כשהבוט מסיים את התואר בהצטיינות: קורות החיים נראים מעולה - אבל מה המועמד באמת יודע?

בטכניון, אחד המקומות שאמורים להכשיר את דור המהנדסים והמתכנתים הבא של ישראל, מתמודדים כבר תקופה עם שאלה שרק לפני כמה שנים הייתה נראית מיותרת: כשסטודנט מגיש קוד מצוין - איך יודעים שהוא באמת יודע לכתוב אותו?

השאלה נעשתה ממשית מספיק כדי להגיע גם למחקר. יעל ארז ואורית חזן מהטכניון, יחד עם כריס בורק מאוניברסיטת נברסקה-לינקולן, בחנו מחדש את מבחני התכנות בעידן הבינה המלאכותית. המחקר, שפורסם השנה במסגרת הכנס של ACM לחינוך למדעי המחשב, עוסק במבחנים שבהם סטודנטים כותבים ומריצים קוד ובשאלה כיצד צריך להתאים אותם לעולם שבו AI מסוגל להשתתף בתהליך. החוקרים מציעים מסגרת שבה ניתן להבחין בין שאלות לפי מידת השימוש המותרת ב-AI ולבנות מחדש את ההערכה בהתאם.

זו נשמעת כמו בעיה של מרצים למדעי המחשב, אבל אותה שאלה עוברת עכשיו מהאוניברסיטה לשולחן של מנהל הגיוס. אותו סטודנט יגיע בעוד כמה שנים עם תואר, ממוצע ציונים, פרויקט גמר ותיק עבודות. המעסיק יראה את התוצאה - אבל לא תמיד יידע כמה מהיכולת שמאחוריה שייכת למועמד וכמה למכונה שעבדה לצדו.

וזו כבר בעיה כלכלית. במשך שנים שימשו התואר, הציונים והפרויקטים מעין קיצור דרך להערכת מועמד צעיר שעדיין אין מאחוריו ניסיון מקצועי משמעותי. הם אף פעם לא היו מדד מושלם, אבל הם סיפקו מידע. ככל שקל יותר לייצר תוצר שנראה מקצועי, המעסיק נדרש להשקיע יותר כדי להבין מה האדם שמאחוריו באמת מסוגל לעשות.

מי כתב את הקוד שלי?

בתכנות קל במיוחד לראות את הבעיה. סטודנט יכול להזין למודל תרגיל, לקבל קוד, לבקש ממנו לאתר שגיאות, לשפר את הפתרון ולהסביר מה עושה כל שורה. התוצר הסופי יכול להיות טוב בהרבה מהתוצר שהיה מצליח להפיק לבדו.

זה כבר רחוק מתופעה שולית. לפי סקר השימוש של סטודנטים בבינה מלאכותית גנרטיבית לשנת 2026, שערך המכון הבריטי למדיניות ההשכלה הגבוהה (HEPI) בקרב 1,054 סטודנטים לתואר ראשון בבריטניה, 95% משתמשים ב-AI לפחות בדרך אחת במסגרת לימודיהם. 94% נעזרים בבינה מלאכותית גנרטיבית בעבודות שנכללות בהערכה האקדמית, לעומת 88% שנה קודם לכן.

עם זאת, יש הבדל גדול בין שימוש ב-AI לבין מסירת עבודה שהמודל כתב. לפי אותו סקר, 12% מהסטודנטים דיווחו שהם מכניסים טקסט שנוצר באמצעות AI ישירות לעבודות שנבדקות, לעומת 8% ב-2025 ו-3% ב-2024. כמעט מחצית מהסטודנטים, 49%, אמרו שה-AI שיפר את חוויית הלימודים שלהם, בין היתר משום שהוא חוסך זמן, מסייע בהבנת החומר ומספק תמיכה מיידית.

כלומר, AI יכול להיות מורה פרטי לסטודנט אחד וקיצור דרך לסטודנט אחר. הראשון משתמש בו כדי להבין מדוע הקוד שלו אינו עובד, לקבל הסבר ולנסות שוב. השני יכול לבקש פתרון מלא ולהגיש אותו.

בשטח, שניהם עשויים להגיש קוד מצוין.

זו בדיוק הסיבה שגם שיטות ההערכה משתנות. 65% מהסטודנטים בסקר HEPI אמרו שההערכות האקדמיות שלהם כבר השתנו משמעותית בתגובה ל-AI. המיקוד עבר כבר מזמן מהשאלה אם האוניברסיטאות יגיבו לטכנולוגיה, לשאלה איך אפשר לבנות מבחן שמודד את הסטודנט בעולם שבו הכלי נמצא ממילא לידו.

• בעל השליטה בקליל: "דיוק של 80% ב-AI? בתעשייה זה כישלון"
• "הטכנולוגיה מייעלת את העבודה, אבל האחריות המקצועית נשארת אנושית"

וורד חסך את ההקלדה, גוגל את החיפוש - ה-AI משנה גם את התשובה

טכנולוגיה תמיד קיצרה לסטודנטים את הדרך. מעבד התמלילים חסך כתיבה מחדש של עמודים ותיקן שגיאות. מנועי החיפוש חסכו שעות בספרייה, וויקיפדיה ושפע המידע ברשת הפכו ידע שפעם דרש נבירה בספרים למשהו שנמצא בתוך שניות.

אבל רוב הטכנולוגיות האלה חסכו בעיקר את העבודה שמסביב לחשיבה. עדיין היה צריך לקרוא, להבין, לחבר בין הדברים ולייצר תשובה.

הבינה המלאכותית יכולה לבצע גם חלק מהשלב הזה. היא לא רק מוצאת מאמר אלא מסכמת אותו; לא רק מאתרת נתונים אלא מנתחת אותם; לא רק מתקנת משפט אלא מציעה את הניסוח; ולא רק מסבירה שפת תכנות אלא מייצרת קוד.

זה משנה את משמעותו של התוצר האקדמי. אם מטרתה של עבודה היא לבדוק אם הסטודנט מסוגל לחקור, לנתח ולנסח, והטכנולוגיה מבצעת חלק מהפעולות האלה עבורו, עבודה מצוינת כבר אינה מדד נקי ליכולת שאותה ביקש המרצה לבדוק.

העניין אינו רק אקדמי. מחקר של מיקרוסופט ו-Carnegie Mellon שפורסם בכנס CHI ב-2025 בחן 319 עובדי ידע ו-936 דוגמאות אמיתיות לשימוש שלהם ב-AI בעבודה. החוקרים מצאו שככל שהעובדים נתנו אמון רב יותר ב-AI, כך הם דיווחו על פחות חשיבה ביקורתית; ביטחון גבוה יותר ביכולת העצמית, לעומת זאת, נקשר ליותר חשיבה ביקורתית. החוקרים מצאו גם שהחשיבה אינה בהכרח נעלמת אלא משנה צורה - לכיוון בדיקת מידע, שילוב התוצאה ופיקוח על המשימה.

• 15 תרחישי שימוש בבינה מלאכותית: מהתלמיד ועד מנהל הכספים
• עליבאבא עוקפת את מטא וגוגל: קוון הגיע ל-3 מיליארד הורדות והופך לכוח מרכזי ב-AI

זה חשוב למעסיקים: אם חלק הולך וגדל מהעבודה נעשה בשיתוף מכונה, הערך של העובד שפעם התמצה ביכולת לייצר תשובה עבר ליכולת לדעת אם התשובה שקיבל טובה.

73% בדקו ציונים; היום רק 42%

שוק העבודה התחיל להתרחק מהסתמכות על ציונים עוד לפני צ'אטGPT, ולכן אי אפשר לייחס את השינוי כולו ל-AI. אבל המספרים מראים עד כמה השתנתה המסננת.

לפי NACE, האיגוד האמריקאי של מכללות ומעסיקים, ב-2019 השתמשו 73% מהמעסיקים שנבדקו בממוצע הציונים לצורך סינון מועמדים. ב-2026 עושים זאת רק 42%. במקביל, 70% מהמעסיקים משתמשים כיום בגיוס מבוסס כישורים, לעומת 65% שנה קודם לכן.

אצל המעסיקים שכבר מגייסים בדרך הזאת, השינוי מגיע עמוק לתוך התהליך: 87% משתמשים בכישורים כמדד במהלך הראיון ו-65% כבר בשלב הסינון. גם בקרב החברות שאינן מסננות לפי ממוצע ציונים, 73% בוחנות אם המועמד הוכיח שליטה בכישורי מפתח.

AI לא יצר את המגמה הזאת, אבל הוא נותן לה דחיפה הגיונית. ככל שקל יותר לייצר קורות חיים מלוטשים, פרויקט מרשים או משימת בית מצוינת, גדל הערך של האפשרות לראות כיצד המועמד חושב ועובד.

המעסיקים כבר חוששים שהמועמד נראה טוב מדי

לפי סקר שערך המכון הבריטי למעסיקי סטודנטים (ISE) בקרב 148 מעסיקים בבריטניה, 48% מהמעסיקים אמרו שהם חוששים ששימוש של בוגרי אוניברסיטאות ב-AI במהלך תהליך המיון גורם להם להציג יכולות שאינן משקפות במדויק את רמתם. בקרב מועמדים שמגיעים ישירות מבתי ספר וממכללות השיעור הגיע ל-52%.

החשש אינו נשאר ברמת הדיון. לפי נתונים נוספים שפרסם המכון, 79% מהמעסיקים כבר בוחנים מחדש או משנים את תהליכי הגיוס שלהם בעקבות השימוש של מועמדים ב-AI: כשליש כבר עיצבו מחדש את תהליכי המיון ו-46% נוספים היו בתהליך בחינה שלהם.

הסיבה ברורה. מבחינת החברה, המשמעות של מועמד שנראה טוב יותר מכפי שהוא באמת גדולה בהרבה מסתם טעות סטטיסטית. גיוס לא מתאים פירושו בזבוז זמן של מנהלים ומראיינים, תקופת קליטה, הכשרה ושכר, ולעיתים חזרה לנקודת ההתחלה ופתיחה מחדש של המשרה.

מבחן הבית היה הפתרון - ואז ה-AI הגיע גם אליו

במשך שנים היה למעסיקים פתרון פשוט יחסית. במקום להסתמך על התואר והציונים, נותנים למועמד משימה.

מתכנת מקבל בעיית תכנות, אנליסט נתונים לניתוח ומועמד לשיווק תוכנית או מצגת. מבחן הבית אמור היה לענות על שאלה פשוטה: מה האדם הזה יודע לעשות בפועל?

אלא שה-AI נכנס גם למבחן שאמור היה לפתור את בעיית המדידה.

מועמד יכול להיעזר במודל כדי לכתוב קוד, לאתר באגים, לחדד ניתוח, לבנות מצגת ואפילו להתכונן לשאלות שיישאל עליה לאחר מכן. התוצאה יכולה להיות מצוינת, והמעסיק שוב נשאר עם אותה בעיה: הוא רואה את התוצר, אבל לא את חלוקת העבודה בין האדם למכונה.

מכאן מגיע הצורך לראות יותר מהתהליך: פתרון בעיה בזמן אמת, הסבר של דרך החשיבה, שינוי של פתרון קיים מול המראיין או משימה שנעשית בתנאים שבהם השימוש בכלים חיצוניים מוגבל.

אפשר לקרוא לזה מבחן "בונקר". לא מפני שהמעסיקים רוצים להחזיר את העובדים לעולם שלפני האינטרנט, אלא מפני שלרגע אחד הם רוצים לבודד משתנה אחד - את האדם.

אם ה-AI כאן כדי להישאר, למה בכלל צריך לדעת לעבוד בלעדיו?

וכאן מתחדדת הסתירה. אם המתכנת שיתקבל לעבודה ישתמש ב-AI כבר ביום הראשון, למה לבחון אותו בלעדיו? אם אנליסט יכול לבצע משימה בשעתיים במקום ביום, למה שהמעסיק ירצה שיוותר על הכלי?

הרי יש כבר עדויות לכך שהטכנולוגיה חוסכת זמן. בניסוי אקראי של מיקרוסופט שנמשך שישה חודשים והקיף יותר מ-6,000 עובדים ב-56 חברות, עובדים שהשתמשו בכלי AI השלימו מסמכים מהר יותר. במחקר דווח על קיצור של 12% בזמן השלמת מסמכים, וכמעט 40% מהעובדים שקיבלו גישה לכלי השתמשו בו באופן קבוע לאורך הניסוי.

כלומר, מעסיק שמבין עניין לא רוצה עובד שיסרב להשתמש ב-AI. הוא רוצה את החיסכון בזמן ואת הפרודוקטיביות.

הסיבה לבדוק מה העובד יודע לעשות בלי הכלי היא אחרת: המעסיק צריך לדעת אם הוא מסוגל לפקח עליו כשהוא כן משתמש בו.

מודל יכול לכתוב קוד שעובד ובכל זאת להכיל בעיה. הוא יכול לבנות ניתוח פיננסי שנראה משכנע אבל נשען על הנחה שגויה, לסכם מסמך ולהחמיץ הסתייגות חשובה או לתת תשובה מצוינת לשאלה הלא נכונה.

כדי לזהות את הטעות צריך להבין את התחום.

עובד שאין לו בסיס מקצועי עצמאי עלול להתקשות להבחין בין תשובה נכונה לתשובה שרק נראית נכונה. המחקר של מיקרוסופט על 319 עובדי הידע מחזק בדיוק את הנקודה הזאת: שימוש בבינה מלאכותית מעביר חלק מהמאמץ הקוגניטיבי מייצור התשובה לבדיקתה, שילובה ופיקוח עליה.

לכן היכולת לעבוד בלי AI אינה בהכרח שיטת העבודה שהחברה רוצה לראות ביום-יום. היא בדיקת עומק: האם יש מתחת לכלי מספיק ידע ושיקול דעת כדי לדעת מתי לא לקבל את מה שהוא מייצר.

באופן מעט פרדוקסלי, היכולת לעבוד בלי AI הופכת לאחד התנאים ליכולת לעבוד נכון עם AI.

בלי AI בריאיון, עם AI ביום הראשון

וזה גם אומר שמבחני בונקר אינם יכולים להיות הפתרון היחיד. חברה שתבחר עובדים רק לפי יכולתם לתפקד ללא AI עלולה למצוא את עצמה מגייסת מצטיינים לעולם עבודה שכבר אינו קיים.

המעסיק צריך לזהות שתי יכולות שונות. הראשונה היא יכולת מקצועית עצמאית: להבין את הבעיה, לחשוב עליה ולזהות כשהפתרון אינו הגיוני. השנייה היא לקחת את אותה יכולת ולהגדיל באמצעות AI את המהירות ואת היקף העבודה.

אפשר לדמיין שני מתכנתים שמייצרים בעזרת AI אותו קוד בתוך שעה. הראשון מבין את הארכיטקטורה, יודע מה לבקש, קורא את התוצאה, מזהה בעיה ומשנה אותה. השני יודע לנסח פרומפט מצוין אבל אינו מבין לעומק את הקוד שקיבל.

כל עוד המודל צודק, ההבדל ביניהם יכול להיות כמעט בלתי נראה.

כשהוא טועה, מתברר מי מהם עובד עם AI ומי עובד עבורו.

אז התואר כבר לא שווה?

דווקא כאן הנתונים מחייבים לעצור. אם היינו מסתכלים רק על השינוי בגיוס, היה קל להכריז על מותו של התואר. כלכלית, זה פשוט לא נכון.

לפי OECD, עובדים בני 64-25 בעלי השכלה אקדמית בישראל משתכרים בממוצע 53% יותר מבעלי השכלה תיכונית או על-תיכונית שאינה אקדמית. ממוצע OECD עומד על 54%. גם באבטלה נשמר יתרון: בקרב בני 34-25 בישראל שיעור האבטלה של בעלי השכלה אקדמית עומד על 3.2%, לעומת 4.2% בקרב בעלי השכלה תיכונית או על-תיכונית שאינה אקדמית.

כלומר, התואר עדיין שווה כסף.

מה שנשחק הוא לא בהכרח הערך הכלכלי של התואר, אלא מעמדו כמדד אמין בעיני המעסיק.

במשך שנים התעודה העידה שהמועמד עבר סדרה ארוכה של מבחנים, עבודות ופרויקטים, וסיפקה אינדיקציה לידע, להתמדה וליכולת לפתור בעיות. ככל שה-AI מבצע חלק גדול יותר מאותן משימות, הקשר בין ההישג האקדמי ליכולת העצמאית כבר פחות מובן מאליו.

כאן גם עובר חלק מהלחץ בחזרה לאוניברסיטאות. אם עבודה שנכתבה בבית כבר אינה מאפשרת לדעת בביטחון מי ביצע את הניתוח, ואם פרויקט תכנות יכול להיבנות בסיוע משמעותי של מודל, מוסדות ההשכלה יצטרכו למצוא דרכים אחרות להראות שהציון שקיבלו הבוגרים שלהם מייצג יכולת ולא רק תוצאה. זה יכול להיות יותר מבחנים בכיתה, הגנה בעל פה על עבודות, הצגת תהליך הפתרון או מטלות שבהן השימוש ב-AI מותר דווקא כדי לבדוק כיצד הסטודנט מפעיל אותו ומבקר את התוצאה.

במובן הזה, ה-AI לא בהכרח מוריד את חשיבות הלימודים עצמם; הוא עשוי דווקא להעלות את החשיבות של מה שקשה יותר להציג על גיליון ציונים: הבנת יסודות, יכולת להסביר החלטה, לזהות טעות, להתמודד עם בעיה חדשה ולדעת מתי התשובה שקיבלנו מהמכונה פשוט לא הגיונית. אלה בדיוק היכולות שגם המעסיקים מנסים עכשיו לחלץ מתוך תהליך הגיוס.

ויש כאן גם שינוי אפשרי בתחרות בין מוסדות הלימוד. אם מעסיקים ייתנו פחות משקל לציון לבדו ויותר לאופן שבו בוגרים מתפקדים במבחני יכולת, האוניברסיטאות לא יוכלו להסתפק בכך שהבוגרים שלהן יוצאים עם ממוצעים גבוהים. הערך של מוסד עשוי להימדד יותר בשאלה אם הבוגרים שלו מסוגלים להגן על העבודה שלהם גם בלי לפתוח צ'טבוט - ואז לקחת את אותו ידע ולעבוד עם הצ'טבוט טוב יותר.

מה שנשחק, אם כך, הוא לא בהכרח הערך הכלכלי של התואר, אלא מעמדו כמדד אמין בעיני המעסיק. במשך שנים התעודה העידה שהמועמד עבר סדרה ארוכה של מבחנים, עבודות ופרויקטים, וסיפקה אינדיקציה לידע, להתמדה וליכולת לפתור בעיות. ככל שה-AI מבצע חלק גדול יותר מאותן משימות, הקשר בין ההישג האקדמי ליכולת העצמאית כבר פחות מובן מאליו.

התואר לא נעלם, וגם ה-AI לא הולך לשום מקום. אבל העסקה הלא כתובה בין האוניברסיטה למעסיק משתנה. פעם התעודה, הציונים והפרויקטים סיפרו חלק גדול מהסיפור. עכשיו המעסיק ירצה לראות יותר ממנו בעצמו.

כי בעולם שבו הבינה המלאכותית יכולה להשתתף בכתיבת הקוד, בפתרון התרגיל ובניסוח העבודה, השאלה כבר אינה רק איזה ציון קיבל המועמד.

השאלה היא מי בעצם סיים את התואר בהצטיינות.