מאת: צוות BMF360 | עודכן: 31 בדצמבר 2025
הפער בין שימוש לתוצאות
סקר גלובלי של McKinsey (נובמבר 2025) בדק אלפי ארגונים ברחבי העולם ומצא פער מדהים:
88% מדווחים על שימוש קבוע ב-AI לפחות בפונקציה אחת.
אבל רק כשליש הצליחו להרחיב את זה לרמת הארגון ולראות תוצאות עסקיות משמעותיות.
פער של פי 2.5 בין "משתמשים" לבין "רואים תוצאות".
והנה התובנה המעניינת באמת – הדבר שהכי מבדיל את המצטיינים לא היה המודל שבחרו, לא הכלי הספציפי, ולא התקציב שהשקיעו.
מה שהבדיל אותם היה שהם שינו את הדרך שבה העבודה נעשית.
במילים אחרות: מי שפשוט הוסיף כלי על תהליך קיים – נתקע.
מי ששינה את התהליך עצמו – התקדם.
זה הגיוני כשחושבים על זה. אם יש לך תהליך לא יעיל ואתה מוסיף עליו AI,
אתה מקבל תהליך לא יעיל שרץ מהר יותר. הבעיה לא נפתרה היא פשוט רצה מהר יותר.
התופעה שאף אחד לא מדבר עליה: Workslop
מחקר מאוניברסיטת סטנפורד בשיתוף BetterUp (ספטמבר 2025)
זיהה תופעה חדשה בשם – "Workslop" – מילה שמשלבת Work ו-Slop (בלגן).
הכוונה לתוכן שנוצר מהר יותר בעזרת AI, אבל מייצר יותר עבודה לאחרים.
הנתונים מפתיעים:
- 40% מהעובדים קיבלו "workslop" בחודש האחרון
- עלות ממוצעת: $186 לעובד בחודש
- זמן ממוצע לתיקון כל אירוע: שעתיים
תחשבו על זה רגע. מישהו בארגון משתמש ב-AI כדי לכתוב מייל מהר יותר.
המייל יוצא מהר, אבל הוא לא ברור, חסרים בו פרטים או שהוא פשוט לא מתאים להקשר.
עכשיו מי שקיבל את המייל צריך לבקש הבהרות, לתקן טעויות, או לעשות את העבודה מחדש.
החיסכון של אחד הפך לעומס של אחר.
זה בדיוק מה שקורה כשהמדד הופך ל"שלח מהר" במקום "שלח נכון".
כשאנחנו מודדים כמה מהר יצרנו תוכן ולא כמה טוב התוכן עצמו.
האשליה של "אני עובד מהר יותר"
והנה הנתון שהכי הפתיע אותי.
מחקר ניסויי מבוקר (RCT) שנערך על ידי METR בשיתוף עם חוקרים
מאוניברסיטאות מובילות בדק מפתחי תוכנה מנוסים.
הם חילקו את המפתחים לשתי קבוצות – קבוצה אחת עבדה עם כלי AI, והשנייה בלי.
התוצאה – למפתחים שהשתמשו ב-AI לקחו 19% יותר זמן לסיים את המשימות.
רגע, מה?
כן. 19% יותר זמן. למרות שהמפתחים עצמם דיווחו שהם מרגישים שהם עובדים מהר יותר.
למה זה קורה?
כי יש עלות נסתרת. עלות של בדיקה – לוודא שמה ש-AI כתב באמת עובד.
עלות של אינטגרציה – להתאים את הקוד למערכת הקיימת.
עלות של תיקון – לטפל בבאגים שנוצרו.
התחושה של "אני עובד מהר יותר" יכולה להיות אשליה.
ומה עם העתיד? הרי כולם מדברים על Agentic AI
נכון, יש הרבה התרגשות סביב "הדבר הבא" – סוכני AI שיעשו משימות שלמות בעצמם.
אבל גם פה הנתונים מפתיעים.
Gartner פרסמו תחזית (יוני 2025) שצפויה להפתיע הרבה אנשים:
יותר מ-40% מפרויקטי Agentic AI צפויים להתבטל עד 2027 בגלל עלויות וערך עסקי לא ברור.
כמעט מחצית מהמרדף אחרי "הדבר הבא" – יתברר כבזבוז.
זה לא אומר ש-AI לא עובד.
זה אומר שהגישה של "בואו נשתמש ב-AI" בלי לשאול "למה?" ו"לאיזו בעיה?" – לא עובדת.
אז מה כן עושים?
תהליך מעשי
הבעיה היא לא AI. הבעיה היא שאנחנו מודדים את הדבר הלא נכון.ֿ
כש"להשתמש ב-AI" הופך להיות המדד, אנחנו מפסיקים לשאול את השאלה החשובה:
מה אנחנו בעצם מנסים לפתור?
הנה תהליך שעובד,
שלב 1: פרקו את העבודה לשלבים
לפני שמחפשים כלי, תבינו מה בדיוק אתם עושים.
קחו משימה שחוזרת על עצמה ופרקו אותה לשלבים:
- מה השלב הראשון? מה השני? מה השלישי?
- איפה הולך הכי הרבה זמן?
- איפה יש הכי הרבה טעויות?
- איפה יש תסכול?
הפירוק הזה חשוב.
כי ה-AI לא מחליף תהליך שלם, הוא יכול לשפר שלבים ספציפיים בתוכו.
שלב 2: זהו איפה AI באמת יכול לתרום – לא בכל שלב.( וזה בסדר).
AI מצטיין ב:
- עיבוד טקסט – סיכום, כתיבה ראשונית, תרגום, עריכה
- ארגון מידע – מיון, קטלוג, חיפוש, סינון
- משימות חוזרות עם תבנית ברורה – דוחות, תשובות סטנדרטיות, המרות פורמט
AI פחות טוב ב:
- החלטות שדורשות הקשר עסקי – מה הלקוח הזה באמת צריך? מה חשוב לארגון שלנו?
- יצירתיות אמיתית – לא "עוד גרסה של משהו קיים", אלא משהו חדש באמת
- דברים שדורשים להכיר את הלקוח שלכם – את ההיסטוריה, את היחסים, את הניואנסים
תזהו את השלבים שבהם AI באמת יכול לתרום
ואת השלבים שבהם עדיף שאדם יעשה את העבודה.
שלב 3: מדדו את ה-ROI האמיתי
זמן, כסף ותוצאה. לא תחושת בטן.
שאלו את עצמכם:
- כמה זמן לקחה המשימה לפני שהתחלתי להשתמש בכלי?
- כמה זמן היא לוקחת עכשיו – כולל בדיקה ותיקונים?
- כמה זמן לקח ללמוד את הכלי? להגדיר אותו? לתחזק אותו?
- האם זו משימה שחוזרת על עצמה או משהו חד פעמי?
אם המשימה חד פעמית והזמן ללמוד את הכלי גדול מהזמן לעשות לבד – עשו לבד.
זה לא כישלון, זו חוכמה.
שלב 4: התחילו קטן
אל תנסו להעביר תהליך שלם לאוטומציה ביום אחד. זו מתכונת לכישלון.
תתחילו משלב אחד. השלב הכי פשוט, הכי ברור, הכי קל למדוד.
תראו שזה עובד. תמדדו את התוצאות. ורק אז תרחיבו.
זה לא סקסי כמו "בניתי סוכן שעושה הכל", אבל זה מה שבאמת מזיז את השורה התחתונה.
ומה עם הלמידה? הרי צריך להתנסות
עד עכשיו דיברנו על מדידה, תהליכים ושורה תחתונה. אבל יש גם צד שני,
וחשוב לא להתעלם ממנו – היכולות של כלי AI מתגלות רק דרך התנסות.
אי אפשר לקרוא על זה ולהבין – צריך לשחק, לנסות, להיכשל, לגלות.
וההתנסות הזאת יוצרת ערך, גם אם לא היום.
מי שמתנסה היום, יידע להשתמש נכון מחר. מי שמחכה בצד, יישאר מאחור.
אז מה עושים עם הסתירה הזאת? מגדרים את ההתנסות.
במקום להכניס AI לכל משימה, מקצים שעה קבועה בשבוע ללמידה: זמן שבו מותר לבנות סוכן למשימה חד פעמית, לשחק עם כלי חדש, ולנסות דברים שאולי לא יעבדו.
בשעה הזאת המטרה היא למידה, לא פרודוקטיביות. וזה בסדר.
אבל מחוץ לשעה הזאת? שואלים את השאלה:
"מה הבעיה שאני מנסה לפתור, ומה הדרך הכי מהירה לפתור אותה?"
ככה מקבלים את שני העולמות: גם למידה לטווח ארוך, גם פרודוקטיביות היום.
בסוף, כלי הוא אמצעי ולא מטרה.
ולכן, השאלה החשובה היא לא “באיזה AI אתה משתמש?”,
אלא “איזה צוואר בקבוק נפתח?”.
איפה נחסך חיכוך אמיתי, איפה ירד עומס, ואיפה התקבלה תוצאה טובה יותר – לא רק מהירה יותר.
עסקים לא גדלים לפי מספר הכלים שיש להם,
וגם לא לפי כמות האוטומציות או הסוכנים שהם בנו.
הם גדלים לפי מספר הבעיות שהם מצליחים לפתור בפועל בצורה עקבית ומדידה.
