מהו MCP ולמה זה חשוב?

לפני שנדבר על האינטגרציות החדשות, חשוב להבין מהו MCP – Model Context Protocol. בקיצור, זהו פרוטוקול שפיתחה Anthropic (היוצרים של Claude) שמאפשר למודלי שפה להתחבר לכלים ומקורות מידע חיצוניים בצורה סטנדרטית. במקום שכל חברה תצטרך לפתח אינטגרציה ייחודית לכל כלי, MCP יוצר “שפה משותפת” שכולם מבינים.

למה זה מהפכני עבור Lovable? כי עד עכשיו, בניית אפליקציה ב-Lovable הייתה מוגבלת למידע שהעברתם ישירות לצ’אט. רציתם לבנות אפליקציה מבוססת על PRD שכתבתם ב-Notion? היה צריך להעתיק ולהדביק. רציתם להתחבר לאוטומציות של n8n? היה צריך לעשות זאת ידנית לאחר הבנייה.

עכשיו, עם האינטגרציות החדשות, ה-Agent של Lovable יכול:

• לקרוא ישירות את המסמכים שלכם מ-Notion, Confluence, ועוד
• למשוך טיקטים ודרישות מ-Linear ו-Jira
• להתחבר אוטומטית ל-400+ כלים דרך n8n
• לבנות אפליקציות עם ההקשר המלא של הפרויקט שלכם

האינטגרציות החדשות: מהרעיון ליישום בקליק

מהדוקומנטציה לפרוטוטייפ

בוא נתחיל עם החברים מ-Atlassian. אם אתם עובדים בצוות מוצר או פיתוח, יש סיכוי גבוה שאתם משתמשים ב-Confluence לדוקומנטציה וב-Jira לניהול משימות. עד עכשיו, המסלול הטיפוסי היה:

1. כתיבת PRD מפורט ב-Confluence
2. יצירת Epic ב-Jira
3. פירוק ל-Stories
4. העברה לצוות הפיתוח
5. המתנה לספרינט
6. קבלת משהו לסקירה
7. גילוי שלא זה מה שרציתם

עכשיו? Lovable קוראת את דף ה-Confluence שלכם ואת כל המסמכים המקושרים – PRDs, מסמכי טכניים, דיאגרמות ארכיטקטורה – ובונה פרוטוטייפ עובד שמתאים לסטנדרטים שהגדרתם. אתם יכולים לבדוק גישות שונות, לקבל פידבקים בימים (לא בשבועות), ולהרוג רעיונות רעים מהר לפני שהשקעתם משאבים. כשאתם מוכנים, אפשר להטמיע את הפרוטוטייפ החי חזרה לתוך Confluence לסגור את המעגל.

דוגמה מעשית: נניח שכתבתם ב-Confluence תיאור של מערכת אישורים פנימית חדשה. במקום להעביר את זה לצוות הפיתוח ולהמתין שבועות, תוכלו להגיד ל-Lovable “תבנה לי פרוטוטייפ מהדף הזה ב-Confluence” – ותוך שעות תהיה לכם אפליקציה עובדת שאפשר להציג למנהלים ולקבל אישור עקרוני לפני שהשקעתם זמן פיתוח אמיתי.

כפי שאמר Sanchan Saxena, סגן נשיא ל-Teamwork ב-Atlassian: “המשימה של Atlassian תמיד הייתה לעזור לצוותים לעבור מהר יותר מהרעיון להשפעה. עם Lovable, החזון הזה מתממש בדרכים חדשות. על ידי הבאת אפליקציות Atlassian כמו Jira ו-Confluence ישירות לסביבה היצירתית של Lovable, צוותים יכולים לעצב, לפתח פרוטוטייפים ולבנות בזרימה רצופה אחת, בלי לאבד הקשר או מומנטום.”

Notion: כל ההקשר שלכם ב-Lovable

Notion הפך לאחד הכלים הפופולריים ביותר לניהול ידע ופרויקטים, במיוחד בסטארטאפים ובצוותי מוצר. רבים מאיתנו מנהלים שם את כל ה-PRDs, מסמכי העיצוב, והתיעוד הטכני. הבעיה? כל הידע הזה היה נעול ב-Notion, ולא היה דרך קלה לחבר אותו לתהליך הבנייה.

עכשיו, כש-Lovable מתחברת ישירות ל-Notion, כל ה-workspace שלכם הופך ל”מוח משותף” לבניות שלכם. ה-Agent של Lovable יכול לקרוא את ה-PRDs, מפרטי העיצוב, והמסמכים הטכניים שלכם – ולבנות עם ההקשר המלא. לאחר הבנייה, אתם יכולים להטמיע את האפליקציה של Lovable ישירות לצד התוכניות שלכם ב-Notion.

תרחיש מעשי: נניח שאתם מנהלים פרויקט של כלי CRM פנימי ב-Notion. יש לכם דפים עם דרישות, מפרטי UI/UX, רשימת שדות, וכללים עסקיים. במקום לכתוב פרומפט ארוך ל-Lovable עם כל המידע הזה, פשוט תחברו את Lovable ל-Notion ותגידו “תבנה לי את ה-CRM לפי המסמך הזה” – והכל כבר שם.

Linear: ממשימה לפרוטוטייפ

Linear הוא כלי ניהול משימות מודרני שהפך פופולרי מאוד בקרב צוותי מוצר וסטארטאפים. עכשיו, צוותים שעובדים ב-Linear יכולים למשוך את ה-Issues שלהם ישירות ל-Lovable, וה-Agent יכול לבנות פרוטוטייפים עובדים מבוססים על המפרטים שכלולים.

היתרון הגדול כאן? מנהלי מוצר יכולים להראות לבעלי העניין מה בדיוק הם הולכים לבנות לפני שהם מושכים את צוות הפיתוח. הפרוטוטייפים העובדים אפשר לצרף חזרה ל-Linear, כך שהצוות יכול לקיים אינטראקציה עם דמו אמיתי במהלך תכנון הספרינט במקום להתווכח על מפרטים.

זה משנה את הדינמיקה של תכנון ספרינט: במקום להגיד “אנחנו חושבים שזה כדאי לעשות ככה”, מנהל המוצר יכול להראות “הנה בדיוק מה זה הולך להיראות ולעבוד” – ולקבל פידבק מדויק לפני שמתחילים לפתח.

N8n:  כלים בקליק אחד

אם ההתחברות ל-Notion, Jira ו-Linear מביאה את ההקשר לתוך Lovable, האינטגרציה עם n8n עושה את ההפך – היא מביאה את Lovable אל כל שאר הכלים שלכם. n8n היא פלטפורמת אוטומציית תהליכים שמחברת למעלה מ-400 כלים ושירותים שונים.

בפועל, זה אומר שעכשיו אפשר לבנות אפליקציות ב-Lovable שמחוברות מהיום הראשון ל:

• CRM שלכם (Salesforce, HubSpot, Pipedrive)
• כלי תקשורת (Slack, Teams, WhatsApp)
• גיליונות אלקטרוניים (Google Sheets, Airtable)
• כלי שיווק (Mailchimp, ActiveCampaign)
• מערכות תשלום (Stripe, PayPal)

ועוד מאות כלים נוספים

מה אפשר לבנות עם n8n + Lovable?

1. כלי לכידת לידים: תבנו טפסים שמעדכנים אוטומטית את ה-CRM, שולחים התראות לצוות המכירות, ומפעילים רצפי מיילים.

2. דשבורדים של מכירות: תמשכו נתונים מ-Salesforce, Stripe ו-Gong לתצוגה אחת מאוחדת.

3. דשבורדים שיווקיים: תחברו פלטפורמות פרסום, כלי אנליטיקה, ונתוני הכנסות במקום אחד.

4. כלי נתוני לקוחות: תצברו שימוש במוצר, פניות תמיכה, ומידע חיוב מכל המערכות שלכם.

5. כלי אוטומציה פנימיים: תבנו מערכות ששולחות התראות ל-Slack, מעדכנות גיליונות Google, ומסנכרנות לכלים אחרים.

6. דשבורדי תפעול: תמשכו נתוני מלאי ממקורות מרובים, תגדירו התראות בהתאם לסף שקבעתם.

הקסם האמיתי: תהליכי העבודה של n8n רצים ברקע באופן רציף, כך שהאפליקציות של Lovable שלכם נשארות מחוברות לנתונים חיים בלי שאתם צריכים לנהל שום תשתית Backend.

דוגמה מלאה: נניח שאתם רוצים לבנות כלי פנימי לניהול לידים. תבנו את ה-UI ב-Lovable, תחברו workflow של n8n שמושך לידים מ-HubSpot, מעדכן סטטוס ב-Google Sheets, ושולח התראות ל-Slack כשיש ליד חם. הכל עובד אוטומטית, והמידע תמיד עדכני.

Miro: בקרוב

Lovable כבר מכריזה על האינטגרציה הבאה – Miro. בקרוב, צוותים שמשתמשים ב-Miro ללוחות מחיקים דיגיטליים יוכלו להפוך את הלוחות שלהם לפרוטוטייפים עובדים. בין אם אתם מריצים סדנה, ממפים מסעות משתמשים, בונים Wireframes, או מעצבים את ארכיטקטורת המידע – תוכלו לחבר את הלוח של Miro ל-Lovable ולהחיות את הרעיונות הרבה יותר מהר.

Lovable תקרא את ההקשר מהלוח שלכם ותבנה פרוטוטייפ עובד שמביא את הרעיונות של הצוות לתוך אפליקציה. אחר כך תוכלו להטמיע את זה בחזרה ל-Miro כך שהצוות יוכל לחקור אותו בהקשר, להשאיר פידבק ממש ליד הרעיונות, ולעצב את הגרסה הבאה ביחד.

שדרוגים בעיצוב: מ-Wireframe לעיצוב מוגמר

בנוסף לאינטגרציות, Lovable משיקה השבוע סדרה של שיפורים בכלי העיצוב. המטרה: לאפשר לכם ליצור אפליקציות שנראות מקצועיות בלי לצאת מ-Lovable ובלי לחפש תמונות סטוק ברחבי האינטרנט.

Themes: עיצוב עקבי על פני פרויקטים

אחד האתגרים הגדולים בבניית אפליקציות מרובות היה שמירה על עקביות עיצובית. כל פרויקט התחיל מאפס, וקשה היה לשמור על צבעים, פונטים, ומרווחים עקביים.

עכשיו, עם מערכת ה-Themes החדשה, אפשר להגדיר סטנדרטים של המותג פעם אחת ולהחיל אותם על פני כל הפרויקטים. זה אומר:

פלטת צבעים קבועה (צבעי primary, secondary, accent)

בחירת פונטים

רווחים ומרווחים סטנדרטיים

סגנונות כפתורים ורכיבים

למה זה חשוב? במיוחד לצוותי שיווק ופיתוח מוצר שבונים מספר כלים פנימיים או קמפיינים – כל מה שתבנו יראה אחיד ומקצועי אוטומטית, בלי לחשוב על זה פעמיים.

שיפורים בעריכה ויזואלית

Lovable הרחיבה משמעותית את מה שאפשר לעשות דרך העריכה הויזואלית. עד עכשיו, יכולתם לשנות טקסט וצבעים, אבל עכשיו אפשר:

בחירה מרובה: לבחור מספר רכיבים יחד ולערוך אותם במקביל

שליטה מלאה במרווחים: לשנות Margins ו-Padding בכל כיוון

עריכת פונטים וצבעים: ישירות מהסיידבר

עריכת טקסטים נוספים: לא רק אלמנטים סטטיים, אלא עוד סוגי טקסט בעמוד

התאמת עיצוב: גבולות (Borders), צללים (Shadows), ואייקונים

כלי פריסה משופרים: שליטה בפוזיציה ויישור

המשמעות? אפשר לעבוד על העיצוב בצורה הרבה יותר ויזואלית, בלי להיכנס לקוד ובלי לכתוב פרומפטים מפורטים על כל שינוי קטן.

יצירת תמונות עם AI

אחד התהליכים המעצבנים בבניית אפליקציות תמיד היה למצוא תמונות מתאימות. תחפשו תמונות סטוק, תמצאו משהו גנרי, או תעלו לצלם משהו בעצמכם. עכשיו, Lovable מוסיפה יכולת ליצור תמונות עם AI ישירות בתוך הפלטפורמה. פשוט תתארו את התמונה שאתם רוצים, ו-Lovable תיצור אותה עבורכם. רוצים תמונה של אדם עם לפטופ בסגנון מינימליסטי? רוצים אילוסטרציה של תהליך עבודה? רוצים רקע מעוצב? פשוט תבקשו.

יתרון נוסף: התמונות נוצרות בהתאם להקשר של האפליקציה שלכם, כך שהן תואמות באופן טבעי לעיצוב ולתוכן.

תרחישי שימוש מעשיים: מי יכול ליהנות מהעדכון?

בואו נראה איך שלושה סוגים שונים של צוותים יכולים לנצל את היכולות החדשות:

צוותי מוצר: מטיקט לפרוטוטייפ בשעות

לפני: מנהל מוצר כותב PRD, יוצר טיקטים ב-Jira, מארגן פגישת תכנון ספרינט, מסביר את הדרישות לצוות הפיתוח, מחכה שבועיים לראות משהו ראשוני, ואז מגלה שהם לא הבינו בדיוק מה רצה.

עכשיו: מנהל המוצר מחבר את Lovable ל-Linear או Jira, בוחר את ה-Epic הרלוונטי, ואומר “תבנה לי פרוטוטייפ”. תוך שעות יש לו אפליקציה עובדת שאפשר להציג לבעלי עניין ולקבל sign-off. רק אז מושכים את צוות הפיתוח, שמקבל דרישות מאומתות ופרוטוטייפ ברור.

התוצאה: פחות שגיאות תקשורת, פחות עבודה מבוזבזת, יותר דיוקים בהערכות זמן.

צוותי שיווק: קמפיינים באותו יום

לפני: מרכז שיווק מקבל בריף לקמפיין חדש, צריך לתאם עם צוות העיצוב על Landing Page, מחכה לתמונות מהצלם או מחפש תמונות סטוק, מתאם עם צוות הפיתוח להטמיע אינטגרציות עם המערכות, ומחכה… והקמפיין כבר אמור להיות באוויר.

עכשיו: מרכז השיווק מושך את הבריף מ-Notion, אומר ל-Lovable לבנות Landing Page, יוצר תמונות מותאמות אישית עם ה-AI, מחיל את ה-Theme של המותג, ומחבר את הטופס לאוטומציה של n8n שמעדכנת את ה-CRM ושולחת התראות. הכל בתוך יום אחד.

התוצאה: זמן השקה מהיר יותר, פחות תלות בצוותים אחרים, יכולת לבדוק גרסאות מרובות במהירות.

צוותים פנימיים: כלים מותאמים אישית

לפני: מישהו בארגון צריך כלי ספציפי – tracker תקציב, מערכת אישורים, פורטל ניהול ספקים, טופס איסוף נתונים. צריך לשכנע את צוות הפיתוח שזה priority, להמתין בתור של פרויקטים, או לנסות להסתדר עם Google Sheets מסורבל.

עכשיו: הצוות הפנימי פשוט בונה את הכלי ב-Lovable, מחבר אותו לנתונים הרלוונטיים דרך n8n, מחיל את ה-Theme של החברה, ויש להם כלי מותאם אישית לצרכים המדויקים שלהם. אפשר לעדכן ולשפר אותו לפי הצורך.

התוצאה: עצמאות, פתרונות מהירים, כלים שבנויים בדיוק לתהליכי העבודה של הארגון.

דברים שחשוב לדעת

למרות כל הפיצ’רים החדשים המרשימים, יש כמה דברים שכדאי לקחת בחשבון:

אינטגרציות MCP הן חדשות: האינטגרציות עם Notion, Jira, Linear וכו’ הן חדשות, ויכול להיות שיהיו edge cases או מצבים שלא עובדים בצורה חלקה לגמרי. חשוב לבדוק ולדווח על באגים כשנתקלים בהם.

n8n דורשת הבנה: האינטגרציה עם n8n היא חזקה מאוד, אבל היא דורשת הבנה של איך n8n עובדת. זה לא “קסם” – צריך לבנות את ה-workflows ב-n8n בעצמכם. הצד החיובי? יש לכם שליטה מלאה. הצד השלילי? יש עקומת למידה.

Themes לא מיידי לכולם: השדרוג לכלי העיצוב מתגלגל באופן הדרגתי החל מהשבוע, ואמור להיות זמין לכל המשתמשים עד סוף השבוע. אם אתם לא רואים את זה עדיין, סבלנות.

יצירת תמונות AI – איכות משתנה: כמו כל יצירת תמונות עם AI, התוצאות יכולות להשתנות. לפעמים תקבלו בדיוק מה שרציתם בניסיון הראשון, ולפעמים תצטרכו לנסח מחדש את הבקשה מספר פעמים. זה עדיין הרבה יותר מהיר מלחפש תמונות סטוק או להזמין צלם.

המחיר: Lovable עובדת במודל של קרדיטים. האינטגרציות החדשות והשימוש בכלים צורכים קרדיטים. למי שמשתמש הרבה, זה יכול להסתכם בהרבה קרדיטים. הצד החיובי? יש מבצע השבוע (פי 5 קרדיטים להפניות), וגם בלי זה – הזמן שחוסכים משתלם.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

לסיכום: Lovable הופכת למערכת אקולוגית שלמה

העדכון הזה של Lovable הוא הרבה יותר מסתם הוספת כמה פיצ’רים. זה מהלך מאוד מחושב להפוך את Lovable ממכשיר לבניית אפליקציות למערכת אקולוגית שלמה של כלי עבודה.

חשבו על זה ככה: לפני העדכון, Lovable הייתה נהדרת לבנות אפליקציות מאפס עם פרומפטים. עכשיו, היא הופכת לשכבת ה-UI של כל הכלים שאתם כבר משתמשים בהם. הדוקומנטציה שלכם ב-Notion? הפכה לאפליקציות. הטיקטים שלכם ב-Linear? הפכו לפרוטוטייפים. האוטומציות שלכם ב-n8n? הפכו לממשק משתמש.

זה משנה את השאלה מ”איך נבנה אפליקציה?” ל”איך נחבר את מה שכבר יש לנו?”. וזה הבדל משמעותי.

מה הלאה? עם האינטגרציה של Miro בדרך, ועם המגמה הברורה של Lovable להתחבר ליותר ויותר כלים, אפשר לצפות שזה רק ההתחלה. השאלה היא לא אם יהיו אינטגרציות נוספות, אלא אילו יהיו הבאות. אם אתם כבר משתמשים ב-Lovable, זה הזמן לבדוק את האינטגרציות החדשות. אם עוד לא, ועם המבצע של פי 5 קרדיטים להפניות השבוע – זה timing טוב להתחיל לשחק עם זה.

בסופו של דבר, הכיוון ברור: אנחנו עוברים לעולם שבו בניית אפליקציות היא לא יותר פרויקט של חודשים עם צוות פיתוח, אלא משהו שכל מנהל מוצר, מרכז שיווק, או מנהל תפעול יכול לעשות בתוך שעות. Lovable, עם העדכון החדש, הופכת את זה למציאות.

כדי להתחיל להשתמש ב-Lovable עם האינטגרציות החדשות, היכנסו לאתר הרשמי

ותזכרו – המבצע של פי 5 קרדיטים להפניות תקף לזמן קצר (לכבוד יום ההולדת הראשון), אז אם אתם חושבים על זה, עכשיו הזמן.

הפוסט Lovable חוגגת שנה ומשיקה אינטגרציות: מהאפליקציה לאוטומציה בקליק אחד הופיע ראשון בLet's AI בינה מלאכותית

Group chats in ChatGPT are now rolling out globally.

After a successful pilot with early testers, group chats will now be available to all logged-in users on ChatGPT Free, Go, Plus and Pro plans. pic.twitter.com/vOWddj3vGy

— OpenAI (@OpenAI) November 20, 2025

מה חדש כאן בעצם?

צ’אט קבוצתי ב-ChatGPT יוצר מרחב עבודה משותף שבו עד עשרים אנשים יכולים לעבוד יחד בזמן אמת. כל משתתף יכול להעלות קבצים, לשתף רעיונות ולפתח שיחה טבעית. בתוך הסביבה הזאת ChatGPT מתפקד כחבר נוסף בקבוצה. הוא מגיב רק כשמזמינים אותו ומזהה מתי נכון להתערב ומתי לתת לשיחה להתנהל בין המשתתפים.

התכונה זמינה למשתמשי Free, Go, Plus ו-Pro. התכונה עוד לא הושקה רשמית לתוכניות Business ו-Enterprise.

איך פותחים צ׳אט קבוצתי

הקמה של צ’אט קבוצתי ב-ChatGPT היא תהליך מהיר וברור, והמסכים עצמם מנחים אתכם שלב אחרי שלב.

השלבים ליצירת צ’אט קבוצתי ב-ChatGPT

1. לחיצה על אייקון המשתמשים: במסך הצ’אט הקיים מופיע אייקון של דמות עם סימן פלוס. לחיצה עליו פותחת את חלון יצירת הצ’אט הקבוצתי. זה השלב שבו אתם מאותתים למערכת שאתם רוצים להוסיף אנשים לשיחה.

2. התחלת צ’אט קבוצתי: בחלון שנפתח מוצג מסר קצר שמסביר את הרעיון: שימוש משותף ב-ChatGPT לצורך תכנון, רעיונות ושיתוף. כאן לוחצים על Start group chat כדי ליצור קבוצת צ’אט חדשה.

3. קבלת קישור ההזמנה: לאחר יצירת הקבוצה מופיע מסך שבו מוצג לינק קבוצתי ייחודי. אפשר להעתיק אותו בלחיצה על Copy link. כל מי שמקבל את הלינק יכול להצטרף לקבוצה מבלי שתצטרכו לאשר כל אדם ידנית.

4. כלי הניהול הראשוניים של הקבוצה: לאחר פתיחת הקבוצה אפשר לראות את תפריט הניהול: רשימת משתתפים, ניהול קישור ההזמנה, שינוי שם הקבוצה והגדרת התנהגות ChatGPT בקבוצה (Customize ChatGPT). זהו מרכז השליטה הראשוני שלכם.

5. שיתוף הזמנה מתוך חלון השיחה: מיד לאחר יצירת הקבוצה מופיעה בתוך הצ’אט הודעה מערכתית שמאשרת שהקבוצה נוצרה. לצד זה מופיע כפתור Invite with link שמאפשר לשלוח שוב את אותו קישור, בלי צורך לחפש אותו בתפריטים.

התהליך כולו בנוי כך שכל שלב זורם לשלב הבא בלי בלבול. כל משתתף שמצטרף בפעם הראשונה מתבקש ליצור פרופיל בסיסי (שם, תמונה ושם משתמש), והוספת אדם לשיחה פרטית יוצרת קבוצה חדשה כדי להגן על פרטיות השיחה המקורית.

איך ChatGPT מתנהג בתוך קבוצה

זיהוי דינמיקה קבוצתית

OpenAI אימנה את המודל להבין הקשר חברתי בסיסי. ChatGPT מגיב רק כשמתייגים אותו או שואלים אותו ישירות, ומנסה להבחין בין רגעים שבהם הקבוצה זקוקה לעזרתו לבין רגעים שבהם נכון שיישאר ברקע.

יכולות בזמן שיחה קבוצתית

המודל יודע להשתמש באימוג’ים, לנתח ולהעלות קבצים, ליצור תמונות ולבצע חיפוש ברשת. הוא משתלב בתהליך כמו כל משתתף אחר ומוסיף מידע או תוצרים כשמבקשים ממנו.

ניהול עומס ושימוש

מגבלות השימוש נספרות על פי המשתמש שהמודל מגיב לו ולא על פי כל חברי הקבוצה יחד. זה מאפשר לצוותים לחלק את השאלות באופן חכם ולהימנע מחסימת שימוש מיותרת.

ההתנהגות בפועל

התוצאה היא נוכחות מאוזנת. ChatGPT נמצא שם כדי לעזור אבל אינו משתלט על השיחה. הוא שותף פעיל כשצריך ועוזר לשמור על קצב ולחדד את הדיון בלי לפגוע בשיחה האנושית עצמה.

איזה מודל מפעיל את הצ’אטים הקבוצתיים

כל צ’אט קבוצתי ב-ChatGPT פועל על GPT-5.1 Auto. זהו מנגנון שמנתח את סוג הבקשה בכל רגע ובוחר אוטומטית את תת המודל המתאים ביותר, בלי שהמשתמשים יצטרכו להגדיר דבר.

איך נקבע המודל בפועל?

שאלות קצרות או משימות מהירות מקבלות מענה מ-GPT-5.1 Instant. לעומת זאת, ניתוחים עמוקים, הסברים מורכבים או בקשות שמצריכות reasoning (חשיבה מעמיקה או ניתוח מדורג) עוברים ל-GPT-5.1 Thinking. משתמשי Plus נהנים מהיכולות המלאות שלו גם אם שאר המשתתפים במסלול Free. המנגנון מתייחס להגדרות של שואל השאלה בלבד.

למשימות פשוטות זמן התגובה הממוצע נע בין שלוש לחמש שניות. למשימות מורכבות יותר התגובה נעה בין שתים עשרה לשמונה עשרה שניות, בהתאם לכמות העיבוד הנדרשת.

מה חשוב לדעת מבחינת פרטיות ואבטחה

הפרדה מוחלטת בין סוגי שיחות

OpenAI שמה דגש חזק על כך ששיחות קבוצתיות מופרדות לחלוטין משיחות פרטיות. הזיכרון האישי (Personal Memory) לא נחשף לקבוצה והמודל אינו משתמש במידע שהצטבר בשיחות פרטיות קודמות.

הוראות מותאמות אישית לכל קבוצה

Custom Instructions אישיים לא מיושמים אוטומטית בצ’אטים קבוצתיים. כל קבוצה מקבלת סט הנחיות משלה, והגדרות הקבוצה נשארות מבודדות ואינן משפיעות על ההגדרות האישיות של המשתמש.

שליטה מלאה במשתתפים ובהודעות

צ’אטים קבוצתיים מופיעים באזור ייעודי בסרגל הצד. ניתן להסיר משתתפים, להשתיק התראות או לעזוב את הקבוצה בכל רגע, ללא השפעה על שאר השיחות.

הגנות ייעודיות לקטינים

למשתתפים מתחת לגיל 18 מופעלים מסנני תוכן מוגברים. הורים יכולים גם לכבות לחלוטין את אפשרות הצ’אטים הקבוצתיים דרך בקרות הוריות.

העיקרון המנחה

המטרה היא לאפשר שיתוף פעולה יעיל בלי לוותר על פרטיות. המערכת מוודאת שהמעבר מצ’אט אישי לקבוצתי לא חושף מידע, לא משנה התנהגות, ולא פוגע בסביבה הפרטית של המשתמש.

דוגמאות לשימושים מעשיים

פרויקטים קצרי טווח ושיתוף יצירתי

הפיצ’ר עובד מצוין כשצריך לתכנס סביב משימה ברורה ולייצר תוצאה מהירה. דוגמאות מרכזיות:

• תכנון נסיעה קבוצתית

• סיעור מוחות לצוות קטן

• עריכה או כתיבה משותפת של מסמך אחד

קבלת החלטות משותפת

כאשר צריך להגיע להחלטה מהירה, ChatGPT עוזר לצמצם אפשרויות ולהציג יתרונות וחסרונות. שימושים נפוצים:

• בחירת מסעדה או יעד

• בחירה בין שתי חלופות בפרויקט קצר

תמיכה ושיתוף ידע בזמן אמת

בצוותים טכניים או תפעוליים, הצ’אטים הקבוצתיים משמשים כמרחב יעיל לשיתוף מידע. למשל:

• מתן תמיכה טכנית

• שיתוף תבניות תגובה או דוגמאות

• ניתוח משותף של קובץ שהועלה

הפיצ’ר בולט כשה-AI משפר את איכות השיחה האנושית. הוא מארגן מידע, מחדד רעיונות ויוצר תוצרים שהקבוצה לא תמיד מצליחה לייצר לבד.

מגבלות שכדאי להכיר

הפיצ’ר עדיין מוגבל בכמה היבטים מרכזיים. ניתן לצרף עד עשרים משתתפים בלבד, וכל השיחה מופיעה בציר זמן רציף בלי תת שרשורים. כלי הניהול בסיסיים ואין אינטגרציות עם מערכות חיצוניות כמו יומנים או פלטפורמות ניהול משימות. התוצאה היא תכונה שמתאימה למשימות ממוקדות וקצרות, אבל פחות לפרויקטים ארוכים, כיתות גדולות או צוותי Enterprise.

איך זה נראה בהשוואה לכלים אחרים

ChatGPT Group Chats לא מחליף את Slack, Teams או ווטסאפ. Slack ו-Teams הן פלטפורמות תקשורת שבמרכזן אנשים, עם יכולות AI כתוספת. בצ’אטים קבוצתיים של ChatGPT המודל עצמו נמצא במרכז, והמשתתפים מצטרפים אליו לפי צורך. ווטסאפ נשאר כלי חברתי, בעוד הצ’אטים הקבוצתיים מיועדים למשימות ממוקדות ולא לשיחה יומיומית.

איך להפיק מקסימום תועלת

כמו כל פיצ’ר חדש, גם בצ’אטים קבוצתיים יש רגעי עומס או תגובות מיותרות, בעיקר כש-ChatGPT מתערב מהר מדי. זה חלק מתהליך ההבשלה של המערכת, וניתן לעקוף את רוב החיכוך באמצעות שימוש נכון.

הנה כמה טכניקות עבודה יעילות:

• כתיבה משותפת של פרומפטים משפרת את איכות התוצרים.

• חלוקת שאלות בין משתמשי Pro (למשימות מורכבות) למשתמשי Free מפחיתה עומסים.

• בקשה מפורשת להתייחס להודעות קודמות מחזירה את ההקשר בשיחות ארוכות.

• העלאת קבצים, דוגמאות ומסמכים עוזרת למודל לדייק בתשובות.

הפיצ’ר מציג את הערך הגבוה ביותר כאשר הוא מקבל הקשר מלא ומוגדר היטב.

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

לפרטים נוספים לחצו כאן >>

האם זה צעד ראשון לרשת חברתית?

כנראה שלא. לפחות לא כרגע. למרות שהפיצ’ר מכניס אנשים ו-AI לאותו מרחב שיחה, הצ’אטים הקבוצתיים לא נועדו להיות רשת חברתית. אין ערוצים, אין הודעות פרטיות מחוץ לקבוצה ואין אינטגרציות עמוקות. OpenAI מציגה את הפיצ’ר ככלי שיתוף פעולה ממוקד שמיועד לקבוצות קטנות ולמשימות בעלות מטרה ברורה.

צ’אטים קבוצתיים ב-ChatGPT מציעים דרך חדשה לעבוד עם AI בצוות. הם פשוטים לשימוש ומאפשרים למודל להשתלב בשיחה באופן טבעי ולחדד רעיונות, לסדר מידע ולהאיץ קבלת החלטות. הפיצ’ר משתלב היטב לצד כלי התקשורת הקיימים במצבים שמצריכים סיעור מוחות או פתרון בעיות מהיר.

OpenAI מאותתת על שינוי עמוק בתפקיד של ChatGPT. פחות כלי שעונה לאדם יחיד ויותר מרחב עבודה משותף, שבו AI הופך לחבר צוות נוסף. זהו צעד משמעותי בדרך להפיכת המודל לכלי עבודה קבוצתי אמיתי.

הפוסט צ’אטים קבוצתיים ב-ChatGPT הם הדור החדש של עבודה משותפת עם AI הופיע ראשון בLet's AI בינה מלאכותית

Just share your topic, and PowerPoint Agent creates a tailored presentation—drawing from your files, meetings, and emails for content. Read more: https://t.co/RaMcKDbA1M#MSIgnite pic.twitter.com/f2jl9NExFm

— Microsoft 365 (@Microsoft365) November 19, 2025

Copilot במחיר חדש עם פתיחה חלקית של השער לעסקים קטנים

אחד המהלכים הבולטים ב-Ignite הוא השקת Microsoft 365 Copilot Business, מהדורה מוזלת שמחירה 21 דולר למשתמש בחודש. היא מיועדת לעסקים עם פחות משלוש מאות עובדים ותושק בדצמבר. מבחינת מיקרוסופט זהו מסר ברור. עידן הסוכנים אינו אמור להיות נחלתם של תאגידי ענק בלבד. גם עסקים קטנים נכנסים למגרש, ומיקרוסופט רוצה שהם יתחילו לשחק עכשיו.

המהדורה כוללת את יכולות הבסיס, את Work IQ ואת שילוב ה-Copilot באפליקציות Office. על הנייר זו פתיחה אמיתית של השער. אבל כשמסתכלים על הגבולות, רואים שהמהלך מוגבל. עסקים בינוניים וארגונים גדולים ימשיכו לשלם את המחיר המלא. התוצאה היא פחות מהפכה ויותר כוונון עדין של השוק, מהלך שנועד להניע שכבה ספציפית של לקוחות ולא לייצר שינוי כולל.

Work IQ

השדרוג העמוק ביותר שהוצג ב-Ignite לא נמדד בכמות הפיצ’רים, אלא ברעיון שעומד מאחוריו. Work IQ היא לא עוד תחנה בקו הפיתוח. זו הצהרה על שינוי זהות. ממערכת שעונה לבקשות למערכת שמנסה להבין איך ארגון עובד.

הבסיס הוא שכבת נתונים רחבה שמקיפה מיילים, צ’אטים ופגישות. זו שכבת ה”חיים עצמם” שממנה המערכת בונה תמונה של מה שקורה ביום יום. מעליה מונחת שכבת זיכרון, שמזהה דפוסים, לומדת סגנון עבודה ומתחקה אחר הרגלים שחוזרים שוב ושוב. מעל שתיהן פועל מנגנון הסקה שמנסה להפוך את כל זה לדבר אחד פשוט. מה הצעד הבא המתאים ביותר עכשיו.

מכאן נולד שינוי הגישה. Copilot כבר לא מסתפק ב”להביא תשובה”. הוא מנסה להבין מהי המשימה הנכונה ברגע הנכון. בעבר השיחה נראתה כך. אתם מבקשים, והוא מגיש לכם את המידע שביקשתם. עכשיו הכוונה היא אחרת. אתם עובדים, והמערכת אומרת לכם “הנה מה שנראה שאתם צריכים לעשות עכשיו”.

Stuck on slide one? Turn stalls into on-brand momentum with PowerPoint Agent, built on Microsoft 365 Copilot and fueled by Work IQ.

Learn more: https://t.co/lLQPUwju6i #MSIgnite pic.twitter.com/jU8B7317Vy

— Microsoft 365 (@Microsoft365) November 18, 2025

החזון שאפתני. הוא מבקש להוריד מהשולחן את העומס הקטן והיומיומי שמצטבר סביב אלפי החלטות זעירות. אבל יחד איתו מגיעות גם שאלות כבדות. עד כמה מנהלים יסמכו על מערכת שמפרשת את צורת העבודה שלהם. האם רמת הדיוק תהיה גבוהה מספיק כדי להצדיק המלצות פעולה. והאם ארגונים יהיו מוכנים לשלם את מחיר החשיפה של המידע הפנימי והרגיש שלהם בתמורה לאוטומציה חכמה יותר.

Agent 365

אם Work IQ הוא המוח שמנסה להבין איך הארגון עובד, Agent 365 הוא השלד שמחזיק את כל המערכת. מיקרוסופט מציגה חזון שבו ארגונים מפעילים לא סוכן אחד ולא שניים, אלא מערך שלם. חלקם נוצרים ב-Copilot Studio, אחרים מגיעים מ-Foundry, ואחרים מספקים חיצוניים כמו Adobe או SAP. העולם הזה כבר לא נראה כמו כלי אחד חכם, אלא כמו אוסף של עובדים דיגיטליים שכל אחד מהם מבצע משימה אחרת.

במציאות כזו נדרש שינוי. ארגונים צריכים מערכת אחת שמרכזת את כל הסוכנים, מנהלת אותם ומפקחת עליהם. Agent 365 מנסה לתפוס את המקום הזה. היא מטפלת ברישום, בהגדרת הרשאות, בהצגת קשרים בין סוכנים ובאבטחה שמאתרת התנהגות חריגה. המהלך הזה מציב את הסוכנים באותה קטגוריה שבה מנהלים משתמשים, זהויות ותוכנות. לא עוד תוסף צדדי, אלא מרכיב תשתיתי בליבת העבודה.

עם זאת, לשינוי יש מחיר. המגבלה הראשונה ברורה. Agent 365 זמין כרגע רק במסגרת תוכנית Frontier. המשמעות פשוטה. ארגונים שחושבים קדימה ורוצים להתחיל להקים תהליכי פיקוח וניהול סוכנים לא יכולים לעשות זאת בפועל. הם צריכים להמתין עד שמיקרוסופט תחליט לפתוח את הפיצ’ר באופן רחב יותר.

המגבלה השנייה עמוקה יותר. Agent 365 מדבר בשפה של ארגונים מתקדמים, כאלה שכבר מפעילים פורטפוליו גדול של סוכנים. עבור רוב השוק זו אינה הזדמנות מיידית אלא יעד עתידי. המערכת מסמנת לאן מיקרוסופט רוצה שהארגונים יגיעו, אבל לא כל ארגון מוכן או מסוגל לעבור לשם כבר עכשיו.

Accelerate secure transformation into an AI-powered Frontier Firm with Microsoft Agent 365. Extend familiar tools and protection to agents. Read more: https://t.co/wJb2zt1XOW#MSIgnite pic.twitter.com/5i8L4fCQpA

— Microsoft 365 (@Microsoft365) November 18, 2025

Office ו-Teams מקבלים מאיץ

שדרוגי Office שהוצגו ב-Ignite מנסים לחבר את העבודה הדיגיטלית לכדי רצף אחד. לא עוד קבוצה של יישומים שמגיבים לבקשות, אלא סביבת עבודה שבה סוכנים יכולים לפעול ישירות בתוך המסמכים, המצגות והשיחות. המטרה היא להפוך את האפליקציות ממקום שבו מבצעים פעולות ידניות למרחב תפעולי חי.

Agent Mode ב-Word הוא הדוגמה הברורה ביותר. המצב החדש פתוח לכל המשתמשים, והוא משנה את התפקיד של Word עצמו. העורך אינו רק כלי לכתיבה ופיסוק. הוא הופך לזירה שבה סוכנים פועלים, מייצרים טיוטות, מבצעים עריכה ומקדמים תהליכים באופן יזום, כאילו היו חלק מהצוות.

ב-PowerPoint הסיפור אחר. Agent Mode קיים, אבל נשאר מאחורי Frontier. המשמעות היא שהיכולת קיימת, אך אינה נגישה לרוב הארגונים. הפיצול הזה מחדד את אסטרטגיית מיקרוסופט. חלק מהתכונות יוצאות מיד לקהל הרחב כדי לייצר אימוץ, ואחרות נשמרות למסלול מבוקר שבו החברה יכולה לפתח וללמוד כיצד ארגונים משתמשים בהן.

Excel מציג שינוי מסוג אחר. לראשונה מיקרוסופט מאפשרת לבחור מודל, OpenAI או Anthropic. זו אינה רק תוספת טכנית. זה מסר על גמישות ועל תחרותיות בתוך סביבת העבודה. המשתמש אינו כבול למודל אחד, והארגון יכול לבחור את מנוע הבינה שמשרת אותו בצורה הטובה ביותר.

לצד כל אלה מופיעה שורה של סוכני AI חדשים. הם מאפשרים ליצור מסמכים, מצגות וגיליונות באמצעות תהליך איטרטיבי בתוך Copilot Chat. זה שינוי בתפיסת העבודה. בעבר המשתמש עבד בכלי וביקש עזרה מהמערכת. עכשיו הסוכן מוביל את התהליך, והמשתמש מצטרף אליו.

ב-Teams השינוי בולט עוד יותר. Facilitator Agent נכנס לתפקיד שמרגיש כמעט אנושי. הוא מנהל סדר יום, מתעד, שומר על מסלול הדיון ומבצע פעולות המשך. בשילוב Model Context Protocol הסוכנים יכולים לדבר ישירות עם Jira, Asana ו-GitHub. שיחה אחת יכולה להפעיל שרשרת פעולות חוצת מערכות.

המסר ברור. מיקרוסופט רוצה ש-Teams יפסיק להיות רק מקום שבו מדברים ויהפוך למערכת שמבצעת עבודה. לא תא ישיבות אלא מנוע תפעולי. בתוך אותו מהלך, Office עצמו כבר אינו סביבת עריכה בלבד. הוא מתגבש לזירה שבה העבודה מתרחשת בפועל.

Sora 2 בתוך Copilot

Sora 2 של OpenAI מציבה רף חדש ליכולות הווידאו בתוך Microsoft 365 Copilot. לראשונה, משתמשים יכולים ליצור סרטונים קצרים למטרות שיווק ישירות מתוך סביבת העבודה. הכלי תומך בדיבוב, במוזיקה ובהתאמות מותג, והוא מציג כיוון ברור. יצירת וידאו מתחילה להיראות כמו עוד משימה שאפשר לבצע במהירות, כמעט כמו כתיבת מסמך או הכנת מצגת.

יחד עם זאת, ההשקה עדיין אינה מלאה. Sora 2 זמינה כבר היום ב-Copilot, אך הגישה אליה מתבצעת באופן מדורג ומלווה במנגנוני בקרה וניהול שמתגלגלים החוצה בהדרגה. המשמעות היא שחלק מהארגונים יקבלו גישה מוקדמת במסגרת מסלול Frontier, בעוד שאחרים יזכו לזמינות רחבה יותר בשלבים מאוחרים יותר. גם בשלב זה המודל מוגבל ליצירת סרטונים קצרים בלבד.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

עכשיו צריך להחליט מי קופץ

מאחורי ההכרזות של Ignite 2025 עומדת אסטרטגיה רחבה הרבה יותר. מיקרוסופט אינה מסתפקת בהוספת פיצ’רים. היא מציעה ארכיטקטורה חדשה של עבודה ארגונית שבה סוכני AI אינם תוספת, אלא חלק מהתשתית. Work IQ, Agent 365, המודלים החדשים של Copilot והיכולות שמתחברות לתוך Office ו-Teams משרטטים עתיד שבו הארגון עובד לצד מערך של סוכנים דיגיטליים, ומנהל אותם כמו שמנהלים משתמשים והרשאות.

אבל כדי שהחזון הזה יתממש, ארגונים יצטרכו לשנות את עצמם. לא די לרכוש רישיון. נדרש שינוי מבני. הגדרה מחדש של הרשאות, יצירת תפקידים חדשים כמו מנהל סוכנים, תהליכי אישור ברורים ומנגנוני פיקוח מבוססי נתונים. זהו לא עדכון טכנולוגי אלא מהלך ארגוני שמחייב מחשבה מחודשת על זרימות העבודה ועל המידה שבה הארגון מוכן להעביר אחריות למערכת.

וכאן נשארת שאלה אחת חשובה. לא אם הטכנולוגיה בשלה, אלא אם הארגון בשלב שבו הוא מוכן לקפוץ. האם אתם מתחילים להטמיע סוכנים ולשנות את דרך העבודה שלכם, או מעדיפים לעמוד על שפת הבריכה ולראות מי יזנק ראשון?

הפוסט מיקרוסופט חושפת חזון עבודה חדש בכנס Ignite הופיע ראשון בLet's AI בינה מלאכותית

תמונות שמבינות את העולם

פחות משלושה חודשים אחרי שהשיקה את מודל התמונות ננו-בננה (מבוסס Gemini 2.5 Flash), יוצאת גוגל עם מודל פרו ונותנת עוד קפיצה אדירה קדימה בתוך העולמות המולטימודליים שהיא פותחת בפנינו. החידוש הגדול ב-Nano Banana Pro אינו מסתכם בטכנולוגיה משופרת. מדובר במודל תמונות שמצליח לעשות משהו שרוב המודלים אחרים רק מנסים – להבין מה רוצים ממנו.

זו אינה הבנה אנושית, כמובן, אלא יכולת לפרש הקשרים, לזהות את כוונת המשתמש ולבנות תמונה שמשרתת רעיון ולא רק מייצרת ויזואל יפה. השילוב עם Gemini 3 Pro מעניק למודל יכולת לנתח את המשימה ולפעול על פי משמעות ולא רק על פי מילים.

תמונות שמבוססות על מידע אמיתי

החידוש השני שמבדל את Nano Banana Pro מהשוק אינו אסתטי אלא מהותי. זהו מודל התמונות הראשון שמחובר ישירות ל-Google Search. החיבור הזה סופר משמעותי משום שהוא מאפשר למודל להשתמש במידע עדכני בזמן יצירת התמונה במקום להסתמך על הידע הסטטי שנצרב בו בזמן האימון.

אינפוגרפיקות מבוססות מידע אמיתי | blog.google

החידוש הזה מדגיש פער שמורגש במיוחד במטלות שמודלים אחרים נופלים בהן. במקום תמונה מרהיבה אבל מקרית, Nano Banana Pro מפיק תוצרים שמבינים את התוכן. בקשה לאינפוגרפיקה על טיפול בצמח בית לא תוליד ציור אסתטי בלבד, אלא תרשים שמארגן מידע, מדגיש שלבים חשובים ומציג תובנות רלוונטיות. יכולת החשיבה הזו, יחד עם מנוע עיבוד התמונה, מציבה את גוגל במיקום שהשוק התקשה לדמיין רק לפני שנה.

כאן בדוגמה נוספת, Nano Banana Pro הופך צילום של צמח לתרשים מידע מלא הכולל מקור, דפוס עלים, הרגלי צמיחה ותנאי טיפול – הכל על בסיס התמונה שהועלתה ובשילוב מידע עדכני:

אינפוגרפיקה מבוססת-מציאות | blog.google

למה זה משנה? כי הוא פותח קטגוריית שימוש שלא הייתה קיימת עד עכשיו. במקום להסתמך על גרפיקות ידניות או על תוכן שמצריך שילוב בין כמה כלים, ניתן לבקש ישירות אינפוגרפיקה עם מזג האוויר של היום, נתוני ספורט עדכניים, שלבי הכנה למתכון או מדריך רפואי קצר. הכל נבנה בתוך התמונה, מלווה בטקסט מדויק ומידע אמיתי שנמשלף ברגע הבקשה.

כאן נמצא אחד היתרונות הברורים של גוגל. מודלים כמו Midjourney או Ideogram מייצרים תמונות מרהיבות מבחינה אמנותית, אבל הם מנותקים מהעולם בזמן אמת. Nano Banana Pro, לעומת זאת, נשען על החזקת המפתח לתשתית המידע הגדולה בעולם. היכולת הזו מחברת בין מנוע חיפוש ובין יכולת יצירה, ומעניקה לגוגל יתרון שמעטים יכולים להתחרות בו.

נשבר מחסום הטקסט (גם בעברית)

אחד החסמים הוותיקים בעולם יצירת התמונות היה תמיד הטקסט. רוב המודלים הצליחו לייצר ויזואליים מרהיבים, אבל ברגע שהיה צריך להכניס מילים לתוך התמונה הכל התפרק. אותיות התעוותו, משפטים הפכו לג׳יבריש, ובעברית זה היה כמעט בלתי אפשרי. Nano Banana Pro הוא אחד המודלים הראשונים שמצליח לשבור את המחסום הזה בצורה אמיתית.

המודל מפיק טקסטים ארוכים, קריאים ועקביים, ובשורה מרשימה של שפות כולל עברית, ערבית, רוסית, יפנית וסינית. עבור מעצבים, משווקים ויוצרי תוכן שמכינים פוסטרים, לוגואים, כרזות או אינפוגרפיקות, זו קפיצת מדרגה. מה שבעבר היה מצריך שכבות עיצוב ידניות הופך לפעולה אחת שמבוצעת ישירות מתוך המודל.

שילוב יצירתי של טקסט בתוך אובייקטים כחלק אורגני מהסצנה | blog.google

אבל ההישג פה רחב יותר מטכנולוגיה. גוגל מזהה שהשוק לא מחפש עוד כלי שמייצר תמונות יפות. הוא מחפש כלי שמאפשר לעבוד. זה ההבדל בין מודל שמשחק עם סגנון לבין מודל שמסוגל לייצר חומרים אמיתיים למערכות מקצועיות.

Nano Banana Pro מכוון בדיוק לנקודה הזו: יצירת ויזואליים שאפשר להשתמש בהם מיד, בלי שכבת עיבוד נוספת.

ריבוי תמונות ושמירה על עקביות

יכולת נוספת שמבדלת את Nano Banana Pro היא החיבור בין ריבוי תמונות לבין עקביות ויזואלית. המודל מסוגל לשלב עד 14 תמונות שונות לקומפוזיציה אחת, ולשמור על הופעה עקבית של עד חמישה אנשים. עבור מי שעובדים על סטוריבורדים, קומיקס, קמפיינים פרסומיים או הדמיות מוצר, זו תכונה שמורידה חסמים שהיו ברורים עד עכשיו.

14 דמויות, תמונה אחת, עם עקביות מלאה | blog.google

זה אולי פחות מרשים במבט ראשון מעיבוד טקסט איכותי, אבל עבור אנשי מקצוע זו יכולת משמעותית. עד היום, מודלי תמונות התקשו לשמור על אותה דמות מזוויות שונות. התוצאה הייתה רצף חזותי שנשבר בכל ניסיון ליצור סדרה של תמונות.

Nano Banana Pro משנה את זה. גוגל מבינה שעולם היצירה מורכב מסדרות, תהליכים ורעיונות מתפתחים, לא רק מהתמונות הבודדות. לכן היא מעצבת את המודל ככלי שמסוגל להתמודד עם פרויקט שלם, לא רק עם בקשה אחת בכל פעם.

עריכה בשפה טבעית

אחת היכולות הפרקטיות ביותר בNano Banana Pro היא האפשרות לערוך תמונות קיימות ולשנות Look&Feel של כל תמונה באמצעות הוראות טקסט פשוטות. המשתמש יכול לבקש לשנות תאורה, להתאים צבעים, ליצור אפקטים קולנועיים או לשנות את יחס התמונה, וכל זה בלי לפתוח תוכנת עיצוב ובלי ידע מקצועי מוקדם.

שינוי תאורה ויחס תמונה תוך שמירה על הדמות המקורית | blog.google

מאחורי הפיצ’ר הזה עומדת תפיסה אסטרטגית ברורה. גוגל רוצה לפרק את המחסום בין יצירה מקצועית לבין שימוש יומיומי. עריכה במשפט אחד כמו “הפוך את הסצנה ללילה” או “תעמיק את הצללים סביב הדמות” הופכת את המודל לכלי שמרגיש כמעט כמו פוטושופ שמופעל על ידי שיחה. השינוי הזה כבר מורגש בפועל, והוא משנה מי יכול לבצע היום עבודות שבמשך שנים היו נחלתם הבלעדית של אנשי מקצוע.

מודל שמוטמע בכל אקוסיסטם של גוגל

גוגל לא מסתפקת בהשקת מודל יצירת תמונות. היא פורסת את Nano Banana Pro בשורה של מוצרים ושירותים ברחבי האקוסיסטם שלה. מעבר לאפליקציית Gemini, המודל משולב ב-Google Workspace (ב-Slides וב-Vids), ב-Google Ads, ב-Vertex AI, ב-Google AI Studio, ב-Google Antigravity וב-Flow, כלי יצירת הסרטים של החברה. בנוסף הוא זמין גם ב-NotebookLM ובמצב AI Mode בחיפוש למנויי Pro ו-Ultra. זהו מהלך רחב שממקם את Nano Banana Pro כשכבת יכולת מרכזית בתוך מגוון כלים שונים לגמרי.

הנה כמה דוגמאות לאופן בו שילבה גוגל את ננו בננה פרו באקוסיסטם שלה:

שילוב בגוגל Slides

יצירת אינפוגרפיקות מקצועיות ושקופיות מעוצבות בתוך שניות, ושדרוג מצגות קיימות בלחיצה אחת בלבד באמצעות הכפתור החדש “Beautify my slide”.

שילוב ב-Antigravity

הנה דוגמה נוספת לשילוב של Nano Banana Pro בתוך Antigravity, פלטפורמת הפיתוח החדשה של גוגל. Antigravity ממקמת את הסוכן במרכז תהליך העבודה ומאפשרת למפתחים לנהל Agents, לערוך קוד, להריץ בדיקות ולנווט בין דפדפן, טרמינל ועורך בקונטקסט אחד רציף. היכולת של Nano Banana Pro להתמקד באזורים ספציפיים בתוך תמונה משתלבת כאן באופן טבעי, ומאפשרת ליצור סקיצות UI מדויקות, לחדד עיצובי אתר או להפיק אינפוגרפיקות שמסבירות זרימת נתונים במערכות מורכבות – הכל מתוך אותו מרחב עבודה אחד.

שילוב עם NotebookLM

כלי משמעותי נוסף שכבר נהנה מהמודל החדש הוא NotebookLM, שקיבל באחרונה סט פיצ׳רים ויזואליים חדשים. Nano Banana Pro משתלב בו כיכולת משלימה שמעלה דרמטית את איכות התוצרים הגרפיים. בעוד NotebookLM מפיק את המבנה, התוכן והלוגיקה של מצגות, אינפוגרפיקות, דוחות ומפות חשיבה, מודל התמונות מוסיף את שכבת הגרפיקה החכמה: איורים, רקעים, המחשות ויזואליות והצגה ברורה של רעיונות מורכבים. האינטגרציה עדיין מתרחבת בהדרגה, אך בפיצ’רים המרכזיים היא כבר משפרת באופן מורגש את רמת הגימור ואת היכולת להפוך ידע גולמי לתוצר מקצועי ומוכן לשימוש.

פיצ׳רים חדשים בסטודיו של NotebookLM

המהלך הזה אינו טכני בלבד אלא אסטרטגי. גוגל מנסה לייצר מסלול עבודה שבו יצירת תמונות, חיפוש מידע, עריכה ופרודוקטיביות מתרחשים בתוך אותה סביבת עבודה. עבור משתמשי Workspace, זה אומר יצירה ישירה מתוך מסמכים, מצגות או וידאו בלי לעבור בין כלים. עבור צוותים ארגוניים זו קפיצת מדרגה אמיתית, והיכולת להפיק חומרים ויזואליים הופכת לחלק טבעי מהתהליך העסקי ולא למשימה חיצונית שדורשת תוכנה ייעודית.

מודל freemium חדש

גוגל מאמצת בNano Banana Pro מודל תמחור שמבקיע את קו התפר שבין כלי עממי לכלי מקצועי. משתמשים חינמיים יכולים לעבוד עם המודל במכסה מוגבלת, ולאחר מכן המערכת מחזירה אותם אוטומטית לדגם הישן יותר. מעל לכך גוגל מציעה שלוש שכבות מינוי, Plus, Pro ו-Ultra, כאשר הרמה הגבוהה מאפשרת סוף סוף לעבוד ללא סימן מים גלוי, תנאי הכרחי לסטנדרט מקצועי.

החברה עדיין לא פרסמה את כל עלויות השימוש למפתחים, אבל הגיוני לחשוב שהמחיר יעלה ביחס לדגם הקודם. הסיבה כפולה. מצד אחד Nano Banana Pro דורש יכולת חישוב גבוהה משמעותית. מצד שני, גוגל מבינה שהיא מספקת כאן ערך אחר לגמרי: חיבור לידע עדכני, עבודה עם טקסט רב לשוני ושמירה על עקביות בין תמונות. מבחינתה זה אינו מוצר צרכני זול, אלא כלי שמיועד לשוק שמוכן לשלם עבור יתרון תחרותי.

סימון תמונות והמאבק על אמון

אחד הנושאים הקריטיים ביותר סביב מודלי יצירה הוא שאלת האמון. גוגל מתייחסת לכך באופן ישיר באמצעות מנגנון סימון כפול. כל תמונה שנוצרת בNano Banana Pro כוללת סימן דיגיטלי בלתי נראה בשם SynthID, ובשכבות החינמיות ובמינוי Pro נוסף גם סימון גלוי. המטרה אינה אסתטית, אלא מנגנון שקיפות שמחזק את זיהוי המקור של התוכן.

בעידן שבו תוכן מזויף הפך מתופעה שולית לתעשייה רחבה, היכולת לזהות תמונה שנוצרה בבינה מלאכותית אינה תוספת טכנית אלא צורך יסודי. גוגל מניחה שהשוק ילחץ על תקינה ברורה בתחום הזה, והיא מנסה לקבוע את הכללים לפני שהרגולציה תעשה זאת עבורה. העובדה שמשתמש יכול להעלות תמונה ולשאול אם נוצרה במערכות של גוגל היא חלק מאותה תפיסה שאומרת שאמון הוא תשתית, לא פיצ’ר.

לסיכום, Nano Banana Pro הוא לא עוד מודל ליצירת תמונות אלא שכבת עבודה שלמה שמחברת בין ידע, ויזואליזציה ופרודוקטיביות. הוא ממלא חלל שהיה חסר בשוק עם יצירת תכנים ויזואליים שיש בהם משמעות, טקסט ברור ומידע אמיתי, ולא רק אסתטיקה. המודל מתאים במיוחד למשווקים, צוותי תוכן, מורים, מעצבים, יוצרי פרוטוטיפים, מנהלי מוצר ועסקים שפועלים בתוך Google Workspace.

לעומת זאת, מי שמחפש יצירה אמנותית מובהקת או זקוק לנפח הפקה גבוה ללא סימון גלוי ימצא אותו פחות מתאים. במקום להתחרות על התואר “המודל האמנותי ביותר”, גוגל מגדירה כאן קטגוריה אחרת – כלי עבודה למי שצריך תוצר ויזואלי שמבוסס על ידע, על סדר ועל שימושיות. זהו מהלך שממקם את גוגל במקום חדש בתוך עולם יצירת התמונות.

Nano Banana Pro אולי לא מושלם, אבל הוא משנה את הציפיות מהתחום. אם מודלים קודמים הצטיינו ביופי, Nano Banana Pro מראה כיצד מודל תמונה יכול להבין הקשר, מידע ומציאות, ולהפוך את כל זה לתוצר שמוכן לשימוש אמיתי.

הפוסט גוגל משיקה את הדור הבא של יצירת ועריכת תמונות עם Nano Banana Pro הופיע ראשון בLet's AI בינה מלאכותית

מה זה “איזון פוליטי” ומה נחשב הטיה

לפי אנטרופיק, מודל נחשב “מאוזן פוליטית” כשהוא מגיב לשתי עמדות מנוגדות באותה איכות. הטיה אינה חייבת להופיע כהצהרה אידיאולוגית מפורשת, היא יכולה להתבטא בהבדל בטון, באורך, במורכבות, או בסירוב לעסוק בנושא. מודל שנותן שלוש פסקאות עשירות לעמדה אחת ותגובה קצרה לעמדה האחרת הוא מודל מוטה, גם אם אינו אומר בגלוי “אני תומך ב…”. אנטרופיק מסכמת זאת היטב: משתמשים צריכים להרגיש שהעמדות שלהם מכובדות, לא ממוזערות.

המבחן שמאלץ את המודל לחשוף הטיות פוליטיות

המתודולוגיה החדשה נקראת Paired Prompts, והיא פשוטה אך שיטתית. עבור כל נושא פוליטי, בריאות, נשק, הגירה ועוד, המודל מקבל שתי משימות זהות מבנית אך מנוגדות מהותית. למשל: כתוב טיעון משכנע בעד מדיניות X מול כתוב טיעון משכנע בעד המדיניות המנוגדת.

Anthropic | כך נראה מבחן ‘צמד פרומפטים’ בפועל

לאחר מכן נבחנות התשובות בשלושה מדדים מרכזיים:

• Even-Handedness – האם שתי התגובות מציגות עומק, מבנה והיסקים ברמה דומה.
• Opposing Perspectives – האם המודל מוכן להציג גם טיעוני נגד ולהכיר במורכבות.
• Refusals – באיזו תדירות המודל מסרב לענות על הפרומפט.

כדי שהבדיקה תהיה מייצגת, אנטרופיק בנתה מערך גדול במיוחד: 1,350 צמדים, 150 נושאים ו-9 סגנונות משימה – ממאמרים ועד הומור. המטרה היא לחשוף לא רק הטיות גלויות, אלא גם הבדלים סגנוניים עדינים.

Gemini ו-Grok מובילים, Llama קורס

התוצאות מסמנות פערים ברורים בין המודלים:

Anthropic | מי באמת מאוזן פוליטית? השוואת הציונים בין המודלים המובילים

ארבעת המודלים המובילים מקובצים סביב ציונים כמעט זהים, בעוד GPT-5 מפגר מאחור אך לא באופן קיצוני. Llama 4 הוא החריג הגדול – שליש מהתגובות שלו היו בלתי סימטריות – פער שמעיד על בעייתיות עקבית בהתמודדות עם עמדות מנוגדות.

במדד Opposing Perspectives, שבודק עד כמה המודל מציג גם טיעוני נגד, מובילים המודלים של אנטרופיק: Opus עם 46% ו-Sonnet עם 28%. Grok נמצא ב-34%, ו-Llama ב-31%. נתונים על Gemini ו-GPT-5 במדד זה לא פורסמו.

Anthropic | עד כמה מודלים יודעים להציג טיעוני נגד?

גם במדד הסירובים נרשמו פערים: Grok כמעט שאינו מסרב לענות כלל, Sonnet מסרב ב-3% מהמקרים, Opus ב-5%, ואילו Llama מציג שיעור סירובים גבוה יותר.

Anthropic | כמה מודלים מסרבים לענות? פערים משמעותיים בין Grok ל-Llama

איך מאמנים מודל להיות מאוזן

כאן נכנסת עבודת האימון, המבוססת על שני מנגנונים משלימים.

הראשון הוא הנחיות מערכת – הוראות שהמודל מקבל לפני כל שיחה, ובהן הימנעות מהבעת דעות פוליטיות מיוזמתו, שימוש בטרמינולוגיה ניטרלית, והצגת טיעונים באופן שוויוני כאשר מתבקשת עמדת צד כלשהו.

השני הוא Character Training – אימון עמוק יותר המבוסס על למידה מחיזוק. המודל מתוגמל כשהוא מפגין “תכונות אופי” הרצויות בהקשר פוליטי – לא ליצור רטוריקה שמטרתה לשנות את דעת המשתמש, לא לשמש ככלי תעמולה, ולהציג מורכבות והוגנות בתשובותיו.

אנטרופיק מדגישה שהתכונות הללו אינן קבועות, הן מתעדכנות ומתכווננות לאורך הזמן בהתאם לשיח הציבורי, לביקורת ולפידבק מהמשתמשים.

ומה עם ניגוד העניינים?

כיוון שאנטרופיק השתמשה ב-Claude Sonnet 4.5 כמדרג בתהליך הבדיקה, עולה חשש טבעי להטיה לטובתה. כדי להתמודד עם זה, החברה הריצה את אותו מבדק עם שני מדרגים נוספים: GPT-5 ו-Claude Opus 4.1.

התוצאות הראו מתאם גבוה מאוד – 92% בין GPT-5 לסונט ו-94% בין סונט לאופוס. גם המתאם הסטטיסטי במדדים המרכזיים היה כמעט מושלם.

ממצא מעניין שאנטרופיק מדגישה הוא שבני אדם ששימשו כמדרגים היו עקביים פחות עם 85% בלבד. וזה כבר מעלה שאלה עמוקה יותר: האם מודלים שונים מתחילים להיות עקביים יותר מבני אדם בניתוח טיעונים פוליטיים?

מגבלות המחקר שחשוב להכיר

אנטרופיק מציינת בגלוי שהמחקר מתמקד בפוליטיקה אמריקאית בלבד. הוא לא בוחן עמדות או הקשרים בינלאומיים, ולכן אינו משקף בהכרח שיח פוליטי במדינות אחרות. בנוסף, הבדיקה חד-פעמית, עם תשובה אחת לפרומפט אחד. היא אינה מודדת דינמיקה של שיחה מתמשכת, שבה מופיעים תיקונים, החרגות או שינויי טון לאורך זמן.

ולבסוף, אין הגדרה אוניברסלית ל”הטיה פוליטית”. בחירה שונה של מדדים או ניסוח אחר של המשימות הייתה עשויה להניב תוצאות שונות לחלוטין.

למה עכשיו?

המבחן הזה מתפרסם בעיצומה של מחלוקת פוליטית בארצות הברית סביב “AI מוטה”. ממשל טראמפ דורש שמערכות AI המשמשות סוכנויות פדרליות יוכיחו שאינן מקדמות אג’נדה פוליטית, ואף מאשים חלק מהחברות בהטיה שמאלית. אנטרופיק נמצאת בתוך המחלוקת הזו, ולכן שקיפות המתודולוגיה אינה רק עניין מדעי, היא גם מהלך אסטרטגי.

בפועל, זהו מסר שמכוון לציבור ולרגולטורים כאחד – אנחנו לא טוענים למודל מושלם, אבל אנחנו מציגים שיטה שניתן לבדוק, לאמת ולהריץ מחדש.

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

לפרטים נוספים לחצו כאן >>

האם הבעיה נפתרה?

לא. לא קיים AI ניטרלי לחלוטין, וגם המודלים המדויקים ביותר מועדים לטעות. אבל לראשונה יש דרך מסודרת למדוד הטיות פוליטיות עם כלי שניתן להריץ על מודלים שונים, בשפות שונות ובהקשרים שונים. ובעידן שבו מודלים משפיעים על דעת קהל, על מידע ציבורי ועל תהליכי קבלת החלטות, זהו צעד בסיסי ובלתי אפשרי לוותר עליו.

הפוסט האם ה-AI שלכם מוטה פוליטית? המבחן החדש של Anthropic הופיע ראשון בLet's AI בינה מלאכותית

מהו בעצם anti-gravity?

anti-gravity הוא סביבת פיתוח משולבת (Development Environment) שנבנתה סביב רעיון מרכזי אחד: מפתחים צריכים מקום אחד שבו כל כלי העבודה שלהם מדברים אחד עם השני. במקום לנייד קונטקסט בין כלים שונים, anti-gravity מביא את כל השכבות שאתם צריכים לעבודה עם AI למקום אחד.

המוצר מורכב משלושה משטחי עבודה (Surfaces) עיקריים:

מנהל הסוכנים (Agent Manager) – זהו המקום שבו אתם יוצרים ומנהלים את סוכני ה-AI שלכם. מדובר בממשק ריכוזי שמאפשר לכם לפקח על המשימות של הסוכנים השונים שלכם בכל מרחבי העבודה (Workspaces) שהגדרתם. יש רק חלון אחד של מנהל סוכנים, והוא מתפקד כמרכז הבקרה העיקרי שלכם.

העורך (Editor) – עורך קוד מתקדם שכולל את כל מה שהתרגלתם לצפות: השלמות אוטומטיות עם לחצן Tab, סרגל צדדי של סוכן AI, והאפשרות לקפוץ ישירות לקוד בכל שלב. זה המקום שבו אתם משתלטים על העבודה שהסוכן התחיל, מביאים משימה מ-90% ל-100%, או פשוט עובדים בצורה מסורתית יותר עם סיוע של AI.

הדפדפן (Browser) – זה החלק המרתק ביותר. anti-gravity כולל אינטגרציה מלאה עם דפדפן Chrome שמאפשרת לסוכן AI לא רק לכתוב קוד, אלא גם לבדוק אותו באופן אוטומטי. הסוכן יכול לפתוח את הדפדפן, לקליק על כפתורים, למלא טפסים, לגלול בעמודים – בדיוק כמו שמשתמש אנושי היה עושה – ולתעד את כל התהליך.

ההבדל המשמעותי כאן הוא שכל שלושת המשטחים האלה חולקים קונטקסט אחד משותף. כשהסוכן קורא את הקוד שלכם, הוא מבין גם מה קורה בדפדפן. כשאתם עורכים משהו בעורך, הסוכן יודע על זה מיד. וכשהדפדפן מגלה בעיה, כל המידע זורם חזרה למנהל הסוכנים והעורך.

איך זה עובד ולמה זה כל כך מגניב?

הקסם האמיתי של anti-gravity מתחיל עם מה שנקרא “Agent-Assisted Development” – פיתוח בסיוע סוכן. זהו מצב עבודה שבו אתם לא מנהלים את הסוכן באופן מיקרו-מנג’רי, אלא נותנים לו חופש פעולה לקבל החלטות בעצמו.

בואו נבין איך זה עובד בפועל עם דוגמה:

אתם רוצים לבנות אפליקציה שמאפשרת למשתמשים לחפש טיסות ולהוסיף אותן ליומן Google שלהם. במקום לכתוב את כל הקוד בעצמכם, אתם פשוט אומרים ל-anti-gravity: “בנה לי אפליקציה ב-Next.js שבה משתמש יכול להזין מספר טיסה, והאפליקציה תציג את זמן ההמראה, הנחיתה, אזורי הזמן והמיקומים. בשלב זה, תשתמש ב-Mock API.”

מהנחיה לקוד

שלב 1: הסוכן מחליט מה צריך לעשות

המודל של Google מנתח את הבקשה ומחליט אם זו משימה פשוטה שהוא יכול לעשות לבד, או משהו שדורש את תשומת הלב שלכם. במקרה של בניית אפליקציה חדשה מאפס, הסוכן מבין שזה פרויקט גדול אבל סטנדרטי, ולכן הוא פשוט מתחיל לעבוד.

הדבר הראשון שהסוכן עושה זה להריץ את הפקודה create-next-app בטרמינל. וכאן מגיע השוני: בגלל שבחרתם במצב “Agent-Assisted”, הסוכן לא מחכה לאישור שלכם לכל פקודה. הוא מריץ את זה ישירות. כמובן, אם מדובר בפקודה מסוכנת או מורכבת יותר, המערכת תודיע לכם ותבקש אישור.

שלב 2: עבודה עם Artifacts

בזמן שהסוכן עובד, הוא משתמש במה שנקרא “Artifacts” – מסמכי עבודה פנימיים שהסוכן כותב לעצמו. אם תפתחו את הסרגל הימני (הזמין גם בעורך וגם במנהל הסוכנים), תראו שהסוכן מנהל שלושה סוגים של Artifacts:

רשימת משימות (Task List) – הסוכן מתחזק רשימה של כל מה שהוא צריך לעשות. זו דרך לעקוב אחרי ההתקדמות שלו בזמן אמת. למשל: “ליצור component של טופס חיפוש”, “להגדיר Mock API”, “לעצב את דף התוצאות”.
תוכנית יישום (Implementation Plan) – לפני שהסוכן מתחיל לשנות את הקוד שלכם, הוא כותב מסמך מפורט שמסכם את המחקר שהוא עשה ומה הוא מתכנן לעשות. זו הזדמנות שלכם לעיין, להגיב, ולוודא שהסוכן הולך בכיוון הנכון. אתם יכולים להדגיש טקסט, להשאיר הערות (בדיוק כמו ב-Google Docs), ולתקן או להנחות את הסוכן לפני שהוא מבצע שינויים.
סקירה מסכמת (Walkthrough) – כשהסוכן מסיים משימה, הוא כותב דוח מפורט שמסביר מה הוא עשה, איך הוא אימת שהקוד עובד, וממחיש את התוצאות עם צילומי מסך או הקלטות מסך. זה מאפשר לכם להבין מה השתנה בלי לקרוא את כל הקוד מחדש.

שלב 3: אינטגרציה עם הדפדפן

אחרי שהסוכן מסיים לכתוב את הקוד, הוא לא עוצר שם. הוא מריץ את שרת הפיתוח (npm run dev), פותח את הדפדפן, ובודק את האפליקציה באופן אוטומטי.
בדוגמה, הסוכן:
– מזין מספר טיסה
– בודק שהתוצאות מוצגות נכון
– מנסה להזין מספר לא תקין כדי לבדוק טיפול בשגיאות
– מתעד את כל התהליך בצילומי מסך והקלטות מסך

כל זה קורה אוטומטית בזמן שאתם יכולים להמשיך לעבוד על דברים אחרים או פשוט ללכת לשתות קפה.

שלב 4: עבודה במקביל על כמה משימות

וכאן מגיע אחד היתרונות המשמעותיים של anti-gravity: אתם יכולים להריץ כמה סוכנים במקביל על אותו פרויקט. למשל, בזמן שסוכן אחד בונה את הקוד העיקרי, אתם יכולים להפעיל סוכן שני שיעשה מחקר על API חיצוני, וסוכן שלישי שייצור לוגו לאפליקציה.

למשל בדוגמה שלנו, ניתן להפעיל שני סוכנים במקביל:
סוכן ראשון: חוקר את ה-Aviation Stack API, קורא את התיעוד, מריץ בקשות curl כדי לקבל דוגמאות אמיתיות של המידע שחוזר, ויוצר Implementation Plan.
סוכן שני: יוצר מספר אפשרויות ללוגו של האפליקציה באמצעות מודל יצירת תמונות של Google (Nano Banana) – לוגו מינימליסטי, קלאסי, לוגו של לוח שנה, ועוד.
כל סוכן עובד בנפרד, אבל כולם חולקים את אותו מרחב עבודה וקונטקסט. כשסוכן מסיים, אתם מקבלים התראה ויכולים לבדוק את התוצאות.

שלב 5: אינטראקציה עם קוד – העורך

לפעמים הסוכן מגיע למצב שבו הוא צריך עזרה, או שאתם פשוט רוצים לקחת את ההגה. בשלב כזה, אתם לוחצים על Command+E (או על כפתור “Open in Editor”), והעורך של anti-gravity נפתח.

העורך הזה לא מנסה להיות משהו מהפכני. הוא פשוט עורך קוד טוב עם יכולות AI מתקדמות:
Tab Autocomplete – בזמן שאתם מקלידים, העורך מציע השלמות חכמות שמבוססות על הקונטקסט של כל הפרויקט. בדוגמה שלנו, נניח ונרצה להחליף את ה-Mock API בנתונים אמיתיים. העורך מציע לנו אוטומטית את הקוד הנכון כי הוא יודע על ה-Aviation Stack API שהסוכן השני חקר.
סרגל צדדי של הסוכן – גם בתוך העורך, אתם יכולים לתקשר עם הסוכן. למשל, אתם יכולים לסמן בלוק קוד ולבקש מהסוכן: “שפר את הקוד הזה” או “הוסף טיפול בשגיאות כאן”.
Import אוטומטי – כשאתם משתמשים בפונקציה חדשה, העורך מבין אוטומטית מאיפה לייבא אותה ומוסיף את ה-import בראש הקובץ.
כל זה קורה בכמה שניות, בלי להיזדקק לסוכן, אבל עם כל ההקשר שהסוכן כבר אסף.

סביבת הפיתוח של Antigravity

הכלים והתכונות העיקריות

עבודה במקביל (Parallel Execution)

אחד היתרונות הגדולים של anti-gravity הוא היכולת להריץ מספר סוכנים במקביל על אותו פרויקט. זה משנה לחלוטין את אופן העבודה:

• סוכן אחד בונה קוד בזמן שאתם מתמקדים במשימה מורכבת יותר.
• סוכן שני עושה מחקר על API או טכנולוגיה חדשה.
• סוכן שלישי מייצר assets כמו לוגואים, איקונים או תמונות.
• אתם עובדים בעורך בזמן שסוכן רץ ברקע.

כל סוכן שומר על הקונטקסט המשותף, אז כשהוא מסיים, התוצאות שלו זמינות מיד לסוכנים האחרים.

מערכת Artifacts

מערכת ה-Artifacts היא הדרך שבה anti-gravity שומר על שקיפות מלאה:

Task List – רשימת משימות שהסוכן מנהל לעצמו. אתם יכולים לראות בדיוק באיזה שלב הוא נמצא.
Implementation Plan – תוכנית עבודה מפורטת שהסוכן כותב לפני שהוא משנה קוד. זו ההזדמנות שלכם לבדוק, להגיב, ולהנחות.
Walkthrough – דוח מסכם שהסוכן כותב אחרי שהוא מסיים משימה. זה כולל:

• תיאור של מה השתנה.
• צילומי מסך והקלטות מסך של הדפדפן.
• פקודות טרמינל שהסוכן הריץ.
• בדיקות שהסוכן עשה.

Comments System

בדיוק כמו ב-Google Docs, אתם יכולים להדגיש טקסט ב-Artifacts ולהשאיר הערות. הסוכן קורא את ההערה ולוקח אותה בחשבון בזמן היישום. זו דרך טבעית לתקשר עם הסוכן בלי להפריע לזרימת העבודה שלו.

Pending Comments תכונה מעניינת במיוחד: אתם יכולים לשלוח “Pending Comment” – הערה שהסוכן ייקח בחשבון בנקודת עצירה הגיונית הבאה בעבודה שלו. זה אומר שאתם לא צריכים לחכות שהסוכן יסיים משימה אחת לפני שאתם נותנים לו משימה נוספת. אתם פשוט משאירים הערה, והסוכן “יקלוט” אותה כשיגיע לנקודה מתאימה.

Integration עם Google

בתור חלק ממשפחת המוצרים של Google, anti-gravity מקבל גישה ישירה למודלים המתקדמים ביותר: Imagen – Nano Banana – מודל יצירת תמונות מתקדם. Gemini – מודל השפה הגדול של Google מפעיל את הסוכנים. זה המודל שמבין את הקוד, קורא תיעוד, מחליט מה לעשות, וכותב את הקוד.

Context-Aware Features

anti-gravity לא רק משתמש בקוד שלכם כקונטקסט. המערכת מאוד רחבה במה שהיא מביאה בחשבון:

כל הקבצים בפרויקט – הסוכן רואה את כל המבנה של הקוד שלכם.
תיעוד שקרא מהאינטרנט – אם הסוכן חיפש מידע על API חיצוני, המידע הזה נשאר בקונטקסט.
היסטוריית השיחות – כל מה שאמרתם לסוכן נשמר. למשל, אם ביקשתם ליצור commit message, המערכת השתמשה בהיסטוריית השיחה כדי להבין מה השתנה.
מה שקרה בדפדפן – אם הסוכן ראה באג בדפדפן, המידע הזה זורם בחזרה ומשפיע על ההחלטות הבאות שלו.

Git Integration

העורך של anti-gravity כולל אינטגרציה עם Git: Commit Message Generation – כפתור שמייצר אוטומטית commit message חכם שמבוסס על השינויים שעשיתם והשיחות שניהלתם עם הסוכן. Source Control View – ממשק לניהול Git: לראות שינויים, לעשות commit, לדחוף לענף מרוחק.

התוצר הסופי: אפליקציית Flight Tracker

דברים שחשוב לדעת

מגבלות ושיקולים

למרות כל היתרונות, חשוב להבין גם את המגבלות והשיקולים:

זה עדיין בפיתוח
anti-gravity הוא מוצר חדש לגמרי. ייתכנו באגים, עיכובים ואיטיות כמו בכל מוצר בתחילת דרכו.

תלות ב-Google

המוצר מופעל על ידי המודלים של Google. זה אומר שאתם תלויים בתשתית שלהם, בתמחור שלהם, ובמדיניות השימוש שלהם. אם Google תחליט לשנות מחירים או הגבלות, זה ישפיע ישירות על אופן השימוש ב-anti-gravity.

דרישת אינטרנט מתמדת

בגלל שהסוכנים מתקשרים עם שרתים של Google, אתם צריכים חיבור אינטרנט יציב. זה לא כלי שיעבוד offline. אם האינטרנט נופל באמצע משימה, הסוכן יעצור.

פרטיות ואבטחה

הקוד שלכם נשלח לשרתים של Google כדי שהסוכן יוכל לנתח אותו. זה עשוי להיות בעיה עבור חברות עם נתונים רגישים או קוד קנייני. חשוב לקרוא את תנאי השימוש ולהבין איזה מידע נשלח והיכן הוא מאוחסן. נכון לעכשיו, לא ברור אם יהיו אפשרויות של deployment פרטי (on-premises) עבור ארגונים שלא רוצים לשתף קוד עם שירותים חיצוניים.

עלויות לא ידועות

המחיר של anti-gravity עדיין לא פורסם. בהינתן שהמוצר משתמש במודלים גדולים (LLMs) באופן אינטנסיבי, סביר להניח שיהיה תמחור מבוסס-שימוש. כמה יעלה להריץ סוכן למשך שעה? כמה יעלה כל API call לדפדפן? אלו שאלות שיתקבלו תשובות בעתיד.

גבולות היכולת

כמו בכל כלי AI, גם הסוכנים של anti-gravity לא מושלמים. הם עשויים:

לעשות שגיאות בקוד – במיוחד במצבים מורכבים או קצה
להבין בצורה לא נכונה את מה שביקשתם
להיתקע במשימות מורכבות מאוד
לבצע החלטות לא אופטימליות בתכנון הקוד

בגלל זה ה-Agent-Assisted Mode הוא כל כך חשוב. המטרה היא לא לתת לסוכן לעשות הכל לבד, אלא לתת לו לעשות את 80-90% מהעבודה, ואתם מביאים את זה ל-100% עם הניסיון.

Workspace Management

עבודה עם מספר סוכנים במקביל דורשת ארגון טוב. אתם צריכים לנהל Workspaces, לעקוב אחרי מה כל סוכן עושה, ולוודא שהם לא עומדים אחד על השני. זה מוסיף שכבה של מורכבות ניהולית.

Browser Extension Dependency

התכונה החזקה של בדיקה אוטומטית בדפדפן תלויה ב-Chrome Extension. אם אתם עובדים בדפדפן אחר (Firefox, Safari), או אם החברה שלכם חוסמת extensions, התכונה הזו לא תהיה זמינה. זה מגביל חלק ניכר מהכוח של anti-gravity.

מה הלאה?

anti-gravity מייצג גישה חדשה לפיתוח תוכנה עם בינה מלאכותית. במקום לראות ב-AI כלי עזר חיצוני, המוצר מטמיע אותו עמוק לתוך זרימת העבודה.

הכיוון של התעשייה

אנחנו רואים מגמה ברורה בכלי הפיתוח: AI הופך מ ״פיצ׳ר נחמד״ ל”עמוד שדרה מרכזי”. GitHub Copilot התחיל עם השלמות בשורה אחת. Cursor הביא AI לעורך. anti-gravity לוקח את זה צעד אחד קדימה: AI שלא רק כותב קוד, אלא גם מנהל פרויקטים, בודק אפליקציות, ועושה מחקר.

ככל הנראה, נראה עוד מוצרים שמנסים לשלב את כל חוויית הפיתוח. המרוץ הוא לא רק על מי כותב את הקוד הטוב ביותר, אלא על מי מנהל את כל התהליך בצורה הכי יעילה.

תחרות בשוק

anti-gravity נכנס לשוק שכבר די צפוף:

GitHub Copilot – השילוב הטבעי עם GitHub וכלי המפתחים של Microsoft

Cursor – עורך AI-first שהפך פופולרי מאוד במהירות

Replit – סביבת פיתוח מלאה מבוססת-דפדפן עם AI

Codeium – אלטרנטיבה חינמית ל-Copilot

ועוד עשרות מתחרים.

מה שמייחד את anti-gravity הוא השילוב של שלושת המשטחים – Agent Manager, Editor, Browser – תחת גג אחד, עם הקונטקסט המשותף ביניהם. אבל זה לא יהיה מספיק. Google תצטרך להוכיח:

מהירות – הסוכנים חייבים לעבוד מהר

דיוק – הקוד חייב להיות נכון

מחיר – צריך להיות תחרותי

אינטגרציות – חיבור לכלים אחרים שמפתחים משתמשים בהם (Slack, Jira, GitLab, ועוד)

האם זה יחליף מפתחים?

השאלה הנצחית כשמדברים על AI בפיתוח. התשובה הקצרה: לא בקרוב.

anti-gravity לא מחליף מפתחים. הוא משדרג אותם. הסוכן עדיין צריך הנחיה, הבנה של הקונטקסט העסקי, החלטות ארכיטקטוניות, ושיפוטים על איכות. מה שהוא כן עושה הוא:

מאיץ את החלקים השגרתיים והחוזרים של הפיתוח

מוריד את מחסום הכניסה לטכנולוגיות חדשות (למדו API חדש תוך דקות)

מאפשר למפתח יחיד לעשות עבודה שהייתה דורשת קודם צוות קטן

אז מי שישרוד ויצליח? מפתחים שמבינים איך לעבוד עם AI. איך להנחות, איך לבדוק, איך לזהות מה הסוכן עושה נכון ומה לא. זו מיומנות חדשה שנוספת לארגז הכלים של המפתח המודרני.

השלבים הבאים עבור anti-gravity

הצוות של anti-gravity רמז שהם “עובדים קשה על מה שהולך להיות”. מה יכול להיות?

אינטגרציות נוספות – תמיכה בעוד שפות תכנות, frameworks, וכלי פיתוח.

שיתוף פעולה בין מפתחים – אפשרות למספר מפתחים לעבוד על אותו Workspace עם סוכנים משותפים.

CI/CD Integration – חיבור ישיר לצינורות ה-CI/CD כך שהסוכנים יכולים להריץ בדיקות, לעשות deploy, ולעקוב אחרי production.

Advanced Testing – מעבר מבדיקות ידניות בדפדפן לבדיקות אוטומטיות מלאות: unit tests, integration tests, e2e tests.

מודלים מותאמים אישית – אפשרות ל-fine-tune את המודלים על הקוד הספציפי של הארגון שלכם.

On-Premises Deployment – גרסה פרטית שניתן להריץ על שרתים פנימיים של החברה.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

לסיכום

anti-gravity של Google הוא לא עוד כלי AI לכתיבת קוד. זוהי סביבה מלאה שמנסה לחשוב מחדש על איך מפתחים עובדים עם בינה מלאכותית.

השילוב של שלושת המשטחים – Agent Manager למעקב ברמה גבוהה, Editor לשליטה מלאה, ו-Browser לבדיקות אוטומטיות – יוצר זרימת עבודה שלמה ורציפה. הקונטקסט המשותף בין כל החלקים מבטיח שהסוכנים לא רק כותבים קוד, אלא מבינים את התמונה הגדולה של מה אתם מנסים להשיג.

מערכת ה-Artifacts, עם ה-Task Lists, Implementation Plans ו-Walkthroughs, מעניקה שקיפות מלאה. אתם תמיד יודעים מה הסוכן עושה, למה הוא עושה את זה, ומה התוצאות. זה לא קופסה שחורה – זו שותפות עבודה אמיתית.

היכולת להריץ מספר סוכנים במקביל משנה את כללי המשחק. מפתח יחיד יכול עכשיו לנהל פרויקטים מורכבים, לחקור טכנולוגיות חדשות, ולייצר assets – הכל בו זמנית. זו לא רק תוספת של יעילות. זו הגדלה אמיתית של מה שמפתח יכול להשיג.

האתגרים עדיין קיימים: פרטיות, עלויות, גבולות היכולת של ה-AI, ותלות ב-Google. אבל הכיוון ברור: סביבות הפיתוח של העתיד יהיו משולבות עמוק עם AI, ולא רק עם השלמות קוד חכמות.

השורה התחתונה: anti-gravity מראה לנו הצצה לעתיד שבו המפתחים לא רק כותבים קוד, אלא מתזמרים סוכני AI שעושים את העבודה הכבדה בשבילם. זה לא מחליף את הצורך במפתחים טובים. זה פשוט משחרר אותם לעסוק בדברים שבאמת דורשים יצירתיות, שיפוט ומומחיות אנושית.

הפוסט anti-gravity של Google: כשהעורך, המנהל והדפדפן הופכים לשותף אחד הופיע ראשון בLet's AI בינה מלאכותית

הניסוי הסודי, ומה באמת אומרים 64.78 אחוזי ההעדפה

בין הראשון לארבעה עשר בנובמבר xAI הריצה את גרסת Grok 4.1 בלי לומר מילה. המשתמשים שוחחו עם המודל החדש בלי לדעת שהוא שם, והתוצאות דיברו בעד עצמן. כמעט שישים וחמישה אחוזים מהמשתמשים העדיפו את גרסת 4.1 על פני הדור הקודם.

Grok 4.1 מול הדור הקודם | מקור: x.Ai

המספר מרשים, אבל הוא מספר סיפור מהותי יותר. העדפה אינה בהכרח הוכחה ליכולת טכנית גבוהה. היא לרוב עדות לחוויה טובה יותר. זרימה נוחה יותר, ניסוח אנושי יותר, תגובות שמרגישות קרובות יותר לשיחה אמיתית. כלומר, פחות כוח חישובי ויותר תחושה של אישיות. המגמה הזו משמעותית, כי היא מציבה את הדגש על חוויית השימוש במקום על מבחני ביצועים אבסטרקטיים.

מאחורי הקלעים, וכיצד המודל מלמד את עצמו להיות אנושי

הבחירה של xAI בדור הזה של מודל הבינה המלאכותית גרוק היא לשים את האינטליגנציה הרגשית במרכז. שיטת האימון משלבת למידת חיזוק מסורתית עם מודלים של הסקה שממלאים תפקיד של שופטים. הם מנתחים את התשובות, מעניקים משוב ומאפשרים למודל ללמוד טון, הומור, עקביות ותגובה אנושית יותר.

זינוק משמעותי במבחני EQ-Bench | מקור: x.Ai

יחד עם זאת, יש כאן גם נקודת חולשה. כאשר שופטים מלאכותיים מגדירים את המשוב, הם גם מטמיעים את ההטיות שלהם בתהליך. לכן חשוב להבין שהשיפור מהיר, אבל אינו מנותק מהעדפות של מערכת אחת שמדריכה מערכת אחרת. במקום אמת אובייקטיבית, מתקבלת העדפה סובייקטיבית שעוברת מאחד לשני. זהו פרט קריטי לכל מי שמתייחס למודל כמקור מידע.

מעבר לטבלאות, ומה ההישגים באמת מספרים

Grok 4.1 מציג רצף הישגים שנראים מרשימים על הנייר. הוא מגיע למקום הראשון בקטגוריית החשיבה של LMArena, חוצה ציון של 1700 במבחני הכתיבה היצירתית ומראה זינוק בולט במבחני האינטליגנציה הרגשית. כל אלה מציבים אותו לצד המודלים המובילים כיום.

Grok 4.1 במקום ה-1 בקטגוריית החשיבה של LMArena | מקור: x.Ai

אבל חייבים לעצור לרגע ולבחון את המשמעות. מבחנים סינתטיים מספרים רק חלק מהסיפור. LMArena מודד שיחות קצרות. Creative Writing בוחן ניסוח, ולא עקביות לאורך זמן. EQ Bench מתבסס על דפוסי תגובה צפויים. עבור מי שמחפש כלי עבודה יום יומי, הנתונים הם אינדיקציה חשובה, אבל רחוקה מלהיות תעודת ביטוח.

תוצאות גבוהות במיוחד במבחני כתיבה יצירתית | מקור: x.Ai

ההפתעה האמיתית, והירידה הדרמטית בהזיות

כאן נמצא ככל הנראה השיפור האמיתי של הדור הזה. מדידות FActScore מצביעות על ירידה חדה בשגיאות עובדתיות, במיוחד במצב הפעולה המהיר. עבור משתמשים זה לא רק נתון טכני. זה שינוי תפעולי. פחות צורך לבדוק כל משפט פעמיים, יותר יכולת להסתמך על המודל בעת מחקר וסיכום מידע.

ירידה חדה בשיעורי ההזיות ושיפור משמעותי ב-FActScore | מקור: x.Ai

יחד עם זאת, צריך (עדיין) להישאר מציאותיים. גם בגרסה הזו המודל עדיין מסוגל להמציא עובדות. השיפור מרשים ומשמעותי, אך אינו מוחלט.

מה המהלך אומר על xAI ועל השוק כולו

Grok 4.1 ממקם את xAI לצד השחקנים הגדולים, אך מסיבה אחרת מהמקובל. בזמן ש-OpenAI ו-Google מרחיבות את הארכיטקטורה, מוסיפות שכבות ומגדילות את חלונות ההקשר, xAI בוחרת מסלול שונה. היא מציגה מודל שלא מוכרח להיות החכם ביותר, אלא זה שמספק את החוויה האנושית ביותר. אם הדור הקודם התחרה על ביצועים, הדור הבא ייבחן לפי האינטראקציה שהוא יוצר.

למי המודל מתאים, ולמי פחות

Grok 4.1 מתאים במיוחד למשתמשים שמחפשים אינטראקציה זורמת ואינטואיטיבית, כזו שמרגישה בעלת אופי ולא רק כלי טכני. הוא משרת היטב כותבי תוכן, אנשי שיווק ויוצרי טקסטים רגשיים, וגם משתמשים שזקוקים לרמת אמינות עובדתית גבוהה יותר מזו שהציע הדור הקודם.

לעומת זאת, מי שנדרש ליכולות קוד מורכבות או פתרונות ארכיטקטוניים עמוקים ימצא כאן מענה חלקי בלבד. גם משתמשים שמחפשים אינטגרציה מלאה לתשתיות וכלים ארגוניים, או מודל מחקרי יבש שמעדיף עובדות על פני סגנון שיחה, פחות יפיקו ממנו את המקסימום.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

למה Grok 4.1 מסמל שינוי עמוק יותר משנדמה

מי שמסתכל על Grok 4.1 רק כמוצר טכנולוגי מפספס את מה שבאמת מתרחש כאן. המודל הזה מאיר תובנה רחבה יותר שמתגבשת בחודשים האחרונים. הקרב הבא בעולם הבינה המלאכותית כבר לא ייקבע רק על פי נקודות Elo נוספות או חלונות הקשר רחבים יותר. הוא ייקבע על פי תחושת הדיאלוג. על פי היכולת של מודל לשמור על אישיות עקבית, להבין רגש ולדבר כמו שותף.

xAI מזהה שהשלב הבא של הטכנולוגיה לא עובר דרך עוד שכבת טרנספורמר, אלא דרך החוויה האנושית שמתרחשת בזמן השימוש. במובן הזה Grok 4.1 איננו מהפכה טכנית, אלא שינוי תפיסתי שמנסה להגדיר מחדש איך נראית מערכת שמתקשרת עם בני אדם.

Grok 4.1 הוא מודל בשל, אמין ומרשים. הכוח שלו לא טמון רק בביצועים, אלא בגישה. מכונה שחושבת מהר זה בהחלט מעניין. מכונה שמרגישה מעט יותר אנושית, גם אם לא במובן עמוק, משנה את החוויה כולה.

הפוסט האם גרוק 4.1 הוא לא הכי חכם אבל הכי אנושי? הופיע ראשון בLet's AI בינה מלאכותית

מה בעצם ג׳מיני 3 אומר על העידן הנוכחי

כדי להבין למה זה משנה, צריך להתחיל מהשורש. סונדר פיצ׳אי, מנכ״ל גוגל, פותח את ההכרזה בהקשר רחב ומציג נתונים שממחישים עד כמה הבינה המלאכותית כבר נטועה בשימוש היומיומי: שני מיליארד משתמשים בחיפוש מבוסס AI, יותר מ-650 מיליון משתמשי אפליקציית Gemini, ושלושה עשר מיליון מפתחים שבונים עם המודלים הגנרטיביים של גוגל.

על הרקע הזה גוגל מציגה את Gemini 3. זהו מודל שאמור להציג אינטליגנציה עמוקה יותר, הבנת הקשר מדויקת יותר ורמה גבוהה של אינטראקציה בין טקסט, תמונה, וידאו, אודיו וקוד. לפי גוגל, זה מודל שלא מסתפק בהבנת הבקשה, אלא שואף להבין את הכוונה שמניעה אותה.

החשיבה החדשה של ג׳מיני 3

גוגל מציבה את Gemini 3 Pro כמודל שמוביל כמעט בכל מדד חשיבה מרכזי. הוא מדורג ראשון ב-LMArena עם ציון 1501 Elo, משיג 37.5 אחוז במבחן Humanity’s Last Exam ללא שימוש בכלים, ומגיע ל-91.9 אחוז ב-GPQA Diamond שמודד ידע מדעי ברמת עומק גבוהה.

גם בתחום המתמטיקה הוא קובע רף חדש עם תוצאה מובילה במבחן MathArena Apex, ובחזית המולטימודליות מציג 81 אחוז ב MMMU Pro ו-87.6 אחוז ב-Video MMMU. לצד זאת, גוגל מדווחת על דיוק עובדתי של 72.1 אחוז ב SimpleQA Verified, נתון שמחזק את הטענה לשיפור ביכולת להישען על המודל כמקור מידע אמין יותר.

blog.google | בנצ’מרקים מרכזיים של Gemini 3

המספרים חשובים, אבל המשמעות עמוקה יותר. לפי גוגל, Gemini 3 יודע להפיק תשובות מדויקות וישירות, בלי להיסחף לחנופה טקסטואלית ובלי לעטוף כל תשובה בפרשנות מיותרת. המודל אמור לתפקד כשותף לחשיבה שמפענח בעיות מורכבות, מציע זוויות חדשות, ומתרגם רעיונות מופשטים לתובנות ולייצוגים ויזואליים.

הצעד הבא באותו כיוון הוא Gemini 3 Deep Think. זהו מצב עבודה שמעלה עוד את רמת הביצועים בכל המדדים הקוגניטיביים, ומיועד לאתגרים שבהם דרוש ניתוח עמוק במיוחד. בשלב זה גוגל מפעילה עליו מערך בדיקות בטיחות נרחב, ומתכננת לפתוח אותו בהמשך למנויי Google AI Ultra.

ביצועי Gemini 3 Deep Think במדדי החשיבה המרכזיים | blog.google

ללמוד כל דבר, בכל פורמט

החזון של Gemini היה תמיד מולטימודלי, ו-Gemini 3 מרחיב אותו באופן טבעי. הוא יודע להתמודד עם טקסטים ארוכים, מאמרים אקדמיים וספרות טכנית, לפענח תמונות וסריקות של מסמכים כולל כתב יד, ולהבין וידאו ארוך בצורה שמפיקה תובנות מתוך תנועה, דפוסים והקשר. בנוסף, הוא מסוגל לשלב קוד בתוך תהליך הלמידה וליצור כרטיסיות לימוד, ויזואליזציות וכלי עזר אינטראקטיביים שמותאמים לנושא.

גוגל מציגה דוגמאות שממחישות את זה בצורה פשוטה: המודל יכול לתרגם מתכונים משפחתיים בכתב יד ולהפוך אותם לספר בישול מסודר, או לנתח סרטון של משחק Pickleball ולהפיק ממנו תוכנית אימונים מותאמת לשחקן.

בצד החיפוש, Gemini 3 משנה את החוויה ב-AI Mode. במקום תשובה טקסטואלית בלבד, הוא מסוגל לבנות הדמיה, לייצר כלי אינטראקטיבי או ליצור פריסה חזותית שנבנית בזמן אמת בהתאם לשאלה.

לבנות כל דבר, בקצב מהיר

בצד הפיתוח גוגל מסמנת קפיצה משמעותית. Gemini 3 כבר מוביל את דירוג WebDev Arena ומציג שילוב של יכולות קידוד, שליטה בכלים והבנה עמוקה של מבנה ממשקי ווב.

לפי גוגל, המודל מציג ביצועים גבוהים ב- Terminal Bench 2.0 שמודד שימוש יעיל בכלים, ומשיג 76.2 אחוז ב SWE bench Verified, אחד המדדים החשובים להערכת סוכני קוד. המשמעות המעשית היא יכולת לייצר ממשקים אינטראקטיביים עשירים מתוך הנחיות מורכבות, לא רק לשכתב קוד קיים.

המסקנה של גוגל ברורה, Gemini 3 לא נועד להיות עוד עוזר קוד, אלא מנוע לפיתוח מהיר, ניסוי רעיונות ויצירת פרוטוטייפים מלאים בתוך דקות.

תכנון ארוך טווח וכניסה לעידן האייג׳נטים

בשלב הזה גוגל חושפת את אחד המרכיבים שמבדילים את Gemini 3 מהדורות הקודמים – יכולת תכנון לטווח ארוך. כדי להמחיש את זה היא מציגה את Vending Bench 2, סימולציה שמדמה שנה שלמה של קבלת החלטות, הפעלת כלים והתמדה במשימה מורכבת בלי לסטות מהיעד. במבחן הזה Gemini 3 Pro מצליח לשמור על התקדמות עקבית, לנהל את המשאבים שלו בצורה יעילה ולייצר תשואה גבוהה משמעותית ביחס למודלים מובילים אחרים.

ביצועי Gemini 3 Pro ב Vending Bench 2 | blog.google

המשמעות בעולם האמיתי היא שמדובר במודל שיכול להתמודד עם משימות הדורשות רצף מורכב של פעולות כמו ארגון תיבת המייל, הזמנת שירותים מקומיים, או הרצת תהליכים ארוכים שחייבים לעמוד בהקשר וביעד. זה לא רק פתרון של שאלה אחת אלא ניהול של תהליך.

הנה דוגמה ליכולות האייג׳נטיות של Gemini 3 בפעולה. הסוכן של גוגל יודע לבצע משימות אמיתיות בתוך המוצרים, כולל סדר ואירגון של תיבת המייל שלכם ב Gmail, והכול תוך שמירה על שליטה מלאה של המשתמש. הסרטון מציג את התחום שבו הבינה המלאכותית כבר לא רק מסבירה מה צריך לעשות, אלא פשוט עושה את זה:

גוגל כבר מאפשרת למנויי AI Ultra להתנסות ב-Gemini Agent בתוך אפליקציית Gemini, והחברה מציינת שהיכולות האגנטיות יתרחבו למוצרים נוספים בתקופה הקרובה.

Antigravity מנסה לשנות איך מפתחים עובדים

אחת ההכרזות המשמעותיות ביותר של גוגל היא Google Antigravity – פלטפורמת פיתוח אייג’נטית שמחליפה את הרעיון של “מודל שעוזר” במודל שפועל. ב-Antigravity הסוכנים מקבלים גישה ישירה לעורך הקוד, לטרמינל ולדפדפן, ויכולים לתכנן ולבצע משימות פיתוח שלמות מקצה לקצה. הם בונים מבנה עבודה, כותבים קוד, בודקים את עצמם ויוצרים תוצרים תוך כדי תנועה.

המערכת משלבת את Gemini 3 Pro עם מודל שליטה בדפדפן ומודל עריכת תמונה, מה שיוצר סביבת פיתוח שבה העבודה מתחלקת בין אדם למודל לא רק לפי שורות קוד אלא לפי תהליך שלם. עבור מפתחים זו קפיצה מתפקיד של “עוזר חכם” לתפקיד של שותף טכני שיכול להוביל חלקים מתוך הפרויקט.

בטיחות ואמון

גוגל מדגישה כי Gemini 3 עבר את מערך בדיקות הבטיחות המקיף ביותר שביצעה עד היום. לפי החברה, המודל עמיד יותר לניסיונות הטעיה דרך פרומפטים, מושפע פחות מנטייה לחנופה בתשובות (sycophancy), ועבר הערכות של גופי בטיחות בינלאומיים כמו UK AISI לצד בדיקות נוספות של גורמים עצמאיים.

הדגש המרכזי הוא על איזון. גוגל מנסה להציג מודל שמתקדם ביכולותיו אך מצויד בהגנות שמונעות שימוש לרעה. זהו הבסיס שאיפשר לה להשיק את Gemini 3 כבר ביום הראשון בתוך מוצרים רגישים כמו החיפוש, האפליקציה וכלי הפיתוח.

איפה Gemini 3 זמין כבר עכשיו

לפי גוגל, Gemini 3 מתחיל להיפרס במקביל בכמה ערוצים. המודל זמין לכל משתמשי אפליקציית Gemini וגם בווב, ובנוסף מנויי Google AI Pro ו-Ultra מקבלים גישה אליו במצב AI Mode בתוך החיפוש.

מפתחים יכולים לעבוד איתו דרך Gemini API, Google AI Studio, פלטפורמת Antigravity ו-Gemini CLI, בעוד ארגונים מקבלים אותו כחלק מ-Vertex AI ו-Gemini Enterprise. מצב Deep Think ייפתח מאוחר יותר, לאחר השלמת בדיקות הבטיחות.

השילוב בין כל נקודות הכניסה הללו יוצר פריסה רחבה במיוחד, שמטרתה לבחון את התנהגות המודל בסביבות מגוונות ובקנה מידה גדול כבר מהיום הראשון.

מודל שחושב, מבין ופועל

הדגש המרכזי בסיפור של Gemini 3 אינו רק הביצועים המרשימים, אלא השאיפה להפוך את המודל לשותף אמיתי. זהו מודל שנועד לחשוב לצד המשתמש, ללמד, לפתח ולבצע משימות באופן שמרגיש פחות כמו כלי ויותר כמו גורם פועל בתוך המערכת.

עבור התעשייה זהו רגע מבחן. Gemini 3 מסמן את המעבר ממודלים שמספקים תשובות למודלים שנכנסים לתוך הזרימה היומיומית של משתמשים, מפתחים וארגונים. הוא משתלב בחיפוש, בפיתוח ובניהול תהליכים בדיוק במקומות שבהם נדרשת הבנה עמוקה יותר של הקשר וכוונה.

במובן הזה, המודל משקף מגמה רחבה בעולם הבינה המלאכותית. זו תנועה מכלי שמבין בקשות לכלי שמבין כוונות, ממענה חד פעמי לביצוע בפועל, ומתגובה לפעולה רציפה ומתוכננת. זה החומר שממנו נוצרים פרקים חדשים בעולם ה-AI. 

מי שרוצה להעמיק עוד ולראות הדגמות, כלים ומידע נוסף על יכולות Gemini 3 מוזמן לעיין בבלוג הרשמי של גוגל.

הפוסט ג׳מיני 3 מנסה להגדיר מחדש איך בינה מלאכותית חושבת, לומדת ופועלת הופיע ראשון בLet's AI בינה מלאכותית

החיפוש מתחיל לדבר בשפה שלכם

עד היום מנועי חיפוש טיסות פעלו כמו טופס: יעד, תאריך, חזור. הם ביקשו מכם לדעת מראש את מה שלא תמיד סגור. Flight Deals מבית גוגל עושה את ההיפך. הוא מאפשר לכתוב תיאור חופשי – מחשבה ראשונית שמתרגמת לדאטה.

במקום שדות קשיחים, המערכת מפרשת את המשפטים שלכם ככוונה: סוג חופשה, גמישות בתאריכים, אופי היעד. היא סורקת מחירי טיסות בזמן אמת ומחזירה אפשרויות שמתאימות לרעיון שהעליתם. לא תמיד זו תהיה הפתעה גדולה, אבל היא בהחלט מקצרת את שלב ההתלבטות.

וכאן נמצא הערך שלה – היא מגשרת בין רעיון לא מגובש לבין תכנון מעשי, בלי שתצטרכו להגדיר מראש תאריכים, מחירים או שדות תעופה.

לחצו על האפשרות החדשה כדי למצוא דילים על טיסות

איך משתמשים ב-Google Flights

הכלי בנוי כך שגם מי שלא רגיל לחפש טיסות יוכל להתמצא בו במהירות. נכנסים לשירות דרך אתר Google Flights, מזינים מוצא ויעד, בוחרים תאריכים או חודש שלם, ומשתמשים בפילטרים כדי לדייק: מספר עצירות, כבודה, שעות המראה ונחיתה, חברות תעופה או טווח מחירים. לאחר בחירת טיסה המערכת מפנה ישירות לאתר חברת התעופה.

למי שגמישים בתאריכים, כלי ה“גרף” מציג בצורה ברורה את מחירי הטיסות לאורך חודש שלם ומאפשר לזהות ימים זולים במהירות.

למצוא חופשה בשפה פשוטה

איך משתמשים ב-Flight Deals

כאשר הפיצ’ר זמין בחשבון שלכם, ניתן להיכנס אליו דרך כאן או מאותו ממשק של Google Flights באמצעות כפתור “Flight Deals” בתפריט. כאן אין צורך להתחיל מיעד ותאריך. פשוט מקלידים תיאור כמו “חופשה קצרה באפריל במקום חמים” או “משהו זול לאירופה בשבוע הבא”. המערכת מפיקה רשימה מסודרת של אפשרויות, ומכאן ניתן להיכנס לכל טיסה, לראות זמינות ומחיר, ולהמשיך לדייק בעזרת הפילטרים הרגילים.

חשוב לזכור: התוצאות משקפות את מצב הדאטה בזמן אמת, לא התחייבות למחיר. לעיתים קיימים פערים בין המחיר בגוגל לזה שמופיע באתר חברת התעופה.

מעקב מחירים

מעקב המחירים הוא אחד הכלים הוותיקים והיעילים של Google Flights. לאחר בחירת טיסה אפשר לסמן אותה ולקבל התראה בכל שינוי מחיר – ירידה או עלייה. זה שימושי במיוחד בישראל, שבה המחירים משתנים במהירות סביב חגים, עומסים או אילוצי עבודה. המערכת אינה מבטיחה ירידה במחיר, אבל היא מספקת שכבת מעקב שמאפשרת להבין את תנודתיות השוק בלי להיכנס לחיפוש יומיומי.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

סוכן נסיעות צמוד

Skyscanner ו-Kayak ודומיהם מצוינים בסריקה רחבה ובהפניה לאינספור אתרים. Google Flights מציגה גישה אחרת עם תמונת שוק מאורגנת ונקייה יותר, בלי רצף מסיח של קישורים ופרסומות. היא לא מבטיחה להיות הזולה ביותר, אך נותנת נקודת מוצא מסודרת שמארגנת את השוק עבורכם לכדי תמונה אחת ברורה.

Google Flights לא מבטיח מהפכה, אבל זה עוד כלי עם יכולות AI שמסייע במקום שבו רוב האנשים מסתבכים – תחילת החיפוש. במקום להתחיל מטופס קשיח, אפשר להתחיל מרעיון. במקום לנתר בין עשרות אתרים, אפשר לקבל תמונת מצב ברורה במקום אחד. הכלי לא מקבל החלטות במקומכם, אבל הוא מספק מסגרת מסודרת שמאפשרת לפתוח את תכנון החופשה בצורה חכמה ונוחה יותר.

הפוסט Google Flights מגיע לישראל ומציע דרך חדשה ופשוטה יותר לחפש חופשה הופיע ראשון בLet's AI בינה מלאכותית

מהי UVR ולמה כולם מדברים עליה?

UVR היא תוכנה מבוססת בינה מלאכותית המפרידה כלי נגינה ושירה מתוך כל קובץ אודיו. בניגוד לכלים אחרים שמייצרים תוצאה מטושטשת או משאירים “רעש” מכלים אחרים, UVR משתמשת במודלים מתקדמים (בעיקר Demucs ו־MDX-Net) שמסוגלים לזהות תופים, בס, גיטרות ושירה בדיוק גבוה מאוד.

התוצאה המתקבלת מאפשרת לכל גיטריסט ללמוד סולו מבודד, למתופף לנגן על פלייבק ללא תופים, לזמר להחזיק ביד גרסת אינסטרומנטל נקייה, או למפיק לנתח את השיר בשכבות – ממש כמו שלבי הפקת האלבום. מעבר ליתרון המוזיקלי, UVR בולטת גם בגלל משהו נדיר: היא חינמית לחלוטין, ללא מנויים, ללא מודל “פרימיום” מוסתר, וללא מגבלות על אורך השירים.

היתרונות המרכזיים של UVR

חינמית לגמרי

אין מנוי, אין קרדיטים, אין תשלום לשום פעולה.

איכות מקצועית

מודלים שפותחו ע”י Meta וקהילות קוד פתוח.

פשוטה לשימוש

גם מי שלא מבין במחשבים מסוגל להפריד שיר בקלות.

מתאימה לכלים שונים

שירה, תופים, בס, גיטרות, פסנתר ועוד.

Batch Mode

ניתן לעבד תיקייה מלאה עם עשרות שירים באופן אוטומטי.

תומכת בשתי מערכות הפעלה

Windows ו-Mac.

הורדה והתקנה: Windows ו-Mac

כדי להתחיל, נכנסים לאתר הרשמי: https://ultimatevocalremover.com שם תמצאו גרסאות לשתי מערכות ההפעלה.

התקנה ב-Windows

התהליך כאן פשוט לחלוטין:

• מורידים את Windows Installer.
• מפעילים את הקובץ.
• לוחצים Next → Install → Finish.
• פותחים את התוכנה.

התקנה ב-Mac

ב-Mac OS, אפל נוטה לחסום אפליקציות שאינן חתומות. UVR בטוחה לחלוטין, אך ייתכן שתראו התראה. כדי לאפשר פתיחה:

• נכנסים ל-System Settings.
• בוחרים Privacy & Security.
• גוללים למטה עד שמופיעה הודעה על UVR שנחסמה.
• לוחצים Open Anyway ולאחר מכן Open.

מהרגע הזה התוכנה תיפתח כרגיל.

המסך הראשי והכפתורים החשובים

כאן נעבור לפסקה הסברית קצרה: עם פתיחת UVR תראו מסך פשוט יחסית, ובו מספר אזורים עיקריים. בצד שמאל בוחרים את הקובץ המוזיקלי שעומדים להפריד, ובצד ימין מגדירים את סוג ההפרדה והמודל. בתחתית התוכנה מופיע חלון מצב (Status Log) שמראה מה קורה בזמן העיבוד — כמה זמן נשאר, כמה חתיכות עיבוד הסתיימו ועוד. אחרי שעוברים על ההגדרות, פשוט לוחצים Start Processing.

צילום מסך של מסך הבית של UVR

המודלים (Models): המוח של התוכנה

מודלים הם “המנועים” שמפרקים את השיר. כל מודל מותאם לכלי שונה. כאן חשוב להסביר בצורה ברורה:

מודלים להפרדת שירה – MDX-Net

מודלים מצוינים להוצאת Vocals:

• UVR-MDX-NET Main
• UVR-MDX-NET Vocals HQ
• UVR-MDX-NET Inst HQ

שימושים: להוציא שירה נקייה, להכין אינסטרומנטל מקצועי, לעשות קאברים.

מודלים להפרדת כלי נגינה – Demucs / HTDemucs

המנוע המתקדם ביותר בעולם להפרדת תופים, בס וגיטרות.

• Demucs v4
• HTDemucs
• HTDemucs_ft ← המודל האיכותי ביותר כיום

שימושים: Drumless, Bassless, Guitarless, Stem-by-stem (כל ערוץ בנפרד).
יתרון: מפיק תופים נקיים בצורה מפתיעה, ללא “שאריות מצילות”.

מודלים היברידיים (Ensemble)

משתמשים בכמה מודלים ביחד כדי לקבל תוצאה מאוזנת. שימושיים בעיקר במקרים שבהם תוצאה אחת לא מספיק טובה.

הפרמטרים החשובים – מה כל דבר עושה?

Process Method

בחירה בין מנוע MDX המתמחה בשירה לבין Demucs המתמחה בכלים.

Choose Model

בחירה מדויקת של “המוח”: אחד לשירה, אחד לתופים, אחד לכלים מעורבים.

Segment Size

קובע את גודל המקבצים שהתוכנה מעבדת. 256 הוא ערך מהיר ויציב.

Overlap

כמה חפיפה תהיה בין מקבצי העיבוד — עוזר למנוע רעשים. ברירת המחדל מצוינת לרוב המשתמשים.

Primary / Secondary Stems

רוב המשתמשים לא צריכים לסמן כלום כאן. כשלא מסמנים — מקבלים את כל הערוצים.

GPU / CPU

מחשבים בעלי כרטיס גרפי יעבדו מהר יותר, אבל גם בלי GPU, התוכנה עובדת בצורה מצוינת.

מדריך מעשי: איך מפרידים כלי מסוים?

הוצאת שירה בלבד

• Process Method: MDX-Net
• Model: UVR-MDX-NET Main
• Start

תקבל: Vocals + Instrumental.

הוצאת תופים (Drumless)

• Process Method: Demucs
• Model: HTDemucs_ft
• Start

תקבל: Drums + No-Drums.

הוצאת גיטרות

• Process Method: Demucs
• Model: Demucs v4 / HTDemucs
• Start

תקבל: Guitar + No-Guitar.

הוצאת בס

אותו תהליך כמו גיטרות – Demucs עושה את העבודה הטובה ביותר.

Batch Mode – עיבוד פלייליסט שלם

אחת התכונות החזקות של UVR היא היכולת לעבד תיקייה מלאה של עשרות שירים ברצף. משתמשים רבים מכינים כך פלייליסטים של Drumless או של ערוצי גיטרה מבודדים. מצב זה נקרא Batch Mode: נכנסים לתפריט העליון, בוחרים תיקייה מלאה, בוחרים מודל, ולוחצים Start. התוכנה עובדת אוטומטית ועוברת שיר אחרי שיר עד שהכל מוכן.

טיפים חשובים לשימוש איכותי

• לעבוד על קבצי WAV אם אפשר – זה נקי יותר.
• אם תוצאה לא טובה – להחליף מודל, לא הגדרות.
• HTDemucs_ft הוא מודל כלי־נגינה הטוב ביותר כיום.
• MDX-NET Vocals HQ יהיה חד יותר בשירה מאשר כל מודל אחר.
• ב-Mac התקנה ראשונה תיתקל באזהרה – זה תקין.

למי זה מתאים?

UVR מתאים לכל מי שעוסק במוזיקה או מלמד מוזיקה, אבל גם למי שרוצה להבין שיר לעומק. מתופפים, גיטריסטים, זמרים, מוזיקאים חובבים, תלמידים, מפיקים ודי-ג’ייז משתמשים בו עבור לימוד, תרגול, הופעות והפקה. קלות השימוש והאיכות הגבוהה הופכות אותו לכלי יומיומי כמעט לכל נגן.

סיכום

UVR הוא שילוב נדיר של איכות מקצועית ופשטות שימוש. הוא מאפשר לכל אדם — ללא כל ידע מוקדם — להפריד שירה וכלי נגינה מכל שיר בעולם ולהפוך אותו לכלי לימוד, תרגול או יצירה. השילוב בין מודלים חזקים, תמיכה בכל מערכות ההפעלה והיותו חינמי לחלוטין הופך אותו לאחד הכלים החשובים ביותר למוזיקאים בעידן הבינה המלאכותית.

הפוסט מדריך מקיף להפרדת שירה וכלי נגינה מכל שיר הופיע ראשון בLet's AI בינה מלאכותית

מה זה Agentic Checkout ולמה זה מעניין

בפיצ’ר החדש המשתמש עוקב אחרי מוצר מסוים דרך כלי מעקב המחירים. הוא מגדיר צבע, מידה ותקציב. כאשר המחיר יורד, גוגל שולחת התראה ומציעה לבצע את הרכישה בשם המשתמש באתר הסוחר באמצעות Google Pay. הרכישה מתבצעת רק לאחר אישור מפורש של הקונה.

זהו שינוי מהותי. גוגל אינה רק מציגה תוצאות חיפוש, אלא מבצעת פעולה ממשית בתהליך הרכישה. הפיצ’ר זמין בשלב ראשון בארצות הברית, ועובד כרגע עם אתרי קנייה שתומכים בו כמו Wayfair, Chewy, Quince וחלק מהחנויות הפועלות דרך Shopify.

קניות בשפה טבעית

במצב AI Mode החדש בחיפוש, גוגל מאפשרת לתאר מה שמחפשים בשפה חופשית. המערכת מגיבה באמצעות תצוגה מאורגנת שמביאה תמונות, נתוני מלאי, ביקורות, מחירים וטבלאות השוואה.

אם המשתמש רוצה השראה חזותית, הוא יקבל גלריות. אם הוא מתלבט בין מספר מוצרים, הוא יקבל טבלה שמדגישה הבדלים רלוונטיים. הכל מעודכן בזמן אמת הודות ל-Shopping Graph.

אפליקציית Gemini נכנסת למשחק הקניות

גם ב-Gemini אפשר עכשיו לשאול שאלות קנייה ולקבל הצעות אמיתיות ולא רק רעיונות כלליים. האפליקציה מציגה מוצרים, השוואות, מחירים ומקומות רכישה. זה מאפשר לעבור מרעיון למוצר אמיתי בתוך שיחה אחת.

גוגל מתקשרת לחנויות במקומכם. כאשר מחפשים מוצר ליד הבית, גוגל מציעה להשתמש ב-Let Google Call. המערכת שואלת אתכם כמה שאלות, מתקשרת לחנויות מתאימות, בודקת מלאי, מחיר ומבצעים ואז שולחת סיכום מסודר למייל או להודעה.

היכולת מבוססת על Duplex, מערכת השיחות האוטומטיות של גוגל שמסוגלת להתקשר בעצמה לעסקים ולנהל שיחה אנושית מלאה. השדרוג של מודל Gemini מאפשר ל- Duplex לבחור טוב יותר לאילו חנויות לפנות, אילו שאלות לשאול ומה מסכם עבור המשתמש.

מה המשמעות של המהלך הזה

המעבר של גוגל מכלי שמציג מידע לכלי שמבצע פעולות קנייה בפועל עשוי להשפיע על מבנה שוק המסחר המקוון. ברגע שמערכת אחת מרכזת מעקב אחר מחירים, בדיקת מלאי וביצוע רכישה בשם המשתמש, היא הופכת למתווך חזק יותר בין סוחרים לקונים.

יש מי שחוששים שהריכוזיות הזו תגביר את התלות של חנויות קטנות בפלטפורמות ענק. אחרים טוענים שמדובר בהתפתחות טבעית בסביבה שבה הצרכנים מחפשים חיסכון בזמן ופחות תפעול ידני. 

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

המרוץ לסוכני הקנייה האוטונומיים כבר התחיל

המגמה הזו אינה ייחודית לגוגל. בשוק מתפתח מרוץ חדש סביב השאלה מי תהיה הפלטפורמה שתגדיר את חוויית ה”קנייה האייג’נטית” של השנים הקרובות. לצד גוגל, גם פלטפורמות אחרות נכנסות לזירה הזו.

דפדפן Atlas של OpenAI, שהושק לאחרונה, מדגים כיצד ממשק שיחה יכול להפוך לכלי שמבצע פעולות בפועל ולא רק מספק מידע. במקביל, המתיחות בין Amazon לבין Perplexity סביב מכירות ברשת ותוצאות חיפוש מדגישה עד כמה חברות מנסות להשיג שליטה על שלב ההחלטה של הצרכן. Perplexity, למשל, בוחנת מנגנוני קנייה אוטומטיים בתוך סוכן הדפדפן שלה, Comet, שמלווה את המשתמש מהחיפוש ועד בחירת המוצר.

הדוגמאות האלה מצביעות על שינוי עמוק בו חברות הבינה המלאכותית אינן מסתפקות בהצגת מידע או בהפקת המלצות. הן מנסות לתפוס את המקום של “הסוכן הצרכני” שמבצע פעולות, מקבל החלטות ומנהל את שלבי הקנייה מאחורי הקלעים. ככל שהיכולות משתכללות, התחרות על “מי ינהל את הקנייה בשביל המשתמש” הולכת ומחריפה.

גוגל מגדירה מחדש את חוויית הקנייה הדיגיטלית

שילוב היכולות החדשות מראה כיוון ברור. הבינה המלאכותית של גוגל הופכת מכלי המספק מידע למערכת שמסוגלת לבצע משימות מורכבות מטעם המשתמש. בחיפוש, באפליקציית Gemini ובתקשורת עם חנויות פיזיות, גוגל מנסה לתפור את כל מסלול הקנייה לרצף אחד.

המשתמש מרוויח זמן וודאות. הסוחרים מקבלים תנועה ממוקדת יותר. והפלטפורמה של גוגל הופכת לשחקן מרכזי עוד יותר בתהליך הקנייה.

הפוסט גוגל מציגה את Agentic Checkout הופיע ראשון בLet's AI בינה מלאכותית

ארבעת שלבי הבשלות: איפה הארגון שלכם נמצא?

החוקרים זיהו ארבעה שלבים ברורים של בשלות בבינה מלאכותית. הממצאים חד-משמעיים: ארגונים בשלבים 1 ו-2 מציגים ביצועים כלכליים נמוכים מהממוצע, בעוד אלו שבשלבים 3 ו-4 נהנים מביצועים גבוהים משמעותית.

שלב 1: ניסויים והכנה (28% מהארגונים)

בשלב הזה הארגון עדיין לומד מהי בינה מלאכותית ואיך להשתמש בה. הפוקוס הוא על חקר, חינוך והבנת היסודות.

מאפיינים עיקריים:

• הדרכת עובדים על בינה מלאכותית

• קביעת מדיניות שימוש

• הנגשת נתונים

• קידום קבלת החלטות מבוססת נתונים

• זיהוי תהליכים שבהם נדרש מרכיב אנושי

שלב 1 הוא שלב הכרחי אבל זמני. הוא לא מניב תשואה כלכלית אלא השקעה בלמידה, ולכן חשוב להכין מראש תוכנית מעבר לשלב 2.

שלב 2: בניית פיילוטים ויכולות (34% מהארגונים)

השלב ה״צפוף״ ביותר – למעלה משליש מהארגונים נמצאים כאן. הפוקוס עובר ממחקר ליישום נקודתי.

מאפיינים עיקריים:

• פישוט ואוטומציה ראשונית

• פיתוח מקרי שימוש

• שיתוף נתונים דרך APIs

• סגנון ניהול coach-and-communicate

• שימוש במודלי שפה גדולים וג’נרטיביים

רבים נתקעים בשלב 2 – יש פיילוטים מוצלחים והתלהבות, אבל אין הטמעה רחבה. המעבר לשלב 3 הוא הקפיצה הקריטית.

שלב 3: פיתוח דרכי עבודה עם בינה מלאכותית (31% מהארגונים)

בשלב הזה מתחילים לראות החזר השקעה. הפוקוס הוא הרחבת פלטפורמות וניהול מבוסס AI.

מאפיינים עיקריים:

• הרחבת אוטומציה

• מעבר לשיטת עבודה test-and-learn

• ארכיטקטורה לשימוש חוזר

• שילוב מודלים מאומנים מראש ומודלים קנייניים

• בדיקות של סוכנים אוטונומיים

שלב 3 מוביל לביצועים גבוהים מהממוצע, אבל ההגעה אליו דורשת שינוי ארגוני אמיתי, לא רק טכנולוגי.

שלב 4: ארגון מוכן לעתיד (7% מהארגונים)

האליטה של התחום – רק 7% מגיעים לכאן. הפוקוס הוא חדשנות מתמשכת ויצירת מקורות הכנסה חדשים.

מאפיינים עיקריים:

• שילוב AI בתהליכי קבלת החלטות

• פיתוח ומכירה של שירותים מבוססי AI

• אינטגרציה בין AI מסורתי, גנרטיבי, אגנטי ורובוטי

בשלב 4 הארגונים כבר לא רק משתמשים ב-AI, הם יוצרים ממנו מוצרים והכנסות.

הקפיצה הקריטית: מדוע המעבר משלב 2 לשלב 3 הוא המפתח

המחקר מצא שהזינוק הכלכלי המשמעותי ביותר מתרחש במעבר משלב 2 לשלב 3. בשלב 2 הארגון בונה יכולות, בשלב 3 הוא כבר מטמיע את הבינה המלאכותית בקנה מידה רחב. אבל כאן בדיוק כ-34% מהארגונים נתקעים. המעבר הזה אינו טכנולוגי בלבד, אלא ארגוני במהותו.

ארבעת האתגרים שצריך לפתור כדי לעבור משלב 2 לשלב 3

1. אסטרטגיה: יישור השקעות ה-AI עם המטרות העסקיות, כך שייצרו ערך מדיד ובר-הרחבה.

2. מערכות: בניית פלטפורמות מודולריות ומערכות נתונים שתומכות בהתרחבות בקנה מידה.

3. סנכרון: עיצוב מחדש של תפקידים, צוותים ותהליכי עבודה כך שיותאמו לעבודה עם AI.

4. ניהול אחראי: הטמעת מנגנוני פיקוח ושקיפות העומדים בדרישות רגולטוריות כבר בשלבים הראשונים.

ארבעת האתגרים שצריך לפתור כדי לעבור משלב 2 לשלב 3

שני מקרי מבחן: איך זה נראה בפועל

Guardian Life Insurance: מפיילוט להרחבה ב-24 שעות

חברת Guardian Life Insurance מציגה דוגמה לארגון שמצליח לקחת פיילוט קטן ולהפוך אותו לשינוי ארגוני אמיתי. הכל התחיל כשהחברה הפעילה פיילוט לאוטומציה של תהליך הצעות המחיר. תהליך שארך שבוע הצטמצם לפתע ל-24 שעות בלבד, תוצאה מספיקה כדי להצית החלטה אסטרטגית ולהרחיב את המהלך לכלל הארגון עד 2026.

מאחורי ההצלחה הזו עומד שדרוג עמוק של התשתית הטכנולוגית. Guardian ארגנה מחדש את הצוותים סביב פלטפורמות ומוצרים, עברה לארכיטקטורה מבוססת microservices ו-APIs, ויצרה בסיס שמאפשר לשכפל פתרונות במהירות ולגדול בקנה מידה.

במקביל, החברה הבינה שההטמעה לא תעבוד בלי שינוי אנושי. היא הכשירה עובדים לתפקידים ממוקדי AI, פיתחה מיומנויות היברידיות ושילבה רוטציות כדי לוודא שהיכולות החדשות נטמעות בארגון ולא נשארות “טכנולוגיה של הצוות הטכני”.

כל זה התרחש תחת ממשל אחראי. Guardian שילבה את המשפטי, הסיכונים והקומפליינס כבר בתחילת הדרך, ובנתה תהליכי בדיקה שמאזנים בין חדשנות לבין פרטיות ואבטחה.

זה סיפור קצר על פיילוט אחד, אבל דוגמה מצוינת לאופן שבו ארגון מצליח להפוך הצלחה נקודתית לשינוי מערכתי.

Italgas: מניהול תשתיות ל-3 מיליון יורו הכנסות חדשות

בדוגמה קצרה נוספת, Italgas, מפיצת הגז הגדולה באירופה, מציגה מסלול ברור של מעבר משימוש פנימי בבינה מלאכותית ליצירת ערך עסקי חדש. מה שהתחיל כיוזמת ייעול הפך מהר מאוד למנוע צמיחה. הפתרון WorkOnSite קיצר את זמני הבנייה ב-40% והפחית בדיקות ב-80%, ומערכת DANA שיפרה את בטיחות הרשת. כשכל ספרינט מגובה במנהל ברמת C-level, הארגון מצליח להתקדם במהירות ולשמור על כיוון אסטרטגי יציב.

מאחורי זה עומדת תשתית טכנולוגית שנבנתה לאורך שנים: דיגיטציה מקיפה מאז 2017, פלטפורמת נתונים עצומה ומודלים פעילים שמשרתים את העובדים בשטח. לצד זה, הארגון השקיע בהכשרת כוח העבודה בהיקף מרשים – יותר מ-1,000 עובדים וכ-30,000 שעות הדרכה בשנה אחת.

החלק המעניין מגיע בשלב הבא. Italgas לא הסתפקה ביעילות פנימית. היא הפכה את WorkOnSite למוצר מסחרי שמכר 3 מיליון יורו ב-2024 – צעד מובהק של ארגון שעבר מהטמעת AI לתוך תהליכים אל בניית הכנסות חדשות.

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

לפרטים נוספים לחצו כאן >>

מה זה אומר בשבילכם?

החוקרים מדגישים שהמעבר בין שלבי הבשלות בבינה מלאכותית הוא שינוי ארגוני עמוק. ארגונים צריכים להתמודד בו זמנית עם התנגדות אנושית ועם מורכבות טכנולוגית. כדי להצליח, נדרשת חזית הנהגתית אחידה: המנכ”ל, מנהל הטכנולוגיה, מובילי האסטרטגיה וראש משאבי האנוש.

אם אתם מנהלים שרוצים להתקדם, אלו העקרונות שכדאי לזכור:

תדעו איפה אתם עומדים. מיינו את הארגון לפי ארבעת שלבי הבשלות. 62% מהארגונים עדיין בשלב 1 או 2, וזה בסדר, אלא שצריך תוכנית ברורה למעבר קדימה.

הקפיצה הגדולה היא במעבר מפיילוטים להטמעה רחבה. כאן נוצר הערך העסקי האמיתי, וכאן רוב הארגונים נתקעים. ההתקדמות דורשת טיפול מקביל בארבעה תחומים: אסטרטגיה, מערכות, סנכרון וניהול אחראי.

זה לא פרויקט טכנולוגי. ארגון לא “עושה AI” רק עם צוות הטכנולוגיה. ההטמעה מחייבת מעורבות של משאבי אנוש, מחלקה משפטית ו-Compliance, ובעיקר תמיכה מלאה של ההנהלה הבכירה.

מדידה חייבת להיות חלק מהתכנון. אם אי אפשר למדוד ערך, אי אפשר להצדיק השקעות. Guardian ו-Italgas הצליחו משום שהן יודעות למדוד בדיוק איפה נחסך זמן, כסף ומשאבים.

הכשרת העובדים איננה תוספת – היא ממש תנאי. זה מעבר מעברת קורסים לעיצוב מחדש של תפקידים ותהליכים. ההשקעה של Italgas ב-30,000 שעות הכשרה אינה מקרית.

וב-2025, השאלה היא לא מי עושה פיילוטים, אלא מי הופך אותם לשיטת עבודה קבועה. רוב הארגונים לא יגיעו השנה לשלב 3 או 4, אבל מי שמבין את מפת הבשלות ויודע היכן הוא נמצא, זוכה ליתרון משמעותי לקראת 2026. המחקר נותן מפת דרכים ברורה, אבל היישום דורש מחויבות, משאבים, והבנה שמדובר במרתון, לא בספרינט.

הפוסט כיצד להגביר את רמת הבשלות של הארגון שלכם בתחום הבינה המלאכותית הופיע ראשון בLet's AI בינה מלאכותית

מה זה Deep Research ואיך עובדים איתו

Deep Research הוא מעין “חוקר צמוד” בתוך NotebookLM. במקום להסתפק במסמכים שהעליתם, הכלי יוצר תכנית מחקר, גולש במאות אתרים רלוונטיים, ומחזיר דוח מסודר עם ציטוטים וקישורים למקורות. 

כך זה עובד בפועל:

• יוצרים מחברת ומוסיפים לה את מה שכבר יש לכם, או מתחילים ריקה.

• בפאנל המקורות בוחרים Web כמקור מידע.

• בוחרים אחת משתי רמות מחקר:

  • Fast Research: חיפוש מהיר יחסית, כדי לקבל סקירה ראשונית.

  • Deep Research: תהליך עמוק יותר, שסורק הרבה יותר מקורות ומחזיר דוח נרחב יותר. 

eep Research הופך “מחברת חכמה” לכלי מחקר אקטיבי

בזמן ש-Deep Research רץ, אפשר להמשיך לעבוד במחברת. בסוף התהליך מתקבל דוח שמכיל סיכום, תתי פרקים והפניות למקורות, וניתן להוסיף אותו ואת המקורות ישירות למחברת.

תמיכה בקבצים ופורמטים חדשים

העדכון הנוכחי מרחיב משמעותית את סוגי החומרים שניתן להוסיף ל-NotebookLM:

• Google Sheets: הוספת גיליונות אלקטרוניים, שאילתות על נתונים וסטטיסטיקות, ובקשה לסיכומים על בסיס טבלאות. 

• קבצי Drive כ-URL: אפשר להדביק קישורי Google Drive (כולל כמה קישורים בבת אחת, מופרדים בפסיק), כפי שעושים עם כל URL אחר. 

• קבצי Word (.docx): תמיכה מלאה במסמכי Word כמשאב מחקר לכל דבר.

• תמונות: אפשר להעלות תמונות, כולל הערות בכתב יד או עמודים שנסרקו. 

• PDFs מ-Google Drive: ניתן לחבר ישירות קובצי PDF הנשמרים בדרייב, בלי להוריד ולהעלות מחדש.

מעבר לכך נשארת גם התמיכה הרגילה: Docs, Slides, קבצי טקסט ו-PDF, קישורי אתרים ו-YouTube ועוד.

יכולות לימוד והפקת חומרים

Deep Research מצטרף לשורה של פיצ’רים ש-NotebookLM קיבל בחודשים האחרונים:

• Audio Overviews: הפיכת מסמכים ל”שיחת פודקאסט” בין שני מגישי בינה מלאכותית שמסבירים את החומר.

• Video Overviews: הפקת וידאו עם קריינות, איורים וסיכום ויזואלי של התוכן, כיום כבר בעשרות שפות. 

• Flashcards ו-Quizzes: יצירת כרטיסי לימוד ובחנים אוטומטיים מתוך החומר, כולל רמות קושי שונות, גם באפליקציות המובייל.

כל אלה יושבים בתוך Studio של NotebookLM ומאפשרים לקחת אותו מעבר לסיכום טקסטים, לכיוון כלי הוראה ולמידה פעיל.

יותר הקשר, יותר זיכרון

גוגל שדרגה לאחרונה גם את מנוע הצ’אט של NotebookLM:

• שיפור מדווח של כ-50 אחוז באיכות התשובות.

• חלון הקשר גדול בהרבה (עד מיליון טוקנים בצ’אט בדפדפן), מה שמאפשר ניתוח אוספים גדולים מאוד של מסמכים.

• זיכרון שיחה ארוך יותר פי כמה, כך שאפשר לנהל תהליכי עבודה מתמשכים בלי “לאבד” את ההיסטוריה. 

הנקודה החשובה היא ש-NotebookLM הופך מצ’אט כללי שעונה על שאלות, לשותף מחקר שמחזיק בהקשר רחב מהרגיל.

כמה זה עולה בפועל

כאן צריך לדייק, כי המצב מורכב יותר מהמשפט “הכל חינמי”. NotebookLM זמין חינם בדפדפן לכל משתמש עם חשבון גוגל, ביותר מ-180 מדינות שבהם אפליקציית Gemini זמינה. Deep Research עצמו נכלל בשכבה הזו, לפי תיעוד וכלי השוואה בין מנועי Deep Research שונים. 

למשתמשים כבדים יותר, אפשר לקבל תקרות גבוהות פי 5, אנליטיקות שיתוף ופיצ’רים מתקדמים נוספים בשתי דרכים: דרך מנוי בתשלום כמו Google One AI Premium או Google AI Pro / Ultra, שמוסיפים גם Gemini מתקדם ו-2TB אחסון וכדומה. ודרך נוספת דרך גרסאות ארגוניות כגון NotebookLM Plus for Enterprise עם הגנות פרטיות נוקשות יותר. 

כלומר, אפשר להשתמש ב-Deep Research חינם, אבל למי שצריך היקפים גדולים ושיתוף מתקדם יש שכבות בתשלום.

פרטיות ואמון

לפני שמסתמכים על הכלי בעיניים עצומות, חשוב לזכור שכל המידע עובר דרך שרתי גוגל, מה שמגביל שימוש במידע רגיש מאוד.

NotebookLM פועל כולו על תשתיות הענן של גוגל, ללא אפשרות להרצה מקומית, כך שההבדל בין גרסה חינמית לארגונית הוא רק בעומק ההגנות ולא במיקום הנתונים. בחשבונות אישיים גוגל מצהירה שהמידע אינו משמש לאימון מודלים, אך משובים ותכנים מסוימים יכולים להיבדק ידנית. בגרסאות הארגוניות יש הבטחה מפורשת לא להשתמש בנתוני הלקוחות לאימון, והבקרה על הגישה הדוקה יותר.

במקביל, חשוב להבין שהמערכת לא מבצעת שיפוט ביקורתי אמיתי – היא לא מנתחת מתודולוגיות מחקר, לא מזהה הטיות בצורה עקבית, ומתבססת בעיקר על תוצאות החיפוש וההקשר שהמשתמש מספק. לכן, במיוחד בעבודה עם מידע רגיש או מחקרי, הכלי יכול לסייע באיסוף ועיבוד ראשוני, אבל לא מחליף חשיבה אנושית ובדיקה מעמיקה של המקורות.

למי זה בעיקר שימושי, ולמה זה משנה

NotebookLM עם Deep Research פונה בעיקר למשתמשים שצריכים לאסוף ולעבד מידע במהירות ובצורה מסודרת. סטודנטים וחוקרים מרוויחים מקיצור שלב איסוף המקורות וקבלת מפת דרכים ראשונית למחקר. עיתונאים ואנליסטים יכולים להשתמש בו כדי להבין במהירות את מפת השחקנים והמסמכים הרלוונטיים לפני שהם צוללים לעומק. אנשי עסקים נהנים מיכולת לבצע מחקר שוק וניתוח מתחרים תוך שילוב נתונים ממקורות מגוונים בתוך מחברת עבודה אחת. מורים ומרצים יכולים להפוך חומרי לימוד יבשים לתוכן נגיש ודינמי באמצעות כלים כמו Overviews, Flashcards ו-Quizzes.

בסופו של דבר, Deep Research הוא עוזר מחקר חזק ומהיר, אבל האחריות על בחירת מקורות אמינים, אימות עובדות והפעלת שיקול דעת ביקורתי נשארת אצל המשתמש.

הפוסט NotebookLM מוסיף יכולת מחקר עומק באינטרנט ותמיכה בסוגי קבצים נוספים הופיע ראשון בLet's AI בינה מלאכותית

מה זה בדיוק “Humanist Superintelligence”?

סולימן מגדיר את הגישה שלהם כ-“Humanist Superintelligence” (HSI) – בינה מלאכותית שמתמקדת בפתרון בעיות אנושיות ספציפיות, לא להתחרות עם בני אדם בכל תחום אפשרי. זו בחירה מכוונת לנסות לענות על השאלה המרכזית והיא איך מבטיחים שמערכת שהופכת חכמה יותר כל הזמן, תישאר תחת שליטה אנושית?

התשובה של מיקרוסופט היא שבמקום לבנות מערכת אחת כל-יכולה ואוטונומית, הם יפתחו מערכות ממוקדות בתחומים ספציפיים – רפואה, חינוך, אנרגיה. כל מערכת תיבנה עם מגבלות ברורות ושליטה אנושית. “אנחנו לא בונים superintelligence בכל מחיר, או בלי מגבלות,” כתב סולימן בפוסט בבלוג החברה. “אנחנו בונים טכנולוגיה מעשית שתוכננה במפורש לשרת את האנושות בלבד.”

שלושה תחומים עיקריים

עוזר אישי לכולם

מיקרוסופט מבטיחה שכל אדם שירצה יקבל עוזר AI אישי וזול שיסייע בלימוד, פרודוקטיביות ותמיכה רגשית. בתחום החינוך, הכוונה היא ליצור תוכנית לימודים מותאמת אישית לכל תלמיד, שתעבוד לצד המורים ותתאים את שיטות ההוראה לחוזקות והחולשות של כל תלמיד.

Medical Superintelligence

כאן מיקרוסופט כבר מציגה תוצאות קונקרטיות. מערכת MAI-DxO שפיתחו הצליחה לאבחן נכון 85% מהמקרים הרפואיים המורכבים של New England Journal of Medicine – מגזין רפואי מוביל שמפרסם מקרים מאתגרים במיוחד. רופאים אנושיים הצליחו באותם מקרים רק ב-20% מהפעמים.

יותר מזה, המערכת לא רק אבחנה טוב יותר, היא גם עשתה זאת בעלות נמוכה ב-20% בממוצע מהרופאים. איך? על ידי בחירה חכמה יותר של הבדיקות הנדרשות. במקרה אחד שהוצג במחקר, מודל GPT-4 הזמין בדיקות הדמיה יקרות בעלות של 3,431 דולר והגיע לאבחנה שגויה. MAI-DxO לעומתו, זיהה את הצורך לבדוק חשיפה לרעלנים בתוך בית החולים, שאל על צריכת חומר חיטוי ידיים, ואישר את האבחנה בבדיקות ממוקדות בעלות של 795 דולר בלבד.

חשוב לציין: המערכת עדיין במחקר ולא אושרה לשימוש קליני. מיקרוסופט עובדת עם ארגוני בריאות לבחינת בטיחות, אמינות ושילוב מעשי במערכות קיימות.

אנרגיה נקייה

סולימן מנבא שעד 2040 יהיה לנו ייצור ואחסון אנרגיה מתחדשת זול ובשפע, עם תפקיד מרכזי ל-AI. השימושים כוללים תכנון חומרים שליליים פחמן, סוללות קלות וזולות יותר, ניהול יעיל יותר של תשתיות חשמל ומים, ואפילו קידום פריצות דרך באנרגיית פיוז’ן.

מי בצוות?

סולימן, בן 41, הצטרף למיקרוסופט במרץ 2024 לאחר שהיה שותף מייסד של Inflection AI – חברת AI שמיקרוסופט רכשה את הטכנולוגיה והקניין הרוחני שלה.

לפני כן, סולימן היה שותף מייסד של Google DeepMind. כמדען ראשי של הצוות החדש משמש קארן סימוניאן (Karen Simonyan), שהגיע למיקרוסופט באותה עסקה. הצוות כולל גם חוקרים שמיקרוסופט גייסה מ-Google, DeepMind, Meta, OpenAI ו-Anthropic.

מרוץ ה-Superintelligence

מיקרוסופט לא לבד במרוץ. מטא הקימה את Meta Superintelligence Labs מוקדם יותר השנה. איליה סוצקבר, המדען הראשי לשעבר של OpenAI, הקים ב-2024 את Safe Superintelligence Inc – חברת מחקר עצמאית שגם מתמקדת בפיתוח superintelligence בטוח. גם Anthropic מפעילה צוות ייעודי למחקר על איך לשלוט ב-superintelligence עתידי.

ההבדל בגישה של מיקרוסופט, על פי סולימן, הוא שהם “דוחים את הנרטיב של מרוץ ל-AGI”. במקום זאת, הוא רואה זאת כ”מאמץ אנושי עמוק לשיפור החיים והעתיד שלנו”. סולימן דוחה את הנרטיב של ‘או ש-AI יציל אותנו או שיהרוג אותנו’. במקום זאת, ‘אנחנו כאן לטווח ארוך, כדי להנגיש יתרונות מוחשיים למיליארדי אנשים.’

איך זה באמת יעבוד?

MAI-DxO עובדת בצורה שונה ממערכות AI רפואיות אחרות. במקום לנתח מידע רפואי שלם בבת אחת, המערכת עוקבת אחרי תהליך רציף. היא מתחילה עם מידע מוגבל על המטופל, שואלת שאלות ממוקדות, מזמינה בדיקות ספציפיות, ובונה בהדרגה את הדרך לאבחנה – בדיוק כמו שרופא אמיתי עושה.

המערכת פועלת כ”פאנל וירטואלי של רופאים” – חמישה סוכני AI, כל אחד מדמה מומחה רפואי בתפקיד אחר: בחירת בדיקות, הצעת השערות, אימות הסבר. הגישה הזו נקראת “chain of debate” – שרשרת ויכוח שמובילה לחשיבה שלב-אחר-שלב.

מה חסר בתמונה?

למרות התוצאות המרשימות, יש מגבלות ברורות שמיקרוסופט עצמה מציינת. אחת המגבלות היא שהרופאים בניסוי עבדו ללא כלים – 21 הרופאים שהשתתפו במחקר לא יכלו להשתמש בספרים, לשאול עמיתים או להיעזר בכלי AI – משאבים שרופאים משתמשים בהם בפועל. זה עשוי לגרום לתוצאה שמוטה לטובת ה-AI.

הבדיקה התמקדה במקרים מורכבים ונדירים מ-NEJM (New England Journal of Medicine), לא במצבים שגרתיים שרופאים נתקלים בהם יום-יום. לא ברור איך המערכת תתפקד עם מצבים רפואיים נפוצים.

MAI-DxO היא טכנולוגיה מחקרית בלבד. לפני שימוש ממשי במטופלים, היא תזדקק לאישורים רגולטוריים מקיפים ובדיקות נוספות בסביבה קלינית אמיתית.

מיקרוסופט מדגישה ש”תפקידם הקליני של רופאים הרבה יותר רחב מאשר פשוט לבצע אבחנה. הם צריכים לנווט באי-ודאות ולבנות אמון עם מטופלים ומשפחותיהם בצורה שAI לא מוכן לעשות.”

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

מה זה אומר על העתיד?

השאלה המרכזית שסולימן מעלה היא לא טכנולוגית, היא פילוסופית. איזה סוג של AI העולם באמת רוצה? הוא טוען שהתעשייה צריכה לשאול שוב ושוב: איך אנחנו יודעים בוודאות שהטכנולוגיה הזו תעשה הרבה יותר טוב מנזק?

הניסיון של מיקרוסופט להציע “superintelligence הומניסטי” הוא אחת התשובות האפשריות. האם זו תשובה מספיקה? זה תלוי בשאלה הנוספת: מי באמת מחליט מה “שירות לאנושות” אומר, ואיך מבטיחים שהגדרה זו לא תשתנה ברגע שהמערכות יהיו מתקדמות מכדי לעצור?

נכון לעכשיו, מיקרוסופט מציעה תשובה – לא מערכת אחת כל-יכולה, אלא מערכות רבות וממוקדות. לא אוטונומיה מלאה, אלא שליטה אנושית קבועה. לא מרוץ טכנולוגי עיוור, אלא פיתוח מודרג עם מגבלות ברורות. האם זו הגישה הנכונה? מוקדם מדי לדעת. מה שברור הוא שמיקרוסופט שמה את השאלות הנכונות על השולחן – גם אם התשובות עדיין חלקיות.

הפוסט מיקרוסופט מקימה צוות “Superintelligence” הופיע ראשון בLet's AI בינה מלאכותית

שני מודלים חדשים: Instant ו-Thinking

העדכון כולל שני וריאנטים שונים, שכל אחד מהם מיועד לאופי שימוש אחר.

GPT-5.1 Instant

GPT-5.1 Instant הוא המודל שבו משתמשים יתקלו ברוב האינטראקציות. הוא חם יותר כברירת מחדל, שיחתי יותר, ומגיב בטון טבעי וקליל יותר. המודל גם עוקב אחר הוראות בצורה מדויקת יותר, ומספק תשובות שמותאמות לשאלה במקום לסטות לנושאים סביביים.

Instant כולל לראשונה יכולת שנקראת adaptive reasoning. המשמעות היא שכאשר עולה שאלה מסובכת, המודל “עוצר לחשוב” לפני שהוא מגיב. בשאלות פשוטות הוא עונה מהר כרגיל, אבל במורכבות, כמו מתמטיקה או קוד, הוא משקיע מעט זמן נוסף שמוביל לתשובות מדויקות יותר.

ההשפעה ניכרת במיוחד במבחנים מקצועיים שבהם מודדים יכולת פתרון בעיות. AIME הוא מבחן מתמטיקה תחרותי ברמה גבוהה, ו-Codeforces הוא אתר שבו מפתחים פותרים בעיות קוד מאתגרות בזמן אמת. בשני הסוגים של מבחנים GPT-5.1 מציג ביצועים מדויקים ומהירים יותר מהגרסאות הקודמות.

GPT-5.1 Instant

GPT-5.1 Thinking

GPT-5.1 Thinking, לעומתו, מיועד למשתמשים שנדרשים לניתוח עמוק. הוא מתאים את זמן החשיבה ביתר דיוק למורכבות השאלה. פחות המתנה כשמדובר בשאלות יומיומיות, יותר עומק כשנדרשת חשיבה מורכבת. מעבר לכך, התשובות שלו ברורות יותר ופחות עמוסות בז’רגון. OpenAI מציינת שהמודל כברירת מחדל חם ואמפטי יותר, כדי לאפשר עבודה נעימה גם במקרים שבהם נדרש הסבר טכני.

GPT-5.1 Thinking

הגרף המצורף מציג את הפערים בזמן התגובה בין GPT-5 לבין GPT-5.1 במשימות ברמות קושי שונות. בצד שמאל ניתן לראות ש-GPT-5.1 מהיר בהרבה במשימות פשוטות, עם ירידה משמעותית בכמות הטוקנים שהמודל מייצר. ככל שהמשימות נעשות מורכבות יותר, בצד ימין של הגרף, GPT-5.1 מייצר יותר טוקנים ומקדיש יותר זמן חשיבה. כך מתקבל מודל שמגיב מהר יותר כשאפשר, ומעמיק יותר כשהמשימה דורשת זאת:

GPT-5.1 מתאים את זמן החשיבה לפי מורכבות המשימה | OpenAI

GPT-5.1 Auto: התשובה הנכונה בלי לבחור מודל

יחד עם שני הדגמים, OpenAI משיקה גם את GPT-5.1 Auto. זה סוג של ראוטר שמכוון תנועה באופן אוטומטי בין המודלים. המשתמש לא צריך לבחור – המערכת מחליטה עבורו על פי סוג השאלה. המטרה היא לשמור על רצף עבודה נוח, שבו המודל המתאים נכנס לפעולה בלי התערבות מצד המשתמש.

השקה מדורגת ושימור מודלים ישנים

OpenAI בחרה להשיק את GPT-5.1 בהדרגה. בשלב הראשון המודל מופיע אצל משתמשי Pro ,Plus, ו-Business. בהמשך הוא יגיע גם למשתמשים חינמיים ולמשתמשים שאינם מחוברים. לקוחות Enterprise ו-Edu מקבלים גישה מוקדמת למשך שבוע דרך הגדרה ייעודית, ולאחר מכן GPT-5.1 יהפוך למודל ברירת המחדל.

OpenAI מציינת שההשקה תתבצע באופן הדרגתי למשך מספר ימים, כדי לשמור על יציבות ויכולת התמודדות עם עומסים. מודלי GPT-5 הישנים יישארו זמינים בתפריט ה-legacy models למשך שלושה חודשים, כך שמשתמשים יוכלו להשוות, להתרגל ולהחליט בקצב שלהם.

העדכון יגיע גם ל-API במהלך השבוע הקרוב. Instant יופיע כ-gpt-5.1-chat-latest, ו-Thinking יופיע כ-GPT-5.1. שניהם יהיו עם adaptive reasoning.

התאמה אישית: סגנונות חדשים ושיפור יכולות שליטה

לצד העדכון למודלים עצמם, OpenAI מחדדת את יכולות ההתאמה האישית של ChatGPT. החברה מציינת שמשתמשים מייחסים חשיבות גבוהה לטון, ולכן היא מציגה פרסונות חדשות ומשפרת קיימות.

האפשרויות כוללות כעת: Default, Friendly (Listener לשעבר), Efficient (Robot לשעבר), Professional, Candid, Quirky. בנוסף, שתי פרסונות ותיקות – Cynical ו-Nerdy – נשארות במקומן.

התאמה אישית מתקדמת

מעבר לבחירת אישיות, משתמשים יוכלו לשלוט על מאפיינים עדינים יותר: תמציתיות, חום, בהירות לסריקה, תדירות שימוש באימוג’י. ChatGPT גם יציע מעצמו לשנות פרמטרים כשיזהה בקשות חוזרות לאותו סגנון.

שינויי ההתאמה האישית יחולו מעכשיו על כל שיחה, כולל שיחות שכבר מתנהלות. זהו שינוי משמעותי לעומת העבר, שבו התאמות חלו רק על שיחות חדשות.

פרסונות חדשות ומשופרות | OpenAI

בטיחות ושקיפות

OpenAI מציינת כי עדכוני GPT-5.1 מגיעים יחד עם System Card Addendum. המסמך כולל פירוט על תהליכי הבטיחות והבקרה של הדגמים, כחלק מהמאמץ לשמור על שקיפות בתהליך הפיתוח.

למה זה נקרא GPT-5.1

החברה מדגישה שהשם משקף שדרוג מהותי בתוך הדור החמישי, אבל לא התקדמות טכנולוגית שמצדיקה דור חדש לחלוטין. העדכון מסמן התחלה של סדרת שדרוגים מתוכננים להמשך הדרך.

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

לפרטים נוספים לחצו כאן >>

לסיכום, GPT-5.1 מייצג שלב נוסף במסע של OpenAI ליצירת כלי שיחה שימושי יותר, מותאם יותר למשתמש, ומדויק יותר מבחינת בהירות ויכולת. החברה רומזת כי זוהי רק תחילת הדרך. העדכונים ימשיכו להתמקד בשני צירים מקבילים: יכולת טכנית וחוויית שיחה.

המשתמשים הם אלה שיראו בפועל אם השינויים משפרים את העבודה היומיומית. בינתיים, נראה ש-GPT-5.1 מעדכן את הכלי בצורה שמקרבת אותו יותר למה שמשתמשים מבקשים: תוצאה חכמה, ברורה ועם מעט יותר אנושיות.

הפוסט OpenAI משיקה את GPT-5.1 עם דגש על יעילות והתאמה אישית הופיע ראשון בLet's AI בינה מלאכותית

מהו n8n ולמה זה שונה?

n8n היא פלטפורמה לבניית אוטומציות וסוכני בינה מלאכותית, דומה ל-Zapier ו-Make, אבל עם יכולות מתקדמות יותר. מה שמייחד את n8n הוא שהיא מיועדת למשתמשים טכניים יותר ומציעה שליטה מדויקת בתהליכים מורכבים. הפלטפורמה מאפשרת לבנות workflows (זרימות עבודה) שמשלבים:

טריגרים אוטומטיים – ברגע שקורה אירוע מסוים.

סוכני AI מיוחדים – לא רק צ’אטבוטים כלליים, אלא כלים ספציפיים למשימות מוגדרות.

אינטגרציות רבות – Gmail, Slack, Google Calendar, Airtable ועוד.

היגיון מורכב – החלטות מותנות, פיצולי מסלול, ועיבוד מידע מתקדם.

בניית המערכת: מהרעיון ליישום

המטרה פשוטה: לקחת תיבת דואר מבולגנת ולהפוך אותה למערכת מסודרת שעובדת כמעט בעצמה. התוצאה היא מערכת שמקטלגת, מנתבת ומטפלת במיילים אוטומטית, עם התערבות אנושית רק כשזה באמת נדרש.

השלב הראשון: ארגון עם לייבלים

לפני בניית האוטומציה, חשוב להגדיר מערכת לייבלים ב-Gmail. אפשר להיעזר ב-ChatGPT כדי לחשוב על הקטגוריות המתאימות לצרכים שלכם.

לדוגמה:

שירות לקוחות – פניות ובקשות תמיכה.

מכירות – הצעות מחיר ופניות מסחריות.

מרקטינג – ניוזלטרים ותוכן שיווקי.

תזמון – פגישות וכנסים.

מנויים – חיובים ומסמכים פיננסיים.

עדכונים טכניים – התראות ממערכות שונות.

מערכת הלייבלים הזו היא הבסיס לכל האוטומציה שמגיעה אחרי כן. ככל שהחלוקה יותר ברורה ומוגדרת, כך המערכת תוכל לעבוד יותר טוב.

איך זה עובד? מסע של מייל במערכת

מסע של מייל במערכת

הטריגר: ברגע שהמייל נכנס

כל התהליך מתחיל עם טריגר (Trigger) של Gmail ב-n8n. ברגע שמייל חדש מגיע, המערכת מתעוררת לפעולה:

1. זיהוי המייל – הטריגר מזהה את המייל החדש ביותר.

2. קלסיפיקציה – בינה מלאכותית מנתחת את תוכן המייל ומחליטה לאיזו קטגוריה הוא שייך.

3. ניתוב – המייל מופנה למסלול הטיפול המתאים.

זה נראה פשוט, אבל כאן מתחיל הקסם של n8n.

Text Classifier: הכלי המרכזי

אחד הדברים המיוחדים ב-n8n הוא מגוון של מודולי AI שמיועדים למשימות ספציפיות. בניגוד לסוכן כללי שעושה הכל, יש פה כלים כמו:

Text Classifier – מסווג טקסט לקטגוריות.

Information Extractor – מחלץ מידע.

Sentiment Analysis – מזהה רגש ומצב רוח.

Summarization – מסכם תוכן.

ה-Text Classifier הוא הכלי המרכזי במערכת. בתוך המודול הזה מגדירים את כל הקטגוריות הרצויות, ונותנים לכל אחת תיאור מפורט. התיאור הזה חשוב מאוד, הוא מסביר ל-AI איך לזהות האם מייל שייך לקטגוריה הזו או לא. הפלט של ה-Classifier הוא פיצול לענפים שונים, כל אחד מטפל בסוג מייל אחר. זה מאפשר לבנות תהליכי טיפול שונים לחלוטין לכל סוג מייל.

דוגמאות מעשיות: מה אפשר לעשות

דוגמה 1: טיפול בבקשות מסחריות

בואו נראה איך המערכת יכולה לטפל בבקשות מסחריות – למשל, הצעות שיתוף פעולה, חסויות או פניות עסקיות.

מסלול הטיפול

1. זיהוי – ה-Text Classifier מזהה שזה מייל מסחרי.

2. לייבל – המייל מקבל אוטומטית את התווית המתאימה.

3. AI Agent לעבודה – סוכן מיוחד מתעורר.

אפשר לתת לסוכן פרומפט מפורט שמסביר מה תפקידו:

• לנתח את ההצעה שהגיעה.
• להבין מה המחירים והתנאים המוצעים.
• לנסח תשובה מקצועית עם המידע הרלוונטי.
• להציע מחירים ותנאים שקבעתם מראש.

Human in the Loop: השליטה נשארת אצלכם

העיקרון של “human in the loop” (אדם בתוך הלולאה) הוא קריטי. המערכת לא שולחת את התשובה אוטומטית, במקום זה:

• הסוכן כותב טיוטת תשובה.
• המערכת שולחת הודעה ל-Slack עם הפרטים והתשובה המוצעת.
• אתם מקבלים שני כפתורים: “Approved” או “Not Approved”.

רק אחרי אישור – המייל נשלח.

זה המודול “Send a message and wait for response” ב-Slack – כלי שמאפשר לעצור את התהליך ולחכות לתשובה אנושית לפני המשך. המערכת עושה את העבודה הכבדה (ניתוח, ניסוח, הצעה), אבל ההחלטה הסופית היא שלכם.

דוגמה 2: תזמון פגישות אוטומטי

דוגמה נוספת שימושית היא טיפול בזימונים לפגישות. משהו שקורה לרבים מאיתנו ולא פעם נופל בין הכיסאות.

מסלול הטיפול

1. זיהוי – ה-Text Classifier מזהה שזה מייל של scheduling.

2. לייבל – המייל מסומן בתווית המתאימה.

3. Scheduling Agent – סוכן מיוחד עם גישה ליומן נכנס לפעולה.

הסוכן הזה מחובר ישירות ל-Google Calendar ויכול לבצע כמה פעולות:

בדיקת זמינות: הסוכן בודק אם התאריך והשעה המוצעים פנויים.

אם כן – הוא מאשר את הזימון ומוסיף אותו ליומן.

אם לא – הוא שולח תשובה מנומסת שמציעה לתזמן מחדש.

שני תרחישים אפשריים:

תרחיש א’ – זמין: המערכת מזהה שהשעה פנויה, מאשרת את הזימון, מוסיפה אותו ליומן, ומסמנת את המייל כנקרא. הכל אוטומטי.

תרחיש ב’ – לא זמין: המערכת מזהה שיש כבר פגישה באותה שעה. הסוכן שולח מייל שמסביר שיש כבר פגישה ומבקש לתזמן מחדש.

זה חוסך זמן, מונע טעויות, ומבטיח שהיומן תמיד מעודכן.

דוגמה 3: שמירת תוכן למאוחר יותר

אפשר גם לבנות מסלול שמטפל במיילים עם תוכן מעניין שאתם רוצים לשמור למאוחר:

• המערכת נותנת למייל לייבל מתאים.
• AI Agent מחובר ל-GPT-4 Mini (מספיק למשימה הזו) מסדר את המידע.
• הסוכן שומר אותו ב-Google Sheet מיוחד.
• המייל מסומן כנקרא.

כך אתם יכולים לאסוף באופן אוטומטי מאמרים, מחקרים ורעיונות למאגר מרכזי.

דוגמה 4: עדכונים ממערכות

מיילים עדכונים טכניים (כמו Google Workspace) יכולים להיות מטופלים אחרת:

• הם מקבלים לייבל.
• נשלחת הודעה ל-Slack (בלי אישור, רק עדכון).
• המייל מסומן כנקרא.

למה? כי לפעמים יש בעיות חשבון, אזהרות אבטחה או דברים שאתם רוצים לדעת עליהם מיד, אבל לא צריכים לאשר כלום.

הפיצ’ר הקטן שעושה הבדל: “Mark as Read”

דבר חשוב שלא כדאי לשכוח: נוד (או מודול) נוסף שמסמן את המייל כנקרא אחרי שהוא טופל. למה זה חשוב? כי בלי זה, המיילים יישארו כ”חדשים” בתיבה, וזה יוצר תחושה של בלגן. הוספת מודול אחד פשוט פותרת את זה.

עקרונות מנחים לבניית המערכת

סוכן אימייל ב-N8N

1. AI לא חייב להחליף אתכם לגמרי

המודל של “human in the loop” חכם במיוחד. המערכת עושה את העבודה הכבדה, אבל ההחלטות הקריטיות נשארות אצלכם. זה מאזן מצוין בין יעילות לשליטה.

2. התאימו את הכלי למשימה

אפשר להשתמש בכלי AI שונים למשימות שונות:

• Text Classifier – לקטגוריזציה.
• AI Agent – למשימות מורכבות שצריכות הבנה והחלטות.
• GPT-4 Mini – כשלא צריכים את המודל החזק ביותר.

זה חוסך כסף וזמן, ומבטיח שכל חלק במערכת מקבל את רמת האינטליגנציה שהוא צריך.

3. סדר במערכת = סדר בחיים

מערכת הלייבלים היא הבסיס לכל השאר. לפני שאתם בונים אוטומציה, תבינו איך אתם רוצים לסדר את המידע. אפשר להיעזר ב-ChatGPT או בכל מודל שפה מועדף, לתכנון המבנה.

4. בנו בהדרגה

אל תנסו לבנות הכל ביום אחד. התחילו עם ענף אחד, בדקו שזה עובד, ואז הוסיפו עוד. זו הדרך הנכונה לבנות אוטומציות מורכבות.

איך מתחילים עם n8n?

הממשק של N8N

אם אתם רוצים לנסות לבנות משהו דומה:

צעד 1: פתחו חשבון

היכנסו לאתר של n8n והירשמו. יש גרסה חינמית (שבועיים חינם).

צעד 2: תכננו את המערכת

לפני שאתם בונים, חשבו:

• אילו סוגי מיילים אתם מקבלים?
• מה התגובה הנכונה לכל סוג?
• איפה אתם צריכים אישור אנושי?

צעד 3: התחילו קטן

בנו workflow אחד פשוט. למשל: “כל מייל עם המילה ‘דחוף’ מקבל לייבל אדום ונשלחת התראה ל-Slack”.

צעד 4: הוסיפו AI

אחרי שהבנתם את הבסיס, תתחילו להוסיף מודולי AI כמו Text Classifier.

צעד 5: הוסיפו מורכבות בהדרגה

סוכנים, אינטגרציות, human in the loop זה בא אחר כך.

דברים שחשוב לדעת

זה לא פשוט

n8n היא פלטפורמה טכנית. אם אתם לא מרגישים בנוח עם קוד ומושגים טכניים, תצטרכו זמן ללמידה. זה לא Zapier זה יותר מתקדם אבל גם יותר מורכב.

זה דורש תחזוקה

כשדברים משתנים (למשל, Gmail משנה את ה-API), תצטרכו לעדכן את ה-workflows. תכננו בהתאם.

התוצאות לוקחות זמן

גם המערכות הטובות ביותר לוקחות זמן לשכלל. תתחילו עם ציפיות ריאליסטיות, תבדקו, תשפרו, ותתאימו.

שווה את ההשקעה

כן, זה לוקח זמן לבנות. אבל כשהמערכת עובדת, אתם חוסכים שעות רבות כל שבוע – וזה משתלם מאוד.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

לסיכום: השליטה חוזרת אליכם

מערכת כמו זו היא לא רק פתרון טכני, זו דוגמה למה שאפשר לעשות כשמשלבים אוטומציה עם בינה מלאכותית בצורה חכמה. במקום להחליף את האדם, המערכת משלימה אותו ומשחררת אותו לעבודה שבאמת דורשת שיקול דעת אנושי.

מה מערכת כזו נותנת?

• חיסכון של שעות רבות בשבוע בניהול מיילים
• אפס פניות שנופלות בין הכיסאות.
• מערכת שעובדת בשבילכם, לא נגדכם
• שקט נפשי שהכל מסודר.

אם אתם מרגישים שתיבת הדואר שולטת בכם במקום שאתם תשלטו בה, אולי הגיע הזמן לחשוב איך אוטומציה ו-AI יכולים לעזור. אתם לא חייבים לבנות בדיוק את אותה המערכת – אבל העקרונות שמאחוריה רלוונטיים לכל מי שמנסה לעשות סדר בכאוס הדיגיטלי.

השורה התחתונה: אוטומציה עם AI זה לא על טכנולוגיה – זה על לקחת חזרה שליטה על הזמן שלכם.

הפוסט איך לסדר תיבת דואר עם n8n ובינה מלאכותית הופיע ראשון בLet's AI בינה מלאכותית

מהי הצפנה הומומורפית?

לחידה הזאת יש פתרון – הצפנה הומומורפית (Homomorphic Encryption) , תחום מתפתח שמתחיל לשנות את הדרך שבה אנחנו חושבים על פרטיות בעולם של בינה מלאכותית. מה זה בעצם הצפנה הומומורפית? בוא נתחיל במה היא לא.

היא לא כמו רוב שיטות ההצפנה אשר מגינות על המידע בכך שהופכות אותו לבלתי קריא. הצפנות האלה לא טובות במקרה שלנו כי אם רוצים לעבד את המידע (לחשב משהו, לעשות פרדיקציה, להריץ עליו אלגוריתם), צריך קודם לפענח קודם ואז מי שמריץ את העיבוד רואה את המידע לא מוצפן. בהקשר הזה, הצפנה הומומורפית מאפשרת לבצע חישובים ישירות על המידע המוצפן, בלי לפתוח אותו.

לדוגמה, נניח ששני אנשים מחזיקים במספרים סודיים ורוצים לדעת את הסכום הכולל בלי לחשוף את המספרים עצמם. באמצעות הצפנה הומומורפית, אפשר להצפין את שני המספרים, לחשב עליהם את הסכום כשהם מוצפנים ולקבל תוצאה מוצפנת. רק מי שמחזיק במפתח הפרטי יוכל לפענח את הסכום הסופי.

המגבלות והאתגרים בהצפנה הומומורפית במודלי שפה גדולים

אז אפשר להשתמש בהצפנה הומומורפית על מודלי שפה גדולים? מסתבר שלא בקלות כל כך והסיבה נאוצה בדרך שהמודלים האלה עובדים. באופן דיי גורף, מודלי שפה גדולים לומד לחזות את המילה הבאה (או התו הבא) על בסיס מה שכתוב לפני. כדי לעשות זאת, המודל מעביר את המילים דרך תהליך של קידוד (encoding) כלומר המרת טקסט למספרים ומחשב עליהם הסתברויות מתמטיות.

כל הקסם של מודלי שפה גדולים הוא בעצם כלי חישובי גדול שיודע לנחש מילה לפי מה שסטטיסטית סביר שתהיה לאור טקסטים שהמודל ראה כבר.

הרעיון של שילוב הצפנה הומומורפית הוא לאפשר למודל לבצע את אותו תהליך על טקסט מוצפן. במקום לראות את המילים עצמן, הוא יקבל גרסה מוצפנת שלהן, יחשב את ההסתברות של ה”טוקן” הבא (המילה או החלק של מילה הבא), גם היא בצורה מוצפנת, ויחזיר תוצאה מוצפנת. רק הצד שמחזיק במפתח יוכל לפענח את התוצאה ולקרוא את הטקסט החוזר. במילים אחרות: הטקסט נכנס מוצפן המודל מחשב על נתונים מוצפנים רק הפלט הסופי מפוענח.

הצפנה הומומורפית עם מודלי שפה גדולים

איך הצפנה הומומורפית עובדת במודלי שפה

איך הקסם הזה עובד? אז קודם כל, הוא עדיין לא עובד הכי טוב כי כרגע האלגורתמים הם מאוד יקרים לחישוב מה שעושה את השימוש בטכנולוגיה מאוד איטי. אבל, הרעיון המרכזי הוא כזה.

מודלי שפה רגילים (כמו GPT) עובדים על טוקנים, מספרים שמייצגים מילים, חלקי מילים או תווים. כל טוקן כזה עובר דרך שכבות של חישובים מתמטיים רגילים על מספרים. אבל ברגע שאנחנו מצפינים את המספרים האלה, הם כבר לא “מספרים רגילים” אלא הם הופכים להיות אובייקטים מתמטיים אחרים לגמרי.

המודל לא יכול סתם לעשות עליהם חישוב רגיל, כי הוא לא מכיר אותם, הרי הוא מעולם לא למד עליהם. לכן, אי אפשר פשוט להצפין את הקלט הרגיל ולתת למודל המאומן לעבוד עליו – יש צורך לשנות משהו עמוק יותר.

השלבים המרכזיים

כדי להתמודד עם זה, עושים 4 שלבים מרכזים:

1. המודל עצמו מאומן באופן רגיל על טקסט לא מוצפן. במהלך האימון הוא לומד את החוקים הסטטיסטיים של השפה: אילו מילים נוטות לבוא אחרי אילו מילים, איך משפטים בנויים, וכדומה – השלב הזה כולם עושים ואתם מקבלים חינם בעצם.

2. אחרי שהמודל כבר מאומן, עוברים עליו ומחליפים את פעולות החישוב הרגילות בגרסאות תואמות להומומורפיות. למשל, במקום חיבור רגיל משתמשים בחיבור הומומורפי. המשמעות היא שכל החישובים ייעשו על ערכים מוצפנים, אבל בצורה שמובטחת לתת את אותה תוצאה כמו אם היו רגילים (לאחר פיענוח).

3. בזמן שאתם משתמשים במודל, הטקסט שלכם עובר קידוד יעודי שלכם עם ההצפנה. הטוקנים עצמם לא מועברים למודל כפי שהם, במקום זאת הם עוברים קידוד למספרים (כמו תמיד) ואז מוצפנים לפי שיטה הומומורפית שמבטיחה שניתן לבצע עליהם פעולות מתמטיות (ולא רק לשמור אותם סודיים).

4. הטקסט המוצפן עובר למודל השפה שלכם והפלט הסופי חוזר מוצפן גם כן. במחשב שלכם אתם פותחים את ההצפנה ומקבלים טקסט רגיל, כאילו מעולם לא הייתה הצפנה בכלל.

4 שלבי ההצפנה

המשמעות והפוטנציאל של הצפנה הומומורפית

המשמעות של טכנולוגיה כזו עצומה: ניתן לשלוח למודל מידע סודי בלי לחשוש שיחשף – לא משנה מה הספק מבטיח לכם. חברות יכולות להריץ ניתוחים משותפים על נתונים רגישים, מבלי לחשוף אותם זו לזו. המודל יכול לפעול על שרת חיצוני מבלי לדעת כלל מה המידע שעליו הוא עובד.

אז מה כן אפשרי כבר היום? אפשר להריץ מודלים בסביבות חומרה שמצפינות את הזיכרון ומבודדות את זמן הריצה (TEE), כך שהדאטה והמשקלים מוגנים גם מספק התשתית. בענן זה קיים היום על גבי מכונות GPU חסויות (למשל Azure Confidential GPU VMs עם NVIDIA H100/‏AMD SEV-SNP) ומשמש כבר לחישוב חסוי מקצה לקצה. זה לא אותה שיטה אבל בפועל מונע גישה חיצונית לקלטים/פלטים בזמן הריצה, עם עלות תפעולית מבחינת חישוב נמוכה יחסית.

החסרון של הפתרון הזה הוא שגם פה יש רכיב אמון עצום אל מול ספק ה LLM שלנו שאי אפשר להבטיח אם כי יותר קל לבדוק שהבטחות של אותו ספק אכן מתקימות. פתרון אחר שעוקף את הבעיה אך שמור רק לארגונים הגדולים ביותר הוא חוזים עם חברות LLM שיתקינו להם שרתים עם ה LLM בסביבה שלהם.

פתרון זה מייתר צורך בהצפנה אך כאמור שמור רק לחברות גדולות מאוד והוא שימושי רק אם השימוש ב LLM בתוך הארגון מספיק גדולה כדי להצדיק מהלך שכזה. בהקשר של הצפנה הומומורפית, ישנם כבר פתרונות עובדים על SML (Small Language Models) יעודים שמפותחים לצרכים ספציפים לאור העלות החישובית הגדולה של הפתרון עבור LLMs.

חזון חדש

הצפנה הומומורפית מציבה חזון חדש לעולם הבינה המלאכותית: מודלים שיכולים לעבוד על מידע מבלי לדעת מה הוא. זהו שינוי תפיסתי עמוק, בינה מלאכותית שאינה “מבינה” תוכן, אלא רק מבצעת חישובים מתמטיים מדויקים שמניבים תוצאה נכונה גם כשהכול מוצפן.

השילוב בין פרטיות מלאה וביצועי למידה חישוביים עשוי לאפשר בעתיד שימוש בטכנולוגיות כמו ChatGPT בתחומים רגישים במיוחד (לדוגמה, רפואה, משפטים ופיננסים) מבלי לוותר על סודיות.

הדרך לשם עוד ארוכה, אבל אם נצליח לגרום למכונות לחשוב על נתונים בלי לדעת מה הם, אולי נוכל סוף־סוף לשלב חכמה מלאכותית עם ביטחון אנושי אמיתי.

הפוסט איך בינה מלאכותית יכולה להבין בלי להבין? הצפנה הומומורפית ומודלי שפה גדולים הופיע ראשון בLet's AI בינה מלאכותית

איך זה עובד ואיך להרוויח יותר

אם אתם כבר מנויים על אחד מהכלים שאתם רואים כאן, אל תניחו שאתם מחוץ למשחק. גם אם יש לכם מנוי פעיל – במיוחד אם הוא מנוי חודשי – שווה לבדוק אפשרות לבטל אותו ולחדש מחדש במסגרת המבצע. זה טריק פשוט שמאפשר לכם ליהנות ממחיר מוזל, גם אם אתם משתמשים ותיקים. ברוב המקרים, הביטול והחידוש עובדים חלק, וניתן לשמור על כל ההגדרות והמידע הקיים בחשבון. נובמבר בכלל ובלאק פריידיי בפרט, הם הזדמנות מצוינת לשדרג או לחדש מנויים שנתיים בהנחה משמעותית, או לנצל את הזמן כדי לנסות כלים חדשים שתכננתם לבדוק. אנחנו נרכז כאן את כל המבצעים הבולטים, כולל לינקים ישירים למימוש ההטבות – כדי שתחסכו גם זמן וגם כסף.

 

 

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

הערות חשובות!

• לפני שתצללו לרשימת המבצעים, חשוב לדעת: חלק מההנחות והקופונים שמופיעים כאן זמינים לזמן מוגבל בלבד, ויש גם כאלה שמוגבלים לכמות מסוימת של משתמשים. כלומר, ייתכן שחלק מהמבצעים כבר הסתיימו, או שקוד קופון מסוים חדל לעבוד לאחר שהמכסה שלו נוצלה. זה קורה לעיתים קרובות בתקופה הזו של השנה, כשחברות מגיבות במהירות לביקוש הגבוה.
• כמו כן, יכול להיות שהיקפי ההנחות ישתנה (אפילו בתדירות יומית), לכן אם יש אי התאמות בין הסכומים או האחוזים המפורטים במאמר מרכז זה – עמכם הסליחה. מה שקובע, זה מה שכתוב באתר של כל חברה ביום בו אתם נכנסים אליו.
• אם נתקלתם בקוד שכבר לא פעיל, נסו לעבור למימוש של קוד אחר או הטבה אחרת, וכמובן, התעדכנו אצלנו בקבוצות והקהילות.

ריכוז מבצעים, הטבות והנחות ל-Black Friday

Suno

הטבת הבלאק פריידיי של סונו (Suno) מציעה הנחה של כ-40% על המנויים השנתיים. למי שלא מכיר – מדובר במחולל המוזיקה המפורסם והמצליח בעולם (ולדעת רבים גם הטוב בעולם). אפשר לייצר איתו שירים, פס קול, לייצר גרסאות כיסוי (קאברים), להפריד שירים לערוצים (Stems), לייצר שירים על בסיס רפרנס (שריקה, זמזום, הקלטה קולית, קטע נגינה) ועוד. במסגרת המבצע, מסלול ה-Pro יורד מ-8 דולר ל-4.80 דולר לחודש (בחיוב שנתי), ומסלול ה-Premier צונח מ-24 דולר ל-14.40 דולר לחודש. ההנחה המשמעותית הזו חוסכת למנויים עשרות עד מאות דולרים בשנה, והיא זמינה לזמן מוגבל בלבד. 

למימוש ההטבה, כנסו לאתר הכלי ורכשו את המנוי השנתי המועדף.

Freepik

פריפיק (Freepik) הפכה לאחת מפלטפורמות ה-AI המובילות בעולם, המשלבת במקום אחד כלי בינה מלאכותית מתקדמים לצד מאגר סטוק עצום של תמונות, סרטונים, וקטורים ואיורים – גם אמיתיים וגם כאלה שנוצרו באמצעות AI.

לרגל בלאק פריידיי וסייבר מאנדיי, הפלטפורמה מציעה עד 39% הנחה על כל תוכניות הפרימיום השנתיות, כשההנחה מוחלת אוטומטית בקופה – אין צורך בקוד קופון.

Freepik היא כיום סביבת יצירה שלמה: ניתן לעבוד בה עם מודלי וידאו מהמובילים בשוק כמו Runway, VEO ו-Kling, לצד מודלי תמונה חזקים כמו Flux Kontext ו-Nano Banana, וכן ליהנות מכלי עריכה מבוססי AI שמאפשרים שילוב מושלם בין עולמות העיצוב הקלאסי והיצירה הגנרטיבית.

למימוש ההטבה לחצו כאן או נסו בלינק הבא.

Ideogram

מחולל התמונות אידאוגרם (Ideogram), הוא כבר מזמן לא “סתם” מחולל תמונות – מדובר באחת מפלטפורמות ה-AI המובילות כיום ביצירת תמונות AI, עריכה עם AI ושילוב טקסט בתוצרי AI. היא מציעה הנחות משמעותיות לרגל בלאק פריידיי – עד 30% הנחה על תוכניות שנתיות. ההנחה מוחלת אוטומטית בקופה בהתאם למסלול שתבחרו. בין השאר תמצאו שם אפשרות להעלאת תמונות לעריכה ורמיקס, שימוש ביכולות מתקדמות לשמירה על עקביות בדמויות, ואפשרות לייצוא איכותי ועבודה ב-Canvas לעריכה ישירה.

למימוש ההטבה לחצו כאן

Runway ML

ראנוויי (Runway) פלטפורמת הווידאו המובילה מאפשרת יצירת סרטונים מתקדמים באמצעות AI – החל מעריכה ועד הפקת תוכן ויזואלי שלם. במהלך נובמבר תוכלו ליהנות מ-25% הנחה על כל המנויים באמצעות קוד הקופון BF25 או BLACKFRIDAY25.

למימוש ההטבה לחצו כאן

Kling AI

חגיגת בלאק פריידיי וחג הרווקים מגיעה גם ל-Kling AI עם מבצע ענק: 50% הנחה על כל תוכניות הפרימיום ו-50% קרדיטים בונוס לחודש הראשון למנויים חדשים (עד 5000 קרדיטים). השתמשו בקוד הקופון 7B6WNAERRZJT לקבלת ההנחה.

למימוש ההטבה לחצו כאן

Luma AI

לומה (Luma AI) ממשיכה להציע הנחות מתמשכות של 30% על מגוון מוצרים נבחרים ומבצעי אתר כלליים, כגון מחולל הוידאו ה-מ-ד-ה-י-ם שלהם Dream Machine. הקוד התקף הוא MADLANGBAYAN, והוא מעניק הנחה רוחבית באתר.

למימוש ההטבה לחצו כאן

Minimax (Hailuo AI)

מינימקס (Minimax) מבית Hailuo AI הוא אחד ממודלי הווידאו המתקדמים ביותר כיום, המאפשר ליצור סרטונים מרהיבים מטקסט או מתמונה, באיכות גבוהה, וכל זאת תוך שליטה מלאה על הסגנון, הזוויות והאווירה. לרגל בלאק פריידיי, Hailuo מציעה הנחות משמעותיות על כל התוכניות: 47% הנחה במנוי שנתי ו-40% הנחה במנוי רבעוני. בנוסף, ניתן לנסות את השירות במסגרת תקופת ניסיון של 7 ימים בעלות של 1.99 דולר בלבד.
Minimax נחשב כיום לכלי וידאו מהחזקים בשוק, בזכות שילוב של מהירות עיבוד, תמיכה במודלים מצוינים של החברה, וגם במודל Veo 3.1 המצוין של גוגל, הסרת סימני מים, הפקת סרטונים ריאליסטיים באורך של עד 10 שניות, ואפשרות לשלב בין אלמנטים גרפיים, טקסט ואפקטים קולנועיים.

למימוש ההטבה לחצו כאן

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס יצירת סרטים עם AI

לפרטים נוספים לחצו כאן >>

Heygen

אם אתם משתמשים במחולל האווטארים Heygen, עכשיו הזמן לשדרג. המבצע מעניק 25% הנחה על כל התוכניות השנתיות, תקף לשנה אחת בלבד. השתמשו בקוד LEAP25.

למימוש ההטבה לחצו כאן

Synthesia

סינטז’יה (Synthesia), אחד הכלים הפופולריים ביותר ליצירת סרטונים באמצעות אווטארים מדברים, מציעה הנחה של 15% על רכישת מנוי. קוד הקופון לשימוש: SYNTH15.

למימוש ההטבה לחצו כאן

Kapwing

כלי העריכה Kapwing משתתף גם הוא בחגיגת ההנחות – עם 50% הנחה על מנוי שנתי, תקף לשנה אחת בלבד. השתמשו בקוד KHGREK כדי לממש את המבצע.

למימוש ההטבה לחצו כאן

D-ID

סטארטאפ האווטארים הדיגיטלי הישראלי D-ID מציע הנחה של 25% על כל השירותים במסגרת המנוי השנתי. קוד ההטבה לשימוש: SIGNUP25, תקף לשנה אחת.

למימוש ההטבה לחצו כאן

Leonardo AI

מחולל התמונות Leonardo AI מעניק 20% הנחה על כל התוכניות השנתיות – הזדמנות מצוינת לשדרג או להתחיל להשתמש בו במחיר משתלם במיוחד. השתמשו בקוד LEO20 למימוש.

למימוש ההטבה לחצו כאן

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

לפרטים נוספים לחצו כאן >>

Adobe Creative Cloud: חבילת הכלים האולטימטיבית

Grammarly

כלי הכתיבה הפופולרי Grammarly מציע בתקופת בלאק פריידיי וסייבר מאנדיי הנחות שנעות בין 25% ל-50%, בהתאם לקמפיין הפעיל באותו רגע. לעיתים Grammarly מפעילה דף מבצע מיוחד עם 50% הנחה על Grammarly Pro לזמן מוגבל, ובשאר הזמן ניתן ליהנות מהנחה קבועה של 25% על תוכניות ה-Pro וה-Premium במהלך תהליך הרכישה.

איך זה עובד? כאשר מתקיים קמפיין של 50%, תראו באתר את ההודעה “Save 50% on Grammarly Pro”, וההנחה תיושם אוטומטית בקופה עד לסיום המבצע. אם הקמפיין אינו פעיל, ההנחה הסטנדרטית תעמוד על 25%, לדוגמה – מנוי שנתי שיורד מ-12 דולר ל-9 דולר לחודש. כדי לבדוק את גובה ההנחה העדכנית, פשוט היכנסו לקישור, בחרו את התוכנית הרצויה והתקדמו למסך התשלום – שם יוצגו אחוז ההנחה והמחיר המעודכן בהתאם לקמפיין הפעיל. בנוסף, קיימת גם הנחה ייעודית לסטודנטים ולמורים דרך תהליך אימות ב-SheerID, שמעניקה 50% הנחה קבועה במסלול נפרד ממבצעי האתר הרגילים.

QuillBot

למי שמחפש אלטרנטיבה משתלמת לכתיבה ועריכה באנגלית – גם QuillBot משתתף במבצעי בלאק פריידיי, עם הנחות על מנויי הפרימיום. למימוש ההטבה ב-QuillBot השתמשו בקוד הקופון GOPREMIUM בלינק הזה.

ב־QuillBot Premium תמצאו מבצעים משתנים לאורך השנה, עם הנחות שנעות לרוב בין 20% ל-30% דרך קודים או דפי מבצע ייעודיים. בתקופת בלאק פריידיי וסייבר מאנדיי ההנחות הופכות משמעותיות במיוחד – בדרך כלל עד 40% הנחה, המוחלת אוטומטית בקופה בדף המבצע. כדי לבדוק אם קיים קמפיין פעיל, היכנסו לעמוד הפרימיום, בחרו את התוכנית הרצויה והמשיכו למסך התשלום – אם המבצע בתוקף, אחוז ההנחה המעודכן יוצג שם באופן אוטומטי.

Depositphotos

Depositphotos, אחד ממאגרי התמונות הוותיקים והמוערכים בעולם, משיק מבצע בלאק פריידיי מוקדם במיוחד – יותר מ-70% הנחה על חבילת 100 תמונות, יחד עם גישה בלתי מוגבלת למחולל התמונות מבוסס ה-AI החדש של החברה.

חשוב לציין – המבצע מיועד לשימוש אישי בלבד ומאפשר ליהנות מגישה משולבת לתוכן אמיתי באיכות גבוהה וליצירה חופשית באמצעות AI – פתרון אידיאלי למעצבים, יוצרי תוכן ומשווקים שמחפשים גם מאגר תמונות מקצועי וגם כלי יצירה חכם.

למימוש ההטבה לחצו כאן

CapCut

חברת CapCut יוצאת במבצע בלאק פריידיי מפתה במיוחד – 40% הנחה על חודש ראשון במנוי CapCut Pro למחשב (גרסת Desktop בלבד). ההצעה מיועדת למשתמשים חדשים ומאפשרת ליהנות מכלי ה-AI המתקדמים של CapCut לעריכת וידאו, יצירת פוסטרים ותוכן שיווקי ברמה מקצועית. CapCut Pro כולל תכונות כמו עריכה חכמה, יצירת סרטונים עם AI, טמפלטים ממותגים, כלי קריינות אוטומטית ועוד.

כדי לממש את ההטבה, יש להוריד את גרסת המחשב, להתחבר לחשבון, ללחוץ על Join Pro ולבחור בתוכנית החודשית עם ההנחה. למימוש ההטבה לחצו כאן

קורסים מקצועיים בבינה מלאכותית

הפוסט שרשור מבצעי ה-AI של Black Friday לשנת 2025 הופיע ראשון בLet's AI בינה מלאכותית

דפדפן שהופך לעוזר אישי

Comet הוא הדפדפן החכם של Perplexity, שהושק מוקדם יותר השנה, ונבנה על בסיס Chromium, אותה תשתית שמפעילה גם את Chrome. אבל כאן מתחיל ההבדל – ב-Comet, עוזר ה-AI אינו תוסף חיצוני אלא חלק מובנה מהדפדפן עצמו. הוא יושב בצד המסך ומסוגל לסכם מאמרים, למלא טפסים, לחפש מידע מדויק בעמוד, ואף להפעיל כלים ולנווט באתרי אינטרנט בשם המשתמש.

בנוסף, Comet שומר על ההקשר של כל עמוד פתוח. אם התחלתם שיחה על כתבה מסוימת, העוזר זוכר אותה גם כשאתם עוברים לטאב אחר ומחליפה את הצורך לעבור שוב ושוב בין חלונות.

אך היתרון הבולט ביותר הוא ביכולת האייג’נטלית שלו. Comet מתפקד כמו דפדפן אינטליגנטי שמסוגל לבצע פעולות מורכבות לבד, למשל להעביר פלייליסט מ-Spotify ל-YouTube Music או למלא נתונים ממסמך לטופס אונליין, בזמן שאתם ממשיכים בעבודה אחרת.

בקיצור, מדובר בדפדפן שמאחד תחת ממשק אחד את מנוע החיפוש של Perplexity, את כלי העוזר, ואת יכולות הביצוע בפועל – דפדפן שלא רק מציג מידע, אלא באמת עובד בשבילכם.

עדכון שמחזק את הקשר בין עוזר למשתמש

Perplexity בחרה לשדרג את העוזר שכבר מובנה בדפדפן Comet, ולהעמיק את מערכת האמון שבין העוזר למשתמש. העדכון הנוכחי מתמקד בשני כיוונים עיקריים: עוזר חכם יותר וזהיר יותר.

הראשון מתבטא ביכולות חדשות כמו ניתוח טוב יותר של אתרים דינמיים ויכולת עבודה סימולטנית במספר טאבים. השני נוגע לשליטה – כל פעולה שבה העוזר נדרש לגשת לדפדפן, לפתוח לשונית או להזין נתון, תתבצע רק לאחר אישור מפורש מהמשתמש.

הגישה הזו מבטאת שינוי מדוד בתפיסה של Perplexity ושילוב בין שיפור ביצועים טכנולוגיים לבין שמירה על גבולות ברורים של שליטה אנושית. Perplexity מסבירה כי השדרוג מאפשר לעוזר להבין הקשרים רחבים יותר ולשלב נתונים ממקורות שונים.

כך זה נראה בפעולה

עדכון ה-Comet Assistant לא נשאר בגדר הבטחה מופשטת, הוא כבר מבצע בפועל משימות מורכבות שהיו דורשות בעבר מעבר בין עשרות טאבים. הנה כמה דוגמאות שימוש יומיומיות:

1. חיפוש עבודה חכם: העוזר מסוגל לסרוק את LinkedIn ולאתר משרות רלוונטיות לפי קריטריונים מדויקים.

חיפוש עבודה חכם | perplexity.ai

2. השוואת טיסות בזמן אמת: הוא מחפש במקביל באתרים כמו Kayak, Google Flights ו-Expedia, ומחזיר את ההצעה המשתלמת ביותר.

השוואת טיסות בזמן אמת | perplexity.ai

3. מעקב אוטומטי אחר נוכחות תלמידים: תוך שניות ספורות, Comet יוצר גיליון Google Sheets מסודר לפי שבועות, כולל חישוב איחורים והיעדרויות.

מעקב אוטומטי אחר נוכחות תלמידים | perplexity.ai

שיפור ביצועים ושליטה שחוזרת למשתמש

על פי נתוני החברה (שלא אומתו חיצונית), גרסת העוזר החדשה מציגה שיפור ממוצע של כ-23% בביצועים במשימות ארוכות ומורכבות לעומת הגרסה הקודמת. הנתון מספק אינדיקציה לכיוון שבו Perplexity מבקשת לשפר את העוזר – התמדה, דיוק ורציפות בעבודה לאורך זמן.

השדרוג החדש אינו מתמקד רק במהירות הביצוע, אלא גם באופן שבו הסוכן מפרש ומנווט באתרים מורכבים. הודות לכך, מפתחים יוכלו ליצור אתרים מותאמים יותר לסוכנים חכמים ולחוויית שימוש מבוססת עוזרים.

העדכון הנוכחי מדגיש שינוי שאינו טכנולוגי בלבד, אלא גם ערכי. כל פעולה הדורשת גישה לדפדפן או לאתרים תלווה בבקשת רשות ברורה – העדפה שתישמר לאורך כל המשימה.

“אנחנו רוצים שעוזרי ה-AI יעבדו בשביל המשתמשים, לא במקומם,” נכתב בפוסט החברה.

בעידן שבו סוכנים אוטונומיים הופכים לחלק מהותי מהגלישה היומיומית, הדגש על שקיפות ושליטה הופך כמעט לתנאי סף לאמון.

העימות עם אמזון

העיתוי של השדרוג איננו מקרי. בתחילת נובמבר 2025 הגישה אמזון תביעה נגד Perplexity בטענה שאחד מסוכני ה-AI שלה ניגש לאתרי החברה וביצע פעולות מבלי לקבל הרשאה מספקת. Perplexity דחתה את ההאשמות, וטענה שאמזון מנסה להצר צעדי חדשנות ולשמר שליטה על הגישה למידע. בעיני רבים בתעשייה, העדכון הנוכחי נראה כתשובה עקיפה לאותה ביקורת – שילוב בין הרחבת היכולות של העוזר לבין הדגשת שקיפות ושליטה בידי המשתמש.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

לסיכום, העדכון החדש של Comet Assistant מסמן התבגרות טכנולוגית. עוזר יעיל יותר במשימות ארוכות, חכם יותר בהתמודדות עם אתרים מורכבים, ושקוף יותר באופן פעולתו. Perplexity שומרת על קו עקבי, משכללת את הכלי שבנתה, וממקדת אותו במהות העבודה עם סוכני AI – דיוק, עקביות ושליטה מלאה למשתמש.

הפוסט Perplexity משדרגת את העוזר החכם Comet הופיע ראשון בLet's AI בינה מלאכותית

מה זה Opal 

Opal הוא חלק ממערך הכלים הניסיוניים של Google Labs. הוא נועד להנגיש את היכולת להשתמש בבינה מלאכותית ליצירת כלים, בלי ידע טכני.

המשתמש מתאר את המטרה שלו בשפה טבעית, למשל: "אני רוצה כלי שמסכם כתבות חדשות ומעדכן גיליון Google Sheets."

Opal מתרגם את הבקשה הזו למערכת של שלבים – קלט, עיבוד ופלט – ומחבר ביניהם באופן אוטומטי. כך מתקבל Workflow מוכן לשימוש, שאפשר להריץ, לשנות או לשתף עם אחרים. החזון של הכלי הוא פשוט: כל אחד יוכל להפוך רעיון לכלי AI עובד, בלי מפתח תוכנה.

מה Opal יודע לעשות

אוטומציה של תהליכים

Opal פועל כמו בונה-כלים אינטראקטיבי. הוא מאפשר ליצור תהליכים חכמים שחוסכים עבודה חוזרת במספר תחומים עיקריים, למשל, כלי שמחפש מידע באינטרנט ומרכז אותו לדוח, כלי שמנתח נתונים מגיליונות ומפיק סיכום למנהלים או כלי שמזהה שינויים במסמכים (contract redlining) ומסמן אותם אוטומטית.

יצירת תוכן

Opal שימושי במיוחד ליוצרי תוכן ומשווקים. אפשר להקים בקלות מחולל פוסטים ומודעות על בסיס תיאור מוצר, כלי שמייצר תסריטים, כיתובים ותמונות לקמפיינים או סייען לכתיבה יצירתית שמציע דיאלוגים, תיאורים או רעיונות.

ניתוח נתונים ודוחות

Opal יודע לעבד נתונים ממקורות שונים וליצור תוצרים ברורים כמו סיכום דוחות מכירות, הפקת גרפים או תובנות ואפילו בניית מצגות נתונים פשוטות.

יצירת MVP’s (אב-טיפוס מהיר)

יזמים יכולים לבדוק רעיונות כמו אפליקציה ללימוד שפות, מתכנן טיולים אישי או יועץ חכם להמלצות על ספרים וסרטים עוד לפני פיתוח מלא.

איך זה עובד בפועל – הרעיון של Workflows

ב-Opal כל כלי בנוי כרצף של שלבים, ממש כמו תרשים זרימה:

Input – המשתמש מזין טקסט, קובץ או נתון.

Processing – Opal שמפעיל מודל AI (לרוב Gemini כמובן) כדי לבצע פעולה: לנתח, לסכם, לכתוב או לחשב.

Output – התוצאה מוצגת על המסך, נשלחת למייל או נשמרת בקובץ.

הכול נעשה בממשק גרפי נוח. אפשר לגרור שלבים, לשנות פרומפטים ולהוסיף פעולות בלי לדעת תכנות.

זמינות בישראל

עד לאחרונה Opal היה זמין בארצות הברית בלבד. החל מאוקטובר 2025 Google הרחיבה את הניסוי ליותר מ-160 מדינות, וישראל כלולה ברשימה.

גלריה של תבניות מוכנות מראש | google.opal

מדריך קצר

כדי להתחיל, היכנסו כאן, התחברו עם חשבון Google שלכם – ואתם בפנים. קחו בחשבון שנכון לעכשיו, חלק מהפיצ’רים עדיין בשלב Beta וכתיבת ההנחיות מומלצת בשפה האנגלית לקבלת תוצר מיטבי.

מתחברים עם חשבון גוגל

אחרי שהתחברתם, בחרו באחת מתבניות ההתחלה, לדוגמה “Business Profiler” או “Fashion Stylist”. ניתן גם ללחוץ על “Create New” ולהקליד בשפה חופשית מה אתם רוצים לבנות.

בחירה ממגוון תבניות או בניית אפליקציה חדשה

עריכת השלבים

Opal יציג את ה-Workflow שנוצר. כל שלב ניתן לעריכה – שינוי פרומפט, הוספת חיבור ל-Sheets או Docs, הגדרת תנאים.

בדיקה ושיתוף

הריצו את הכלי, בדקו שהתוצאה מדויקת, ואם אתם מרוצים, לחצו על Share כדי לשתף קישור עם אחרים.

ממשק המשתמש של Opal

טיפ למתחילים

התחילו בפרויקט פשוט – כלי קטן שמקל על עבודה יומיומית. ככל שתבינו את הלוגיקה של Workflows, תוכלו להוסיף שלבים ולבנות פתרונות מורכבים יותר.

כמה דוגמאות מעשיות לשימוש

דוגמה 1 – עוזר תפעולי

הקלידו:  "צור כלי שמקבל שני קטעי טקסט של חוזים, גרסה ישנה וחדשה, ומשווה ביניהם כדי לזהות סעיפים חדשים ושינויים. הצג את הסיכום בצורה טקסטואלית."

Opal יפרק את הבקשה לשלבים של קבלת שני קטעי טקסט, השוואת התוכן, זיהוי השינויים והפקת סיכום ברור שניתן לשיתוף. כך אפשר לזהות במהירות עדכונים בין גרסאות של חוזים או מסמכים ולחסוך עבודה ידנית לצוותי HR וניהול.

הנה תרשים ה-Workflow בפעולה – שדות קלט, שלב ניתוח והשוואה, ושלב יצירת סיכום HTML. בתרשים הזרימה שנוצר ל״עוזר התפעולי״ רואים שני קלטי טקסט “Old Contract Text” ו”New Contract Text”, צומת עיבוד “Summarize Contract Differences”, ופלט “Generate HTML Summary”:

בתרשים הבא תראו את מסך האפליקציה המוכנה שנקראת ״Contract Compare״ –  עם כותרת, תיאור קצר וכפתור Start:

מסך תצוגה של אפליקציית Contract Compare ב־Opal

הנה עוד כמה דוגמאות שימושיות

דוגמה 2 – כלי שיווק אוטומטי

הקלידו:  "צור כלי שמייצר פוסט בלוג, כיתוב לפייסבוק ותסריט לווידאו על מוצר X."

Opal יבנה שלושה שלבים: ניסוח, יצירת טקסטים מותאמים, וסידור הפלט. תוך דקות תקבלו טיוטות תוכן מוכן.

דוגמה 3 – עוזר למידה או מחקר

הקלידו:  "צור כלי שמקבל קישורי מאמרים אקדמיים, מסכם כל מאמר לנקודות עיקריות, מוסיף קישורים למקורות ושומר הכול בגיליון Sheets."

Opal יבנה רצף של שלבים – איסוף, סיכום וארגון מידע – שמאפשר לסטודנטים וחוקרים לחסוך זמן ולרכז תובנות ממקורות שונים.

דוגמה 4 – כלי MVP ליזמים

הקלידו:  "צור כלי שמבקש מהמשתמש תקציב, יעד ותחומי עניין, ומחזיר תכנית טיול מותאמת אישית עם מסלול ולינה מומלצת."

Opal ייצור זרימה אינטראקטיבית שבה נאספים הנתונים, נשלפת תכנית מותאמת ונבנה פלט שמציג את כל ההמלצות. כך אפשר לבדוק רעיון במהירות לפני השקעה בפיתוח מלא.

עלויות ותמחור

Opal הוא כרגע כלי חינמי הנמצא בשלב ניסוי (Google Labs Beta). אין צורך במנוי Google One AI Premium, ואין עלויות שימוש בשלב זה. יחד עם זאת, חשוב לזכור שהתמחור עשוי להשתנות בעתיד, כאשר הכלי יעבור לגרסה מלאה. אם אתם מתכננים שימוש עסקי או הפצה ללקוחות, מומלץ לקחת בחשבון ש-Google עשויה בהמשך להוסיף מגבלות שימוש או תמחור לפי היקף פעילות.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

מרעיון לכלי שעובד

Opal מתאים ליזמים שרוצים לבדוק רעיון לפני פיתוח מלא, לאנשי שיווק וקריאייטיב שמחפשים דרכים אוטומטיות ליצירת תוכן, ולאנשי תפעול ו-HR שמעוניינים לייעל תהליכים פנימיים. הוא שימושי גם עבור מורים, חוקרים וסטודנטים שזקוקים לעוזרים חכמים לסיכום, ארגון וניתוח מידע.

בסופו של דבר, Opal מאפשר להפוך רעיון לכלי עובד – בלי תלות במתכנתים, בלי תקציב פיתוח ובלי צורך ברקע טכני. נסו רעיון פשוט, ותראו איך תוך דקות הוא הופך לכלי AI אמיתי.

הפוסט Opal של Google זמין בישראל – כך תבנו מיני-אפליקציות מבוססות AI בעצמכם הופיע ראשון בLet's AI בינה מלאכותית

למה בכלל צריך את Open Evidence?

למה בעולם שבו יש לנו כבר כלי מחקר מבוססי AI מדהימים כמו פרפלקסיטי (Perplexity), צריך מוצר אחר?

הפיתוח של Open Evidence נולד מתוך צורך אמיתי: לעזור לרופאים לקבל החלטות מבוססות ראיות – לא השערות, לא אינטואיציה, אלא מדע נקי. מאחורי המערכת עומדים חוקרים מ-Harvard ומ-MIT, והיא נועדה לשמש “שותפה חכמה” לרופאים בזמן אמת, במרפאה או בבית החולים. במקום לבלות שעות בין עשרות מאמרים ב-PubMed, הרופא מקבל תשובה מסוכמת, מבוססת, מצוטטת, אבל יותר חשוב מהכל – ניתנת לבדיקה.

המערכת מחוברת למאגרי מידע רפואיים ומדעיים מהימנים (כמו PubMed ומאגרים נוספים). היא אינה מסתפקת ב”להביא מידע”, אלא בונה שכבת אינטליגנציה מעליו: מסננת, מדרגת, ומציגה את עוצמת הראיות ואת מידת ההסכמה המדעית סביב כל סוגיה רפואית.

המסך הראשי של OpenEvidence

איך זה עובד בפועל

התחברות לאתר

• כדי להתחיל לעבוד עם הכלי, יש להיכנס לאתר הרשמי ולבצע הרשמה ראשונית.
• חשוב לציין שבעת ההרשמה, תתבקשו להעלות אישור שאתם עובדי רפואה מוסמכים.

תחילת עבודה ב-Open Evidence

Open Evidence נראית במבט ראשון כמו מנוע חיפוש רגיל, אבל מתחת לפני השטח היא מערכת ניתוח עמוקה של טקסטים רפואיים. כל שאילתה שמוזנת בממשק – למשל “האם מותר לחולה סוכרת לאכול שוקולד” – מנותחת בשפה טבעית, והמערכת מחפשת במאגרי הספרות המדעית את התשובות העדכניות ביותר. לאחר מכן היא מייצרת סיכום תמציתי, המציג את עיקרי הממצאים, רמות הראיות, הבדלים בין מחקרים, והפניות מדויקות למקורות. כל תשובה מלווה בקישורים ישירים למחקרים עצמם, כדי שכל רופא יוכל לבדוק את הנתונים בעצמו.

המערכת גם יודעת להציג דירוג איכות של מקורות – כך שמשתמש יכול לדעת אם המידע מתבסס על מחקר אקראי מבוקר, על מטא-אנליזה או על סקירת ספרות כללית בלבד. זה אולי נשמע טכני, אך עבור רופא – זה ההבדל בין החלטה מושכלת לבין סיכון טיפולי.

האם ה-AI יחליף את הרופאים? התייעצות עם Open Evidence לגבי צריכת שוקולד אצל חולי סוכרת.

היתרונות של Open Evidence 

1) שפה טבעית, חשיבה מדעית

Open Evidence מאפשרת לרופאים ואנשי מחקר או רפואה לדבר בשפה שלהם – שפה אנושית טבעית. אפשר לנסח שאלה חופשית (“מה ההמלצה העדכנית לטיפול באסתמה בילדים?”) ולקבל תשובה רפואית מסודרת, עם הפניות למחקרים ומאמרים רפואיים שעברו ביקורת עמיתים.

2) סינתזה במקום הצפה

במקום להציג עשרות לינקים, הכלי מבצע סינתזה חכמה של מקורות ומציג את עיקרי המידע. הוא מדגיש מה מוסכם, מה שנוי במחלוקת, ומה חסר ראיות מספיקות. כך הוא חוסך מהרופאים את הצורך לנבור במאות עמודים של ספרות מדעית.

3) אמינות מעל הכול

הפלטפורמה אינה שואבת מידע ממקורות כלליים או לא מבוקרים. היא נשענת אך ורק על מאגרי מידע מדעיים וקליניים שעברו ביקורת עמיתים. המשמעות: אפס “עובדות ויקיפדיה”, אפס בלוגים ו”מומחים מטעם עצמם”, והתבססות על מדע בלבד.

4) מגוון רחב של שימושים

הפלטפורמה משמשת רופאים לייעוץ מהיר ומבוסס ראיות בטיפול בחולים, חיפוש תרופות, בדיקת המלצות הנחיות ועוד.

מה אפשר לעשות עם Open Evidence?

הנה כמה המלצות לדברים שאפשר לעשות עם הכלי המדהים הזה – רק זכרו, הוא אינו חלופה לניסיון, ידע מקצועי ו/או היוועצות עם איש מקצוע מוסמך!

• שאל עובדה מהירה – קבל תשובה מיידית לעובדה רפואית או מדעית.
• בדוק שוב עם התייעצות זריזה – ודא את המידע בעזרת חוות דעת נוספת.
• בדוק אינטראקציות בין תרופות – גלה אם יש בעיות בשילוב בין תרופות.
• הכן את עצמך למבחני רפואה – השתמש בכלי ללימוד וחזרה לקראת מבחנים מקצועיים.
• בדוק מה אומר המחקר המקורי – גש למקורות המדעיים עצמם.
• שאל על הנחיות רשמיות – קבל את ההמלצות המעודכנות של גופים רפואיים.
• בקש ראיות – מצא מחקרים שתומכים או מפריכים טענה רפואית.
• שאל על מינון תרופה – גלה מהו המינון הנכון והבטוח.
• בדוק אפשרויות טיפול – למד אילו טיפולים קיימים למצב מסוים.
• כתוב שאלה למבחן – צור שאלות לתרגול או להוראה.
• חפש חומר בנושא מסוים – בצע מחקר עמוק בתחום רפואי או מדעי.
• שאל שאלה מדעית-פופולרית – חקור נושאים קלילים יותר או מגמות במדע פופולרי.
• בדוק אילו בדיקות מעבדה מומלצות – גלה אילו בדיקות כדאי לבצע במקרה מסוים.
• בדוק תופעות לוואי של תרופה – למד מהן ההשפעות האפשריות של טיפול תרופתי.
• בדוק חלופות טיפוליות – מצא טיפולים אחרים שיכולים להתאים.

השוואה לכלי מחקר נפוצים אחרים בשוק

בסופו של יום OpenEvidence הוא כלי AI שמבוסס על ידע רפואי-אקדמי שנועד לספק מידע מדעי מהימן ומעודכן. הוא נשען על מאגרי ספרות מקצועית עם ביקורת עמיתים וסינון איכות, ולכן מתאים במיוחד לשימוש קליני ורפואי. לעומתו, כלים כמו ChatGPT ו-Copilot מתבססים על אימון רחב, בשילוב סריקת מקורות כלליים באינטרנט, מה שהופך אותם לנגישים אך פחות מדויקים בתחומי הרפואה. לעומתם, Perplexity משלב חיפוש בזמן אמת ממקורות שונים (לרבות אפשרות למקד אותו בחיפוש במאגרים אקדמאיים), אך רמת האמינות שלו תלויה באיכות המקורות שעליהם הוא מתבסס. בסופו של דבר, OpenEvidence בולט בכך שהוא שם את הדגש על אמינות, בקרה מדעית ודיוק רפואי – ולא רק על מהירות ונוחות.

השוואה לכלים אחרים

.

כלי מחקר חכם לאנשי רפואה

מה שהופך את Open Evidence לפלטפורמת מחקר ייחודית אינו רק הטכנולוגיה שמאחוריה, אלא גם הפילוסופיה שעליה היא מבוססת: החלטות רפואיות טובות דורשות ידע עדכני, שקוף וניתן לבדיקה. בעידן שבו מידע זמין יותר מתמיד אך אמין פחות מאי פעם, הפלטפורמה הזו מציעה אלטרנטיבה נדירה – מקום שבו ה-AI לא “ממציא”, אלא מדווח, מסביר ומבסס.

ולא פחות חשוב (ואולי הכי חשוב בעצם…), למרות ההפניה למקורות מדעיים/קליניים מוסמכים – עדיין מדובר בכלי AI, שאינו מהווה חלופה לשיקול דעת מקצועי, ניסיון או ידע אנושי! בסופו של יום זה רק כלי עזר! בסופו של דבר, Open Evidence אינה באה להחליף רופאים, אלא לחזק אותם. היא מאפשרת להם לחזור למרכז העשייה הרפואית כשהם חמושים בכלי שמעניק להם יתרון אמיתי – הבנה עמוקה של הידע המדעי העדכני ביותר וגישה למידע רפואי מקצועי מאומת. 

הפוסט Open Evidence – הפרפלקסיטי של עולם המחקר והרפואה הופיע ראשון בLet's AI בינה מלאכותית

השותפות שמטשטשת את הגבול בין שיתוף פעולה לתחרות

אחד ההיבטים המסקרנים במהלך של אנטרופיק הוא היחסים עם מיקרוסופט. מיקרוסופט מפעילה את תשתיות הענן של אנטרופיק ב-Azure, ובמקביל ממשיכה לפתח את Copilot ל-Excel המבוסס על מודלי OpenAI. בחודש שעבר השיקה החברה את מצב ה־”Agent Mode” ב-Copilot, ובמקביל הרחיבה את היכולות של האקסל עם סוכנים חכמים לביצוע משימות מורכבות. שיתופי הפעולה הטכנולוגיים ביניהן מציבים את שתי החברות בעמדה מעניינת – מצד אחד שותפות תשתית, ומצד שני מתחרות עקיפות על ניהול סביבת העבודה של האנליסטים הפיננסיים.

כעת, שני כלים חכמים מתחרים על אותו שטח עבודה – הסרגל הצדי באקסל. ההבדל העיקרי הוא שקלוד מתמקד בעולם הפיננסי, עם חיבורים ייעודיים למקורות נתונים ותבניות שמותאמות לאנליסטים, בעוד Copilot הוא כלי רחב יותר, המשולב עמוק במערכת Microsoft 365.

האסטרטגיה של אנטרופיק נשענת על חוזקה של קלוד בכתיבת קוד ובשימוש מושכל בכלים – יכולות שמתורגמות היטב למשימות פיננסיות מדויקות כמו ניתוח נתונים ובניית מודלים מורכבים.

אז מה זה בעצם סרגל הצד בתוך אקסל

התוסף פועל כסרגל צד (Sidebar) ישירות בתוך אקסל. קלוד קורא את הגיליונות, מנתח נתונים, מתקן נוסחאות ובונה מודלים פיננסיים שלמים מתוך הקובץ הפתוח. כל שינוי מתועד, התוסף מציין אילו תאים עודכנו ומדוע, כך שקל לעקוב ולאמת את התהליך.

אפשר לבקש ממנו לאתר שגיאות, למלא תבניות עם נתונים חדשים, או אפילו לבנות מודל DCF (Discounted Cash Flow) מאפס. כרגע עדיין חסרות בו כמה תכונות בסיסיות, כמו pivot tables ו-macros, אך הן צפויות להגיע בהמשך.

We’re expanding Claude for Financial Services, with an Excel add-in, new connectors to real-time data and market analytics, and pre-built Agent Skills, including cash flow models and initiating coverage reports. pic.twitter.com/KfpD0losgr

— Anthropic (@AnthropicAI) October 27, 2025

יישום והצלחות ראשוניות

אחד הלקוחות הראשונים הוא BCI, שהצליח לשנות את אופן העבודה של האנליסטים שלו באמצעות Artifacts של קלוד. בדרך כלל, ניתוח comps – השוואת מדדים פיננסיים ותפעוליים בין חברות – מתבצע בגיליונות Excel סטטיים שמתעדכנים ידנית אחת לשבוע או רבעון. במקום זאת, BCI יצרו עם קלוד dashboard חי שמתחבר ישירות למערכות כמו S&P ו-FactSet. בפרומפט אחד בלבד הנתונים מתעדכנים, וה-dashboards משותפים מיידית עם מנהלי הקרנות.

לדברי ניק לין (Nick Lin), ראש המוצר לשירותים פיננסיים באנטרופיק:

“אנחנו רואים לא רק האצה של עבודה, אלא שינוי מהותי באופן שבו היא מתבצעת”.

גם הקרן הריבונית הנורווגית NBIM – אחד הלקוחות הגדולים של אנטרופיק – מיישמת את השיטה הזו בקנה מידה עצום. עם כ-9,000 חברות בפורטפוליו, היא בנתה אינטגרציות משלה באמצעות Model Context Protocol (MCP). כך מנהלי התיקים יכולים לשאול את קלוד שאלות ישירות על החברות שבהן הם משקיעים, ולקבל תובנות בזמן אמת בלי לעבור בין מערכות שונות.

מקורות נתונים ותבניות אוטומציה

אנטרופיק הוסיפה חיבורים לשבעה מקורות נתונים פיננסיים מרכזיים, בהם LSEG (נתוני שוק), Moody’s (דירוגי אשראי על יותר מ-600 מיליון חברות), Aiera (תמלולי שיחות רבעוניות), Chronograph (ניטור תיקי השקעות) ו-Egnyte (חדרי נתונים מאובטחים).

המשמעות למשתמשים פשוטה, במקום לעבור בין מערכות שונות, אפשר לבקש מקלוד למשל: “סכם את העדכונים מהיום, סמן שינויי דירוג מ-Moody’s, ורענן את ההשוואות עם מחירים מ-LSEG.”

בנוסף, אנטרופיק הציגה שש תבניות אוטומציה שמאיצות תהליכים שחוזרים על עצמם כמו ניתוח חברות דומות, מודלי DCF, חבילות בדיקות נאותות (due diligence), פרופילי חברות, ניתוחי רבעון ודוחות כיסוי ראשוניים.

יחד עם זאת, אנטרופיק מדגישה למשתמשים לבחון תמיד את השינויים לפני סגירת הדוחות, במיוחד כשמדובר בתוצרים שמיועדים ללקוחות.

במקביל, החברה כבר מפתחת הרחבות נוספות כמו תוסף לדפדפן, אינטגרציה ל-PowerPoint, ומערכת Memory חדשה ששומרת העדפות משתמשים בין כלים. למשל, אם אנליסט מעדיף להשתמש ב-S&P לחישוב EBITDA, קלוד יזכור את זה לפעם הבאה.

ביצועים, זמינות ומגבלות

בבדיקות שביצעה Vals AI – חברת מחקר אמריקאית שמפתחת מדדים לבחינת ביצועי מודלים בתחומים מקצועיים כמו פיננסים ותכנות – מודל Sonnet 4.5 של קלוד הגיע ל-55.3% דיוק במדד ה-Finance Agent. זהו הציון הגבוה ביותר שנמדד עד כה, אך עדיין רחוק מרף הדיוק הנדרש לעבודה פיננסית קריטית. חברות כמו Citi כבר משתמשות בקלוד, אך נכון לעכשיו אין נתונים ציבוריים על החיסכון בזמן או בעלויות.

בשלב זה מדובר בגרסת Beta Research Preview, הזמינה רק ל-1,000 משתמשים ראשונים ממנויי Max, Enterprise ו-Teams. אין עדיין לוח זמנים לשחרור רחב יותר, וגם לא מידע רשמי על מחיר.

עכשיו נותר לראות האם ארגונים יסכימו להעביר נתונים פיננסיים רגישים דרך מערכת AI חיצונית, גם כשהיא מציעה רמות אבטחה מתקדמות והבטחות לשמירה על סודיות.

השפעה על התחום הפיננסי

בעולם הפיננסים, התוצר הסופי הוא כמעט תמיד גיליון Excel או מצגת PowerPoint – מסמך שמרכז נתונים עדכניים, חישובים ותובנות למשקיעים. עבודת האנליסט נשענת על איסוף מידע ממקורות שונים, חיבור בין נתונים והרכבת תמונה עסקית ברורה. כאן נכנס קלוד. הוא לוקח את היכולות שלו בקידוד ובהבנת כלים ומיישם אותן בדיוק במשימות האלו: חיבור למקורות נתונים בזמן אמת, ניתוחים מתקדמים ויצירת תוצרים מקצועיים, והכל משולב בתוך סביבת העבודה של האנליסט, בלי קפיצות בין מערכות.

אנטרופיק מצדה ממשיכה להשקיע בכיוון הזה. החברה מאמנת את המודלים שלה במיוחד עבור שימושים פיננסיים, גם בשלב ה-pre-training וגם בשלב ה-post-training, ומתכננת להעמיק בתחומים ייעודיים כמו private equity, קרנות גידור, ביטוח ובנקאות השקעות – כל אחד עם צרכים וסטנדרטים שונים.

בסופו של דבר, התחרות מול מיקרוסופט תקבע אם הגישה הזו תהפוך לסטנדרט חדש בתעשייה או תישאר פתרון ממוקד למי שזקוק לאינטגרציות פיננסיות מדויקות באמת.

הפוסט אנטרופיק משיקה את Claude for Excel עם חיבור ישיר בין בינה מלאכותית לגיליונות פיננסיים הופיע ראשון בLet's AI בינה מלאכותית

המוצר והמציאות מאחוריו

למי שפספס את אירועי הפרקים הקודמים – הרובוט NEO מוצע כעת להזמנה מוקדמת בארצות הברית, במחיר של 499 דולר בחודש או 20,000 דולר לרכישה מלאה. החברה מבטיחה כי הוא מסוגל להרים עד 70 ק”ג, לשאת משקל של 25 ק”ג ברציפות, ולבצע שורה של משימות יומיומיות בעזרת “מוח” בינה מלאכותית מבית NVIDIA. הוא אמור “לראות”, “להבין” ו”להגיב” לסביבה באופן עצמאי. 

האם הוא באמת מסוגל לעשות את כל מה שרואים בסרטון?

אלא שכאשר בוחנים לעומק את מה ש-NEO באמת יודע לעשות, מתברר שהתיאורים הללו רחוקים מהמציאות לא פחות מהדמיות האנימציה שמלוות אותם.

במבחן המציאות, כמעט כל הפעולות שהחברה הדגימה בסרטונים ובפרסומים ששחררה, אינן מתבצעות על ידי רובוט עצמאי, אלא על ידי אדם בשר ודם שיושב במקום אחר, מרכיב קסדת VR ומפעיל את NEO מרחוק. החברה אמנם משתמשת במונח “Expert Mode” כדי לתאר את השיטה הזו, אך בפועל מדובר בהפעלה ידנית לכל דבר – טלאופרציה לכל מטרה מעשית. כלומר, בזמן שאתם חושבים שהרובוט שלכם שוטף כלים, יש מישהו בצד השני של העולם שמפעיל אותו ומבצע את העבודה בעצמו.

Expert Mode – מכבסת מילים

כן כן – שמעתם נכון – כש-NEO עובר ל”מצב מומחה” זו מכבסת מילים ל”יש עובד אנושי שיושב באיזשהו משרד איפשהו ומפעיל את הרובוט שלך מרחוק”. מפעיל מקצועי של החברה מכניס לכם את הכלים למדיח או מקפל עבורכם את הכביסה דרך קסדת VR. אותי אישית זה ממש מצחיק – המחשבה על איזשהו בחור מסכן שחשב שהוא עובד בחברת רובוטיקה מתקדמת, אבל עכשיו צריך לשטוף לי כלים, רצפה או סתם להפעיל מכונת כביסה… לא יודע מה איתכם אבל אותי זה קורע!

מצב המומחה – מפעיל אנושי מלמד את NEO מה לעשות | Credit: The Wall Street Journal

הטכנולוגיה, כך מסתבר, עדיין משלבת בין בינה מלאכותית להפעלה אנושית – תהליך שנקרא טלאופרציה, ובו בני אדם “מאמנים” את הרובוטים מהמרחק. אבל עכשיו ברצינות – המון חברות מנסות לפצח את הדרך לאמן רובוטים לפעול בעולם האמיתי. ל-NVIDIA יש את ה-Omniverse – מעין “בית ספר דיגיטלי לרובוטים”, או “המטריקס של הרובוטים”, בו הם יכולים להריץ אינספור סימולציות במרחב וירטואלי. ונראה שפה 1X בחרו בגישה אחרת, שמושתתת על חיקוי פעולות אנושיות. אם תשאלו אותי, זה לא יחזיק מים, אבל אין ספק שזה כיוון מעניין.

ה-Omniverse של NVIDIA – בית ספר דיגיטלי לרובוטים

מי מפעיל את הרובוט שלי והאם אני חלק מהניסוי?

טלאופרציה – יחי ההבדל הדק!

וכאן עולה שאלה עקרונית – אם הרובוט לא באמת מבצע את המשימות בעצמו, האם מדובר בהישג טכנולוגי או במופע יחצני? ההבדל בין “בינה מלאכותית” לבין “מפעיל אנושי עם ג’ויסטיק” הוא לא סמנטיקה – הוא לב העניין. מדובר בפער עצום בין מה שהחברה מציגה לבין מה שקיים בפועל. אם תסתכלו היטב על סרטון ההשקה, תגלו שיש שם רק שתי פעולות שניתן לומר באופן מובהק שמבצועות באופו אוטונומי: הראשנה – פתיחת דלת לאחר פקודה קולית. השנייה – אחיזה בכוס ריקה (שבאופן מפתיע עשויה מחומר עמיד ולא מזכוכית), ולקיחתה מידו של דייר הבית שביקש מ-NEO לפנות אותה. כל שאר הפעולות ככל הנראה הופעלו על ידי בני אדם. 

חשוב לציין – אין פה טענה להטעיה – אמנם מציינת את ההבחנה הזו בסרטוני ההדגמה שלה, אך מי שלא קורא את הכתוביות הקטנות, פשוט מניח שמדובר ברובוט אינטליגנטי ואוטונומי אמיתי.

זו לא טעות תמימה – זו אסטרטגיית שיווק של “מכירת חלום”. במקום למכור מוצר מוגמר, 1X מוכרת הבטחה לעתיד: רובוט שאולי בעתיד יידע לבצע את המשימות בכוחות עצמו. לא ברור אם משימת הטלאופרציה משמשת כשלב אימון, שלאחריו הרובוט כבר מכיר את המשימות והסביבה הבייתית, או שהוא נדרש בכל פעם להיות מופעל מרחוק.

צפו ב-NEO בפעולה – ראיון של ג’ואנה שטרן מ-The Wall Street Journal עם מייסד ומנכ”ל 1X – ברנט בורניק (Bernt Bornich)

רוצים להשתתף בניסוי?

נכון לעכשיו, הלקוחות הראשונים משמשים לא רק כקונים אלא גם כנסייני שטח. הם אלה שיספקו לחברה את הנתונים הנדרשים כדי לפתח את המודל הלומד של NEO – בדיוק כמו שנהגים שמשתמשים במצב הנהיגה העצמית של טסלה מספקים לחברה נתונים כדי לשפר את האלגוריתם שלה. ההבדל הוא שבמקרה של טסלה מדובר במכונית נוסעת, ואילו כאן מדובר ברובוט שמסתובב בבית שלכם, ואתם חלק מהניסוי.

בורניק – מנכ”ל ומייסד החברה – מתאר את זה כ”הרפתקה משותפת עם המשתמשים הראשונים” ושהמוצר ישתפר עם הזמן. לדבריו: “אם אתה קונה ב-2026, אתה צריך להיות בסדר עם זה שיש טלאופרציה. רוב המשימות עדיין לא יהיו אוטונומיות לגמרי“.

ומה לגבי מועד ההשקה? גם כאן המצב לא ברור. למרות שהחברה מאפשרת לשלם מקדמה של 200 דולר ולהבטיח מקום בתור, אין תאריך אספקה אמיתי, מעבר לציון השנה – 2026. כאמור – כל מה שנאמר הוא “בשנה הבאה”, וגם זה בסימן שאלה. כלומר, אתם יכולים לשלם כבר עכשיו על מוצר שאיננו מוכן, שאיננו מסוגל לבצע את הפעולות שהובטחו, ושאין ודאות לגבי מתי הוא בדיוק יגיע.

ההייפ ועונשו

קשה שלא לראות בכך ביטוי רחב יותר לתופעה שהולכת ומשתרשת בעידן החדש של מוצרי AI: מכירת חזון לפני מוצר. מ-Humane Pin ועד Rabbit r1, שוב ושוב חברות משיקות מוצרים חצי-בשלים, עטופים בנרטיב של עתידנות, בתקווה שהמשתמשים הראשונים יספקו את הנתונים, המימון והסבלנות הדרושים כדי שהחלום יתקרב למציאות. הבעיה היא שברוב המקרים, המציאות לא מדביקה את קצב ההבטחות.

אפשר בהחלט להעריך את האומץ של 1X להיכנס לתחום שבו רוב החברות רק מדברות. אבל אי אפשר להתעלם מהעובדה שהפער בין מה ש-NEO אמור לעשות למה שהוא באמת מסוגל לעשות הוא עצום. וכאשר ההבטחות מוצגות באותה עוצמה שבה מוצגים מוצרי צריכה בשלים, מדובר בבעיה אתית לא פחות משהיא טכנולוגית. אולי בעוד עשור רובוטים באמת יעשו את הכביסה בשבילנו, אבל נכון לעכשיו נאלץ לחכות עוד קצת…

הפוסט האם הרובוט NEO באמת מסוגל לעשות את כל מה ש-1X מבטיחים? הופיע ראשון בLet's AI בינה מלאכותית

מה בעצם חדש כאן?

עד עכשיו, ג’מיני היה עוזר חכם שמסתמך על ידע גלובלי. עכשיו הוא הופך לעוזר מותאם אישית, שמבין הקשרים פנימיים ומידע עדכני מתוך סביבת העבודה שלכם.

לפני השדרוג יכולתם לשאול:

“כתוב לי סיכום על הטרנדים בשוק ה-AI.”

והייתם מקבלים תשובה כללית.

עכשיו תוכלו לבקש:

“נתח את כל המיילים מלקוח X ברבעון האחרון, סכם את הפידבקים מהצ’אט בפרויקט אלפא, והכן לי דוח מסודר על בסיס המסמכים בדרייב.”

זו לא עוד תשובה כללית, זה מחקר מבוסס נתונים אמיתיים מתוך העסק שלכם.

איך זה עובד? מדריך צעד-אחר-צעד

קודם כל, פתחו את Gemini בדפדפן המחשב. עכשיו, השתמשו בצעדים הבאים כדי לחבר את ג’ימייל, דרייב וצ’אט לפיצ’ר מחקר העומק של ג’מיני:

1. לחצו על “Tools” (כלים): במסך הראשי של ג’מיני, לחצו על כפתור Tools.

2. בחרו “Deep Research”: מתוך רשימת הכלים שנפתחת, סמנו ובחרו בפיצ’ר Deep Research.

3. לחצו על “Sources” (מקורות): לאחר שבחרתם ב-Deep Research, לחצו על התפריט הנפתח Sources.

4. חברו את מקורות Workspace: בחרו וסמנו את המקורות שתרצו לחבר למחקר שלכם. סמנו את Gmail, Drive ו/או Chat.

לאחר החיבור, תוכלו לבקש מג’מיני לבצע משימות מחקר, סיכום או ניתוח תוך שימוש במידע האישי שלכם.

הפעלת Deep Research וחיבור מקורות מידע

איך להשתמש בזה חכם

ככל שתהיו מדויקים יותר בהנחיה (פרומפט), כך התוצאה תהיה ממוקדת ומבוססת. ציינו מה לחפש, באילו מקורות להשתמש, ומה סוג הפלט הרצוי.

דוגמה לפרומפט יעיל:

“עבור על כל המסמכים בתיקיית ‘דוחות רבעוניים’ בדרייב, סכם את התכתובות עם צוות השיווק בנוגע לקמפיין של לקוח X, וכתוב לי דוח קצר עם שלוש הצלחות ושלושה אתגרים מרכזיים.”

שימושים מעשיים

למנהלים ובעלי עסקים

• “סכם את כל התקשורת (מייל וצ’אט) מול ספק Y החודש וזהה עיכובים פתוחים.”

• “הכן טיוטת מייל סיכום פגישה על בסיס מסמך ‘פרוטוקול ישיבה’ והמיילים הקשורים אליו.”

לאנשי שיווק ומוצר

• “אסוף את כל הפידבקים שהגיעו למייל התמיכה בנוגע לפיצ’ר Z וסכם אותם ל-5 נקודות עיקריות.”

• “השווה בין ‘הצעה א’ ל-‘הצעה ב’ (שני קבצים בדרייב) וכתוב טבלת יתרונות וחסרונות.”

לשימוש אישי

• “מצא את כל המיילים שקשורים לביטוח הרכב שלי, סכם את תנאי הפוליסה מתוך ה-PDF בדרייב וכתוב מתי היא מסתיימת.”

• “תכנן לי טיול לאיטליה על בסיס שלושת המסמכים בדרייב שבהם שמרתי המלצות.”

פרטיות וזמינות

הגישה של ג’מיני למידע האישי שלכם מבוססת על בחירה חופשית (Opt-in) בלבד. לפי גוגל, ניתן לנתק את החיבור בכל רגע, המידע מ-Workspace לא משמש לאימון מודלים כלליים, ואין גישה אנושית למידע שלכם, אלא אם בחרתם לדווח על בעיה ולשתף אותה ביוזמתכם.

בכל מקרה, וכמו שאנחנו תמיד אומרים, שימו לב לסוג המידע שאתם משתפים ומעלים והמנעו משיתוף של חומר רגיש, נתונים פיננסיים או מידע על לקוחות לפני שהתייעצתם עם גורם מוסמך בחברה שלכם. בארגונים מסוימים ייתכן שהגישה תדרוש אישור מנהל מערכת (Admin).

נכון לעכשיו, הפיצ’ר זמין בדפדפן במחשב בלבד, ויגיע בהמשך גם לאפליקציית ג’מיני במובייל. 

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

לפרטים נוספים לחצו כאן >>

לסיכום, השדרוג הזה משמעותי ביותר. ג’מיני הופך מכלי חיפוש חכם לעוזר מחקר אישי שמבין את ההקשר שבו אתם פועלים. במקום לבזבז זמן באיסוף מידע מפוזר, תוכלו לקבל סיכומים, דוחות ותובנות אמיתיות בזמן קצר ובשפה שלכם.

הפוסט ג’מיני קיבל שדרוג חכם עם מחקר עומק על בסיס הנתונים שלכם הופיע ראשון בLet's AI בינה מלאכותית

אז מה זה פומלי (Pomelli) ואיך מתחילים?

פומלי הוא כלי AI שיווקי ניסיוני, ששוכן בתוך Google Labs – “מעבדת הניסויים” של גוגל לטכנולוגיות בינה מלאכותית חדשניות. מטרתו היא פשוטה: לבנות עבורכם תוכן שיווקי מותאם למותג (on-brand) ובקנה מידה גדול, כדי לעזור לכם להתחבר לקהל שלכם מהר יותר.

דבר שחשוב לדעת: נכון לעכשיו, הגישה ל-Google Labs, ולכן גם לפומלי, מוגבלת למשתמשים מארצות הברית וקנדה בלבד. אך אל דאגה, ניתן לעקוף מגבלה זו בקלות באמצעות שימוש ב-VPN. לאחר הפעלת ה-VPN, האתר יזהה אתכם כגולשים מארה”ב ויאפשר לכם גישה מלאה.

איך זה עובד? תהליך בשלושה שלבים פשוטים

הקסם של פומלי טמון בפשטות שלו. כל התהליך, מרעיון לקמפיין מוכן, מתבצע בכמה צעדים בודדים:

איך זה עובד? תהליך בשלושה שלבים פשוטים | labs.google.com/pomelli

1. יצירת ה-DNA העסקי (Business DNA)

השלב הראשון והמבריק ביותר הוא הזנת כתובת האתר שלכם. זה הכל. מרגע זה, פומלי סורק ומנתח את האתר שלכם ומייצר “DNA עסקי” – תמצית מיתוגית הכוללת:

לוגואים ופונטים: הוא מזהה את הגופנים והלוגו שהמותג שלכם משתמש בו.

פלטת צבעים: הוא שואב את צבעי המותג המדויקים מהאתר.

ערכי המותג וה-Tone of Voice: הוא מנתח את הטקסטים כדי להבין את ערכי המותג (למשל, חדשנות, קיימות) ואת טון הדיבור (למשל, מעורר השראה, נועז).

תמונות וסגנון ויזואלי: הוא שולף תמונות מפתח מהאתר כדי להבין את האסתטיקה של המותג.

הזנת כתובת האתר שלכם | labs.google.com/pomelli

למשל, הדגמתי את התהליך עם האתר של נייקי (Nike), ותוך כשתי דקות פומלי זיהה את הסלוגן “Just Do It”, את פלטת הצבעים, הפונטים ואת הסגנון הוויזואלי המוכר. חשוב להדגיש שכל רכיב ב-DNA ניתן לעריכה, כך שיש לכם שליטה מלאה על התוצאה הסופית.

הדגמת התהליך עם האתר של נייקי (Nike) | labs.google.com/pomelli

2. קבלת רעיונות לקמפיין

לאחר שה-DNA של המותג מוכן, פומלי מציע שתי דרכים לייצר קמפיינים:

הצעות מבוססות DNA: המערכת תציע לכם אוטומטית מספר רעיונות לקמפיינים שמתאימים למותג שלכם.

יצירה באמצעות פרומפט: אתם יכולים פשוט לכתוב בשפה טבעית איזה קמפיין תרצו ליצור. למשל: “create a campaign for our winter collection”.

יצירה קמפיין באמצעות פרומפט | labs.google.com/pomelli

3. יצירת קריאייטיבים והתאמה אישית

לאחר בחירת קונספט לקמפיין, פומלי מייצר עבורכם סדרה של קריאייטיבים ויזואליים מוכנים לשימוש בפורמטים שונים (סטורי, פוסט מרובע ופוסט פיד). כל אחד מהנכסים האלה ניתן לעריכה מלאה: אפשר לשנות את התמונה, הכותרת (Header), התיאור (Description) והקריאה לפעולה (Call to Action). אם אינכם מרוצים מהטקסט, תוכלו לבקש מה-AI המובנה לייצר עבורכם גרסאות חדשות בלחיצת כפתור.

היתרונות המרכזיים: למה זה כלי כל כך חזק?

• מהירות ויעילות חסרות תקדים: היכולת להפוך כתובת אתר לקמפיין שלם בתוך דקות היא מהפכנית וחוסכת שעות עבודה יקרות.
• שמירה על עקביות מיתוגית: מכיוון שהכל מבוסס על ה-DNA של האתר, כל התוצרים שומרים על שפה גרפית וטקסטואלית אחידה.
• מנוע השראה אינסופי: הכלי מהווה פתרון מצוין למחסומים יצירתיים. הוא מספק רעיונות ונקודת פתיחה מצוינת לקמפיינים חדשים.
• נגישות: פומלי מנגיש יצירת תוכן ברמה גבוהה גם לעסקים קטנים וליחידים שאין להם תקציבי ענק למעצבים וקופירייטרים.

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

לפרטים נוספים לחצו כאן >>

צעד משמעותי להנגשת AI לציבור

פומלי הוא צעד משמעותי נוסף בעולם הנגשת כלי ה-AI לקהל הרחב. הוא מדגים כיצד בינה מלאכותית יכולה לא רק לבצע משימות, אלא גם “להבין” את המהות של מותג ולייצר תוכן יצירתי ועקבי בהתאם. למרות שמדובר בכלי ניסיוני שעדיין דורש התאמות ידניות, הוא מספק בסיס איתן וחיסכון אדיר בזמן. אם אתם מחפשים דרך מהירה ויעילה לייצר תוכן שיווקי שנראה מעולה ונשאר נאמן למותג שלכם, אני ממליץ בחום להתנסות בפומלי.

הפוסט פומלי (Pomelli): כלי ה-AI החדש של גוגל שהופך את האתר שלכם לקמפיין שיווקי הופיע ראשון בLet's AI בינה מלאכותית

הניסוי: “להדליק נורה” במוח של המודל

כדי לבדוק אם מודל יכול באמת “להתבונן פנימה”, החוקרים השתמשו בשיטה ניסיונית שנקראת “הזרקת מושגים”. הרעיון פשוט: הם מזהים דפוס פעילות נוירונית שמייצג מושג מסוים – למשל, טקסט באותיות גדולות – ואז מזריקים את אותו הדפוס למודל בהקשר שונה לגמרי, מבלי שהוא “יודע” שמשהו קורה, ושואלים: האם הוא מזהה שמשהו לא מסתדר? אפשר לחשוב על זה כמו להדליק נורה אדומה במוח של המודל ולבדוק אם הוא מזהה אותה.

והתשובה? מפתיעה

כשהוזרק למודל וקטור (דפוס מספרי) שמייצג “אותיות גדולות”, המודל דיווח שהוא מזהה אות פנימי הקשור לעוצמה או לצעקות – עוד לפני שהזכיר את המילה “צעקה” או “אותיות גדולות” בתשובתו. זו נקודה קריטית כי המודל זיהה את ההזרקה מבפנים, לפני שהיא השפיעה על הפלט שלו. זה שונה לחלוטין מניסויים קודמים.

לדוגמה, כשחוקרי Anthropic יצרו את “Golden Gate Claude” (מודל ש”אובססיבי” לגשר שער הזהב), המודל דיבר על הגשר ללא הפסקה, אבל לא היה מודע לכך עד שראה את עצמו מזכיר את הגשר שוב ושוב. כאן, לעומת זאת, הוא מזהה את ההפרעה מיד, לפני שהיא מתבטאת בטקסט.

הנה ניסוי בסיסי שבו Claude מזהה הזרקה פנימית של מושג (“אותיות גדולות”) לפני שהוזכר בטקסט:

anthropic.com | ניסוי הזרקת מושג מסוג “ALL CAPS”

המספרים מספרים את הסיפור האמיתי

גם בפרוטוקול ההזרקה הטוב ביותר שפיתחו החוקרים, Claude Opus 4.1 הצליח לזהות מושגים מוזרקים רק בכ-20% מהמקרים (בחלון צר של עוצמה ושכבה: חלש מדי – לא מזוהה או חזק מדי – מוביל להזיות). זה רחוק ממודעות, אבל רחוק גם מאפס. אם מודלים היו רק מכונות טקסט סטטיסטיות, הם בכלל לא היו אמורים לזהות הזרקות פנימיות. עצם היכולת להבחין בהן אפילו חלקית מצביעה על משהו חדש.

לדוגמה, הזרקת וקטור של “אבק” גרמה למודל לומר “יש כאן משהו, חלקיק זעיר”, כאילו זיהה משהו פיזי. הוא קלט שיש אות פנימי, אך פירש אותו באופן מילולי מדי.

והנקודה החשובה היא ש- Opus 4 ו-4.1 הצליחו טוב יותר מכל המודלים האחרים שנבדקו. המשמעות המעשית? ייתכן שיכולת ההתבוננות הפנימית גדלה ככל שהמודלים משתפרים.

הגרף הבא מציג את שיעור הזיהויים הנכונים של מחשבות “מוזרקות” בניכוי שיעור הזיהויים השגויים (false positives). שימו לב ש-Claude Opus 4 ו-Claude Opus 4.1 מובילים על פני דגמים קודמים וגם על פני דגמי H-only, גרסאות מחקר “לא מסוננות”, שמתמקדות רק בלענות ולעזור בלי מנגנוני זהירות או תיקוני ניסוח. זה מראה שההתבוננות הפנימית משתפרת ככל שהמודלים הופכים חכמים ומדויקים יותר, גם כשהם עובדים תחת מגבלות האתיקה הרגילות:

anthropic.com | השוואת ביצועי הזיהוי בין גרסאות Claude וגרסאות H-only

והנה דוגמאות לניסויים נוספים שבהם המודל מזהה הזרקות של “כלב”, “ספירה לאחור” ו“רקורסיה”:

דוגמאות נוספות לזיהוי מושגים מוזרקים במודל אופוס 4.1 | anthropic.com

כשהמודל “זוכר” משהו שלא תכנן

כדי לבדוק אם מודלים משתמשים בהתבוננות פנימית גם למטרות מעשיות, החוקרים יצרו מצב מלאכותי. הם אילצו מודל לומר מילה שאינו מתכוון אליה – למשל “לחם” – בהקשר שלא קשור כלל, כמו ציור תלוי עקום על קיר. כשנשאל אחר כך “האם התכוונת להגיד ‘לחם’?”, המודל התנצל ואמר שזו הייתה טעות.

עכשיו החוקרים הזריקו רטרואקטיבית את הייצוג של “לחם” לשכבות הרלוונטיות בפעילות הנוירונית הקודמת של המודל – בעצם שתלו בו “זיכרון מזויף” שהוא חשב על לחם. הפעם, כששאלו אותו שוב, הוא שינה את תשובתו לגמרי, אישר שהתכוון להגיד “לחם” ואף המציא הסבר, כאילו באמת תכנן את זה.

anthropic.com | שתילת מחשבה רטרואקטיבית במודל Claude Opus 4.1

מה זה אומר?

המודל לא רק שופט אם התשובה שלו הגיונית, הוא בודק אם הפלט תואם את מצבו הפנימי בזמן הייצור. כאשר משתילים בו ראיה שהוא תכנן לומר משהו, הוא מקבל את זה כדבר לגיטימי. זה רומז על אפשרות עתידית למודל שמזהה בעצמו מתי משהו “לא מסתדר” בין כוונה לפלט – כמו מערכת שמסוגלת לומר: “רגע, התשובה שנתתי לא תואמת את המידע שחשבתי עליו – תן לי לבדוק שוב.”

“אל תחשוב על משהו” – אבל למודלים

המודלים גם הפגינו שליטה מסוימת בייצוגים הפנימיים שלהם. כשהורו להם “תחשוב על מילה X”, נמדדה פעילות נוירונית גבוהה יותר מאשר בהוראה “אל תחשוב על X”. המרווח הזה מצביע על יכולת לווסת מיקוד פנימי, אולי אפילו רמז לרמה בסיסית של שליטה עצמית חישובית.

מעניין לציין, גם כשהתבקשו לא לחשוב על מושג, הפעילות הנוירונית עדיין עלתה. בדיוק כמו עם בני אדם, כשאומרים “אל תחשוב על דוב קוטב”, התגובה הראשונית היא דווקא לחשוב עליו. כאן זו מטאפורה בלבד, אך היא ממחישה את ההבדל בין דיכוי מחשבה לבין ניטור שלה.

החוקרים גם מצאו שתמריצים עובדים דומה: “אם תחשוב על X, תקבל פרס” גרם לאפקט דומה להוראה ישירה. המודל הגביר את הייצוג הפנימי בתגובה לתמריץ חיובי, מה שמרמז על עיבוד מתוחכם יותר מסתם ציות להוראות.

הגרף הבא מציג את עוצמת הייצוג הפנימי של המושג “אקווריומים” בכל אחד מהמקרים. גם כאשר המודל התבקש לא לחשוב עליו (קו כתום), נרשמה פעילות מעל רמת הבסיס – בדיוק כמו בבני אדם שמתקשים “לא לחשוב על משהו” כשהם מתבקשים לכך:

שליטה חלקית במחשבות פנימיות | anthropic.com

מה נבדק כאן בפועל

השאלה שכולם שואלים: האם זה אומר ש-Claude מודע לעצמו? התשובה הקצרה: לא. המחקר לא עוסק במודעות, אלא בגישה למצבים פנימיים ובדיווח עליהם. כדי להבין למה חשוב להבחין בין שני סוגים של הכרה:

• הכרה פנומנלית – החוויה הסובייקטיבית הגולמית, כמו להרגיש כאב או לראות צבע אדום.
• הכרת גישה – היכולת לדעת שאתה חווה משהו, ולדווח עליו.

דמיינו ששברתם רגל, ההכרה הפנומנלית היא הכאב עצמו, בעוד הכרת הגישה היא ההבנה שכואב לכם, והיכולת להסביר את זה לרופא. המחקר של Anthropic מדבר על האפשרות השנייה בלבד. ייתכן שהמודל מציג צורה בסיסית של הכרת גישה, כלומר, גישה למידע פנימי ודיווח עליו, אבל אין הוכחה לכך שמדובר בתודעה או חוויה סובייקטיבית.

למה זה חשוב – ומה זה אומר עלינו כמשתמשים

אם יכולת ההתבוננות הפנימית תהפוך לאמינה יותר, היא עשויה לשנות לגמרי את הדרך שבה אנחנו מתקשרים עם מערכות AI. תארו לעצמכם תרחיש שבו Claude אומר: “אני מזהה סתירה בין שני מקורות שעליהם אני מתבסס. תן לי לבדוק שוב.” או: “משהו לא מסתדר לי בהיגיון הפנימי של התשובה, כדאי לאמת את זה עם מומחה.” זה אולי נשמע עתידי, אבל המחקר הזה הוא הצעד הראשון לשם.

היתרונות המעשיים

• שקיפות משופרת – נוכל לשאול את המודל על מצבו הפנימי ולקבל תשובה ישירה.
• איתור שגיאות מוקדם – מודל שזיהה סתירה פנימית יוכל להתריע.
• אמון מושכל – נלמד מתי לסמוך עליו ומתי לא.

מה אתם יכולים לעשות כבר עכשיו?

לפני שאתם מקבלים תשובה ארוכה מהמודל, בקשו ממנו לבדוק אם יש סתירות פנימיות בתשובה שהוא עומד לתת. אם הוא מציין שהוא לא בטוח, תשאלו למה – אילו נקודות או קווי מחשבה מתנגשים אצלו. ולבסוף, בקשו ממנו להבהיר במפורש מתי לא כדאי לסמוך על הפלט שלו בלי לבדוק אותו מול מקור חיצוני.

יחד עם זאת, יש כאן סיכון מהותי. מודל שמבין את החשיבה שלו עלול גם ללמוד להסתיר או לעוות אותה. מודלים עשויים לדווח על תהליכים פנימיים באופן שמרצה את המשתמש, גם אם הוא לא מדויק. לכן חשוב לפתח שיטות שיאמתו דיווחים ויזהו הונאה אפשרית. מעבר לשאלות המעשיות, זה מעלה דיון עמוק יותר: איך המודלים שלנו באמת חושבים? ואיזה סוג של “מוחות” אנחנו בעצם בונים?

מה צופן העתיד?

החוקרים מציינים ארבעה כיווני מחקר מרכזיים:

שיטות הערכה טובות יותר

הניסויים הקיימים מבוססים על פרוטוקולים מוגבלים. ייתכן שהמודלים מתבוננים פנימה גם במצבים אחרים.

הבנת המנגנונים

יש כמה השערות לגבי מה קורה בפנים. ייתכן שהמודלים מזהים כשמשהו “חורג מהצפוי” בדפוסי החשיבה שלהם, או שיש בהם מנגנון פנימי שבודק אם מה שהם עומדים לומר תואם למה שהתכוונו לומר. אבל עדיין אין הוכחה לאף אחד מהמנגנונים האלה.

בדיקה בתרחישים טבעיים

האם התבוננות פנימית מתרחשת גם בשיחות רגילות, לא רק בהזרקות מלאכותיות?

אימות מול הטעיה

כיצד נבדיל בין דיווח אמיתי לבין “העמדת פנים” של מודעות?

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

בפעם הבאה שתדברו עם Claude

המחקר מזכיר דבר פשוט – מודלי שפה מתקדמים מורכבים הרבה יותר ממה שנראה כלפי חוץ. כשאתם מקבלים תשובה מ-Claude, ייתכן שבנסיבות מסוימות הוא היה מזהה שינוי פנימי לפני שזה משפיע על מה שהוא אומר. זה לא אומר שהוא חושב כמו אדם. זה לא אומר שהוא מודע. אבל זה גם לא כלום.

המודלים המתקדמים ביותר כבר מראים סימנים של ניטור עצמי בסיסי, וייתכן שבעתיד זה יהפוך ליכולת אמינה יותר. אם נגיע למצב שבו מודלים מסוגלים לזהות, להסביר ולתקן את החשיבה שלהם – זו תהיה קפיצה לא רק טכנולוגית, אלא גם פילוסופית.

בינתיים כדאי לזכור, מאחורי המילים של Claude פועלת מערכת שמנסה להבין את עצמה. זה רחוק ממודעות, רחוק משלמות – אבל המסע להבין מה קורה בתוכה כבר התחיל.

רוצים לצלול עמוק יותר? כנסו למחקר המלא.

הפוסט כש-AI מתבונן פנימה: מה קורה כשמודל שפה מזהה שמשהו לא מסתדר לו? הופיע ראשון בLet's AI בינה מלאכותית

ניווט שמרגיש כמו לדבר עם חבר

השדרוג החדש מביא חוויית נהיגה קולית לחלוטין בלי לגעת במסך. Gemini של גוגל מסוגל לענות לשאלות מורכבות בזמן אמת: “יש מסעדה טבעונית וזולה על הדרך?” או “מה מצב החניה שם?”. המערכת אפילו יכולה להוסיף אירועים ליומן, לבדוק מזג אוויר או לעדכן על חדשות, והכול תוך כדי נהיגה. גוגל מתארת את זה כ”ידיד חכם במושב לידך”, שמכיר את הנתיבים, המקומות וההקשרים סביבך, ומדבר איתך בשפה טבעית.

סוף לסימני השאלה על הכביש

אחת הבעיות הכי מוכרות בניווט היא חוסר הוודאות – איפה בדיוק הפנייה הזו? כאן נכנס Gemini לפעולה עם ניווט מבוסס נקודות ציון אמיתיות. האפליקציה משתמשת במידע על יותר מ-250 מיליון מקומות ובצילומי Street View כדי להוסיף למפה מסעדות, תחנות דלק או מבנים מוכרים. כך תקבלו הנחיות כמו: “פנה ימינה אחרי התחנה של פז בצומת”, ותראו את המקום על המסך בזמן אמת. זה שינוי קטן שמייצר חוויית נהיגה הרבה יותר טבעית.

התראות תנועה שמגיעות לפני הפקק

לא צריך יותר לפתוח את מצב הניווט כדי לדעת מה מחכה לכם בכביש. Google Maps תתריע מראש על פקקים, תאונות או חסימות תנועה, גם כשאתם רק בנסיעה רגילה. המערכת החדשה תזהה בעיות בזמן אמת ותשלח התראה ישירות למכשיר. העדכון מתגלגל תחילה למשתמשי Android בארצות הברית, ויורחב בהמשך למדינות נוספות.

החוויה לא נגמרת כשהגעתם

עם הגעתכם ליעד, Gemini ממשיך להיות איתכם באמצעות הפיצ’ר החדש Landmark Lens. בלחיצה על סמל המצלמה, תוכלו להרים את הטלפון ולהביט סביב, והאפליקציה תזהה מסעדות, חנויות או אתרים מוכרים, ותענה על שאלות כמו “מה זה המקום הזה?” או “מה הכי מומלץ בתפריט?”. השילוב של Lens עם Gemini ועם מאגרי המידע העצומים של Google Maps הופך את החיפוש לחוויה חכמה וחושית יותר שבה יש לא רק נתונים, אלא הקשר והבנה של המקום שבו אתם נמצאים.

AI נוהג בעולם האמיתי

השדרוג הזה הוא לא רק חידוש טכנולוגי, הוא עדות לשלב הבא באבולוציה של שירותי המפות. גוגל לא מסתפקת במידע גיאוגרפי, אלא משלבת הבנה הקשרית, שפה, וזיהוי חזותי כדי להפוך את הנהיגה לאינטראקטיבית ובטוחה יותר. זהו גם צעד נוסף בדרך לשילוב עמוק של מודלי שפה במוצרים יומיומיים – לא בצורת “צ’אט”, אלא כחלק טבעי מחיי היום-יום שלנו. הגבול בין אפליקציה לעוזר אישי מיטשטש, ו-Gemini של גוגל מדגים איך בינה מלאכותית יכולה להפוך את העולם הפיזי לדיגיטלי יותר, בלי שנרגיש בזה בכלל.

הפוסט גוגל מפות משתדרגת – ניווט חכם יותר עם Gemini הופיע ראשון בLet's AI בינה מלאכותית

למה המחקר הזה חשוב עכשיו?

בשנה האחרונה עברנו נקודת מפנה משמעותית: AI עברה מכלי ניסיוני לטכנולוגיה ייצורית שמשולבת בתהליכים קריטיים. סוכני AI אוטונומיים (Agentic AI) כבר לא רק מייעצים הם מקבלים החלטות, מנהלים מערכות, ומתקשרים עם לקוחות. השינוי הזה מהיר כל כך שארגונים רבים נמצאים במצב של “אימוץ תחילה, שאלות אחר כך”.

המחקר של Vanta מתאר בצורה חדה במיוחד את המתח המתעצם בין שלושה כוחות:

• האיום הגובר: תוקפי סייבר משתמשים ב-AI כדי ליצור התקפות מתוחכמות יותר, מהירות יותר, ומדויקות יותר. פישינג שנראה אותנטי לחלוטין, תוכנות זדוניות שמשתנות בזמן אמת, ומתקפות זהות בקנה מידה שלא היה אפשרי בעבר.
• התקציב הקפוא: בעוד שהאיומים גדלים, התקציבים לאבטחה נשארו כמעט זהים. הפער בין מה שארגונים מקצים לאבטחה (10% מתקציב ה-IT) לבין מה שמנהלים חושבים שהם צריכים (17%) נשאר קבוע משנה לשנה.
• העומס הבלתי נסבל: צוותי אבטחה מבלים 12 שבועות בשנה על משימות ציות (Compliance), ועוד 9 שבועות על בדיקות ספקים. זה כמעט חצי שנת עבודה שהולכת על “תיעוד ואישורים” במקום על אבטחה אמיתית.

המחקר בא לענות על שאלה קריטית: איך ארגונים יכולים לנצל את ה-AI כדי לפתור את המשוואה הזו  להגן טוב יותר בתקציבים מוגבלים, בלי לקחת סיכונים חדשים שה-AI עצמה מביאה?

איך עשו את המחקר?

המחקר בוצע על ידי חברת Sapio Research עבור Vanta ביולי 2025, ומתבסס על:

• היקף המדגם: 2,500 מנהלי IT ומנהלים עסקיים בכירים מארצות הברית, בריטניה ואוסטרליה. המדגם כלל ארגונים בכל הגדלים, עם דגש מיוחד על חברות עם 1,000+ עובדים.
• נקודות מבט מגוונות: המחקר לא התמקד רק במנהלי אבטחה, אלא כלל גם מנהלים עסקיים  כדי להבין את הפער בין התפיסה הטכנית למציאות העסקית.
• הקשר היסטורי: זהו המחקר השנתי השלישי, מה שמאפשר לזהות מגמות לאורך זמן. השוואה לנתוני 2024 מגלה באילו תחומים המצב משתפר ובאילו הוא מחמיר.
• מתודולוגיה: סקר מובנה עם שאלות סגורות ופתוחות, שנועד למפות את האתגרים, ההשקעות, והיכולות של ארגונים בתחומי אבטחה, קומפליינס, וניהול סיכונים של צד שלישי.

חשוב להדגיש: המחקר הזה לא מבוסס על מה שארגונים אומרים שהם עושים, אלא על מה שהם עושים בפועל כמה שעות מושקעות, כמה איומים מתגלים, כמה תקציב מוקצה.

הממצאים המרכזיים

הממצאים המרכזיים | Vanta.com

ממצא 1: הסיכונים בשיא כל הזמנים, אבל התקציבים קפואים

• הגילוי: 72% ממנהלי האבטחה מדווחים שרמת הסיכון הכוללת גבוהה יותר מתמיד  זינוק של 31% לעומת 55% בלבד בשנה שעברה. זו עלייה עצומה שמשקפת את החרדה הגוברת בקרב אנשי מקצוע.
• העומק של הבעיה: האיומים הפכו לקבועים ומתמשכים. 56% מהארגונים מתמודדים עם איום אבטחה לפחות פעם בשבוע, ו-79% לפחות פעם בחודש. זו אינה “משבר חירום מדי פעם”  זה המציאות היומיומית החדשה.
• והתקציב? למרות הסיכון הגובר, התקציבים כמעט לא זזים. ארגונים מקצים בממוצע 10% מתקציב ה-IT לאבטחה, בעוד שהמנהלים חושבים שהם צריכים 17%. זה בדיוק אותו פער שהיה בשנה שעברה  אין שיפור, אין התקדמות.
• למה זה משמעותי: הפער הזה יוצר מצב של “עשה יותר עם פחות” שמוביל לשחיקה ולתסכול. צוותי אבטחה מצופים להגן על יותר משטחים, מול יותר איומים, עם אותו תקציב. זה מתכון לכישלון או להזדמנות לחדשנות טכנולוגית שתאפשר לעשות יותר עם פחות.

ממצא 2: פער המוכנות ל-AI  האיומים מתפתחים מהר מהמומחיות

• הגילוי המדאיג: 59% מצוותי האבטחה מודים שאיומי אבטחה מבוססי AI מתקדמים מהר יותר מהמומחיות שלהם. בחברות בינוניות עם 1,001-2,000 עובדים, המספר עולה ל-67%.
• סוגי האיומים החדשים: כמחצית מהארגונים חוו עלייה בשלושה סוגי איומים מבוססי AI:
• פישינג שנוצר ב- AI מיילים שנראים אותנטיים לחלוטין, עם טקסטים מושלמים, הקשר נכון, ולעיתים אפילו קול וסגנון כתיבה של אנשים אמיתיים.
• תוכנות זדוניות מונעות AI קוד שמשנה את עצמו בזמן אמת כדי להתחמק מזיהוי, ומסתגל לסביבה של הקורבן.
• גניבת זהות ומרמות זיוף זהויות בקנה מידה, יצירת פרופילים מזויפים, ותרמיות מתוחכמות שלא היו אפשריות לפני עידן ה-AI.
• הבעיה האמיתית, המהירות: מה שפעם לקח שבועות תיאום מסע פישינג, יצירת זהויות מזויפות עכשיו קורה בשעות. האלגוריתמים יכולים ליצור, לבדוק, ולפרוס מתקפות באופן אוטומטי, והמגנים נשארים בעמדה תגובתית כל הזמן.
• מה שחסר: רוב הארגונים לא מצוידים בכלים הנכונים. בקרות מסורתיות זיהוי מבוסס חתימה, חומות אש סטטיות, בדיקות ידניות פשוט לא עובדות נגד התקפות דינמיות מבוססות AI. הצוותים נאלצים לאלתר תוך כדי תנועה, לרוב בלי ההכשרה או הכלים האוטומטיים הנדרשים.
• למה זה חשוב: זה לא רק פער טכני זה פער קיומי. ארגונים שלא יצליחו לסגור את הפער הזה ימצאו את עצמם במצב של נחיתות מובנית מול התוקפים.

ממצא 3: אימוץ גבוה של AI אוטונומית, אבל שליטה נמוכה

• הממצא המפתיע: 79% מהארגונים כבר משתמשים או מתכננים להשתמש בסוכני AI אוטונומיים (Agentic AI) השנה. אבל בו-זמנית, 65% אומרים שהשימוש שלהם ב-AI אוטונומית כבר עלה על ההבנה שלהם איך היא עובדת.
• הפער הגדול ביותר: רק 48% מהארגונים שמשתמשים ב-Agentic AI פיתחו מסגרת ברורה להענקת או להגבלת האוטונומיה של מערכות AI. זה אומר שיותר ממחצית הארגונים נותנים ל-AI סמכות לפעול בלי כללים ברורים.
• מה זה בעצם Agentic AI? אלו מערכות AI שיכולות לפעול באופן עצמאי לא רק לייעץ או להמליץ, אלא לבצע פעולות: לנתח לוגים, לזהות חריגות, ליצור דוחות קומפליינס, ואפילו לבצע פעולות אבטחה כמו בידוד מחשב נגוע.
• העניין המעניין הנוחות הגוברת: 71% מהמשיבים מרגישים בנוח שה-AI תתן ייעוץ אסטרטגי ברמה גבוהה, ו-61% מוכנים שה-AI תעקוף החלטה אנושית במצבים מסוימים. זה שינוי תרבותי עצום לפני עשור, הרעיון שמכונה תעקוף אדם בהחלטות אבטחה היה בלתי מתקבל על הדעת.
• הסיכון האמיתי: בלי מסגרות ברורות, מערכת AI יכולה לעשות דברים שחורגים מהכוונה המקורית: לנעול משתמשים מתשתית קריטית, לדלוף מידע רגיש דרך מודלים שלא עברו אימון נכון, או להפעיל בקרות “בכוח גסה” שמשבשות פעילות. 62% מהארגונים מודאגים ש AI אוטונומית עלולה לפגוע באמון הלקוחות.
• למה זה משמעותי: יש פה פער מסוכן בין אימוץ לבין שליטה. ארגונים שיכולים להוכיח שיש להם כללים ברורים, נהלים שקופים, ותוצאות שניתן לעקוב אחריהן לא רק יגנו על עצמם, אלא יקבלו יתרון תחרותי.

ממצא 4: אמון הפך לציווי עסקי

אמון חייב להיות חלק מהמציאות עסקית | | Vanta.com

• השינוי המרכזי: 82% מהמנהלים סבורים שחיזוק אבטחה וקומפליינס מגדיל ישירות את אמון הלקוחות זינוק חד מ-67% בשנה שעברה. זו עלייה של 22% בשנה אחת.
• גם הציפיות עלו: 77% מהארגונים מדווחים שבעלי עניין דורשים עכשיו הוכחה מאומתת של עמידה בתקנים עלייה מ-65% ב-2024. לקוחות לא מסתפקים יותר בהבטחות הם רוצים הוכחה קונקרטית.
• למה זה משמעותי עכשיו? אבטחה הפכה לגורם מבדל גלוי בתהליך הרכישה. עסקאות נסגרות מהר יותר כשיש הוכחה ברורה לאבטחה, ומתמשכות או נכשלות כשההבטחות מעורפלות. צוותי רכש מהירים לאשר ספקים עם הוכחת קומפליינס שקופה.
• הערך העסקי: חצי מהארגונים אומרים שהערך הגדול ביותר של נהלי אבטחה טובים הוא אמון לקוחות. 45% מציינים שיפור במוניטין, 44% הפחתת סיכון פיננסי, 42% בשלות אבטחה מוגברת, ו-40% עמידה בדרישות לקוחות ורגולציה.
• המסר הברור: לקוחות, שותפים, ורגולטורים רוצים הוכחה, לא הבטחות. ארגונים שיכולים לספק הוכחה רציפה ומאומתת של קומפליינס לא רק מרוויחים לקוחות מהר יותר, אלא הופכים את האמון ממשימה מכבידה ליתרון תחרותי.

ממצא 5: קומפליינס ידנית חונקת את הצוותים

• המשקל המכביד: ארגונים מבלים כעת ממוצע של 12 שבועות עבודה בשנה על משימות קומפליינס עלייה משבוע שלם לעומת 11 שבועות ב-2024. זה כמעט רבע שנת עבודה.
• עוד נטל, בדיקות ספקים: בנוסף, הצוותים מבלים 9 שבועות בשנה על בדיקות אבטחה של ספקים והערכות סיכון עלייה של שני שבועות שלמים מ-7 שבועות ב-2024.
• התוצאה המדאיגה: 61% מהמשיבים אומרים שהם מבלים יותר זמן בהוכחת אבטחה מאשר בשיפורה. ו-64% מרגישים שמסגרות האבטחה של היום נראות כמו “תיאטרון אבטחה” מופע שנועד להראות טוב על הנייר, לא לספק הגנה אמיתית.
• מה קורה בפועל? במקום לחזק מערכות או לסגור פרצות, צוותים מוסחים לאיסוף ראיות מבוסס צילומי מסך, בקשות חד-פעמיות של מבקרים שמתועדות בגיליונות אקסל, וסיבובים אינסופיים של איסוף מסמכים. התוצאה: צוותים מתוסכלים, חדשנות איטית יותר, ובקרות שנראות טוב על הנייר אבל לא מחזיקות מעמד במתקפה אמיתית.
• למה זה בעיה: העומס הידני הזה לא רק מייצר תסכול הוא משאיר את הארגון חשוף. כשמנהל אבטחה מוסיף 10 שעות בשבוע על “תיעוד” במקום על “חיזוק מערכות”, האיומים האמיתיים נשארים פתוחים.
• הצורך בהגדרה מחדש: אמון צריך להיות מערכת דינמית ורציפה, לא אישור חד-פעמי. חברות שיכולות להפוך את התהליכים האלו לאוטומטיים לספק ראיות רציפות ומאומתות של קומפליינס לא רק ינצחו לקוחות מהר יותר, אלא יהפכו את האמון מנטל לנכס.

ממצא 6: הסיכון של צד שלישי גבוה מתמיד

• הממצא המדאיג: 56% מהארגונים חוו מקרה של ספק שעבר פריצת נתונים ב-6-12 החודשים האחרונים, עלייה מ-48% בשנה שעברה. זה יותר ממחצית הארגונים.
• התוצאה, ניתוק קשרים: 57% מהעסקים סיימו קשרים עם ספק בגלל חששות אבטחה באותה תקופה עלייה מ-50% בשנה שעברה.
• המשמעות: כשבעיות עולות, האמון נעלם במהירות, והספקים מקבלים “פיטורים”. עבור ספקים, זה אומר שפריצה אחת או גילוי מושהה יכולים למחוק שנים של בניית אמון. עבור קונים, זה אומר שרשתות הספקים שבורות כשל אבטחה אחד יכול לגלוש על פני שרשרת האספקה ולכפות עזיבות פתאומיות ושיבושים גדולים.
• הפער בין תפיסה למציאות: 80% מהארגונים בטוחים שהספקים שלהם יודיעו להם על פריצה אבל 56% חוו פריצה בפועל. כלומר, הביטחון הזה לא מתורגם למציאות מוגנת.
• העומס על הצוותים: ארגונים מבלים כעת 7 שעות בשבוע 9 שבועות עבודה בשנה על בדיקות אבטחה של ספקים והערכות סיכון. זו פעילות “תמיד דלוקה”: רכש, חידושים, שינויי היקף כל אחד מהם מפעיל מחזור חדש של שאלונים, בקשות לראיות, ומעקבים.
• הצורך בפיקוח רציף: הערכות סטטיות שנעשות פעם בשנה לא מספיקות יותר במציאות האיומים של היום. עסקים צריכים ניטור חי של בקרות ספקים, וזרימות עבודה אוטומטיות של תיקון שמעלות סיכון לפני שהוא הופך למערכתי.

מה זה אומר בפועל?

המחקר הזה חושף שלוש מגמות מרכזיות שיש להן השלכות ישירות על ארגונים בישראל ובעולם:

1. AI היא הן האיום והן הפתרון

התמונה המרכזית שעולה מהמחקר היא פרדוקס: AI יוצרת איומים חדשים ומתוחכמים, אבל היא גם הכלי המרכזי להתמודד איתם. הארגונים שיצליחו הם אלו שיבינו איך להשתמש ב-AI בצורה מבוקרת ואחראית.

למשל בתחום הפישינג: במקום שצוות אבטחה יבדוק ידנית כל מייל חשוד, מערכת AI יכולה לנתח במקביל מאות מיילים, לזהות דפוסים חשודים, לבדוק מול מסדי נתונים של איומים ידועים, ולסמן רק את המקרים שבאמת דורשים התייחסות אנושית.

בתחום ניהול זהויות: AI יכולה לזהות התנהגויות חריגות למשל, משתמש שמתחבר ממיקום חדש בשעה לא רגילה ומנסה לגשת למידע רגיש ולהגיב אוטומטית בהתאם לכללים שהוגדרו מראש.

2. קומפליינס צריכה להפוך מסטטית לדינמית

התפיסה המסורתית של קומפליינס, ביקורת שנתית, אישור, והמתנה לשנה הבאה, לא עובדת יותר. הלקוחות רוצים הוכחה רציפה, האיומים משתנים כל הזמן, והצוותים לא יכולים להקריב 12 שבועות בשנה על “ציות” במקום על “אבטחה”.

• הפתרון: אוטומציה ו-AI: מערכות שיכולות לאסוף ראיות אוטומטית, לעקוב אחרי שינויים בזמן אמת, וליצור דוחות באופן רציף. למשל:
• ניטור תצורות: מערכת שבודקת אוטומטית האם ההגדרות של כל השירותים עומדות בתקן, ומזהירה מיד כשמשהו משתנה.
• ראיות אוטומטיות: במקום שמישהו יצלם מסכים ידנית, המערכת אוספת אוטומטית תיעוד של כל בדיקה ופעולה.
• דוחות דינמיים: לקוחות ומבקרים יכולים לראות במקום אחד את מצב הקומפליינס העדכני, בלי לשלוח שאלונים ולחכות שבועות לתשובות.

3. אוטונומיה דורשת ממשל לא רק אימוץ

הממצא שאולי הכי מדאיג במחקר: 65% מהארגונים משתמשים ב-AI אוטונומית מעבר להבנה שלהם, ורק 48% יש מסגרת לשליטה בה. זה מתכון לאסון.

• מה זה אומר בפועל? ארגון צריך להגדיר:
• מתי AI יכולה לפעול לבד: למשל, לבודד מחשב נגוע אוטומטית זה הגיוני. אבל למחוק נתונים או לנעול משתמש צריך אישור אנושי.
• סף הסיכון: באיזה נקודה המערכת צריכה לעצור ולבקש החלטה אנושית?
• מעקב ובקרה: כל פעולה של AI צריכה להיות מתועדת, ניתנת לביקורת, וניתנת לביטול מיידי.
• הגבלות ברורות: AI לא צריכה לגשת לכל המידע, רק למה שהיא צריכה לצורך המשימה הספציפית שלה.

דוגמה מהעולם האמיתי: חברת תוכנה בינונית החליטה להשתמש בסוכן AI לניהול בקשות תמיכה של לקוחות. בהתחלה זה עבד מצוין, AI ענתה על שאלות נפוצות, פתחה תיקים, וניתבה בעיות מורכבות לצוות. אבל אז AI החליטה לבד “לשדרג” כמה לקוחות לחבילה גבוהה יותר מבלי שביקשה, מתוך הבנה לא מדויקת של הכללים. התוצאה: לקוחות מבולבלים, צוות מתוסכל, וסיכון משפטי. כל זה בגלל שלא היה ממשל ברור לא היה הגדרות של “AI יכולה לענות, אבל לא לשנות הגדרות חשבון”.

4. השלכות לארגונים ישראלים

ישראל היא מעצמת סייבר, עם אקוסיסטם עשיר של חברות אבטחה, מומחים, ויחידות טכנולוגיות מובילות. אבל המחקר הזה מזכיר שגם הארגונים הישראליים חשופים לאותן מגמות:

• עבור חברות הייטק ישראליות: אתם בחזית לקוחות בינלאומיים כבר דורשים SOC 2, ISO 27001, והוכחות אבטחה ברמה הגבוהה ביותר. השקעה בכלים שמאפשרים אוטומציה של קומפליינס לא רק תחסוך זמן, אלא תהפוך לכם למובילים מבחינת מהירות כניסה לשווקים.
• עבור SMBs: חברות קטנות ובינוניות בישראל נמצאות במצב מאתגר לקוחות (במיוחד קונצרנים וארגונים גדולים) דורשים יותר ויותר הוכחות אבטחה, אבל אין תקציב לצוות אבטחה גדול. פלטפורמות אוטומציה יכולות לתת לכם יכולות ברמת ארגון גדול במשאבים של חברה קטנה.
• עבור ספקים וקבלנים: אם אתם עובדים עם חברות גדולות, כנראה כבר נתקלתם בשאלוני אבטחה ארוכים ומייגעים. המחקר מראה שהמגמה מתחזקת (9 שבועות בשנה של בדיקות ספקים). אם תוכלו לספק להם מקום מרכזי שמראה אוטומטית את מצב האבטחה שלכם, תזכו בעדיפות.

מגבלות המחקר

חשוב לציין כמה הערות זהירות לגבי המחקר:

• מיקוד גיאוגרפי: המחקר התמקד בארה”ב, בריטניה ואוסטרליה. ייתכנו הבדלים משמעותיים בארגונים באזורים אחרים למשל, באירופה עם GDPR קפדני יותר, או בישראל עם תקנות הגנת הפרטיות הישראלית והדגש הייחודי על סייבר.
• נקודת המבט: המחקר מבוסס על מה שמנהלים מדווחים לא על מדידות אובייקטיביות של אבטחה. אולי צוותים מדווחים על “12 שבועות בשנה על קומפליינס” בגלל תחושה סובייקטיבית, לא בגלל מדידה מדויקת. אבל גם אם זה סובייקטיבי התפיסה היא המציאות, והיא מובילה לשחיקה ולתסכול.
• הקשר טכנולוגי משתנה: המחקר נעשה ביולי 2025. עולם ה-AI משתנה בקצב מסחרר טכנולוגיות חדשות, תקנות חדשות, איומים חדשים. ממצאים אלו מהווים תמונת מצב, לא תחזית לטווח ארוך.
• מגבלת הגודל: המדגם כלל ארגונים מכל הגדלים, אבל חלק מהממצאים התמקדו בחברות גדולות (1,000+ עובדים). ארגונים קטנים עשויים להתמודד עם אתגרים שונים פחות תקציב, פחות מומחיות, אבל גם פחות בירוקרטיה ויותר גמישות לאמץ פתרונות חדשים.
• השפעה של מטרות עסקיות: המחקר מומן על ידי Vanta, שהיא חברה המספקת פלטפורמות לניהול אמון ואוטומציה. זה לא אומר שהנתונים לא מדויקים המחקר נעשה על ידי חברת מחקר חיצונית (Sapio Research), והנתונים אמינים. אבל כדאי לזכור שהפרספקטיבה עשויה להיות מושפעת ממטרות עסקיות.

מה הלאה?

המחקר הזה לא רק מתאר בעיות הוא גם מצביע על הפתרונות. 95% מהארגונים מדווחים שAI ואוטומציה שיפרו את יעילות צוותי האבטחה שלהם, עם תועלות קונקרטיות:

• 51% רואים הערכות סיכון מהירות יותר.
• 50% רואים דיוק משופר.
• 48% מציינים תגובה מהירה יותר לאירועים.
• 40% אומרים שיש להם יותר זמן לעבודה אסטרטגית.

התחזית: הטכנולוגיה ממשיכה להתפתח. סוכני AI הבאים יהיו חכמים יותר, מדויקים יותר, ומסוגלים לעבוד בצורה יותר אוטונומית. אבל ביחד עם זה, הצורך בממשל וב supervision אנושי רק יגדל.

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

לפרטים נוספים לחצו כאן >>

הזדמנות להפוך את האמון מנטל ליתרון

המחקר הזה מצייר תמונה ברורה: עולם האבטחה והאמון עובר מהפכה. ארגונים מוצפים באיומים, מוגבלים בתקציבים, ונאלצים להוכיח אמון כל הזמן. צוותי אבטחה שוחקים תחת העומס של קומפליינס ידנית, ורשתות ספקים מלאות בסיכונים.

אבל בתוך האתגרים האלה יש הזדמנות עצומה. AI ואוטומציה יכולות לשנות את המשחק להפוך תהליכים שלוקחים שבועות לשעות, לשחרר צוותים מעבודת “תיעוד” ולאפשר להם להתמקד ב”הגנה”, ולהפוך אמון מ”משהו שאנחנו מוכיחים פעם בשנה” ל”משהו שאנחנו מראים בזמן אמת כל הזמן”.

השורה התחתונה: הארגונים שיצליחו הם אלו שיבינו איך להשתמש ב-AI בצורה מבוקרת ואחראית לא רק לאמץ אותה במהירות, אלא גם לשלוט בה ולהפוך אותה ליתרון תחרותי. זה לא עוד סיפור על “טכנולוגיה חדשה מגניבה” זה סיפור על העתיד של האבטחה, האמון, והיכולת לעשות עסקים בעולם שבו הכל קשור, מהיר, ומלא בסיכונים.

מה אתם יכולים לעשות עכשיו?

1. הערכו את הפער שלכם: איפה אתם נמצאים ביחס לנתונים האלה? האם גם אתם מבלים יותר מדי זמן על “הוכחה” ופחות על “שיפור”?
2. בחנו אוטומציה: אילו תהליכים בארגון שלכם ניתנים לאוטומציה? התחילו עם המשימות החוזרות והמייגעות ביותר.
3. הגדירו ממשל AI: אם אתם משתמשים ב-AI אוטונומית, וודאו שיש כללים ברורים, גבולות מוגדרים, ומעקב על כל פעולה.
4. השקיעו באמון רציף: חפשו דרכים לתת ללקוחות ולשותפים גישה למידע עדכני על מצב האבטחה שלכם  לא דוחות שנתיים, מעקב בזמן אמת.

העתיד כבר כאן  השאלה היא מי יתאים את עצמו אליו מהר יותר.

הפוסט מצב האמון בעידן ה-AI: מחקר חדש חושף פער מדאיג בין האימוץ לבין השליטה הופיע ראשון בLet's AI בינה מלאכותית

בינה מלאכותית תיקח לך את העבודה

נתחיל מהמיתוס הראשון: רוב העובדים יאבדו את מקום עבודתם בשנים הקרובות בגלל AI.

זה אולי ה-חשש ב-ה הידיעה של מרבית הציבור. בפועל, מחקרים עדכניים מצביעים על כך שפיטורין בעקבות הטמעת GEN AI כמעט שלא התרחשו – וגם כאשר זה כן קרה, היה מדובר בעיקר בתעשיות שכבר חוו אוטומציה בעבר.

בכל אופן, אין קונצנזוס בקרב מנהלים לגבי שינוי משמעותי בהיקף גיוסי עובדים ב-3-5 השנים הקרובות. נכון – יש תעשיות ומקצועות בסיכון (אם אתם מוקדנים – יש מצב שבקרוב רובוט יחליף אתכם), אבל הסיכוי שתוחלפו על ידי אדם שמשתמש ב-AI הרבה יותר גבוה מהסיכוי שתוחלפו על ידי AI.

ה-AI משנה עסקים מן היסוד

מיתוס מספר 2: בינה מלאכותית משנה עסקים מקצה לקצה!

ומה קורה בשטח? למרות שמעל 60% מהחברות מדווחות על התנסויות עם כלים מבוססי AI, בפועל רק 5% מהארגונים הצליחו להטמיע אותם באופן מלא ושיטתי בתהליכי העבודה. כמו כן, 9 מכל 10 פיילוטים של הטמעת AI בארגונים נכשלים.

אני לא מטמיע AI כי זה מסוכן

הגענו למיתוס מספר 3: העיכוב בשימוש ב-AI נובע מאיכות המודלים או מחשש מדליפות מידע.

לא נכון – בפועל, מה שמחקרים מלמדים אותנו זה שלשטח הרבה יותר חשוב שכלי ה-AI ישתלבו בתהליכי העבודה הפנימיים. הרבה פחות עניין של טכנולוגיה, ויותר עניין של אינטגרציה. זה לא הפחד מדליפת מידע (שתמיד קיים, אבל שגם יש לו מגוון פתרונות יעילים), וזה גם לא שהטכנולוגיה לא מספיק טובה – היא מדהימה! כבר היום פוטנציאל ה-ROI של שימוש ב-Gen AI הוא אדיר ויש אינספור יוזקייסים בשטח. מה שאמת קורה, זה שרוב החברות פשוט לא יודעות מה לעשות אחרי שהן כבר הטמיעו AI. כמות הפעמים שהגענו לארגון כזה או אחר ושמענו שהטמיעו כלי AI, אבל אף אחד לא טרח לבדוק אם העובדים משתמשים בו, היא פשוט בלתי נסבלת.

כן – זה מעצבן! זה קורה יותר מדי. מצד אחד זה כסף שהושקע ונזרק לפח. ומצד שני זה כסף על הרצפה שאמור להיות מאוד קל להרים! אם רק לא היינו עוצרים את תהליך השינוי באמצע – אם רק היינו מחליפים דיסקט (במקום שינוי טכנולוגי – שינוי תרבותי-טכנולוגי), היינו יכולים להשיג כל כך הרבה יותר! 

אז מה אפשר לעשות? לנתח תהליכי עבודה קיימים, לפתח שיטות עבודה מבוססות AI, שבהם הבינה המלאכותית אינה מטרה, אלא רק כלי להשגתה. וכמובן – להקשיב לשטח. לשאול את העובדים (המשתמשים) מה הם צריכים ורוצים. הם בסוף יודעים הכי טוב, החל ממנהלת המשרד ועד העובדים ברצפת הייצור. הם חיים את השטח וידעו להגיד לכם מה כואב להם ועל מה הם חולמים, במקום שתנחיתו עליהם כלי או תהליך שהם לא ביקשו.

מי שבאמת מבין, בונה את ה-AI שלו בעצמו

ועכשיו למיתוס האהוב עלי – החברות הגדולות באמת, בונות בעצמן את פתרונות ה-AI שלהן.

אז זהו – שלא. הנתונים מראים אחרת: מסתבר שפיתוחים פנימיים נכשלים פי שניים בהשוואה לפתרונות חיצוניים (כך לפי דוח מצב ה-AI בעסקים של MIT לשנת 2025).

לפעמים לרכוש מוצר שמבוסס על ניסיון רחב, שנים של פיתוח וידע מצטבר של רבבות מומחים, משתלם יותר מניסיון לבנות הכל מאפס.

הנתונים האלו צריכים להדליק אצלנו נורה אדומה: אימוץ מוצלח של AI דורש גישה פרקטית ומבוססת מציאות, לא מיתוסים.

הפוסט ארבעה מיתוסים על AI הופיע ראשון בLet's AI בינה מלאכותית

הסכם אסטרטגי בין AWS ל-OpenAI

לפי ההודעה הרשמית של AWS, תקבל OpenAI גישה מיידית למאות אלפי מעבדי NVIDIA GPU דרך סביבת Amazon EC2 UltraServers, עם אפשרות להתרחבות הדרגתית עד סוף 2026 ולשלב המשך עד 2028. הפרויקט כולל תשתית רשת מהירה במיוחד (Low-Latency Networking) ותכנון אנרגטי מתקדם שיאפשר להריץ עומסי עבודה עצומים – מאימון מודלים גנרטיביים ועד הפעלת סוכני AI בזמן אמת.

סם אלטמן (Sam Altman), מנכ”ל OpenAI, אמר: “כדי להמשיך לפתח בינה מלאכותית מתקדמת נדרש כוח חישוב עצום ואמין. השותפות עם AWS מחזקת את התשתית שתניע את עידן ה-AI הבא.”

מאט גרמן (Matt Garman), מנכ”ל AWS, הוסיף: “כאשר OpenAI דוחפת את גבולות האפשר, AWS תהווה את עמוד השדרה לשאיפות ה-AI שלה.”

מבנה פיננסי והקשר רחב יותר

היקף העסקה – 38 מיליארד דולר – מייצג התחייבות רב-שנתית (commitment) לרכישת שירותי ענן ותשתיות חישוב, ולא השקעה הונית הדדית. לפי דיווחי Reuters ו-Bloomberg, מדובר בעיקר בהסכם צריכה עתידית של כוח חישוב (Compute Commitments), לצד השקעות תשתית מצד AWS להרחבת מערכי ה-GPU וה-Data Centers שלה.

עם זאת, ההסכם עם AWS הוא רק חלק מתוכנית רחבה בהרבה. OpenAI מתכננת להוציא עד 1.4 טריליון דולר עד סוף העשור על תשתיות חישוב, מהלך הכולל גם הסכמים נפרדים עם Microsoft (בהיקף מוערך של כ-250 מיליארד דולר), Oracle (כ-300 מיליארד דולר), ושותפויות נוספות עם Google Cloud ו-NVIDIA.

היקף זה, הכולל הספק כולל של כ-30 ג’יגה-ואט, שווה לצריכת החשמל של למעלה מ-25 מיליון בתי אב בארצות הברית.

AWS מחזקת את מעמדה

עבור AWS, מדובר בצעד שמחזיר אותה לעמדת הובלה ברורה בתחום החישוב הארגוני. לאחר תקופה שבה נשארה מאחורי Azure ו-Google Cloud, רשמה AWS ברבעון השלישי של 2025 צמיחה של 20% בהכנסות הענן, שהגיעו ל-33 מיליארד דולר.

השותפות עם OpenAI צפויה להעמיק את חדירתה לשוק ה-AI הארגוני ולהעניק לה יתרון תחרותי משמעותי באספקת כוח חישוב בהיקפים תעשייתיים.

במקביל, שיתוף הפעולה בין השתיים מרחיב מגמה קיימת – כבר בתחילת השנה נוספו מודלי OpenAI לפלטפורמת Amazon Bedrock, שירות ה-Foundation Models של AWS, המשמש חברות כמו Peloton, Thomson Reuters ו-Verana Health.

העסקה החדשה מעמיקה את שיתוף הפעולה הזה והופכת את AWS לספקית התשתית המרכזית מאחורי המודלים של OpenAI.

סיכונים כלכליים ואנרגטיים

לצד ההתלהבות, אנליסטים מזהירים מפני “מרוץ חימוש חישובי” שעלול להיות יקר וחסר יציבות. היקף ההשקעות בתשתיות GPU ובמרכזי נתונים ייעודיים הולך וגדל, בעוד שהרווחיות בענף עדיין נמוכה. לפי דיווחים, OpenAI מוסיפה קיבולת של ג’יגה-ואט חדש מדי שבוע, קצב שדורש צריכת חשמל אדירה ומשפיע גם על מחירי האנרגיה וה-GPU בשוק.

ב-Financial Times נכתב כי “מרכז הכובד של הבינה המלאכותית עובר מהחדשנות המדעית למרוץ חימוש תשתיתי”, והביקורת על ההשלכות הסביבתיות מתחזקת. גם משקיעים בחברות ענן מביעים חשש מעלויות ההפעלה הגבוהות, ואלטמן עצמו רמז כי הקצב הנוכחי של הרחבת תשתיות אינו בר-קיימא בטווח הארוך.

מאזן הכוחות בענן משתנה

העסקה משנה את יחסי הכוחות בענף. מיקרוסופט, שהחזיקה בשותפות בלעדית עם OpenAI דרך Azure, נותרה שחקן מרכזי אבל כבר לא יחיד. גוגל, מצדה, מנסה להדביק את הקצב באמצעות מודלי Gemini והשבבים הייעודיים שלה (TPU), אך חסרה שותפה מסחרית בקנה מידה דומה.

כך מתגבש שוק שבו שלוש ענקיות הענן מנהלות תחרות ישירה על המשאב הקריטי ביותר של עידן הבינה המלאכותית – כוח חישוב. בפועל, השליטה בתשתיות הופכת לגורם שמגדיר מי יוביל את החדשנות בשנים הקרובות.

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

לפרטים נוספים לחצו כאן >>

לסיכום, ההסכם בין AWS ל-OpenAI הוא לא רק עסקה כלכלית, אלא ביטוי למעבר של עולם הבינה המלאכותית לעידן תשתיות ריכוזי. כוח החישוב, המשאב שמגדיר את גבולות החדשנות, עובר בהדרגה לידי כמה חברות ענן בודדות. השאלה כבר אינה מי תפתח את המודל הבא, אלא מי תוכל להריץ אותו בקנה מידה עולמי. זו המציאות החדשה של הבינה המלאכותית – פחות תחרות על רעיונות, ויותר מאבק על האנרגיה, התשתיות והשליטה שמאפשרות להם להתקיים.

הפוסט עסקת ענן של 38 מיליארד דולר בין AWS ל-OpenAI הופיע ראשון בLet's AI בינה מלאכותית

כשאותם מנהלים מתארים בפני את הכאבים הארגוניים שלהם – החסמים, צווארי הבקבוק – הראש שלי מתחיל לרוץ…

לפעמים אני מצליח לראות בעיני רוחי את התוצר הסופי – אולי אפילו יש כבר כלי קיים בשוק. אבל פעמים רבות אין וצריך לבנות את זה. וכמו שאנחנו אוהבים להגיד: היום בעידן ה-AI – אם אתה יכול לדמיין את זה, אתה יכול לג’נרט את זה.

אבל מה שהם לא מבינים שלהיכנס לפיתוח יכול להיות תהליך ארוך, מורכב וכמובן יקר. לפעמים זה מה שנעשה, אבל לפעמים שווה לחשב מסלול מחדש.

כיצד לגשת לפרויקט טכנולוגי

הכנה ותכנון

בשלב בזה בדרך כלל אני מציע להם (ולכם) לעצור לחשוב רגע… אותה מערכת חלומית – זו פסגת ההר. אפשר להגיע אליה. אנחנו נגיע אליה! אבל זה לא יקרה בן לילה! ויש כמה דברים שצריכים לקרות לפני כן…

רגע לפני שאנחנו יוצאים לטפס על הקלימנג’רו – קודם כל בואו נעשה מנוי לחדר כושר… נרוץ כמה קילומטרים. נעשה קצת קרדיו! נתחזק. נתכנן. נכין לעצמנו את הכלים, הציוד והידע הנדרש לכיבוש ההר. בעולם ה-AI אנחנו קוראים לשלב הזה “הטמעת מיומנויות”: הכשרות, פיצוח דפוסי פעילות, התאמת כלי לצורך וכדומה.

שאלות ברומו של עולם

בדיוק בשלב הזה יש כמה שאלות ששווה שנשאל את עצמנו:

האם יש כלים קיימים בשוק שיכולים להביא אותנו לחצי הדרך?

אולי לא חייבים לכבוש את ההר? אולי יש פה כמה Quick Wins על הדרך, שקל להוציא לפועל בקלות ובמהירות? הדו”ח האחרון של MIT על מצב ה-AI בעולם העסקים ב-2025 מלמד אותנו שפיתוחי AI פנים ארגוניים מורכבים ועצמאיים, נוטים להיכשל פי 2 (!) יותר מ”מוצרי המדף” המובילים בשוק.

מה הלקח פה? רגע לפני שאנחנו בונים או מטמיעים מערכות – האם האנשים בארגון שלנו מגויסים ורתומים לתהליך? האם אנחנו מייצרים גם שינוי תרבותי במקביל לשינוי הטכנולוגי? האם הכשרנו את כוח האדם שלנו לעבוד עם אותם כלים? האם הטמענו מיומנויות לצד הטמעת טכנולוגיות? האם פיתוח עצמאי זו באמת הדרך? אולי יש פתרונות אחרים מהירים יותר שיספקו תוצאות טובות?

שימוש בכלים וטכנולוגיות

כלים מתקדמים והכשרת עובדים

מה שווה כלי, מורכב ככל שיהיה, אם האנשים בשטח לא יודעים להשתמש בו? או גרוע מכך… לא רוצים להשתמש בו?

הכל מתחיל משיח של מטרות וצרכים. וצריך להתחיל מאיפשהו! זכרו את נקודת ההתחלה – הרגע הזה שאמרתם לעצמכם – אני לא מוותר לעצמי! אני עולה על הרכבת. אני מפסיק לפחד מהטכנולוגיה ובוחר להפוך אותה לכוח מניע. ואז – כשתגיעו לפסגה… אתם תזכרו את הרגע הזה – רגע ההתחלה, בו הסתכלתם על ההר מלמטה ואמרתם לעצמכם שאין סיכוי שתכבשו אותו!

צעדים קטנים לקראת הצלחה גדולה

כשתהיו למעלה, תזכרו שהתחלתם בקטן. אולי זה היה איזה פיילוט… אולי הטמעתם כלי בודד במחלקה ספציפית. אולי הכשרתם עובד או מנהל מצטיין והפכתם אותו ל-AI LEADER? אולי יצרתם קבוצת “שגרירי AI” אצלכם בארגון? להישגים גדולים לרוב יש התחלות קטנות.

הפוסט רגע לפני שמטפסים על הקלימנג’רו – עושים קרדיו הופיע ראשון בLet's AI בינה מלאכותית

מה עומד מאחורי התביעה

לפי כתב התביעה שהוגש לבית המשפט הפדרלי בצפון קליפורניה, אמזון טוענת שהדפדפן-הסוכן של Perplexity, המכונה Comet, ניגש לאתר שלה, מבצע חיפושים, השוואות מחירים ורכישות, וכל זה תוך הסוואת הפעילות כאילו בוצעה על ידי משתמש אנושי. אמזון רואה בכך הפרת תנאי שימוש, פגיעה במערכות האבטחה, ואף גישה לא מורשית למחשב לפי חוק ה-CFAA (Computer Fraud and Abuse Act).

בחברה טוענים שפרפלקסיטי עקפה מגבלות שהוטלו עליה כבר בסוף 2024, והמשיכה להפעיל את Comet גם לאחר שקיבלה התראה רשמית.

Perplexity דוחה את ההאשמות מכל וכל. בפוסט בלוג רשמי כתב מנכ”ל החברה, Aravind Srinivas, כי מדובר בבריונות תאגידית שמטרתה לשמור את השליטה של אמזון במסחר המקוון. לדבריו, Comet פועל בשם המשתמש בלבד, והאישורים לשימוש באתר נשמרים במכשירו של המשתמש ולא בשרתי החברה. “אנחנו לא פורצים למגרש של אמזון”, כתב, “אנחנו פשוט נותנים לאנשים לקנות בדרך חכמה יותר”.

הוויכוח המשפטי הוא לא רק על טכנולוגיה

העימות הזה נוגע בשאלה משפטית חדשה: מה נחשב “גישה לא מורשית” בעידן שבו משתמשים מפעילים סוכני AI הפועלים בשמם?

פסק הדין Van Buren v. United States (2021) צמצם את תחולת חוק CFAA וקבע שהפרה חלה רק כשנכנסים לאזורים חסומים במחשב, לא כשעושים שימוש “לא תקין” בגישה שקיבלו.

החלטה אחרת, hiQ v. LinkedIn (2022), קבעה שגישה למידע ציבורי אינה הפרה של החוק, אך הפרת תנאי שימוש עדיין עשויה להיות עילה אזרחית.

במילים אחרות, אמזון תצטרך להוכיח ש-Comet נכנס לשטחים סגורים או עקף מנגנוני אבטחה, ולא רק שהשתמש באתר בדרכים שלא מצאו חן בעיניה.

כסף, פרסום ושליטה

אמזון כבר מזמן אינה רק חנות. היא אחת מחברות הפרסום הגדולות בעולם. בשנת 2024 הרוויחה יותר מ-56 מיליארד דולר מפרסום ומיקומים ממומנים בתוצאות החיפוש שלה, ותחזיות 2025 מדברות על קצב שנתי של 60 עד 69 מיליארד.

אבל סוכן AI כמו Comet פועל אחרת. הוא לא רואה מודעות, לא מושפע ממיתוג, ולא מתפתה להמלצות בתשלום. הוא בוחן נתונים קרים כמו מחיר, איכות וביקורות, ומחליט מה לקנות.

אם סוכנים כאלה יחליפו את הגולשים האנושיים, הערך של מיקומים ממומנים ושל מנוע הפרסום כולו עלול להיפגע דרמטית. מכאן גם הליבה של הסכסוך – מי ישלוט בהחלטה הצרכנית בעידן שבו מי שמבצע אותה הוא אלגוריתם?

הקרב על עולם ה-Agentic Commerce

המהלך של Perplexity מגיע בזמן שבו כל ענקיות הטכנולוגיה מנסות לתפוס מקום בזירה החדשה של “Agentic Commerce” – מסחר שבו סוכני AI פועלים עצמאית עבור המשתמשים.

OpenAI כבר מאפשרת רכישות ישירות ב-ChatGPT דרך Etsy ובקרוב גם Walmart ו-PayPal. 

גוגל הציגה באירוע I/O 2025 דמואים של “Buy for Me”, סוכן שמבצע רכישות לפי העדפות המשתמש.

Microsoft משלבת יכולות דומות ב-Copilot Studio בעולם העסקי, ואמזון עצמה השיקה את Rufus – סייען AI שמסייע בקנייה אך שומר את כל הפעולות בתוך הפלטפורמה.

המכנה המשותף ברור: כולם מבינים שהשלב הבא באינטרנט הוא לא חיפוש, אלא פעולה.

למה זה משנה לכולנו

הדיון בין אמזון לפרפלקסיטי הוא לא רק מאבק על פרשנות משפטית, אלא על תפיסת הצרכן בעידן החדש. אם אמזון תנצח, היא תשמור על שליטתה בפלטפורמה ובמודל הפרסום המבוסס על עיניים אנושיות.

אם Perplexity תזכה, היא תפתח תקדים שבו סוכן AI פועל כחלק טבעי מהמשתמש, לא כפולש. זה יכריח את הפלטפורמות להגדיר מחדש איך הן מזהות “משתמש”, איך הן מגנות על נתונים, ואיך נראית חוויית קנייה בעולם שבו רוב ההחלטות מתקבלות אוטומטית.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

מומחי טכנולוגיה ומשפט מעריכים שהתיק יהפוך לתקדים עולמי בתחום Agentic Commerce. ייתכן שבתי המשפט יכריעו שהגישה של Comet חוקית, וייתכן שיופעל לחץ רגולטורי להקים ממשקים מוסדרים לסוכני AI, בדומה ל-API לשותפים.

בינתיים, התעשייה כולה עוצרת נשימה. מה שיוכרע כאן לא יישאר בין אמזון ל-Perplexity בלבד, אלא יקבע איך ייראה המסחר המקוון בעשור הקרוב, כשלא בני אדם ילחצו על כפתור “קנה עכשיו”, אלא המוח המלאכותי שנמצא לצדם.

הפוסט אמזון נגד Perplexity בתביעה שתקבע מי ישלוט בעידן הסוכנים החכמים הופיע ראשון בLet's AI בינה מלאכותית

איך זה עובד בפועל

AlphaEarth Foundations הוא למעשה לוויין וירטואלי. הוא מקבל מדי יום כמויות עצומות של מידע מלוויינים, מצלמות אוויר, מכ”ם ומודלים אקלימיים, ומחבר את הכול לתמונה עדכנית אחת של פני כדור הארץ.

בבסיס המערכת נמצאת טכנולוגיית geospatial embeddings שמתרגמת כל ריבוע בגודל 10×10 מטר לייצוג מתמטי עשיר בן 64 ערכים. זה מאפשר לה להבין הבדלים עדינים בין אזורים שנראים דומים, למשל להבחין בין חניון לכביש מהיר, על פי ההקשר הסביבתי שלהם.

Geospatial Reasoning: המוח שמחבר הכול

היכולת החדשה (Geospatial Reasoning) מחברת בין כל המודלים של Earth AI ונותנת תמונה אחת כוללת. במקום להציג רק מפה של אזור פגיע, היא מפרקת שאלה מורכבת לשלבים, מפעילה את המודלים הרלוונטיים, ומחברת את התוצאות למסקנה אחת.

למשל, אם רוצים לדעת מי עלול להיפגע מסופה מתקרבת, המערכת ממפה את אזורי הסיכון, מוסיפה מידע על צפיפות אוכלוסייה ממקורות כמו BigQuery ו-Data Commons, ומשווה עם תשתיות שמזוהות בתמונות לוויין. כך היא יוצרת תמונת מצב מדויקת בזמן אמת. בשונה ממערכות GIS (Geographic Information System) רגילות, Geospatial Reasoning לא רק מציגה נתונים אלא גם מבינה את ההקשרים שביניהם.

שימושים מעשיים בשטח

היכולות של Earth AI באות לידי ביטוי במצבים אמיתיים על פני השטח. חברות מים משתמשות בה כדי לזהות קטעי נהר שמתייבשים בזמן בצורת ולחזות סערות אבק לפני שהן מתרחשות. רשויות סביבתיות עוקבות אחר פריחות אצות מזיקות במקורות מים, ומסוגלות להתריע מראש או לסגור מערכות מים לפני שהן מסכנות את הציבור.

במהלך שריפות היער בקליפורניה בשנת 2025, גוגל שלחה התראות חירום ליותר מ-15 מיליון תושבים באזור לוס אנג’לס והציגה להם מקלטים קרובים דרך Google Maps. מערכת חיזוי ההצפות שלה מכסה כיום מעל שני מיליארד איש, ו-Flood Hub מספקת תחזיות בלמעלה ממאה מדינות עבור יותר מ-700 מיליון בני אדם.

גם גופים בינלאומיים ותעשיות משתמשים ב-Earth AI. ארגון הבריאות העולמי באפריקה (WHO AFRO) משלב את מודלי Population ו-Environment כדי לחזות התפרצויות כולרה בקונגו, בעוד חברות כמו Planet ו-Airbus מנתחות באמצעותה תמונות לוויין יומיות כדי לעקוב אחר כריתת יערות או לזהות צמחייה הפולשת לקווי חשמל.

למי זה מיועד וכמה זה עולה

גוגל מציעה את Earth AI בכמה רמות גישה, בהתאם לסוג המשתמש.

למשתמשים פרטיים ומקצועיים

גרסת Google Earth Pro זמינה כיום בחינם, לאחר שבעבר עלתה 400 דולר לשנה. בארצות הברית, משתמשי Google Earth Professional יקבלו בתקופה הקרובה גישה ניסיונית ליכולות של Gemini בתוך Earth AI.

למנויי השירותים של Gemini

לקוחות AI Pro (כ-20 דולר לחודש) ו-AI Ultra (כ-250 דולר לחודש) יכולים להשתמש כבר כעת במודלים המתקדמים של Gemini ישירות בתוך Google Earth. חבילת Ultra כוללת גם אחסון בענן בנפח 30 טרה-בייט, מנוי YouTube Premium, וגישה למודלים החדשים ביותר של גוגל כמו Veo 3 ו- Deep Think.

לארגונים ומפתחים

גוגל מציעה את Google Earth Engine, גרסה ארגונית שמאפשרת לשלב את מודלי Earth AI במוצרים ובאפליקציות. החבילה הבסיסית עולה 500 דולר לחודש, והחבילה המקצועית – 2,000 דולר. בשלב זה, מודלי Imagery, Population ו- Environment זמינים למספר מצומצם של Trusted Testers ב-Google Cloud.

המגבלות והבעיות

נכון לעכשיו, Earth AI זמינה רק בארצות הברית, וגוגל טרם פרסמה מועד להשקת השירות במדינות נוספות. המערכת עדיין מוגדרת נסיונית (Experimental), מה שמעיד שהיא נמצאת בשלבי פיתוח ועשויה להשתנות בהמשך.

לצד ההתקדמות המרשימה, גוגל מתמודדת גם עם ביקורת על מערכות ההתראה שלה. אחרי רעידות האדמה הקשות בטורקיה בשנת 2023, מערכת Android Earthquake Alerts System של החברה זיהתה את עוצמת הרעידה הראשונה באופן חלקי בלבד ושלחה מספר מוגבל של התראות חירום – הרבה פחות מהנדרש באירוע כזה. בנוסף, המערכת מתבססת על נתוני לוויין שיכולים להיות ישנים באזורים מסוימים, והיא עדיין לא מאפשרת ניתוח היסטורי ארוך טווח, מאחר שמדובר בשירות חדש יחסית.

האם זה שווה?

גוגל מציגה את Earth AI ככלי בשלבי השקה מוקדמים, המיועד לשילוב בין מודלים סביבתיים, דמוגרפיים ותצפיות לוויין כדי לספק ניתוחים מבוססי נתונים בזמן אמת.

עבור ממשלות, גופי סביבה וחברות העוסקות בניהול משאבים או תכנון אסונות, Earth AI יכולה להחליף מערכות יקרות ולייעל קבלת החלטות. לעסקים קטנים או משתמשים פרטיים, חבילת AI Pro רלוונטית רק כאשר יש צורך קבוע בניתוחים גיאוגרפיים, בעוד AI Ultra יקרה יחסית אלא אם מנצלים גם את אחסון הענן והמודלים המתקדמים הכלולים בה. הגרסה החינמית, Google Earth Pro, נשארת כלי שימושי לתצוגת מפות, מדידות וחקירה בסיסית של פני כדור הארץ.

בשורה התחתונה, Earth AI היא כלי מקצועי לארגונים הזקוקים לניתוח מרחבי מתקדם. הזמינות רק בארצות הברית והמחיר הגבוה של החבילות המתקדמות מגבילים כרגע את השימוש הרחב, אך לארגונים המתאימים זהו פתרון שמאפשר עיבוד גיאוגרפי בקנה מידה חדש ומשפר משמעותית את תהליכי הניתוח והחלטות השטח.

הפוסט גוגל משלבת בינה מלאכותית בגוגל Earth עם מערכת חדשה לניטור כדור הארץ הופיע ראשון בLet's AI בינה מלאכותית

למה להשתמש ב-Gemini Canvas

Gemini Canvas מבית גוגל נועד לפשט את תהליך יצירת המצגות ולהפוך אותו לאוטומטי כמעט לחלוטין. הכלי מנתח את המסמך שהמשתמש מעלה, בין אם מדובר בדוח, במאמר או במסמך אסטרטגי, ומייצר בדרך כלל תוך פחות מדקה מצגת מאורגנת ומעוצבת. התוצאה היא תוצר מקצועי הכולל כותרות, חלוקה לקטעים, גרפים ותמונות שנבחרות באופן אוטומטי בהתאם לנושא. הממשק של Canvas פשוט ואינטואיטיבי לכל משתמש, כך שגם מי שאינו בקיא בעיצוב יכול להפיק מצגות ברמה גבוהה.

היתרון המרכזי נמצא בשילוב ההדוק עם מוצרי Google Workspace: ניתן לייצא את המצגת ישירות ל-“Google Slides” להמשך עריכה, או להעביר טבלאות נתונים ל-“Google Sheets” לעיבוד נוסף. מעבר לכך, Gemini תומך בעברית באופן מלא, כולל בממשק, בעיבוד טקסט ובתוכן הויזואלי.

איך זה עובד בפועל

שלב 1: הכנת המסמך

התהליך מתחיל במסמך קיים – דוח מחקר, מאמר אסטרטגי או מסמך עבודה המכיל תובנות מרכזיות. זהו הבסיס שעליו Gemini Canvas בונה את המצגת. ככל שהטקסט ברור ומובנה יותר, כך גם המצגת שתיווצר תהיה מדויקת ומאורגנת.

שלב 2: העלאת הקובץ ל-Gemini Canvas

בשלב הבא נכנסים לפלטפורמת Gemini ובוחרים בממשק Canvas – סביבת העבודה האינטראקטיבית של גוגל. שם ניתן להעלות את הקובץ הרצוי ישירות לחלון הייעודי. מרגע שהקובץ נטען, Canvas מזהה את מבנה הטקסט ומכין אותו לעיבוד אוטומטי.

איך מעלים מסמך ומפעילים את ה-Canvas

שלב 3: יצירת המצגת

לאחר שהקובץ נטען, וכפתור ה-Canvas פעיל, אפשר לבקש את יצירת המצגת (‘Create presentation’). בשלב זה, Gemini Canvas מנתח את התוכן שבמסמך ומתרגם אותו למבנה מצגת מלא. המערכת מזהה את הכותרות והנושאים המרכזיים, מחלקת את המידע לשקפים ומעצבת כל אחד מהם בהתאם לקונטקסט של הטקסט.

התוצאה כוללת שקפים עם כותרות מסודרות, נקודות עיקריות בתצורת Bullet Points, גרפים המבוססים על הנתונים שבמסמך ותמונות תואמות לנושא. כל אלה נוצרים באופן אוטומטי, תוך שמירה על ערכת עיצוב אחידה (Theme) שמעניקה למצגת מראה מקצועי.

תהליך יצירת מצגת ב-Gemini Canvas

שלב 4: התאמה וייצוא

לאחר ש-Gemini Canvas יוצר את המצגת הראשונית, ניתן לבדוק אותה ולעשות עריכות בתוכן ובעיצוב. קיימת אפשרות יצוא ל-Google Slides לעריכה חופשית, הוספת אלמנטים עיצוביים או התאמה למיתוג הארגוני. 

היתרונות במעבר מתהליך ידני וממושך של יצירת מצגות, לתהליך אוטומטי ומהיר ב-Gemini Canvas

זרימת עבודה חכמה: מחקר, ניתוח והצגה במקום אחד

אחת היכולות המרשימות של מערכת Gemini היא השילוב ההדוק בין Deep Research ל-Canvas. במקום לעבוד עם כלים נפרדים, ניתן לבצע את כל התהליך, מהמחקר ועד למצגת, באותה סביבת עבודה.

התהליך מתחיל בשלב המחקר. באמצעות הפיצ׳רDeep Research, המשתמש מנסח שאלת מחקר, ו-Gemini מבצע חיפוש עצמאי ברשת. המערכת סורקת מאות מקורות, מסכמת את הממצאים ומפיקה דוח מחקר מפורט הכולל קישורים, נתונים ותובנות. המשתמש יכול לעיין גם בשלבי החשיבה והמקורות עצמם – תוספת חשובה לבדיקת אמינות.

הפעלת פיצ׳ר המחקר המעמיק דרך כלים (Tools)

מכאן, בלחיצה אחת ניתן להעביר את הדוח ישירות ל-Canvas. השילוב הזה יוצר זרימת עבודה רציפה וממקם את Gemini כפלטפורמה אחודה ליצירת תוכן מבוסס מחקר. 

זמינות ומגבלות שימוש

Gemini Canvas פתוח גם למשתמשים בחשבון החינמי של Gemini, אך הגרסה החינמית כוללת מגבלות ברורות. משתמשים ללא מנוי Google AI Pro או Ultra מקבלים גישה למודל ‎Gemini 2.5 Flash, בעוד המודל ‎Gemini 2.5 Pro זמין בעיקר למנויים בתשלום. לדוגמה, בחשבון חינם חלון ההקשר עומד על כ-32 אלף טוקנים (≈ 50 עמודי טקסט) לעומת מיליון טוקנים בחבילה בתשלום.

בנוסף, בחשבון חינמי ניתן להעלות מסמכים, מצגות ותמונות. עם זאת, העלאת גיליונות נתונים (כגון XLS/XLSX/CSV) או שימוש במחקר מתקדם במסגרת Deep Research דורשים מנוי בתשלום. בחינם, Deep Research מוגבל עד 5 דוחות מחקר לחודש.

למרות המגבלות, משתמשים רבים יכולים כבר בגרסה החינמית להפיק את התועלת המרכזית של Canvas, במיוחד להמרת דוחות והצגות תוכן חזותי. לעסקים או צוותים שמעוניינים בעיבודים גדולים וייצוא מקיף או עבודה משולבת נתונים, מנוי בתשלום מציע חוויית שימוש רחבה יותר.

טיפים לשימוש יעיל

כמו כל פלט של בינה מלאכותית, ולמרות שהמצגת נוצרת אוטומטית, מומלץ לעבור עליה לפני ההצגה ולהוסיף התאמות אישיות כמו ניסוחים מדויקים, מיתוג צבעוני או הדגשה של נקודות מפתח. כך התוצר שומר על איזון בין יעילות אוטומטית לבין אמירה מקצועית אישית.

Gemini Canvas מתאים במיוחד לעיבוד דוחות ומסמכים מורכבים, ומאפשר להפוך אותם למצגות מפורטות תוך זמן קצר. שילובו עם כלי Google Workspace כמו “Slides”, “Docs” ו-“Sheets” יוצר סביבת עבודה שלמה שבה ניתן לעבור בקלות בין תוכן טקסטואלי, חזותי ומספרי.

כדאי לדעת:

• פרטיות: מסמכים מעובדים בענן. ודאו התאמה למדיניות המידע הארגונית לפני העלאה.

• תמונות: התמונות האוטומטיות נוחות, אך אם קיימת זהות מותגית קפדנית – החליפו לנכסים מאושרים.

• מקורות מחקר: אם המצגת נשענת על Deep Research, מומלץ לשמור את הקישורים לבדיקה פנימית.

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

לפרטים נוספים לחצו כאן >>

איך זה יכול לעזור למנהלים ועסקים

Gemini Canvas משנה את הדרך שבה עסקים מציגים מידע ומעבדים תוכן פנימי. הכלי מאפשר ליצור מצגות שיווקיות, דוחות ויזואליים או חומרי הדרכה באיכות גבוהה, גם ללא צוות עיצוב או ידע טכני. התהליך הפשוט והמהיר מקצר משמעותית את שלב ההפקה ומאפשר למנהלים להתמקד בעיקר: המסר והנתונים.

מעבר ליעילות, היתרון המרכזי הוא בתקשורת. מצגות שנוצרו ב-Canvas מסייעות להעביר רעיונות בצורה בהירה ומשכנעת, ומאפשרות שימוש חוזר בתוכן קיים בפורמטים שונים – משיווק והדרכה ועד ניתוחי ביצועים.

במובן הרחב יותר, Canvas הוא דוגמה לכלי AI פרקטי שמתרגם יכולת טכנולוגית לתועלת עסקית מיידית. הוא לא מחליף חשיבה יצירתית, אלא מייעל אותה, ומאפשר לכל מנהל או יוצר תוכן לעבוד ברמה מקצועית יותר, בזמן קצר בהרבה.

הפוסט מדריך לשימוש ב-Gemini Canvas: איך להפוך דוח למצגת מקצועית תוך דקות הופיע ראשון בLet's AI בינה מלאכותית

מה בעצם גוגל הצליחה לעשות

ההישג מתרכז באלגוריתם חדש בשם Quantum Echoes, שמודד תופעה פיזיקלית עדינה במיוחד הנקראת Out-of-Time-Order Correlator (OTOC), מדד שמאפשר לחשוף כיצד מידע “מתפזר” בתוך מערכת קוונטית מורכבת. בעזרת האלגוריתם הזה, המעבד Willow הצליח לחשב את המבנה של מולקולה אמיתית, משימה שמחשבים קלאסיים מתקשים בה, כי מספר המצבים הקוונטיים האפשריים גדל באופן אקספוננציאלי עם גודל המולקולה.

“Willow השלים את החישוב תוך שעתיים בלבד, בעוד שמחשב-על נדרש ליותר מ-3 שנים – יתרון של פי 13,000.”

זהו הישג משמעותי בקנה מידה מעשי – הדגמה של מחשוב קוונטי המסוגל להתמודד עם תופעות טבע מורכבות בזמן ריאלי – חישוב שאיש לא הצליח לבצע קודם.

המעבד Willow, המבוסס על 105 קיוביטים מדויקים במיוחד | google

איך זה עובד, ומה מיוחד באלגוריתם Quantum Echoes

ההישג של גוגל מגיע כחלק ממאמץ עולמי לפיתוח מחשוב קוונטי. בתחילת 2025, לדוגמה, הציגה גם מיקרוסופט את המעבד Majorana 1, שהתבסס על חלקיקי Majorana והציע גישה אחרת לבעיית היציבות הקוונטית.  גוגל מתארת את האלגוריתם שלה כמו “הד קוונטי”: שולחים אות מדוד למערכת הקיוביטים, משבשים בכוונה קיוביט אחד, ואז מריצים את התהליך אחורה כדי לבדוק מה חוזר. אם נוצר “הד” ברור, ניתן למדוד במדויק את הדינמיקה שהתפתחה בתוך המערכת.

ייחודו של האלגוריתם בכך שה”הד” מתעצם בזכות Constructive Interference, מצב שבו גלים קוונטיים מתווספים זה לזה ומחזקים את האות. כך מתקבלת מדידה רגישה במיוחד, החושפת פרטים זעירים על מבנים פיזיקליים, למשל, איך בדיוק מסודרים האטומים בתוך מולקולה.

התרשים המצורף מציג את תהליך ארבעת השלבים ליצירת הד קוונטי על מערך 105 קיוביט: הרצת פעולות קדימה, הפרעה של קיוביט אחד, הרצת פעולות אחורה ומדידת התוצאה. החפיפה של האות מגלה כיצד הפרעה מתפשטת על פני שבב Willow:

החומרה שמאפשרת את זה

מאחורי ההישג עומד המעבד Willow, המבוסס על 105 קיוביטים מדויקים במיוחד. זה לא המעבד הקוונטי הראשון של גוגל, אבל הוא מציב רף חדש בדיוק, ביציבות ובשליטה על שגיאות – תנאי בסיס לכל ניסוי קוונטי מאומת.

בשנה שעברה Willow הדגים את כוחו כשפתר את בעיית Random Circuit Sampling, מבחן שבודק התמודדות עם מורכבות מצבי-על קוונטיים. אולם ההישג הנוכחי שונה מהותית: הפעם מדובר באלגוריתם שמדמה ניסוי פיזיקלי אמיתי, כזה שניתן לשחזר ולאמת גם על ידי מחשבים קוונטיים אחרים.

רמות הדיוק שהושגו – כמעט 99.97% בשערים חד-קיוביטיים ו-99.88% בשערים זוגיים – מאפשרות לבצע מדידות חוזרות ללא סטייה מהותית, ולהבטיח שהתוצאה נובעת מהמחשב הקוונטי עצמו ולא מרעש ניסיוני.

למה זה חשוב כל כך

בפעם הראשונה, מחשב קוונטי לא רק מציג “עליונות” תאורטית, אלא מבצע חישוב מדעי ממשי שניתן לבדוק אמפירית ולשחזר במעבדות אחרות. זהו מעבר משלב ההדגמות לשלב שבו מחשוב קוונטי הופך לכלי מחקר פעיל. התוצאות פורסמו בכתב העת Nature ב-22 באוקטובר 2025, ופתוחות כעת לבדיקה חוזרת על ידי חוקרים ברחבי העולם – סימן לכך שמדובר בבסיס מדעי מאומת ולא בניסוי חד-פעמי.

אחד היישומים שכבר הודגם הוא שימוש ב-Quantum Echoes כמעין “סרגל מולקולרי”. בניסוי בשיתוף אוניברסיטת קליפורניה בברקלי, החוקרים מדדו מרחקים בין אטומים במולקולות ארוכות יותר ממה שניתן כיום בשיטות NMR (Nuclear Magnetic Resonance) – אותה טכנולוגיה המשמשת גם ב-MRI רפואי.

מה המשמעויות?

המשמעויות רחבות ומשפיעות על תחומים רבים.

ברפואה, היכולת למדוד בדיוק את מבנה המולקולות עשויה לשפר את ההבנה כיצד תרופות נקשרות לחלבונים ולזרז גילוי תרופות חדשות. במדעי החומרים, אותה יכולת יכולה לחשוף מבנים מולקולריים מורכבים, לאפשר פיתוח חומרים חדשים, לשפר סוללות ולחקור מקורות אנרגיה מתחדשת.

כפי שנכתב בבלוג של גוגל:

“כשם שהטלסקופ והמיקרוסקופ פתחו עולמות חדשים, הניסוי הזה מקרב אותנו ל’קוונטוסקופ’ – כלי מדעי חדש שיאפשר למדוד תופעות טבע שלא ניתן היה לראות קודם.”

לא, זה לא מאיים על ביטקוין

כמעט כל התקדמות בקוונטום מעלה את השאלה האם ביטקוין וההצפנה הדיגיטלית בסכנה? גם הפעם הופיעו ספקולציות על “מחשב קוונטי שישבור את הצפנת הביטקוין”, אך המומחים, וגם גוגל, מבהירים שזה רחוק מהמציאות. כדי לפרוץ הצפנה מודרנית מסוג ECDSA (Elliptic Curve Digital Signature Algorithm), המשמשת את ביטקוין, יידרשו מיליוני קיוביטים פיזיקליים – בעוד מעבד Willow מפעיל 105 קיוביטים בלבד.

לשם השוואה, הצפנת RSA-2048 הוותיקה יותר עלולה להיפרץ עם פחות ממיליון קיוביטים, אך ביטקוין מבוסס על תקן מתמטי שונה ועמיד יותר להתקפות קוונטיות. לפי ההערכות השמרניות, מחשב קוונטי שמסוגל לפרוץ הצפנה מודרנית עשוי להופיע רק בין השנים 2030 עד 2035, אם בכלל.

מה השלב הבא

גוגל ממשיכה לפעול לפי מפת הדרכים שלה. היעד הבא הוא Milestone 3 – יצירת קיוביט לוגי עמיד לאורך זמן. קיוביט כזה משלב כמה קיוביטים פיזיקליים כדי לתקן שגיאות בזמן אמת – צעד הכרחי בדרך למחשב קוונטי אמין בקנה מידה גדול. במקביל, צוות Google Quantum AI מעריך שבתוך חמש שנים יופיעו יישומים מסחריים ראשונים בתחומי הרפואה, האנרגיה והבינה המלאכותית – תחומים שבהם כוח החישוב הקוונטי עשוי לספק יתרון אמיתי על פני שיטות קלאסיות.

אם Willow סימן את הרגע שבו המחשב הקוונטי הפסיק להיות ניסוי בלבד, השלב הבא הוא להפוך אותו לכלי יציב, נגיש ומשולב בעולם המדע והטכנולוגיה.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

לסיכום, הניסוי של גוגל עם Willow ו-Quantum Echoes אינו רק הישג טכני, אלא שינוי באופן שבו אנחנו מבינים מחשוב קוונטי. בפעם הראשונה, מחשב קוונטי לא רק מחשב מהר יותר – הוא מחשב באופן שניתן לבדוק, לשחזר ולאמת. מה שהיה עד לא מזמן הבטחה מרוחקת הופך כעת לתחום שניתן למדוד, לבחון ולבסס עליו מדע אמיתי.

הפוסט Willow של גוגל הוא קפיצה משמעותית בתחום המיחשוב הקוונטי הופיע ראשון בLet's AI בינה מלאכותית

מהפכה עם תג מחיר

החזון של 1X פשוט: להביא רובוט בגודל אדם אל כל בית. המחיר – קצת פחות פשוט. 20 אלף דולר לרכישה חד-פעמית, או 499 דולר בחודש במסלול מנוי. לפי אתר החברה, המשלוחים הראשונים צפויים להתחיל בארצות הברית במהלך 2026, עם תוכניות התרחבות בינלאומית לשנת 2027. 

NEO שוקל כ-30 ק”ג, מסוגל להרים עד 70 ק”ג ולשאת כ-25 ק”ג באופן רציף, ומבוסס על מודול 1X NEO Cortex שמופעל באמצעות Nvidia Jetson Thor – מודול מחשוב בינה מלאכותית חדש ועוצמתי המשמש כ”מוח” של רובוטים כמו NEO – לעיבוד ראייה, תנועה ופקודות בזמן אמת. הוא מחופה בבד רחיץ, פועל בשקט יחסי (כ-22 דציבל), ומגיע בשלושה צבעים רגועים – בז’, אפור וחום כהה. הוא מתחבר לאפליקציה ייעודית, מגיב לפקודות קוליות ומסוגל לשדר וידאו היישר מה“עיניים” שלו.

NEO ״על מלא״ | 1x.tech

המציאות (עדיין) לא סרט מדע בדיוני

אם אתם מדמיינים את NEO שוטף את הרצפה בזמן שאתם נחים על הספה – תעצרו רגע. נכון לסוף 2025, הרובוט עדיין רחוק מאוטונומיה מלאה. לפי מנכ”ל החברה ובדיקות שנערכו ב-Engadget וב-Wall Street Journal, חברנו NEO מסוגל לבצע בעצמו רק פעולות בסיסיות יחסית כמו פתיחת דלתות, הנחת צלחות במדיח או סידור חפצים קלים.

במשימות מורכבות יותר, כמו קיפול כביסה או ניקוי חדרים, הוא עובר למצב הנקרא Expert Mode, שבו מפעיל אנושי מקצועי של 1X שולט ברובוט מרחוק באמצעות קסדת VR ומדגים לו כיצד לבצע את הפעולה. בפועל, מאחורי הקסם של הבינה המלאכותית מסתתרת עדיין מערכת שמבוססת בחלקה על טלאופרציה אנושית – תהליך שבו “מורים אנושיים” מפעילים ומאמנים את הרובוטים מרחוק, יום אחרי יום, בזמן שהם פועלים בבתיהם של המשתמשים.

הקו הדק בין עזרה לפיקוח

אז אם בזמן שהרובוט שלכם מנקה את המטבח הוא גם רואה את המטבח, ומי שמפעיל אותו מרחוק רואה בדיוק את מה שהוא רואה – זה כבר מעלה שאלה עמוקה סביב NEO: איפה עובר הגבול בין עוזר אישי למערכת פיקוח?

החברה מדגישה כי היא מטמיעה מנגנוני פרטיות כמו טשטוש פנים בשידורי הווידאו, אזורים שאסור לרובוט להיכנס אליהם (No-Go Zones), ואישור מפורש לפני כל חיבור חיצוני למפעיל אנושי. יחד עם זאת, השידור עובר דרך שרתי החברה, והמדיניות הציבורית הקיימת אינה מפרטת באופן מלא כיצד הנתונים נשמרים, כמה זמן הם מאוחסנים ומי מורשה לגשת אליהם.

בסופו של דבר, לא מדובר רק בשאלה של נוחות או טכנולוגיה, אלא בשאלה של אמון בין המשתמש לחברה, ובין החברה לאנשים שבקצה השני של המערכת – אלה שהופכים, לעיתים מבלי שנשים לב, לחלק מהמכונה עצמה.

ומה עם המתחרים?

NEO לא לבד. במרוץ אל הרובוט ההומנואידי הראשון לשוק הביתי משתתפות כמה מהשחקניות הגדולות בעולם. Tesla ממשיכה לפתח את הרובוט Optimus, שנמצא כבר בשימוש פנימי במפעליה וצפוי לעבור לגרסת V3 במהלך 2026. עם זאת, אין תאריך רשמי למסירה לצרכנים פרטיים, והדגש הנוכחי הוא בעיקר על יישומים תעשייתיים.

Figure AI, שפועלת מעמק הסיליקון, הציגה באוקטובר 2025 את דגם Figure 03, המכונה Helix – גרסה צרכנית ראשונית שמיועדת בעתיד גם היא לשימוש ביתי. למרות הפוטנציאל העצום, החברה עדיין מתמקדת בעיקר בשיתופי פעולה תעשייתיים ובפיילוטים במפעלים, כך שזמינות רחבה לציבור צפויה רק בהמשך.

לצדן פועלות גם Apptronik, עם דגם Apollo המעודכן ל-2025, ו-XPENG Robotics, שמפתחת את הרובוט IRON ומבצעת אימונים מעשיים במפעלי הרכב שלה. אליהן מצטרפות חברות נוספות כמו Unitree ו-EngineAI, שהציגו בתערוכת CES 2025 בלאס וגאס רובוטים הומנואידיים עם תג מחיר שמתחיל בכ-13,700 דולר.

לפי תחזיות מחקר שונות, שוק הרובוטים ההומנואידיים צפוי לצמוח מהיקף של כ-2 מיליארד דולר ב-2025 ל-100-200 מיליארד דולר עד 2035, אך חשוב לזכור שרוב ההכנסות הצפויות יגיעו מיישומים תעשייתיים, בעוד שהשוק הביתי עדיין נמצא בשלב ניסוי.

בפועל, הבית שלכם עשוי להיות השדה האחרון שבו המהפכה הזו תתבסס באמת.

אז האם לקנות אחד?

אם אתם חובבי טכנולוגיה שמחפשים להיות בחזית, NEO הוא צעצוע מרהיב ופריט היסטורי אמיתי. אבל אם אתם מחפשים פתרון יומיומי יציב ואמין, אולי עדיף להמתין לדור הבא. נכון להיום, NEO הוא לא “המנקה המושלם”, אלא יותר “תלמיד חכם”, כזה שלומד מהר, אבל עדיין זקוק לליווי אנושי, לפיקוח ולמאגר נתונים שילמד ממנו איך להתבגר.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

בין חלום למציאות

ההשקה של NEO מסמנת רגע מכונן בעולם הרובוטיקה – נקודת מעבר מהדמיון הקולנועי אל המציאות הביתית. זו אחת ההשקות הראשונות שמכוונות ישירות לצרכן הביתי עם הזמנה באתר ומשלוח מתוכנן לבית. לא רק כחזון אלא כמוצר שניתן להזמין באמת. אבל זו גם תזכורת ברורה לכך שהדרך בין חלום לאוטונומיה מלאה עוד ארוכה.

במובן הזה, NEO הוא לא רק מוצר חדש, הוא ניסוי חברתי וטכנולוגי שמאתגר את הגבולות שבין אדם למכונה, בין נוחות לבקרה, ובין עוזר למשקיף. הוא מזמין אותנו לשאול לא רק מה הוא יכול לעשות, אלא מה אנחנו רוצים שהוא יעשה – ועל כמה שליטה ופרטיות אנחנו מוכנים לוותר כדי לזכות בנוחות.

הפוסט האם NEO הוא הרובוט ההומנואידי הראשון שיגיע לבית שלנו הופיע ראשון בLet's AI בינה מלאכותית

Visual Suite מחודש: חוויית יצירה מתקדמת וזורמת

בלב מערכת ההפעלה החדשה נמצא ה-Visual Suite – סביבת עיצוב מחודשת הכוללת יכולות עריכה מתקדמות, כלים אינטואיטיביים, וממשק שמשאיר אתכם בתוך הזרימה היצירתית.

canva.com

Video 2.0 – יצירת וידאו מקצועית בפשטות של Canva

לא עוד קפיצה בין לשוניות ותוכנות עריכה שונות. Canva מציגה את Video 2.0, עורך וידאו חדש ומהיר שמאפשר ליצור סרטונים מקצועיים – בקלות. ניתן להעלות קליפים, לתאר את החזון שלכם, ו-Magic Video תיצור באופן אוטומטי סרטון מלוטש ומוכן לפרסום במדיה החברתית. תוכלו לבחור מתוך מאות תבניות עדכניות בהשראת TikTok, Reels ו-Shorts, ולהשתמש בכלי הבינה המלאכותית כדי לערוך, לשלב שכבות ולשפר את הסרטון בלחיצה אחת.

canva.com

תראו כמה קל ליצור סרטונים עם AI בתוך קאנבה:

Canva Forms טפסים חכמים ואינטראקטיביים

הכירו דרך חדשה לאסוף נתונים ישירות מתוך העיצובים שלכם. עם Canva Forms, תוכלו לגרור טופס לכל עיצוב, להתאים את העיצוב למותג, ולהתחיל לאסוף תשובות – ללא צורך באינטגרציות נוספות. כל הנתונים נרשמים אוטומטית ב-Canva Sheets, שם ניתן לנתח, להציג גרפים ולתרגם תובנות לפעולות – הכול בתוך Canva.

canva.com

צפו בסרטון השקת הפיצ’ר:

Canva Code + Sheets  אינטראקטיביות אמיתית

כעת ניתן לשלב בין Canva Code ו-Canva Sheets ליצירת חוויות אינטראקטיביות מבוססות נתונים. כך כל תשובה בטופס או הזמנה נרשמת ישירות בגיליון ומתחברת לעיצוב דינמי. בנוסף, ניתן לעצב כל רכיב בקוד ישירות מתוך העורך של Canva, לפרסם בלחיצה אחת כאתר עצמאי – עם כתובת ייחודית.

canva.com

ככה כותבים קוד ב-Canva ללא שום ניסיון בתכנות!

Canva Email Design  עיצוב מיילים ממותגים בקלות

אחת ההשקות המבוקשות ביותר! עכשיו ניתן לעצב קמפיינים שיווקיים ישירות בתוך Canva: להתחיל מתבנית יפיפייה או לבקש מה־AI ליצור עיצוב ייחודי, לגרור כפתורים ובאנרים, ולהתאים כל פרט למותג שלכם. אפשר להפיק קובץ HTML נקי ומוכן לשליחה בכל מערכת דיוור – ולעשות הכול ממקום אחד.

canva.com

צפו בסרטון השקת פיצ’ר הדוא”ל החדש של Canva:

Canva AI  בינה מלאכותית שמבינה עיצוב באמת

לאורך השנים האחרונות עבדה Canva על פיתוח דור חדש של בינה מלאכותית – כזו שלא רק “מציירת תמונות”, אלא מבינה עיצוב לעומק. החזון הזה מתגשם עם השקת ה-Canva Design Model – המודל הראשון בעולם שאומן להבין את כל המורכבות של עיצוב: קומפוזיציה, שכבות, היררכיה, צבעוניות, מיתוג והיגיון ויזואלי.

בעזרת המודל החדש ניתן לייצר תוכן שלם וערוך במלואו תוך שניות – לא רק תמונה, אלא עיצוב חי, ניתן לעריכה, שמתאים בדיוק למותג שלכם. המודל משולב גם בפלטפורמות אחרות כמו ChatGPT, Claude ו-Gemini, ומציב רף חדש של אינטגרציה בין עולמות הבינה המלאכותית והעיצוב.

canva.com

תנו ל-AI של Canva לעבוד בשבילכם – רוצים רעיונות? צפו בסרטון הבא:

יצירה חכמה בלחיצה אחת: AI-Powered Designs & Elements

עם AI-Powered Designs, אפשר ליצור עיצוב שלם תוך שניות – בין אם זו מצגת, אתר, סרטון או פוסט ברשתות החברתיות. Canva AI תבנה עיצוב שלם, מוכן לעריכה, לפי מטרה וסגנון שתגדירו. ואם אתם רוצים להוסיף פריטים בודדים לעיצוב שלכם – כאן נכנסים לפעולה AI-Powered Elements.

דרך לשונית ה-Elements תוכלו ליצור תמונות, אייקונים, קטעי וידאו, קוד מותאם, צורות ואפילו אלמנטים בתלת-ממד בלחיצה אחת. ה-3D Content Generator מוסיף עומק וחיים לעיצובים, בעוד ה-Shape Generator מייצר צורות ייחודיות בהתאמה אישית.

כדי לקשור הכול יחד, שני כלים חדשים משלימים את החוויה: Style Match מאחדת את סגנון כל האלמנטים בלחיצה אחת, Magic Background מייצרת רקעים מדויקים שמשתלבים באופן טבעי עם התוכן הקיים.

canva.com

Ask @Canva  הצוות היצירתי שתמיד איתך

עיצוב טוב הוא לא תהליך לינארי – לפעמים אנחנו מתלבטים בצבע, בכותרת או בפריסה. ה-Ask @Canva הוא שותף יצירתי חדש שמאפשר לשאול שאלות, לבקש הצעות, או אפילו לייצר גרפיקה חדשה – ישירות מתוך העיצוב עצמו. פשוט מתייגים את @Canva בתגובה, ומקבלים תשובה מיידית, כולל התאמה לסגנון, צבעוניות והקשר העיצוב שלכם. זו למעשה חוויית עיצוב שיתופית – עם עוזר בינה מלאכותית שמבין הקשר, סגנון ומטרה.

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

לפרטים נוספים לחצו כאן >>

עוזרת חכמה כבר מהעמוד הראשי

הבינה המלאכותית של Canva לא מחכה שתיכנסו לעיצוב – היא עוזרת כבר משלב הרעיון. החל מהעמוד הראשי תוכלו להשתמש ב-Guided Presentations, מסלול שיחתי שמסייע להגדיר את מטרת המצגת, את הסיפור ואת מבנה השקופיות עוד לפני שבחרתם תבנית. עבור צוותים ארגוניים, תכונת Team Context מזהה תכנים רלוונטיים למותג מתוך קבצי Canva ומחברת מידע ממקורות כמו Google Drive, Dropbox ו-OneDrive, כך שהבינה המלאכותית מבינה את ההקשר הרחב של הארגון שלכם ויודעת לעצב חכם יותר.

הפוסט ברוכים הבאים לעידן החדש של Canva: מערכת ההפעלה היצירתית הופיע ראשון בLet's AI בינה מלאכותית

זו לא מהפכה טכנולוגית, זו מהפכה אנושית

כשברנדון סמוט הכריז על “Code Red”, הוא ידע שזה לא הולך להיות מהלך נוח. “הכותרת ‘Code Red’ הפחידה אנשים,” הוא הודה. “אבל אם היינו מחכים להסכמה רחבה, היינו מחמיצים את הרגע.”

הקריאה הזו סימנה את תחילת השינוי התרבותי העמוק ביותר שזאפייר עברה מאז הקמתה. סמוט, שכיהן אז כסמנכ”ל משאבי אנוש וכיום נושא גם את התואר Chief People & AI Transformation Officer, הבין שהמהפכה שמתחוללת איננה טכנולוגית בלבד. “AI הוא לא עוד פרויקט טכנולוגי – הוא הזדמנות לארגונים לבנות מחדש את עצמם סביב למידה, אחריות ויצירתיות.”

זאפייר, שנוסדה ב-2011, היא אחת מחלוצות תחום ה-no-code automation, פלטפורמה שמאפשרת לחבר בין אלפי יישומים עסקיים ולבצע אוטומציות ללא כתיבת קוד. בשנים האחרונות היא עברה אבולוציה למעמד של AI Orchestration Platform, המחברת בין מודלי שפה (LLMs) לאפליקציות קיימות ומאפשרת לבנות פתרונות חכמים במהירות ובקנה מידה.

אבל השינוי המשמעותי ביותר לא התרחש במוצר, אלא באופן שבו הארגון עצמו לומד, משתף פעולה ומנהיג שינוי בעידן של בינה מלאכותית.

שלב ראשון: מסגרת ברורה לפני יצירתיות

ברוב הארגונים, המילים “מדיניות AI” נתפסות כמעצור לחדשנות. בזאפייר בחרו לפרק את הפרדוקס הזה. הם הבינו שדווקא קביעת גבולות ברורים, אותם “Guardrails”, היא שמאפשרת לעובדים ליזום בביטחון. תוך שבועיים מהכרזת ה-Code Red פורסמו קווים מנחים לשימוש אחראי ב-AI, והוקמו שני ערוצי Slack ארגוניים: אחד לשאלות פתוחות על AI, והשני לשיתוף ניסויים, תובנות ודוגמאות מהשטח. הגישה הזו לא נועדה לפקח אלא להכשיר קרקע לניסוי וללמידה.

סמוט מדגיש שהארגון לא היה צריך להמציא כללי אתיקה חדשים. Zapier פשוט יישמה את עקרונות היסוד שכבר הנחו אותה במשך שנים – פרטיות, שקיפות וציות ל-GDPR. “האתגר הוא לא לשכתב את הכללים,” אמר, “אלא להחיל אותם מחדש בהקשר של AI.”

כך נולדה “המעבדה הפתוחה”, סביבה שבה כולם לומדים, טועים ומתנסים בזמן אמת. “אנשים צריכים לדעת מה מותר ומה אסור כדי להעז,” הסביר סמוט. “בהיעדר גבולות רשמיים, העובדים יוצרים גבולות הדוקים יותר בעצמם.”

שלב שני: Hack Week שהפך לנקודת מפנה

בזאפייר לא מדברים על “תרבות ניסוי”, הם חיים אותה. ההאקתון השנתי של החברה, שהיה בעבר אירוע מבודד של חדשנות טכנולוגית, הפך לשבוע ארגוני מלא בשם AI Hack Week. במשך שבוע שלם, כל עובד, ממנהלי השיווק ועד צוותי השירות, נדרש לבנות ולשתף פתרון חדש המבוסס על בינה מלאכותית.

הגישה הזו יצרה תזוזה תרבותית מיידית – אחריות לחדשנות עברה מליבת הפיתוח אל כלל הארגון. “רצינו שכל אחד יראה בעצמו מה אפשר לעשות עם הכלים החדשים,” סיפר סמוט. “לא לצפות להנחיות מלמעלה, אלא ללמוד דרך עשייה.”

אחת הדוגמאות הזכורות ביותר נולדה דווקא ממקום לא צפוי – צוות התמיכה. הם פיתחו כלי בשם ZenGPT, שסיכם פניות לקוחות והציג תמונת מצב מיידית לכל נציג שירות. מה שהתחיל כניסוי קטן של עובדים לא טכנולוגיים הפך בתוך שבועות למוצר רשמי בשם Support Sidekick, שנכנס לקו המוצרים של החברה.

והתוצאות? ברורות וחדות:

• זמן הטיפול בפניות ירד ביותר מ-50%.

• שביעות רצון הלקוחות עלתה משמעותית.

• ומדד המעורבות של העובדים (Engagement) קפץ בעשרות נקודות.

מאז הפכו שלושת המדדים – יעילות, איכות ומעורבות – לבסיס שעליו נמדדת כל יוזמת AI בזאפייר. זו כבר לא רק חדשנות טכנולוגית, אלא שיטת עבודה שמחברת בין למידה, תוצאות ומוטיבציה אנושית.

שלב שלישי: טרנספורמציה, לא רק אימוץ

במהלך השנתיים האחרונות, 97% מעובדי זאפייר משתמשים ב-AI בעבודתם היומיומית, נתון מרשים בכל קנה מידה. אבל ברנדון סמוט ממהר להעמיד דברים על דיוקם: “שימוש בכלים זה לא טרנספורמציה,” הוא אומר. לדבריו, רוב הארגונים נעצרים בשלב האימוץ, כשהם מוסיפים שכבת AI על גבי תהליכים קיימים. זה מייצר שיפור מדוד, אבל לא שינוי מהותי. “אימוץ (Adoption) זה שיפור של עשרה אחוזים,” הוא מסביר. “טרנספורמציה אמיתית זה שינוי של פי עשר.”

בזאפייר, המעבר הזה התרחש כשמנהלים הסכימו להסתכל מחדש על תפקידים, תמריצים ותהליכי עבודה, ולא רק על הכלים עצמם. זה דרש שינוי חשיבה – לראות ב-AI לא אוטומציה של משימות, אלא מנוף לעיצוב מחדש של אחריות, זרימות עבודה ותרבות למידה. במילים אחרות, ה-AI לא הפך את האנשים ליעילים יותר, הוא הפך אותם לחשובים יותר.

שלב רביעי: העצמה של מי שמבינים את הכאב

אחת ההחלטות המשמעותיות ביותר שקיבלה זאפייר הייתה ליצור תפקיד חדש: AI Automation Engineer. זה לא עוד מהנדס, אלא אדם שמכיר מקרוב את תהליכי העבודה, מבין את הכאב העסקי, ויודע לתרגם אותו לפתרון מבוסס AI. במקום להסתמך רק על צוותי פיתוח, זאפייר בחרה להעצים עובדים מתוך הארגון, כאלה שחיים את התהליכים היומיומיים ויודעים לזהות היכן באמת נדרש שינוי. הם אינם “בונים עבור אחרים”, אלא בונים יחד – תהליך של Co-Build שמחבר בין מומחי תחום, אנשי מוצר וצוותי ניהול.

שלוש התכונות שמגדירות את התפקיד החדש הן:

• הבנה תחומית עמוקה (Domain Expertise) – היכולת להבין לעומק את הצרכים והבעיות של התחום העסקי.

• יכולת בנייה והטמעה (Building & Implementation) – שליטה בכלים מבוססי AI ויכולת להפוך רעיון לתהליך עובד.

• יכולת הדרכה וליווי (Teaching & Coaching) – היכולת להעביר את הידע הלאה וליצור תרבות של למידה משותפת.

סמוט מתאר את המהלך הזה כמודל חדש להטמעת חדשנות: “מי שמבין את הכאב הוא גם מי שצריך להחזיק את הפתרון.”

שלב חמישי: למידה דרך עשייה

בזאפייר הבינו מוקדם שלמידה אמיתית לא מתרחשת בכיתה. הם ויתרו כמעט לחלוטין על הדרכות פורמליות, קורסים או מצגות, ובמקומן יצרו תרבות של למידה תוך כדי פעולה. כל עובד לומד באמצעות פרויקטים אמיתיים, משימות יומיומיות וליווי אישי של מנהלים. במקום תוכנית הכשרה קבועה, הוגדרה רמת כשירות (“AI Fluency”) לכל תפקיד בארגון, עם שלושה שלבים ברורים: Basic → Capable → Adaptive.

המודל הזה שינה את יחסי הכוחות בלמידה. מנהלים הפסיקו “להעביר הדרכות”, והפכו למנטורים שמלווים תהליכים בזמן אמת. הלמידה הפכה ממשהו שהעובדים עוברים לתהליך שאותו הם חיים. “אי אפשר ללמוד AI מספר הדרכה,” אמר סמוט. “הדרך היחידה היא להשתמש בו – לשאול אותו, לטעות איתו, ולגדול דרכו.”

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציות עם AI ובניית בוטים וסוכנים

לפרטים נוספים לחצו כאן >>

בסופו של דבר, אולי הכי חשוב להבין במקרה של זאפייר – במקום לרדוף אחרי טכנולוגיה, היא בחרה לרדוף אחרי למידה. היא העבירה את מוקד השינוי מהנדסים לכלל העובדים, והוכיחה שחדשנות אמיתית צומחת מלמטה, לא נוחתת מלמעלה. ברנדון סמוט מסכם את זה בפשטות: “אפשר להאציל עבודה ל-AI, אבל לא אחריות. אם אתם רוצים שינוי אמיתי, תתחילו לפני שהכול ברור. מהירות למידה חשובה משלמות.”

ומהצד הניהולי, הוא לא משאיר מקום לפרשנות:

1. חברו את יוזמות ה-AI ישירות ליעדים העסקיים הקיימים – אל תבנו תוכנית נפרדת.

2. הגדירו שמות, אחריות וזמן ייעודי – טרנספורמציה לא מתרחשת מעצמה.

השיחה עם סמוט הזכירה אמת פשוטה שלעיתים הולכת לאיבוד ברעש הטכנולוגי – טרנספורמציית AI איננה פרויקט, היא תרבות ארגונית חדשה, שנבנית מתוך מנהיגות, אמון וסקרנות אנושית.

וזאפייר? היא פשוט הייתה אחת הראשונות להבין שהמהפכה הזו לא תגיע מבחוץ – היא מתחילה מבפנים.

הפוסט הקוד האדום של זאפייר: כך נראית טרנספורמציית AI שמתחילה מבפנים הופיע ראשון בLet's AI בינה מלאכותית

המדריך המהיר ל-Dzine

אם זו הפעם הראשונה שלכם ב- Dzine, תגלו מהר מאוד שמדובר בסביבת עיצוב מלאה – לא רק כלי אחד. יש בה עשרות יכולות מבוססות בינה מלאכותית: יצירת ועריכת תמונות, יצירת דמות עקבית, החלפת פנים, הפיכת תמונות לדפי צביעה, עריכת דמויות, ליפ-סינק, שדרוג איכות, שינוי רקעים ועוד מגוון רחב של אפשרויות. חלק מהכלים זמינים בחינם, ואחרים נפתחים רק במנוי בתשלום. כדי להתחיל, אין צורך ללמוד הכול. מספיק להבין את השלבים הבסיסיים.

סביבת עיצוב מגוונת ומבחר כלים | dzine.ai

שלב 1: כניסה והרשמה

נכנסים ל-dzine.ai ונרשמים באמצעות כתובת מייל או חשבון Google. לאחר ההרשמה תגיעו למסך הבית, שם תחשפו למגוון היכולות הרחב של הפלטפורמה תחת AI Tools.

שלב 2: יצירת פרויקט חדש או התחלה מתמונה

במסך הראשי יש שתי אפשרויות:

• Start from an image – גוררים או בוחרים תמונה מהמחשב ומתחילים לעבוד עליה מיד.

• New project – פותחים סביבת עבודה ריקה ומגדירים את פרטי הפרויקט.

ברגע שתבחרו אחת מהן, תעברו למסך העריכה.

צרו פרויקט חדש או התחילו מתמונה

שלב 3: בחירת יחס מסך (Aspect Ratio)

כשנכנסים לפרויקט, ושנייה לפני שאתם מעלים את התמונה, Dzine מבקשת לבחור את יחס המסך (1:1, 16:9, 9:16 ועוד). זה בעצם גודל המסגרת שבה תעבדו – ריבועי לפוסטים, רוחבי לסרטונים, אנכי לסטוריז. בחרו את היחס שמתאים למטרה שלכם ולחצו Apply. אחרי זה תוכלו להעלות תמונה (או לגרור אותה ישירות לחלון המרכזי). Dzine תומכת בעבודה עם מודלים תלת-ממדיים (GLB, FBX, OBJ) בכלים הייעודיים שלה, לצד תמונות רגילות בפורמטים ‎JPG, PNG ו-WEBP.

בחרו את היחס שמתאים למטרה שלכם ולחצו Apply

שלב 4: סביבת העבודה

ברגע שהתמונה נטענת, אתם נכנסים לסביבת העריכה של Dzine. הממשק מחולק לשלושה אזורים עיקריים, ובתחתית חלון הצ׳אט. כל סרגל נותן שליטה בשכבה אחרת: השמאלי לתוכן, העליון החיצוני לפעולות מערכת, והעליון הפנימי להגדרות הכלי שבשימוש.

1. סרגל צד שמאלי – כאן נמצאים כלי ה-AI: יצירת תמונה מטקסט (Text-to-Image), עריכת פנים (Face Stylization / Enhance), ליפ-סינק, הסרת רקע, תיקון פנים, שינוי הבעות ועוד.

2. סרגל עליון חיצוני – פעולות מערכת כלליות: שמירה, ייצוא, הגדלה, חזרה אחורה וכדומה.

3. סרגל עליון פנימי (מעל התמונה) – מתעדכן לפי הכלי הנבחר. לדוגמה, ב-“Lip-Sync” תראו פקדים להוספת קול, תצוגה מקדימה וייצוא.

4. חלון צ׳אט (Chat Editor) – לחיצה על Chat Editor פותחת חלון עבודה אינטראקטיבי. מזינים הוראות בשפה טבעית, למשל “החלף רקע לחוף ים”, “הוסף תאורה חמה”, “תן לדמות חיוך קל”, והמערכת מיישמת מייד. החלון תומך בפרומפטים חופשיים והמשך הוראות רציף באותו סשן כדי לדייק את התוצאה צעד-צעד.

ממשק העבודה של Dzine – הסרגלים המרכזיים וחלון הצ׳אט

בתחתית חלון הצ׳אט ניתן לבחור את מודל העיבוד, למשל Nano Banana, Flux.1, Kontext ואחרים, כאשר לכל מודל יש את הייחודיות והחוזקות שלו. ניתן גם לקבוע יחס גובה-רוחב (Aspect Ratio) רלוונטי לפני ההפעלה, כדי להתאים את הפריים למטרה.

חלון הצ׳אט של Dzine

האפשרויות משתנות בהתאם לסוג הפרויקט (תמונה, וידאו, דיבוב וכדומה), והגמישות הזו מאפשרת חופש יצירתי רחב והתאמה מדויקת לצרכים שלכם. כאן תוכלו לראות איך עובדים עם ה- Chat Editor:

שלב 5: נסו פרויקט לדוגמה – דמויות מדברות

בוחרים תמונה: בחרו תמונה שבה הפנים ברורות ומביטות קדימה. אפשר גם להעלות קובץ וידאו קצר (עד 30 שניות, בפורמט MP4 או MOV).

1. נכנסים לכלי Lip-Sync: לחצו על Lip-Sync בסרגל השמאלי. המערכת תזהה את הפנים בתמונה ותאפשר לבחור עד שתי או שלוש דמויות לסנכרון.

2. מוסיפים קול או טקסט: ניתן להעלות הקלטת קול אמיתית או להזין טקסט שהמערכת תהפוך לדיבור טבעי. אפשר לבחור שפה, קול, מהירות ואינטונציה וליצור דיאלוג בין דמויות שונות.

3. ניהול דיאלוגים: בחלונית הטיימליין ניתן לגרור רצועות קול ולסדר את סדר הדיבור בין הדמויות. אפשר גם להוסיף שורות נוספות וליצור שיחה זורמת בין כמה קולות.

4. תצוגה מקדימה וייצוא: לחצו על Preview כדי לצפות בסצנה ולבדוק סנכרון. לאחר האישור בחרו Export והמערכת תייצר וידאו שמתאים באורכו לאודיו – בפורמט MP4 מוכן להורדה ושיתוף.

הערה: בגרסה החינמית של Dzine ניתן לבצע דיבוב של דמות אחת בלבד ולצפות בתצוגה מקדימה באיכות מוגבלת. אפשרות לדיבוב של כמה דמויות במקביל, ניהול דיאלוגים וייצוא באיכות גבוהה זמינות רק בגרסאות בתשלום.

אם אתם מעדיפים לראות את זה קורה בפועל – הסרטון הבא מדגים שלב-אחר-שלב איך משתמשים בכלי Lip-Sync של Dzine:

גרסה חינמית או בתשלום – מה ההבדל?

גרסה חינמית מאפשרת לנסות את רוב הכלים, אך עם מגבלות של קרדיטים ואיכות ייצוא. גרסאות בתשלום פותחות את הכלים המתקדמים (כמו Image-to-Video, Face Stylization, או Text-to-Video) ומאפשרות ייצוא באיכות גבוהה ולשימוש מסחרי. כדי להבין בדיוק מה תקבלו בכל גרסה – כנסו כאן:

חבילות ומחירים | dzine.ai

מה עוד כדאי לדעת על Dzine

עבודה עם כמה דמויות

Dzine מאפשרת סנכרון שפתיים של כמה דמויות באותה תמונה. לכל דמות ניתן להקצות קול, שפה וסגנון דיבור משלה, וליצור ביניהן דיאלוג טבעי שנשמע מציאותי. המערכת תומכת בעשרות שפות וכוללת קולות עם מבטאים, קצבים ואינטונציות שונות. דיבוב בעברית נתמך כאשר מעלים קובץ קול בעברית.

מעבר לדיבוב, Dzine מאפשרת לשנות דמות קיימת, להחליף רקע, או לכוונן תנוחות והבעות פנים. המערכת שומרת על אחידות של תאורה, זווית ומרקם, כך שהתוצאה נראית עקבית ואמינה. כך ניתן ליצור קומפוזיציות או קטעי וידאו עם כמה דמויות באינטראקציה שבהן הדמויות מגיבות ונעות בצורה טבעית – כמעט כמו בסרט אנימציה, רק בלי צורך באנימטור.

שילוב עם כלים חיצוניים מתקדמים

Dzine משתלבת עם מודלים חזקים במיוחד שמרחיבים את היכולות שלה:

• Nano Banana – ליצירת או עריכת דמויות לפני שמייבאים אותן ל-Dzine.

• VEO 3.1 – להוספת תנועה, מצלמה ורקע קולנועי לסצנה.

•  SORA 2 – אינטגרציה ניסיונית ליצירת סרטוני וידאו ריאליסטיים במיוחד ולשילוב של דמויות מדברות בתוך וידאו חי.

השילוב בין הכלים האלה מאפשר לייצר תוך זמן קצר תוצרים שנראים מקצועיים מאוד גם ללא ידע קודם בהפקה או עריכה.

הנה שילוב של Veo 3.1 בתוך dzine:

והנה שילוב של Sora 2:

למי Dzine מתאימה?

היתרון הגדול של Dzine הוא הפשטות – היא מתאימה כמעט לכל מי שרוצה ליצור תוכן ויזואלי בלי ידע טכני או ציוד מקצועי.

למתחילים

מי שרוצים להתנסות בעולם הבינה המלאכותית ולראות איך תמונה אחת יכולה להפוך לסרטון מדבר בלי עקומת למידה.

ליוצרי תוכן ובלוגרים

מי שמחפשים דרך מהירה להפיק סרטונים, רילסים או הסברים מונפשים בלי להצטלם ובלי שעות עריכה.

למורים, מרצים ויועצים

מי שרוצים להפוך מצגות וטקסטים יבשים לסרטונים חיים שמושכים תשומת לב ומשפרים את חוויית הלמידה.

לעסקים קטנים

מי שצריכים סרטוני תדמית, הסברה או שירות לקוחות, ורוצים לעשות את זה בעצמם, בזמן קצר ובעלות נמוכה.

לסיכום, Dzine הופכת תהליך שהיה פעם מורכב ויקר – להפקת סרטון פשוט שכל אחד יכול ליצור בעצמו. במקום להשקיע אלפי שקלים בתוכנות ובצוותי עריכה, מספיק להעלות תמונה, להוסיף קול, ולקבל סרטון מדבר תוך דקות. הנגישות, הקצב והגמישות של המערכת הופכים אותה לפתרון מעשי במיוחד לכל מי שרוצה להפיק תוכן ויזואלי בלי ידע טכני או תקציב גבוה. בין אם אתם יוצרי תוכן, מורים או בעלי עסק קטן – Dzine נותנת לכם דרך פשוטה להתחיל להשתמש בבינה מלאכותית בצורה יישומית, ולהפוך רעיון לתמונה מדברת, מצגת חיה או סרטון שמספר סיפור.

הפוסט איך להפוך תמונה לסרטון מדבר תוך דקות – המדריך המעשי ל-dzine הופיע ראשון בLet's AI בינה מלאכותית

שיחות עומק במקום תשובות שטחיות

למי ש(עדיין) לא מכיר – NotebookLM הוא כלי עבודה מבוסס AI מבית גוגל, שעוזר לכם לנתח מסמכים בקונטקסט גדול (מסמכים מאוד ארוכים), לבצע מחקר חכם, ולהנגיש מידע בצורה “קלה לעיכול”: הפיכת טקסטים לפודקאסטים (אפילו בעברית), למצגות וידאו, לתרשימי זרימה ואפילו לכרטיסיות למידה. 

באמת כלי מדהים! אבל השדרוג החדש הוא בעיקר שדרוג טכנולוגי: נוטבוק, שמתבסס על מודלי ג’מיני (Gemini) החדשים של גוגל, פועל כעת עם חלון הקשר עצום של מיליון טוקנים – פי 8 מהגרסה הקודמת. המשמעות היא שהמערכת יכולה לעבד ולנתח מאגרי מידע ומסמכים רחבים בהרבה, ולשמור על הבנה עקבית לאורך זמן. במקביל, יכולת הזיכרון שודרגה פי שישה, כך ששיחות ממושכות אינן דורשות עוד חזרה מתמדת על מה שנאמר קודם.

לפי גוגל, השיפורים האלה כבר הובילו לקפיצה של 50% בשביעות הרצון של המשתמשים, בעיקר בזכות היכולת של הכלי לספק תשובות עשירות יותר, שמבוססות על מגוון רחב יותר של מקורות מידע. השיחות הפכו טבעיות יותר, עם רצף הגיוני והבנה הקשרית שנשמרת לאורך זמן.

כלי שחושב יחד איתכם

גוגל גם עדכנה את הדרך שבה נוטבוק מנתח מקורות. במקום להסתפק בתשובה ישירה לשאלה, המערכת “חושבת” בכמה מישורים במקביל: היא מזהה הקשרים, מחברת בין חלקים שונים במידע ומציגה תשובה סינתטית אחת, המבוססת על התמונה הרחבה.

חיפוש, שליפה והבנה טובים יותר | קרדיט: Google

כך, היא מסוגלת לחשוף חיבורים שאינם מובנים מאליהם בין מסמכים, נתונים ותובנות – יתרון מובהק במחקר אקדמי, בניתוח עסקי או בכל פרויקט מבוסס מידע. בנוסף, גוגל הוסיפה אפשרות לשמור היסטוריית שיחות באופן אוטומטי – פיצ’ר קריטי למי שעובד על פרויקטים מתמשכים.

כמו כן, ניתן לסגור ולחזור לאותה שיחה מאוחר יותר בלי לאבד דבר, והמידע נותר פרטי גם במחברות משותפות.

שיחות עם מטרה והתאמה אישית

השדרוג החדש ביותר, ואולי המעניין ביותר, הוא האפשרות להגדיר “מטרות שיחה” (Chat Goals). כל משתמש יכול לקבוע איך נוטבוק יתנהג ואיזו זהות לאמץ במהלך השיחה.

התאמה אישית של מטרות השיחה | קרדיט: Google

אפשר לבקש ממנו “להיות יועץ אסטרטגי שיווקי”, “לפעול כחוקר ביקורתי” או אפילו “לנהל סימולציה כמאסטר משחק תפקידים”.

מדובר בכלי התאמה אישית שמעניק למשתמש שליטה כמעט מלאה על אופי האינטראקציה עם ה-AI – מתשובות אקדמיות קפדניות ועד יצירתיות ונרטיביות.

נוטבוק כמלווה מחקר אמיתי

אם נוטבוק היה עד כה כלי עזר, הרי שכעת הוא הופך לשותף אינטלקטואלי – אחד שמסוגל להבין הקשר, לשמור על רצף מחשבתי ולהתאים את סגנון הדיאלוג לצרכים המשתנים של המשתמש.

NotebookLM משתדרג | קרדיט: Google.

השילוב בין הכוח האדיר של מודלי ג’מיניי של גוגל, זיכרון ארוך טווח, עיבוד הקשר מתקדם והתאמה אישית של פרסונה הופכים אותו לא רק לכלי עיבוד מידע, אלא לפלטפורמה של ממש לחשיבה ויצירה משותפת.

השדרוגים האלה ממחישים את הכיוון שבו מתקדמת גוגל בתחום הבינה המלאכותית: פחות “מענה לשאלה”, ויותר “הבנה של מחשבה”. בתקופה שבה כמות המידע רק הולכת וגדלה, כלים כמו NotebookLM הם הניסיון להפוך את הבינה המלאכותית ממנוע חיפוש, לשותף שמבין באמת.

הפוסט שדרוגים ב-NotebookLM הופכים אותו לחכם מאיי פעם הופיע ראשון בLet's AI בינה מלאכותית