שנתיים של מלחמה הסיטו את תשומת הלב של ארגונים בישראל מהמהפכה הגדולה ביותר שמתחוללת כיום בעולם העבודה — זו של הבינה המלאכותית. בזמן שבחלקים אחרים של העולם כבר התחילו ליישם, לטעות, לתקן ולהתחיל להבין מה באמת נדרש, אנחנו רק מתחילים להשלים פערים. אבל בדיוק בגלל זה יש לנו הזדמנות: ללמוד ממי שכבר התחילו, לדלג על הטעויות הראשוניות ובעיקר להבין שמהפכת הבינה אינה דומה לאף אחת מקודמותיה.
AI איננה עוד גל דיגיטלי. היא לא ממחשבת את מה שכבר יש, ולכן גם אי אפשר להחיל עליה את אותם תהליכים מוכרים של בחירת פלטפורמה, הרצת פיילוט, כתיבת מדיניות והכשרת עובדים. היא לא משנה רק את הדרך שבה אנחנו עובדים — היא משנה את העבודה עצמה: מי עושה מה, איך נראה תהליך, איך מתקבלות החלטות, ואפילו מה נחשב להצלחה.
בארגונים בעולם שכבר הטמיעו מערכות AI, התברר מהר מאוד שהשאלות האמיתיות אינן טכנולוגיות. הן תפעוליות, מקצועיות, אנושיות. מי אחראי על התוצאה — האדם או המודל? מי מלמד את המערכת כשמשהו משתבש? מתי ראוי לסמוך על ההמלצה ומתי נכון לאתגר אותה? את התשובות לשאלות האלה לא תמצאו אצל אנשי ה-IT וגם לא בצוות "יישום AI" ארגוני. תמצאו אותן אצל האנשים שבאמת מכירים את התהליך שנבנה מחדש עם AI. הם אלה שיכריעו אם היישום יצליח או ייכשל.
כי השיעור הגדול ביותר מהטמעת AI בארגונים בעולם הוא שזה הרבה יותר מאתגר טכנולוגי – זה אתגר ארגוני אנושי.
העובדים הם לא משתמשים. הם שותפים לתהליך.
בטרנספורמציות הקודמות, העובדים היו "משתמשים" בטכנולוגיה. הפעם, הם שותפים לבנייתה. AI לא נכנס לתוך תהליך, הוא מאלץ אותנו לעצב תהליך חדש. וזה קורה באיטרציות, בשיתוף פעולה מתמשך בין האדם למערכת הלומדת לצידו.
קחו לדוגמה את תחום הגיוס. מגייסים לא עוסקים רק באיתור מועמדים מתאימים, הם גם מתפעלים תהליך סיזיפי שכולל פתיחת משרות, תיאומי ראיונות, סינון קורות חיים, איסוף משובים ועוד. ככל שהמרכיב האדמיניסטרטיבי משתלט, התהליך כולו מצטמצם לתרגום מכני של קורות חיים לדרישות משרה.
נקודת המוצא הטבעית ביישום בינה מלאכותית בתהליך הגיוס היא לחפש כלים שיעשו את החלקים האדמיניסטרטיביים. שזו אוטומציה, לא בנייה מחדש. במקום, אנחנו צריכים לבנות תהליך של חלוקה מחדש בין אדם למכונה שתהפוך את המגייסים מ- "ממלאי תקנים" ל- "אדריכלי טאלנט", כאלה שמאפשרים לארגון לשים את האדם הנכון על המשימה הנכונה עם היכולות הנכונות ובעיקר, הפוטנציאל הנכון למה שעוד יגיע.
וזה כבר לא רק "גיוס", בטח לא קורות חיים מול מודעות דרושים. זה דורש שינוי עמוק, גם בהגדרת התפקיד, גם בשגרות העבודה, וגם בביטחון לשחרר את מה שאנחנו עושים היום לטובת כל מה שאנחנו יכולים לעשות. ולעשות את כל זה בזמן שאנחנו ממשיכים לספק את התוצרים באופן שוטף.
כך נראה עיצוב מחדש של העבודה
לא תמצאו את התשובה בצוותי הטמעה או במחלקת מערכות מידע. זה אתגר של בעלי התהליך, כל תהליך. כדי ליישם בינה מלאכותית בצורה נכונה, יחד עם האנשים שמכירים את העבודה מבפנים, כדאי לגשת לזה כתהליך של ארבעה שלבים:
- להתחיל מהתוצאה, לא מהמשימה. קל למדוד את מה שזמין. קשה יותר למדוד את מה שחשוב. לכן ארגונים נוטים להמשיך ולייעל את מה שכבר מדדו, במקום לשאול שאלה בסיסית יותר: מה ייחשב הצלחה? בארגון בריאות, זו לא משך הביקור אלא שיעורי ההחלמה או המניעה. בצוות מכירות, זה לא מספר שיחות אלא עומק הקשר עם הלקוח. המדדים האלה צריכים להכתיב את עיצוב העבודה מחדש ולא כדאי לדלג עליהם רק בגלל שבעבר לא ידעתם למדוד אותם. כאן בדיוק טמונה ההזדמנות.
- לחלק מחדש את העבודה. לא לקחת תהליך קיים ולמחשב אותו אלא לבנות תהליך חדש, מתוך הבנה שמדובר בצוות חדש: אדם + מכונה. כל משימה צריכה להיבחן מחדש: מה אפשר להפנות לכלים? מה חייב להישאר אנושי? ומה אפשר לעשות עכשיו בשביל לקדם את ההגדרה החדשה של הצלחה?
- לעצב שוב ושוב את שיתוף הפעולה. השילוב בין אדם ל-AI הוא לא "מעבר" חד-פעמי, אלא תהליך מתמשך. הוא דורש מיומנויות חדשות: ללמוד מחדש לחשוב עם הכלים, להעריך, לשאול, לכוון, להסביר, לקבל החלטות, אבל אחרת. האם יש לכלים את ההקשר הדרוש? האם התוצאה הגיונית? אילו הנחות נלקחו? מה צריך לתקן? ומה נדרש כדי שתרגישו בטוחים להסתמך על ההמלצות?
- למדוד מחדש את ההצלחה. עיצוב מחדש של תהליך עם בינה מלאכותית מחייב מערכת דינמית שבוחנת כל הזמן את הקשר בין אנשים לטכנולוגיה. לא כמה מהר אנחנו עובדים, אלא מה אנחנו יוצרים. לא כמה אוטומציה עשינו, אלא עד כמה התקדמנו אל עבר המטרה. האם אנחנו לומדים? משתפרים? האם אנחנו משפרים את הערך שנוצר ולא רק את הקצב? המטרה לבנות כאן יכולת למדוד מה אנחנו תורמים, מה הבינה מוסיפה, אילו כישורים נדרשים עכשיו, ואיך העבודה עצמה משתנה ועוד יכולה להשתנות.
התהליך הזה לא קל, לא לאנשים ולא לארגון. הרבה יותר פשוט לשפר תהליכים קיימים אבל זה בדיוק מה שלא עובד. כי בזמן שאתם מנסים להאיץ את מה שהיה, מישהו אחר כבר בונה את מה שעכשיו מתאפשר.
ואולי אלה דווקא החדשות הטובות. כי מאחר והגענו לשיחה הזו באיחור, אנחנו יכולים לפחות ללמוד ממי שכבר עשו דרך. זה מאפשר לנו להימנע מהטעויות שעשו ארגונים רבים בשלבים הראשונים ולהבין ש- AI הוא לא הכנסה של כלים אלא טריגר לעיצוב מחדש של הצלחה. הצלחה שלא מבוססת על מגבלות קיימות, אלא על אפשרויות חדשות.
אז רגע לפני שאתם מתחילים לבנות תכנית ליישום AI בארגון תשאלו: אם היינו בונים עכשיו את הפעילות מאפס — בלי מגבלות של זמן, תהליך או מבנה — מה היינו רוצים שיהיה אפשרי?
