המקצוע החדש של עידן ה-AI: העובד שכבר לא עושה הכול בעצמו - אלא מנהל צוות של סוכנים
הרבה אנשים עדיין משתמשים ב-AI כמו בגוגל משופר. שואלים שאלה, מקבלים תשובה, מעתיקים חלק ממנה וממשיכים הלאה. השלב הבא כבר נראה אחרת לגמרי. במקום כלי שמחכה לפקודה אחת, נכנסים לעבודה סוכני AI שיודעים לקבל משימה, לפרק אותה לשלבים, לחפש מידע, להפעיל תוכנות, לבצע חלק מהעבודה ואז לחזור עם תוצאה.
המעבר הזה נשמע קטן, אבל הוא משנה את מבנה התפקיד עצמו. מנהל שיווק יכול לשלוח סוכן אחד לבדוק מה עשו המתחרים, סוכן שני לנתח נתוני קמפיינים וסוכן שלישי להכין שלוש גרסאות להצעה החדשה. האנליסט האנושי כבר פחות עסוק באיסוף החומר ויותר בשאלה אם הנתונים נכונים, מה מהם חשוב ואיזו החלטה לקחת. מתכנת יכול לתת לכמה סוכנים לעבוד במקביל על בדיקות, כתיבת קוד ותיעוד. איש מכירות יכול להתחיל את הבוקר עם רשימה שכבר דורגה לפי סיכויי סגירה ועם טיוטות מותאמות לכל לקוח.
מיקרוסופט מנסה לתת לתופעה הזאת שם חדש: Frontier Professionals. בדוח Work Trend Index 2026 שלה, המבוסס על סקר של כ-20 אלף משתמשי AI בעשר מדינות ועל ניתוח של יותר מ-100 אלף שיחות Copilot, רק כ-16% ממשתמשי ה-AI מוגדרים כיום כקבוצה המתקדמת הזאת. אלה עובדים שכבר משתמשים ב-AI כדי לנהל תהליכים של כמה שלבים, לבנות מחדש שיטות עבודה ולהעביר חלק מהביצוע למערכות אוטומטיות. מספר הסוכנים הפעילים במיקרוסופט 365 זינק לפי הדוח פי 15 בתוך שנה, ובחברות גדולות אפילו פי 18.
הנתון המעניין ביותר הוא פחות מספר הסוכנים ויותר סוג העבודה שהם מקבלים. כמעט מחצית מהשימוש ב-Copilot כבר קשורה לעבודת חשיבה - ניתוח, פתרון בעיות, הערכה וקבלת החלטות - ולא רק לניסוח מייל או סיכום מסמך. בקרב המשתמשים המתקדמים, כ-80% דיווחו שהם מסוגלים לייצר כיום תוצרים שלפני שנה בכלל לא היו יכולים להפיק, לעומת 58% אצל משתמשים אחרים.
זו אולי הנקודה שהכי חשוב להבין בקריירה: ה-AI לא בהכרח מחליף קודם כל מקצוע שלם. הוא מתחיל לפרק מקצוע לחלקים, לקחת חלק מהמשימות ולהשאיר לבן האדם את השאר. מי שהערך שלו מגיע כמעט כולו מהחלק שהמערכת כבר יודעת לבצע נמצא במקום פחות נוח. מי שיודע לקחת אחריות על כל התהליך, להבין את ההקשר ולהחליט מה נכון מקבל דווקא יותר כוח.
ממבצע למנהל עבודה
אפשר לחשוב על זה כמו על קידום מוזר שאף אחד לא ביקש. עובד שהיה רגיל לעשות עשר משימות בעצמו הופך בהדרגה למנהל קטן של כוח עבודה דיגיטלי.
נניח שאנליסט בחברה צריך להכין סקירה על מתחרה. בעבר הוא היה נכנס לעשרות אתרים, מוריד דוחות, מעתיק נתונים לאקסל, בונה טבלה, מסכם את המספרים וכותב מסמך. חלק גדול מהיום היה הולך על איסוף וניקוי מידע.
במודל החדש הוא יכול לתת לסוכן אחד לאסוף את הדוחות, לשני להשוות את המספרים לשלוש השנים האחרונות, לשלישי לבדוק מה השתנה בתמחור ולרביעי להכין טיוטה. העבודה שלו עוברת לשלב אחר: לזהות שנתון מסוים נראה חריג, להבין שההשוואה אינה נכונה, להוסיף מידע שהסוכנים פספסו ולהחליט איזו מסקנה עסקית באמת שווה להעלות למנכ"ל.
אותו עיקרון מתאים כמעט לכל עבודת ידע. עורך דין יכול לתת לסוכן לעבור על מאות עמודי חוזים ולסמן סעיפים חריגים, אבל עדיין צריך להבין מה מהם מהותי לעסקה. רואה חשבון יכול לאפשר למערכת לבצע התאמות ולזהות חריגות, אבל מישהו צריך לדעת אם החריגה היא שגיאה, בעיה אמיתית או מצב לגיטימי. איש משאבי אנוש יכול לקבל רשימה מסודרת של מועמדים, אבל עדיין צריך להבין מי מתאים לצוות ומי נראה מצוין רק על הנייר.
- הרובוט שעולה 399 דולר קיבל הזמנות של 2.6 מיליון דולר ביום
- חשבון ה-AI מגיע למיקרוסופט: עובד אחד צרך טוקנים בשווי 28 אלף דולר בחודש
הכישורים היקרים לכן זזים בהדרגה מ"מי יודע לעשות מהר" ל"מי יודע להגדיר נכון, לבדוק, לתעדף ולהחליט". וזה שינוי גדול במיוחד לעובדים מנוסים. במשך שנים היתרון שלהם היה לעיתים שהם ידעו לבצע משימה מהר יותר מג'וניור. עכשיו מכונה יכולה לבצע חלק מהמשימה מהר יותר משניהם. הניסיון נשאר שווה כסף דווקא במקום שבו צריך לזהות שטעות נראית הגיונית, להבין מה חסר או לדעת איזה מספר בכלל ראוי לבדיקה.
ומה קורה לג'וניורים?
כאן נמצאת אחת השאלות הקשות ביותר. הרבה תפקידים התחילו במשך עשרות שנים מעבודות פשוטות יחסית. עורך דין צעיר עבר על מסמכים. אנליסט צעיר בנה אקסלים. מתכנת מתחיל תיקן באגים קטנים. איש שיווק מתחיל כתב עשרות גרסאות לקופי. הדרך להתמקצע עברה דרך אלפי שעות של עבודה בסיסית. AI מצטיין בדיוק בחלק גדול מהמשימות האלה.
אם חברה יכולה לתת לסוכן לקרוא 500 מסמכים בתוך דקות, יש פחות צורך להעסיק שלושה עובדים צעירים שיעשו את זה במשך שבוע. בטווח הקצר זו התייעלות ברורה. בטווח הארוך נוצרת בעיה אחרת: מאיפה יגיע העובד הבכיר בעוד עשר שנים אם אף אחד כבר לא עובר את שלב האימון הראשוני?
זה יכול לדחוף חברות לבנות מסלול קריירה אחר. במקום להעסיק ג'וניור כדי להעתיק ולסדר מידע, יצטרכו ללמד אותו מוקדם יותר לבדוק עבודה של AI, להבין את העסק ולשבת ליד עובדים מנוסים. כלומר, פחות שנים של עבודה שחורה ויותר צורך בהבנה כבר מתחילת הקריירה.
זה נשמע מצוין עבור העובד הצעיר, אבל הרף עולה. חברה שקיבלה בעבר עובד חסר ניסיון כי הייתה לה ערימה של משימות פשוטות, יכולה עכשיו לבצע את אותן משימות עם תוכנה. אם היא מגייסת צעיר, היא תרצה שהוא יביא יותר כבר מהיום הראשון. לכן החשש לגבי משרות כניסה אמיתי גם בלי גל פיטורים דרמטי. השינוי יכול להגיע דרך פחות גיוסים, צוותים קטנים יותר ופחות שכבות ביניים. לא צריך לפטר אלף איש אם מראש מגייסים מאה במקום מאתיים.
- אלטמן נגד אילון מאסק: המודלים יוסרו מקורסור
- אמזון רוצה להעביר את המשלוח מהכביש לאוויר: כמעט 500 ערים עד סוף השנה
עובד אחד יכול להתחיל להיראות כמו מחלקה קטנה
כאן נמצא הצד החיובי יותר. אדם אחד עם ידע טוב בתחום ויכולת להפעיל סוכנים יכול לעשות עבודה שפעם דרשה כמה אנשים. יועץ עצמאי יכול להכין מחקר, מצגת וניתוח מתחרים באותו יום. איש שיווק בעסק קטן יכול לנהל תוכן, קמפיינים ודיוור עם פחות ספקים. מפתח בודד יכול לבנות מוצר שהיה דורש בעבר צוות.
זה יכול להיות שינוי עצום לעצמאים ולעסקים קטנים. במשך שנים היתרון של חברה גדולה היה שיש לה מחלקה משפטית, שיווק, כספים, מחקר ופיתוח. העסק הקטן היה צריך לבחור במה להשקיע. AI מוריד חלק מהפער הזה.
הוא גם יכול להגדיל מאוד את הפער בתוך אותו מקצוע. שני עובדים יכולים להחזיק באותו תפקיד ובאותו ותק, אבל אחד משתמש ב-AI רק כדי לנסח מיילים והשני בנה מערכת שבה כמה סוכנים עוקבים אחרי לקוחות, מנתחים נתונים, מכינים חומר לפגישות ומסמנים חריגות. השני מתחיל לייצר תפוקה אחרת לגמרי.
בדוח של מיקרוסופט 65% ממשתמשי ה-AI אמרו שהם חוששים להישאר מאחור אם לא יאמצו את הטכנולוגיה מהר מספיק. הנתון הזה מספר גם על החרדה וגם על הקצב. רק 13% מהארגונים, לפי הדוח, מתגמלים עובדים על ניסיון לבנות מחדש עבודה באמצעות AI גם כשהניסוי נכשל. כלומר, העובדים כבר רצים קדימה, בעוד המבנה הארגוני עדיין מתקדם לאט יותר.
זו בעיה אמיתית. עובד יכול לגלות דרך שמקצרת תהליך משמונה שעות לשעה, אבל אם החברה עדיין מודדת אותו לפי כמה שעות הוא היה עסוק, אין לו תמריץ להפיץ את השיטה. בחברה אחרת אותו עובד יהפוך את השעה שנחסכה לעבודה חדשה ויקבל קידום.
המקצוע החדש הוא פחות Prompt Engineer ויותר Agent Manager
לפני שנתיים היה טרנד של "מהנדס פרומפטים". חברות חיפשו אנשים שיודעים לכתוב הוראות טובות למודלים. התחום הזה עדיין חשוב, אבל הוא הולך ונבלע בתוך יכולת רחבה יותר.
העובד החדש צריך לדעת לפרק משימה. למשל, "תכין אסטרטגיה להיכנס לשוק הגרמני" היא בקשה רחבה מדי. עובד טוב יפרק אותה: גודל שוק, מתחרים, מחירים, רגולציה, ערוצי הפצה, עלות רכישת לקוח, תרחישים פיננסיים. כל חלק יכול לעבור לסוכן אחר, ורק אז מחברים את המסקנות.
הוא צריך לדעת לתת הרשאות. סוכן שמקבל גישה למייל, CRM, קבצים וחשבונות יכול לעשות הרבה, אבל גם לטעות הרבה יותר. לכן חלק מהתפקיד הוא להחליט מה המערכת רשאית לבצע לבד ומה מחייב אישור.
הוא צריך לדעת לבדוק מקורות. מערכת יכולה להחזיר מסמך שנראה מושלם אבל מכיל נתון ישן, הנחה שגויה או מקור חלש. ככל שהתוצאה כתובה טוב יותר, דווקא קל יותר לפספס.
והוא צריך לדעת מתי לעצור את האוטומציה. יש משימות שבהן המהירות חשובה. יש אחרות שבהן טעות אחת יכולה לעלות מיליונים, לפגוע בלקוח או ליצור בעיה משפטית.
במובן הזה, העובד של עידן הסוכנים קצת דומה למנהל. מנהל טוב לא עושה בעצמו כל משימה של העובדים שלו. הוא מגדיר יעד, מחלק עבודה, בודק את הנקודות החשובות ולוקח אחריות על התוצאה. ההבדל הוא שכאן חלק מהצוות שלו עשוי להיות תוכנה.
מי יהיה שווה יותר?
הכישור הראשון הוא שיקול דעת. ככל שה-AI מייצר יותר חומר, היכולת לדעת מה טוב הופכת ליקרה יותר. מי שלא יודע מהי תשובה טובה מתקשה גם לבדוק תשובה של מכונה.
הכישור השני הוא ידע עמוק בתחום. יש תפיסה ש-AI הופך ידע לפחות חשוב כי אפשר לשאול הכול. בפועל, מי שיודע הרבה יכול לזהות מהר יותר מתי התוצאה לא הגיונית. רופא, מהנדס, אנליסט או עורך מנוסה מקבלים מנוף גדול יותר משום שהם יודעים מה לחפש.
הכישור השלישי הוא יכולת לתכנן תהליך. הרבה אנשים טובים במשימה אחת. הרבה פחות יודעים לקחת בעיה גדולה ולבנות לה סדר עבודה. הרביעי הוא תקשורת: כאשר חלק מהביצוע נעשה אוטומטית, דווקא העבודה מול בני אדם מקבלת יותר משקל - להסביר, לשכנע, לנהל קונפליקט, להבין לקוח ולבנות אמון. והחמישי הוא אחריות. מערכת יכולה להמליץ, אבל מישהו צריך לשים את השם שלו על ההחלטה.
מה זה יעשה לשכר? כנראה יגדיל פערים. אם עובד אחד מפיק בעזרת סוכנים תפוקה של שלושה עובדים, חברה יכולה לשלם לו יותר ועדיין לחסוך כסף. מצד שני, תפקיד שמורכב בעיקר ממשימות שניתנות לאוטומציה עלול לעבור תהליך הפוך. במקצועות מסוימים נראה כנראה שילוב של פחות עובדים ושכר גבוה יותר לבעלי היכולת הגבוהה.
זה דומה למה שקרה בכלים קודמים, אבל בקצב מהיר יותר. אקסל לא ביטל את מקצוע האנליסט, אבל הוריד מאוד את הערך של חישוב ידני. אינטרנט לא ביטל מחקר, אבל הפך את היכולת "למצוא מידע" לפחות נדירה. AI יכול לעשות אותו דבר לכתיבה בסיסית, ניתוח ראשוני, תכנות פשוט ואיסוף מידע.
ומה כדאי ללמוד עכשיו? הטעות תהיה להמר על כלי אחד. בעוד שנתיים חלק מהכלים שנראים היום מרכזיים יתחלפו. עדיף ללמוד שיטה: לבחור תהליך שחוזר בעבודה, לפרק אותו לשלבים ולראות אילו חלקים AI יכול לבצע. לתת לו משימה, לבדוק את התוצאה ולשפר את ההוראות. אחר כך לחבר שתי משימות. בהמשך לתת לסוכן אחד תוצאה של אחר ולבנות שרשרת.
מי שעושה את זה היום לומד משהו רחב יותר מ-"איך להשתמש ב-ChatGPT". הוא לומד איך לבנות עבודה סביב AI. זה גם מתאים למה שמיקרוסופט רואה בארגונים המתקדמים: המעבר אינו עוד רישיון Copilot לכל עובד, אלא שינוי של כל התהליך. עובדים עוברים בהדרגה ממבצעים למי שמפקחים על סוכנים, בודקים איכות ומחליטים מה ממשיך הלאה.
ולכן אחד התפקידים המעניינים ביותר של השנים הקרובות אולי בכלל לא יופיע בשם חדש בלינקדאין. הוא עדיין ייקרא אנליסט, מנהל שיווק, עורך דין, רואה חשבון, מנהל מוצר או מתכנת. רק שהעובד שיושב בתפקיד הזה יעשה משהו אחר לגמרי: בבוקר הוא לא יפתח רשימת משימות ויתחיל לבצע אותן אחת אחת. הוא יפעיל את הצוות הדיגיטלי שלו, יראה מה כבר נעשה בלילה, יתקן את מה שצריך ויבזבז את הזמן האנושי שלו על הדברים שבהם עדיין צריך בן אדם.
