מחקר Wharton: מודדים את ה-AI שלכם לא נכון

כולם מדברים על כמה מהר ה-AI כותב מיילים, מכין מצגות ומפיק תוכן. אבל מתברר שמי שמשתמש בבינה מלאכותית רק כדי לייצר — מפספס את החלק ששווה באמת: ביקורת.

מה קורה כשמפנים את ה-AI לעבודה שכבר סיימתם?

ג'ף אייט, שמוביל את תוכנית ה-AI בבית הספר לעסקים Haas ב-UC Berkeley, מסיים כל הרצאה עם הרגל קצת מזוכיסטי: הוא מקליט את עצמו, מזין את ההקלטה והשקפים למודל שפה גדול, ושואל שאלה אחת — איזו ביקורת סטודנט ל-MBA היה מעביר?

"זה לא נוח, אבל זה הדבר שמניב לי את התשואה הגבוהה ביותר", הוא אומר. הוא מעריך שפחות מעשרה אחוזים מהקולגות שלו עושים את אותו הדבר.

והוא לא לבד בתחושה הזו. הסקר של ה-Census Bureau מראה שרק כ-18% מהחברות האמריקאיות משתמשות ב-AI בכל תפקיד עסקי, נכון לתחילת 2026. אבל אייט טוען שהבעיה היא לא מי אימץ ומי לא — הבעיה היא מה עושים עם זה אחרי שמאמצים.

כולם מכוונים את ה-AI לכיוון הלא נכון

כמעט כל פיץ' של כלי AI עוסק בלייצר משהו. לכתוב מייל, לנסח מצגת, ליצור קמפיין. ההצעה של אייט הולכת הפוך: הערך המשמעותי ביותר מגיע כשמפנים את המודל לעבודה שכבר סיימתם — ואומרים לו לקרוע אותה.

"כולם מכוונים לייצר תוכן חדש מאפס. כמעט אף אחד לא מכוון לביקורת", הוא מסביר. אף אחד לא מוכר את זה, וזו בדיוק הסיבה שזה נותר מתחת לרדאר. אין רישיון, אין דשבורד, אין תהליך רכש. פשוט מגישים למודל את סקריפט הרווחים, את מצגת הדירקטוריון, את הפיץ' למשקיעים — ואומרים לו לשחק את היריב הכי חד בחדר.

איך זה נראה בפועל?

לפרקטיקה הזו קוראים red-teaming עצמי. לוקחים את המספרים שעומדים להציג, מעבירים אותם למודל, ונותנים הוראה אחת: תטען בעד הצד השני — לפני שאנשים בחדר עושים את זה במקומך.

אייט רואה את זה במיוחד בעולם הפיננסים. פעם, ה-CFO שלט בנרטיב בישיבת דירקטוריון. עכשיו חצי מהאנשים בחדר כבר הריצו את המספרים דרך מודלים משל עצמם. "התפקיד שלך פעם היה לספר את הסיפור", אומר אייט. "עכשיו התפקיד שלך הוא לפרק את הסיפור שלהם — ואף אחד לא נותן לך זמן נוסף בסדר היום בשביל זה".

דוגמה מוחשית מגיעה מ-Marie Myers, CFO ב-Hewlett Packard Enterprise, שבנתה מחדש את סקירת הביצועים השבועית של הצוות שלה סביב מערכת AI שהצוות כינה "Alfred". היא קיצרה את מחזור הדיווח בכ-40%, אבל הדגש שלה הוא על התהליך, לא על הטכנולוגיה: "למרות שיש את כל היכולות האלה של AI, חייבים אדם בלופ". היא השקיעה למעלה משנה בהכשרה מחדש של צוות הפיננסים כדי לעבוד עם הכלי — לא לסמוך עליו בעיניים עצומות.

המדידה שאתם עושים מפספסת את העיקר

מחקר חדש מ-Wharton תומך בדיוק בגישה הזו, אבל מזווית אחרת: רוב הארגונים מודדים את הביצועים של ה-AI עצמו — כמה זמן חסך, כמה משימות סיים — ומתעלמים מהערך שנוצר דרך שיתוף הפעולה בין בני אדם ל-AI.

החוקרים מצאו שאנשים ו-AI שעובדים יחד משיגים תוצאות חזקות יותר מאשר כל אחד מהם לבד. אבל אם מודדים רק את ה-AI או רק את העובד בנפרד, מפספסים את הערך האמיתי.

חשבו על זה ככה: שני מנהלים מקבלים אותה סקירת ביצועים. שניהם סיימו את הפרויקטים בזמן ובתקציב. אחד פשוט השתמש ב-AI כדי לעבוד מהר יותר. השני השתמש ב-AI כדי לאתגר הנחות, לבחון חלופות, ולזהות פתרון שהצוות כנראה לא היה מגיע אליו לבד.

מדדים מסורתיים מתייחסים אליהם בדיוק אותו דבר. אבל אלו יכולות שונות לגמרי.

למה זה רלוונטי למי שעובד כאן?

אייט טוען שרוב החברות שקנו כלי AI בעצם קנו יכולת — לא בנו יכולת. "להקדים זה לא אותו דבר כמו להתקדם נכון, וסקרי אימוץ לא יכולים להבדיל בין השניים".

במילים אחרות, השאלה היא לא אם הארגון שלכם אימץ AI — אלא מה אתם עושים איתו אחרי שהוא שם. אם אתם משתמשים בו רק כדי לכתוב מהר יותר ולייצר יותר תוכן, אתם כנראה מכוונים למחצית של העבודה שחשובה פחות.

והלקח ש-Myers מ-HP מדגישה הוא קריטי במיוחד לחברות ישראליות שממהרות לאמץ כלים חדשים: צריך להשקיע בהכשרה מחדש של הצוות, לא רק ברכישת רישיון. שנה ויותר של למידה על עבודה נכונה עם הכלי — לא לסמוך עליו אוטומטית.

מה כדאי לזכור?

ה-AI לא מחליף שיפוט אנושי — הוא מעצים אותו, אבל רק אם מכוונים אותו נכון. במקום לשאול "כמה מהר ה-AI מייצר", כדאי לשאול "איך העבודה של בני אדם ביחד עם ה-AI משתפרת".

או בקיצור: במקום לכתוב עם ה-AI את המצגת הבאה שלכם — תנו לו לקרוע את זו שכבר סיימתם. יכול להיות שהיא תצא מזה הרבה יותר חזקה.