לא להחליף — אלא לשנות את תמהיל העבודה. 20%–30% מעבודת הביקורת צפויים לעבור לסוכני AI תוך שלוש שנים לפי הפירמות הגדולות. אבל העבודות שנשארות — שיקול דעת, ייעוץ, ניהול לקוחות — הן כאלה שקשה יותר לאוטומט. הסיכון הגבוה ביותר הוא לתפקידי כניסה שנשענו על עבודה בסיסית חוזרת.

הפירמות מבקשים שלושה דברים שלא היו בראש העדיפויות עד לפני כמה שנים: יכולת לפקח על תוצאות AI ולזהות שגיאות שמודל לא יזהה; הבנה של תהליכי ביקורת ובקרות ברמה עקרונית — לא רק ביצוע; מיומנויות תקשורת ושיקול דעת שמאפשרות לתרגם ממצאים ללקוח. מי שיוצא עם כלל אלה — יהיה יקר יותר, לא פחות.

השאלה הפכה רלוונטית מאוד אחרי רפורמת הרישוי בארה"ב — 40+ מדינות כבר מאפשרות להגיע לרישוי CPA עם תואר ראשון בלבד ושנת ניסיון. הצעת הערך של מאסטר נחלשה מבחינה רגולטורית. האקדמיה מנסה לפצות בתוכן: יותר AI, יותר סימולציות, יותר קרבה לשוק. אם התוכנית באמת מתעדכנת — יש ערך. אם היא מגלגלת את אותם חומרים — עדיף לצאת לשוק מוקדם.

מתמחים שנכנסו בעבר לאיסוף נתונים ידני ובדיקות מדגמיות — מוצאים שחלק ניכר מהעבודה הזאת כבר מבוצע אוטומטית. הצד החיובי: פחות שגרה שוחקת, מוקדם יותר מגיעים לעבודה אנליטית. הצד השלילי: לומדים פחות "מהשטח" — צריך להוכיח ערך מוקדם יותר, ללא שנות ניסיון של עבודה בסיסית ככרית.

הגל מגיע גם לישראל, אבל בפיגור. האקדמיה הישראלית מתחילה לעדכן תוכניות, אך הקצב איטי יותר. שוק העבודה בישראל — ובפרט הפירמות הגדולות שהן סניפים של רשתות בינלאומיות — מושפע ישירות מהכלים שמוסדרים בחו"ל. מי שמסיים לימודים בשנה-שנתיים הקרובות ייכנס לשוק שכבר מצפה להכרות עם AI — גם בישראל.

זה אחד האתגרים המרכזיים. מרצה שהעביר אותו קורס עשרים שנה נדרש עכשיו להפוך למשתמש מיומן בכלים שמשתנים כל כמה חודשים — לפני שהוא יכול ללמד אותם. חלק מהמוסדות בארה"ב פתחו תוכניות מענקי הוראה חדשניים כדי לתמרץ ניסוי-וטעייה. הגישה: לא לחכות לסילבוס מושלם — אלא להתנסות בגלוי, לטעות בכיתה, ולבנות מהניסיון.