הבינה המלאכותית חוסכת זמן - והמעסיקים ממלאים אותו בעוד עבודה

ההבטחה של הבינה המלאכותית לעולם העבודה היתה די ברורה: הכלי יכתוב את המייל, יסכם את הפגישה, יחפש מידע, יבנה מצגת, יעזור בקוד ויפנה לעובד זמן לדברים שבאמת דורשים מחשבה. בפועל מתרחש בהרבה חברות משהו אחר. העובדים אכן מבצעים חלק מהמשימות מהר יותר, אלא שהזמן שהתפנה מתמלא כמעט מיד בעוד מיילים, עוד משימות, עוד מסמכים לבדיקה ועוד דרישות. הפרודוקטיביות עולה בחלק מהמקרים, ובאותו זמן יום העבודה נעשה צפוף, מקוטע ומתיש יותר.

מחקר רחב שעקב במשך שלוש שנים אחרי 163,638 עובדים ב-1,111 ארגונים ובחן יותר מ-443 מיליון שעות עבודה נותן לזה מספרים. 80% מהעובדים במדגם כבר השתמשו בכלי בינה מלאכותית, לעומת 53% שנתיים קודם. שעות העבודה היומיות אפילו התקצרו מעט, בכ-2%, אבל מספר השעות שהוגדרו פרודוקטיביות עלה ב-5%. לכאורה זה בדיוק מה שמעסיקים רוצים לראות: יותר תפוקה בפחות זמן.

ואז מגיעים לפרטים. בקרב 10,584 עובדים שנבדקו במשך 180 יום לפני אימוץ כלי בינה מלאכותית ובמשך 180 יום אחרי האימוץ, הזמן שהוקדש לכל קבוצות הפעילות שנמדדו דווקא עלה. הזמן במייל זינק ב-104%, הזמן בצ'אטים ובהודעות עלה ב-145% והשימוש בכלי ניהול עסקיים עלה ב-94%. שיתוף הפעולה בין עובדים עלה ב-34%, ומעבר בין משימות עלה ב-12%.

במקביל, זמן הריכוז נשחק. משימת עבודה רציפה ומרוכזת נמשכה בממוצע 13 דקות ו-7 שניות ב-2025, לעומת 14 דקות ו-23 שניות שנתיים קודם, ירידה של כ-9%. שיעור הזמן שהוקדש לעבודה ממוקדת ירד לכ-60%, שפל של שלוש שנים.

זה פרדוקס שקל לפספס כשמנהלים מסתכלים רק על תפוקה. העובד יכול לסיים מצגת בשעה במקום בשלוש, אבל בסוף היום הוא עדיין עובד כמעט אותו מספר שעות. שתי השעות שהתפנו מקבלות יעד חדש. הוא מכין עוד מצגת, עובר על מסמך של עובד אחר, עונה לעוד 20 מיילים או מקבל פרויקט נוסף. היעילות של המשימה עולה, אבל העומס הכולל נשאר גבוה ולעיתים אפילו גדל.

זו גם אחת הסיבות לפער בין מנהלים לעובדים. בסקר אחר שכלל 3,150 מנהלים ועובדים בארה"ב, בריטניה, קנדה ואוסטרליה, 68% מהעובדים שמשתמשים בכלי בינה מלאכותית אמרו שהכלים הגדילו את עומס העבודה שלהם לפחות בדרך אחת. אצל דור Z הנתון הגיע ל-82%. כ-26% דיווחו על עלייה בתחושת השחיקה והתשישות, 31% אמרו שהלמידה של הכלים עצמם יצרה עומס, ו-63% העריכו שהמעסיק יוסיף להם עבודה אם הבינה המלאכותית תהפוך אותם ליעילים יותר.

נכתב כאן כבר על הפער בין המנהלים שחוגגים חיסכון של שעות לבין העובדים שמבלים חלק גדול מהזמן הזה בתיקון התוצרים. הפער הזה הופך עכשיו להרבה יותר משמעותי, משום שהשימוש בכלים עובר מניסויים מקומיים לשגרת עבודה כמעט בכל תחום של עבודת צווארון לבן.

יש גם הסבר כלכלי די פשוט למה שקורה. ככל שהעלות של יצירת מסמך, מייל, מצגת, קוד או ניתוח יורדת, הארגון מייצר יותר מהם. מייל שפעם דרש עשר דקות נכתב בדקה, ולכן העובד שולח יותר מיילים. מצגת שפעם דרשה חצי יום מוכנה בתוך שעה, ולכן נוצרת דרישה לעוד גרסה ולעוד ניתוח. עלות הייצור נופלת, הכמות עולה.

זה מזכיר במידה מסוימת את מה שקרה עם המייל עצמו. בתחילת עידן האינטרנט, הדואר האלקטרוני נתפס ככלי שיחסוך לעובדים זמן עצום לעומת מכתבים, פקסים ושיחות. הוא אכן חסך זמן בכל הודעה בודדת, אבל הוריד כמעט לגמרי את העלות של שליחת הודעה נוספת. התוצאה היתה מבול. הבינה המלאכותית עושה עכשיו משהו דומה למסמכים, ניתוחים, קוד, מצגות ותוכן.

• ה-AI נכנס לעגלת הקניות: כמעט שליש מהצרכנים כבר נעזרים בו לפני רכישה
• 19% מהמעסיקים כבר מגייסים פחות בוגרים - וה-AI הוא ההסבר

והפעם נוצר גם עומס חדש: מישהו צריך לבדוק את כל מה שהמכונה יצרה.

מחקר בקרב עובדי משרד מצא שכ-41% כבר קיבלו מעמיתים תוצר שנכתב בעזרת בינה מלאכותית ונראה מסודר ומקצועי, אבל דרש עבודה משמעותית כדי להפוך אותו לשימושי. בכל אירוע כזה הושקעו כמעט שעתיים בתיקונים, הבהרות ובדיקה. התוצר נוצר במהירות אצל עובד אחד, והעלות עברה לעובד הבא בשרשרת.

זה אחד השינויים השקטים ביותר שמתרחשים עכשיו במשרד. בעבר העובד יצר מסמך בעצמו והכיר כל חלק בו. כיום הוא מקבל טיוטה כמעט מלאה בתוך שניות ועובר לתפקיד של עורך, בודק ומאמת. הוא צריך לזהות עובדה שגויה בתוך טקסט שנשמע משכנע, לבדוק מספר שהופיע באמצע ניתוח, לוודא שקוד עובד גם במקרים חריגים ולהבין האם המסקנה באמת נובעת מהנתונים.

העבודה נהיית מהירה יותר בשלב הייצור, אבל שלב הבקרה גדל. ככל שהמודלים מייצרים יותר חומר, כך גם מספר הפריטים שמישהו צריך לקרוא גדל.

גם אצל מפתחים כבר רואים את אותו שילוב בין תפוקה גבוהה יותר לבין שחיקה. המתכנת יכול לקבל מאות שורות קוד בתוך דקות, אבל עליו להבין מה נכתב, לבדוק התאמה למערכת הקיימת, למצוא תקלות ולהישאר מעודכן בקצב מהיר מאוד של כלים ומודלים חדשים.

• 5 השאלות הכי חשובות לפני שבוחרים מסלול לימודים
• כמה מרוויח שמאי רכב? 450 עד 1,500 שקל לדוח, ורוב הסכום הולך להוצאות

מחקר מעניין במיוחד בקרב מפתחי קוד מנוסים מצא שהשימוש בכלי בינה מלאכותית האריך את זמן השלמת המשימות בכ-19%. העובדים עצמם הרגישו שהם עובדים מהר יותר. חלק מהפער נבע מזמן שהושקע בכתיבת בקשות, קריאת הצעות, בחירת פתרונות ובדיקת הקוד שנוצר. לעובד מתחיל הכלי יכול לתת קפיצה גדולה. למומחה שמכיר לעומק מערכת קיימת, ההצעה האוטומטית יכולה לפעמים להפוך למסלול ארוך יותר.

אז איפה הבינה המלאכותית כן מגדילה פרודוקטיביות?

כאן חשוב להיזהר מהכיוון ההפוך. יש מספיק נתונים שמראים שבינה מלאכותית יכולה לשפר פרודוקטיביות בצורה משמעותית, ובחלק מהמשימות השיפור גדול מאוד.

אחד המחקרים הידועים בתחום עקב אחרי יותר מ-5,000 נציגי שירות לקוחות. עובדים שקיבלו עזרה ממערכת בינה מלאכותית פתרו בערך 14%-15% יותר פניות בשעה. אצל עובדים חדשים ובעלי ניסיון נמוך השיפור הגיע לכשליש. הכלי העביר אליהם במהירות ידע ודפוסי עבודה של העובדים החזקים בארגון, ולכן חסך חודשים של למידה.

בניסוי אחר, 453 בעלי מקצוע התבקשו לבצע משימות כתיבה כמו מסמכים עסקיים, הודעות ומסמכי ניתוח. שימוש בצ'אטGPT הוריד את זמן העבודה בכ-40% ובמקביל העלה את איכות התוצאה בכ-18%. גם בניסויים עם מפתחים בחברות גדולות נמצאו שיפורים של כ-20%-30% בכמות המשימות שהושלמו.

הפער בין המחקרים האלה לבין נתוני העומס נובע בעיקר מסוג המשימה ומהדרך שבה הארגון משתמש בזמן שהתפנה. כאשר המשימה מוגדרת היטב, חוזרת על עצמה ויש דרך ברורה למדוד איכות, הבינה המלאכותית עובדת מצוין. ניסוח תשובת שירות, סיכום מסמך, בניית שלד ראשוני, כתיבת פונקציה מוגדרת או חיפוש מידע בסיסי הם מקרים שבהם החיסכון ברור.

ככל שהמשימה עמומה יותר ודורשת היכרות עם ארגון, אנשים, היסטוריה, מערכת גדולה או שיקול דעת, עלות הבדיקה עולה. בשלב הזה היתרון של יצירה מהירה מתחיל להישחק.

גם מספר הכלים עצמו הופך לבעיה. ארגון ממוצע במדגם הגדול השתמש בשבע פלטפורמות בינה מלאכותית ב-2025, לעומת שתיים בלבד ב-2023. 83% מהארגונים השתמשו בשישה כלים ומעלה. עובד יכול לעבור מצ'אטGPT לקופיילוט, משם לכלי סיכום פגישות, אחר כך למערכת קוד ולסוכן ארגוני. כל מעבר כזה דורש ללמוד ממשק, להבין יכולות, לדעת איזה מידע מותר להכניס ולגלות מחדש את מגבלות המערכת.

רק כ-3% מהעובדים במדגם נמצאו בטווח שבו השימוש בבינה מלאכותית היה עמוק מספיק כדי להביא את רמת הפרודוקטיביות הגבוהה ביותר. כלומר, הרבה חברות קנו כלים והפיצו אותם לעובדים, אבל עדיין נמצאות בשלב שבו כל עובד ממציא לעצמו שיטת עבודה.

התרחיש שבו פחות עובדים מבצעים יותר משימות בעזרת בינה מלאכותית כבר משנה את מבנה החברות ואת הציפיות מהעובד. אם בעבר מחלקה של עשרה אנשים ייצרה עשרה תוצרים ביום, מנהל שרואה את אותה מחלקה מייצרת עשרים בעזרת בינה מלאכותית מתחיל מהר מאוד לבנות תקציב וציפיות סביב עשרים. משם הדרך ליעד של שלושים קצרה.

ופה נמצא ההבדל בין אוטומציה אמיתית לבין האצה. אוטומציה מוציאה משימה מתהליך העבודה. האצה גורמת לאותו עובד לעשות יותר מאותה משימה. בחברות רבות הבינה המלאכותית משמשת כרגע בעיקר להאצה.

כדי לקבל את החיסכון המלא, הארגון צריך למחוק שלבים שלמים. אם מערכת מסכמת פגישה, אולי צריך פחות פגישות. אם היא מייצרת דוח בתוך דקות, אולי צריך דוח אחד במקום ארבע גרסאות. אם היא עונה על שאלות פנימיות, אולי חלק משרשרת האישורים יכולה להיעלם. הכנסת כלי חדש תוך שמירה על כל הישיבות, הדוחות, האישורים והיעדים הישנים פשוט מוסיפה שכבה.

גם דרך המדידה צריכה להשתנות. מספר מיילים, שורות קוד, מסמכים או מצגות יכול לזנק במהירות עצומה בעזרת בינה מלאכותית, אבל כמות תוצרים גבוהה יותר יכולה ליצור עבודה חדשה לכל מי שנמצא בהמשך השרשרת. מדידה של זמן טיפול בלקוח, הכנסה לעובד, שיעור טעויות, זמן השקת מוצר או מספר בעיות שנפתרו נותנת מושג טוב יותר על התרומה העסקית האמיתית.

העובד המהיר ביותר בעידן הבינה המלאכותית עשוי להיות דווקא זה שיודע איזה מסמך אפשר לוותר עליו, איזו פגישה אפשר לקצר ואיזה תוצר של המערכת שווה למחוק ולהתחיל מחדש. במשרד שבו יצירת תוכן, קוד וניתוחים נעשית כמעט בחינם, המשאב היקר עובר בהדרגה מהיכולת לייצר עוד חומר ליכולת לבחור מה באמת ראוי לזמן של בני אדם.