אופציות - דעיכת ערך הזמן

המנהלים חוגגים 8 שעות חיסכון בשבוע, העובדים תקועים עם חצי יום תיקונים

הבינה המלאכותית יוצרת פער דרמטי בין הקומות בבניין: בעוד המנכ"לים מדווחים על מהפכת פריון, בשטח נוצר "מס פרודוקטיביות" שמבטל כל יתרון

ענת גלעד | 21/02/2026 00:40

נושאים בכתבה AI בינה מלאכותית שעות עבודה

לפני עשור, כשהבינה המלאכותית הייתה עדיין רק בחיתוליה, רבים מהעובדים קיוו שכאשר היא "תבשיל" לכדי ביצועים משופרים היא תשנה את עולמם ותקל את חייהם, אולם היום כבר אפשר לראות כי הבטחות הענק של מהפכת ה-AI נתקלות בשטח במציאות מורכבת ומתישה. סקרים רחבי היקף בקרב אלפי עובדי צווארון לבן בארצות הברית, בריטניה וקנדה חושפים פער תהומי בתפיסת היעילות: מנהלים בכירים מדווחים על חיסכון של יותר משמונה שעות שבועיות, אך מרבית העובדים מהשורה נהנים משיפור של פחות משעתיים - וחלקם אינם חווים שיפור כלל.

הפער הזה אינו מקרי, הוא נובע ישירות מאופי המשימות. הדרג הניהולי רותם את הכלי לסיכומי פגישות, בניית מצגות וניסוח מיילים - תחומים שבהם המכונה מצטיינת. לעומת זאת, בעבודה המקצועית הסיפור שונה. כתיבת קוד, ניתוח נתונים עמוק ותפעול מערכות דורשים רמת דיוק שה-AI טרם פיצחה. התוצאה היא "מס פרודוקטיביות": העובדים משקיעים זמן יקר בבקרה, בתיקון טעויות ובכתיבה מחדש של תוצרים שנראים משכנעים, אך מתגלים כשגויים מהיסוד.

סקר שכלל 1,600 עובדים מצא ש-85% חסכו 7-1 שעות בשבוע, אך חלק ניכר מהזמן הזה הושקע בתיקונים. משימה פשוטה עלולה להפוך לחצי יום עבודה אם הפלט הראשוני שגוי, בעוד משימה מורכבת נסגרת במהירות. התופעה נובעת מאיכות הנתונים וההקשר, והמשתמש זקוק למיומנות גבוהה לזיהוי טעויות.

עובדי מדווחים על עומס וחרדה

היעדר הטמעה מסודרת מחריף את הבעיה. ללא תהליכים מוגדרים, תבניות והרשאות ברורות, הכלי הופך לעוזר אישי אקראי. השימושים הנפוצים הם חיפוש מידע, כתיבת טיוטות וסיכומים, ופחות ניתוח נתונים או פיתוח קוד. עובדים מדווחים על תחושות עומס וחרדה, בעוד המנהלים מביעים התלהבות. כ-40% מהעובדים טוענים שהם מסתדרים היטב ללא הטכנולוגיה. ארגונים נדרשים להגדיר מתי להשתמש בכלי, מי אחראי לאימות התוצרים וכיצד להקצות זמן לבקרה.

בהיבט הפיננסי, התמונה מורכבת. סקר בקרב 4,500 מנכ"לים גילה שרק 12% רואים יתרון בעלויות והכנסות, בעוד יותר ממחצית לא חווים שינוי. המצב דומה למהפכות דיגיטליות קודמות: השקעות מקדימות, ושיפורים רק לאחר שינוי תהליכים והכשרות. בשוק התשלומים, למשל, ניסו להחליף נציגים בבינה מלאכותית, אך בסופו של דבר שילבו גורם אנושי למשימות מורכבות. באפליקציות לימוד צמצמו קבלנים אך הגדילו את מצבת העובדים ב-14%.

אשליית הרהיטות: "שטויות" בסגנון מלוטש

הסכנה הגדולה ביותר בשימוש בבינה מלאכותית טמונה דווקא ברהיטות המטעה. מודלי שפה תוכננו להישמע אנושיים, סמכותיים ומשכנעים; הם מצטיינים בבניית תחביר מושלם ובבחירת מילים מדויקת. השילוב הזה מייצר "אפקט מומחיות" סביב הטקסט: כשהתוצר נראה מקצועי וזורם, המוח האנושי נוטה להניח שגם התוכן העובדתי נכון. בפועל, הרהיטות משמשת לעיתים קרובות כעטיפה יפה ל"קשקושים מוחלטים" - עובדות מומצאות, נתונים סטטיסטיים שגויים או לוגיקה פגומה. בניגוד לטעות אנוש, שלרוב מלווה בסימני הססנות או בניסוח מגושם, ה-AI טועה בביטחון עצמי מופרז.

מצב זה יוצר עומס קוגניטיבי חדש על העובד. במקום לעבור על הטקסט כדי לשפר את סגנונו, הוא נדרש לבצע פעולת "אימות אגרסיבי". הוא חייב לפרק כל משפט, להצליב כל נתון ולחשוד בכל מסקנה. פעמים רבות, זמן הבדיקה וההצלבה של פלט שנראה מושלם ארוך יותר מכתיבת הטקסט מאפס. זוהי הליבה של מס הפרודוקטיביות: המאמץ המנטלי הנדרש כדי לא ליפול במלכודת של טקסט שנראה מצוין, אך ריק מתוכן אמין.

קיראו עוד ב"קריירה"

הטמעת השינוי המנטלי: המעבר מיוצר למבקר

המעבר מיצירה לביקורת הוא אחד השינויים העמוקים ביותר שחוללה הבינה המלאכותית, והוא עומד בלב השחיקה של עובדי הצווארון הלבן. בשיטת העבודה המסורתית, העובד בונה את התוצר שלב אחר שלב. מתכנת שכותב קוד או אנליסט שבונה מודל כלכלי מבינים כל פסיק בדרך; הלוגיקה מתגבשת בתוך ראשם תוך כדי תנועה. תהליך היצירה הזה, למרות היותו איטי, מעניק לעובד שליטה מלאה על התוצאה וביטחון בנכונותה. הבינה המלאכותית הופכת את הפירמידה. היא מגישה לעובד תוצר מוגמר בשניות, ובכך כופה עליו לדלג על שלב התכנון והביצוע ולעבור מיד לתפקיד הבקר. שינוי זה מייצר שלושה קשיים מרכזיים:

אובדן ה"זרימה": יצירה היא פעולה אקטיבית ומספקת. ביקורת, לעומת זאת, היא פעולה פסיבית ובלשית. במקום להפעיל את שריר הדמיון והפתרון, העובד נדרש להפעיל שריר של חשדנות תמידית. מדובר במאמץ מנטלי סיזיפי - קשה הרבה יותר לאתר טעות במבנה לוגי שמישהו אחר בנה מאשר לבנות אותו נכון מלכתחילה.

עיוורון עודף ההיצע: כשהמכונה פולטת פתרון שלם, קל מאוד להתפתות ל"אישור חיובי". המוח האנושי נוטה להחליק על פני שורות שנראות סבירות, ודווקא בגלל המהירות שבה התוצר הגיע, רמת הריכוז הנדרשת לזיהוי כשלים עמוקים גבוהה משמעותית מהרגיל.

שחיקת המיומנות: לאורך זמן, המעבר לביקורת בלבד מנוון את יכולות הביצוע של העובד. אם המתכנת רק מתקן את הקוד של ה-AI במקום לכתוב אותו, הוא מאבד את היכולת לפתור בעיות מורכבות בעצמו כאשר המכונה נתקלת ב"קיר".

הפתרון: מפירוק משימות ל"עבודה בשלבים"

כדי לשמור על הפרודוקטיביות, עובדים מיומנים מאמצים שיטת עבודה של פירוק לגורמים. במקום לבקש מהבינה המלאכותית תוצר סופי בלחיצת כפתור, הם משתמשים בה כשותפה לסיעור מוחות בשלבים מוקדמים.

בתהליך זה, העובד שומר על תפקיד ה"מתכנן": הוא מבקש מה-AI לבנות רק את השלד, לאחר מכן בוחן את הלוגיקה, ורק אז ממשיך לשלב הניסוח או הקידוד. עבודה במקצבים קטנים מאפשרת לזהות "המצאות" וטעויות כשהן עוד קטנות, ומונעת את הצורך בסריקה מתישה של מסמכים ארוכים ומורכבים בדיעבד. כך השליטה נשארת בידי האדם, והמכונה מתפקדת כעוזרת טכנית ולא כתחליף לתהליך המחשבה.

המשימה החדשה: טשטוש עקבות המכונה

מעבר לתיקון טעויות עובדתיות, עובדים רבים נאלצים להשקיע זמן רב ב"דה-רובוטיזציה" של התוצרים. למרות הרהיטות של הבינה המלאכותית, היא נוטה להשתמש בתבניות שפה צפויות, במבנים חזרתיים ובסגנון מליצי מדי.

בארגונים שבהם קיימת סטיגמה נגד שימוש בבינה מלאכותית או במקומות שבהם נדרש קול אישי ואותנטי, העובד מוצא את עצמו משכתב פסקאות שלמות רק כדי להעניק להן "נשמה" אנושית. פעולת הטשטוש הזו - הסרת מילות קישור גנריות, הוספת ניואנסים תרבותיים או שילוב תובנות שנשענות על ניסיון אישי - גובה זמן יקר.

הפרדוקס שנוצר: הבינה המלאכותית חוסכת את זמן הכתיבה, אך העובד מבזבז את הזמן שנחסך כדי להסתיר את העובדה שהשתמש בה. במקום להתמקד בערך המוסף של התוכן, המאמץ מוסט לעבר ליטוש סגנוני שנועד לעבור את "מבחן האנושיות" של הקורא או המנהל.

גם בישראל: אותה בעיה, אותו פער

כמו בשאר העולם, גם במדינה הקטנה שלנו התופעה זהה. חברות הייטק מדווחות על שימוש נרחב, אך מפתחים מתלוננים שזמן התיקון מבטל את החיסכון. מנהלים מצפים לקפיצת פריון, עובדים רואים כלי נקודתי. ההבדל תלוי בגישת הניהול: ארגונים עם מדיניות ברורה חווים תועלת גבוהה יותר. ללא מדיניות כזו, הבינה המלאכותית מוסיפה שכבת עבודה. בטווח הארוך, עם עליית המיומנות ושיפור הנתונים, הפער צפוי להצטמצם, אך כעת ההטמעה היא הגורם הקריטי. נדרש לבנות תהליכים המשלבים בקרה בתכנון היומי, במקום להטיל את הנטל על העובד.

חשוב להבהיר, המעבר לעבודה עם בינה מלאכותית אינו מבטל את הצורך במקצועיות, אלא מגדיר אותה מחדש. המיומנות הנדרשת כיום - מעבר ליכולת להפעיל את הכלי - היא היכולת לזהות מתי הוא מעכב אותנו. ארגונים שישכילו להבין ש-AI הוא כלי עזר הדורש זמן בקרה ואינטגרציה, ולא "קוסם" שמעלים לכם את העבודה, יצליחו לצמצם את ה"בזבוז" ולהחזיר לעובדים את הזמן היקר שאבד להם בתיקון המכונה.