לא, ה-AI לא ייקח לכם את העבודה! מנכ”ל NVIDIA מסביר למה

לא מעט טקסטים על AI מנסים להרגיע את השוק עם סיסמאות. כאן זה עובד אחרת. ג’נסן הואנג, מנכ”ל אנבידיה (Nvidia), לא מבטל את הפחד מאבטלה, אלא מפרק אותו בשיחה עם לארי פינק (Larry Fink), מנכ”ל בלאקרוק (BlackRock), באמצעות טיעון כלכלי, שתי דוגמאות מהשטח והבחנה אחת חדה בין “משימה” ל”ייעוד”. התוצאה היא עמדה אופטימית אך לא נאיבית: במקומות שבהם אוטומציה באמת מעלה פרודוקטיביות, היא גם יכולה להרחיב את הפעילות ולייצר צורך בעוד אנשים, לא פחות.

צפו בראיון, שהתקיים במסגרת הפורום הכלכלי העולמי בדאבוס, שווייץ:

מה באמת מטריד אנשים בעידן ה-AI?

השאלה שחוזרת כמעט בכל דיון ציבורי על בינה מלאכותית היא לא טכנית, אלא קיומית: האם המערכות החכמות יחליפו בני אדם בקצב מהיר יותר מזה שהכלכלה מסוגלת לייצר תפקידים חדשים. הואנג מכיר היטב את החשש הזה, ובשיחה עם פינק הוא מנסח אותו בצורה ישירה: הציבור רואה “פריצות דרך”, ומתחת לפני השטח עולה דאגה אחת גדולה לגבי “האלמנט האנושי” והאפשרות שה-AI יגרום להיעלמות משרות.

במקום להציג הבטחות כלליות, הוא מציע מסגרת חשיבה שבנויה על שלושה נדבכים: תנופת תשתיות, דוגמאות אמפיריות ממקצועות שכבר עברו אוטומציה, והבחנה בין מה שאנחנו עושים בפועל במהלך היום לבין הסיבה שבגללה משלמים לנו.

תנופת התשתיות הגדולה בהיסטוריה: לא רק מהנדסים

הטיעון הראשון של הואנג הוא כלכלי ופשוט: מהפכת ה-AI לא מתרחשת רק בענן ובקוד. היא דורשת בנייה פיזית עצומה. לדבריו, זהו “בינוי התשתיות הגדול ביותר בהיסטוריה האנושית”, והוא מתבטא בהקמה ובהרחבה של מרכזי נתונים, מפעלי שבבים ומתקנים ייעודיים למה שהוא מכנה “מפעלי AI”.

כאן מגיע החידוד החשוב: חלק גדול מהמשרות שנוצרות אינן משרות תוכנה. להפך – הואנג מדגיש את הביקוש במקצועות “טרייד קראפט”, כלומר מקצועות ביצוע והקמה שמחברים בין תכנון להוצאה לפועל.

אילו מקצועות נהנים מהביקוש החדש?

הואנג מציין שהבנייה הזו מייצרת דרישה רחבה לבעלי מקצוע מהשטח, כולל:

• חשמלאים ושרברבים: עבודות תשתית שמרכזי נתונים ומפעלים לא יכולים בלעדיהן, מהקמה ועד תחזוקה שוטפת.
• עובדי בניין ופלדה: מי שמרימים בפועל את האתרים הפיזיים של “הכלכלה החישובית”.
• טכנאי רשת ומתקיני ציוד: שכבת החיבור בין המבנה הפיזי למערכות המחשוב שמריצות מודלים.

למה זה משנה את השיחה על אבטלה?

נקודת המפתח היא לא רק שהמשרות קיימות, אלא שהן מתגמלות. הואנג אומר שבארצות הברית כבר רואים “בום” משמעותי בשכר בתחומים הללו, עד כדי עלייה של כמעט פי שניים. הוא אף מתאר מצב שבו עובדים שמקימים מפעלי שבבים או “מפעלי AI” מגיעים למשכורות של שש ספרות בדולרים.

המסר שלו כאן כפול: מצד אחד, נוצרת תעסוקה בהיקפים גדולים בגלל הבנייה עצמה. מצד שני, אלו משרות שיכולות לאפשר “חיים טובים” גם בלי מסלול אקדמי ארוך. הוא מדגיש במפורש שלא צריך דוקטורט במדעי המחשב כדי להשתלב בגל הזה.

פרדוקס הרדיולוגיה

אחד החלקים החזקים בשיחה הוא כשהואנג עובר מהצהרות כלליות לדוגמה היסטורית. לפני כעשור, כך הוא מזכיר, רדיולוגיה נחשבה למקצוע הראשון שיעלם. הסיבה הייתה טכנית ומובנת: היכולת הראשונה שבה מערכות AI הפכו ל”על אנושיות” הייתה ראייה ממוחשבת, ואחד השימושים המרכזיים של ראייה ממוחשבת ברפואה הוא פענוח סריקות.

עשר שנים אחר כך, הואנג לא מכחיש את החדירה של הטכנולוגיה. להפך, הוא אומר שה-AI “חלחל לחלוטין” לכל היבט של הרדיולוגיה. אבל למרות זאת, מספר הרדיולוגים לא ירד – אלא עלה.

מה גורם לשוק לגייס יותר ולא פחות?

ההסבר של הואנג נשען על שרשרת סיבתית עקבית:

ראשית, AI מייעל את העבודה. אם רדיולוג יכול לעבור על סריקות מהר יותר, הוא מסיים את החלק הטכני בזמן קצר בהרבה.

שנית, הזמן הזה לא “נעלם”, אלא משנה כיוון. הואנג אומר שכשקריאת הסריקות מואצת, הרדיולוג יכול להשקיע יותר זמן בייעוד המקצועי שלו: אבחון, אינטראקציה עם מטופלים ושיתוף פעולה עם קלינאים נוספים.

שלישית, וזו הנקודה הכלכלית, בית החולים מסוגל לקבל יותר מטופלים. אם אנשים חיכו זמן רב לסריקות, היכולת לטפל ביותר מקרים בזמן קצר יותר מגדילה את היקף הפעילות. כאשר מספר המטופלים עולה, ההכנסות עולות, ואז לארגון יש גם תקציב וגם צורך לגייס עוד רדיולוגים.

במילים אחרות, האוטומציה שינתה את צורת העבודה, אבל התרחבות הביקוש והיכולת לספק שירותים במהירות גבוהה יותר הפכה את המקצוע לפחות “נחסם” ויותר סקיילבילי. וזה, לפי הטיעון, מתרגם גם לתעסוקה.

משבר האחיות: חצי מהזמן הולך לניירת

הדוגמה השנייה מגיעה מתחום הסיעוד, ושם הטיעון נהיה כמעט מוחשי. הואנג מתאר מחסור של כ-5 מיליון אחיות בארצות הברית, ומוסיף פרט שמחדד למה AI נתפס עבורו ככלי תפעולי ולא כאיום: אחיות מבלות כחצי מזמנן בתיעוד, מילוי טפסים ותמלול ביקורים.

כאן הואנג לא מדבר על עתיד היפותטי, אלא על שימושים קיימים של מערכות AI לתמלול ולתיעוד (Charting). הוא מזכיר גם חברה שותפה לאנבידיה שעושה “עבודה מדהימה” בתחום, בלי להיכנס לשמות או לפרטים טכניים מעבר לכך.

המכניזם דומה לזה של הרדיולוגים, רק שהיעד האנושי ברור אפילו יותר: כשה-AI לוקח על עצמו תיעוד ותמלול, אחיות חוזרות למה שהואנג מכנה “High touch”, כלומר טיפול ישיר במטופלים.

ברמה הארגונית, זה פותח צוואר בקבוק. פחות זמן על ניירת אומר יותר זמן על טיפול, מה שמאפשר להכניס חולים מהר יותר ולשרת יותר מטופלים. אם בית חולים “עושה יותר טוב”, כהגדרתו, הוא ירצה להעסיק יותר כוח אדם. כך הטיעון מסביר כיצד פרודוקטיביות גבוהה יותר יכולה להוביל להתרחבות הפעילות ולגידול במספר המשרות, גם כאשר חלק מהמטלות הפכו לאוטומטיות.

המפתח להבנת ההשפעה על שוק העבודה: “ייעוד” מול “משימה”

כדי להפוך את הטיעון לכלי ניתוח ולא רק לסיפור מעודד, הואנג מציע מבחן פשוט לכל מקצוע: להבין מה הייעוד של התפקיד ומהן המשימות שמרכיבות אותו.

הוא מציג את זה כמעט כמו כלל אצבע: אם ה-AI אוטומטי משימה שמסביב לייעוד, הוא לא בהכרח מוחק את התפקיד – הוא עשוי לחזק את ליבת התפקיד.

כאן הואנג מכניס אנקדוטה שמדגימה עד כמה קל להתבלבל בין פעולה יומיומית לבין תפקיד. אם תציב מצלמה שתתעד אותו ואת פינק במהלך היום, הוא אומר, אפשר יהיה לחשוב שהם קלדנים, כי הם מקלידים המון. ואז קל לטעון: אם AI עושה חיזוי מילים ומייצר טקסט, הם “מחוץ למשחק”. אבל זו טעות קטגורית. ההקלדה היא משימה, לא הייעוד. הייעוד שלהם הוא ניהול, קבלת החלטות והובלה.

במקרה של אחיות ורדיולוגים ההבחנה חדה עוד יותר: הייעוד הוא טיפול, אבחון ועבודה מול אנשים. קריאת סריקות ותיעוד הם רכיבים חשובים, אבל אינם “הסיבה” שבגללה המקצוע קיים. לכן, כאשר המשימות האלו הופכות מהירות ויעילות יותר, מתפנה זמן ליותר אינטראקציה אנושית, יותר מטופלים, וכתוצאה מכך – לעיתים גם יותר תקנים.

אופטימי, אבל לא מבטיח חסינות

הגישה של הואנג לא מתבססת על אמירה שה-AI לעולם לא יחליף עובדים. היא מתבססת על טענה ממוקדת יותר: במקרים רבים, במיוחד במקצועות שבהם יש ביקוש אמיתי ומגבלות תפעוליות, אוטומציה של משימות יכולה לשחרר קיבולת וליצור הרחבה של הפעילות.

החלק החזק בשיחה הוא החיבור בין הכלכלה לבין היומיום המקצועי. זה לא דיון על “בינה מלאכותית כללית”, אלא על מה קורה לארגון כשהוא מפסיק להיות מוגבל על ידי תיעוד איטי או זמני המתנה ארוכים. במובן הזה, הואנג מצייר את ה-AI לא כתחליף לעובדים אלא כדרך להזיז עובדים מהמקומות שבהם הם נחסמים אל המקומות שבהם הם מועילים יותר.

ועדיין, יש כאן גם תנאי סמוי: כדי שהמודל הזה יעבוד, הארגון צריך להשתמש בפרודוקטיביות המוגברת להרחבת השירות או הייצור, ולא רק לצמצום עלויות. זה כבר עניין של תמריצים ניהוליים, רגולציה ותחרות. אבל לפחות במסגרת הדוגמאות שהוא מביא, הכיוון ברור: כשיש עוד ביקוש בשוק ועוד אנשים שממתינים לשירות, פרודוקטיביות גבוהה יותר נוטה להתגלגל גם להרחבה ולתעסוקה, לא רק להתייעלות.

הדיון הזה לא סוגר את שאלת העתיד של העבודה, אבל הוא כן מציע דרך טובה יותר לשאול אותה. במקום לשאול “איזה מקצוע ייעלם”, אולי נכון יותר לשאול מה הייעוד של כל מקצוע, אילו משימות עוטפות אותו, ואיך טכנולוגיה שמקצרת את המשימות יכולה לשנות את הערך האנושי שנשאר במרכז. בעיני, זו גם הדרך להפסיק לדבר על AI כגוש אחד מאיים, ולהתחיל לנתח אותו כמו כל טכנולוגיית פרודוקטיביות אחרת: לפי ההשפעה שלה על צווארי בקבוק, על ביקוש ועל איכות השירות. בהקשר הזה, כלים כמו ChatGPT ומערכות תמלול ותיעוד חכמות לא “מחליפים” מקצועות באופן אוטומטי, אלא דוחפים ארגונים להחליט מחדש מה באמת חשוב בעבודה של בני אדם, ומה עדיף שמכונה תעשה בשקט ברקע.