מה לכלול בהרצאת AI לעובדים: 4 חלקים שעובדים

הרצאה על בינה מלאכותית לעובדים צריכה להשיג דבר אחד: שהעובד יפתח כלי AI למחרת בבוקר על משימה אמיתית שלו. לא להסביר איך מודל שפה עובד, ולא להפחיד עם תחזיות. אחרי עשרות הרצאות בארגונים בישראל, המדד היחיד שאנחנו בודקים הוא כמה מהמשתתפים ניסו משהו חדש בשבוע שאחרי. במאמר הזה נפרט מה לכלול בהרצאת AI לעובדים: ארבעת החלקים שחייבים להיות בה, מה כדאי להשמיט, ואיך יודעים שהיא עבדה.

למה רוב ההרצאות על AI לעובדים לא משנות כלום?

ראינו הרבה הרצאות כאלה, כמשתתפים וכמי שהוזמן אחריהן ״לתקן״. הדפוס חוזר: המרצה סוקר 15 כלים, מראה סרטון של דמו מרשים, ומסיים ב״העתיד כבר כאן״. העובדים יוצאים עם תחושה שמשהו גדול קורה, ובלי מושג מה לעשות עם זה ביום שלישי בבוקר.

שלוש סיבות חוזרות:

• הדוגמאות לא מהעולם של הקהל. איש שירות לא מתחבר לדוגמה של מתכנת, ומנהלת תפעול לא מתחברת לדוגמה של מעצב. בלי דוגמה מהתחום שלהם, המסר נשאר תיאורטי.
• אין הדגמה חיה. סרטון מוכן לא משכנע. הקהל יודע שאפשר לערוך סרטון. כשבונים משהו מולם, ומשהו משתבש, ומתקנים, הם מאמינים.
• אין צעד ראשון ברור. ״תתחילו להשתמש ב-AI״ זה לא צעד. ״פתחו את המייל הארוך ביותר שקיבלתם השבוע ובקשו סיכום בשלוש שורות״ זה צעד.

מדדנו את זה. בארגון שבו העברנו הרצאה כמה חודשים אחרי הרצאה של ספק אחר, סקר קצר הראה ש-14% מהעובדים ניסו משהו חדש אחרי ההרצאה הראשונה. אחרי שלנו, עם אותם עובדים, 61%. ההבדל לא היה הידע. ההבדל היה מבנה.

מה לכלול בהרצאת AI לעובדים?

ההרצאה שלנו בנויה מארבעה חלקים, ואנחנו לא מוותרים על אף אחד מהם, גם במשבצת של 45 דקות:

1. איפה AI כבר עובד (15 דקות). שלוש דוגמאות אמיתיות ממערכות שרצות היום: אחת משירות, אחת מתפעול, אחת מפיתוח. לכל דוגמה שלושה מספרים: מה נמדד לפני, מה אחרי, ומה נכשל בדרך. הכישלון חשוב לא פחות מההצלחה, כי הוא מה שהופך את הסיפור לאמין.
2. שלושת הדפוסים (10 דקות). עוזר, אוטומציה וסוכן. רוב העובדים מכירים רק את הראשון. כשהם מבינים שיש עוד שניים, הם מתחילים לראות הזדמנויות בעבודה שלהם.
3. הדגמה חיה (15 דקות). בונים תהליך קטן מול הקהל, מהבעיה ועד לתוצאה. למשל: לוקחים 20 פניות אמיתיות, בלי פרטים מזהים, ומסווגים אותן עם מודל שפה בזמן אמת. זה הרגע שבו האולם משתתק.
4. מה עושים מחר בבוקר (10 דקות). שלושה צעדים קונקרטיים, מותאמים לארגון, שכל משתתף יכול להתחיל בהם בשבוע הקרוב בלי אישור של אף אחד.

השאר הוא זמן לשאלות. ב-60 דקות יש 10 דקות שאלות, ב-90 דקות יש 25 ואפשר להעמיק בהדגמה. את השאלות הקשות אנחנו מעלים בעצמנו לקראת הסוף: אבטחת מידע, טעויות של המודל, מה קורה לתפקידים. עובדים חושבים על זה גם אם לא שואלים, ועדיף לענות מהבמה.

מה כדאי להשמיט מההרצאה?

כל מה שלא מקרב את העובד לפעולה. בפועל:

• היסטוריה של AI. אף אחד לא צריך לדעת מה קרה ב-2017 כדי לסכם מייל.
• השוואת מודלים. איזה מודל ״הכי טוב״ משתנה כל חודש. עובד צריך ללמוד לעבוד טוב עם כלי אחד.
• רשימת 20 כלים. שלושה כלים שהוא יפתח עדיפים על עשרים שהוא ירשום ולא יפתח.
• תחזיות. ״עד 2030״ לא עוזר למי שצריך לסיים משימה השבוע.
• מילים גדולות. ״טרנספורמציה״, ״שינוי פרדיגמה״. אם אי אפשר להראות את זה, לא אומרים את זה.

הכלל שאנחנו עובדים לפיו: אם שקף לא מוביל לפעולה ולא מוכיח משהו, הוא יוצא. מצגת של הרצאה לעובדים אצלנו היא 15 עד 20 שקפים לשעה. ברוב השקפים יש מספר אחד או צילום מסך, לא טקסט. המשתתפים לא צריכים לקרוא, הם צריכים לראות.

איך מתאימים הרצאה על AI לקהל שלכם?

אותו מבנה, דוגמאות שונות. לפני כל הרצאה יש לנו שיחת הכנה של 20 דקות עם המזמין, ובה אנחנו מבינים מי יושב באולם ומה מעסיק אותו. כך זה נראה בפועל:

הקהל	הדוגמה המרכזית	ההדגמה החיה	הצעד למחר
שירות לקוחות	סיווג וניתוב פניות	סיווג 20 פניות אמיתיות	טיוטת תשובה לפנייה מורכבת
תפעול ולוגיסטיקה	דוח יומי שמאחד שלוש מערכות	חילוץ נתונים מקובץ מבולגן	סיכום ישיבת בוקר
שיווק ומכירות	סיכום משוב לקוחות	ניסוח שלוש גרסאות להודעה	מחקר על לקוח לפני פגישה
פיתוח ומוצר	סוכן קוד בפרודקשן	בניית כלי פנימי קטן	משימה אחת עם Claude Code
כל הארגון	שלוש דוגמאות מתחומים שונים	סיכום מסמך ארוך	המייל הארוך ביותר של השבוע

ההתאמה הזו היא מה שהופך הרצאה כללית להרצאה ש״כאילו נכתבה בשבילנו״. זו גם הסיבה שאנחנו לא מעבירים את אותה מצגת פעמיים.

איך יודעים שההרצאה על בינה מלאכותית לעובדים עבדה?

מחיאות כפיים לא מודדות כלום. אנחנו מבקשים מהארגון לשלוח סקר של שלוש שאלות שבוע אחרי ההרצאה:

1. ניסית משהו חדש עם AI בשבוע האחרון? (כן או לא)
2. מה? (שורה אחת)
3. מה עצר אותך? (שורה אחת)

התשובות לשאלה השלישית שוות זהב. ב-70% מהמקרים העוצר הוא ״אין לי גישה לכלי״ או ״לא ידעתי אם מותר״. זו לא בעיית הדרכה, זו בעיית מדיניות, והארגון יכול לפתור אותה בשבוע. על המדידה בהמשך, אחרי שמתחילים לבנות, כתבנו באיך מודדים ROI של AI.

היעד שלנו: מעל 50% ״כן״ בשאלה הראשונה. בארגון של 140 עובדים הגענו ל-63%. בארגון שבו לא הייתה מדיניות שימוש ברורה הגענו ל-31%, וזה לימד אותנו להתעקש על שקף אחד של ״מה מותר אצלכם״ בכל הרצאה.

פרונטלי או Zoom, ומה גודל הקהל הנכון?

שתי האפשרויות עובדות, וההדגמה החיה רצה בשתיהן. פרונטלי עדיף כשרוצים שאנשים ידברו זה עם זה אחרי, ו-Zoom מתאים לארגון מפוזר או לכמה סניפים באותו יום. בהרצאה מרחוק אנחנו מקצרים כל חלק בכמה דקות ומוסיפים שתי שאלות סקר קצרות באמצע, כדי שהקהל יישאר איתנו.

גודל הקהל: מ-15 ועד אולם מלא. בקבוצה של 15 עד 40 ההרצאה הופכת לשיחה, ואפשר לעצור על שאלה. באולם של 300 השאלות מגיעות בסוף, ולכן אנחנו מכניסים יותר דוגמאות לגוף ההרצאה. בשני המקרים המבנה זהה.

מה קורה אחרי ההרצאה?

הרצאה טובה פותחת דלת. היא לא בונה כלום. ברוב הארגונים שאנחנו עובדים איתם המסלול נראה כך: הרצאה על בינה מלאכותית לכל העובדים, ואז סדנה לצוות אחד או שניים שהרימו יד, ואז הרחבה. עוד על המסלול הזה, ועל מה גורם להטמעה להחזיק מעמד, במרכז הנושא הטמעת AI בארגון.

הסימן הטוב ביותר שההרצאה עבדה הוא לא הסקר. הוא המייל שמגיע שבועיים אחרי מראש צוות ששואל ״אפשר לעשות את זה גם אצלנו?״.

רוצים הרצאה שהעובדים שלכם יזכרו גם בשבוע שאחרי? להרצאות.