מחקר בקרב עובדי ידע מציע דרך אחרת לעבוד עם בינה מלאכותית: במקום לבקש ממנה לאשר את הרעיונות שלנו, כדאי לעודד אותה לחפש חולשות, להציג טיעונים מנוגדים ולהציע נקודות מבט שלא חשבנו עליהן
השימוש בבינה מלאכותית הפך לחלק משגרת העבודה של חוקרים, מורים, עורכי דין, מנהלים ואנשי מקצוע רבים. אנחנו מבקשים ממנה לנסח רעיונות, לנתח מידע, לפתור בעיות ולהציע דרכי פעולה. אלא שלנוחות הזאת יש גם מחיר אפשרי: ככל שהתשובות מגיעות מהר יותר ונשמעות משכנעות יותר, קל יותר להפסיק לחשוב עליהן באופן ביקורתי.
התופעה הזאת מכונה לעיתים "מיקור חוץ קוגניטיבי" (Cognitive Offloading) – העברת חלק מהמאמץ המחשבתי שלנו למערכת חיצונית. במקום להתמודד בעצמנו עם בעיה מורכבת, אנחנו מאפשרים ל-AI לבצע חלק הולך וגדל מהחשיבה עבורנו.
מחקר של פרופ' מונידיפה טאראפדר (Monideepa Tarafdar) מאוניברסיטת מסצ'וסטס אמהרסט מציע גישה אחרת: להשתמש בבינה המלאכותית דווקא כדי להקשות על עצמנו.
לא עוזר אישי, אלא יריב מחשבתי
טאראפדר ועמיתיה ראיינו 45 עובדי ידע באוניברסיטה ציבורית בארה"ב, שהשתמשו בכלי AI גנרטיבי כחלק מעבודתם. החוקרים בחנו גם את השיחות שלהם עם מערכות AI ואת הדרך שבה שינו ושכללו את הפרומפטים לאורך העבודה.
אחת התובנות שעלו מהמחקר היא שכאשר המשתמשים ביקשו מה-AI לערער על הרעיונות שלהם, להציג טיעונים מנוגדים או לחפש בעיות במה שהם מציעים, איכות החשיבה שלהם השתפרה.
במקום להשתמש ב-AI כמכונה שמספקת תשובה, הם יצרו באמצעותו מעין "חיכוך מחשבתי".
הרעיון פשוט: אם יש לכם תוכנית, אל תשאלו רק כיצד לשפר אותה. בקשו מה-AI להסביר מדוע היא עלולה להיכשל. אם פיתחתם מוצר, אל תבקשו רק לתאר את קהל היעד שלו – בקשו ליצור דמויות של לקוחות שלא ירצו לקנות אותו ולהסביר מדוע.
לחפש דווקא את הלקוח שלא אוהב את המוצר
אחת הדוגמאות במחקר הגיעה מאשת שיווק שעבדה על תוכנית לימודים בתחום החשבונאות. במקום לבקש מה-AI ליצור פרופיל של לקוח פוטנציאלי שיאהב את התוכנית, היא ביקשה ממנו ליצור לקוחות וירטואליים שסביר שלא יאהבו אותה.
התגובות השליליות העלו העדפות שלא נלקחו קודם בחשבון. בין היתר עלה הרעיון להשתמש בדוגמאות ובמקרי בוחן ממספר תעשיות שונות, במקום להדגים עיקרון שוב ושוב באמצעות מקרים מאותו ענף.
עורך דין שהשתתף במחקר השתמש בגישה דומה. הוא ביקש מה-AI לחפש פרצות משפטיות לא שגרתיות ולחשוב כיצד חברות או עובדים עלולים לנצל אותן. כך נחשפו תרחישים אפשריים שלא היו עולים בהכרח בבדיקה רגילה.
המשותף למקרים האלה הוא שה-AI לא שימש כמקור לתשובה הסופית. תפקידו היה להציג למשתמש משהו שלא התאים לכיוון החשיבה הראשוני שלו.
הבעיה מתחילה כשה-AI מכיר אותנו טוב מדי
מערכות AI מתאימות את תגובותיהן להקשר של השיחה ולדרך שבה המשתמש מציג את הדברים. זה הופך את העבודה איתן לנוחה יותר, אבל עלול גם ליצור סוג של "תיבת תהודה" מחשבתית.
אם המשתמש מציג רעיון מסוים בהתלהבות ומבקש מהמערכת לעזור לפתח אותו, היא עשויה להמשיך בכיוון הזה במקום לעצור ולבדוק האם הנחות היסוד נכונות.
לכן אפשר להפוך את צורת העבודה: לבקש מה-AI לחפש מידע שסותר את ההנחה שלנו, להציג את הטיעון החזק ביותר נגדה או להציע הסבר חלופי.
"מצא שלוש סיבות שבגללן הרעיון שלי עלול להיכשל."
"נניח שהמסקנה שלי שגויה. אילו עובדות יכולות להסביר זאת?"
"אל תנסה להסכים איתי. התייחס להצעה שלי כאילו אתה המבקר המקצועי שלה."
המומחיות האנושית עדיין קריטית
יש כאן מלכודת נוספת. כאשר מבקשים ממערכת AI לחפש רעיונות חריגים או מנוגדים, היא עשויה להציע גם מידע לא מדויק או רעיונות שנשמעים משכנעים אך אינם מתאימים למציאות.
לכן דווקא בשיטת העבודה הזאת יש חשיבות גדולה למומחיות של המשתמש.
אחד המשתתפים במחקר, חוקר בתחום חקר ביצועים ורשתות אספקה, קיבל מה-AI הצעות להשתמש בשיטות חישוב שהגיעו מתחומים אחרים, ובהם עיבוד אותות ותקשורת אלחוטית. אלה היו תחומים שלא היו מרכזיים בעבודתו, אבל הידע המקצועי שלו אפשר לו להבין אילו רעיונות אפשר להתאים לעולם שרשראות האספקה ואילו אינם רלוונטיים.
כלומר, הערך לא נוצר מכך שה-AI יודע יותר מהאדם, אלא מהמפגש בין הצעות בלתי צפויות של המכונה לבין היכולת המקצועית של האדם לבחון אותן.
להשתמש ב-AI כלוח תהודה, לא ככותב במקומנו
הגישה הזאת מתאימה גם לעבודה יצירתית. מחקר נוסף שמוזכר במאמר מצא כי כותבים יכולים להפיק תוצאות טובות יותר כאשר הם משתמשים ב-AI כלוח תהודה לרעיונות, במקום לתת לו לבצע את הכתיבה במקומם.
אותו עיקרון יכול להתאים למחקר, ניהול, שיווק, הוראה ופיתוח מוצרים.
חוקר יכול לבקש ממערכת AI למצוא מחקרים שבהם אותו מושג מופיע בהקשרים שונים לחלוטין. עורך דין יכול לבקש דוגמאות שונות לפסיקה סביב אותה סוגיה. מנהל מוצר יכול לבקש מהמערכת לחשוב כמו לקוח מתוסכל, מתחרה או איש מכירות שמתקשה למכור את המוצר.
בכל המקרים האלה, המטרה אינה לקבל תשובה מהירה יותר, אלא להרחיב את מרחב החשיבה.
ומה ארגונים יכולים לעשות?
לדברי טאראפדר, גם לארגונים יש תפקיד ביצירת תרבות עבודה כזאת.
במקום להסתפק בהדרכות שמלמדות עובדים כיצד לקבל תוצאה טובה יותר מכלי AI, אפשר ללמד אותם כיצד להשתמש בו כדי לבקר את החשיבה שלהם. סדנאות AI פנים-ארגוניות יכולות לכלול תרגול של פרומפטים שמחפשים סתירות, חולשות, חלופות ונקודות מבט מנוגדות.
ארגונים יכולים גם להקים סביבות ניסוי פרטיות ובטוחות – AI Sandboxes – שבהן עובדים יכולים להתנסות בכלים ובשיטות עבודה חדשות מבלי לחשוש מחשיפת מידע ארגוני.
אפשר גם לקיים מפגשים שבהם עובדים משתפים דרכים מעניינות שבהן השתמשו ב-AI לפתרון בעיות, במיוחד מקרים שבהם המערכת גרמה להם לשנות את דעתם או לחשוב על כיוון שלא שקלו קודם.
קצת פחות הסכמה יכולה להיות דבר טוב
אנחנו רגילים למדוד כלי AI לפי מידת העזרה שהם מספקים: כמה מהר הם עונים, כמה טוב הם מנסחים וכמה עבודה הם חוסכים לנו.
המחקר הזה מציע מדד נוסף: עד כמה הכלי מצליח לגרום לנו לחשוב.
לפעמים השימוש הטוב ביותר בבינה מלאכותית אינו לבקש ממנה תשובה, אלא להפוך אותה למישהו שמתעקש לא להסכים איתנו.
במקום לשאול את ה-AI "מה דעתך על הרעיון שלי?", אפשר לבקש ממנו: "נסה לשכנע אותי שהרעיון שלי שגוי".
דווקא החיכוך הזה עשוי להיות אחד השימושים החשובים ביותר ב-AI בעבודה מקצועית.
מבוסס על מאמר מאת פרופ' Monideepa Tarafdar מאוניברסיטת מסצ'וסטס אמהרסט, שפורסם במקור ב-The Conversation ופורסם מחדש ב-2 באוקטובר 2026 במסגרת Ripple של The Washington Post.