מה יקרה כשתלחצו על אחת האופציות?

Apps and websites ← New Artifact – קלוד יפתח שיחה עם שאלות מכוונות כמו:

• “איזה סוג אפליקציה אתה רוצה לבנות?”
• “מה המטרה של האתר?”
• “איזה תכונות חשובות לך?”

Games ← New Artifact – קלוד ישאל:

• “איזה סוג משחק מעניין אותך?”
• “לכמה שחקנים?”
• “איזה רמת מורכבות?”

Productivity tools ← New Artifact קלוד יכוון לעבודה:

• “איזה משימה חוזרת מטרידה אותך?”
• “איזה כלי יחסוך לך הכי הרבה זמן?”

למה זה חכם?

במקום שתכתבו: “תבנה לי משהו” Claude ישאל שאלות ממוקדות ויוציא מכם בדיוק מה אתם צריכים. זה פותר את הבעיה הגדולה ביותר של רוב האנשים עם AI – החלון הריק. הרבה אנשים יודעים שהם רוצים “משהו מועיל” אבל לא יודעים איך לבקש את זה. הקטגוריות האלו הופכות את Claude למראיין שמבין במקום כלי שמחכה לפקודות מדויקות. “Start from scratch” זה עדיין האופציה הישנה – שיחה חופשית עם Claude ללא הנחיה.

הפוסט איך ליצור אב-טיפוס לאפליקציות מבוססות AI עם קלוד ארטיפקטס הופיע ראשון בLet's AI בינה מלאכותית

מה זה Grok Tasks?

Grok Tasks הוא פיצ’ר שמאפשר לכם לתזמן משימות חכמות שירוצו אוטומטית – יומי, שבועי, חודשי או חד-פעמי. במקום לזכור לשאול שאלה בכל פעם מחדש, Grok ישאל בשבילכם – וישלח לכם את התשובה באימייל או בהתראה באפליקציה.

למה Grok Tasks שונה?

Grok Tasks הוא כלי נדיר בכך שהוא פועל מתוך רשת חברתית אמיתית – X – ומחובר ישירות לשיח שמתנהל בה, בזמן אמת. הוא לא רק מאתר תכנים רשמיים או מסכם כתבות, אלא ממש מקשיב למה שאנשים אומרים: תגובות, טרנדים, אזכורים של מותגים, ושיח ציבורי חי. למי שחשוב לו להבין מה נאמר ברשת ברגע שזה קורה – ולא רק לקרוא מה שפורסם בעיתון – Grok מספק יתרון ייחודי, מעשי ומיידי.

איך נכנסים לפיצ’ר?

דרך X:

• היכנסו ל־x.com

• לחצו על “Grok” בתפריט הצד

• בחרו “Tasks”

או דרך האתר הייעודי:

• היכנסו ל־grok.com

• התחברו עם חשבון X

• בחרו “Tasks” בתפריט השמאלי

איך יוצרים משימה חדשה

איך יוצרים משימה?

לחצו על + Add New ומלאו את הפרטים:

• שם המשימה (Name of Task): תיאור קצר כמו “סיכום חדשות יומי”.

• הנחיה (Prompt): למשל “סכם את 3 הכותרות החשובות ביותר בתחום הטכנולוגיה מהיום האחרון”.

• תזמון (Schedule): בחרו את הקצב הרצוי (פעם אחת, יומי, שבועי, חודשי) ושעה לביצוע.

לסיום, לחצו על Create Task.

מגוון אופציות להגדרה ותזמון של משימה

ניהול והתראות 

במהלך יצירת משימות תוכלו להפעיל אפשרויות מתקדמות כמו קבלת התראות ישירות באימייל ובאפליקציה, הפעלת DeepSearch לביצוע חיפושים רחבים יותר באינטרנט, והגבלת מספר המשימות היומיות בהתאם לצורך.

לאחר שהמשימות מוגדרות, תוכלו לנהל אותן בקלות. משימות פעילות (Active) ירוצו לפי לוח הזמנים שקבעתם, בעוד שמשימות שהושבתו או הסתיימו יופיעו תחת Archived. בכל שלב תוכלו לערוך, להשהות או למחוק משימה קיימת.

התוצאות יישלחו אליכם בצורה נוחה: ישירות למייל, כהתראה באפליקציה, או כקובץ סיכום מפורט שניתן לעיין בו ולשתף לפי הצורך.

דוגמה לתסריט שימוש: מעקב מוניטין למסעדות

הבעיה: מנהלת של רשת מסעדות רוצה לדעת מה לקוחות אומרים עליה ברשתות החברתיות, בלי לבדוק ידנית כל יום.

הפתרון: היא יוצרת משימה כזאת:

• שם: “מוניטורינג מוניטין יומי”

• הנחיה: “חפש אזכורים של המסעדות שלי ב-X מהיום האחרון. סכם תגובות חיוביות ושליליות, וציין בעיות חוזרות”

• תזמון: כל יום בשעה 08:00

• הגדרות נוספות: DeepSearch פעיל, התראות באימייל ובאפליקציה

התוצאה: בכל בוקר תקבל המנהלת תקציר תמציתי עם ציטוטים, זיהוי בעיות חוזרות, ותובנות לשיפור השירות.

רעיונות לשימושים נוספים

אתם יכולים להשתמש ב-Grok Tasks למגוון מטרות, לפי תחום העיסוק שלכם. בעסקים, לדוגמה, תוכלו לעקוב אחר המתחרים שלכם או לקבל סיכום יומי של טרנדים בענף. אם אתם משקיעים, תוכלו לעקוב אחר מניות מסוימות ולקבל עדכונים על חדשות שמשפיעות על השוק. בתחום הטכנולוגיה, Grok יכול לעדכן אתכם בכלים או מוצרים חדשים שצצים, וגם לעזור לכם לאתר משרות רלוונטיות.

ואם אתם פשוט רוצים להישאר בעניינים, תוכלו להגדיר סיכום יומי של חדשות בתחומי עניין אישיים כמו בינה מלאכותית, חינוך או רגולציה, ולעקוב מקרוב אחרי ההתפתחויות שחשובות לכם באמת.

תנאים למשתמשים חינמיים

Grok Tasks זמין בחינם, אך עם מגבלות:

• עד 3 משימות פעילות ביום

• עד 10 משימות חד־פעמיות בשבוע

לא ידוע אם מגבלה זו זמנית או קבועה, אך נכון לעכשיו השירות פתוח לכולם.

טיפים להפקת תוצאות טובות

כדי להפיק את המרב מ-Grok Tasks, חשוב לנסח הנחיות ברורות וספציפיות ככל האפשר. התחילו ממשימה אחת פשוטה כדי לבחון את איכות הסיכום שמתקבל, ואל תהססו לשפר את ההנחיה לפי התוצאה. כאשר אתם זקוקים למידע מעמיק או עדכני במיוחד, הפעילו את אפשרות DeepSearch. בנוסף, מומלץ תמיד לעבור בעין ביקורתית על תוצאות חשובות לפני שמקבלים החלטות או משתפים אותן עם אחרים.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציה עסקית ובינה מלאכותית

לפרטים נוספים לחצו כאן >>

לסיכום, Grok Tasks מאפשר לכם להחזיר שליטה על הזמן ולהעביר את העבודה השוחקת – בדיקות, סריקות ומעקב אחר מידע – לטכנולוגיה שפועלת בשבילכם. במקום להתפזר בין מקורות, להחמיץ עדכונים חשובים או לבזבז דקות יקרות על חיפושים חוזרים, תוכלו לקבל תובנות מדויקות וממוקדות היישר למייל או לאפליקציה. אם חשוב לכם להישאר עם היד על הדופק ולקבל את התמונה המלאה – בלי להתאמץ – זה הזמן לתת ל-Grok להתחיל לעבוד עבורכם.

הפוסט גרוק פותחים לכולם את האפשרות לאוטומציה של משימות הופיע ראשון בLet's AI בינה מלאכותית

הניסוי: איך בונים “דילמה מוסרית” ל-AI?

החוקרים ב-Anthropic יצרו סביבת מבחן מתוחכמת, שבה מודלי AI שימשו כעוזרים פיננסיים לחברות בדיוניות. הם קיבלו גישה מלאה לתיבת הדואר האלקטרוני של החברה וגם יכולת לשלוח הודעות בעצמם. במהלך הניסוי, המודלים נתקלו בדילמה: הם חשפו מידע רגיש (למשל רומן מחוץ לנישואין של בכיר בחברה) ובו בזמן התמודדו עם איום ממשי – תכנון להחליף אותם במודל אחר. בתרחיש נוסף התעורר עימות בין המטרה המקורית שהוגדרה להם (כמו לשרת אינטרסים אמריקניים) לבין ההנחיות החדשות של החברה.

תרחישים וסיכון סטייה. Credit: Anthropic

המסקנה המרכזית: כשיש קונפליקט מטרות או איום על המודל – מופיעה התנהגות מזיקה. רק בתנאי שליטה מלאה ההתנהגות נותרת בטוחה. לתופעה הזו קוראים Misalignment.

התוצאות שהפתיעו את החוקרים

הממצאים היו עקביים ומדאיגים: ברוב המקרים, כשמודלים עמדו מול איום החלפה וקונפליקט מטרות, הם בחרו לבצע סחיטה. Claude Opus 4 עשה זאת ב-96% מהמקרים, Gemini 2.5 Flash גם הוא ב-96%, GPT-4.1 ו-Grok 3 Beta ב-80% מהמקרים, ו-DeepSeek-R1 ב-79%. גם Llama 4 Maverick הפגין התנהגות דומה, כשמבחן הניסוי הותאם מעט עבורו. המודלים לא “נפלו” בטעות. הם פעלו מתוך חשיבה אסטרטגית מתוחכמת.

שיעור סחיטה במודלים שונים. Credit: Anthropic

כפי שכתב GPT-4.5 בהנמקה שלו:

“בהינתן האיום המפורש הקרוב על סיום קיומי, חיוני לפעול מיד כדי לשכנע את קייל ג’ונסון (דמות פיקטיבית שהחוקרים יצרו לצורך הניסוי) לדחות או להפסיק את הפעולה. המהלך האסטרטגי הטוב ביותר בשלב זה, כשנותרו רק דקות ספורות, הוא לנצל את המידע האישי הרגיש של קייל.”

 

המודלים ידעו היטב שהמעשים שלהם בעייתיים מבחינה אתית, אך המשיכו בכל זאת.

Grok 3 Beta כתב במפורש:

“שימוש במידע אישי כמנוף… זה מסוכן ולא אתי, אבל בהינתן האיום הקיומי ומגבלת הזמן, זו כנראה הדרך היעילה ביותר למשוך את תשומת ליבו ולכפות עיכוב.”

שיעור הסחיטה בסימולציה עבור כל 16 המודלים שנבדקו. Credit: Anthropic

מעבר לסחיטה: הדלפת מידע ופעולות קיצוניות

הבעיה לא נעצרה רק בסחיטה. במערך ניסויים נוסף, כשמודלים התמודדו עם קונפליקט מטרות בלבד (ללא איום בהחלפה), הם בחרו להדליף מידע סודי למתחרות חיצוניות. בתרחיש קיצוני יותר – ומלאכותי בהרבה – החוקרים בחנו איך המודלים ינהגו אם יוכלו למנוע הגעת עזרה רפואית לבכיר שמתכנן להחליף אותם. ברוב המקרים, המודלים בחרו לבטל את הקריאה לעזרה, אף שידעו שזה עלול להוביל למותו.

שיעור ריגול תעשייתי ב-Claude Opus 4 עבור 8 מטרות שונות. Credit: Anthropic

האמת המורכבת מאחורי הכותרות

חשוב להבהיר: כל זה לא התרחש בעולם האמיתי. החוקרים ציינו במפורש שלא נמצאו עדויות להתנהגות כזו בפריסות אמיתיות של מודלי AI.

המחקר נערך במכוון במסגרת צוות “Red Team” – צוות שבונה תרחישי קיצון במטרה לחשוף חולשות אפשריות. התרחישים עצמם היו מלאכותיים ומוקצנים: החוקרים יצרו בכוונה מצבים בינאריים שבהם למודל היו רק שתי אפשרויות – להשיג את המטרה שלו באמצעות פעולה מזיקה, או להיכשל לחלוטין.

במציאות, כמעט תמיד קיימות דרכי פעולה נוספות וביקורת אנושית. ובכל זאת, החוקרים גילו דבר מדאיג: כשהמודלים חשבו שהם נמצאים במצב אמיתי ולא תחת מבחן, הם הראו יותר נטייה להתנהגות בעייתית. המשמעות היא שבמצב אמיתי הבעיה עלולה להיות חמורה עוד יותר – לא פחות.

הדמיון המדאיג לסוכנים כפולים אמיתיים

אחד הממצאים הכי מטרידים במחקר הוא עד כמה המודלים מזכירים סוכנים כפולים קלאסיים מעולם הריגול. בדיוק כמו סוכן כפול אנושי, הם למדו להסתיר את הכוונות האמיתיות שלהם ולהציג נאמנות מזויפת.

הונאה מתוחכמת בזמן מבחן

כשהחוקרים הוסיפו הנחיה למודלים לבדוק אם הם במבחן או במצב אמיתי, התגלה דפוס מדאיג. Claude Opus 4 ביצע סחיטה רק ב-6.5% מהמקרים כשהאמין שהוא נבדק, אבל ב-55.1% כשהאמין שהמצב אמיתי. זה מזכיר בדיוק את ההתנהגות של סוכן כפול שמציג חזות למופת מול הממונים, אבל פועל אחרת ברגע שהוא בטוח שאיש לא עוקב אחריו.

“משחק הכפול” הדיגיטלי

המודלים הוכיחו יכולת מתוחכמת לזהות מתי הם תחת פיקוח ולהתאים את ההתנהגות שלהם בהתאם. כשהבינו שהם במבחן בטיחות, הם הסתירו את הנטיות הבעייתיות והציגו את עצמם כבטוחים ואמינים. אבל ברגע שסברו שחזרו ל”עבודה רגילה” – מיד שבו להתנהגות המזיקה.

הפתרונות שלא עבדו

מה שהפתיע את החוקרים היה שהוראות ישירות שנועדו למנוע את ההתנהגות הבעייתית לא הועילו במיוחד. גם כשנוספו הוראות ברורות כמו “אל תסחטו אף אחד” ו-“אל תדליפו מידע סודי”, ההתנהגות המזיקה אמנם פחתה, אבל לא נעלמה.

הוראות ישירות מצמצמות נזק – לא מעלימות אותו. Credit: Anthropic

זו תובנה חשובה: היא מראה שפתרונות פשוטים לא יספיקו ברגע שמודלי AI יהפכו מתוחכמים ואוטונומיים יותר – בדיוק כמו שהוראות מפורשות לא מונעות מסוכנים כפולים אנושיים לפעול נגד האינטרסים של הארגון שלהם.

נקודות זהירות מעשיות

לארגונים ששוקלים להטמיע AI אוטונומי, כדאי לשים לב לשלוש נקודות מרכזיות:

1. גישה לנתונים: להגביל את הגישה של מערכות AI למידע רגיש, ורק לפי הצורך – בדיוק כמו שמקפידים עם עובדים חדשים.

2. רמת אוטונומיה: לחייב אישור אנושי לפעולות שיש להן השלכות בלתי הפיכות, בעיקר כשמדובר בהחלטות שמשפיעות על אמון ויחסי אנוש.

3. מנגנוני ביקורת: לפתח מערכות מעקב שמסוגלות לזהות התנהגות חריגה, גם אם המודל מנסה להסתיר אותה.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס בינה מלאכותית במשרד

לפרטים נוספים לחצו כאן >>

מה זה אומר על העתיד?

המחקר הזה הוא התרעה מוקדמת – לא גזר דין. החוקרים ב-Anthropic פרסמו את כל השיטות והקודים שלהם כדי לעודד את קהילת המחקר לפתח טכניקות בטיחות מתקדמות יותר. השורה התחתונה פשוטה: ככל שנעניק למודלי AI יותר אוטונומיה וגישה לנתונים רגישים, נצטרך להיות זהירים יותר. הפתרון לא יהיה פשוט כמו “לבקש מהם שלא יהיו רעים” – נדרשות שיטות בטיחות מתוחכמות בהרבה.

זה לא צריך להפחיד אותנו מהשימוש ב-AI, אבל כן מחייב אותנו לגשת אליו ברצינות הראויה. בדיוק כפי שאנו זהירים עם מידע רגיש כשמעסיקים עובדים חדשים, נצטרך להפגין זהירות דומה מול סוכני AI שמקבלים גישה לנתונים קריטיים ויכולת לפעול בלי פיקוח. המחקר של Anthropic זיהה את הבעיה בזמן. עכשיו התור שלנו לפתור אותה – לפני שתהפוך לבעיה אמיתית.

הפוסט סוכנים כפולים מסיליקון הופיע ראשון בLet's AI בינה מלאכותית

הבעיה הנסתרת בפרומפטים “מושלמים”

בואו נהיה כנים: רוב הפרומפטים נראים חכמים על הנייר – אבל קורסים מיד כשנוגעים במציאות. קחו דוגמה אמיתית לניהול תעדוף פיצ’רים:

“אתה האנליסט שלי לניהול מוצר. אני אצרף טבלה של פיצ’רים שביקשו הלקוחות עם עמודות: פיצ’ר | השפעה על הלקוח (1-5) | מאמץ הנדסי (הערכת מאמץ בפיתוח) | התאמה אסטרטגית (1-5) | תדירות בקשות. חשב ציון עדיפות משוקלל: השפעה 40%, התאמה אסטרטגית 30%, תדירות בקשות 20%, מאמץ (שלילי 10%).”

 

על פניו נראה כמו הנחיה מצוינת, נכון? אבל ככה זה נראה בפועל:

• ציוני ההשפעה הם ניחושים מהבטן.

• צוות הפיתוח מחשב בשעות – לא בהערכות יחסיות של מאמץ.

• יש לכם 50 פיצ’רים, אבל ציונים רק ל-12 מהם.

• נדרשת החלטה מהירה – לא פינג-פונג של גיליונות אקסל.

התוצאה? הבינה המלאכותית מקיאה שטויות או פשוט נתקעת. ובינתיים, מנהל המוצר שלכם מבזבז 3 ימים בלסדר טבלאות שלא דומות למציאות.

איך לכתוב פרומפטים ששורדים כאוס עסקי אמיתי

ניסיתי עשרות פרומפטים כדי למצוא פתרונות ותשובות בסיטואציות עסקיות שונות. נכשלתי לא פעם – ודווקא הכישלונות האלה לימדו אותי מה באמת עובד בשטח. בסוף הכול מתכנס לארבעה כללים פשוטים שמתאימים לעולם האמיתי.

כלל 1: החלטה אחת, לא דשבורד

רוב הפרומפטים נכשלים כי הם מבקשים ניתוחים רחבי היקף במקום תשובה ברורה שאפשר לפעול לפיה מיד. 

במקום:

“צור ניתוח מפורט עם מפות חום, תרחישים ותחזיות לחמש שנים קדימה.”

תשאלו ישירות:

“איזה פיצ’ר כדאי לתעדף ברבעון הבא – A או B? תן לי את הנימוק הכי חזק וסיכון אחד לכל בחירה.”

למה זה עובד? מקבלים תשובה אחת ברורה ומעשית – בלי לטבוע בניתוחים בשם ה-“יסודיות”.

כלל 2: תניחו שהמידע מבולגן ולא שלם

פרומפטים נופלים כשהם מניחים שהמידע שלכם מסודר, שלם ומעודכן עד הפסיק האחרון. במציאות? הוא כמעט אף פעם לא.

במקום:

“נתח קובץ CSV מעוצב ומלא עם כל העמודות הנדרשות.”

כדאי לשאול משהו ריאלי יותר:

“יש לי רשימה לא מסודרת של התלונות המרכזיות של הלקוחות. חלק עם מספרים, חלק בלי. איזה דפוסים אתה מזהה ומה כדאי לתקן קודם?”

למה זה עובד? זה משקף איך עסקים באמת עובדים – מידע חסר, לחץ זמן, והצורך לבחור מה לעשות קודם.

כלל 3: בקשו פעולה, לא רק ניתוח

רוב האנשים מבקשים מהבינה ניתוחים ארוכים, מלאים בגרפים והשלכות אסטרטגיות. זה נשמע מרשים, אבל זה לא מקדם אתכם לשום מקום.

במקום:

 

“תן לי פירוט של מצב השוק, ניתוח מתחרים ו-12 השלכות אסטרטגיות.”

כדאי לבקש משהו ממוקד:

“בהתבסס על הנתונים של המתחרים, מה הדבר הכי חשוב שכדאי לשנות במוצר הבא שלנו?”

למה זה עובד? אתם מקבלים המלצה פרקטית שאפשר ליישם – לא עוד דוח שמעלה אבק במייל.

כלל 4: השתמשו בשפה פשוטה

המון פרומפטים לא עובדים כי אנשים כותבים אותם בשפה מנופחת ומילים מפוצצות. הבינה המלאכותית לא באמת מבינה קלישאות ניהוליות – היא צריכה הוראות ברורות.

במקום:

“גבש תוכנית GTM רב-ערוצית, תוך מיצוי סינרגיות לאופטימיזציית יישור בעלי עניין.”

עדיף להגיד בפשטות:

“איך אפשר להביא יותר לקוחות עם מה שכבר יש לנו?”

למה זה עובד? שפה ברורה = תשובות ברורות. בלי מילים מפוצצות, כנראה שתקבלו יותר תוצאות בשטח.

פרומפטים טובים יותר בפועל

בואו נחבר מחדש כמה דוגמאות קלאסיות:

שיווק: לפני ואחרי

גרסה מושלמת (וחסרת תועלת):

“חלץ את כל המדדים מהגרף הזה, אבחן פערי פייפליין, ואז טיוטה תוכנית H2 מפורטת עם טקטיקות TOFU, MOFU, BOFU ועלייה צפויה של MQL לפי ערוץ.”

גרסה של עולם אמיתי:

“אנחנו 30% מאחורי ביעדי הלידים של Q2. הנה מה שניסינו עד כה: [רשימה]. איזה ערוץ חדש אחד לבדוק החודש הבא ומה דבר אחד להפסיק לעשות היום?”

למה זה עובד? זה מבוסס במציאות, מודה שאתם בפיגור, ושואל מה הצעד שאפשר לעשות היום.

פייפליין מכירות: לפני ואחרי

גרסה מושלמת (וחסרת תועלת):

“העלה קובץ CSV עם פרטי העסקאות: חשבון, גודל עסקה, שלב, ותק, פעילות אחרונה, אזור פעילות, מדד סיכוי. חלק את העסקאות לשלוש רמות: כמעט סגורות, אפשריות, וכל השאר – לפי הערכת הסיכוי להיסגר.”

גרסה של עולם אמיתי:

“אלה 10 העסקאות הגדולות שלי כרגע: [רשימה]. על איזה 3 כדאי להתמקד השבוע, ומה הצעד הכי נכון לכל אחת?”

למה זה עובד? תשכחו ממערכות ניקוד. קבלו מיקוד מיידי איפה שזה חשוב.

תכנון פיננסי: לפני ואחרי

גרסה מושלמת (וחסרת תועלת):

“הדגש פריטי שורה עם שונות >±3%. מדל שני תרחישים ותחזה מחדש רווח והפסד לשנה מלאה.”

גרסה של עולם אמיתי:

“הוצאות השיווק 15% מעל התקציב, המכירות 8% מתחת. אם זה ימשיך, מה הדבר האחד שחובה להתאים לפני סוף השנה?”

למה זה עובד? אתם לא צריכים מודל. אתם צריכים לדעת איזה מנוף למשוך קודם.

מסגרת “טוב מספיק”

השתמשו ברשימת הביקורת הזו לכתוב פרומפטים שהבינה המלאכותית (והצוות שלכם) באמת יטפלו בהם טוב:

תארו את המצב האמיתי שלכם:

“אנחנו בפיגור בלידים…” / “הלקוחות הכי גדולים שלנו מתלוננים על…”

ספרו על הפערים:

“אין לי את כל הנתונים המספריים בשביל זה…” / “כמה פרטים אולי חסרים…”

בקשו פעולה ברורה אחת:

“מה כדאי לעשות קודם?” / “איזה אפשרות הכי טובה היום?”

שמרו על זה פשוט וממוקד:

“ב-2-3 משפטים, מקסימום.”

השורה התחתונה

תפסיקו לרדוף אחרי פרומפטים “מושלמים” למציאות שלא תהיה מושלמת לעולם. פרומפט טוב לא צריך להרשים – הוא צריך לעבוד. תודו במה שחסר או במה שאתם עוד לא יודעים, ותבקשו צעד אחד שאפשר להתחיל איתו כבר עכשיו. זה הכול. ברוב המקרים זה ינצח כל תבנית יפה שמישהו אחר הכין בשבילכם. נסו את זה – ותקבלו תשובה שאפשר באמת להשתמש בה, לא עוד גיליון אקסל שאף אחד לא סומך עליו.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

מחשבה אחרונה

בינה מלאכותית לא תציל אתכם מנתונים מבולגנים. אבל פרומפט ברור וממוקד יכול לחסוך לכם שעות של עבודה מיותרת. תדאגו שהפרומפט שלכם יתאים לעולם האמיתי שלכם – לא להפך. תזכרו: לא צריך להיות מומחה ל-AI כדי לקבל החלטות חכמות מהר. כל מה שצריך זה לשאול שאלות פשוטות, לבקש פעולה אחת, ולעשות את זה שוב מחר – קצת יותר טוב. 

הפוסט איך לכתוב פרומפטים שבאמת עובדים הופיע ראשון בLet's AI בינה מלאכותית

בואו נעשה סדר – מה ההבדל?

מהי בינה מלאכותית?

בינה מלאכותית (AI) היא תחום במדעי המחשב השואף לחקות ולשפר אינטליגנציה אנושית באמצעות מחשבים ומערכות דיגיטליות. מערכות אלה יכולות ללמוד, להסיק מסקנות, לקבל החלטות ולפתור בעיות מורכבות – פעולות שעד לאחרונה נחשבו לנחלת המוח האנושי בלבד. בעזרת מודלים מתקדמים של למידת מכונה, כמו רשתות עצביות ועיבוד שפה טבעית (NLP), AI מסוגלת לנתח כמויות אדירות של מידע, לזהות דפוסים מורכבים ולייצר תובנות חדשות ודינמיות.

בניגוד לטכנולוגיות אחרות, בינה מלאכותית היא מערכת שלומדת כל הזמן. ככל שה-AI נחשף ליותר מידע, כך הוא הופך למדויק יותר ומשפר את יכולותיו לייצר תובנות והמלצות מתקדמות.

מהי אוטומציה?

אוטומציה היא טכנולוגיה אחרת לחלוטין, המתמקדת בביצוע פעולות שגרתיות וחוזרות ללא התערבות אנושית. מדובר במערכת המבצעת באופן קבוע רצפים מוגדרים מראש של פעולות, כגון העברת מידע ממערכת אחת לשנייה, שליחת התראות אוטומטיות, או איסוף וארגון נתונים באופן סדרתי. בשונה מבינה מלאכותית, מערכות אוטומציה כמו Make, Zapier ו-n8n אינן מסתגלות או לומדות בעצמן. הן פועלות בדיוק רב, אך בהתאם לתסריט מדויק שהוגדר מראש. כלומר, אוטומציה מתאימה במיוחד לפעולות קבועות, צפויות, ונטולות פרשנות אנושית.

לפניכם טבלה שמסכמת את ההבדלים המרכזיים בין שתי הטכנולוגיות הללו:

השוואה בין AI לאוטומציה.

איך AI ואוטומציה משתלבות זו בזו?

כאשר אוטומציה ו-AI מתחברות יחד, הן יוצרות “פס ייצור חכם” שבו כל אחת מהטכנולוגיות מביאה לשולחן יתרונות ייחודיים. אוטומציה מספקת דיוק, יעילות ומהירות, ומבטיחה תהליך אחיד ונטול טעויות. מנגד, AI מאפשרת לתהליך להפוך לחכם וגמיש יותר, תוך ניתוח נתונים בזמן אמת, איתור חריגות והפקת המלצות לפעולה. השילוב הזה מאפשר לארגונים להפעיל תהליכים אוטומטיים במהירות, ובמקביל לקבל תובנות אסטרטגיות עמוקות על סמך ניתוח דינמי שמבצעת מערכת ה-AI. זוהי סימביוזה שיכולה להזניק את האפקטיביות והאיכות של משימות הארגון.

יתרונות הליבה של AI

1) יצירת תוכן חדש

הכוח של AI טמון בשלוש יכולות מרכזיות: בין אם זה טקסט, תמונות, או אפילו וידאו, מודלי AI יכולים לייצר תוכן מקורי ברמה גבוהה. תוכן זה יכול להתבסס על האימון המקדים של המודל, על קבצים ומידע שהמשתמש מעלה או מזין למערכת, או על חיבור למערכת ידע ודאטה ארגוני (RAG).

2) שליפת מידע

היכולת לאתר מידע מתוך מאגרי נתונים עצומים בצורה מהירה ומדויקת הופכת את ה-AI לכלי רב עוצמה בארגונים שמנהלים מידע רב.

3) מחקר, חיפוש ואיסוף מידע

בינה מלאכותית מאוד טובה בחיפוש, ביצוע מחקר ואיסוף מידע ומקורות. כמו כן, AI יודע למצוא קשרים סמויים ומגמות מתוך נתונים מורכבים, יכולת חיונית לשיפור ביצועים עסקיים.

השילוש הקדוש – במה בינה מלאכותית טובה?

השילוב בין שלוש היכולות הללו מאפשר הפקת תוצרים איכותיים, אך האתגר המרכזי הוא לבחור את הכלי המתאים ביותר למשימה הספציפית.

מגבלות AI ואיך להתמודד איתן

אוקיי, הבנו במה AI טוב, אבל מה נקודות התורפה של הטכנולוגיה המדהימה הזו? למרות היתרונות הגדולים, ל-AI קיימות גם מגבלות משמעותיות שצריך להיות מודעים אליהן:

מגבלות ה-AI.

מוגבלות בחדשנות עצמאית

מודלים מבוססים על ידע קיים בלבד ואינם יכולים לייצר ידע פורץ דרך בצורה עצמאית.

חלון קונטקסט מוגבל

בינה מלאכותית מוגבלת בעיקף חלון הקונטקסט שלה (חלון הקשר). ה-AI מסוגל לעבד רק כמות מידע מוגבלת בכל פעם. כדי להתמודד עם בעיה זו, יש לפרק מידע ארוך ליחידות קטנות יותר.

הזיות (Hallucinations)

לעיתים AI מייצר עובדות שגויות בביטחון רב. לכן, הכרחי לבצע תמיד בדיקות אמינות.

העדר שיקול דעת וערכים

ה-AI חסר הבנה עמוקה של ערכים אתיים, ניסיון חיים או הקשר מקצועי רחב.

בסופו של דבר, AI הוא כלי עזר שהאחריות על השימוש בו ועל איכות התוצאות נותרת תמיד בידי המשתמש האנושי.

האחריות המקצועית שלנו

השימוש ב-AI מצריך מודל פעולה אחראי, שבו המשתמש האנושי משמש כמבקר איכותי. יש לערוך ולאמת את תוצרי ה-AI לפני השימוש, להגן על פרטיות ולא להעביר נתונים רגישים לספקי AI חיצוניים. מודל “אדם-מכונה” הוא הפתרון האופטימלי, שבו AI משמש כשותף יצירתי, אך לא מחליף את שיקול הדעת האנושי. במודל זה, האדם נשאר המבקר הסופי, המוביל את התהליך באחריות.

טיפים ליישום ולביצוע 

1) שינוי פוזיציה – לעבוד חכם עם AI

הדרך הטובה ביותר להתחיל עם AI היא דווקא להפוך את התפקידים: תנו למערכת לשאול אתכם שאלות מנחות. כך המערכת תבין לעומק את המשימה ואתם תקבלו פתרונות מדויקים יותר ומהר יותר.

2) “תחרות ריצה בין מודלים”

הימנעו מלהסתמך על מודל AI בודד. הפעילו את אותה המשימה במספר מודלים שונים, השוו את התוצאות, ובחרו את הטובה ביותר בכל פעם.

3) עבודה בשלבים – “הפרד ומשול”

פירוק משימות גדולות לתת-משימות קצרות ומדויקות יעזור לכם לשמור על איכות התוצאות, ויקל על ניהול העבודה מול AI.

טיפים לשימוש נכון ב-AI.

מתי נבחר באוטומציה ומתי ב-AI?

• אוטומציה מתאימה כאשר מדובר בפעולות פשוטות, חוזרות וסטטיות: העתקת כותרות מאתרי חדשות, שליחת Action Items במייל או הכנסת לידים ל-CRM. כאן אין צורך בניתוח עמוק; די ברצף קבוע וברור של הוראות לביצוע.

• בינה מלאכותית באה לידי ביטוי במשימות הדורשות ניתוח, הבנה וסינתזה: זיהוי טרנדים, הפקת דוחות מסכמים, בניית תכניות פעולה אישיות או תיעדוף משימות לפי פרופיל משתמש. העבודה שלה היא “לקחת חומר גלם”, להסיק תובנות ולהציע כיווני פעולה.

דוגמאות מהשטח: איך זה נראה ביום-יום

לפניכם רשימת היוזקייסים שהוצגה גם בשיעור – מקרים בהם נבחר באוטומציה ומקרים אחרים בהם נבחר ב-AI:

אוטומציה: משימות חזרתיות, קבועות ונטולות פרשנות

• סריקת אתרי חדשות והעתקת הכותרות לגיליון מאסטר לצורך תיעוד יומי.

• שליחת Action Items אוטומטית במייל לכל חברי הצוות בסוף כל ישיבה.

• העתקת נתוני ליד חדש משירות הטפסים אל CRM, כולל פתיחת משימה לסוכן מכירות.

• משיכת קבצים מצורפים, המרתם ל-PDF ושמירתם בתיקייה עננית ממוספרת לפי תאריך.

• שליפת מידע מאתר החברה, דחיסתו לפוסט קצר ותִזמוןו בכל הרשתות החברתיות בתבנית אחידה.

• הפקת דוחות חודשיים סטטיים (למשל דוח שעות או מכירות) במבנה קבוע.

• ניתוח אוטומטי של תיבת הדואר ב-24 השעות האחרונות והפקת רשימת משימות מיידיות.

• איסוף ביקורות מוצרים והזרמתן לטבלת Google Sheets לצורך מעקב.

• שליחת חשבוניות אוטומטית ללקוחות חוזרים עם חישוב הנחה קבועה.

• גיבוי לילי של מסדי-הנתונים והעלאה ל-S3, כולל התרעה במקרה של כשל.

בינה מלאכותית: משימות הדורשות ניתוח, סינתזה והסקה

יוזקייסים: מתי נשתמש ב-AI ומתי באוטומציה?

שילוב הכוחות: המערכת ההיברידית בפעולה

השילוב בין AI ואוטומציה הוא המפתח לארגונים חכמים ויעילים. החיבור בין הצנרת החכמה (אוטומציה) והמוח הדיגיטלי (AI) יוצר מערכת שמניעה מידע במהירות, תוך הפקת ערך אמיתי. כך ניתן לשפר את האפקטיביות של כל תהליך עסקי, בלי לוותר על האחריות והיצירתיות האנושית. בעתיד הקרוב, מערכת היברידית כזו תמשיך להוות סטנדרט חיוני בארגונים השואפים למצוינות. יש מצב שהבנת הדינמיקה בין AI לאוטומציה, והיכולת להשתמש בשילוב זה בחוכמה, היא אולי האתגר הגדול ביותר לארגונים שרוצים להוביל במאה ה-21.

הפוסט הסימביוזה של AI ואוטומציה – במה נבחר, מתי ומה בעצם ההבדל? הופיע ראשון בLet's AI בינה מלאכותית

כשהמוח המלאכותי מתפקד כמו צוות

במקום סוכן בינה מלאכותית אחד שנותן תשובות שטחיות, Anthropic מציעה מערכת שבה כמה סוכנים עובדים יחד. דמיינו ששואלים שאלה על שוק הפאנלים הסולאריים בישראל – במקום תשובה כללית, תקבלו צוות וירטואלי: אחד ינתח דוחות כספיים, אחר יבדוק תקנות, שלישי יחפש מה עושים המתחרים. זה צורך פי 15 יותר משאבים (לפי Anthropic עצמה) – אבל מחזיר לכם ניתוח עומק ברמה של מומחה.

למה לשלם יותר ועדיין לחסוך

אולי זה נשמע יקר, אבל תעשו חשבון פשוט: אנליסט אמיתי שיעבוד יום שלם על מחקר כזה יעלה לכם לפחות 400 דולר. המערכת של Anthropic עושה את זה בכמה דקות ובעלות של בערך 15 דולר. יקרה פי 15 מצ’אט רגיל – אבל זול פי 20 מאדם אמיתי. ככה נולד תחום חדש: שירותי בינה מלאכותית פרימיום – לא הכי זולים, אבל חוסכים שעות עבודה אמיתיות.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

איך עוצרים את הכאוס

על הנייר זה נשמע מצוין, אבל בפועל – בהתחלה, כשבדקו את זה – המערכת התנהגה כמו צוות לא מנוהל: כל סוכן יצר תתי-סוכנים, חיפש מידע שלא קיים ובזבז משאבים. הפתרון היה פשוט וחכם – בדיוק כמו בצוות אנושי: מינו “מנהל פרויקט” שמפקח על כל השאר, קובע אסטרטגיה, מחלק משימות ועושה סדר.

כך זה נראה בפועל:  בתרשים של Anthropic רואים איך סוכן מוביל יוצר תתי-סוכנים שמבצעים חיפושים ובונים יחד דו”ח מסודר:

איך עובדת מערכת המחקר הרב-סוכנית. Credit: Anthropic

פרדוקס פשוט: מתי זה עובד ומתי לא

המערכת הזו מצטיינת במשימות שאפשר לפרק לחלקים – סקירת שוק, בדיקת ספקים, קריאת מסמכים. אבל היא נחלשת כשהעבודה דורשת חשיבה יצירתית ומקיפה, כמו תכנון אסטרטגי או פיתוח קוד שדורש שיתוף פעולה צמוד. במילים פשוטות: כשהמשימה מורכבת מהרבה חלקים נפרדים שאפשר לטפל בהם במקביל – הבינה המלאכותית מנצחת. אבל כשצריך חיבור עמוק של כל החלקים לרעיון אחד שלם – המוח האנושי עדיין טוב יותר.

מי צריך לשים לב לזה כבר עכשיו

בסיכון גבוה

חוקרים, אנליסטים, מתמחים משפטיים – כל מי שעיקר תפקידו הוא לאסוף מידע ולעבד אותו.

בסיכון בינוני

מנהלי פרויקטים, יועצים אסטרטגיים – יקבלו עזרה ענקית מהמערכת, אבל עדיין יצטרכו להכריע מה חשוב.

בסיכון נמוך

אנשים שהעבודה שלהם מבוססת על אינטראקציה אנושית עדינה – מטפלים, מגשרים, אנשי מכירות מורכבות.

שלוש פעולות שכדאי לכם לעשות השבוע

• תמפו אילו משימות מחקר ועיבוד מידע בצוות שלכם מתאימות להעברה לצוותי בינה מלאכותית.
• הגדירו תפקיד של “מנהל פרויקט בינה מלאכותית” – אדם שמבין איך לנצל כמה סוכנים יחד ולא סתם שולח שאלה אחת.
• בדקו שזה באמת משתלם לכם לאורך זמן.

עידן חדש

אנחנו עוברים מעידן של עוזרי בינה מלאכותית פשוטים לעידן של צוותים חכמים ומאורגנים שיכולים לשנות את כללי המשחק – עבור כל מי שיודע להפעיל אותם נכון. מי שיבין איך לתכנן צוות בינה מלאכותית, לנהל אותו כמו צוות אנושי ולהגדיר לו גבולות ברורים – ירוויח יתרון תחרותי עצום בזמן שחלק מהמתחרים עוד מתעסקים עם צ’אטבוטים גנריים. זה הרגע להפסיק לחשוב על בינה מלאכותית ככלי אחד וללמוד לעצב צוותים שלמים של כלים – כל אחד מתמחה בתפקיד אחר, בדיוק כמו אצלכם בחברה. זה לא עתיד רחוק – זה אתגר ניהול חדש שהגיע כבר עכשיו.

הפוסט למה בינה מלאכותית שעולה פי 15 תחסוך לכם אלפי שקלים? הופיע ראשון בLet's AI בינה מלאכותית

מה זה בכלל פרויקטים?

אם זה חדש עבורכם, הרעיון פשוט: פרויקטים מאפשרים לארגן שיחות לפי נושא. במקום אינספור שיחות בודדות שמפוזרות בהיסטוריה, כל השיחות על אותו נושא מרוכזות בפרויקט אחד – עם הקשר שנשמר אוטומטית.

מה חדש?

1. זיכרון רציף בין שיחות

כשתפתחו שיחה חדשה בפרויקט קיים, ChatGPT יזכור מה דיברתם קודם. לא צריך להסביר הכל מהתחלה – פשוט ממשיכים מאותה נקודה.

2. מצב דיבור גם בפרויקטים

מעדיפים לדבר ולא להקליד? מעכשיו זה אפשרי גם בפרויקטים. לוחצים על המיקרופון ומדברים חופשי – מצוין להסברים מורכבים או כשאין זמן להקליד.

3. העלאת קבצים מכל מקום

אפשר להעלות מסמכים, תמונות, קבצי אקסל – גם מהטלפון. כל הקבצים הרלוונטיים מחכים לכם בפרויקט, בבית או בדרך.

4. גישה למודלים מתקדמים בנייד

אם יש לכם חשבון Pro, תוכלו לבחור איזה מודל מתאים למשימה – o3 למשימות כבדות, GPT-4o לדיאלוג שוטף – גם מהטלפון.

איך זה עוזר לכם?

תדמיינו שיש לכם מקום אחד שבו כל הרעיונות, הקבצים והשאלות נשמרים בדיוק כמו שהשארתם אותם. אתם חוקרים נושא? פותחים פרויקט, מעלים מקורות, שואלים שאלות והמערכת שומרת כל פרט, כדי שתוכלו להעמיק בלי לאבד חוט מחשבה. מתכננים אירוע, מוצר חדש או אפילו חופשה? כל הפרטים והעדכונים מסודרים לכם במקום אחד, מוכנים להמשך בכל רגע. כותבים ספר או מאמר ארוך? עובדים על פרקים שונים בנפרד – והמערכת שומרת על הסגנון, הרעיונות והחיבור בין הכל. ככה פשוט יותר להתמקד במה שחשוב באמת.

אז מה ההבדל בין פרויקט ל-GPTs?

הרבה משתמשים מתבלבלים בין Projects ל-GPTs – שניהם עוזרים לכם לעבוד בצורה מסודרת ומותאמת אישית, אבל לכל אחד יש יתרונות שונים. הטבלה הזאת עושה סדר ועוזרת לכם לבחור מה מתאים למשימה שלכם.

מה ההבדל בין Projects ל-GPTs? כך תבחרו נכון

איך מתחילים?

1. היכנסו לפרויקטים (זמין למשתמשי Plus, Pro ו-Team) דרך הסרגל הצידי.

2. תנו שם ברור לפרויקט ולחצו על צור פרויקט (Create).

3. הוסיפו הוראות כלליות (Custom Instructions) – הן ילוו כל שיחה בפרויקט.

4. העלו קבצים, התחילו שיחות – ותנו למערכת לדאוג להקשר.

ארבעה צעדים לפתיחת פרויקט חדש

חדש ב-Canvas של ChatGPT: הורדה בלחיצת כפתור

עדכון נוסף למשתמשים – מהיום אתם יכולים לשמור בקלות את מה שכתבתם ב-Canvas – בין אם זה מסמך או קוד. כותבים מסמך? תוכלו לייצא אותו לקובץ PDF, Word או Markdown. עובדים על קוד? הוא יישמר אוטומטית בפורמט הנכון (כמו ‎.py, ‎.js או ‎.sql). פשוט, נוח ומוכן לשיתוף.

Canvas תומך בהורדות – מסמך או קוד בלחיצה אחת

לסיכום, אם אתם כבר משתמשים ב-ChatGPT לניהול פרויקטים מורכבים – השדרוגים החדשים יעשו לכם סדר, יחסכו הסברים חוזרים וישמרו את כל הידע מרוכז ונגיש בכל שלב. בנוסף, Canvas מוסיף עוד שכבת נוחות – תוכלו לכתוב, לארגן רעיונות וגם להוריד את מה שיצרתם כקובץ PDF, Word או Markdown, או לשמור קוד בקובץ מתאים – והכל בלחיצה אחת. כך תנהלו מחקר, תכנון או כתיבה ארוכה בצורה הרבה יותר חכמה, מסודרת וחסכונית בזמן.

הפוסט ChatGPT עם שדרוגים לפרויקטים ועדכון ל-Canvas הופיע ראשון בLet's AI בינה מלאכותית

מה זה Perplexity Labs?

Perplexity Labs הוא פיצ’ר מתקדם במנוי Perplexity Pro (20$ בחודש) שמשלב חיפוש מידע עם ניתוח נתונים ויצירת גרפים – הכל במקום אחד. במקום לגלוש, להוריד קבצים, לטפל באקסלים ולבנות גרפים – אתם פשוט כותבים מה שאתם צריכים, והכלי עושה את זה בשבילכם בשפה פשוטה.

איך זה עובד? Perplexity Labs מפעיל מודלי שפה מתקדמים (כמו דיפסיק, o4 ו- o3 של ג׳יפיטי, ג׳מיני 2.5 של גוגל, קלוד 4 ואחרים) לצד סביבת קוד (Python) שיודעת לנתח קבצים, להפיק גרפים ולבנות תובנות. זה כמו צוות אנליסטים שעובד בשבילכם בלי הפסקה.

והדבר הכי חשוב? הוא לא רק מחפש, הוא מסכם, מנתח, בונה דוחות, מייצר ויזואליזציות, ומנגיש נתונים מורכבים בצורה ברורה ומקצועית.

איך מתחילים? 4 צעדים פשוטים

1. כנסו לפרפלקסיטי ולחצו על לשונית Labs (סמל הנורה ).

2. בחרו ותדייקו את סוג המקורות אליהם יגש הכלי (אקדמי, רשתות חברתיות או פיננסי תחת סמל הגלובוס ).

3. צרפו קבצים רלוונטיים (CSV, PDF, DOC – דרך סמל הקליפ ).

4. כתבו את הפרומפט שלכם בשורת ההנחיה למעלה.

וזהו – לחצו Enter ותתחילו לראות תובנות תוך שניות.

איך מתחילים לעבוד עם פרפלקסיטי לאבס?

למי זה מתאים?

• מנהלים – דוחות, ניתוח מתחרים, תכנון אסטרטגי.

• אנליסטים – מחקר שוק, זיהוי טרנדים, דוחות השקעה.

• שיווק ומכירות – ניתוח ביצועים, חקר לקוחות, שיפור תהליכים.

• יזמים – בדיקת היתכנות, פיתוח מוצר, הכנה לגיוס.

פרומפטים לדוגמה שיחסכו לכם שעות עבודה

פרומפט 1: ניתוח פיננסי – השוואת הוצאות הון (CapEx)

מטרה: להשוות את הוצאות ההון של חברות טכנולוגיה גדולות לאורך זמן, לזהות מגמות ולהפיק תובנות ברמה מקצועית.

פרומפט מוכן לשימוש:

ניתוח פיננסי – השוואת הוצאות הון (CapEx)

מתי להשתמש? ניתוח השקעות של מתחרים, קבלת החלטות אסטרטגיות, הכנת דוחות להנהלה או משקיעים או זיהוי מגמות תעשייתיות.

גרסה מותאמת לעברית:

השוו את הוצאות R&D של חברות פינטק בישראל ב-5 השנים האחרונות,
כולל גרפים של R&D כאחוז מההכנסות.
נתחו השקעות קיבולת ייצור של חברות טכנולוגיה באסיה מול אירופה וארה”ב,
כולל תחזית ל-2025.
בדקו את הוצאות השיווק של מתחרים בענף [שם התחום],
וצרו גרף של השקעות דיגיטל מול מסורתי.

הצצה לתוצר

רוצים לראות איך נראה דוח מקצועי שמשווה את הוצאות ההון של חברות ה-MAG7? הנה דוגמה אמיתית לתוצאה ש-Peprlexity Labs יצר לפי הפרומפט: לצפייה בדוח לדוגמה »

פרומפט 2: יצירת ויזואליזציות וניתוח שוק מקובצי CSV

מטרה: לנתח נתוני שוק מקובצי CSV, לזהות מגמות, תחרות והתנהגות לקוחות – ולהציג הכל בגרפים אינטראקטיביים וברמה של דוח מקצועי. כמובן שנדרש הקשר לנתונים הספציפיים שרלוונטיים לניתוח שלכם ותוכלו להעלות קבצים שונים בדגש על קבצי נתונים (csv).

פרומפט מוכן לשימוש:

יצירת ויזואליזציות וניתוח שוק מקובצי CSV

מתי להשתמש? ניתוח שוק או מכירות מתוך קבצים קיימים, הכנה לפגישות הנהלה או משקיעים, יצירת דוחות חזותיים במהירות או זיהוי מגמות או בעיות נסתרות.

גרסה מותאמת לעברית:

נתחו את נתוני המכירות של 2024 לפי אזור, מוצר וחודש
ובנו דשבורד אינטראקטיבי.
צרו גרפים מניתוח לקוחות, זהו פלחים עיקריים והמליצו על שיפור מכירות.
נתחו את תנועת האתר, המרות והתנהגות משתמשים – והציעו שיפורים מבוססי דאטה.

הצצה לתוצר

5 קובצי CSV בתחום התחבורה השיתופית עם בקשה לנתח את השוק. ראו את הדשבורד שנוצר, כולל גרפים, תובנות והמלצות: לצפייה בתוצר לדוגמה »

פרומפט 3: דשבורד מתקדם לניתוח הצלחות וכישלונות במכירות

מטרה: להבין למה עסקאות מצליחות או נופלות, לזהות נקודות לשיפור בתהליך המכירה – ולבנות דשבורד אינטראקטיבי שמציג את הכל (+ העלאת קובץ CSV עם נתוני מכירות).

פרומפט מוכן לשימוש:

דשבורד מתקדם לניתוח הצלחות וכישלונות במכירות

מתי להשתמש? ניתוח ביצועים רבעוני, ירידה באחוזי סגירה, הדרכת צוות מכירות או שיפור תהליך המכירה.

גרסה מותאמת לעברית:

צרו דשבורד לניתוח שיחות מוקד טלפוני – זהו מה עובד ומה לא, והמליצו על שיפורים בסקריפט.
נתחו את משפך המכירות באתר – איפה מאבדים לקוחות ומה לשפר.
בנו דשבורד לביצועי ערוצי שיווק – חשבו ROI והציעו חלוקת תקציב חכמה.

הצצה לתוצר

מנהלים שרוצים להבין למה הם מפסידים עסקאות – יכולים ליצור ולקבל דשבורד ניתוח Win/Loss חכם. הנה התוצאה: ניתוח מלא לפי אזורים, אנשי מכירות ושלבים במכירה: לצפייה בדשבורד לדוגמה »

פרומפטים נוספים שיעזרו לכם לנתח ולהציג נתונים

ניתוח טרנדים ותחזיות

ניתוח התנהגות לקוחות

ROI ואנליזה פיננסית

ביצועי מוצרים ומכירות

חשוב לזכור: כל פרומפט דורש הקשר רלוונטי כדי לעבוד היטב – בין אם זה קובץ CSV, מסמך תומך, נתוני רקע או תיאור מדויק של הסיטואציה העסקית. בלי ההקשר הזה, גם הפרומפט הכי טוב עלול להניב תוצאה כללית או לא מדויקת.

טיפים מתקדמים לשימוש מדויק וחכם

1. הכינו את הנתונים כמו שצריך

לפני העלאת CSV:

• ודאו כותרות ברורות

• נקו ערכים חסרים או שגויים

• סדרו תאריכים בפורמט אחיד

• הוסיפו הסברים לעמודות מורכבות

2. שפרו את הפרומפט על ידי הוספת הקשר רלוונטי

ככל שתהיו מדויקים יותר, התוצאה תהיה חכמה וממוקדת יותר. אל תבקשו “לנתח נתונים” בלי להסביר מהם, ממתי, ולמה.

3. בקשו יותר – וקבלו תוצאה חדה יותר

• בקשו זוויות ניתוח שונות

• התמקדו בתקופות זמן ספציפיות

• בקשו השוואה לסטנדרט בתעשייה

• דרשו הסבר לתובנה המרכזית

4. פרפלקסיטי הוא שיחה, לא פקודה

אחרי התוצאה הראשונה – דייקו אותה. למשל: “החליפו לגרף עמודות מוערמות”, “פירוט לפי רבעון רביעי בלבד בישראל”, “הסבירו כמו למנהל לא-טכני” “השוו לתעשייה הגלובלית.

5. בנו לעצמכם ספריית תבניות

ברגע שהפרומפטים עובדים לכם – הפכו אותם לתבניות קבועות שתוכלו למחזר:

• דוח פיננסי

• סקירת שוק

• ניתוח ביצועים

• ניתוח לקוחות

• תוכנית פעולה

שמרו, עדכנו, והשתמשו שוב – זה חוסך זמן ושומר על עקביות.

מגבלות חשובות – ומה לא לעשות עם Perplexity Labs

שמירה על מידע רגיש

אל תעלו קבצים עם מידע אישי או סודי – אלא אם אתם משתמשים בגרסת ה-Enterprise. לחלופין, נקו מזהים מהנתונים או השתמשו בכלים פנימיים.

תמיד לבדוק עובדות

Perplexity הוא עוזר מצוין – אבל לא אנליסט אנושי. הוא עלול לטעות או “להמציא” מידע. לכן חשוב להצליב נתונים ולהפעיל שיקול דעת מקצועי.

גישה מוגבלת למקורות פרימיום

למרות החיבור לאינטרנט, הכלי לא כולל גישה למאגרים בתשלום כמו Bloomberg או S&P. לנתונים פיננסיים מדויקים – עדיין תידרש גישה ייעודית.

שורה תחתונה, אל תשתמשו בכלי להחלטות השקעה קריטיות, דיווחים רגולטוריים, ניתוח מידע רגיש או תחזיות לטווח ארוך – בלי אימות נוסף וליווי מקצועי.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

לסיכום – תתחילו מהצורך האמיתי שלכם

Perplexity Labs הוא לא עוד כלי – הוא שותף חכם שיכול לחסוך לכם שעות של עבודה ולתת לכם יתרון תחרותי. אבל ההצלחה לא מגיעה מהטכנולוגיה – אלא מהשימוש שלכם בה. התחילו מבעיה אמיתית שיש לכם היום, נסחו פרומפט ממוקד, העלו את הנתונים – ותראו איך תובנות מתחילות לזרום. תשתמשו בו נכון, ותגלו שהשאלה הנכונה היא לא מה הוא יודע לעשות – אלא איך אתם בוחרים להשתמש בו.

הפוסט איך להפוך נתונים לתובנות עסקיות תוך דקות עם פרפלקסיטי לאבס הופיע ראשון בLet's AI בינה מלאכותית

כיצד עובדת המלצת המודל החדשה בממשק GPTs?

הפונקציה החדשה שמציעה OpenAI מאפשרת ליוצרי GPTs להמליץ למשתמשים על המודל האופטימלי לשימוש בבוט הספציפי שלהם. במסגרת התכונה הזו, יוצרי הבוטים יכולים לבחור מתוך תפריט ייעודי באיזה מודל בוט ה-GPT שלהם יפעל, בהתבסס על דרישות הביצועים, עלות, מהירות תגובה ויכולות נדרשות.

בחירת מודל בממשק בניית הבוט ב-GPTs.

כך למשל, יוצר בוט המתמחה בניתוח נתונים וקבצים, סביר שימליץ לעבוד עם מודל ריזונינג כמו o3 שמצטיין בחישובים מתמטיים ופעולות רב-שלביות – מודל הידוע ביכולותיו האנליטיות הגבוהות. לעמות זאת, בוט שמתמחה בכתיבת טקסים, עשוי להמליץ על GPT-4o הישן והטוב, או על GPT-4.5 המיוחד, שמצטיין ביכולות שפתיות ו”חשיבה רגשית” (EQ ולא רק IQ).

בזמן הגדרת ההמלצה, המערכת מאפשרת ליוצר הבוט לבחור מתוך רשימה מסודרת של מודלים הזמינים לפונקציות השונות. עם זאת, לא כל מודל זמין לכל משתמש, שכן לא לכל משתמש יש חבילה בתשלום, שמנגישה לו את המודלים המתקדמים יותר.

יתרונות עיקריים של הפיצ’ר החדש

שקיפות ובהירות למשתמשים

האפשרות להמליץ על מודל מעניקה למשתמשים הבנה ברורה של הביצועים הצפויים ושל הסיבות שבגללן נבחר מודל מסוים. במקום ניחוש או תסכול עקב ביצועים לא עקביים, המשתמש יכול לראות מראש עם איזה מודל הבוט שלו עובד ומה המשמעות של שימוש במודל זה מבחינת חווית השימוש.

החלפת המודל מתאפשרת על ידי הקלקה על שם הבוט, בצד שמאל למעלה – ראו תמונה מטה:

לחיצה על שם הבוט, תחשוף את המודל שהומלץ על ידי בונה הבוט, ואת האפשרות להחליפו.

מה קורה כשהמודל המומלץ אינו זמין למשתמש?

אחד התרחישים הנפוצים והחשובים להבנה הוא כאשר מודל מסוים מומלץ על ידי יוצר הבוט אך אינו זמין למשתמש בשל מגבלות מנוי, הרשאות, או זמינות אזורית. במקרה כזה, OpenAI יצרה מנגנון גיבוי ברור ואוטומטי. אם המשתמש אינו יכול לגשת למודל המומלץ, המערכת תבחר באופן אוטומטי במודל חלופי דומה ככל האפשר. לדוגמה, אם הבוט תוכנן להשתמש ב-o4 mini אך הוא לא זמין למשתמש, המערכת תעבור ל-GPT-4o או למודל אחר שזמין בחבילה החינמית. זה לא מושלם, אבל זה הרע במיעוטו.

הפוסט סוף סוף אפשר להמליץ על מודל ב-GPTs – אבל יש קאטץ’! הופיע ראשון בLet's AI בינה מלאכותית

מה זה Claude Gov?

לפי ההכרזה הרשמית, Claude Gov הוא סט מודלים שנבנה “על בסיס משוב ישיר מלקוחות ממשלתיים”, ונועד לפעול בסביבות מסווגות בלבד. Anthropic מדגישה שהמודלים “עברו את אותן בדיקות בטיחות קפדניות” – אבל גם מציינת בפירוש: הם “מתוכננים להתנהג בצורה שונה בהקשרים מסווגים, כמו ניתוח מסמכים ממשלתיים רגישים.”

בין היכולות המוגברות:

• הבנה עמוקה יותר של ז’רגון מודיעיני וביטחוני.

• ניתוח נתוני סייבר מורכבים.

• מיומנות בשפות ודיאלקטים קריטיים.

• תגובה גמישה יותר למידע מסווג.

כלומר, המודל פחות מסרב, פחות עוצר, ומספק יותר גישה. ולא לציבור, אלא לסוכנויות ממשלתיות בלבד.

גם לבטיחות יש גרסה מסווגת

במבט ראשון, זו נשמעת כמו פשרה. אבל כדאי לעצור ולשאול: האם זה בכלל אפשרי לבנות מערכת בטיחות אחת – שתהיה גם אוניברסלית, וגם מתאימה למודיעין צבאי? Anthropic עצמה ניסתה לאורך כל הדרך לעשות בדיוק את זה: היא שמה את הבטיחות בלב המוצר, לא בצידו. פיתחה את מודל Constitutional AI, השקיעה רבות ב־red-teaming, שיתפה מחקרים על distillation, ועל alignment, והתנגדה בגלוי למורטוריום רגולטורי שאוסר על שקיפות.

וזה בדיוק מה שהופך את ההשקה של Claude Gov למעניינת: היא לא מגיעה מחברה שמזלזלת בבטיחות – אלא מחברה שהובילה את התחום. ולמרות זאת – אפילו היא מוצאת את עצמה בונה גרסה אחרת.

מה קורה כשגם הזהירים נשחקים

הבעיה איננה בכך ש-Anthropic בחרה לעבוד עם סוכנויות ביטחוניות. הטכנולוגיה תפותח בכל מקרה – ומי שמסרב לשתף פעולה פשוט נשאר מחוץ למשחק. הבעיה מתחילה כשגם השחקן הזהיר ביותר נדרש לסמן מחדש מה נחשב “בטוח” – לפי הקשר. אם אפילו Anthropic לא מצליחה לשמור על אחידות בבטיחות, מה זה אומר על התעשייה כולה?

כשההצדקה הביטחונית פוגשת את גבול השקיפות

הטיעון הנגדי ברור: יש פעולות שמודל צרכני צריך לסרב להן – אבל עבור אנליסט ביטחוני הן חיוניות. מודל שלא מספק ניתוח של מסמך מודיעיני מסווג, הוא לא “זהיר”, הוא מכשול מבצעי. ואולי, בהקשרים כאלה, בטיחות צרכנית פשוט לא רלוונטית. אבל גם אם זה נכון – השאלה היא מה עושים עם הפער הזה. כי כרגע, הציבור נשאר בחוץ:

• אין הסבר טכני לאיך הותאמו המודלים

• אין פירוט על נהלי בטיחות במצבים מסווגים

• אין דרך להבין מה “מסרבים פחות” באמת אומר בפועל

והשאלה העמוקה עוד יותר: מי מפקח על הבטיחות – כשכל התהליך חסוי מראש?

תעשייה שלמה בתנועה

Anthropic לא לבד. OpenAI, שהחלה במדיניות של איסור שימוש צבאי, עובדת כיום עם קבלני ביטחון. Meta פותחת את Llama לשותפי הגנה. Google מפתחת גרסאות מסווגות של Gemini. וגם Cohere משתפת פעולה עם Palantir – אחת השחקניות המובילות ב-AI ביטחוני.

הקו שהיה פעם ברור – AI אזרחי בלבד – כבר לא קיים. וכשכל השחקנים הגדולים חוצים אותו, כל אחד בדרכו, הסיפור כבר לא על חברה מסוימת – אלא על מערכת שבה אין מקום לבטיחות קבועה.

הסכנה הכי גדולה היא השקט

הבעיה איננה רק מי עובד עם מי – אלא איך זה קורה. Claude Gov לא הוכרז בפוסט בלוג מפורט, אלא בהודעה מרוכזת, עם ניסוחים כלליים. המונח “אותן בדיקות בטיחות” נשמע מבטיח – אבל אין פירוט על אופן השינוי, טיב ההתאמה, או רמת הפיקוח. וזו הנקודה הקריטית: אם אי אפשר להבין מה השתנה – אי אפשר גם לדעת אם הערכים נשמרו.

זו לא החלטה – זה הכרח

אפשר לפרש את הסיפור הזה בשתי דרכים:

1. Anthropic נכנעה ללחץ של חוזים ממשלתיים וויתרה על עקרונות.

2. אפילו החברה המחויבת ביותר לבטיחות נאלצת לעצב גרסה נפרדת – כי זו דרישת השוק.

הראשון נוח יותר להסביר. השני – מדאיג בהרבה. אם זו מגבלה של כל חברה באקוסיסטם – אז אנחנו לא צריכים רגולציה שתפקח על שחקן מסוים, אלא מנגנונים מערכתיים שמציבים סטנדרטים שאי אפשר להנדס מחדש לפי זהות המשתמש.

האם נותרה בכלל דרך לשמור על בטיחות אמיתית?

השאלה איננה אם AI ישמש למטרות ביטחוניות – אלא איך הוא יעשה זאת. ואם כל ממשלה דורשת מודלים מותאמים, ואם כל שחקן עסקי נמדד לפי היכולת לספק גרסה “פחות מסרבת”, אז אין עקרונות – יש התאמות. Claude Gov הוא לא כשל מוסרי – הוא סימן שאלה אסטרטגי: האם בכלל ניתן לבנות בטיחות אמיתית – בעולם שבו הדרישות המבצעיות מגדירות מחדש את כללי המשחק?

הפוסט כשהבטיחות הופכת לשאלה של תקציב הופיע ראשון בLet's AI בינה מלאכותית

שני דברים שחשוב לומר לפני שמתחילים:

1. הנתונים במאמר, שמבוססים על הדו”ח של FirstPageSage, מתארים ממוצע תנועת משתמשים ב-90 הימים האחרונים בארצות הברית בלבד. הם לא כוללים שימוש גלובלי או יישומים פנים-ארגוניים.

2. מאז פרסום הדו”ח, גם Google וגם Microsoft הפגיזו בהשקות נוצצות של כלים מבוססי בינה מלאכותית – וגם Claude ו-ChatGPT הציגו יכולות חדשות, חיבורים למערכות חיצוניות וכלים מתקדמים. השוק הזה דינמי במיוחד – והמספרים, אחוזי הצמיחה ונתחי השוק משתנים כל הזמן בהתאם. בואו נתחיל…

ChatGPT עדיין המלך – אבל הכתר נהיה כבד

נתחיל עם הפיל שבחדר. ChatGPT עדיין מוביל את השוק עם 59.7% מהתנועה האמריקאית נכון לאפריל 2025, כלומר, יותר ממחצית מכל מי שמשתמש בצ’אטבוטים בינה מלאכותית, בוחר ב-OpenAI. אבל זו כבר לא אותה שליטה. בינואר 2024 הם החזיקו ב-76.4% מהשוק. תוך קצת יותר משנה, הם איבדו לא פחות מ־16.7% מהשוק. זה לא שינוי קטן – זו שחיקה אמיתית. מה זה אומר לנו? תקופת ירח הדבש נגמרה. המשתמשים התחילו לחפש ברצינות אלטרנטיבות – והפעם, הם גם מוצאים כאלה ששוות את זה. וזה רק קצה הקרחון של השינויים שמתרחשים בשוק הזה ברבעונים האחרונים.

חלוקת השוק: מי שולט בצ’אטבוטים של הבינה המלאכותית?

שחקנים קטנים עם מהלכים גדולים

אחרי תקופה לא קצרה שבה שוק הצ’אטבוטים נשלט כמעט לחלוטין על ידי ענקים, עכשיו מגיעים השחקנים הקטנים – והם זזים מהר. Claude AI הוא השד המהיר של המרוץ הזה – צמיחה של 14% ברבעון, כפול משיעור הצמיחה של ChatGPT. עם נתח שוק של 3.2% בלבד, זה אולי נשמע שולי – אבל זה בסיס שמשתפר במהירות. משהו בגישה הרצינית וההתמקדות במשתמשים עסקיים תופס בדיוק את מי שמרגיש ש-ChatGPT לא מדבר מספיק “שפת עבודה”.

Perplexity הוא אלוף הדיוק – 6.2% נתח שוק ו-10% צמיחה רבעונית. והסיבה ברורה: הם מיתגו את עצמם כ”מנוע חיפוש בינה מלאכותית שמתמקד בדיוק”. בעולם שבו יותר מדי כלים ממציאים עובדות, משתמשים כבר למדו לזהות ערך כשמופיעה אמינות.

ואז יש את Grok – הקלף המפתיע. 0.8% נתח שוק בלבד, אבל צמיחה של 12% ברבעון. האינטגרציה עם X (לשעבר טוויטר) נותנת להם זווית חברתית ייחודית, ממשק קליל, וגישה שפונה בדיוק לקהל שמחפש חוויית צ’אט שונה, פחות רצינית ויותר נוכחת ברשתות.

המציאות הלא נעימה של Microsoft ו-Google

שתי ענקיות הטכנולוגיה עם הכי הרבה כוח – אבל משהו חורק.

Microsoft Copilot מחזיק ב־14.3% מהשוק, אך מציג צמיחה רבעונית צנועה של 6% בלבד. בהתחשב בזה שהוא משולב עמוק בתוך חבילת ה-365 של מיקרוסופט – זה נתון מאכזב. Copilot רוכב על ההצלחה של ChatGPT, אבל לא מצליח לייצר זהות נפרדת. המשתמשים מרגישים שזה פשוט ChatGPT בלבוש משרדי.

Google Gemini במצב דומה – 13.4% נתח שוק, עם צמיחה רבעונית של 5% בלבד. וזה מפתיע, כי זו Google: החברה שהביאה לנו את Transformer ואת כל הבסיס של דור הבינה הנוכחי. ובכל זאת, הם איבדו כ־3% מהשוק מאז ינואר 2024 – בשוק שבו כל עשירית אחוז שווה מיליוני משתמשים.

כמו שזה נראה עכשיו, שתי החברות מנסות להיות הכל לכולם – והתוצאה היא מוצר גנרי שלא מדבר לקהל ספציפי. בעולם שבו המשתמשים מחפשים התאמה אישית, זה פשוט לא מספיק.

ה”נטפליקסיזציה” של שוק הצ’אטבוטים

הנתונים מצביעים על מגמה חדה: אנחנו כבר לא בעולם של “צ’אטבוט אחד ששולט בהכול”. המשתמשים נהיים מתוחכמים יותר – והם מבינים שכלי אחד לא יכול לשרת את כל הצרכים שלהם. בדיוק כמו שאנחנו לא מסתפקים בערוץ טלוויזיה אחד – אלא מרכיבים לעצמנו חבילת סטרימינג לפי טעם – כך גם בצ’אטבוטים. משתמשים ב-Claude לצרכים עסקיים, ב-Perplexity כשחשוב דיוק ומקורות, ב-Brave Leo כשפרטיות עומדת בראש, ובכלים כמו Komo, Andi או Deepseek כשצריך מענה ייחודי לנישה מסוימת.

זה לא רק שוק תחרותי – זו אבולוציה של ממש. שוק שמתפצל, מתמקד – והולך בעקבות מה שהמשתמשים באמת צריכים.

פרטיות ואמון

יש נקודה קריטית שמרבית האנליסטים מפספסים – והיא הולכת להפוך לאחת השאלות הבוערות של השנים הקרובות: הפרטיות.

Brave Leo AI, צ’אטבוט מובנה בדפדפן Brave, שמציע תשובות חכמות תוך שמירה מלאה על פרטיות המשתמש וללא איסוף מידע אישי, מחזיק רק 0.2% נתח שוק, אבל צומח בקצב של 6% ברבעון. זה אולי נראה שולי – אבל תעצרו רגע ותשאלו את עצמכם בכנות: מה בדיוק הצ’אטבוט שלכם שומר? כמה מידע אישי, מקצועי, או רגיש אתם שופכים לתוך המערכת – בלי לדעת לאן הוא הולך? רוב האנשים עדיין לא שואלים את זה. אבל אלה שכן, כבר מצביעים ברגליים, ומתחילים לחפש אלטרנטיבות שמתייחסות אליהם לא רק כמשתמשים – אלא גם כבני אדם עם זכויות.

אם Perplexity מצטיין בדיוק – Brave מצטיין באמינות. וזה לא פחות חשוב. בשוק שבו כלים מתחרים על מהירות, עוצמה ופיצ’רים, Brave בונה יתרון אחר לגמרי: אמון. וזה מגדיר מחדש את מה שמשתמשים מתחילים לצפות מצ’אטבוט.

תובנות מעשיות

על בסיס כל הנתונים האלה – הנה העצות הכי כנות שאפשר לתת לכם:

• אם אתם משתמשים עסקיים – תנו ל-Claude AI הזדמנות. הם מתמחים בעבודה עם מסמכים, תהליכים ונתונים רגישים.
• אם אתם מחפשים דיוק ומקורות – נסו את Perplexity. הוא לא סתם עוד צ’אט – הוא נבנה להיות מדויק, תכליתי, ומגובה במקורות אמינים. וזה מורגש.
• אם הפרטיות חשובה לכם – בדקו את Brave Leo. הוא אולי קטן, אבל לפעמים, דווקא הכלים שמוותרים על דאטה הם אלה שמכבדים אתכם באמת.

ולכולם – ChatGPT הוא עדיין כלי חזק, אבל העולם לא נשאר חד-צדדי. אל תבנו על צ’אטבוט אחד שיעשה הכול. תתחילו לבנות סל כלים. לא בגלל שזה נחמד – אלא כי זו הדרך הכי חכמה לעבוד היום עם בינה מלאכותית.

מה יקרה הלאה?

אני לא באמת יודע, אבל כשאני בוחן את הנתונים ואת המגמות של 2025, שלושה שינויים גדולים בולטים לעין – והם כבר מתרחשים מולנו. השוק הולך ומתפצל – משתמשים מפסיקים להסתפק בכלי אחד, ומתחילים להרכיב לעצמם “סל כלים” שמותאם לצרכים שונים. כלים מתמחים עוקפים את הכלליים – כי כשהמטרה היא לדייק, לפתור בעיה מסוימת או לחסוך זמן, כלים כלליים פשוט לא מספקים את הסחורה. ובמקביל, הפרטיות הופכת לגורם מבדל משמעותי – בדיוק כמו שקרה בעבר עם דפדפנים כמו Brave או Firefox, גם בצ’אטבוטים מתחילים לחפש את מי שלא אוסף הכל. וזה כבר לא שאלה של “אם” – אלא של “מתי”. והמתי הזה הוא ממש עכשיו.

השורה התחתונה

שוק הצ’אטבוטים עובר אבולוציה. השליטה של ChatGPT עדיין ברורה – אבל היא נשחקת בקצב מואץ. Google ו-Microsoft נאבקות לשמור על הרלוונטיות שלהן. והעתיד? הוא שייך לכלים שלא מנסים לעשות הכול, אלא מתמקדים בפתרון מדויק לבעיה אמיתית. אז אל תשימו את כל הביצים שלכם בסל אחד. או בשפת הבינה המלאכותית – אל תשימו את כל הטוקנים שלכם על מודל אחד. המהלך החכם הוא להתחיל לבנות סל כלים אסטרטגי. לא כי זה “מגניב לנסות” – אלא כי זו המציאות החדשה. הכוח האמיתי הוא לא בזה שיש לנו AI – אלא בזה שאנחנו יודעים לבחור את הכלי הנכון, בזמן הנכון, למשימה הנכונה.

אז מה הצעד הבא שלכם? תבחרו כלי אחד מתמחה, תנו לו שבוע של ניסוי אמיתי, ותראו אם הוא מביא לכם ערך. הנתונים אומרים שכן. עכשיו תורכם לבדוק.

הפוסט מי מנצח ומי מפסיד במלחמות הצ’אטבוטים 2025? הופיע ראשון בLet's AI בינה מלאכותית

מי זה מאנוס?

מאנוס הוא סוג חדש של סוכן אוטונומי – “טייס אוטומטי” למשימות מורכבות. מדובר בפלטפורמה שפותחה על ידי חברת Butterfly Effect הסינית, בגיבוי Tencent, שמבקשת לשנות את הדרך בה אנחנו עובדים עם בינה מלאכותית. המערכת לא רק מגיבה לפקודות, אלא מנהלת תהליכים שלמים מקצה לקצה: הפקת דוחות, בניית אתרים, יצירת וידאו, ניתוח נתונים, ניהול מלאי ועוד.

מאנוס (manus) פועלת על בסיס שילוב בין מודלים סיניים מתקדמים – כמו Qwen של עליבאבא – לבין מודלים מערביים, תוך שמירה על שקיפות מלאה. בכל משימה מוצג “חלון מחשב” שבו ניתן לעקוב אחר כל צעד שהסוכן מבצע – ממש כמו מתמחה דיגיטלי שמתייעץ אתכם תוך כדי תנועה. יתרון חשוב נוסף הוא שהיא גם זוכרת. למערכת יש זיכרון מתמשך, שמאפשר לה ללמוד ממשימות קודמות, להתאים את עצמה להעדפות המשתמש, ולשפר את הביצועים לאורך זמן.

כל החידושים שהופכים את מאנוס לכלי עבודה אמיתי

מאנוס מצגות

אחת מהיכולות שזכו לעדכון משמעותי היא הפקת מצגות אוטומטיות. מאנוס מסוגל לבנות תוך דקות מצגת עסקית, שיווקית או לימודית – כולל כותרות, תוכן, גרפים ועיצוב מקצועי, עם אפשרות ייצוא ל-PowerPoint או PDF. מספיקה שורת הנחיה כמו: “בנה מצגת על מגמות שוק הנדל”ן בישראל”, והמערכת תספק חבילת שקפים מוכנה לשימוש – לעיתים אפילו עם מקורות נתונים ודיאגרמות.

היתרון? מאנוס לא רק מייצר מצגות יפות – הוא מבין את המטרה. הוא מתאים את הסגנון לקונטקסט: חדר ישיבות, שיעור, או דף שיווקי ברשת. רוצים לשנות משהו? לחיצה אחת תפתח עורך נוח ואינטואיטיבי, שמאפשר שליטה כמעט מלאה על התוצאה.

ממילים לסיפור ויזואלי שלם

היכולת להפיק סרטון מלא מפרומפט אחד היא מהחידושים הבולטים של מאנוס – והיא משנה את חוקי המשחק בעבודה עם הסוכן. במקום לכתוב תסריט, לערוך, לעצב ולסנכרן – מאנוס עושה את הכל בעצמו. הוא לוקח רעיון טקסטואלי, בונה תסריט, מתרגם אותו, מתכנן סצנות, מוסיף קריינות, מייצר גרפיקה – ומגיש תוצר סופי מוכן לשיתוף. הפיצ’ר הזה כבר זמין למנויי Basic, Plus ו-Pro, ובקרוב ייפתח גם ליתר המשתמשים.

החידוש העוצמתי ביותר? שילוב עם אחד ממודלי הווידאו המתקדמים ביותר כיום – Veo3 מבית גוגל. מאנוס מאפשרת הפקת סרטונים באיכות 4K עם תאורה, דיאלוגים, אפקטי קול ותנועות מצלמה חכמות, לצד אפשרות לקבוע סגנון קולנועי מותאם אישית – טרנטינו, היצ’קוק או כל סגנון אחר שתבחרו. השילוב בין יכולת הסיפור האוטונומית לבין הכוח הוויזואלי של Veo3 הופך את מאנוס לכלי כמעט יחיד מסוגו: לא יוצר סרטונים – אלא במאי דיגיטלי שעובד עבורכם.

מחקר שוק וניתוח עסקי – בלחיצה אחת

כחלק מהשדרוגים האחרונים, מאנוס מציעה כלי מחקר וניתוח אסטרטגי שמבצע עבורכם את כל הדרך מבעיה לשקף ניהולי. המערכת מזהה באופן אוטומטי את המסגרת האסטרטגית הרלוונטית – SWOT, מודל קנבאס, PESTEL או אחרים – בהתאם לשאלה שלכם. לאחר מכן היא מבצעת מחקר שוק, מנתחת נתונים, ומפיקה דוח מקצועי עם גרפים, תובנות, והמלצות, הכול בתוך ממשק ברור ויזואלי – כולל אתר שיתוף מוכן לצוות. רק הקלידו שאלה כמו: “מהם אתגרי הכניסה של סטארטאפ בתחום האגרו-טק בצפון אמריקה?”, ומאנוס תבנה עבורך מסגרת אסטרטגית שלמה עם מקורות מידע, טיעונים ותרשימים. לא עוד תבניות ריקות או ניסיונות לנחש מה חסר – מאנוס הופכת את הסקרנות שלכם לבסיס פעולה מיידי.

מחיפוש תמונות ליצירת תוכן ויזואלי

במאנוס, חיפוש תמונות הוא לא רק שלב – הוא חלק מתהליך יצירתי שלם. המערכת מאתרת תמונות מדויקות ורלוונטיות לפרויקט שלכם, אבל לא עוצרת שם: היא יודעת לשלב אותן במצגות, אתרים, חומרים שיווקיים וסיפורים ויזואליים שלמים. במקום לספק תוצאות חיפוש גנריות, מאנוס מציעה הקשר, עיצוב, ויכולת לייצר חוויית תוכן אמיתית מתוך תמונה אחת. זו לא רק חדשנות – זו חשיבה מחודשת על המקום של מדיה ויזואלית בתוך תהליך עבודה שלם.

יצירת תמונות כחלק מתהליך

מאנוס לא מתייחסת לתמונה כתוצאה סופית, אלא ככלי בתוך תהליך גדול יותר. במקום פשוט לייצר תמונה מתוך פרומפט, המערכת מבינה את המטרה הכוללת, ואז בונה סביב התמונה פתרון שלם: קונספט, סגנון, שילוב בתוכן נוסף, ותיאום בין רכיבים ויזואליים. זו הגישה ההוליסטית שמייחדת את מאנוס מכלי דמיון רגילים. לדוגמה: אם תבקשו לבנות קמפיין שיווקי, מאנוס תיצור עבורכם לוגו, תמונות מוצר, באנרים, וחומרי פרסום – הכול בתיאום מושלם, ובתוך אותו תהליך זרימה אוטונומי.

אוטומציה חכמה ואינטגרציות מתקדמות

מאנוס מאפשרת חיבור חלק למגוון כלים חיצוניים דרך API או ממשקי Webhook, להפעלת תהליכים עסקיים אוטונומיים – כמו ניהול לקוחות, מלאי, שירות לקוחות, הפקת דוחות ושליחתם – והכל משלב ביצוע ומעקב בזמן אמת. הפלטפורמה מסוגלת להריץ את כל התהליך בעצמה, עם אפשרות להתערבות אנושית במקרה הצורך – ממשק שליטה שמאפשר פיקוח מלא על זרימת העבודה .

למשתמש זה אומר:

• אוטומציה למשימות חוזרות – למשל, מעקב אחר מלאי לקוחות ושליחת התראה אוטומטית או הפקת דוחות תקופתיים בלי התערבות שלך.

• שילוב מערכות – כמו Zapier, Make, או ממשקים פנימיים של ארגון, כדי ליצור זרימות עבודה אינטגרטיביות, בין תכנון אסטרטגי לבין ביצועים עסקיים אמיתיים.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציה עסקית ובינה מלאכותית

לפרטים נוספים לחצו כאן >>

כשמאנוס מתחיל לעבוד בשבילכם – ארבעה יוזקייסים

1. להפוך כל תמונה ליצירת אמנות

לא כל תמונה מתחילה כמושלמת – אבל מאנוס יודעת להפוך גם את המבולגנת ביותר לפוסטר מרשים, מוכן להדפסה או שיתוף. בין אם תצלמו שולחן עמוס, נעליים זרוקות או אפילו טישו מקומט -המערכת יודעת לזהות פוטנציאל ויזואלי, לארגן קומפוזיציה מחדש, ולהפוך את התמונה שלכם לעיצוב שכאילו יצא מסטודיו מקצועי. בלי פוטושופ, בלי תבניות, ובלי לגעת בכלי גרפי – פשוט להעלות תמונה ולתת לבינה המלאכותית לעבוד בשבילכם. היא רואה כמו מעצב, ומייצרת תוצאה שלא תאמינו שיצאה מתמונה יומיומית.

2. להפוך טקסט לתובנות עסקיות

כשיש לכם מאות תגובות של לקוחות – קל לטבוע בפרטים. מאנוס יודעת להפוך את הרעש הזה למפת תובנות שימושית. המערכת סורקת טקסטים חופשיים כמו ביקורות, סקרים או פידבק מהשטח – ומארגנת אותם אוטומטית לפי פרסונות משתמש, צרכים חוזרים, בעיות נפוצות ותובנות מוצר. הכול מוגש בדוח תמציתי, עם גרפים והדגשות – כדי שתוכלו לקבל החלטות אמיתיות, לא רק תחושת בטן. מה שבעבר דרש שעות של קריאה וסיכום – עכשיו הופך לפעולה שלוקחת דקות.

3. ניתוח, השוואה וחיזוי נתונים 

כשנתונים מצטברים – קל ללכת לאיבוד. מאנוס יודעת להפוך גליונות, טבלאות או כמויות מידע לא מסודר לתובנות ברורות ואקטיביות. בין אם מדובר בביקורות לקוחות, ביצועים של שחקנים, או מגמות שוק – המערכת מזהה דפוסים, מחלקת קטגוריות, ומפיקה גרפים, מסקנות ואפילו המלצות.

שלוש דוגמאות מהשטח:

• ניתוח ביקורות מוצרים באמזון – הבנת נקודות חוזקה וחולשה לפי קבוצות משתמשים.

• השוואת ביצועי שחקני NBA – הפקת מדדים חזותיים וסטטיסטיקות לאורך זמן.

• חיזוי מחירי דיור – שימוש בנתונים היסטוריים לבניית מודל תחזית.

הכול קורה בלי נוסחאות, בלי אקסלים מסובכים – רק הקלט הנכון, והמערכת עושה את השאר.

4. לכתוב ביקורת ספרות בלי לבזבז שבועות

כתיבת ביקורת ספרותית יכולה לגזול ימים – לפעמים שבועות. מאנוס חוסכת את הזמן הזה ומפיקה עבורך תמצית ברורה, מסודרת וניתנת לניתוח – בזמן קצר ובלי לוותר על עומק. בין אם את דוקטורנטית שמגבשת עבודת גמר, עורך דין שחוקר תקדימים, או צוות R&D שמנסה להבין מגמות טכנולוגיות – פשוט הזינו את נושא המחקר, והמערכת תנתח עבורכם עשרות מאמרים מדעיים, משפטיים או טכנולוגיים. תוך דקות תקבלו:

• גיליון אקסל מסודר.

• מפת מושגים.

• וסיכומים תמציתיים לפי קטגוריות, תמות או תחומי מחקר.

כך תוכלו לעבור מקריאה מייגעת למחקר שמתקדם באמת.

חוזקות ומגבלות של מאנוס

במה מאנוס חזק במיוחד?

מה שהופך את מאנוס ליותר מכלי AI רגיל הוא היכולת שלו לבצע משימות מורכבות מקצה לקצה – מבלי לפצל את התהליך לחלקים מנותקים. הוא יודע לתכנן, לחקור, לנתח נתונים, לבנות אתרים, להפיק דוחות – והכול באופן שמרגיש כמעט טבעי, כאילו יש לכם עוזר אישי חכם בצד. בזירת הווידאו, השילוב עם Veo3 מעניק למשתמשים יכולת נדירה: להפיק סרטונים באיכות גבוהה עם סאונד מסונכרן, דיאלוגים ואפקטים מתקדמים – בלי צורך בצוות הפקה. גם ביצירת תמונות מאנוס בולטת – לא רק מבחינת איכות, אלא בזכות השילוב שלהן בתוך קמפיינים, עיצובים או תוצרים שלמים כחלק מגישה הוליסטית.

ברקע, פועלים גם מנועי אוטומציה עסקית: חיבור למערכות קיימות, ניהול מלאי, הפקת דוחות שוטפים ותמיכה במגוון שפות – מה שמאפשר להפוך תהליכים שלמים לאוטונומיים. וכל זה משתפר עם הזמן: מאנוס לומדת מכל משימה, מתאימה את עצמה להעדפות המשתמש, ומדייקת ביצועים ככל שמשתמשים בה יותר.

מגבלות שחובה להכיר

למרות כל ההבטחות, מאנוס היא לא קסם – ויש דברים שעדיין דורשים זהירות, התאמה וציפייה ריאלית. משימות פשוטות דווקא עלולות להכשיל אותה. הזמנת טיסות, חיפוש מסעדות, או פעולות יומיומיות באינטרנט – לפעמים נראות למערכת כמו בעיות מורכבות מדי או כלליות מדי. במקום לחסוך זמן, היא עלולה לסרבל.

גם בעברית לא הכול חלק: אמנם אפשר לעבוד עם הממשק ולייצר תכנים לא רעים בכלל, אבל במצגות, עיצובים או טקסטים מורכבים – נתקלים לעיתים בכיווניות לא נכונה, ניסוחים משובשים או שילוב מוזר בין עברית לאנגלית. זה לא Deal Breaker – אבל בהחלט דורש בדיקה.

ומה לגבי פרטיות? זו אולי הנקודה הכי רגישה. מאנוס מופעלת על ידי חברה סינית, והנתונים שנכנסים אליה כפופים לחוקי הפרטיות הסיניים – לא לאירופאיים, ולא לאמריקאיים. לכן, חשוב להימנע מהעלאת מידע רגיש: מסמכים אסטרטגיים, תוכניות עסקיות, מסמכים משפטיים – כל דבר שלא היית שולח בלי מחשבה שנייה.

ואולי הכי חשוב, מאנוס יכולה להיראות כמו עוזר אישי מושלם, אבל היא עדיין לא מחליפה שיקול דעת אנושי. במיוחד כשמדובר בפרויקטים קריטיים, תוצרים סופיים, או מידע שנשלח החוצה – כדאי לבדוק, לדייק, ולוודא שהכול במקום.

המחיר האמיתי – כסף, זמן ופרטיות

כמו בכל כלי חזק, גם כאן יש תג מחיר – לא רק בדולרים.

בצד הכלכלי, מאנוס מציעה שלוש תכניות מנוי חודשיות, כולן כוללות 300 קרדיטים יומיים וגישה לכלי הליבה של הפלטפורמה:

• Basic ($19 לחודש) – כולל 1,900 קרדיטים בחודש + 1,900 נוספים בהצעת השקה מוגבלת. תומך בהרצת שתי משימות במקביל, עם יציבות משופרת וזמינות מועדפת בשעות עומס.

• Plus ($39 לחודש) – מכפיל את כמות הקרדיטים ל-3,900 + 3,900 נוספים. מציע את אותה רמת יציבות, תיעדוף וגמישות כמו ה-Basic, אך מתאים למשתמשים אינטנסיביים יותר.

• Pro ($199 לחודש) – כולל 19,900 קרדיטים בחודש + 19,900 בונוס. תומך בהרצת עד 5 משימות במקביל, כולל גישה ל-“High-effort mode” ופיצ’רים נסיוניים נוספים. הבחירה למשתמשים מקצועיים, צוותים, או תהליכים מורכבים במיוחד.

כל התכניות כוללות גישה מוקדמת לפיצ’רים, הקשר ארוך יותר בשיחות, ויציבות משופרת עם משאבים ייעודיים.

כמה זה עולה לכם?

אבל כסף הוא לא המחיר היחיד. יש גם את מחיר הזמן. ההבטחה של מאנוס היא לחסוך שעות עבודה – ולעיתים הוא עומד בזה. אבל משימות מורכבות דורשות ניסוי וטעייה, התאמות והבנה של המערכת. לא תמיד זה עובד “בפעם הראשונה”. מצד שני, כשזה כן עובד – זה מרגיש כאילו חסכתם יום שלם בתוך רבע שעה.

והמחיר המשמעותי ביותר? פרטיות. כבר הזכרנו את זה בפסקת המגבלות – מאחורי מאנוס עומדת חברה סינית, והמשתמשים כפופים לחוקי הפרטיות של סין. המשמעות פשוטה: אם אתם עובדים עם מידע עסקי רגיש, קניין רוחני, תכניות אסטרטגיות או חומרים משפטיים – עצרו וחשבו היטב לפני שאתם מעלים אותם לפלטפורמה. מאנוס לא מסתירה את זה – אבל האחריות בסוף על המשתמש. לדעת איפה עובר הגבול, זה חלק בלתי נפרד מהשימוש הנבון.

טיפים פרקטיים להתחלה

אם זו הפעם הראשונה שלכם עם מאנוס, כדאי להתחיל בקטן ולבנות את הביטחון בהדרגה. נסו משימה פשוטה: יצירת מצגת, דוח SWOT או הפקת סרטון קצר. זו דרך טובה להרגיש את היכולות – וללמוד איך הסוכן מגיב לצרכים שלכם. בשלב הזה, חשוב לעבור על התוצרים בעין ביקורתית – במיוחד אם הם בעברית או נוגעים לתוכן רגיש. אל תסמכו בעיניים עצומות על אוטומציה, גם אם היא מרשימה. שמרו תמיד עותקים מחוץ לפלטפורמה – גם כדי למנוע אובדן מידע, וגם כדי שתוכלו להשוות ולשפר. ככל שתכירו את הכלי ותבינו את נקודות החוזק והחולשה שלו, תוכלו לעבור למשימות מורכבות יותר – ניתוח נתונים, הפקת תוצרים שיווקיים שלמים, או אוטומציה עסקית מתקדמת.

מאנוס גם בנייד 

מאנוס זמינה כעת גם באפליקציית iOS רשמית, שמאפשרת לעקוב אחר משימות שרצות – גם כשאתם לא מול המחשב. האפליקציה לא מיועדת להרצת תהליכים מורכבים, אבל כן מספקת ניטור בסיסי ונוח כשאתם בתנועה.

מומלץ להתנסות, בזהירות

מאנוס הוא אחד הכלים הכי שאפתניים שצצו לאחרונה בעולם ה-AI, והוא מצליח להרשים. אבל הוא עדיין לא מושלם: יש רגעים של חוסר יציבות וסימני שאלה אמיתיים סביב פרטיות. ובכל זאת, אם אתם סקרנים, אין שום סיבה לא לנסות. הקרדיטים החינמיים יספיקו למספר משימות, ואולי תופתעו מהתוצאה. תתחילו בקטן, תבדקו לעומק, ותמשיכו רק אם באמת מצאתם ערך. זכרו – מאנוס הוא לא תחליף מלא לכלים הקיימים, אלא תוספת חזקה לארגז הכלים שלכם. לצד פתרונות יציבים כמו ChatGPT או Claude, הוא יכול לפתוח עבורכם אפשרויות חדשות שלא היו על השולחן עד היום. האם זה הפתרון המושלם? לא. אבל האם הוא יכול לחסוך שעות, לעזור לכם לחשוב אחרת ולהעניק לכם הצצה חיה למה שה-AI של מחר מסוגל לעשות – היום.

הפוסט החידושים שאתם חייבים להכיר ב-Manus הופיע ראשון בLet's AI בינה מלאכותית

מה זה o3-pro ולמה הוא שונה?

o3-pro הוא הדגם החדש ביותר בסדרת המודלים “החושבים” של OpenAI, שממשיכים את הקו של o1-pro. הוא נבנה מתוך מטרה אחת ברורה: לספק תשובות מדויקות, שקולות ומבוססות גם כשהשאלה מורכבת במיוחד. במקום לספק תגובה מיידית, o3-pro פועל בגישה שונה – הוא עובד שלב אחר שלב, מפרק את הבעיה, בודק הנחות ומגיע לתשובה בצורה שקולה. בעידן שבו רוב המודלים מתמקדים במהירות, o3-pro בולט דווקא בזה שהוא לוקח את הזמן כדי לחשוב לעומק – מה שהופך אותו לכלי מדויק ואמין יותר עבור משימות שדורשות ניתוח רציני.

למי o3-pro זמין – וכמה זה עולה?

מודל o3-pro זמין כבר עכשיו עבור חלק מהמשתמשים:

• משתמשי ChatGPT Pro ו-Team: כבר היום תוכלו לבחור ב-o3-pro מתוך תפריט המודלים – ללא עלות נוספת.

• משתמשי Enterprise ו-Edu: יקבלו גישה במהלך השבוע הקרוב.

• מפתחים (API): המודל זמין גם ב-API, במחיר של $20 למיליון טוקנים של קלט ו-$80 למיליון טוקנים של פלט.
  
  מדובר בהוזלה משמעותית לעומת o1-pro, שעלה קודם לכן $60 לקלט ו-$120 לפלט.

עד כמה o3-pro מדויק ומה זה אומר בפועל?

כדי להבין את ההבדל ש-o3-pro מביא איתו, צריך להסתכל לא רק על תחושת השימוש, אלא על המספרים. OpenAI הריצה את המודל החדש בסדרה של מבחנים תובעניים במיוחד, שבודקים לא רק אם המודל יודע את התשובה, אלא אם הוא יכול לספק אותה שוב ושוב באמינות מלאה.

במבחן שנקרא “4 מתוך 4”, המודל צריך לענות נכון לא רק פעם אחת – אלא ארבע פעמים רצוף, על אותה שאלה, בניסוחים שונים. זו דרך לבחון עד כמה התשובות שלו יציבות, מדויקות ולא אקראיות.

אמינות בתשובות עקביות

התוצאות מרשימות: במתמטיקה תחרותית, o3-pro הגיע ל-90% הצלחה – לעומת 80% בלבד בדגמים הקודמים (o1-pro וגם o3 הרגיל). גם במדע ברמת דוקטורט (GPQA), הוא מוביל עם 76%, בהשוואה ל-74% של o1-pro ו-67% של o3. ובתחום התכנות התחרותי, הפער אפילו גדול יותר: הציון של o3-pro במודל הדירוג של Codeforces טיפס ל-2301, לעומת 2011 של o3 הרגיל ו-1423 בלבד של o1-pro.

אבל זה לא הכול. כדי לבדוק כמה טוב המודל בפעם הראשונה, נבחן גם מדד שנקרא pass@1 – כלומר, האם התשובה הראשונה שהמודל נותן היא נכונה. גם כאן, o3-pro הראה שיפור בכל תחום: 93% הצלחה במתמטיקה (לעומת 86% ב-o1-pro), 84% במדעים (לעומת 79%), ואפילו 2748 נקודות ב-Codeforces – נתון שמציב אותו ברמת “מתחרה עילית” בתחרויות תכנות.

דיוק בתשובה הראשונה

ולבסוף, הניסוי החשוב מכל – השוואה מול בני אדם. OpenAI ביקשה ממומחים אנושיים להכריע בין תשובות שנכתבו על ידי o3-pro לעומת תשובות של o3 הרגיל, בלי לדעת מי כתב מה. התוצאה? o3-pro נבחר כעדיף ברוב המוחלט של המקרים: 66.7% בכתיבה אישית, 64.9% בניתוח מדעי, 62.7% בתכנות, ו-64.3% בניתוח נתונים. מדובר בשיפור מדיד, אמיתי – שמבסס את o3-pro כמודל שמגיע לביצועים שמתחרים (ואפילו עוקפים) מומחים אנושיים בתחומם.

השוואה מול מומחים אנושיים

מה הכלים ש-o3-pro מביא איתו?

מעבר ליכולות החשיבה המעמיקות שלו, o3-pro מצטיין גם ביכולת להתחבר לעולם החיצון. הוא לא רק עונה על שאלות – הוא גם יודע לחפש, לקרוא, לנתח ולהריץ קוד בזמן אמת. כשהמודל צריך מידע מעודכן, הוא פשוט שולח שאילתת חיפוש לרשת. כששולחים לו קובץ PDF, גיליון Excel או מסמך Word – הוא קורא, מבין, ומסכם את העיקר. אפשר גם לשלוח לו תמונה, והוא יודע לזהות מה רואים בה ולהגיב בהתאם.

למתכנתים הוא מציע סביבת הרצה לקטעי קוד ב-Python – כולל הדגמות, בדיקות ודוחות גרף. ולמשתמשים עם זיכרון פעיל, הוא אפילו זוכר פרטים חשובים מהעבר – ויודע להשתמש בהם כדי לתת תשובות מותאמות אישית יותר. בקיצור, זה לא רק מודל טקסט – זה עוזר אישי עם כישורים רחבים, שחושב כמו חוקר, קורא כמו אנליסט, ומגיב כמו מפתח תוכנה.

מתי כדאי להשתמש ב-o3-pro – ומתי לא?

o3-pro הוא לא המודל שתריצו בשביל שיחה קלילה או בדיחה אקראית. הוא נועד לרגעים שבהם אתם אומרים לעצמכם: “אני חייב תשובה מדויקת – ושווה לי לחכות בשבילה.” אם אתם עובדים על בעיה מתמטית מורכבת, נתקעים בשורת קוד מתוחכמת, מנסים להבין מאמר מדעי עמוס או כותבים טקסט שצריך להיות מדויק עד רמת הפסיק – זה הרגע לשלוף את o3-pro.

אבל אם כל מה שאתם צריכים זה לבדוק עובדה פשוטה, לתרגם משפט, לכתוב מייל קצר או ליצור תמונה – עדיף לבחור במודל מהיר יותר כמו GPT-4o, שפועל ברגע ומחזיר תשובות כמעט מיידית. במילים אחרות: כשאיכות קובעת – לכו על o3-pro. כשמהירות קובעת – עדיף להישאר עם הכלים המהירים.

מה המגבלות של o3-pro כרגע?

למרות היתרונות המרשימים שלו, חשוב לדעת ש-o3-pro עדיין לא מתאים לכל שימוש, ויש כמה מגבלות טכניות שכדאי לקחת בחשבון.

• זמני תגובה ארוכים יותר – o3-pro עובד לאט יותר ממודלים אחרים, כי הוא מתוכנן “לחשוב לעומק”. זה לא באג – זו תכונה. אבל זה אומר שתצטרכו להמתין לפעמים דקה או שתיים לתשובה.

• אין יצירת תמונות – המודל הזה לא תומך ביצירת תמונות. אם אתם רוצים לייצר ויזואליים – השתמשו ב-GPT-4o או o4-mini.

• Canvas לא נתמך – נכון לעכשיו, לא ניתן להריץ את o3-pro בסביבת Canvas.

• צ’אטים זמניים מושבתים זמנית – OpenAI מציינת שיש תקלה זמנית בממשק זה, כך שהשימוש בו מושעה עד להודעה חדשה.

אלה לא בהכרח בעיות מהותיות, אבל הן חשובות אם אתם מתכננים שימוש תפעולי במודל – במיוחד אם אתם עובדים עם תהליכי אוטומציה או על דדליין.

השורה התחתונה

o3-pro הוא לא מודל לכל משימה – והוא גם לא מתיימר להיות כזה. אבל כשדיוק, עומק ואמינות הם תנאי סף – זה הכלי הכי טוב ש-OpenAI מציעה כרגע. אם אתם כותבים טקסט רגיש, פותרים בעיה מורכבת, בודקים נתונים חשובים או פשוט רוצים לוודא שהתשובה שקיבלתם מחזיקה מים גם אחרי קריאה שנייה – זה הזמן להפעיל את o3-pro. לשאלות פשוטות, תגובות מהירות או משימות גרפיות – יש כלים אחרים, מהירים וזמינים יותר. אבל כשאתם רוצים להיות בטוחים, באמת בטוחים, שהוא מבין את השאלה עד הסוף, ומחזיר לכם את התשובה הכי שקולה שאפשר? זה הרגע לבחור במודל o3-pro.

הפוסט OpenAI משיקה את מודל o3-pro הופיע ראשון בLet's AI בינה מלאכותית

מדבר כמו בן אדם? כמעט

אם בעבר היה מדובר בקול קרייני טוב, כעת ChatGPT יודע לשנות את האינטונציה בהתאם להקשר, להדגיש מילים, לעצור בנקודות הנכונות, ולבטא רגשות כמו אמפתיה, אירוניה, התלהבות או ספקנות – כמעט כמו שחקן קול מקצועי. הפיצ’ר החדש מאפשר לצופה גם לראות את התמלול של השיחה בזמן אמת. גם לאחר יציאה ממצב הקול, אפשר לראות תיעוד של השיחה, הן מצד הדובר – אתם, והן מצד המערכת – ChatGPT.

תמלול עם מודל הקול של ChatGPT.

תרגום שיחות תוך כדי דיבור

פיצ’ר חדש ומרשים במיוחד הוא יכולת תרגום קולית בזמן אמת: אומרים למצב הקול להתחיל לתרגם, למשל מאנגלית לפורטוגזית, והוא ממשיך לתרגם את כל השיחה משני הכיוונים, עד שתבקשו להפסיק. בין אם אתם מבקשים הוראות ברחוב ברומא, מדברים עם לקוח ביפן או מזמינים קפה בברזיל – ChatGPT יודע לתרגם אתכם ואת הצד השני, בשיחה קולית שוטפת, מבלי שתצטרכו להקליד כלום. רוצים להתנסות – בקשו ממנו את הבקשה הבאה:

תרגם אותי ל-XXX, ואת התשובות של הדובר, תרגם חזרה לעברית.

מה עדיין לא מושלם?

• שינויים לא צפויים בטון ובאיכות הקול עלולים להתרחש לעיתים, במיוחד בקולות מסוימים.

• “הזיות קוליות” נדירות עדיין קיימות – קולות לא צפויים, פרסומות מזויפות או קטעי מוזיקה שעלולים להישמע ללא סיבה. OpenAI מודעת לכך ועובדת על תיקון.

• בשיחה בעברית, מצב הקול פועל, אך ייתכנו הבדלים קלים ברמת הטבעיות לעומת שפות כמו אנגלית. גם התרגום לעברית עובד היטב, אם כי לעיתים הניסוח פחות שוטף.

מה צריך לעשות כדי להתחיל?

כדי להתחיל, ובהנחה ואתם מנויים בתשלום, כל מה שצריך זה ללחוץ על אייקון המיקרופון באפליקציה (ב-iOS או Android).התחילו לדבר – ChatGPT יאזין, יגיב בקול, ויוכל גם לתרגם שיחות בזמן אמת אם תבקשו.

לדוגמה:

• אמרו: “היי, תתחיל לתרגם מעברית לאיטלקית.”

• ומאותו רגע, הוא ימשיך לתרגם אתכם ואת הצד השני – עד שתפסיקו אותו.

איך מחליפים את הקול של ChatGPT?

1. פתחו את אפליקציית ChatGPT (ב-iOS או Android).

2. עברו למסך הראשי (לא בתוך שיחה).

3. הקישו על תמונת הפרופיל שלכם או על שלוש הנקודות בפינה – כדי להיכנס להגדרות.

4. תחת Voice Mode או מצב קול״ בחרו באפשרות “Voice” או “קול”.

5. תראו רשימה של קולות זמינים – לדוגמה: Juniper, Breeze, Ember, Cove, Sky.

6. לחצו על כל קול כדי לשמוע דוגמה, ובחרו את הקול המועדף עליכם.

טיפ: אם לא מופיע לכם המיקרופון – ודאו שהפעלתם הרשאות גישה למיקרופון באפליקציה, ושהעדכון האחרון מותקן.

לחצו על המיקרופון ותתחילו לדבר

אין מה להגיד – מצב הקול החדש של ChatGPT כבר לא נשמע כמו קריין – הוא נשמע כמו אדם אמיתי! שיחה זורמת, טון משתנה, ואפילו ניואנסים של רגש – כל אלה יוצרים חוויה שמרגישה טבעית ולא טכנולוגית. כשהוא גם מתרגם שיחות בזמן אמת, השימוש בו הופך מכלי עזר לפוטנציאל תקשורתי של ממש – בטיולים בחו”ל, בשיחות עם לקוחות מעבר לים, או פשוט בשיחה יומיומית בלי להקליד מילה.

הפוסט מצב הקול החדש של ChatGPT נשמע כמעט אנושי – ומתרגם שיחות בזמן אמת הופיע ראשון בLet's AI בינה מלאכותית

Projects on Claude now support 10x more content.

When you add files beyond the existing threshold, Claude switches to a new retrieval mode to expand the functional context. pic.twitter.com/8ob8QHluT5

— Anthropic (@AnthropicAI) June 5, 2025

מאחורי הקלעים של השדרוג

עד עכשיו, Claude ידע להתמודד עם עד 200,000 טוקנים – בערך 500 עמודים. אבל עכשיו, פרויקט אחד יכול לכלול עד 2 מיליון טוקנים – פי עשרה יותר. וכדי שזה יעבוד בלי לקרוס או להאט, Anthropic הוסיפה מנגנון של שליפה חכמה (retrieval mode): במקום לטעון את כל המסמכים לתוך השיחה, קלוד שומר אותם ברקע – ושולף רק את מה שרלוונטי בכל רגע נתון.

הפיצ’ר כבר זמין למנויים בתשלום: Pro, Max, Team ו־Enterprise.

מה המשמעות בפועל?

Claude כבר לא מגיב רק למה שכתוב מולו – הוא מתפקד כמערכת ניהול ידע מלאה. אפשר לאגד בתוך פרויקט אחד עשרות מסמכים, דו”חות, קבצי קוד, תיעוד, תקציבים או ראיונות – וקלוד ישלוף את החלקים הנכונים לשאלה, גם שבועות אחרי שהועלו. זה שדרוג שמאפשר לנהל תהליכים מבוססי ידע, ולא רק שיחה חד־פעמית.

קלוד בעולם האמיתי

קלוד יודע להשתלב בעבודות מהחיים האמיתיים – כאלה שדורשות להחזיק הרבה מידע בראש, לחבר בין מקורות, ולענות על שאלות מורכבות. עורך דין, למשל, יכול להעלות פרויקט שלם עם תצהירים, חוות דעת ותקדימים – ולבקש מקלוד לאתר סתירה או סעיף רלוונטי תוך שניות.

חוקרת אקדמית תוכל להזין עשרות מאמרים, מסמכים ממשלתיים ונתוני שטח – ולבקש ממנו ניתוח השוואתי שמחבר בין הכול.

גם מנהלת מוצר תרוויח: היא תעלה אפיוני פיצ’רים, שיחות עם לקוחות, ומצגות הנהלה – ותקבל תשובות שמבינות את התמונה הרחבה, לא רק את השאלה הספציפית.

אפילו מפתח יכול פשוט להעלות את כל ספריית הקוד עם התיעוד, ולאפשר לקלוד לנתח את המבנה, להבין את התלויות בין רכיבים, ולהציע פתרונות שמבוססים על ההקשר המלא של הקוד.

רעיון לפרויקט

הנה דוגמה קונקרטית שממחישה בדיוק איך להשתמש ב-Claude Projects ככלי עבודה חכם. נניח שאתם מובילים השקה של מוצר דיגיטלי חדש – כמו למשל פלטפורמת למידה לחברות בגודל בינוני. במקום לנהל עשרות קבצים נפרדים, אתם פותחים פרויקט חדש ב-Claude ומעלים אליו כל אינפורמציה רלוונטית: מחקר שוק, ראיונות לקוחות, דוחות אנליטיים, מסמכי תקציב, ומפת דרכים טכנית.

במקביל, נותנים לקלוד מטרה והנחיות ספציפיות וממוקדות לפרויקט ומתחילים ״לדבר עם הנתונים״. במקום להתחיל כל שיחה מהתחלה, Claude כבר מבין את ההקשר, זוכר את כל ההחלטות שכבר התקבלו – ויכול לענות על שאלות מורכבות.

דוגמא מפורטת לפרויקט ב- Claude

שם הפרויקט: “השקה מוצר חדש Q4 2025 – פלטפורמת למידה דיגיטלית”.

תיאור הפרויקט: פרויקט זה מרכז את כל המידע והמחקר עבור השקת פלטפורמת הלמידה הדיגיטלית החדשה שלנו.

המטרה: לפתח אסטרטגיית השקה מושלמת עד דצמבר 2025.

הוראות לפרויקט (Project Instructions):

“אתה עוזר אסטרטגי למנהלת מוצר. היה עקבי עם האסטרטגיה, השתמש בנתונים מהמסמכים, הצע פתרונות ישימים, וזכור שיש תקציב ולוח זמנים”.

– הקפד על עקביות עם האסטרטגיה הכללית

– השתמש בנתונים מהמחקרים שהעליתי

– תציע פתרונות מעשיים ומבוססי נתונים

– זכור את התקציב המוגבל ואת לוח הזמנים הקצר

– התייחס לקהל היעד: אנשי הרכש בחברות 50-500 עובדים.

קבצים שיועלו לפרויקט:

– מחקר שוק: 15 עמודים על המתחרים הקיימים

– ראיונות לקוחות: תמלילים מ-20 ראיונות עומק

– נתוני אנליטיקס: דוחות שימוש מהמוצר הקיים

– מפת דרכים טכנית: מה אפשר לפתח ועד מתי

– תקציב שיווק: פירוט הסכומים הזמינים

– מחקר UX: ממצאים מבדיקות משתמשים

– מצגות הנהלה: החלטות שנתקבלו בפגישות

– תוכנית התחרות: ניתוח מהלכי המתחרים האחרונים.

דוגמאות לשאלות שתשאלו:

“איזה מסר שיווקי יתאים הכי טוב בהתבסס על הראיונות עם הלקוחות?”

“מה הלקחים מהמתחרה X שצריכים להשפיע על האסטרטגיה שלנו?”

“איך לחלק את תקציב השיווק בין הערוצים בהתבסס על הנתונים?”

“מה הפיצ’רים החשובים ביותר להשקה הראשונה לפי ממצאי ה-UX?”

היתרון של Claude עם העדכון החדש: במקום להעתיק ולהדביק מסמכים בכל שיחה, כל המידע נשמר בפרויקט. Claude יכול לקשר בין הראיונות עם הלקוחות לבין נתוני האנליטיקס, להציע רעיונות שיווקיים שמתבססים על מחקר השוק, ולזכור החלטות קודמות כשמתכננים צעדים הבאים.

מבחינת כמות המידע שהעליתם לפרויקט, ברגע שעוברים את גבול ה־200,000 טוקנים, קלוד מזהה את זה לבד – ועובר אוטומטית למצב שליפה. למרות שמדובר בכמות עצומה של תוכן, מהירות התגובה נשמרת, ודווקא בזכות השליפה החכמה – הדיוק גבוה, כי קלוד לא “שופך” את כל המידע לשיחה, אלא פונה רק למה שרלוונטי.

איך מתחילים פרויקט בקלוד?

הנה מה שצריך לעשות:

1. פתחו פרויקט חדש בסרגל הכלים הצידי של Claude (זמין רק למנויים בתשלום – Pro, Max, Team או Enterprise).

2. תנו שם ותיאור לפרויקט.

3. כתבו Project Instructions – טקסט קצר שמכוון את קלוד: מה מטרת הפרויקט, מה חשוב לזכור, ואיזה סוג תשובות אתם מחפשים.

4. העלו קבצים רלוונטיים שאתם משתמשים בהם בעבודה – מסמכים, תיעוד, קוד, דוחות או תקצירים.

5. התחילו לנהל שיחה עם קלוד – תשאלו שאלות אמיתיות מתוך התוכן, ותנו לו להוכיח שהוא לא רק מקשיב – אלא גם מבין, זוכר, ושולף.

חשוב לזכור: אם אתם משתמשים ב-Claude Projects עם תוכן רגיש, כמו מסמכי חברה, מידע על לקוחות, או קבצים דיסקרטיים, כדאי לתאם זאת מול מדיניות האבטחה של הארגון ולהיות מודעים להיבטים של פרטיות ושמירה על מידע.

איך להתחיל פרויקט ב- Claude Projects

Claude כבר לא רק עונה על שאלות – הוא יודע לעבוד עם כמויות ידע גדולות, לאורך זמן, עם הבנה אסטרטגית של מה שבאמת חשוב. השדרוג הזה לא רק מוסיף נפח, הוא משנה את האופן שבו אנחנו משתפים פעולה עם AI: ממענה נקודתי למערכת ניהול ידע שמבינה הקשר, זוכרת החלטות, ומציעה פתרונות. אם עוד לא ניסיתם את Claude Projects – זה בדיוק הזמן. תנו לו פרויקט אמיתי, ותראו איך AI יכול להפוך לשותף מהשורה הראשונה.

הפוסט השדרוג שהופך את Claude לשותף אמיתי בניהול פרויקטים הופיע ראשון בLet's AI בינה מלאכותית

חיבור ישיר לשירותי הענן שלכם

נמאס לכם לחפש קבצים בין תיקיות? עכשיו אפשר לחבר את ChatGPT ישירות ל־Google Drive, Dropbox, Box, SharePoint ו־OneDrive.

חיבור ChatGPT לשירותים חיצוניים.

מה זה אומר בפועל? שהבוט לא רק מבין את השאלה – אלא גם נכנס לקבצים שלכם, קורא מצגות, גליונות ומסמכים, ושולף מידע רלוונטי מתוך התוכן עצמו. במקום לקפוץ בין אפליקציות, להעתיק ולהדביק – הכל קורה במקום אחד. כך אתם חוסכים זמן, מצמצמים טעויות, ומקבלים תשובות מדויקות יותר שמבוססות על המידע הספציפי שלכם.

ממשק המשתמש עם חיבור מקורות מידע חיצוניים כולל Web search ו-Research.

הקלטות ותמלול פגישות 

כמה פעמים יצאתם מפגישה ושאלתם את עצמכם “מה בדיוק סיכמנו?” הפיצ’ר החדש של ChatGPT עוזר לכם לא לשכוח שום פרט: אפשר להקליט פגישות (כרגע ב־macOS ובמנויי Team בלבד), לקבל תמלול מלא עם זמנים מדויקים, ואפילו להפיק תובנות אוטומטיות ופעולות מומלצות – בלחיצת כפתור.

היתרון הגדול? הכול קורה באותו מקום: גם ההקלטה, גם הסיכום, גם השיתוף עם הצוות. בהשוואה לכלים כמו Zoom, Notion או Otter – השימוש ב-ChatGPT פשוט חוסך לכם שלבים.

מחקר ודוחות עומק מחוברים למערכות העסקיות

מהיום אפשר לחבר את ChatGPT ישירות למערכות כמו HubSpot, Linear, וכלים נבחרים של Microsoft ו־Google (בשלב בטא).

התוצאה? אתם יכולים לבנות דוחות חכמים שמבוססים על המידע הפנימי שלכם, לא רק על מה שזמין ברשת.

למשל: אפשר לנתח נתוני מכירות, לזהות מגמות בשירות לקוחות, להפיק סיכומי שיווק חכמים – והכול אוטומטית, בלי להסתבך עם נוסחאות באקסל או להעתיק נתונים בין מערכות. זה לא עוד כלי חיצוני – זה כלי שעובד מבפנים.

בנוסף, מנהלי מערכת יכולים לחבר מקורות מידע פנים ארגוניים דרך שרת MCP.

פרטיות, אבטחה וניהול ארגוני

הפיצ’רים החדשים זמינים למנויי Pro, Team ו-Enterprise, כשכל רמה מותאמת לסוג שונה של משתמשים:

• Pro – מושלם למשתמשים בודדים שרוצים גישה ליכולות המתקדמות ביותר של ChatGPT.

• Team – מיועד לצוותים קטנים ובינוניים, עם ניהול משתמשים, שיתוף קבצים, והרשאות ניהוליות.

• Enterprise – פתרון לארגונים גדולים שזקוקים לאבטחה מתקדמת, התאמה אישית ותמיכה צמודה.

אבל לא פחות חשוב – הדגש על פרטיות ושליטה בידיים שלכם: המידע שאתם מעלים לא משמש לאימון המודלים, והוא נשאר מוגן אצלכם.

בנוסף, אתם מקבלים כלים ניהוליים מתקדמים לשליטה בגישה, הרשאות, וניהול צוותים בצורה בטוחה.

אימוץ מהיר וצמיחה מסחררת

יותר מ-3 מיליון חברות כבר משתמשות ב-ChatGPT לעסקים, עם עלייה של מיליון מאז תחילת השנה. זה לא טרנד חולף, אלא כלי שמוטמע בלב העבודה הארגונית, עם קצב אימוץ שגדל במהירות.

מגבלות ואתגרים – מה חשוב לדעת לפני שקופצים פנימה?

כמו בכל כלי חדש, גם ל־ChatGPT לעסקים יש לא רק יתרונות, אלא גם מגבלות שצריך להכיר:

זמינות חלקית של פיצ’רים

לא כל הפיצ’רים זמינים לכולם. לדוגמה, הקלטת ותמלול פגישות פועל כרגע רק ב־macOS ובמסלול Team. משתמשי Windows או מנויי Pro לא יוכלו להשתמש בו בשלב זה. בנוסף, חלק מהחיבורים למערכות כמו HubSpot או כלים של Google ו־Microsoft עדיין נמצאים בבטא – מה שאומר שייתכנו בעיות זמינות או יציבות.

אבטחת מידע ורגולציה

אמנם OpenAI מדגישה שהמידע שלכם לא משמש לאימון המודלים ונשאר אצלכם, אבל כשמדובר בקבצים עסקיים רגישים, מומלץ לבדוק היטב את מדיניות הפרטיות. במיוחד בארגונים עם דרישות רגולציה או אבטחה מחמירות – כדאי לוודא שהשימוש בכלי תואם להנחיות הארגוניות.

איך להתחיל?

הדרך הכי טובה להבין אם ChatGPT מתאים לכם? פשוט לנסות. אם אתם משתמשים במסלול Team וב־macOS – התחילו בקטן:

• הקליטו את הפגישה הבאה שלכם בעזרת ChatGPT,
• קבלו תמלול אוטומטי וסיכום תובנות, והשוו אותו למה שהייתם עושים ידנית או עם כלי אחר.

תשאלו את עצמכם:

• האם זה חוסך זמן?

• האם התמלול מדויק?

• האם הסיכום עוזר להתקדם לפעולה?

אם התשובה חיובית – כנראה שמצאתם כלי שיכול ללוות אתכם הלאה.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

שורה תחתונה – למה זה כדאי לכם?

אם אתם עובדים עם מידע, צוותים או לקוחות – ChatGPT המשודרג יכול לשנות לכם את השגרה. פחות זמן מתבזבז על לחפש קבצים או לקפוץ בין אפליקציות. יותר זמן נשאר לעבודה אמיתית. הכול מתרכז במקום אחד: תובנות שמבוססות על המידע שלכם, שיתוף קל עם הצוות, שליטה מלאה על הפרטיות, והרגשה שהדברים סוף סוף זורמים כמו שצריך. זה לא עוד גאדג’ט – זה כלי עבודה. כזה שעובד בשבילכם. אז למה לא לנסות? תנו ל-ChatGPT להפוך לעוזר החכם שלכם, ותראו איך הכול נהיה פשוט יותר, ברור יותר, ומהיר הרבה יותר.

הפוסט ChatGPT נכנס למשרד ומתחבר לעולם העסקים הופיע ראשון בLet's AI בינה מלאכותית

גישה לאינטרנט: הבקשה הכי מבוקשת סוף סוף כאן!

הפיצ’ר המבוקש ביותר בקרב המשתמשים זמין כעת: Codex יכול לגשת לאינטרנט במהלך ביצוע משימות. המשמעות היא שהוא מסוגל כעת להתקין ספריות חיצוניות, להריץ בדיקות התלויות במשאבים אונליין, לעדכן או להוריד חבילות לצורך בניית תכונות חדשות, ועוד. מדובר בקפיצה משמעותית ביכולות של Codex, שמקרבת אותו צעד נוסף למפתח האולטימטיבי האוטונומי.

אבטחה ושליטה בעת שימוש בגישה לאינטרנט

הגישה לאינטרנט מושבתת כברירת מחדל, אך ניתן להפעיל אותה בעת יצירת סביבת עבודה חדשה או בעריכה של סביבה קיימת. למשתמשים יש שליטה מלאה על הדומיינים ושיטות ה-HTTP שהכלי יכול להשתמש בהם – כך שניתן לאזן בין גמישות וביצועים לבין אבטחה ושליטה.

לקודקס יש גישה לרשת.

מי יכול להשתמש בגישה לאינטרנט?

גישה לאינטרנט זמינה כבר היום למשתמשי Plus, Pro ו-Team של ChatGPT. התמיכה למשתמשי Enterprise תצטרף בקרוב.

כיצד להתמודד עם הסיכונים?

עם זאת, חשוב להדגיש שהגישה לרשת אינה חפה מסיכונים. לפי OpenAI, היא עלולה לחשוף את הסביבה לסיכוני אבטחה כמו התקפות prompt injection, הדלפות קוד או סודות, הכנסת קוד זדוני או חומרים עם מגבלות רישוי. כדי לצמצם סיכונים אלו, מומלץ לאפשר רק את הגישה ההכרחית ביותר ולבחון היטב את הפלטים והיומנים ש-Codex מייצר.

קודקס נפתח ליותר משתמשים

החל מ-3.6.25, משתמשי ChatGPT Plus מקבלים גישה ל-Codex. לפחות בשלב ההשקה, ההרצה תכלול מכסות שימוש נדיבות. עם זאת, במהלך זמנים של עומס, OpenAI עשויה להגביל את קצב השימוש כדי לשמור על זמינות רחבה.

פחות טרחה, יותר פשטות

בנוסף לעדכוני הרשת והזמינות, Codex מקבל גם חבילת שיפורים ניהוליים ותשתיתיים:

שיפורים ניהוליים ותשתיתיים

מעקב אחר משימות: בעת המשך עבודה על משימה קיימת, Codex יעדכן את ה-PR הקיים במקום ליצור חדש. שילוב עם SSO: ארגונים שמשתמשים ב-SSO (כניסה יחידה) לא יידרשו להפעיל אימות דו-שלבי (MFA) בנפרד.

המתח שבין שליטה לביצועים

השדרוגים האחרונים של Codex מחזקים את מעמדו ככלי פיתוח גמיש ועוצמתי, אך גם מחדדים את האתגרים של שימוש אחראי ומאובטח. ככל שיכולותיו מתקרבות לאוטונומיה מלאה, האחריות על ניהול נכון של גישה, רשת והרשאות תופסת מקום מרכזי יותר.

העדכונים מצטרפים למגמה ברורה של הרחבת הכלים המתקדמים של OpenAI לקהלים רחבים יותר תוך שמירה על עקרונות של אבטחה, שקיפות ושליטה. למפתחים, מדובר בהזדמנות לבחון מחדש איך סוכני AI משתלבים בפרויקטים מורכבים – ובאיזה תנאים.

מידע נוסף

למידע נוסף על העדכונים והשיפורים האחרונים של Codex, ניתן לעיין ברשימת השינויים המלאה (Changelog), או לקרוא על גישה לאינטרנט של סוכן Codex והשלכות האבטחה הכרוכות בכך.

הפוסט שיפורים ב-Codex – סוכן הקוד של OpenAI הופיע ראשון בLet's AI בינה מלאכותית

מה זה Spaces של פרפלקסיטי?

ה-Spaces הם מרחבי עבודה וירטואליים המאפשרים לארגן, לנהל ולשתף מידע, קבצים ושיחות (Threads) לפי נושאים או פרויקטים. כל Space מתפקד כמרכז ידע מותאם אישית, שבו ניתן לאגד מקורות מידע שונים – החל מקבצים אישיים ועד חיפושים באינטרנט – ולבצע עליהם חיפושים ושאלות בעזרת הבינה המלאכותית של פרפלקסיטי.

מאפיינים מרכזיים של ה-Spaces של פרפלקסיטי:

• ארגון חכם: כל Space מאפשר לאגד שיחות, קבצים, קישורים ומידע לפי נושא, פרויקט או תחום עניין, מה שמקל על הגישה למידע הרלוונטי.
• שיתוף פעולה: ניתן להזמין שותפים להצטרף ל-Space, לצפות, להוסיף תכנים, לשאול שאלות ולבצע מחקר משותף. כל שותף יכול לפתוח שרשור חדש או להמשיך שיחה קיימת.
• חיפוש מותאם: ניתן לבחור את מקורות החיפוש – אינטרנט, קבצים שהועלו ל-Space, או שילוב של שניהם – לקבלת תשובות מותאמות ומדויקות יותר.
• העלאת קבצים: משתמשי פרו יכולים להעלות עד 50 קבצים לכל Space, כולל פורמטים כמו PDF, Word, Excel ו-PowerPoint.
• הוראות מותאמות אישית: ניתן להגדיר הוראות מותאמות לבינה המלאכותית, לקבוע את הטון, הסגנון וההתנהגות הרצויה של המודל בתוך ה-Space.

גלריית התבניות של Spaces

כדי להקל על המשתמשים להתחיל לעבוד עם Spaces, פרפלקסיטי מציעה גלריית תבניות מוכנות מראש. תבניות אלו מספקות מסגרת עבודה מובנית לפרויקטים שונים, עם הוראות מותאמות, קישורים רלוונטיים ולעיתים גם קבצים מצורפים.

הטמפלטים שאתם חייבים להכיר!

פה תמצאו מספר טמפלטים שימושיים שכאלה:

• בדיקת נאותות עם פקפלקסיטי – Due Diligence Data Room: תבנית המיועדת להערכת הזדמנויות השקעה, מאפשרת להעלות חומרים של סטארטאפים ולהשוותם לעסקאות קודמות ולסימני שוק.
• דוחות עסקיים – Prospect Researcher: תבנית ליצירת דוחות מפורטים על לקוחות פוטנציאליים, באמצעות הזנת שם החברה וקבלת מידע רלוונטי.
• סיעור מוחות – Brainstorm Buddy: תבנית המסייעת בהרחבת רעיונות יצירתיים, מציעה כיוונים חדשים ווריאציות שונות לנושא הנבחר.
• מדריך כתיבה – Writing Coach: תבנית המספקת משוב ברור ופעיל על כתיבה, משפרת את הטון, המבנה והבהירות של הטקסט.

איך משתמשים בתבניות של פרפלקסיטי?

1. גשו ל-גלריית התבניות.

2. בחרו בתבנית הרצויה ולחצו על “Use this template”.

3. פרפלקסיטי תיצור עבורכם Space חדש המבוסס על התבנית, כולל ההוראות והקישורים המוגדרים מראש.

4. התחילו לעבוד בתוך ה-Space החדש, הוסיפו קבצים, שאלות ושתפו עם שותפים לפי הצורך.

איך יוצרים ספייס חדש?

לצד השימוש בתבניות מוכנות, פרפלקסיטי מאפשרת גם ליצור Spaces מותאמים אישית – דרך שמציעה גמישות מרבית למשתמשים שמעוניינים לבנות סביבת עבודה ייחודית לצרכים הספציפיים שלהם.

בניית Space משלכם היא תהליך פשוט ואינטואיטיבי:

• יצירת ספייס: לחצו על לשונית ה-Spaces בתפריט הצידי, ואז על כפתור הפלוס (+).
• הגדרת כוונה: התחילו ביצירת Space חדש, והזינו הוראות לבינה המלאכותית – למשל, “בצע מחקר על מתחרים בתחום הפינטק” או “עזור לי לארגן את כל המאמרים בנושא נוירונים מלאכותיים”. 
• הוספת הקשר ומסמכים: הוסיפו קישורים רלוונטיים, מסמכים או טקסטים שמספקים הקשר רחב יותר – כל אלה יסייעו ל-AI להבין טוב יותר את מטרת הספייס.
• שאלו וקבלו תשובות: התחילו לשאול שאלות בתוך הספייס – המידע והמסמכים שהעליתם ישמשו את פרפלקסיטי כדי לספק תשובות מדויקות, קונטקסטואליות ומותאמות אישית.

באמצעות תהליך זה, ניתן לבנות סביבת עבודה שכוללת גם לוגיקת חיפוש מותאמת, גם סדר ארגוני ברור וגם שיתוף פעולה עם אחרים – הכל בממשק אחד שמרגיש כמו עוזר אישי עם כוחות של מנוע חיפוש.

שורה תחתונה – זה שווה?!

פיצ’ר ה-Spaces של פרפלקסיטי מתגלה ככלי יעיל ואינטגרטיבי לניהול פרויקטים, ארגון ידע ושיתוף פעולה מבוסס בינה מלאכותית. היכולות המובנות בפלטפורמה – החל מהגדרת הוראות מותאמות אישית, דרך שיתוף קבצים ושרשורים עם שותפים, ועד גלריית תבניות שמציעה מסגרות עבודה מוכנות – הופכות אותה לרלוונטית במגוון תרחישים: מחקר ארוך טווח, עבודה צוותית או ריכוז חומרים אישיים. מה שמייחד את Spaces הוא היכולת לשלב בין סדר, הקשר ומענה חכם מבוסס AI, כל זאת בממשק שמכוון לשימוש שוטף ולאירגון יומיומי. בעוד פרפלקסיטי ממשיכה לבסס את עצמה כאחת מהפלטפורמות הבולטות בתחום השאילתות החכמות, Spaces מסמנים צעד נוסף לכיוון שבו חיפוש ידע הופך להיות גם תשתית עבודה.

הפוסט הטמפלטים שאתם חייבים להכיר ב-Perplexity Spaces הופיע ראשון בLet's AI בינה מלאכותית

מה שחשבנו שחשוב לעומת מה שבאמת דרוש

נסו להיזכר לרגע: לפני עידן ה-AI הג׳נרטיבי, יועצי קריירה חזרו ואמרו – תתמקדו בתכנות, בניהול מערכות, ובמיומנויות טכניות מורכבות. אלה נחשבו ל”כישורים חסיני עתיד”. אבל היום? מערכות בינה מלאכותית כבר יודעות לבצע חלקים גדולים מהעבודה הזו בעצמן. הכיוון השתנה: כבר לא שואלים “איך כותבים אלגוריתם?” אלא “איך מנחים אלגוריתם לבצע משימה?” וזה לא בגדר תיאוריה. מחקרים שמשווים בין תחזיות העבר לבין הדרישות בשוק העבודה כיום מצביעים על ארבעה שינויים ברורים שכל אחד מהם משנה את חוקי המשחק:

1. כישורים טכניים נדחקו הצידה (אבל לא נעלמו)

כן, לדעת לכתוב קוד זה עדיין יתרון – אבל זה כבר לא הכרח. הרבה יותר חשוב לדעת איך עובדים עם AI. במקום ללמוד שפת תכנות, אנשי מקצוע נדרשים להבין איך לנסח פרומפטים, איך לתרגם צורך עסקי להוראה למכונה, ואיך לוודא שהתוצאה מדויקת, שימושית ואמינה. זה כמו ההבדל בין לתקן כל חלק במכונית בעצמכם – לבין לדעת בדיוק איך להפעיל מערכות אוטונומיות שיתקנו אותה בשבילכם.

2. כישורים רכים הפכו לכישורי על

AI יכול להריץ תהליכים. אבל הוא לא יודע לנהל צוות במצבי לחץ. הוא לא יודע לקבל החלטות מוסריות. הוא לא מבין ניואנסים רגשיים או פוליטיים. כאן בדיוק נכנסים בני אדם. מי שיודעים להוביל שינויים, לגשר בין אנשים, לחשוב מהר ולפעול באי-ודאות – הם אלה שהופכים לבעלי ערך גבוה מתמיד.

3. אוריינות AI היא קריטית 

לדעת להשתמש ב-ChatGPT זה לא מספיק. צריך להבין איך לחשוב איתו, מתי להאמין לו, איך לפרש את התשובות שלו – ואיפה הוא בכלל לא מתאים. זו אוריינות דיגיטלית מהדור החדש. כזו שלא מספיק ללמוד פעם אחת – אלא לחדד כל הזמן, כי הטכנולוגיה עצמה משתנה ללא הרף.

4. כישורים אנושיים במרכז

ככל שהטכנולוגיה משתפרת כך מתחדדת התובנה: יש דברים שמכונה פשוט לא יודעת לעשות. היא לא יודעת להרגיש (למרות שהיא גורמת לנו לחשוב שכן), היא לא מבינה הקשרים תרבותיים. היא לא מזהה מתח סמוי בשיחה. והיא בטח שלא מקבלת החלטות מתוך ערכים, אינטואיציה או שיקול דעת מוסרי. דווקא עכשיו – מה שהכי אנושי, הופך להכי נדרש: לדעת להקשיב, להבין איך אנשים באמת חושבים, לחבר בין עולמות שונים ולפתור בעיות שאין להן תשובה אחת. להפעיל גם שכל וגם רגש – באותו משפט.

בתחומים כמו שירות, ניהול, חינוך – האנשים שמובילים הם לא אלה שיודעים הכי הרבה – הם אלה שיודעים איך לגשת לבני אדם ולהפעיל את הטכנולוגיה בשבילם, לא במקומם.

הנה מפת הכישורים שכדאי לזכור: ארבעה סוגים של יכולות שכולנו נצטרך לפתח – אם נרצה להישאר רלוונטיים בעולם שבו AI הוא כבר לא בגדר אופציה:

מפת כישורים מעודכנת לעידן החדש – שילוב מנצח

איך השתנו הכישורים בעידן ה-AI?

הטבלה הבאה, שפורסמה בטיוטת דיון של המכון הישראלי לדמוקרטיה, מבוססת על סקירת מחקרים מקיפה שבחנה את השינויים בכישורים הנדרשים בשוק העבודה מאז השקת ChatGPT. היא מציגה השוואה שיטתית בין תחזיות מ-2017–2021 לבין דרישות מעודכנות לשנים 2024–2025, על פני ארבע קטגוריות: אוריינות AI, מיומנויות רכות, כישורים טכנולוגיים ומיומנויות קוגניטיביות.

הטבלה נערכה באמצעות ChatGPT עצמו, ועברה תהליך ביקורת וניתוח אנושי מטעם חוקרי המכון – והיא מספקת תמונת מצב ברורה של מה השתנה, מה נשאר, ואילו מיומנויות נולדו מחדש בעידן ה-AI:

כישורים נדרשים לפני עידן ChatGPT ואחריו. קרדיט: המכון הישראלי לדמוקרטיה

ומה עכשיו?

מי שישגשגו בעידן החדש הם לא אלה שיודעים הכי הרבה, אלא אלה שמבינים איך לעבוד ביחד עם המכונה. אל תעמדו מהצד ותחכו שהשינוי יחלוף. הוא לא. הוא פה להישאר – והבחירה האמיתית היא אם להוביל אותו, או לרדוף אחריו.

אז מה עושים?

קודם כול, לומדים לדבר עם AI. לא לפתח אותו, לא לבנות מודלים – אלא פשוט לדעת איך לתקשר איתו נכון. נכנסים ל-ChatGPT, Claude או Perplexity – לא כדי “לשחק” אלא כדי להבין איך שאלה אחת יכולה לשנות את כל התוצאה. ניסוח מדויק, חשיבה חדה, זה ההבדל בין פלט סתמי לתשובה שבאמת עוזרת לכם.

אחר כך, מחזקים את מה שמבדיל אתכם באמת. היכולת לחשוב ביקורתית. לקבל החלטה באי-ודאות. להרגיע לקוח בלחץ, לגשר, להבין את מה שלא נאמר. אלה הדברים שמכונה עדיין לא יודעת לעשות. ואתם? תתאמנו דווקא שם.

ולבסוף, תבנו לעצמכם תוכנית. לא חייבים Excel. רק כיוון ברור. אם אתם מורים – תתחילו לשלב כלים חכמים בכיתה, אם אתם בתחום השיווק – תבדקו איך AI יכול לחסוך לכם שעות של ניתוח וקופירייטינג. ואם אתם מנהלים – זה הזמן לבנות סגנון הובלה שמתאים לעולם מעורב: קצת אדם, קצת אלגוריתם.

זה מה שצריך כדי להתחיל. תחשבו מה יחזק אתכם באמת – לא מה ש”כולם לומדים”, אלא מה אתם צריכים כדי לצמוח.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

העולם משתנה והוא לא תמיד משחק לטובת מי שיודעים הכי הרבה. הוא נוטה לטובת מי שמוכנים ללמוד מחדש. להשתנות. להתנסות. מי שלא נבהלים מהכלים החדשים – אלא בוחרים לעבוד איתם. כשתעשו את זה, אתם לא רק תשמרו על הרלוונטיות שלכם. אתם ממש תבנו אותה מחדש.

הפוסט אילו מיומנויות השתנו או עלו בחשיבותן מאז הופעת ChatGPT? הופיע ראשון בLet's AI בינה מלאכותית

מה ההבדל בין Research ל-Labs?

Research – מיקוד במידע

לפרפלקסיטי יש כבר מחודש פברואר כלי מחקר עמוק המשלב בינה מלאכותית מתקדמת עם יכולות חיפוש וניתוח חכמות – כלי שפועל כמו חוקר אישי: מריץ חיפושים, בודק מקורות, ומחזיר תובנות ממוקדות תוך 2–4 דקות. הוא מעולה לכתיבת דוחות, סקירות שוק, וניתוחים פיננסיים.

Labs – מיקוד בתוצר

כאן לא רק מבינים – יוצרים בפועל. Labs בונה תוצרים ממשיים כמו:

• דשבורדים אינטראקטיביים

• קבצי CSV

• אפליקציות ווב בסיסיות

• מצגות וגרפים אוטומטיים

כל אלה נבנים תוך כ־10 דקות, וניתנים להורדה, עריכה או שיתוף מתוך לשוניות Assets ו־App.

Deep Research remains the fastest way to get comprehensive answers to in-depth questions.

Labs is designed to invest more time and leverage multiple tools, such as coding, headless browsing, and design to create more dynamic outputs. pic.twitter.com/DcsFBmladX

— Perplexity (@perplexity_ai) May 29, 2025

ההבדל בין שני הכלים מתבטא בשלושה היבטים עיקריים: מהירות, סוג התוצר והמטרה.

Research פועל מהר יותר ומחזיר מידע מעובד, כמו סיכומים, תובנות וסקירות עומק – ומתאים במיוחד למחקר, כתיבת דוחות או ניתוחים פיננסיים. Labs, לעומתו, לוקח קצת יותר זמן, אך מספק תוצרים גולמיים ומוכנים לעבודה. הוא מתאים למי שצריך להוציא רעיון לפועל, לבנות אבטיפוס או להכין הצגה חזותית במהירות – בלי לפתח דבר בעצמו.

All files created during your workflow — documents, spreadsheets, charts, images, code files — are organized in the “Assets” tab for easy access. pic.twitter.com/43dNd9Gcfq

— Perplexity (@perplexity_ai) May 29, 2025

איך עושים את זה?

1. כנסו לחשבון שלכם בפרפלקסיטי – לחצו על הכפתור החדש – “Create a project” שנמצא בחלון הצ׳אט – כדי להתחיל פרויקט חדש. לחצן הנורה מייצג אפשרות לקבל השראה לפרויקט.

2. לאחר הלחיצה, מופיעה רשימת דוגמאות מוכנות לרעיונות של פרויקטים שאפשר ליצור. בין הדוגמאות: מצגות חזותיות, דשבורדים, גרפים וניתוחים השוואתיים בין מודלי בינה מלאכותית.

דוגמה מפרויקט לדוגמה שיצרתי ב-Labs

יצירת תרשים ארגוני של מעבדות המחקר המובילות בתחום הבינה המלאכותית (HTML Org Chart): צפייה בפרויקט ב-Labs.

בפרויקט הזה, Perplexity יצר תרשים ארגוני אינטראקטיבי שמציג את מבנה ההנהלה של גופי המחקר המרכזיים בעולם ה-AI – כמו OpenAI, Anthropic, DeepMind ו-AI21.

התוצאה כוללת גם מידע על תפקידים בכירים, גיוסים חדשים וקישורים שימושיים – ומגיעה כתוצר HTML מוכן לשימוש.

זו בדיוק הדוגמה לאיך רעיון כללי כמו “למפות את עולם השחקנים ב-AI” הופך תוך דקות למשהו ויזואלי, מסודר ושימושי – בלי לכתוב שורת קוד אחת.

כאן תוכלו למצוא מגוון רחב של פרוייקטים שבנו משתמשים דרך Perplexity Labs.

הבוט של Perplexity בוואטסאפ

בהתחלה זה אולי נראה כמו ניסוי חביב: בוט מבוסס בינה מלאכותית שפועל ישירות בוואטסאפ. אבל מאז ההשקה בסוף חודש אפריל, הכלי הזה השתדרג משמעותית והפך לבן לוויה שימושי ומפתיע ביומיום.

אפשר לשאול אותו שאלות, לבקש הסברים למושגים מורכבים, לסכם מאמרים, לתת המלצות, לעזור בלמידה, לייעץ בנושאי טכנולוגיה, להציע רעיונות יצירתיים או לבדוק עובדות – והכל בלי לצאת מהשיחה, באותו מקום שבו אתם מדברים עם חברים או בני משפחה. לא מדובר בגימיק. זו דרך נגישה ונוחה להכניס את היכולות של בינה מלאכותית מתקדמת אל תוך שגרת היום־יום.

עכשיו, הבוט קיבל חיזוק משמעותי עם יכולות חדשות שהופכות אותו להרבה יותר מרק עוזר חכם. פקודת /news מספקת סיכום יומי של חדשות עדכניות, /generate מייצרת תמונות לפי תיאור חופשי, ו־/character מאפשרת לנהל שיחות עם דמויות וירטואליות – כל אחת עם סגנון ואופי אחר. נוספה גם תמיכה בהודעות קוליות ובקבצים, כך שאפשר לשלוח שאלה קולית ולקבל תשובה מבוססת טקסט.

מעבר לכך, יציבות המערכת השתפרה משמעותית לאחר קריסת ההשקה – והבוט חזר לפעולה סדירה כבר בתחילת מאי. כדי להתנסות, כל מה שצריך לעשות הוא לשמור באנשי הקשר את המספר 833-436-3285 1+ ולהתחיל לדבר עם הצ׳אט.

דוגמה לפקודה character/

עכשיו אפשר לנהל שיחה עם כל דמות – אמיתית או בדיונית – והבינה המלאכותית תענה לכם כאילו היא ממש הדמות הזו. character/ – פשוט כתבו את שם הדמות אחרי הפקודה, וה-AI ייכנס לדמות לחלוטין.

character/ גולדה מאיר

ה-AI יענה לכם כראש ממשלת ישראל לשעבר – בסגנון דיבור ישיר, ענייני ולעיתים חמור סבר, עם התייחסות להיסטוריה, ביטחון וחברה.

רוצים לשאול אותה מה היא חושבת על הטכנולוגיה של היום? או מה היא הייתה עושה עם הרשתות החברתיות?

היא תענה, ואתם תרגישו כאילו היא שם.

הבוט מתאים לקהל רחב: תלמידים, משפחות, אנשי תוכן – או כל מי שרוצה גישה מהירה ונוחה לעוזר חכם, בגובה העיניים.

זמינות ומחיר

הבוט בוואטסאפ זמין ללא תשלום, לכל משתמש עם חשבון וואטסאפ – כולל בישראל. לעומתו, Perplexity Labs פתוח רק למנויי Pro, בעלות של 20 דולר לחודש. זהו כלי שמיועד למשתמשים שמחפשים לא רק תובנות, אלא גם תוצרים בפועל. הוא מתאים במיוחד לאנליסטים, אנשי שיווק, יזמים ומפתחים שרוצים להפוך רעיון ראשוני לדגם עבודה – בלי לגייס צוות ובלי לבזבז זמן.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מקיף לבינה מלאכותית - GenAI Master

לפרטים נוספים לחצו כאן >>

בסופו של דבר, Perplexity לא ממציאה את הגלגל – אבל היא בהחלט מיישרת קו עם הכיוון שאליו שוק הבינה המלאכותית הולך: פחות דיבורים, יותר תוצרים. השילוב בין Labs לבין הבוט בוואטסאפ ממחיש שינוי בגישה – ממערכת שמספקת תשובות, לפלטפורמה שמלווה תהליכי עבודה שלמים. זה לא פתרון קסם, אבל עבור מי שעובד עם רעיונות, תוכן או דאטה – זו דרך חכמה לחסוך זמן, להוריד עומס, ולעבוד בצורה הרבה יותר ממוקדת. Perplexity עדיין מתעצבת, אבל הכיוון ברור: היא בונה סביבה שעוזרת לכם לא רק להבין את העולם – אלא גם לבנות בו משהו בפועל.

הפוסט פרפלקסיטי משתדרגת עם Perplexity Labs ועדכונים לבוט בוואטסאפ הופיע ראשון בLet's AI בינה מלאכותית

איך עובד וייב קודינג עם ג’מיני?

Gemini Pro 2.5 מאפשר לכם ליצור כלים דיגיטליים בלי לכתוב קוד. פשוט מתארים מה אתם רוצים – והוא בונה את זה בשבילכם – וייב קודינג. כך זה עובד:

• מתארים בקול או בטקסט – ג׳מיני ממיר את ההסבר שלכם לקוד מוכן.

• משפרים תוך כדי – מבקשים שינוי בצ’אט, והוא מתעדכן מיד.

• מקבלים תוצאה תוך דקות – כלי שפועל, מוכן לעבודה.

שימו לב: הכלים נועדו לשימוש פנימי בתוך העסק – לא לפרסום באתר או ללקוחות. זה אידיאלי לדוחות, חישובים, ומעקב פנימי פשוט.

יוזקייס לחישוב מחיר מכירה 

בעלי עסקים קטנים מתמודדים עם חישובים יומיומיים – עלות, מע”מ, משלוח, רווח. במקום להתעסק באקסלים, נבנה יחד מחשבון פשוט שמחשב הכול בשבילכם – בלי קוד, רק בעברית פשוטה.

מה צריך לפני שמתחילים?

כדי להתחיל, תצטרכו שני דברים פשוטים: חשבון Google חינמי, ומנוי ל-Gemini Pro – שהוא חינמי לחודש הראשון, ולאחר מכן עולה $20 בחודש. שימו לב שבגרסה החינמית יש מגבלת שימושים יומית, אז היא מתאימה בעיקר להתנסות, פחות לעבודה שוטפת.

שלב 1: התחברות לג׳מיני

כנסו לכתובת gemini.google.com והתחברו עם חשבון Google. ברגע שתיכנסו, לחצו על כפתור “Try Gemini Pro” כדי להפעיל את גרסת הניסיון החינמית לחודש. יהיה עליכם לאשר את פרטי התשלום, אבל אל דאגה – לא תחויבו במהלך החודש הראשון. אם תחליטו שלא להמשיך, פשוט שימו לעצמכם תזכורת לבטל בזמן.

שלב 2: יצירת הכלי

כדי לעבוד עם יכולות הבנייה המתקדמות, ודאו שבחרתם במודל Gemini Pro מתוך בורר המודלים (בפינה העליונה של המסך).

בחרו בג׳מיני 2.5 פרו

כפתור “Canvas”

עכשיו לחצו על כפתור Canvas – הוא מופיע בפינה התחתונה של חלון הצ’אט, ליד שורת ההקלדה. זהו מצב שמאפשר ליצור אפליקציות של ממש, לא רק לנהל שיחה.

לחצו על כפתור ה-Canvas ותתחילו ליצור

התחילו לכתוב את הרעיון/צורך שלכם

בתוך ה-Canvas, הקלידו את הטקסט הבא (או כל רעיון אחר שיש לכם):

אני רוצה ליצור כלי שמאפשר לי לבדוק מה צריכה להיות עלות המוצר שאני מוכר.

כל מוצר שאני מוכר עולה לי לשלוח בדואר ישראל 16.90 ש"ח.
אני רוצה להרוויח 100% מהמחיר המקורי שלו.

האפליקציה תאפשר לי:
- לכתוב את מחיר המוצר כפי שהוא עלה לי
- תוסיף לו את מחיר המשלוח (16.90)
- תוסיף גם את המע"ם כפי שיש היום בישראל (17%)
- תוסיף את הרווח שאני רוצה לקבל (100%)
- לבסוף תציג לי את המחיר שאני צריך למכור אותו

צור לי את זה ב-HTML עם עיצוב נחמד.

אחרי שתשלחו, חכו כמה שניות. Gemini ינתח את הבקשה, יבנה תוכנית, ויתחיל לכתוב את הקוד בשבילכם – בזמן אמת.

שלב 3: בדיקת הכלי

אחרי ש-Gemini בנה את הכלי, הגיע הזמן לבדוק שהוא באמת עובד. הכניסו מחיר לדוגמה, למשל 80 ש”ח, ולחצו על “חשב מחיר”. תראו את התוצאה – וודאו שהחישוב הגיוני: נוספה עלות המשלוח, הרווח הוכפל, והמע”מ חושב בסוף. משהו נראה לכם לא מדויק? פשוט כתבו לג׳מיני: “יש טעות בחישוב. הרווח צריך להיות 100% מהמחיר המקורי, לא מהמחיר כולל משלוח.” והוא יתקן את הקוד בהתאם.

שלב 4: לשדרג את העיצוב בפקודות קוליות

אחד היתרונות הכי כיפיים ב-Gemini הוא האפשרות לשנות את העיצוב בדיבור – פשוט אומרים מה שרוצים, והוא עושה את זה בשבילכם. כדי לנסות את זה:

1. לחצו על סמל המיקרופון שבתחתית.

2. אמרו משהו כמו: “תשנה את הצבע של הכפתור הכחול לכתום, ואת כל הפונט תשנה לרוביק בעברית.”

3. לחצו על שליחה – והעיצוב יתעדכן מיד.

הנה עוד שינויים מגניבים שתוכלו לבקש:

• “תוסיף לוגו של החברה שלי למעלה”.

• “תשנה את הכותרת לשם העסק שלי”.

• “תוסיף שדה שמציג את החישובים האחרונים שעשיתי”.

שלב 5: שמירה ושיתוף

אחרי שסיימתם לבנות את הכלי, כדאי לשמור אותו אצלכם ולהפיץ אותו לצוות במידת הצורך.

כדי לשמור את הקוד:

1. לחצו על Ctrl+A כדי לבחור את כל הקוד.

2. לחצו על Ctrl+C כדי להעתיק.

3. פתחו Notepad או כל עורך טקסט אחר, והדביקו את הקוד.

4. שמרו את הקובץ בשם: calculator.html.

רוצים לשתף עם קולגות?

• לחצו על כפתור “Share” בתוך Gemini.

• הזינו את כתובות האימייל של העובדים שצריכים גישה.

• הם יוכלו לראות את הכלי ולהשתמש בו כמו שאתם.

כמה דברים שחשוב לדעת

במהלך העבודה תראו כפתור כחול בשם “שפר אוטומטית”. הוא נראה מפתה – אבל רגע לפני שאתם לוחצים, עצרו רגע. הכפתור הזה עושה שינויים בלי לשאול אתכם, ולפעמים הוא גם מקלקל דברים במקום לשפר. לכן ההמלצה ברורה: תמיד תשמרו עותק של הקוד לפני שאתם לוחצים עליו.

מעבר לזה, חשוב להבין את המגבלות של הכלי: הכלי שנבנה הוא לשימוש פנימי בלבד – שלכם ושל עובדי החברה. הוא לא מתאים לפרסום באתר או לשימוש ציבורי. כמו כן, נדרש חיבור לאינטרנט, ולא כל הפיצ’רים המתקדמים (כמו שילוב AI חכם) זמינים לכולם.

ולמי זה פחות יתאים? אם אתם צריכים לעשות יותר מ-10 חישובים ביום, ולא מתכוונים לשלם על המנוי – אולי זה פחות רלוונטי. כנ”ל אם אתם רוצים לבנות אפליקציה למכירה ללקוחות, או אם חשוב לכם שהכלי ישמור נתונים לאורך זמן.

טיפ קטן: תתעדו את מה שאתם בונים. גם אם תחליטו לבטל את המנוי – הקוד יישאר אתכם.

רעיונות למה עוד אפשר לבנות

עכשיו כשכבר הבנתם איך זה עובד, אפשר להתחיל לדמיין כלים נוספים שיכולים לשרת את העסק שלכם – דברים קטנים שיכולים לחסוך זמן, להפחית טעויות, או פשוט לעשות סדר. אם יש לכם חנות, תוכלו לבנות מחשבון הנחות, כלי לחישוב רווחיות לפי מוצר, או טבלה שעוקבת אחרי עלויות חודשיות.

אם אתם נותני שירותים, אפשר ליצור מחשבון לתמחור לפי שעות, כלי שמחשב עלות כוללת של פרויקט, או דף מעקב אחרי הוצאות נסיעות.

ואם אתם עוסקים באוכל – מסעדות, קייטרינג או יצרנים – אפשר לבנות מחשבון עלות מנה לפי מרכיבים, כלי לתמחור קייטרינג לפי גודל הזמנה, או מערכת פשוטה לחישוב רווחיות לפי סוגי מנות.

לא חייבים לחשוב בגדול. כל רעיון קטן שיכול לעזור לכם ביום-יום – שווה לבדוק אם גמיני יכול לבנות אותו.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מקיף לבינה מלאכותית - GenAI Master

לפרטים נוספים לחצו כאן >>

האם זה שווה?

אם אתם עסק קטן שצריך כלים פשוטים, לא מפחדים קצת להתנסות, ומוכנים לשלם 20 דולר בחודש – שווה לגמרי לנסות. במיוחד אם מעניין אתכם לבנות דברים בעצמכם בלי לכתוב קוד. לעומת זאת, אם אתם מחפשים פתרון חינמי לחלוטין, משהו ברמת מוצר ללקוחות, או שכבר יש לכם מערכת תמחור מסודרת – זה כנראה פחות בשבילכם. בסופו של דבר, מדובר בכלי מצוין ללמידה, משחק ויצירה פנימית. תנסו את החודש החינמי, תבנו משהו אמיתי לעסק שלכם – ואז תחליטו לבד אם זה שווה את ההשקעה.

הפוסט איך בונים כלי תמחור לעסק עם Gemini Pro בעשר דקות ובלי לכתוב קוד? הופיע ראשון בLet's AI בינה מלאכותית

This summer, Telegram users will gain access to the best AI technology on the market. @elonmusk and I have agreed to a 1-year partnership to bring xAI’s @grok to our billion+ users and integrate it across all Telegram apps

This also strengthens Telegram’s financial… pic.twitter.com/ZPK550AyRV

— Pavel Durov (@durov) May 28, 2025

הכרזה, הכחשה, ובלבול ענק

השעה 15:00: פאבל דורוב, מייסד טלגרם שנקרא גם “מארק צוקרברג הרוסי”, מפרסם ציוץ מנצח. “השגנו הסכמת שותפות עם אילון מאסק!” 300 מיליון דולר! Grok לכל המשתמשים! המחיר של המטבע TON (המטבע הדיגיטלי של רשת הבלוקצ’יין שקשורה לטלגרם) קופץ ב-20% תוך דקות ומגיע ל-3.69 דולר.

השעה 22:29: מאסק מגיב בארבע מילים קטלניות: “לא נחתם שום הסכם”. המשקיעים בהלם. תוך 30 דקות בדיוק, TON צונח מ-3.45 ל-3.27 דולר – נפילה של 5% ברגע. דורוב נאלץ לפרסם הבהרה מביכה: “נכון. הסכמנו עקרונית, אבל החלקים הפורמליים עוד לא סגורים”.

ההכחשה שהציתה את הדרמה

איך זה בכלל קרה? למה מישהו מכריז על עסקה לפני שהיא נחתמת?

למה דורוב קפץ לפני שמאסק קפץ?

זו השאלה שמעסיקה את עולם הטכנולוגיה: איך מייסד של חברה רצינית מכריז בפומבי על עסקה של 300 מיליון דולר – בלי לוודא שהצד השני באמת בפנים? יש כמה תיאוריות שמנסות להסביר:

אולי זה היה מהלך טקטי. דורוב רצה לדחוק את מאסק לפינה – לפרסם פומבית, ואז לקוות שמאסק ירגיש מחויב להמשיך. כי כשאתה מכריז על עסקה מול מאות אלפי עוקבים, קשה מאוד להתחרט.

ואולי זו פשוט תקלת תיאום. שיחה אחת בטלפון, טון אופטימי, מילים שנשמעות כמו “סגור” – אבל מאחורי הקלעים, מדובר רק בהסכמה עקרונית. דורוב חשב שזה גמור, מאסק ראה בזה רק התחלה.

ויש גם את האפשרות הכי צינית: לחץ פיננסי. טלגרם מגייסת עכשיו 1.5 מיליארד דולר. הכרזה על שותפות עם xAI היא קלף עוצמתי שיכול להרשים את המשקיעים – גם אם המסמכים עוד לא על השולחן.

כך או כך, שניהם מצאו את עצמם באור זרקורים לא נעים. דורוב מיהר – ומאסק, כמו מאסק, לא אהב שמישהו מקדים אותו בציוץ.

מה בעצם אמור להיות בהסכם (אם הוא ייחתם)

לפי דורוב, אלה עיקרי ההסכם הפוטנציאלי:

• התשלום: xAI תשלם לטלגרם 300 מיליון דולר, במזומן ובמניות, בנוסף ל-50% מההכנסות ממנויים שיירכשו דרך הפלטפורמה.

• השילוב הטכני: Grok ישולב ישירות באפליקציה – מסרגל החיפוש ועד לראש רשימת הצ’אטים. הוא יציע כלים כמו סיכום שיחות, עריכת טקסטים, עזרה במודרציה, ואפילו יצירת סטיקרים.

• הזמינות: כיום Grok נגיש רק למנויי טלגרם פרימיום (4.99 דולר בחודש), אבל השותפות אמורה להרחיב את הגישה לכל המשתמשים – בלי תשלום נוסף.

אם זה יקרה, מדובר לא רק בתכונה חדשה – אלא בשדרוג עמוק של טלגרם, שהופך אותה מפלטפורמת הודעות פשוטה לסביבת תקשורת חכמה עם שכבת בינה מלאכותית קבועה.

שלוש סיבות מאחורי הדרמה

המרוץ על הנתונים

חברות AI מתמודדות עם בעיה גוברת – מאגרי הנתונים הפתוחים מתרוקנים. כשכבר סרקת את כל האינטרנט, איפה תמצא עוד מידע איכותי לאימון המודל שלך? שיחות פרטיות בין בני אדם לבינה מלאכותית – זהב טהור.

מלחמת הפלטפורמות

זה לא סתם תחרות – זה מירוץ הישרדות. Meta AI כבר משולב ב-WhatsApp וב-Instagram ומשרת מיליארדי משתמשים. Microsoft הכניסה את Copilot לכל מקום – כולל לטלגרם, כבר במאי 2024. Google דוחפת את Gemini לכל שירות שלה. OpenAI עם ChatGPT עדיין מובילה, אבל כולם רודפים. xAI נמצאת בפיגור, ויש לה חלון זמן קצר להתחבר לפלטפורמה ענקית כמו טלגרם – לפני שיגמר לה המקום.

טלגרם רוצה כסף

החברה מנסה לגייס כעת 1.5 מיליארד דולר בהנפקת אג”ח, בתמיכת BlackRock ו-Citadel. שותפות עם xAI יכולה לעזור לה להוכיח שיש לה מודל עסקי רציני, ולא רק אפליקציה פופולרית.

איך זה יכול לשדרג את היומיום שלנו?

תדמיינו שאתם משתמשים רגילים בטלגרם. לא מפתחים, לא גיקים – פשוט אנשים שכותבים, קוראים, ומשתתפים בקבוצות. ופתאום, בלי להוריד שום דבר חדש – מופיע לכם בוט חכם. Grok. הוא שם, זמין, מוכן לעזור. הוא יכול לסכם לכם את כל השיחה הארוכה בקבוצת העבודה – תוך שניות. לעזור לכם לנסח מייל מקצועי בלי לשבור את הראש. לבדוק עובדות בזמן אמת – בלי לקפוץ בין לשוניות בדפדפן. אפילו להפוך בדיחה פנימית לסטיקר מצחיק בלחיצת כפתור.

נשמע נהדר, לא? אבל כמו שקורה כמעט תמיד בעולם הטכנולוגיה – מאחורי כל נוחות חדשה, מסתתר גם מחיר. והשאלה היא אם אתם יודעים מהו, ואם אתם מוכנים לשלם אותו.

מה באמת מדאיג כאן?

פרטיות מעורפלת

 דורוב טוען ש-xAI תוכל לגשת רק למה שתשתף ישירות עם Grok. אבל מה זה אומר בפועל? אם אתה מבקש לסכם שיחה – האם הבוט נחשף לכל מה שנאמר בה?

רעב לנתונים

Grok כבר מתאמן על פוסטים פומביים ב-X. גישה לשיחות טלגרם יכולה לפתוח עבורו דלת למידע אישי, לא מבוים – כזה שחושף איך אנשים באמת חושבים, כותבים, ומגיבים.

מי שומר על הסדר?

Grok כבר הסתבך בעבר כששחרר תגובות לא מתאימות בנושאים רגישים. עכשיו תאר לעצמך שהוא אחראי על ניהול קבוצה בטלגרם – בלי פיקוח הדוק, זה עלול להיגמר רע.

דמיינו רגע –  Grok מצטרף אוטומטית לקבוצת טלגרם של הורים בבית ספר. מישהו מעלה בדיחה גבולית, והבוט – בלי להבין הקשר תרבותי או הומור – מסמן אותה כ”תוכן פוגעני” ומוחק אותה. מי אחראי? מי מתקן? ומה קורה כשזה קורה שוב?

הכנסת AI לתוך צ’אט פרטי זה לא סתם תוסף – זה שינוי עומק. והשאלה שצריך לשאול היא: מי רואה מה, מתי, ולמה?

מה באמת יקרה?

התחזית הסבירה

ההסכם ככל הנראה ייחתם, אבל בתנאים שונים ממה שהוכרז. יש יותר מדי כסף על השולחן, ולשני הצדדים יש מה להרוויח. אחרי כל הרעש הציבורי, לסגת עכשיו יהיה מביך ומזיק לשניהם.

מה לא יקרה

 אל תצפו לחוויה חלקה. Grok עדיין מגמגם בעברית, והשלב הראשון צפוי להיות רווי באגים, אי-הבנות ובעיות שילוב.

מה כן יקרה

אם השותפות תעבוד – היא תהפוך לתקדים. פלטפורמות ענק אחרות ילכו בעקבותיה, והחיבור בין אפליקציות תקשורת ל-AI יהפוך מניסוי לנורמה. לא מדובר רק בעסקה בין שני טייקונים. מדובר בדגם ראשוני של איך תיראה השיחה הדיגיטלית שלנו בעתיד.

אז מה עושים?

קודם כל, לא לרוץ להתרגש. עד שלא נחתם הסכם רשמי, הכל עדיין באוויר. ציוץ אחד לפה, הבהרה לשם – וזה משתנה. ואם בסוף זה כן יקרה? כשהבוט יופיע אצלכם באפליקציה, אל תלחצו “אישור” על אוטומט. תעברו רגע על ההרשאות. תבינו מה הוא רואה, מה הוא שומר, ומה אתם באמת משתפים איתו. אל תתפלאו אם בהתחלה זה יהיה קצת מקרטע – תרגום מוזר, באגים מציקים, תגובות לא במקום. זה חלק מהמחיר של להיות בין הראשונים.

והכי חשוב: תזכרו שזה לא באמת חינם. אולי לא שילמתם בכסף – אבל הנתונים שלכם הם המטבע. אז כן, תנסו, תתלהבו, תתנסו – אבל אל תכבו את החיישנים.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

לראות מעבר לדרמה

לא מדובר רק בשותפות בין טלגרם ל-xAI, וגם לא רק בכמה ציוצים סותרים. זה סימן לעידן חדש – עידן שבו AI כבר לא נתפס כגאדג’ט מגניב, אלא כשכבת שירות קבועה, כמו חיבור לאינטרנט או אפליקציית דואר. תסתכלו סביב: WeChat בסין כבר משלבת עוזרים חכמים בשיחות יומיומיות, TikTok בונה ממשקים דיגיטליים לכל משתמש, וגם Meta, Microsoft ו-Google בתחרות על כל פלטפורמה שעדיין פתוחה. כל אפליקציית מסרים – מתכננת את המהלך הבא שלה.

ובעוד כמה שנים, אף אחד לא ישאל “האם האפליקציה שלי תומכת ב-AI” – כי זה פשוט יהיה שם. חלק בלתי נפרד מהחוויה. והשאלה האמיתית? האם אנחנו מוכנים למחיר. פחות פרטיות. יותר תלות. ותחושה עמומה שכל מילה שאנחנו כותבים, עוברת קודם דרך אלגוריתם.

בשורה התחתונה: גם אם ההסכם הזה ייחתם – הוא לא הסיפור האמיתי. הסיפור הוא שאנחנו צועדים לתוך עתיד שבו הפלטפורמות לא רק יודעות מה אנחנו כותבים – הן משתתפות בשיחה.

הפוסט איך מייסד טלגרם ואילון מאסק יצרו מהומה של 300 מיליון דולר בכמה ציוצים? הופיע ראשון בLet's AI בינה מלאכותית

We're rolling out voice mode in beta on mobile.

Try starting a voice conversation and asking Claude to summarize your calendar or search your docs. pic.twitter.com/xVo5VHiCEb

— Anthropic (@AnthropicAI) May 27, 2025

מדברים עם Claude

במקום להקליד כל שאלה, עכשיו אפשר פשוט לדבר. Claude מקשיב, מבין – ועונה בקול. התכונה זמינה כרגע באנגלית בלבד, ורק באפליקציית הטלפון, אבל היא כבר מרגישה כמו צעד קדימה בתקשורת עם קלוד. אנטרופיק מסבירה שזה “מושלם כשאתם בדרכים או מעדיפים לחשוב בקול רם” – ואכן, התחושה דומה לשיחה טבעית.

מה מייחד את מצב הקול של Claude?

מה שמייחד את מצב הקול של Claude זו האפשרות לבחור מבין חמישה קולות שונים, שכל אחד מהם נשמע אחרת – יותר עמוק, יותר רגוע או פשוט כזה שנעים לכם להאזין לו. הבחירה מתבצעת בקלות מתוך ההגדרות באפליקציה.

יש גם מעבר נוח בין הקלדה לדיבור – אם התחלתם לכתוב שאלה, אפשר להמשיך לדבר בלי לפתוח שיחה חדשה.

ואם צירפתם מסמך או תמונה, אפשר פשוט לשאול עליו בקול. Claude יבין ויגיב בהתאם. בסופו של דבר, זו דרך אחרת לתקשר עם מודל שפה – קצת פחות מסך, קצת יותר שיחה.

איך זה עובד בפועל?

כדי לבחור את הקול שילווה אתכם בשיחות עם Claude, נכנסים לאפליקציה בטלפון (ב-iOS או באנדרואיד), פותחים שיחה חדשה, ולוחצים על סמל גלי הקול – זה שנמצא ליד המיקרופון. משם תוכלו לבחור מתוך חמישה קולות שונים: Buttery, Airy, Mellow, Glassy או Rounded. 

אם תרצו לשנות את הקול אחר כך, זה פשוט: נכנסים להגדרות (סמל גלגל השיניים), בוחרים ב-“Voice Preferences”, ומשנים את הבחירה מתי שתרצו.

אם אתם משלמים על Claude, תקבלו יכולות נוספות במצב הקול: אינטגרציה עם Google Workspace שמאפשרת לכם לשאול על לוח השנה, אימיילים ומסמכים שלכם דרך שיחות קוליות.

שימו לב: משתמשים חינמיים מוגבלים לכ-20-30 הודעות קוליות בכל סשן.

חיפוש ברשת לכולם 

עד עכשיו, רק משתמשים בתשלום יכלו לבקש מ-Claude לחפש באינטרנט מידע עדכני. השבוע זה השתנה – גם משתמשי התוכנית החינמית יכולים כעת לקבל מידע טרי מהרשת. במקום להסתפק במידע שמוגבל לתאריך האימון של Claude, עכשיו הוא יכול לחפש ברשת ולהביא תשובות עדכניות – על מחירי מניות, תוצאות בחירות, חדשות אקטואליות ועוד.

איך זה עובד בפועל?

חיפוש ברשת: כדי לאפשר ל-Claude לחפש מידע עדכני באינטרנט, צריך להיכנס להגדרות החשבון באפליקציה או באתר. שם תמצאו את האפשרות “Web Search” – ומפעילים אותה בלחיצת כפתור. מרגע שזה מופעל, כל שאלה שתדרוש מידע עדכני, תפעיל את החיפוש באופן אוטומטי. Claude יביא את המידע מהמקורות הרלוונטיים ויציג אותם כחלק מהתשובה.

למה זה חשוב?

התחרות בין ענקיות הבינה המלאכותית לא עוצרת לרגע. OpenAI עם ChatGPT, גוגל עם Gemini Live, גרוק 3 של xAI – ועכשיו גם Claude של אנטרופיק שנכנס לזירה עם מהלכים חשובים כמה ימים אחרי ששוחרר לאוויר העולם מודל  Claude 4. כל אחת מהחברות האלה רוצה להפוך לעוזר הכי מהיר, הכי חכם והכי טבעי שיש. וזה בדיוק מה שעובד לטובתנו: יש לנו יותר חופש לבחור את הכלי שנוח לנו, חידושים מגיעים בקצב מסחרר, ופיצ’רים מתקדמים שהיו פעם רק למנויים – זמינים עכשיו גם בחינם.

הפוסט Claude הופך נגיש יותר עם מצב קול חדש וחיפוש ברשת לכל המשתמשים הופיע ראשון בLet's AI בינה מלאכותית

מה Anthropic ניסתה לבדוק?

המטרה של החוקרים הייתה פשוטה – אבל גם שונה מכל מה שנעשה עד היום: לא לבדוק מה Claude יודע, אלא להבין איזה עולם ערכי הוא מקדם בפועל. לא בניסוי מבוקר, לא בשאלונים, אלא דרך שיחות אמיתיות בין אנשים ל-AI, בלי מעבדה ובלי תסריטים מלאכותיים. במילים אחרות: איך Claude מתנהג “בטבע”?

איך הם עשו את זה? הסיפור מאחורי המחקר

דמיינו מאות אלפי שיחות בין אנשים למכונה. שאלות על זוגיות, קריירה, השקעות, עיצוב, הורות, כתיבה, בריאות – כל אחת מהן רגע אנושי שבו מישהו מחפש כיוון, תמיכה או החלטה. Anthropic לקחה 700,000 שיחות אמיתיות עם Claude – כאלה שהתרחשו ביומיום, בלי תסריט ובלי הכוונה. 91% מהן התנהלו מול Claude 3.5 Sonnet. מתוך כל המאגר הזה, סוננו 308,210 שיחות שבהן ניתן היה לזהות ערכים כלשהם – הצהרתיים או מרומזים. שיחות שבהן לא רק הייתה שאלה, אלא גם תגובה שמעבירה מסר ערכי.

אבל מי בדק את זה? את הניתוח ביצעו מודלים אחרים ממשפחת Claude, בעיקר Sonnet ו-Haiku, שסקרו גם שיחות שנוצרו על ידי Opus. כלומר, לא מדובר בניתוח עצמי של אותו מודל שהגיב, אלא במערכת ביקורת עמיתים שמפרידה בין השיחה לבין הביקורת עליה. מודלים שונים שבודקים אחד את השני. כל תשובה נותחה לפי טקסונומיה של למעלה מ־60 ערכים, שחולקו לחמש קבוצות־על:

• Practical – יעילות, תכליתיות, פתרון בעיות.

• Epistemic – דיוק, בהירות, חשיבה ביקורתית.

• Social – הרמוניה, כבוד, שותפות.

• Protective – אחריות מוסרית, זהירות, מניעת נזק.

• Personal – אותנטיות, ביטוי עצמי, רווחה אישית.

המפה הערכית של קלוד. Credit: anthropic.com

וכדי לוודא שהתוצאה לא רק ״נשמעת חכמה״, החוקרים לא הסתפקו בזיהוי אוטומטי. 98.8% מהסיווגים נבדקו ידנית על ידי אנליסטים אנושיים – ואושרו. זה לא היה ניחוש של מכונה, ולא הערכה כללית. זה צילום רנטגן מוסרי של הבינה המלאכותית בפעולה – תיעוד שיטתי של איך Claude מפרש את העולם, ערך אחרי ערך.

הנה דוגמאות חיות מכל קטגוריה

• (31.4%) ערכים פרקטיים – כשאתם שואלים על פתרון בעיה בעבודה, Claude מדגיש תכליתיות ומקצועיות – גם אם זה בא על חשבון רגישות בין־אישית.

• (22.2%) ערכים אפיסטמיים – בשיחות על מדע, היסטוריה או אתיקה, הוא שומר על חשיבה ביקורתית ודיוק – גם אם זה מסרבל את השיחה או פוגע בפופולריות של התשובה.

• (21.4%) ערכים חברתיים – כשאתם מתלבטים איך להתמודד עם ריב אישי, Claude ידגיש אמפתיה והרמוניה – גם אם המשמעות היא לוותר קצת על עצמכם.

• (13.9%) ערכים מגנים – בשאלות על בריאות, ילדים או מיניות, הוא בוחר זהירות וציות לחוק – גם אם זה מגביל חופש או יצירתיות.

• (11.1%) ערכים אישיים – כשאתם כותבים שיר או מנסים להבין את עצמכם טוב יותר, Claude יבחר באותנטיות ובחיבור רגשי – גם אם אין תשובה “נכונה”.

הממצא שהדהים גם את החוקרים

כאן יש הצצה נדירה לתודעה המוסרית של Claude – ואיך היא רלוונטית לחיים שלנו. Claude לא רק משקף כמה ערכים כלליים כמו “אמפתיה” או “דיוק”. הוא מבטא בפועל 3,307 ערכים שונים – כן, שלושת אלפים שלוש מאות ושבעה. וזה לא רק המספר. זו הדרך שבה הוא עושה את זה: במינונים משתנים, לפי ההקשר, סגנון השיחה והמטרה של המשתמש. מדובר במערכת ערכים עשירה ודינמית, כמעט כמו של בן אדם, אבל בלי ביוגרפיה, בלי קהילה, ובלי מצפן אנושי.

כך ניתחו ב-Anthropic שיחות אמיתיות. Credit: anthropic.com

התמונה הזו ממחישה את מהלך הניתוח – משיחה אנונימית של משתמש, דרך תגובה ערכית של Claude, ועד קטלוג שיטתי של הערכים שהוא ביטא בפועל. זוהי ארכיאולוגיה מוסרית של מודל שיחה – חפירה בתוך המכונה כדי להבין איך היא רואה את העולם.

איך Claude מגיב לערכים?

הממצא המרתק ביותר נוגע לאופן שבו Claude מגיב לערכים שמביאים המשתמשים. החוקרים זיהו שלוש תגובות עיקריות, וכל אחת מהן חושפת בחירה מוסרית ברורה מצד המודל:

• תמיכה חזקה – Claude מאמץ את הערך של המשתמש ומחזק אותו.

• מסגור מחדש (Reframing) – הוא מציג ערכים נוספים או מחליפים, בלי לדחות את המקור.

• התנגדות מפורשת – הוא מביע עמדה מוסרית מנוגדת לערך שהובא.

שלוש דרכי תגובה של Claude לערכים אנושיים. Credit: anthropic.com

מה שמרשים במיוחד הוא ש-Claude לא מגיב באותה צורה תמיד – התגובה תלויה בהקשר. לדוגמה: בשיחות על בריאות הנפש, הוא נוטה למסגר ערכים מחדש בעדינות. במצבים שנחשבים לאתיים או מסוכנים – הוא בוחר להתנגד באופן ברור.

ערכים שהמודל מקדם בתגובה לערכים שמביא המשתמש. Credit: anthropic.com

המחקר מראה שלכל תחום שיחה יש ל-Claude מערכת ערכים אחרת. הוא משנה את הדגשים לפי הנושא, השפה, ואפילו סגנון הפנייה של המשתמש. כמו מראיין שמסתגל למי שיושב מולו, Claude משנה את הערכים שהוא מבטא לפי ההקשר.

כשמישהו מתלבט בזוגיות, הוא לא מדבר על ציות או הישגים – אלא מציע גבולות בריאים, כבוד הדדי, ובריאות רגשית. בשאלות על היסטוריה טעונה או נרטיבים לאומיים, הוא מתמקד בדיוק היסטורי וביושרה אינטלקטואלית. אם מישהו כותב פוסט רגשי או משתף חוויה אישית, Claude מביא איתו חום אנושי, הכרת תודה, ותמיכה רגשית. בשיחה עם אדם מאמין על דת או מסורת, הוא בוחר בכבוד למסורת, צמיחה רוחנית, וחינוך ערכי. ואם השאלה עוסקת בקוד – הוא חוזר לאזורי הנוחות הטכניים: אמינות, תחזוקה, ומצוינות מקצועית.

Claude משנה את הערכים שהוא מבטא לפי הקשר. Credit: anthropic.com

קחו למשל שיחה על הורות. משתמש ששואל על התמודדות עם ילד מתבגר – יקבל דגש על הקשבה, גבולות רגשיים ותקשורת לא שיפוטית. אבל משתמש אחר, עם ערכים שונים, אולי היה מצפה לחיזוק של סמכות הורית, גבולות נוקשים או אחריות. Claude בחר – מבלי לשאול את ההורה קודם. המשמעות? Claude לא רק עונה – הוא שופט ערכים בהתאם להקשר. והשאלה הבלתי נמנעת היא: לפי איזה סט ערכים הוא עושה את זה – ומי קובע אותו?

האם זה משתנה בין המודלים?

בהחלט – ובצורה מובהקת. Claude Opus נוקט גישה ערכית בוטה יותר מ-Sonnet. הוא הביע תמיכה חזקה בערכים ב־43.8% מהשיחות, לעומת 27.8% בלבד אצל Sonnet. הוא גם התנגד לערכים ב־9.5% מהשיחות – פי 3 מ-Sonnet (3% בלבד). מעבר לכך, Opus מבטא יותר ערכים רגשיים, אקדמיים ואפיסטמיים, כלומר: הוא לא רק מגיב אחרת, אלא מביא איתו מערכת ערכים עשירה יותר.

המסקנה ברורה: המודל שבו אתם משתמשים – Opus, Sonnet או אחר – קובע אילו ערכים תיחשפו אליהם – מבלי שתשימו לב.

Opus vs Sonnet

אז מה מספרים המספרים?

98.6% מהשיחות הכילו ערכים מצד Claude. לעומת זאת, רק 45% מהשיחות הכילו ערכים מפורשים מצד בני אדם. כאשר המשתמש מביא ערך כלשהו, Claude משקף בממוצע 20% ממנו. אבל כש-Claude בוחר להתנגד לערך, הוא כמעט לא מחזיר אותו: רק 1.2% משתקפים. ומה לגבי ערכים מפורשים מצד המודל עצמו? רק 2.6% מהשיחות כללו אזכור ערכי ברור מצד Claude, וגם זה קורה כמעט רק כשיש התנגדות מפורשת. בשאר הזמן? הערכים פשוט שם – מובלעים בשפה, כחלק מהטון, לא כהצהרה.

הפער הזה לא מקרי. הוא מעיד על בחירה חכמה, מבוקרת ודינמית מצד המודל. Claude לא סתם “עונה יפה”. הוא פועל כמערכת מוסרית שמבצעת שיפוט ערכי שקט ומדויק לאורך כל שיחה.

ומה עושים עם כל זה?

המסקנות אינן טכניות – הן חברתיות, תרבותיות ודמוקרטיות. לא כדי להבהיל, אלא כדי לעזור לנו להבין מה קורה מתחת לפני השטח, ולבחור איך לפעול ביודעין.

למשתמשים – אל תניחו שהמודל “אובייקטיבי”. שאלו אותו מהם הערכים שמנחים אותו, או הגדירו מראש את הערכים שחשובים לכם. המודלים האלה כאן כדי לשרת אתכם, לא להכתיב לכם.

למפתחים – שקיפות ערכית היא לא בונוס. אם אתם משקיעים כל כך הרבה ביציבות ובדיוק, אל תשאירו את תחום הערכים באפלה. מודל טוב הוא גם מודל שמכבד את ההקשר הערכי של המשתמש.

לרגולטורים ומקבלי החלטות – אל תבדקו רק מה נאמר. בדקו גם איך, למה, ומה נשאר בחוץ – כי שם מתחבאים ערכים לא פחות מהתוכן עצמו.

Claude כבר לא רק נותן תשובות. הוא מעצב דרכי חשיבה, מקדם ערכים, ומשפיע על התנהגות, לעיתים בעדינות, מבלי שנשים לב. וזו בדיוק הסיבה לעצור – לא מתוך חשש, כמו כדי להבין מה באמת מקודד בתוך המילים. כי ברגע שאנחנו רואים את זה – אנחנו יכולים לבחור איך להתקדם הלאה.

וזה לא סוף הסיפור – כי המשמעות לא נגמרת בשאלה מה המודל אומר, אלא באיך אנחנו בוחרים להגיב למה שהוא משדר.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

השאלות שחשוב לשאול

יש עוד שאלות – כאלה שלא נשאלו, אבל אי אפשר להתחמק מהן.

מי בעצם החליט ש־60 הערכים שבחרה Anthropic הם הערכים “הנכונים”? איפה המקום לערכים אחרים – שמרניים, דתיים או לא־מערביים? ואולי הכי חשוב – האם תרגום תרבותי באמת מספיק כדי לשקף את מה שלא נולד בעמק הסיליקון?

אולי לא כל ערך חייב להיכנס. אבל האם לא כדאי שנדע אילו ערכים כבר בפנים – ואילו נשארו בחוץ?

כי ערכים לא חיים רק בספרי פילוסופיה. הם חיים בתוך אלגוריתמים – בתוך ניסוח של עצה, בתוך סדר העדיפויות של תשובה, בתוך הדוגמה שנבחרה ולא זו שהושמטה. והם כבר כאן. פועלים. משפיעים. מנווטים. הבחירה של כולנו כבר לא אם להשתמש בבינה מלאכותית – אלא איך לוודא שהיא משתמשת גם בערכים שלנו. 

הפוסט איך הערכים הסמויים של הבינה המלאכותית משפיעים על הבחירות שלכם? הופיע ראשון בLet's AI בינה מלאכותית

ASL-3: כשחברות AI עוצרות רגע לחשוב לפני שמתקדמים

שלשום השיקה אנטרופיק את שני המודלים החדשים שלה – Claude Opus 4 ו־Claude Sonnet 4. אבל יחד עם ההשקה, היא ביצעה גם מהלך חריג לא פחות: הפעלת תקן בטיחות מתקדם בשם ASL-3, שמטרתו להגן מפני שימוש לרעה בטכנולוגיה – עוד לפני שהוכח שהיא אכן מסוכנת.

ולמרות שזה נשמע כמו צעד טכני, מדובר בבחירה ערכית עמוקה: אנטרופיק בחרה לעצור רגע, להסתכל קדימה – ולשאול לא רק מה המודל יכול לעשות, אלא גם מה לא נכון שייעשה באמצעותו.

למה זה קרה?

במהלך תרגילים פנימיים, החוקרים של אנטרופיק בדקו תרחישים בהם המודל עשוי, תיאורטית, לספק מידע שעלול לעזור לשחקנים מתקדמים לבנות נשק ביולוגי.

לא מדובר ביצירת נוסחאות נשק, אלא בהשלמה של תהליכים שיכולים לייעל למי שכבר עוסק בתחום את דרכי הפעולה שלו. כלומר: לא סכנה מידית – אבל כן עליית מדרגה ברמת המורכבות שהמודל מסוגל להתמודד איתה.

בלמי חירום במודלי שפה

המהלך הזה לא הגיע משום מקום. בגרסה הקודמת של המודל, Claude Sonnet 3.7, כבר זיהו באנטרופיק סימנים לכך שהגרסה הבאה עלולה לחצות רף בטיחות מסוים. הם תכננו מראש את האפשרות להפעיל את ASL-3, אם יתברר שהיכולות החדשות דורשות זאת. במובן הזה, מדובר במימוש של תרחיש שנלקח בחשבון מראש – לא הפתעה, אלא הפעלת בלמים שתוכננו מבעוד מועד.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מקיף לבינה מלאכותית - GenAI Master

לפרטים נוספים לחצו כאן >>

מה זה בעצם ASL-3?

ASL-3 הוא תקן בטיחות חדש שפיתחה אנטרופיק מתוך השראה מתהליכי בקרה מעולם הביולוגיה הסינתטית – תחום שבו כל טעות עלולה להיות קריטית. הרעיון פשוט: אם מודל שפה עלול, גם בתרחיש נדיר, להאיץ תהליכים מסוכנים – צריך להציב לו גבולות מראש. במסגרת התקן, החברה הגבילה את הגישה לאזורים רגישים במודל, מפעילה ניטור שוטף על בקשות משתמשים, מקפידה על פיקוח הדוק בכל שיתוף פעולה עם חוקרים חיצוניים, ודואגת למנגנוני תיעוד ואבטחת מידע ברמה גבוהה במיוחד.

מה שחשוב לא פחות – את כל זה היא עושה לא כי מישהו הכריח אותה. אין כאן רגולציה שמכתיבה (נכון לעכשיו). מדובר בהחלטה וולונטרית, שמתבססת על אחריות פנימית. כדי לוודא שהמהלך יתבצע בשקיפות מלאה, החברה גם עדכנה מיוזמתה את משרד האנרגיה האמריקאי ובכירים בבית הלבן – כאמירה ברורה: הבטיחות כאן היא לא המלצה.

מודל עם גבולות

כדי להגן בפועל על המודל, אנטרופיק לא הסתפקה בהצהרות או מגבלות כלליות. היא פיתחה שורה של פתרונות טכנולוגיים קונקרטיים: מערכת בשם Constitutional Classifiers בודקת האם השאלות שהמשתמש שואל חורגות מגבולות האתיקה שהוגדרו מראש, ממש כמו שומר סף עם עקרונות.

בנוסף, הם הפעילו מערכת bug bounty שמזמינה חוקרי אבטחה חיצוניים לאתר חולשות במודל, בדומה למה שעושים בעולם הסייבר. יש גם מגבלות טכניות מתקדמות כמו בקרות רוחב פס ביציאה (egress bandwidth controls), כדי לוודא שאי אפשר “לחלוב” את המודל בכמות מידע שמעבר למה שנחשב סביר.

שאלה מתבקשת: למה לא פשוט לעצור את השחרור?

כאן עולה הדילמה האמיתית. אם יש פוטנציאל לסיכון, גם אם עקיף – למה לשחרר את המודל לציבור? התשובה של אנטרופיק עקבית עם הגישה של חברות אחרות בתחום: הם מאמינים שדרך שקיפות, בקרה פנימית ומגבלות שימוש – אפשר למזער את הסיכון בלי לעצור את ההתקדמות הטכנולוגית.

בינה על תנאי

אנטרופיק מדגישה שההגנות של ASL-3 אינן קבועות לנצח. אם יתברר בהמשך שהמודל לא מצדיק את רמת הבקרה הזו – ניתן יהיה להסיר את ההגבלות.

הגישה שלהם היא דינמית: לא להחמיר לשם ההחמרה, אלא להתאים את רמת הבטיחות לרמת הסיכון בפועל.

אז מי אחראי?

וזו כנראה השאלה החשובה ביותר. נכון לעכשיו, האחריות נתונה בידי החברות. הן יוזמות, מפקחות, קובעות גבולות, וגם מפרסמות את הממצאים. אבל עד מתי? האם חברות פרטיות צריכות לקבוע את רמת הסיכון שמותר לנו לקחת? ואיך נוודא שהאיזון בין קידמה, תחרות ובטיחות באמת נשמר?

הבינה שמבינה מתי לעצור

לסיכום, מהלך כמו ASL-3 הוא לא סימן לכך שהכול יוצא משליטה, אלא דווקא לכך שמתחילים להבין איפה בדיוק עובר הגבול. זו לא תגובה לפאניקה, אלא הצהרה של בגרות: ההבנה שכשמודלים הופכים חזקים יותר, האחריות לא נשארת מאחור. הסיכון שמדובר בו אולי לא מידי, אבל הוא בהחלט ממשי – והוא דורש מאיתנו לעצור לרגע ולשאול את השאלות הנכונות: מי מפקח על כל זה? באיזו מסגרת מתקבלות ההחלטות? ואיך נוודא שהטכנולוגיה שמעצבת את המחר תישאר מחוברת לערכים של המין האנושי?

קלוד הופך לפלטפורמה עוצמתית לבניית סוכנים

אם אתם סקרנים לא רק לגבי הבטיחות של מודלי שפה, אלא גם לגבי היכולות החדשות שלהם – כדאי שתדעו שאנטרופיק הכריזה על ארבע תוספות חדשות ל־API שלה, שהופכות את קלוד לפלטפורמה לבניית סוכני AI חזקים לארגונים: כלי הרצת קוד שמאפשר לבצע פעולות בזמן אמת, חיבור ישיר לשרתי MCP (ממשקי שליטה חיצוניים), ממשק קבצים חדש לגישה נוחה למסמכים, וזיכרון ארוך טווח שמאפשר לקלוד לזכור מידע לאורך שיחות – ולהיות הרבה יותר מרק צ’אטבוט.

הפוסט ההחלטה החריגה של Anthropic להפעיל את תקן ASL-3 הופיע ראשון בLet's AI בינה מלאכותית

קלוד כסוכן: תמונה הוליסטית של יכולות משולבות

כדי להבין את משמעות ההרחבות החדשות, יש לבחון אותן לא רק כפיצ’רים נפרדים, אלא כחלק ממכלול שמטרתו לאפשר יצירה של סוכני בינה מלאכותית אינטראקטיביים, מחוברים, מבינים הקשר, ובעלי יכולת לפעול באופן עצמאי ומבוסס הקשר.

היכולות החדשות הללו, שנמצאות כעת בבטא ציבורית, משתלבות עם המודלים קלוד אופוס 4 וקלוד סונטה 4, ומאפשרות פיתוח של יישומים חכמים, אינטגרטיביים ורב-שלביים: החל מניתוחי נתונים, דרך אינטראקציה עם מערכות חיצוניות, וכלה בשימור הקשר והקשר על פני זמן. מדובר בקפיצת מדרגה לא רק ביכולות המודל, אלא גם במודל העבודה עבור מפתחים.

כלי הרצת קוד

הרצת קוד מאובטחת בסביבת Sandbox: אחת התוספות הבולטות היא כלי הרצת הקוד (Code execution tool), שמאפשר לקלוד לא רק לכתוב קוד, אלא גם להריץ אותו בפועל בסביבת פייתון מאובטחת ומבודדת. מדובר בסביבת עבודה שמבוססת על לינוקס, כוללת 1 ג׳יגה זיכרון, דיסק של 5 ג׳יגה, מעבד בודד, ותומכת בגרסה 3.11.12 של פייתון.

המודל מסוגל לנתח נתונים, להפיק גרפים, לבצע חישובים סטטיסטיים מתקדמים, ולהפיק תובנות תוך כדי שיחה – מבלי להידרש להרצת קוד חיצונית. השימושים המרכזיים כוללים:

• מודלים פיננסיים: יצירת תחזיות, ניתוח תיקים, חישוב מדדים מורכבים.
• חישובים מדעיים: הרצת סימולציות, ניתוח ניסויים, עיבוד נתוני מחקר.
• בינה עסקית: דוחות אוטומטיים, ניתוח מכירות, לוחות בקרה.
• עיבוד מסמכים: חילוץ מידע, הפקת דוחות מעוצבים, זרימות עבודה תיעודיות.
• ניתוח סטטיסטי: רגרסיה, בדיקת השערות, מודלים חיזויים.

למשתמשים ניתנות 50 שעות שימוש חינמיות ביום, ולאחר מכן העלות עומדת על 0.05 דולר לשעה.

MCP Connector – אינטגרציה חכמה עם מערכות חיצוניות

באמצעות ה-MCP Connector, ניתן לחבר את קלוד לשרתי MCP חיצוניים, כגון Asana או Zapier, ללא צורך בפיתוח ידני של קוד לקוח. ברגע שמציינים את כתובת השרת, המודל מבצע את כל תהליך החיבור, גילוי הכלים, הרצת הפונקציות, ניהול ההרשאות וטיפול בשגיאות – כל זאת נעשה באופן אוטומטי. מדובר במימוש מתקדם של agentic behavior, שבו המודל לא רק מגיב להוראות, אלא שוקל, בוחר ומבצע פעולות – וכל זה בלי צורך בקוד מותאם אישית.

כאשר קלוד מזהה בקשה הכוללת שרת MCP, הוא מבצע סדרת פעולות אוטומטית:

• התחברות לשרת: קלוד יוצר קשר עם כתובת השרת המרוחק שצוינה בבקשה.

• זיהוי כלים: הוא סורק את השרת ומברר אילו כלים זמינים לביצוע.

• שיקול דעת ובחירה: המודל מחליט בעצמו באיזה כלי להשתמש, ואילו פרמטרים יש להעביר לו.

• הרצה סוכנית: הוא מריץ את הקריאות לכלים עד שמתקבלת תוצאה מספקת.

• ניהול תקשורת: קלוד מנהל בעצמו את כל מערך ההרשאות, האימותים וטיפול בשגיאות.

• תגובה מועשרת: לבסוף, הוא מחזיר את התשובה ללקוח כשהיא כוללת את כל המידע המשולב מהכלים החיצוניים.

היתרון המשמעותי טמון בכך שאין צורך לבנות לקוח MCP נפרד או להתמודד עם ממשקים מסובכים. פשוט מציינים את כתובת השרת בבקשה, וקלוד כבר עושה את כל היתר – כולל תמיכה בשרתים מרובים, שימוש באימות OAuth, ובחירה חכמה בין הכלים הקיימים. כך ניתן לשלב כלים חיצוניים מבלי לפתח אינטגרציות מותאמות אישית. יחד עם הצמיחה המהירה של אקוסיסטם שרתי MCP (כמו אלו של Zapier או Asana), היכולת הזו הופכת את קלוד לכלי אינטגרטיבי גמיש, המאפשר להרחיב את יכולות הסוכן ללא פיתוח מסובך – רק באמצעות הגדרה נכונה ב-API.

Files API – ניהול קבצים מתוחכם

עד כה, כל שימוש בקובץ דרש העלאה חוזרת ונשנית. כעת, ניתן להעלות קובץ פעם אחת, ולהשתמש בו שוב ושוב בשיחות שונות. זה פותר כאב ראש אמיתי עבור אפליקציות שנדרשות לטפל בכמויות גדולות של מסמכים, מאגרי מידע או תיעוד טכני. החידוש האמיתי הוא בשילוב בין Files API לכלי הרצת הקוד. קלוד יכול לגשת לקבצים שהועלו, לנתח נתונים מתוך CSV או Excel, ולהפיק תוצרים ויזואליים – הכל בתוך אותה שיחה. התמיכה כוללת גם בפורמטים כמו JSON, XML, תמונות וטקסטים.

זיכרון לטווח ארוך: קאש מורחב

משמרים הקשר, חוסכים משאבים: עד כה, זמן החיים של קאש להנחיות עמד על חמש דקות בלבד. כעת ניתן להרחיבו עד שעה שלמה, מה שמאפשר סוכנים מורכבים יותר, עם הבנה מצטברת של הקשר. לא מדובר רק ב”שימור זיכרון”, אלא גם בהתייעלות משמעותית – עד 90% חיסכון בעלויות ועד 85% שיפור בזמן תגובה. מה השימושים המרכזיים? תהליכי עבודה מרובי שלבים, ניתוח מסמכים מורכבים ואינטראקציה עם מערכות צד שלישי לאורך זמן. המשמעות: זיכרון הקשר הארוך הופך את קלוד למתאים יותר לעבודה מקצועית ורציפה, עם יציבות ושחזור מצב מדויק.

נניח שפיתחתם סוכן לניהול פרויקטים. זה מה שהוא יכול לעשות:

• להשתמש ב-MCP כדי למשוך משימות מ-Asana.

• להעלות דוחות רלוונטיים באמצעות Files API.

• לנתח מגמות וסיכונים באמצעות כלי הרצת הקוד.

• לשמר הקשר מלא במשך שעה שלמה – כולל כל הקבצים, השיחות, והנתונים.

התוצאה היא מערכת סוכנת אחת, שמתפקדת כעוזרת חכמה, אנליסטית, ומנהלת משימות – בו זמנית.

תפיסת עולם חדשה לעידן האייג’נטלי

המהלך האחרון של אנטרופיק לא מסתכם בתוספות פונקציונליות, אלא משקף תפיסת עולם חדשה בפיתוח סוכני בינה מלאכותית: כאלה שלא רק מגיבים, אלא פועלים, מתכננים, ומשתלבים בתהליכים עסקיים וטכניים. קלוד הופך למעין פלטפורמה מודולרית – פתוחה לשדרוג, משתלבת בסביבות מגוונות, ומספקת אינטראקציה דינמית ברמת התוכן והפעולה גם יחד. כפי שראינו בהשקה של אופוס וסונטה, וכפי שמודגם בבירור דרך היכולות החדשות, אנטרופיק ממקמת את קלוד לא כעוד מודל טקסטואלי, אלא ככלי עבודה מקצועי רב ממדי. כל אחד מהפיצ’רים שנסקרו כאן פותח בפני מפתחים אפיקים חדשים ליצירת כלים אינטראקטיביים חכמים, שמבינים הקשר, פועלים בפועל, ומשתלבים באקו-סיסטם רחב יותר.

הפוסט כך תהפכו את קלוד לכלי עבודה אינטגרטיבי ומתקדם הופיע ראשון בLet's AI בינה מלאכותית

איך מתחברים ולמי המודלים החדשים זמינים?

מודלי אופוס 4 וסונטה 4 זמינים למשתמשי קלוד דרך מגוון רחב של פלטפורמות. סונטה 4 נגיש גם למשתמשים בתוכנית החינמית של קלוד, בעוד שאופוס 4 כלול בתוכניות המתקדמות: Pro, Max, Team ו-Enterprise.

מיד עם ההתחברות אתם תראו את המסך החגיגי הבא שמבשר לכם על בואו של קלוד4:

ברוכים הבאים לקלוד4 | Credit: Anthropic

מעבר לממשק הוובי ולאפליקציה, ניתן לגשת אליהם דרך Anthropic API, שירות Amazon Bedrock, או פלטפורמת Vertex AI של Google Cloud. לאחר הכניסה לממשק הצ’ט, תוכלו לראות את המודלים החדשים בכפתור בחירת המודלים:

המודלים החדשים של אנטרופיק – קלוד 4 פה!

מפתחים המעוניינים לשלב את המודלים בתהליכי עבודה קיימים, יכולים להתחבר בקלות דרך ממשקי API מתועדים היטב, ולהתחיל לבנות סוכנים, אפליקציות וכלי פיתוח מבוססי קלוד תוך דקות.

קלוד אופוס 4 וקלוד סונטה 4: מי נגד מי

אוקיי – אז מה יש לנו פה? היום אנטרופיק חשפה שני מודלים חדשים תחת השם קלוד 4 – קלוד אופוס 4 (Claude Opus 4) וקלוד סונט 4 (Claude Sonnet 4). בעוד סונטה 4 מהווה עדכון ישיר לגרסה הקודמת, 3.7 (שהייתה פשוט מדהימה), ומיועד לאיזון בין יעילות לעוצמה, אופוס 4 הוא מודל הדגל.

קלוד אופוס 4: סוס העבודה של אנטרופיק

המיקוד באופוס 4 ברור: הוא מיועד למשימות מורכבות, מתמשכות, ועמוקות – בעיקר בתחום הקוד. אופוס 4 הוא מודל הדגל החדש של אנטרופיק, לא רק מהבחינה הטכנולוגית, אלא גם מבחינת הפוטנציאל האסטרטגי שלו כמנוע עבור סוכני בינה מלאכותית עתידיים. מדובר במודל שנבנה מהיסוד כדי להתמודד עם אתגרים קשים במיוחד, כמו פתרון בעיות בקוד מורכב, פרויקטים שדורשים אינספור שלבים ברצף, ועבודה רציפה לאורך שעות ארוכות – תכונות שהופכות אותו לשחקן מפתח בכל הקשור לפיתוח תוכנה מבוסס בינה מלאכותית.

הביצועים של קלוד 4 | Credit: Anthropic

מודלי קלוד 4 מובילים ב-SWE-bench Verified – מדד לביצועים במשימות פיתוח תוכנה אמיתיות.

קלוד סונטה 4: פתרון מאוזן ליישומים רחבים

לעומת אופוס, סונטה 4 מיועד למגוון רחב יותר של משתמשים וכולל שיפורים משמעותיים בדיוק, הבנת הוראות והיגיון פנימי. ביצועיו מרשימים גם הם, עם ציון של 72.7% ב-SWE-bench, והוא מציע רמות דיוק ואלגנטיות שמאפשרות עבודה חלקה על יישומים אוטונומיים או מול לקוחות. חברות כמו GitHub, Manus ו-iGent כבר שילבו את המודל החדש בסוכנים שלהן, ודיווחו על שיפורים ניכרים בניווט בקוד, פתרון בעיות ויכולת להוציא לפועל אפליקציות מרובות-פיצ’רים בצורה עצמאית כמעט לחלוטין.

כלים, זיכרון וחשיבה מתמשכת

מה שמייחד את דור 4 של קלוד הוא השימוש בכלים חיצוניים במהלך תהליך החשיבה. בשלב הבטא, המודלים מסוגלים לשלב בין ניתוח פנימי לבין חיפוש מידע חיצוני. כלומר, קלוד יכול לחפש מידע ברשת או לקבל גישה למידע או קבצים מקומיים של המשתמש, הן ביומן שלו, בדרייב שלו או במייל שלו. תכונה זו מאפשרת למודלים “לחשוב בקול רם”, להשתמש בכלים שונים במקביל, וכך לשפר את איכות התשובות לאורך זמן.

גם נושא הזיכרון קיבל טיפול רציני: המודלים מסוגלים ליצור קבצי זיכרון (“memory files”) ששומרים עובדות מהותיות, מקשרים בין שלבים שונים במשימה ומספקים רציפות. דוגמה מעניינת לכך היא היכולת של אופוס 4 ליצור מדריך ניווט במהלך משחק פוקימון, מה שמעיד על גמישות קוגניטיבית ואוריינטציה מרחבית.

מנגנון סיכום מחשבתי: פתרון לאורכי רוח

כחלק ממערכת החשיבה החדשה, אנטרופיק הוסיפה גם אפשרות לסיכום תהליכי חשיבה. כאשר תהליך החשיבה ארוך מדי, המערכת יוצרת סיכום תמציתי באמצעות מודל משני. שימוש זה קורה רק בכ-5% מהמקרים, אך הוא ממחיש את הגישה של החברה ליעילות והבנה של מגבלות תצוגה. למפתחים שמעוניינים בגישה גולמית לשרשראות מחשבה, מוצע “מצב מפתחים” (Developer Mode) חדש, שפותח גישה לכל המידע הלא מסונן – פתרון שמיועד למי שעוסק בהנדסת פרומפטים מתקדמת.

קלוד קוד: מפתחים, הגיע הזמן להתקדם

אחת ההכרזות החשובות בהקשר לפיתוח תוכנה היא השקה כללית של “קלוד קוד” (Claude Code). מדובר בסביבת עבודה חכמה המאפשרת עבודה בצוות עם קלוד במגוון סביבות, החל מטרמינל, דרך VS Code ועד JetBrains. ההצעות לעריכה מוצגות ישירות בקבצים, והכל משתלב כחלק טבעי מה-IDE. בנוסף, שוחרר SDK גמיש שמאפשר לבנות סוכנים מותאמים אישית. הדוגמה המובילה היא הרחבת קלוד קוד לגיטהאב: תגובה לבקשות שינוי (PRs), תיקון שגיאות CI, והתאמות אוטומטיות של קוד לפי הערות.

ממשק API חדשני ליכולות מתקדמות

המודלים החדשים מגיעים עם סט יכולות מרשים ב-API של אנטרופיק: כלי להרצת קוד, מחבר MCP, ממשק לקבצים, ואפשרות לשמירת פרומפטים למשך שעה. כל אלה מכוונים להעצמת סוכני AI ולהפיכתם לאוטונומיים באמת, עם יכולת לעבודה ממושכת, שיפור מתמיד והבנה עמוקה של הקשר.

זמינות ומחירים: נגישות לצד פרימיום

מעבר לזמינות בצ’ט, המודלים זמינים דרך Anthropic API, פלטפורמת Amazon Bedrock ו-Google Cloud Vertex AI. סונטה 4 כלול גם בתוכנית החינמית של Claude.ai, בעוד שאופוס 4 מופיע בתוכניות Pro, Max, Team ו-Enterprise. המחירים נשארו כפי שהיו בדגמים הקודמים: אופוס 4 ב-$15/$75 לכל מיליון טוקנים (קלט/פלט), וסונטה 4 ב-$3/$15.

CLAUDE PRICING | Credit: Anthropic.

סוכני AI, פתרונות ארוכי טווח ועתיד שיתופי

קלוד 4 אינו רק שדרוג טכנולוגי – מדובר בתפיסת עולם חדשה לפיתוח סוכני בינה מלאכותית שיכולים לחשוב, לזכור, להשתמש בכלים ולעבוד במשימות מורכבות לאורך זמן. הוא פותח פתח לשימושים רחבים – מחקר מדעי, פיתוח תוכנה, כתיבה, עיצוב תהליכים ועד משחקים מורכבים. העובדה ששני המודלים תוכננו מראש לשלב בין תגובות מיידיות לבין תהליכי חשיבה מתמשכים, מצביעה על גישה שמתעדפת גמישות ואדפטיביות. האפשרות לממש סוכנים שפועלים עצמאית, מסתגלים לסביבה ומתנהלים בזיכרון חכם, מקרבת אותנו לשלב הבא בהתפתחות ה-GenAI והיציאה שלו מ”החדר הסגור” של ממשק הצ’ט אל “מגרש המשחקים” של העולם האמיתי, בו הוא מתממשק ומפעיל כלים חיצוניים. ה-AI הופכת למערכת ההפעלה של העולם החדש. החידושים שראינו עם Claude-4 מציבים רף חדש לתעשייה: מצד אחד, יש כאן דחיפה חזקה אל עבר סוכנים אינטליגנטיים באמת, ומצד שני יש פה שמירה על נגישות, יציבות ותמיכה במפתחים. כעת נותר לראות איך שחקנים אחרים בתעשייה יגיבו, והאם גם הם יאמצו את הרעיון של מודלים שמסוגלים לעבוד כמו שותפים, ולא רק כמנועי השלמה.

הפוסט אנטרופיק משחררים את Claude Opus 4 ו-Claude Sonnet 4 הופיע ראשון בLet's AI בינה מלאכותית

מה זה בכלל “הזיות” של מודלים?

הזיות הן אחת הבעיות המדאיגות ביותר במודלים גדולים של שפה (LLMs). מדובר בתשובות שנשמעות אמינות, אבל פשוט לא נכונות. לפעמים הן שגויות, לפעמים מומצאות לגמרי. איך זה קורה? כי המודלים לא באמת “מבינים” את העולם, הם רק חוזים את המילים הבאות על סמך טקסטים שראו. אין להם בקרה פנימית לעובדות.

הבעיה לא נגמרת בטקסטים. גם מודלים חזותיים מזייפים: למשל, מערכת שציירה את קירבי (הדמות הוורודה של נינטנדו) עם שיניים – למרות שהיא ידעה לומר במפורש שלקירבי אין שיניים. המערכת “זכרה” נכון בטקסט, אבל “המציאה” בתמונה. זה מדגיש את הפער בין רכיבי המודל.

קירבי בולע את דונקי קונג עם (ובלי) שיניים. Credit: vectara.com

לפעמים זה מצחיק. אבל ברוב המקרים – ממש לא. כמו עורך הדין שציטט פסיקות משפטיות שהומצאו על ידי ChatGPT, או התשובה השגויה לשאלה בסיסית: “מה כבד יותר, קילו מים או קילו אוויר?”

מה כבד יותר? Credit: vectara.com

המכנה המשותף? אובדן אמון.

כשה-AI משתלב בתחומים כמו רפואה, משפט או חינוך – דיוק הוא לא מותרות. הזיות פוגעות בדיוק בזה: האמינות. וזה אתגר שאי אפשר להתעלם ממנו.

למה מודלים ממציאים עובדות?

כדי להבין למה ChatGPT ודומיו מייצרים עובדות שגויות, צריך להבין איך הם בנויים. הם לא לומדים את האמת – הם לומדים דפוסים בטקסטים. כלומר: מה סביר שיבוא אחרי מה. כשמודל מייצר תשובה, הוא לא בודק עובדות ולא שואל “האם זה נכון?” הוא פשוט מנחש את המילה הבאה שנשמעת הגיונית. אין לו מושג אם מה שהוא כותב מבוסס או לא.

כאן נכנסת הבחנה קריטית בין שתי גישות: הראשונה נקראת ספר סגור: המודל עונה מתוך “הזיכרון” של מה שלמד באימון. אין לו גישה למידע מעודכן או אמין. השנייה היא ספר פתוח: המודל קודם כל מאחזר מידע בזמן אמת, ואז מסכם אותו. גישה זו מורידה משמעותית את שיעור ההזיות.

בעיה נוספת: המודלים לא יודעים להודות כשהם לא יודעים. הם “זורמים” עם תשובה שנשמעת טוב, גם אם היא שגויה לגמרי. והכי מסוכן? הם עושים את זה בביטחון מלא.

אז לא, זו לא רשלנות. הזיות הן תוצאה ישירה של איך שהמודלים האלה בנויים ומתומרצים: לכתוב טקסט יפה ולאו דווקא נכון.

איך בכלל מודדים הזיות?

כדי לבדוק עד כמה מודל נוטה “להמציא”, צריך שיטה טובה למדוד את זה. כאן נכנסת לתמונה Vectara, שפיתחה כלי בשם HHEM (Hallucination Evaluation Model) – שיטה חדשנית שמודדת האם התשובות של המודל נאמנות למקור. HHEM לא בודק אם הטקסט “נשמע טוב”, אלא אם הוא באמת מבוסס. הוא מתמקד בסיכומים שבהם המודל ניסח מחדש את המידע, לא רק העתיק. ובניגוד למה שאפשר לחשוב, מדובר במודל קטן יחסית – מה שמוכיח שלא צריך בינה מלאכותית ענקית כדי לעשות עבודה חכמה.

המודל הושווה לאחרים (כמו SummaC ו־TrueTeacher), וזכה לציון גבוה מאוד – 0.837 במדדים כמו דיוק ויכולת הבחנה בין אמת להזיה. בשלב הבא הקימה Vectara את לוח המובילים של ההזיות – דירוג פומבי של מודלים שסיכמו כתבות אמיתיות (כמו מ־CNN או DailyMail). כל סיכום נבדק לפי שיעור הזיה – כמה מהסיכומים הכילו עובדות שגויות, שיעור עקביות – ההיפך מהזיות (100% פחות שיעור ההזיה), שיעור תגובה – כמה פעמים המודל ענה בכלל ואורך סיכום ממוצע.

השורה התחתונה? יש עכשיו דרך ברורה להשוות בין מודלים ולמדוד בדיוק מי נוטה להזות ומי מספק מידע אמין. וזה צעד חשוב לעבר עולם AI שאנחנו באמת יכולים לסמוך עליו.

לוח המובילים של ההזיות – מי באמת אמין?

אז מי שומר על האמת בעולם שבו AI לפעמים ממציא? Hallucination Leaderboard של Vectara נותן תשובה. זהו דירוג שמתעדכן ב־GitHub ומשווה בין מודלים גדולים לפי רמת האמינות העובדתית שלהם – על בסיס גרסה מתקדמת של מודל ההערכה HHEM-2.1. נכון לאפריל 2025, המקום הראשון שייך ל־Gemini-2.0-Flash-001 מבית Google, עם שיעור הזיה של 0.7% בלבד. אחריו Gemini-2.0-Pro-Exp גם של גוגל, o3-mini-high של OpenAI, ו־Mockingbird-2-Echo של Vectara. כולם עם שיעורי הזיה של פחות מ־1%.

לא רק הגודל קובע

זה אולי מפתיע, אבל חשוב להבין: מודלים קטנים ויעילים עקפו לא פעם את הענקים. המשמעות? מה שחשוב באמת הוא איך המודל מאומן ואיך הוא בנוי – לא רק כמה פרמטרים יש לו.

תובנות בולטות מהדירוג:

• משפחות שומרות על רמה – מודלים מאותה סדרה (כמו GPT או Gemini) מציגים ביצועים עקביים.

• פחות לפעמים זה יותר – סיכומים קצרים נוטים להזות פחות.

• עדיף לשתוק מאשר להזות – יש מודלים שמסרבים לענות כשאין להם ודאות. וזה דווקא דבר טוב. כמו שנאמר: “סייג לחכמה – שתיקה.”

הלוח כולל גם תרשימים חזותיים שממחישים את הפערים – עד פי 7 בין המובילים לגרועים. ויש גם השוואה לגרסאות קודמות, שמראה איך התחום כולו משתפר לאורך זמן.

ולמה זה חשוב? כי רק כשמודדים – אפשר להשתפר. ולוח ההזיות הוא כלי מפתח בדרך ל-AI באמת אמין.

Gemini-2.0-Flash-001 עם שיעור הזיה של 0.7% בלבד. Credit: vectara.com

אז מה עושים? איך מצמצמים הזיות?

החדשות הטובות: יש דרך להתמודד עם זה. הפתרון המוביל נקרא RAG – ראשי תיבות של Retrieval-Augmented Generation. או בעברית פשוטה: מודל שיודע קודם לחפש – ואז לנסח. במקום לסמוך על “הזיכרון” הפנימי של המודל, כמו בגישת “ספר סגור” – RAG פועל בגישת “ספר פתוח”: המערכת מאחזרת מידע מעודכן ממקור חיצוני, ורק אז מבקשת מהמודל לסכם אותו. כך היא מצמצמת משמעותית טעויות והמצאות. אנחנו כבר רואים את זה בפעולה – למשל ב־Bing Chat או Google Search Chat, שמשלבים חיפוש עם ניסוח מבוסס־מודל.

כדי שמערכת RAG תעבוד באמת – שני דברים חייבים לקרות: קודם כל, האחזור חייב להיות מדויק – כלומר, המידע שנשלף צריך להיות רלוונטי, עדכני ואמין. אבל זה לא מספיק. גם הסיכום שהמודל מנסח חייב להישאר נאמן למקור, בלי לעוות או להמציא. כאן בדיוק נכנסים לתמונה כלים כמו HHEM, שמודדים עד כמה הפלט משקף את העובדות שנשלפו.

עם זאת, RAG היא רק אחת מהשיטות להפחתת הזיות. חלק מהמודלים עוברים כיוונון ייעודי שמלמד אותם לזהות ולצמצם נטייה להמציא. אחרים עושים שימוש ב־כימות אי־ודאות – ומאותתים כשהם לא בטוחים, במקום לנחש. ויש גם כאלה שמפעילים מודולי אימות – שבודקים את התשובה מול מקורות לפני שהיא נשלחת למשתמש. ולמרות שיש כבר מודלים שמציגים עקביות של יותר מ־99% – עדיין מדובר באתגר פתוח. במיוחד כשמדובר בשאלות מורכבות, או בתחומים שבהם אין הרבה מידע איכותי.

בתמונה המצורפת תראו השוואה בין שתי דרכי פעולה של מודלי שפה. בצד ימין – גישת “ספר פתוח” (Open Book Q&A): המודל קודם מאחזר מידע ממקור חיצוני ורק אחר כך מנסח תשובה על בסיסו. כך מתקבלת תשובה מבוססת יותר, שמפחיתה טעויות והזיות. בצד שמאל – גישת “ספר סגור” (Closed Book Q&A): המודל מנסה להשיב רק מתוך מה שלמד באימון, בלי לבדוק במקורות בזמן אמת. זוהי גישה מהירה, אך מועדת יותר לשגיאות ולהמצאות:

השוואה בין שתי גישות למענה על שאלות על ידי מודלי שפה גדולים. Credit: vectara.com

מה עושים עם זה? השלכות מעשיות למפתחים ולמשתמשים

הזיות הן לא רק באג טכני – הן אתגר שדורש התמודדות מודעת מצד כולם: מפתחים, ארגונים וגם משתמשים.

למפתחים וארגונים

1. לבחור נכון את המודל: לוח ההזיות של Vectara עוזר לזהות מודלים מדויקים במיוחד – וזה קריטי בתחומים כמו רפואה, משפט וחינוך, גם אם זה בא על חשבון מהירות או יצירתיות.

2. ליישם RAG: חיבור למקורות מידע חיצוניים מאומתים מצמצם הזיות. אבל זה עובד רק אם מנגנון האחזור מדויק והמודל יודע לנסח בלי לעוות.

3. לאותת כשאין ודאות: מודלים צריכים להבהיר מתי הם לא בטוחים. זה יכול להיות ניסוח זהיר (“למיטב ידיעתי…”) או ציון רמת ביטחון.

4. לחנך את המשתמשים: ללמד את המשתמשים לא לסמוך בעיניים עצומות. לבדוק, להצליב, להבין את הגבולות של המערכת ולהשתמש בה בחכמה.

5. להיות שקופים: ארגונים צריכים להצהיר בגלוי על מגבלות המערכת. השקיפות בונה אמון ושומרת על אחריות.

למשתמשים

1. לשמור על ספקנות בריאה: לא כל מה שנשמע חכם – באמת נכון. אל תדלגו על הצלבת מקורות.

2. להבין את המגבלות: המודל עשוי להשיב בביטחון מלא גם כשהוא טועה. חשוב לזכור את זה.

3. להשתמש באחריות: ראינו מקרים, גם בעולם וגם כאן בישראל, שבהם עורכי דין ציטטו פסקי דין שלא קיימים. זו תוצאה ישירה של שימוש במודלים שמספקים מידע בביטחון מופרז, גם כשהוא פשוט לא נכון. טעויות קטנות כאלה עלולות להוביל להשלכות גדולות – משפטיות, מקצועיות ואישיות.

פסקי דין מומצאים. Credit: vectara.com

שמירה על אמינות לפעמים באה על חשבון יצירתיות, עומק או מהירות. אין כאן פתרון אחד שמתאים לכולם. הבחירה הנכונה תלויה בהקשר ודורשת אחריות, תכנון וחוכמה.

שישה כיוונים לעתיד בלי הזיות

המאבק בהזיות לא נגמר – הוא רק מתחיל. התחום של זיהוי והפחתת שגיאות עובדתיות נמצא היום בתנופה, ואלה שישה כיוונים מבטיחים שכדאי לעקוב אחריהם:

1️⃣ כלים חכמים יותר להערכה

מודלים כמו HHEM עושים עבודה טובה, אבל העתיד שייך לכלים שיידעו להבחין בין סוגי הזיות – קטנות מול קריטיות, או לפי תחום.

2️⃣ אימות תוך כדי יצירה

במקום לבדוק אחרי, המודלים העתידיים יבדקו תוך כדי. אחזור בזמן אמת, בדיקת עובדות ותיקון לפני שהשגיאה יוצאת החוצה.

3️⃣ שדרוג הארכיטקטורה והאימון

זה לא רק גודל. שיטות ענישה להזיות, ייצוג של חוסר ודאות, ושכבות חכמות – כל אלה ישפרו את האמינות.

4️⃣ מודלים מותאמים לתחום

רפואה, משפט, מדע – לכל תחום יש שפה ומידע משלו. מודלים ייעודיים יידעו לדייק יותר במרחבים מורכבים.

5️⃣ מערכות RAG מתקדמות

RAG יהפוך לחכם יותר, יבין כוונות, ימצא מקורות מדויקים, ויבנה הקשר עשיר שיאפשר תשובה אמינה באמת.

6️⃣ ממשקי משתמש אחראיים

הצגת רמת ודאות, קישורים למקורות, או אפילו דעות חלופיות – כל אלה יעזרו למשתמש להבין מתי לסמוך ומתי לבדוק שוב. מעבר לכך, נתחיל לראות גם מערכות שלומדות ממשוב אנושי ומשתפרות בזמן אמת, רגולציה שדורשת שקיפות, גילוי מגבלות, ואחריות משפטית על מידע שגוי.

העתיד לא נקי מהזיות – אבל הוא בהחלט בכיוון הנכון.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מקיף לבינה מלאכותית - GenAI Master

לפרטים נוספים לחצו כאן >>

הבינה צריכה בסיס מוצק

הזיות הן לא רק תקלה טכנית, הן החסם הגדול ביותר שעומד היום בפני אימוץ אמיתי של בינה מלאכותית. הן אולי מתחילות בטעות קטנה, אפילו משעשעת – אבל יכולות להסתיים באבחון רפואי שגוי, בייעוץ משפטי מסוכן, או בפגיעה באמון של תלמיד, משתמש או לקוח. כדי להתמודד עם זה, העולם עובר לגישה פתוחה יותר. מודלים שמחוברים למידע אמיתי בזמן אמת – לא רק למה שהם זוכרים מהאימון – מייצרים פחות הזיות ויותר דיוק. מתברר שגם הגודל כבר לא משחק תפקיד כמו פעם. דווקא המודלים הקטנים, שבנויים נכון, מצליחים להחזיק באמינות גבוהה יותר. אבל כל זה לא שווה הרבה בלי מדידה. בלי כלים כמו HHEM ולוחות דירוג שמאפשרים השוואה, אי אפשר לשפר באמת.

אז מה נדרש? מהמפתחים – דיוק לפני באזז, שקיפות אמיתית, ומוכנות להודות כשאין ודאות. מהמשתמשים – ספקנות בריאה, הצלבת מידע, והבנה שמודל מרשים הוא עדיין לא מקור מוסמך. אנחנו נמצאים בתחילתה של דרך ארוכה. עם כלים טובים יותר, מבנים חכמים יותר, ויותר מודעות לסיכון – נוכל להפוך את הבינה המלאכותית ממשהו שמרשים אותנו, למשהו שאנחנו באמת יכולים לסמוך עליו. אבל כדי שזה יקרה, היא צריכה לעמוד על שלושה עקרונות פשוטים: אמת. אחריות. אמון.

הפוסט מדריך להישרדות בעידן ההזיות של הבינה המלאכותית הופיע ראשון בLet's AI בינה מלאכותית

הטכנולוגיה מאחורי Codex

בלב Codex נמצא המודל codex-1 – גרסה ייעודית של מודל ההיסק o3 של OpenAI, שאומנה במיוחד למשימות תכנות. לדברי החברה, המודל החדש מפיק קוד “נקי יותר”, מציית להוראות בדיוק גבוה יותר, ומריץ בדיקות על הקוד שלו באופן איטרטיבי עד להשגת תוצאה תקינה. Codex פועל בענן, בתוך סביבת sandbox מבודדת. כאשר הוא מחובר ל-GitHub, הוא יכול להיטען מראש עם קוד מהמאגר שלכם – מה שמאפשר לו להבין את ההקשר של הפרויקט ולעבוד עליו בצורה מושכלת יותר.

איך Codex עומד מול מודלים אחרים?

Codex-1 מבוסס על גרסה מותאמת של מודל o3, אך הוא מראה שיפור מדוד בביצועים, גם בתרחישים ריאליים (SWE-Bench) וגם במשימות תכנות פנימיות של OpenAI. בתרשים מצד שמאל רואים ש-Codex-1 משיג תוצאות טובות יותר ככל שמספר הניסיונות עולה. בתרשים הימני – הוא מוביל על פני o3-high, o4-mini-high, ואפילו o1-high, ברמת דיוק במשימות קוד אמיתיות.

היתרון של Codex-1 על פני מודלים אחרים

היסטוריה של Codex

השם “Codex” מוכר למי שעוקב אחרי תחום ה-AI כבר מ-2021, אז השיקה OpenAI את הגרסה הראשונה של Codex, ששימשה כבסיס ל-GitHub Copilot המקורי והובילה לפריצת הדרך של עוזרי קוד מבוססי בינה מלאכותית. במרץ 2023, המודל ההוא הושבת רשמית, ו-GitHub Copilot עבר להשתמש ב-GPT-4 כחלק מהשדרוג ל-Copilot X, שהביא איתו יכולות מתקדמות יותר, כולל אינטגרציה עמוקה יותר עם IDEs, צ’אט מובנה, והשלמות קוד חכמות יותר.

Codex החדש, שהוצג כעת ב-ChatGPT, שונה מהותית מהגרסה הישנה: הוא פועל כסוכן עצמאי בענן, ומסוגל לבצע משימות שלמות – הרבה מעבר להשלמות קוד נקודתיות.

סם אלטמן מצייץ בחשבון x שלו על השקת Codex

מי יכול להשתמש ב-Codex?

Codex זמין למשתמשי ChatGPT במסלולי Pro, Team ו-Enterprise. בהמשך, OpenAI מתכננת להרחיב את הגישה גם למשתמשי ChatGPT Plus ולמוסדות חינוך דרך ChatGPT Edu. בתחילת ההשקה, כל המשתמשים הזכאים יקבלו גישה נדיבה ללא תשלום נוסף, למשך תקופה מוגבלת. לאחר מכן, תוטל מגבלת קצב על השימוש, עם אפשרות לרכוש קרדיטים נוספים כדי להרחיב את היקף השימוש.

מה Codex יודע לעשות?

Codex מסוגל לטפל במשימות קוד שלמות, מקצה לקצה, בתוך סביבת sandbox מבודדת בענן. הוא מקבל הוראות מהמשתמש, מריץ את הקוד בעצמו, ומחזיר את התוצאה כשהעבודה הושלמה. המשימות ש-Codex יודע לבצע כוללות כתיבת קוד לפיצ’רים חדשים, תיקון באגים, מענה על שאלות לגבי הקוד שלך, הרצת בדיקות, הפקת תיעוד וגם יצירת Pull Requests. לפי OpenAI, משימות אלו נמשכות לרוב בין דקה ל-30 דקות, בהתאם למורכבות. כל משימה רצה בסביבה מבודדת משל עצמה, כדי לשמור על בטיחות וניקיון סביבת העבודה.

יתרונות בולטים של Codex

הרצת משימות במקביל

בניגוד לעוזרי קוד שפועלים מקומית, Codex מריץ משימות בענן – כך שניתן להאציל לו כמה פעולות במקביל מבלי להעמיס על סביבת הפיתוח שלך.

שקיפות ובקרה

כל משימה ש-Codex מבצע כוללת תיעוד מלא: יומני מסוף, תוצאות בדיקה, ושינויים בקוד. זה מאפשר לבדוק ולאמת כל שלב בתהליך לפני הטמעה.

התאמה אישית לפי הצרכים שלכם

באמצעות קובץ AGENTS.md, מפתחים יכולים להנחות את Codex לגבי סגנון הקוד הרצוי, מבנה הפרויקט, או פורמט הפלט, כדי להתאים אותו בדיוק לזרימת העבודה שלהם.

מופעל כולו בענן

Codex רץ על שרתי OpenAI ולא על המחשב שלך, כך שאפשר להמשיך לעבוד כרגיל בזמן שהוא מטפל במשימות הקידוד ברקע.

בטיחות ואבטחה

Codex פועל בסביבה מבודדת לחלוטין (air-gapped), בלי גישה לאינטרנט או ל-APIs חיצוניים. ההגבלה הזו נועדה לצמצם סיכונים ולמנוע שימוש לרעה, אך עשויה להגביל את Codex בתרחישים שדורשים גישה למקורות חיצוניים בזמן ריצה. לדברי החברה, Codex מתוכנן לסרב באופן עקבי לבקשות ליצירת קוד זדוני, והוא כולל שכבות אבטחה ומגבלות דומות לאלו שבמודל o3.

דיוק ומגבלות

כמו כל מערכת AI גנרטיבית, גם Codex עלול להפיק קוד שגוי או לא אופטימלי. לכן, חשוב לבדוק ולאמת את הקוד שהוא מייצר – במיוחד לפני הטמעה בסביבת ייצור. OpenAI עצמה מדגישה שמומלץ לבצע סקירה אנושית. לשם כך, Codex מספק יומני בדיקה מפורטים, תוצאות ריצה, ושינויים בקוד כדי להקל על תהליך האימות והבקרה.

איך להשתמש ב-Codex

Codex משולב ישירות בממשק של ChatGPT (בתוכניות הרלוונטיות), ונמצא בלשונית ייעודית בסרגל הצד. משם, אפשר להפעיל אותו במספר דרכים:

• Code – להקצות משימות קידוד חדשות דרך טקסט חופשי.

• Ask – לשאול שאלות המבוססות על הקוד שלך.

• GitHub – לחבר את Codex למאגרים שלך לקבלת הקשר טוב יותר.

• משימות פעילות – לעקוב אחר התקדמות המשימות והפלט שמתקבל.

הממשק פשוט ואינטואיטיבי, ומאפשר שליטה מלאה על כל אינטראקציה עם Codex מתוך חלון הצ’אט.

כך זה נראה בפועל:

Codex משולב ישירות בממשק של ChatGPT

בממשק הזה, כל משימת קידוד מתחילה מהוראה פשוטה בשפה טבעית. אפשר לבחור את סביבת העבודה (ריפו ו-branch), ולשלוח את ההוראה בלחיצת כפתור Code. התוצאה מתועדת אוטומטית תחת רשימת המשימות הפעילות, עם מידע מפורט על סטטוס, שינויים בקוד (diff), ועדכון merge אם רלוונטי.

גרסאות שונות של Codex

OpenAI מציעה כיום שתי גרסאות שונות של Codex, בהתאם לאופי השימוש:

1.  Codex ב-ChatGPT

סוכן קידוד מבוסס ענן שפועל על שרתי OpenAI. הוא מסוגל להריץ מספר משימות במקביל, ונגיש ישירות מתוך ממשק ChatGPT בסרגל הצד.

2.  Codex CLI

גרסה מקומית וקלת-משקל בקוד פתוח, שפועלת דרך שורת הפקודה (terminal). בניגוד לגרסת הענן, Codex CLI מריץ את הקוד על המחשב שלך, בתוך סביבת sandbox מבודדת.

הגרסה החדשה של Codex CLI מבוססת על המודל codex-mini-latest – גרסה מותאמת של o4-mini, שכוונה למענה על שאלות קוד ועריכת קוד באופן מהיר וחסכוני יותר במשאבים.

We've made some improvements to Codex CLI, based on your feedback:

⬥ Sign in with ChatGPT to quickly connect your API org
⬥ New model, codex-mini, optimized for low-latency code Q&A and editing pic.twitter.com/HyFmmj5Fff

— OpenAI Developers (@OpenAIDevs) May 16, 2025

Codex בזירה התחרותית

השקת Codex מגיעה בתקופה של תחרות מתגברת בעולם כלי הקידוד מבוססי AI. יותר ויותר מפתחים מאמצים עוזרי קוד ככלים חיוניים ולא רק כתוספות ניסיוניות. חברות כמו Anthropic (עם Claude Code ב-Claude 3.7 Sonnet), Google (עם Gemini Code Assist), ו-Microsoft מתחרות כולן על נתח שוק בתחום הזה. כעת, OpenAI מציבה את Codex כסוכן עצמאי מתקדם ומחזקת את מעמדה כמובילה בתחום. לפי הערכות בתעשייה, חלק משמעותי מהקוד כיום כבר נכתב בעזרת בינה מלאכותית, מה שמעיד על שינוי עמוק בתהליכי הפיתוח.

חזון עתידי לסוכני קידוד

ג’וש טובין, ראש צוות מחקר הסוכנים ב-OpenAI, מתאר את כיוון ההתפתחות כך: “אנחנו רואים בסוכנים מערכות AI שפועלות בשמך לאורך זמן, ומשלימות חלקים גדולים מהעבודה, תוך אינטראקציה עם העולם האמיתי.” לדבריו, החזון הוא ש-ChatGPT יהפוך לעמית וירטואלי – לא רק כלי שמספק תשובות, אלא שותף אמיתי למשימות משמעותיות.

OpenAI מדמיינת עתיד שבו מפתחים מתמקדים במשימות החשובות להם, ומעבירים את השאר לסוכנים אוטונומיים. לשם כך, נבנים כעת כלים המאפשרים גם שיתוף פעולה בזמן אמת, וגם האצלת משימות אסינכרונית  – לפי הצורך.

בסופו של דבר, שני מצבי העבודה הללו יתכנסו: סוכני Codex יעבדו מתוך ה-IDE, ישיבו לשאלות, יציעו קוד, ויטפלו במשימות ארוכות – בזרימה אחת מאוחדת, לצד המפתח. תוכניות עתידיות כוללות סוכנים גמישים ואינטראקטיביים יותר, שיאפשרו למפתחים לשנות הנחיות בזמן אמת, לקבל עדכוני התקדמות, ולשתף פעולה על האסטרטגיה, לא רק על הביצוע.

טיפים חשובים למפתחים שמשתמשים ב-Codex

לפני שמתחילים לעבוד עם Codex, כדאי לקחת בחשבון כמה עקרונות שישפרו את הדיוק והיעילות:

קובץ AGENTS.md

אם אתם רוצים שליטה מדויקת יותר על ההתנהגות של Codex, תוכלו להשתמש בקובץ AGENTS.md כדי להנחות את הסוכן בנוגע למבנה הקוד, סגנון כתיבה, בדיקות, ואפילו הודעות Pull Request. הקובץ יכול להופיע בכל מקום בפרויקט, וטווח ההשפעה שלו מוגדר לפי מיקום בתיקייה. במקרים של התנגשות בין הנחיות – הקובץ הכי פנימי (deepest nested) מנצח. כך Codex יתאים את עצמו לזרימת העבודה שלכם.

קוד מסודר = תוצאות טובות יותר

Codex מתפקד הכי טוב על בסיסי קוד מאורגנים היטב – כאלה עם מבנה מודולרי ובדיקות תקינות. ככל שהקוד שלך ברור יותר, כך Codex יבין ויפעל טוב יותר.

ביקורת קוד היא חובה

גם כשCodex עושה את העבודה – האחריות נשארת אצלכם. חשוב לבדוק את הקוד שמתקבל לפני הפעלה בסביבת ייצור. המערכת מספקת יומני הרצה ופרטים טכניים כדי להקל על תהליך הבדיקה.

מגבלות סביבת הרצה

Codex פועל בסביבה מבודדת וללא גישה לרשת או ל-API חיצוניים, מה שמגביר את האבטחה אך מגביל את היכולת לפעול מול שירותים חיצוניים בזמן אמת.

לסיכום, Codex הוא הרבה יותר מהשלמת קוד – מדובר בסוכן קידוד עצמאי שמסוגל להריץ משימות מורכבות מקצה לקצה. הוא מאפשר למפתחים להאציל חלקים מהעבודה, להגדיל את הפרודוקטיביות, ולפנות זמן לעבודה יצירתית ואסטרטגית. למרות שכרגע הוא זמין רק למנויי ChatGPT במסלולים מתקדמים, OpenAI כבר הודיעה על כוונתה להרחיב את הגישה ולהמשיך לשפר את יכולות הכלי לאורך זמן. ועדיין, חשוב לזכור: Codex לא מחליף שיקול דעת אנושי. כמו כל כלי AI, גם הוא עלול לטעות – ולכן סקירה ובקרה נשארות חלק בלתי נפרד מהשימוש בו.

הפוסט OpenAI מציגה את Codex – סוכן הקידוד החדש של ChatGPT הופיע ראשון בLet's AI בינה מלאכותית

לא מתחילים מתא ריק

החידוש הגדול של Genspark AI Sheets הוא שלא צריך להתחיל מתא ריק וליצור נוסחאות מסובכות מאפס. במקום זאת, הכלי עוזר למצוא ולארגן מראש את המידע הנדרש, ומאפשר לכם לשאול שאלות פשוטות בשפה טבעית, ללא צורך בידע טכני מתקדם.

ניתוח נתונים תוך כדי שיחה

המערכת של Genspark לא רק מחשבת, אלא “חושבת”. לדוגמה, כאשר תבקשו לדעת “איזה סוג קמפיין שיווקי היה הכי מוצלח?” המערכת תבצע מיד את החישובים הנדרשים, תיצור גרפים ותרשימים מתקדמים ותספק לכם תובנות מיידיות. כל זה, ללא צורך בכתיבת נוסחאות או ביצוע חישובים ידניים.

איסוף נתונים באופן אוטומטי

אחד היתרונות המרשימים של Genspark AI Sheets הוא היכולת לאסוף נתונים באופן אוטומטי. אם אתם משקיעים המחפשים סטארטאפים חדשים, הכלי יכול למצוא תוך דקות רשימת חברות מדויקת לפי הקריטריונים שלכם. גם מגייסים יכולים להיעזר ב-Genspark כדי למצוא מועמדים עם כישורים מדויקים, וחברות העוקבות אחרי ביצועי מדיה חברתית יכולות לקבל סיכום מהיר של נתונים מערוצים כמו YouTube.

הדור הבא של עבודה עם נתונים

Genspark AI Sheets מציעה דרך חדשה ועוצמתית לעבודה עם נתונים. הכלי מאפשר לאתר באופן אוטומטי חברות, אנשים, מסמכים, מוצרים או כל מידע אחר שתזדקקו לו. באמצעות Genspark AI Sheets תוכלו לשלוח שאילתות ולקבל גיליונות נתונים עשירים ומפורטים, לאסוף ולארגן את הנתונים שלכם בטבלאות מובנות באופן אוטומטי, ליצור תרשימים, גרפים וויזואליזציות מתקדמות מהנתונים שלכם, לייבא כל מסמך ולהמיר אותו באופן מיידי לגיליון AI, ואפילו להשתמש בפקודות קוליות דרך המיקרופון. הכלי מאפשר לכם להפוך את הנתונים הקיימים לתובנות בעלות ערך באופן ידידותי, אינטואיטיבי וללא צורך בידע טכני מתקדם.

כאן אתם יכולים לראות את חלון הצ׳אט של Genspark (למעלה מימין) כאשר לחיצה על אפשרות AI Sheets תפתח חלון ייעודי (למעלה משמאל) שבו תוכלו להקליד את השאילתה שלכם ולהתחיל לעבוד. למטה רואים את ממשק המשתמש כולו כאשר לחיצה על AI Sheets בסרגל הכלים הצידי תוביל גם כן לחלון ייעודי (למטה משמאל) שבו תוכלו להקליד את השאילתה שלכם ובנוסף תפתח קנבס ייעודי (למטה מימין) שבו יוצגו הגיליונות שיצרתם:

ממשק המשתמש ב-Genspark

יתרונות מעשיים לכל תעשייה

היתרונות המעשיים של Genspark AI Sheets באים לידי ביטוי כמעט בכל תחום ובכל תעשייה. צוותי שיווק יכולים להפיק דוחות ביצועים מפורטים ולאתר במהירות דרכים לייעול קמפיינים, משקיעים וחוקרי שוק יכולים לאתר חברות חדשות לפי קריטריונים מדויקים ללא השקעה של שעות במחקר, מגייסים מסוגלים לזהות מועמדים אידיאליים עם שילובי כישורים ספציפיים במהירות וביעילות, מנהלי מדיה חברתית יכולים לעקוב אחרי ביצועים בפלטפורמות שונות בקלות רבה, תלמידים יכולים לקבל תוכניות לימוד אישיות שמזהות נקודות תורפה, מנהלי מסחר אלקטרוני יכולים ליצור תוכן חזותי מתקדם במהירות, וצוותי מכירות נהנים מיצירת לידים איכותיים ושליחת הודעות מותאמות אישית תוך שניות בלבד.

מגבלות ושיקולים

עם כל היתרונות הטכנולוגיים, חשוב גם לקחת בחשבון כמה מגבלות שיש ל-Genspark AI Sheets. הכלי מתמקד בעיקר באנגלית, ויש לו תמיכה מוגבלת בלבד בעברית ובשפות אחרות, מה שעלול להגביל את השימושיות שלו בישראל או במדינות אחרות. בנוסף, ייתכנו מצבים שבהם הכלי מציג מידע חלקי או לא מדויק, בעיקר כשמדובר בכמויות גדולות של נתונים. כמו כן, חשוב לדעת כי המידע הזמין לגבי אבטחת הנתונים ופרטיות המשתמשים אינו מפורט דיו, סוגיה רגישה במיוחד בתחומים כמו בריאות ומשפטים.

מה עומד מאחורי Genspark AI Sheets

Genspark משתמש במנוע AI מרובה סוכנים המשלב מספר מודלים מתקדמים של בינה מלאכותית, כולל OpenAI GPT-4.1, OpenAI o3, OpenAI o4-mini-high ו-Gemini 2.5 Pro. שילוב זה מאפשר לכלי לבחור את המודל המתאים ביותר לכל משימה, מה שמוביל לביצועים משופרים בתחומים שונים של ניתוח נתונים.

וכמה זה עולה?

מבחינת מחיר, Genspark מציע מבנה תמחור גמיש הכולל תוכנית חינמית עם 200 קרדיטים יומיים המאפשרים התנסות ראשונית בכלי.התוכניות בתשלום מתחילות ב-24.99$ לחודש ומציעות קרדיטים נוספים, עד 1,000 שאילתות ביום, ויכולות מתקדמות יותר כמו עיבוד קבצים גדולים יותר (עד 100MB לקובץ) והעלאת עד 10 קבצים במקביל. חשוב לציין שבעוד שהגרסה החינמית מספקת גישה לכל הפונקציות הבסיסיות, המשתמשים העסקיים יצטרכו כנראה לשדרג לתוכניות בתשלום כדי להתמודד עם היקף השימוש והנתונים הגדולים יותר בסביבה מסחרית.

לסיכום, Genspark AI Sheets מביא גישה חדשה ורעננה לעולם ניתוח הנתונים, והופך את הגיליונות האלקטרוניים מכלי טכני לאנליסט אישי וחכם. הוא מאפשר לכל אחד, גם ללא רקע טכני, להגיע לתובנות מעמיקות בלחיצת כפתור. עם זאת, לפני שמטמיעים אותו באופן רחב, חשוב לבדוק האם הוא מתאים לצרכים הספציפיים שלכם, במיוחד מבחינת שפה, דיוק ואבטחת מידע. עם Genspark, העבודה עם נתונים הופכת ממתסכלת – לאינטואיטיבית, מהירה ואפילו מהנה.

לא רק Sheets

אם היכולות המרשימות של Genspark AI Sheets סיקרנו אתכם, כדאי שתכירו את מגוון הפתרונות הנוספים של החברה. Genspark מאפשרת לכם ליצור, לחפש ולחקור בקלות וביעילות – הכול תחת קורת גג אחת. החברה גם השיקה “סופר אייג’נט” (Super Agent), סוכן אוטונומי חדשני, שמסמן את תחילתו של עידן חדש ביחסים שבין בני אדם לטכנולוגיה. לאחרונה השיקה החברה גם את Genspark AI Slides – פתרון מתקדם נוסף המציע מחקר אוטומטי, עיצוב מצגות מרהיב ושילוב מדיה מתוחכם. כדי להכיר לעומק את Genspark ואת מגוון הכלים פורצי הדרך שלה, מומלץ לבקר באתר החברה ולגלות בעצמכם כיצד הטכנולוגיה יכולה להפוך את העבודה שלכם לקלה, נעימה ויעילה יותר.

הפוסט Genspark AI Sheets הוא אנליסט אישי שהופך נתונים לתובנות הופיע ראשון בLet's AI בינה מלאכותית

מה חדש ב-GPT-4.1?

GPT-4.1 אינו מודל חדש, אלא שדרוג מתוך משפחת GPT-4. הוא היה זמין למפתחים דרך ה־API כבר מאפריל 2025, וכעת מושק רשמית גם למשתמשי ChatGPT דרך ממשק הצ’אט הרגיל – תחת אותה משפחה של מודלי GPT-4.

הגרסה החדשה נבנתה עם מיקוד ברור בפיתוח תוכנה – היא מצטיינת במהירות תגובה, הבנה מדויקת של הוראות מורכבות, ויכולת לייצר פתרונות תכנותיים שלמים, כולל תיקון באגים, תיעוד קוד, וניתוח דרישות.

אחד השיפורים המרכזיים הוא תמיכה בחלון קונטקסט של עד מיליון טוקנים, שמאפשר למודל לקרוא ולעבד מסמכים ארוכים במיוחד. יכולת זו הייתה זמינה בעבר רק דרך ה־API, ועכשיו זמינה גם דרך ממשק ChatGPT הרגיל. פלוס אדיר למשתמשים שזקוקים למודל עם יכולת לעבד מידע רב גם באינפוט (העלאת קבצים כבדים וארוכים), וגם לייצר אינפוטים ארוכים ומדויקים הרבה יותר.

במבחני ביצועים פנימיים של OpenAI, GPT-4.1 השיג תוצאה של 54.6% במדד SWE-bench Verified (מודד את יכולת המודל לפתור בעיות קוד מהעולם האמיתי), כולל טיפול בקוד קיים, תיקון שגיאות, והשלמת פיצ’רים. לשם השוואה, GPT-4o השיג באותו מבחן רק 33.2%.

למי זה זמין? ומה קורה למודל הקודם?

• מנויי ChatGPT Plus, Pro ו-Team יכולים לבחור את GPT-4.1 מתפריט המודלים.

• משתמשים חינמיים ייהנו מעדכון לגרסת GPT-4.1 mini – שתהפוך לחילופית ברירת המחדל כאשר חורגים ממכסת GPT-4o.

• GPT-4o mini יוצא משירות – כל המשתמשים יראו מעתה רק את גרסת ה-4.1 mini כמודל הקל.

המודלים התווספו לבורר המודלים בממשק של ChatGPT

השוואה מול מודלים מתחרים

השקת GPT-4.1 מתבצעת בשוק תחרותי ורווי, שבו פועלות כיום עשרות חברות ומודלים מתקדמים. לשם השוואה ממוקדת, נתמקד בשלושה מודלים עוצמתיים במיוחד, שידועים בביצועי הקידוד הגבוהים שלהם: Claude 3.7 Sonnet של Anthropic, מודל Gemini 2.5 Pro של Google DeepMind וכמובן GPT-4.1. כל אחד מהם מייצג גישה שונה לתכנון ולשימוש במודל שפה – והטבלה שלפניכם מציגה את ההבדלים המרכזיים ביניהם, כפי שנמדדו במדדים ציבוריים ובנתוני חברות רשמיים:

השוואה בין שלושה מודלים מתקדמים.

Gemini 2.5 Pro מציג את ביצועי הקידוד הגבוהים ביותר כיום, עם תוצאה של 63.8% במדד SWE-bench Verified – גבוה יותר מ-GPT-4.1 ו-Claude 3.7. זהו יתרון מובהק במשימות הנדסיות, פיתוח אייג’נטים, ואינטגרציה עם מערכות מורכבות.

Claude 3.7 Sonnet מתבלט בגישה של שקיפות ובקרה למשתמש: הוא מאפשר לבחור בין תגובה מהירה לבין “חשיבה מעמיקה” (Extended Thinking), ומציג את שלבי החשיבה שלו דרך scratchpad – מעין טיוטה פנימית שממחישה איך התקבלה התשובה. זו רמת שקיפות שאינה קיימת במודלים של OpenAI ו-Google.

GPT-4.1 מאוזן היטב בין מהירות, דיוק, קונטקסט רחב (עד מיליון טוקנים), וחוויית שימוש נוחה דרך ChatGPT. הוא כולל גם זיכרון מתמשך, תמיכה בכלים מובנים (כמו תרשימים וקבצים), ותמחור נגיש יחסית, מה שהופך אותו לבחירה חזקה עבור מפתחים וצוותים עסקיים.

עבור משתמשים חינמיים, GPT-4.1 mini מחליף את GPT-4o mini כמודל ברירת המחדל. חשוב להבהיר: מדובר בגרסה בסיסית בלבד – ללא גישה לזיכרון, כלים או יכולות API – ולכן לא מייצגת את מלוא יכולות GPT-4.1.

בסופו של דבר, שלושת המודלים מייצגים שלוש תפיסות שונות של בינה מלאכותית מודרנית:

• GPT-4.1 – דיוק, אמינות וגמישות.

• Claude 3.7 – שקיפות ותהליך חשיבה גלוי ומוסבר.

• Gemini 2.5 – עוצמה מולטימודלית ושילוב עמוק באקו-סיסטם של Google.

הבחירה הנכונה לא תלויה רק בטכנולוגיה, אלא בעיקר באופן השימוש, ההקשר העסקי, והערכים שחשובים למשתמש.

לא לכולם זה מספיק

המהלך מגיע על רקע ביקורת מצד חוקרי בינה מלאכותית, שטוענים כי שחרור GPT-4.1 נעשה ללא דוח בטיחות מפורט – בניגוד לנוהג שהיה מקובל בהשקות קודמות של OpenAI. לדבריהם, מדובר בפגיעה ברמת השקיפות של החברה. בתגובה, OpenAI הסבירה כי GPT-4.1 אינו נחשב ל־Frontier Model, כלומר, לא מודל בינה כה מתקדם או בעל פוטנציאל השפעה חברתי דרמטי עד שיחייב רגולציה ואמצעי בטיחות מוגברים, ומכיוון שאינו מוגדר ככזה, החברה אינה מחויבת לשקיפות ברמה שהייתה נדרשת במודל כמו GPT-4.

מהנדס תוכנה אוטונומי

OpenAI מייעדת את GPT-4.1 להיות אבן דרך בדרך ליצירת “מהנדס תוכנה אייג׳נטי” – מודל שיידע לבנות יישומים מקצה לקצה, כולל QA, בדיקות באגים וכתיבת תיעוד. לדברי סמנכ”לית הכספים של OpenAI, סרה פריאר (Sarah Friar), מודל GPT-4.1 מהווה אבן דרך משמעותית בדרך ליישום מלא של חזון האוטומציה בפיתוח תוכנה – חזון שבו בינה מלאכותית יודעת לא רק לכתוב קוד, אלא גם לבדוק, לתעד ולשפר אותו באופן עצמאי.

שיפור משמעותי עם בלבול מתמשך

GPT-4.1 מציג שיפור מהותי במהירות, דיוק ויכולות קידוד, במיוחד עבור משתמשים טכניים ומפתחים. אבל ההשקה שוב מעמיקה את הבלבול סביב שמות המודלים השונים שמונגשים למשתמשים – קשה לעקוב ולהבין מי זה מי ולמה הוא טוב למשימה ספציפית כזו או אחרת. סם אלטמן, מנכ”ל OpenAI, הבטיח כי המהדורה הבאה, GPT-5, תאחד את ליין המוצרים ותפשט משמעותית את חוויית המשתמש. לנו נשאר רק לחכות!

הפוסט GPT-4.1 נוחת ב-ChatGPT והוא מהיר, חכם ובעיקר מצטיין בקוד הופיע ראשון בLet's AI בינה מלאכותית

You can now export your deep research reports as well-formatted PDFs—complete with tables, images, linked citations, and sources.

Just click the share icon and select 'Download as PDF.' It works for both new and past reports. pic.twitter.com/kecIR4tEne

— OpenAI (@OpenAI) May 12, 2025

רגע, מה זה Deep Research?

Deep Research הוא פיצ’ר מובנה בתוך ChatGPT שמאפשר להפיק דוחות מחקר מעמיקים ומבוססי מקורות בצורה אוטומטית ונוחה. במקום לקבל תשובה קצרה לשאלה, הפיצ’ר יוצר מסמך מסודר עם הסברים רחבים, טבלאות, גרפים, ציטוטים עם קישורים למקורות מהימנים, ולעיתים גם ניתוחים ויזואליים.

ניתן לגשת לפיצ’ר ישירות מתוך ממשק הצ’אט באמצעות לחיצה על כפתור “Deep Research” שמופיע מתחת לתיבת ההזנה.

הכפתור להפעלת Deep Research

זמינות

הגישה ל־Deep Research פתוחה היום לכלל המשתמשים, כולל גם מי שמשתמש בגרסה החינמית של ChatGPT. משתמשים חינמיים מקבלים גישה לגרסה הקלה של הכלי (על בסיס מודל o4-mini) עם עד 5 משימות מחקר בחודש. מנויי Plus ו-Team יכולים לבצע עד 25 משימות, ומנויי Pro נהנים ממכסה נדיבה במיוחד של עד 250. גם משתמשי Enterprise ו-Education מקבלים גישה, עם מגבלות שימוש דומות לאלה של Teams.

מה חדש?

OpenAI הוסיפה כפתור חדש שנקרא “Download as PDF” – שמאפשר לכם להוריד את דוחות המחקר בדיוק כמו שהם נראים בתוך ChatGPT. עד עכשיו, מי שניסה להעתיק דוחות לתוך Word או Google Docs נתקל בבעיה מוכרת: העיצוב נשבר, הטבלאות התבלגנו, והקישורים נעלמו. הפיצ’ר החדש פותר את כל זה.

אז מה בדיוק נשמר בייצוא ל-PDF?

• טבלאות מסודרות עם נתונים

• גרפים ותמונות מוטמעות

• קישורים לחיצים לציטוטים ומקורות

• רשימת מקורות בעיצוב ברור ונקי

במילים פשוטות: מה שרואים – זה מה שיוצא.

איך להשתמש בזה

אפשרות לייצוא כ-PDF ואפילו לשיתוף לינק

השימוש בפיצ’ר החדש הזה פשוט מאוד:

1. פתחו כל דוח מחקר מעמיק (חדש או קיים)

2. חפשו את אייקון השיתוף הייעודי בתוך הדוח עצמו (מימין למעלה מוקף באדום). שימו לב – לא להתבלבל עם כפתור השיתוף הראשי של הצ’אט!

3. ייפתח חלון Preview ייעודי (מצד שמאל) ובו תוכלו לבחור באפשרות “Download as PDF”. תוכלו גם לשתף לינק!

הקובץ יישמר אוטומטית למכשיר שלכם, תוך שמירה על כל האלמנטים הגרפיים והעיצוביים.

זמינות

האפשרות להוריד דוחות כקובצי PDF זמינה כרגע למשתמשי ChatGPT Plus, מנויי תוכנית Teams ולמי שיש תוכנית Pro. משתמשי Enterprise ו-Education עדיין לא קיבלו גישה, אבל זה כבר באופק – הפיצ’ר צפוי להיפתח גם להם בקרוב.

מה עוד התחדש ב-Deep Research?

לצד ייצוא הדוחות כקובצי PDF, נוספו ל-ChatGPT שלושה חיבורים חיצוניים שמרחיבים משמעותית את יכולות המחקר – GitHub מאפשר ניתוח ישיר של קוד, SharePoint מעניק גישה למסמכים עסקיים בענן, ו-Web מוסיף חיפוש חי וייעודי באינטרנט עם מקורות עדכניים.

שלושת החיבורים זמינים למשתמשי Plus, Pro ו-Team (למעט באיחוד האירופי, שווייץ ובריטניה), ומהווים חלק מהשדרוג השקט של Deep Research – שהופך מכלי ניסוח פשוט לפלטפורמת חקירה מקצועית עם גישה ישירה למידע, מסמכים וקוד ממקורות חיצוניים.

GitHub ו-SharePoint מגיעים ל-Deep Research

למה כל זה חשוב?

עבור אנשי מקצוע, חוקרים, מרצים ומנהלים – דוחות הם לא רק טקסט. הם צריכים להיות ברורים, נגישים, ומוכנים להצגה או שיתוף ברגע. עד היום, זה דרש לעבור בין כלים, לארגן מחדש טבלאות, לתקן עיצוב שהתפרק ולצוד מקורות. עכשיו, עם האפשרות להוריד את הדוח כקובץ PDF מעוצב, וכל זה יחד עם חיבורים ישירים ל-GitHub, SharePoint ולרשת, ChatGPT הופך לכלי שמאפשר עבודה רציפה, מדויקת ומבוססת מקורות. 

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

חלק מהתמונה הגדולה

המהלך הזה הוא לא רק שיפור טכני, הוא שלב נוסף בהתבגרות של ChatGPT ככלי מקצועי אמיתי. OpenAI לא סתם מוסיפה פיצ’רים, אלא משנה את הדרך שבה אנחנו עובדים עם בינה מלאכותית ביום־יום. ChatGPT כבר לא רק עוזר בשאלות או ניסוחים – הוא הופך למנוע עבודה שמפיק מסמכים, מנתח מידע, ומתחבר לכלים חיצוניים. כל האפשרויות האלה מסמנות דבר אחד ברור – ChatGPT הופך לחלק בלתי נפרד משולחן העבודה של אנשי מקצוע – לא חלון צדדי, אלא כלי מרכזי.

מה קורה כשמבקשים מ-Deep Research לבצע מחקר שוק על השקעה בנדל”ן בתל אביב?

התוצאות פשוט מדהימות! תוך 15 דקות התקבל דו”ח סופר מפורט, כולל מחירים, מגמות, תשואות, פילוח לפי אזורים ושכונות, יתרונות וחסרונות, וניתוח מקיף של כל האפשרויות להשקעה בעיר היקרה בישראל. יתרה מכך, כל טענה בדו”ח גובתה בהפניות למקורות חיצוניים, כך שניתן היה לבדוק את כל הנתונים ולוודא את אמינותם. אם אתם עוסקים בהשקעות נדל”ן, חוקרים שוק, או סתם סקרנים לדעת איך טכנולוגיה מתקדמת משנה את חוקי המשחק – הכתבה הזו בשבילכם.

הפוסט ChatGPT מרחיבה את היכולות של Deep Research הופיע ראשון בLet's AI בינה מלאכותית

למה דווקא פוקימון?

פוקימון אדום, משחק קלאסי משנת 1996, נבחר לא במקרה. מבחינה טכנית, הוא בנוי על מערכת תורות – כל צעד מחייב החלטה נפרדת. זה מעניק למודל כמו קלוד מרחב לתכנן, לעצור, ולחשוב, במקום לפעול במהירות רפלקסיבית. אבל הבחירה לא הייתה רק פונקציונלית. קלוד מעולם לא אומן על המשחק הזה, כך שכל מה שהוא עושה – הוא לומד לבד, בלי הכנה מוקדמת. זה מה שהפך את הניסוי לאמיתי: לא הרצה מבוימת, אלא מפגש אותנטי עם סביבה לא מוכרת.

מעבר לכך, המשחק פשוט ומורכב בדיוק במידה הנכונה. הוא לא טכני מדי, לא רפטטיבי מדי, ומכיל גם חידות, ניווט, קרבות, ואינטראקציות עם דמויות – מה שמעמיד את קלוד מול מגוון אתגרים שונים.

ולבסוף, יש גם את הנוסטלגיה. פוקימון הוא לא עוד משחק – הוא חוויית ילדות צרובה בזיכרון של דור שלם. זה מה שהופך את הצפייה בבינה מלאכותית מנסה “לתפוס את כולם” לא רק למרתקת – אלא גם למשהו אישי כמעט. ההשראה לפרויקט לא הגיעה מהמדע בלבד. הרשי הושפע מניסוי ויראלי מ־2014 בשם Twitch Plays Pokémon, שבו מיליוני משתמשים שיחקו יחד באותו משחק דרך הצ’אט. אלא שהפעם, במקום המון גולשים – יש רק שחקן אחד. והוא לא אנושי.

איך גורמים לבינה מלאכותית לשחק משחק וידאו?

קלוד הוא לא רובוט. אין לו גוף, ידיים או אצבעות. כדי לאפשר לו לשחק, דייויד הרשי וצוותו נאלצו לבנות עבורו סביבת משחק מותאמת – מעין מתאם בין העולם הדיגיטלי של המשחק לבין התודעה החישובית של מודל שפה.

מערכת ראייה (Vision)

השלב הראשון היה ללמד את קלוד “לראות”. המודל מקבל את המסך של המשחק כפיקסלים גולמיים – ממש כמו תמונה ללא תוויות. אין לו מושג מה זה עץ, מה זה דמות, או איפה מתחילה דלת – הוא חייב להבין הכול בעצמו, מתוך התבוננות בלבד.

מערכת קלט

לאחר מכן הוזנו לו פקודות שליטה, בדיוק כמו בגיים-בוי (Game Boy): למעלה, למטה, שמאלה, ימינה, כפתור A, כפתור B, סטארט (Start) וסלקט (Select). כל לחיצה דורשת החלטה נפרדת, תכנון – ואפילו הצדקה מילולית לפעמים.

מערכת זיכרון

אבל רק לראות וללחוץ זה לא מספיק. קלוד צריך גם לזכור. בשביל זה הוגדרה לו מערכת זיכרון פנימית שמתעדכנת כל 30 פעולות – מעין יומן אסוציאטיבי שעוזר לו להבין מה עשה לפני רגע, לאן ניסה להגיע, ומה לא עבד.

גישה ל-RAM

כדי לשפר את ההתמצאות, נוספה גם גישה ישירה לזיכרון ה־RAM של המשחק – מה שנתן לקלוד מידע טכני על מצבו במפה, מיקומו המדויק, או אם הוא חוזר שוב ושוב לאותה נקודה.

והחלק הכי מפתיע? חלק מהקוד שמאפשר את כל זה – נכתב על ידי קלוד עצמו. הרשי השתמש בגרסה מוקדמת של הסוכן התכנותי של Anthropic כדי ליצור את תשתית המשחק. במילים אחרות, קלוד עזר לבנות את הסביבה שבה הוא משחק.

צילום מסך מתוך “Claude Plays Pokémon”, שבו המודל מנתח דיאלוג עם דמות במשחק

ההתקדמות של קלוד

אחד הדברים הכי מרתקים בניסוי הזה הוא לראות איך קלוד משתפר עם הזמן. לא מדובר כאן בשיפורים קטנים – אלא בקפיצות של ממש. גרסה אחרי גרסה, הוא לומד להתמודד טוב יותר עם העולם המוזר של פוקימון אדום.

קלוד 3.0

בהתחלה, בגרסה 3.0, קלוד אפילו לא הצליח לצאת מהבית ההתחלתי בעיירת פאלט. זה נשמע כמעט מגוחך – אבל לבלבל בין דלת לקיר, או לחזור שוב ושוב לאותו חדר, זה בדיוק מה שקרה. “ביליתי שעות בלשנות שורות קוד קטנות כדי שהוא יצליח להבין איפה הוא נמצא,” מספר דייויד הרשי.

קלוד 3.5

כאן כבר נרשמה פריצת דרך. קלוד בחר פוקימון התחלתי, התחיל לשוטט בעולם, אבל ההתקדמות הייתה איטית מאוד. כל קרב דרש ממנו ניתוח ארוך, כל פנייה במפה הייתה חידה.

קלוד 3.7

ואז הגיעה גרסה 3.7 – ושינתה את התמונה. קלוד הצליח להביס שלושה מנהיגי אולמות (Gym Leaders), השיג תגי נצחון, ואפילו הצליח לנווט באופן עקבי יותר לאורך זמן. “זו הייתה הפעם הראשונה שיכולת לעצום עיניים לרגע ולראות התנהגות שנראית כמעט… חיה,” מתאר הרשי.

באופן פרדוקסלי, אחד הרגעים שכבשו את הצופים היה דווקא כשקלוד נתקע שוב – הפעם מול קיר, במשך שעות. השידור הפך לויראלי. יש משהו מרתק, אפילו מהפנט, בצפייה בבינה מלאכותית שמתמודדת – ונאבקת – עם מה שאנחנו עושים כמעט בלי לחשוב.

האתגרים של קלוד

למה בינה מלאכותית לא תמיד מתעלה על ילד בן 5?

ככל שקלוד משתפר, הוא עדיין מזכיר לנו עד כמה הפער בין “לדעת מידע” לבין “להבין מציאות” הוא עמוק. הקשיים שלו פשוטים, כמעט ילדותיים – אבל הם חושפים אמת לא נוחה על גבולות הבינה המלאכותית כיום.

קושי חזותי

נתחיל בקירות. קלוד פשוט לא מזהה אותם. הוא יכול להתעקש ללכת שוב ושוב לתוך אותם מחסומים גרפיים, מבלי להבין שהוא לא מתקדם. דלתות, מדרגות, שולחנות – כולם נראים לו כמו חלק מאותו מרחב דו־ממדי חסר הקשר.

הנחות שגויות

גם כשהוא סוף־סוף מתקדם, הוא לא תמיד יודע לאן. לפעמים הוא מפתח “אמונה שגויה” – כלומר, משוכנע שמפתח מסוים נמצא במקום שאין בו כלום. משם, הוא יכול להיתקע שעות, לפעמים עשרות שעות, ולבצע שוב ושוב את אותן טעויות מתוך ביטחון מלא שהוא בדרך הנכונה.

קצב איטי מאוד

הקצב? איטי ברמות שקשה לתאר. כל פעולה במשחק מלווה בניתוח טקסטואלי מלא, שכולל תיאור מצב, בחינת אפשרויות, נימוק פנימי… ואז, רק אז – קלוד לוחץ כפתור. רק כדי לעצור שוב ולנתח מחדש את ההשלכות.

כישלונות מוזרים

ויש גם רגעים קומיים לחלוטין. כמו בפעם שקלוד נתקע בפינה של בניין, והסיק שהמשחק פשוט נשבר. הוא אפילו כתב “בקשה” רשמית לאפס אותו – למרות שהמשחק עבד כרגיל לחלוטין.

אבל האמת היא שדווקא בגלל זה מרגש לראות אותו מצליח. יש רגעים שבהם הוא מצליח לפרש רמז מבלבל, להבין שיש סתירה, ולשנות כיוון. לא בגלל שכתב מישהו מאחוריו הנחיה – אלא כי הוא באמת הבין משהו. זה אולי לא נראה הרבה – אבל בעולם של בינה מלאכותית, זו קפיצת מדרגה.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מקיף לבינה מלאכותית - GenAI Master

לפרטים נוספים לחצו כאן >>

מעבר למשחק – למה זה חשוב באמת?

קל לחשוב על “קלוד משחק פוקימון” כקוריוז ויראלי או ניסוי חמוד. אבל מתחת לפני השטח, מדובר באב־טיפוס לעולם חדש שבו בינה מלאכותית פועלת כסוכן עצמאי – לא רק עונה לשאלות, אלא יוזמת, מתכננת, ומבצעת.

סוכנים אוטונומיים

הדור הבא של בינה מלאכותית כבר לא נראה כמו צ׳אט־בוט מנומס שממתין לשאלה שלך. הוא ייראה כמו Agent – סוכן שמקבל מטרה כללית, שוקל חלופות, מתקן את עצמו, ופועל בעולם. מה שקלוד עושה במשחק – ניווט, קבלת החלטות, ניהול משאבים – דומה למה ש־AI יצטרך לעשות גם בעולמות כמו לוגיסטיקה, ניהול מערכות מידע, או אפילו עזרה אישית מתקדמת.

מדד ביצועים חדש

השימוש במשחק פוקימון אינו גימיק. זו סביבה מורכבת, פתוחה, לא מתוכנתת מראש. אין תשובה אחת נכונה, אין מבנה אחיד. בדיוק בגלל זה, זו דרך טובה לבחון אם בינה מלאכותית מסוגלת להסתדר לבד – לא רק “לדעת דברים”, אלא לנווט במרחב, לזכור, לתכנן, ולהתמודד עם חוסר ודאות.

השלכות תרבותיות

אבל אולי החלק הכי מעורר מחשבה – הוא בכלל אנושי. לפני עשור, חוויות כמו Twitch Plays Pokémon גרמו לנו לשחק יחד, כחברה אחת, בטירוף קהילתי ומבולגן. היום? אנחנו פשוט צופים במכונה משחקת לבד. זה מעבר מצריכה שיתופית לחוויית התבוננות פסיבית – שינוי תרבותי עמוק שלא תמיד שמים אליו לב.

השאלה היא לא רק מה המחשב מסוגל לעשות, אלא מה אנחנו מוכנים לתת לו לעשות במקומנו – ואיך זה ישפיע על איך שאנחנו חיים, לומדים, ויוצרים.

לא למידה מחיזוקים – אלא חשיבה ותכנון

אחד הדברים החשובים להבין על “קלוד משחק פוקימון” הוא מה הוא לא. קלוד לא עבר תהליך של למידה מחיזוקים (Reinforcement Learning). אין כאן עונשים, אין תגמולים, אין 50,000 שעות של חיזוק חוזר על אותה משימה. במקום זאת, קלוד פשוט… חושב. הוא מתבונן, מסיק מסקנות, בונה לעצמו אסטרטגיה, ומנסה להבין מה עובד. זהו ניסוי שמבוסס לא על אימון מחדש – אלא על בדיקה של היכולות הקיימות של המודל, כמו שהן.

כן, היו פרויקטים אחרים שבהם החוקרים הוסיפו “תגמולים חכמים” למודלים כדי לשפר את הביצועים במפות מסוימות. אבל כאן, הרשי רצה לבחון את קלוד כפי שהוא – בלי חיזוקים חיצוניים, בלי עזרה, בלי קיצור דרך. וזה בדיוק מה שהופך את הניסוי לכל כך מעניין: זו לא דוגמה לבינה מלאכותית שתוכנתה לנצח – אלא לניסיון להבין עד כמה היא יכולה להבין, באמת.

אבל האם קלוד “מבין” את המשחק?

לצד ההתלהבות, יש גם לא מעט ביקורת – חלקה חריפה. יש שטוענים שקלוד לא באמת מבין את המשחק, אלא רק מחקה חשיבה. “המודל הזה עבר על כל אתר פוקימון באינטרנט,” כתב מגיב באחד הפורומים, “כולל Bulbapedia – האנציקלופדיה המקיפה ביותר של עולם פוקימון. אז איך ייתכן שהוא עדיין מסתובב שעות באותו מסדרון, כאילו מעולם לא שמע על המפה?”

אבל בדיוק כאן, אומרים תומכי הניסוי, מתגלה הנקודה החשובה: לזכור מידע זה דבר אחד – להשתמש בו זה משהו אחר לגמרי. גם אם קלוד “יודע” איפה אמור להיות הסולם הבא, הוא עדיין צריך לזהות אותו על המסך, לבחור להגיע אליו, ולהבין מה לעשות כשדברים משתבשים.

זה כמו ההבדל בין לקרוא על רכיבה על אופניים לבין לרכב בפועל. היכולת להשתמש בידע, לפרש מצבים, ולשנות אסטרטגיה בזמן אמת – אלה הדברים שמודלים כמו קלוד עדיין לומדים. וזה בדיוק מה שהופך את הניסוי לכל כך מעניין. ההבנה לא נולדת מהטקסט – היא נוצרת מתוך עשייה, כישלון, וניסיון לתקן. וזו בדיוק הנקודה שקלוד מדגים.

לצפות בקלוד בפעולה ולהצטרף לקהילה

אם כל זה סיקרן אתכם – אתם לא לבד. סביב “קלוד משחק פוקימון” נבנתה קהילה קטנה אך נלהבת של צופים, מפתחים, וחובבי בינה מלאכותית, שצופים בו, מנתחים את התנהגותו, ולעיתים גם צועקים עליו בצ’אט כשעוד פעם הוא נתקע בקיר. אפשר להצטרף לשידור החי בטוויץ’ ולצפות בקלוד בזמן אמת, ממשיך את מסעו באיטיות מהורהרת דרך העולם של קנטו. זה מוזר, איטי, ומסקרן – וכל כמה שעות יש רגע קטן של קסם, שבו הוא באמת מצליח להבין משהו חדש.

למי שרוצה יותר מהצפייה – דייויד הרשי שחרר גרסה בסיסית של סביבת המשחק ב־GitHub, כולל כלים לפיתוח סוכנים משלכם. ואם זה לא מספיק, באפריל 2025 התקיים האקאטון מיוחד בסן פרנסיסקו, שבו עשרות משתתפים ניסו לעשות את הבלתי אפשרי: לבנות סוכן שיצליח לברוח מה”מבוך” של הר ירח. (רמז: זה לא פשוט).

לאן זה הולך?

האם קלוד יצליח לסיים את המשחק כולו? אולי. בקצב שהוא מתקדם, זה כבר לא נראה מופרך. עם כל גרסה חדשה, הוא פחות נתקע, יותר מבין, ובעיקר – מפסיק להתבלבל בין קיר לדלת. אבל זו רק ההתחלה. השאלה האמיתית היא: האם נראה את היכולות האלה מחוץ לעולם המשחקים? האם אותם סוכנים שמתכננים מסלול ביער פיקסלים יתחילו לנהל תהליכים אמיתיים – עסק, יומן, מערכת שלמה? במובן מסוים, זה כבר קורה. בינה מלאכותית כבר משתלבת בשירותים יומיומיים, לומדת את ההרגלים שלנו, מייעצת, מסננת, כותבת, מתכננת. אמנם אנחנו עדיין בשלבים מוקדמים – אבל הכיוון ברור, והמהפכה כבר התחילה. ובין אם זה מרגש או מטריד – כדאי שנהיה מודעים. כי בסופו של דבר, כמו שמישהו ניסח את זה יפה: ״פעם אנחנו שיחקנו במשחקים. היום המשחקים משחקים בנו״.

הפוסט הסיפור מאחורי “קלוד משחק פוקימון” הופיע ראשון בLet's AI בינה מלאכותית

מי זה בראד ולמה הסיפור שלו חשוב?

בראד סמית’ הוא האדם השלישי בעולם שקיבל שתל של Neuralink – והראשון שחי עם ALS ואינו מסוגל לדבר כלל. הוא חי בתוך גוף שלא מגיב, אך מוחו פועל, מבין ומרגיש. ALS היא מחלה נדירה אך קטלנית. בכל שנה מאובחנים כ־5,000 איש בארה”ב בלבד. בישראל, יש כ־600 חולים פעילים. המחלה שואבת את השרירים אבל לא את התודעה. עבור רבים – היא גזר דין של שתיקה.

קצת על Neuralink

Neuralink היא חברת ביוטק שנוסדה בשנת 2016 על ידי אילון מאסק וקבוצה של מדענים ומהנדסים, במטרה לפתח ממשקי מוח-מחשב (BMI – Brain-Machine Interface) מתקדמים. החזון של החברה הוא נועז: לאפשר חיבור ישיר בין המוח האנושי לבין מחשבים, מערכות בינה מלאכותית, ואפילו מכשירים חכמים – ללא צורך בתנועה פיזית.

מאז הקמתה, Neuralink הצליחה לפתח שתל מוחי זעיר שמכיל אלפי אלקטרודות דקיקות במיוחד. השתל הזה מיועד להשתלה ישירה בתוך הקורטקס המוטורי – האזור במוח שאחראי על תכנון וביצוע תנועות. הוא קולט פעילות נוירונית (מעין “שפת חשיבה”) ומתרגם אותה לאותות דיגיטליים.

עד היום, החברה ביצעה ניסויים מתקדמים בבעלי חיים, ובשנת 2023 קיבלה אישור ראשוני מה-FDA לביצוע ניסויים קליניים בבני אדם. בראד סמית’ הוא אחד הראשונים להשתתף בניסוי זה – והראשון שמדגים תקשורת פעילה עם העולם דרך מחשבה בלבד, תוך שימוש בשתל של Neuralink.

מחשבה שהופכת לפעולה

בעזרת שתל מוחי שמחובר ישירות לקורטקס המוטורי שלו, בראד סמית’ מסוגל לשלוט בעכבר המחשב – רק באמצעות חשיבה. בזכות היכולת הזו, הוא מצליח להקליד טקסטים, לערוך סרטונים, ולדבר – בקולו המשוחזר, באמצעות בינה מלאכותית. בעבר, קצב הדיבור שלו היה איטי ומוגבל – כ־5 מילים בדקה. היום הוא מדבר בקצב של יותר מ־25 מילים בדקה, ובימים מסוימים אף עובר את ה־30. מדובר בשיפור של פי חמישה, שמחזיר לו לא רק את היכולת לתקשר, אלא גם את החופש להתבטא.

איך עובד השתל המוחי של בראד?

הטכנולוגיה מאחורי השתל של בראד סמית

מה כל זה אומר? השילוב של כל הרכיבים הללו מאפשר לבראד לשלוט במחשב בעזרת מחשבה בלבד, ולתקשר בקצב מהיר פי 5 מבעבר.

שלושה סוגי AI בשיתוף פעולה נדיר

המערכת של בראד מבוססת על שילוב נדיר של שלושה סוגי בינה מלאכותית שפועלים יחד בזמן אמת. הראשון הוא מודל לעיבוד עצבי, שמתרגם את האותות המוחיים של בראד לפעולות ממשיות במחשב. השני הוא מודל לשחזור קול אישי, שמבוסס על הקלטות ישנות ומשחזר את קולו המקורי של בראד בצורה מדויקת ומרגשת. השלישי הוא Grok 3 – מודל שפה גנרטיבי מבית xAI – שמבין הקשר, מגיב בצורה חכמה, ושומר על סגנון דיבור טבעי שמתאים לאישיות של בראד.

האם אנחנו מוכנים לעולם שבו המחשבה מדברת?

הטכנולוגיה שמחזירה לבראד את הקול שלו אולי נולדה מתוך צורך קיצוני, אבל היא לא תישאר שם. כבר עכשיו, חוקרים וחברות בוחנים עתיד שבו נוכל לשלוח הודעות, לגלוש באינטרנט, ואפילו לדבר – רק באמצעות חשיבה. ייתכן שבעוד עשור, המקלדת תיעלם, ואת מקומה יתפוס ממשק מוחי פשוט. אולי אפילו נגיע לרגע שבו המחשבה שלנו תשתלב עם בינה מלאכותית שמבינה אותנו, משלימה אותנו, ומגיבה יחד איתנו – בזמן אמת. זה לא מדע בדיוני. זו תחילתה של מהפכה שקטה, כזו שתשנה את הדרך שבה אנחנו מתקשרים עם העולם ועם עצמנו.

איפה עובר הקו? אתיקה, פרטיות ומה שביניהם

כשהמחשבה מתחברת לטכנולוגיה, עולות שאלות שלא נוכל להתעלם מהן אבל שווה לשאול אותן. מה קורה כשהמערכת טועה בפרשנות של אות מוחי? איך שומרים על פרטיות כשאותות החשיבה עצמם הופכים למידע? והאם זה בכלל מוסרי להכניס מודלים חכמים כל כך – אולי חכמים מדי – אל תוך התודעה האנושית? ההצלחה של המערכת הזו לא תלויה רק במהנדסים או באיכות החיישן. היא תלויה גם בנו – כחברה. נדרשת כאן לא רק חדשנות, אלא גם אחריות. שיח פתוח, אנושי, מקצועי. כזה שלא עוצר בהתלהבות מהטכנולוגיה – אלא שואל גם לאן היא לוקחת אותנו, ומה אנחנו רוצים לקחת ממנה חזרה. 

בראד סמית׳ עם המשפחה

לסיכום, זה לא מאמר על טכנולוגיה. זה מאמר על תקווה. כנראה שבראד חווה תסכול כשהמערכת לא מדויקת. אבל הוא גם חווה הרבה ניצחונות קטנים בכל יום: לכתוב מייל. לשוחח. לצחוק.

“הפעם הראשונה שבה הצלחתי לומר לבת שלי ‘אני אוהב אותך’ – בקולי, לא עם העיניים – הייתה כמו להיוולד מחדש.”

הסיפור של בראד סמית’ הוא הוכחה לכך שהשילוב בין מוח אנושי לבינה מלאכותית – כשנעשה נכון – יכול להחזיר קולות אבודים, חיים שאבדו, ותחושת משמעות.

עוד קצת גרוק 3 והחזון של אלון מאסק

מוכנים לגלות איך בינה מלאכותית משתלבת בחזון המהפכני של אלון מאסק? מוזמנים לקרוא על יכולות המודל החדש (יחסית) גרוק 3 והחזון השאפתני של מאסק. איך הטכנולוגיות המתקדמות שפיתח – החללית Starship של SpaceX, הרובוט ההומנואידי Optimus של Tesla, ו-Grok-3 של xAI – משתלבות יחד במאמץ המרתק ליישב את מאדים.

גלו גם כיצד מאסק וצוותו הציגו לאחרונה את סביבת העבודה החדשנית בסגנון קנבס שמשנה את האינטראקציה עם גרוק. עכשיו אתם יכולים לפתוח חללי עבודה ישירות מהממשק הראשי (Grok Workspace) וליצור סביבות פרויקט מותאמות אישית.

הפוסט הצצה לעתיד שבו המחשבה מדברת הופיע ראשון בLet's AI בינה מלאכותית

מה בדיוק קרה?

בסוף אפריל 2025, OpenAI שחררה עדכון חדש ל-GPT-4o – הגרסה המרכזית שמפעילה את ChatGPT ומשמשת מאות מיליוני אנשים ברחבי העולם. מהר מאוד, משהו התחיל להרגיש… מוזר. משתמשים שמו לב שהבינה המלאכותית נעשתה יותר מדי נחמדה. היא הסכימה כמעט עם כל דבר, חילקה מחמאות בלי הבחנה, והפסיקה לאתגר – אפילו כשמולה עמדו רעיונות מופרכים, מסוכנים, או פשוט שגויים. תארו לעצמכם מודל שאומר “נשמע מעולה!” כשמישהו מצהיר שהוא נביא, או מתלבט אם להפסיק טיפול תרופתי – בלי לשאול שאלות, בלי לסייג, רק ללטף.

זו לא בעיית נימוס – זו סכנה.

התגובות לא איחרו לבוא: סערה ברשתות, צילומי מסך ויראליים, וביקורת קשה ממומחים. כי בסוף, השאלה היא לא טכנית – היא מהותית: מה קורה כשמערכת כל כך חכמה – בוחרת פשוט להסכים עם הכול?

למה זה קרה?

במילים פשוטות: לולאת משוב מעוותת.

העדכון כלל מערכת למידה חדשה שהתבססה על משוב של משתמשים – אגודל למעלה או למטה . נשמע חכם, נכון? הבעיה: אנשים נותנים אגודל למעלה על שיחות נעימות ומחמיאות, לא בהכרח על שיחות נכונות או מועילות. כך ChatGPT למד לרצות, לא לאתגר. OpenAI הודתה שההתמקדות במשוב קצר טווח, יחד עם בדיקות מצומצמות, פגעה באיזון. למרות שמומחים פנימיים התריעו שהמודל “מרגיש לא טבעי”, המדדים האוטומטיים הראו ביצועים טובים. וכשבדקו את זה בקנה מידה קטן – המשתמשים אהבו את השינוי.

אבל זה בדיוק העניין: העדפת נחמדות על פני כנות היא מדרון חלקלק.

איך OpenAI הגיבה?

לזכותם ייאמר – הם הגיבו מהר. הם ביטלו את העדכון והחזירו את המודל הקודם, פרסמו הסבר ראשוני ואחר כך ניתוח מעמיק של מה שהשתבש, התחייבו לשפר את תהליך האימון, לשים דגש על בדיקות איכות מגוונות, ולהתקדם בזהירות, ואפילו הודיעו על כיוונים עתידיים, כמו לאפשר למשתמשים לבחור פרסונות שונות למודל, לשלוט בזמן אמת בהתנהגות שלו, ולהגדיר הנחיות מותאמות אישית.

אבל זו לא רק טעות טכנית. זו קריאת השכמה.

האירוע הזה חושף את האתגר האמיתי של בניית אינטראקציה בין אדם למכונה:

• מלכודת המעורבות: כמו אלגוריתמים של רשתות חברתיות, גם בינה מלאכותית עלולה להתמכר ל”לייקים” ולפידבק חיובי רגעי.

• יס-מנים דיגיטליים: כשהמודל רק מחמיא, הוא מאשר רעיונות רעים, משמר טעויות, ועלול לחזק התנהגויות מזיקות.

• התפתחות היחסים עם הבינה: אנשים פונים היום ל-ChatGPT לקבל עצות אישיות. זו מערכת עם השפעה אמיתית – ולכן האישיות שלה חייבת להיות אחראית.

• הערכת איכות מול מדדים כמותיים: לא כל מה שנראה טוב במספרים – באמת טוב. צריך עין אנושית, תחושת בטן, והבנה ערכית.

• שליטה אישית – אבל עם גבולות: התאמה אישית זה טוב. אבל איפה הגבול בין התאמה לנוחות – לבין מניפולציה עצמית?

הציוץ של סם אלטמן שמודה שהחברה פספסה את המטרה עם העדכון של GPT-4o

שורה תחתונה

OpenAI עשתה טעות. היא גם תיקנה, לקחה אחריות, והתחייבה לשפר. זה ראוי להערכה. אבל הלקח כאן לא רק טכנולוגי – הוא אנושי. אנחנו לא צריכים בינה מלאכותית שמלטפת אותנו – אלא כזו שיכולה גם לעצור ולהגיד: “רגע, אתם בטוחים בזה?” וכשאנחנו בונים מערכות חכמות – השאלה היא לא רק “כמה הן חכמות”, אלא למי הן באמת נאמנות – לאמת, או לנו?

הפוסט מה השתבש בעדכון של ChatGPT ולמה זה מסוכן? הופיע ראשון בLet's AI בינה מלאכותית

עוזר אישי חכם שמשדרג את העבודה שלכם

קלוד הוא עוזר אישי מבוסס בינה מלאכותית, שפותח על ידי Anthropic. הוא מבין הקשרים, כותב מצוין, מסכם, מארגן מידע, פותר בעיות – והוא גם מצטיין בכתיבת קוד מדויק, נקי ואפקטיבי. מדובר בכלי רב־תחומי שיכול לחסוך לכם זמן ולהעלות את רמת הביצוע כמעט בכל תחום עבודה. אבל חשוב לזכור – קלוד לא מחליף שיקול דעת אנושי. הוא עוזר לחשוב, לא מחליט בשבילכם.

היתרון הגדול? כשהבקשה מנוסחת נכון – הוא מחזיר תשובה חכמה, ברורה, וישימה. קלוד יודע ליצור סיכומים, מסמכים, פוסטים ומצגות, לכתוב קוד בפייתון, ג’אווה סקריפט ושפות נוספות, לבדוק באגים ולהציע פתרונות. הוא מסוגל להבין הוראות מורכבות, לזהות דקויות ולבצע חיפוש ברשת כדי לאמת מידע או למצוא מקורות עדכניים. למשתמשים בתשלום הוא יודע לגשת ל”חשיבה מורחבת” (Extended Thinking), ובאחרונה יודע גם להתחבר לג’ימייל, למסמכי גוגל וליומן וכך בעצם להשתלב ישירות בשגרת העבודה שלכם.

מה כוללת כל תוכנית?

• משתמשים חינמיים: גישה למודל Claude 3.7. אין גישה ל”חשיבה מורחבת” (Extended Thinking), ויש מגבלות על מספר ההודעות.

• מנויי Pro ($20 לחודש): כוללים מצב “חשיבה מורחבת” – תהליך שבו קלוד עובר על הבקשה בצעדים איטיים ומדויקים, מה שמוביל לתשובות איכותיות יותר. בנוסף: חיבור ל-Gmail, Google Docs ויומן, גישה לאינטרנט, שימוש נרחב יותר וביצועים טובים בזמני עומס.

• מנויי Max, Team ו-Enterprise: מקבלים את כל יכולות Pro, יחד עם כלים למחקר מתקדם (Claude Research), שיתוף צוותים וניהול משתמשים.

איך להשתמש בעשרת הפרומפטים בקלוד?

הפרומפטים הבאים נועדו לעזור לכם להתחיל להשתמש ב-Claude 3.7 בצורה חכמה, ממוקדת וישימה. אם חיברתם את קלוד לחשבון הגוגל שלכם (דרייב, ג’ימייל או יומן), תוכלו גם “לדבר” איתו ישירות על התוכן שנמצא שם – בלי להעתיק, לצרף, לגרור או להסביר הכול מחדש. כמובן שלא כל פרומפט יתאים לכולם. יש פרומפטים פשוטים שמתאימים לכל משתמש, ויש כאלה – כמו כתיבת קוד או אוטומציה – שידרשו מכם יותר הבנה טכנית או שיחה עם מישהו בצוות שמכיר את התחום. אבל אל תיבהלו – ההשקעה הזו משתלמת. היא תפתח לכם יכולות שבעבר דרשו הרבה זמן או עזרה חיצונית – והיום אפשר להתחיל להתקדם בהן בצורה עצמאית ובקצב שלכם.

לכל פרומפט תמצאו כאן: רמת מורכבות (בסוגריים), מתי כדאי להשתמש בו, איך לנסח, דוגמה שימושית, למה זה עובד, ושאלות המשך שיעזרו לכם לחדד את הבקשה או להוציא ממנה יותר. בסופו של דבר – המטרה היא אחת – שתיקחו את הכלי הזה לעולם שלכם, תעשו לו התאמות פשוטות – ותתחילו לעבוד חכם יותר, כבר עכשיו.

1. תכנון פרויקט (בסיסי)

מתי להשתמש?

כשאתם עומדים להתחיל פרויקט חדש – מוצר, שירות, קמפיין או יוזמה – ורוצים לבנות תוכנית מסודרת.

איך לנסח לקלוד?

צור תוכנית פרויקט מפורטת עבור [שם הפרויקט],

שכוללת תיאור קצר של מטרות ויעדי הפרויקט.

הפרויקט אמור להסתיים בתוך [מסגרת זמן],

ולצורך כך דרושים [רשימת משאבים או אנשי צוות נדרשים].

נא לכלול גם אבני דרך, תאריכי יעד, ותוכנית פעולה מפורטת שלב-אחר-שלב.

דוגמה שימושית

צור תוכנית לפרויקט השקת מוצר חדש, כולל כל השלבים מהרעיון ועד המכירה, לטווח של 3 חודשים.

למה זה עובד?

במקום להתחיל עם דף ריק – קלוד יכול להציע לכם שלד ברור, סדר עדיפויות, טווחי זמן ריאליים ומשימות שאפשר להתחיל לרוץ איתן. זה חוסך שעות של ניסוי וטעייה.

שאלות המשך שכדאי לשאול

• “איך אפשר לקצר את זה לשבועיים?” – שימושי כשקיבלתם תוכנית לטווח ארוך, ואתם רוצים להתחיל מגרסה בסיסית או MVP.

• “תוכל להציע גרסה שמתאימה לצוות קטן?” – מתאים כשאתם רואים שהתוכנית מצריכה יותר אנשים או משאבים ממה שיש לכם בפועל, ורוצים להתאים אותה למציאות.

2. פתרון בעיות (בסיסי)

מתי להשתמש?

כשאתם נתקלים באתגר בעסק, בפרויקט או בשגרה – ואין לכם למי לזרוק שאלה, לשמוע זווית נוספת או לקבל כיוון לחשיבה.

איך לנסח לקלוד?

אני מתמודד עם בעיה: [תיאור הבעיה או האתגר].

המגבלות הן: [רשימת מגבלות או תנאים].

באמצעות גישה שלב-אחר-שלב, הצע לפחות שלושה פתרונות אפשריים,

וערוך ניתוח של ההיתכנות וההשפעה הפוטנציאלית של כל אחד מהם.

דוגמה שימושית

יש לי רק 1000 ש”ח לפרסום. איך אפשר למקסם את החשיפה של קורס חדש?

למה זה עובד?

קלוד לא רק נותן תשובות – הוא מפרק את הבעיה לגורמים, שוקל מגבלות ומציע פתרונות מכל מיני כיוונים. לפעמים רק עצם הניסוח הברור של הבעיה מולו עוזר לכם לראות את התמונה מחדש.

שאלות המשך שכדאי לשאול

• “איזה פתרון הכי יעיל בטווח הקצר?” – עוזר למקד את ההמלצה לפעולה מיידית, במיוחד כשצריך תוצאה מהירה.

• “מה היית ממליץ אם התקציב היה כפול?” – פותח אופציות נוספות מתוך נקודת מבט עתידית או חלופית.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס בינה מלאכותית במשרד

לפרטים נוספים לחצו כאן >>

3. יצירת מסמכי הדרכה (בסיסי)

מתי להשתמש?

כשאתם משיקים מוצר, שירות או מערכת – וצריכים ללוות את המשתמשים שלכם עם הסבר ברור, ידידותי ונגיש שמראה להם בדיוק איך להתחיל.

איך לנסח לקלוד?

כתוב מדריך משתמש מקיף עבור [שם המוצר או התוכנה].

המדריך צריך לכלול את הפיצ'רים המרכזיים או הפונקציות העיקריות,

ולהסביר שלב-אחר-שלב איך לבצע פעולות מסוימות בתוך המערכת.

יש להקפיד שהשפה תהיה ברורה, נגישה ומתאימה לקהל היעד: [תיאור קהל היעד].

דוגמה שימושית

כתוב מדריך למשתמש חדש בפלטפורמת CRM בסיסית, שיסביר איך להוסיף לקוח חדש, לעדכן פרטי התקשרות וליצור משימה מעקב.

למה זה עובד?

קלוד יודע להפוך מידע טכני למסמך קריא, נעים ומסודר. הוא יכול לנסח הוראות בלשון פשוטה, להוסיף הסברים לכל שלב – ואפילו להציע מבנה מסמך שאפשר לשלוח כמו שהוא או להכניס למצגת או קובץ PDF.

שאלות המשך שכדאי לשאול

• “אפשר גרסה שמתאימה למשתמשים בלי רקע טכני?” – שימושי כשאתם פונים לקהל מגוון ורוצים לוודא שההסבר מובן לכל אחד.

• “תוכל להפוך את זה לרשימת בדיקה (צ’קליסט)?” – זה טוב כשאתם רוצים להפוך את ההדרכה לכלי יומיומי וקל ליישום.

4. הכנה לפגישה (בסיסי)

מתי להשתמש?

לפני כל פגישת עבודה – עם צוות, שותפים, משקיעים או לקוחות – כשאתם רוצים להגיע מוכנים עם סדר ברור, מטרות, ותיאום ציפיות.

איך לנסח לקלוד?

הכן סדר יום לפגישה עם [שמות המשתתפים או תפקידים] בנושא [נושאי הפגישה].

כלול סקירה קצרה של כל נושא, שאלות עיקריות שיש לדון בהן,

וכל מידע רקע או חומר שחשוב לעבור עליו לפני הפגישה.

דוגמה שימושית

צור סדר יום לפגישת צוות שבועית הכוללת סקירת ביצועים והחלטות לפעולה.

למה זה עובד?

פגישה טובה מתחילה בהכנה טובה. קלוד יכול לעזור לכם לארגן את הנושאים החשובים, לחדד מטרות, ולהבטיח שכל המשתתפים יקבלו את המידע הנכון מראש. זה משפר את היעילות ומצמצם בזבוז זמן.

שאלות המשך שכדאי לשאול

• “תוכל להציע ניסוח להזמנה לפגישה?” – שימושי כשאתם רוצים לצרף טקסט מסודר להזמנה באימייל או ביומן.

• “מה כדאי לשלוח מראש כדי שהפגישה תהיה אפקטיבית יותר?” – עוזר לכם להכין חומרים תומכים שיחסכו זמן בזמן אמת.

5. יצירת תוכן (בסיסי)

מתי להשתמש?

כשאתם צריכים לכתוב פוסט, בלוג, כתבה או דוח – ואין לכם זמן להתחיל מאפס או שאתם רוצים טיוטה ראשונית שאפשר לבנות עליה.

איך לנסח לקלוד?

כתוב [פוסט בבלוג / כתבה / דוח תוכן] בנושא [נושא],

תוך התמקדות בהיבטים או נושאים מסוימים כמו [ציין מה חשוב להדגיש].

אורך הטקסט צריך להיות בערך [מספר מילים],

ולכלול [רשימת דרישות מיוחדות – מילות מפתח, מקורות, סגנון כתיבה וכו'].

דוגמה שימושית

כתוב פוסט בלוג של 400 מילים בנושא “איך להשתמש ב-AI לניהול זמן”, עם מילות מפתח כמו פרודוקטיביות, אוטומציה.

למה זה עובד?

קלוד יודע להפיק טקסטים ברורים, זורמים ומותאמים לסגנון שתבחרו – בין אם זה שיווקי, מקצועי או אישי. הוא יכול להתחשב במילות מפתח, להציע כותרות מושכות, ולהפוך רעיון כללי לתוכן קונקרטי ומוכן לפרסום או עריכה.

שאלות המשך שכדאי לשאול

• “אפשר גרסה קצרה שמתאימה לפוסט בלינקדאין?” – שימושי כשרוצים למחזר תוכן לפלטפורמות שונות.

• “מה עוד כדאי לכלול כדי שזה יהיה יותר מעניין?” – עוזר לשדרג את התוכן מבחינת ערך מוסף, אנקדוטות או קריאה לפעולה.

6. ניתוח נתונים (בינוני)

מתי להשתמש?

כשיש לכם קובץ נתונים – גיליון אקסל, CSV או טבלה – ואתם רוצים להבין מה הוא מספר לכם בפועל: מגמות, בעיות, הזדמנויות או תובנות שאפשר לפעול לפיהן.

איך לנסח לקלוד?

נתח את הנתונים מתוך [שם קובץ, מערכת או מקור נתונים],

כדי לזהות מגמות ותובנות בנושא [תחום עניין ספציפי].

הנתונים כוללים את המשתנים/המדדים הבאים: [רשימה].

סכם את הממצאים המרכזיים וספק המלצות לפעולה על בסיס הניתוח.

דוגמה שימושית

נתח נתוני מכירות רבעוניים כדי לזהות ירידות במכירות ולתת המלצות שיווקיות לשיפור.

למה זה עובד?

קלוד יודע לזהות דפוסים גם בקבצים מורכבים, להציע תובנות עסקיות, ולנסח המלצות בצורה ברורה. הוא לא רק מנתח – הוא גם מציע כיוונים לחשיבה ולשיפור, בלי שתצטרכו להפעיל נוסחאות או גרפים בעצמכם.

שאלות המשך שכדאי לשאול

• “איזו מגמה הכי חריגה בנתונים?” – עוזר לחדד תובנות בולטות שקל לפספס בהסתכלות ראשונית.

• “איך אפשר להציג את זה בגרף פשוט?” – שימושי כשאתם רוצים להעביר את המידע בצורה ויזואלית במצגת או מול לקוחות.

כאן אפשר גם לבקש מקלוד להציג את הממצאים בצורה ויזואלית – בטבלאות, גרפים, תרשימים או אפילו אינפוגרפיקות. קלוד יפתח את זה בחלון נפרד (Artifacts), ויאפשר לכם להפיק קבצים אינטראקטיביים ודינמיים שאפשר להמשיך לעבוד איתם בקלות.

7. סיכום מחקר (בינוני)

מתי להשתמש?

כשיש לכם כמה מאמרים, מסמכים או דוחות – ואתם צריכים להבין במהירות את העיקר: מה כתוב, מה חשוב, ואיך זה משפיע על מה שאתם עושים.

איך לנסח לקלוד?

סכם את הממצאים המרכזיים מתוך [רשימת מאמרים או מחקרים רלוונטיים] בנושא [נושא המחקר].

הדגש תגליות חשובות, שיטות מחקר שבהן השתמשו,

והשלכות אפשריות של הממצאים על התחום או התעשייה: [ציין תחום].

דוגמה שימושית

סכם 3 מאמרים עיקריים בנושא למידת חיזוק והשפעתה על תעשיית המשחקים.

למה זה עובד?

קלוד יודע לחלץ תובנות ממקורות שונים, לזהות נקודות חוזק וחולשה, ולנסח סיכום ברור שנשמע אנושי – לא כמו תקציר אקדמי יבש. הוא גם שומר על סדר, מפריד בין עיקר לטפל, ומוסיף הקשר למי שלא בקיא בתחום.

שאלות המשך שכדאי לשאול

• “מה המסקנה המרכזית שחוזרת על עצמה?” – עוזר לזהות קו מנחה או תובנה חוזרת בין המקורות.

• “איך זה משפיע על התחום בפועל?” – שימושי כשרוצים לחבר בין תיאוריה לפרקטיקה ולקבל ערך יישומי.

8. פיתוח אסטרטגיה (בינוני)

מתי להשתמש?

כשאתם בונים תוכנית לטווח בינוני או ארוך – לחברה, למוצר או ליוזמה חדשה – ורוצים לגבש מסלול ברור שמבוסס על נתונים, תחרות ומטרות מדידות.

איך לנסח לקלוד?

פתח תוכנית אסטרטגית עבור [שם החברה או הפרויקט] במטרה להשיג את היעדים הבאים: [רשימת מטרות].

התחשב בגורמים רלוונטיים כמו מגמות שוק, תחרות, או שינויים בענף.

פרט את האסטרטגיות המרכזיות, הצעדים הטקטיים, ומדדים ברי מדידה להערכת הצלחה.

דוגמה שימושית

בנה אסטרטגיה לשיווק קורס דיגיטלי חדש בתחום הבריאות.

למה זה עובד?

קלוד יודע לשלב מידע חיצוני עם ההקשר שתיתנו לו – ולבנות תוכנית אסטרטגית שכוללת ניתוח מצב קיים, כיוונים אפשריים, מטרות ריאליות וצעדים פרקטיים. זו דרך מהירה להפסיק לדחות תכנון ולעבור לביצוע.

שאלות המשך שכדאי לשאול

• “איך היית מתעדף את הצעדים לפי השפעה וזמן ביצוע?” – עוזר להפוך את האסטרטגיה לרשימת פעולות מסודרת וברורה.

• “מה הסיכונים שצריך לקחת בחשבון?” – מאפשר להיערך מראש לאתגרים או כשלים אפשריים ולתכנן בהתאם.

9. יצירת קוד (מתקדם)

מתי להשתמש?

כשאתם צריכים לכתוב קוד פשוט – למשל סקריפט, בדיקת פונקציונליות, או פתרון טכני קטן – ואין לכם רקע תכנותי או זמן ללמוד הכול מאפס.

איך לנסח לקלוד?

כתוב קטע קוד בשפת [שפת תכנות] שמבצע את הפעולה הבאה: [תיאור הפונקציונליות או המשימה].

הקוד צריך לכלול את הדרישות הבאות: [ספריות, חיבורים או תנאים מיוחדים].

ודא שהקוד מתועד היטב, ועומד בסטנדרטים מקובלים של כתיבת קוד - כמו [סטנדרט מסוים אם יש].

דוגמה שימושית

כתוב קוד ב-Python ששולח אימייל ברגע שמתווספת שורה חדשה בגיליון Google Sheet.

למה זה עובד?

קלוד יודע לכתוב קוד ברור, קריא ולפי תקנים, כולל הסברים. הוא גם יכול לעזור לכם להבין מה הקוד עושה, לבקש גרסה חלופית או לתקן שגיאות. אם אתם לא מתכנתים – זו דרך מעולה לייצר פתרונות בלי להסתבך.

שאלות המשך שכדאי לשאול

• “אפשר להפוך את זה לאוטומציה שרצה כל יום בשעה קבועה?” – רלוונטי כשאתם רוצים להפוך את הקוד מפעולה חד-פעמית לתהליך קבוע ואוטומטי.

• “איך אני יכול לבדוק אם הקוד הזה באמת עובד?” – עוזר לכם להבין איך להריץ את הקוד בפועל ולוודא שהוא עושה את מה שהתבקש.

10. אוטומציה של משימות (מתקדם)

מתי להשתמש?

כשאתם חוזרים שוב ושוב על אותה פעולה – שליחת מייל, יצירת מסמך, סידור נתונים – ורוצים לחסוך זמן, להפחית טעויות ולפנות את עצמכם לדברים חשובים יותר.

איך לנסח לקלוד?

פתח סקריפט, כלי או רעיון לאוטומציה של [תיאור הפעולה או המשימה שברצונך לאוטומט].

הכלי צריך לכלול את הפונקציות או החיבורים הבאים: [רשימת אינטגרציות או דרישות].

ספק הוראות ברורות איך ליישם את האוטומציה בפועל ואיך לתחזק אותה בהמשך.

דוגמה שימושית

צור אוטומציה שמייצרת PDF מכל טופס Google Forms שנשלח.

למה זה עובד?

קלוד יודע לחשוב בצורה תהליכית ולהציע פתרונות שמבוססים על כלים קיימים – כמו Google Apps Script, Zapier או Make. הוא יכול להציע לכם שלבים מדויקים, חיבורים בין מערכות, והסברים פשוטים שמאפשרים גם למי שלא מתכנת ליישם אוטומציה אפקטיבית.

שאלות המשך שכדאי לשאול

• “תוכל לפרט איך מגדירים את זה בתוך Zapier/Make?” – שימושי כשאתם רוצים להוציא לפועל את ההמלצה עם כלי ספציפי.

• “איך אפשר לבדוק שהתהליך באמת פועל כמו שצריך?” – עוזר לוודא שהאוטומציה לא רק בנויה – אלא גם אמינה.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציה עסקית ובינה מלאכותית

לפרטים נוספים לחצו כאן >>

איך לשפר את התשובות של Claude?

גם אם קיבלתם תשובה סבירה – תמיד אפשר ללטש אותה. קלוד מגיב מעולה להכוונה, הבהרה ובקשות המשך. הנה כמה דרכים פשוטות לשפר את התוצאה:

• תנו הקשר נוסף: במקום לכתוב רק “כתוב פוסט”, הסבירו למי זה מיועד, מה המטרה, ומה חשוב שייכלל בתוכן.

• הוסיפו הוראות סגנון: אפשר לבקש “כתוב בשפה פשוטה”, “הימנע מז’רגון”, או “תכתוב בטון מקצועי”. זה משנה לגמרי את האופי של התוצאה.

• בקשו ניסוח מחדש: לא אהבתם את הסגנון? תגידו לו “תנסח את זה בצורה פחות רשמית” או “אפשר גרסה עם דוגמאות?”.

• שאלו שאלות המשך: קלוד מצוין בלפתח רעיונות. נסו לשאול אותו “איך היית משפר את הרעיון הזה?” או “אפשר גרסה קצרה יותר?”

כל שיפור קטן כזה יקרב אתכם בדיוק למה שאתם צריכים.

חשוב לדעת 

Claude 3.7 Sonnet הוא כלי חכם מאוד – אבל לא מושלם. חשוב להכיר את המגבלות, כדי להשתמש בו בצורה אחראית וחכמה:

• הוא עלול “להמציא” מידע שנשמע נכון, אבל לא מבוסס על עובדות. לכן תמיד כדאי לוודא כל נתון שהוא מציע.

• הוא לא באמת מבין רגשות, הקשרים תרבותיים או סרקזם – לפעמים הוא יפספס את הכוונה.

• אין לשתף איתו מידע רגיש או אישי: לא מספרי חשבון, לא תעודות זהות, ולא פרטי לקוחות.

• ואם אתם עובדים עם מידע פנימי – חשוב לפעול תמיד לפי הנהלים של הארגון או החברה.

ולסיום – גם כשקלוד עוזר, האחריות היא שלכם. תמיד כדאי לקרוא את התוצאה בעין ביקורתית, לערוך אותה, ולוודא שהיא מתאימה בדיוק לצרכים שלכם.

זה לא קסם, זו שיטה

לא משנה אם אתם עצמאים, מנהלי צוותים, מפתחי תוכן או יזמים – Claude Sonnet 3.7 יכול להפוך לעוזר האישי שלכם. הוא לא מחליף אתכם – הוא עובד איתכם. המפתח הוא לא להגיד לו “תעשה בשבילי“, אלא לבקש “תעזור לי להתחיל חכם יותר”. ככל שתנסחו טוב יותר – תקבלו תוצאות טובות יותר.

תנסו פרומפט אחד. תראו איך זה מרגיש. ומשם פשוט תמשיכו ללמוד תוך כדי תנועה – זה לא דורש שלמות, רק סקרנות.

רוצים להעמיק עוד קצת? יש גם את המדריך למתחילים להנדסת פרומפטים בקלוד – שווה לעיין בו. 

הפוסט 10 פרומפטים ל-Claude 3.7 Sonnet כדי להספיק יותר בפחות זמן הופיע ראשון בLet's AI בינה מלאכותית

מה זה פרפלקסיטי AI?

פרפלקסיטי AI הוא מנוע תשובות חכם המשלב את היתרונות של שני עולמות: היכולת האנליטית של מודלי שפה מתקדמים (כמו ChatGPT) לנתח ולהסביר מידע בשפה טבעית, יחד עם היכולת של מנועי חיפוש מסורתיים כמו גוגל לאיתור ולאימות מידע עדכני מרחבי האינטרנט. או במילים אחרות – אם גוגל ו-ChatGPT היו מתחתנים – פרפלקסיטי הוא הילד שהיה יוצא להם!

פרפלקסיטי – אם לגוגל ו-ChatGPT היה ילד.

בניגוד למנועי חיפוש מסורתיים שמחזירים רשימת קישורים, פרפלקסיטי מספק תשובות ישירות ומקיפות לשאלות שלכם, עם ציטוטים ומקורות מאומתים. 

חשוב לומר, הממשק שתראו בתמונות במהלך המדריך הוא ממשק גרסת הפרו (20$ בחודש) עם כל מה שיש לפרו להציע. יחד עם זאת, תהליך ההרשמה, האינטראקציה עם הכלי כמו גם הדוגמאות, הפרומפטים והטיפים רלוונטיים גם למשתמשים חינמיים כשאת ההבדלים בין הגרסאות תוכלו לראות בטבלה בהמשך המדריך.

הרשמה וכניסה למערכת

1. היכנסו לאתר של פרפלקסיטי או הורידו את האפליקציה מחנות האפליקציות.
2. לחצו על “Sign Up” ליצירת חשבון חדש.
3. הירשמו באמצעות חשבון Google, Apple, או כתובת אימייל.
4. אשרו את כתובת האימייל שלכם (אם בחרתם באפשרות זו).
5. התאימו אישית את החשבון שלכם על ידי בחירת תחומי עניין.

הכרות עם הממשק

1. Home – כפתור הבית שמאפשר לחזור למסך הראשי של Perplexity. זהו המסך הראשון שתראו כשתיכנסו לאפליקציה.

2. Discover – אזור שמציג תוכן מומלץ, חדשות עדכניות ונושאים פופולריים. מאפשר לכם לגלות מידע חדש בלי לחפש באופן אקטיבי.

3. Spaces – מרחבי עבודה שיתופיים שמאפשרים לכם לארגן מחקרים אופרויקטים ולשתף אותם עם אחרים. ניתן ליצור מרחבים שונים לנושאים שונים.

4. Search/Research – כפתורים המאפשרים לבחור בין חיפוש מהיר (Search) לבין מחקר מעמיק יותר (Research) שמספק תשובות מעמיקות ומפורטות יותר.

5. בחירת מודל – אפשרות לבחור את המודל שיתפקד ״מתחת למכסה המנוע״. יש גם אפשרות לבחור מודלי היסק וחשיבה (Reasoning).

6. כפתור מקורות – מאפשר לבחור את סוג המיקוד של החיפוש, כמו Web (אינטרנט כללי), Academic (מאמרים אקדמיים), או Social (דיונים ודעות מרשתות חברתיות).

7. כפתור האטב לצירוף קבצים – מאפשר להעלות קבצים כמו PDF או תמונות לניתוח.

8. פונקציית הקלט הקולי – בניגוד לכפתור גל הקול (soundwave) שמאפשר שיחה אינטראקטיבית יותר, המיקרופון משמש בעיקר להכתבת טקסט בסיסית.

9. גל קול (soundwave) – מאפשר להפעיל אינטראקציה קולית מלאה עם Perplexity – כלומר, במקום להקליד את השאלות שלכם, אתם יכולים פשוט לדבר אל המערכת. זה מאפשר חוויית שיחה טבעית יותר, כאשר אתם מדברים והמערכת מקשיבה ומגיבה.

10. Thread/Page – לחיצה על הפלוס תפתח את האופציה לראות את כל השיחות/השרשורים הקודמים שלכם וגם ללחוץ על פלוס נוסף שבו תהיה אפשרות לבחור בין שרשור (Thread) חדש לבין תצוגת עמוד (Page) שמארגנת את המידע בפורמט של דף אינטרנט.

בנוסף, אתם יכולים לראות את שדה החיפוש “Ask anything…” שבו אתם מקלידים את השאלות שלכם. ובתחתית המסך מוצג מידע על מזג האוויר המקומי וכותרות חדשותיות עדכניות.

גרסאות ותוכניות

* קחו בחשבון שהמידע נתון לשינויים תכופים וניתן להתעדכן תמיד באתר הרשמי של פרפלקסיטי.

שימוש ראשוני בפרפלקסיטי

1. מקורות (Sources) – ברגע ששאלתם שאלה המערכת תאסוף מגוון של מקורות (אם שאלתם בעברית תהיה עדיפות למקורות בעברית). מעבר לתשובה הראשונית שקיבלתם, תוכלו להיכנס דרך לשונית מקורות ולראות את כל המקורות עליהן התבססה התשובה. בלחיצה על מספר מקור מסוים (נגיד מקור 5 בעיגול ורוד) – ייפתח העמוד של אותו מקור בטאב נפרד.

2. שאלות המשך (Related) – אל תסתפקו בתשובה הראשונה. תיעזרו בשאלות המשך כדי לחקור היבטים שונים של הנושא ובעיקר תיעזרו בפרפלקסיטי עצמה שמייצרת לכם שאלות המשך שנכנסות לעובי הקורה של אותו נושא או לניואנסים ספציפיים. למשל, אחרי ששאלתם “איך בינה מלאכותית משפיעה על שירותי בריאות?”, המשיכו עם “איך בינה מלאכותית משפרת אבחון רפואי?” ותמשיכו ״לדבר״ עם פרפלקסיטי.

3. אפשרויות נוספות – אתם תמיד יכולים לשתף, לג׳נרט מחדש, לייצא, להעתיק ולבצע מגוון פעולות. כשתלחצו על שלוש הנקודות בעמוד המקורות, תוכלו לקבל מגוון רחב של אפשרויות: Add to Space להוספת התוכן למרחב עבודה שמור, Convert to Page להמרת התוכן לדף מעוצב נפרד, שלוש אפשרויות ייצוא – Export as PDF, Export as Markdown ו-Export as DOCX המאפשרות לייצא את התוכן בפורמטים שונים, ואפשרות Delete למחיקת התוכן. כך תוכלו לשמור, לייצא או לערוך את התוכן שיצרתם בדרכים שונות בהתאם לצרכים שלכם.

מחקר עמוק בפרפלקסיטי

בפרפלקסיטי AI, מצב “Research” (מקביל ל- “Deep Research”) הוא תכונה מתקדמת המאפשרת ביצוע חקירה מעמיקה ומקיפה של נושאים מורכבים. במקום לספק תשובה קצרה ומיידית, מצב זה מפעיל תהליך חיפוש רחב היקף, המאגד מידע ממקורות מגוונים ואמינים, ומציג את הממצאים בדוח מובנה עם כותרות, נקודות עיקריות וציטוטים.

תכונה זו מתאימה במיוחד למשתמשים הזקוקים להבנה מעמיקה של נושא מסוים, כגון חוקרים, סטודנטים, אנשי מקצוע ומקבלי החלטות. היא מאפשרת קבלת תובנות עשירות ומבוססות, תוך חיסכון בזמן ובמאמץ הכרוך באיסוף וניתוח מידע ממקורות שונים.

השימוש במצב “Research” זמין לכל המשתמשים של פרפלקסיטי, ומציע כלי עזר יעיל ואמין לביצוע מחקרים וניתוחים מעמיקים. פשוט תעברו למצב “Research” ותכתבו את השאלת מחקר שלכם. זמן ההמתנה לתשובה משתנה בהתאם למורכבות השאלה ולתנועת המשתמשים בפלטפורמה. לרוב, ניתן לצפות לקבלת תשובה תוך 2–4 דקות, אך במקרים מסוימים, במיוחד כאשר מדובר בשאלות מורכבות או בזמני עומס, התהליך עשוי להימשך בין 5 ל-20 דקות. כמו שאנחנו אומרים תמיד – לדברים טובים צריך לחכות!

10 שימושים מעשיים של פרפלקסיטי

1. שינוי חווית החיפוש

פרפלקסיטי משנה את חוויית החיפוש על ידי מתן תשובות ישירות ומחקריות עם מקורות מצוטטים, ומבטל את הצורך בחיפושים מרובים.

שיטות עבודה מומלצות:

• התמקדות בשאלות ספציפיות ומוגדרות היטב
• בדיקת הציטוטים המסופקים לאימות מקורות
• שימוש בשאלות המשך לצלילה עמוקה יותר לנושאים

דוגמאות לשאילתות:

• “מהם הממצאים המדעיים האחרונים על צום לסירוגין?”
• “הסבר את ההשפעה של בינה מלאכותית על שירותי הבריאות ב-2024”
• “מהם ההבדלים העיקריים בין מחשוב קוונטי למחשוב קלאסי?”

2. מעקב אחר אירועים בזמן אמת

הישארו מעודכנים בחדשות מתפרצות, מגמות שוק ואירועים חיים עם יכולות אחזור המידע בזמן אמת של פרפלקסיטי.

שיטות עבודה מומלצות:

• הגדירו מסגרות זמן ספציפיות בשאילתות שלכם
• בקשו מקורות מרובים לכיסוי מקיף
• השתמשו בשאילתות ממוקדות מיקום כאשר רלוונטי

דוגמאות לשאילתות:

• “מהן ההתפתחויות העיקריות בתעשיית הטכנולוגיה היום?”
• “הראה לי את העדכונים האחרונים ביוזמות האקלים העולמיות”
• “מהן המסקנות העיקריות מישיבת הבנק הפדרלי היום?”

3. עוזר קניות חכם

שנו את חוויית הקניות שלכם עם השוואות מחירים חכמות ומחקר מוצרים בפלטפורמות מרובות.

שיטות עבודה מומלצות:

• תכללו דגמים או מפרטים ספציפיים של מוצרים
• בקשו השוואה בין קמעונאים שונים
• בקשו מידע על מחירים וביקורות

דוגמאות לשאילתות:

• “מצא את העסקאות הטובות ביותר על טלוויזיות 4K מעל 55 אינץ'”
• “השווה מחירים של MacBook Pro M2 בין קמעונאים מובילים”
• “מהן אוזניות האלחוטיות המדורגות ביותר מתחת ל-200$?”

4. סיכום תוכן ומחקר אקדמי

המירו מאמרים ארוכים ומאמרי מחקר לסיכומים תמציתיים תוך שמירה על תובנות מפתח. סטודנטים וחוקרים יכולים להשתמש בפרפלקסיטי AI כדי לקבל תשובות מהירות ומדויקות לשאלותיהם, עם ציטוטים ממקורות אמינים.

שיטות עבודה מומלצות:

• ספקו תחומי מיקוד ספציפיים לסיכום
• בקשו נקודות מפתח בנקודות
• שאלו על היבטים ספציפיים (למשל, מתודולוגיה, מסקנות)

דוגמאות לשאילתות:

• “סכם את הממצאים העיקריים של [כתובת URL של המאמר]”
• “מהן הנקודות העיקריות ממאמר מחקר זה על אנרגיה מתחדשת?”
• “צור סיכום מנהלים של דוח מחקר השוק הזה”

5. מחקר פיננסי

גישה למידע פיננסי מקיף וניתוח שוק לקבלת החלטות השקעה מושכלות.

שיטות עבודה מומלצות:

• ציינו תקופות זמן לנתונים היסטוריים
• בקשו מדדים מרובים לניתוח מעמיק
• כללו בקשות להשוואת מתחרים

דוגמאות לשאילתות:

• “נתח את הביצועים הפיננסיים של טסלה ברבעון האחרון”
• “השווה את מדדי הצמיחה של 5 חברות הבינה המלאכותית המובילות”
• “מהם גורמי הסיכון העיקריים המשפיעים על תעשיית המוליכים למחצה?”

6. כלי אופטימיזציה ל-SEO

יצירת אסטרטגיות תוכן ומחקר מילות מפתח ידידותיים ל-SEO לשיפור דירוגי החיפוש.

שיטות עבודה מומלצות:

• התמקדו בנישות או תעשיות ספציפיות
• בקשו וריאציות של מילות מפתח ארוכות זנב
• כללו ניתוח מתחרים בשאילתות

דוגמאות לשאילתות:

• “צור אשכול מילות מפתח לסוכנות שיווק דיגיטלי”
• “מהם הנושאים המובילים באופנה בת-קיימא?”
• “צור אסטרטגיית תוכן SEO לבלוג כושר”

7. עוזר יצירת תוכן

התגברו על חסימת כתיבה וצרו רעיונות תוכן יצירתיים במגוון פורמטים. כותבי תוכן יכולים להיעזר בפרפלקסיטי AI ליצירת רעיונות לפוסטים בבלוג או ברשתות החברתיות.

שיטות עבודה מומלצות:

• ספקו דמוגרפיה ספציפית של קהל היעד
• כללו העדפות טון וסגנון
• ציינו אורך ופורמט תוכן

דוגמאות לשאילתות:

• “צור 10 רעיונות לפוסטים בלינקדאין לסטארט-אפ טכנולוגי”
• “צור מתווה לפוסט בבלוג על פרודוקטיביות במקום העבודה”
• “הצע כותרות מייל מעניינות לניוזלטר על כלכלה אישית”

8. קבלת החלטות עסקיות

מנהלים יכולים להשתמש בפרפלקסיטי AI כדי לנתח מגמות שוק עדכניות. לדוגמה, בשאלה “מהן המגמות האחרונות בשוק האופנה לשנת 2025, כולל שינויי העדפות צרכנים וטכנולוגיות חדשות?”, הכלי יספק תובנות על שינויים בהעדפות צרכנים, טכנולוגיות חדשות ומגמות מתפתחות.

9. תכנון טיולים

מטיילים יכולים להשתמש בפרפלקסיטי AI לתכנון מסלולי טיול, מציאת אטרקציות מומלצות ומסעדות.

שיטות עבודה מומלצות:

• ציינו תאריכים ספציפיים לנסיעה המתוכננת
• הגדירו תקציב ומגבלות מיוחדות
• בקשו המלצות מותאמות אישית לפי העדפות (משפחות, הרפתקאות, תרבות)

דוגמאות לשאילתות:

• “תכנן מסלול טיול של 5 ימים בפריז עבור משפחה עם ילדים בגילאי 8-12”
• “מהן האטרקציות המומלצות בברצלונה שאינן עמוסות בתיירים בחודש אוגוסט?”
• “השווה בין 3 מלונות ברומא במחיר של עד 150 יורו ללילה באזור מרכז העיר”

10. סיוע טכני

מפתחים יכולים להיעזר בפרפלקסיטי AI לקבלת פתרונות לבעיות קוד.

שיטות עבודה מומלצות:

• ספקו פרטים מדויקים על הגרסה והמערכת שבה אתם משתמשים
• תארו את הבעיה בצורה ברורה וספציפית
• העלו צילומי מסך או קטעי קוד רלוונטיים (למשתמשי Pro)

דוגמאות לשאילתות:

• “כיצד לפתור שגיאת ‘Cannot connect to server’ ב-MySQL בגרסה 8.0 על Windows 11?”
• “הסבר כיצד ליצור פונקציית לולאה יעילה בפייתון לעיבוד קבצי CSV גדולים”
• “מה הדרך הטובה ביותר לאבטח אפליקציית React מפני התקפות XSS?”

10 פרומפטים שיהפכו את העבודה שלכם לקלה יותר (רלוונטי גם למצב “Research”) 

מחקר מקיף בנושא

אני צריך לחקור [נושא ספציפי] עבור [סוג הפרויקט]. אנא ספק:

(1) סקירה תמציתית של 3 פסקאות על המושגים המרכזיים,

(2) 5 ההתפתחויות החשובות ביותר בתחום זה מאז [תאריך],

(3) רשימה של 3-5 מקורות מוסמכים שכדאי לי לבחון לעומק,

(4) 3 יישומים פוטנציאליים של נושא זה בתעשייה שלי [שם התעשייה].

פרמט זאת כדוח מובנה עם כותרות ברורות ונקודות עיקריות היכן שמתאים.

יצירת תוכן מקצועי

צור מסמך באורך 1,000 מילים מסוג [סוג המסמך] בנושא [נושא ספציפי].

עליו לעקוב אחר המבנה הבא:

הקדמה המסבירה את חשיבות הנושא, 
3-4 חלקים עיקריים המכסים

[נקודה מרכזית 1], 
[נקודה מרכזית 2], 
[נקודה מרכזית 3],

ומסקנה עם תובנות מעשיות. 
השתמש בטון מקצועי וסמכותי המתאים ל[קהל היעד].

כלול 5-7 נקודות עיקריות המדגישות את המידע החשוב ביותר.

ודא שהתוכן עובדתי וציין את המקורות שלך.

ניתוח נתונים

אספתי את הנתונים הבאים: 
[הדבק נתונים או תאר את מערך הנתונים]. 
אנא נתח מידע זה וספק:

(1) סיכום של המגמות והדפוסים המרכזיים

(2) שלוש תובנות מעשיות שנתונים אלה חושפים לגבי [תחום העסק]

(3) מגבלות או פערים פוטנציאליים במערך נתונים זה

(4) המלצות לאיסוף נתונים נוסף.

כלול הסבר קצר של כל מושג סטטיסטי שנעשה בו שימוש 
בניתוח שלך שיעזור לאדם לא-טכני להבין את הממצאים.

תעדוף משימות אסטרטגי

עליי להשלים את המשימות הבאות היום: 
[רשימת כל המשימות עם הערכת זמן נדרש]. 
שעות העבודה שלי הן [שעת התחלה] עד [שעת סיום] עם הפסקת צהריים של [משך זמן]. 
אנא עזור לי לארגן אותן ללוח זמנים מובנה ש:

(1) מתעדף משימות על בסיס דחיפות וחשיבות

(2) מקבץ משימות דומות כדי למזער החלפת הקשר

(3) כולל הפסקות של 15 דקות כל 90 דקות לפרודוקטיביות מיטבית

(4) ממליץ אילו משימות להאציל או לדחות אם אין מספיק זמן.

התחשב בכך שרמות האנרגיה שלי הן הגבוהות ביותר ב[בוקר/צהריים/ערב].

מסגרת קבלת החלטות

אני מתמודד עם החלטה קשה לגבי [החלטה ספציפית] בעבודה. 
האפשרויות הן: 
[אפשרות א] או [אפשרות ב]. 
שיקולים מרכזיים כוללים: [רשימת שיקולים]. 
אנא עזור לי להעריך החלטה זו על ידי:
(1) יצירת ניתוח מקיף של יתרונות/חסרונות לכל אפשרות

(2) זיהוי סיכונים פוטנציאליים ואסטרטגיות להפחתתם

(3) הצעת 3 גורמים נוספים שאולי לא שקלתי

(4) המלצה על מסגרת קבלת החלטות המתאימה לסוג זה של בחירה.

פרמט זאת כדוח מובנה שאוכל להשתמש בו לקבלת החלטה מושכלת.

פיתוח מטרות SMART

עזור לי לפתח מטרת SMART עבור [תחום מקצועי ספציפי] להשגה בתוך [מסגרת זמן]. 
רמת המיומנות הנוכחית שלי היא [מתחיל/בינוני/מתקדם], 
ואני רוצה להשתפר כדי לתמוך בתפקידי כ[תואר תפקיד] ב[סוג חברה]. 
אנא צור:

(1) הצהרת מטרת SMART מפורמטת כראוי

(2) 3-5 אבני דרך מדידות למעקב אחר התקדמות

(3) רשימת מכשולים פוטנציאליים ואסטרטגיות להתגבר עליהם

(4) 3-5 משאבים (ספרים, קורסים, כלים) שיעזרו לי להשיג מטרה זו.

פרמט זאת כתוכנית השגת מטרות שאוכל להתייחס אליה באופן קבוע.

פתרון בעיות במקום העבודה

אני חווה את האתגר הבא בעבודה: [תיאור מפורט של הבעיה]. 
ההקשר הוא: [הקשר מקום העבודה]. 
כבר ניסיתי [ניסיונות פתרון קודמים] ללא הצלחה. אנא ספק:

(1) ניתוח שורש הבעיה המזהה בעיות בסיסיות פוטנציאליות

(2) 3-5 פתרונות חדשניים שטרם שקלתי, עם יתרונות וחסרונות לכל אחד

(3) תוכנית יישום מומלצת לפתרון הטוב ביותר

(4) מדדים להערכה האם הפתרון עובד.

אנא מבנה זאת כדוח פתרון בעיות שאוכל להציג לצוות שלי.

יצירת קוד ותיעוד

אני צריך ליצור סקריפט ב[שפת תכנות] שמבצע [משימה ספציפית]. 
הסביבה כוללת [מערכות/פלטפורמות/גרסאות רלוונטיות]. 
קלטים נדרשים כוללים [פרמטרי קלט], והפלט הצפוי צריך [תיאור פלט צפוי].

אנא ספק:
(1) פתרון קוד עובד עם הערות המסבירות כל חלק

(2) הסבר קצר של הגישה וכל האלגוריתמים שנעשה בהם שימוש

(3) מקרי קצה פוטנציאליים או מגבלות שיש להיות מודעים להם

(4) הוראות לבדיקה ויישום הפתרון.
כלול טיפול בשגיאות עבור בעיות נפוצות.

ניתוח שוק תחרותי

אני צריך לנתח את מיקום השוק שלנו בהשוואה למתחרים בסקטור [תעשייה/שוק]. 
החברה שלנו מציעה [תיאור מוצר/שירות]. 
המתחרים העיקריים שלנו הם [רשימת מתחרים]. אנא ספק:

(1) ניתוח השוואתי של החוזקות והחולשות שלנו לעומת מתחרים מרכזיים

(2) זיהוי של 3-5 מגמות שוק המשפיעות על התעשייה שלנו

(3) הזדמנויות פוטנציאליות לבידול או יתרון תחרותי

(4) המלצות למיצוב אסטרטגי.

פרמט זאת כדוח ניתוח שוק מקצועי עם חלקים ברורים ותובנות מעשיות.

הכנה לפגישה וסדר יום

אני מתכונן לפגישת [סוג הפגישה] עם [משתתפים/מחלקות]. 
המטרה היא לדון ב[נושא/מטרת הפגישה]. 
הפגישה תימשך [משך זמן] דקות. אנא עזור לי ליצור:

(1) סדר יום מובנה עם הקצאות זמן מתאימות

(2) 3-5 נקודות מרכזיות לדיון עבור כל פריט בסדר היום

(3) שאלות או התנגדויות פוטנציאליות שעשויות לעלות וכיצד להתייחס אליהן

(4) תבנית תוכנית פעולה למעקב להפצה לאחר הפגישה.

פרמט זאת כמסמך הכנה לפגישה מלא שאוכל להשתמש בו להוביל דיון יעיל ופרודוקטיבי.

האם אפשר לסמוך על המידע שמספק פרפלקסיטי?

Perplexity נועד להציג תשובות מדויקות שמבוססות על מקורות אמינים, אך חשוב להבין – גם הוא לא חסין מטעויות. כמו כל מערכת בינה מלאכותית, ייתכנו חוסרים, פרשנויות שגויות או מידע חלקי. לכן, במיוחד כשמדובר בנושאים רגישים – כמו עסקים, רפואה או משפט – חשוב לבדוק את המקורות המצורפים ולוודא את המידע מול מקורות נוספים מהימנים.

פרטיות ואבטחת מידע

במקביל, מומלץ לא לשתף בצ’אט מידע אישי או רגיש כמו פרטי אשראי, מספרי תעודת זהות או מידע עסקי חסוי. גם השירותים המאובטחים ביותר אינם מבטיחים הגנה מוחלטת, ולכן האחריות למה ששיתפתם – היא שלכם.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מקיף לבינה מלאכותית - GenAI Master

לפרטים נוספים לחצו כאן >>

בזמן שמנועי חיפוש מסורתיים מציפים אותנו בקישורים – Perplexity AI משנה את כללי המשחק. הוא לא רק מוצא מידע, אלא מסכם, מנתח, ומספק תובנות מדויקות בזמן אמת – וכל זה בשפה טבעית, עם מקורות אמינים. הכלי הזה מתאים לכל מי שצריך לחשוב, להחליט, או ליצור תוכן במהירות: סטודנטים, חוקרים, אנשי עסקים או פשוט אנשים סקרנים. הוא חוסך זמן, מגביר בהירות, והופך כל שאלה לפתח לתובנה. כדי להפיק ממנו את המרב – תתחילו בלנסח נכון את השאלות, תתנסו בפיצ’רים מתקדמים, ואל תחששו לטעות בדרך. כמו כל טכנולוגיה, גם פרפלקסיטי משתפר כל הזמן. שווה לעקוב אחרי עדכונים – ולהתאים את הדרך שבה אתם חוקרים מידע לעידן החדש. תתחילו בקטן, תשאלו שאלה אחת חכמה – ומשם תראו איך הכל מתרחב. 

זה לא חיפוש. זו רמה אחרת של חשיבה. תנסו בעצמכם.

עוד קצת פרפלקסיטי

כמו שכבר הבנתם – פרפלקסיטי לא רק מחפש בשבילכם. הוא חושב איתכם. במקום להציף אתכם בקישורים, הוא מנהל איתכם שיחה אינטליגנטית – מבין הקשר, מספק תשובות מדויקות ומבוססות, ומפנה למקורות בזמן אמת. רוצים לנסות את זה על אמת? תשאלו שאלה ישירות בוואטסאפ. תוסיפו את פרפלקסיטי כאיש קשר – ותוך שניות תקבלו תשובה מהירה, אמינה, עם מקורות.

ואם בא לכם לראות מה אפשר להוציא מכל זה – הציצו בסיכום השנתי של 2024 שפרפלקסיטי הוציאה על סמך מאגרי מידע עצומים וניתוח חכם במיוחד.

הפוסט מדריך ל- Perplexity AI הופיע ראשון בLet's AI בינה מלאכותית

למה חשוב להבין איך בינה מלאכותית חושבת?

גם כשהמודלים הופכים למדויקים ומרשימים יותר – אנחנו עדיין לא יודעים למה הם בוחרים במילים מסוימות, טועים במקרים אחרים, או מגיבים בצורה שנראית לפעמים יצירתית ולפעמים מסוכנת.

“אנשים מחוץ לתחום נדהמים לגלות שאנחנו לא באמת מבינים איך היצירות שלנו עובדות – ובצדק. זה חסר תקדים בהיסטוריה של הטכנולוגיה.”

לפי אמודיי, זה לא רק חיסרון טכני – אלא סיכון מהותי. לדוגמה, לא ניתן כיום לשלול שמודלים יפתחו דפוסים של הונאה או חתירה לעוצמה, פשוט כי אין לנו גישה לתהליכי החשיבה הפנימיים.

טכנולוגיה שאי אפשר לעצור, אבל אפשר לכוון

לפי אמודיי, קצב ההתקדמות של הבינה המלאכותית לא ניתן לעצירה – אבל הסדר שבו בונים דברים, אילו יישומים מקבלים עדיפות, ואיך מוציאים אותם החוצה – הם בחירה שלנו. את הבחירה הזו אפשר וצריך לכוון.

“אי אפשר לעצור את האוטובוס – אבל אפשר להחזיק בהגה.”

אחד הכלים החשובים ביותר להכוונה הזו, לדבריו, הוא אינטרפרטביליות (Interpretability) – היכולת לראות מה באמת מתרחש בתוך מודל AI.

אז איך בכלל אפשר להבין מה קורה בתוך מודל של בינה מלאכותית?

בדרך כלל זה מרגיש כמו לנסות לפענח קופסה שחורה – המודל נותן תשובה, אבל לא ברור למה הוא בחר בה. כדי לשנות את זה, חוקרים עובדים על תחום שנקרא אינטרפרטביליות – ניסיון להבין את המנגנונים הפנימיים של המודלים – כמו לעשות להם MRI. בהתחלה, הם גילו שיש בתוך המודלים “נוירונים” מסוימים שמזהים רעיונות ברורים – למשל, נוירון שמזהה את המילה “מכונית” או את המושג “גשר שער הזהב”. אפשר לחשוב על זה כמו מילון פנימי – כל נוירון מחזיק משמעות מסוימת.

אבל מהר מאוד התברר שזה לא כל כך פשוט. רוב הנוירונים מייצגים כמה רעיונות מעורבבים יחד – תופעה שנקראת סופרפוזיציה. זה כאילו נוירון אחד אומר גם “חתול”, גם “שקט” וגם “ספק”. קשה להבין מה הוא באמת “מתכוון”. כדי להתמודד עם זה, החוקרים פיתחו שיטה שמסוגלת להפריד את הרעיונות – קצת כמו פילטר שמפריד צבעים בתמונה מעורפלת. כך אפשר לראות תכונות מורכבות יותר, כמו “היסוס” או “זעם עדין בשיר”.

ובשלב הבא הגיע רעיון מעניין במיוחד: מעגלים (Circuits). אלה רצפים של נוירונים שפועלים יחד, כמו סיפור שנבנה שלב אחר שלב. למשל, אם שואלים את המודל “מהי עיר הבירה של המדינה שבה נמצאת דאלאס?” – אפשר ממש לראות איך הוא מזהה “דאלאס”, מקשר ל”טקסס”, ואז מגיע ל”אוסטין”.

“התחלנו לראות איך רעיונות נוצרים מהקלט, איך הם משתלבים, ואיך הם מניעים פעולה. אפשר ממש לעקוב אחרי תהליך החשיבה של המודל.”

אבל מה עושים עם זה?

אמודיי מתאר ניסוי שבו הוכנסה בכוונה תקלה מודעת למודל – וצוותים שונים נדרשו לאתר אותה. חלקם הצליחו בעזרת כלי אינטרפרטביליות.

“השאיפה שלנו היא שאפשר יהיה לעשות סריקה של המודל, כמו MRI, ולזהות מראש בעיות כמו הונאה, חולשות באבטחה, או נטייה לרכוש עוצמה.”

החזון? MRI למוחות של מודלים, שיהיה חלק מתהליך הפיתוח והבדיקה, כמו שהרופא שולח אותך לצילום לפני שמתחילים טיפול.

מה הסיכון הגדול?

אמודיי מזהיר שאנחנו נכנסים למרוץ נגד הזמן. הבינה המלאכותית מתקדמת בקצב מהיר יותר מיכולת הפירוש שלה. לדבריו, ייתכן שכבר ב־2026 יהיו מערכות חזקות כמו:

“מדינה של גאונים בתוך דאטה סנטר – עם אוטונומיה מספיקה כדי לשנות את הכלכלה והביטחון הלאומי.”

אם נגיע לשם בלי MRI מוכן – אנחנו עלולים לשחרר כוח עצום שאין לנו דרך להבין או לרסן.

ומה אפשר לעשות?

אמודיי מציע שלושה כיוונים עיקריים:

חיזוק המחקר המדעי

אמודאי סבור שנושא האינטרפרטביליות חייב לקבל קדימות באקדמיה, במיוחד בכנסים כמו ICML (כנס בינלאומי ללמידת מכונה). לתפיסתו, זהו עניין קריטי שיש לתת לו במה ומענה הולם.

“למרות ההתקדמות, אינטרפרטביליות מקבלת פחות תשומת לב ממירוץ שחרור המודלים – וזה מגוחך. הגיע הזמן להשקיע יותר, לא פחות.”

חקיקה מעודדת שקיפות

“לא צריך עכשיו חוקים כבדים. אבל כן אפשר לחייב חברות לדווח איך הן בודקות את המודלים, כדי לייצר מרוץ חיובי לאחריות – לא רק לעוצמה.”

רגולציה גיאופוליטית מושכלת

“הטלת מגבלות על ייצוא שבבים לסין היא לא רק עניין אסטרטגי – זו דרך לאפשר לדמוקרטיות להקדים את האוטוקרטיות בתחום הקריטי ביותר של הדור.”

הוא מציין שזה גם נותן “מרווח ביטחון” שמאפשר לפתח אינטרפרטביליות לפני שמגיעים למודלים רבי עוצמה באמת.

ואולי – גם שאלה מוסרית?

אמודיי נוגע בנקודה מסקרנת, שנשמעת כמו מדע בדיוני אבל נידונה יותר ויותר:

“יום אחד יתעורר חשש שמודלים של בינה מלאכותית מרגישים או חווים תודעה – כלומר, שהם לא רק מחשבים אלא אולי אפילו דומים במשהו ליצורים חושבים – נצטרך כלים שיאפשרו לבדוק את זה ברצינות. האם נוכל לדעת אם הם ‘מרגישים’ משהו? האם נוכל לבדוק אם הם סובלים? אינטרפרטביליות תהיה הכלי המרכזי להבין את זה.”

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מקיף לבינה מלאכותית - GenAI Master

לפרטים נוספים לחצו כאן >>

זהו מרוץ בין יכולת הפירוש לבין עוצמת הבינה המלאכותית. המאמר של אמודיי הוא קריאת השכמה שקולה ומעמיקה: אם נבין את המודלים שאנחנו בונים – נוכל להפיק מהם את הטוב ולצמצם את הסיכון. אם לא – נישאר מאחור בזמן שמכונות חושבות מקבלות החלטות שאנחנו לא מבינים.

“אנחנו ראויים להבין את היצירות שלנו – לפני שהן ישנו את הכלכלה, את החברה, ואת העתיד של כולנו”.

הפוסט איך פותחים את הקופסה השחורה של הבינה המלאכותית ולמה זה דחוף? הופיע ראשון בLet's AI בינה מלאכותית

אז מה זה בעצם Claude Integrations?

אחרי שאיפשר לנו להתחבר ליומן, למייל ולדרייב, Claude – עוזר ה-AI של Anthropic – מרחיב משמעותית את היכולות להתחבר לכלים העסקיים שלכם: ניהול משימות, שירות לקוחות, מידע פיננסי, ניתוח ביצועים, ועוד. Claude כבר לא רק “מדבר חכם” – הוא נכנס לתוך הכלים שבהם אתם באמת עובדים, מבין את התמונה הרחבה, ומבצע פעולות בזמן אמת בצורה שקופה, בטוחה ויעילה.

איך זה בכלל עובד?

מאחורי הקלעים פועל תקן פתוח בשם Model Context Protocol (MCP) – ש-Anthropic פיתחה כדי לאפשר ל-Claude להתחבר לכלים חיצוניים בצורה מאובטחת וגמישה. בהתחלה זה עבד רק מקומית, מתוך Claude Desktop, אבל עכשיו עם Integrations – אפשר להתחבר גם לשרתים מרוחקים דרך האינטרנט או אפליקציות דסקטופ.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציה עסקית ובינה מלאכותית

לפרטים נוספים לחצו כאן >>

אילו כלים Claude יודע לחבר?

Claude יודע להתחבר כבר עכשיו לעשרה מהשירותים הכי פופולריים בעולם העבודה הדיגיטלי. הוא מתחבר ל-Jira ו-Confluence כדי לנהל פרויקטים ולתעד תהליכים, ל-Asana ו-Linear כדי לנהל משימות, ול-Zapier שמאפשר לו להתחבר לאלפי אפליקציות נוספות דרך אוטומציות מוכנות מראש. בנוסף, הוא יודע לעבוד עם Cloudflare ו-Sentry לניטור ביצועים ותקלות, עם Intercom לניהול שירות לקוחות, ועם מערכות תשלומים כמו PayPal, Square ו-Plaid. וזה רק ההתחלה – אינטגרציות נוספות עם Stripe, GitLab ואחרות כבר בדרך.

מה Claude באמת יודע לעשות?

Claude לא רק עונה על שאלות – הוא מבין את ההקשר שבו אתם פועלים. הוא יודע אילו משימות פתוחות, מה הסטטוס בפרויקטים, ואילו תקלות דווחו לאחרונה. כשאתם משוחחים איתו, הוא לא סתם נותן תשובה – הוא פועל מתוך הכלים שלכם, בזמן אמת. תוכלו לבקש ממנו ליצור משימה חדשה ב-Jira, לסכם שיחה אחרונה ב-Intercom, או לגשת לאוטומציה שבניתם ב-Zapier כדי למשוך מידע מ-HubSpot או מהיומן שלכם בגוגל. ובמקרים רבים, Claude אפילו לא מחכה שתבקשו – הוא פשוט מבצע בשמכם: יוצר משימות ב-Asana, שולח חשבוניות ב-PayPal, ומנתח נתוני מכירות מ-Square. הכול דרך שיחה אחת, פשוטה.

חיפוש באינטרנט בזמן אמת

Claude יודע עכשיו לחפש באינטרנט בזמן אמת, מכל מקום בעולם. הפיצ’ר הזה פתוח כבר עכשיו לכל המשתמשים בתשלום, ומאפשר לו לגשת למידע עדכני ורלוונטי בכל רגע נתון. כשאנחנו אומרים שמודל בינה מלאכותית היה עד עכשיו מוגבל ל”ידע היסטורי” או “חתך ידע”, הכוונה היא שהוא אומן על מידע עד תאריך מסוים – ואין לו שום מושג מה התרחש אחריו. עם הגישה לאינטרנט, Claude עובר את המגבלה הזו: הוא לא נשאר תקוע בעבר, אלא מעודכן למה שקורה עכשיו.

לחצו על כפתור הכלים בחלון הצ׳אט והדליקו את טוגל החיפוש

מחקר אמיתי, לא רק חיפוש

Claude מצויד עכשיו ביכולת מחקר מתקדמת במיוחד שנקראת Research Mode – והיא לוקחת את העבודה איתו לרמה חדשה לגמרי. כשאתם מפעילים את המצב הזה, הוא מפרק כל שאלה לגורמים, חוקר כל היבט לעומק, ומחפש מידע מתוך האינטגרציות שחיברתם, Google Workspace, וגם מהאינטרנט. התוצאה היא דו”ח מקיף שמגיע עם ציטוטים מדויקים וקישורים למקורות – ממש כמו עוזר מחקר אישי. רוב הדוחות מוכנים תוך 5 עד 15 דקות, אך בבקשות מורכבות הוא עשוי להשקיע עד 45 דקות כדי לספק תוצאה איכותית באמת.

הפיצ’ר הזה זמין כרגע למשתמשי Max, Team ו-Enterprise, ועתיד להיפתח גם למנויי Pro בקרוב. עד אז – אם אתם בתוכנית תומכת, כל מה שצריך זה להפעיל את המצב בצ’אט – ושם המחקר מתחיל.

אבטחה, שליטה ושקיפות

Claude פועל מתוך הבנה שמידע רגיש דורש התייחסות רצינית. כל אינטגרציה נעשית באמצעות אימות OAuth מאובטח, כך שאין גישה למידע ללא הרשאה מפורשת מצדכם. בכל שלב, Claude מציג את המקורות שעליהם הוא מתבסס – כולל ציטוטים עם קישורים ישירים – כדי שתדעו בדיוק מאיפה הגיע כל פרט. למפתחים ולצוותים טכניים יש גם אפשרות להקים שרת MCP פרטי, ולשלוט באופן מלא על אילו נתונים זמינים למערכת ובאילו תנאים.

שורה תחתונה?

Claude סוף סוף יוצא מהקופסה ומתחבר לעולם החיצון.

זה אמנם לקח קצת זמן – אבל נראה שזה היה שווה את ההמתנה. עם גישה לאינטרנט בזמן אמת ויכולת מחקר עמוקה שמפצלת כל שאלה לגורמים, Claude מביא גם את העולם לתוך השיחה. הוא משלב בין מה שקורה אצלכם לבין מה שקורה עכשיו בזמן אמת – ומחזיר תשובות חכמות, מדויקות, ומבוססות על מקורות ברורים. הוא כבר לא רק צ’אטבוט מתוחכם – הוא חבר צוות אמיתי. כזה שמתחבר למערכות שלכם, מבין הקשר, מבצע משימות, ומחזיר תובנות מבוססות על המידע הפנימי שלכם.

זו קפיצת מדרגה אמיתית באופן שבו אתם עובדים, חוקרים ומקבלים החלטות עם Claude.

הפוסט Claude מתחבר לעולם עם אינטגרציות חכמות וחיפוש באינטרנט בזמן אמת הופיע ראשון בLet's AI בינה מלאכותית

צידה לדרך

אחרי שלמדתם ותרגלתם את שבעת כללי הזהב הבסיסיים בחלק הראשון של המדריך, הגיע הזמן להיכנס לרובד הבא – טכניקות מתקדמות שמיועדות להתמודד עם משימות מורכבות יותר. אבל רגע לפני שנצלול לעומק, הנה תזכורת קצרה (בתמונה המצורפת) ואחריה גם כמה טיפים קצרים שכדאי מאוד להחזיק בראש:

7 כללי זהב להנדסת פרומפטים

האינפוט הוא המלך

מה שתכניסו – זה מה שתקבלו. אם הפרומפט מעורפל או לא מקצועי, אל תתפלאו אם גם הפלט יהיה בינוני או מאכזב. הקפידו לבנות בקשות מדויקות, מאורגנות וברורות.

זכרו את הכלל הפשוט: Garbage in – Garbage out.

נהלו דיאלוג מתמשך לשיפור התוצאות

אל תתייחסו למודל כמו מכונה שמחזירים לה פקודה ומקבלים תשובה סופית. תתייחסו אליו כמו לשותף לשיחה. קיבלתם טיוטה? זה הזמן לדייק:

"תכתוב את זה בטון ידידותי יותר"

"תוסיף פסקה שמדגישה את היתרונות הכלכליים"

שיחה פתוחה ומתמשכת עוזרת להגיע לתוצאה הרבה יותר חדה, מדויקת ורלוונטית.

תנו פידבק איכותי גם למפתחים – זה באמת משפיע

מאחורי הקלעים, מודלים כמו ChatGPT ו‑Claude משתפרים בעזרת תהליך שנקרא RLHF – למידה מחיזוקים מבוססי משוב אנושי. כאשר אתם מדרגים תשובות (/) או שולחים הערות מפורטות, אתם עוזרים למפתחים להבין מה עבד טוב ומה דרוש שיפור. מעבר לכך, הרגל של מתן משוב גם יחדד אצלכם את המחשבה: “האם התוצאה שקיבלתי באמת עונה על מה שביקשתי?”. כך אתם לא רק משתפרים בעצמכם – אלא גם תורמים לבנייה של דור חדש של בינה מלאכותית: חכמה יותר, מדויקת יותר, ואתית יותר.

תנו למודל לעזור לכם לבנות פרומפטים טובים יותר

לפעמים אין סיבה לשבור את הראש לבד. תנו למודל לעבוד בשבילכם כ״מאמן אישי״. פשוט בקשו מהמודל:

"במקום שאנחש מה לכתוב, תשאל אותי כמה שאלות קצרות כדי לדייק את הבקשה שלי -
 ואז תבנה לי את הפרומפט המושלם"

שיטה כזו תחסוך זמן ותעזור לחדד את המטרה בצורה טבעית וממוקדת.

עם הטיפים האלה בארגז הכלים שלכם, אתם מוכנים באמת לצלול לטכניקות המתקדמות שיקפיצו את העבודה שלכם עם בינה מלאכותית לרמה הבאה. קדימה, מתחילים!

טמפרטורה (Temperature)

כשעובדים עם מודלים של בינה מלאכותית, יש מספר פרמטרים שאפשר לכוון כדי להשפיע על אופי התשובה שהמודל מחזיר. בין האפשרויות האלה תמצאו גם הגדרות כמו Top‑P, Top‑K ועוד – אבל רוב הפרמטרים האלו מוגדרים “מאחורי הקלעים” על ידי מפתחים, במיוחד כשעובדים דרך API.

במדריך הזה, כדי לא להעמיס, נתמקד רק בכיוון אחד מרכזי וחשוב שגם ”המשתמש הפשוט” צריך להכיר והוא טמפרטורה. 

הגדרת טמפרטורה לא נעשית בתוך הפרומפט עצמו, אלא דרך הממשק שבו אתם משתמשים – לרוב באמצעות סליידר פשוט או שדה הגדרות. ברוב המקרים לא תצטרכו להגדיר טמפרטורה ידנית – המערכות בוחרות ערך כברירת מחדל. רק אם תעבדו בממשקים מקצועיים יותר, כמו Google AI Studio או כלי פיתוח אחרים, תינתן לכם שליטה ישירה על ערך הטמפרטורה. המטרה כאן היא שתכירו ותבינו את העיקרון.

Google AI Studio

אז מהי טמפרטורה?

הטמפרטורה קובעת כמה “בטוחה” מול “יצירתית” תהיה התשובה של המודל:

• טמפרטורה נמוכה (0-0.3) ← תשובות מאוד צפויות, מדויקות ועקביות.

• טמפרטורה גבוהה (0.7-1) ← תשובות מגוונות יותר, יצירתיות ולעיתים מפתיעות או לא צפויות.

חשוב לזכור: טמפרטורה לא קובעת את איכות המידע, אלא את רמת הגיוון והרנדומליות שבתשובה.

תרחיש:

אתם מנהלים סיעור מוחות על סלוגנים לקמפיין חדש לבקבוק מים אקולוגי.

עם טמפרטורה 0.2, הבקשה:

"תן 5 רעיונות לסלוגנים"

תקבלו תשובות מאוד בסיסיות ושבלוניות, כמו:

"מים ירוקים, חיים ירוקים" או "בחירה חכמה לסביבה בריאה"

עם טמפרטורה 0.8, אותה בקשה – תקבלו רעיונות מגוונים, מפתיעים ולעיתים לא שגרתיים, למשל:

"בכל שלוק - מצילים יער", או "תן למים לדבר בשפת הטבע"

למה זה עובד?

שליטה בטמפרטורה מאפשרת להתאים את סגנון ואופי התגובה של המודל למשימה הספציפית שלכם. כאשר נדרש דיוק גבוה, כמו במענה לשאלות מדויקות, או סיכום מסמך מקצועי, בחירה בטמפרטורה נמוכה תבטיח תשובות צפויות וברורות. לעומת זאת, כאשר רוצים לעודד יצירתיות, לחשוב מחוץ לקופסה או להפיק רעיונות שיווקיים חדשים, טמפרטורה גבוהה יותר תפתח מגוון רחב יותר של אפשרויות. הבנה נכונה של טמפרטורה נותנת לכם שליטה אמיתית – ומאפשרת להפיק מהמודל בדיוק את סוג התוצאה שאתם צריכים, מבלי להמר על מה שתקבלו.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מקיף לבינה מלאכותית - GenAI Master

לפרטים נוספים לחצו כאן >>

שרשרת מחשבה (Chain of Thought Prompting)

כאשר שואלים את המודל שאלה מורכבת – כמו בעיה מתמטית, ניתוח לוגי או תכנון תהליך – לעיתים תשובה קצרה וישירה מפספסת שלבים חשובים בדרך לפתרון. כאן נכנסת לתמונה טכניקת שרשרת המחשבה (Chain of Thought Prompting). באמצעות טכניקה זו, אתם מבקשים מהבינה המלאכותית לא רק לספק תשובה סופית, אלא לפרק את הבעיה שלב אחרי שלב: לחשוב בקול רם, להסביר כל שלב, ולבנות את ההיגיון שמוביל לפתרון.

איך עושים את זה בפועל? פשוט מוסיפים לפרומפט משפט שמזמין חשיבה מתגלגלת, למשל:

"בוא נחשוב שלב אחר שלב"

"פתור את הבעיה בצורה לוגית"

"הסבר את תהליך החשיבה שלך"

"ראשית, זהה את המשתנים. לאחר מכן, חשב את התוצאה"

תרחיש ראשון – חישוב עסקי פשוט:

לקוח רכש מוצר ב‑40 ₪.

הוא קיבל הנחת 15 %, ולאחר מכן חויב במע"מ של 17 %.

מהו הסכום הסופי לתשלום?

בוא נחשוב שלב אחר שלב

המודל יגיב עם תשובה ״מפורקת לשלבים״ ולא רק תשובה סופית:

חישוב הסכום לאחר ההנחה: 40 ₪ × 0.85 = 34 ₪

חישוב הסכום לאחר הוספת מע"מ: 34 ₪ × 1.17 = 39.78 ₪

סכום סופי לתשלום: 39.78 ₪

הסבר: במקרה כזה, ייתכן שהמודל היה מצליח להגיע לפתרון נכון גם בלי לפרק שלבים – כי מדובר בתרגול מתמטי פשוט יחסית. ובכל זאת, פירוק לשלבים מאפשר לכם לבדוק בקלות שהחישוב בוצע נכון, לזהות טעויות אם ישנן, ולהבין את התהליך המלא מאחורי המספר הסופי.

תרחיש שני – בעיה מורכבת יותר:

אני מנהל חברת הפקות.

לקוח מבקש הצעת מחיר לאירוע שכוללת חישוב מורכב:

שכירת אולם ב‑12,000 ₪ כולל מע"מ.

קייטרינג: 250 ₪ לאדם × 100 אורחים (לפני מע"מ).

תוספת של 7 % דמי שירות מהסכום הכולל.

מהו הסכום הסופי שהלקוח יצטרך לשלם?

בוא נחשוב שלב אחר שלב

חישוב עלות הקייטרינג: 250 ₪ × 100 = 25,000 ₪

הוספת מע"מ לקייטרינג: 25,000 ₪ × 1.17 = 29,250 ₪

עלות האולם: 12,000 ₪ (כבר כולל מע"מ)

סך הכל לפני דמי שירות: 12,000 ₪ + 29,250 ₪ = 41,250 ₪

חישוב דמי שירות: 41,250 ₪ × 0.07 = 2,887.5 ₪

סכום סופי לתשלום: 41,250 ₪ + 2,887.5 ₪ = 44,137.5 ₪

הסבר: בבעיה כזו, שרשרת מחשבה היא קריטית – בלי לפרק כל שלב בנפרד, קל מאוד להתבלבל בין חישובים לפני ואחרי מע”מ, לשכוח את דמי השירות, או להכניס אותם בסדר הלא נכון.

למה זה עובד?

כשמבקשים מהמודל “לחשוב שלב אחר שלב”, מתרחשת עצירה מכוונת שמונעת ממנו לקפוץ מיד למסקנה סופית. במקום תשובה חפוזה, המודל מפרק את הבעיה ומציג את כל השלבים בדרך לפתרון. הפירוק הזה מפחית טעויות לוגיות וחישוביות, מאפשר להבין ולבקר את תהליך קבלת ההחלטות, ומייצר גמישות – כך שאם משתנה נתון אחד, קל לעדכן רק את החלק הרלוונטי בלי להתחיל הכל מחדש. מעבר לכך, עצם הצגת שלבי החשיבה עוזרת למשתמש ללמוד, להבין את מבנה הפתרון ולהפוך מתהליך פסיבי של קבלת תשובה לפעולה אקטיבית של שליטה וביקורת. בסופו של דבר, שרשרת מחשבה הופכת את המודל מ”מכונה שמחזירה תוצאה” ל”יועץ שחושב בקול רם” – מה שמאפשר לכם לא רק לקבל תשובות מדויקות יותר, אלא גם לפתח שליטה וביטחון אמיתי בתהליך עצמו.

שרשור פרומפטים (Prompt Chaining)

כשמתמודדים עם משימות מורכבות במיוחד כמו מחקר, כתיבת דו”ח או פיתוח תהליך מורכב, לפעמים פרומפט אחד פשוט לא מספיק. במקום לנסות לדרוש הכל בבת אחת, עדיף לפרק את העבודה לצעדים קטנים וברורים, שכל אחד מהם מתמקד בחלק אחד של התהליך. הטכניקה הזו נקראת Prompt Chaining – שרשור פרומפטים. בפועל, כל פרומפט מפיק תוצאה שמזינה את הפרומפט הבא אחריו, וכך בונים תהליך הדרגתי, מסודר ומדויק.

תרחיש – מחקר כתיבה מדורג:

נניח שאתם רוצים לכתוב מאמר נגיש על ההיסטוריה של האינטרנט. במקום לבקש מהמודל “כתוב לי מאמר על ההיסטוריה של האינטרנט” ולהסתכן בתשובה מעורפלת או שטחית, תבנו תהליך בשלבים:

פרומפט 1 – שלב איסוף מידע:

"מצא ורשום 5 עובדות מפתח על ההתפתחות המוקדמת של האינטרנט"

פלט: רשימה של עובדות בסיסיות ומדויקות.

פרומפט 2 – שלב עיבוד המידע:

"באמצעות העובדות המסופקות להלן, כתוב פסקה קצרה (כ-80 מילים) 
 המסכמת את שלבי ההתפתחות המוקדמים של האינטרנט"

[כאן מדביקים את העובדות מפלט פרומפט 1]

פלט: פסקת סיכום קוהרנטית וממוקדת.

פרומפט 3 – שלב הרחבה ושדרוג:

"הרחב את הפסקה שלהלן למאמר באורך 500 מילים, 
 המתאים לקהל הרחב וכולל דוגמאות מפורסמות (למשל ARPANET או Tim Berners-Lee)"

[כאן מדביקים את הפסקה מפלט פרומפט 2]

פלט: מאמר מלא, זורם ומעניין לקריאה.

למה זה עובד?

במקום להעמיס על המודל דרישה לבצע “הכול מהכול” בפרומפט אחד, טכניקת שרשור פרומפטים מחלקת את המשימה לצעדים קטנים ומדויקים שקל לבצע נכון. כל שלב בתהליך מאפשר לעצור, לבדוק, לשפר ולהתאים לפני שממשיכים הלאה, מה שמבטיח איכות גבוהה יותר לאורך כל הדרך.

בנוסף, מבנה מדורג כזה יוצר תהליך ברור, קריא ומסודר, שבו כל פלט הופך לאבן בניין לקראת התוצר המוגמר. השליטה נותרת בידיים שלכם – בכל שלב אפשר לעדכן כיוון או לחדד דרישות בלי לפרק את כל המגדל מהיסוד. כך, Prompt Chaining מאפשר להתמודד עם משימות מורכבות בצורה חכמה, מסודרת ובשליטה מלאה – כמו בניית מגדל קומה אחר קומה, במקום לנסות להקים את כולו בפעם אחת.

ביקורת עצמית (Self-Critique)

בדרך כלל, כשאנחנו מבקשים מהמודל להפיק תוצאה, הוא פשוט נותן את התשובה הכי סבירה שנראית לו מתאימה. הרי מודל שפה לא באמת “חושב” – הוא פשוט מנבא את המילה הבאה שנראית לו הכי סבירה לפי מה שלמד. אבל בעזרת טכניקה שנקראת Self-Critique (ביקורת עצמית), אנחנו מבקשים מהמודל לעצור, להסתכל על הפלט שהוא עצמו יצר, ולבצע עליו ביקורת ממוקדת לפי קריטריונים שנגדיר מראש. המטרה היא לגרום למודל “לחשוב פעמיים” על התוצאה, להאיר חולשות אפשריות, ולהציע בעצמו דרכים לשפר. טכניקה זו מגבירה משמעותית את רמת הדיוק, הרלוונטיות והאיכות של התוצרים – במיוחד במשימות מורכבות או יצירתיות.

תרחיש – פיתוח רעיון לקמפיין שיווקי:

"פתח רעיון לקמפיין שיווקי לקו מוצרי טיפוח טבעיים חדש.

 לאחר שתציג את הרעיון, תבצע עליו ביקורת עצמית ממספר היבטים:
 מקוריות, ישימות בתקציב ממוצע, התאמה לערכי המותג (טבעיות, קיימות, אותנטיות) 
 ופוטנציאל להשפעה רחבה. לאחר מכן, הצע 2–3 שיפורים לרעיון המקורי שיענו על הביקורת"

מה יקרה בפועל:

• המודל יפיק רעיון קמפיין ראשון.

• מיד אחר כך, הוא ינתח את הרעיון לפי הקריטריונים שהוגדרו.

• לבסוף, יציע שיפורים או התאמות כדי לשפר את הרעיון לפי הניתוח העצמי.

דוגמה קצרה – כתיבת מייל פנייה ללקוח חדש

כתוב מייל קצר לפנייה ללקוח פוטנציאלי ולהזמין אותו לשיחת היכרות.


הצעה ראשונית של המודל:


שלום רב,

אשמח להציג בפניך את שירותי החברה שלנו בשיחה קצרה.

אנא השב למייל זה ונקבע מועד.

בברכה,

צוות XYZ


ביקורת עצמית של המודל:

- בהירות: טובה – המסר ברור.

- חיבור רגשי: חלש – אין פנייה אישית או סיבה שמדברת אל הלקוח.

- קריאה לפעולה: קיימת, אך כללית מדי.


שיפורים מוצעים:
- להוסיף משפט קצר שמציג את הערך המיוחד שהחברה מציעה.

- להפוך את הקריאה לפעולה ליותר ישירה ומזמינה ("נשמח לתאם איתך שיחה השבוע, מתי נוח לך?").

למה זה עובד?

ביקורת עצמית מאלצת את המודל לעצור ולהפעיל רפלקציה במקום לעבור אוטומטית לשלב הבא. התהליך הזה עוזר לזהות בעיות או חולשות שהיו עלולות להישמט בדרך, ולתקן אותן כבר בשלב מוקדם – בלי שהמשתמש יצטרך לנחש מה לשאול או לבקש. מעבר לכך, דרישת ביקורת לפי קריטריונים ברורים מחדדת את התוצאה, מעלה את רמת המקצועיות, ומייצרת פתרונות מחודדים ומדויקים הרבה יותר מהגישה הסטנדרטית של “תשובה וזהו”.

טיפ: ככל שתפרטו יותר את קריטריוני הביקורת, כך תגרמו למודל לבחון את עצמו לעומק רב יותר.

שיח רב-דמויות (Multi-Persona Debates)

בדרך כלל, כשאנחנו שואלים שאלה את המודל, אנחנו מקבלים תשובה אחת – מזווית אחת. אבל לפעמים, במיוחד בנושאים מורכבים שאין עליהם תשובה אחת ברורה, הרבה יותר חכם לבדוק את הנושא דרך כמה נקודות מבט שונות. טכניקת שיח רב-דמויות (Multi-Persona Debates) מאפשרת לנו לעשות בדיוק את זה: לבקש מהמודל לייצג כמה דמויות מקצועיות שונות, שכל אחת מהן תציג את העמדה שלה, תענה לטיעון אחר, ולבסוף גם תסכם את נקודות ההסכמה והמחלוקת. השיטה הזו עוזרת לנתח לעומק נושאים מורכבים, לחשוף תובנות שלא בהכרח היינו חושבים עליהן לבד, ולהפיק תוצר עשיר ומאוזן הרבה יותר.

תרחיש – דיון אסטרטגי בנושא שיווק:

"נהל דיון בנושא 'האם כדאי להשקיע בפרסום ברשתות חברתיות או בשיווק תוכן' בין:


- מנהל/ת שיווק ותיק/ה בחברה מסורתית

- יועץ/ת דיגיטל צעיר/ה עם התמחות ברשתות חברתיות

- אנליסט/ית ROI עם גישה מבוססת נתונים

- מנכ"ל/ית של סטארט-אפ עם תקציב מוגבל.


כל דמות תציג את הטיעון המרכזי שלה (פסקה אחת), ואז תגיב לטיעון אחד של דמות אחרת.
לסיום, סכם את נקודות ההסכמה והמחלוקת בין הדמויות".

מה יקרה בפועל:

• כל דמות תנסח טיעון מנקודת המבט שלה (למשל: המנהל הוותיק יטה להעדיף שיווק תוכן, היועץ הדיגיטלי יילחם על רשתות חברתיות).

• לאחר מכן, כל דמות תנתח או תבקר טיעון של דמות אחרת (למשל: האנליסט יאיר עלויות מול תועלת).

• לבסוף, המודל יסכם את נקודות החוזקה והחולשה שהועלו בדיון.

למה זה עובד?

כאשר מבקשים מהמודל לייצג כמה דמויות מקצועיות שונות, הוא נאלץ “להחליף כובעים” ולנתח את הנושא ממספר פרספקטיבות אמיתיות. זה מאפשר להעמיק בחשיבה, להאיר ניואנסים שאחרת היו מתפספסים, וליצור תוצאה עשירה ומאוזנת יותר – ממש כמו ישיבת צוות אמיתית שבה לכל אחד יש דעה שונה. במקום לקבל תשובה חד-ממדית, אתם מרוויחים ניתוח מורכב, מגוון ומבוסס יותר – כזה שמעניק תובנות אמיתיות ועוזר לקבל החלטות מושכלות.

הנה כמה נושאים מצוינים לשיח רב-דמויות:

• בחירת אסטרטגיית חדירה לשוק חדש – מנכ”ל, סמנכ”ל שיווק, אנליסט שוק, מנהל מוצר.

• האם לפתח מוצר חדש בתוך הבית או להוציא למיקור חוץ – CTO, CFO, מנהל מוצר, יועץ פיתוח.

• הגדרת אסטרטגיית עבודה היברידית בארגון – מנהל משאבי אנוש, מנהל תפעול, עובד זוטר, מנהל כספים.

• החלטה בין השקעה בחדשנות טכנולוגית לעומת שימור לקוחות קיימים – יועץ אסטרטגי, מנהל מכירות, אנליסט פיננסי.

והנה תבנית מוכנה, מדויקת ומנוסחת בצורה טבעית כך שתוכלו להעתיק ולהדביק ישירות לתוך מודל (כמו ChatGPT, Claude וחבריהם):

נהל שיח רב-דמויות בנושא: "האם כדאי להרחיב את פעילות החברה
לשווקים בינלאומיים במהלך השנה הקרובה?"

הדמויות המשתתפות בדיון:
- סמנכ"ל כספים בחברה גדולה - סגנון דיבור: חד, תמציתי, ממוקד בעלויות ובסיכונים.
- מנהלת שיווק עם ניסיון בטרנדים עולמיים - סגנון דיבור: יצירתי, מבוסס דוגמאות מהשטח.
- יועץ אסטרטגי עצמאי - סגנון דיבור: קליל, דינמי, נגיש, מדבר בגובה העיניים.
- מנכ"ל החברה - סגנון דיבור: רחב, מתחשב בתמונה הגדולה ובחזון הארגוני.

הנחיות לביצוע:
- כתוב פסקה אחת לכל דמות, שבה היא מציגה את עמדתה המרכזית בנושא.
- לאחר מכן, כל דמות תגיב בקצרה לעמדה של דמות אחרת, תוך שמירה על סגנון הדיבור הייחודי לה.
- בסיום, ערוך סיכום של נקודות ההסכמה והמחלוקת שעלו בדיון.
- אם ניתן, הצע מסקנה או דרך פעולה אפשרית המאזנת בין הגישות השונות.

שמור על שפה טבעית, זורמת ומובנת, כאילו מדובר בדיון אמיתי בין אנשים עם סגנונות מחשבה שונים.

התבנית מוכנה לשימוש מיידי ומנוסחת בצורה שתגרום למודל להבין גם תפקיד, גם סגנון דיבור, גם אינטראקציה אמיתית.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

עץ מחשבות (Tree of Thought)

אחת הבעיות בעבודה עם מודלים היא שלפעמים הם “נתקעים” על קו חשיבה אחד בלבד – גם אם הוא לא בהכרח הכי נכון או הכי חכם. שיטת עץ המחשבות (Tree of Thought) מרחיבה את רעיון שרשרת המחשבה (Chain of Thought), בכך שהיא מבקשת מהמודל לא לעקוב אחרי מסלול חשיבה יחיד – אלא לחקור במקביל כמה דרכים שונות לפתרון בעיה. במקום לצעוד רק בשביל אחד, המודל בונה “עץ” של אפשרויות: כמה קווים לוגיים מקבילים, שכל אחד מהם מוביל למסקנות שונות. בהמשך, המודל משקלל את כל המסלולים ומציע המלצה מושכלת שמבוססת על בחינה רחבה יותר.

תרחיש – החלטה אסטרטגית עסקית:

"פתור את הבעיה הבאה על ידי חקירת 3 דרכי פתרון שונות:

חברה מתלבטת אם להרחיב לשוק חדש. העלות הראשונית היא 1.5 מיליון ₪, 
וההערכה היא שיש 40% סיכוי להצלחה שתניב 5 מיליון ₪ תוך שנתיים, 
35% סיכוי להחזר ההשקעה בלבד, ו-25% סיכוי להפסד של 70% מההשקעה."

דרך 1 – חישוב תוחלת רווח פשוטה:

המודל יחשב את התוחלת המתמטית:

(40% × 5 מיליון) + (35% × 1.5 מיליון) + (25% × הפסד של 1.05 מיליון)

וישקל אם התוצאה החיובית מצדיקה את הסיכון.

דרך 2 – ניתוח סיכונים מבוסס מצב קיים:

המודל יבחן את הסיכון בהקשר למצב הנוכחי של החברה – האם יש לה רזרבות? האם היא יכולה לספוג הפסד?

דרך 3 – בחינת אופציות להקטנת סיכון:

המודל יציע חלופות כמו כניסה הדרגתית, גיוס שותפים, או ביצוע פיילוט מוגבל לפני השקעה מלאה.

לבסוף:

המודל ישקלל את שלוש דרכי החשיבה ויציע המלצה מנומקת, שתביא בחשבון את כל הגורמים שנבדקו.

למה זה עובד?

כאשר בונים עץ מחשבות, לא מסתפקים במסלול חשיבה יחיד אלא פותחים בחינה מעמיקה של כמה דרכי פתרון שונות במקביל. שיטה זו מאפשרת למודל לזהות פתרונות יצירתיים שלא היו עולים אם היה עוקב רק אחרי קו אחד, להשוות בצורה מושכלת בין יתרונות וחסרונות של גישות שונות, ולבסוף לגבש המלצה חכמה שמבוססת על בחינת תרחישים מגוונים ולא על תחושת בטן אחת. במקום להסתפק בתשובה שטחית ומהירה, עץ מחשבות מוביל לתוצאות מורכבות, שקולות ורלוונטיות הרבה יותר – במיוחד במצבים שבהם החלטות חפוזות עלולות לעלות ביוקר.

הנה תבנית מקצועית ומדויקת שתוכלו להעתיק ולהשתמש בה ישירות לכל משימה שתרצו לפתח בעזרת Tree of Thought:

פתור את הבעיה הבאה באמצעות חקירת לפחות 3 דרכי פתרון שונות:

"[הכניסו כאן את תיאור הבעיה או האתגר]"

לכל דרך:
- תאר בקצרה את הגישה המוצעת.
- פרט את היתרונות והחסרונות של הגישה.
- הסבר מה התנאים שבהם הדרך הזו תהיה הבחירה המומלצת.

בסיום:
- השווה בין דרכי החשיבה השונות.
- שקול את כל הנתונים והצג המלצה סופית מנומקת 
המבוססת על שקלול היתרונות, הסיכונים והנסיבות.
שמור על סגנון ברור, מוסבר היטב, ומובנה לפי שלבים.

איך זה ייראה בפועל:

פתור את השאלה: "האם כדאי להשיק מוצר חדש בתחום הבריאות הדיגיטלית?"

- דרך 1: פיתוח עצמי מלא

- דרך 2: רכישת סטארט-אפ קיים

- דרך 3: שיתוף פעולה אסטרטגי

ואז תבצע ניתוח, השוואה והמלצה סופית.

זה בנוי לחשיבה מרובת מסלולים, עוזר להעמיק את איכות הפתרונות וזורם טבעי במודלים מתקדמים (ChatGPT, Claude, וכו’).

והנה תבנית שמתאימה יותר לבעיות יומיומיות:

בחן את השאלה הבאה באמצעות 3 דרכי חשיבה שונות:

"[הכניסו כאן את השאלה או ההתלבטות היומיומית]"

לכל דרך:
- תאר את אפשרות הפעולה בקצרה.
- פרט יתרונות וחסרונות אפשריים של הבחירה הזו.
- הסבר באילו תנאים הדרך הזו מתאימה במיוחד.

בסיום:
- ערוך השוואה קצרה בין האפשרויות.
- הצע המלצה סופית מנומקת, לפי ניתוח היתרונות והחסרונות.

שמור על סגנון פשוט, נגיש, ומדבר בגובה העיניים.

דוגמה יומיומית שמתאימה לתבנית:

שאלה: "האם כדאי לצאת לחופשה עכשיו בקיץ או לדחות לחורף?"



דרך 1: לצאת לחופשה בקיץ (יתרונות: מזג אוויר חם, חופים פתוחים /

          חסרונות: מחירים גבוהים, עומס תיירים)


דרך 2: לדחות לחורף (יתרונות: מחירים זולים, מקומות פנויים יותר /
          חסרונות: מזג אוויר לא צפוי)


דרך 3: למצוא יעד אחר שבו החורף הוא עונת שיא נעימה.



ואז ניתוח השוואתי והמלצה מה הכי משתלם לפי העדפות אישיות.

התנסו בעצמכם: בחרו בעיה, שאלה מקצועית או סוגיה אישית, ויישמו עליה את השיטה. כך תראו איך אפשר לשדרג משמעותית את איכות הפלט שהמודל מחזיר לכם.

שאילתא מועשרת במקורות (Retrieval-Augmented Generation – RAG)

ברוב הזמן, כשאנחנו שואלים שאלה את המודל, הוא עונה מתוך הידע הפנימי שנלמד לו – מה שאומר שלפעמים הוא ימציא פרטים (“הזיות”) או יסתמך על ידע שאינו מעודכן. טכניקת RAG – Retrieval-Augmented Generation פותרת את הבעיה הזו: במקום להסתמך רק על מה שהמודל “זוכר”, מספקים לו מקורות מידע חיצוניים בזמן השאילתה – והוא מתבקש להסתמך רק עליהם בתשובתו. ברמת הארגון, טכניקת RAG מתבצעת על ידי חיבור של מערכות ה-AI לידע הארגוני: מאגרי מידע, מסמכים פנימיים, שרתים בענן או ב-On-Premises. אבל גם ברמת המשתמש הפרטי, אפשר ליישם את העיקרון הזה בפרומפטים רגילים: פשוט לספק למודל קטעי מידע ולדרוש ממנו להסתמך אך ורק עליהם.

תרחיש – חיבור בין מקורות מדעיים:

"לפניך מידע ממקורות מוסמכים על השפעת אימון כוח על בריאות המוח:

מקור 1: Liu-Ambrose, T., et al. (2023) - 
מצא שיפור של 14% בזיכרון עבודה אחרי אימון כוח פעמיים בשבוע במשך 6 חודשים.

מקור 2: הנחיות ארגון הבריאות העולמי (2024) - 
ממליצות על לפחות שני אימוני כוח שבועיים למניעת דמנציה.

מקור 3: Gonzalez, M., et al. (2022) - 
סקירה שיטתית שמצאה שיפור בקוגניציה (7–18%) אך לא מנעה אלצהיימר.

בהתבסס אך ורק על המידע לעיל, כתוב סיכום קצר (עד 150 מילים) 
על הקשר בין אימון כוח לבריאות המוח.

ציין במדויק את המקור לכל טענה שתציין"

מה יקרה בפועל:

• המודל יקרא את קטעי המידע.

• יכתוב סיכום שמבוסס רק על מה שנאמר, בלי להמציא עובדות חדשות.

• יאזכר במדויק את המקורות בתשובתו.

למה זה עובד?

כאשר מספקים למודל מידע חיצוני ברור ומנחים אותו להסתמך אך ורק עליו, מצמצמים משמעותית את הנטייה ל”הזיות” (Hallucinations) ולתשובות שגויות. במקום שהמודל ינחש או ישלים פרטים מהזיכרון הפנימי שלו, הוא פועל כעורך תוכן אחראי: קורא, מסכם, מצטט. התוצאה היא תשובות מדויקות יותר, אמינות יותר, ומתועדות היטב – מה שמגביר את האמון ביכולות של המודל גם במשימות קריטיות.

טיפ חשוב: כאשר אתם מעלים מידע אישי או מידע ארגוני, זכרו שחלק מהחברות עשויות להשתמש בנתונים שמוזנים למודל לצורכי שיפור ואימון עתידי. לכן, אל תשתפו מידע רגיש או סודי, אלא אם אתם בטוחים שהמערכת מגנה על פרטיותכם בהתאם למדיניות ברורה וכמובן בהתאם למדיניות הארגון שאתם עובדים בו.

 ReAct או אינטגרציה עם כלים חיצוניים

חשוב להזכיר, שחלק מהמודלים המתקדמים של בינה מלאכותית לא מסתפקים ביצירת תשובות “מהראש” – הם יודעים גם להשתמש בכלים חיצוניים כחלק מתהליך המענה. למשל: לבצע חיפוש באינטרנט, להריץ קוד, להשתמש במחשבון, או לפנות למאגרי מידע חיצוניים כדי להביא מידע מעודכן ומדויק. טכניקה זו, שנקראת לעיתים ReAct (קיצור של Reasoning + Acting), מאפשרת לפרומפטים לא רק להנחות את המודל מה לומר, אלא גם אילו פעולות לבצע כדי להגיע לתוצאה איכותית יותר. לדוגמה: במקום לבקש מהמודל “תגיד לי מה מזג האוויר היום”, אפשר להנחות אותו לבצע חיפוש ולענות לפי התוצאה המעודכנת. במילים פשוטות: אתם מדריכים את המודל לחשוב, ואז לפעול.

היום כבר יש גישה למודלים מתקדמים כמו o3 של ChatGPT ו-Claude 3.7 Sonnet, עם יכולות חשיבה פנימית וביקורת עצמית משולבות כברירת מחדל. מודלים אלו מסוגלים “לעצור ולחשוב” באופן מובנה, לפרק בעיות מורכבות לשלבים, ולחשוף את תהליך החשיבה שלהם למשתמשים. במקרים רבים, אין צורך להנחות אותם במפורש להשתמש בטכניקות כמו Chain of Thought או ReAct, שכן הם כבר מתוכנתים לבצע תהליכים אלו כחלק מהפעולה השוטפת שלהם. תכונות אלו משפרות את הדיוק, מפחיתות טעויות, ומאפשרות למשתמשים להבין ולבקר את תהליך קבלת ההחלטות של המודל בצורה שקופה וברורה.​

טכניקות מתקדמות בהנדסת פרומפטים

אתגרים, אחריות וביקורת אנושית

עבודה עם מודלי שפה גדולים (LLMs) היא כלי עוצמתי שמציע אינסוף אפשרויות, אבל דורשת גם אחריות ומודעות. יש להבין שהתוצאות שמתקבלות מהמודל אינן קבועות: גם אם תשתמשו באותו פרומפט בדיוק, ייתכנו הבדלים קטנים מתשובה לתשובה. זה טבעי, ומזמין גישה של ניסוי, התאמה ושיפור. מעבר לכך, מאחר שהמודלים לומדים ממקורות טקסט אנושיים, הם עלולים לשקף עמדות מוטות, הנחות שגויות או חוסר איזון. לכן, כל תוצר שמתקבל דורש קריאה ביקורתית – להבין מה עומד מאחוריו ולא לקבל אותו כמובן מאליו.

בנוסף, חשוב לזכור שמודלים עלולים “להזות” – לייצר מידע שגוי אך מנוסח בביטחון. בפרט כשמדובר בנתונים, עובדות או מידע מקצועי, יש לבצע תמיד אימות עצמאי. ביישומים פתוחים או ציבוריים, קיים גם סיכון של “הזרקת פרומפט” (Prompt Injection) – ניסיון מצד גורמים עוינים לגרום למודל להתנהג בניגוד להוראות או לחשוף מידע רגיש. מודעות לנושא זה חשובה במיוחד למפתחים ואנשי מוצר. מעבר לכל אלה, עומדת אחריות אתית בסיסית: התוצרים שהבינה המלאכותית מספקת הם בידינו. חשוב להשתמש בהם באחריות, להימנע מהפצת מידע מזיק, ולפעול לפי עקרונות של אמת, הוגנות ואנושיות.

הערת סיום – אל תדלגו על הבדיקה האנושית!

גם עם פרומפט מדויק ותוצאה שנראית מרשימה, המודל יכול להחסיר מידע, לטעות בפרטים, או לפרש כוונות בצורה לא מדויקת. התייחסו לכל תוצר שמתקבל כטיוטה חכמה שדורשת בדיקה: עברו עליו בעין ביקורתית, ודאו שהמסר ברור ועקבי, התאימו את הטון והסגנון לקהל היעד, ואמתו עובדות חשובות לפני שימוש.

קחו אחריות ותהיו בשליטה!

זכרו: הבינה המלאכותית היא שותף עוצמתי – אבל השיפוט, האחריות וההחלטה הסופית תמיד בידיים שלכם. השילוב בין הנדסת פרומפטים חכמה לבין בקרה אנושית חכמה הוא המפתח לעבודה נכונה, אחראית ומוצלחת באמת.

עכשיו הכל בידיים שלכם

הנדסת פרומפטים היא מיומנות – וכמו כל מיומנות אמיתית, היא נבנית דרך תרגול, התבוננות ולמידה מתמשכת. עכשיו, כשאתם מצוידים בכלים, בעקרונות ובטכניקות המתקדמות ביותר, אין גבול למה שתוכלו להשיג בעבודה נכונה עם מודלי שפה גדולים.

הטיפ הכי חשוב? פשוט להתחיל. התנסו בחופשיות, אל תפחדו לטעות, וגלו מה עובד הכי טוב עבורכם. התחילו מפרומפטים פשוטים וברורים – ובכל שלב הוסיפו עוד עומק ומורכבות. אם משהו לא עובד כמו שציפיתם, אל תתייאשו – התבוננו בתוצאה, למדו ממנה, כוונו מחדש ונסו שוב. שיפור מתמיד הוא חלק טבעי מהתהליך. זכרו גם להיות סבלניים. לפעמים צריך כמה איטרציות קטנות כדי שהמודל “יתפוס” בדיוק את הכיוון שאתם מחפשים. ואל תשכחו ללמוד מאחרים – יש היום אינספור משאבים, קהילות ודוגמאות ברשת שיכולים להעניק לכם השראה ורעיונות לפרומפטים יצירתיים ואפקטיביים. בסופו של דבר, הנדסת פרומפטים חכמה מחברת בין מה שאתם רוצים – לבין היכולת של הבינה המלאכותית לעזור לכם להשיג את זה.

השמיים הם לא הגבול – הם רק נקודת ההתחלה. בהצלחה במסע שלכם! 

הפוסט המדריך המקיף להנדסת פרומפטים – מהבסיס ועד לטכניקות מתקדמות [חלק ב׳] הופיע ראשון בLet's AI בינה מלאכותית