שני שליש מהמורים כבר משתמשים ב-AI — אבל אף אחד לא יודע אם זה עובד

המספר שמשנה את המשחק

קרוב לשני שליש מהמורים בארה"ב מדווחים שהם כבר משתמשים ב-AI בעבודה השוטפת. הנתון הזה, מתוך סקר עדכני, נשמע אולי כמו חדשות טובות — אבל יש איתו בעיה קשה: אף אחד לא באמת יודע אם הכלי הזה משפר את הלמידה. לא רק שאין תשובות ברורות, שיטות המחקר שאנחנו מכירים פשוט לא מתאימות למהירות שבה הטכנולוגיה הזו נכנסת לכיתות.

למה זה משנה לנו? כי אם אתם עובדים בחברות EdTech, מפתחים מוצרים בתחום החינוך, או סתם חושבים על ההשפעה של AI על הדור הבא של העובדים שלכם — הסיפור הזה נוגע ישירות בכם.

בעיית המחקר: למה RCT לא עובד פה

במחקר החינוכי, Randomized Controlled Trials נחשבים לתקן הזהב. עשרות שנים הם עזרו לבנות ידע על צמצום כיתות, הוראת קריאה, חניכה אינטנסיבית ועוד. אבל AI זה סוג אחר לגמרי של התערבות.

הבעיה פשוטה: מודל AI לא יציב. מפתחים מעדכנים את המודלים, משפרים prompts, משנים את התנהגות הכלי — לפעמים משבוע לשבוע. מה שאתם מעריכים היום יכול להיראות לגמרי שונה מחודש לחודש. RCT מניח התערבות עקבית ויציבה — הנחה שלא תקפה כאן.

התוצאה? רק אחד מחמישה מוצרי EdTech בכיתות בארה"ב מחזיק בראיות כלשהן שהוא משפר תוצאות הוראה או למידה. זה מספר מטריד, במיוחד כשמדובר בטכנולוגיה שכבר חדרה לכל פינה.

אז מה כן עובד?

במקום לחכות שנים ל-RCT על גרסה שכבר לא קיימת, חוקרים מציעים לעבור ל-Implementation R&D — מחקר פיתוח יישומי. הגישה הזו, שמשמשת כבר מוצרים בשלבים מוקדמים, מתמקדת בליטוש הכלי בסביבה אמיתית לפני בדיקה בקנה מידה גדול.

במקום לשאול "האם הכלי משפר הישגי תלמידים?" — שואלים קודם "האם הכלי משנה את ההתנהגות שהוא אמור לשנות?" למשל: האם כלי AI ל-Coaching של מורים באמת משנה את האופן שבו הם מתכננים שיעור? אם לא, צריך לפתור את זה לפני שבודקים השפעה על תלמידים.

ב-IES (Institute of Education Sciences) כבר מממנים מרכזי R&D לבינה מלאכותית שמדגישים פיתוח איטרטיבי ופיילוטים לפני ניסויים פורמליים. שותפויות כמו Leanlab Education עם Boston University בונות תהליך של בדיקות שטח, משוב וליטוש — מחזורים קצרים שמתאימים לקצב שבו AI מתפתח.

במקרים מסוימים, דווקא ה-AI עצמו מאפשר מחקר מהיר יותר. כלי AI אוספים נתוני שימוש בזמן אמת — מה שמאפשר לחוקרים לנתח תגובות למשוב כשהן קורות, במקום לחכות חודשים לאיסוף נתונים ידני. A/B testing איטרטיבי, למשל, בודק בחירות עיצוב ספציפיות במקום להעריך תוכניות שלמות.

מהאוניברסיטאות לאקדמיה הישראלית

ד"ר דנה לנדאו-רביב, מרצה בכירה בבית הספר לניהול וכלכלה במכללה האקדמית תל אביב-יפו, מציגה זווית ישראלית מעניינת על הדילמה האוניברסיטאית. לדבריה, השאלה כבר לא "האם מותר להשתמש בבינה מלאכותית" — הסטודנטים משתמשים בה וימשיכו להשתמש בה. השאלה האמיתית היא מה המציאות הזו דורשת מההשכלה הגבוהה.

לנדאו-רביב מצביעה על בעיה יסודית: המטלות האקדמיות המסורתיות — חיפוש מאמרים, קריאה, השוואת מקורות, גיבוש עמדה — יכולות להתבצע כיום תוך דקות בעזרת AI. זה לא אומר שהלמידה הפכה מיותרת, אבל זה כן אומר שהמטלה כבר לא משקפת את היכולות שחשבנו שהיא משקפת.

"האיום על ההשכלה הגבוהה אינו הבינה המלאכותית, אלא ההחלטה להמשיך ללמד ולהעריך כאילו היא לא שינתה את כללי המשחק", היא כותבת. במילים אחרות: אם אתם ממשיכים לבחון סטודנטים כמו לפני חמש שנים — אתם מפספסים את מהות השינוי.

הפתרון שהיא מציעה הוא הערכה מחדש של מה בעצם בודקים: יותר דגש על תהליך החשיבה, דיונים בכיתה, רפלקציה על תהליך העבודה, ויכולת להסביר ולהצדיק החלטות. בעולם שבו AI מסוגלת לייצר תשובות מהירות, היכולת לשאול את השאלות הנכונות ולהפעיל שיקול דעת הופכת לגורם המבדיל.

מהאוניברסיטאות בעולם

הדילמה הזו לא ייחודית לישראל. באוהיו, אוניברסיטת Ohio State התחייבה לשלב AI בכל תוכניות הלימוד, כך שמחזור 2029 יהיה מיומן ב-AI עם סיום התואר. בבריטניה, Queen Mary University of London יזמה תוכנית לשילוב AI literacy בתוכנית הרפואה והרפואת שיניים — החל מהבנה בסיסית של מה זה AI ועד יישומים קליניים.

אבל יש גם כיוון הפוך: מחקר של Queen Mary מצא ש-20% מהסטודנטים לא משתמשים ב-AI בכלל, מחשש לאתיקה, דיסאינפורמציה והאשמות ברמאות. מנגד, 43% מהסטודנטים משתמשים ב-AI לפחות שבועית לצרכים אקדמיים, ועוד 25% משתמשים בו יומית. הפערים האלה מחייבים התייחסות מותאמת.

באוסטרליה, רשות הפיקוח על השכלה גבוהה פרסמה הנחיות שכוללות תמיכה והכשרה של סגל ב-AI. בסינגפור הוקמה ועדה ייעודית לגיבוש גישה מערכתית. המגמה ברורה: הרגולציה מתחילה להגיב, גם אם באיחור.

מה באמת עובד — מתוך שטח

דו"ח חדש של ה-Tools Competition, שבחן שש שנים של הגשות, מראה שהכלים החזקים ביותר חולקים שלוש תכונות: הם משלבים AI בחוויות למידה אותנטיות, הם מעריכים את האפקטיביות שלהם, והם מתוכננים בכוונה תחילה לשפר תוצאות ללומדים ולמורים שהוזנחו.

הכלים של 2026 כבר לא מסתפקים בטקסט: כ-50% מהזוכים שילבו ממשק קולי, אווטרים מונפשים או זיהוי דיבור. KIVA, למשל, משתמש באווטר AI מונפש שעוזר לילדים צעירים ללמוד אנגלית וספרדית באמצעות שיחה. PAL for Early Math Learning משתמש במערכות agentic לתמיכה במבוגרים שמנחים ילדים במתמטיקה.

כמה כלים מתוכננים לסביבות עם קישוריות מוגבלת — הרצת AI על חומרה בסיסית או סמארטפונים פשוטים. SmartCoach Assess, אפליקציה לא מקוונת להערכת קריאה, ניסו אותה בגאנה ואוגנדה עם תוצאות חזקות מ-RCT.

הקו המפריד

פרופסור ב-Stanford מציע גישה מעניינת: ללמד סטודנטים לבנות "evals" — מבחנים משלהם למערכות AI. בתרגיל אחד, סטודנטים ללא רקע בקוד בנו תוך שלוש שעות evals ב-Claude שבוחנים הכל מבחירות לוגיות ועד איך מודלים מטפלים בסוגיות אישיות.

"שום סטודנט לא צריך לעזוב אוניברסיטה בלי שבנה לפחות eval אחד של מערכות AI שמעצבות את חייו", הוא כותב. זה אולי נשמע שאפתני, אבל הנקודה ברורה: אם לא נלמד את הדור הבא למדוד ולשפוט את הכלים האלה — הם יישארו צרכנים פסיביים של מה שחברות ה-AI מחליטות לספק להם.

אז מה בעצם קרה כאן?

המצב פרדוקסלי: הטכנולוגיה כבר כאן, השימוש נפוץ, אבל הידע על ההשפעה לאן. המחקר לא מצליח לעקוב, האוניברסיטאות נקרעות בין אימוץ לזהירות, והסטודנטים — חלקם פוחדים להשתמש, חלקם לא יכולים להפסיק.

המסקנה היחידה שברורה מכל המקורות: אין חזרה לעולם שלפני, ומי שינסה לאסור את השימוש ימצא את עצמו מנותק מהמציאות. השאלה היחידה היא איך מטמיעים AI באופן מושכל — בכיתות, באקדמיה, ובתהליכי ההערכה. מי שיתחיל לענות על זה עכשיו יהיה ביתרון משמעותי. מי שיחכה ל-RCT המושלם — יחכה הרבה זמן.