מחקר עבודה של NBER מאת ברייניולפסון, לי וריימונד, שפורסם באפריל 2023, הוא מניסויי השטח הגדולים הראשונים של AI גנרטיבי בעבודה אמיתית: עוזר AI הוטמע אצל כ־5,200 נציגי שירות ותפוקתם עלתה ב־14% בממוצע. הרווח הגדול, כ־34%, נמדד אצל הנציגים החדשים, ומצביע על מנגנון של העברת ידע ארגוני. עבור מנהלי שירות ומכירות בישראל, זו ראיה מבוססת שטח לערך של AI כמאיץ למידה.
מה נמדד במחקר ולמה זה חשוב
המחקר עקב אחר ההטמעה של עוזר AI גנרטיבי, המבוסס על מודל שפתי שאומן על שיחות שירות מוצלחות, אצל כ־5,200 נציגי שירות שטיפלו בפניות לקוחות בצ׳אט. המערכת הציעה לנציגים תשובות אפשריות בזמן אמת, עם קישור לתיעוד פנימי. החוקרים מדדו שינוי בנושאים שנפתרו לשעה, בזמני טיפול, בשביעות רצון הלקוחות ובהיקף הבקשות לסיוע ממפקחים. זהו מדד התנהגות בפועל ולא שאלון דיווח עצמי.
חשיבותו של המחקר חורגת מהמספרים: הוא מדגים שניתן למדוד את אפקט ה־AI בארגון בשיטות כמעט ניסיוניות, עם קבוצות השוואה ומדדים תפעוליים. לארגונים בישראל הוא מציע תבנית פיילוט: מדדו לפני ואחרי, השוו בין צוותים, ובדקו לא רק מהירות אלא איכות ושביעות רצון. ארגון שמודד כך מקבל החלטות הרחבה מבוססות ראיות במקום התרשמות מהדגמה.
הממצאים: 14% בממוצע, 34% אצל החדשים
הממצא המרכזי: שיפור ממוצע של 14% במספר הנושאים שנפתרו לשעה לאחר ההטמעה, עם שונות גדולה בין עובדים. הנציגים החדשים והפחות מיומנים הרוויחו כ־34%, בעוד שהמנוסים ביותר כמעט ולא הרוויחו מההצעות, ולעיתים אף איבדו זמן בקריאתן. הכלי גם קיצר את הזמן עד שתגובה ראשונה והפחית את שיעור הפניות לממפקחים, מה שמצביע על העצמה של הנציגים בקו הראשון.
ממצא משלים ומרתק: שיחות עם לקוחות נעשו מנומסות יותר לאחר ההטמעה, ושביעות רצון הלקוחות עלתה במידה מתונה. החוקרים מציעים שהכלי מפצה על חלק ממחיר הלחץ של עבודת השירות. עם זאת, יש לזכור את המגבלות: מדובר בחברה אחת, בתחום תמיכה טכנית, ובכלי שאומן על נתוני החברה עצמה, ולכן הכללה לתחומים אחרים דורשת זהירות.
המנגנון: העברת ידע מן המנוסים לחדשים
הפרשנות שהחוקרים מציעים היא שמודל השפה למד את דפוסי העבודה של הנציגים הטובים ביותר והפך אותם זמינים לכולם בזמן אמת. במילים אחרות, הכלי פעל כמערכת העברת ידע חיה: במקום לחכות חודשים עד שעובד חדש יצבור ניסיון, הוא קיבל את עיקרי הדפוסים המנצחים מהיום הראשון. זו תובנה ארגונית עמוקה: הערך הגדול של AI אינו בהחלפת אנשים אלא בקיצור עקומת הלמידה שלהם.
המשמעות למנהלים היא כפולה. ראשית, איכות הידע הארגוני הופכת לנכס אסטרטגי: אם הכלי לומד מהטובים, כדאי להשקיע בזיהוי ובתיעוד של דפוסי העבודה המנצחים. שנית, תפקיד המומחים משתנה: הם הופכים למקור האימון של המערכת, ויש לתגמל אותם על תרומת הידע. ארגון שמתעלם מהדינמיקה הזו עלול לאבד את שיתוף הפעולה של אותם מומחים שעליהם הכלי נשען.
היישום בצוותי שירות ומכירות בישראל
צוותי שירות בישראל מתמודדים עם אותם אתגרים שבמחקר: תחלופה גבוהה, זמני חניכה ארוכים ופערי ביצועים בין נציגים. עוזר AI שמאומן על שיחות מוצלחות של הארגון יכול לקצר את תקופת ההסתגלות של גיוס חדש ולהשטיח את פערי האיכות. במכירות, הגרסה המקבילה היא כלי שמציע תשובות להתנגדויות ומחירונים על בסיס עסקאות מוצלחות, ומקצר את הזמן עד שאיש מכירות חדש מייצר תוצאות.
מניסיון ההדרכה של משכוכית בצוותי שירות ומכירות, שלושה תנאים מכריעים בהצלחה: ניקיון וסידור של מקורות הידע לפני האימון, שילוב הנציגים המנוסים בעיצוב הכלי כדי למנוע התנגדות, ומדידה תקופתית של איכות ולא רק מהירות. כאשר הכלי מומלץ על ידי המומחים ולא כפוי עליהם, האימוץ גבוה והתועלת מתממשת בפועל. ולבסוף, תכננו את המסלול המקצועי מחדש: אם הכלי מבצע את המטלות הבסיסיות, צריך להגדיר מהם שלבי ההתקדמות החדשים של נציג שירות, מאילו אתגרים הוא לומד, ואיך נראה תפקידו בשנה השנייה כשהשגרה כבר אוטומטית.
מגבלות המחקר וההכללה
מדובר בנייר עבודה של NBER מחברה אחת ובתחום אחד, והמספרים אינם הבטחה לתוצאה בארגון אחר. עוזר ה־AI נבנה ואומן על נתוני החברה, עם תמיכת ספק מסורתית, תנאים שאינם זמינים לכל ארגון. בנוסף, המדידה התמקדה בתקופה מוגבלת לאחר ההטמעה, ואינה מלמדת על שחיקה, תלות או איבוד מיומנות בטווח הארוך.
הקריאה הזהירה ממליצה להתייחס ל־14% כסדר גודל של פוטנציאל ולא כיעד: ארגון שמטמיע כלי דומה צריך למדוד את התוצאות שלו בפיילוט מבוקר, עם קבוצת השוואה ומדדי איכות. המחקר מוכיח שהערך אפשרי; ההפיכה שלו לתוצאה בפועל היא עבודה ניהולית של עיצוב, הכשרה ומדידה, לא תוצאה אוטומטית של רכישת הכלי. בנוסף, כדאי לתעד את החלטת ההשקעה בכתב: מה נמדד, מה הוחלט ומדוע, כדי שהארגון ילמד מכל פיילוט גם אם הוא נעצר, ולא יחזור על אותן שאלות בכל סבב רכישה חדש.
מה לעשות עם המחקר כבר השבוע
המחקר מזמין בדיקה פנימית פשוטה: מדדו את פערי הביצועים בצוות שלכם. כמה זמן לוקח לנציג חדש להגיע לתפוקה של מנוסה? מה הפער בין הרביעון העליון לתחתון? אם הפערים גדולים, יש לכם בדיוק את מרחב ההשפעה שהמחקר מזהה: העברת ידע מן המנוסים לחדשים. אם הפערים קטנים, הערך של כלי הצעות יהיה מוגבל יותר.
בשלב השני, מפו את מקורות הידע של הצוות: מאמרי ידע, שיחות מוצלחות, סקריפטים ותבניות. שאלו את שני המומחים הבכירים בצוות אילו דפוסים הם היו רוצים שכל חדש ילמד מהיום הראשון, ותעדו אותם. גם בלי כלי AI, התרגיל הזה משפר קליטה ועקביות. עם כלי, הוא הופך לבסיס האימון. בכל מקרה, הגדירו מדדים מראש: זמן טיפול, איכות, שביעות רצון ופניות לממפקח.
- מדדו את פער הביצועים בין נציגים חדשים למנוסים בצוות שלכם.
- מפו את מקורות הידע: מאמרים, שיחות מוצלחות ותבניות מנצחות.
- תעדו עם שני מומחים בכירים את הדפוסים שכל חדש צריך ללמוד.
- הגדירו מדדים מראש: זמן טיפול, איכות, שביעות רצון ופניות לממפקח.
- בחנו פיילוט קטן עם קבוצת השוואה לפני כל הרחבה.
שלוש טעויות בקריאת מחקרי פרודוקטיביות של AI
הטעות הראשונה היא להסיק ש־14% תפוקה שווה 14% פחות כוח אדם: התפוקה נמדדה במטלות קיימות, והארגון צריך להחליט אם המשאב שחסך מושקע בשירות טוב יותר, בגדילה או בצמצום. הטעות השנייה היא להניח שהכלי עובד לבד: התוצאות התקבלו עם אימון על נתוני החברה, תמיכת ספק ותהליך אימוץ מלווה. הטעות השלישית היא לצפות לאותו אפקט בכל תחום: שירות לקוחות כתוב הוא תרחיש נוח יחסית, ותחומים אחרים דורשים התאמות.
הקריאה הנכונה משתמשת במחקר כתבנית חשיבה: זהו הערך האפשרי, אלו התנאים, וכך מודדים. ארגון שמפעיל את התבנית על הנתונים שלו מקבל החלטה טובה יותר מארגון שמעתיק את המספרים. ולבסוף, שימו לב לאפקט ההון האנושי: אם הכלי קיצר את עקומת הלמידה, הארגון חייב לתכנן מחדש את מסלולי הקריירה של התפקידים הזוטרים, אחרת הוא מאבד את דרגת ההתקדמות שעליה נבנתה פירמידת הכישורים שלו.
ולסיום, עצירה אחת מחושבת: המחקר פורסם ב־2023, כשהכלים היו צעירים; הדורות החדשים חזקים בהרבה, אבל גם מסוגלים לטעות בביטחון רב יותר. העדכון החשוב הוא שאותם עקרונות מדידה עוד יותר קריטיים היום: ככל שהכלי משכנע יותר, כך חשוב יותר לשמור על בדיקת אדם לפלטים קריטיים, ולמדוד את ההשפעה האמיתית בצוות שלכם במקום לסמוך על כותרות היצרנים.
מדד פערי ביצועים ומפת ידע בצוות שירות
תרגיל של שבוע לזיהוי פוטנציאל העברת ידע והכנת פיילוט AI מדיד.
- מדדו את הפער בין נציגים חדשים למנוסים בזמן טיפול, איכות ותפוקה.
- מפו את מקורות הידע: מאמרים, שיחות מוצלחות ותבניות מנצחות.
- תעדו עם שני מומחים בכירים את הדפוסים שכל חדש צריך ללמוד מהיום הראשון.
- הגדירו מדדי פיילוט מראש ובחנו קבוצה קטנה מול קבוצת השוואה.
מה חשוב לקחת
- עוזר AI בשירות לקוחות שיפר תפוקה ב־14% בממוצע במדידת שטח, עם רווח של כ־34% אצל נציגים חדשים.
- המנגנון הוא העברת ידע: הכלי מפיץ דפוסי עבודה של המנוסים ומקצר עקומת למידה של חדשים.
- הערך תלוי בתנאים: אימון על נתוני הארגון, שיתוף מומחים ומדידת איכות ולא רק מהירות.
שאלות נפוצות
- מהו מחקר NBER על AI בשירות לקוחות?
- מחקר עבודה של ברייניולפסון, לי וריימונד מאפריל 2023, שמדד עוזר AI גנרטיבי אצל כ־5,200 נציגי שירות בחברת תוכנה ואת השפעתו על תפוקה ואיכות.
- מה נמצא במחקר על שיפור התפוקה?
- שיפור ממוצע של 14% בנושאים שנפתרו לשעה, עם רווח של כ־34% אצל נציגים חדשים ופחות מנוסים, וכמעט ללא רווח אצל המנוסים ביותר.
- מהו המנגנון שהסביר את הרווח לחדשים?
- הכלי למד דפוסי עבודה של הנציגים המנוסים ביותר והפך אותם זמינים בזמן אמת לכולם, ובכך קיצר את עקומת הלמידה של עובדים חדשים.
- מהן המגבלות של המחקר?
- חברה אחת, תחום אחד, כלי שאומן על נתוני החברה ותקופת מדידה מוגבלת; ההכללה לתחומים אחרים דורשת פיילוט ומדידה מקומיים.
- איך צוות שירות בישראל יכול ליישם את התובנות?
- למדוד פערי ביצועים, למפות מקורות ידע, לתעד דפוסים מנצחים עם מומחים בכירים ולבחון פיילוט קטן עם מדדי איכות ומהירות.
- האם שיפור תפוקה מחייב צמצום משרות?
- לא. הארגון בוחר אם המשאב שחסך מושקע בשירות טוב יותר, בגדילה או בצמצום; ההחלטה היא ניהולית ולא טכנולוגית.
- מה קורה למומחים הבכירים כשהידע שלהם מאמן כלי?
- תפקידם משתנה למקור אימון; רצוי לתגמל אותם על תרומת הידע ולשלבם בעיצוב הכלי כדי לשמור על שיתוף הפעולה שלהם.
מקורות שנבדקו
- Generative AI at WorkNBER
- Generative AI and jobs: A 2025 updateInternational Labour Organization
- The 2025 AI Index ReportStanford HAI
רוצים לקצר את עקומת הלמידה בצוות השירות?
נבנה יחד את מפת הידע, את מדדי הפיילוט ואת תוכנית ההטמעה שעובדת אצלכם.
לתיאום שיחת אפיון