדקת מהיכולות החדשות של הבינה המלאכותית מסתתרת שאלה הרבה יותר אישית, שכמעט לא מדברים עליה:
מה קורה לביטחון המקצועי שלנו כאשר כלי AI מסוגל לבצע בתוך שניות משימה שלקח לנו שנים ללמוד?
זו שאלה שלא קשורה רק לפחד שה-AI יחליף עובדים. היא נוגעת במקום עמוק יותר.
היא נוגעת לדרך שבה אנחנו תופסים את עצמנו.
העבודה שלנו היא גם חלק מהזהות שלנו
במשך השנים אנחנו לא רק צוברים ידע. אנחנו בונים לעצמנו זהות מקצועית.
אדם אחד הופך להיות זה שאליו פונים כשצריך לכתוב נוסחה מורכבת ב-Excel. מישהי אחרת היא זו שיודעת לקחת נתונים מבולגנים ולהפוך אותם לדוח ברור. עובד אחר מכיר את התהליך הארגוני טוב יותר מכולם ויודע לזהות מיד מתי משהו אינו מסתדר.
יש מי שמצטיין בניסוח מסמכים, מי שיודע לבנות מצגות, מי שמכיר DAX לעומק ומי שמסוגל למצוא את הטעות בדוח שאף אחד אחר לא ראה.
היכולות האלה אינן רק עוד שורה בקורות החיים.
הן חלק מהערך שאנחנו מביאים לארגון, אבל גם חלק מתחושת הערך שלנו כלפי עצמנו.
אנחנו יודעים שיש דברים שאנחנו טובים בהם. יש תחומים שבהם צברנו ניסיון. יש בעיות שאנשים פונים אלינו כדי שנפתור.
ואז מגיע ה-AI.
פתאום אדם שאין לו כמעט ניסיון יכול לבקש מהמערכת לכתוב נוסחה, ליצור מדד DAX, לנתח קובץ, להכין מצגת, לבנות דוח או לנסח מסמך מקצועי.
ובתוך זמן קצר הוא מקבל תוצאה שנראית מרשימה מאוד.
לפעמים התוצאה באמת טובה.
לפעמים היא אפילו טובה יותר ממה שהוא היה מצליח ליצור לבד.
וזה יכול להיות מעצים מאוד, אבל גם קצת מערער.
כי אם דבר שלקח לי שנים ללמוד הפך זמין כמעט לכל אחד, מה נשאר מהיתרון המקצועי שלי?
המאמר של Access Analytic, שעליו התבסס הרעיון למאמר הזה, עוסק בדיוק במתח הזה. מצד אחד, עובדים מקבלים כלי עוצמתי שמאפשר להם לבצע יותר. מצד שני, אותו כלי עלול לערער את התחושה שמה שהם יודעים עדיין ייחודי ובעל ערך.
לא כולם יאמרו זאת בקול.
עובדים לא תמיד יודו שהם חוששים שהידע שלהם הופך לפחות רלוונטי. מנהלים לא תמיד ישאלו אותם כיצד השינוי משפיע על תחושת הביטחון שלהם.
אבל התחושה קיימת.
והיא תלך ותתחזק ככל שהכלים יהפכו טובים יותר.
אי אפשר להתעלם מהעובדה שה-AI באמת משפר ביצועים
חשוב לומר ביושר: ההתלהבות מ-AI אינה מבוססת רק על תחושות או על סרטוני הדגמה מרשימים.
מחקרים מראים שבמקרים רבים הוא באמת מסייע לאנשים לעבוד מהר יותר ולהפיק תוצרים טובים יותר.
במחקר שפורסם בכתב העת Science, אנשי מקצוע שביצעו משימות כתיבה בעזרת ChatGPT השלימו אותן בכ-40% פחות זמן, ואיכות התוצרים שלהם עלתה בכ-18% בממוצע.
במחקר אחר, שנערך בקרב 758 יועצים של Boston Consulting Group, המשתתפים שהשתמשו ב-AI במשימות שהתאימו ליכולותיו ביצעו בממוצע 12.2% יותר משימות, השלימו אותן 25.1% מהר יותר והפיקו תוצרים באיכות גבוהה יותר.
גם במחקר על נציגי שירות נמצא שיפור של כ-14% בפרודוקטיביות. מעניין במיוחד היה לגלות שהשיפור הגדול ביותר נרשם דווקא בקרב עובדים חדשים ופחות מנוסים.
אלה נתונים משמעותיים.
הם מראים ש-AI יכול לצמצם פערים, להנגיש יכולות ולהעניק לאנשים הזדמנות להתמודד עם משימות שבעבר היו מעבר ליכולתם.
עובד שלא הרגיש בטוח בכתיבה יכול להתחיל מטיוטה ולשפר אותה. משתמש Excel שלא ידע כיצד לגשת לבעיה יכול לקבל הסבר ודוגמה. אנליסט צעיר יכול להיעזר בכלי כדי להבין את הנתונים. מנהלת יכולה להתכונן למצגת או לפגישה בצורה טובה יותר.
מחקר של Microsoft באוסטרליה מצא ש-74% מעובדי דור ה-Z שנבדקו הרגישו בטוחים יותר בהצגת הרעיונות שלהם לאחר שנעזרו ב-AI, ו-72% הרגישו שהם מסוגלים יותר ללמוד ולפתור בעיות באופן עצמאי.
כלומר, AI בהחלט יכול לחזק ביטחון מקצועי.
אבל כאן בדיוק מתחילה המורכבות.
יש הבדל בין מסוגלות אמיתית לבין תוצאה שנראית מקצועית
כאשר אדם מקבל תוצאה איכותית בתוך זמן קצר, הוא מרגיש מסוגל יותר.
הוא מצליח להכין מצגת מרשימה, לכתוב נוסחה מורכבת, לנסח מסמך מקצועי או לנתח קובץ נתונים.
אבל האם תחושת המסוגלות הזאת מבוססת על הבנה אמיתית?
או שהיא מבוססת על כך שהמערכת הפיקה עבורו תוצאה שנראית טובה?
יש הבדל גדול בין שני המשפטים הבאים:
אני יודע לבצע את המשימה.
ו-
אני יודע לגרום ל-AI להפיק תוצאה שנראית נכונה.
במקרים רבים שתי היכולות האלה מתחברות. איש מקצוע טוב יודע גם לעבוד עם AI וגם להבין את מה שהתקבל.
אבל לא תמיד.
הבעיה היא שכלי AI יודעים להישמע בטוחים גם כאשר הם טועים.
הם מסוגלים לנסח תשובה מסודרת, לבנות הסבר משכנע, לכתוב קוד שנראה הגיוני ולהציג מסקנה בטון סמכותי מאוד.
אבל ניסוח בטוח אינו הוכחה לנכונות.
נוסחה יכולה להחזיר תוצאה בלי להיות נכונה בכל התרחישים. מודל נתונים יכול להיראות מסודר ובכל זאת להיות בנוי בצורה בעייתית. ניתוח יכול להיות מנוסח היטב, אבל להתבסס על נתונים חסרים או על הנחה שגויה. קוד יכול לעבוד בבדיקה הראשונה ולהיכשל ברגע שמופיע מקרה חריג.
כאן נוצר סיכון חדש: הביטחון של המשתמש עולה מהר יותר מההבנה שלו.
מבחוץ הוא נראה יעיל ומקצועי יותר.
בפועל, ייתכן שהוא נעשה תלוי יותר בכלי שאותו הוא עדיין לא יודע לבקר.
וזה, בעיניי, אחד האתגרים הגדולים ביותר של התקופה הזאת.
ככל שאנחנו סומכים יותר על ה-AI, אנחנו עלולים לבדוק אותו פחות
מחקר של Microsoft Research ואוניברסיטת Carnegie Mellon בחן כיצד השימוש ב-AI משפיע על החשיבה הביקורתית של עובדי ידע.
החוקרים בדקו 319 עובדים ואספו מהם 936 דוגמאות לשימוש ממשי ב-AI במהלך העבודה.
אחת המסקנות המרכזיות הייתה שככל שהמשתמשים נתנו יותר אמון בתוצר של ה-AI, כך הם נטו להפעיל פחות חשיבה ביקורתית.
לעומת זאת, עובדים שהיו בעלי ביטחון גבוה יותר בידע המקצועי שלהם נטו לבדוק יותר, להטיל ספק ולהפעיל שיקול דעת עצמאי.
המסקנה הזאת אינה מפתיעה.
בהתחלה, כשאנחנו מתחילים לעבוד עם כלי AI, אנחנו בודקים כל תשובה.
אנחנו קוראים היטב. משווים. מנסים. שואלים שאלה נוספת. מחפשים טעות.
אבל ככל שאנחנו מקבלים יותר תשובות טובות, אנחנו מתחילים לסמוך עליו.
בהתחלה אנחנו בודקים כל דבר. אחר כך רק את הדברים החשובים. ובשלב מסוים אנחנו עלולים פשוט להעתיק ולהמשיך הלאה.
מזינים בקשה, מקבלים פלט, מדביקים במערכת ועוברים למשימה הבאה.
במקרה כזה, ה-AI אינו רק חוסך מאמץ. הוא מתחיל להחליף את המאמץ המחשבתי שבאמצעותו נבנתה המומחיות שלנו מלכתחילה.
וזה הבדל חשוב.
המטרה אינה לשמר עבודה ידנית רק מפני שכך עבדנו בעבר. אין שום יתרון בכתיבת נוסחה מורכבת במשך שעה אם אפשר ליצור אותה בתוך דקה.
אבל אם הפסקנו להבין את הנוסחה, לבדוק אותה ולהכיר את ההיגיון שלה, לא רק שחסכנו עבודה. ויתרנו גם על חלק מתהליך הלמידה.
ומה יקרה לעובדים החדשים?
השאלה הזאת מטרידה אותי במיוחד בכל הנוגע לעובדים בתחילת דרכם.
עובד ותיק מגיע לשימוש ב-AI עם בסיס שכבר נבנה במשך שנים.
הוא מכיר את התחום.
הוא מבין את ההקשר העסקי.
הוא יודע איך התהליך אמור לעבוד.
הוא כבר ראה מקרים שבהם הנתונים הטעו.
הוא יודע לזהות תוצאה בלתי סבירה.
לפעמים הוא מסתכל על תשובה ולא מסוגל מיד להסביר מה לא נכון בה, אבל משהו בניסיון שלו אומר לו לעצור.
התחושה הזאת לא נולדה ביום אחד.
היא נבנתה לאחר שנים של עבודה, טעויות, בדיקות, שאלות ובעיות שלא הסתדרו בניסיון הראשון.
עכשיו נחשוב על עובד שמתחיל את דרכו בעולם שבו ה-AI כבר עושה עבורו חלק גדול מהעבודה.
כיצד משתמש Excel ילמד להבין נוסחאות אם הוא תמיד מבקש מ-Copilot לכתוב אותן?
כיצד אנליסט צעיר ילמד לקרוא נתונים אם הוא מיד מבקש מהמערכת לסכם אותם ולהציג את המסקנות?
כיצד מפתח Power BI ילמד לבנות מודל נתונים ולהבין DAX אם הכלי יוצר עבורו מדדים לפני שהוא מבין את ההיגיון שמאחוריהם?
כיצד עובד ילמד לבנות טיעון, לכתוב מסמך או להתמודד עם דף ריק, אם ה-AI תמיד מתחיל במקומו?
אפשר להשוות זאת לילד שמשתמש במחשבון לפני שהוא מבין מהי פעולת חיבור או כפל.
המחשבון אינו הבעיה.
הוא כלי מצוין, וכולנו משתמשים בו.
אבל אם אין בסיס, המשתמש אינו יודע לזהות אם התוצאה הגיונית.
החשש אינו שעובדים צעירים ישתמשו ב-AI. ברור שהם ישתמשו בו, ובצדק.
החשש הוא שהם יוציאו החוצה, מוקדם מדי, את תהליכי החשיבה שדרכם אמורים להיבנות הידע, האינטואיציה והניסיון המקצועי.
יכול להיות שהם יפיקו תוצאות טובות מאוד כבר בתחילת הדרך.
אבל האם הם יפתחו לאורך זמן את היכולת להתמודד עם מצב שבו הכלי טועה?
ל-AI אין גבול ברור
אחת התובנות המעניינות ביותר במחקר של Harvard ו-BCG היא הרעיון של "הגבול הטכנולוגי המשונן", או באנגלית Jagged Technological Frontier.
הכוונה היא לכך שאין קו ברור ופשוט שמפריד בין משימות שה-AI יודע לבצע לבין משימות שהוא אינו יודע לבצע.
הוא יכול להיות מצוין במשימה מורכבת אחת, ולהיכשל במשימה אחרת שנראית דומה ואפילו פשוטה יותר.
הוא מסוגל לכתוב קוד מרשים, אבל להחמיץ תנאי בסיסי.
הוא יכול לנתח מסמך ארוך היטב, אבל להבין לא נכון משפט קצר.
הוא יכול להציע פתרון מבריק לבעיה אחת, ובבעיה הבאה להמציא נתון או לבנות את כל הפתרון על הנחה שאינה נכונה.
במחקר של BCG נמצא שבמשימות שנמצאו בתוך תחום היכולת של ה-AI, המשתמשים השתפרו בצורה משמעותית.
אבל כאשר המשימה הייתה מחוץ לאותו תחום, ההסתמכות על ה-AI דווקא הגדילה את הסיכוי לטעות.
וזה בדיוק המקום שבו ידע מקצועי הופך חשוב יותר, לא פחות.
המשתמש צריך לדעת מתי הכלי מתאים למשימה, מתי כדאי לחשוד בתוצאה, מה חסר לו, אילו הנחות הוא עשה וכיצד לבדוק את מה שהתקבל.
ככל שהמערכת נשמעת משכנעת יותר, כך האדם שמפעיל אותה צריך להיות מקצועי יותר.
לא פחות.
האם אנחנו משתמשים ב-AI כדי להחליף חשיבה, או כדי לפתח אותה?
אני לא חושב שהפתרון הוא להתרחק מה-AI.
להפך.
אני משתמש בכלים האלה בעצמי, מלמד אותם ורואה בכל יום עד כמה הם יכולים לשפר את העבודה.
אבל יש הבדל גדול בין לבקש מה-AI לעשות משהו במקומנו לבין לעבוד איתו.
אפשר לבקש ממנו:
"כתוב לי נוסחה."
ואפשר לבקש:
"כתוב לי נוסחה, הסבר את ההיגיון שלה, ציין באילו מקרים היא עלולה להיכשל והראה לי כיצד לבדוק אותה."
אפשר לבקש:
"נתח את הקובץ."
ואפשר לבקש:
"נתח את הקובץ, ציין אילו הנחות עשית, איזה מידע חסר לך ואילו מסקנות נוספות יכולות להסביר את הנתונים."
אפשר לבקש:
"בנה לי דוח."
ואפשר לשאול:
"אילו מדדים נכון להציג בדוח הזה, עבור מי הוא מיועד, אילו החלטות אמורים לקבל באמצעותו ומה עלול להטעות את המשתמש?"
אפשר לבקש מה-AI תוצאה.
ואפשר להשתמש בו כדי ללמוד לחשוב טוב יותר.
במקרה הראשון אנחנו מקבלים תוצר.
במקרה השני אנחנו מקבלים תוצר, אבל גם מעמיקים את היכולת שלנו.
לכן ארגון שמודד את הצלחת הטמעת ה-AI רק לפי מספר השעות שנחסכו, מפספס חלק משמעותי מהתמונה.
השאלה אינה רק האם העובדים נעשו מהירים יותר.
צריך לשאול גם אם הם נעשו מקצועיים יותר.
האם הם מבינים את התוצאה שקיבלו?
האם הם יודעים להסביר מדוע היא נכונה?
האם הם יודעים לזהות מתי היא שגויה?
האם הם יוכלו להתמודד עם משימה דומה כאשר המערכת לא תיתן להם תשובה טובה?
המומחה של העתיד אינו האדם שיודע את כל התשובות
בעבר, מומחה היה במידה רבה האדם שידע יותר מאחרים.
הוא הכיר את הפונקציות, זכר את התחביר, ידע היכן למצוא את האפשרות הנכונה והחזיק במידע שלא היה נגיש לכולם.
בעידן ה-AI, מידע ותשובות נעשים זמינים כמעט לכל אדם.
אבל מכאן לא נובע שאין יותר צורך במומחים.
המשמעות היא שההגדרה של מומחיות משתנה.
המומחה החדש אינו בהכרח האדם שיודע לכתוב את הנוסחה מהר יותר מה-AI.
הוא האדם שיודע אם הנוסחה שה-AI כתב באמת נכונה.
הוא יודע להגדיר את הבעיה, להבין את ההקשר, לבחור את הנתונים המתאימים, לזהות הנחות שגויות ולשאול את השאלה הבאה.
הוא מבין שלא כל פתרון שעובד הוא גם פתרון טוב.
הוא יודע שלא כל דוח יפה מוביל להחלטה נכונה.
הוא מסוגל להסביר את התוצאה, להגן עליה ולקחת עליה אחריות.
AI יכול לכתוב נוסחה, אבל הוא לא תמיד מבין את העסק.
הוא יכול לבנות דוח, אבל הוא לא תמיד יודע איזו החלטה הארגון אמור לקבל באמצעותו.
הוא יכול לנתח נתונים, אבל הוא לא תמיד יודע מה התרחש במציאות שמאחוריהם.
הוא יכול להציע מסקנה, אבל הוא לא זה שיצטרך לשבת בחדר הנהלה ולהסביר מדוע התקבלה ההחלטה.
הערך המקצועי שלנו עובר בהדרגה מהיכולת לייצר תשובה ליכולת להעריך אותה.
וזה שינוי עצום.
האדם צריך להישאר בתוך התהליך
בעולם ה-AI מדברים הרבה על Human in the Loop, האדם בתוך מעגל העבודה.
אבל לא מספיק שהאדם יופיע בסוף התהליך וילחץ על כפתור "אישור".
אם ה-AI הגדיר את הבעיה, בחר את הנתונים, ביצע את הניתוח, ניסח את המסקנה והמליץ על הפעולה, והאדם רק אישר, הוא אינו באמת בתוך התהליך.
הוא נמצא רק בקצה שלו.
האדם צריך להיות מעורב כבר בשלב שבו מגדירים מה רוצים להשיג.
הוא צריך להבין מהי השאלה, מי קהל היעד, אילו נתונים רלוונטיים ומה משמעות ההחלטה.
ה-AI יכול להציע טיוטה, נוסחה, ניתוח, מבנה או חלופות.
אבל האדם צריך לבדוק את ההנחות, את הנתונים, את החישובים ואת ההתאמה להקשר.
ובסופו של דבר, האדם הוא זה שמחליט ולוקח אחריות.
AI אינו נושא באחריות מקצועית, ניהולית, עסקית או משפטית.
האדם שמשתמש בתוצאה צריך להבין אותה ולעמוד מאחוריה.
השילוב הנכון אינו AI שעושה הכול ואדם שמאשר.
השילוב הנכון הוא מצב שבו כל צד עושה את מה שהוא עושה טוב יותר.
ה-AI מביא מהירות, היקף, יכולת לעבד מידע, להציע אפשרויות ולזהות דפוסים.
האדם מביא ניסיון, הקשר, ביקורת, ערכים, אחריות ושיקול דעת.
גם תפקיד המנהלים משתנה
מנהלים אינם יכולים להסתפק ברכישת רישיונות ל-Copilot, ל-ChatGPT או ל-Claude, לשלוח לעובדים הנחיות אבטחת מידע ולהניח שבכך הסתיימה ההטמעה.
הטמעת AI אינה רק פרויקט טכנולוגי.
היא תהליך אנושי, מקצועי ותרבותי.
Microsoft דיווחה כי כאשר מנהלים הדגימו בעצמם שימוש ב-AI ויצרו סביבת עבודה בטוחה להתנסות, העובדים דיווחו על מוכנות גבוהה יותר, על ערך רב יותר מהכלים וגם על חשיבה ביקורתית חזקה יותר כלפי התוצרים שלהם.
מנהלים צריכים לדבר עם העובדים לא רק על פרודוקטיביות, אלא גם על התחושות שהשינוי יוצר.
האם העובדים מרגישים שה-AI מחזק אותם או מאיים עליהם?
האם הם משתמשים בו בגלוי או מסתירים את השימוש?
האם הם יודעים מה מותר להעביר לכלי ומה אסור?
האם הם יודעים כיצד לבדוק את התוצאות?
האם עובדים חדשים עדיין לומדים ומתרגלים את יסודות המקצוע?
האם הארגון מתגמל רק מהירות, או גם איכות, חשיבה ושיקול דעת?
ואילו יכולות אנושיות הארגון רוצה לשמר ולפתח?
ללא שיחה כזאת, כל עובד יצטרך לפרש לבדו מה משמעות ה-AI עבור עתידו.
חלק מהעובדים יחששו.
חלקם יתנגדו.
חלקם ישתמשו בכלים בסתר.
וחלקם יסתמכו עליהם יותר מדי.
בדיוק בגלל זה הקמתי את The Unique Way
כל המחשבות האלה היו גם בין הסיבות שהובילו אותי לפתוח את The Unique Way, קהילה מקצועית בתשלום לאנשים שרוצים להמשיך ללמוד, להתפתח ולשמור על היתרון המקצועי שלהם.
הקהילה עוסקת ב-Excel, ב-Power BI, ב-AI, באוטומציות ובכלים נוספים שמשנים את הדרך שבה אנחנו עובדים.
אבל המטרה שלה אינה לרדוף בכל שבוע אחרי הכלי החדש ביותר.
יש היום אינספור סרטונים שמראים על איזה כפתור ללחוץ ואיזה פרומפט להעתיק.
המטרה היא עמוקה יותר.
המטרה היא להמשיך לבנות מקצועיות.
להבין כיצד הדברים עובדים, ולא רק לדעת להפעיל אותם.
לדעת מה לשאול, מה לבדוק, מתי לא לסמוך על התוצאה וכיצד להפוך כלי חדש לערך אמיתי בעבודה.
כי כדי לבקר את ה-AI, צריך ידע.
כדי לזהות טעות, צריך ניסיון.
כדי לדעת אם נוסחה נכונה, צריך להבין Excel.
כדי לדעת אם מודל או מדד מתאימים, צריך להבין Power BI ואת ההקשר העסקי.
כדי להבין אם ניתוח של AI הגיוני, צריך להכיר את הנתונים, את התהליך ואת המציאות שמאחוריהם.
זו הסיבה שבעיניי הלמידה אינה הופכת לפחות חשובה בעידן ה-AI.
היא הופכת לחשובה יותר.
מי שיסתפק בהעתקת התשובות שה-AI מספק יוכל אולי לעבוד מהר יותר בטווח הקצר.
אבל הוא גם עלול להפוך תלוי בכלי שאותו הוא אינו יודע באמת להעריך.
מי שימשיך ללמוד, להתנסות ולהעמיק את הידע שלו יוכל להשתמש ב-AI כמכפיל כוח אמיתי.
הוא לא יצטרך להתחרות במכונה על מהירות.
הוא יהיה האדם שיודע כיצד להפעיל אותה נכון, לבקר אותה, לשפר את התוצאה ולקחת עליה אחריות.
זה בדיוק היתרון המקצועי שאני רוצה לעזור לחברי הקהילה לבנות ולשמר.
לא רק לדעת להשתמש ב-AI.
להיות אנשי המקצוע שמסוגלים להוביל את העבודה איתו.
הערך המקצועי שלנו לא נעלם, אבל הוא משתנה
AI ימשיך להתפתח.
הוא יכתוב נוסחאות, יבנה דוחות, ינתח מסמכים, ייצור קוד, יכין מצגות ויפעיל סוכנים שיבצעו תהליכים שלמים.
חלק מהמשימות שאנחנו מבצעים היום ייעשו בעתיד בצורה אוטומטית.
אבל מכאן לא נובע שהאדם נעשה מיותר.
להפך.
ככל שה-AI נעשה חזק, מהיר ומשכנע יותר, כך גדל הצורך באנשים שמבינים את התחום, יודעים לכוון אותו ומסוגלים לזהות מתי הוא טועה.
הביטחון המקצועי של העתיד לא יגיע מהאמונה שאנחנו יודעים לעשות הכול לבד.
הוא גם לא יגיע מהאמונה שה-AI יודע לעשות הכול עבורנו.
הוא יגיע מהידיעה שיש לנו בסיס מקצועי חזק מספיק כדי לעבוד עם AI בלי לאבד את שיקול הדעת שלנו.
אנחנו לא צריכים להתחרות בו על מהירות הכתיבה, החישוב או החיפוש.
אנחנו צריכים להביא את הדברים שאין לו: הקשר, ניסיון, הבנה, ביקורת, אחריות ושיקול דעת.
ה-AI אינו צריך להפוך אותנו לאנשי מקצוע חלשים יותר.
כאשר משתמשים בו נכון, הוא יכול להפוך אותנו לאנשי מקצוע חזקים, סקרנים ומסוגלים יותר.
אבל זה לא יקרה מעצמו.
זה דורש למידה, תרגול ונכונות להמשיך להתמקצע גם כאשר נדמה שהכלי כבר יודע לעשות הכול.
וזה, בעיניי, ההבדל בין אדם שמשתמש ב-AI לבין איש מקצוע שבאמת יודע לעבוד איתו.
מקורות והמשך קריאה
- Access Analytic – AI Is Not Just Changing Work. It Is Changing Professional Confidence
- Noy, S. & Zhang, W., Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence, Science, 2023.
- Dell’Acqua et al., Navigating the Jagged Technological Frontier, Harvard Business School ו-Boston Consulting Group.
- Brynjolfsson, Li & Raymond, Generative AI at Work, National Bureau of Economic Research.
- Lee et al., The Impact of Generative AI on Critical Thinking, Microsoft Research ו-Carnegie Mellon University, 2025.
- Microsoft Australia – Gen Z Staff Lead Workplace AI Adoption Despite Job Fears
- Microsoft Work Trend Index
