בינה מלאכותית בגיוס עובדים: סיכונים, פרטיות וציות לחוק | ESG
בינה מלאכותית בגיוס: המדריך המשפטי והאתי לניהול סיכונים
בינה מלאכותית בגיוס היא שימוש באלגוריתמים כדי לסנן קורות חיים, לדרג מועמדים, לנתח ראיונות ולהמליץ על החלטות העסקה. היא מקצרת תהליכים, אבל יוצרת חשיפה משפטית ואתית ממשית: אפליה עקיפה של מועמדים, עיבוד מידע אישי בלי בסיס חוקי, החלטות שאי אפשר להסביר, ובקרה אנושית שקיימת רק על הנייר. המדריך הזה ממפה את הסיכונים, את הדין החל בישראל ובחו"ל, ומסתיים בצ'ק-ליסט שמנהלי HR ויועצים משפטיים יכולים להפעיל לפני רכישה או הטמעה של כלי AI.
תקציר מנהלים: חמש נקודות
- האחריות להחלטת העסקה נשארת אצל המעסיק, גם כשהמלצה הגיעה מאלגוריתם של ספק חיצוני.
- חוק שוויון ההזדמנויות בעבודה אוסר גם אפליה עקיפה, ומקום מגורים הוא עילה מוגנת – משתנה פרוקסי נפוץ במודלים.
- לפי טיוטת הרשות להגנת הפרטיות, ציון שהמערכת הפיקה על מועמד הוא מידע אישי, וכדאי לערוך תסקיר השפעה לפני ההטמעה.
- ב-AI Act, מערכות גיוס מסווגות בסיכון גבוה; חובות המפעיל יחולו מ-2 בדצמבר 2027, אך איסור זיהוי רגשות כבר בתוקף.
- בקרה אנושית נחשבת אמיתית רק כשלמפקח יש כשירות, זמן וסמכות לבטל את המלצת המערכת.
מהי בינה מלאכותית בגיוס, ולמה הרגולטורים מסווגים אותה כסיכון גבוה
תחת המונח "בינה מלאכותית בגיוס" נכללים היום כלים מגוונים: מערכות ATS שמדרגות קורות חיים לפי התאמה למשרה, צ'אטבוטים שמבצעים סינון ראשוני, מבחני משחק שמנבאים "התאמה תרבותית", ניתוח ראיונות וידאו, מערכות שמנתחות פרופילים ברשתות חברתיות, ומודלי שפה גדולים שמסכמים ומדרגים מועמדים לפי הנחיה חופשית של המגייס.
המכנה המשותף לכולם הוא שהפלט שלהם משפיע ישירות על פרנסתו של אדם. מועמד שנפסל בשלב הסינון האוטומטי לא מגיע לראיון, ובדרך כלל אינו יודע מדוע. לכן גיוס עובדים הוא אחד התחומים הראשונים שהרגולציה העולמית סימנה כרגישים במיוחד.
חוק הבינה המלאכותית של האיחוד האירופי (AI Act) מונה בנספח III, תחת תחום "תעסוקה וניהול עובדים", מערכות המשמשות לגיוס או למיון אנשים, ובכלל זה פרסום מודעות דרושים ממוקדות, ניתוח וסינון מועמדויות והערכת מועמדים, כמערכות בסיכון גבוה[1]. בניו יורק נדרש מעסיק שמשתמש בכלי החלטה אוטומטי בגיוס לבצע ביקורת הטיה שנתית ולפרסם את תוצאותיה[11]. בישראל אין עדיין חוק ייעודי, אבל זה לא אומר שאין דין: חוק שוויון ההזדמנויות בעבודה וחוק הגנת הפרטיות חלים במלואם על כל החלטה שמתקבלת בעזרת אלגוריתם[7][5].
"הכלי החליט" אינו הגנה משפטית
נקודת המוצא החשובה ביותר למנהלים: האחריות להחלטת ההעסקה נשארת אצל המעסיק. ספק התוכנה אינו צד ליחסי העבודה, ובית הדין לעבודה יבחן את התוצאה, לא את הטכנולוגיה. אם הכלי פסל באופן שיטתי מועמדים מקבוצה מוגנת, המעסיק הוא מי שיצטרך להסביר.
מפת הסיכונים: ארבעה צירים שכל ארגון צריך לנהל
את הסיכונים של בינה מלאכותית בגיוס אפשר לארגן בארבעה צירים, שכל אחד מהם נשען על מקור משפטי אחר ודורש בעל תפקיד אחר בארגון. התרשים הבא מציג את המפה, ואחריו נעבור על כל ציר בנפרד.
הטיה ואפליה: הסיכון המשפטי המרכזי של AI בגיוס
אלגוריתם לומד מנתונים. אם הנתונים ההיסטוריים של הארגון, או נתוני האימון של הספק, משקפים דפוסי העסקה לא שוויוניים, המודל ילמד לשחזר אותם, ולפעמים להעצים אותם. ההטיה אינה תקלה נקודתית אלא תכונה מובנית של מודל שאומן על עולם לא שוויוני.
מה מצאו החוקרים
מחקר של אוניברסיטת וושינגטון, שהוצג בכנס AAAI/ACM לבינה מלאכותית, אתיקה וחברה ב-2024, בחן שלושה מודלי שפה בקוד פתוח על 554 קורות חיים ו-571 מודעות משרה אמיתיים, ביותר משלושה מיליון צירופים של שמות ומשרות[9]. החוקרים החליפו רק את שם המועמד ומצאו שהמודלים העדיפו שמות המזוהים עם לבנים ב-85% מהמקרים, ושמות המזוהים עם נשים רק ב-11% מהמקרים[9]. במאמר המדעי עצמו דווח כי גברים שחורים קופחו בעד 100% מהמקרים בהשוואות מסוימות[10].
המסקנה למנהלים אינה ש"כל AI מפלה", אלא שאי אפשר להניח שכלי הוגן רק משום שהספק אמר זאת. המחקר מומן על ידי המכון הלאומי לתקנים וטכנולוגיה של ארה"ב (NIST), והחוקרים ציינו שבהיעדר ביקורת עצמאית אין דרך לדעת אם מערכת כזו מפלה[9].
משתני פרוקסי: האפליה שלא רואים
הסרת שם, גיל ומין מקורות החיים אינה פותרת את הבעיה. מודל יכול להסיק מאפיינים מוגנים ממשתנים עקיפים: שנת סיום תואר מרמזת על גיל, פער בקורות החיים מרמז על הורות או על שירות מילואים, שם מוסד לימודים או יישוב מרמזים על מוצא, דת או לאום. אלה נקראים משתני פרוקסי, והם הדרך הנפוצה ביותר שבה הטיה חודרת למערכות "עיוורות".
בהקשר הישראלי יש לכך משמעות מיוחדת: מקום מגורים הוא עילת אפליה עצמאית בחוק שוויון ההזדמנויות בעבודה, החל מתיקון 22 משנת 2014[7]. כלי שנותן משקל לקרבה גאוגרפית או ליישוב מגורים עלול להפר את החוק גם אם איש לא התכוון לכך.
מה אומר הדין הישראלי
סעיף 2(א) לחוק שוויון ההזדמנויות בעבודה אוסר על מעסיק להפלות בין דורשי עבודה, בין היתר מחמת מין, נטייה מינית, מעמד אישי, הריון, הורות, גיל, גזע, דת, לאום, ארץ מוצא, מקום מגורים, השקפה ושירות מילואים[7]. סעיף 2(ב) קובע שגם קביעת תנאים שלא מן העניין נחשבת הפליה, וזו בדיוק הנקודה שבה מסנן אלגוריתמי נבחן: האם הקריטריונים שהמודל למד רלוונטיים באמת לתפקיד.
החוק אינו דורש כוונה להפלות. התוצאה המפלה מספיקה, ובתביעות על אי-קבלה לעבודה החוק מעביר במקרים מסוימים את נטל ההוכחה אל המעסיק. בפסיקה מוכרים מקרים שבהם מעסיק חויב בפיצוי על אי-קבלת מועמד מחמת גילו[7]. ההבדל עם AI הוא בקנה המידה: מגייס אנושי עלול להפלות עשרות מועמדים, אלגוריתם עלול לעשות זאת לאלפים, באופן עקבי ומתועד.
חובת שקיפות בפני מועמדים
שקיפות היא הציר שבו הפער בין המצב בפועל לבין הנדרש גדול במיוחד. מועמדים רבים אינם יודעים שקורות החיים שלהם נקראו קודם כול על ידי מכונה. ביקורת של מבקר מדינת ניו יורק מדצמבר 2025 מצאה שגם במקום שבו החוק מחייב גילוי, הרשות האוכפת התקשתה לזהות מעסיקים שלא חשפו שימוש בכלים אוטומטיים, ושמועמדים רבים אינם מודעים לכך שנבחנו באמצעותם[12].
מה צריך לגלות
שקיפות אמיתית כוללת שלוש רמות. הראשונה היא עצם הגילוי: הודעה למועמד שבתהליך נעשה שימוש בכלי AI, ובאיזה שלב. השנייה היא מהות השימוש: אילו סוגי מידע נבחנים, לאיזו מטרה, והאם ההחלטה הסופית מתקבלת בידי אדם. השלישית היא ערוץ פנייה: דרך לבקש עיון במידע, לתקן אותו או לבקש בחינה אנושית.
לפי טיוטת ההנחיה של הרשות להגנת הפרטיות, חובת היידוע לפי סעיף 11 לחוק מקבלת חשיבות יתרה בהקשר של מערכות בינה מלאכותית, ועמדת הרשות היא שעל נושא המידע לקבל, בין היתר, תיאור של אופן פעולת המערכת ושל הסיכונים הנובעים מהעיבוד[5]. באיחוד האירופי, מעסיק שמפעיל מערכת בסיכון גבוה לקבלת החלטות לגבי אנשים חייב ליידע אותם על כך[2].
זכות להסבר
תקנות ה-GDPR מעניקות לאדם זכות שלא להיות כפוף להחלטה המבוססת אך ורק על עיבוד אוטומטי, כאשר יש לה השפעה משפטית או השפעה משמעותית דומה עליו (סעיף 22)[4]. בדברי ההסבר לתקנות (Recital 71) מוזכרים במפורש הליכי גיוס מקוונים ללא התערבות אנושית כדוגמה להחלטה כזו[4]. ה-AI Act מוסיף זכות להסבר על תפקיד המערכת בהחלטה שהתקבלה בעזרת מערכת בסיכון גבוה (סעיף 86)[1]. ארגון שאינו מסוגל להסביר למועמד מדוע נפסל, לא יוכל לעמוד בדרישות האלה.
פרטיות המידע: תיקון 13 וטיוטת ההנחיה לבינה מלאכותית
תהליך גיוס הוא מאגר מידע אישי בהגדרה: קורות חיים, פרטי קשר, היסטוריה תעסוקתית, תוצאות מבחנים, הקלטות ראיונות ולעיתים מידע רגיש כמו מצב בריאותי. מאז 14 באוגוסט 2025 חל על המידע הזה חוק הגנת הפרטיות במתכונתו המעודכנת לאחר תיקון 13, שהרחיב את סמכויות האכיפה של הרשות להגנת הפרטיות[6].
מה קובעת הרשות לגבי מערכות AI
באפריל 2025 פרסמה הרשות להגנת הפרטיות טיוטת הנחיה בנושא תחולת החוק על מערכות בינה מלאכותית[5]. כמה מעקרונותיה רלוונטיים ישירות לגיוס:
- החוק חל על כל מחזור החיים. הוראות החוק חלות על מודל המאחסן או מעבד מידע אישי, הן בשלב האימון והן בשלב היישום[5].
- מידע שהמערכת מסיקה הוא מידע אישי. ציון התאמה, הערכת אישיות או ניבוי סיכוי לעזיבה שהמערכת הפיקה על מועמד הם מידע שחלות עליו הוראות החוק[5].
- זכות התיקון עשויה לחול על האלגוריתם. לפי הטיוטה, הזכות לתקן מידע שגוי עשויה לחייב, בנסיבות מסוימות, תיקון של האלגוריתם שהפיק אותו[5].
- מידע מרשתות חברתיות אינו הפקר. לפי עמדת הרשות, מכך שאדם פרסם מידע על עצמו ברשת חברתית לא ניתן להסיק שהסכים לשימוש בו לאימון או להפעלה של מערכת בינה מלאכותית בסיכון גבוה[5]. כלי שסורק פרופילים ציבוריים של מועמדים צריך להיבחן בזהירות מיוחדת.
- תסקיר השפעה על הפרטיות. עמדת הרשות היא שעריכת תסקיר לפני שימוש במערכת AI לעיבוד מידע אישי היא הדרך המומלצת להוכיח עמידה בחוק[5].
יש לשים לב שמדובר בטיוטה שפורסמה להערות הציבור. גם כך, היא משקפת את האופן שבו הרשות מתכוונת להפעיל את סמכויותיה, ולכן כדאי להתייחס אליה כאל קו מנחה מחייב למעשה.
העברת מידע לספק ולענן
רוב כלי ה-AI לגיוס פועלים כשירות ענן של ספק חיצוני, לעיתים מחוץ לישראל. המשמעות: הארגון נשאר בעל השליטה במאגר והאחראי לפי החוק, והספק הוא מחזיק או מעבד מטעמו. נדרש הסכם עיבוד מידע שמגדיר מה מותר לספק לעשות במידע, ובפרט האם מותר לו להשתמש בנתוני המועמדים שלכם כדי לאמן את המודל שלו עבור לקוחות אחרים.
בקרה אנושית: Human in the Loop שאינו חותמת גומי
כמעט כל ספק יאמר ש"ההחלטה הסופית היא של המגייס". השאלה היא אם הבקרה הזו אמיתית. מגייס שמקבל רשימה מדורגת של 20 מועמדים מתוך 2,000, ומזמין לראיון את חמשת הראשונים, אינו מפעיל שיקול דעת אנושי על 1,980 המועמדים שנפסלו. הוא מאשר את בחירת המכונה.
ה-AI Act מגדיר את הסטנדרט בבירור: מפעיל של מערכת בסיכון גבוה חייב להקצות את הפיקוח האנושי לאנשים בעלי הכשירות, ההכשרה והסמכות הנדרשות, ולתת להם את התמיכה הדרושה[2]. המילה החשובה היא "סמכות": מי שמפקח חייב להיות מסוגל לבטל את המלצת המערכת, ולא רק לצפות בה.
הטיית האוטומציה
הסכנה הגדולה בבקרה אנושית אינה היעדרה אלא חלולותה. בני אדם נוטים לתת אמון יתר בהמלצות של מערכת ממוחשבת, תופעה המכונה הטיית אוטומציה (Automation Bias). מסגרת ניהול הסיכונים של NIST מדגישה שניהול סיכוני AI דורש התייחסות לגורם האנושי ולהקשר השימוש, ולא רק לביצועים הטכניים של המודל[13].
בקרה אנושית אפקטיבית נראית כך: מדגם אקראי של מועמדים שנפסלו נבדק ידנית בכל מחזור גיוס; שיעור ההחלטות שבהן המגייס סטה מהמלצת המערכת נמדד, ושיעור אפסי הוא נורת אזהרה; קיים מסלול מוגדר שבו מועמד יכול לבקש בחינה אנושית; והמגייסים עברו הדרכה על מגבלות הכלי.
הזירה הבינלאומית: AI Act, GDPR וחוק 144 של ניו יורק
ארגון ישראלי אינו פטור מהרגולציה הזרה. ה-AI Act חל גם על מפעילים מחוץ לאיחוד כאשר הפלט של המערכת משמש בתוך האיחוד[1], כך שחברה ישראלית שמגייסת עובדים לחברת בת אירופית, או מגייסת מועמדים אירופים, עשויה להיות כפופה לו. הטבלה הבאה מרכזת את המסגרות העיקריות.
| מסגרת | תחולה | מה היא דורשת מכלי גיוס | מצב |
|---|---|---|---|
| חוק שוויון ההזדמנויות בעבודה | ישראל | איסור הפליה בקבלה לעבודה, כולל תנאים שלא מן העניין | בתוקף |
| חוק הגנת הפרטיות + תיקון 13 | ישראל | בסיס חוקי, יידוע, אבטחה, זכויות עיון ותיקון | בתוקף מ-14.8.2025 |
| טיוטת הנחיית AI של הרשות | ישראל | פרשנות החוק למערכות AI, תסקיר השפעה | טיוטה (אפריל 2025) |
| AI Act – נספח III | האיחוד האירופי | סיווג סיכון גבוה, פיקוח אנושי, יידוע, תיעוד | מ-2.12.2027 |
| GDPR סעיף 22 | האיחוד האירופי | זכות שלא להיות כפוף להחלטה אוטומטית בלבד | בתוקף |
| Local Law 144 | ניו יורק | ביקורת הטיה שנתית, פרסום תוצאות, הודעה למועמד | נאכף מיולי 2023 |
לוח הזמנים של ה-AI Act אחרי ה-Digital Omnibus
במקור, חובות המערכות בסיכון גבוה לפי נספח III היו אמורות לחול מ-2 באוגוסט 2026. תקנה (EU) 2026/1744, המכונה Digital Omnibus on AI, דחתה את המועד ל-2 בדצמבר 2027[3]. הדחייה שינתה מועד, לא הגדרה: מערכות גיוס נשארו בסיכון גבוה. חשוב לזכור גם שחלק מההוראות כבר בתוקף, ובהן האיסור על זיהוי רגשות במקום העבודה, שחל מפברואר 2025 וכולל גם ניתוח רגשות של מועמדים בראיון[1].
לקח מניו יורק: גילוי אינו מספיק
חוק 144 של ניו יורק נאכף מיולי 2023 ומחייב ביקורת הטיה על ידי מבקר עצמאי לא יותר משנה לפני השימוש, פרסום תקציר התוצאות ומתן הודעות למועמדים[11]. ביקורת המבקר של מדינת ניו יורק מצאה שהרשות העירונית קיבלה רק שתי תלונות בתקופה הנבדקת, ושבסקר של 32 חברות זוהה מקרה אחד בלבד של אי-ציות[12]. המסקנה של המבקר הייתה שהאכיפה חלשה, לא שהציות גבוה. עבור מעסיקים, זו תזכורת שאכיפה רגולטורית חלשה אינה מבטלת את הסיכון: התביעה האזרחית ופגיעה במוניטין נשארות.
מבט ESG: למה ממשל AI בגיוס הוא לב ה-G
שיח ה-ESG נוטה להתמקד בסביבה ובקהילה, אבל ממשל תאגידי (Governance) הוא הציר שבו בינה מלאכותית בגיוס יוצרת את החשיפה המיידית ביותר. כלי שמסנן אלפי מועמדים בשנה הוא מנגנון קבלת החלטות לכל דבר, והדירקטוריון וההנהלה צריכים לדעת שהוא קיים, מי אחראי עליו ואיך מבקרים אותו.
הרשות להגנת הפרטיות ציינה בטיוטת ההנחיה כי במקום שבו חלה על הארגון אחריות דירקטוריון לאבטחת מידע, המדיניות שהדירקטוריון מאשר צריכה להתייחס גם לשימוש במידע אישי במערכות בינה מלאכותית[5]. עקרונות ה-OECD לבינה מלאכותית, שישראל מחויבת להם כחברה בארגון, דורשים שקיפות, הוגנות ואחריותיות לאורך מחזור החיים של המערכת[14]. מסמך העקרונות של משרד החדשנות ומשרד המשפטים משנת 2023 אימץ את העקרונות האלה כבסיס למדיניות הישראלית, תוך העדפה של רגולציה מגזרית ומבוססת סיכון[8].
הקשר ל-S ברור לא פחות: גיוון והכלה הם מדדים מרכזיים בדיווחי ESG. ארגון שמדווח על יעדי גיוון ובמקביל מפעיל כלי סינון שמקטין בשקט את הייצוג של נשים, של עובדים מבוגרים או של מועמדים מהפריפריה, מייצר פער בין הדיווח למציאות. פער כזה הוא סיכון מוניטיני ולעיתים גם סיכון של מצג מטעה.
תקנים שעוזרים לבנות מסגרת
שני כלים וולונטריים משמשים ארגונים לבניית ממשל AI: מסגרת ניהול הסיכונים של NIST (AI RMF), הבנויה סביב ארבע פונקציות – ממשל, מיפוי, מדידה וניהול[13], ותקן ISO/IEC 42001, הראשון שמגדיר מערכת ניהול לבינה מלאכותית בארגון[15]. אף אחד מהם אינו מחליף את הדין, אבל שניהם מספקים שפה משותפת למשפטנים, ל-HR ולטכנולוגיה, וראיה לכך שהארגון נקט צעדים סבירים.
מחזור החיים של ממשל AI בגיוס
ממשל אפקטיבי אינו אירוע חד-פעמי ברכש. הוא מחזור שמתחיל לפני שיחת המכירה הראשונה עם הספק ונמשך כל עוד הכלי פועל. התרשים מציג את חמשת השלבים ואת בעלי התפקידים המובילים בכל אחד מהם.
צ'ק-ליסט למנהלי HR ולמנהלים משפטיים לפני רכישה או הטמעה של כלי AI בגיוס
הרשימה הבאה מאורגנת לפי שלבי מחזור החיים. כדאי להעביר אותה לספק כשאלון בכתב, ולשמור את התשובות כחלק מתיק ההחלטה.
א. לפני פנייה לספקים
- הגדרנו בכתב איזו החלטה הכלי יתמוך בה, ובאיזה שלב בתהליך הגיוס.
- בדקנו אם הגיוס כולל מועמדים או משרות באיחוד האירופי או בניו יורק, ומה המשמעות הרגולטורית.
- מינינו בעל תפקיד אחראי לכלי, וכן נציג משפטי וממונה הגנת פרטיות שמעורבים מתחילת הדרך.
- קבענו מראש מדדי הצלחה שאינם רק מהירות: איכות גיוס, שיעור תלונות וייצוג קבוצות.
ב. שאלות לספק
- על אילו נתונים אומן המודל, והאם נעשה בהם שימוש בנתוני לקוחות אחרים?
- האם בוצעה ביקורת הטיה עצמאית, מתי, באיזו מתודולוגיה, ומה היו התוצאות לפי מין וגיל?
- אילו משתנים המודל שוקל, והאם ניתן לנטרל משתנים כמו מקום מגורים, שנת לידה או פערים בקורות החיים?
- האם הכלי מפיק הסבר לכל דירוג, שניתן למסור למועמד בשפה פשוטה?
- היכן מאוחסן המידע, מי ניגש אליו, ולכמה זמן הוא נשמר?
- האם הספק ישתמש בנתוני המועמדים שלנו לאימון המודל? (התשובה הנדרשת: לא, אלא בהסכמה מפורשת.)
- האם הכלי כולל ניתוח רגשות, הבעות פנים או קול? אם כן – האם אפשר לנטרל זאת לחלוטין?
ג. הסכם ומסמכים
- נחתם הסכם עיבוד מידע שמגדיר מטרות, אבטחה, תת-מעבדים, העברה לחו"ל והשמדה.
- ההסכם מחייב את הספק לשתף פעולה בבירור תלונה, בבקשת עיון ובביקורת חיצונית.
- קיים סעיף שיפוי לנזקים הנובעים מפגם במודל, והוגדרה אחריות לעדכוני גרסה.
- נערך תסקיר השפעה על הפרטיות לפני העלאת מידע אמיתי של מועמדים.
ד. פיילוט והטמעה
- הרצנו את הכלי במקביל לתהליך הקיים והשווינו תוצאות לפני שסמכנו עליו.
- בדקנו שיעורי מעבר לפי קבוצות (יחס ההשפעה השלילית) על נתוני הארגון עצמו.
- ניסחנו הודעה למועמדים שמסבירה שנעשה שימוש בכלי AI, לאיזו מטרה ואיך מבקשים בחינה אנושית.
- הדרכנו את המגייסים על מגבלות הכלי ועל הטיית אוטומציה, ונתנו להם סמכות מפורשת לסטות מהמלצתו.
- עדכנו את מדיניות הפרטיות ואת נוהל הגיוס, ויידענו את ועד העובדים כשקיים.
ה. ניטור שוטף
- מדגם של מועמדים שנפסלו נבדק ידנית בכל רבעון.
- שיעור הסטייה של מגייסים מהמלצות הכלי נמדד ומדווח.
- ביקורת הטיה חוזרת מתבצעת לפחות פעם בשנה ובכל עדכון מהותי של המודל.
- תלונות ובקשות עיון של מועמדים מתועדות ומטופלות בזמן קצוב.
- ההנהלה והדירקטוריון מקבלים דיווח תקופתי על השימוש בכלי ועל הסיכונים שזוהו.
חמש טעויות נפוצות בהטמעת בינה מלאכותית בגיוס
להניח שהספק אחראי. הסכם התקשרות עם ספק אינו מעביר את האחריות כלפי המועמד. לכל היותר הוא מסדיר שיפוי, וגם זה רק אם נוסח נכון.
לבדוק הטיה פעם אחת. מודלים משתנים, מאגרי מועמדים משתנים והגדרות משרה משתנות. בדיקה לפני ההטמעה היא נקודת התחלה, לא אישור קבוע. חוק 144 של ניו יורק מחייב בדיקה שנתית בדיוק מהסיבה הזו[11].
להזין למודל שפה כללי קורות חיים עם הנחיה חופשית. מגייס שמעלה קורות חיים לצ'אטבוט כללי ומבקש "לדרג את המתאימים ביותר" מפעיל, בפועל, כלי סינון שלא נבדק, ללא הסכם עיבוד מידע וללא תיעוד. זה אחד הסיכונים הנפוצים והפחות מנוהלים היום.
לאסוף יותר מהנדרש. כלים רבים מציעים "העשרת פרופיל" ממקורות חיצוניים. כל שדה נוסף הוא מידע אישי שצריך בסיס חוקי, ולעיתים משתנה פרוקסי שמגדיל את סיכון האפליה.
להשתמש בניתוח רגשות או הבעות פנים. מעבר לבסיס המדעי השנוי במחלוקת, באיחוד האירופי זיהוי רגשות במקום העבודה אסור כבר היום[1]. ארגון ישראלי עם פעילות אירופית צריך להוציא פיצ'רים כאלה מהשימוש.
מילון מונחים: בינה מלאכותית בגיוס
| English | עברית | הסבר |
|---|---|---|
| Algorithmic Bias | הטיה אלגוריתמית | תוצאות שיטתיות שמקפחות קבוצה מסוימת, בדרך כלל בגלל נתוני אימון לא מאוזנים. |
| Proxy Variable | משתנה פרוקסי | נתון עקיף שממנו המודל מסיק מאפיין מוגן, כמו יישוב מגורים או שנת סיום לימודים. |
| Disparate Impact | השפעה שלילית בלתי שוויונית | אפליה עקיפה: כלל ניטרלי למראה שפוגע באופן לא מידתי בקבוצה מוגנת. |
| Automation Bias | הטיית אוטומציה | נטייה של בני אדם לתת אמון יתר בהמלצת מערכת ממוחשבת. |
| Human in the Loop | אדם בלולאה | מעורבות אנושית בעלת סמכות אמיתית בתהליך שבו פועלת מערכת אוטומטית. |
| Deployer | מפעיל | במונחי ה-AI Act: הארגון שמשתמש במערכת AI בסמכותו, להבדיל מהספק שפיתח אותה. |
| Bias Audit | ביקורת הטיה | בדיקה סטטיסטית של תוצאות הכלי לפי קבוצות, לעיתים על ידי מבקר עצמאי. |
| PIA / DPIA | תסקיר השפעה על הפרטיות | הערכה מוקדמת של סיכוני הפרטיות בעיבוד מידע אישי והאמצעים להפחתתם. |
| AEDT | כלי החלטה אוטומטי בתעסוקה | המונח בחוק 144 של ניו יורק לכלי שמסייע מהותית או מחליף שיקול דעת בגיוס ובקידום. |
| AI Governance | ממשל בינה מלאכותית | המדיניות, בעלי התפקידים והבקרות שקובעים איך ארגון מאמץ ומפקח על AI. |
שאלות נפוצות על בינה מלאכותית בגיוס
האם מותר להשתמש בבינה מלאכותית בגיוס עובדים בישראל?
כן. אין בישראל איסור על שימוש בבינה מלאכותית בגיוס, אבל השימוש כפוף לדין הקיים: חוק שוויון ההזדמנויות בעבודה אוסר אפליה של דורשי עבודה, וחוק הגנת הפרטיות לאחר תיקון 13 חל על כל עיבוד של מידע אישי של מועמדים. המעסיק נושא באחריות לתוצאה גם כשהכלי שייך לספק חיצוני.
מי אחראי אם כלי AI לסינון קורות חיים מפלה מועמדים?
המעסיק. בית הדין לעבודה בוחן את החלטת ההעסקה ואת תוצאתה, ולא את הטכנולוגיה שבה נעשה שימוש. הסכם עם הספק יכול לכלול שיפוי, אבל אינו מעביר את האחריות כלפי המועמד. לכן חשוב לבדוק את הכלי לפני ההטמעה ולנטר את תוצאותיו לאורך זמן.
האם חייבים לספר למועמדים שנעשה שימוש ב-AI בתהליך הגיוס?
לפי טיוטת ההנחיה של הרשות להגנת הפרטיות, חובת היידוע מקבלת משנה תוקף במערכות בינה מלאכותית, וכוללת תיאור של אופן פעולת המערכת והסיכונים. באיחוד האירופי ובניו יורק קיימת חובה מפורשת ליידע מועמדים. גם בהיעדר חובה מפורשת, יידוע מפחית סיכון משפטי ומחזק אמון.
מה זה משתנה פרוקסי ולמה הוא מסוכן בגיוס?
משתנה פרוקסי הוא נתון עקיף שממנו מודל מסיק מאפיין מוגן. שנת סיום תואר מרמזת על גיל, יישוב מגורים על מוצא או מעמד, ופער בקורות החיים על הורות או מילואים. הסרת שם ומין מקורות החיים אינה מונעת אפליה אם המודל ממשיך להסתמך על משתנים כאלה.
האם ה-AI Act האירופי חל על חברות ישראליות?
הוא עשוי לחול. החוק חל גם על מפעילים מחוץ לאיחוד כאשר הפלט של המערכת משמש בתוך האיחוד, למשל בגיוס עובדים לחברת בת אירופית. מערכות גיוס מסווגות בו בסיכון גבוה, והחובות לגביהן יחולו מ-2 בדצמבר 2027, בעוד שהאיסור על זיהוי רגשות במקום העבודה כבר בתוקף.
מה נחשב בקרה אנושית אמיתית על כלי AI בגיוס?
בקרה אמיתית מתקיימת כשלמפקח יש כשירות, הכשרה, זמן וסמכות לבטל את המלצת המערכת. בפועל זה כולל בדיקה ידנית של מדגם מועמדים שנפסלו, מדידת שיעור הסטייה של מגייסים מהמלצות הכלי, ומסלול מוגדר שבו מועמד יכול לבקש בחינה אנושית. אישור אוטומטי של דירוג המכונה אינו בקרה.
האם צריך לערוך תסקיר השפעה על הפרטיות לפני הטמעת כלי גיוס מבוסס AI?
עמדת הרשות להגנת הפרטיות היא שתסקיר השפעה לפני שימוש במערכת AI שמעבדת מידע אישי הוא הדרך המומלצת להוכיח עמידה בחוק. בכלי גיוס, שמעבד מידע של מספר רב של מועמדים ומפיק עליהם הערכות, התסקיר הוא כלי ניהול סיכונים בסיסי, ומומלץ לערוך אותו לפני העלאת מידע אמיתי.
מה הקשר בין בינה מלאכותית בגיוס ל-ESG?
שימוש ב-AI בגיוס הוא סוגיית ממשל תאגידי: מנגנון שמקבל אלפי החלטות על אנשים צריך בעל תפקיד אחראי, מדיניות ופיקוח של ההנהלה. הוא נוגע גם לציר החברתי, משום שכלי מוטה עלול לפגוע ביעדי הגיוון שהארגון מדווח עליהם וליצור פער בין הדיווח למציאות.
הבהרה: המאמר נועד למידע כללי בלבד ואינו מהווה ייעוץ משפטי. הדין והנחיות הרגולטורים מתעדכנים, וטיוטת הנחיית הרשות להגנת הפרטיות עשויה להשתנות בנוסחה הסופי. לפני רכישה או הטמעה של כלי AI בגיוס מומלץ להתייעץ עם עורך דין המתמחה בדיני עבודה ובהגנת הפרטיות. עדכני לנובמבר 2026.
מקורות
- Regulation (EU) 2024/1689 – Artificial Intelligence Act (נספח III, סעיפים 2, 5, 26, 86) – EUR-Lex, 2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
- AI Act Service Desk – Article 26: Obligations of deployers of high-risk AI systems – European Commission, 2026. https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-26
- Regulation (EU) 2026/1744 – Digital Omnibus on AI (דחיית מועד נספח III ל-2.12.2027) – EUR-Lex, 2026. https://eur-lex.europa.eu/eli/reg/2026/1744/oj
- Regulation (EU) 2016/679 – GDPR (סעיף 22 ו-Recital 71) – EUR-Lex, 2016. https://eur-lex.europa.eu/eli/reg/2016/679/oj
- טיוטת הנחיית הרשות להגנת הפרטיות: תחולת הוראות חוק הגנת הפרטיות על מערכות בינה מלאכותית – הרשות להגנת הפרטיות, gov.il, 2025. https://www.gov.il/BlobFolder/rfp/ai_reg/he/ai_regu_draft.pdf
- מדריך מקצועי לתיקון 13 לחוק הגנת הפרטיות – הרשות להגנת הפרטיות, gov.il, 2025. https://www.gov.il/BlobFolder/reports/guide_tikon13_professional/he/tikun%2013%20_170825.pdf
- חוק שוויון ההזדמנויות בעבודה, התשמ"ח-1988, סעיף 2 – איסור הפליה בקבלה לעבודה – כל זכות, 2026. https://www.kolzchut.org.il/he/%D7%94%D7%A4%D7%9C%D7%99%D7%94_%D7%9E%D7%97%D7%9E%D7%AA_%D7%92%D7%99%D7%9C_%D7%91%D7%A7%D7%91%D7%9C%D7%94_%D7%9C%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A2%D7%A9%D7%95%D7%99%D7%94_%D7%9C%D7%96%D7%9B%D7%95%D7%AA_%D7%91%D7%A4%D7%99%D7%A6%D7%95%D7%99_%D7%9B%D7%A1%D7%A4%D7%99
- עקרונות מדיניות, רגולציה ואתיקה בתחום הבינה המלאכותית – משרד החדשנות, המדע והטכנולוגיה ומשרד המשפטים, gov.il, 2023. https://www.gov.il/he/pages/ai_23
- AI tools show biases in ranking job applicants’ names according to perceived race and gender – University of Washington News, 2024. https://www.washington.edu/news/2024/10/31/ai-bias-resume-screening-race-gender/
- Wilson, K. & Caliskan, A. – Gender, Race, and Intersectional Bias in Resume Screening via Language Model Retrieval, AIES 7(1) – AAAI/ACM, 2024. https://ojs.aaai.org/index.php/AIES/article/view/31748
- Automated Employment Decision Tools (AEDT) – Local Law 144 of 2021 – NYC Department of Consumer and Worker Protection, 2023. https://www.nyc.gov/site/dca/about/automated-employment-decision-tools.page
- Enforcement of Local Law 144 – Automated Employment Decision Tools (Audit) – Office of the New York State Comptroller, 2025. https://www.osc.ny.gov/state-agencies/audits/2025/12/02/enforcement-local-law-144-automated-employment-decision-tools
- AI Risk Management Framework (AI RMF 1.0) – NIST, 2023. https://www.nist.gov/itl/ai-risk-management-framework
- OECD AI Principles – OECD.AI, 2024. https://oecd.ai/en/ai-principles
- ISO/IEC 42001:2023 – Artificial intelligence management system – ISO, 2023. https://www.iso.org/standard/81230.html