בינה מלאכותית משנה את שוק העבודה: מדוע אובדן 800,000 מקומות עבודה הוא רק חצי מהסיפור

בינה מלאכותית ושוק העבודה הגרמני: השינוי הגדול בתעסוקה מתחיל

מדוע במיוחד אנשי מקצוע צעירים עלולים להיות תחת לחץ

בינה מלאכותית לא צפויה לשנות את שוק העבודה הגרמני באמצעות קריסה פתאומית בתעסוקה, אלא באמצעות ארגון מחדש עמוק של משרות, כישורים והזדמנויות קריירה. על פי תרחיש ארוך טווח, כ-800,000 משרות עלולות להיעלם תוך 15 שנים - בעוד שמספר דומה של משרות חדשות נוצר. עם זאת, תוצאה כמעט מאוזנת זו אינה סיבה לשאננות: לא ניתן פשוט לקזז את המשרות והאנשים המושפעים זה כנגד זה. משרות חדשות עשויות לדרוש מיומנויות שונות, לצוץ במקומות שונים או להתפנות מאוחר יותר. אלו שרק מתחילים את הקריירה שלהם עלולים להתמודד עם אתגרים מסוימים כאשר חברות משנות את התהליכים שלהן ומאפשרות אוטומציה של משימות סטנדרטיות. לכן, השאלה המכרעת היא לא רק כמה משרות נותרות בסופו של דבר, אלא גם מי מנהל את המעבר, כיצד מופצים עליות הפריון, והאם התקדמות טכנולוגית מתורגמת בפועל להזדמנויות קריירה בנות קיימא.

קשור לזה:

• עלויות אדמיניסטרטיביות מתפוצצות: בית המשפט לביקורת משמיע את האזעקה - כיצד סוכנות התעסוקה הפדרלית שורפת מיליארדים תחת אנדראה נהלס

מאזן התעסוקה אולי חיובי - ובכל זאת מאות אלפים עדיין מפסידים

בינה מלאכותית צפויה לשנות את שוק העבודה הגרמני פחות באמצעות קריסה פתאומית בתעסוקה ויותר באמצעות ארגון מחדש עמוק של משרות, כישורים והזדמנויות קריירה. כ-800,000 משרות שאבדו בתוך תקופה של 15 שנה יוכלו להתקזז על ידי מספר דומה של משרות חדשות. עם זאת, תוצאה מאוזנת זו במידה רבה אינה סיבה לשאננות. משמעות הדבר היא שאובדן משרות ותעסוקה חדשה יבטלו פחות או יותר זה את זה בכלכלה הכוללת, אך לא שהאנשים שנפגעו יוכלו לעבור לתפקידים חדשים ללא אובדן הכנסה, מעבר דירה או תקופות מעבר ארוכות.

השאלה המכרעת מבחינה כלכלית אינה רק כמה מקומות עבודה יישארו בסופו של דבר. חשוב יותר הוא אילו מקומות עבודה ייעלמו, היכן יתעורר ביקוש נוסף, באיזו מהירות חברות יכולות להתארגן מחדש, ומי יכול לרכוש את הכישורים הדרושים בזמן. עבור גרמניה, בינה מלאכותית מציעה הזדמנות לייצר ערך מוסף רב יותר עם משאבי אנוש נדירים יותר ויותר. יחד עם זאת, הדבר יוצר את הסיכון לשוק עבודה שבו יחסי עבודה קיימים נותרים יציבים יחסית, בעוד שאנשי מקצוע צעירים, משרות מסוימות במגזר השירותים וחברות פחות גמישות נמצאות תחת לחץ גובר.

מה מסתתר מאחורי ה-800,000?

אין לפרש את הנתון של 800,000 אובדן מקומות עבודה כניבוי לעלייה מקבילה באבטלה. הוא מתאר שינוי מבני פוטנציאלי לאורך תקופה ארוכה. בחישוב התרחיש הבסיסי, לאחר 15 שנים, יאבדו כ-790,000 מקומות עבודה בהשוואה לתוואי ייחוס, בקיזוז בערך אותו מספר מקומות עבודה חדשים. מעוגל, התוצאה היא הנתון הנפוץ של 800,000 מקומות עבודה בכל מקרה. יחד, משמעות הדבר היא שכ-1.6 מיליון מקומות עבודה יושפעו משינויים מבניים נוספים.

מדד הייחוס הוא קריטי. נתיב הייחוס אינו מתאר כלכלה קפואה ללא דיגיטציה, אלא התפתחות שבה מגמות כלכליות, טכנולוגיות ודמוגרפיות קיימות כבר עוברות אקסטרפולציה. תרחיש הבינה המלאכותית בוחן כיצד שימוש מוגבר בטכנולוגיה יכול לשנות נתיב התפתחות זה. לכן, אין להשוות את ההבדלים שזוהו עם כל אובדן מקומות עבודה עתידיים או עם השינוי הכולל בתעסוקה.

אין פירוש הדבר ש-800,000 משרות נעלמות מדי שנה. היקף הפיטורים מתגלה לאורך התקופה הנבחנת ומשקף את ההבדלים בין שני מבנים כלכליים אפשריים. חלוקה אחידה על פני שנים בודדות תהיה מטעה, משום שהשקעות, התאמות ארגוניות ומודלים עסקיים חדשים נכנסים לתוקף בקצב שונה. הנתון שימושי כמדריך להיקף השינוי, ולא כמתווה מדויק לפיטורים.

תקציב מאוזן לא מגן על אף אחד

קיים הבדל משמעותי בין מצב תעסוקה כולל מאוזן לבין הזדמנויות תעסוקה אישיות. משרה שאובדת בעיבוד מסמכים סטנדרטי אינה יכולה להיות מוחלפת באופן אוטומטי בתפקיד נוסף בתחום אבטחת IT או שילוב מערכות טכניות. הדבר עשוי לדרוש מומחיות שונה, ניסיון מקצועי נוסף או מקום עבודה שונה. גם אם שני התפקידים שווים סטטיסטית, הם אינם ניתנים להחלפה מנקודת מבטו של האדם המושפע.

בעיה זו מתוארת לעתים קרובות כחוסר התאמה בין היצע וביקוש כוח אדם. אנשים מחפשים עבודה, בעוד שחברות מתלוננות בו זמנית על משרות פנויות. בינה מלאכותית עלולה להחריף מצב זה אם הביקוש למשימות מסוימות משתנה מהר יותר ממה שהעובדים יכולים להתאים את כישוריהם. מאזן תעסוקה כמעט אפסי עלול להוביל לתקופות אבטלה ארוכות יותר עבור קבוצות מסוימות, דרישות הכשרה מוגברות והרחבת אי השוויון בהכנסות.

גם המימד הזמני הוא קריטי. משרות נוספות לא בהכרח נוצרות דווקא כאשר משרות אחרות מתבטלות. חברה עשויה לצמצם את הניהול שלה בעוד ששירותים חדשים מייצרים הכנסות מספיקות רק מאוחר יותר. לכן, מצב הסופי לטווח ארוך אינו הגורם היחיד בהערכת המדיניות הכלכלית. חשובות לא פחות הן עלויות המעבר לאורך הדרך: אובדן הכנסה, מיומנויות שאינן בשימוש, הנטל הכספי על הביטוח הלאומי והסיכון שאנשים ידרדרו לצמיתות לשוליים.

משימות נעלמות לטובת מקצועות שלמים

בינה מלאכותית משנה בתחילה משימות, לאו דווקא פרופילי תפקידים שלמים. תפקיד מורכב בדרך כלל ממגוון משימות שונות: איסוף מידע, בדיקת נתונים, הכנת החלטות, תקשורת עם לקוחות, לקיחת אחריות על תוצאות ופתרון בעיות בלתי צפויות. אם טכנולוגיה מאיצה חלק מהמשימות הללו, זה לא אומר בהכרח שכל העבודה הופכת למיושנות מבחינה כלכלית.

עבודה בעלת אוריינטציה אנליטית עשויה, לדוגמה, לדרוש פחות זמן להכנת דוח, בעוד שסקירת תוצאות חריגות, תיאום עם מחלקות מומחים ואחריות על קבלת ההחלטות נותרו. לכן, אין להשוות את הפוטנציאל לאוטומציה טכנית לסיכון קונקרטי לאובדן עבודה. בין השניים טמונים עלויות תפעול, דרישות איכות, אחריות משפטית והשאלה האם ניתן לנצל את הזמן שנחסך בצורה פרודוקטיבית במקום אחר.

לעומת זאת, יהיה זה אופטימי מדי להסיק שפרספקטיבה זו של משימות מבטיחה ביטחון תעסוקתי. אם יבוטלו מספיק שלבי עבודה וחברות יבצעו ארגון מחדש של תהליכים, ניתן יהיה לנהל את אותו עומס עבודה עם פחות עובדים. המעבר עשוי להיות הדרגתי: עובד שעוזב לא מוחלף, משרה נוספת לא מאושרת, או פונקציה שבעבר הייתה עצמאית מתמזגת עם פונקציה אחרת. לפיכך, שוק העבודה משתנה גם ללא גלי פיטורים גלויים לציבור.

למה יעילות יודעת שני כיוונים

האם פריון גבוה יותר מפחית את שיעור התעסוקה או יוצרת מקומות עבודה נוספים תלוי במידה רבה בביקוש. אם חברה יכולה לספק את אותה תפוקה עם פחות עובדים ונפח המכירות נשאר ללא שינוי, הצורך בכוח אדם פוחת בתחילה. עם זאת, אם השירותים הופכים זולים יותר, טובים יותר או נגישים ליותר לקוחות, הביקוש יכול לגדול ולקזז חלק מהחיסכון הראשוני.

לדוגמה, ספק שירותים יכול להשתמש בבינה מלאכותית כדי לתמוך כלכלית יותר בעסקים קטנים מכיוון שעלויות הניתוחים הפשוטים יפחתו. זה יכול להוביל לקשרים נוספים עם לקוחות ולשירותי ייעוץ חדשים. עם זאת, בשוק עם ביקוש רווי ברובו, אותה התקדמות טכנולוגית עלולה לגרום בעיקר ללחץ מחירים ולקיצוצי כוח אדם. טכנולוגיה לבדה אינה קובעת איזו התפתחות תנצח.

גם השימוש ברווחים משחק תפקיד. רווחים גבוהים יותר יכולים לממן השקעות, שכר גבוה יותר יכול לתמוך בצריכה, ומחירים נמוכים יותר יכולים לשפר את כוח הקנייה. עם זאת, אם החיסכון נספג במידה רבה מבלי לייצר ביקוש מקומי או השקעות נוספות, אפקט יצירת מקומות עבודה יהיה חלש יותר. לכן, ניתוח כלכלי מושכל חייב לחרוג מתהליכים אוטומטיים בודדים ולשקול את ההשלכות על שווקים, הכנסות והחלטות עסקיות.

הלחץ הראשון פוגע בשירותים

שירותים עסקיים נמצאים במוקד תשומת לב מיוחד משום שרבים משירותיהם כוללים עיבוד מידע זמין דיגיטלית. זה כולל ניתוחים סטנדרטיים, מחקר מקדים, תיעוד ומשימות אדמיניסטרטיביות מסוימות. בינה מלאכותית גנרטיבית יכולה לתמוך בתהליכים אלה או להפוך אותם לאוטומטיים חלקית. זה לא רק משנה את דרישות הכוח אדם אלא גם את הבסיס הכלכלי של הצעות שירות קיימות.

בתרחיש ארוך הטווח של בינה מלאכותית, התעסוקה בקרב ספקי שירותים עסקיים צפויה להיות מתחת למסלול הייחוס בכ-120,000 איש לאחר 15 שנים. לעומת זאת, ספקי שירותי IT ומידע צפויים לראות כ-110,000 משרות נוספות. הבדלים אלה מראים כי הדיגיטציה של תעשייה אינה מתורגמת אוטומטית לצמיחה או ירידה בתעסוקה. הגורם המכריע הוא אילו שירותים מוחלפים, נתמכים או מבוקשים בנוסף.

מצב זה מציב אתגר מהותי עבור ספקי שירותי ייעוץ וידע. אם הפקת דוח סטנדרטי פשוט הופכת זולה יותר, היא מאבדת מערכה כגורם מבדל עצמאי. בחירת שאלות רלוונטיות, ידע מעמיק בתעשייה, אימות הנחות ויישום שינויים קונקרטיים הופכים לחשובים יותר. שינוי מבני פוטנציאלי מוביל אפוא הרחק ממכירת עיבוד מידע בלבד לשיפור ניכר בהחלטות ובתוצאות העסקיות. עם זאת, הקבוצות השונות של שירותים עסקיים אינן זהות: לא ניתן להחיל מדד ענפי ספציפי ללא שינוי על כל מקצועות הייעוץ או הידע.

בנקים צריכים יותר מניתוחים

פעילויות אנליטיות בבנקים ובחברות ביטוח פגיעות במיוחד משום שהן מסתמכות לעתים קרובות על נתונים מובנים, תיעוד נרחב ושלבי הערכה חוזרים. יישומים פוטנציאליים נעים בין סיכום מסמכים שהוגשו ועד הכנת הערכות סיכונים סטנדרטיות. בעוד שתמיכה טכנית יכולה להפחית את זמני העיבוד, היא אינה מבטלת באופן אוטומטי את הצורך בפיקוח מומחה.

במיוחד בשירותים פיננסיים, תוצאות שגויות עלולות להיות יקרות. הערכה שנוסחה בצורה משכנעת אינה בהכרח מדויקת. אם נתוני הקלט אינם שלמים, נסיבות חריגות מסווגות באופן שגוי, או שמודל מכיל הטיות שיטתיות, עלייה לכאורה ביעילות עלולה ליצור סיכונים נוספים. לכן, אוטומציה היא בת קיימא מבחינה כלכלית רק אם נלקחות בחשבון עלויות הניטור ושגיאות שיפוט אפשריות.

לכן, צורכי כוח האדם צפויים להיות מגוונים יותר. עבודה מקדימה סטנדרטית עשויה להפוך לפחות חשובה, בעוד שביקורות דורשות, טיפול בחריגים וניטור מערכות שנפרסו עשויים להפוך לחיוניים יותר. נותר לראות האם הדבר יוביל למשרות חדשות באותו סדר גודל. לא כל משימת בקרה נוספת דורשת משרה חדשה במשרה מלאה, ולא כל מומחה קיים יכול לעבור בקלות לפונקציית בקרה ייעודית.

הפוליסות אינן מספקות הגנה מלאה

השוואת השכלה גבוהה עם אוטומציה נמוכה יותר היא פישוט יתר בכל הנוגע לבינה מלאכותית גנרטיבית. טכנולוגיה זו מגיעה כעת למשימות שנחשבו זה מכבר לעבודת ידע טיפוסית: ניסוח טקסטים, קומפילציה של מידע, יצירת קוד תוכנה או בנייה מראש של סוגיות מורכבות. לכן, תואר אקדמי אינו מגן על כל היבט של עבודה מפני תמיכה טכנולוגית או תחליף.

עם זאת, אין פירוש הדבר שהשכלה אקדמית מאבדת מערכה הכלכלי. ידע ייעודי מסייע בזיהוי טעויות, שאילת שאלות נכונות ומיקומו של תוצאות בהקשר רחב יותר. מה שיהיה בעייתי הוא הסמכה שתועלתה המעשית מורכבת כמעט אך ורק מביצוע אמין של שלבי עבודה סטנדרטיים. לכן, קיים קו הפרדה חשוב בין עיבוד ניתן לשחזור לבין פתרון בעיות עצמאי ואחראי.

אפילו עובדים ללא תואר אקדמי אינם מוגנים בשום אופן באופן אוטומטי. בעוד שניתוח תרחישים ארוך טווח מצביע על שינויים משמעותיים יותר במקצועות בעלי כישורים גבוהים, ניתוחים עדכניים חושפים בו זמנית קורלציות שליליות פוטנציאליות בין חשיפה לבינה מלאכותית לבין תעסוקת צעירים במקצועות שאינם אקדמיים. שני ממצאים אלה יכולים להתקיים יחד משום שהם נוגעים לתקופות זמן שונות, מבני עבודה וגישות מחקר שונות. לכן, הערכה מבוססת נמנעת מהכללות גורפות לגבי מנצחים ומפסידים המבוססות אך ורק על השכלה.

האומנות נשארת איתנה, לא בלתי נגמרת

מקצועות עם שיעור גבוה של משימות מעשיות וידניות נחשבים לחסונים יחסית מול יישומי בינה מלאכותית גנרטיבית עכשוויים. תיקונים באתר, התאמות לחומרי עבודה או עבודה בסביבות מרחביות משתנות אינם ניתנים לביצוע אך ורק באמצעות מודל שפה. ביצוע פיזי, שיפוט מצבי ואחריות מיידית מגבילים את יכולת ההחלפה הישירה במקרים אלה.

עם זאת, חוסן יחסי זה אינו אומר שאומנות מסורתית תישאר ללא שינוי מהבינה המלאכותית. ניתן יהיה להכין הצעות מחיר מהר יותר, להעריך מסמכים טכניים ביתר קלות, או לתכנן פגישות עם לקוחות בצורה יעילה יותר. רווחי הפרודוקטיביות הפוטנציאליים טמונים, אם כן, בעיקר בתהליכי תמיכה. עסק יוכל לטפל ביותר הזמנות מבלי לשנות באופן מהותי את אומנות הליבה של שירותיו.

חשוב גם להבחין בין תחום זה לרובוטיקה וצורות אחרות של אוטומציה. חשיפה נמוכה לבינה מלאכותית גנרטורה אינה ערובה כללית לחוסר תחליף טכנולוגי. היא גם אינה אומרת דבר על האופי המחזורי של מקצוע. עבודה בעלת אוריינטציה מעשית יכולה להיות חזקה מול מודלים של שפה ועדיין להיות פגיעה לירידה בביקוש, השקעות חלשות או שינויים טכנולוגיים אחרים. לצורך הערכה כלכלית, יש לשקול סיכונים אלה בנפרד.

הכניסה לשוק העבודה הופכת לצוואר בקבוק

פיתוחם של עובדים צעירים דורש ניטור צמוד במיוחד. משימות התחלתיות רבות כוללות עבודת הכנה שהיא הכרחית מבחינה טכנית אך עדיין יחסית סטנדרטית. זה יכול לכלול מחקר ראשוני, ניתוחים פשוטים, תיעוד והכנת מסמכים. משימות כאלה מתאימות במיוחד לתמיכה בבינה מלאכותית. לכן, חברות יכולות לשקול להעסיק פחות עובדים זוטרים ובמקום זאת לצייד עובדים מנוסים בכלים רבי עוצמה.

אינדיקטור מוקדם עבור גרמניה מראה כי תעסוקה במשרה מלאה בקרב בני 20 עד 24 במקצועות החשופים ביותר לבינה מלאכותית ירד מכ-279,000 ל-239,000 מאז 2022. נתון זה מתאים לירידה של כ-14 אחוזים. עם זאת, בכל קבוצות הגיל, התעסוקה במקצועות החשופים במיוחד אלה התפתחה בצורה חיובית הרבה יותר. הבדל זה הופך את הכניסה לשוק העבודה לנקודת תצפית חשובה, אך הוא עדיין לא מוכיח שבינה מלאכותית אחראית לירידה כולה.

יתר על כן, קבוצת גיל זו אינה זהה לכל המצטרפים החדשים לשוק העבודה. יש אנשים שמתחילים את הקריירה שלהם מוקדם יותר, אחרים רק לאחר תקופת לימודים ארוכה יותר. אף על פי כן, עולה סיכון סביר: שוק עבודה יכול להיראות יציב יחסית עבור עובדים ותיקים, ובמקביל לצמצם את הגישה אליו. היעדר משרה התחלתית נותר לעתים קרובות פחות גלוי לציבור מאשר פיטורים, אך יכולות להיות לה השלכות משמעותיות על פיתוח הקריירה לטווח ארוך.

פחות כישרונות צעירים יעלו לנו בהמשך ביותר מומחיות

כאשר חברות הופכות משימות פשוטות ברמת כניסה לאוטומטיות, עליהן לחשוב מחדש כיצד אנשי מקצוע עתידיים צריכים לצבור ניסיון. שיקול דעת מקצועי אינו מתפתח אך ורק באמצעות ידע תיאורטי. הוא מתפתח גם באמצעות עבודה חוזרת ונשנית עם מקרים מהעולם האמיתי, קבלת משוב והרהור על טעויות. אם שלב למידה זה מתקצר או מבוטל לחלוטין, פער עלול להיווצר בהמשך בין כישורים פורמליים לבין יכולת מעשית.

מנקודת מבטה של ​​חברה בודדת, בטווח הקצר עשוי להיות אטרקטיבי להעסיק בעיקר אנשי מקצוע מנוסים ולהפחית את מספר המשרות הזוטרות. עם זאת, אם חברות רבות יפעלו באופן דומה, הבסיס הקולקטיבי לכוח העבודה המיומן העתידי עלול להיחלש. גיוס עובדים מנוסים כבר אינו פותר בעיה מקרו-כלכלית זו, אלא רק מחלק מחדש מאגר מוגבל של כישרונות.

לכן, תגובה עסקית הגיונית לא תהיה לשמר באופן מלאכותי כל משימה שגרתית קיימת. במקום זאת, יהיה צורך לעצב מחדש באופן מודע את מסלולי הלמידה. מתמחים יוכלו לבחון תוצאות של בינה מלאכותית, להשוות פתרונות שונים, ולקחת אחריות בהדרגה על החלטות בעולם האמיתי. זה יעביר את מוקד ההכשרה יותר לכיוון הבנה וחשיבה ביקורתית. הזמן שנחסך לא רק יהיה כלי להפחתת עלויות כוח אדם, אלא גם יוכל לשמש באופן ספציפי לפיתוח מיומנויות מהיר ויסודי יותר.

פרודוקטיביות יכולה גם להעצים מתחילים

ההשפעה של בינה מלאכותית על אנשי מקצוע חדשים אינה שלילית לחלוטין. עוזר מתאים יכול להנגיש ידע, לספק הדרכה בניסוח ולתמוך בפתרון בעיות פחות מוכרות. זה מאפשר לעובדים חסרי ניסיון להפוך לפרודוקטיביים מהר יותר. האם חברות ישתמשו בכך כהזדמנות לגיוס עובדים נוספים או להפחתת צורכי כוח אדם היא החלטה עסקית נפרדת.

מחקר מקיף בתחום שירות לקוחות שכלל 5,172 עובדים גילה כי תמיכה בבינה מלאכותית הביאה לעלייה ממוצעת של כ-15 אחוזים בבקשות שנפתרו בהצלחה לשעת עבודה. עובדים פחות מנוסים ובעלי ביצועים נמוכים בעבר נהנו מכך באופן משמעותי במיוחד. ממצא זה מדגים כי בינה מלאכותית יכולה להפחית פערים קיימים בביצועים בתוך משרה. עם זאת, הוא אינו מאפשר מסקנות כלליות לגבי האופן שבו תעסוקה או שכר ישתנו ברחבי המשק כולו.

הבחנה זו היא קריטית. כלי יכול להגביר את הפרודוקטיביות של עובד צעיר ובמקביל להפחית את הצורך הכולל בעובדים צעירים בתוך חברה. באופן דומה, התועלת המוגברת של עובד נוסף יכולה להפוך עובדים חדשים לכדאיים כלכלית. האם אפקט התמיכה או הצפיפות גובר תלוי בביקוש, בארגון ובאסטרטגיה הארגונית. יכולות טכנולוגיות אינן קובעות לחלוטין את התוצאה.

המומחיות שלנו באיחוד האירופי ובגרמניה בפיתוח עסקי, מכירות ושיווק - תמונה: Xpert.Digital

תחומי מיקוד בתעשייה: B2B, דיגיטציה (מבינה מלאכותית ל-XR), הנדסת מכונות, לוגיסטיקה, אנרגיות מתחדשות ותעשייה

מידע נוסף כאן:

• מרכז עסקים מומחים

מרכז נושאי המציע תובנות ומומחיות:

• פלטפורמת ידע המכסה כלכלות גלובליות ואזוריות, חדשנות ומגמות ספציפיות לתעשייה
• אוסף של ניתוחים, תובנות ומידע רקע מתחומי המיקוד המרכזיים שלנו
• מקום למומחיות ומידע על התפתחויות עדכניות בעסקים ובטכנולוגיה
• מרכז לחברות המחפשות מידע על שווקים, דיגיטציה וחדשנות בתעשייה

נתוני התעסוקה דורשים פרשנות מפוכחת

עד כה, לא ניכרת ירידה נרחבת בתעסוקה במקצועות החשופים במיוחד לבינה מלאכותית בגרמניה. בתחילת 2026, התעסוקה במשרה מלאה במקצועות החשופים ביותר הייתה גבוהה ב-1.8 אחוזים מאשר בשנת 2022. לעומת זאת, היא הייתה נמוכה ב-6.4 אחוזים במקצועות החשופים פחות. נתונים אלה סותרים את התפיסה הפשטנית לפיה רמה גבוהה של השפעה טכנית של בינה מלאכותית חייבת להוביל בהכרח לירידה כללית במספר המשרות.

עם זאת, הם גם לא מוכיחים שבינה מלאכותית כבר הגדילה את התעסוקה במידה זו. התפתחותן של קבוצות התעסוקה שנחקרו הייתה שונה במקרים מסוימים עוד לפני הזמינות הנרחבת של בינה מלאכותית גנרטבית. דיגיטציה, שינויים בתעשייה וגורמים מבניים אחרים יכולים להשפיע על התוצאות. כל מי שמפרש את כל ההבדל כהשפעה של בינה מלאכותית מבלבל בין מתאם נצפה לבין סיבה מוכחת.

מגבלה נוספת נובעת מקטגוריית התעסוקה הנבחנת. תעסוקה במשרה מלאה אינה מייצגת את כל התעסוקה וגם לא באופן אוטומטי את נפח העבודה הכולל. שינויים בעבודה במשרה חלקית, עצמאית או שעות עבודה יכולים לספק מידע נוסף. לכן, לצורך אבחון אמין, יש לשקול יחד את רמות התעסוקה, הגיוס החדש, שעות העבודה וההכנסה. אינדיקטור יחיד יכול להעלות אות אזהרה, אך הוא אינו יכול לספק תמונה מלאה של השינוי הכלכלי.

חפיפה בין מגמות כלכליות לבינה מלאכותית

המיתון הכלכלי הנוכחי מקשה לייחס את השינויים הנצפים לגורמים ספציפיים. חברות מהססות לעתים קרובות יותר לגייס עובדים כאשר סיכויי המכירות אינם ודאיים. מצב זה יכול להשפיע במיוחד על אנשי מקצוע צעירים, מכיוון שאין להם עדיין עבודה קיימת ויכולותיהם קשות יותר למעסיקים פוטנציאליים להעריך. לכן, כניסה קשה יותר לשוק העבודה אינה בהכרח עדות לעקירה טכנולוגית.

ניתוח נוסף של גרמניה מתמקד בבני 20 עד 29, קבוצת גיל רחבה יותר. בקבוצה זו, התעסוקה במשרה מלאה ירדה ב-3.8 אחוזים בין 2022 ל-2025 במקצועות עם חשיפה גדולה יותר לבינה מלאכותית וב-2.6 אחוזים במקצועות פחות חשופים. לאחר התחשבות בנוסף בפגיעות כלכלית ובהתאמה לעבודה מהבית, המתאם השלילי עם חשיפה לבינה מלאכותית עבור קבוצת גיל זו נותר לא חד משמעי מבחינה סטטיסטית. המתאם עם חולשה כלכלית היה חזק משמעותית.

תוצאות אלו אינן בהכרח סותרות את הירידה הבולטת יותר בקרב בני 20 עד 24. הגדרת הגיל, תקופת הזמן וסיווג התעסוקה שונים. יחד, הממצאים מצדיקים פרשנות זהירה: ישנן אינדיקציות משמעותיות לשינוי בהזדמנויות הכניסה, אך אין סיבה מספקת לייחס את כל הבעיות העומדות בפני עובדים צעירים לבינה מלאכותית. לכן, מדיניות כלכלית חייבת להתייחס בו זמנית להסתגלות טכנולוגית ולחולשה כללית בהשקעות ובביקוש.

הפצה היא עדיין לא טרנספורמציה

בינה מלאכותית גנרטיבית התפשטה במהירות בחברות גרמניות. שיעור השימוש בה עלה מכ-5 אחוזים בשנת 2023 לכמעט 25 אחוזים בשנת 2025. כ-40 אחוזים מכלל העובדים החייבים בתשלומי ביטוח לאומי עבדו בחברות המשתמשים הללו. עם זאת, אין זה אומר שכל האנשים הללו עבדו עם בינה מלאכותית בעצמם. ייתכן שהטכנולוגיה תישאר מוגבלת למחלקות או משימות ספציפיות בתוך חברה.

הבדלים משמעותיים היו גם בין גדלי חברות. בשנת 2025, כ-48 אחוז מהחברות עם לפחות 200 עובדים השתמשו בבינה מלאכותית גנרטיבית. עבור חברות עם עד תשעה עובדים, הנתון עמד על כ-21 אחוז. הטכנולוגיה הייתה נפוצה במיוחד בטכנולוגיית מידע ותקשורת (59 אחוז), פיננסים וביטוח (50 אחוז) ושירותים עסקיים (37 אחוז).

המשמעות הכלכלית של נתונים אלה אינה טמונה רק במהירות האימוץ. סיכום טקסט מזדמן משנה עסק בצורה שונה משילוב של בינה מלאכותית בזרימות עבודה רציפות. כ-90 אחוז מחברות המשתמשים הסתמכו על פתרונות זמינים לציבור; רק חלק קטן יותר השתמש במודלים מותאמים אישית יותר או שפותחו באופן פנימי. לכן, שיעורי אימוץ גבוהים יכולים לחפוף לחדירה ארגונית מוגבלת. מבחינת פרודוקטיביות ותעסוקה, מה שחשוב ביותר הוא באיזו אינטנסיביות ולאיזו מטרה נעשה שימוש בטכנולוגיה.

התועלת נקבעת במהלך הניתוח

השקעות בבינה מלאכותית הן הגיוניות מבחינה כלכלית אם התועלת הנוספת עולה על העלויות הכוללות. עלויות אלו כוללות לא רק דמי רישוי, אלא גם משאבים להכנת נתונים, ממשקים טכניים, הדרכה, אמצעי אבטחה וניטור תוצאות. כלי זול יכול להתגלות כיקר אם תוצאותיו דורשות תיקונים תכופים ויקרים.

השאלה העסקית המרכזית אינה אם משימה בודדת מושלמת מהר יותר. השאלה המכרעת היא האם התהליך כולו הופך לחסכוני יותר תוך שמירה על איכות או שיפורה. אם הערכה ראשונית חוסכת זמן, אך יש צורך בתיאום ובבדיקות לאחר מכן, הרווח בפועל עשוי להישאר קטן. לעומת זאת, שיפור לכאורה קל יכול להיות בעל השפעה משמעותית אם הוא מבטל צוואר בקבוק בתהליך שחוזר על עצמו לעתים קרובות.

לכן, הקדמה ריאליסטית דורשת קריטריונים ניתנים לאימות. אלה כוללים את זמן העיבוד עד להשגת תוצאה שמישה, שיעורי שגיאות ועיבוד חוזר, והקיבולת בפועל שהתפנה. מספר הטקסטים, המצגות או טיוטות התוכנית המופקים אינו מדד כשלעצמו לפרודוקטיביות. התקדמות כלכלית מתרחשת רק כאשר התוצאות הופכות לשימושיות יותר, לקוחות מקבלים ערך מוסף, או משאבים נדירים מנוצלים בצורה יעילה יותר. בינה מלאכותית כסמל למודרניזציה אינה מספיקה כדי להשיג זאת.

מדוע נתוני צמיחה גדולים תקפים בתנאי

תרחיש הבינה המלאכותית לטווח ארוך מקשר בין שינוי מבני להזדמנויות מקרו-כלכליות משמעותיות. תחת ההנחות שנקבעו, הצמיחה הכלכלית השנתית במשך 15 שנים עשויה להיות גבוהה בממוצע ב-0.8 נקודות האחוז מאשר במסלול הייחוס. לאורך כל התקופה, הדבר יביא ליצירת ערך נוסף מצטבר של כ-4.5 טריליון אירו. נתון זה מייצג תשואה פוטנציאלית, לא תשואה מובטחת.

יש להימנע משתי תפיסות מוטעות נפוצות. עלייה של 0.8 נקודות אחוז בצמיחה השנתית אינה זהה לעלייה חד פעמית של 0.8 אחוז בתפוקה הכלכלית. באופן דומה, 4.5 טריליון יורו בערך מוסף נוסף על פני 15 שנים אינם תקציב ממשלתי נוסף וגם לא סכום כסף שנתי יחיד. הכוונה היא להבדל המצטבר בתפוקה הכלכלית בין שני נתיבי פיתוח על פני תקופה זו.

המנגנון הבסיסי מובן: פריון עבודה גבוה יותר, קלט חומרים מופחת והזדמנויות מכירה חדשות. עם זאת, גודלן בפועל של השפעות אלו תלוי ביישום. לא ניתן ליישם ישירות תוצאות מיישומים בודדים מוצלחים במיוחד לכלל הכלכלה. יתר על כן, מתעוררות אי ודאויות בנוגע למודלים עסקיים חדשים, תגובות תחרותיות בינלאומיות ומהירות ההפצה. לכן, יש להבין נתוני פוטנציאל גבוה כהצדקה לתנאי מסגרת משופרים, ולא כתחליף לאסטרטגיית השקעה ניתנת לאימות.

מקומות עבודה חדשים לא נוצרים באופן אוטומטי

מאזן תעסוקתי ארוך טווח וכמעט מאוזן דורש, בנוסף לרווחי יעילות, גם פעילות כלכלית נוספת. זה כולל פיתוח ותפעול של תשתיות טכניות, שירותי IT חדשים ומודלים עסקיים שלא היו בעבר כדאיים כלכלית. תעסוקה זו אינה תופעת לוואי אוטומטית של כל שעה שנחסכת. היא דורשת חברות משקיעות, לקוחות מוכנים לשלם ואת הכישורים הדרושים.

ההתפתחות לאורך זמן גם אינה ליניארית. בתחילה, ייתכן שיידרש כוח אדם נוסף לאיסוף נתונים, יישום טכני ותשתיות. בהמשך, עלייה בפריון עשויה להפחית את הביקוש לכוח אדם. תחומי עסקים חדשים עשויים לקזז השפעה זו בטווח הארוך. אם התפתחותם לא תעמוד בציפיות, גם מאזן התעסוקה ישתנה. ניתוח תרחישים יכול להמחיש קשר זה, אך אינו יכול להבטיח שכל התנאים הדרושים יתקיימו.

יתר על כן, עבודה נוספת לא בהכרח חייבת לבוא לידי ביטוי במלואה בתפקידים חדשים. ספק שירותים טכניים קיים יכול להרחיב את היצע השירותים שלו, חברה תעשייתית יכולה לפתח שירותי תחזוקה דיגיטליים נוספים, או חברת ייעוץ יכולה לקחת על עצמה משימות יישום חדשות. מה שחשוב הוא הביקוש הכלכלי הנוסף, לא מספר התפקידים החדשים שנוצרו. עבור מדיניות תעסוקה, משמעות הדבר היא שחדשנות והקמת עסקים רלוונטיים בדיוק כמו הכשרה נוספת של עובדים קיימים.

דמוגרפיה הופכת את היעילות ליקרה במיוחד

בחברה מזדקנת, לפריון העבודה יש ​​חשיבות מיוחדת. כאשר קשה יותר למצוא כוח אדם למשרות מסוימות, אוטומציה של משימות אדמיניסטרטיביות יכולה לסייע בניצול יעיל יותר של עובדים מיומנים קיימים. לכן, ביקוש נמוך יותר לכוח אדם במגזר אחד אינו בהכרח אומר הידרדרות במצב שוק העבודה הכללי. זה יכול גם לסייע בהפחתת מחסור.

עם זאת, אין להגזים בקשר זה. עובד משרדי שמשוחרר ממשימות אדמיניסטרטיביות בזכות בינה מלאכותית אינו הופך אוטומטית לאיש מקצוע מבוקש בתחום הסיעוד, ויכולת טכנית נוספת אינה מחליפה את כל העבודה המעשית. דרישות ההסמכה, העדפות אישיות ומגבלות ארגוניות נמצאות בין תחומים אלה. לכן, מחסור דמוגרפי בכוח אדם ועקירה טכנולוגית יכולים להתרחש בו זמנית.

הסיכוי האטרקטיבי מבחינה כלכלית טמון בהעברת זמן עבודה מצומצם ממשימות סטנדרטיות לאלו בעלות תועלת אנושית גדולה יותר. זה יכול לכלול שיפור שירות הלקוחות, פתרון בעיות מהיר יותר או הכנה טכנית טובה יותר. הצלחתו תלויה בארגון העבודה. אם רק עלויות כוח האדם יופחתו מבלי לנצל היטב את הקיבולת הנותרת, חלק מהפוטנציאל יישאר בלתי מנוצל. לכן, בינה מלאכותית היא מרכיב אפשרי בהתמודדות עם אתגרים דמוגרפיים, אך לא תחליף מלא לחינוך, השתתפות בכוח העבודה והגירה מתאימה.

לימודים נוספים דורשים מטרות קריירה קונקרטיות

הדרישה להכשרה נוספת נותרת חסרת תועלת אם לא ברור אילו מיומנויות יידרשו לאחר מכן מבחינה כלכלית. קורס מבוא כללי לשימוש בצ'אטבוט יכול להיות מועיל, אך הוא אינו מחליף את הסתגלות המיומנויות המקצועיות. העובדים חייבים להיות מסוגלים לזהות אילו ממשימותיהם ישתנו ואילו אחריות נוספת צפויה מהם לקחת על עצמם בעתיד.

המצב התפעולי מגלה פער משמעותי ביישום. בשנת 2025, כ-27 אחוז מהחברות המשתמשות בבינה מלאכותית גנרטיבית הציעו קורסי הכשרה רלוונטיים. 21 אחוז נוספים תכננו להציע קורסים כאלה. אין להשוות בין אמצעים שכבר יושמו ואין להשוות בין תוכניות גרידא. יישום התקנות הפנימיות גם הוא לא שלם: כ-21 אחוז מהחברות המשתמשות היו בעלות הנחיות תואמות, ו-22 אחוז נוספים תכננו ליישם אותן.

לפיכך, פיתוח מקצועי משמעותי משלב ידע מקצועי, מיומנויות מעשיות והערכת תוצאות. על העובדים לא רק ללמוד לנסח הוראות, אלא גם לזהות אי-ודאות, לפרש נתונים בצורה נכונה ולהעריך את מגבלות המודל. עבור חברות, חיוני להקצות זמן למידה בפועל במסגרת שגרת העבודה היומיומית. העברת האחריות כולה לנכונותו של העובד הבודד להמשיך בלימודים נוספים באופן פרטי תפגע באלה שיש להם פחות זמן, משאבים כספיים או הזדמנויות למידה מתאימות.

מעמדות ביניים בין גישה לתלות

עבור חברות קטנות יותר, שירותי בינה מלאכותית זמינים בקלות מורידים בתחילה את חסמי הכניסה. גם ללא מחלקת פיתוח משלהן, הן יכולות לקבל תמיכה בתקשורת, מחקר או ניתוח. זה יוצר הזדמנויות לפצות חלקית על חסרונות ארגוניים בהשוואה למתחרים גדולים יותר. עם זאת, שילוב נוסף בתהליכים ספציפיים לחברה נותר מאתגר יותר משימוש בכלי יחיד.

חברות גדולות יכולות לפזר את עלויות הטמעה הקבועות על פני יותר מקרי שימוש ולהעסיק צוותים מיוחדים יותר. עסקים קטנים יותר, לעומת זאת, צריכים לעתים קרובות להחליט, עם משאבי כוח אדם מוגבלים, אילו יישומים הגיוניים וכיצד הם משתלבים במערכות קיימות. פתרונות סטנדרטיים בתעשייה או תמיכה חיצונית יכולים לעזור כאן. עם זאת, הדבר הגיוני מבחינה כלכלית רק אם היתרונות, הגישה לנתונים, העלויות השוטפות ואפשרויות המעבר יישארו שקופות מספיק.

סיכון נוסף טמון בתלות בספקים בודדים. אם זרימות עבודה מרכזיות קשורות קשר הדוק למערכת אחת, שינויי מחירים עוקבים, מגבלות טכניות או קשיים בהחלפת ספקים יכולים לפגוע ביתרונות הראשוניים. לכן, עבור אסטרטגיית בינה מלאכותית המכוונת לעסקים בינוניים, לא רק רישיונות בסיסיים במחירים נוחים רלוונטיים. חשובים לא פחות נתונים הניתנים להעברה, ממשקים שקופים ומבנה ארגוני שאינו מממן לחלוטין מומחיות קריטית.

מי מקבל את שיפורי הפריון

תפוקה כלכלית מוגברת אינה עונה באופן אוטומטי על שאלת החלוקה. יתרונות הקשורים לבינה מלאכותית יכולים להצטבר לעובדים, ללקוחות, לחברות משתמשים או לספקי טכנולוגיה. המידה שבה כל קבוצה מרוויחה תלויה, בין היתר, בתחרות, בכוח מיקוח ובמחסור במיומנויות מסוימות. לכן, פיתוח כלכלי חיובי כולל יכול להיות מלווה בפערים משמעותיים בהכנסה ובביטחון תעסוקתי.

שירותים סטנדרטיים עלולים להיות נתונים ללחץ מחירים, בעוד שמומחיות חזקה, גישה ללקוחות או היכולת ליישם פתרונות באופן מעשי יהפכו ליקרים יותר. במקביל, בינה מלאכותית יכולה לאפשר לעובדים בודדים לקחת על עצמם משימות תובעניות יותר. שינויים כאלה לא בהכרח חייבים להוביל לאי-שוויון גדול יותר. הם יכולים לצמצם פערים בביצועים בתוך משרה אחת ובמקביל ליצור פערים חדשים בהכנסה בין משרות שונות.

מבחינת הביטחון הסוציאלי, רלוונטי גם האם פריון גבוה יותר מתורגם לעליית שכר, תעסוקה נוספת, או בעיקר לצורות הכנסה אחרות. כוח עבודה יציב לבדו אינו מבטיח בסיס תרומה גדל בהתאם. לעומת זאת, כלכלה פרודוקטיבית יותר עם השתתפות רחבה עשויה להקל על מימון האחריות החברתית. לכן, אין להתייחס לסוגיות חלוקתיות כעניין משני וגם לא כאל נושא שכבר הוכרע. הן מרכיב מרכזי בעיצוב ההיבטים הכלכליים של השינוי הטכנולוגי.

התשתית מגבילה את ההבטחה הדיגיטלית

בינה מלאכותית דורשת בסיס פיזי וארגוני. קיבולת מחשוב, אספקת חשמל, קישוריות רשת, ניהול נתונים ואבטחת IT הם תנאים מוקדמים לשימוש פרודוקטיבי. ההנחה שיסודות אלה יהיו זמינים בזמן היא תנאי לתרחישי צמיחה נוחים. אם תנאים אלה לא יתקיימו, ההשקעות עלולות להתייקר או להשפיע באיחור.

בניית מרכזי נתונים יכולה בתחילה לעורר פעילות כלכלית ותעסוקה נוספים. עם זאת, אין בכך כדי להבטיח השפעה בלתי מוגבלת ומתמשכת של יצירת מקומות עבודה. לבנייה ולתפעול טכני יש מבני כוח אדם שונים, וההשפעה הכלכלית הרחבה ביותר נובעת רק מיישומים יצרניים בחברות אחרות. לכן, מרכז נתונים הוא תשתית הכרחית עבור יישומים מסוימים, אך עדיין לא הוכחה למימוש מוצלח של רווחי פרודוקטיביות.

עבור התעשייה והלוגיסטיקה, האתגר טמון במיוחד בשילוב כלים דיגיטליים עם תהליכים אמיתיים. זה יכול לכלול תיעוד טכני משופר, תמיכה בהחלטות תחזוקה או טיפול מהיר יותר בחריגות תפעוליות. יישומים כאלה חייבים להיות תואמים לאיכות הנתונים, דרישות האבטחה והמערכות הקיימות. לכן, הדגמה מוצלחת אינה שם נרדף ליישום כלכלי בר-קיימא בפעילות שוטפת. בסופו של דבר, הגורם המכריע הוא האם הטכנולוגיה פועלת בצורה אמינה בתנאים אמיתיים ומשפרת את ביצועי התהליך הכוללים.

מדיניות שוק העבודה חייבת לממן מעברים

גישת מדיניות כלכלית נבונה לא צריכה למנוע באופן מהותי אוטומציה יצרנית. ניסיון לשמר כל מבנה תעסוקה קיים עלול לעכב רווחי יעילות הכרחיים ומודלים עסקיים חדשים. עם זאת, יהיה זה לא מספיק באותה מידה לצפות שהשוק יפתור את כל בעיות המעבר ללא תמיכה. פערים במידע, סיכונים פיננסיים וחוסר הזדמנויות למידה יכולים להקשות על שינויים משמעותיים.

לכן, יש להתחיל במדיניות שוק העבודה מוקדם. אם משימות בתוך חברה משתנות, הכשרה בזמן יכולה למנוע אובדן עבודה עתידי. אם יש צורך בשינוי, יש לכוון הכשרה וייעוץ נוספים להזדמנויות תעסוקה ספציפיות. השתתפות בתוכנית לבדה אינה הוכחה להצלחה; מה שחשוב לאחר מכן הם סיכויי תעסוקה ברי קיימא, משרות מתאימות והפסדי הכנסה מינימליים לטווח ארוך.

הגישה לשוק העבודה ראויה לתשומת לב מיוחדת. התמחויות, משרות התחלתיות נתמכות ומסלולי למידה אמינים ממלאים תפקיד החורג מעבר לתועלת לטווח קצר של חברות בודדות. לכן, אסטרטגיית מדיניות תעסוקה צריכה לא רק לטפל באבטלה הקיימת. עליה גם לסייע במניעת חברות לחסוך בעלויות גיוס בטווח הקצר, ובכך להחליש את כוח העבודה המיומן של המשק בטווח הארוך. שמירה על הזדמנויות למידה שונה משימור מלאכותי של עבודה שגרתית מיושנת.

כיצד ניתן למדוד את השיפוץ

בשנים הקרובות, הכרזות מרהיבות על קיצוצי משרות אינן האינדיקטורים היחידים שחושפים זאת. חשובים במיוחד יהיו גיוסים חדשים המבוססים על גיל ומקצוע, מספר משרות התחלתיות זמינות, העברות פנימיות ומעבר מהכשרה לתעסוקה רגילה. יש לקחת בחשבון גם שעות עבודה והכנסה כדי שכוח עבודה יציב לא יסתיר שינוי באיכות העבודה או בהיקף העבודה.

ברמת החברה, נדרשים מדדי ביצועים מרכזיים (KPI) אמינים כדי להדגים שיפור ביצועים אמיתי. שימוש פרודוקטיבי בבינה מלאכותית צריך לבוא לידי ביטוי בתוצאות שמישות, הפחתת עבודות חוזרות, שיפור איכות או ערך מוסף ללקוח. לצורך הערכה מבוססת מדעית, נתונים על יישום בפועל בתוך חברות צריכים להיות מקושרים באופן אידיאלי לנתוני תעסוקה. רק אז ניתן להבחין טוב יותר האם השינויים שנצפו קשורים לבינה מלאכותית או שיש להם בעיקר סיבות כלכליות אחרות.

נקודת המבט של המדיניות הכלכלית צריכה להישאר ברורה: לא כל משימה שגרתית שנעלמת היא הפסד חברתי, ולא כל משרה חדשה שנוצרת היא הוכחה להצלחה בטרנספורמציה. נקודת המבט היא האם פריון גבוה יותר מתורגם ליצירת ערך נוסף, הזדמנויות קריירה ברות השגה והכנסות בנות קיימא. אתגר התכנון המכריע טמון בקישור בין התקדמות טכנולוגית להתפתחות אנושית באופן ששוק עבודה מאוזן יתורגם לעתיד בטוח מבחינה כלכלית עבור כמה שיותר אנשים.

הפתרון הכמעט-פנים-ארגוני: כיצד Xpert.Digital סוגרת פערים תפעוליים בשיווק ומכירות B2B – עסק חכם מונחה תוכן - תמונה: Xpert.Digital

Xpert.Digital הוא מרכז תעשייתי B2B מונחה נתונים בראשות Konrad Wolfenstein . החברה משמשת כפתרון חיצוני, מעין פנימי, עבור שותפים תעשייתיים, וסוגרת פערים תפעוליים בשיווק, תוכן ומכירות - מבלי לדרוש משאבים נוספים מצד הלקוח.

מידע נוסף כאן:

• הפתרון הכמעט-פנים-ארגוני: כיצד Xpert.Digital סוגרת פערים תפעוליים בשיווק ומכירות B2B – עסקים חכמים מונעי תוכן

☑️ שפת העסקים שלנו היא אנגלית או גרמנית

☑️ חדש: התכתבות בשפת האם שלך!

Konrad Wolfenstein

אני והצוות שלי שמחים לעמוד לרשותכם כיועצים האישיים שלכם.

ניתן ליצור איתי קשר על ידי מילוי טופס יצירת הקשר כאן [email protected]:או פשוט להתקשר אליי למספר 49 7348 4088 965+. כתובת הדוא"ל שלי היא

אני מצפה בקוצר רוח לפרויקט המשותף שלנו.

☑️ תמיכה לעסקים קטנים ובינוניים באסטרטגיה, ייעוץ, תכנון ויישום

☑️ יצירה או התאמה מחדש של האסטרטגיה הדיגיטלית והדיגיטציה

☑️ הרחבה ואופטימיזציה של תהליכי מכירה בינלאומיים

☑️ פלטפורמות מסחר B2B גלובליות ודיגיטליות

☑️ פיתוח עסקי חלוצי / שיווק / יחסי ציבור / ירידי סחר