הון הניסיון, מידענות תוצאתית ו-AI כמודל חדש לקריירה, לעסקים ולקבלת החלטות

מאת ד"ר ענת קלומל-צוייג

מדוע אחרי עשרות שנים של ניסיון מקצועי, השכלה, ידע ושעות עבודה רבות, אדם אחד מצליח לפרוץ קדימה בעוד אחר נשאר במקום? מדוע שני בעלי עסקים בעלי מומחיות דומה מגיעים לתוצאות עסקיות שונות לחלוטין? ומדוע גם ארגון שמעסיק עובדים מצוינים ומנוסים עלול להתקשות בצמיחה, ברווחיות או בחדשנות?

התשובה אינה בהכרח בעוד ניסיון.

לעיתים הבעיה נמצאת בפער שבין הניסיון לבין התוצאה.

בעידן הבינה המלאכותית הפער הזה הופך לשאלה משמעותית אף יותר. אנחנו מחזיקים בכמויות עצומות של ידע וניסיון אנושי, ובמקביל מקבלים לראשונה מערכות שמסוגלות לנתח מידע, לזהות דפוסים, לבצע סימולציות, לנהל דיאלוג, לכתוב, לתכנן ולהפעיל תהליכים.

השאלה המרכזית היא לכן לא רק מה הבינה המלאכותית יודעת לעשות?

השאלה היא:

כיצד אנחנו יודעים להפוך את הניסיון שכבר צברנו, יחד עם מידע ובינה מלאכותית, לתוצאה מדידה ובעלת ערך?

מכאן התפתח אצלי המושג "הון הניסיון", והחיבור שלו למודל המידענות התוצאתית.

מהו הון הניסיון?

"הון הניסיון" אינו זהה לוותק.

אדם יכול לעבוד עשרים שנה ולחזור שוב ושוב על אותה שנת ניסיון. אדם אחר יכול בעשר שנים להתמודד עם תפקידים שונים, כישלונות, משברים, הקמת מיזמים, ניהול עובדים, למידה, הוראה, חדשנות וקבלת החלטות מורכבות.

הון הניסיון כולל, בין היתר:

• ידע מקצועי שנצבר לאורך זמן.
• שיקול דעת.
• פתרון בעיות.
• התנסות בהצלחות ובכישלונות.
• הבנת אנשים ומערכות יחסים.
• ניסיון ניהולי.
• ניסיון יזמי.
• ניסיון מחקרי.
• אינטואיציה מקצועית.
• הבנת מערכות מורכבות.
• יכולת לזהות דפוסים וסיכונים.
• היכולת להבין מתי משהו "לא מסתדר" עוד לפני שיש לנו את כל הנתונים.

הספרות המחקרית על ידע סמוי (Tacit Knowledge) מספקת בסיס חשוב להבנה זו: חלק משמעותי מהידע שאנשים צוברים בעבודה אינו כתוב בנוהל ואינו תמיד ניתן להסבר מידי. הוא מתפתח באמצעות ניסיון, הקשר ושנים של עשייה.

אולם עצם קיומו של ניסיון עדיין אינו מבטיח שהוא יהפוך ליתרון.

מתי ניסיון הופך להון?

כדי שחוויה תהפוך ללמידה, נדרשת רפלקציה.

אנחנו צריכים לעצור ולשאול:

מה קרה?

מדוע הצלחתי?

מדוע נכשלתי?

איזה מידע היה לי?

איזה מידע היה חסר?

אילו הנחות הנחו אותי?

מה הייתי עושה אחרת בפעם הבאה?

ומעל הרפלקציה נמצאת מטא־קוגניציה – החשיבה על החשיבה שלנו.

Flavell הגדיר מטא־קוגניציה כידע והבנה של האדם ביחס לתהליכים הקוגניטיביים שלו וליכולת לנטר אותם.

בעולם העבודה משמעות הדבר היא שאדם אינו רק יודע לקבל החלטה; הוא מסוגל להבין כיצד הוא הגיע אליה, מה השפיע עליו, באילו אסטרטגיות חשיבה השתמש ומתי עליו לשנות אותן.

בעידן AI זו יכולת קריטית, משום שככל שאני מבינה טוב יותר כיצד אני חושבת, חוקרת, מקבלת החלטות ומפתחת פתרונות — כך אני יכולה להסביר זאת טוב יותר גם למערכת בינה מלאכותית.

וכאן הון הניסיון מתחיל להפוך לנכס שניתן לתרגם, לשכפל ולהעצים.

אבל גם הון ניסיון גבוה אינו מבטיח תוצאה

וזו נקודת המוצא של המודל.

אדם יכול להיות מומחה ובכל זאת לא להצליח בקריירה.

יועץ יכול להיות בעל ידע עצום אך לא לדעת להביא לקוחות.

חברה יכולה לייצר מוצר מצוין אך לא להרוויח.

עסק יכול להגיע למחזור מכירות משמעותי ולהמשיך לסבול מגירעון תזרימי.

כלומר, קיים פער בין ההון הקיים לבין התוצאה המושגת בפועל.

אני מכנה אותו:

פער התוצאה – Outcome Gap

מצד אחד:

המצב הקיים

ומצד שני:

התוצאה הרצויה

וביניהם קיימים פערי ידע, חסמים, משאבים, ניסיון, החלטות ויכולת ביצוע.

כאן נכנסת המידענות התוצאתית.

מהי מידענות תוצאתית?

המידענות הקלאסית עוסקת באיתור, איסוף, הערכה, עיבוד וניתוח מידע.

במודל המידענות התוצאתית נקודת המוצא שונה:

לא מתחילים מהמידע. מתחילים מהתוצאה.

השאלה הראשונה היא:

מה אנחנו רוצים להשיג?

לאחר מכן:

• כיצד נדע שהצלחנו?
• מהם המדדים?
• מהו הפער בין המצב הנוכחי לבין המצב הרצוי?
• איזה מידע חסר לנו כדי לצמצם את הפער?
• מהם החסמים?
• אילו משאבים כבר קיימים?
• איזו החלטה נדרשת?
• איזו פעולה תוביל לתוצאה?

התפיסה נשענת גם על עבודת הדוקטורט שלי באוניברסיטת בר־אילן, שעסקה באפקטיביות של תהליך המודיעין העסקי־תחרותי החל משלב איסוף הנתונים ועד לגיבוש הערכת המודיעין, וביחסי הגומלין בין אנשי המידע/האנליסטים לבין צרכני המודיעין. עבודת הדוקטורט הוגשה בשנת 2013 במחלקה ללימודי מידע באוניברסיטת בר־אילן.

מודל המידענות התוצאתית הוא הרחבה יישומית של החשיבה הזו: כיצד מידע הופך לא רק להערכת מצב, אלא להחלטה, לפעולה ולתוצאה.

 

שלב ראשון: מגדירים תוצאה

לפני איסוף מידע צריך לדעת לאן רוצים להגיע.

הגדרת התוצאה כוללת:

• מהי התוצאה הרצויה?
• מהו המצב הקיים?
• כיצד נמדוד הצלחה?
• מהם מדדי ה-KPI?
• מהו טווח הזמן?
• מה יהיה הערך של השגת התוצאה?

לדוגמה, "להגדיל שיווק" אינה תוצאה.

לעומת זאת:

להגדיל בתוך שישה חודשים את מספר העסקאות הרווחיות ב־20%, ללא הגדלה מקבילה בעלות הרכישה — זו כבר תוצאה שניתן לחקור, לנהל ולמדוד.

 

שלב שני: איתור פערי הידע בשבע מחלקות

בארגון או בעסק אני מציעה לבחון את הבעיה דרך שבע מערכות:

ניהול | משאבי אנוש וכוח אדם | מחקר ופיתוח | שיווק | מכירות | תפעול | פיננסים

זוהי הבחנה חשובה.

עסק שחווה ירידה במכירות עשוי להניח שיש לו בעיית מכירות, בעוד שהפער האמיתי נמצא דווקא בשיווק.

ארגון שסובל מרווחיות נמוכה יכול לחשוב שהוא זקוק ליותר לקוחות, כאשר למעשה קיימת בעיית תמחור או תפעול.

מנהלים יכולים לרכוש מערכת AI חדשה, כאשר הבעיה האמיתית אינה טכנולוגית אלא חוסר הכשרה של העובדים.

המטרה של המידענות התוצאתית היא אפוא למצוא:

באיזו מחלקה נמצא פער הידע שמונע את התוצאה?

שלב שלישי: מהם החסמים?

כאן מתבצעת הבחנה מרכזית נוספת.

לא כל פער הוא פער ידע.

אפשר לדעת בדיוק מה צריך לעשות — ולא לבצע.

לכן אני מבחינה בין מספר סוגי חסמים:

חסם ידע – חסר מידע או ידע.

חסם ניסיון – קיימת הבנה תאורטית אך חסרה התנסות מעשית.

חסם ביצועי – יודעים מה לעשות אך מתקשים לבצע בעקביות.

חסם רגשי – פחד, שחיקה, התנגדות לשינוי או חוסר ביטחון.

חסם קהילתי – חסרים קשרים, שותפים, מנטורים או קהילה מקצועית.

חסם כספי – חסרים מימון, תקציב או תזרים.

חסם טכנולוגי – חסרות מערכות, תשתיות או יכולות טכנולוגיות.

מכאן עולה עיקרון חשוב:

עוד מידע אינו פותר בהכרח את הבעיה. צריך לזהות את סוג החסם לפני שבוחרים את הפתרון.

שלב רביעי: איתור המשאבים

במקביל לחסמים קיימים משאבים.

ידע.

ניסיון.

כסף.

קשרים.

קהילה.

עובדים.

זמן.

מוניטין.

נתונים.

טכנולוגיה.

ובעידן הנוכחי — גם AI.

לעיתים הפתרון אינו השגת משאב חדש אלא חיבור מחדש של משאבים שכבר קיימים.

זהו המקום שבו הון הניסיון הופך משמעותי במיוחד.

אדם באמצע החיים אינו מתחיל מאפס.

הוא מגיע עם עשרים או שלושים שנות ידע, היכרות עם אנשים, שיטות עבודה, שיקול דעת וניסיון בקבלת החלטות.

האתגר הוא לדעת לתרגם את כל זה לעידן הבא.

ומה השתנה עם הבינה המלאכותית?

דוח Future of Jobs 2025 של הפורום הכלכלי העולמי מעריך שכמעט 40% מהמיומנויות הנדרשות בעבודה ישתנו עד 2030. לצד AI ו-Big Data, מעסיקים ממשיכים לייחס חשיבות גבוהה לחשיבה אנליטית, יצירתיות, חוסן, מנהיגות, גמישות ולמידה מתמשכת. הדוח מעריך גם כי 170 מיליון תפקידים חדשים עשויים להיווצר עד 2030, לצד כ־92 מיליון תפקידים שיוסטו או ייעלמו.

גם ה-OECD מצביע על כך שמרבית העובדים שיושפעו מ-AI לא יצטרכו להפוך למומחי למידת מכונה. AI משנה את המשימות שהם מבצעים ואת תמהיל המיומנויות הנדרש מהם; במקצועות החשופים ל-AI נמצאה חשיבות רבה גם למיומנויות ניהוליות, עסקיות, קוגניטיביות ודיגיטליות.

בדוח OECD מ-2026, המחסור במיומנויות מזוהה כחסם מרכזי לאימוץ מוצלח של AI, והארגון מדגיש את החשיבות של היכולת להשתמש בנתונים, לנתחם ולפרשם. עובדים שקיבלו הכשרה נוטים גם לדווח יותר על השפעות חיוביות של AI על ביצועים ותנאי עבודה.

ה-ILO מגיע למסקנה משמעותית נוספת: אחד מכל ארבעה עובדים בעולם נמצא במקצוע שיש בו מידה כלשהי של חשיפה ל-Generative AI, אך משום שמרבית המקצועות כוללים משימות שעדיין דורשות קלט אנושי, שינוי התפקידים סביר יותר מהחלפתם המלאה.

המשמעות מבחינתי ברורה:

המאבק אינו בין אדם ל-AI.

היתרון יהיה לאנשים שיֵדעו לחבר טוב יותר בין ניסיון אנושי לבין יכולות AI.

ANI, AGI ו-ASI – ומה המשמעות לשוק העבודה?

גם כשמדברים על עתיד העבודה כדאי להבחין בין שלושה מושגים:

ANI – Artificial Narrow Intelligence
בינה מלאכותית המתמחה במשימות ובתחומים מסוימים. רוב המערכות שבהן אנו משתמשים כיום משתייכות למעשה לעולם זה, גם כשהן מסוגלות לבצע מגוון רחב מאוד של משימות.

AGI – Artificial General Intelligence
תפיסה של מערכת שתוכל לבצע מגוון רחב של משימות אינטלקטואליות ברמה כללית הדומה לאדם. כיום אין הסכמה מקצועית שהגענו ל-AGI.

ASI – Artificial Superintelligence
תרחיש עתידי והיפותטי של אינטליגנציה העולה על היכולת האנושית במרבית התחומים.

אבל מבחינת שוק העבודה, אין צורך לחכות ל-AGI.

השינוי כבר מתרחש עכשיו.

AI כמנגנון לצמצום פערים

במודל המידענות התוצאתית, AI אינו מטרה.

הוא משאב לצמצום פערים.

הוא יכול לסייע ב:

• איתור מידע.
• מחקר.
• ניתוח נתונים.
• השוואת חלופות.
• סימולציות.
• הפקת תרחישים.
• זיהוי דפוסים.
• יצירת רעיונות.
• אוטומציה.
• הפיכת ידע סמוי למודל מפורש.
• תמיכה בקבלת החלטות.

ה-OECD אף פיתח ב-2026 מדד הבוחן פערים בין יכולות AI לבין דרישות מקצועות בתחומים קוגניטיביים, חברתיים ופיזיים. המחקר מצא כי המערכות קרובות יותר להחלפת משימות של עיבוד מידע שגרתי ופעילות ניתנת לקידוד, ורחוקות יותר ממשימות המחייבות שיקול דעת הקשרי, הבנה בין־אישית, קבלת החלטות מורכבת ואחריות.

וזה בדיוק המקום שבו הון הניסיון האנושי יכול לקבל ערך חדש.

 

ממידע ל"0 הפתעות"

מבחינתי, מידענות תוצאתית אינה רק דרך למצוא מידע.

היא תשתית ניהולית.

אחד המודלים שאני מפתחת במסגרת זו הוא תפיסת "0 הפתעות".

המטרה אינה לטעון שאפשר לנבא כל אירוע או למנוע כל משבר. בעולם מורכב אין אפס מוחלט של אי־ודאות.

המטרה היא אחרת:

לצמצם ככל האפשר הפתעות שניתן היה לזהות מראש באמצעות מידע, ניטור, סימני אזהרה, תרחישים וקבלת החלטות מוקדמת.

עסק צריך לזהות בזמן ירידה בתזרים.

מנהל צריך לזהות שינוי בהתנהגות לקוחות.

חברה צריכה לראות מתחרה חדש.

ארגון צריך לזהות פער מיומנויות לפני שהוא הופך למשבר.

זו מידענות תוצאתית במיטבה: מידע שמגיע בזמן שבו עדיין אפשר לפעול.

וכאן נכנס צוות סוכני ה-AI

השלב הבא הוא לא רק "לדבר עם ChatGPT".

כאשר מפרקים את הניסיון ואת תהליכי העבודה לרכיבים, אפשר לבנות צוות סוכני AI ייעודי.

לדוגמה:

סוכן מחקר.

סוכן מתחרים.

סוכן שיווק.

סוכן לידים.

סוכן ניתוח נתונים.

סוכן CRM.

סוכן להכנת מסמכים.

סוכן לבקרת תהליכים.

סוכן לקבלת החלטות.

המטרה אינה להחליף את בעל המקצוע.

המטרה היא להעצים את הון הניסיון שלו.

אדם שעבד עשרים שנה בתחום מסוים מביא את ההקשר, שיקול הדעת וההבנה האנושית; סוכני ה-AI יכולים לסייע לו לחקור, לנתח, לבצע ולשכפל במהירות.

כך הניסיון הופך ממה שנמצא "בראש של האדם" למערכת עבודה הניתנת להרחבה.

ומה נחשב לתוצאה?

כאן מגיע בעיניי המבחן האמיתי.

לא מספר הפרומפטים.

לא מספר הכלים.

לא מספר שעות הלימוד.

אלא:

מה השתנה במציאות?

התוצאה יכולה להיות:

תוצאה פיננסית

הגדלת הכנסות, רווחיות, תזרים, חיסכון או ROI.

תוצאה עסקית

לקוחות, מוצרים, חדשנות, פריון ושיפור תהליכים.

תוצאה מקצועית

קידום, הסבה מקצועית, קריירה שנייה או הקמת עסק.

תוצאה חברתית

חינוך, בריאות, קהילה והשפעה.

תוצאה ציבורית

שיפור שירותים, קבלת החלטות ומדיניות.

תוצאה תעשייתית

איכות, אוטומציה, תפוקה ובטיחות.

תוצאה סביבתית

חיסכון במשאבים, קיימות והפחתת השפעות סביבתיות.

מכאן מתפתח מושג נוסף שאני מציעה לבחון:

תשואה על ניסיון – Return on Experience

לא רק:

כמה ניסיון יש לי?

אלא:

איזה ערך אני יודע לייצר מהניסיון שצברתי?

המעגל המלא

מודל העבודה המתגבש הוא:

הגדרת התוצאה הרצויה

↓

איתור פערי הידע בשבע המחלקות

↓

איתור החסמים

↓

איתור המשאבים

↓

מיפוי הון הניסיון

↓

רפלקציה ומטא־קוגניציה

↓

תרגום הידע והניסיון ל-AI

↓

מחקר, סימולציה וחלופות

↓

קבלת החלטה

↓

ביצוע

↓

מדידת התוצאה והערך

↓

למידה

↓

הון ניסיון חדש

זהו מעגל ולא קו ישר.

כל תוצאה הופכת להתנסות חדשה, וכל התנסות יכולה — אם למדנו ממנה — להגדיל את הון הניסיון שלנו.

ממשתמשי AI ליוצרי עתיד

לכן אינני חושבת שהאתגר של שוק העבודה הוא רק ללמד אנשים "כלי AI".

כלים ישתנו.

האתגר הוא לפתח אנשים שיודעים:

לחקור.

לחשוב.

לבצע רפלקציה.

לשאול שאלות.

להעריך מידע.

לזהות חסמים.

להבין את עצמם ואת האחרים.

לתרגם ניסיון למודלים.

לעבוד עם בינה מלאכותית.

וליצור באמצעותה תוצאה חדשה שלא הייתה קיימת קודם.

זהו החיבור בין חשיבה ביקורתית, חשיבה יצירתית וחשיבה יוצרת לבין AI.

והוא עשוי להיות אחד היתרונות התחרותיים החשובים ביותר של עובדים, מנהלים ובעלי עסקים בעשור הקרוב.

מהתיאוריה להכשרה מקצועית

התפיסה הזו עומדת גם בבסיס ההכשרות המקצועיות של מכללת בר-אוריין, בהובלתי.

המטרה אינה ללמד אנשים רק להפעיל אפליקציות.

אנו מבקשים לחבר בין:

הניסיון שכבר קיים אצל האדם + מידע ומחקר + חשיבה אסטרטגית + AI + ביצוע + תוצאה.

בתוכניות בתחומי בינה מלאכותית, דאטה, מידענות, שיווק, יזמות וייעוץ אסטרטגי, ניתן להפוך את הלמידה לתהליך שבו המשתתף אינו רק רוכש ידע חדש, אלא מתחיל לבנות נכסים ממשיים: תהליכים, מודלים, אוטומציות, מערכי מחקר וסוכני AI שאפשר להמשיך לעבוד איתם גם לאחר ההכשרה.

במיוחד עבור אנשי מקצוע באמצע הדרך ובקריירה שנייה, זו בעיניי נקודת המפתח:

לא להתחיל מחדש — אלא לתרגם את מה שכבר בנית לעידן הבא.

רוצה לבדוק מהו הון הניסיון שלך?

אם יש לך שנים של ניסיון אבל התחושה היא שהמאמץ עדיין אינו מתורגם במלואו להכנסה, לקריירה או לתוצאה העסקית הרצויה — ייתכן שהבעיה אינה חוסר ניסיון.

ייתכן שקיים פער המרה.

במכללת בר-אוריין אנחנו מפתחים כיום כלים שמטרתם לזהות את הון הניסיון, למפות פערי ידע וחסמים ולבחון כיצד AI יכול לסייע להפוך ניסיון לתוצאה מדידה.

אני מזמינה אותך להצטרף לקהילת הידע של מכללת בר-אוריין וללמוד כיצד להפוך ניסיון שנצבר לאורך שנים לנכס מקצועי, עסקי וטכנולוגי שממשיך לייצר ערך בעידן הבינה המלאכותית.

על המחברת ועל מקור המודל

ד"ר ענת קלומל-צוייג היא יועצת אסטרטגית, מידענית אנליסטית, חוקרת, מרצה, מייסדת ומנכ"לית מכללת בר-אוריין.

עבודת הדוקטורט שלה, שהוגשה בשנת 2013 במחלקה ללימודי מידע באוניברסיטת בר־אילן, עסקה באפקטיביות תהליך המודיעין העסקי־תחרותי משלב איסוף הנתונים ועד לגיבוש הערכת המודיעין וביחסי הגומלין בין אנשי המידע/האנליסטים לבין צרכני המודיעין.

מתוך בסיס מחקרי זה וניסיון מקצועי מצטבר פיתחה וממשיכה לפתח מודלים לייעוץ אסטרטגי ולקבלת החלטות, ובהם מודל המידענות התוצאתית, מודל 0 הפתעות, וכן את תפיסת "הון הניסיון המתורגם לבינה מלאכותית יוצרת".

המושגים "הון הניסיון", "פער ההמרה", "תשואה על ניסיון" והמסגרת המשלבת ניסיון, מידענות תוצאתית, AI ותוצאה מוצגים כאן כמושגים וכמודלים הנמצאים בפיתוח רעיוני ומחקרי על ידי ד"ר ענת קלומל-צוייג. המקורות האקדמיים והבינלאומיים שלהלן משמשים בסיס תאורטי לרכיבי המודל — ידע סמוי, מטא־קוגניציה, למידה, שינוי מיומנויות, השפעת AI ושוק העבודה — ואינם מוצגים כמקור למודל המקורי עצמו.

מקורות נבחרים

Klumel, A. (2013). Competitive intelligence sub-system in the organization: Examination of the process effectiveness starting from data gathering stage till the consolidation of the intelligence assessment: The reciprocity between the information professionals / analysts [Doctoral dissertation, Bar-Ilan University].

Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive-developmental inquiry. American Psychologist, 34(10), 906–911.

Green, A. (2024). Artificial intelligence and the changing demand for skills in the labour market. OECD Artificial Intelligence Papers, No. 14. OECD Publishing.

OECD. (2026). AI and skills: What we know so far. OECD Publishing.

OECD. (2026). Skills in the AI age. OECD Artificial Intelligence Papers, No. 60.

World Economic Forum. (2025). The Future of Jobs Report 2025.

Gmyrek, P., Berg, J., Kamiński, K., et al. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper 140. International Labour Organization.