כלי AI מקצרים את הדרך לתוצר מלוטש, אבל בדרך מטשטשים את מה ששיחות הערכה אמורות למדוד: יכולת, שיקול דעת ותרומה אישית.
מה הסקרים מודדים בפועל?
המסמך מנוסח היטב, המצגת מסודרת, והסיכום הגיע הרבה לפני הדדליין. לכאורה, בדיוק בשביל זה החברה שילמה על כלי AI. אלא שבשיחת ההערכה הבאה תעלה שאלה פחות נוחה: מה מתוך העבודה הזאת מעיד על היכולת של העובד? הסיפור הזה עומד במרכז דיווח שפורסם ב־TechCrunch. לפי פרסום הממצאים של monday.com, סקר שערכה Nielsen בהזמנת החברה בקרב 1,701 מנהלים בדרג דירקטור ומנהלים בכירים בשבע מדינות מצא כי 53% מתקשים יותר להעריך את התרומה המקורית של עובד מאז אימוץ AI. התוצר עדיין נמצא מול העיניים; הדרך שבה נוצר נעשתה הרבה פחות ברורה.
הקושי אינו בהכרח התנגדות לטכנולוגיה. באותו סקר, 94% הביעו התלהבות מהאפשרות לשפר את העבודה בעזרת AI. ובכל זאת, 47% דיווחו שהם משקיעים יותר זמן בבדיקה ובהכוונה של תוצרי הצוות, ו־78% כבר שינו את גישתם להערכת עובדים. יש כאן מתח שקל לפספס כשסופרים כמה מהר נכתבה טיוטה: השיפור במהירות ההפקה אינו מספר לבדו מה קרה לעבודה כולה. לצד זאת, צריך לקרוא את הנתונים בגבולותיהם. מדובר בדיווחי מנהלים, ולא במדידה ישירה של פריון או של איכות עובדים. הסקר גם הוזמן בידי ספקית תוכנה לניהול עבודה, בעלת עניין מסחרי בתחום. הוא מצביע על קושי שמנהלים חווים; הוא אינו מוכיח שהשימוש ב־AI פגע בביצועי הארגונים שלהם.
מחקר אחר ממחיש עד כמה שאלת החיסכון עדיין פתוחה ברמה הארגונית. גרטנר פרסמה במרץ 2026 כי בסקר מיולי 2025 בקרב 114 מנהלי משאבי אנוש, רק 7% מהארגונים סיפקו הנחיות לשימוש בזמן שמתפנה בזכות AI. גם סדר העדיפויות לא היה מוסכם: 55% ממנהלי משאבי האנוש רצו ששעה היפותטית שנחסכה תופנה לפרויקטים מיוחדים מחוץ לתפקיד הליבה, לעומת 28% מהמנהלים בסקר נפרד. אלה סקרים שונים מזה של Nielsen, ולכן אין לחבר את האחוזים לתמונה סטטיסטית אחת. אבל הם מוסיפים הקשר חשוב: אפילו כשהכלי חוסך זמן, הארגון צריך להחליט מה לעשות בחיסכון. בלי החלטה כזאת, קל לדרוש יותר תפוקה בלי לברר איזה חלק ממנה באמת מקדם את העסק.
איך מעריכים שיקול דעת?
הקושי לזהות יכולת מופיע גם לפני שהעובד מקבל כרטיס כניסה למשרד. סקר שפרסמה אוניברסיטת WGU בספטמבר, בקרב 3,128 אנשי מקצוע המעורבים בגיוס בארצות הברית, מצא כי 60% סבורים ש־AI מקשה על הערכת הכישורים האמיתיים של מועמדים. הסקר נערך בידי Centiment בין 24 ביוני ל־7 ביולי 2026. כאן מדובר בגיוס, ולא בהערכת ביצועים של עובדים קיימים, אך ההשוואה מחדדת את הבעיה: כשהכלים מסייעים לכולם להציג תוצאה משכנעת, התוצאה נעשית סימן פחות חד־משמעי למומחיות. מועמד יכול להגיש משימה מרשימה, ועובד יכול להגיש ניתוח רהוט; בשני המקרים נותר לברר אם הם יודעים להסביר את ההחלטות, לזהות טעות ולתקן אותה כשהנסיבות משתנות.
מנקודת מבט ישראלית, זו בעיקר שאלה על מה נכון לתגמל. זו פרשנות לממצאים, ולא נתון שנמדד כאן: צוות שמסתמך על מסמכים, קוד או ניתוחים שנוצרו בסיוע AI עלול לגלות שהמדדים הישנים שלו נותנים תמונה חלקית. נניח, כדוגמה, שעובדת מכינה ניתוח לקוח בחצי מהזמן בעזרת מודל, ואז בודקת את המקורות ומאתרת הנחה שגויה. התרומה שלה כוללת גם את הבחירה בכלי וגם את הבקרה עליו. לעומתה, עובד שמגיש במהירות פלט דומה בלי להבין את מגבלותיו עשוי להיראות יעיל באותה מידה — עד שמישהו מסתמך עליו. בשיחת הערכה, בקשה להסביר הנחה מרכזית, להציג בדיקה שבוצעה או לתאר חלופה שנפסלה יכולה לספק מידע שהמסמך הסופי מסתיר. האתגר הוא להפוך את שיקול הדעת לגלוי בלי להעמיס תיעוד על כל פעולה קטנה.
מכאן גם החשבון הכלכלי שכדאי לארגון לעשות: את החיסכון צריך למדוד לאורך התהליך כולו, כולל בדיקה, תיקונים והזמן שהמנהל משקיע בהבנת התוצר. לצד מהירות ההפקה, אפשר לבחון אם העבודה התקבלה, כמה תיקונים נדרשו והאם השיגה את המטרה העסקית שלה. זו מסקנה ניהולית מהסיפור, לא הוכחה שה־AI כבר מחק את החיסכון שהבטיח. הנתונים הזמינים כאן אינם מאפשרים לחשב מאזן כזה, ובוודאי אינם מספקים אומדן ייעודי לישראל. הם כן נותנים סיבה טובה לעדכן את השאלות בשיחת ההערכה: מה העובד פתר, מה הוא בדק, ועל מה הוא מסוגל לקחת אחריות. את המצגת כבר קל יותר לייצר; את הביטחון שמישהו מבין מה כתוב בה עדיין צריך לבנות.
