חשיבה ביקורתית בעידן AI: מה ארגונים בישראל צריכים ללמוד מהמהלך של PwC
כש-AI מבצע את עבודת הבסיס, הארגון חייב לבנות דרך חדשה לפתח שיקול דעת מקצועי. זו המשמעות הניהולית החשובה של תוכנית ההסמכה שעליה הכריזה PwC ליותר מ-85 אלף עובדים. לא עוד הדרכה על ניסוח בקשות למודל, אלא ניסיון לטפל בשאלה עמוקה יותר: איך מפתחים מומחיות כשחלק מההתנסות שבנתה אותה עובר לאוטומציה?
לארגונים בישראל זו אינה שאלה של משאבי אנוש בלבד. היא משפיעה על איכות השירות, על ניהול הסיכונים ועל היכולת לחסוך עבודה בלי לשחוק את הידע שמחזיק את העסק.
- עובדים צפויים להשתתף בתוכנית
- 85 אלף+
- משך ההסמכה המתוכנן
- כחצי שנה
- יעד השלמת ההסמכה למשתתפים
- יוני 2027
לפי פרטי התוכנית, המשתתפים יגיעו ממשרדי PwC בארצות הברית ובמקסיקו וממרכזי ההאצה שלה. ההשקה מתוכננת לדצמבר, וההכשרה תשלב הערכה ראשונית, לימוד, סימולציות ומאמן AI אישי. ההיקף חשוב, אבל הבחירה במה ללמד חשובה יותר.
האוטומציה חוסכת עבודה, ולעיתים גם מוחקת התנסות
עובד צעיר שלמד להכין ניתוח פיננסי לא למד רק להפעיל גיליון. הוא נתקל במספר שלא הסתדר, חיפש מסמך חסר, גילה שהגדרה חשבונאית שינתה את התמונה וקיבל תיקון ממנהל. החזרתיות הייתה לפעמים מתישה, אבל היא גם בנתה הבנה.
כיום מודל יכול להכין טיוטת ניתוח במהירות. זו התקדמות אמיתית, ואין היגיון לשמר עבודה ידנית רק מפני שכך למדנו בעבר. הבעיה מתחילה כשמבטלים את המשימה בלי לזהות איזו למידה התרחשה בתוכה.
בריאיון ל-Business Insider הסבירה יולנדה סילס-קופילד, מנהלת האנשים וההכלה של PwC בארצות הברית, שחלק מהחזרתיות שפיתחה חשיבה ביקורתית ושיקול דעת לא יהיה שם עוד. התוכנית נועדה לתת לכך מענה מובנה.
לא צריך לשמר את העבודה המיותרת. צריך לשמר, ולשפר, את מנגנון הלמידה שהסתתר בתוכה.
בחברת שירותים ישראלית, למשל, סוכן שמסכם פניות לקוחות עשוי לחסוך שעות. אבל אם העובדים מפסיקים לפגוש את חומר הגלם, הם עלולים לאבד את היכולת לזהות דפוס תלונות חדש. החיסכון המקומי עלול לבוא על חשבון יכולת האבחון הארגונית.
מה בדיוק צריך ללמד במקום עוד קורס על פרומפטים?
תקשורת יעילה עם מודלים היא מיומנות יסוד. צריך לדעת להגדיר משימה, לספק הקשר ולבקש תוצר שימושי. אבל זו רק שכבה אחת. עובד יכול לנסח בקשה מצוינת ועדיין לא לזהות שההמלצה שקיבל מסוכנת לעסק.
חשיבה ביקורתית בעבודה עם AI צריכה להתמקד בהתנהגויות שאפשר לראות ולתרגל:
- להבחין בין עובדה, הנחה והסקה, גם כשהן מנוסחות באותו ביטחון.
- לבדוק אם המקור עדכני ורלוונטי ללקוח, לשוק ולמסגרת הרגולטורית.
- לשאול איזה מידע חסר לפני שמתקבלת החלטה.
- להשוות חלופות ולהסביר את המחיר של כל אחת.
- לזהות מתי צריך לעצור את התהליך ולהעבירו לבעל סמכות.
ב-PwC מתכננים לפתח את הקורסים בשיתוף פרופסורים ועובדים ותיקים. זה שילוב נכון: ידע אקדמי מסייע לבנות מסגרת חשיבה והערכה, וניסיון מקצועי מחבר אותה למצבים שבהם אין תשובה נקייה בסוף התרגיל. AI הוא תחום רב-תחומי; היכרות עם כלי אינה תחליף להבנת המקצוע והתהליך העסקי.
מאמן AI יכול לאתגר עובדים, אבל גם לאשר להם טעויות
מאמן אישי יכול להפוך הכשרה חד-פעמית לתרגול מתמשך: לדמות לקוח ספקן, לבקר הצעה או לבקש מהעובד להצדיק המלצה. כאן יש יתרון ממשי לזמינות של AI בין מפגשי ההדרכה.
אבל קיימת מלכודת: אם אותו סוג מודל גם מייצר את הניתוח וגם מאשר שהוא טוב, אפשר לקבל מעגל של ביטחון ללא אימות. ניסוח משכנע של משוב אינו מעיד שהמשוב נכון.
לכן, עדיף לבנות תרגול סביב מקרים שאושרו בידי אנשי מקצוע, עם קריטריונים ברורים לתשובה טובה. מידע אמיתי של לקוחות מחייב גם סביבת עבודה מאושרת, צמצום מידע רגיש ובדיקת הרשאות ושמירת נתונים. מערכת מצוינת ללמידה אינה בהכרח מאושרת לכל מסמך עסקי.
אדם בלולאה אינו אדם שחותם על כל פלט
התגובה המקובלת לסיכון היא לדרוש בדיקה אנושית לכל פעולה. בתהליך רגיש זו עשויה להיות דרישה מוצדקת. כמודל הפעלה גורף, היא עלולה למחוק חלק גדול מהתועלת הכלכלית.
המטרה היא לאפשר לאיש מקצוע לפקח על היקף עבודה גדול יותר, בלי לוותר על שליטה בהחלטות המהותיות. לשם כך צריך להגדיר מה הסוכן רשאי לבצע, אילו חריגים מגיעים לאדם ואיך מגלים טעויות שלא זוהו בזמן אמת.
| רכיב | פיקוח שמייצר עומס | פיקוח שניתן להרחיב |
|---|---|---|
| בדיקה אנושית | כל פלט באותה רמה | לפי סיכון וחריגים |
| גבולות פעולה | הוראות כלליות | הרשאות וסמכויות מוגדרות |
| בקרת איכות | אישור נקודתי | דגימה וניתוח כשלים |
| למידה | תיקון המקרה | תיקון התהליך וההכשרה |
הטבלה אינה המלצה לאוטומציה מלאה בתהליכים רגישים. היא מבחינה בין בקרה שתוכננה סביב סיכון לבין עומס בדיקות שלא בהכרח משפר איכות. למשל, החלטה כספית מהותית יכולה לחייב אישור אנושי, בעוד שסיווג מסמכים שגרתי ייבדק באמצעות דגימה ובקרות נוספות.
איך מתרגמים את המהלך לתוכנית עבודה בישראל?
לא צריך להעתיק תוכנית של פירמה גלובלית. צריך לבחור תהליך שבו AI כבר משנה את העבודה, ולחבר בין פיתוח העובדים לתכנון האוטומציה.
ממפים את הלמידה שנעלמת
מזהים אילו משימות עוברות לאוטומציה ואיזה ידע מקצועי העובדים רכשו דרכן.
בונים מקרי תרגול
אנשי מקצוע ומומחי למידה מנסחים מצבים עם מידע חסר, הנחות שגויות וחלופות סבירות.
מגדירים גבולות לסוכן
קובעים הרשאות, תנאי עצירה, מסלולי הסלמה ותיעוד החלטות.
בודקים שינוי בעבודה
מעריכים איכות החלטות, זמן טיפול ועומס בקרה מול מצב הבסיס.
החיבור בין השלבים קריטי. אם ההדרכה מנותקת מהתהליך, העובדים יתרגלו שאלות יפות שלא יפגשו בעבודה. אם הסוכן מפותח בלי אנשי המקצוע, הוא עלול להאיץ תהליך שההיגיון העסקי שלו לא הוגדר היטב.
צריך להתקדם בשני מסלולים במקביל: אוריינות AI לעובדים, ויכולת פנימית להקים ולנהל סוכנים. כלי אישי דורש לא פעם שינוי בהרגלי העבודה; סוכן שמשתלב במערכת קיימת עשוי לדרוש פחות שינוי מהמשתמש, אך יותר אחריות תשתיתית ממערכות המידע. הדרכה לבדה אינה תחליף לתשתית, ותשתית לבדה אינה מייצרת שיקול דעת.
מדד ההצלחה אינו מספר התעודות
ב-PwC מתכננים לשלב את הערכת המיומנות בתהליך הערכת הביצועים, ולא להסתפק במבחן של עבר או נכשל. הכיוון ראוי, בתנאי שההערכה מתבססת על התנהגות מקצועית ולא על התרשמות כללית.
ארגון ישראלי יכול לבדוק אם עובדים מזהים הנחות שגויות, אם ההמלצות שלהם נשענות על ראיות, ואם הם מסלימים מקרים מתאימים. לצד אלה צריך למדוד זמן טיפול כולל, תיקונים חוזרים ועלות בקרה. קיצור זמן כתיבת הטיוטה אינו הישג אם המנהל נדרש אחר כך לתקן אותה במשך שעות.
גם בבחירת ספק ההכשרה כדאי לבקש יותר מהדגמה מרשימה: השכלה רלוונטית, ניסיון בתהליכים עסקיים, שיטת הערכה והוכחה ליכולת יישום. היכרות עם המודל התורן אינה מספיקה כדי לעצב הכשרה מקצועית.
הלקח מהמהלך של PwC הוא שאי אפשר להפריד בין אוטומציה לפיתוח מומחיות. הנהלה שמחשבת רק את העבודה שנחסכה מחמיצה את הידע שצריך לבנות מחדש. הנהלה שמחברת הכשרה, סוכנים ובקרה יכולה לשפר תפוקה בלי להפוך את הארגון לתלוי בתשובות שאיש כבר אינו יודע לבחון.
