יש בדיחה ישנה שאומרת שפעם היו לנו אנשים חכמים ומחשבים טיפשים. האנשים היו צריכים לחשוב והמחשבים היו צריכים לבצע.
היום המצב התהפך: יש לנו מחשבים שהולכים ונעשים חכמים יותר, ואנשים שהולכים ונעשים… טוב, לפחות קצת יותר עצלנים.
פעם, אם רצינו לכתוב מכתב, היינו צריכים לחשוב מה אנחנו רוצים לומר. היום אנחנו מבקשים מ-ChatGPT או מ-Gemini לכתוב אותו. פעם, אם רצינו לסכם מסמך, קראנו אותו. היום אנחנו מעלים אותו לקלוד ומבקשים תקציר. פעם, אם רצינו לייצר מצגת, לנתח נתונים, לתרגם טקסט, למצוא רעיון או אפילו לבחור ניסוח להודעת WhatsApp, היינו צריכים להתאמץ… כיום, הפתרון נמצא במרחק של שאלה אחת.
וזו איננה ביקורת על בני האדם. להפך. זוהי תוצאה טבעית של אחת מהמהפכות הטכנולוגיות המשמעותיות ביותר שידענו.
בשלוש השנים האחרונות התרחש שינוי דרמטי באופן שבו בני אדם משתמשים במחשבים. לראשונה, המחשב לא רק מבצע עבורנו פעולות; הוא מסוגל להשתתף בתהליך החשיבה עצמו.
אבל דווקא כאן מסתתר פרדוקס מעניין:
ככל שהמחשבים נעשים חכמים יותר, כך האתגר של בני האדם איננו רק לדעת להשתמש בהם, אלא לדעת מתי, כיצד ובאיזה הקשר להשתמש בהם.
מהפכת ה–AI כבר כאן. ובקצב שקשה לעכל
לא צריך להיות מומחה לטכנולוגיה כדי להבין שהתרחש כאן משהו יוצא דופן.
מחקרי האימוץ של כלי AI מצביעים על קצב חדירה מהיר במיוחד. לפי Pew Research Center, שיעור המבוגרים בארה”ב שדיווחו כי השתמשו אי פעם בצ’טבוטים מבוססי AI כגון: ChatGPT, Gemini ו -Copilot, עלה מ 33% בשנת 2024 ל 49% בשנת 2026. כלומר, בתוך כשנתיים כמעט מחצית מהמבוגרים בארה”ב כבר השתמשו בכלים כאלה (Pew Research Center).
גם השימוש בכלי AI בעבודה הולך ומתרחב, אבל כאן התמונה מורכבת יותר.
בסקר של McKinsey, שיעור המשיבים שדיווחו כי הארגון שלהם משתמש בכלי AI בלפחות בפונקציה עסקית אחת עלה מ 55% בשנת 2023, ל 72% בשנת 2024 ול 78% בשנת 2025 (McKinsey & Company).
ובכל זאת, המספרים מספרים סיפור מעניין לא פחות: בשנת 2025, רק 7% מהמשיבים בסקר של McKinsey אמרו שה-AI כבר הוטמע באופן מלא בארגון. כלומר, הפער בין “אנחנו משתמשים ב AI” לבין “הארגון שלנו עובד באמצעות AI ” עדיין גדול מאוד (McKinsey & Company).
זהו אולי אחד הפרדוקסים המרכזיים של המהפכה הנוכחית.
הטכנולוגיה כבר זמינה ונמצאת כמעט בכל מקום, אבל הארגון עדיין לא בהכרח יודע מה לעשות איתה.
קצב אימוץ שקשה לעכל
מבוגרים בארה״ב שהשתמשו אי פעם בצ׳טבוט AI
מקור: Pew Research Center
ארגונים שמשתמשים ב-AI בפונקציה עסקית אחת לפחות
מקור: McKinsey & Company
בלבד דיווחו ב-2025 שה-AI כבר הוטמע באופן מלא בארגון
הפער בין "אנחנו משתמשים ב-AI" לבין "הארגון שלנו עובד באמצעות AI" עדיין גדול מאוד (McKinsey)
העובד כבר שם. הארגון עדיין בדרך…
הפער הזה ניכר גם ברמת העובדים.
מחקר של Pew Research Center שנערך בקרב 5,273 עובדים בארה”ב מצא כי 63% מהעובדים אמרו שהם משתמשים ב-AI מעט או בכלל לא בעבודתם. רק 16% אמרו שלפחות חלק מעבודתם נעשה באמצעות AI ורק 2% אמרו שכל העבודה שלהם או רובה נעשית באמצעות AI
(Pew Research Center).
בסקר אחר של Pew , שעסק ספציפית בצ’טבוטים בעבודה, 55% מהעובדים אמרו שהם משתמשים בהם לעיתים רחוקות או לעולם לא, ועוד 29% כלל לא שמעו על השימוש בהם בעבודה. רק 9% דיווחו שהם משתמשים בצ’טבוטים בעבודה מדי יום או מספר פעמים בשבוע
(Pew Research Center).
כלומר, העובדים כבר פוגשים את ה-AI. חלקם אפילו משתמשים בו בהתלהבות.
אבל במקרים רבים הוא עדיין נמצא מחוץ לארגון, מחוץ לתהליכי העבודה, ומחוץ למערכות שבהן העובד מבצע את עבודתו בפועל.
וזה בדיוק המקום שבו מתחילה הבעיה.
אז למה כל כך קשה לארגונים לאמץ AI?
אפשר להצביע על כמה סיבות עיקריות:
תשתיות וטכנולוגיה
הכנסת AI לארגון איננה מסתכמת ברכישת רישיון ל-ChatGPT או Gemini…
צריך לחבר מערכות, מקורות מידע, בסיסי נתונים, הרשאות, ממשקי API ותהליכי עבודה. צריך להחליט אילו מערכות רשאיות לדבר זו עם זו, אילו נתונים מותר להעביר, כיצד מאמתים משתמשים ואיך מוודאים שהתוצאה שמתקבלת מכלי ה-AI אכן מתאימה לתהליך העסקי.
ארגון שכבר עובד עם עשרות מערכות שונות עלול לגלות שהכנסת AI מוסיפה עוד שכבת מורכבות, במקום להפחית אותה.
אבטחת מידע
הבעיה השנייה רגישה אפילו יותר.
העובד ירצה לשאול את ה-AI שאלה. אבל איזו שאלה?
אם מדובר במידע על לקוח, עובד, פרויקט, תהליך ייצור, חוזה, נתונים כספיים או מסמך פנימי, לא תמיד ברור מה מותר לשלוח מהמערכת הארגונית, למערכת חיצונית.
לכן ארגונים רבים חוששים, בצדק רב, ממצב שבו הרצון לאפשר לעובדים להשתמש ב-AI יהפוך, בלי כוונה, לנתיב חדש לדליפת מידע.
סיבה פסיכולוגית
זו, לטעמי, הסיבה המעניינת ביותר.
אנשים פשוט עדיין לא ערוכים לחלוטין לעבודה עם כלי AI
לא משום שהם אינם חכמים, אלא משום שעבודה עם AI דורשת שינוי מסוים באופן שבו אנשים חושבים, שואלים שאלות ומגדירים משימות.
וזה מוביל אותנו לאחת התובנות החשובות ביותר בעידן הבינה מלאכותית.
“בעיה המנוסחת היטב היא בעיה שחצי פתרונה כבר נמצא בה“
הפילוסוף והפסיכולוג האמריקאי ג’ון דיואי ניסח זאת באופן אלגנטי כבר בשנת 1938:
“A problem well put is half-solved”. בעיה שמנוסחת היטב היא בעיה שחצי פתרונה כבר נמצא בה.
בעידן ה-AI, המשפט הזה מקבל משמעות חדשה.
כלי AI אינם “מנועי תשובות” במובן הקלאסי. הם מעין אובייקטים חושבים; מערכות המסוגלות לדמות חלק מהפעילות הקוגניטיבית האנושית ולסייע לנו לבצע משימות שבעבר דרשו מאיתנו זמן, ידע ומאמץ.
ואולם, הם זקוקים להכוונה:
- צריך להסביר להם מה אנחנו רוצים.
- צריך לתת להם הקשר.
- צריך להגדיר את הבעיה.
- צריך לדעת אילו שאלות לשאול.
- לעתים צריך לדעת גם מתי לשאול אותן.
וזה נכון לצ’טבוט, לאייג’נט, למחולל דוחות, למערכת המלצות, למחולל תוכן או לכל כלי בינה מלאכותית אחר.
כלי AI יכול להיות חכם מאוד, אבל אם אנחנו שואלים אותו את השאלה הלא נכונה, בזמן הלא נכון, ובהקשר הלא נכון, התוצאה שתתקבל עלולה להיות הרבה פחות חכמה.
כאן נכנסת הפסיכולוגיה האנושית לתמונה
בני אדם אינם מקבלים החלטות בחלל ריק. אנחנו פועלים בתוך הקשר. בני אדם פועלים באופן אסוציאטיבי.
מה שאנחנו רואים מול עינינו, מה שקרה לנו לפני רגע, אילו אפשרויות עומדות בפנינו, מה אנחנו יודעים, מה המטרה שלנו ומה אנחנו מצפים שיקרה: כל אלה משפיעים על השאלה שאנחנו שואלים ועל ההחלטה שאנחנו מקבלים.
אחד המחקרים המעניינים בתחום הזה הוא מחקר של Simonson ו-Tversky, (חתן פרס נובל, בצוותא עם כהנמן) שהראה כבר בשנות ה- 90 של המאה הקודמת, כי ההעדפות שלנו אינן תמיד קבועות לחלוטין, אלא מושפעות מהאפשרויות ומההקשר שבתוכו אנחנו נדרשים לבחור. החוקרים הדגימו, בין היתר, כי עצם שינוי “סביבת הבחירה” יכול לשנות את האטרקטיביות היחסית של אפשרויות, גם כאשר האפשרויות עצמן לא השתנו (Sage Journals).
מחקרים מאוחרים יותר חיזקו את הרעיון הזה.
בניסוי אחר שעסק בקבלת החלטות תחת סיכון, למשל, החוקרים שמרו על רמת הסיכון של האפשרות המרכזית קבועה על 33%, אבל שינו את הסיכון של האפשרות ששימשה כ”הקשר”. כאשר הסיכון בהקשר היה 46.7% במקום 20%, המשתתפים נטו לבחור יותר באפשרות המסוכנת, למרות שהסיכון האובייקטיבי של האפשרות שעליה קיבלו את ההחלטה לא השתנה כלל. האפקט היה מובהק סטטיסטית (PMC).
במילים אחרות:
אותו אדם, שניצב מול אותה אפשרות תחת אותו הסיכון, קיבל החלטה שונה, והכל בגלל השינוי בהקשר...
זה שבני אדם פועלים באופן אסוציאטיבי, הינה תובנה קריטית גם לעולם העבודה, מכיוון שאם בני אדם חושבים ופועלים בהתאם להקשר שבו הם נמצאים, אז גם ה-AI צריך להיות זמין בהקשר המתאים, על מנת שבני אדם יוכלו להפיק ממנו את המיטב.
ועכשיו ניתן לחבר בין שתי התופעות:
מצד אחד ה-AI שדורש מאיתנו לדעת לשאול את השאלות הנכונות.
מצד שני, בני אדם מטבעם חושבים, שואלים ומקבלים החלטות בהתאם להקשר שבו הם נמצאים.
מכאן נובעת מסקנה פשוטה אך משמעותית:
אם אנחנו רוצים שבני אדם ישתמשו ב-AI באופן אפקטיבי, אנחנו צריכים להביא את הAI אל תוך סביבת העבודה הטבעית שלהם, ולא לדרוש מהם לעזוב אותה בכל פעם שהם רוצים להשתמש ביכולת AI אחרת.
בכדי להבין טוב יותר את התובנה הזו, דמיינו עובד שצריך לבצע משימה:
על מנת להשלים אותה הוא צריך לפתוח צ’טבוט אחד, לייצר תמונה בכלי שני, להפיק דוח בכלי שלישי, לחפש ידע במערכת רביעית, ליצור מבחן באפליקציה חמישית, לקבל המלצה מקצועית ממערכת בשישית, ולבסוף להעתיק את התוצאות בחזרה למערכת הארגונית שבה הוא משתמש.
מבחינה טכנולוגית, אולי יש כאן שישה פתרונות AI מצוינים, אך מבחינה העובד בארגון, יש כאן בעיה.
העובד צריך להתמודד עם שישה כלים נפרדים, עם שישה ממשקים, עם שישה מנגנוני הרשאות ועם שישה מקומות שבהם הוא צריך לחשוב: “רגע, באיזה כלי אני אמור להשתמש עכשיו?”
וזה בדיוק המקום שבו האינטגרציה הופכת להיות הרבה יותר מעניין טכנולוגי: היא הופכת לעניין קוגניטיבי.
אוסף כלים, או סביבת עבודה אינטליגנטית?
אוסף כלי AI נפרדים
"יש לך גישה לשבעה כלים שונים. לך תלמד אותם."
- שישה כלים, שישה ממשקים ושישה מנגנוני הרשאות
- מעבר מתמיד בין אפליקציות כדי להשלים משימה אחת
- העתקת תוצאות חזרה למערכת הארגונית
- "רגע, באיזה כלי אני אמור להשתמש עכשיו?"
- כל עובד הופך לנקודת אינטגרציה עם כלים חיצוניים
סביבת עבודה אחת עם AI מובנה
"תמשיך לעבוד כרגיל. ה-AI יהיה זמין כאן, כשתצטרך אותו."
- פלטפורמה אחת לכל תהליכי העבודה
- ה-AI זמין בדיוק בהקשר שבו הצורך מתעורר
- התוצאות נשארות בתוך תהליך העבודה
- מערכת הרשאות פנימית ומרכזית
- ניהול סיכוני המידע בתוך סביבה מבוקרת
במקום עוד כלי AI, נדרשת לעובד סביבת עבודה חכמה
כאן בדיוק נכנסת בלוסום.
בלוסום ניהול ידע (Blossom KC) היא פלטפורמה מודולרית ואינטגרטיבית, שנבנתה מלכתחילה כדי לאפשר לארגון לנהל מגוון רחב של תהליכי עבודה בסביבה אחת: ניהול למידה, ניהול ידע, שאלונים, מבחנים וסקרים, קליטת עובדים, הערכת עובדים, פיתוח מיומנויות מקצועיות ואישיות, שיפור המחוברות והתקשורת הארגונית, ניהול טפסים ותהליכי אישור, ניהול צוותים, ניהול משימות ופרויקטים, ניהול הסמכות וציות, דוחות, אנליטיקה ועוד.
המשמעות היא שבלוסום אינה “עוד מערכת ארגונית” מיני רבות, אלא סביבת עבודה ארגונית אחת (One Stop Shop), שבתוכה ניתן להפעיל מגוון תהליכים ויכולות.
וזה חשוב במיוחד בעידן הבינה מלאכותית, כי כאשר ה-AI נכנס באופן משולב לתוך סביבת העבודה המרכזית, הוא כבר לא חייב להיות יעד חיצוני שאליו העובד צריך “ללכת”.
ה-AI הופך להיות חלק מהעבודה עצמה.
כלי AI שנמצא בדיוק במקום ובזמן שבו השאלה מתעוררת
בתוך פלטפורמת בלוסום ניתן לשלב יכולות AI שונות, המחוברות למודולים ולמידע הארגוני.
לדוגמה:
- צ’טבוט פנים־ארגוני המאפשר לעובדים לקבל מידע ולשאול שאלות.
- התאמה אישית של מסלולי למידה והתפתחות, בהתאם לתפקיד, מיומנויות וצרכים.
- יצירת לומדות, שאלונים ומבחנים מתוך תכנים קיימים.
- המלצות AI לתכנים, קורסים ומיומנויות.
- AI Skills Matching להתאמת מיומנויות לתפקידים ולקורסים וליצירת מסלולי פיתוח אישי לכל עובד.
- יצירת דוחות ודאשבורדים והפקת תובנות מתוך המידע הארגוני.
- יכולות AI נוספות שיכולות להשתלב במודולים ובתהליכי העבודה של הארגון.
יכולות AI שנמצאות בדיוק במקום שבו השאלה מתעוררת
צ׳טבוט פנים־ארגוני
עובדים מקבלים מידע ושואלים שאלות על בסיס הידע הארגוני.
מסלולי למידה מותאמים אישית
למידה והתפתחות בהתאם לתפקיד, למיומנויות ולצרכים של כל עובד.
לומדות, שאלונים ומבחנים
יצירה אוטומטית של תכני למידה והערכה מתוך תכנים קיימים.
המלצות חכמות
המלצות AI לתכנים, לקורסים ולמיומנויות שכדאי לפתח.
AI Skills Matching
התאמת מיומנויות לתפקידים ולקורסים, ובניית מסלול פיתוח אישי לכל עובד.
דוחות, דאשבורדים ותובנות
הפקת תובנות מתוך המידע הארגוני, ישירות בתוך המערכת.
אבל אולי הדבר המעניין ביותר הוא לא כל יכולת בפני עצמה, אלא ההקשר שבו היא מופיעה.
לדוגמה, עובד שנמצא בתהליך קליטה לא צריך בהכרח לפתוח כלי AI ולחשוב:
“מה אני יכול לעשות עכשיו עם AI?
העובד צריך להיות מסוגל פשוט לעבוד ולא לחשוב על זה יותר מידי…
אם הוא זקוק לידע, הידע נמצא שם.
אם הוא צריך ללמוד, מערכת הלמידה נמצאת שם.
אם הוא צריך לשאול שאלה, היכולת לשאול נמצאת שם.
אם הוא צריך לבצע הערכה, התהליך נמצא שם.
אם הוא צריך לקבל המלצה, היא יכולה להופיע עבורו בתוך ההקשר המתאים.
ואם הוא צריך לנתח מידע, יכולת ה- AI יכולה להיות חלק מאותה סביבת עבודה.
כך ה-AI מפסיק להיות “כלי חיצוני” עבור העובד, והופך להיות שכבה אינטליגנטית בתוך סביבת העבודה הטבעית של העובד.
ומה הקשר בין פסיכולוגיה התנהגותית ל-AI?
כאן חוזרים לנקודת ההתחלה:
בני אדם אינם מחשבים. הם אינם פותחים בכל בוקר רשימה מסודרת של כל היכולות העומדות לרשותם ואז בוחרים באופן אופטימלי באיזה כלי להשתמש.
הם עובדים באופן אסוציאטיבי.
הם נזכרים במידע בעקבות אירוע.
הם שואלים שאלה משום שמשהו קרה.
הם מחפשים פתרון כאשר מתעוררת בעיה.
הם מקבלים החלטה בהתאם למידע שנמצא לפניהם באותו רגע.
ולכן, אם אנחנו רוצים להפיק את המיטב מהחיבור בין בני אדם לבינה מלאכותית, לא מספיק לתת לעובדים “גישה ל-AI”
צריך לעצב את סביבת העבודה כך שה-AI יהיה נגיש בדיוק כאשר ההקשר מייצר את הצורך בו וזה כבר הבדל מהותי.
יש הבדל עצום בין לומר לעובד:
“יש לך גישה ל-7 כלי AI שונים. לך תלמד אותם ותשתמש בהם.”
לבין לומר לעובד:
“תמשיך לעבוד כרגיל. תשים לב שכשהידע, הניתוח, ההמלצה, הלמידה או האוטומציה יכולים לעזור לך, הם יהיו זמינים עבורך, כאן, בתוך סביבת העבודה שלך.”
האופציה הראשונה, היא אוסף של כלים.
האופציה ש-Blossom מציעה, היא סביבת עבודה אינטליגנטית, שבה “הכל כלול”.
ויש כאן גם שאלה של אמון ואבטחת מידע
כמובן, אי אפשר לדבר על AI ארגוני בלי לדבר על ניהול סיכוני אבטחת מידע:
הארגון רוצה ליהנות מיכולות בינה המלאכותית, אך אינו רוצה לשלם עליהן במחיר של אובדן שליטה במידע.
זו אחת מהסיבות לכך שהארכיטקטורה שבה משולבות יכולות AI חשובה לא פחות מהמודל עצמו.
Blossom מאפשרת ריכוז של מידע ותהליכים ארגוניים בתוך פלטפורמה אחת, עם מערכת הרשאות פנימית המאפשרת להגדיר מי יכול לראות, לבצע ולגשת לאילו תהליכים ולאיזה מידע. הפלטפורמה עצמה כוללת מנגנוני ניהול הרשאות, מידע, תהליכים ואוטומציה כחלק מהמערכת.
כאשר יכולות AI פועלות בתוך סביבת עבודה ארגונית מבוקרת, ניתן לתכנן את השימוש בהן כך שיצמצם את הצורך של העובד להעביר מידע רגיש בין אינספור שירותים חיצוניים.
המשמעות לכך אינה חסרת סיכון. בעידן ה-AI אין מערכת חסרת סיכון.
המשמעות היא שניתן לנהל את הסיכון בתוך סביבת העבודה עצמה, במקום להפוך כל עובד בארגון לנקודת אינטגרציה עצמאית בין הארגון לבין עולם שלם של כלי AI.
האתגר האמיתי של עידן ה-AI
בסופו של דבר, השאלה החשובה איננה “איזה מודל AI הוא החכם ביותר?” – המודלים ימשיכו להשתפר בקצב מהיר. גם השאלה “איזה כלי כדאי לקנות?” הולכת ומאבדת מחשיבותה.
הארגונים שיפיקו את הערך הגדול ביותר יצטרכו לשאול שאלה אחרת: איך גורמים לאנשים לעבוד עם AI באופן טבעי, בתוך ההקשר שבו הם עובדים, חושבים ומחליטים? זו כבר לא רק שאלה טכנולוגית, אלא שאלה של פסיכולוגיה, עיצוב תהליכים, ניהול ידע, למידה ארגונית, אבטחת מידע וארכיטקטורת מערכות.
העתיד אינו בהכרח ארגון עם כמה שיותר כלי AI, אלא ארגון שבו ה־AI זמין באופן טבעי בכל מקום שבו הוא נחוץ. זה הרעיון שמאחורי החיבור בין בלוסום ליכולות AI: לא להוסיף עוד כלי לרשימה, אלא להפוך את סביבת העבודה עצמה לחכמה יותר. כי אם המהפכה הראשונה של ה־AI גרמה למחשבים להתחיל לחשוב, המהפכה הבאה תגרום לארגונים לדעת לחשוב ביחד איתם.
ד"ר טל נבו
ד"ר טל נבו הוא יזם ואחד מבעלי חברת בלוסום. טל הוא ד"ר לפסיכולוגיה התנהגותית מהטכניון, ועוסק מזה שנים ביזמות טכנולוגית ובחיבור שבין טכנולוגיה, אנשים ותהליכים ארגוניים.