מיומנויות AI מזנקות ב־27 מדינות — אבל לא באותם תפקידים

ב־22 בספטמבר 2026 פרסמה SHRM ניתוח של מודעות דרושים בתחומי המחשוב, שלפיו הביקוש למיומנויות AI עלה בכל 27 המדינות שנבדקו, וג׳יימס אטקינסון, סגן נשיא בארגון, אמר כי 'a one-size-fits-all talent strategy will fall short'. העלייה משותפת למדינות, אבל עוצמת הדרישה שונה מאוד בין מקצועות; הכשרה מועילה יותר כשהיא מחוברת למשימות של התפקיד המבוקש.

לפי תקציר המחקר, החציון בין המדינות של מודעות המזכירות מיומנויות AI נע מ־4.7% בתמיכת רשתות ומערכות עד 55.1% בניתוח נתונים ומתמטיקה, ואילו הממוצע המדינתי נע מ־7% באוסטריה עד 28.5% בארצות הברית. עבור עובד תמיכה, מפתח או אנליסט, השאלה אינה רק אם ללמוד AI: היא אם המשרה דורשת היכרות עם כלי, שימוש בו לצד מומחיות מקצועית, או יכולת לבנות מערכת ולבחון את תוצאותיה.

מה בדיוק עלה במודעות הדרושים

הנתונים מתייחסים למודעות פעילות בטכנולוגיית מידע ובמדעי המחשב, ולא לכלל המקצועות במשק. הבדיקה השוותה את שיעור המודעות המזכירות מיומנויות AI בשתי תקופות שנתיות עוקבות, שהמאוחרת בהן הסתיימה ביוני. לכן העלייה מתארת שינוי בדרישות שפורסמו; היא אינה מדידה של מספר העובדים שגויסו, השכר שקיבלו או התועלת שהפיקו מהכשרה.

גם הסקירה של displacement.ai מבחינה בין דרישה המופיעה במודעה לבין גיוס שהושלם בפועל. ההבחנה חשובה למי שבוחן לימודים: אזכור של AI יכול לתאר רכיב מרכזי בעבודה, אך הוא יכול להופיע גם לצד דרישות רחבות יותר לתפקיד. המודעה מצביעה על מה שהמעסיק מבקש להציג למועמדים; פירוט האחריות בה קובע מה נדרש לעשות עם היכולת הזאת.

יש גם הבדל בין שיעור במדינה לבין שיעור במשפחת תפקידים. הראשון הוא ממוצע של מודעות מחשוב בשוק מסוים, והשני מתאר מקצוע מסוים כחציון בין מדינות. לכן אין לקרוא את שני המדדים כאילו אחד מסביר לבדו את האחר. מדינה יכולה להציג ביקוש גבוה יחסית בכלל מודעות המחשוב שלה, ובכל זאת להראות פער גדול בין תפקידי תמיכה לתפקידי נתונים.

אותו אזכור של AI, עבודה מקצועית אחרת

בתמיכת רשתות ומערכות, היכרות עם כלי AI יכולה לסייע בניסוח הסבר לתקלה, בארגון תיעוד או באיתור כיוון ראשוני לאבחון. אלה שימושים אפשריים, לא רשימת דרישות שנמדדה לכל מודעת תמיכה. היכולת המשלימה נשארת הבנת הרשת והמערכת: לזהות מה התקלקל, לבדוק אם הצעה מתאימה לסביבה הטכנית ולדעת מתי להעביר טיפול לגורם אחר.

בפיתוח תוכנה, אותה כותרת של ״מיומנויות AI״ עשויה לכסות שתי עבודות שונות. שימוש בכלי לכתיבת קוד או לסקירתו נשען על קריאת קוד, בדיקות והבנת המערכת שאליה השינוי נכנס. תפקיד שבמרכזו בניית רכיב AI דורש שכבה נוספת של עבודה עם נתונים, מודלים, תשתיות והערכת ביצועים. אי אפשר להסיק מן הפער בין משפחות התפקידים שכל מפתח נדרש לרמת מומחיות של מהנדס AI.

בניתוח נתונים, המבחן המקצועי הוא הקשר בין תוצאה למסקנה. אנליסט המשתמש בכלי AI צריך לדעת מה מקור הנתונים, כיצד עובדו, אילו הנחות עומדות מאחורי החישוב ומה אפשר להסיק מן הפלט. גם כאשר כלי מפיק תרשים או סיכום משכנע, שגיאה בנתונים או בפרשנות יכולה להוביל להחלטה שגויה. לכן ידע סטטיסטי ובקרת איכות אינם נספח טכני לשימוש בכלי.

מטריצת המיומנויות לפי תפקיד

החלוקה הבאה מתרגמת את הפער שנמצא בין משפחות התפקידים לסוגי אחריות מקצועית. זו מסגרת פרשנות, לא דירוג נפרד של מיומנויות שנמדד במחקר לכל מקצוע. היא מבדילה בין אוריינות בסיסית, הפעלה של כלי בתוך עבודה קיימת ובנייה או בקרה של מערכת AI.

• תמיכת רשתות ומערכות — אוריינות ושימוש ממוקד: להבין מה כלי AI יכול להציע ומה צריך לאמת לפני שימוש בתשובתו. הידע המשלים הוא אבחון תקלות, היכרות עם רכיבי הרשת ותיעוד שאפשר להסתמך עליו בהמשך הטיפול. עובד שמזהה תשובה סבירה אך שגויה מביא לתפקיד ערך שכלי כללי לבדו אינו מספק.
• פיתוח תוכנה — הפעלה מקצועית או בניית רכיב: בשימוש בכלי לכתיבת קוד נדרשים קריאה ביקורתית, בדיקות והבנה של התנהגות המערכת הקיימת. כאשר המשרה עוסקת בבניית יכולת AI, נדרשת גם עבודה עם נתונים, מודלים ותשתיות. ההבדל בין שני סוגי המשרות קובע אם הכשרה בהפעלת כלי מספיקה או שהיא רק נקודת פתיחה.
• ניתוח נתונים — שימוש עמוק ובקרה: כלי AI יכול לסייע בעיבוד, בחקירה ובהצגת נתונים, אבל האנליסט אחראי לאיכות הקלט ולמשמעות התוצאה. הידע המשלים הוא ניקוי נתונים, חשיבה סטטיסטית והסבר של מגבלות המסקנה. בלי היכולות האלה קשה להבחין בין דפוס מועיל לבין תוצאה שנוצרה מהנחה שגויה.
• הנדסת AI — בנייה והערכה: מרכז העבודה הוא תכנון יכולת המבוססת על מודלים, שילובה במערכת ובחינת התנהגותה לאחר השילוב. כאן היכרות עם ממשק של כלי אינה שקולה ליכולת לפתח פתרון. לצד למידת מכונה נחוצים ידע הנדסי ובקרה על האופן שבו המערכת פועלת בתוך מוצר או תהליך.

מכאן גם נובע הגבול של קורס AI כללי. הוא עשוי לתת שפה משותפת והיכרות ראשונית עם כלים, אך אינו מקנה בהכרח אבחון רשת, בדיקת קוד, ניתוח סטטיסטי או הערכת מודלים. ערכה האפשרי של הכשרה תלוי במה שהעובד יידרש לבצע לאחריה, והמחקר אינו מודד תשואה כספית של קורסים או מסלולי לימוד.

מה אפשר להסיק למשרות בישראל

המספרים במחקר הם בינלאומיים ונוגעים למשרות מחשוב במדינות שנכללו בו; אין מהם שיעור ביקוש ישראלי. משפחות תפקידים דומות עשויות להופיע גם במודעות בישראל, אך ניסוח הדרישות, הכלים וסדר העדיפויות של מעסיקים יכולים להשתנות בין שווקים. משום כך הפער המקצועי הוא נקודת ייחוס, בעוד שהתאמה להכשרה מסוימת צריכה להיבחן מול תוכן המשרות המקומיות שאליהן מכוונים.

הבחינה הזאת משנה את פירוש המילה ״מבוקש״ עבור מועמד ישראלי. אם מודעות לתפקיד תמיכה מתארות שימוש בכלי לצד אבחון מערכות, הכשרה בבניית מודלים עשויה להחטיא את עיקר העבודה. אם משרת פיתוח דורשת לבנות ולהעריך יכולת AI, היכרות כללית עם כלי שיחה תהיה בסיס צר מדי. הנתון העולמי מצביע על כיוון השינוי; פירוט התפקיד במודעה המקומית הוא שקובע איזו מיומנות תישא את המשקל המקצועי.