הסיבה המרכזית לשינוי המדווח במטא פשוטה: שימוש רב יותר ב-AI אינו מעיד בהכרח על עבודה טובה יותר.
בתחילת 2026 הפך השימוש בבינה מלאכותית למדד בולט במקומות עבודה בכמה מחברות הטכנולוגיה. במטא, לפי דיווחים, הועסקו ניסוחים סביב שימוש ב-AI ומעמד של ״AI Native״, ובמקביל דירוגים פנימיים של שימוש בטוקנים הפכו את צריכת המודלים לתחרות. כך נולד המונח טוקנמקסינג: ניסיון למקסם את מספר הטוקנים שנצרכו כדי לשפר את המעמד האישי.
2
3
7
כעת, מטא הסירה לפי דיווחים את השימוש ב-AI ואת מעמד ״AI Native״ מקריטריוני הערכת הביצועים. הגישה החדשה אמורה לבחון את התרומה ואת התוצאה, בין שהעבודה נעזרה ב-AI ובין שנעשתה בדרכים אחרות.
7
9
למה ספירת טוקנים היא מדד בעייתי
טוקן הוא יחידת טקסט שמודל AI מעבד. אפשר להשתמש בו כדי למדוד ביקוש למערכת ועלויות, אך הוא מדד חלש לביצועי עובד.
עובד יכול לנסח עוד הנחיות, להריץ משימות ארוכות יותר או להפעיל מודל על עבודה בעלת ערך נמוך — בלי לשפר את האיכות, האמינות, המהירות או התועלת העסקית של התוצאה. ברגע שהיקף השימוש נקשר להכרה או להערכות, המדד עלול להפוך למטרה בפני עצמה. דיווחים בענף תיארו עובדים שהגדילו את השימוש ב-AI כדי לעקוף את שיטת הדירוג, בזמן שעלויות ההרצה זינקו.
1
11
16
זוהי הכשל המרכזי של טוקנמקסינג: הוא ממטב מדד עקיף של פרודוקטיביות, במקום את הפרודוקטיביות עצמה.
מטא הודיעה לעובדיה, לפי דיווחים, כי תגביל את השימוש ב-AI בעקבות עלייה ״אקספוננציאלית״ בעלויות; עוד דווח כי מטא ואמזון הסירו טבלאות דירוג המבוססות על שימוש בטוקנים.
1
2 אין פירוש הדבר של-AI אין ערך בעבודה. המשמעות היא שצריכה גולמית של המודל אינה מוכיחה ערך בפני עצמה.
מה אמורות לשנות הערכות שממוקדות בתרומה
לפי ההנחיות המדווחות במטא, השימוש ב-AI הוסר מההערכות, ומנהלים התבקשו שלא להשתמש בסך הטוקנים או בלוחות מחוונים של אימוץ AI כדי לשפוט השפעה.
7
9
במילים מעשיות, השאלה בהערכת עובד אמורה להשתנות מ־״כמה AI האדם הזה הפעיל?״ ל־״מה הוא או היא סיפקו בפועל?״
הערכה ממוקדת תרומה יכולה להתבסס על תוצאות כמו:
- איכות ונכונות התוצר;
- אמינות ויכולת תחזוקה של מערכות או תהליכים;
- היקף השימושיות ללקוחות או לצוותים פנימיים;
- השפעה עסקית או תפעולית; וכן
- שיקול דעת בבחירה מתי AI מועיל ומתי לא.
הניסוח המדווח חשוב: אותה תוצאה יכולה לזכות בהכרה, בין שנעזרה ב-AI ובין שהושגה באמצעים אחרים.
7
9 ה-AI נותר כלי עבודה, אך אינו אמור להיות עוד לוח התוצאות.
אז למה מטא עדיין בודקת את Hatch?
שינוי מדיניות ההערכה אינו בהכרח נסיגה מאימוץ AI. מטא גם מעודדת לפי דיווחים עובדים לבחון את Hatch, פרויקט של סוכן AI אוטונומי יותר.
7
ההבחנה הזו הגיונית: סוכן שמבצע פעולות באתרים ובאפליקציות הוא הצעת מוצר שונה מהותית מצ׳אטבוט שמייצר טקסט בלבד. ניסוי פנימי יכול לסייע לבדוק אם סוכן כזה משלים משימות באופן מדויק, מטפל בהרשאות בבטחה ומספק חוויית שימוש ראויה לאמון לפני השקה רחבה יותר.
במוצר כמו Hatch, המדד המועיל אינו מספר הטוקנים שהנסיינים צרכו. השאלה היא אם הסוכן משלים משימה בעלת ערך באופן עקבי, עם שליטה מתאימה של המשתמש, בלי לייצר טעויות, בעיות אבטחה או צורך בפיקוח יקר.
הלקח הרחב יותר לגבי AI בעבודה
השינוי המדווח במטא משתלב במגמה רחבה יותר. חברות שעודדו בתחילה עובדים להשתמש בכמה שיותר AI נתקלות בשאלה קשה יותר: האם ההוצאה הזו מייצרת שיפור מדיד? דיווחים תיארו עלויות AI עולות ללא עלייה מקבילה בפרודוקטיביות, מצב שדוחף חלק מהמעסיקים להציב מגבלות, תקציבים או ליישם את הכלים באופן בררני יותר.
1
10
11
למעסיקים, הגישה היעילה יותר היא להתייחס לאימוץ AI כניסוי שמחובר לתוצאות:
- להגדיר איזו עבודה אמורה להשתפר.
- למדוד איכות, זמן שנחסך, אמינות ועלות — ולא רק פעילות בכלי.
- לשמור על אחריות אנושית להחלטות ולתוצרים.
- להשוות עבודה שנעזרה ב-AI לקו בסיס מתאים ללא AI.
- להפסיק תמריצים שמתגמלים שימוש מיותר במודלים.
הנתונים על שימוש ב-AI עדיין עשויים להיות שימושיים תפעולית, למשל לתכנון קיבולת ולבקרת עלויות. אבל הם תחליף גרוע להערכת תרומתו של עובד. השינוי המדווח במדיניות מטא מכיר בהבחנה הזו: מתגמלים את השפעת העבודה, לא את כמות ה-AI שנצרכה כדי לייצר אותה.
7
9