דור ה-Z סומך על חברות בינה מלאכותית, משפיענים ורשתות חברתיות הכי פחות מבין 14 סוגי ארגונים שנבדקו, מראה מחקר חדש בתחום הטכנולוגיות המתחרות.

פרדוקס האמון של דור ה-Z: משתמשים בבינה מלאכותית וברשתות חברתיות — אך לא סומכים עליהן

צעירה פותחת את הבוקר בסרטון קצר, בודקת כותרות ברשת חברתית, מתייעצת עם כלי בינה מלאכותית ומשווה המלצות של משפיענים לפני רכישה. השירותים האלה מלווים אותה כמעט בכל החלטה דיגיטלית — אבל כששואלים במי היא באמת נותנת אמון, הם מגיעים לתחתית הרשימה.

זהו המתח המרכזי שעולה ממחקר חדש של חברת טכנולוגיות המחקר Rival Technologies: בקרב 14 סוגי ארגונים שנבדקו, חברות בינה מלאכותית, משפיענים ופלטפורמות של רשתות חברתיות זכו לרמות האמון הנמוכות ביותר בקרב בני דור ה-Z.

הפער בין שימוש נרחב לאמון נמוך אינו רק תופעה חברתית. עבור מנהלי מוצר, שיווק, שירות, מערכות מידע ומשאבי אנוש, הוא מציב שאלה עסקית ישירה: כיצד בונים מערכת יחסים עם קהל צעיר שמשתמש בטכנולוגיה ללא הפסקה, אך בוחן בחשדנות את מי שמפעיל אותה?

הנתונים: רק 24% מביעים אמון בחברות בינה מלאכותית

המחקר נערך בקרב 903 משתתפים בני 18 עד 29 בארצות הברית ובקנדה, מסוף יולי ועד תחילת אוגוסט 2026. המשתתפים גויסו מהפאנל של Rival Technologies והשיבו באמצעות פלטפורמת מחקר שיחתית, ממוקדת מובייל ומבוססת בינה מלאכותית.

מבין סוגי הארגונים שנבדקו, חברות בינה מלאכותית דורגו במקום האחרון: 24% מהמשיבים הביעו בהן אמון, ואילו 73% דיווחו על חוסר אמון. משפיענים קיבלו שיעור אמון של 31%, ופלטפורמות של רשתות חברתיות הגיעו ל-33% בלבד.

המספרים בולטים במיוחד משום שאותן פלטפורמות ממלאות תפקיד מרכזי בשגרת המידע של המשתתפים. לפי המחקר, 62% משתמשים ברשתות חברתיות כמקור החדשות העיקרי שלהם. כלומר, המקום שבו רבים מהם נחשפים למתרחש הוא גם מקום שהם מתקשים לראות בו סמכות אמינה.

מנגד, מוסדות בריאות בלטו לטובה: 79% מהמשיבים הביעו בהם אמון, ו-31% אמרו שהם סומכים עליהם לחלוטין. רמות האמון בבנקים, בממשלה, בכלי תקשורת מסורתיים, במותגי מזון ובשירותי סטרימינג נמצאו בין שני הקצוות האלה, אך בפרסום המקורי לא נמסר דירוג מלא של כל 14 הקטגוריות.

שימוש אינו עדות לאמון

קל להניח ששירות שזוכה לשימוש רב נהנה גם מאמון. המחקר ממחיש מדוע ההנחה הזאת מסוכנת. אנשים יכולים להשתמש בפלטפורמה משום שהיא נוחה, מהירה או קשה להחלפה, ובאותה נשימה להטיל ספק במניעים שלה, בדיוק המידע שהיא מציגה או באופן שבו היא מטפלת בנתונים שלהם.

משתמש עשוי, למשל, לבקש מכלי בינה מלאכותית לסכם מסמך ארוך, אך לא להסתמך עליו בהחלטה רפואית. הוא יכול להתעדכן ברשת חברתית, אך לחפש אישור לידיעה באתר חדשות נוסף. הוא עשוי לצפות בהמלצה של משפיענית על מוצר, אך לבדוק ביקורות של לקוחות לפני הרכישה.

מבחינה ניהולית, זו הבחנה חשובה. מדדי שימוש כמו כניסות, זמן מסך, מספר שיחות או שיעור פתיחת הודעות מספרים כמה אנשים מפעילים את השירות. הם אינם מספרים אם המשתמשים מאמינים לתוצאה, מבינים כיצד התקבלה או מרגישים בטוחים למסור למערכת מידע רגיש.

אמון מתגלה דווקא ברגעים שבהם הסיכון עולה: הזנת פרטים אישיים, קבלת המלצה פיננסית, אישור פעולה אוטומטית, העלאת מסמך פנימי או רכישת מוצר בעקבות תוכן ממומן. בנקודות האלה, נוחות לבדה כבר אינה מספיקה.

מדוע חברות בינה מלאכותית נמצאות בתחתית?

המחקר מתאר את רמת האמון, אך אינו מוכיח מה גרם לה. לכן נכון להימנע מהסבר יחיד. עם זאת, כמה נקודות חיכוך מוכרות עשויות לסייע למנהלים להבין את התמונה.

ראשית, מערכות בינה מלאכותית אינן תמיד מסבירות כיצד הגיעו לתשובה. כאשר התוצאה נראית משכנעת אך המשתמש אינו יכול לזהות את המקור, קשה להבחין בין מידע מבוסס לבין ניסוח בטוח בעצמו שאינו מדויק.

שנית, לא תמיד ברור מה קורה למידע שמוזן למערכת. משתמשים וארגונים רוצים לדעת אם התוכן נשמר, מי יכול לגשת אליו, האם הוא משמש לשיפור השירות וכיצד ניתן למחוק אותו. מדיניות פרטיות ארוכה אינה בהכרח מספקת תשובה שימושית ברגע האמת.

שלישית, המונח "בינה מלאכותית" משמש כיום לתיאור מגוון רחב של יכולות. לעיתים מדובר במנגנון שמסכם טקסט; במקרים אחרים המערכת מדרגת מועמדים, ממליצה על אשראי או מסייעת בקבלת החלטות. ככל שההשפעה על האדם גדולה יותר, כך נדרשת רמת אחריות גבוהה יותר.

עבור חברות המשלבות AI באפליקציות ללא קוד, המשמעות ברורה במיוחד. האפשרות לחבר במהירות מודל שפה לטופס, למערכת שירות או לתהליך אוטומטי מקצרת את זמן הפיתוח, אך אינה פוטרת את הארגון מבדיקת איכות, אבטחת מידע ופיקוח אנושי. מהירות ההקמה אינה מדד לבשלות המוצר.

הרשת החברתית היא שער הכניסה, לא בהכרח התחנה הסופית

כאשר רשתות חברתיות הן מקור חדשות מרכזי אך זוכות לאמון מוגבל, התפקיד שלהן משתנה. הן יכולות להיות המקום שבו הקהל מגלה נושא, מוצר או אירוע — אך לא תמיד המקום שבו הוא מוכן לקבל החלטה.

נניח שחברת שירותים מפרסמת סרטון קצר על שינוי במחירים. הסרטון עשוי להגיע במהירות לקהל צעיר, אך לקוחות רבים ירצו למצוא באתר החברה הסבר מלא, תאריך כניסה לתוקף, דוגמאות לחשבון חדש ודרך לפנות לנציג. אם המידע המפורט אינו זמין, החשיפה הגבוהה עלולה דווקא להגדיל ספק ובלבול.

לכן ארגונים צריכים לבנות מסלול מידע ולא להסתפק בפוסט. תוכן קצר יכול לעורר עניין; עמוד רשמי צריך לספק הקשר; מוקד השירות צריך להכיר את המסר; והאפליקציה צריכה להציג למשתמש את השינוי באופן ברור. האמון נבנה מהתאמה בין כל נקודות המגע.

גם משפיענים אינם קיצור דרך לאמינות

שיעור האמון הנמוך במשפיענים אינו אומר שלשיווק באמצעות יוצרי תוכן אין השפעה. הוא כן אומר שטווח הגעה, מספר עוקבים וסגנון אישי אינם תחליף לשקיפות.

כאשר משפיען מציג מוצר בלי להבהיר את הקשר המסחרי, או מבטיח תוצאה שקשה לבסס, הפגיעה אינה נעצרת אצלו. גם המותג נושא במחיר. מנגד, הצגה ברורה של חסות, התאמה אמיתית בין היוצר למוצר והימנעות מהבטחות גורפות עשויות להפוך את התוכן לשימושי יותר.

למנהלי שיווק כדאי לבחון לא רק כמה אנשים צפו בקמפיין, אלא גם אילו שאלות עלו בתגובות, אם הצופים חיפשו מידע נוסף, מה היה שיעור הביטולים לאחר הרכישה והאם המסר של המשפיען תאם לחוויית המוצר בפועל.

קמפיין יכול לייצר מכירות בטווח הקצר ובכל זאת להחליש אמון בטווח הארוך. ההבדל נמצא בדרך כלל בין המלצה שמספקת הקשר לבין תוכן שנראה כמו עדות אישית, אף שהוא למעשה פרסום מתוכנן.

מה יכולים מנהלי מוצר וטכנולוגיה לעשות אחרת?

התגובה המתבקשת אינה להסתיר את השימוש בבינה מלאכותית. להפך: כאשר הטכנולוגיה משפיעה על התוצאה, רצוי להסביר זאת בשפה פשוטה ובמקום שבו ההסבר רלוונטי.

בצ'אט שירות, למשל, אפשר להבהיר שהמענה הראשוני מופק אוטומטית ולהציע מעבר לנציג אנושי. בכלי לכתיבת מסמכים ניתן לציין שהתוצר דורש בדיקה. במערכת שממליצה על פעולה, כדאי להציג אילו נתונים נלקחו בחשבון ומה המשתמש יכול לשנות.

גם מנגנון תיקון חשוב לא פחות מהמנגנון החכם. משתמש שמזהה טעות צריך לדעת כיצד לדווח עליה, לערער על החלטה או לבקש בדיקה אנושית. מערכת שאינה מאפשרת התנגדות משדרת שהאוטומציה חשובה יותר מהאדם שנפגע ממנה.

באפליקציות ללא קוד, שבהן צוותים עסקיים יכולים לבנות תהליכים במהירות, רצוי לקבוע כללי ממשל ברורים: אילו נתונים מותר להעביר למודל, באילו תרחישים נדרש אישור אנושי, מי אחראי לתוצאה וכיצד מתעדים שינויים. אלה אינם חסמים לפיתוח; הם תנאים להפעלה אחראית.

המשמעות לשירות, למשאבי אנוש ולתפעול

פרדוקס האמון אינו מוגבל למחלקת השיווק. בשירות לקוחות, בוט יעיל יכול לקצר זמני המתנה, אך אם הוא חוסם את הדרך לנציג, תחושת היעילות מתחלפת במהירות בתסכול. המבחן אינו רק אם הבוט ענה, אלא אם הבעיה נפתרה ואם הלקוח הבין מה קרה.

במשאבי אנוש הרגישות גבוהה אף יותר. מועמד שמקבל דחייה אוטומטית עשוי לתהות אם קורות החיים שלו נקראו, אילו קריטריונים הופעלו והאם הייתה אפשרות לתקן מידע. גם כאשר מערכת מסייעת בלבד למגייסים, הארגון צריך לדעת להסביר את תפקידה ולפקח על התוצאות.

בתפעול, אוטומציה שמקבלת החלטות לגבי תורים, הקצאת משאבים או סדרי עדיפויות יכולה לשפר עבודה שוטפת. אבל אם העובדים אינם מבינים את ההיגיון שלה, הם עלולים לעקוף אותה או להפסיק לדווח על טעויות. אמון פנימי הוא תנאי לא פחות חשוב מאמון הלקוחות.

מכאן נובע עיקרון פשוט: מערכת חכמה צריכה להיות ניתנת להבנה, לבקרה ולתיקון. לא בכל מקרה אפשר לחשוף את כל הקוד או את כל פרטי המודל, אך אפשר להסביר מה המערכת עושה, מה מגבלותיה ומתי אדם נכנס לתמונה.

מה אפשר ללמוד מהאמון במוסדות בריאות?

הפער לטובת מוסדות בריאות אינו מוכיח שכל גוף רפואי נתפס כאמין או שכל אינטראקציה איתו חיובית. עם זאת, הוא מציע כיוון מעניין: אמון נוטה להתחזק כאשר קיימים תפקידים מקצועיים ברורים, כללי אחריות, תיעוד ואפשרות לפנות לאדם מזוהה.

חברות טכנולוגיה אינן יכולות ולא צריכות להעתיק את עולם הבריאות במלואו. הן כן יכולות לאמץ ממנו כמה עקרונות: להבחין בין המלצה לבין קביעה, להציג מגבלות, לשמור תיעוד של החלטות ולהגדיר מתי נדרשת הסלמה למומחה.

גם שפה מדויקת משנה. במקום להציג מערכת ככזו ש"יודעת" מה נכון למשתמש, עדיף לומר שהיא מציעה אפשרות על בסיס המידע הזמין. הניסוח אולי פחות נוצץ, אך הוא מייצר ציפייה מציאותית — וציפיות מציאותיות הן בסיס טוב יותר לאמון.

כיצד למדוד אמון ולא רק מעורבות

ארגונים רגילים למדוד הקלקות, השלמת תהליכים, זמני טיפול ושיעורי המרה. כדי להבין אמון, נדרשות גם שאלות אחרות: האם המשתמש הבין שהופעלה בינה מלאכותית? האם הוא יודע כיצד לערער? האם הוא מוכן להשתמש במערכת שוב בהחלטה משמעותית יותר?

כדאי לבחון גם התנהגות. שיעור גבוה של מעבר לנציג, תיקונים חוזרים לתוצר, נטישת טופס בשלב בקשת ההרשאות או הימנעות מהעלאת מסמכים עשויים להצביע על בעיית אמון — גם אם ציון שביעות הרצון הכללי נראה סביר.

במחקרי לקוחות, שיחה קצרה יכולה לחשוף יותר משאלה כללית על "אמון במותג". חשוב לברר באיזה חלק של התהליך נוצר הספק: במקור המידע, בהסבר, בבקשת הנתונים, בתוצאה או בחוסר היכולת לקבל עזרה אנושית.

את המחקר עצמו צריך לקרוא בזהירות

למחקר של Rival יש ערך כתמונת מצב, אך חשוב לזכור את גבולותיו. הוא מבוסס על 903 משתתפים מהפאנל של החברה בארצות הברית ובקנדה, ולא נמסרו בפרסום המקורי פרטים מלאים על שיטת הדגימה, משקולות סטטיסטיות או מרווח טעות.

בנוסף, הקטגוריה "חברות בינה מלאכותית" רחבה מאוד. ייתכן שמשיבים חשבו על יצרניות מודלים, על אפליקציות צרכניות או על התחום כולו. גם "אמון" יכול להתפרש כאמון באיכות המידע, בשמירת פרטיות, בהתנהלות החברה או בהוגנות שלה.

יש כאן גם פרט מתודולוגי מעניין: המחקר על חוסר אמון בחברות AI נערך באמצעות פלטפורמת מחקר המבוססת בעצמה על בינה מלאכותית. אין בכך כדי לפסול את התוצאות, אך זו תזכורת לכך שכל מחקר צריך להיבחן גם לפי אופן איסוף הנתונים, לא רק לפי הכותרת.

נושא	ממצא או משמעות	השלכה ארגונית
חברות בינה מלאכותית	24% הביעו אמון ו-73% חוסר אמון	נדרשים הסבר, בקרה אנושית ומדיניות נתונים ברורה
משפיענים	31% הביעו אמון	חשיפה אינה מחליפה גילוי נאות והתאמה אמיתית למוצר
רשתות חברתיות	33% הביעו אמון, אף ש-62% משתמשים בהן כמקור חדשות עיקרי	יש לספק מקור רשמי והקשר מלא מעבר לפוסט
מוסדות בריאות	79% הביעו אמון; 31% אמון מלא	מקצועיות, אחריות ותהליך ברור עשויים לחזק אמון
מדידת הצלחה	שימוש גבוה אינו מעיד בהכרח על אמון	יש למדוד הבנה, נכונות להסתמך על המערכת ויכולת לערער

חמש שאלות שמנהלים צריכים לשאול

1. האם הלקוחות והעובדים יודעים מתי הם מתקשרים עם מערכת בינה מלאכותית ומתי עם אדם?
2. האם אנחנו מסבירים אילו נתונים נאספים, לאיזו מטרה וכיצד ניתן למחוק או לתקן אותם?
3. מה קורה כאשר המערכת טועה, ומי נושא באחריות לבדיקת המקרה?
4. האם המסרים שלנו ברשתות החברתיות ובהמלצות של משפיענים תואמים לחוויית המוצר בפועל?
5. האם אנחנו מודדים אמון והבנה, או מסתפקים בחשיפה, שימוש ושיעורי המרה?

השורה התחתונה: דור ה-Z אינו דוחה טכנולוגיה — הוא דורש ממנה דין וחשבון

הממצא החשוב ביותר במחקר אינו שדור ה-Z מפחד מבינה מלאכותית או מתרחק מרשתות חברתיות. בפועל, הוא משתמש בהן בהיקף נרחב. המסר הוא ששימוש תכוף אינו מעניק לחברות אשראי בלתי מוגבל.

עבור ארגונים, זו אינה סיבה להאט כל יוזמה טכנולוגית. זו סיבה לתכנן אותה טוב יותר: להסביר מה המערכת עושה, לצמצם איסוף מידע מיותר, לאפשר בדיקה אנושית ולוודא שההבטחה השיווקית אינה גדולה מהיכולת בפועל.

דור ה-Z עשוי להגיע דרך סרטון, משפיען או תשובה של כלי AI. האמון, לעומת זאת, נבנה במקום אחר — ברגע שבו הארגון מוכיח שהוא ברור, עקבי, ניתן לבקרה ומוכן לקחת אחריות גם כשהטכנולוגיה אינה מושלמת.

הדו"ח המלא פורסם באתר Rival Technologies תחת הכותרת Gen Z Trust Paradox.