אשליית שיעורי הבית: מה שהמחשבון של שנות ה-70 מלמד אותנו על AI

שיעורי הבית המסורתיים מתו. אם מכונה יכולה להשלים משימה בחמש שניות, המשימה הזו מעולם לא עסקה בלמידה. היא עסקה בעיבוד נתונים. אנחנו עדים כעת לקריסה של מודל חינוכי וניהולי בן מאה שנה, אבל זו לא הפעם הראשונה שאנחנו עומדים בצומת הזה. ב-Aniccai, חברת ייעוץ ופיתוח מוצרי AI שמתמחה בליווי עסקים קטנים ובינוניים (SMBs) בישראל, אנחנו רואים את אותה קריסה קורה בתוך הארגונים. מנהלים מוצאים את עצמם בוהים במסך הסלאק ב-9 בערב ביום שלישי, תוהים למה הצוות שלהם מייצר יותר תוכן מאי פעם בזמן שהאסטרטגיה העסקית האמיתית נשארת תקועה במקום.

תובנות מפתח למנהלים ומובילי טכנולוגיה

רוב העבודה המסורתית תוכננה לבחון עיבוד נתונים ולא חשיבה ביקורתית. ה-AI פשוט חשף את הפגם המובנה הזה. ההיסטוריה מראה שאוטומציה של משימות ברמה נמוכה מאפשרת שליטה מושגית ברמה גבוהה יותר, בתנאי שאנחנו אמיצים מספיק לשחרר את המדדים הישנים. המעבר מתוצרים שמבוצעים בבית (או במשרד המבודד) לתהליכים שקורים בחדר הוא הדרך היחידה לאמת ערך אנושי בעולם של אוטומציה. עסקים חייבים לבצע ביקורת מותאמת אישית (bespoke) כדי להחליט אילו מיומנויות הן יסודיות ואילו הן חוב טכני שניתן להוציא לסוכני AI.

למה מודל שיעורי הבית היה שבור מלכתחילה

במשך עשורים, הסתמכנו על מדד עקיף ללמידה: החיבור המוגמר או המשוואה הפתורה. הנחנו שאם תלמיד הגיש עבודה בת חמישה עמודים על המהפכה הצרפתית, הוא עסק במחקר, סינתזה וניתוח ביקורתי. ה-AI חשף שזו הייתה הנחה שבירה. כשמודל שפה גדול (LLM) יכול לייצר את אותה עבודה בשניות, זה מוכיח שהתוצר עצמו כבר אינו מדד אמין להשקעה של מחשבה אנושית. הבעיה היא לא שהתלמידים מרמים. הבעיה היא שהטלנו עליהם משימות שלא באמת דורשות נוכחות של בן אדם.

זה משקף בדיוק את מה שאנחנו רואים בעולם העסקי. מנהלים מודדים לעיתים קרובות פרודוקטיביות לפי נפח המיילים שנשלחו או הדוחות שהופקו. בדיוק כמו מודל שיעורי הבית, זהו מדד של עיבוד, לא של ערך. אם הצוות שלכם משתמש ב-AI כדי לכתוב את האסטרטגיה שלו, תפסיקו לבקש מסמך. תתחילו לבקש הגנה חיה על הרעיונות.

פאניקת המחשבונים של שנות ה-70 והדרך לשילוב

כשהמחשבונים הניידים הראשונים נכנסו לבתי הספר, הצעקה הייתה מחרישת אוזניים. המבקרים טענו שאם ילדים לא יבצעו חילוק ארוך ביד, הם לעולם לא יבינו את מהות המספרים. הם חששו מדור של אנאלפביתים מתמטיים. אבל המערכת הסתגלה בסופו של דבר. לא הפסקנו ללמד מתמטיקה. שינינו את האופן שבו מתמטיקה נראית. החלטנו שבעוד שאוריינות מספרים בסיסית היא חיונית, בזבוז שעות על כפל רב-ספרתי ידני הוא ניצול גרוע של המוח האנושי. העברנו את הפוקוס לפתרון בעיות, לוגיקה ויישום של עקרונות מתמטיים.

היום אנחנו עומדים בפני אותה בחירה עם כתיבה ומחקר. האם פעולת הסיכום של טקסט היא מיומנות יסוד שכל אדם חייב לשלוט בה? או שמא זו משימה מכנית שאנחנו יכולים כעת להאציל למכונה כדי שנוכל להתמקד בטיעון ברמה גבוהה יותר? ב-Aniccai, אנחנו מאמינים שהתשובה טמונה ביישום פרגמטי. אנחנו עוזרים למנהלים להבחין בין העבודה שבונה את השריר של המחשבה לבין העבודה שהיא רק חיכוך מיותר.

העברת העבודה מהבית לחדר

הפתרון המיידי ביותר למשבר שיעורי הבית הוא מבני. אם ניתן לזייף את העבודה בבית, היא חייבת להיעשות בכיתה. זהו מודל הכיתה ההפוכה על סטרואידים. תלמידים צריכים לנצל את הזמן בבית לצריכת מידע, צפייה בהרצאות או חקירת נתונים גולמיים. הסינתזה האמיתית, הכתיבה ופתרון הבעיות חייבים לקרות במקום שבו המורה יכול לראות את התהליך. זה לא עניין של מעקב. זה עניין של חניכה.

בהקשר עסקי, זה מתרגם למעבר מתוצרים למפגשי עבודה משותפים. אם אתם חוששים שהצוות שלכם משתמש ב-AI כדי לעקוף עבודה עמוקה, שנו את המקום שבו העבודה הזו קורה. \⁨[Automation for SMBs](https://aniccai.com/he/knowledge/Automation-for-SMBs/automation-saves-full-job-month)⁩ עובד הכי טוב כשהוא מפנה זמן לאינטראקציות אנושיות בעלות ערך גבוה. במקום דוח סטטוס שבועי, קיימו דיון אסטרטגי חי. ה-AI יכול לטפל באיסוף הנתונים, אבל בני האדם חייבים לטפל בחיכוך של רעיונות מנוגדים.

להחליט מה לאוטומציה ומה לשימור

אנחנו צריכים לבצע ביקורת מותאמת אישית על המיומנויות שלנו. יש דברים שאנחנו עושים ביד כי העשייה היא הלמידה. למשל, שף עדיין צריך לדעת להשתמש בסכין, גם אם קיים מעבד מזון. המיומנות הידנית מספקת הבנה חושית של המרכיבים. באופן דומה, אנחנו עשויים להחליט שעובדים זוטרים חייבים לכתוב את עשר הצעות הפרויקט הראשונות שלהם ללא AI כדי להבין את המבנה של מקרה עסקי.

אבל ברגע שהבסיס הונח, לאלץ אדם לכתוב את ההצעה האחת-עשרה באופן ידני זו פשוט עבודה שחורה. בנקודה זו, ה-AI הופך לטייס משנה, עוזר ללטש את הפרוזה בזמן שהאדם מתמקד בעומק התובנה. אנחנו חייבים להיות קשובים לא לעשות אוטומציה לתהליכים שיוצרים מומחיות, אבל אנחנו חייבים להיות חסרי רחמים בחיתוך משימות שכבר לא משרתות שום מטרה.

עתיד ההערכה בעולם של AI-First

אנחנו נעים לעולם שבו התשובה היא בחינם. הערך נמצא כעת בשאלה ובאימות. הערכה לא תעסוק יותר בתוצר הסופי. היא תעסוק ביכולת של התלמיד או העובד לבקר את הפלט של ה-AI, לזהות הזיות (hallucinations), ולבצע איטרציות על ההנחיה (prompt) עד שהיא תניב משהו מקורי באמת. זה דורש יותר אינטליגנציה, לא פחות. זהו מעבר מבולגן. הוא דורש מאיתנו להודות שחלק גדול ממה שקראנו לו חינוך או פרודוקטיביות היה למעשה רק אימון של אנשים להיות מחשבים איטיים ולא יעילים. עכשיו שיש לנו מחשבים מהירים ויעילים, אנחנו צריכים להבין מה זה באמת אומר להיות בן אדם.

שאלות נפוצות

האם AI אומר שאנשים יפסיקו ללמוד לכתוב?לא, אבל זה אומר שההגדרה של כתיבה תשתנה. היא תעבור מהפעולה המכנית של חיבור משפטים לפעולה האינטלקטואלית של מבנה רעיונות וזיקוק טיעונים. הכתיבה הופכת לפעולה של עריכה ואוצרות.

האם עסקים צריכים לחסום כלי AI כדי להבטיח איכות?חסימה היא רפלקס לטווח קצר שנכשל בטווח הארוך. עובדים ישתמשו בזה בכל מקרה. המטרה צריכה להיות ללמד אותם איך להשתמש בזה ככלי למחשבה ולא כתחליף לה. האיכות מובטחת דרך הגנה חיה על הרעיונות וביקורת עמיתים.

איך אני יכול לדעת אם הצוות שלי באמת עשה את העבודה?על ידי העברת העבודה המשמעותית לסביבות שיתופיות והתמקדות במצגות בעל פה, דיונים חיים והערכה מבוססת תהליך ולא רק על ההגשה הסופית.

האם זה רלוונטי גם לעסקים קטנים עם תקציב מוגבל?בהחלט. למעשה, לעסקים קטנים ובינוניים יש הכי הרבה מה להרוויח. על ידי אוטומציה של משימות העיבוד שבדרך כלל דורשות מטה גדול, צוותים קטנים יכולים להתמקד בשירות מותאם אישית ובקשר אנושי שתאגידי ענק לא יכולים לשכפל.

אם נפסיק להתייחס לצוותים שלנו כמעבדי נתונים, אולי סוף סוף יהיה לנו זמן להתייחס אליהם כחושבים. האם אנחנו מספיק אמיצים לתת למודל הישן למות? אם הצוות שלכם מייצר כרגע פילר של AI במקום אסטרטגיה, הגיע הזמן לעצב מחדש את זרימת העבודה שלכם. צרו קשר עם Aniccai היום כדי לבצע ביקורת על פוטנציאל האוטומציה שלכם ולהחזיר לצוות שלכם את רוחב הפס המנטלי.

איך העבודה היומיומית שלכם הייתה משתנה אם הייתם מפסיקים למדוד את הערך שלכם לפי כמות המילים שאתם מייצרים?

אשליית שיעורי הבית: מה שהמחשבון של שנות ה-70 מלמד אותנו על AI