
למי המאמר מיועד: מנהלים, מנהלי צוותים, משאבי אנוש ולמידה ארגונית
מה חשוב לקחת מהמאמר
בודקים תוצר ואחריות ולא מענישים על הכלי.
מבחינים בין סקרי דיווח עצמי לבין ניסויים על שיפוט חברתי.
מגדירים שלוש שורות בכל הגשה ובודקים מה השתנה אחרי חודש.
שלוש שורות לפני הגשת תוצר
תבנית עבודה של המערכת, לא כלי מדידה מאומת.
- מה מטרת התוצר ומה צריך להחליט?
- מה נבדק מול מקור ומה עדיין לא נבדק?
- במה אינכם בטוחים ומה תרצו שהנמען יבדוק?
הדוח שנראה מושלם ושולח אתכם לעבוד
יום חמישי אחר הצהריים. עובדת בצוות שלכם שולחת מצגת של שנים-עשר שקפים לפני ישיבת הנהלה. הניסוחים חלקים, הכותרות חדות, וגרף אחד נראה מרשים. שעה לפני הישיבה אתם מגלים שהמספר בשקף 7 לא תואם את דוח המכירות, ושהמסקנה בשקף האחרון לא נובעת ממה שלפניה. אתם מתקנים בעצמכם. אף אחד לא אמר ״השתמשתי ב-AI״, ואתם לא בטוחים שזה בכלל משנה.
זו הנקודה: השאלה אינה אם נעשה שימוש בכלי. השאלה היא מי לקח אחריות על התוצר. מנהלים שמתמקדים ב״האם זה נכתב ב-AI״ מפספסים את הבעיה האמיתית, וגם פוגעים באנשים שמשתמשים בכלי היטב. המדריך הזה מציג מה אומר המחקר, ואחריו כלים לשיחה, לנורמות צוות ולמדידה.
מה המחקר מראה: שלוש תופעות שקשורות זו בזו
התופעה הראשונה היא "workslop". BetterUp Labs ומעבדת המדיה החברתית של סטנפורד מגדירות כך תוצר שנוצר בעזרת AI, נראה טוב ואין בו מהות. הוא יוצר אשליה של התקדמות: מצגות מלוטשות, דוחות ארוכים, סיכומים הדוקים מדי או קוד בלי הקשר. במקום לחסוך זמן, הוא משאיר לעמיתים את החשיבה האמיתית ואת התיקון.
התופעה השנייה היא עונש חברתי. מחקר שפורסם ב-PNAS בשנת 2025 מצא שמי שמשתמש ב-AI בעבודה נתפס כפחות מוכשר ופחות חרוץ מאדם שקיבל עזרה ממקור אחר.
התופעה השלישית היא מלכוד השקיפות. מחקר של Schilke ו-Reimann מצא שגילוי ששימשו ב-AI מקטין אמון, בין אם הגילוי מרצון ובין אם הוא חובה. שלוש התופעות יחד יוצרות מצב שבו עובדים מסתירים שימוש, מנהלים לא יודעים מה בדקו, והתוצר נשאר ללא בעלים.
Workslop במספרים
הנתונים מסקר של BetterUp בשיתוף מעבדת המדיה החברתית של סטנפורד, שנערך בספטמבר 2025 בקרב 1,150 עובדי משרד במשרה מלאה בארצות הברית. 40% מהנשאלים קיבלו workslop בחודש שקדם לסקר. הטיפול בכל מקרה לקח בממוצע כשעתיים. החוקרים מעריכים עלות של 186 דולר לעובד בחודש, ובחברה של 10,000 עובדים כ-9 מיליון דולר בשנה.
חשוב לקרוא את המספרים בזהירות. זה סקר עצמי של עובדים אמריקאים, והערכת העלות היא הערכה של החוקרים. אין בו נתונים על ישראל. אבל הכיוון ברור וקל לזהות אותו אצלכם: זמן שמושקע בתיקון עבודה של אחרים, ותחושה של עמיתים שאי אפשר לסמוך על מה שקיבלו.
אחד המשתתפים בסקר סיפר שהתוצר הגיע מהממונה עליו, ושהיה לו לא נעים לבקש ממנה לתקן. במקום זה הוא עשה את העבודה בעצמו על חשבון משימות אחרות. זה אחד הסיכונים הגדולים: workslop שמגיע מלמעלה לא מקבל משוב, ולכן הוא חוזר.
העונש החברתי: מה אתם עלולים לעשות בלי לשים לב
במחקר ב-PNAS של Reif, Larrick ו-Soll השתתפו ארבעה ניסויים שנרשמו מראש, עם 4,439 נבדקים. אנשים שקיבלו עזרה מ-AI ציפו שיעריכו אותם כעצלנים, פחות מוכשרים ופחות חרוצים. הצופים אכן הערכו כך. ההערכות השפיעו גם על שיפוט של מועמדים לעבודה.
החוקרים בדקו גם אם התנסות אישית משנה את השיפוט. בניסויים המקוונים, אצל משתתפים שהשתמשו ב-AI אחת לשבוע ומעלה, ההבדל בתפיסת העצלנות בין מועמד שמשתמש ב-AI לבין מועמד שאינו משתמש לא היה מובהק סטטיסטית. אצל משתתפים שהשתמשו בו פחות, ההבדל היה מובהק. זו הבחנה בין קבוצות של משתתפים, כלומר מתאם ולא הוכחה לכך שהתנסות בכלי גורמת לשיפוט מתון יותר.
חשוב גם מה לא נבדק: המשתתפים היו אנשים מקוונים שקראו תיאורים של מועמדים, לא מנהלים אמיתיים שמכירים את העובדים שלהם. אין כאן ממצא כללי על מנהלים בארגונים. המסקנה המעשית צנועה יותר: כדאי לשאול את עצמכם בכנות איך הייתם מגיבים לאותה עבודה אם הייתם יודעים שנעזרה במחשבון, בעמית או במודל שפה, כי ההטיה קיימת בניסויים ואי אפשר להניח שאתם חסינים לה.
מלכוד השקיפות
במחקר שפורסם ב-Organizational Behavior and Human Decision Processes בשנת 2025, Schilke ו-Reimann ערכו 13 ניסויים. הם מצאו שמי שמגלה שהשתמש ב-AI זוכה לפחות אמון ממי שלא גילה, ושההסבר המרכזי הוא ירידה בתחושת הלגיטימיות. האפקט נשמר בין אם הגילוי נעשה מרצון ובין אם הוא חובה, והוא חלש יותר מהאפקט של חשיפה על ידי צד שלישי.
בניתוח המשולב של החוקרים לא נמצאה הפחתה בעונש אצל מי שהשתמשו ב-AI בעצמם או מכירים אותו היטב. זה נראה כסתירה למחקר ה-PNAS, אבל המחקרים בדקו דברים שונים: ב-PNAS נמדדה תפיסת עצלנות בהקשר של גיוס, וכאן נמדד אמון במי שמגלה. לכן לא נכון לחבר אותם לטענה אחת על מנהלים. הלקח המשותף צנוע יותר: שימוש ב-AI עלול להיתפס בצורה שלילית, והתפיסה הזאת אינה נעלמת מעצמה כשהכלי נעשה נפוץ.
מה עושים עם זה? המסקנה אינה ״לא לדרוש שקיפות״. המסקנה היא שדרישה כללית של ״ציינו אם השתמשתם ב-AI״ עלולה ליצור עונש, ולכן עדיף לשאול שאלות על האחריות: מה בדקתם, מה תיקנתם, ועל מה אתם עומדים מאחורי התוצר. את השאלות האלה אפשר לשאול על כל עבודה, בלי קשר לכלי.
להעריך תוצר ואחריות: טבלת בדיקה למנהל
הטבלה בודקת תוצר, לא תהליך. כך אפשר להשתמש בה על עבודה שנעזרה ב-AI ועל עבודה שלא.
| מה רואים בתוצר | מה זה אומר | מה לשאול |
|---|---|---|
| מספרים וציטוטים בלי מקור | ייתכן שלא נבדקו | ״מאיפה המספר הזה, ואיפה בדקת אותו?״ |
| מסקנה שלא נובעת מהנתונים | הטקסט נבנה לפי צורה ולא לפי טיעון | ״איזה נתון תומך במסקנה, ומה היה משנה אותה?״ |
| ניסוח כללי שמתאים לכל ארגון | אין התאמה להקשר שלנו | ״מה ייחודי לנו שכתוב כאן?״ |
| אורך רב עם מעט החלטות | מילוי | ״מה ההחלטה שאני צריך לקבל, ובאיזה עמוד?״ |
| עבודה מדויקת ומנומקת | יש אחריות, גם אם נעזרו בכלי | ״מה היה לך הכי קשה להכריע?״ |
תבנית הגשה קצרה שאפשר להנהיג מחר
כדי שהשיחה על אחריות לא תיפתח רק אחרי שהתוצר נכשל, אפשר לבקש בכל הגשה שלוש שורות קבועות, בלי קשר לכלי. הראשונה: מה מטרת התוצר ומה אני מבקש מהקורא להחליט. השנייה: מה בדקתי מול מקור, ומה לא הספקתי לבדוק. השלישית: מה אני פחות בטוח בו ורוצה שתשימו עליו עין.
השורה השלישית חשובה במיוחד. היא הופכת הודאה בחוסר ודאות לחלק מהנוהל, ולכן עובדים לא צריכים להסתיר אותה. מי שמגיש בדוח ״לא הספקתי לבדוק את הנתון של אזור הצפון״ מתנהג בדיוק כפי שרוצים. מי שמגיש מסמך מלוטש בלי שום סימן לספק, מבקש מכם לסמוך בעיניים עצומות.
התבנית עובדת גם על מצגת, מסמך, תשובה ללקוח וקוד. לאחר חודש תוכלו לראות אילו הגשות חוזרות לתיקון ומה משותף להן.
שיחת משוב בארבעה צעדים
שיחת המשוב על תוצר חלש צריכה להיות על האחריות ולא על הכלי. כך אפשר לבנות אותה.
צעד ראשון: מתארים את מה שרואים. ״בשקף 7 המספר לא תואם לדוח המכירות של הרבעון.״ משפט כזה מתאר עובדה ולא מייחס כוונה.
צעד שני: שואלים על התהליך בלי להאשים. ״איך הגעת למספר הזה, ומה בדקת לפני ההגשה?״ שימו לב: אינכם שואלים אם נעזרו ב-AI. אם התשובה כוללת כלי, זה בסדר. אם היא כוללת ״לא בדקתי״, זו הנקודה.
צעד שלישי: מגדירים את הסטנדרט. ״אני מצפה שכל מספר שמוצג להנהלה נבדק מול המקור, ושתדעו להסביר את המסקנה בשני משפטים.״
צעד רביעי: סוגרים בהסכמה. ״מה תעשה אחרת בפעם הבאה, ומתי נבדוק שוב?״ כך נקבע מועד מעקב, וההערה לא נשארת באוויר.
אם אתם רוצים להעמיק בשיחות משוב כלליות, יש במשכוכית מדריך נפרד לשיחת משוב אפקטיבית למנהלים.
נורמות צוות: חמש שורות שכדאי לכתוב ולהסכים עליהן
הנורמה החמישית חשובה במיוחד. כשנמען מתקן בשקט, הוא סופג את העלות, והכותב לא לומד. זה בדיוק המנגנון שתיאר המשתתף בסקר של BetterUp.
- בעלות: מי שמגיש תוצר אחראי עליו במלואו, בלי קשר לכלי שיצר אותו.
- בדיקה: מספרים, שמות, ציטוטים ותאריכים נבדקים מול מקור לפני ההגשה.
- הקשר: כל תוצר שנשלח לעמית כולל שורה שמסבירה מה הוא אמור לאפשר לו להחליט.
- שאלות במקום חשדות: שואלים ״מה בדקת״ ולא ״האם זה AI״.
- תיקון חוזר: תוצר חלש חוזר לכותב עם משוב, ולא מתוקן בשקט על ידי הנמען.
הדוגמה שלכם חשובה: מה Gallup מצאה על מנהלים
נתוני Gallup מ-2026 מראים שהמנהל הוא גורם מרכזי. בארגונים שמטמיעים AI, רק 36% מהעובדים מסכימים מאוד שהמנהל שלהם תומך באופן פעיל בשימוש בצוות. בקרב אלה שמסכימים מאוד, 78% משתמשים ב-AI בתדירות גבוהה, לעומת 44% אצל האחרים.
בסקר נפרד של Gallup בקרב 102 מנהלי משאבי אנוש בכירים, חצי אמרו שאינם בטוחים ביכולת של מנהלי הביניים להנחות עובדים בשימוש ב-AI. רק 26% מהם מדווחים על פעולה לשילוב מיומנויות AI בציפיות מהתפקיד או ביעדי ביצוע, ו-8% קושרים את האימוץ לתמריצים או למדדים.
הפער הזה הוא ההזדמנות שלכם. מנהל שמשתמש בכלי, מדגים בדיקה של תוצר ומדבר על כך בגלוי, מקטין גם את הפחד לשתף וגם את הסיכון ל-workslop.
מה כדאי למדוד
אלה הצעות פרקטיות ולא מדדים שנבדקו במחקר, ולכן כדאי להתחיל בבדיקה קטנה של חודש.
אל תמדדו שימוש בכלי כמטרה בפני עצמה. מדד כזה מעודד שימוש מרובה ולא שימוש טוב.
- זמן תיקון: כמה זמן עמיתים משקיעים בתיקון תוצרים שקיבלו, לפי דיווח בסקר קצר ברבעון.
- שיעור החזרות: כמה תוצרים חוזרים לכותב לתיקון לפני שהם עוברים הלאה.
- שאלת אמון: ״עד כמה אתה סומך על מה שאתה מקבל מעמיתים?״ בסולם קצר, לאורך זמן.
- שיתוף בגלוי: האם עובדים מספרים בצוות על שימושים, בעיות ובדיקות, או שהנושא נעלם מהשיחה.
טעויות נפוצות של מנהלים
הטעות הראשונה היא ענישה על עצם השימוש. היא דוחפת עובדים להסתיר, והמחקר מראה שהטיה כזו קיימת בניסויים, ולכן כדאי לא להסתמך על האינטואיציה.
הטעות השנייה היא הערכה לפי מראה. תוצר מלוטש מקבל ציון גבוה, וכך workslop מתחזק. הטעות השלישית היא תיקון שקט, שנועד לחסוך שיחה לא נעימה אבל מנציח את הבעיה. הטעות הרביעית היא דרישה גורפת לדווח על כל שימוש, בלי להסביר למה ובלי לדאוג שהדיווח לא ישמש נגד העובד.
איך נראה workslop בתפקידים שונים
הסימנים משתנים לפי סוג העבודה, וכדאי שהצוות יכיר דוגמאות מהתחום שלו. בדוח כספי או בתחזית, הסימן הוא מספר שנראה סביר אבל אי אפשר לשחזר אותו מהקובץ. במצגת, הסימן הוא שקפים שכל אחד מהם נכון בנפרד אבל אין ביניהם רצף של טיעון. במייל ללקוח, הסימן הוא ניסוח אדיב וכללי שלא עונה על השאלה הספציפית שנשאלה. בקוד, הסימן הוא פונקציה שעובדת בדוגמה אחת ונכשלת בתנאי קצה שהמפתח לא בדק.
כדאי לאסוף שלוש עד חמש דוגמאות אמיתיות מהצוות, בלי שמות, ולעבור עליהן יחד בישיבה אחת. מטרת התרגיל אינה למצוא אשמים. מטרתה לקבוע מה נחשב אצלכם תוצר שמוכן להגשה, ומה הבדיקה המינימלית שמצופה מכל מי שמגיש.
כשהבעיה מגיעה ממי שמעליכם או מעמית בכיר
אחד הממצאים בעלי המשמעות בסקר הוא שקשה לתקן workslop שמגיע מלמעלה. מנהל ביניים שמקבל מצגת בעייתית מהנהלה בכירה נוטה לתקן בשקט. יש שתי דרכים לשבור את הדפוס בלי להפוך אותה לעימות.
הראשונה היא לשאול שאלת הבהרה במקום להעיר הערה. ״איזו החלטה אתם רוצים שנקבל על סמך השקף הזה?״ היא שאלה לגיטימית, והיא מחזירה את האחריות לכותב. השנייה היא להציג את הנורמה כנוהל של כל הארגון: אם תבקשו ממנהלי הצוותים לצרף לכל מסמך את שלוש השורות מהתבנית שלמעלה, הבקשה חלה גם על הנהלה בכירה, והיא אינה נתפסת כביקורת אישית.
איך מתחילים: תוכנית לשלושים יום
בשבוע הראשון מנהלים שיחה בצוות על ההגדרה של תוצר מוכן להגשה, ומסכימים על חמש הנורמות. בשבוע השני מנהלים את תבנית ההגשה בשלוש שורות בכל מסמך שעובר בין שני אנשים. בשבוע השלישי מתחילים לשאול את שאלות הבדיקה בישיבות, וגם מדגימים: מציגים תוצר של עצמכם ומספרים מה בדקתם. בשבוע הרביעי עושים סבב קצר ובודקים מה השתנה, אילו תוצרים חזרו לתיקון, ואיפה התבנית לא עבדה. התוכנית היא הצעה שלנו, לא פרוטוקול שנבדק במחקר, ולכן כדאי להתאים אותה לקצב הצוות.
מה עושים בהערכת ביצועים תקופתית
המאמר עד כאן עסק בהגשה בודדת. בהערכה שנתית או חצי שנתית, השאלה שונה: איך מעריכים עובד שמשתמש בכלי בקביעות? ההצעה שלנו היא להעריך את אותם דברים שמעריכים תמיד, ולהוסיף נקודה אחת: מה הייתה איכות ההחלטות שהעובד קיבל, כמה פעמים תוצריו חזרו לתיקון, ומה הוא עושה כשהוא לא בטוח? מי שמציג בדיקה שיטתית של תוצרים שנעזרו בכלי מראה שיקול דעת, וזה ראוי להערכה חיובית.
כדאי להיזהר משני כשלים. הראשון הוא לדרוש מהעובד לספור כמה פעמים השתמש בכלי, כי המספר אומר מעט על איכות העבודה. השני הוא להתעלם משימוש בכלי במקרים שבהם הוא משנה את מה שהעובד מסוגל לבצע בזמן נתון. בשני המקרים השאלה המכוונת היא אותה שאלה: מי אחראי על התוצר, ומה נעשה כדי שאפשר יהיה לסמוך עליו.
אלה המלצות עבודה שלנו ולא ממצאים ממחקר. הן נשענות על העיקרון שהמחקר מחזק, שהשיפוט החברתי על עצם השימוש בכלי עלול להטות, ולכן עדיף למדוד את התוצר ואת האחריות עליו.
מקורות וקריאה נוספת
- Niederhoffer, K., Rosen Kellerman, G., Lee, A., Liebscher, A., Rapuano, K., Hancock, J. T. (2025). AI-Generated "Workslop" Is Destroying Productivity. Harvard Business Review, 22 בספטמבר 2025. (נפתח בלשונית חדשה)Harvard Business Review (תמצית זמינה בלבד)
- Niederhoffer, K., Robichaux, A., Hancock, J. T. (2026). Why People Create AI "Workslop" and How to Stop It. Harvard Business Review, 16 בינואר 2026. (נפתח בלשונית חדשה)Harvard Business Review (תמצית זמינה בלבד)
- BetterUp Labs ומעבדת המדיה החברתית של סטנפורד. Workslop: The Hidden Cost of AI-Generated Busywork. (נפתח בלשונית חדשה)BetterUp Labs / Stanford Social Media Lab
- Reif, J. A., Larrick, R. P., Soll, J. B. (2025). Evidence of a social evaluation penalty for using AI. PNAS. (נפתח בלשונית חדשה)PNAS
- Schilke, O., Reimann, M. (2025). The transparency dilemma: How AI disclosure erodes trust. Organizational Behavior and Human Decision Processes, 188, 104405. (נפתח בלשונית חדשה)Organizational Behavior and Human Decision Processes
- Gallup (2026). AI and Workplace Productivity: What Leaders Need to Know. (נפתח בלשונית חדשה)Gallup
- Gallup (2026). AI's Effect on Workplace Culture. (נפתח בלשונית חדשה)Gallup
שאלות נפוצות
האם מנהל צריך לדעת אם עובד השתמש ב-AI?
לא תמיד. חשוב יותר לדעת מי אחראי על התוצר ומה נבדק. בעבודה בעלת סיכון גבוה, כמו נתונים ללקוחות או מסמכים משפטיים, מגדירים מראש כללים לשימוש בכלי ולבדיקה.
איך מזהים workslop?
לפי סימנים בתוצר: מספרים בלי מקור, מסקנה שלא נובעת מהנתונים, ניסוח כללי ואורך שאינו מתורגם להחלטה. הטבלה שלמעלה מרכזת אותם.
איך נותנים משוב על עבודה שנעזרה ב-AI?
מתארים עובדה, שואלים על תהליך הבדיקה, מגדירים סטנדרט ומקבעים מועד מעקב.
האם לדרוש גילוי של שימוש ב-AI?
המחקר של Schilke ו-Reimann מראה שגילוי עלול להפחית אמון. לכן עדיף לדרוש אחריות ובדיקה ולא סימון כללי, ולהחליט לפי סוג העבודה והסיכון.
איך מקטינים את החשש של עובדים לשתף?
מדברים על שימושים בישיבות צוות, מדגימים בעצמכם ומבהירים שמעריכים תוצר ולא כלי.
איך אפשר ללמד צוות לעבוד כך?
בסדנה קצרה שמתרגלת בדיקת תוצר ושיחת משוב על דוגמאות מהעבודה של הצוות עצמו.
מה עושים כשמגיע תוצר חלש ממנהל בכיר?
אפשר לשאול איזו החלטה התוצר אמור לאפשר ולהחיל את אותה תבנית הגשה על כל הדרגים. זו הצעת יישום, לא ממצא שנבדק כנוהל במחקר.