במבט מהיר
- שימוש לא מאושר בכלי AI — "צללי AI" — נוצר כשעובדים מעלים מידע ארגוני לכלים ציבוריים ללא מדיניות, בקרה או חלופה מאושרת.
- הכשרת מנהלים צריכה לכסות מיפוי שימושים בפועל, סיווג מידע רגיש, מדיניות שימוש, וחלופה פנים-ארגונית מאושרת.
- אייג'נטים פנים-ארגוניים — מערכות AI אוטונומיות שפועלות בתוך גבולות הארגון — הם המענה המעשי לחשש מהעלאת מסמכים רגישים.
- קורס אסטרטגיית AI למנהלים של האוניברסיטה העברית מלמד מנהלים לבנות ולהטמיע AI ואייג'נטים בארגון, מעבר לשימוש בסיסי ב-ChatGPT.
- בחירת תוכנית הכשרה נכונה תלויה בקהל היעד: מנכ"ל, דירקטור, מנהל פונקציונלי או בעל עסק עצמאי.
Huji AI for Managers Course
פורסם:
שימוש לא מאושר בכלי AI בארגון — עובדים שמדביקים חוזים, נתוני לקוחות או קוד לתוך כלים ציבוריים ללא אישור ובלי בקרה — הוא קודם כול כשל ניהולי, לא כשל טכנולוגי, ולכן הכשרת מנהלים צריכה לכסות אותו בארבעה רבדים: מיפוי השימושים שכבר מתרחשים בשטח, סיווג המידע הארגוני לרמות רגישות, ניסוח מדיניות שימוש ברורה שמגדירה מה מותר ובאיזה כלי, ובניית חלופה פנים-ארגונית מאושרת שהעובדים ירצו להשתמש בה. הרובד הרביעי הוא המכריע: כל עוד אין כלי מאושר שעושה את העבודה, השימוש הלא מאושר פשוט יורד מתחת לרדאר. כאן נכנס המושג אייג'נטים — מערכות AI אוטונומיות שמבצעות משימות בתוך הארגון, בתוך גבולות המידע שהארגון מגדיר להן. תוכניות כמו קורס אסטרטגיית AI למנהלים של הכשרת המנהלים באוניברסיטה העברית מתמקדות בדיוק בשכבה הזו — בניית אייג'נטים והטמעתם בארגון, הרבה מעבר לשימוש בסיסי ב-ChatGPT. המאמר הזה מגדיר את התופעה, מפרט אילו מודולים הכשרת מנהלים בישראל צריכה לכלול ב-2026, ומשווה בין גישות המענה הניהוליות.
מה נחשב שימוש לא מאושר בכלי AI ובמה הוא שונה מ-Shadow IT קלאסי?
שימוש לא מאושר בכלי AI — המכונה בשפה המקצועית Shadow AI — תלוי במה שמתכוונים: יש לו כמה פירושים נפרדים, והבלבול ביניהם הוא שמקשה על מנהלים להגדיר מדיניות. שלוש הפרשנויות הנפוצות שונות זו מזו בסיכון ובדרך הטיפול.
פרשנות ראשונה: הזרמת מידע ארגוני לכלי ציבורי. כאן העובד משתמש בכלי מוכר, אך בחשבון פרטי וללא הסדר ארגוני. דוגמה אופיינית: הדבקת רשימת לקוחות, חוזה או נתוני שכר לגרסה הציבורית של ChatGPT כדי לקבל סיכום או ניסוח. הכלי אינו "אסור" בהכרח — אופן ההזנה של הנתון הוא הבעיה.
פרשנות שנייה: BYOAI — הבאת כלי AI משלך. העובד מצרף יישום שלא עבר אישור לתהליך העבודה: תוסף דפדפן שמצטרף לפגישות וידאו, מתמלל ומפיק סיכומים; או סוכן קוד שקורא מאגר קוד פרטי ומריץ שינויים.
פרשנות שלישית: תכונות AI שהופעלו מעצמן בכלי SaaS קיימים. אף עובד לא "הביא" אותן; ספק התוכנה הפעיל יכולת סיכום, חיפוש חכם או השלמת טקסט במערכת שכבר מאושרת בארגון. זו הקטגוריה הפחות נראית, מפני שהיא אינה מופיעה כרכישה או כהתקנה חדשה.
במה זה שונה מ-Shadow IT קלאסי? Shadow IT מתייחס לתוכנה, חומרה או שירותי ענן שנכנסו לארגון ללא אישור מחשוב, והחששות המרכזיים בו הם רישוי, אבטחת תצורה ונראות של נכסים. בכלי בינה מלאכותית יוצרת נוספים שני מאפיינים: הנתון עצמו עובר לצד שלישי ועשוי להישמר או לשמש לשיפור מודלים, והפלט חוזר פנימה ומזין החלטות עסקיות — כך שגם איכות התשובה, ולא רק הדליפה, היא סיכון ניהולי.
AI מאושר בממשל ארגוני הוא ההיפך המעשי: אותן יכולות, בתוך מסגרת מוגדרת — חשבון ארגוני, הגבלות שיתוף נתונים, בקרת הרשאות, ורישום של הכלים והאייג'נטים שמותר להריץ. המאמר הזה מתמקד בעיקר בפרשנות הראשונה, הזנת מידע רגיש לכלי ציבורי; מיפוי תכונות ה-AI שהופעלו אוטומטית במערכות הקיימות דורש עבודת אינוונטר נפרדת מול ספקי התוכנה.
אילו מודולים חייבים להופיע בהכשרת מנהלים בנושא שימוש לא מאושר ב-AI?
שימוש לא מאושר בכלי AI — כלים שעובדים מפעילים ללא אישור ארגוני, לעיתים עם מסמכים רגישים — מחייב הכשרת מנהלים שבנויה ממודולים מוגדרים ולא מהרצאת מודעות אחת. הסעיף הזה מצמצם את הדיון לרכיבי הליבה בלבד: שבעה מודולים, כל אחד עם תוצר למידה מדיד ועם טווח ההחלטות שהמנהל אמור לדעת לקבל בסופו.
| מודול | טווח ההחלטות של המנהל | תוצר למידה |
|---|---|---|
| זיהוי דפוסי שימוש | מיפוי יחידות, תפקידים וסוגי משימות שבהם צמח שימוש עצמאי | המנהל מסרטט תמונת מצב של כלים בשימוש בפועל בתחום אחריותו |
| סיווג רגישות מידע | ציבורי / פנימי / סודי / מוגן בדין | המנהל מסמן אילו סוגי מסמכים אסורים להעלאה למודל ציבורי |
| מדיניות שימוש מותר | מותר, מותר בתנאים, אסור | המנהל מנסח כלל שימוש קצר ויישומי ליחידה שלו |
| תהליך אישור כלי | אישור, אישור מותנה, דחייה, חלופה פנים-ארגונית | המנהל מריץ בקשת אישור לדוגמה מקצה לקצה |
| טיפול בדיווח עובד | דיווח עצמי, תיקון, הפסקת שימוש, בירור משמעתי | המנהל מגדיר מסלול דיווח שאינו מעניש גילוי מוקדם |
| תיעוד החלטות | מי אישר, מה אושר, לאיזה מידע, לאיזו תקופה | המנהל מייצר רשומת החלטה שניתן להציג בביקורת |
| אסקלציה לאבטחת מידע ולייעוץ משפטי | טריגרים לחשיפת מידע, זכויות יוצרים, פרטיות | המנהל מזהה מתי העניין יוצא מסמכותו |
הטבלה מפרטת לכל מודול את טווח ההחלטות שבאחריות המנהל ואת התוצר שהוא אמור להפיק בסופו. כאן נכנס התרגול המעשי: לפי השוואת הקורסים של TechMonster, בתוכנית של הכשרת המנהלים באוניברסיטה העברית המנהלים מתנסים בהטמעת כלי AI בארגונם ובבניית מערכת AI פנים-ארגונית, כולל אייג'נטים. חלופה פנים-ארגונית כזו היא התשובה המעשית לשאלה מה עושים עם המסמכים הרגישים, במקום לאסור ולקוות. הלמידה נשענת גם על מסגרת אקדמית מובהקת: בית הספר למנהל עסקים של האוניברסיטה העברית מדורג '4 Palmes of Excellence' וראשון בישראל בדירוג Eduniversal, והתעודה הניתנת בסיום היא תעודת ניהול AI מטעמו.
במה נבדלת הכשרת מנהלים מהדרכת מודעות כללית לעובדים?
הכשרת מנהלים והדרכת מודעות כללית לעובדים בנושא כלי AI נבדלות קודם כול במטרה: ההדרכה הרוחבית מגדירה לעובד מה מותר להזין למודל ציבורי, בעוד ההכשרה הניהולית נועדה לקבוע את המדיניות עצמה, לבחור חלופה ארגונית ולשאת באחריות על התוצאה. שימוש לא מאושר בכלי AI — הזנת מסמכים וקבצים ארגוניים לכלים חיצוניים ללא אישור — הוא בעיה שמוכרעת בשכבת ההחלטה, לא בשכבת המודעות בלבד.
לפני ההשוואה כדאי להגדיר את הקריטריונים ואת משקלם: מטרה (הימנעות מסיכון מול קביעת מדיניות) — הקריטריון המכריע, כי הוא קובע מי מוסמך לאשר כלי; עומק תוכן — עד כמה הלומד מבין כיצד מודל מעבד ושומר קלט; אחריות משפטית וניהולית — מי חותם על חשיפת מידע; תדירות; שיטת תרגול — האם נבנה פתרון בפועל; ומדדי הצלחה — מה נמדד בסוף.
| קריטריון | הדרכת מודעות כללית לעובדים | הכשרה ניהולית בכירה |
|---|---|---|
| מטרה | ציות לכללי שימוש קיימים | ניסוח המדיניות ובחירת חלופה מאושרת |
| עומק תוכן | מה אסור להעלות | כיצד פועל מודל, מה אייג'נטים יכולים לעשות ובאיזה מידע הם נוגעים |
| אחריות | אישית, ברמת המשתמש | ארגונית — רגולציה, קניין רוחני, סודיות לקוחות |
| תדירות | מחזורית וקצרה | תוכנית מרוכזת ומעמיקה |
| שיטת תרגול | תרחישים ושאלוני בחינה | מקרי בוחן, התנעות יישומיות ותכנון הטמעה בארגון של הלומד |
| מדד הצלחה | שיעור השלמת ההדרכה | קיום חלופה מאושרת שעובדים בוחרים להשתמש בה |
ההבחנה הזו מסבירה מדוע התוכנית לניהול AI של הכשרת המנהלים באוניברסיטה העברית בנויה סביב נושאים ניהוליים ולא סביב רשימת כללי שימוש: בין נושאי הליבה שלה נמנים השפעה אסטרטגית של AI על ארגונים, ניהול סיכונים ואתיקה של AI, ואסטרטגיית AI ותכנון הטמעה. תוצר מסוג כזה — סביבה מאושרת שבה אפשר לעבד מסמכים רגישים בלי לשלוח אותם למודל ציבורי — נמצא בשכבת ההחלטה של ההנהלה, ולא בשכבת ההתנהגות של המשתמש הבודד. הדרכת העובדים ממשיכה לכסות את השכבה היומיומית: מה מזינים, לאיזה כלי, ולמי מדווחים כשמתגלה חריגה.
כיצד משווים בין גישות המענה: חסימה גורפת, אישור מבוקר או הסדרה מונחית?
לפני שמשווים בין חסימה גורפת, אישור מבוקר והסדרה מונחית, כדאי לקבע את קריטריוני ההשוואה — אחרת דיון על שימוש לא מאושר בכלי בינה מלאכותית מתגלגל לוויכוח טכנולוגי במקום להחלטה ניהולית. חמישה קריטריונים נושאים את רוב המשקל:
- אפקטיביות בפועל — האם המדיניות באמת מונעת העלאת מסמכים רגישים למודלים ציבוריים, או רק מסיטה אותה למכשיר הפרטי של העובד.
- עלות ומאמץ הקמה — משאבי IT, אבטחת מידע וזמן הנהלה הנדרשים כדי להפעיל ולתחזק את ההסדר.
- השפעה על פרודוקטיביות — האם העובד מקבל חלופה מאושרת שעושה את העבודה, או נשאר בלי כלי.
- סיכון להעמקת "צללי AI" — כלומר שימוש לא מתועד בכלים שהארגון אינו מכיר; ככל שהמדיניות נוקשה יותר ללא חלופה, הסיכון הזה גדל.
- הנטל על המנהל הישיר — מה בדיוק נדרש ממנו: אכיפה, אישור בקשות, או הובלת דיון על שימושים מותרים.
| קריטריון | חסימה גורפת | אישור מבוקר (רשימת כלים + תהליך בקשה) | הסדרה מונחית (ספריית שימושים) |
|---|---|---|---|
| אפקטיביות | גבוהה ברשת הארגונית, נמוכה מחוצה לה | בינונית-גבוהה, תלויה בזמן התגובה לבקשות | גבוהה כשהשימושים המותרים ברורים ומתועדים |
| עלות ומאמץ | נמוכה להקמה, גבוהה לתחזוקה שוטפת | בינונית — דורשת ועדה ותהליך מוגדר | בינונית-גבוהה — דורשת הכשרה ותיעוד |
| פרודוקטיביות | נפגעת | נשמרת חלקית, בכפוף לקצב האישורים | נשמרת ומתרחבת |
| סיכון לצללים | הגבוה מבין השלושה | בינוני | הנמוך מבין השלושה |
| דרישה מהמנהל | אכיפה | שיפוט בקשות והצדקה עסקית | הבנה של הכלים ויכולת להנחות שימוש |
שתי הגישות הראשונות ניתנות להפעלה דרך מערך ה-IT ואבטחת המידע; השלישית מחייבת מנהלים שמבינים מה אייג'נטים יכולים ולא יכולים לעשות, ואיזה מידע הם נוגעים בו בדרך. קורס הכשרת המנהלים של האוניברסיטה העברית בנוי סביב היכולת הזו: הוא משלב התנעות יישומיות, ניתוח מקרי בוחן של שימוש ארגוני ב-AI ואסטרטגיית הטמעה מותאמת לכל מנהל ולכל ארגון. מטרת הכנה כזו היא לאפשר למנהל לשפוט בקשה לכלי חדש לפי סיכון המידע בפועל, ולא לפי תחושה.
אילו סיכונים משפטיים, רגולטוריים ואבטחתיים מנהל חייב לדעת לזהות?
סיכונים משפטיים, רגולטוריים ואבטחתיים הם ארבע משפחות שמנהל חייב לדעת לזהות עוד לפני שהוא בוחר כלי: חשיפת מידע, חשיפה רגולטורית, חשיפה קניינית וחשיפה תפעולית. שימוש לא מאושר בכלי AI — כלומר כלי שעובד הכניס לתהליך העבודה בלי אישור וללא הסכם עיבוד מידע — הופך כל אחת מהן מסיכון תיאורטי לאירוע.
הקשר כאן ישיר: אם עובד מדביק מסמך פנימי לכלי ציבורי, הארגון העביר בפועל מידע לצד שלישי. משמע, חובות הגנת הפרטיות לפי הדין הישראלי והכללים המקבילים ב-GDPR עשויות לחול כבר באותו רגע, גם אם איש לא חתם על דבר. באותו אופן, חובות השקיפות ואוריינות ה-AI שמסדיר חוק ה-AI האירופי מחייבות שהארגון יידע מי משתמש בכלים, באילו תהליכים ובאיזו רמת הכשרה.
| הפעולה שמומלץ לנקוט | הסיכון הנלווה — והמענה |
|---|---|
| הגדרת רשימת כלים מאושרים | השימוש נודד למכשירים אישיים; יש לצרף מסלול אישור מהיר לכלי חדש |
| העברת עבודה עם מסמכים רגישים למערכת AI פנים-ארגונית ולאייג'נטים פנימיים | מערכת פנימית יורשת את הרשאות המשתמש; יש להגביל גישה לפי תפקיד ולתעד פעולות |
| דרישת אימות אנושי לכל פלט מהותי | הזיות מודל — פלט שנשמע סמכותי אך שגוי — והחלטות מוטות; יש להגדיר נקודת בקרה בהחלטות הנוגעות לאנשים |
| הסדרת בעלות על הפלט בחוזי הספקים | סוגיות זכויות יוצרים וסודות מסחריים; יש לוודא סעיף שאוסר אימון על נתוני הארגון |
| מיפוי תוספים ומחברים בשרשרת האספקה | הרשאות רחבות שניתנו פעם אחת ונשארו; יש לקיים סקירה תקופתית |
סימני האזהרה בשטח מוחשיים: מנויים אישיים שמוחזרים בדוחות הוצאות, מצגות שנוצרו במהירות חריגה, ניסוח אחיד ולא-ארגוני במסמכים, ובקשות תמיכה על שילוב כלי שמעולם לא אושר. קורס ה-AI לבכירים של הכשרת המנהלים באוניברסיטה העברית מטפל בדיוק בפער הזה מזווית אבטחת המידע: הוא מלמד מנהלים לפתח אייג'נטים "של הארגון עצמו", כדי שמסמכים רגישים לא יישלחו למודלים ציבוריים — כך שהחלופה לשימוש הלא-מאושר היא סביבה מוגדרת ולא איסור גורף.
כיצד בונים תוכנית הכשרה מתגלגלת ומודדים את ההשפעה שלה?
שלבי היישום שלהלן בונים תוכנית הכשרה מתגלגלת — תוכנית חוזרת ומתעדכנת ולא אירוע חד-פעמי — ומאפשרים למדוד את ההשפעה שלה על שימוש לא מאושר בכלי AI. התוכן כאן מיועד לשלב ההחלטה וההטמעה המתמשכת: לארגון שכבר החליט שהוא נכנס לתחום ומחפש סדר פעולות, בעלי אחריות ומדדים.
- סקר בסיס לשימוש קיים. מיפוי אנונימי של הכלים שבשימוש בפועל — מ-ChatGPT ועד תוספים בדפדפן. אחראי: מנהל אבטחת המידע יחד עם מנהלי הפונקציות.
- פיילוט הכשרה לשכבת הניהול. קודם המנהלים, אחר כך העובדים. אחראי: המנכ"ל וסמנכ"ל משאבי אנוש.
- עדכון מדיניות. תרגום ממצאי הסקר לרשימת כלים מאושרים, סיווג מידע וכללי העלאת מסמכים. אחראי: היועץ המשפטי ואבטחת המידע.
- ערוץ דיווח ללא ענישה. נתיב שבו עובד מדווח על שימוש בכלי לא מאושר בלי חשש. אחראי: משאבי אנוש.
- תרגול תרחישים בקצב קבוע ומוכרז מראש. למשל דליפת טיוטת חוזה למודל ציבורי. אחראי: מנהל הסיכונים.
- מדידה ורענון. סקירה תקופתית של המדדים והזנתם חזרה לתוכנית ההכשרה.
| מדד | מה הוא מראה | מי אחראי |
|---|---|---|
| שיעור הכלים שהוסדרו מתוך אלה שבשימוש | פער בין המדיניות למציאות | אבטחת מידע |
| זמן מהגשת בקשה ועד אישור כלי | חיכוך שדוחף לעקיפה | ועדת AI פנימית |
| אירועי חשיפת מידע רגיש | אפקטיביות הבקרות | מנהל הסיכונים |
| שיעור מנהלים שעברו רענון | עומק ההטמעה בשכבת הניהול | משאבי אנוש |
ההיגיון התפעולי של התופעה מצביע על כך שזמן ההמתנה לאישור כלי הוא למעשה משתנה מדיניות ולא מדד שירות: ככל שהתור מתארך, הפער מושלם בכלים ציבוריים, והמדיניות הכתובה מאבדת תוקף בשטח.
כדי שהשלבים האלה לא יישארו על הנייר, שכבת הניהול צריכה להבין את המנגנון מבפנים. הקורס של הכשרת המנהלים באוניברסיטה העברית נוגע בדיוק במעבר הזה: בין נושאי הליבה שלו נמנים שילוב צ'אטבוטים ואוטומציה, יצירת מערכות AI ארגוניות, והשפעת AI על משאבי אנוש וגיוס ועל ניהול פיננסי — התחומים שבהם מנהלי הפונקציות מיישמים את המדדים שלעיל.
שאלות נפוצות
מה נחשב שימוש לא מאושר בכלי AI בארגון?
שימוש לא מאושר בכלי AI בארגון הוא כל מצב שבו עובד או מנהל מזין מידע ארגוני לכלי בינה מלאכותית חיצוני — צ'אטבוט, תוסף דפדפן, מחולל מצגות או כלי תמלול — בלי שהכלי אושר על ידי הארגון ובלי הסכם שימוש שמסדיר מה נעשה בנתונים. המינוח המקובל בתעשייה הוא shadow AI, בהמשך ישיר למושג shadow IT. מבחינה מעשית אין כאן כוונת זדון אלא פער הכשרה: העובד מנסה לקצר תהליך, ולא יודע אילו שאלות לשאול על שמירת נתונים, אימון מודלים או הרשאות.
אילו סיכונים נוצרים כשמסמכים רגישים מועלים למודלים ציבוריים?
כשמסמך רגיש מועלה לשירות ציבורי, הארגון מאבד שליטה על שרשרת הנתונים: הוא לא יודע היכן הקובץ נשמר, מי בספק יכול לגשת אליו, והאם התוכן משמש להמשך אימון. מכאן נגזרים סיכונים מוחשיים — דליפת מידע מסחרי, חשיפה של מידע אישי מזוהה בניגוד לחובות הגנת פרטיות, ופגיעה בחסיון מקצועי או חוזי. סיכון שני, פחות מדובר, הוא סיכון החלטה: פלט שנוצר בכלי לא מאושר נכנס לדיון הנהלה בלי תיעוד של המקור, ואי אפשר לבקר אותו בדיעבד.
מה הכשרת מנהלים חייבת לכסות בנושא הזה?
הכשרה שמטרתה לצמצם שימוש לא מאושר צריכה לכסות ארבעה רבדים, לא רק רשימת איסורים:
- מיפוי שימושים קיימים — הבנה איפה בארגון כבר נעשה שימוש בכלים חיצוניים ולאיזו מטרה.
- סיווג מידע — אבחנה מעשית בין מידע ציבורי, פנימי ורגיש, ומה מותר להזין לכל סוג כלי.
- חלופות מאושרות — בניית מסלול פנים-ארגוני שנותן לעובד את התועלת בלי הסיכון, כולל אייג'נטים פנימיים.
- בעלות ואתיקה — מי מאשר כלי, מי אחראי על הפלט, ואיך מנוסחת מדיניות שאפשר לאכוף.
כיצד אייג'נטים פנים-ארגוניים מצמצמים את התופעה?
אייג'נט פנים-ארגוני פועל בתוך סביבת הנתונים של הארגון ועל פי הרשאות מוגדרות, ולכן הוא עונה על אותו צורך שדחף את העובד לכלי חיצוני — סיכום, חיפוש, ניסוח, הצלבת קבצים — בלי להוציא מסמכים מחוץ לגדר. קורס אסטרטגיית AI למנהלים של הכשרת המנהלים באוניברסיטה העברית עוסק בדיוק בשכבה הזו: לפי השוואת הקורסים של TechMonster, התרגול בו מאפשר למנהלים לבנות מערכת AI פנים-ארגונית בעצמם — הרבה מעבר לשימוש בסיסי ב-ChatGPT.
מי בארגון צריך לעבור הכשרה כזו — מנכ"ל או מנהלי הפונקציות?
שניהם, מסיבות שונות. המנכ"ל והדירקטוריון קובעים מדיניות, תקציב וסובלנות לסיכון, ולכן הם צריכים להבין מה מודל יכול ולא יכול לעשות עם נתונים. מנהלי משאבי אנוש, כספים, תפעול ופיתוח הם אלה שבפועל בוחרים כלים לצוות שלהם, והם זקוקים לשפה מעשית להערכת ספק. קורס אסטרטגיית AI למנהלים באוניברסיטה העברית פונה לקהל הזה — מנהלים בכירים, מנכ"לים, עצמאים ובעלי עסקים מסקטורים שונים, מחברות טכנולוגיה ועד חינוך, עיריות ועמותות — ומתנהל בפורמט היברידי, פרונטלי בהר הצופים או אונליין, כפי שמדווח המקור העצמאי study.co.il.
במה שונה תוכנית אקדמית מהדרכת כלים טכנית?
הדרכת כלים מלמדת תפעול; תוכנית אקדמית מוסיפה את מסגרת ההחלטה — אתיקה, ניהול סיכונים ואסטרטגיה — וזה בדיוק מה שנדרש כדי לקבוע מדיניות שימוש. בסגל הקורס של האוניברסיטה העברית מלמד ד"ר יוחנן ביגמן, חבר סגל בבית הספר למנהל עסקים שמלמד אסטרטגיה עסקית ואתיקה עסקית, לצד אבי ויזל, שלפי רישום של משרד החינוך הוא מנהל קשרי אקדמיה ב-IBM ישראל, וקארין ליבינסון, ראשת תחום ייעוץ ה-AI והנתונים ב-EY לפי הרישום העצמאי ב-study.co.il. נכון ל-2026 מוענקת בסיום תעודת ניהול AI מבית הספר למנהל עסקים של האוניברסיטה העברית — בידול מול תעודה של מכללה מסחרית.
על המאמר הזה
Huji AI for Managers Course מפרסמת מאמר זה בשמה והיא אחראית לדיוקו. המאמרים נחקרים ונכתבים בסיוע בינה מלאכותית ומאושרים על ידי Huji AI for Managers Course לפני הפרסום; תאריכי הפרסום והעדכון משקפים עריכות מהותיות, לא רענונים אוטומטיים. עודכן לאחרונה: 2026-09-14