הדרכת הציות שלך אומרת שכולם עברו. בניתי מודל שיודע שלא.
קצינת ציות בבנק העבירה אותי פעם דרך ההסמכה-מחדש השנתית שלה בנושא איסור הלבנת הון. חמש מאות אנשים בפונקציית הציות, מודול אחד בן ארבע שעות, לכולם הוקצה אותו תוכן: בדיקת נאותות לקוחות, דיווח על פעילות חשודה, זיהוי עסקאות מובנות, הלבנת הון מבוססת-סחר, וסינון סנקציות. בסוף, מערכת הלמידה שלה הפיקה חמש מאות סימני וי ירוקים. היא הראתה לי אותם כמו שמראים למישהו קבלה.
ואז היא אמרה את הדבר שלא הצלחתי להשכיח מאז — שאין לה מושג מי מבין חמש מאות האנשים האלה באמת יודע איך להגיש דיווח על פעילות חשודה.
הפער הזה — בין 'הושלם' לבין 'יודע' — הוא כל הסיבה שאני מקדיש כיום את זמני לבניית בינה מלאכותית ללמידה אדפטיבית להדרכה ארגונית. לא מהסוג של מנוע-ההמלצות שמציע לך את הקורס הבא. מהסוג האבחוני, הבנוי על טכניקה שנקראת מעקב ידע, שמדמה מה כל עובד ועובד באמת יודע, מושג אחר מושג, ומעדכן את ההערכה הזו בכל פעם שהוא עונה על שאלה. מערכת ניהול הלמידה שלה עקבה אחר השלמה. מה שהיא הייתה צריכה זו מערכת שעוקבת אחר כשירות. אנחנו בונים את שכבת הכשירות הזו, וזה הפתרון שהצוות שלי עובד עליו מדי יום.
סימן וי ירוק אומר למבקר שסרטון סיים להתנגן. הוא לא אומר לך דבר על האם מישהו למד לבצע את העבודה.
הפער של 102.8 מיליארד דולר בין 'בוצע' ל'יודע'
חברות בארה"ב הוציאו 102.8 מיליארד דולר על הדרכה ב-2025, עלייה מ-98 מיליארד דולר בשנה הקודמת — זה הנתון של Training Magazine, והוא מסתכם בכ-874 דולר לכל לומד. רוב הכסף הזה קונה נתוני השלמה. SCORM, פורמט הקבצים שרוב הקורסים הארגוניים עדיין מגיעים בו, תוכנן סביב מפרט 1.2 שמתעד מעבר, כישלון והשלמה. זהו. זהו גיליון נוכחות עם ערכי הפקה טובים יותר.
אני מוצא את זה מוזר באמת כשמתעכבים על זה. הקדשנו שני עשורים לאופטימיזציה של ההספקה של ההדרכה — סרטון מלוטש יותר, מובייל, מיקרו-למידה — וכמעט שום חלק מהמאמץ הזה לא הופנה למדידה של האם ההדרכה שינתה את מה שמישהו מסוגל לעשות. חברת Josh Bersin פרסמה כתבה בפברואר 2026 שטענה שבינה מלאכותית עומדת לחולל שינוי ב-400 מיליארד דולר של למידה ארגונית, והנתון שנצרב בי היה זה: פחות מ-5% מהחברות באמת פרסו טכנולוגיית למידה מבוססת-בינה מלאכותית. לכולם יש מערכת ניהול למידה. כמעט לאף אחד אין אינטליגנציה בתוכה.
והעלות של הפער הזה כבר אינה מופשטת. הנתונים של Bersin מראים שחברות המשתמשות בלמידה מבוססת-בינה מלאכותית נוטות פי שישה יותר לחרוג ביעדיהן הפיננסיים כלפי מעלה. מהצד השני, 74% מהחברות אומרות שהן לא מצליחות לעמוד בקצב הביקוש למיומנויות חדשות, וזמן מחצית החיים של מיומנות מקצועית צנח מכ-עשר שנים בשנת 2000 לפחות מחמש כיום. ראיתי צוותי הדרכה ופיתוח מגיבים לקריסה הזו בדרך היחידה שהכלים שלהם מאפשרים — על ידי הפקת עוד תוכן, מהר יותר. אני מבין את האינסטינקט, כי במשך עשרים שנה עוד תוכן היה המנוף היחיד שהמערכות נתנו לנו. המנוף מעולם לא היה הבעיה. המכשיר שבו אנו משתמשים כדי למדוד האם משהו מזה עבד — הוא הבעיה.
הגרסה הראשונה שבניתי הייתה שגויה, והיא נראתה נהדר
הנה החלק שאני לא גאה בו. כשהתחלתי לבנות את זה, פניתי אל המודל המובן מאליו. בספרות של מעקב ידע יש גישה ידועה בשם Deep Knowledge Tracing — DKT — שמשתמשת ב-LSTM, סוג של רשת עצבית חוזרת, כדי לחזות האם לומד יענה נכון על השאלה הבאה. זו נקודת ההתחלה הקנונית. חיברנו אותה, הזנו לה נתוני אינטראקציה, ולוחות המחוונים היו יפים. עקומות שליטה שטיפסו, דיוק חיזוי שנראה מכובד.
הייתי מוכן להתגאות בזה. ואז חזרתי למקרה השימוש הזה של איסור הלבנת הון וניסיתי לענות על השאלה האמיתית של קצינת הציות — איזה מושג האנליסט הספציפי הזה לא יודע? — והמודל לא יכול היה לומר לי. הוא יכול היה לומר לי האם מישהו 'הצליח' באופן כללי. הוא לא יכול היה לומר בבירור 'היא איתנה בבדיקת נאותות לקוחות ומסוכנת בהלבנת הון מבוססת-סחר'.
לקח לי יותר זמן ממה שהיה צריך כדי להבין למה. יש מאמר מ-2025 מקהילת כריית הנתונים החינוכית (Educational Data Mining) שמעלה טענה אכזרית בשקט: DKT בגרסתו הבסיסית לומד יכולת, לא ידע לכל מיומנות. הוא מדמה אות כללי של 'האדם הזה טוב במבחן' במקום שליטה ברמת המושג. גרוע מכך, חוקרים הראו שרשתות RNN לא מאומנות — רשתות עם משקלים אקראיים — יכולות להשתוות למודלי DKT מאומנים בחלק ממבחני הבנצ'מרק. לוח המחוונים היפה שלי, במובן אמיתי, מדד תחושות.
בניתי מודל שהיה בטוח בעצמו, נראה מדויק, ולא היה מסוגל לענות על השאלה האחת שכל הפרויקט התקיים כדי לענות עליה.
החודש הזה הרגיש כמו מבוי סתום. הבטחתי ראיות לכשירות ובניתי מד ביטחון שלא ידע במה הוא בטוח.
למה בנינו מחדש על בסיס קשב במקום זיכרון
הדרך החוצה הגיעה מהדור החדש יותר של מודלי מעקב ידע — אלה המבוססים על קשב-עצמי. עברנו ל-SAKT, Self-Attentive Knowledge Tracing, ואז ל-AKT, הווריאנט הקשוב מודע-ההקשר. במקום לדחוס את כל ההיסטוריה של לומד לתוך זיכרון חוזר יחיד, המודלים האלה משתמשים בקשב כדי לשאול, עבור כל שאלה חדשה, אילו מתשובות העבר שלך באמת רלוונטיות למיומנות הזו ברגע זה? AKT הולך רחוק יותר ומשלב רעיונות מתאוריית המדידה החינוכית, ומכוונן את הקושי תוך כדי תנועה.
התשואות המעשיות היו אלה שהיו חשובות לי. SAKT עושה זאת עם כ-700,000 פרמטרים ו-AUC קרוב ל-0.80 — קטן מספיק כדי לרוץ ביעילות, מדויק מספיק כדי לסמוך עליו, וחשוב מכך הוא מפיק הסתברות שליטה לכל מושג ולא ציון כשירות מטושטש אחד. AKT התברר כמתאים יותר כאשר תרחיש באמת זקוק להוראה מותאמת-אישית, וכזו היא הסמכה-מחדש לצורכי ציות ללא ספק. יש יתרון שקט שיש לנתונים ארגוניים על פני מבחני הבנצ'מרק האקדמיים שעליהם נבנו המודלים האלה: רצפי ציות הם קצרים ובעלי סיכון גבוה, לא יומני חונכות של אלף אינטראקציות שהופכים חיזוי רצף-ארוך לבעיה הפתוחה הקשה בספרות. הדבר שהמאמרים מתקשים בו יותר מכל אינו הבעיה שלנו ברובו.
אז סוף סוף הדוגמה של איסור הלבנת הון הוצגה כפי שהיא צריכה. דמיינו מפת חום: השורות הן עובדים, העמודות הן חמשת מושגי איסור הלבנת ההון, כל תא הוא הסתברות שהאדם הזה שולט במושג הזה. אנליסט BSA בכיר עם שמונה שנים בתפקיד נדלק בירוק לרוחב בדיקת נאותות לקוחות, דיווח על פעילות חשודה, סנקציות — אך מופיע בכתום בהלבנת הון מבוססת-סחר. מנהל סניף שישה חודשים בתפקיד אינו ירוק בשום מקום ואדום עמוק בהגשת SAR ובהלבנת הון מבוססת-סחר (TBML). אותו מודול, צרכים שונים בתכלית.
האנליסטית הבכירה לא צריכה לשבת ארבע שעות כדי להוכיח מחדש את מה שהיא יודעת באופן מובהק; היא צריכה לאמת במהירות את המושגים שבהם היא שולטת ולהשקיע את זמנה בנקודת החולשה האחת. המנהל החדש זקוק למסלולים מדורגים ואיטיים יותר בדיוק היכן שההסתברויות שלו נמוכות ביותר. קבענו ספים שיכולנו להגן עליהם בפני מבקר: מעל 0.75 בערך, מתייחסים למושג כמושלט ומאמתים בקצרה; ברצועה האמצעית, זהו אזור המאבק הפורה שבו הלמידה באמת מתרחשת; מתחת ל-0.35, עוצרים ומתקנים עם תמיכה. המודל מעדכן כל תא בכל תגובה.
על פני חמש מאות עובדים, זה ההבדל בין אלפיים שעות של זמן ישיבה זהה לבין בערך מחצית מזה — עם חזקות יותר ראיות בסוף, לא חלשות יותר. ב-874 דולר לכל לומד, הפרודוקטיביות שהוחזרה בפונקציית ציות אחת בת חמש מאות אנשים מסתכמת במאות אלפי דולרים בודדים בשנה. זו אינה תחזית שהמצאתי. Fulcrum Labs ו-Allegiant Airlines תיעדו ירידה בזמן ההדרכה מ-51 ימים ל-23 — קיצוץ של 55% — עם ירידה של 60% בתאונות ובנזק לציוד. וזה לא רק בנקים וחברות תעופה: חברת מד-טק גלובלית שהפעילה את אותה גישה אדפטיבית חסכה יותר מ-16,000 שעות הדרכה על פני 113,000 לומדים, וארגון בתחום הבריאות קיצץ את זמן הקליטה ב-22%. הנושא משתנה — טיפול בנתוני מטופלים, פרוטוקולי מכשירים, טיפולוגיות איסור הלבנת הון — אך בעיית האבחון לא. בנק אמריקאי מעשרת הגדולים הפעיל ציות אדפטיבי על פני יותר מ-70,000 עובדים וראה עלייה של 75% בתנועה לקורסי החובה. הפחתת זמן הישיבה אמיתית והיא הוכחה על ידי אנשים שאינם אני.
'האם Cornerstone כבר לא עושה את זה?'
זו השאלה הראשונה שאני מקבל, בכל פעם, והיא הוגנת. במרץ 2026 Cornerstone השיקה את מה שהיא מכנה Adaptive Learning Agent בתוך מערכת Galaxy AI שלה. Docebo רכשה את 365 Talents כדי להוסיף הערכת מיומנויות. כל התעשייה מטביעה 'למידה אדפטיבית מונעת-בינה מלאכותית' על האריזה. אז למה לבנות משהו מותאם אישית?
כי רוב מה שנמכר כאדפטיבי הוא סינון שיתופי, לא מעקב ידע — וההבדל הוא כל המשחק. סינון שיתופי הוא המהלך של Netflix: אנשים שהשלימו את קורס A נטו לקחת את קורס B אחריו, אז הנה קורס B. הוא ממליץ על סמך מה שעמיתיך עשו. מעקב ידע עושה משהו שונה מהותית: הוא מדמה מה אתה באופן ספציפי שלטת ולא שלטת בו, וממקד את הפער. האחד הוא מנוע המלצות. השני הוא מנוע אבחון. הסוכן של Cornerstone ממליץ מה ללמוד הבא; הוא אינו מודד שליטה ברמת המושג. מעקב המיומנויות של Docebo מבוסס במידה רבה על הצהרה או על השלמה — העובד אומר שהוא יודע את זה, או שהוא סיים את הקורס — לא נמדד ממה שהם באמת עשו עם החומר.
יש ספקים שבאמת עושים מעקב ידע היטב. ל-Fulcrum Labs יש מנוע קנייני ומקרי בוחן שתומכים בו. שחקני ה-EdTech — חברות כמו Riiid, שגייסה 256 מיליון דולר — מחזיקים במודלי מעקב ידע אמיתיים. אבל Fulcrum דורשת ממך להגר את התוכן שלך אל הפלטפורמה שלה, ומודלי ה-EdTech נבנו למבחנים סטנדרטיים ולחינוך יסודי-תיכון, לא לתהליכי עבודה של איסור הלבנת הון ולראיות ביקורת. וארבע הגדולות? Deloitte ו-PwC יגבו ממך פרויקט טרנספורמציה של כוח עבודה בעלות של 500,000 עד 5 מיליון דולר ויתקינו את Cornerstone או SAP בצורה מושלמת. הם מגדירים את הפלטפורמה של הספק. האינטליגנציה האדפטיבית עדיין שייכת לספק, לא לך.
רוב הארגונים אינם צריכים לעקור את מערכת ניהול הלמידה שלהם. הם צריכים שכבת אינטליגנציה שמתחברת לזו שכבר יש להם.
זה הפער שאליו אנחנו בונים: מנוע מעקב ידע שיושב מעל מערכת הלמידה הקיימת שלך ומתקשר איתה דרך תקנים פתוחים — xAPI ללכידת נתוני אינטראקציה גרנולריים, LTI להעברת לומדים הלוך ושוב. אתה משאיר את מערכת ניהול הלמידה שלך. אנחנו מוסיפים את המוח.
הסיכון האמיתי אינו המודל — אלא התיוג
אני אספר לך את הדבר שהדמואים לעולם לא מזכירים, כי זה הדבר שבאמת מכריע אם אחד מהפרויקטים האלה מצליח. החלק הקשה ביותר בבניית למידה אדפטיבית אינו הרשת העצבית. אלא תיוג התוכן.
מודל מעקב ידע יכול לעקוב רק אחר ידע שהוא יכול לראות. כל שאלה במודול הציות שלך חייבת להיות ממופה למושג — פריט זה בוחן הלבנת הון מבוססת-סחר, ההוא בוחן סינון סנקציות — אחרת אין למודל מה לעדכן. רוב התוכן הארגוני מגיע כערימה של חבילות SCORM 1.2 שפולטות דגל השלמה יחיד ואין בהן שום מבנה מושגי כלל. מעבר ל-xAPI פירושו הקמת Learning Record Store, חשיבה מחדש על ממשל הנתונים וארכיטקטורת הרשת שלך, ולעיתים קרובות תיוג מחדש של התוכן שאלה אחר שאלה. זה לא זוהר, זה המקום שבו נמצאת העבודה האמיתית, וזו הסיבה שאני חושש ממי שאומר לך שלמידה אדפטיבית היא מתג שאתה מפעיל.
אני מעדיף להיות כן לגבי זה מראש מאשר לזכות בפרויקט על סמך הבטחה שאיני יכול לקיים. המודל הוא החלק שאני יכול למסור לך תוך כמה שבועות. התיוג הוא החלק שאנחנו עושים יחד, וזה החלק שעושה את ההבדל בין מערכת שמפיקה ראיות שליטה ברמת ביקורת לבין כזו שמפיקה סימני וי יפים יותר.
האם חוק הבינה המלאכותית של האיחוד האירופי יהפוך את מעקב ההשלמה לחסר ערך?
במשך זמן רב, 'כשירות מול השלמה' היה טיעון של איכות — נחמד שיהיה, קשה לממן. זה משתנה בגלל חוק הבינה המלאכותית של האיחוד האירופי. סעיף 4, חובת האוריינות בבינה מלאכותית, נכנס לתוקף ב-2 בפברואר 2025, ופיקוח על ידי רשויות פיקוח שוק לאומיות מתחיל ב-2 באוגוסט 2026. הוא דורש שהצוות יוכשר לאוריינות בבינה מלאכותית באופן ההולם את תפקידו — וההנחיה של האיחוד האירופי עצמה מפורשת שאין פורמט אחד שמתאים לכולם. מבוסס-תפקיד, אחרת זה לא נחשב.
חשוב על מה שזה עושה למודל של סימן הווי הירוק. 'כולם צפו באותו סרטון אתיקה של בינה מלאכותית' הוא בדיוק הדבר שסעיף 4 נבנה כדי לדחות, והקנסות על הוראות הסיכון-הגבוה מגיעים עד 35 מיליון אירו או 7% מההכנסות הגלובליות. הרגולטורים הראו שהם ירשמו המחאות ענק על כשלי הדרכה בתחומים סמוכים — TD Bank ספג קנס של 3.1 מיליארד דולר הקשור לתוכנית ציות לקויה לאיסור הלבנת הון. העלות של התייחסות להדרכה כאל תיאטרון כבר אינה היפותטית.
יש לחץ שני שלא צפיתי כשהתחלתי, וזה כמעט מצחיק. עובדים גילו שהם יכולים להישען על עוזרי בינה מלאכותית כדי לעבור בקלילות את מודולי הציות — לענות על החידון, ללחוץ על 'הושלם', ללמוד כלום. HR Morning דיווח על כך ב-2026, ו-Gartner הרחיקה לכת עד כדי חיזוי שעד סוף 2026 מחצית מהארגונים ידרשו הערכות מיומנות 'ללא בינה מלאכותית' בשל ניוון החשיבה הביקורתית. כשכוח העבודה שלך יכול לזייף השלמה בקנה מידה רחב, השלמה מפסיקה להיות בעלת משמעות כלשהי בכלל. התשובה היחידה שמחזיקה מעמד היא למדוד מה מישהו באמת יודע — וזה הדבר שמעקב ידע נבנה כדי לעשות.
מה הייתי אומר לקצינת הציות ההיא עכשיו
אנשים שואלים אותי אם כל זה שווה את זה בשביל הדרכה, מכל הדברים — האם זו לא הנדסת-יתר של חובה ארגונית שאיש אינו נהנה ממנה? התשובה שלי היא שביצענו לגביה הנדסת-חסר במשך עשרים שנה, והחשבון עומד להיפרע משני כיוונים בבת אחת: זמן מחצית חיים של מיומנויות שקרס אל מתחת לחמש שנים, ורגולטור שעומד לבקש ראיות שברובן אין לנו. רק 26% מהמנהיגים בכלל מרגישים מסוגלים למדוד את ההחזר על ההשקעה בהדרכה כיום. הדבר שבחרנו לא למדוד הוא הדבר שנפרע.
אני חוזר במחשבה לאותו קלסר של חמש מאות סימני וי ירוקים. הטרגדיה שבו לא הייתה שההדרכה הייתה גרועה. אלא שהארגון הוציא כסף אמיתי ושעות אמיתיות ובסוף ידע פחות ממה שחשב שהוא יודע — בביטחון, בכתב, עם מסלולי ביקורת. האנליסטית הבכירה השתעממה והמנהל החדש היה אבוד, והמערכת דיווחה על שניהם כהצלחה.
אם יכולתי לחזור ולמסור לה דבר אחד, זה לא היה סרטון טוב יותר. זו הייתה מפת החום — חמש מאות שורות, חמישה מושגים, כל תא מספר שהיא באמת יכולה להגן עליו. לא 'כולם עברו'. משהו אמיתי יותר ושימושי הרבה יותר: הנה בדיוק מה שכל אחד מהאנשים האלה יודע, והנה מה שאנחנו הולכים לעשות לגבי השאר. זו המערכת שאנחנו בונים, וככל שאני עושה זאת יותר זמן, כך אני משוכנע יותר ש'הושלם' מעולם לא היה התשובה לשאלה שלמישהו באמת הייתה.