איך מחברים בין AI לאסטרטגיה, מעצבים מחדש את העבודה ומפתחים ארגון שיודע להשתנות וללמוד תוך כדי תנועה

 

AI  כבר לא עומד מחוץ לדלת ומחכה שהנהלות יחליטו אם להכניס אותו. הוא בפנים.

עובדים משתמשים בו כדי לכתוב, לנתח מידע, לסכם, לתכנן, ללמוד ולקבל החלטות. ארגונים רוכשים כלים, מקיימים הדרכות ומחפשים עוד ועוד שימושים.

והקצב רק עולה.

 

בסקר שפרסמה Gallup ביולי 2026, 47% מהעובדים בארה״ב דיווחו שהארגון שלהם כבר שילב כלי AI לשיפור פרודוקטיביות, יעילות או איכות, לעומת 41% ברבעון הקודם. יותר ממחצית מהעובדים כבר משתמשים ב-AI במסגרת עבודתם.

 

אבל דווקא כשהשימוש הופך נפוץ יותר, כדאי לעצור על שאלה אחרת.

האם אנחנו באמת מטמיעים טכנולוגיה חדשה, או שאנחנו נמצאים בעיצומו של מעבר לצורת עבודה חדשה?

בעיניי, זאת הבחנה חשובה.

AI  לא רק מאפשר לעשות את אותה עבודה מהר יותר. הוא משנה בהדרגה את מה שאפשר לעשות, את הקצב שבו אפשר לעשות זאת, את הדרך שבה ידע נוצר, את חלוקת העבודה בין אנשים ואת האופן שבו החלטות מתקבלות.

 

ולכן השאלה להנהלה כבר לא יכולה להיות רק: איך נטמיע AI?

השאלה היא: איך הארגון שלנו צריך לעבוד עכשיו, כשהיכולות האלה כבר קיימות?

וזו כבר שאלה אסטרטגית וארגונית.

 

אחת השאלות הנפוצות היום היא איפה אפשר להכניס AI?

אפשר לייעל כתיבה? לסכם ישיבות? להכין דוחות? לנתח מידע? לחסוך שעות עבודה?

השימושים האלו הם לגיטימיים ולעיתים מצוינים, אבל יש בהם גם מלכודת. אם מתחילים מהכלי, קל להגיע לעשרות Use Cases בלי תשובה ברורה לשאלה מה הארגון באמת רוצה לשנות.

 

לכן צריך להתחיל הפוך.

לא מה AI יודע לעשות, אלא איזה ערך עסקי או ארגוני אנחנו רוצים לייצר?

 

האם אנחנו רוצים לקצר משמעותית את זמן השירות? לשפר החלטות? להוריד עבודה אדמיניסטרטיבית ממנהלים? לצמצם טעויות? לפנות זמן לעבודה בעלת ערך גבוה יותר? או אולי לייצר יכולת שלא הייתה קיימת קודם?

McKinsey מתארים במאמר From adoption to impact: Three horizons of AI transformation  מעבר דומה: משימוש אישי בכלים, דרך שינוי תהליכי עבודה ועד ליצירת ערך ארגוני רחב יותר. כלומר, אימוץ הוא רק תחילת הדרך.

 

אפשר לבדוק את זה באמצעות שאלה פשוטה להנהלה:

אם מהלך ב-AI שלנו יצליח, איזה דבר משמעותי ייראה אחרת בארגון בעוד חצי שנה?

תשובה כמו "יותר אנשים ישתמשו ב-AI" עדיין משאירה אותנו ברמת האימוץ.

לעומת זאת, אם "זמן הטיפול ירד", "איכות ההחלטה תשתפר", "שלב מסוים בתהליך ייעלם" או "מנהלים יתפנו יותר לניהול", כבר התחלנו לדבר על שינוי.

 

לא רק להטמיע AI, אלא לעצב מחדש את העבודה

ומכאן מגיעה שאלה עמוקה עוד יותר.

אם היינו מתכננים היום את העבודה מאפס, כשהיכולות האלה כבר קיימות, האם היינו בונים אותה באותה צורה?

האם באמת צריך שהמסמך יעבור דרך שלושה אנשים? אולי אותה ישיבת סטטוס כבר אינה נחוצה? ומה לגבי שלבי האישור, האם כולם עדיין מייצרים ערך? האם צריך לאסוף מידע במשך שעות לפני שהוא מגיע למי שצריך להחליט?

 

בסקר הגלובלי של "McKinsey: "The state of AI in 2025: Agents, innovation, and transformation, נמצא כי הארגונים שהפיקו את הערך הגבוה ביותר מ־AI היו כמעט פי שלושה יותר נוטים לבצע עיצוב מחדש מהותי של תהליכי עבודה.

וזה ההבדל בין לעשות עבודה קיימת מהר יותר לבין לחשוב מחדש איך העבודה צריכה להיעשות.

ברגע שעושים את זה, השינוי כבר לא נשאר בתוך הכלי.

 

אם פעולה שבעבר דרשה כמה שעות מתבצעת עכשיו אחרת, צריך לשאול מי בודק את התוצר, מתי נדרשת בקרה אנושית, מי מוסמך להכריע, מי נושא באחריות אם משהו משתבש, איזה ידע עדיין צריך להישאר אצל בעל התפקיד והאם המדדים שלו עדיין מתאימים.

 

Deloitte עוסקים בדיוק בנקודה הזאת במסגרת 2026 Global Human Capital Trends: לא מספיק לחבר אנשים ו-AI. צריך לעצב במכוון את מערכת היחסים ביניהם, כולל תפקידים, אחריות, מנגנוני הסלמה וזכויות החלטה.

כלומר, כשמשנים את דרך העבודה, צריך לבדוק מחדש גם מי מחזיק אותה.

 

וזה משפיע ישירות גם על תפקיד המנהל.

ככל שיותר מידע, ניתוח וביצוע זמינים באמצעות AI, פחות מהערך של המנהל נמצא בלהיות האדם שיודע הכל או עושה הכל בעצמו.

יותר ממנו עובר לשיקול דעת, תיעדוף, הבנת הקשר, שאילת שאלות, הגדרת סטנדרטים, פיתוח אנשים והכרעה כאשר אין תשובה אחת נכונה.

הנושא הזה הופך רגיש במיוחד כש-AI נכנס גם לתהליך קבלת ההחלטות.Deloitte  מדווחים על שימוש נרחב של מנהלים בכירים ב-AI כתמיכה בהחלטות, ומעלים בעקבות זאת שאלות של אחריות ו־Decision Rights.

 

בעיניי יש כאן כלל פשוט:

אפשר להעביר ל-AI חלק מהעבודה וחלק מהניתוח. אי אפשר להעביר אליו את האחריות הניהולית.

"זה מה שה-AI המליץ" לא יכול להפוך לגרסה החדשה של "ככה יצא במערכת".

 

על הצורך לבחון לא רק מה החלטנו אלא גם כיצד נבנתה ההחלטה כתבתי בהרחבה במאמר שלי על שילוב תחקור בתהליכי קבלת החלטות ותכנון אסטרטגי. בעידן שבו AI הופך לחלק מתהליך החשיבה, השאלה הזאת מקבלת משמעות נוספת.

 

היכולת ללמוד תוך כדי היא חלק מהשינוי

גם הדרך שבה מנהלים את השינוי צריכה להשתנות.

בהטמעה של שינוי ארגוני קלאסי, מצב היעד בדרך כלל מוגדר יחסית מראש. מתכננים את השינוי, מכינים את הארגון, מתקשרים ומכשירים, משיקים, מטמיעים, מייצבים את דרך העבודה החדשה ולאחר מכן מבצעים בקרה, התאמות ושיפור.

 

ב-AI גם השלבים האלה נדרשים, אבל נוסף להם ממד משמעותי: מצב היעד עצמו ממשיך להתפתח תוך כדי ההטמעה.

שימושים חדשים מתגלים בשטח ויכולות הטכנולוגיה משתנות. הנחות שהיו נכונות בתחילת הדרך מתבררות כחלקיות, ולעיתים עצם תהליך העבודה דורש עיצוב מחדש.

 

לכן לצד תהליך ההטמעה נדרש גם מעגל למידה והתאמה מתמשך:

הגדרת השערה ושימוש רצוי ← פיילוט וניסוי ← מדידת ערך ואיכות ← למידה והפקת תובנות ← עיצוב מחדש של התהליך ← הרחבה והטמעה ← בחינה מחודשת.

כלומר, ההבדל אינו שבשינוי רגיל "מטמיעים ומסיימים", וב-AI "לומדים". ארגונים טובים לומדים בכל שינוי.

 

במאמר "How to close the agentic adoption gap" שפרסמה McKinsey באוגוסט 2026, הם מגדירים טרנספורמציית AI כעיצוב מחדש של האופן שבו העבודה נעשית, וטוענים שתהליך כזה דורש Change Leadership מתמשך, ולא רקChange Management .

 

בניהול שינוי קלאסי, הלמידה מסייעת לנו להגיע טוב יותר למצב יעד שהוגדר. בטרנספורמציית  AI הלמידה מסייעת לנו גם להבין תוך כדי מהו בכלל מצב היעד הנכון.

 

ובתוך התהליך הזה נוצרת גם תרבות חדשה, לעיתים בלי שאף אחד החליט עליה.

מה נחשב שימוש מקצועי ב-AI? מתי צריך לומר שהשתמשתי בו? איפה נדרש שיקול דעת אנושי ומה מצופה מעובדים וממנהלים?

Deloitte מכנים את הפער הזה AI Cultural Debt: כשארגון מאמץ AI מהר יותר משהוא מגדיר את הנורמות, האחריות וכללי המשחק סביבו. אם ההנהלה לא מנהלת את השאלות האלה, הנורמות עדיין ייווצרו. פשוט מעצמן.

על הקשר בין תרבות, חדשנות ולמידה כתבתי גם במאמר "תרבות ארגונית של חדשנות ולמידה: כך תעשו זאת נכון!"

 

אותו דיוק נדרש גם במדידה.

קל למדוד כמה רישיונות חולקו, כמה עובדים עברו הדרכה וכמה משתמשים נכנסו למערכת. אלה מדדי אימוץ חשובים, אבל הם לא אומרים שהארגון השתפר.

השאלות החשובות יותר הן: האם העבודה השתנתה? האם זמן, איכות או שירות השתפרו? האם נעלם שלב מיותר? והאם הארגון יודע עכשיו לבצע משהו טוב יותר גם בפעם הבאה?

 

הטמעה טובה אינה רק מצב שבו אנשים משתמשים ב-AI, אלא מצב שבו הארגון הופך טוב יותר בעקבות השימוש בו.

וכאן נמצא גם החיבור לתחקור ארגוני.

AI יכול לנתח, לזהות דפוסים ולהציע חלופות. אבל מידע אינו למידה.

למידה נוצרת כאשר הארגון יודע לעצור ולבדוק: מה רצינו שיקרה, מה קרה בפועל, למה נוצר הפער, מה צריך לשנות ואיך נדע שהשינוי עבד.

 

לכן תחקור ארגוני יכול להפוך לחלק מתשתית ההטמעה של AI. לא כאירוע גדול בסוף התהליך, אלא כמנגנון קצר וקבוע שמאפשר לארגון לנסות, לבדוק, ללמוד ולהתאים תוך כדי.

זה ההבדל בין ארגון שצובר ניסיון עם AI לבין ארגון שהופך את הניסיון הזה ליכולת.

 

על בניית מנגנון תחקור הרחבתי במאמר "ללמוד לעומק, לצמוח לגובה! המדריך לתחקור ארגוני שיעשה את ההבדל", ועל המעבר מתובנה ליישום במאמר "מעקב ויישום: איך לתרגם את הלקחים לפעולות אפקטיביות"?

 

אז לפני רישיון נוסף, הדרכה או רשימת  ,Use Casesכדאי להנהלה לעצור ולשאול:

איזה ערך אנחנו רוצים לייצר?
איזו עבודה נכון לעצב מחדש?
מה נכון ש-AI יעשה ומה חייב להישאר באחריות אנושית?
איך נדע שנוצר ערך ולא רק שימוש?
ואיך נלמד ונשתפר תוך כדי?

AI ימשיך להשתנות, והכלים שיש היום יהפכו מהר מאוד לסטנדרט.

לכן היתרון לא יהיה רק למי שיחזיק בטכנולוגיה המתקדמת ביותר, אלא גם למי שיידע לחבר אותה לאסטרטגיה, לעצב מחדש עבודה, לפתח מנהלים וללמוד מהר ממה שקורה בשטח.

השאלה הגדולה אינה רק איך מכניסים AI לארגון שיש לנו היום, אלא איזה ארגון נכון לבנות עכשיו, כשהיכולות האלה כבר קיימות.