מטא וקלרנה גילו את גבולות ה-AI: אוטומציה עדיין זקוקה לאנשים

בינה מלאכותית משנה את האופן שבו חברות בונות צוותים, אבל המקרים של מטא וקלרנה ממחישים מדוע החלפת מחלקות שלמות ב-AI מורכבת בהרבה מאוטומציה של חלקים מעבודה. מטא עצרה את התכנון לגל שני של ארגון מחדש במסגרת Project OT, לאחר שכבר ביצעה קיצוץ בכוח האדם; קלרנה שבה לגייס אנשי שירות אנושיים לאחר שמודל שירות מוטה-AI הניב תוצאות באיכות נמוכה יותר. 218

המסקנה המעשית אינה אידאולוגית: AI יכול לטפל בקנה מידה גדול במשימות מובְנות וחוזרות, אך ארגונים עדיין זקוקים לאנשים כדי להתמודד עם עמימות, לבקר תוצרים, לפתור חריגים ולשמור על חוויית הלקוח.

מטא: החזון של צוותים קטנים נתקל במגבלות המציאות

לפי תחקיר רויטרס, Project OT — קיצור של Organization Transformation — תוכנן כמהלך ארגון מחדש בשני גלים. במאי 2026 ביצעה מטא את גל הקיצוצים הראשון, בהיקף של כ-10% מכוח האדם, ולאחר מכן הפסיקה את התכנון לגל השני שתוכנן לנובמבר. מטא אישרה ש-Project OT אכן התקיים, ותיארה אותו כפרויקט שנתי שכלל קיצוץ עלויות, עיצוב מחדש של מבנה הצוותים והעברת עובדים לתחומי עדיפות. 2

הנסיגה הזו חשובה משום שלא היה מדובר רק בתוכנית קיצוץ עלויות רגילה. התוכנית דמיינה קבוצות עובדים קטנות בהרבה, שייעזרו בסוכני AI. התוצאה המדווחת מצביעה על הבחנה מהותית: היכולת לייצר יותר טיוטות, קוד או תוצרים אינה מבטיחה מסירה אמינה של מוצר. בתהליכים מורכבים, בני אדם עדיין נדרשים להגדיר מטרות, לחבר בין מערכות, לבדוק תוצאות, לזהות תקלות ולקחת אחריות כשמשהו משתבש.

מטא לא זנחה את השקעתה ב-AI או את השימוש בו בעבודה. מה שהשתנה הוא מידת הביטחון שסוכני AI יכולים להצדיק גל רחב נוסף של צמצום כוח אדם בלוח הזמנים המקורי. 2

קלרנה: נפח אוטומטי אינו ערובה לשירות איכותי

הניסיון של קלרנה מציג את אותו אתגר מזווית שירות הלקוחות. העוזר שלה מבוסס ה-AI טיפל בחלק ניכר מפניות התמיכה השגרתיות, לרבות שאלות על תשלומים, החזרים והחזרות. בהמשך נסוגה קלרנה מגישת שירות המבוססת על AI בלבד וחידשה את הגיוס של אנשי תמיכה אנושיים. 1720

לפי הדיווחים על שינוי הכיוון, המנכ״ל סבסטיאן סימיאטקובסקי הודה שהחברה צמצמה את היכולת האנושית באופן אגרסיבי מדי. הבעיה לא הייתה של-AI אין ערך, אלא ששירות אוטומטי התקשה במקרים מורכבים, עמומים או רגישים רגשית — מצבים שבהם עובדים מנוסים מביאים עמם יכולת חקירה, שיקול דעת ואמפתיה. קלרנה החלה לבנות מחדש יכולת תמיכה אנושית לצד האוטומציה. 1819

ההבחנה הזו קריטית במיוחד במוקדי שירות. מערכת יכולה לפתור במהירות בקשות נפוצות, אך עדיין לפגוע באמון אם לקוחות עם מחלוקת על חיוב, נסיבות חריגות או בעיה שמחריפה אינם מצליחים להגיע במהירות לאדם מיומן. אוטומציה מועילה רק כאשר מסלולי הסלמה ואחריות אנושית מוטמעים בשירות.

המודל שמסתמן: AI כמכפיל כוח, לא תחליף לכל תפקיד

שני המקרים מצביעים על מודל תפעולי עמיד יותר:

• לאוטומט משימות צפויות. AI שימושי במיוחד כשהקלטים אחידים, קל לאמת את התוצאה, וטעות אינה יקרה לתיקון.
• להשאיר אנשים בצמתי החלטה. בני אדם חיוניים כאשר העבודה דורשת הקשר שחוצה מערכות, איזונים בין שיקולים, שיפוט מקצועי, אחריות או ניהול יחסים.
• לבנות מנגנון הסלמה לתוך התהליך. שירות לקוחות ותהליכים רגישים אחרים זקוקים להעברה ברורה לאנשי מקצוע — ולא למבוי סתום של לולאה אוטומטית.
• למדוד תוצאות, לא רק פעילות. יותר קוד שנוצר, תגובה ראשונה מהירה יותר או נפח משימות גדול יותר אינם מדדים מספקים אם האיכות, שיעור הפתרון, הבטיחות או אמון הלקוחות נפגעים.

אין פירוש הדבר שמשרות יישארו ללא שינוי. השינוי צפוי להגיע דרך עיצוב מחדש של צוותים, דרישות מיומנות משתנות ופחות תפקידים המוקדשים לעבודה שגרתית — לא בהכרח דרך קץ מיידי לעבודה אנושית.

נתוני הגיוס מצביעים על הקצאה מחדש לטובת יכולת טכנית

נתוני שוק העבודה הטכנולוגי תואמים את התמונה הזו. לפי SignalFire, הגיוסים בחברות טכנולוגיה גדולות היו נמוכים ב-25% לעומת רמת הבסיס של 2019, בעוד שהגיוס לתפקידי הנדסת תוכנה ירד ב-11% בלבד. לכן מהנדסי תוכנה היו 55% מכלל הגיוסים באותן חברות, לעומת 46% ב-2019. 49

הנתונים אינם מוכיחים ש-AI גרם לכל שינוי בגיוס; שוק הטכנולוגיה מושפע גם ממחזורי עסקים ומתיקוני כוח אדם שלאחר תקופת הקורונה. עם זאת, הם מראים שארגונים רזים יותר לא ביטלו את הצורך בכישרון טכני. במקום זאת, תמהיל הגיוס זז לעבר אנשים שיכולים לבנות, להטמיע, להעריך, לאבטח ולפקח על מערכות אוטומטיות יותר ויותר.

הסיכון הקרוב: סולם הקריירה של עובדי הכניסה

חוקרים מ-Stanford Digital Economy Lab לא מצאו עדות לדחיקת עובדים נרחבת בכלל המשק בנתוני שכר מנהליים עד יוני 2026. עם זאת, תעסוקת עובדים בגילאי 22–25 במקצועות החשופים מאוד ל-AI הייתה נמוכה ב-19% מהרמה שאליה הייתה מגיעה אילו הדביקה את קצב התעסוקה של בני גילם במקצועות חשופים פחות. בקרב עובדים מנוסים לא נמצא פער מקביל, וההתאמה נראתה בעיקר דרך ירידה בגיוס ולא דרך עלייה בפרישות או בפיטורים. 35

הנתון של 19% הוא פער יחסי מול תרחיש של "הדבקת קצב", ולא מספר של משרות ש-AI ביטל ישירות. ובכל זאת, הוא מדגיש בעיה משמעותית: כאשר AI מבצע חלק מהעבודה השגרתית של תפקידי התחלה, חברות עשויות להציע פחות הזדמנויות שבהן אנשים צוברים את הניסיון המוביל לתפקידים בכירים יותר.

מה חברות יכולות ללמוד ממטא ומקלרנה

השאלה המועילה כבר אינה אם להשתמש ב-AI, אלא היכן הוא יכול לשפר תהליך בלי להסיר את היכולות האנושיות שהופכות אותו לאמין.

עצירת הגל השני במטא וחידוש הגיוס בשירות הלקוחות של קלרנה מרמזים שחברות צריכות לבחון אוטומציה מול תוצאות סופיות: מסירת מוצרים מוצלחת, החלטות מדויקות, טיפול מלא בפניות, אמון לקוחות ועלויות התאוששות סבירות. במקום שבו AI עובד היטב, הוא יכול להגדיל את הקיבולת של צוות קטן יותר. במקום שבו אי-הוודאות או המחיר של טעות גבוהים, העיצוב הנכון הוא בדרך כלל אדם לצד AI — לא מערכת נטולת בני אדם.

לכן, AI מעצב מחדש את הרכב הצוותים ואת המינוף שלהם. החברות שסביר שיפיקו ממנו את המרב יהיו אלה שיתייחסו לאוטומציה ככלי לעבודה אנושית טובה יותר, ולא כקיצור דרך שעוקף את העבודה האנושית שמוצרים מורכבים וקשרי לקוחות עדיין דורשים.