מבחן השקיפות

מאת: תמיר חסון | מנהל פעילות של Grid Dynamics בישראל 

15.07.2026

---

גל הפיטורים של עידן ה-AI והנסיגה השקטה שבעקבותיו חושפים שאלה שרוב הארגונים פשוט דילגו עליה: האם אנחנו מתייחסים לבינה מלאכותית כאל ישות עצמאית שיש להציב בשטח, או ככלי עבודה שאמור להיטמע ולהיעלם בתוך העשייה עצמה?

ענף הטכנולוגיה נפרד מלא מעט עובדים בשנה החולפת, ויותר ויותר מהקיצוצים האלה מגיעים עם אותו תירוץ שמוצמד להודעה לעיתונות: התייעלות מבוססת AI. חברות בתחומי התוכנה, הקמעונאות, הפיננסים והלוגיסטיקה ניסחו כולן הצהרות דומות מאוד על ארגון מחדש. הסיפור הזה נשמע נקי ומצטלם נהדר – התוכנה מחליפה את בני האדם, והחיסכון הכספי יממן את תשתית העתיד.

ואז מתחיל לקרות משהו הרבה פחות נוח.

חלק משמעותי מהחברות שייחסו את צמצום כוח האדם לבינה מלאכותית, מגייסות כעת בשקט עובדים בחזרה לאותם התפקידים בדיוק, לרוב תחת שמות משרה חדשים. מנהלים רבים מודים בדיעבד שהם מתחרטים על פיטורי עובדים מסיבות הקשורות ל-AI. לתופעה הזו כבר יש שם: "בומרנג הפיטורים".

הבומרנג הזה הוא נקודה ששווה לעצור בה, ולא בגלל שהבינה המלאכותית נכשלה. זהו סיפור על טעות קטגורית בסיסית – והטעות הזו היא כלי האבחון הכי שימושי שיש למנהלי טכנולוגיה כיום.

שני סיפורים על אותה טכנולוגיה

יש שתי דרכים לתאר מה AI עושה בתוך ארגון, והן מובילות להחלטות תפעוליות הפוכות לחלוטין.

הגישה הראשונה מתייחסת ל-AI כאל ישות: מוצר שמתקינים, עובד שמגייסים, יחידת עבודה שאפשר להחליף תמורת שורת שכר. בנרטיב הזה, המדד הטבעי הוא החלפה. אם המודל יכול לעשות את מה שהאנליסט עשה, האנליסט הופך למיותר, והערך מתבטא ישירות בקיצוץ בעלויות. זהו הקו המנחה מאחורי רוב הפיטורים המיוחסים ל-AI, והוא נראה מעולה במצגות למשקיעים.

הגישה השנייה מתייחסת ל-AI כאל כלי: משהו שמפחית את החיכוך בתהליך קיים מבלי לשנות את הגורם האחראי עליו. בסיפור הזה, המדד הוא תפוקה – אותם אנשים שמייצרים יותר, או מייצרים את אותו הדבר בפחות מאמץ, בתוך זרימת עבודה שנראית כמעט ללא שינוי מבחוץ. הערך פה הוא אמיתי לגמרי אבל קשה יותר להצגה חזותית, כי שום דבר נראה לעין לא נעלם.

הבומרנג מתרחש כשארגונים מאמצים את הסיפור הראשון ומגלים שהם בעצם חיים בתוך השני. המטלה שנראתה כמו עלות שניתן לקצץ מתגלה בדיעבד כתהליך מורכב – מלא בשיקול דעת, חריגים, הקשרים ואחריות, שהמודל התקשה להתמודד איתם ברגע שהאדם המפקח עליו יצא מהתמונה. התפקידים מוחזרים, לעיתים קרובות בשכר גבוה יותר, כי המשימה היא כבר לא לבצע את המטלה אלא לנהל, לבקר ולתקן את המערכת שהייתה אמורה לעשות אותה במקומנו.

הכלכלה התהפכה בשקט

תפיסת ההחלפה הניחה גם שבינה מלאכותית היא כוח עבודה זול. אלא שבמגוון רחב של מקרים, ההנחה הזו קורסת. בפריסות גדולות, עלויות ההרצה של המודלים והפלטפורמות מסביב עלולות לטפס לגבהים שמתחרים, ולעיתים אף עוברים, את עלויות העובדים שהם היו אמורים להחליף. מה שנמכר כעלות משתנה ששואפת לאפס הופך להוצאה תפעולית תנודתית שמוחקת את החיסכון בשכר שהצדיק את המהלך מלכתחילה.

זהו החלק שההתייחסות ל-AI כאל ישות מסתירה. כשמחשבים את הבינה המלאכותית כעובד, משווים את "שכרו" לזה של אדם ורושמים את ההפרש כרווח. כשמחשבים אותו ככלי, חייבים להביא בחשבון את כל המסביב: כוח המחשוב, האינטגרציה, הפיקוח, תיקון השגיאות והלקוחות שעוזבים כשהאוטומציה טועה. החשבונאות השנייה הזו אולי פחות מחמיאה, אבל היא הרבה יותר מדויקת.

הפיילוטים שאפילו לא הגיעו לשם

רוב הארגונים, כמובן, מעולם לא מגיעים לשלב הפיטורים, פשוט מפני שיוזמות ה-AI שלהם לא מגיעות לשלב הייצור בכלל. הרוב המוחלט של פיילוטי ה-AI בארגונים לא מייצר שום השפעה מדידה על השורה התחתונה. החלק המפתיע הוא לא שיעור הכישלונות, אלא הסיבה להם. הפיילוטים לא נתקעים בגלל שהמודלים חלשים. הם נתקעים כי המודלים לא מצליחים להסתגל לשיטות העבודה האמיתיות של הארגון – פער למידה בין כלי גנרי לבין עסק ספציפי.

מתחת לפיילוטים שנכשלו זורם אות הפוך ושקט יותר. בעוד שרק מיעוט מהחברות מחזיק במנויי AI רשמיים ומאושרים לכלל הארגון, רוב מוחלט של העובדים כבר משתמש בכלי AI על דעת עצמם כדי לסגור משימות. כלכלה שחורה של אינטגרציות קטנות ופרטיות. אנשים שילבו בשקט את הטכנולוגיה בעבודה האישית שלהם. דווקא הפריסות הרשמיות, מלמעלה למטה, אלה שתוכננו להיות בולטות, להצטלם לעיתונות ולהצדיק תקציבים הן אלה שקורסות.

והתשואות, איפה שהן כן מופיעות, מגיעות לעיתים נדירות מהכלים הנוצצים שפונים ללקוחות ושותים את רוב התקציב. הן מגיעות מהאמצע האפור והלא סקסי של התהליך – אוטומציה של בק-אופיס שמסירה חיכוך בלי שאף אחד מחוץ לצוות ישים לב בכלל.

פרדוקס הפריון

כשמביטים על התמונה הכוללת, העסק נהיה מוזר עוד יותר. למרות אימוץ כמעט אוניברסלי, חלק גדול מהארגונים לא מדווח על שום השפעה מדידה על הפריון או על התעסוקה בשנים האחרונות. זהו פרדוקס הפריון הישן בלבוש חדש: אפשר לראות את הטכנולוגיה בכל מקום, חוץ מבנתוני התפוקה.

אבל הממוצע הזה מסתיר את הסיפור האמיתי. הארגונים שבאמת שילבו את ה-AI ולא רק אימצו אותו, פותחים פער עצום, והרווחים מרוכזים כמעט כולם אצלם. פריון מבוסס AI, כך מתברר, אינו קשור לעצם הגישה לכלים. הוא קשור לרמת העומק שבה הכלי ארוג בתוך עיצוב תהליך העבודה. הטמעה שטחית לא מזיזה כלום. עיצוב מחדש של תהליכים משנה את הכל.

מבחן השקיפות

כאן נכנס לפעולה עיקרון תפעולי פשוט שמסביר כמעט הכל: הטמעת AI מוצלחת היא כזו שבה הארגון בכלל לא יודע שיש שם AI. לא ישות שמייצרת רעש וטקסים סביב עצמה, אלא עוד כלי שקוף שמקל על העבודה ומשיג את היעדים. כלי שמתלבש על התהליכים וההרגלים הקיימים בלי לדרוש מאף אחד לצאת מהקצב שלו.

זה הניסוח הכי פחות נוצץ שיש, וזו בדיוק הפואנטה. הטכנולוגיות שעיצבו מחדש את עולם העבודה עשו זאת בכך שהפכו לתשתית ולא למופע ראווה. המחשבון לא החליף את רואה החשבון וגיליון האקסל לא העלים את האנליסט הפיננסי; כל אחד מהם ספג את המתמטיקה השגרתית ודחף את תשומת הלב האנושית למעלה, לכיוון של שיקול דעת. הערך שלהם גדל בדיוק בגלל שהם הפסיקו להיות משהו מיוחד. AI שנתייחס אליו באותו אופן – כשכבת בסיס המוטמעת בתוכנות שאנשים כבר משתמשים בהן, ולא כפרויקט חדשנות מבודד – יעבור את אותו מסלול. המרשם שנובע מכך הוא חד-משמעי: תהפכו לאוטומטי את החיכוך, לא את הפנטזיה.

זה לא איזה חזון פואטי, אלא מבחן תפעולי קשוח שממיין את המציאות בצורה חדה.

ההטמעות שמכריזות על עצמן בקול רעש גדול – הפיטורים המיוחסים ל-AI, בוטים לשירות לקוחות שמחליפים בני אדם, הפיילוטים הראוותניים שנבנו כדי שיראו אותם – הן אלה שנוטות בסבירות הגבוהה ביותר להיעצר או לחזור לאחור. ההטמעות שנעלמות לתוך העבודה – זרימות העבודה הפרטיות שהעובדים בונים לעצמם, האוטומציות במשרד האחורי שאף אחד בחוץ לא מרגיש, השילובים בתוך אותו מיעוט מצטיין – שם נמצא הערך המדיד.

במילים אחרות, נראות היא כמעט סימן הפוך להצלחה. כשה-AI רועש מספיק כדי להוביל כותרות על שינוי ארגוני, כנראה משתמשים בו כסיפור החלפה, וסיפורי החלפה נוטים להתהפך בומרנג. כשה-AI שקט מספיק כדי שהמבנה הארגוני בקושי ירגיש אותו, כנראה משתמשים בו לשיפור תהליכים – ושיפורי תהליכים מצטברים ומניבים פרי.

מה באמת משתנה

חוט השני פה הוא עקבי, והוא לא קשור לטכנולוגיה: פריסה רחבה של AI היא הישג ארגוני לא פחות מאשר טכני, והטמעה הפכה לאתגר מנהיגותי יותר מאשר הנדסי. ההתנגדות שמעכבת את ה-AI היא בעיקרה חברתית – העובדים שואלים, ובצדק, האם כלי שמציגים להם כעזר לפריון הוא בעצם הקדמה לפיטורים שלהם. במקומות שבהם החשד הזה מכה שורש, האימוץ עולה על הנייר כי הוא חובה, אבל החיבור האמיתי נשאר שטחי. ארגונים מקבלים נוסעים במקום טייסים.

זהו הלב ההתנהגותי והתהליכי של השינוי כולו: הבעיות הקשות כבר אינן טכנולוגיות. הן קשורות לאימוץ, למדידה, לתמריצים ולהתנהגות של אנשים אמיתיים בתוך תהליכים אמיתיים. אלו גם, ולא במקרה, הבעיות שגישת ה"ישות" מדלגת עליהן לחלוטין – כי היא מניחה שהאנשים הם הדבר שמסירים, ולא הגורם שהמערכת כולה תלויה בו.

החברות שחוטפות כעת את הבומרנג יבלו את התקופה הקרובה בלימוד מחדש של השיעור הזה בדרך היקרה: גיוס מחדש במחירי שוק גבוהים, אייש תפקידים תחת שמות חדשים, וספיגת הפגיעה בלקוחות ואובדן הידע הארגוני. החברות בקבוצת המיעוט המצטיינת למדו את זה מוקדם יותר ובזול יותר. הן מעולם לא ביקשו מה-AI להחליף את התהליך. הן ביקשו ממנו להיעלם בתוכו.

השאלות הפתוחות – איך מודדים אימוץ שהוא שקוף מעצם הגדרתו, איך מעצבים מחדש זרימות עבודה כדי שהכלי באמת יפחית חיכוך, איך מנהלים את ההתנהגות האנושית שקובעת אם משהו מזה בכלל יחזיק מעמד – אינן קצוות פרומים. הן העבודה כולה. והן הרבה יותר מעניינות מהכותרת שהודעות הפיטורים נכתבו כדי לייצר.

---

על המחבר

תמיר חסון הוא מנהל פעילות של Grid Dynamics בישראל, חברה ציבורית אמריקאית העוסקת מעלה מעשור ב-AI ו-Data Engineering (בנאסד"ק GDYN). הוא מלווה ארגונים מובילים בארץ ובעולם בעיצוב ארכיטקטורת בינה מלאכותית ונתונים לטובת השגת יעדים עסקיים.