בשבוע אחד, בשלוש חברות שונות לגמרי, יצא לי לראות שלושה אנליסטים זזים באי נוחות בכיסא במהלך הסדנה.
למה? נתחיל מזה שלא הראיתי להם רק גרף סופי, ולא אמרתי ל-AI לסכם קובץ ולספר ש״המכירות עלו ברבעון האחרון״. פשוט עבדנו עם סוכן Copilot בתוך אקסל (מודל Opus), על קובץ אקסל ארגוני אמיתי. היו שם כמה גיליונות, נתונים קצת מבולגנים, קשרים בין טבלאות ושאלות עסקיות שאי אפשר היה לפתור בנוסחה אחת. נתנו לסוכן את ההקשר העסקי, הסברנו לו על מבנה הקובץ ותהליך העבודה והוא כבר צלל לנתונים. הוא כתב נוסחאות, בנה גיליונות בקרה, הצליב מקורות, מצא חריגות וכתב תובנות ניהוליות. כמובן שהוא לא תמיד דייק, כמובן שנדרשו מעקב ובקרה והכוונה שלנו. ובכל זאת, קיבלנו תוצאות מרשימות בדקות, לתהליך שעשוי לקחת שעות של עבודה ותלות בזמינות של אנליסט. בשורה התחתונה – משהו בחדר השתנה. לא נולדו שם עוד עשרה אנליסטים. אבל חלק מעבודת האנליזה הפכה להיות פשוטה יותר ונגישה עבור כל אחד מהתפקידים שבחדר. 
בדיוק השבוע OpenAI פרסמה מחקר שנותן לתופעה הזאת שם: Task Crossover, חציית משימות בין תפקידים.

אותו עובד, עבודה אחרת
OpenAI ניתחה יותר מ-800 אלף הודעות בנושאי עבודה ששלחו משתמשי ChatGPT בארה"ב. החוקרים בדקו מה המשתמש ניסה לעשות, ועם איזה מקצוע הבקשה מזוהה באופן מסורתי, על בסיס מאגר התפקידים האמריקאי O*NET.
נכון, הרבה משיחות העבודה שלנו הן פשוט דברים שכולם עושים: כתיבה, סיכום, תיאום. אז החוקרים בדקו גם משימות עם אופי מקצועי מובהק יותר. וכאן הגיעה ההפתעה: כמעט חצי מהמשימות המקצועיות (43.5%) חצו את הגבולות של תפקיד המשתמש. זה לא אומר שחצי מהעובדים החליפו מקצוע, או שחצי מהזמן הם עושים משהו אחר. זה פשוט אומר שאנשים לא משתמשים ב-AI רק כדי לעשות מהר יותר את מה שהם כבר יודעים. הם נעזרים בו גם כדי להיכנס למשימות שנמצאות מחוץ למגרש הביתי שלהם.

יש משימות ש”מטיילות” יותר מאחרות
מעניין לראות ששיעור חציית המשימות בלט בעיקר בעיסוקים בתחומי חוויית לקוח, עיצוב ומשאבי אנוש. גם בתחומי המשפט והשיווק, יותר ממחצית מהבקשות המקצועיות שנבדקו עסקו במשימות המזוהות עם תחומים אחרים. אבל מה שבאמת מעניין הוא סוגי המשימות שמתחילות 'לטייל'.
חישובים פיננסיים הופיעו אצל משתמשים שלא מגיעים מתחום הכספים, פתרון תקלות מחשוב אצל אנשים שאינם מעולמות מערכות מידע, יצירת מודעות, מצגות וסרטונים הופיעו אצל הרבה בעלי תפקידים מחוץ למחלקת השיווק.

לא מדובר רק במחקר אחד, כן?
אני תמיד מטילה ספק במחקרים של חברות AI. ברור לי שהן חוקרות את המשתמשים שלהן, שהמדגם לא תמיד מייצג, ושיש להן אינטרס די ברור. אבל OpenAI לא לבד כאן. ביוני האחרון מחקר של חוקרים מ־Perplexity ומהרווארד בדק 8,000 משתמשים שעבדו עם צ'אט רגיל ועם הסוכן Perplexity Computer.  בין יתר הממצאים, גילו  ש59% מהבקשות לסוכן היו מחוץ לתחום העיסוק המרכזי של המשתמש. כשמערכת לא רק אומרת לך "איך מכינים דוח", אלא הולכת, מנתחת ובונה אותו בעצמה – פתאום אנשים מוכנים לקפוץ למים עמוקים יותר (גם למחקר הזה יש בעיות, אבל הוא מראה בדיוק את אותו הדפוס: AI ביצועי יותר = יותר משימות מחוץ לקופסה).

בעוד מחקר, שהתפרסם ב-Organization Science ביוני, לקחו כמעט 800 אנשי מקצוע מ-Procter & Gamble ונתנו להם לעבוד על אתגרי חדשנות. חלק עבדו עם AI, חלק בלי. בלי AI, אנשי הפיתוח נטו לתת פתרונות טכניים, ואנשי המסחר נתנו פתרונות מסחריים. עם AI, הפתרונות של כולם נהיו מאוזנים יותר. המערכת פשוט חיברה בין העולמות. זה אולי לא 'Task Crossover' קלאסי, אבל זה מראה בדיוק איך המנגנון עובד. איש המקצוע לא עוזב את התחום שלו, הוא פשוט מביא איתו את הידע וצורת החשיבה של תחום אחר.

הבלעדיות על הצעד הראשון מתחילה להישחק 
לדעתי הסיפור הוא לא על מנהלת שתהפוך לאנליסטית. הסיפור הוא על העובדה שמי שעושה את הפעולה הראשונה משתנה. עד לא מזמן, מנהלת שהייתה רוצה להבין מה קרה בין שני חודשים הייתה חייבת אנליסט. הוא זה שהיה צריך לנקות את הנתונים, להבין מה היא שואלת ולחזור אליה עם תשובה מסודרת. היום היא יכולה להתחיל לבד. היא יכולה לבקש מהסוכן לנתח את הקובץ, להשוות, להצביע על חריגים. היא יכולה להגיע לאנליסט רק בהמשך, כשהיא כבר יודעת מה לשאול ויש לה תמונה ראשונית. זה עשוי לחסוך שעות ולהפחית צווארי בקבוק. אבל…. זה גם דורש אלף תמרורי אזהרה – הנגישות לפעולה גדלה הרבה יותר מהר מהיכולת שלנו לשפוט את התוצאות. וכאן נכנס התפקיד החדש של המומחה.

הערך עובר מהמקלדת לראש
ופה אנחנו מגיעים לבעיה הגדולה של המחקר של OpenAI. הם בדקו הודעות, אבל הם לא בדקו אם התוצאה הייתה נכונה, או אם מישהו בדק אותה. לבקש ניתוח משפטי לא הופך אותך לעורך דין. תחזית יכולה להיות נוראית גם אם היא כתובה יפה. קובץ אקסל מרשים הוא לא תמיד משהו שאפשר לקבל עליו החלטות. Task Crossover נותן לנו יכולות, לא סמכות ולא ידע. זה האתגר האמיתי של ארגונים היום. לא איזה משימות AI יכול לעשות, אלא מי יכול להתחיל אותן, מי בודק אותן ומי לוקח אחריות אם יש פדיחה.

אם כל מה שאנליסט ידע לעשות זה לכתוב נוסחה ב-Excel או לבנות גרף ב-BI – הוא בבעיה. הפעולות האלה כבר ממש לא בלעדיות. אבל אנליסט טוב אף פעם לא היה רק טכנאי אקסל. אנליסט טוב יודע לשאול אם בכלל הגיוני להשוות בין התקופות האלה. הוא מזהה מתי חריגה היא בעיה עסקית אמיתית ומתי זו סתם שגיאת הקלדה או שורת סיכום שנכנסה בטעות. והכי חשוב – הוא יודע לעצור ולהגיד שאי אפשר להסיק מסקנות מהנתונים האלה.
בגלל זה המומחיות לא נעלמת, היא פשוט עולה קומה. הערך הוא כבר לא בלהפעיל את הכלי, אלא בלהגדיר את הבעיה, לבקר את הנתונים ולהחליט אם אפשר לסמוך על התוצאה.

אז כן, האנליסט זז בכיסא
כי הפעולות הבסיסיות של המקצוע כבר אינן בלעדיות. אבל דווקא כשהפקת ניתוח נעשית נגישה יותר, המומחיות האמיתית נעשית חשובה יותר.
האנליסט נדרש פחות להיות האדם היחיד שמבצע את העבודה, ויותר להיות מי שמגדיר סטנדרטים, בוחן את הנתונים ומוודא שהמסקנות עומדות במבחן מקצועי.
ובאותה נשימה, גם סט הכישורים של תפקידים אחרים מתרחב. אוריינות נתונים, חשיבה ביקורתית והיכולת לעבוד עם AI הופכות בהדרגה לדרישות רוחב.

קישורים למחקרים:
How AI is expanding what people do at work
https://openai.com/index/how-ai-is-expanding-what-people-do-at-work/
Work at the Frontier: How AI Is Expanding What People Do at Work, הדוח המלא
https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf
How AI Agents Reshape Knowledge Work: Autonomy, Efficiency, and Scope
https://arxiv.org/abs/2606.07489
The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork
https://pubsonline.informs.org/doi/10.1287/orsc.2025.20702