ה-AI שאתם צריכים: זה שמבקר אתכם

מי אמר שה-AI שלכם מייצר? הוא דווקא צריך לבקר

לפני שאתם מריצים עוד פרומפט שיכתוב לכם את המייל, את ה-deck או את הקמפיין — כדאי שתעצרו ותשאלו שאלה אחרת: מה אם הכלי הכי עוצמתי שלכם הוא זה שמבקר את מה שכבר כתבתם?

ג'ף אייט, מרצה בבית הספר למנהל עסקים Haas ב-UC Berkeley, מסיים כל הרצאה עם הרגל שנשמע מזוכיסטי. הוא מקליט את עצמו, מזין את ההקלטה והשקפים שלו לתוך מודל AI, ושואל שאלה אחת: איזו ביקורת סטודנט ל-MBA היה מציע?

"זה לא נוח, אבל זו הפעולה עם התשואה הכי גבוהה שאני עושה", הוא אומר. לדבריו, פחות מעשרה אחוזים מהקולגות שלו עושים את אותו הדבר.

כולם מכוונים ל-GenAI — אף אחד לא מכוון לביקורת

אייט טוען שרוב החברות שיאצו לאמץ AI קנו כלים במקום לבנות יכולות. "להגיע מוקדם זה לא אותו דבר כמו להגיע נכון", הוא אומר, "וסקרי אימוץ לא יודעים להבחין בין השניים."

הנתונים תומכים בזה: סקר של הלשכה האמריקנית לכלכלה מצא שעד תחילת 2026, רק כ-18% מהחברות בארה"ב השתמשו ב-AI באיזושהי פונקציה עסקית. היצרניות היו בפיגור עם 14%. אבל הסיפור האמיתי לא נמצא בנתון הזה — הוא נמצא בשאלה מה אותן חברות עושות עם הטכנולוגיה.

כמעט כל פיץ' של AI מתמקד ביצירת משהו: לכתוב, לנסח, לייצר. הניתוח של אייט הפוך לגמרי: הערך העשיר ביותר מתקבל כשאתם מכוונים את המודל לעבודה שכבר סיימתם, ודורשים ממנו לפרק אותה. "כולם מכוונים לייצר תוכן חדש. כמעט אף אחד לא מכוון לביקורת", הוא אומר.

רד-טימינג לעצמכם

הפרקטיקה הזו קיימת כבר זמן רב בעולם הסייבר — קוראים לה red-teaming. לוקחים מספר שאתם עומדים להציג, מזינים אותו למודל, ונותנים הוראה אחת: תתווכח מהצד השני. לפני שהאנשים בחדר עושים את זה במקומכם.

הדוגמה של Lyft מ-2024 ממחישה את הסיכון. בדיווח הרווחים שלהם נכתב שהשוליים ישתפרו ב-500 נקודות בסיס. הנתון הנכון היה 50. המניה קפצה ב-60% במסחר שלאחר הסגירה, לפני ש-CFO החברה תיקן את הטעות בשיחה — מה שמחק יותר מ-2 מיליארד דולר משווי השוק תוך דקות. בדיקה מוקדמת — שבה מניחים שהדוח כבר יצא ועובדים אחורה — עולה אחר צהריים אחד. הטעות הזו עלתה אמינות שצוות פיננסי בונה במשך שנים.

מחקר Wharton: מודדים את ה-AI לא נכון

ובינתיים, מחקר חדש מ-Wharton מציע שכולנו עושים טעות דומה גם באופן שבו אנחנו מודדים AI ארגוני. רוב החברות עוקבות אחרי פרודוקטיביות, יעילות וחיסכון בעלויות. המדדים האלה הגיוניים — אבל הם לא מצליחים ללכוד את מה שקורה כשאנשים ו-AI עובדים ביחד ומשפרים אחד את השני.

AI יכול לייצר תוכן בשניות, אבל אנשים מביאים ניסיון, הקשר ויכולת לזהות כשתשובה לא מתאימה למציאות. הערך נוצר לא מהתשובה של המודל, אלא מהאופן שבו עובדים משתמשים בה כדי לקבל החלטות טובות יותר.

חשבו על שני מנהלים שקיבלו את אותו דוח ביצועים. שניהם סיימו פרויקטים בזמן ובתקציב. אחד השתמש ב-AI כדי לעבוד מהר יותר. השני השתמש ב-AI כדי לאתגר הנחות, לבחון חלופות ולזהות פתרון שהצוות אולי לא היה מגלה לבד. במדדים מסורתיים — שניהם זהים. אבל אלה יכולות שונות לגמרי.

השאלה שכל מנהל צריך לשאול

ההנחה של עובדים רבים היא שדי בכך שהם משתמשים ב-AI כדי שהארגון ירוויח. אבל עובד שמעתיק המלצות של AI לתוך דוח בלי לערער עליהן — לא מייצר ערך משמעותי. להשתמש ב-AI יותר לא אומר להשתמש בו יותר טוב.

העובדים שיוצרים את הערך הרב ביותר הם אלה שמאתגרים את ההמלצות של המודל, משפרים אותן ומחילים שיפוט אנושי לפני שהם פועלים. במחקר נמצא שאנשים ו-AI שעובדים יחד משיגים תוצאות חזקות יותר מאשר כל אחד מהם לבד.

זה אמור להשפיע גם על איך שאתם מעריכים עובדים. אם הארגון לא מזהה ומגמל את היכולת הזו, אין לעובדים תמריץ לפתח אותה. הרי בעוד שנה וחצי, כפי שאייט צופה, חברות רבות ייאלצו לשכור מחדש אנשי פיקוח שחשבו שהן כבר לא צריכות.

מה זה אומר עלינו כאן

בארץ, שבה כל חברת הייטק שנייה מדברת על שכבת AI, השאלה הזו רלוונטית במיוחד. אתם לא צריכים לקנות עוד רישיון או לחבר עוד אינטגרציה. אתם צריכים לשאול: האם אנחנו מכוונים את ה-AI שלנו לייצר — או לאתגר?

והתשובה הקצרה: הכלי הכי זול בארגון שלכם הוא זה שעוד לא ביקשתם ממנו להגיד לכם איפה אתם טועים.