כלי הבינה המלאכותית חוסכים שעות עבודה ומאפשרים לעובדים צעירים לבצע משימות שבעבר דרשו ניסיון של שנים. אלא שאותן משימות היו גם הדרך שבה רכשו את הניסיון הזה. ארגונים שלא יתאימו את שיטות ההכשרה למציאות החדשה עלולים לגלות שהחיסכון בזמן בא על חשבון אנשי המקצוע של המחר.
במשך שנים, הדרך לרכוש ניסיון מקצועי עברה בעבודה היומיומית, הסיזיפית והאישית. עורך דין צעיר קרא מאות עמודים של מסמכים, חיפש אסמכתאות, הכין טיוטות וקיבל אותן בחזרה עמוסות בהערות. אנליסט מתחיל אסף נתונים, בנה מודלים ובדק מדוע המספרים אינם מסתדרים. עובד במחלקת שיווק ערך מחקרי שוק והכין מצגות. העבודה הייתה לעיתים טכנית, חוזרת ומתישה, אבל דווקא במהלכה למדו העובדים לזהות טעויות, להבחין בין עיקר לטפל, להטיל ספק במסקנות ולפתח שיקול דעת עצמאי ומקצועיות מבוססת.
הבינה המלאכותית משנה את מסלול ההכשרה הזה במהירות. משימות שבעבר העסיקו עובדים צעירים במשך שעות, ולעיתים ימים, מבוצעות כעת בתוך דקות. מערכות בינה מלאכותית מסכמות מסמכים, משוות נתונים, מאתרות מידע ומייצרות טיוטות ברמה שבעבר דרשה עבודה של איש מקצוע מיומן. אין סיבה להתגעגע לעבודה מיותרת, ובוודאי שאין הצדקה להמשיך לבצע אותה רק משום שכך נהגו בעבר. אלא שכאשר המשימות נעלמות, נעלמות איתן גם חלק מן ההזדמנויות ללמוד את המקצוע ולקבל הכשרה מקצועית ראויה.
הבעיה אינה תיאורטית. דוח של PwC מיוני 2026, שהתבסס על ניתוח של יותר ממיליארד מודעות דרושים ב־27 מדינות וטריטוריות, מצביע על שינוי בדרישות מעובדים בתחילת דרכם. בניתוח של כ־2.4 מיליון משרות כניסה בארצות הברית נמצא כי משרות החשופות במיוחד לשימוש בבינה מלאכותית נוטות פי שבעה לדרוש כישורים שנחשבו בעבר לכישורים של עובדים ותיקים, ובהם שיקול דעת, יצירתיות, מנהיגות ויכולת בין־אישית. מספר המודעות למשרות כניסה הדורשות כישורים כאלה גדל ב־35% מאז 2019, בעוד שבמשרות כניסה אחרות נרשמה ירידה של כ־10%.
העובד הצעיר אינו בהכרח מתייתר, אבל הדרישות ממנו משתנות. מצפים ממנו להפעיל שיקול דעת של עובד מנוסה עוד לפני שהספיק לצבור את הניסיון שעליו נשען שיקול הדעת הזה. ארגונים נהנים מהאפשרות לקבל תוצרים מורכבים מהר יותר, אך נדרשים להתמודד עם שאלה שלא הייתה דחופה באותה מידה בעבר: כיצד מכשירים עובד למשימות מורכבות כאשר חלק ניכר משלבי הלמידה המסורתיים כבר אינו נחוץ לתהליך הייצור?
לשינוי הזה יש גם יתרונות מוכחים. מחקר של חוקרים מאוניברסיטת סטנפורד ומ־MIT, שפורסם בשנת 2025 בכתב העת The Quarterly Journal of Economics, בחן את עבודתם של 5,172 נציגי שירות לקוחות. נמצא שהשימוש בבינה מלאכותית הגדיל את מספר הפניות שנפתרו בשעה בכ־15% בממוצע, ובקרב עובדים פחות מנוסים ומיומנים השיפור הגיע לכ־30%. החוקרים מצאו גם עדויות לכך שהטכנולוגיה יכולה לסייע ללמידה ולעזור לעובדים חדשים לאמץ שיטות עבודה של עובדים מנוסים.
מכאן שהבינה המלאכותית אינה בהכרח פוגעת בלמידה. היא יכולה גם להאיץ אותה. השאלה היא כיצד משתמשים בה. כלי שמציג לעובד חלופות, מסביר טעויות ומאפשר לו לבחון את מסקנותיו יכול להיות אמצעי הכשרה מצוין. לעומת זאת, כאשר העובד מקבל מן המערכת תשובה מוכנה לפני שניסה להתמודד עם הבעיה בעצמו, הוא עלול להחמיץ את התהליך שבאמצעותו נרכשים הבנה וניסיון מקצועי.
אפשר להפיק מסמך טוב בלי לדעת כיצד נבנה הטיעון שמאחוריו. אפשר להציג ניתוח נתונים משכנע בלי להבין את ההנחות שעליהן הוא מבוסס. כל עוד התוצאה נראית נכונה, הפער הזה עשוי להישאר סמוי. הוא מתגלה כאשר הנתונים משתנים, כאשר מתעוררת בעיה שהמערכת לא זיהתה, או כאשר נדרשת החלטה שאין לה תשובה מוכנה.
בסוף ספטמבר 2026 התייחס לכך השופט הפדרלי ארון סוברמניאן מניו יורק, בעקבות טעויות באזכורים משפטיים במסמך שהוגש לבית המשפט תוך שימוש בבינה מלאכותית. השופט החליט שלא להטיל סנקציות, אך הזהיר כי הסתמכות יתר על הטכנולוגיה עלולה לפגוע בהכשרתם של עורכי דין צעירים. הוא הציע למשרדי עורכי דין לשקול לקבוע שלפחות הטיוטה הראשונה של כתבי טענות תיכתב ללא סיוע של בינה מלאכותית, כדי לשמר את המיומנויות המקצועיות הנרכשות בתהליך הכתיבה. מדובר בהצעה מקצועית ולא בכלל משפטי מחייב.
החשש שהעלה השופט חורג מן השאלה אם המערכת המציאה אסמכתה או שגתה בניסוח. השאלה העמוקה יותר היא כיצד יידע עורך דין צעיר שהטיעון שהמערכת ניסחה שגוי, אם מעולם לא למד לבנות טיעון כזה בעצמו. מי שלא התנסה בניתוח חומר הראיות, בבחירת הטענות ובהתמודדות עם חולשותיהן, עלול להתקשות לזהות את המקומות שבהם המערכת מחמיצה את העיקר.
גם בישראל נדרש בית המשפט העליון לאחריות המקצועית הכרוכה בשימוש בבינה מלאכותית. בבג״ץ 38379-12-24 פלונית נ׳ בית הדין השרעי לערעורים, שניתן בפברואר 2025, הבהיר בית המשפט כי שימוש בבינה מלאכותית אינו פוטר עורכי דין מאחריותם, מהפעלת שיקול דעת עצמאי ומבדיקת אמינותם ודיוקם של כתבי הטענות. אלא שהחובה לבדוק מחייבת גם יכולת מקצועית לעשות זאת. אי אפשר לצפות מעורך דין לזהות פגם משפטי מהותי אם לא רכש את הידע והניסיון הנדרשים כדי להבחין בו.
הסיכון הזה אינו מוגבל למקצוע עריכת הדין. מחקר מעודכן של מעבדת הכלכלה הדיגיטלית באוניברסיטת סטנפורד, שפורסם באוגוסט 2026 על בסיס נתוני תעסוקה בארצות הברית, לא מצא עדויות לדחיקה רחבת היקף של עובדים משוק העבודה בשל השימוש בבינה מלאכותית. עם זאת, נמצא כי בקרב עובדים בני 22 עד 25 במקצועות החשופים במיוחד לבינה מלאכותית, היקף התעסוקה היה נמוך בכ־19% מן הרמה שהייתה מתקבלת אילו צמח באותו קצב שנרשם בקרב עובדים בני אותו גיל במקצועות החשופים פחות. החוקרים הדגישו שאין בנתונים כדי להוכיח שהבינה המלאכותית לבדה גרמה לפער. ובכל זאת, מדובר בסימן אזהרה, במיוחד כאשר הפער מתבטא בעיקר בצמצום גיוסם של עובדים צעירים.
הפתרון, לדעתי, אינו להחזיר את העבודה הידנית או להגביל באופן גורף את השימוש בבינה מלאכותית. הוא מחייב שינוי בדרך שבה ארגונים מכשירים עובדים. בעבר חלק ניכר מן ההכשרה היה תוצר לוואי של העבודה עצמה. העובד למד משום שנדרש לבצע את המשימה, להתמודד עם הקשיים ולקבל משוב. כאשר המשימה מבוצעת באמצעות בינה מלאכותית, הארגון צריך ליצור במכוון הזדמנויות אחרות לרכישת אותן מיומנויות.
במשרד עורכי דין, למשל, אפשר לדרוש מעורך דין צעיר לגבש תחילה את מבנה הטיעון בעצמו, ורק לאחר מכן להיעזר בבינה מלאכותית לבחינת חלופות ולאיתור נקודות חולשה. אפשר לבחון אותו על הבנת חומר הראיות ועל יכולתו להסביר מדוע בחר בטענה מסוימת, במקום להסתפק באיכות המסמך שהגיש. אותם עקרונות נכונים גם לאנליסטים, לרואי חשבון, למהנדסים ולמנהלים צעירים. המשוב צריך להתייחס לאיכות החשיבה, ולא רק לאיכות התוצר.
בעבודת הליטיגציה הפער בין תוצר מלוטש לבין הבנה מקצועית עמוקה בולט במיוחד. כתב טענות טוב אינו רק מסמך מנוסח היטב. הוא תוצאה של היכרות עם התיק, קריאת מסמכים שלעיתים נראים שוליים, זיהוי הסתירות והבנת הטענות שעשוי להעלות הצד שכנגד. חקירה נגדית מוצלחת יכולה להיבנות סביב פרט אחד שנמצא בעמוד מאתיים של תיק המוצגים. מערכת בינה מלאכותית עשויה לסייע באיתור הפרט הזה, אבל עורך הדין חייב לדעת להעריך את חשיבותו, להבין את ההקשר ולבחור אם וכיצד להשתמש בו.
האתגר הוא גם ניהולי וגם כלכלי. מנהלים נמדדים בפריון, בלוחות זמנים ובעלויות, ולכן קל לתגמל שימוש בבינה מלאכותית שמקצר את זמן ביצוע המשימות. קשה יותר למדוד ניסיון שלא נצבר או שיקול דעת שלא התפתח עקב השימוש. השקעה בהכשרה דורשת זמן, חניכה ולעיתים גם נכונות לוותר על חלק מן החיסכון המיידי. ארגון שיתמקד רק בתפוקה עלול למצוא את עצמו בעוד כמה שנים עם עובדים שיודעים להפיק תוצאות מרשימות באמצעות בינה מלאכותית, אך מתקשים לקבל החלטות חשובות כאשר התנאים משתנים.
השאלה שעלינו לשאול כמי שמכשירים את דור העתיד אינה כמה משימות תוכל הבינה המלאכותית לבצע במקום עובדים צעירים, אלא כיצד נשתמש בה כדי להכשיר אנשי מקצוע טובים יותר. הבינה המלאכותית מאפשרת לקצר תהליכים שבעבר גזלו זמן רב, לפנות משאבים לחשיבה מורכבת ולהנגיש ידע שהיה שמור לבעלי ניסיון. דווקא משום כך, האחריות של הארגונים אינה מסתיימת ברכישת הכלים ובהטמעתם. אפשר למדוד את הצלחת הבינה המלאכותית במספר שעות העבודה שנחסכו, אך קשה הרבה יותר למדוד את הניסיון שלא נרכש בדרך. ארגון שיבחן לאורך זמן רק את החיסכון הראשון עלול לגלות מאוחר מדי את מחירו של השני.
נדגיש כי כל המידע המובא לעיונכם במאמר זה הינו למידע כללי וראשוני בלבד, ואינו נועד בשום מקרה לשמש כייעוץ משפטי ו/או כתחליף לייעוץ משפטי לגבי מקרים ספציפיים. אין להסתמך על האמור מבלי להיוועץ עם עורך דין העוסק בתחום בטרם נקיטת כל פעולה או קבלת כל החלטה. המידע האמור במאמר זה נכון למועד כתיבתו בלבד ועל בסיס המצב החוקי הידוע והקיים במועד זה.
ניתן לפנות למשרדנו בכל שאלה בנושא ונשמח לסייע.
אפשר ליצור קשר בטלפון 03-6236130, בדוא״ל office@ailaw.co.il או באמצעות טופס יצירת הקשר המופיע באתר.