תבונה, בינה ומה שביניהן:על מקומה של המומחיות האנושית בעידן הדיגיטלי בדגש על מקצוע השמאות.

במהלך העשור האחרון הפכה הבינה המלאכותית לחלק בלתי נפרד מן השיח המקצועי במגוון תחומים, ובתוכם גם שמאות מקרקעין. כלי עיבוד נתונים, אלגוריתמים סטטיסטיים, מודלים אוטומטיים להערכת שווי (Automated Valuation Models – AVM) המחשבים ערכים על בסיס ניתוח סטטיסטי, מערכות NLP (עיבוד שפה טבעית) המנתחות טקסטים משפטיים ותכנוניים ויכולות מתקדמות של זיהוי דפוסים. כל אלה יצרו תחושה של צומת דרכים מקצועי, המעמיד במרכז הבמה את שאלת תפקידו של המומחה האנושי.

אף שהטכנולוגיה מתקדמת במהירות, הספרות האקדמית מדגישה לאורך שנים הבחנה עקרונית: בינה מלאכותית איננה תחליף לתבונה אנושית, אלא כלי רב עוצמה היכול להרחיב ולחזק את עבודתו של המומחה, כל עוד נשמר מקומה של האחריות המקצועית והשיפוט האנושי (Russell & Norvig, 2020; Doshi-Velez & Kim, 2017).

המאמר שלהלן מציע סקירה רעיונית ומבוססת מחקר על ההבחנה בין תבונה (wisdom) לבין בינה (intelligence), ועל המשמעות המקצועית של הבחנה זו בעידן השמאות הדיגיטלית. לאחר הצגת המסגרת התיאורטית, תידון פרשנות מעשית לעולמות התכנון, המשפט, העסקאות ושיקול הדעת  המהווים את ליבת עבודתו של שמאי המקרקעין בישראל.

תבונה: מהות המומחיות האנושית

תפיסת התבונה כמושג נפרד מן הידע האינסטרומנטלי מוכרת כבר מימי אריסטו, שתיאר תבונה מעשית[1] כיכולת להפעיל שיקול דעת נכון במצבים מורכבים, רוויי אי ודאות וסתירות (כמצוטט ב–Baltes & Staudinger, 2000). תבונה, במסגרת זו, איננה סכום המצטבר של מידע, אלא איכות עמוקה של פרשנות והכרעה.

Baltes & Staudinger מציעים לראות בתבונה "ידע על אישי" – ידע רחב, עמוק, רפלקטיבי ומוסרי, המאפשר קבלת החלטות איכותית בתנאים שאינם אידיאליים. זהו ידע המשלב הבנה של מורכבות, הכרה בגבולות הידיעה, ויכולת להחזיק בו־זמנית שיקולים מתחרים – מקצועיים, מוסריים וחברתיים.

Schön (1983) מדגיש את ממד הרפלקטיביות של מומחים מקצועיים, ומגדיר אותם כ-Reflective Practitioners: אנשי מקצוע החושבים על פעולתם תוך כדי פעולה, לומדים ממקרים בזמן אמת ומקבלים החלטות כשהם מוקפים חוסר ודאות, לחץ והפתעות. המומחה, במובן זה, אינו רק "מחיל כללים" אלא מפרש סיטואציות ייחודיות.

Klein ( 1998) מחקר המומחיות במחקר זה מדגיש במיוחד את מקומו של הידע הסמוי (tacit knowledge). זהו ידע שאינו ניתן לתיאור מלא במילים או נהלים, אך מאפשר למומחים: לזהות דפוסים במהירות גם מתוך מידע חלקי, להבחין מה אינו נמצא במסמכים, לא פחות ממה שכן מופיע בהם; להפעיל אינטואיציה מקצועית שהיא תוצר של ניסיון מצטבר, ולא של ניחוש.

בעולם השמאות, "תבונה מקצועית" מתבטאת בדיוק ביכולת זו לפענח הקשר תכנוני משפטי מורכב נדרשת הפעלה של שיקול דעת מומחה. התבונה השמאית באה לידי ביטוי גם בזיהוי סתירות בין מסמכים, בהבחנה בין עסקה חריגה לעסקה מייצגת, בהצלבת מידע חלקי ממקורות שונים ועוד.

יכולות אלה אינן תוצר של כוח מחשוב, אלא של הבנה עמוקה של שוק, של מוסדות, ושל בני אדם ושל ניסיון מקצועי מצטבר המתורגם לשיפוט זהיר ואחראי.

בינה: יכולת עיבוד מידע ולמידה

בינה (intelligence) עוסקת ביכולת הקוגניטיבית לעבד מידע, ללמוד ממנו ולפתור בעיות. בינה מלאכותית, בהגדרתם של (Russell & Norvig (2020, היא מערכת המסוגלת לבצע משימות שבעבר נדרשו עבורן יכולות של בינה אנושית: זיהוי דפוסים, ניתוח טקסט, חיזוי, סיווג וקבלת החלטות תחת אי-ודאות.

מערכות AI, ובפרט מודלי AVM, מצטיינות בחילוץ תובנות מנתוני עתק. הן מאפשרות, בין היתר: סריקה רחבה של עסקאות נדל"ן וניתוח מגמות מחירים; זיהוי אוטומטי של עסקאות חריגות ביחס לשוק; אופטימיזציה של תמחור ראשוני, למשל לצורך הערכת תיקי אשראי; הפקת דוחות וסטטיסטיקות במהירות רבה.

מערכות NLP מוסיפות ממד נוסף: הן מאפשרות ניתוח טקסטים משפטיים ותכנוניים, חילוץ ישויות ומונחים, מיפוי זכויות ויצירת תקצירים ראשוניים של תוכניות בניין עיר ומסמכים סרוקים.

עם זאת, הספרות המחקרית מצביעה על מגבלות עמוקות של מערכות אלו:

• מודלים לומדים מן הנתונים שעליהם הוכשרו, ולכן נוטים לשחזר ואף להחריף הטיות קיימות בשוק או במערכות מוסדיות (Mehrabi et al., 2021).

• מודלי AVM רגישים במיוחד לאיכות בסיס הנתונים; כאשר הנתונים אינם מלאים, אינם מובְנים או לוקים באי-אחידות, איכות ההערכה נפגעת דרמטית (Agarwal, Ambrose, & Yildirim, 2020).

• מערכות NLP מתקשות בטקסטים היסטוריים סרוקים, בכתבי יד או במסמכים שהמבנה שלהם אינו עקבי. תקלות OCR, חוסר בסריקה מלאה או חוסר אחידות בניסוח עלולים להוביל להבנת חסר משמעותית.

• מודלי שפה גדולים מייצרים לעיתים "הזיות" – ניסוחים שנשמעים אמינים אך אינם מבוססי עובדה (Ji et al., 2023).

• מערכות אלו אינן "מבינות" הקשר מוסדי, משפטי או נורמטיבי; הן פועלות על בסיס הסתברויות, לא על בסיס הבנה של אחריות מקצועית או אתיקה.

במציאות התכנונית הישראלית, המתאפיינת בתכנון מורכב, מגוון תוכניות, היסטוריה ארוכה של תיקונים והחרגות ומבנה רישומי הטרוגני, מגבלות אלו מקבלות משמעות מיוחדת. במילים אחרות, דווקא במקום שבו הבינה מלאכותית חזקה - נתונים - המציאות המקומית מציבה לו שורה של אתגרים.

נקודת המפגש: אדם–מכונה וערך השילוב

תחום Human–AI Collaboration מצביע בעקביות על מסקנה מרכזית: ביצועים מיטביים מתקבלים לא כאשר מערכת AI מחליפה את האדם, אלא כאשר מומחה אנושי עובד יחד עם המערכת – תוך השגחה, פרשנות ובקרה (Bansal et al., 2021).

במסגרות אלו, תפקיד ה-AI הוא לייעל את תהליכי איסוף הנתונים, הסינון הראשוני והניתוח הכמותי, ואילו תפקיד המומחה הוא להפעיל תבונה מקצועית: להכריע, לפרש, לסנן מידע בעייתי ולהטמיע שיקולים מוסריים ומשפטיים. (Doshi-Velez & Kim (2017 מדגישים כי כדי שמומחים יוכלו להסתמך על מערכות AI, עליהן להיות "פרשניות" (interpretable) – כלומר לספק הסבר טמון (embedded) להמלצותיהן, כך שהמומחה יוכל להבין מדוע המערכת הציעה מה שהציעה.

Bansal ועמיתיו (2021) מצאו כי שילוב נכון של מומחים אנושיים ומערכות AI משפר את הביצועים הכוללים, אך רק כאשר המומחים יודעים לזהות מתי ראוי לסמוך על המלצת המערכת ומתי יש לדחות אותה. אחרת, קיים סיכון ל-automation bias – נטייה לקבל באופן אוטומטי את המלצת המחשב גם כאשר היא שגויה.

במקצועות כמו רפואה, פיננסים ומשפט, AI כבר פועל כ"שכבת עזר" ולא כתחליף. בעולם הרפואה, לדוגמה, מערכות עיבוד תמונה מזהות ממצאים רדיולוגיים, אך הרופא הוא זה שמקבל את ההחלטה הקלינית. בעולם הפיננסים, אלגוריתמים מסייעים בניהול סיכונים, אך מנהלי השקעות וגופי רגולציה קובעים את המדיניות. מגמה זו רלוונטית במיוחד גם לשמאות, מקצוע שבו משולבים היבטים כמותיים, תכנוניים, משפטיים ואתיים.

שמאות מקרקעין בעידן הדיגיטלי: הזדמנויות ומגבלות

עבודת שמאי המקרקעין בישראל נשענת על שילוב בין מידע כמותי – מחירי עסקאות, מגמות שוק, נתוני מאקרו – לבין פרשנות תכנונית ומשפטית: קריאת תוכניות, פרשנות זכויות, בחינת חריגות בנייה, בדיקת שינויים תכנוניים וכדומה. הבינה המלאכותית מתאימה במיוחד לטיפול ברכיב הכמותי, אך מתקשה ברכיב הפרשני.

בממד הכמותי, מערכות AI יכולות:

• להצליב עסקאות ממקורות שונים ולזהות עסקאות חריגות;

• לזהות מגמות שוק ברמת אזור, יישוב ושכונה;

• לסייע בבניית מודלים סטטיסטיים מורכבים להערכת שווי;

• לתמוך בניהול סיכונים של בנקים וגופים מוסדיים באמצעות ניתוח רחב היקף של תיקי נכסים (Agarwal et al., 2020).

לעומת זאת, בממד התכנוני משפטי, עבודת השמאי נשארת במידה רבה "אמנות פרשנית": קריאת מסמכי תכנון והיתר בנייה, איתור אי התאמות בין תשריטי בית משותף לבין היתרים לבין המצב בפועל, זיהוי חריגות בנייה, בחינת סטטוס רישום (טאבו, רמ"י, חברה משכנת), פרשנות זכויות בנייה עתידיות ועוד.

בהינתן המגבלות הללו, המודל הריאלי איננו מודל של אוטומציה מלאה, אלא מודל היברידי: הבינה המלאכותית ככוח מרחיב, המאפשר לשמאי לעבד יותר מידע בזמן קצר יותר, והתבונה האנושית ככוח מווסת, מפרש ומכריע.

תבונה ובינה בשמאות – טבלת השוואה מסכמת

הטבלה הבאה מציגה את ההבדלים והשילובים האפשריים בין תבונה אנושית (Wisdom) ובינה מלאכותית (Intelligence / AI) בהקשר של שמאות מקרקעין. ניתוח זה מדגיש את הצורך במיזוג מושכל בין עומק שיפוטי אנושי לבין יכולות חישוביות וטכנולוגיות, למען שמירה על רמת מקצועיות גבוהה וחדשנות.

היבט	תבונה (Wisdom)	בינה (Intelligence / AI)	המשמעות בשמאות מקרקעין
טבע היכולת	שיפוט, פרשנות, הבנת הקשר מורכב	עיבוד מידע, זיהוי דפוסים, סטטיסטיקה	שילוב הכרחי בין עומק שיפוט לרוחב נתונים
מקור הידע	ניסיון מצטבר, ידע סמוי, התנסות בשטח	נתונים, אלגוריתמים, מאגרי מידע	AI מסייע לשמאי, אך אינו מחליף ניסיון מקצועי
יתרון מרכזי	הבנה עמוקה וסלקטיבית, רגישות לחריגים ולהקשר	מהירות, עקביות, כיסוי רחב של שוק ונתונים	הגברת דיוק ויעילות כאשר השילוב נעשה באחריות
מגבלות	איטיות יחסית, הטיות אנושיות, שונות בין מומחים	חוסר הבנת הקשר, שימור הטיות, "הזיות" טקסטואליות	חשש מהסתמכות יתר על AI ללא ביקורת מקצועית
אחריות	אחריות מקצועית, אתית ומשפטית	ללא אחריות משפטית או אתית – כלי חישובי בלבד	השמאי חייב להישאר "בעל הבית" בשרשרת קבלת ההחלטות
תפקיד עתידי	פרשנות, בקרה, הכרעות במצבים מורכבים ואפוריים	תמיכה, סינון ואופטימיזציה של תהליכי איסוף וניתוח	מודל היברידי: תבונה כמכריעה, בינה כמכפילת כוח

הטבלה מדגישה את ההשלמה ההדדית בין התבונה האנושית לבין הבינה המלאכותית. בעוד שהשמאי מביא עמו ניסיון, שיפוט ויכולת פרשנות עמוקה הדרושה למקרים מורכבים ולבחינת חריגים, ה-AI מספק מהירות, עקביות ונגישות רחבה לנתונים. עם זאת, כדי לשמר אמינות מקצועית ולהימנע מהטיות או שגיאות, יש להיעזר ביכולות ה-AI תוך שמירה על אחריות מקצועית, אתית ומשפטית. כך, השמאי נשאר גורם מרכזי בתהליך קבלת ההחלטות, והמודל ההיברידי שמתקבל מאפשר למקצוע לצמוח, להתחדש ולשמור על רלוונטיות בעידן של התפתחות טכנולוגית מואצת.

מסקנות

הבחנה צלולה בין תבונה לבינה חיונית במיוחד בעידן של הצפת נתונים ושיח טכנולוגי גובר. תבונה היא איכות אנושית שאלגוריתם לא יכול לשחזר: היא נשענת על ניסיון, על פרשנות, על רפלקטיביות ועל מוכנות לשאת באחריות מקצועית. בינה מלאכותית, לעומת זאת, מציעה יכולת אדירה לעיבוד מידע, לזיהוי דפוסים ולניתוח שיטתי – אך ללא הבנה של משמעות, מוסר או הקשר משפטי.

בעולם השמאות, שבו כל חוות דעת עשויה להשפיע על שווקים, על מוסדות פיננסיים ועל חיי אנשים, שילוב נכון בין תבונה ובינה הוא תנאי הכרחי לשמירה על הרמה המקצועית ועל האמון הציבורי. ככל ששמאי המקרקעין יאמצו כלים דיגיטליים מתוך מודעות למגבלותיהם, ותוך חיזוק התבונה המקצועית ולא החלשתה, כך יוכל המקצוע לצמוח ולהתחדש – מבלי לוותר על יסודות האחריות, ההגינות והשיפוט האנושי.

הדרך קדימה איננה "שמאי או מכונה", אלא "שמאי עם מכונה": מקצוע המשלב ידע תכנוני משפטי עמוק, רגישות שוק והבנת בני אדם עם כלים טכנולוגיים מתקדמים. זהו, לעניות דעתי, המבחן האמיתי של תבונה בעידן של בינה.

ביבליוגרפיה:

Agarwal, S., Ambrose, B. W., & Yildirim, Y. (2020). Automated valuation models and the housing market. Journal of Financial Economics.

Baltes, P. B., & Staudinger, U. M. (2000). Wisdom: A metaheuristic (pragmatic) to orchestrate mind and virtue toward excellence. American Psychologist.

Bansal, G., Nushi, B., Kamar, E., Lasecki, W. S., Weld, D. S., & Horvitz, E. (2021). Is the human-in-the-loop reliable? ACM Transactions on Interactive Intelligent Systems.

Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv:1702.08608.

Ji, Z., Lee, N., Frieske, R., et al. (2023). Survey of hallucination in natural language generation. arXiv:2305.03326.

Klein, G. (1998). Sources of power: How people make decisions. MIT Press.

Mehrabi, N., Morstatter, F., Saxena, N, Lerman, K., & Galstyan, A. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys.

Russell, S., & Norvig, P. (2020). Artificial intelligence: A modern approach (4th ed.). Pearson.

Schön, D. A. (1983). The reflective practitioner: How professionals think in action. Basic Books.

[1] Phronesis -  תבונה מעשית / חכמה פרקטית- מושג מפתח באתיקה האריסטוטלית המתאר את היכולת של אדם לפעול נכון במצבים מורכבים, רוויי אי-ודאות, כאשר אין "כללים כתובים" שמתאימים לכל מצב.