היום כמעט שלוש מכל ארבע משרות tech דורשות לפחות מיומנות אחת בבינה מלאכותית. לפני שנתיים המספר עמד על 15% בלבד. המשמעות ברורה: היכרות מעשית עם הטכנולוגיה הפכה לציפייה בסיסית מצד מעסיקים, לא ליתרון נוסף.
עם זאת, המעסיקים אינם מחפשים מומחי AI טהורים, אלא אנשי מקצוע בתחומם שיודעים להיעזר בבינה מלאכותית מבלי להפוך לתלויים בה. ההבחנה הזו מגדירה את מה שנבדק בפועל בתהליכי הגיוס:
• ניסוח יכולות דרך תוצאות. אמירה כללית כמו "אני יודע Python" כבר אינה מספקת. מה שנחשב הוא הצבעה על project קונקרטי שחסך לארגון זמן או כסף.
• הדגמה במקום הצהרה. אחת הדרכים החזקות להוכיח יכולת היא להגיע לראיון עם agent שהמועמד בנה בעצמו.
• הסמכות רשמיות. חברות כמו AWS ו-Google מציעות certifications בתחומי GenAI developer ו-ML engineer. מעבר מוצלח של תוכנית הכשרה ובחינה מהווה אות מדיד ליכולת.
• ביקורת על הכלי, לא רק שימוש בו. המראיינים בוחנים אם המועמד מפעיל שיקול דעת מקצועי על תוצרי ה-AI ומנהל אותם, או פשוט מקבל כל פלט כמות שהוא.
מנהלי גיוס מציינים כי מועמד שמגיע ללא אסטרטגיה ברורה לשמירה על רלוונטיות מקצועית אינו נשקל ברצינות. בסביבה שבה מודלים חדשים יוצאים בתדירות גבוהה, לא די בידע קיים — נדרשת יכולת מוכחת להמשיך וללמוד, לצד הבנה כיצד תפקידו של המועמד עשוי להיות מושפע מהתקדמות ה-AI.
הקפיצה מ-15% ל-73% בתוך שנתיים ממצבת את הבינה המלאכותית לא כתחום התמחות נפרד אלא כשכבת יסוד רוחבית בכל מקצוע טכנולוגי. היתרון התחרותי עובר ממי שמכיר עוד כלי אל מי שיודע לחבר בין מומחיות עמוקה לבין AI, ולשמר את מעמדו כגורם המנהל את הטכנולוגיה ולא נשלט על ידה.