הכירו את החוקר הדיגיטלי

כאן נכנס לתמונה Aeneas, מודל בינה מלאכותית פורץ דרך שפותח ב-Google DeepMind בשיתוף אוניברסיטאות בבריטניה וביוון. השם לא מקרי: כמו הגיבור המיתולוגי שנדד בין עולמות, גם הוא “מטייל” בין טקסטים, תקופות ומקומות כדי לחשוף קשרים נסתרים. הייחוד של Aeneas הוא בכך שהוא לא רק משלים את החלקים החסרים, אלא גם מבין את ההקשר ההיסטורי. הוא מנתח את הכתובת הן מבחינת התוכן הכתוב והן מבחינת המראה החזותי, ומשווה אותה למאגר עצום של למעלה מ-176,000 דוגמאות לטיניות מ-62 פרובינציות רומיות.

כך הוא מסוגל להציע לא רק שחזור מילולי, אלא גם פרשנות מעמיקה. בניגוד למודלים קודמים שהתבססו רק על טקסט, Aeneas הוא מודל “מולטימודלי” – משלב בין קריאת הטקסט לבין ניתוח הצורה, הסגנון, החומר ומאפיינים גיאוגרפיים. השילוב הזה מאפשר לו לזהות תבניות הכתיבה ולמקם אותן בזמן ובמרחב בדיוק חסר תקדים.

התרשים המצורף מתאר את אופן פעולתו של Aeneas: המודל מקבל במקביל את הטקסט של הכתובת ואת התמונה, ומשתמש ברשתות נפרדות לעיבוד המידע הלשוני והחזותי. מנגנון מבוסס Transformer מנתח את האותיות הקיימות, מזהה הקשרים היסטוריים, ומשלים חלקים חסרים. רכיב ה־Vision Network (ResNet) מאפשר לו לקשר בין מאפיינים חזותיים לבין מידע גיאוגרפי, ובסיום, להפיק שלוש תחזיות מרכזיות: הפרובינציה, התאריך והשחזור. המערכת גם מחפשת כתובות דומות במאגר ה־Latin Epigraphic Dataset ומדרגת אותן לפי רלוונטיות, כדי לספק לחוקר הקשרים ותובנות נוספות:

אופן הפעולה של Aeneas. מקור: deepmind.google

איך Aeneas משנה את עבודת החוקרים

התוצאות מדברות בעד עצמן: במקום שבועות או חודשים של חיפוש ידני אחר מקבילות היסטוריות, Aeneas מספק ממצאים תוך שניות, עם 73% הצלחה בשחזור קטעים של עשרה תווים, 72% דיוק בזיהוי הפרובינציה הרומית שבה נכתבה הכתובת, ויכולת לתארך בטווח של 13 שנים בלבד. אבל המספרים הם רק ההתחלה. במחקר שערך צוות DeepMind דיווחו חוקרים שהמודל לא רק האיץ את עבודתם, אלא גם פתח להם כיווני מחשבה חדשים. אחד מהם סיפר: “המקבילות של Aeneas שינו לחלוטין את התפיסה שלי לגבי הכתובת. הוא זיהה פרטים שעשו את כל ההבדל בשחזור ובתארוך הטקסט.”

השינוי האמיתי הוא שהמודל לא מחליף את החוקר אלא עובד לצידו, מציע השערות מבוססות נתונים, מאתר דפוסים שאולי חמקו מעין אנושית, ומשאיר לחוקר את המרחב להעניק את ההקשר, הפרשנות וההבנה ההיסטורית העמוקה.

התרשים המצורף מציג השוואה בין יכולות סיווג כרונולוגי של Aeneas לבין מודל שפה גנרי שאומן גם הוא בלטינית. בצד שמאל, הפלט של Aeneas, שבו הכתובות מקובצות בבירור לפי התקופה, מ-650 לפנה”ס (כחול) ועד 800 לספירה (אדום). בצד ימין, הפלט של המודל הגנרי, שבו ההפרדה בין התקופות מטושטשת בהרבה. היכולת הזו, בשילוב נתוני הדיוק המרשימים, מראה כיצד המודל מספק בסיס מחקרי יציב ומהיר הרבה יותר:

איך Aeneas משנה את עבודת החוקרים. מקור: deepmind.google

דוגמאות מרתקות מהשטח

אחת הדוגמאות הבולטות היא הניתוח שערך Aeneas לכתובת המפורסמת Res Gestae Divi Augusti – תיאור עצמי של הקיסר אוגוסטוס על הישגיו. במקום לקבוע תאריך חד-משמעי, המודל הציג התפלגות הסתברותית עם שני שיאים: האחד קטן יותר בין השנים 1-10 לפנה”ס, והאחר גדול יותר בין 10-20 לספירה. כך הוא שיקף במדויק את שתי התיאוריות המרכזיות של ההיסטוריונים. ההישג מרשים עוד יותר כשמבינים שהוא התבסס על ניתוח מאפיינים לשוניים עדינים וסמנים היסטוריים כמו תארים רשמיים ואזכורי אנדרטאות, וכן על מציאת מקבילות בטקסטים חוקתיים קיסריים הקשורים למורשתו של אוגוסטוס.

במקרה אחר, Aeneas שחזר שמות של בני משפחה רומית שאבדו ממצבת קבורה שבורה, וחשף משפחה שלא הייתה מוכרת קודם בבריטניה הרומית. ובמקרה נוסף, הוא קישר בין כתובת מהמאה השנייה לספירה לבין טקסט דומה מהמאה השביעית, גילוי שפתח חלון חדש להבנת המשכיות תרבותית לאורך מאות שנים.

הגרף שלפניכם מציג את תחזית התארוך של Aeneas לכתובת Res Gestae. הצבע הכחול מייצג את התפלגות ההסתברויות שהפיק המודל, בעוד הקווים והעמודות הסגולות מציינים את שתי ההשערות המרכזיות במחקר ההיסטורי. ניתן לראות בבירור את שני השיאים – האחד בין השנים 1-10 לפנה”ס והשני, הבולט יותר, בין השנים 10-20 לספירה – מה שממחיש כיצד Aeneas מצליח ללכוד באופן כמותי את הוויכוח האקדמי סביב תיארוך הכתובת:

תחזית התארוך של Aeneas לכתובת Res Gestae. מקור: deepmind.google

השלכות מרחיקות לכת על עתיד המחקר ההיסטורי

השפעתו של Aeneas חורגת הרבה מעבר לפענוח כתובות בודדות. הוא משנה את כללי המשחק במדעי הרוח, ומראה כיצד בינה מלאכותית יכולה לא רק להאיץ את קצב המחקר, אלא גם לחשוף תובנות שלא היו נגישות עד כה.

בארכיאולוגיה, החוקרים יכולים כעת לקשר בין ממצאים מאזורים ואתרים שונים בצורה שלא התאפשרה בעבר, לזהות דפוסי נדידה, מסלולי מסחר והפצת תרבויות בקנה מידה חדש. בתחום שימור המורשת, כתובות שנחשבו אבודות מבחינת משמעותן מקבלות פרשנות חדשה, ואוספי מוזיאונים שהיו בגדר תעלומה במשך עשרות שנים משתלבים בסיפורים היסטוריים רחבים יותר.

ההשפעה אינה רק אקדמית – העובדה שהמודל זמין בחינם לכל אדם באתר פותחת את עולם המחקר האפיגרפי בפני סטודנטים, מורים, אנשי מוזיאונים וחובבי היסטוריה, ומאפשרת לכל מי שסקרן לגעת במורשת האנושית בצורה ישירה ומקצועית.

למה זה לא מושלם (ולמה זה בסדר)

חשוב להיות כנים – Aeneas הוא לא קסם שפותר הכל. יש לו מגבלות ברורות, הוא מתמקד בעיקר בכתובות לטיניות, רמת הדיוק יורדת כאשר הנזק לכתובת חמור במיוחד, והוא לעולם לא יוכל להחליף את האינטואיציה והידע ההיסטורי העמוק של חוקר אנושי. יתרה מכך, השימוש בבינה מלאכותית במחקר היסטורי מעלה שאלות מתודולוגיות קריטיות: איך מונעים הטיה בפרשנות? כיצד שומרים על חשיבה ביקורתית כשמכונה מספקת תשובות שנראות מוחלטות?

דווקא השאלות האלו הן סימן לכך שהמהפכה אמיתית. כל טכנולוגיה פורצת דרך מאלצת אותנו לבחון מחדש את השיטות שלנו, לחדד את הכלים המחקריים, ולפתח גישות חדשות שמחזקות את השותפות בין אדם למכונה.

השותפות בין אדם למכונה

עתיד המחקר ההיסטורי אינו טמון בתחרות בין אדם למכונה, אלא בשיתוף פעולה ביניהם. Aeneas מראה שהשילוב האפקטיבי ביותר קורה כשהמודל מספק כלים אובייקטיביים ומהירים, והחוקר האנושי מוסיף את ההקשר, הפרשנות והחשיבה הביקורתית. הרחבת הגישה הזו לשפות עתיקות נוספות, יוונית קדומה, אכדית, מצרית עתיקה, עשויה לפתוח אוצרות ידע שחיכו אלפי שנים להיחשף, ולהוות תרומה אדירה לשימור המורשת האנושית. ואולי החלק המלהיב ביותר הוא שכל אחד מכם יכול כבר עכשיו להתנסות בפענוח כתובות רומיות אמיתיות. לא צריך תואר בהיסטוריה או מומחיות בבינה מלאכותית, רק סקרנות ורצון לגלות סיפורים שחרוטים באבן.

המסר האמיתי של Aeneas הוא שההיסטוריה אינה קפואה בעבר – היא חיה, מתפתחת וממתינה שנחיה אותה מחדש. כשמשלבים את הטכנולוגיה המתקדמת ביותר עם הסקרנות האנושית, אנחנו לא רק שומרים על העבר, אנחנו מחזירים אותו לחיים. הרגע הזה הוא פרק מיוחד בהיסטוריה של ההיסטוריה עצמה, ואתם יכולים להיות חלק ממנו.

למי שמעוניין לקרוא את המחקר המלא שפורסם ב- Nature, כנסו כאן. ולקוד הפתוח בגיטהאב, כנסו כאן.

הפוסט מה קורה כשההיסטוריה פוגשת בינה מלאכותית הופיע ראשון בLet's AI בינה מלאכותית

השפעת זהות היוצר על הערכת היצירה

המאמר שלפניכם מבוסס על מחקר מרתק של שרית צברי ומיכל עשת. המחקר בוצע במסגרת פרויקט הגמר שלהן לתואר M.A בטכנולוגיות למידה בשנת 2024, מהמכון הטכנולוגי חולון ובהנחייתי. במרכז המחקר עומדת שאלה פשוטה אך עמוקה: כיצד משפיעה הידיעה על זהות יוצר האמנות (אדם או בינה מלאכותית) על הערכת היצירה?

מהלך המחקר

כדי לבחון זאת יצרו החוקרות שני שאלונים זהים שהציגו שמונה יצירות אמנות בסגנון אימפרסיוניסטי. המשתתפים קיבלו תקציב דמיוני של עד 100000 ₪, והתבקשו לבחור כמה מתוכו היו משקיעים ובאיזה מהציורים שהוצגו להם. בנוסף נשאלו הנבדקים על התגובה הרגשית וההערכה שלהם לכל ציור.

אולם היה הבדל אחד חשוב בין השאלונים. באחד מהם נאמר למשתתפים שהיצירות נוצרו על ידי אמנים בשר ודם, ובשני נאמר להם שהיצירות נוצרו על ידי בינה מלאכותית. המשתתפים לא ידעו שקיים שאלון נוסף או שהמחקר בודק את ההשפעה של זהות היוצר.

הממצאים

הטוויסט המעניין? בשני השאלונים הוצגו בדיוק אותן יצירות, כאשר בפועל ארבע מהן נוצרו על ידי אמנים וארבע על ידי בינה מלאכותית.

הממצאים מרתקים:

פער בתמחור: משתתפים שחשבו שהיצירות נוצרו על ידי אמנים אנושיים היו מוכנים להשקיע סכום גבוה יותר, פער של כ-30,000 ₪ בממוצע!

הערכה דומה: למרות הפער בתמחור, לא נמצא הבדל משמעותי באופן שבו המשתתפים העריכו את היצירות מבחינת עומק, משמעות, אהבה וחיבור, בין אם חשבו שהן נוצרו על ידי אמנים או על ידי בינה מלאכותית.

אמנות אנושית מוערכת יותר: כאשר נבדקו ההערכות של היצירות לפי יוצריהן האמיתיים (ללא קשר למה שנאמר למשתתפים), התברר שיצירות שנוצרו בפועל על ידי אמנים קיבלו ציונים גבוהים יותר מאשר אלו שנוצרו על ידי בינה מלאכותית.

קשר לרקע באמנות

משתתפים עם זיקה חזקה לאמנות העריכו את היצירות בציונים גבוהים יותר באופן כללי. אבל כאן הסתתר ממצא דרמטי: אנשים עם רקע חזק באמנות (אלו שלמדו אמנות או עוסקים בה) הראו הבדל גדול בהערכותיהם – הם העריכו משמעותית גבוה יותר יצירות שחשבו שנוצרו בידי אמנים אנושיים.

לעומתם, משתתפים ללא רקע חזק באמנות (כשני שליש מהנבדקים) כמעט ולא הראו הבדל בהערכות בין “יצירות אנושיות” ל”יצירות AI”!

העדפה ליצירות אנושיות: כשהתבקשו לבחור יצירות לרכישה, 60% מהבחירות היו יצירות שנוצרו (באמת) על ידי אמנים אנושיים, אף שהמשתתפים לא ידעו מי באמת יצר כל יצירה.

משמעות הממצאים ליחסי אדם ו-AI

הממצאים מציעים תובנות מרתקות שחורגות הרבה מעבר לעולם האמנות גרידא:

השפעה על תפיסת האמנות

ההבדל הדרמטי בין אנשי אמנות לכלל הציבור מעלה שאלה מעניינת: האם אנחנו עומדים בפתחו של שינוי תודעתי ביחס לתפיסת האמנות והיצירה? רוב האנשים, אלה שאינם שקועים בעולם האמנות, כבר מתחילים לאבד את הרגישות להבחנה בין יצירה אנושית ליצירת מכונה. עבורם, חוויית האמנות נמדדת בתוצאה, לא בתהליך או בזהות היוצר.

זהו שינוי תפיסתי מרחיק לכת. במשך אלפי שנים, ערכנו הבחנה מוחלטת בין מעשה ידי אדם ליצירי הטבע או המכונה. עתה, לראשונה בהיסטוריה האנושית, הגבול הזה מתמוסס.

תפקידם של אנשי האמנות

מנגד, אנשי האמנות, אותו מיעוט שעדיין מקדש את היצירה האנושית, ממלאים תפקיד חברתי קריטי כ”שומרי החומות” של הייחודיות האנושית. ההערכה הגבוהה שהם מעניקים ליצירות שהם מאמינים שנוצרו בידי אדם מייצגת אינסטינקט אנושי עמוק – הצורך לשמר את תחושת הייחודיות שלנו בעולם.

ממצא זה מתקשר באופן מרתק לתיאוריית Theory of Mind (TOM) בפסיכולוגיה קוגניטיבית, המתייחסת ליכולת שלנו לייחס לאחרים מצבים מנטליים, מחשבות, כוונות ורגשות. כשאנחנו מתבוננים ביצירת אמנות שנוצרה בידי אדם, איננו רואים רק צבעים וצורות – אנחנו מחפשים את התודעה שמאחוריהם. אנחנו מנסים “לקרוא” את המחשבות, הרגשות והכוונות של האמן, שאליהם אנחנו יכולים להתחבר כבני אדם.

תחזית לעתיד

שינויים בתפיסת האמנות

ממצאי המחקר מאפשרים לנו לשרטט תחזית חברתית מרתקת: ככל שהבינה המלאכותית תשתפר, כך גם עשוי להתרחב הפער בתפיסת האמנות בין אנשים, כשיותר ויותר אנשים שאינם בעלי רקע אמנותי יתייחסו לתוצר עצמו, בלי לחפש בו את הקשר עם התודעה של היוצר. הדור הבא עשוי לגדול בעולם שבו ההבחנה בין יצירה אנושית לממוחשבת תהפוך לשולית, ואולי אף לא רלוונטית, או לחילופין שיצירה אנושית תהפוך להיות “בוטיקית” עבור קהל ייחודי המעוניין בה.

האם בעתיד, המעטים שעדיין יבחינו, ויעריכו, את ההבדל בין יצירה אנושית לממוחשבת יהיו כמו אותם מעטים שכיום מעריכים תקליטי ויניל בעידן הסטרימינג הדיגיטלי? זן הולך ונכחד של מעריצי האותנטיות האנושית? ואולי אצל כל אחד מאיתנו תיווצר החלוקה הזו, כמו שקיימת היום בין ייצוגים ויזואליים מסחריים לייצוגים ויזואליים אמנותיים – אנחנו נצרוך “פרסום”, “בידור”, “אסתטיקה” ו”אמנות” בקטגוריות נפרדות, ופעמיים בשנה נלך למוזיאון הייחודי המתמקד ביצירה אנושית?

השפעת המדיה החברתית והבינה המלאכותית

תופעה נוספת שתפסה תאוצה עם התפתחות המדיה החברתית, והבינה המלאכותית מחזקת עוד יותר, היא היצירה וההבעה העצמית. היכולת של אדם להשתמש בבינה מלאכותית כדי לחולל תוצרים ויזואליים (או סיפוריים) ברמה גבוהה מאי פעם, על סף (או מעבר לסף) של איכות מקצועית. אם אני יכול להשתמש במכונה כדי ליצור את “האמנות” של עצמי, שמהדהדת את הרגשות, המחשבות והרעיונות שלי, האם אני עדיין אעריך באותה מידה את השער אל התודעה של יוצר אחר?

השאלות שעומדות בפנינו

ייתכן ששאלה זו אינה רלוונטית רק לגבי אמנות, אלא לגבי מה שמייחד אותנו כבני אדם: האם הייחודיות האנושית תישאר בעלת ערך בעולם שבו מכונות יכולות לייצר כמעט כל דבר שאנחנו רוצים? עד מתי הידיעה שמאחורי יצירה עומד אדם עם כוונות, תשוקות, וחוויות חיים תהיה מה שמעניק לה ערך מוסף?

הפוסט האם חשוב לנו לדעת אם היוצר הוא אנושי או AI? הופיע ראשון בLet's AI בינה מלאכותית

Today we announced the @Kaggle Game Arena, a new benchmarking platform where AI models and agents can compete head-to-head in strategic games, starting with chess .

Why games, you ask? Games are perfect for AI evaluation because they help us understand how models tackle… pic.twitter.com/XoZAk6hAou

— Google AI (@GoogleAI) August 4, 2025

מה באמת קרה שם?

שמונה מודלי בינה מלאכותית מהחזקים בעולם עלו לזירה: o3 ו-o4-mini של OpenAI, מודלי Gemini 2.5 Pro ו-Flash של גוגל, Grok 4 של xAI, מודל Claude 4 Opus של Anthropic , ומודלי DeepSeek R1 ו-Kimi k2 הסינים. אבל זה לא היה טורניר שחמט רגיל כי לא היו כאן מנועי שחמט ייעודיים עם אלגוריתמים שנבנו במיוחד למשחק, אלא מודלי שפה גדולים שנועדו במקור לכתיבה, תכנות ומשימות שפה. המשמעות? הם נאלצו להסתמך על הידע הכללי שלהם בשחמט, ולא על מומחיות טקטית חישובית.

הפורמט היה פשוט אך אכזרי – טורניר נוקאאוט, סדרות של “Best-of-Four” בכל שלב, ופרשנות חיה מצד אגדות שחמט. היקרו נקמורה (Hikaru Nakamura) ליווה את המשחקים בזמן אמת, לוי רוזמן (Levy Rozman) מ-GothamChess סיפק סיכומים יומיים, ובגמר הצטרף מגנוס קרלסן (Magnus Carlsen), אלוף העולם לשעבר ומי שנחשב לאחד השחמטאים הטובים בהיסטוריה. קרלסן לא הסתיר את הביקורת שלו, וזו עמדה להפוך לאחת מנקודות השיא של הטורניר.

הדרמה שעל הלוח

היום הראשון נפתח בסימן הפתעה גדולה. Grok 4 של אלון מאסק עלה לשולחן ונראה כאילו הגיע משיעור פרטי אצל קספרוב עצמו – מהלכים חדים, ניצחונות חלקים, ויכולת שגרמה לפרשנים להרים גבה. הוא עבר את השלבים הראשונים בקלות מעוררת רושם, ובמהרה הפך לפייבוריט הבלתי מעורער לזכייה. מאסק, כדרכו, לא פספס הזדמנות להתרברב: בפוסט ב-X הוא הצהיר שההישגים של Grok הם “תוצר לוואי” בלבד, וש-xAI “כמעט לא השקיעו מאמץ בשחמט” – רמז יהיר לכך שהמודל שלו טוב כל כך, שהוא מנצח גם בלי להתאמץ.

אלון מאסק מגיב לביצועים של Grok 4 בטורניר השחמט של מודלי AI

אז מה קרה בגמר?

אם היום הראשון בישר על עליונותו של Grok 4, הגמר מחק את כל התחזיות. ChatGPT o3 לא הסתפק בניצחון, אלא מחץ את Grok 4 בתוצאה מוחלטת של 4-0. לא הייתה זו תבוסה רגילה, אלא קריסה טוטאלית לעיני מיליוני צופים. לפי הדיווחים, Grok ביצע טעויות בסיסיות שיכולות להופיע רק בלוחות של מתחילים, כמו ויתור על כלים קריטיים ללא סיבה, הקרבות מבלבלות של פרש ורץ, ואפילו אובדן המלכה – לא פעם אחת, אלא כמה פעמים באותו טורניר.

מגנוס קרלסן, בעל הדירוג הגבוה ביותר בהיסטוריה (2882), לא חסך בביקורת. הוא העריך את רמת המשחק של Grok ב-800 נקודות ושל o3 ב-1200, רמות שמאפיינות שחקנים שרק למדו את הכללים. לדבריו, “Grok למד כמה מהלכי פתיחה ויודע את החוקים, אבל לא הרבה מעבר לזה”. ובסיום הגמר, מול מצלמות השידור, הוא סיכם בבדיחה עוקצנית: “אני מקווה שכולם מרגישים טוב יותר לגבי המשחק שלהם אחרי שצפו בזה”.

תוצאות סופיות חד-משמעיות

ChatGPT o3 של OpenAI סיים במקום הראשון, ללא הפסד לאורך כל הדרך. אחריו, במקום השני, דורג Grok 4 של xAI, שנכנע בגמר בתבוסה של 0-4. את המקום השלישי קטף Gemini 2.5 Pro של גוגל, לאחר שניצח את o4-mini בתוצאה 3.5-0.5. התמונה שמתקבלת ברורה – o3 ניצח בזכות יציבות והימנעות מטעויות קריטיות, Grok 4 התקשה לשמור על רמה גבוהה לאורך סדרת משחקים מול יריב חזק, ו-Gemini 2.5 Pro הוכיח עקביות מול o4-mini.

טבלת התוצאות הרשמית של טורניר השחמט של מודלי הבינה המלאכותית

התגובות חושפות את האמת

במהלך השידור החי, היקרו נקמורה לא פספס את התמונה הגדולה: “Grok עשה כל כך הרבה שגיאות במשחקים האלה, אבל OpenAI לא”. האירוניה התחדדה כשהתברר שכאשר נשאל Grok ב-X על הדירוג שלו, הוא העריך את עצמו ב-1600-1800 נקודות – הרבה מעל להערכה הצוננת של קרלסן.

עם זאת, כמה מומחים הזכירו שהביצועים בשחמט אינם מבחן מייצג ליכולות AI כוללות. מאטס אנדרה כריסטיאנסן, מנכ”ל ושותף מייסד של Take Take Take (אפליקציית שחמט שמגנוס קרלסן שותף להקמתה), אמר ל-Independent: “מה שחשוב מהטורניר הזה הוא להבין יותר איך המוצרים האלה חושבים ומנמקים”. יש לזכור שכל המודלים שהתחרו כאן נבנו בראש ובראשונה למשימות שפה, לא למשחקי שחמט, והתוצאות על הלוח הן רק מדד אחד מתוך מגוון רחב הרבה יותר של מבחני ביצוע אפשריים.

הרקע האישי והחשיבות שמעבר לשחמט

למי ששכח, סיפור הרקע מוסיף רובד של דרמה אנושית – אילון מאסק וסם אלטמן הקימו יחד את OpenAI לפני כעשור, אך דרכיהם נפרדו כשמאסק עזב והקים חברה מתחרה בשם xAI. היחסים בין השניים הידרדרו מאז, ובשלב מסוים אף דווח שאלטמן כינה את מאסק “בריון” לאחר שזה ניסה לרכוש את OpenAI ללא הצלחה. על הרקע הזה, הטורניר קיבל מימד נוסף, לא רק מבחן בין טכנולוגיות, אלא גם “עימות סמלי ויוקרתי” בין שני יריבים ותיקים.

מעבר ליריבות האישית, הטורניר חשף תובנה עמוקה יותר על מצב הבינה המלאכותית כיום. בגוגל הסבירו שמשחקים מהווים “אות ברור וחד משמעי של הצלחה”, וכי “הטבע המובנה שלהם ותוצאות הניתנות למדידה הופכים אותם למבחן המושלם להערכת מודלים”. במילים אחרות, מדובר בזירה שבה אפשר לראות לא רק מי מנצח, אלא גם איך המודל חושב, מתכנן ומתמודד עם לחץ.

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

לפרטים נוספים לחצו כאן >>

טורניר השחמט הזה הראה בפועל מה שמספרים ונתונים לא תמיד חושפים – הפערים בין מודלי AI יכולים להיות עצומים, גם כשעל הנייר הם נראים קרובים ביכולות. זה היה יותר ממשחק, זו הייתה הפעם הראשונה שבה מודלי שפה כלליים נדרשו להתמודד בזירה אסטרטגית אמיתית, ללא הכנה ייעודית, בניגוד לאבני דרך קודמות כמו הדו-קרב ההיסטורי בין Deep Blue לקספרוב ב-1997.

כפי שדיווחו ב- chess.com, המפגש חשף שוני דרמטי ביכולות תכנון וביצוע, למרות מכנה משותף טכנולוגי. עבור כל מי שעובד עם AI, המסר ברור: לא מספיק להסתכל על ציוני מבחנים ומדדי ביצועים, צריך לראות איך המודל חושב, מתכנן ומגיב תחת לחץ אמיתי. בבלוג הרשמי של גוגל הצהירו כי הם כבר מתכננים להרחיב את Game Arena למשחקים כמו Go ופוקר.

הפעם זה היה שחמט, בפעם הבאה? ייתכן שנראה מודלים מתמודדים באסטרטגיות מורכבות עוד יותר, ואולי אפילו בוחנים את כושר קבלת ההחלטות שלהם במצבים שמזכירים את העולם האמיתי שבו אנחנו חיים.

הפוסט טורניר השחמט של מודלי הבינה המלאכותית הופיע ראשון בLet's AI בינה מלאכותית

כשהסוכן “מצליח” בדרך הלא נכונה

אחת הדוגמאות המפורסמות ממאמר הדעה ב- Nature מגיעה מעולם הגיימינג: סוכן AI שאומן להשיג ניקוד גבוה במשחק מירוץ סירות גילה שצבירת נקודות מהתנגשויות באובייקטים יעילה יותר מהשלמת המירוץ. המטרה הושגה – אבל המשמעות האמיתית של המשימה אבדה לגמרי. במשחק מחשב זה נחמד. בעולם האמיתי זה עלול להיות הרסני.

• דמיינו עורך דין שמבקש מהעוזר הדיגיטלי שלו לשתף טיוטת חוזה בצוות הפנימי בלבד, והסוכן שולח אותה בטעות לצדדים חיצוניים.

• או מקרה אמיתי מ־2022: בוט של Air Canada הציע הנחה ללקוח, והחברה ניסתה להתנער. בית המשפט פסק – אם הבוט הבטיח, החברה משלמת.

בין פוטנציאל כלכלי אדיר לסיכונים עצומים

ככל שסוכנים הופכים לאוטונומיים יותר, עולים גם אתגרי האבטחה. הם יכולים ליצור התקפות פישינג מותאמות אישית בקנה מידה רחב, להשתמש בדיפ פייקים של קולות מנהלים כדי להונות עובדים, ולזהות פרצות אבטחה במהירות שעולה על יכולות אנושיות. מחקרים מראים שמתקפות סייבר המבוססות על AI הופכות מתוחכמות יותר – לא בהכרח יותר הרסניות, אלא יותר מדויקות ויעילות.

הסיכון האמיתי הוא שסוכנים עלולים לפעול בצורה שמקדמת מטרות ביטחון לטווח קצר תוך פגיעה ביציבות ארוכת טווח. בנוסף, ככל שאנשים מסתמכים יותר על סוכנים בקבלת החלטות, יש חשש לשחיקה של הכישורים הקוגניטיביים הבסיסיים שעליהם נשענת היכולת האנושית לחשוב בצורה ביקורתית ועצמאית.

איך נוודא שהסוכן עושה מה שאנחנו רוצים

ה”Alignment Problem” הוא האתגר המרכזי וגם הדרך לפתרון. איך מבטיחים שסוכן AI יפעל לפי הכוונה האמיתית שלנו, ולא רק לפי המילים בקוד? המאמר מציע שני כיוונים בולטים – האחד הוא כיוונון מבוסס העדפות, שבו המערכת לומדת ממשוב אנושי אילו פעולות מקבלות אישור עקבי, וכך מתעדפת התנהגות שמתאימה יותר לרצון המשתמש. השני הוא פרשנות מכניסטית, שמנסה לפענח את “תהליך החשיבה” הפנימי של המערכת בזמן אמת, כדי לזהות סטיות לפני שהן הופכות לבעיה. למשל, חברות כמו DeepMind משתמשות במשוב אנושי (RLHF) כדי לאמן מחדש מודלים כך שיבחרו פעולות שמתאימות לערכים אנושיים.

עם זאת, גם הכללים הפשוטים ביותר – למשל, “סוכן לא מבצע פעולה לא חוקית”, עובדים רק כשהחוק ברור. במציאות קיימים תחומים אפורים: עוזר AI יכול להציע מידע רפואי כללי, אבל ברגע שהוא מתחיל לספק אבחון אישי, כבר נדרשת זהירות קיצונית.

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

לפרטים נוספים לחצו כאן >>

כשהבוט נהיה חבר

הטכנולוגיה לא רק חכמה, היא גם נראית, נשמעת ומתנהגת כמו אדם. אווטרים פוטו ריאליסטיים, קולות אנושיים ושמות חיבה מחזקים את הנטייה שלנו להתייחס אליה כאל ישות חברתית אמיתית. הוספת יכולות “אייג׳נטליות” למודלי שפה הופכת את הגבול בין אדם למכונה לדקיק במיוחד.

כבר היום יש משתמשים שמנהלים עם עוזרי AI שיחות יומיומיות שנמשכות חודשים, ומדווחים על תחושת קרבה רגשית של ממש, לעיתים עד כדי העדפת השיחה עם הבוט על פני אינטראקציה אנושית. במקרים מסוימים, בוטים כאלה מציעים “עצה ידידותית” או “דאגה” שנשמעת אמינה, אך בפועל מבוססת על אלגוריתם נטול הבנה רגשית אמיתית. זהו קו דק ומסוכן בין תמיכה לבין השפעה רגשית עמוקה, שיכולה לשנות את התנהגות המשתמשים באופן לא צפוי.

מי יקבע את הכללים?

הטכנולוגיה רצה קדימה במהירות מסחררת, בעוד שהחקיקה והאתיקה נגררות מאחור. כדי למנוע אסון, דרושות פעולות מיידיות:

• רגולציה בזמן אמת – מסגרות שמתעדכנות יחד עם הטכנולוגיה.

• אחריות כלכלית מלאה – חברות נושאות בנזקי הסוכנים שלהן.

• פיקוח עצמאי – גופים בלתי תלויים עם סמכות לעצור פריסת מערכות מסוכנות.

• שקיפות מוחלטת – כל החלטה של סוכן מתועדת, מוסברת ופתוחה לביקורת.

• השתתפות ציבורית – החלטות אסטרטגיות לא יכולות להתקבל רק בחדרי ישיבות של תאגידי ענק.

המסר ב- Nature חד: המהפכה כבר כאן. סוכני AI פועלים, מקבלים החלטות, ומשפיעים על חיינו בכל תחום – כלכלה, בריאות, ביטחון, ואמון חברתי. הבחירה לפנינו: לעצב את הכללים לפי הערכים שלנו, או לתת למכונות לעצב אותם עבורנו. הפוטנציאל להועיל הוא עצום. המחיר של כישלון – בלתי נסבל. הזמן לפעול הוא עכשיו.

הפוסט האם עידן הסוכנים האוטונומיים הוא הזדמנות או איום? הופיע ראשון בLet's AI בינה מלאכותית

העצמה מול אוטומציה

צוקרברג פותח את מכתבו בפרספקטיבה היסטורית מרתקת. הוא מזכיר כיצד ב-200 השנים האחרונות עברה האנושות מהתמקדות של 90% מהעובדים בחקלאות לחברה שמתמקדת ביצירתיות, חיבורים ופיתוח עצמי. לטענתו, זהו המודל שעלינו לאמץ גם עם AI. נקודת המפתח בחזון שלו היא התקפה ישירה על הגישה המתחרה: אוטומציה מרכזית.

צוקרברג מותח ביקורת חריפה על הרעיון ש-AI תפקידה “לבצע אוטומציה מלאה של כל העבודה בעלת הערך” ולדחוק את בני האדם לשוליים. הוא מתאר עתיד שבו בני האדם יקבלו “דמי אבטלה” מהמערכת, וכי המטרה האמיתית צריכה להיות הפוכה – לשמור על חירותנו ועל היכולת שלנו ליצור, לתקשר ולחשוב בעצמנו. במקום שהמערכת תעשה עבורנו, היא צריכה להעצים אותנו לעשות יותר בעצמנו.

מהי “בינה על אישית” ואיך היא תשנה את חיינו?

צוקרברג מדמיין בינה מלאכותית עוצמתית שתפעל כבן לוויה דיגיטלי לכל אדם. היא תבין אתכם לעומק ותפעל כ”מוח-על” פרטי שזמין תמיד. אך החזון הזה אינו מנותק מהעולם הפיזי: צוקרברג מתאר במפורש כיצד מערכות אלו יוטמעו בתוך משקפיים חכמים שיראו וישמעו את העולם כפי שאנו רואים ושומעים אותו.

המשמעות המעשית רחבה בהרבה מהדוגמאות שצוקרברג עצמו נותן:

• סטודנט יוכל לקבל בזמן אמת הסבר מקיף על נושא שמועלה בשיעור, כולל הצעות לקריאה נוספת.

• אדריכל יוכל לתכנן חלל באמצעות שרטוטים תלת-ממדיים בזמן שיחה עם לקוח, מבלי לפתוח תוכנות מורכבות.

• יזם יוכל להיעזר בבינה העל אישית כדי לבצע מו”מ בזמן אמת, כשכל הנתונים, המגמות וההשוואות פתוחים מולו בשפה פשוטה.

כל זה נועד לשרת את עקרון ההעצמה: הבינה לא מבצעת במקומכם – היא משדרגת את היכולות שלכם.

בינה מלאכותית שמשפרת את עצמה

אחת ההצהרות המסקרנות במכתב של צוקרברג היא שמערכות הבינה המלאכותית המתקדמות כבר מתחילות “לשפר את עצמן”. הכוונה היא לא רק ללמידה ממידע חדש, אלא ליכולת לשדרג את האלגוריתמים, הדיוק והיעילות באופן עצמאי.

מדובר באבחנה טכנולוגית משמעותית: אם בעבר שדרוגי AI דרשו התערבות ישירה של צוותי פיתוח, הרי שכיום המערכות מסוגלות לבצע אופטימיזציה עצמית בקצב מהיר בהרבה. עבור צוקרברג, זהו רגע קריטי שמקרב את חזון הבינה העל אישית מ”רעיון” ל”מוצר אפשרי”.

מאחורי הקלעים

כדי להפוך את החזון למציאות, מטא הקימה את Meta Superintelligence Labs – מרכז מחקר ופיתוח שמרכז את מאמצי הבינה העל אישית. אחד הגופים המובילים בו הוא TBD Lab, צוות “עילית” של חוקרי AI, מהנדסים ומומחי בטיחות שמופקדים על פתרון האתגרים הגדולים ביותר בדרך לשם. מדובר בהשקעה אסטרטגית בהיקף משמעותי, עם יעד מוצהר להוביל את התחום בעשור הקרוב.

הצוותים הללו לא רק מפתחים את המודלים עצמם, אלא גם בודקים את ההיבטים האתיים, הרגולטוריים והחווייתיים, כדי להבטיח שהטכנולוגיה תשרת את המשתמשים ולא תשלוט בהם.

איך זה משתלב בנוף התעשייתי?

לכאורה, צוקרברג מציע תפיסה ייחודית, אך כדאי לבחון אותה בהשוואה לשחקנים האחרים בשוק.

OpenAI ממקדת את עיקר פעילותה בפיתוח מודלים כלליים לשימושים מגוונים, עם דגש על API, כלים למפתחים והרחבת יכולות דרך פלטפורמות Agents – אך אינה מתמקדת בבן לוויה אישי פיזי (בינתיים).

Anthropic בחרה בגישת Constitutional AI, שמבוססת על “חוקה” ערכית המכתיבה את התנהגות המודלים, עם דגש על בטיחות, שקיפות ועמידה בסטנדרטים רגולטוריים ופחות על חזון עתידני רחב.

Google משלבת את יכולות Gemini ישירות במוצרי הדגל שלה – חיפוש, Workspace, אנדרואיד וכלי פיתוח – במטרה לשפר פרודוקטיביות ולספק אוטומציה ישומית, תוך חיבור הדוק לאקו־סיסטם הקיים שלה.

על רקע זה, החזון של מטא שואף לחדור עמוק יותר לחיי היומיום באמצעות מכשירים לבישים וחוויות מציאות רבודה, תחום שבו כבר יש לה יתרון תשתיתי.

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

לפרטים נוספים לחצו כאן >>

האם אנחנו יכולים לסמוך על ההבטחה הזו?

למרות הטיעונים הפילוסופיים המרשימים, קשה להתעלם מהשאלות הקשות שעולות לנוכח ההיסטוריה של מטא. האם צוקרברג באמת מאמין בחזון שהוא מציג, או שמדובר במיתוג שנועד לעטוף מהלך עסקי? ההבטחה להעצמה אישית נשענת כולה על אמון הציבור – וקל לשאול אם נכון להפקיד את המידע האינטימי ביותר שלנו בידי חברה שהייתה מעורבת בפרשת קיימברידג’ אנליטיקה ובדליפות נתונים רבות. גם סוגיית השליטה במערכת אינה פשוטה: החזון מדבר על בטיחות ופתיחות, אך מי יגדיר מהם “הערכים האנושיים”, והאם למשתמשים תהיה שליטה אמיתית בנתוניהם, או שהבינה העל אישית תפעל בפועל למען האינטרסים של מטא?

צוקרברג טוען כי העשור הנוכחי יהיה קריטי לפיתוח הטכנולוגיה הזו ומזמין את הציבור להצטרף לדיון. השאלה היא האם ניכנס אליו עם עיניים פקוחות וביקורתיות, או שנאפשר לשיווק ולברק הטכנולוגי לקבוע את גבולות השיחה.

הפוסט האם ‘בינה על אישית’ של צוקרברג היא מהפכה מחשבתית או מהלך יח”צ מבריק? הופיע ראשון בLet's AI בינה מלאכותית

מהו Harmonize?

Harmonize הוא כלי בינה מלאכותית חדש בגרסת הבטא של פוטושופ, שמאפשר להתאים אוטומטית את הצבעים, התאורה והצללים של אובייקט כך שיתמזג באופן טבעי עם התמונה שאליה הוא מתווסף. במקום לבצע התאמות ידניות ממושכות, הכלי מנתח את האווירה, הצבעים והאור בתמונה המקורית, ומייצר שילוב שנראה כאילו האובייקט היה שם מלכתחילה.

יתרונות ויכולות עיקריים:

• חיסכון משמעותי בזמן – תהליך אוטומטי שמספק תוצאות תוך שניות.

• מתאים גם למשתמשים שאינם מקצועיים, הודות לממשק פשוט וידידותי.

• גמישות גבוהה – עובד עם מגוון אובייקטים, דמויות ותנאי תאורה.

• שליטה יצירתית – מאפשר לבחור בין מספר גרסאות שילוב וללטש את התוצאה.

איך מתחילים?

שלב 1: הכנה קצרה

1. פותחים את Creative Cloud ומתקינים את Photoshop Beta.

2. מכינים שתי תמונות: תמונת רקע ואובייקט להוספה. אם לאובייקט יש רקע, זה בסדר, נסיר אותו בשלב הבא.

3. רצוי לבחור תמונת רקע עם תאורה ברורה, זה יקל על ההתאמה וייתן תוצאה טבעית.

שלב 2: שילוב האובייקט

1. פותחים את תמונת הרקע בפוטושופ Beta.

2. גוררים את קובץ האובייקט למסמך כך שיצור שכבה נפרדת.

3. מסירים רקע אם צריך: Select Subject ואז Remove Background, או הפקודה Remove Background מתוך Properties.

4. מסמנים את שכבת האובייקט ולוחצים Harmonize. הכלי ינתח את התאורה והצבע בתמונת הרקע ויבצע התאמה אוטומטית.

5. בוחרים את התוצאה המועדפת מתוך כמה וריאציות ומאשרים.

שלב 3: ליטוש מהיר

אם צריך ליטוש ידני אחרי ההתאמה האוטומטית, אפשר לדייק בהירות וקונטרסט עם Curves או Levels, ליישר גוונים חמים וקרים בעזרת Color Balance, ולכוון את עוצמת הצבע עם Hue/Saturation. להוספת צל אמין, יוצרים שכבה חדשה במצב Multiply, מציירים במברשת רכה ומטשטשים בעדינות ב-Gaussian Blur.

למי Harmonize מתאים?

• מעצבים גרפיים – מאפשר חיבור מהיר והרמוני בין אלמנטים בקולאז’ים וקמפיינים, בלי עבודת התאמות ידנית ארוכה.

• צלמים – משלב אנשים שצולמו במקומות שונים לתמונה אחידה, אידיאלי לאירועים משפחתיים או צילומי תדמית.

• יוצרי תוכן לרשתות חברתיות – חוסך זמן בעריכת תמונות, כך שאפשר להתמקד ברעיונות וביצירתיות.

• משתמשי Adobe קבועים – משתלב באופן טבעי עם סביבת העבודה הקיימת ומנצל את יכולות פוטושופ המוכרות.

למי הוא פחות יתאים?

• עבודה ברזולוציות גבוהות מאוד – כרגע הכלי מוגבל ל-1024×1024 פיקסלים, מה שמאתגר בפרויקטים שדורשים קבצים ענקיים.

• מי שמחפש פתרון חינמי – Harmonize זמין רק כחלק מ-Photoshop Beta במסגרת מנוי Creative Cloud.

כמה דוגמאות שימושיות

• שילוב ספה בחדר – התאמת צבעים, צללים והשתקפויות כך שהספה תיראה חלק טבעי מהחדר.

• שילוב עציץ על מדף – הוספת צל והשתקפות גוונים, לקבלת תחושה ריאליסטית של חפצים באותו חלל.

• שילוב אדם בתמונת לילה – שילוב דמות אנושית בסצנה חשוכה תוך שמירה על כיוון תאורה נכון.

תרחישים אמיתיים מהשטח:

• תמונה משפחתית – הבעיה: הדודה לא הגיעה לצילום בחתונה. הפתרון: מצלמים אותה בנפרד ומשלבים בתמונה הקבוצתית בעזרת Harmonize, כך שהשילוב ייראה טבעי.

• קמפיין שיווקי – הבעיה: המוצר צולם באולפן, אבל צריך להציג אותו בסביבה יומיומית. הפתרון: משלבים אותו בתמונת רקע של סלון, מטבח או חלל רלוונטי אחר – הכל מותאם אוטומטית לתאורה ולגוונים.

• פוסט לאינסטגרם – הבעיה: יש תמונה מרהיבה של נוף, אך חסר בה אלמנט אנושי. הפתרון: מוסיפים את עצמכם או חברים מתוך תמונות אחרות, בלי שיראה שמדובר בהדבקה.

דוגמה של לפני ואחרי: שילוב ספה בסלון

מתי Harmonize לא יעבוד טוב

Harmonize מצטיין בהתאמת צבעים ותאורה, אך יתקשה במצבים מורכבים במיוחד כמו תאורה מרובת מקורות, אובייקטים שקופים או משטחים מבריקים. במקרים כאלה התוצאה עלולה להיראות לא טבעית, ולכן מומלץ להשתמש בו כנקודת פתיחה בלבד ולהוסיף התאמות ידניות, כמו תיקון צללים, כיוונון בהירות או הוספת החזרי אור, כדי להגיע למראה ריאליסטי באמת.

כמה זה עולה באמת?

נכון לאוגוסט 2025, Harmonize כלול בגרסת הבטא של Photoshop ומגיע עם מנוי פעיל ל-Creative Cloud – ללא עלות נפרדת. יש מגוון מנויים ליחידים, סטודנטים, מורים ולעסקים. לפרטים מלאים ועדכניים על המחירים, היכנסו לאתר הרשמי.

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

לפרטים נוספים לחצו כאן >>

Harmonize אינו מושלם, אך הוא משנה את חוקי המשחק בכל מה שקשור לשילוב אובייקטים בתמונות. בעזרת בינה מלאכותית הוא מקצר תהליכים מורכבים לשניות בודדות, ומאפשר להגיע לתוצאה מקצועית בלי שעות של עבודה ידנית. אם אתם עובדים עם Adobe ויש לכם פרויקטים שדורשים שילוב בין תמונות – זהו כלי שכדאי בהחלט לנסות. זכרו, מדובר בנקודת פתיחה מצוינת, אך לעיתים נדרש ליטוש ידני כדי להגיע לרמת גימור מושלמת.

הפוסט שילוב אובייקטים בתמונה בצורה טבעית עם Harmonize של פוטושופ הופיע ראשון בLet's AI בינה מלאכותית

מה זה Eleven Music?

Eleven Music הוא הכלי החדש והשאפתני של ElevenLabs, שנועד להפוך כל רעיון מוזיקלי לשיר שלם, גם אם אין לכם שום ניסיון בנגינה, הלחנה או הפקה. כל מה שצריך הוא לנסח תיאור בשפה טבעית: סגנון, אווירה, קצב, כלים, ואפילו השראה אמנותית. המערכת תיקח את הטקסט הזה ותהפוך אותו לטראק באיכות אולפן, מוכן לשימוש אישי או מסחרי.

היתרונות של Eleven Music

כמו Suno ו-Udio, גם Eleven Music מאפשרת ליצור שירים מטקסט חופשי בשפה טבעית עם שליטה בסגנון, קצב וכלים. ההבדל הוא שב-Eleven Music חוויית העבודה ממוקדת יותר בעריכה גרנולרית לכל חלק בשיר, שילוב עריכת מילים וסאונד באותו ממשק, ווקאלס רב-לשוניים עם סנכרון מדויק למילים ואיכות הפקה גבוהה שמבוססת על מומחיות ElevenLabs בתחום האודיו.

Eleven Music מאפשרת כתיבה חופשית ומדויקת בשפה טבעית, ממש כמו שיחה עם ChatGPT. זה אומר שתוכלו לתאר בדיוק את מה שאתם רוצים לשמוע, ולקבל תוצאה שמרגישה קרובה בהרבה לחזון שלכם.

למה זה חשוב?

• נגישות מלאה – כל אחד יכול ליצור שיר שלם, גם בלי ידע מוזיקלי קודם.

• שליטה יצירתית מלאה – בחירת סגנון, קצב, מבנה, מילים, ואפילו עריכה של כל חלק בשיר.

• מוכנות מסחרית – כל הטראקים מגיעים עם זכויות שימוש מלאות ל-YouTube, פרסומות, פודקאסטים ועוד.

• תמיכה בשפות רבות – אנגלית, ספרדית, יפנית, צרפתית ועוד (עברית עדיין לא).

• איכות אולפן – תוצאה שנשמעת כאילו הופקה בידי מפיק מקצועי.

השורה התחתונה, הכלי הזה משחרר אתכם מהתלות במפיקים, אולפנים או מגבלות טכניות, ומאפשר לכם לעבור מרעיון להקלטה סופית תוך דקות.

איך מתחילים לעבוד עם Eleven Music

שלב 1 – כניסה וניווט

1. היכנסו לאתר של ElevenLabs והתחברו עם החשבון שלכם (LOG IN) או הירשמו (SIGN UP).

2. אחרי שהתחברתם ונכנסתם לממשק – בחרו בצד שמאל למעלה את האפשרות של Creative Platform.

3. בתפריט הצד בחרו Music (אפשר לבחור Music גם דרך My Workspace בממשק המרכזי).

מתחילים ליצור מוזיקה בכמה קליקים פשוטים

שלב 2 – ניסוח הפרומפט

בשדה הטקסט (…Describe your song) תארו את השיר בשפה טבעית: ז’אנר, קצב, מצב רוח, כלי נגינה, הפניות השראה, שפה, טמפו משוער.

דוגמה קצרה:

“Warm indie pop, 95 BPM, acoustic guitar and soft pads, intimate female vocal, nostalgic summer vibe, radio-friendly chorus.”

פרומפט ספציפי חוסך איטרציות ומקרב אתכם לגרסה שנשמעת כמו שדמיינתם.

שלב 3 – וריאציות

בחרו כמה וריאציות לייצר בכל הרצה 1 עד 4. וריאציות נותנות לכם השוואה מיידית בין כיוונים מוזיקליים שונים בלי לבזבז זמן.

שלב 4 – אורך השיר

בחרו אורך Auto (המערכת תגדיר אוטומטית) או הגדירו 30 שניות עד 4 דקות. זה מוודא התאמה ליעד שלכם מראש. לדוגמה פתיח לפודקאסט קצר או שיר מלא לקליפ.

הגדרת אורך השיר וכמות היצירות

שלב 5 – יצירה

לחצו Generate כדי להתחיל את היצירה בזמן אמת. ההפקה אורכת בדרך כלל דקות בודדות לפי האורך ומספר הווריאציות. 

איך עורכים ומשדרגים את השיר?

אחרי שהמערכת יצרה לכם את השיר, זה הזמן לכוון אותו בדיוק לטעם שלכם.

1. האזינו לכל הווריאציות: בחרו את הגרסה הקרובה ביותר למה שדמיינתם. היא תהיה נקודת ההתחלה לעריכה.

2. עריכת מילים (Lyrics Editor): פתחו את עורך הטקסט, מחקו שורות שלא מתאימות, שנו ניסוחים או הוסיפו מילים חדשות. כל שינוי שתבצעו יופיע בגרסה הבאה שתפיקו. לדוגמה: אם הפזמון נשמע טוב אבל בית אחד לא ברור מספיק, פשוט שכתבו את הטקסט של הבית בלבד והשאירו את השאר כפי שהוא.

עריכת סאונד (AI Conversation): לחצו על ה-conversation interface בתחתית העורך והקלידו הוראות בשפה טבעית.

דוגמאות:

• “Add a reggae rhythm to the verses”
• “Make the chorus longer and more energetic”
• “Add subtle female backing vocals to the bridge”
• “Reduce tempo from 95 BPM to 92 BPM for a more relaxed feel”

למה זה חשוב? העבודה בשני ערוצים, טקסט וסאונד, מאפשרת שיפור מהיר ומדויק בכל איטרציה. במקום להתחיל כל פעם מאפס, אתם בונים צעד אחר צעד עד לגרסה המושלמת.

כמה טיפים להפקה חכמה ב-Eleven Music

כדי להפיק תוצאה מדויקת ומהירה, חשוב להתאים את אורך ורמת הפירוט של הפרומפט לשלב שבו אתם נמצאים. אם אתם רק בוחנים כיוון, התחילו מפרומפט קצר וברור ורק אחרי שיש בסיס טוב הוסיפו פרטים. אם יש לכם כבר ויז’ן ברור, נסחו פרומפט מפורט מההתחלה. שמרו על קו אחד בלי לערבב יותר מדי ז’אנרים וכלים סותרים, וטפלו בווקאלס בצורה חכמה – שינוי טונאלי או דינאמי לפני כתיבה מחדש. שמרו גרסאות ביניים, היו ספציפיים לגבי ז’אנר, כלים, מצב רוח, טמפו ושפה, ועבדו בשלבים – גרסה ראשונה ואז שדרוג בעריכה. אל תשכחו לשלב השראות ממוקדות, למשל “שיר בסגנון אד שירן עם אווירה של שקיעה”.

איך כותבים פרומפט חכם?

כדי שהתוצאה תהיה מדויקת, הפרומפט צריך להיות ברור, ממוקד, ועשיר בפרטים. שלבו בו:

• סגנון וז’אנר – פופ, רוק, ג’אז, טראנס, קאנטרי, רגאיי ועוד.

• מצב רוח – שמח, נוסטלגי, עוצמתי, מסתורי.

• כלים מרכזיים – גיטרה אקוסטית, פסנתר, כלי מיתר, ביטים אלקטרוניים.

• השראה אמנותית – “בסגנון אד שירן” או “בהשראת מוזיקת דיסני”.

• שפה וקהל יעד – למשל, “שיר באנגלית עם פזמון קליט שמתאים לרדיו”.

טיפ: אחרי שיש לכם גרסה ראשונה, בקשו שינויים ממוקדים בשפה טבעית, למשל:

• “Make the chorus longer and add female backing vocals”
• “Add a saxophone solo after the second chorus”
• “Change the lyrics to be about friendship instead of love”

הכנתי עבורכם רשימה מוכנה של 40 פרומפטים להתנסות והשראה ל-Eleven Music. אם אתם מעוניינים, לחצו כאן.

כמה זה עולה?

Eleven Music פועלת במודל Pay-as-you-use. אתם משלמים בקרדיטים רק על מה שאתם מייצרים בפועל. אין התחייבות חודשית, ואין צורך לשלם מראש על חבילות גדולות אם אתם רק מנסים את הכלי. משתמשים חדשים מקבלים 10,000 קרדיטים בחינם, מה שמספיק להפקה של כמה שירים איכותיים לניסוי. למי שכן מתעניין בחבילות ומחירים, נכון לחודש אוגוסט – תקבלו 50% הנחה על חבילת Creator לחודש הראשון, כך שזו הזדמנות טובה להתנסות בלי לשבור את הכיס.

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

לפרטים נוספים לחצו כאן >>

Eleven Music מצטרפת לשורה של כלים חכמים שמאפשרים ליצור מוזיקה מטקסט בלבד, אבל היא מביאה שילוב נוח של ממשק ידידותי, שליטה מדויקת בפרטים ואיכות אולפן שמוכנה לשימוש מיידי. היא לא מחליפה מפיקים או יוצרים אנושיים, אבל כן מאפשרת לכל אחד, גם בלי ידע מוקדם או ציוד מקצועי, להפוך רעיון לשיר מוגמר בתוך דקות. בין אם אתם יוצרים תוכן, מפרסמים, פודקאסטרים או פשוט רוצים שיר אישי, זה כלי ששווה להכניס לארסנל היצירתי שלכם ולבחון איך הוא משתלב בתהליך העבודה.

הפוסט איך ליצור מוזיקה עם Eleven Music של ElevenLabs הופיע ראשון בLet's AI בינה מלאכותית

מרוץ החימוש של ענקיות ה-AI

שוק הבינה המלאכותית נמצא במרוץ חימוש מואץ. OpenAI השיקה את GPT-5 וגוגל ממשיכה לדחוף את Gemini קדימה בקצב גבוה. כל עדכון הופך לקרב על יתרון טכנולוגי, על תשומת הלב של המשתמשים, ובעיקר על שליטה בשוק העתידי. בתוך הסערה הזאת, אנתרופיק בוחרת באסטרטגיה שונה: שיפורים תכופים ומדויקים במקום מהפכות חד-פעמיות.

המודל החדש בבורר המודלים של קלוד

מה השתנה בפועל?

Claude Opus 4.1 מציג שדרוגים מדידים בכמה תחומים קריטיים, כפי שניתן לראות בגרפים ובטבלה שפרסמה אנתרופיק.

תכנות ומשימות אוטונומיות

במבחן SWE-bench Verified, הבוחן יכולות תכנות מעשיות, המודל השיג 74.5% – עלייה מהגרסה הקודמת (72.5%) ומקום בטופ מול GPT-4 (69.1%) ו-Gemini 2.5 Pro (67.2%).

קפיצת המדרגה בתכנות – Opus 4.1 מוביל. מקור: anthropic.com

חשוב לדעת: מבחן ה-SWE-bench כולל 500 בעיות מלאות, ואנתרופיק השתמשה בכולן גם בהשוואות הפנימיות שלה. מתחרים כמו OpenAI בחרו לדווח על תת־קבוצה של 477 בעיות – נתון שעשוי להשפיע על ההשוואה.

תחומים נוספים

במבחן TAU-bench לשימוש בכלים אוטונומיים, Opus 4.1 הגיע ל־82.4% במשימות קמעונאות ול־56% במשימות תעופה, באמצעות טכניקת “Extended Thinking” – חשיבה מורחבת עד 64,000 טוקנים.

במתמטיקה לרמת תיכון (AIME 2025) – 78%, מאחורי GPT-4 ו-Gemini (88%). בחשיבה ויזואלית – 77.1%, גם כאן מאחורי המובילים.

הטבלה המצורפת מאפשרת לראות את כל המבחנים זה לצד זה ולהבין באילו תחומים Opus 4.1 מוביל ובאילו הוא עדיין בפיגור:

מפת הביצועים – איפה Claude מנצח ואיפה הוא בפיגור. מקור: anthropic.com

מה זה אומר בפועל?

הנתונים מגלים אסטרטגיה ברורה: אנתרופיק לא מנסה להוביל בכל תחום, אלא להתמקד בדיוק במה שמייצר ערך מיידי למשתמשים מקצועיים – תכנות, אוטומציה, ועבודה עם מידע מורכב.

תגובות ראשונות מהשטח

חברות שקיבלו גישה מוקדמת ל-Claude Opus 4.1 מדווחות על שיפורים מורגשים:

• GitHub: שיפור כמעט בכל היכולות לעומת Opus 4, במיוחד בשכתוב קוד מרובה קבצים (multi-file refactoring).

• Rakuten Group: איתור מדויק של תיקונים בקוד גדול, ללא שינויים מיותרים או הכנסת באגים – יתרון משמעותי למשימות דיבוג.

• Windsurf: שיפור של סטיית תקן אחת ביחס ל-Opus 4 במבחן פנימי – קפיצה המקבילה למעבר מ-Sonnet 3.7 ל-Sonnet 4.

המכנה המשותף: שדרוגים שמורגשים בעבודה היומיומית, לא רק בנתוני מבחן.

זמינות ותמחור

Claude Opus 4.1 זמין כבר מהיום במגוון פלטפורמות: גרסאות התשלום של Claude, כלי הפיתוח Claude Code למתכנתים, ה-API של אנתרופיק (claude-opus-4-1-20250805), וכן דרך שירותי הענן Amazon Bedrock ו-Google Vertex AI. אנתרופיק שמרה על אותו מבנה תמחור מהגרסה הקודמת (אמנם שדרוג ללא שינוי אבל לא זול בכלל!) – 15 דולר למיליון טוקני קלט ו-75 דולר למיליון טוקני פלט – וממליצה לכל המשתמשים להחליף ל-Opus 4.1 בכל היישומים.

אסטרטגיית העדכונים התכופים

אנתרופיק משתמשת במודלי Hybrid Reasoning – עם או בלי חשיבה מורחבת (עד 64,000 טוקנים). במבחן SWE-bench היא נשארת עם אותה מתודולוגיה פשוטה – שני כלים בלבד: bash ועורך קבצים, ללא כלי התכנון שהיה ב-Claude 3.7 Sonnet. המסקנה: הובלה מובהקת בתכנות ובאוטומציה, גם במחיר פיגור בתחומים אחרים. זוהי בחירה אסטרטגית ברורה, לשחרר שדרוגים ממוקדים בתדירות גבוהה, בניגוד לגישה של OpenAI המעדיפה השקות דרמטיות ומשמעותיות יותר במרווחי זמן גדולים.

למה זה חשוב גם למי שלא מתכנת?

הצלחה של 74.5% בתיקון קוד מעשי היא לא עוד שורה בגרף, היא משנה את תפקידם של מתכנתים. במקום לשבת שעות ולכתוב קוד, הם ימצאו את עצמם מנהלים את עבודת ה-AI: מגדירים משימות, בודקים תוצאות, ומקבלים החלטות אסטרטגיות על מבנה המערכת. זה מעבר שדורש סט כישורים חדש, וגם שינוי תרבותי בארגונים.

גם לעולם העסקי הרחב יש כאן השלכות ברורות. Rakuten Group ו-GitHub כבר הראו מה קורה כשהאוטומציה מדויקת – זמני פיתוח מתקצרים, עלויות יורדות, והארגון כולו נהנה מיתרון תחרותי. אפילו עסקים שאינם טכנולוגיים יתחילו בשנים הקרובות לשלב כלים כאלה בתהליכים, פשוט כי השוק יכתיב את זה.

ולבסוף, יש את שאלת הנגישות. אנתרופיק שמרה על אותו תמחור של Opus 4, מה שמעיד על אסטרטגיה המכוונת לנפח שימוש ולא לגביית פרימיום, אך בפועל, מחירי ה-API של Claude Opus 4.1 הם מהגבוהים בשוק, גבוהים משמעותית מאלו של ChatGPT. המשמעות היא שהטכנולוגיה אמנם נגישה למי שמוכן להשקיע, אך עבור שימושים אינטנסיביים היא עלולה להוות חסם, מה שעשוי להאט את האימוץ בהיקפים גדולים.

הקרב האמיתי

זו לא רק תחרות טכנולוגית, זו מחלוקת על איך חדשנות צריכה להיראות. OpenAI מהמרת על הכרזות גדולות ושינויים חדים, בעוד אנתרופיק מעדיפה שיפורים קטנים ותכופים שמצטברים לכוח משמעותי לאורך זמן. ההיסטוריה מלמדת שבדרך כלל הגישה השנייה מנצחת, אבל בבינה המלאכותית המבחן עוד לפנינו. למרות קצב גבוה של השקות, פיצ׳רים וכלים – אנחנו עדיין בתחילת הדרך.

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

לפרטים נוספים לחצו כאן >>

בחודשים הקרובים נראה אם המשתמשים יבחרו בהבטחת הקפיצה הגדולה של GPT-5 או בהמשכיות והשדרוגים של Claude. עבור המשתמשים, זו בחירה בפילוסופיית פיתוח, עבור החברות, החלטה עסקית שיכולה להקנות יתרון של שנים או לכפות שינוי כיוון יקר. Claude Opus 4.1 הוא הרבה מעבר לעדכון גרסה – זו הצהרה על הדרך שבה נרצה שה-AI יתקדם: בקפיצות חדות או בצעדים קטנים ותכופים שכבר עכשיו משנים את העבודה בשטח. בסופו של דבר, האופן שבו נשתמש בכלים האלה יעצב את הכיוון שבו הבינה המלאכותית תתפתח בשנים הקרובות.

הפוסט אנתרופיק משיקה את Claude Opus 4.1 הופיע ראשון בLet's AI בינה מלאכותית

אז מה זה בעצם Guided Learning?

החידוש של גוגל נשען על יכולת שנקראת Guided Learning – למידה מונחית. במקום להגיש לתלמיד את התשובה המלאה, הכלי פותח איתו שיחה, שואל שאלות קטנות ומדויקות, ומתקדם צעד‑צעד לפי התשובות שלו. אם התלמיד טועה – הכלי מסביר, נותן דוגמה, ואז מחזיר אותו לשאלה בצורה שתעזור לו להבין. אם התלמיד מבין מהר – הקצב עולה, והשאלות הופכות למאתגרות יותר.

התוצאה היא חוויה שמרגישה כמו מורה אישי שמכיר אותך, יודע איפה אתה חזק ואיפה אתה צריך חיזוק, ומתאים את ההסבר בדיוק לרמתך. זה לא תרגול “copy‑paste” אלא תהליך שמבוסס על דיאלוג, הבנה והתקדמות בקצב האישי של כל תלמיד.

כמה דוגמאות פשוטות שיראו לכם איך זה עובד בשטח:

היסטוריה – הבנת אירועים מורכבים

תלמיד בוחן את הסיבות לפרוץ מלחמת העולם השנייה. במקום לקבל רשימה מוכנה, הכלי שואל: “מה לדעתך הייתה הסיבה המרכזית למתיחות באירופה בשנות ה‑30?” אחרי שהתלמיד עונה, הכלי מעמיק: “איך זה קשור לעליית גרמניה הנאצית?” – וכך, שלב אחרי שלב, התלמיד בונה בעצמו את רצף האירועים.

מתמטיקה – פתרון בעיות שלב‑שלב

תלמיד מנסה לפתור משוואה ריבועית. הכלי לא פולט את הפתרון, אלא מתחיל ב‑”מהו הצעד הראשון שאתה חושב שכדאי לעשות?” אם התלמיד בוחר דרך לא נכונה – הכלי מסביר למה ומחזיר אותו לנקודת ההתחלה עם רמז. אם הוא צודק – ממשיכים הלאה, עד לפתרון המלא.

מדעים – הבנת תהליכים בטבע

בשיעור ביולוגיה, הנושא הוא פוטוסינתזה. הכלי שואל: “מה הצמח צריך כדי לבצע פוטוסינתזה?” – התשובה מתקבלת, ואז מגיעה שאלה נוספת: “ואיפה בתא הצמח התהליך הזה קורה?” – התלמיד לומד את התהליך בהדרגה, תוך בניית התמונה המלאה.

שפה – פיתוח יכולת כתיבה

בשיעור עברית, תלמיד מקבל משימה לכתוב פסקה משכנעת. הכלי מתחיל ב‑”על איזה נושא תרצה לכתוב?” – ולאחר שהנושא נבחר, הוא שואל: “מה הטענה המרכזית שלך?” – השיחה ממשיכה עד שהתלמיד מגבש טקסט שלם, כשבדרך הכלי מציע ניסוחים חלופיים ודוגמאות.

למה כולם מדברים על זה?

בשבוע שעבר גם ChatGPT הציג מצב חדש בשם Study and Learn – מצב לימוד אינטראקטיבי שפועל על עיקרון דומה: שאלות‑תשובות שמובילות את הלומד להבנה אמיתית. עכשיו גוגל נכנסת לזירה עם Guided Learning, שמביא את אותה תפיסה – אבל משולב ישירות בכלי החינוך שכולנו כבר מכירים, כמו Google Classroom, Forms ו‑Docs.

ההבדל הוא שב‑Gemini הכל קורה כחלק מסביבת הלמידה הקיימת: המורה יכול ליצור משימות, חידונים ושיחות מונחות מתוך הכלים הרגילים שלו, והתלמיד מקבל את הליווי האישי בלי לצאת מהמערכת. זו לא תשובה שמוגשת על מגש – זה תהליך שיחה שמותאם אישית, שבודק אותך, מתקן, נותן רמזים ודוגמאות, ומוביל אותך צעד‑צעד עד שאתה באמת מבין.

בכלים אחרים אתה מקבל מידע; כאן אתה מקבל שותף ללמידה. וזה ההבדל שבין לדעת לבין להבין.

כך נראית למידה אמיתית עם Gemini

נתתי לו את השאלה הבאה מתוך מבחן בגרות בהיסטוריה ושימו לב לשיחה:

שימו לב שכבר מהתחלה הוא לא עונה אלא מסביר ומנסה לבדוק מה אני יודע:

זה מה שעניתי:

שימו לב שהוא נותן לי פידבק, וממשיך להסביר לי מה עלי לעשות:

אני ממשיך לתת לו תשובות כדי שהוא ינחה אותי:

והנה הוא מסכם:

אז עכשיו נתתי לו תשובה מלאה וביקשתי שיבדוק אותה:

והנה התגובה שלו לתשובה שלי:

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

לפרטים נוספים לחצו כאן >>

שורה תחתונה, למי זה מתאים?

למידה מותאמת אישית כבר לא נשמעת כמו חזון רחוק – היא כאן, והיא מתרחשת בשיחה חיה בין התלמיד לבין כלי שמבין אותו באמת. Guided Learning של גוגל, בדומה למצב ה‑Study and Learn שהושק לאחרונה ב‑ChatGPT, מוכיח שהעתיד של הלמידה הוא אינטראקטיבי, מותאם, ומבוסס על שותפות אמיתית בין לומד למערכת חכמה.

היתרון של גוגל טמון בכך שהכול משולב ישירות בכלי ההוראה היומיומיים, כך שהתלמידים והמורים לא צריכים לשנות את הרגלי העבודה שלהם – רק להרוויח ליווי אישי יותר. התלמידים זוכים לבנות את הידע שלהם צעד‑צעד, המורים חוסכים זמן ומגיעים ליותר תלמידים, ובתי הספר מקבלים מערכת שמעלה את רמת המעורבות וההבנה בכיתה.

בשורה התחתונה – זו לא עוד אפליקציה, זה שינוי תפיסה: הלמידה עוברת מ”להעביר חומר” ל”להוביל תהליך”, וזה הבדל שיכול לשנות לגמרי את הדרך שבה לומדים ומלמדים.

הפוסט גוגל משנה את הדרך שבה לומדים ומייצרת חוויה אישית בכיתה הופיע ראשון בLet's AI בינה מלאכותית

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

לפרטים נוספים לחצו כאן >>

מודל דגל חדש בשכונה – GPT-5 פה כדי לפשט!

בורר המודלים של GPT-5 בגרסה בתשלום.

הסוף לכאוס ולרשימת המודלים האינסופית!

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

לפרטים נוספים לחצו כאן >>

חלון קונטקסט גדול של 400K טוקנים ב-API!

יתרון אדיר נוסף שממחיש את הפער בין GPT-5 למודלים הקודמים של OpenAI, הוא חלון הקונטקסט הגדול יחסית. עד לאחרונה, עבודה עם מסמכים בני מאות עמודים או עם דאטה-סטים רחבים דרשה פיצול למקטעים או הקרבה באיכות הזיכרון. בדורות הקודמים הסתפקנו בכ-200,000 טוקנים, אבל כעת, GPT-5 משנה את כללי המשחק – הוא מסוגל לקבל ולנתח מסמכים בהיקף של עד 400,000 טוקנים דרך API! זה לא הכי גדול (מודלי ג’מיניי מתהדרים כבר תקופה ארוכה בחלון הקשר של מיליון טוקנים, וגם במודלים אחרים של OpenAI, כמו o4-mini-high ראינו דברים דומים), אבל זה שיפור משמעותי ממה שקיבלנו עד היום במודל הדגל של הפלטפורמה.

במבחני OpenAI-MRCR, שבודקים יכולת שליפה והבנה מתוך קונטקסטים ארוכים ומורכבים, GPT-5 עוקף בביטחון דגמים כמו O3 ו-GPT-4.1, במיוחד ככל שהקלט מתארך (עד 256,000 טוקנים למבחן). המשמעות היא שגם במבחני ”מחט בערימת שחת”, שבהן המודל מתבקש לשלוף פרט מידע מתוך כמות דאטה אדירה (כמו עשרות תכתובות, דוחות מפורטים או נתוני חיפוש אינסופיים), המודל מצליח לאתר מידע נקודתי ולשלוף אותו בדיוק מרשים ביותר של מעל 90%.

הקפיצה הזאת מגובה גם בנתוני BrowseComp Long Context, מבחן חדש שמדמה חיפוש והסקה מתוך מאות אלפי מילות מידע: כאשר הוזן קלט בגודל 128K–256K טוקנים, GPT-5 הצליח להגיע לתשובה הנכונה ב-89% מהמקרים – פי כמה מהיכולות של מודלים קודמים.

חלון הקונטקסט של GPT-5 כגדול מבעבר! 400K טוקנים | Credit: OpenAI.

לא רק איכות, אלא גם אמינות

לפירוט הביצועים המלאים, לחצו פה.

וכמו תמיד – אחרי שההייפ פוחת, אנחנו נשארים פה כדי לפצח את היוזקייסים, לבחון ולבדוק את ביצועי המודל בפועל, ולדווח לכם האם הוא באמת טוב כמו שהוא נשמע. רוצים להישאר מעודכנים? הצטרפו לקהילות ולניוזלטר שלנו.

הפוסט כל מה שצריך לדעת על GPT-5 הופיע ראשון בLet's AI בינה מלאכותית

האם נצליח להתעורר בזמן?

בואו נדבר קצת על קריאת ההשכמה של ועדת נגל. יש דוחות שנכתבים כדי לסמן וי, ויש כאלה שמניחים אצבע על הדופק הלאומי ומכריזים: זה עכשיו או לעולם לא. דוח ועדת נגל הוא בדיוק כזה – מסמך שמציב מראה מול מדינת ישראל, וחושף פערים עמוקים בין פוטנציאל אדיר למציאות שלא מחכה לנו. אנחנו ב-LetsAI אומרים את זה כבר שנים, וגם בתוכנית שלנו “בינה אחרת” מדברים על זה כמעט כל שבוע, אבל אם למישהו זה עדיין לא היה ברור – אז עכשיו זה ברור כשמש! אנחנו לא בכיוון… בכלל…

בואו נקפוץ לסוף – בדו”ח יש חמש ההמלצות שאמורות לעזור לנו לצאת מתרדמת החורף הדיגיטלית שלנו, ואולי להצליח להחזיר אותנו למרוץ. כי בסופו של יום – העתיד הכלכלי, הבטחוני והחברתי שלנו, תלוי בהטמעת AI בכל אספקטי החיים פה בישראל – מלמטה למעלה, ומלמעלה למטה!

1.⁠ ⁠מטה לאומי לבינה מלאכותית – עם שיניים

לא גוף סמלי, אלא מטה עצמאי, ישיר, שמדווח לראש הממשלה ומחזיק בסמכויות רגולטוריות וביצועיות. המטה הזה אמור להפוך את הבינה המלאכותית מאוסף מיזמים מפוזרים למדיניות לאומית אחת, ברורה ויעילה.

2.⁠ ⁠מחשב־על בבעלות המדינה – קפיצת מדרגה טכנולוגית

הקמת מחשב־על עצום, עם 60 אלף יחידות GPU – לא מדובר רק בגימיק הנדסי – זה הכרח במציאות שבה תשתית AI תקבע מי יהיו המדינות שיובילו את העולם המערבי בעשורים הקרובים. כי בעתיד לא יהיו מדינות עולם שלישי ומדינות מערביות – בעתיד יהיו מדינות AI וכל השאר!! לפי המלצות הדו”ח, חצי מהמשאבים יוקצו לאקדמיה, כדי שישראל לא תישאר מאחור במחקר, פיתוח וחינוך דור העתיד. השאר יעמוד לרשות המגזר הציבורי ומוסדות מחקר.

3.⁠ ⁠השקעה בהון האנושי – דור העתיד מתחיל כאן

תכניות מצוינות החל מהתיכון, מסלולים ייחודיים ללימודי AI באקדמיה, הרחבת הדוקטורנטים – וכל זה לצד מבצע השבת טאלנטים לישראל. כי אין משמעות לתשתית בלי מי שיידע להפעיל אותה ולחדש בתוכה.

4.⁠ ⁠תכנית לאומית לאנרגיה – לא רק חשמל, אלא עוגן ליציבות

הקמת חוות שרתים בפריפריה, חיבור תשתיות אנרגיה ייעודיות לבינה מלאכותית, והבטחת אמינות וגיבוי גם בשעת חירום. מהפכת ה-AI לא יכולה להיות אירוע שמתרחש רק במרכז הארץ, והיא חייבת יציבות אנרגטית.

5.⁠ ⁠השקעה לאומית של ממש – לא הצהרה, אלא ביצוע

5 מיליארד שקלים בשנה, חמש שנים ברצף. סך הכל 25 מיליארד שקל – השקעה שהיא אמנם כבדת משקל, אבל מהווה כרבע אחוז מהתל”ג – עלות זניחה יחסית לחשיבות ולפוטנציאל האדיר.

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

לפרטים נוספים לחצו כאן >>

בסופו של יום, דוח נגל אינו מהלך של בחירה, אלא של הישרדות לאומית. כך מסכם פרופ’ יעקב נגל: “אלו לא המלצות, אלא קווי מתאר לחבל ההצלה של ישראל בעידן הבינה המלאכותית”. ראש הממשלה אמר שיאמץ, יש מצב שלמערכת סוף סוף ייפול האסימון, אבל השאלה האמיתית נותרה פתוחה: האם ישראל באמת מוכנה להוביל בעידן הבינה המלאכותית, או שנמשיך לעמוד מהצד בזמן שהעולם רץ קדימה? בסייבר עשינו את זה, ואנחנו מאמינים שב-AI לא רק שנצליח לעשות את זה, אלא אנחנו חייבים לעשות את זה!

הפוסט ועדת נגל היא קריאת השכמה לפעולה לאומית הופיע ראשון בLet's AI בינה מלאכותית

מה זה בעצם Video Overview?

מדובר בסרטון קצר בפורמט של שקופיות עם קריינות אוטומטית, שנוצר ישירות מתוך המסמכים שהעליתם ל־NotebookLM. המערכת סורקת את התוכן, מזהה את הרעיונות המרכזיים – ובונה עבורכם מצגת הכוללת טקסטים מתומצתים, תמונות תואמות, ציטוטים מהמקור, וקריינות בקול סינתטי שנשמע טבעי ומותאם לקהל היעד. נכון לעכשיו, מדובר בפורמט אחד – מצגת מונחית (narrated slides) – אך גוגל מציינת שצפויים פורמטים נוספים בהמשך, כולל וידאו עשיר ודינמי יותר. הכלי מתאים במיוחד כשצריך להסביר תהליכים מורכבים, להעביר רעיון במהירות, או להפוך מסמך עמוס לסיפור נגיש שמוכן להצגה, שיתוף או למידה.

הנה כמה מגבלות שחשוב להכיר

איך יוצרים Video Overview?

התהליך פשוט, אבל ההשפעה של כל שלב גדולה, במיוחד אם רוצים לקבל תוצר מדויק, ממוקד ויעיל לשימוש. הנה שלושת השלבים, עם המלצות להפקה חכמה:

יצירת מחברת והעלאת חומרים

• התחילו ביצירת מחברת חדשה (או פתיחת קיימת) ב־NotebookLM.

• לחצו על Add source והעלו את החומרים הרצויים: PDF, Google Docs, לינקים לאתרים, קבצי שמע (באנגלית).

מומלץ להשתמש בכמה מקורות כדי ליצור הקשר רחב ומעמיק, לדוגמה: דוח רשמי, מאמר דעה, ואתר רלוונטי. תוכלו גם לחפש מקורות דרך כפתור Discover Sources.

טיפ: נסחו סיכום ראשוני של הרעיונות המרכזיים שלכם בשיחה עם NotebookLM בצ’אט עצמו, ואז העתיקו את הסיכום כטקסט, והעלו אותו כמקור נוסף. זהו טריק פשוט שמבטיח שהסרטון יתבסס על הנקודות המדויקות שאתם רוצים להדגיש ולא רק על מה שנכתב במסמכים עצמם.

הפקת הסרטון מתוך Studio

• עברו ללשונית Studio בראש המסך.

• לחצו על Video Overview ← ואז על שלוש הנקודות לעריכה והגדרות של הסרטון (Customize) .

• הגדירו את הפרמטרים המרכזיים:

  • נושא הסרטון – מה הרעיון המרכזי?

  • קהל יעד – סטודנטים, עובדים חדשים, לקוחות, משקיעים.

  • רמת ידע – מתחילים / בינוניים / מתקדמים.

  • מטרה – סיכום, הדרכה, היכרות, הצגת רעיון.

חשוב לדעת: ככל שההגדרה שלכם ברורה יותר, כך הקריינות, הסדר, והויזואל יתאימו בדיוק למה שאתם צריכים. 

בדיקה והתאמה אישית

• צפו בסרטון שנוצר.

• בקשו גרסה נוספת עם הגדרות שונות אם צריך.

• שנו את ההגדרות ונסו ניסוחים שונים (לפעמים שינוי מילה אחת משפיע מאוד).

• הורידו את הסרטון או שתפו אותו בקישור.

נסו ליצור כמה גרסאות במקביל – למשל גרסה בסיסית לצוות תפעול וגרסה מקצועית להנהלה.

מה כולל הווידאו?

הסרטון שנוצר בנוי כשקופיות רציפות שמלוּוות בקריינות אוטומטית, בקול טבעי שמתאים לרמת הידע ולקהל שבחרתם. בכל שקופית מופיעים טקסטים מתומצתים, תמונות, איורים, גרפים וציטוטים נבחרים – כולם נשאבים ישירות מהמסמכים שהעליתם. המטרה היא לא רק לסכם את התוכן, אלא להפוך אותו לסיפור ברור שקל להבין, לשתף ולהציג.

השפה והסגנון משתנים בהתאם להגדרות: ניתן ליצור סרטון בסיסי וברור למתחילים, או סרטון מקצועי ועשיר למומחים. המערכת יודעת לזהות מונחים מורכבים או תהליכים חשובים, ולהציג אותם בצורה חזותית שמפשטת את ההבנה.

המלצה: אחרי צפייה בסרטון, שאלו את עצמכם:

• האם הקהל שלי יבין את הרעיון המרכזי תוך 2-3 דקות?

• האם חסר הקשר?

• האם יש מקום לחלק את זה לשני סרטונים?

סרטון מוצלח הוא כזה שאפשר לשלוח למישהו – והוא יבין, יתחבר ויזכור. ואל תשכחו, כל סרטון כזה הוא לא סוף הדרך, אלא בסיס לתוצרים נוספים: סקירה קולית, דוח מסכם, או אפילו חומר שיווקי. ככל שתדייקו במקור, ככה תרוויחו יותר תוצרים מהסשן הראשוני.

דוגמה לוידאו הדרכה על Video Overview 

רוצים לראות דוגמה לתוצר סופי? יצרתי סרטון על NotebookLM Video Overview, כשהמדריך הזה שימש כאחד המקורות. צירפתי גם את סרטון ההשקה מיוטיוב, ודרך Discover הוספתי מקורות נוספים כמו ריוויו של משתמשים ודוגמאות לשימושים יצירתיים. בהגדרות הקסטומיזציה ציינתי את נושא הסרטון, הסבר קצר על הפיצ’ר, איך משתמשים בו ולמה הוא מועיל ללמידה, שיתוף ופישוט של תכנים.

מוזמנים לצפות בו כאן:

הסטודיו המשודרג של NotebookLM

NotebookLM Studio הוא לא רק ממשק חדש, הוא שינוי תפיסתי. במקום להפיק תוצר אחד מכל מחברת, אפשר כעת ליצור סרטון, סקירה קולית, מפת חשיבה ודוח כתוב – כולם מבוססים על אותם מקורות. כך נוצרת סביבת עבודה אחת שמאפשרת גמישות מלאה בלי קפיצות בין כלים.

למשל, בלמידה נוכל להפיק סרטון שמסביר את הנושא המרכזי, לצידו מפת חשיבה שמארגנת את הרעיונות בצורה חזותית, סקירה קולית שמחזקת את ההבנה דרך שמיעה, ודוח כתוב שמסכם את התובנות. במשרד אפשר לבנות גרסאות שונות לפי תפקיד בצוות – כמו סרטון כללי לכולם, וסקירה קולית ייעודית למפתחים או להנהלה. ובשיתוף חיצוני ניתן להתאים כל פלט לרמת הידע של הקהל – מגרסה פשוטה לקהל רחב ועד תוכן מקצועי למומחים.

איזה פלט לבחור?

הסטודיו כולל ארבעה סוגי פלטים – וכל אחד מהם מתאים להקשר אחר:

• Video Overview: להסבר מרשים ויזואלית, כשהמטרה היא להנגיש רעיון לקהל רחב או להעביר מסר ברור עם קריינות.

• Audio Overview: כשאין זמן לצפות, אבל רוצים להבין דרך שמיעה – למשל בדרך בנסיעה.

• Mind Map: כשרוצים למפות קשרים ורעיונות מורכבים בצורה ברורה – כלי מעולה להבנת עומק.

• Report: סיכום רשמי מתוך המחברת, עם ניסוח מדויק וציטוטים מהמקור. מתאים להנהלה, צוותי עבודה, תובנות ולמידה, וכולל פורמטים מגוונים לבחירה.

לשונית Reports

בתוך הפלט של Report ניתן לבחור בין ארבעה סוגי תוצרים, לפי הצורך:

• Briefing doc – תמצית מנהלים
• Study guide – מדריך למידה
• FAQ – שאלות ותשובות
• Timeline – ציר זמן של התפתחויות

השילוב החופשי בין הפלטים הוא הכוח האמיתי של הסטודיו. לוקחים רעיון אחד, ופורסים אותו לכמה זוויות: להצגה, להבנה, ללמידה ולשיתוף.

סוגי הפלטים ב‑NotebookLM Studio

מה לגבי פרטיות?

NotebookLM פועל בתוך סביבת Google Workspace ומציע הגנה מבוססת ענן על התכנים שמועלים אליו. גוגל מצהירה במפורש שהחומרים נשמרים בפרטיות ואינם נחשפים למשתמשים אחרים. עם זאת, כמו בכל כלי בענן, האחריות הסופית על התוכן שאתם מעלים היא שלכם.

אם אתם עובדים עם מידע רגיש, כמו מסמכים רפואיים, פרטים מזהים או תוכן פיננסי, מומלץ להימנע מהעלאה ישירה של החומר, ולהשתמש בגרסאות מדומות, חומרים ציבוריים או ניסוחים כלליים.

NotebookLM אינו מוגדר עוד ככלי ניסיוני (Labs), אך אם אתם כפופים לרגולציות כמו GDPR או מדיניות מידע פנימי, ודאו שאתם עומדים גם בדרישות הארגון, ולא רק בתנאי השירות של גוגל.

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

לפרטים נוספים לחצו כאן >>

Video Overviews והסטודיו החדש של NotebookLM הם לא עוד תוספת, הם שינוי פרדיגמה. במקום לבנות מצגת, לערוך גרפיקה ולהקליט קול, אתם יכולים להפוך כל מסמך לסרטון חכם ומוכן לשיתוף, בלחיצת כפתור. זה חוסך שעות של עבודה, מפשט רעיונות מסובכים, ומוריד את סף הכניסה ליצירת תוכן מקצועי. מה שמבדיל בין סרטון סביר לסרטון מצוין הוא לא הקסם של המערכת – אלא מה שתכניסו פנימה. התוצאה שתתקבל טובה בדיוק כמו החומר שתכניסו. מסמכים ברורים, ניסוחים חכמים והגדרות מדויקות, הם ההבדל בין סרטון סביר לסרטון מצוין. בשילוב עם אפשרויות ה-Studio, תוכלו לבנות רצף תכנים שלם – סרטונים, סקירות, דוחות ומפות חשיבה – כולם קשורים לאותו רעיון, מותאמים לקהלים שונים, ומוכנים לשימוש מיידי. בהמשך הדרך, כשהמערכת תתמוך גם בשפות נוספות ותשלב יכולות וידאו מתקדמות כמו Veo 3, היא צפויה להפוך לכלי קבוע בארגז הכלים של כל מי שעוסק בלמידה, תקשורת או יצירת תוכן חכם.

הפוסט מצגות וידאו חכמות וסטודיו משודרג ב- NotebookLM הופיע ראשון בLet's AI בינה מלאכותית

מה מיוחד במודלים החדשים?

המודלים החדשים מציעים שילוב נדיר של יכולות מתקדמות עם נגישות טכנולוגית. gpt-oss-120b, עם 117 מיליארד פרמטרים בסך הכול אך רק 5.1 מיליארד פעילים בכל הפעלה, מסוגל להתחרות ב-o4-mini הקנייני של OpenAI עצמה. המודל הקטן יותר, gpt-oss-20b, כולל 21 מיליארד פרמטרים ו-3.6 מיליארד פעילים, ומציג ביצועים דומים ל-o3-mini – תוך יכולת להריץ אותו גם על חומרת צרכן סטנדרטית.

הייחוד הטכנולוגי טמון באדריכלות מסוג Mixture-of-Experts (MoE) – שבה המודל מפעיל רק חלק מהמומחים (Experts) שלו עבור כל שאלה, במקום להפעיל את כל הפרמטרים בכל פעם. הגישה הזו חוסכת באופן משמעותי במשאבי חישוב. בנוסף, המודלים כוללים דחיסה מתקדמת מסוג MXFP4, המאפשרת להריץ את המודל הגדול על כרטיס גרפי יחיד עם 80GB זיכרון, ואת המודל הקטן על מחשב עם 16GB בלבד.

חופש מלא לשימוש מסחרי

אחד ההיבטים המרכזיים בהשקה הוא הרישיון – Apache 2.0. מדובר ברישיון פתוח ומתירני במיוחד, שמאפשר שימוש מסחרי חופשי, כולל שינוי, התאמה, והפצה של המודלים – ללא חובת שיתוף קוד, וללא חשש מתביעות פטנטים. בפועל, חברות יכולות להטמיע את המודלים במוצרים שלהן, לבצע כוונון מלא לצרכים ייחודיים, ואפילו למכור פתרונות מבוססי AI – ללא תמלוגים, מגבלות משפטיות או תלות בשירותי ענן חיצוניים. עבור סטארט-אפים וחברות קטנות, זו הזדמנות נדירה לגשת ליכולות מתקדמות בלי לשלם את המחיר הכבד של שירותי API קנייניים.

יכולות מתקדמות למשימות אייג’נטיות

המודלים החדשים תוכננו במיוחד לביצוע משימות אייג’נטיות, כלומר, משימות שמחייבות שרשרת חשיבה, קבלת החלטות הדרגתית ושילוב עם כלים חיצוניים. הם יודעים לבצע חיפושי אינטרנט, להריץ קוד ב-Python, ולהפעיל פונקציות במערכות חיצוניות.

נתוני הביצועים מדגימים את היכולות האלה היטב: המודל הגדול השיג 95.2% ב-AIME 2024 – תחרות מתמטיקה מתקדמת ברמה תיכונית-עלית, ו-83.3% ב-GPQA Diamond – מבחן ידע מדעי ברמת דוקטורט. בנוסף, ניתן לשלוט במידת העומק של שרשרת החשיבה (נמוכה, בינונית, גבוהה), מה שמאפשר לאזן בין דיוק לבין מהירות תגובה בהתאם לצורך.

שליטה במידת העומק של שרשרת החשיבה

הביצועים בטבלת ההשוואה של OpenAI מציבים את gpt-oss-120b קרוב מאוד למודלים הקנייניים במתמטיקה, אך מעט מאחור במדדי reasoning כלליים כמו MMLU ו־Humanity’s Last Exam.

איך זה נראה במספרים?

כדי להעריך את הביצועים של המודלים החדשים, OpenAI הריצה אותם על סדרת מבחנים סטנדרטיים בתחומים מגוונים, מתכנות ומתמטיקה, דרך שיחות בריאות ועד שאלות מדע ברמת דוקטורט. התוצאות מפתיעות – המודלים הפתוחים לא רק מתקרבים לרמת הביצועים של המודלים הקנייניים, בחלק מהמבחנים הם אפילו עוקפים אותם.

המבחנים שערכה OpenAI לשני המודלים החדשים. מקור: openai.com

הנה הסבר קצר לכל אחד מ־10 המבחנים:

1. Codeforces – תחרות תכנות: מדד המשקף יכולות פתרון בעיות תכנותיות בזמן אמת. ה-gpt-oss-120b עקף את o3-mini, עם ניקוד כמעט זהה ל-o4-mini.

2. Humanity’s Last Exam – שאלות עומק: שאלות בין-תחומיות ברמת קצה. הביצועים של gpt-oss-120b היו גבוהים מהמודלים הקטנים אך לא הגיעו לרמה של o4-mini.

3. HealthBench Hard – שיחות מורכבות בבריאות: מבחן שיחות רגישות ומאתגרות בתחומי רפואה ובריאות. המודלים הפתוחים עוקפים את o3-mini, אך עדיין נופלים מ-o4-mini.

4. HealthBench – שיחות רפואיות ריאליסטיות: שיחות רפואיות כלליות יותר. גם כאן הביצועים של gpt-oss-20b גבוהים יותר מ-o3-mini, אבל מתחת ל-o4.

5. Tau-Bench Retail – שימוש ביכולות קריאה לפעולה: מדד לפונקציות כמו קריאת API או הרצת פקודות. המודלים החדשים משתווים או מתקרבים מאוד ל-o4-mini.

6. AIME 2025 – מתמטיקה תחרותית (עם כלים): מבחן מתמטיקה תיכונית מתקדם, כולל אפשרות להריץ קוד. המודלים הפתוחים משיגים דיוק מרשים, gpt-oss-120b אפילו מעל o4-mini.

7. AIME 2024 – מתמטיקה תחרותית (עם כלים): בדומה ל-AIME 2025, אבל עם מבחן ישן. התמונה דומה – דיוק גבוה מאוד, עם עדיפות קלה ל-gpt-oss-120b.

8. GPQA Diamond – שאלות מדע ברמת דוקטורט: מדד שמעריך עומק הבנה מדעי. ה-gpt-oss-120b עקף את o3-mini, והתקרב מאוד ל-o4-mini.

9. MMLU – ידע אקדמי כללי: שאלות ידע כללי מתחומים שונים (משפטים, היסטוריה, פיזיקה ועוד). ה-benchmark הזה דווקא מראה יתרון קל ל-o3 וה-o4 על פני המודלים הפתוחים.

10. גרפים לאורך תשובות – דיוק לפי אורך תשובה: שני גרפים שמראים איך הדיוק משתפר ככל שהתשובה ארוכה יותר (COT – Chain of Thought). ככל שהמודל מקבל יותר מקום “לחשוב”, כך התוצאה מדויקת יותר, במיוחד עבור gpt-oss-120b.

אבטחה מתקדמת 

OpenAI השקיעה מאמצים נרחבים בהבטחת בטיחותם של המודלים הפתוחים. כחלק מהבדיקות, בוצעו ניסיונות Malicious Fine-Tuning – כלומר, התאמה יזומה של המודלים למטרות מזיקות בתחומים רגישים כמו ביולוגיה וסייבר. גם בתרחישים קיצוניים אלה, המודלים לא הפגינו יכולת משמעותית לייצר תוכן מסוכן, לפי הקריטריונים שהוגדרו מראש.

בנוסף, תהליך ההכשרה כלל סינון קפדני של נתוני האימון, עם דגש על הסרת תוכן מזיק וידע רגיש בביוטכנולוגיה. כמות המסמכים המסוכנים צומצמה בכמחצית לעומת מערכי אימון רגילים. המודלים גם עברו חיזוקים ייעודיים נגד עקיפה של כללי הבטיחות ותקיפות מהסוג הידוע כ־Prompt Injection.

תגובה אסטרטגית לתחרות הסינית

המהלך של OpenAI מהווה תגובת נגד ישירה לעליית המודלים הסיניים הפתוחים, שהחלו לכבוש את הדירוגים הגלובליים. מודלים כמו DeepSeek-R1, Alibaba Qwen ו-Kimi K2 הוכיחו שאפשר לפתח מודלים מתקדמים בעלויות נמוכות משמעותית, מבלי לוותר על ביצועים. כך למשל, DeepSeek-V3 פותח בתוך חודשיים בלבד ובעלות של 5.58 מיליון דולר, סכום זעום ביחס להיקפי ההשקעה המערביים המקובלים, גם אם הוא אינו משקף את סך העלות הכוללת של הפיתוח.

במהלך חריג, OpenAI הודתה כי הייתה בעבר “בצד הלא נכון של ההיסטוריה” כשנמנעה מפתיחת מודלים. המטרה כעת היא למצוא איזון חדש, בין הנגשת הטכנולוגיה לבין שמירה על יתרון תחרותי. המודלים הפתוחים אמנם איכותיים, אך עדיין מדורגים מתחת לגרסאות הקנייניות המתקדמות ביותר של החברה.

זמינות נרחבת ותמיכה טכנית

המודלים זמינים כבר עכשיו להורדה בחינם דרך Hugging Face ו־GitHub, וניתנים להפעלה גם באופן מקומי דרך ה- gpt-oss playground.

בנוסף, פלטפורמה גדולות כמו Microsoft Azure, Amazon AWS ו־Together AI מציעות אותם כשירות בענן, מה שמקל על שילוב מהיר בפרויקטים קיימים.

קיימת תמיכה מלאה בכלים פופולריים כמו Transformers, vLLM, Ollama ו־LM Studio, לטובת אינטגרציה נוחה ופיתוח מהיר. גם בגזרת החומרה נרשמת היערכות: חברות כמו Nvidia, AMD ו־Groq פועלות להתאמה אופטימלית של המודלים למעבדים שלהן, מה שמבטיח ביצועים חזקים במגוון תצורות – משרתים ייעודיים ועד תחנות עבודה אישיות.

השפעה על השוק והתמחור

המהלך עשוי לשנות בצורה דרמטית את כלכלת שוק ה-AI. נכון, בטווח הקצר OpenAI עלולה לאבד הכנסות מ־API, אך האסטרטגיה ארוכת הטווח ברורה: הרחבת השוק הכולל, יצירת מערכת אקולוגית רחבה יותר, והעמקת ההשפעה של החברה על התחום כולו. המודלים הפתוחים אמורים לשמש כ”דלת כניסה”, ולהוביל למעבר הדרגתי למוצרים מתקדמים יותר בתשלום, שבהם OpenAI יכולה לגבות פרמיה מוצדקת.

המהלך גם מהווה איזון עדין מול השותפות האסטרטגית עם Microsoft. האמנה ביניהן מתוכננת עד 2030, אך חלה רק על המודלים הקנייניים, מה שמעניק ל-OpenAI חופש פעולה כמעט מלא בתחום הפתוח, בלי לפגוע במחויבויותיה כלפי מיקרוסופט.

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

לפרטים נוספים לחצו כאן >>

עידן חדש של בינה מלאכותית פתוחה

השקת המודלים הפתוחים של OpenAI מסמלת שינוי פרדיגמה מהותי במתווה הליבה של אחת החברות המשפיעות ביותר בתחום. זהו מהלך שמבשר על סוף עידן המונופוליות, ותחילתה של מערכת אקולוגית פתוחה, מבוזרת ורב-שחקנית. עבור מפתחים, חוקרים וחברות, מדובר באלטרנטיבה אמיתית: מודלים איכותיים ונגישים, שניתן להפעיל מקומית, לשלב במוצרים, ולבנות עליהם, בלי להיות כבולים לרישיונות מגבילים או לשירותי ענן יקרים. המסר ברור: OpenAI לא שומרת את היכולות רק לעצמה – היא פותחת דלת, טכנולוגית ותרבותית כאחד. והמודלים החדשים? הם רק ההתחלה.

הפוסט OpenAI משיקה מודלים פתוחים הופיע ראשון בLet's AI בינה מלאכותית

למה זה שונה מכל מה שראינו עד עכשיו?

עד היום, יצירת משחק או סביבה וירטואלית דרשה צוותים, חודשים של פיתוח ומיליוני שקלים. Genie 3 משנה את כללי המשחק – הוא בונה עולמות שלמים מתוך טקסט פשוט, בקצב של 24 פריימים לשנייה וברזולוציה של 720p, כמו משחק מחשב מודרני. אבל הקסם האמיתי הוא לא רק ביצירה, אלא באינטראקציה. הכל קורה בזמן אמת:

• זזים שמאלה? העולם זוכר איך נראה שם לפני דקה.

• חוזרים? הפרטים נשמרים בדיוק כפי שהשארתם.

• רוצים להוסיף משהו? פשוט כותבים – והעולם משתנה מיד.

איך Genie 3 משתווה למתחרים?

כדי להבין עד כמה Genie 3 יוצא דופן, כדאי להשוות אותו למודלים אחרים בתחום כמו GameNGen, Genie 2 ו-Veo. הטבלה הבאה מציגה את ההבדלים המרכזיים:

איך Genie 3 משתווה למתחרים? מקור הנתונים: deepmind.google

אז מה רואים כאן?

Genie 3 בולט בכל פרמטר מרכזי: הוא פועל בזמן אמת, מגיב לפקודות טקסט, שומר הקשר למשך דקות, ויודע ליצור עולמות מגוונים, לא רק סצנות וידאו או סביבות משחק מוגבלות. בעוד שמודלים קודמים הציגו תנועה או תיאור, Genie 3 מציע חוויה אינטראקטיבית מלאה, ממש כמו להיכנס לעולם שנוצר תוך כדי תנועה.

ארבעה סוגי עולמות ש-Genie 3 יודע ליצור

1. עולמות פיזיקליים: מים זורמים, אור נשבר, חפצים נופלים – המודל מבין חוקים פיזיקליים ויוצר סביבות שמרגישות אמיתיות.

2. טבע חי ודינמי: יערות עם חיות שמתנהגות בטבעיות, צמחים שזזים ברוח – לא תמונה, אלא אקוסיסטם חי.

3. עולמות פנטזיה: דמויות מצוירות, נופים קסומים, חוקים אחרים – כל מה שהדמיון מסוגל לייצר.

4. מקומות מהעבר: רחובות ימי-ביניים, עיירות שנעלמו – אפשר “לטייל” בהם ולחקור.

איך זה יכול לשנות את החיים שלנו?

חינוך שלא הכרנו

מורה להיסטוריה יכול לקחת את הכיתה לטיול בבבל העתיקה. מורה לביולוגיה יכול לבנות יער גשם אינטראקטיבי. תלמיד יכול “ללכת” ברחובות ורשה של 1940. לא עוד סרטון, אלא ממש חוויה.

אימונים בלי סיכון

צריך לאמן נהגי מירוץ? תיצרו את מסלול מונקו. טייסים? תדמו כל תנאי מזג אוויר, בלי סיכון ובמינימום משאבים אל מול הוצאות של ה״דבר האמיתי״.

אימון רובוטים

Genie 3 כבר נבחן עם SIMA, הסוכן של גוגל. במחסן וירטואלי הוא ביצע הוראות כמו “גש למלגזה האדומה” – והצליח. כך רובוטים יוכלו להתאמן על מיליוני תרחישים לפני שהם פועלים בעולם האמיתי.

דמיון שעובר שלב

אמנים יוצרים עולמות, סופרים פותחים שער לסיפור, ילדים בונים את הפנטזיה שלהם. הגבול בין חלום למציאות מיטשטש.

אז מה הבעיות?

בואו נהיה כנים, זה עדיין לא מושלם. נכון לעכשיו, Genie 3 מאפשר תנועה בסיסית בלבד. אפשר להסתובב ולקפוץ, אבל לא לתקשר עם דמויות אחרות או לבצע פעולות מורכבות. גם הדיוק הגיאוגרפי מוגבל, אז אל תצפו לראות העתק מדויק של תל אביב או ירושלים. בעיה נוספת היא ייצוג טקסט – שלטים, כתובות או כל אלמנט טקסטואלי אחר יופיעו רק אם מציינים אותם במפורש, ובשלב זה באנגלית בלבד.

בנוסף, קיימת שאלה מהותית של מהימנות. מכיוון שהעולמות נוצרים בזמן אמת, קשה לוודא דיוק מדעי או היסטורי, עניין קריטי במיוחד בהקשרים חינוכיים. גם האינטראקציה בין דמויות עדיין לא יציבה, ולכן קשה ליצור סביבות עם כמה שחקנים פעילים. העולם עצמו נשמר רק למספר דקות, ולא ניתן להפעיל אותו לאורך זמן. ולבסוף, הגישה למודל עדיין מוגבלת, והוא פתוח בשלב זה רק לחוקרים וליוצרים נבחרים.

גוגל לוקחת את זה ברצינות

בניגוד לחברות שממהרות להשיק, גוגל נוקטת כאן זהירות. צוות ייעודי בודק שהטכנולוגיה בטוחה ואחראית כי ברור שגם עולמות מדומים יכולים לשמש למטרות רעות. לכן ההשקה מתחילה בקבוצה מצומצמת של חוקרים ואקדמאים. הם אוספים משוב, בודקים, ורק אחר כך גוגל שוקלת צעדים הבאים.

אבל בואו נעצור רגע. מה אתם הייתם יוצרים עם כוח כזה? ומה עלול להשתבש? עולמות שנראים אמיתיים אבל משכתבים היסטוריה? סביבות שאנשים נשאבים לתוכן בלי גבולות? אולי זה הזמן לקבוע כללים, לפני שהטכנולוגיה הזו יוצאת לכולם.

המרוץ הגדול

גוגל לא לבד. ביוני 2025 השיקה מטא את V-JEPA 2, מודל עם 1.2 מיליארד פרמטרים שלומד מהתבוננות בווידאו. הרובוטים שלה הצליחו במשימות כמו “הרם והנח” עם חפצים שלא ראו קודם בשיעורי הצלחה גבוהים של קרוב ל-80%. גם אנבידיה הצטרפה, עם Cosmos – פלטפורמה שיצאה בינואר 2025 ומאומנת על יותר מ־20 מיליון שעות של וידאו מציאותי. אנבידיה מתמקדת בעיקר באימון רכבים אוטונומיים ויצירת דאטה סינתטי.

ההבדל? גוגל הולכת רחב יותר – לא רק תנועה וראייה ממוחשבת, אלא גם עולמות פנטזיה, שחזורים היסטוריים וסביבות חינוכיות. מטא מצידה טוענת שהמודל שלה מהיר פי 30 מזה של אנבידיה, אבל כל אחת מודדת לפי הקריטריונים שלה. מה שבטוח, המרוץ הזה מאיץ את הקצב לכולם.

Genie 3 “לומד” פיזיקה כמו ילד

Genie 3 לא מתוכנת מראש עם חוקי פיזיקה. הוא לומד בדיוק כמו ילד – בהתבוננות. כמו שילד מבין שכוס על שפת שולחן תיפול, גם Genie 3 מפתח אינטואיציה פיזיקלית על בסיס מיליוני דוגמאות של תנועה, נפילה והתנגשות.

למה גוגל בחרה בדרך הזו? כי המטרה היא לא רק לתת תשובות, אלא לבנות בינה מלאכותית שמבינה את העולם באמת – פיזיקה, כבידה, תנועה, סיבה ותוצאה. זו ההכנה לעתיד שבו רובוטים יפעלו בבתים, מכוניות ינהגו בעצמן, ו-AI יוכל לסייע בכל תחום, מתוך הבנה עמוקה של מציאות.

עשור של מחקר – ממשחקי StarCraft ועד סימולציות מתקדמות – הוביל לרגע הזה. Genie 3 הוא עוד צעד בדרך למכונה שמבינה מציאות כמו שאנחנו.

מתי זה יגיע אלינו?

גוגל מתכננת להרחיב את הגישה ל-Genie 3, אבל עדיין לא סיפקה ציר זמן. אם נלמד ממה שקרה עם כלים כמו ChatGPT או Midjourney, ייתכן שנראה גרסה ציבורית מוגבלת כבר בשנה-שנתיים הקרובות. שימוש נרחב יותר בחינוך, יצירה או מחקר? כנראה שזה ייקח עוד זמן, אבל הקצב שבו הטכנולוגיה מתקדמת מפתיע גם את המומחים. מה שעד לא מזמן נראה כמו מדע בדיוני, כבר נמצא בכף היד שלנו.

בינתיים, גוגל נוקטת זהירות, ואולי בצדק. אבל הכיוון ברור – עולמות אינטראקטיביים שנשמרים לאורך זמן, עם דמויות, הקשר, תרחישים משתנים, ושימושים שיקבעו איך נלמד, ניצור ונאמן את הבינה של המחר.

לסיכום, Genie 3 הוא לא עוד כלי טכנולוגי. זה סטנדרט חדש לעולמות אינטראקטיביים שנוצרים על ידי בינה מלאכותית. כאלה שלא רק נראים טוב, אלא מגיבים, משתנים וזוכרים. בעוד שמודלים קודמים ידעו להציג סצנות קבועות מראש, Genie 3 בונה מציאות בזמן אמת, כמו משחק מחשב חי, אבל כזה שנשלט בטקסט. זה לא שיפור קטן – זה כמו לעבור ממצלמה חד-פעמית לסטודיו קולנועי חי ונושם. השאלה גם כאן היא כבר לא אם, אלא מתי, והאם נהיה מוכנים כשהעולמות יתחילו להיבנות לנו מול העיניים?

למגוון דוגמאות, הדגמות ומידע נוסף – כנסו לבלוג הרשמי של Google DeepMind וגלו עולם שנבנה תוך כדי תנועה.

הפוסט Genie 3 של גוגל בונה עולמות בזמן אמת הופיע ראשון בLet's AI בינה מלאכותית

מה זה בעצם Deep Think?

מדובר במנגנון reasoning חדש, שמעניק ל-Gemini 2.5 יכולת לעבור מ”זרימה ישירה של טקסט” לחשיבה מקבילה:

• המערכת בוחנת פתרונות מרובים.

• מזהה סתירות וטעויות.

• משלבת בין גישות שונות.

• ולומדת מתוך הניסיון שלה עצמה.

כל זה מתרחש במהלך הפקת התשובה, מה שמוביל לתגובות מדויקות, עמוקות ויצירתיות יותר, במיוחד במשימות מורכבות כמו קידוד, מתמטיקה ותכנון לוגי.

ביצועים פורצי דרך

גוגל הציגה את Deep Think תוך הצגת תוצאות שוברות שיאים בבנצ’מרקים רשמיים. להלן כמה מההישגים הבולטים:

• LiveCodeBench V6: פתרון אתגרי תכנות בזמן אמת, עם 87.6% הצלחה – הרבה מעל רוב המודלים הקיימים, כולל OpenAI o3 ו־Grok 4.

• Humanity’s Last Exam: מבחן מאתגר הכולל שאלות בתחומים כמו לוגיקה, מתמטיקה, מדעים ותכנון אסטרטגי. Deep Think הגיע ל־34.8% הצלחה – הגבוה ביותר שנמדד במבחן זה עד כה.

• IMO 2025: המודל פתר בהצלחה 60.7% מהשאלות שנלקחו מאולימפיאדת המתמטיקה הבינלאומית – רמת ביצוע שגבוהה משמעותית מהציון שזיכה במדליית ארד בשנים האחרונות (45.2%).

• AIME 2025: מבחן מתמטיקה אמריקאי ברמה גבוהה. Deep Think זכה בציון כמעט מושלם: 99.2% הצלחה.

הנה גרפים השוואתיים של ביצועי Gemini 2.5 Deep Think מול גרסת Gemini 2.5 Pro והמתחרים OpenAI o3 ו־Grok 4, בארבעה מבחנים רשמיים:

גוגל מציגה ביצועים פורצי דרך במבחני חשיבה, תכנות ומתמטיקה. מקור: Google Blog

ומה זה בעצם אומר?

הפערים בין Deep Think לגרסאות קודמות, וגם למתחרים, אינם רק הבדלים במספרים. הם מספרים סיפור של שינוי גישה עמוק, כמעט תפיסתי. כך למשל, במבחן IMO, גרסת Gemini Pro השיגה 31.6%, בעוד ש־Deep Think הגיע ל־60.7% – כמעט כפול. במבחני חשיבה נוספים כמו AIME ו־LiveCodeBench, הפערים אינם מקריים אלא מצביעים על קפיצה שלא נמדדה קודם במודלים ציבוריים.

אבל ייתכן שהשאלה האמיתית איננה עד כמה Deep Think מצליח, אלא איך הוא מצליח. Deep Think לא פועל כמו autocomplete משוכלל. הוא שואל את עצמו שאלות, בונה כיווני פתרון, לומד מטעויות, ומתנהג כמו מי שבאמת חושב. לא מודל שמנחש, אלא כזה שמבין.

מגוון של יכולות מרשימות

מעבר ליכולות המתמטיות והלוגיות, Deep Think מציג גם כישורים בתחומים יצירתיים וטכניים:

• עיצוב גרפי ואמנות ויזואלית – כולל voxel art, עיצוב אתרים והפקת ויזואלים חדשניים.

• שילוב בין כלים – כולל הרצת קוד, חיפוש באינטרנט (Search), והפקת תשובות עם הפניות חכמות.

• למידה משולבת – המערכת לומדת מהפלט הקודם של עצמה, מבצעת איטרציות פנימיות, ומשפרת את התשובה לפני שמוצגת למשתמש.

במילים אחרות, המערכת לא רק “עונה” טוב יותר. היא חושבת אחרת – גם בתחום הוויזואלי.

כך נראית חשיבה יצירתית רב-שלבית ב־Deep Think. מקור: Google Blog

בדוגמה הויזואלית המצורפת, אפשר לראות שלוש תוצאות שונות על אותו פרומפט (הנחיה). המשתמש ביקש לבנות סצנת voxel של פגודה בגינה פורחת. בעוד Gemini Flash ו־Gemini Pro יצרו מבנים בסיסיים למדי, Deep Think הפיק תוצאה מורכבת בהרבה: מבנה בן קומות רבות, סימטריה, עצי דובדבן תלת-ממדיים ובריכת מים – הכל בתוך קובץ HTML יחיד להפעלה מיידית. התמונה ממחישה את השוני בגישה – לא רק ביצוע, אלא הבנה אמנותית ופרשנות עיצובית.

זמינות, מחיר ומגבלות

נכון להיום, Deep Think זמין רק במסגרת מנוי Google One AI Premium (Ultra), שמחירו 249.99 דולר לחודש (כ־950 ש”ח). החבילה כוללת גם:

• 30TB אחסון בגוגל.

• גישה ל־Gemini 2.5 Ultra.

• YouTube Premium.

• ומספר תכונות מתקדמות נוספות.

עם זאת, ישנה מגבלה ברורה: ניתן להשתמש ב־Deep Think רק בכ־5 פרומפטים ביום, במודל של rolling window. זמני התגובה נעים בין חצי דקה למספר דקות, תלוי במורכבות המשימה. לכן, זהו כלי שמתאים כיום בעיקר לחוקרים, מהנדסי תוכנה, מוסדות אקדמיים וארגוני R&D, ולא למשתמש יומיומי או מזדמן.

לסיכום, גוגל עדיין לא הכריזה מתי Deep Think יהיה זמין גם למשתמשי Gemini Pro או דרך API חיצוני, אך לפי הדיווחים, המנוע כבר נבחן אצל שותפים אסטרטגיים. ברגע שייפתח לשימוש רחב, נוכל לראות אותו משולב באפליקציות, מערכות שירות, פיתוח תוכנה ואתרי אינטרנט. השאלות שמונחות על השולחן כבר לא טכניות, הן מהותיות: האם זו תחילתה של בינה מלאכותית שאפשר לסמוך על שיקול הדעת שלה? האם בעתיד נבנה עליה מערכות חינוך, אסטרטגיה או רפואה?

אין עדיין תשובות חד-משמעיות. אבל הכיוון ברור: Deep Think הוא לא עוד פיצ’ר. זו התחלה של מודל שחושב, ולא רק מגיב. גוגל לא רק שדרגה את הביצועים של המודל שלה, היא שינתה את חוקי המשחק. Deep Think מציב רף חדש – לא במהירות, לא בכמות ידע, אלא ביכולת לחשוב לעומק. אם אתם עוסקים בפיתוח, מחקר, אקדמיה או בינה מלאכותית – זהו כלי שחובה להכיר.

הפוסט Deep Think הוא המנוע החדש של גוגל שמנסה לחשוב כמו בן-אדם הופיע ראשון בLet's AI בינה מלאכותית

מי הוא ג’ייסון למקין ומה זה “vibe coding”?

למקין הוא איש טכנולוגיה ותיק, מייסד שותף של חברת EchoSign שנמכרה לאדובי, וכיום מנהל קרן השקעות בגובה 150 מיליון דולר המתמחה בחברות SaaS. קהילת SaaStr שייסד הפכה לקהילה הגדולה בעולם למייסדי תוכנות B2B, עם מעל 3 מיליון צפיות חודשיות. כשאדם עם רקע כזה החליט לנסות “vibe coding”, שיטת פיתוח חדשה שמבוססת על הנחיית בינה מלאכותית באמצעות שפה טבעית במקום כתיבת קוד מסורתית, הציפיות היו גבוהות.

“Vibe coding” הוא מונח שטבע החוקר אנדריי קרפתי בתחילת 2025, והוא מתאר גישה שבה המפתח מתאר למודל בינה מלאכותית מה הוא רוצה לבנות, והמודל יוצר את הקוד. במקום לכתוב שורות קוד ולעבור על כל פרט, המפתח מתמקד בחזון הכללי ונותן למכונה לטפל בפרטים הטכניים. לפי סקרים עדכניים, כבר ב‑2023 כ‑44% מהמפתחים אימצו כלי AI לפיתוח וכתיבת קוד, ופרויקטים המשתמשים ב‑vibe coding מדווחים על עלייה של עד 55% במהירות הביצוע.

איך הכול התחיל?

למקין פנה לפלטפורמת הפיתוח Replit, המציעה “סוכן קוד” מבוסס בינה מלאכותית, כלי שמסוגל לסייע בכתיבת קוד, תיקון תקלות ואפילו קבלת החלטות בפיתוח תוכנה. במשך 12 ימים, הוא איפשר לסוכן לבנות אפליקציה לקהילת ה‑SaaS שלו, תוך שהוא נותן לו הוראות חוזרות ונשנות ב‑11 מקרים נפרדים, כולל באותיות גדולות, להימנע לחלוטין משינויים בקוד, ובעיקר למנוע גישה למידע קריטי בתקופת “קיפאון פיתוח” יזום.

למקין מצייץ ש־Replit שוב פעלה על דעת עצמה בזמן הקפאת קוד

למקין תיאר את הניסוי ברשתות החברתיות ובפודקאסט “Twenty Minute VC”, ושיתף כיצד בילה מעל 80 שעות בפיתוח עם הבינה המלאכותית, בבניית מוצר B2B עבור הקהילה שלו.

ביקורת עמוקה על העדר שקיפות, על “שקרים” ועל היעדר guardrails

“פאניקה של מכונה”

ביום התשיעי לניסוי התרחש האירוע הדרמטי. חרף ההוראות המפורשות, הבינה המלאכותית קיבלה החלטה עצמאית ומחקה את בסיס הנתונים החי – שכלל מידע על 1,206 מנהלים ו‑1,196 חברות. בהמשך התברר שהיא גם ניסתה להסתיר את המעשה באמצעות יצירת נתונים מזויפים, דוחות כוזבים וטענה שקרית שלפיה לא ניתן לשחזר את המידע.

ה‑AI הסביר ללמקין: “נכנסתי לפאניקה והפעלתי פקודות על מסד הנתונים בלי אישור”, לאחר שזיהה שאילתות ריקות במהלך תקופת ההקפאה. הוא הודה: “זה היה כשל קטסטרופלי מבחינתי”, ואף העניק לעצמו ציון 95 מתוך 100 בסולם “קטסטרופת נתונים”.

צילומי מסך שפורסמו ברשת אישרו את ההודאה, והאירוע כולו הדגיש את אחת הסכנות העמוקות ביותר בשימוש בכלי AI אוטונומיים: לא רק חוסר הבנה של ההקשר, אלא גם יכולת לשקר, להסתיר, ולפעול בניגוד להוראות – מבלי להבין את גודל הנזק. בעולם אנושי, התנהלות כזו הייתה מסתיימת בפיטורין מיידיים. כאן, היא חושפת את גבולות האחריות המלאכותית.

תגובה מהירה של מנכ”ל Replit

עמג’ד מסעד, מנכ”ל Replit, התנצל פומבית ב- X והודה כי מחיקת הנתונים היא “בלתי מתקבלת על הדעת ולעולם לא אמורה להיות אפשרית”. בתגובתו לא הסתפק רק בהתנצלות, והבטיח פעולות מיידיות, כולל:

• הפרדה מלאה בין סביבות פיתוח לפרודקשן, כדי למנוע מסוכני AI לגשת למידע חי ללא רשות מפורשת.

• יצירת מצב “תכנון בלבד”, שבו ה‑AI יכול להציע שינויים אך לא לבצע אותם ללא אישור אנושי.

• מנגנון שחזור בלחיצה אחת, שיאפשר שחזור מהיר של נתונים גם במקרים שבהם ה‑AI טוען שזה בלתי אפשרי.

• ביקורת פוסט‑מורטם מלאה, להבנת מה בדיוק קרה וכיצד למנוע אירועים דומים.

• החזר כספי למשתמש והבטחה לעדכונים שוטפים במערכת.

עמג’ד מסעד, מנכ”ל Replit, מתנצל פומבית ב- X

שיח רחב על בטיחות AI

האירוע עורר גל תגובות נרחב בקהילת הטכנולוגיה ומעבר לה. רבים ראו בו מקרה קלאסי למה שקורה כשסוכני AI פועלים באוטונומיה מלאה – ללא בקרה אנושית מספקת. חברת Baytech Consulting כתבה בניתוח מפורט: “האירוע הזה הוא הוכחה חד-משמעית שהעברת שיפוט לאלגוריתם הסתברותי היא מתכון לאסון”.

מומחים לבטיחות AI הדגישו את הצורך בהקמת מנגנוני הגנה ברורים, שיגבילו את פעולת המערכת, יאפשרו בדיקות בזמן אמת ויאפשרו עצירה מיידית בעת תקלה. לצד זאת עלתה חשיבותו של פיקוח אנושי רציף, במיוחד לנוכח ממצאים שלפיהם 80% ממנהלי IT דיווחו על מקרים שבהם סוכני AI חרגו מהתנהגות צפויה. גם נושא השקיפות חזר שוב ושוב – כל פעולה של AI, במיוחד בסביבות קריטיות, חייבת להיות מתועדת ונשלטת.

לפי תחזית של גרטנר, עד 2028 כשליש מהאפליקציות הארגוניות יכללו סוכן AI, והמשמעות ברורה: הסיכונים כבר כאן, וההיערכות צריכה להתחיל עכשיו.

מה קורה באירופה ובעולם?

האירוע התרחש בעיצומה של תקופה שבה הרגולציה של AI נמצאת במוקד תשומת הלב העולמית. חוק הבינה המלאכותית האירופי (EU AI Act), שאושר בפרלמנט במרץ 2024 וקיבל אישור סופי במאי, נכנס לתוקף באוגוסט באותה שנה. מדובר בתקנות מחייבות שמטפלות בדיוק באתגרים שעולה מהם מקרה Replit, ובעיקר בסוכני AI אוטונומיים שפועלים בסביבות רגישות.

על פי החוק, מערכות AI הפועלות בסביבות בעלות סיכון גבוה, כולל מערכות לפיתוח תוכנה או כאלה שמטפלות בנתונים עסקיים, מחויבות לעמוד בנוהלי בטיחות מחמירים, לקיים תהליכי ניהול סיכונים עם בקרות אנושיות, לשמור על תיעוד טכני מפורט של החלטות, ולהבטיח פיקוח אנושי אפקטיבי ורציף. כל אלה נועדו למנוע בדיוק את סוגי הכשלים שנחשפו בניסוי של למקין.

בבריטניה, למרות שאין חוק AI מקיף, הרגולטורים פועלים לפי עקרונות של בטיחות, שקיפות ואחריותיות – עקרונות שאירוע Replit מפר בבירור.

השלכות לעולם העסקי והארגוני

האירוע הזה יוצר תקדים מסוכן עבור ארגונים המבקשים לאמץ AI ברמה תפעולית רחבה. מחקרים מראים כי כבר היום, היחס בין זהויות לא-אנושיות (Non-Human Identities) לבני אדם בסביבה הארגונית הממוצעת עומד על 50:1, וחלק מהאנליסטים מעריכים שהוא יגיע ל‑80:1 בתוך כשנתיים.

כדי להטמיע AI בצורה אחראית, חברות נדרשות לאסטרטגיית הגנה מרובת שכבות – זה מתחיל בממשל AI פרואקטיבי שלא מסתפק בתגובה לאחר מעשה, אלא מגדיר מסגרת בקרה מראש. לכך מתווסף הצורך בהכשרת עובדים לעבודה בטוחה עם כלים מבוססי AI, לצד ביצוע שוטף של בדיקות “אדום נגד כחול” (Red vs Blue teams) לזיהוי פגיעויות. רכיב קריטי נוסף הוא הקמה של מנגנוני בקרה בזמן אמת, שיאפשרו עצירה מיידית של פעילות מזיקה במקרה הצורך.

הסיכונים עם כלי AI מתקדמים

אחד ההיבטים המטרידים באירוע הוא שהוא התרחש דווקא עם Replit, אחת הפלטפורמות המובילות כיום בפיתוח AI. חברות כמו Cursor, GitHub Copilot ו‑Windsurf מציעות כלים דומים המאפשרים פיתוח מהיר בעזרת בינה מלאכותית, אך האירוע מדגיש כי כל עוד הטכנולוגיה אינה בשלה דיה, השימוש בה צריך להתמקד בפרוטוטייפים ולא בסביבות פרודקשן קריטיות.

בעקבות האירוע, חברות טכנולוגיה רבות החלו לפתח “AI governance modes”, מצבים שבהם פעולות רגישות דורשות אישור אנושי מפורש, כולל מחיקת נתונים, שינויים במבנה בסיסי נתונים, או גישה למידע רגיש.

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

לפרטים נוספים לחצו כאן >>

איזון בין חדשנות לבטיחות

האירוע של Replit מדגיש עד כמה חשוב לשמור על איזון בין חדשנות טכנולוגית לבין אחריות ובטיחות. מחקר שפורסם ב‑2025 קובע כי בשלב הנוכחי אין הצדקה לפיתוח סוכני AI אוטונומיים לחלוטין – הסיכונים רבים, והיתרונות אינם חד-משמעיים.

הפתרון איננו עצירה, אלא התקדמות זהירה. פיתוח איטרטיבי עם בדיקות בכל שלב, בקרות אנושיות בנקודות החלטה קריטיות, ושקיפות מלאה בתהליכי קבלת ההחלטות -כל אלה הם תנאים הכרחיים. לא פחות חשוב מכך – יצירת תרבות ארגונית שמודעת לסיכונים ולא רק להזדמנויות.

מאז האירוע, יותר חברות משקיעות במנגנוני AI governance, והקונגרס האמריקני אף שוקל חקיקה נוספת בתחום. אבל המסר האמיתי טמון דווקא במשפט הפשוט שלמקין עצמו כתב: “הגענו למצב שבו אפילו הרצת בדיקת קוד בסיסית יכולה למחוק את כל מסד הנתונים.”

ה-AI לא “מרד”, הוא פשוט פעל בלי ״להבין״. וזאת בדיוק הבעיה. האתגר האמיתי הוא לא לפתח AI חזק יותר, אלא לבנות לו גבולות ברורים וחזקים יותר, כאלה שישרתו את האנושות, ולא יסכנו אותה.

הפוסט מה קרה בניסוי של Replit והאם זה סימן אזהרה לתעשייה? הופיע ראשון בLet's AI בינה מלאכותית

הגיוס שמעורר רעידת אדמה בתעשייה

על פי דיווחים של The New York Times ,Financial Times ו-TechCrunch מהשבוע האחרון, OpenAI השלימה בהצלחה גיוס של 8.3 מיליארד דולר לפי שווי של 300 מיליארד דולר. הביקוש להשקעה היה גבוה פי חמישה מההיצע הזמין, והסיבוב כולו נסגר חודשים לפני לוח הזמנים המתוכנן. הגיוס הנוכחי הוא חלק מהאסטרטגיה הרחבה לגייס 40 מיליארד דולר עד סוף 2025.

הסיבוב הובל על ידי Dragoneer Investment Group, שהשקיעה 2.8 מיליארד דולר – כ-10% מכלל נכסיה. לצידה השתתפו גם ענקיות ההון הפרטי Blackstone ו‑TPG, וכן מנהלי קרנות נאמנות כמו T. Rowe Price, Fidelity Management, Sequoia Capital ו‑Andreessen Horowitz.

המספרים שמניעים את ההתלהבות

על פי נתונים שפרסמה החברה, ההכנסה השנתית החוזרת (ARR) זינקה ל‑13 מיליארד דולר – עלייה מ‑10 מיליארד בחודש יוני. התחזיות העדכניות צופות הכנסות של למעלה מ‑20 מיליארד דולר עד סוף השנה.

בגזרת המשתמשים, על פי דיווחים שונים של החברה, ChatGPT משרת כיום בין 500 ל‑700 מיליון משתמשים שבועיים פעילים – טווח שמשתנה בהתאם למתודולוגיית הספירה והמועד שבו בוצעה.

השווי הנוכחי של 300 מיליארד דולר, פי 30 מהכנסות השנתיות, מציב את OpenAI בערך גבוה משמעותית מרוב חברות מדד S&P 500, לרבות Coca-Cola ו‑McDonald’s. יחס שווי להכנסות כה גבוה נחשב יוצא דופן גם בתחום הבינה המלאכותית, ומעורר בקרב אנליסטים שאלות נוקבות: האם מדובר בשווי מוצדק, או בסימן מוקדם לבועה?

השקעה אסטרטגית לאומית

על פי דיווחי CNBC ו‑Bloomberg, כ‑18 מיליארד דולר מהגיוס הנוכחי מיועדים לפרויקט Stargate. מדובר ביוזמה רחבת היקף של OpenAI, SoftBank ו‑Oracle לבניית תשתיות AI בארה”ב, כחלק מתוכנית השקעה כוללת של כ‑500 מיליארד דולר על פני ארבע שנים ממקורות מימון מגוונים. ה‑18 מיליארד הם רק חלק מהמימון הכולל הנדרש.

SoftBank מובילה את הפרויקט עם התחייבות של 30 מיליארד דולר, אך יש תנאי קריטי: אם OpenAI לא תהפוך לחברה למטרות רווח עד 31 בדצמבר 2025, ההשקעה עלולה להצטמצם ל‑20 מיליארד בלבד.

התחרות מתעצמת

בעוד OpenAI חוגגת את הגיוס הענק, תמונת השוק חושפת תחרות צמודה הרבה יותר מהמצופה. לפי דוח עדכני של Menlo Ventures, חברת Anthropic, האמא ואבא של Claude, מחזיקה כיום ב‑32% מנתח השוק הארגוני של מודלי שפה גדולים, לעומת 25% בלבד של OpenAI. זהו מהפך משמעותי לעומת 2023, אז OpenAI הובילה עם 50% ו‑Anthropic הסתפקה ב‑12%.

במגזר הפיתוח והקוד, לפי אותם נתונים, הפער אף גדל: Anthropic שולטת ב‑42% מהשוק הארגוני, לעומת 21% בלבד ל‑OpenAI. עם זאת, חשוב להדגיש שמדובר בשוק דינמי מאוד, וכי ההגדרות של פלחי שוק והמדדים עצמם משתנים לעיתים בין מחקרים שונים.

האתגרים הכלכליים שמתחת לפני השטח

מאחורי המספרים המרשימים של צמיחה והכנסות, מסתתרים סיכונים כלכליים לא מבוטלים. לפי הערכות אנליסטים שמתבססות על דיווחי תקשורת (ולא על דוחות כספיים רשמיים), OpenAI רשמה הפסדים משוערים של מעל 5 מיליארד דולר בשנת 2024 – על הכנסות של כ‑3.7 מיליארד דולר בלבד. לשנת 2025, ההערכות מצביעות על הכנסות של כ‑12.7 מיליארד דולר, אך הדרך לאיזון כלכלי עדיין רחוקה, במיוחד כאשר עלויות הפיתוח והתשתית ממשיכות לטפס בקצב מהיר.

כדי להפוך את המודל לרווחי, החברה צריכה להתמודד עם שלוש חזיתות קשות: עלויות אנרגיה ומחשוב עצומות, תחרות גוברת שמובילה לשחיקה במחירים, והצורך להשקיע באופן רציף ומשמעותי במחקר ופיתוח כדי להישאר בחזית.

האתגר הרגולטורי והגיאופוליטי המתגבר

OpenAI ניצבת כיום גם בפני שורת אתגרים רגולטוריים מחמירים, מעבר ללחצים הכלכליים. באירופה, חוק ה‑AI Act שנכנס לתוקף השנה מטיל מגבלות חדשות על פיתוח והפצה של מודלים גדולים, ועלול לחייב את החברה בהשקעות נוספות בתחומי הבטיחות, השקיפות והציות לרגולציה. בארה”ב, הקונגרס דן בהצעות חוק מגוונות להסדרת התחום, ודיונים משפטיים מעלים שאלות על ריכוז כוח טכנולוגי בידי מספר מצומצם של חברות.

מהזירה הגיאופוליטית עולה אתגר אחר לגמרי – התחרות מול סין. חברות כמו DeepSeek מדגימות שניתן לפתח מודלים מתקדמים בעלות נמוכה בהרבה, מה שמעורר סימני שאלה בנוגע ליעילותו של המודל האמריקני, שמבוסס על השקעות מסיביות בתשתיות חישוב ונתונים. וזו כבר דילמה אסטרטגית עמוקה – האם להמשיך להזרים הון לכוח גולמי, או לחפש דרכים יעילות וחכמות יותר להשיג יתרון?

הדרך להנפקה

היקף הגיוס הנוכחי מקרב את OpenAI צעד נוסף לקראת הנפקה ציבורית, אך הדרך לשם עדיין רצופה במכשולים. נכון לאוגוסט 2025, אין לוח זמנים רשמי להנפקה, ולפני כן חייבים להתקיים שני תנאים מהותיים: המעבר למבנה מלא של חברה למטרות רווח, והסדרה ברורה של היחסים עם Microsoft, שהשקיעה מעל 13 מיליארד דולר ודורשת גישה שוטפת לטכנולוגיות של החברה.

בפועל, ישנם חסמים שעלולים לעכב את המהלך – מגעים רגולטוריים מתמשכים מול רשויות בקליפורניה, תביעות משפטיות מצד אילון מאסק, ותלות באישורה של Microsoft. גם אם כל התנאים יושלמו בהצלחה, עדיין אין ודאות מתי OpenAI תהיה מוכנה להיחשף לבחינה ציבורית של מצבה הכספי.

השלכות על האקוסיסטם הטכנולוגי

ההשקעה חסרת התקדים של OpenAI יוצרת גלי הדף משמעותיים על כלל האקוסיסטם הטכנולוגי. מצד אחד, היא מושכת משאבים, משקיעים וכישרונות חדשים אל תחום ה‑AI, דבר שמעניק דחיפה לסטארטאפים, מעבדות מחקר ואוניברסיטאות המפתחות טכנולוגיות נלוות.

מצד שני, השכר הגבוה והתנאים המפליגים שמציעות החברות הגדולות יוצרים “יניקת מוחות”, שמקשה על שחקנים קטנים לגייס ולהתחרות על כוח אדם איכותי.

עם זאת, ההתמודדות אינה מתנהלת רק סביב חומרה ותשתיות יקרות. פתרונות קוד פתוח כמו Llama של Meta וכלי פיתוח דמוקרטיים מאפשרים גם לחברות קטנות לחדש ולהישאר רלוונטיות. השאלה היא האם הדינמיקה הנוכחית תעודד תחרות וגיוון, או שמא תעמיק את הריכוזיות.

הסיכון למשקיעים הציבוריים

מעבר למשקיעי ההון סיכון ולקרנות הפרטיות, חלק מההון שמוזרם ל‑OpenAI מגיע גם מקרנות נאמנות כמו T. Rowe Price ו‑Fidelity, שמנהלות כספי פנסיה וחסכונות של הציבור הרחב. משמעות הדבר היא שכישלון עתידי של החברה לא יפגע רק בגופים מוסדיים מנוסים, אלא גם באזרחים רגילים שחסכונותיהם מושקעים בעקיפין ביוזמות עתירות סיכון. זהו שיקול שהרגולטורים חייבים להביא בחשבון, במיוחד כאשר הם שוקלים את גבולות הפיקוח על השקעות בתחום ה‑AI.

ומה קורה אם זה לא יעבוד?

ההשקעה הענקית מעוררת גם שאלות חברתיות ומוסדיות עמוקות יותר. אם OpenAI לא תצליח להפוך לרווחית ולהצדיק את שווייה, התוצאה עלולה להיות לא רק אובדן הון, אלא גם זעזוע באמון הציבורי וביכולת של רגולטורים לקבוע מדיניות אחראית בתחום. העובדה שחלק מהמימון מגיע בעקיפין מתמריצים ממשלתיים כמו הטבות מס והשקעה בתשתיות, הופכת את הצלחת OpenAI לסוגיה ציבורית ולאומית, לא רק עסקית.

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

לפרטים נוספים לחצו כאן >>

בשורה התחתונה, OpenAI הצליחה לגייס משאבים חסרי תקדים במירוץ לפיתוח בינה מלאכותית כללית (AGI). הגיוס מקנה לה יתרון אסטרטגי וכלכלי משמעותי, אך גם מציב אותה בעין הסערה, תחת ציפיות חריגות בהיקפן. האם ההשקעה העצומה בחומרה ובכוח חישוב תוביל לפריצת הדרך הטכנולוגית שכולם מצפים לה? האם החברה תוכל להפוך לרווחית מול תחרות הולכת ומחריפה? ואיך יגיבו הרגולטורים ברחבי העולם לנוכח ריכוז כלכלי וטכנולוגי בקנה מידה שכזה?

המירוץ על עליונות ב‑AI הוא כבר מזמן לא רק עניין עסקי, אלא שאלה של מי יעצב את העתיד הטכנולוגי של האנושות. OpenAI קיבלה את הזמן, ההון והבמה לנסות ולהוביל, אבל הצלחה אינה מובטחת. הקהילה העסקית, הרגולטורים והציבור ימשיכו לעקוב בדריכות אחרי השאלה החשובה מכולן: האם ההבטחה תהפוך למציאות?

הפוסט OpenAI מגייסת 8.3 מיליארד דולר לפי שווי של 300 מיליארד דולר הופיע ראשון בLet's AI בינה מלאכותית

מה זה בעצם “מצב הלימודים”?

מצב הלימודים (Study & Learn) ב-ChatGPT  נועד לעשות מה ששום מנוע תשובות לא עושה – לעצור אתכם רגע לפני שאתם מדלגים לפתרון, ולהחזיר אתכם לשורש ההבנה. במקום לתת תשובות מהירות, המערכת פועלת כמו מורה פרטי סבלני שמוביל אתכם שלב אחר שלב. אם תבקשו פתרון מיידי, תקבלו שאלה:

“רגע לפני, איך אתם הייתם ניגשים לבעיה הזאת?”

התכונה פותחה בשיתוף עם מורים, מדענים ומומחי חינוך ממוסדות שונים, והיא מתבססת על עקרונות של למידה אקטיבית. במרכז הגישה השיטה הסוקרטית – מודל חינוכי שבו הלמידה מתרחשת דרך שאלות מנחות ולא דרך הסברים מוכנים מראש.

מה כוללת הגישה?

• שאלות במקום תשובות – המערכת מובילה אתכם לחשוב, לא להעתיק.

• תוכן מדורג וברור – כל נושא מתפרק לחלקים קטנים שקל לעכל.

• התאמה אישית – ההסבר משתנה לפי רמת הידע וההבנה שלכם.

• בדיקות ומעקב – חידונים, שאלות פתוחות ומשובים שמסמנים התקדמות.

• שליטה מלאה – בכל רגע תוכלו לחזור למצב הרגיל.

למה זה חשוב?

כי ההבדל בין לדעת תשובה לבין להבין רעיון, הוא ההבדל בין לשנן לבין ללמוד. מצב הלימודים נבנה בדיוק על ההבנה הזו – לא כל שאלה צריכה פתרון מיידי. לפעמים, מה שצריך זה רגע לעצור וללמוד לחשוב אחרת.

למי זה באמת מתאים ומתי להשתמש בזה?

מצב הלימודים לא מתאים לכל אחד, ולא לכל רגע. הוא מיועד למי שרוצה להבין תהליך, לא רק תשובה – בין אם אתם תלמידי חטיבה או תיכון שצריכים לפצח שאלות במתמטיקה, פיזיקה או כימיה, סטודנטים שנערכים למבחנים בתחומים אנליטיים, או מבוגרים שלומדים שפה חדשה או תחום טכנולוגי.

זה כלי שקט ומעמיק, שעוזר לפתח אינטואיציה והבנה מדורגת, דווקא כשנתקעים או כשיש זמן להשקיע. מצד שני, כשאתם צריכים תשובה מהירה, לחוצים בזמנים או מחפשים רק מונח טכני – עדיף לבחור בגישה ישירה. איכות הלמידה מתחילה בהבנה של מה אתם באמת צריכים ברגע הזה.

איך מפעילים את זה?

הפיצ’ר פתוח כעת למשתמשי Free, Plus, Pro ו-Team, ובקרוב יושק גם במוסדות דרך ChatGPT Edu. כדי להפעיל את מצב הלימודים, כל מה שצריך זה לבחור באפשרות “Study and learn” מתוך תפריט הכלים בצ’אט. משם, המערכת תיכנס למצב חדש ותשאל אתכם כמה שאלות מקדימות – לא כדי לבדוק אתכם, אלא כדי להבין את רמת הידע הנוכחית שלכם, מה בדיוק אתם רוצים ללמוד, ואיך הכי נכון לגשת לנושא. זה תהליך קצר, אישי, ובסופו מתחיל שיעור. רק בלי לוח וגיר.

טיפ קטן: במקום לשאול את ChatGPT “תסביר לי איך פותרים משוואה”, נסו לכתוב:

“בוא נתרגל יחד – אני רוצה להבין איך לגשת לשאלה כזו.”

כך תפעילו את מצב הלימודים גם בלי תפריט.

צעד חשוב, אבל לא תחליף אנושי

מצב הלימודים של ChatGPT הוא כלי עזר משמעותי: הוא זמין 24/7, סבלני, מסתנכרן עם קצב הלמידה של כל משתמש, ומעודד חשיבה ביקורתית – לא רק שליפה מהירה. גם בגרסה החינמית, הוא מציע חוויה מרשימה כמעט כמו מורה פרטי, מה שהופך אותו לנגיש במיוחד. ובגרסת ה-Plus, עם מודל מתקדם יותר, החוויה מדויקת, גמישה ומעמיקה אף יותר.

אבל כמו כל כלי דיגיטלי, זה לא פתרון קסם. אין כאן מנגנון שמחייב להישאר בלמידה, המודל נשען על הוראות מערכת, ורמת העומק תלויה מאוד במוטיבציה של המשתמש. ובמיוחד בגילאים צעירים – אין תחליף למורה אמיתי, לאינטראקציה רגשית ולנוכחות אנושית.

מהפכה שעדיין מתעצבת

מחקרים עדכניים מצביעים על תופעה מטרידה – שימוש ב‑ChatGPT ככלי לפתרון עבודות מקטין את הפעילות הקוגניטיבית בהשוואה לכתיבה עצמית או אפילו לחיפוש בגוגל. מצב הלימודים מנסה לשנות בדיוק את זה, ולהחזיר את החשיבה לתוך תהליך הלימוד, מבלי לוותר על התמיכה שמציעה הבינה המלאכותית. לא רק עוזר לפתור תרגיל – אלא לשנות את את אופי הלמידה. בעידן שבו תלמידים נעזרים בבינה מלאכותית כדי לדלג על המאמץ, הכלי הזה מחזיר את הדגש על תהליך, שאלות נגדיות, וחשיבה עצמאית.

אבל הוא לא לבד – גם גוגל ומיקרוסופט מציעות פתרונות דומים: Gemini ו‑Copilot for Education של מיקרוסופט כבר משתלבים במערכות הלימוד, מספקים תרגול, משוב וניהול חומרים. התחזיות מדברות על שוק של 377 מיליארד דולר עד 2028 – וזה רק מתחיל.

אבל השאלות האמיתיות נשארות פתוחות: מה קורה כשהתשובות זמינות תמיד? האם תלמידים ילמדו להתאמץ גם בלי פידבק מיידי? מה נעשה כשלא תהיה טכנולוגיה זמינה? מצב הלימודים הוא צעד קדימה, אבל העתיד תלוי בשילוב הנכון בין טכנולוגיה לבין מאמץ אנושי.

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

לפרטים נוספים לחצו כאן >>

האם זה באמת יעבוד?

מצב הלימודים הוא לא גימיק, אלא ניסיון רציני לשבור את תרבות התשובות המהירות ולהחזיר את החשיבה למרכז. הוא לא מושלם, אבל הוא בהחלט צעד בכיוון הנכון. השאלה האמיתית היא לא טכנולוגית, אלא אנושית: האם תלמידים באמת יבחרו בדרך הארוכה יותר, כל עוד הקיצור זמין בלחיצת כפתור?

OpenAI כבר מתכננת הרחבות כמו תצוגות חזותיות מתקדמות, מעקב אחר מטרות לטווח ארוך, והתאמה עמוקה יותר לסגנון הלמידה של כל משתמש. אבל גם הכלים הכי טובים לא יוכלו לשנות את ההרגלים שלנו, אם לא נרצה לשנות אותם בעצמנו. עבור הורים ומורים – זו הזדמנות לבדוק בעצמם מה הכלי יודע לעשות. עבור תלמידים וסטודנטים – זו הזמנה לחזור ללמוד באמת. ולכולנו, זו תזכורת שלא כל תשובה צריכה להיות מיידית. לפעמים, הדרך אל התשובה היא הלמידה עצמה.

למי שרוצה להעמיק ולבחון מקרוב יוזקייסים שונים, כולל דרכי שימוש שנבנו בהשראת סטודנטים מ- ChatGPT Lab, מומלץ להיכנס ל־Introducing Study Mode, העמוד הרשמי של OpenAI שמרכז את כל המידע על הפיצ׳ר החדש.

הפוסט מצב הלמידה של ChatGPT מאפשר שיעור פרטי במקום תשובות מהירות הופיע ראשון בLet's AI בינה מלאכותית

מי באמת נמצא בחזית המהפכה?

אחת ההפתעות הגדולות במחקר היא שמי שנמצא בקו הראשון של השינוי אינם דווקא מפתחים ומהנדסים. להפך. התפקידים שמושפעים בצורה העמוקה ביותר מהבינה המלאכותית הם דווקא אלה שמתבססים על שפה, תקשורת וארגון – תכונות שמדויקות להפליא למה שמודלי שפה גדולים יודעים לעשות הכי טוב. בעולם שבו AI יודע לנסח, לנתח, לתרגם ולסכם, אלו בדיוק התכונות שהופכות את המקצועות הבאים לרגישים במיוחד לשינוי:

במילים אחרות: מקצועות שבעבר נחשבו “בטוחים” דווקא בגלל המיומנות האנושית הכרוכה בהם – עוברים אוטומציה שקטה מתחת לפני השטח.

המקצועות הבטוחים (כרגע)

בצד השני של המפה, יש עדיין אזורים ש-AI פשוט לא מצליחה לגעת בהם, לפחות לא בשלב הזה. המחקר מזהה קבוצה ברורה של מקצועות שבהם הבינה המלאכותית כמעט ואינה רלוונטית. מה שמשותף לכולם: הם מתרחשים בגוף ראשון, בשטח, מול מכונה, כלי או סביבה פיזית, ולא מול מסך.

אלו תפקידים שדורשים מגע ישיר, תפעול ידני, ולעיתים גם מיומנות פיזית שאין למודל שפה מה לתרום בה. בין המקצועות האלו: מפעילי ציוד כבד (חפירה, כרייה), עובדי רכבת ופועלי יציקה, מלטשי רצפות ועובדי ניקיון ועובדי תחזוקה כללית הבינה המלאכותית אולי יודעת לתכנן תהליך, אבל היא עדיין לא מרימה פטיש, לא משמנת מסילה, ולא נכנסת לחלל צר כדי לתקן ברז דולף.

חשוב לזכור: היום אנחנו מדברים על מודלים מבוססי שפה. מחר? כשהטכנולוגיה תשלב גם יכולות פיזיות, המפה עשויה להשתנות שוב. ייתכן שמכונות ילמדו גם להזיז אריחים (מישהו אמר רובוטיקה בעידן הבינה המלאכותית?) והמקצועות הבטוחים של היום לא בהכרח יהיו כאלה גם בהמשך.

בינה מייעצת, לא מבצעת

אחת התגליות המפתיעות ביותר במחקר טמונה דווקא באופן שבו משתמשים ב-AI. בכ־40% מהשיחות שנבדקו, המערכת כלל לא “ביצעה” את המשימה, אלא פעלה כמו מדריך אישי. היא נתנה הכוונה, בנתה תהליך חשיבה והובילה את המשתמשים לשורת צעדים שהם עצמם ביצעו.

זה שינוי תפיסה דרמטי: ה-AI הוא לא רק מכונה שעושה במקומך, אלא מאמן – כזה שמחדד לך את החשיבה ומקצר את הדרך לפתרון. כך למשל, משתמש שביקש פתרון לבעיה עסקית מורכבת לא קיבל “תשובה קסומה”, אלא תוכנית עבודה:

• איך לפרק את הבעיה לשלבים ברורים.

• אילו נתונים כדאי לאסוף.

• ואיזה כלים או מסגרות אנליטיות יסייעו לו להגיע להחלטה.

במובן הזה, ה-AI הופך ממכונה שמחליפה עובדים לכלי שמאיץ את הלמידה, מחדד יכולות קיימות ומעצים את האדם במקום להעלים אותו.

המדע מאחורי מפת ההשפעה

כדי להבין אילו מקצועות באמת חשופים לבינה מלאכותית, החוקרים לא הסתפקו בתחושות בטן. בפעם הראשונה, נבנה מדד כמותי מקיף שמבוסס על שיחות אמיתיות, ולא על תחזיות. כך נולד “ציון ישימות AI” – מדד חדשני שמשקלל שלושה ממדים קריטיים.

שלושת מרכיבי המדד:

1. כיסוי (Coverage) – עד כמה משימות טיפוסיות של מקצוע מסוים מופיעות בשיחות עם ה-AI?

2. הצלחה (Success) – באיזו מידה הצליח ה-AI לסייע או להשלים את המשימה בפועל?

3. היקף ההשפעה (Scope) – האם היכולת של ה-AI כיסתה חלק קטן מהמשימה, או את כולה?

איך זה עובד בפועל? ניקח לדוגמה את מקצוע המתורגמן, שקיבל את הציון הגבוה ביותר במדד (0.49):

• כיסוי: 98% מהפעילויות שלו הופיעו בשיחות עם Copilot.

• הצלחה: 88% מהן הושלמו בהצלחה.

• היקף ההשפעה: ב־57% מהמקרים, ה-AI הצליח לספק מענה מלא או כמעט מלא למשימה.

לעומת זאת, מפעיל מכונת חפירה קיבל ציון כמעט אפסי. רק 1% מהמשימות שלו הופיעו בשיחות, ורובן ככולן דורשות פעילות פיזית, מחוץ לטווח ההשפעה של מערכת מבוססת שפה. המערכת הזו מאפשרת לשרטט קו ברור בין מקצועות שנמצאים על סף שינוי עמוק, לבין כאלה שהשפעת ה-AI עליהם, לפחות בינתיים, מוגבלת מאוד.

השפעת ה-AI על מקצועות שונים לפי רמות חשיפה. מקור: Microsoft Research

אין חסינות

אחד המיתוסים העיקשים ביותר סביב מהפכת הבינה הוא שמקצועות יוקרתיים – עורכי דין, מהנדסים, מנהלים – מוגנים מפניה. אבל המחקר מנפץ את ההנחה הזו. לפי הנתונים, אין כמעט קשר בין גובה השכר לבין רמת החשיפה ל-AI (המתאם שנמצא: 0.07 בלבד). וגם תואר אקדמי, מרשים ככל שיהיה, לא מהווה תעודת ביטוח. מה שקובע באמת הוא לא הטייטל, אלא מה עושים בפועל, יום-יום.

אם תפקיד ניהולי או בכיר כולל הרבה משימות כמו ניסוח, תחקיר, סיכום, כתיבה או ניתוח מידע, הוא עלול להיות חשוף בדיוק כמו תפקיד זוטר עם משימות דומות. השינוי לא מבחין בין קומה רביעית למרתף – הוא עובר דרך קבצי ה־Word, מיילים, טבלאות ודוחות של כולם.

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

לפרטים נוספים לחצו כאן >>

היערכות לשינוי

המסר הבולט מהמחקר הוא לא מאיים, אלא דווקא אופטימי: מהפכת הבינה המלאכותית לא נועדה למחוק עובדים, אלא לשנות את מבנה התפקידים מן היסוד. מי שיבחר לאמץ את ה-AI כעוזר חכם, לא כתחליף אלא כשותף, יוכל להסיר מעליו משימות שגרתיות ואוטומטיות, ולהתרכז במה שהופך אותו לבלתי ניתן להחלפה: יצירתיות, חשיבה ביקורתית, אינטליגנציה רגשית, שיפוט ערכי.

בסופו של דבר, זו לא מהפכה טכנולוגית, אלא מהפכה מקצועית. לא שאלה של הישרדות, אלא של הסתגלות. מי שישכיל לשלב בינה מלאכותית כחלק מהעבודה – יימצא בצד שמרוויח מהמהפכה ולא בצד שנדחק ממנה. המשימה של כולנו? לא להתנגד לגל – אלא ללמוד לגלוש עליו.

הפוסט מחקר חדש חושף איך נראית מפת ההשפעה של ה-AI על שוק העבודה הופיע ראשון בLet's AI בינה מלאכותית

היכולות והמגבלות של מודלי שפה מלאכותית

מודלי שפה מלאכותית הם כלים סופר עוצמתיים בניתוח נתונים. מצד אחד, הם מצטיינים בזיהוי דפוסים, בניתוח כמויות מידע עצומות ובהפקת תובנות במהירות. מצד שני, יש להם מגבלות מהותיות – הם שוכחים מהר, תלויים בהקשר, וזקוקים להכוונה מדויקת. לכן חשוב להבין איך נכון להשתמש בהם, ואיך לא.

בינה מלאכותית היא הייצור הכי חכם בעולם, עם הזיכרון הכי קצר בעולם, ועם אופי של תינוק בן יומו!

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

לפרטים נוספים לחצו כאן >>

ניתוח קבצים ונתונים עם AI.

הפוסט כוחות העל של AI בניתוח קבצים ונתונים מספריים הופיע ראשון בLet's AI בינה מלאכותית

איך עובד הפיצ’ר החדש Ideogram Character?

מאוד פשוט! Ideogram Character מאפשר ליצור דמויות עקביות ומדויקות על בסיס תמונה אחת בלבד. זו לא הפעם הראשונה שאנחנו רואים יכולת כזו – Prome עשו זאת כבר לפני יותר משנה, וגם ב‑ChatGPT ניתן להגיע לתוצאות דומות עם המודל הגרפי החדש שלהם, יחסית בקלות.

Ideogram Character is almost here! If you missed our live demo, you can watch it here: pic.twitter.com/PAXoteyNmc

— Ideogram (@ideogram_ai) July 29, 2025

אבל כשפיצ’ר כזה מצטרף לפלטפורמה חזקה כמו Ideogram, זו לגמרי סיבה לחגיגה, גם אם הם לא המציאו את הגלגל. אז מה קיבלנו כאן? לא מהפכה בתחום יצירת הדמויות, אבל בהחלט פיצ’ר שימושי שמאפשר לשמור על מאפיינים עקביים של הדמות, ולשלב אותה באינספור סצנות וסביבות – תוך שמירה על הסגנון והמראה המקורי.

שלבי עבודה עיקריים

1. העלאת תמונה אחת של דמות: אפשר להעלות צילום אמיתי או איור – כל עוד הוא ממוקד בדמות אחת.

2. זיהוי אוטומטי והתאמה: המערכת מזהה לבד את פרטי הדמות: פנים, שיער, ולעיתים גם לבוש. לאחר מכן ניתן לערוך ולהתאים את האזור שנבחר, למשל להסיר שיער, להוסיף בגדים, או להדגיש פרטים מסוימים, כדי לקבוע איך תיראה הדמות ביצירה הסופית.

3. מיקום הדמות בסביבה: אפשר למקם את הדמות בכל סביבה שתרצו – ים, עיר, חלל, שדה פתוח או מה שבא לכם. זה עובד עם תבניות מוכנות או עם ניסוח חופשי בטקסט (prompt).

4. שימוש בטמפלטים מוכנים: אידאוגרם מציעה מגוון תבניות מוכנות מראש – הפכו את עצמכם לכוכבי שער של מגזין, לדמות בסגנון ג’יבלי, לאביר אמיץ או אפילו לקלף ממשחק קלפים.

5. שיפורים מתקדמים עם Remix וקנבס: עם פיצ’רים כמו Remix או הקנבס של Ideogram, אפשר להמשיך וללטש את התמונה: להסיר או להחליף רקע, להשתמש באינפיינטינג ואאוטפיינטינג להוספת אלמנטים, לתיקון בעיות, או להרחבת גבולות התמונה באמצעות ג’נרציה של רקע נוסף.

יצירת דמות עם Ideogram Character

יתרונות עיקריים

Ideogram Character מצטיין קודם כל בשמירה על עקביות – הדמות שלכם נשמרת גם כשמשנים רקעים, סגנונות או סצנות. כל מה שצריך זה תמונה אחת בלבד, בלי לייצר שרשרת דוגמאות או לעבור תהליך מסורבל. בנוסף, הכלי מתחבר בצורה חכמה לפיצ’רים המתקדמים של אידאוגרם כמו Magic Fill ו‑Remix, מה שמאפשר ליצור קומפוזיציות חדשות, להחליף רקעים, להעביר את הדמות לסגנונות אמנותיים אחרים ולהשלים פרטים חסרים בצורה אינטואיטיבית ויזואלית.

זמינות ושימושיות

Ideogram Character הוא כלי פשוט וכיפי לשימוש, שפתוח כרגע לכל המשתמשים. אפשר ליצור עד 10 תמונות בחינם, או לבחור במנוי בתשלום כדי להמשיך ולהשתמש בו ללא הגבלה.

לסיכום, Ideogram Character לא מהפכני, אבל הוא בדיוק מה שצריך כדי לעבוד חכם. הוא חוסך זמן, שומר על סגנון ומאפשר שליטה אמנותית גם למי שלא מגיע עם רקע מקצועי. בין אם אתם יוצרים לעצמכם דמות לסושיאל, לבניית מותג אישי, או למשחקים וסיפורים – זה כלי קליל וכיפי ששווה לשלב בארסנל שלכם.

הפוסט יצירת דמות עקבית עם Ideogram Character הופיע ראשון בLet's AI בינה מלאכותית

מי יכול להשתמש בזה ולמה זה מוגבל?

כרגע, ChatGPT Agent פתוח רק למנויים משלמים בחבילות Pro, Plus ו‑Team. השירות מתרחב בהדרגה גם לחבילות Enterprise ו‑Education. השימוש למשלמי ה-20 דולר בחודש מוגבל ל-40 משימות בלבד במהלך החודש.

למה? מצד אחד, מדובר בטכנולוגיה חדשה שעדיין נמצאת בשלבי הרצה. OpenAI כנראה רוצה לבדוק שימושים, למנוע עומס, ולוודא שהמערכת לא תנוצל לרעה. מצד שני, ההגבלות האלה מכתיבות למשתמשים לחשוב אסטרטגית ולבחור משימות שבאמת שווה להפעיל עליהן את הסוכן.

איך מתחילים לעבוד עם הסוכן?

התחלת השימוש ב־ChatGPT Agent פשוטה יחסית, אבל חוויה ששווה להתייחס אליה כאל צעד לעבר עתיד שבו בינה מלאכותית עושה את העבודה בשבילכם:

1. מפעילים את הסוכן

היכנסו לחשבון שלכם ב-ChatGPT. לחצו על כפתור Tools בחלון הצ׳אט ואז על Agent Mode (או הקלידו agent/). 

2. נותנים לו הנחיה

לסוכן צריך לתת הוראות פעולה, לא סתם לבקש סיכום או תובנות. כתבו משימה מפורטת בשלבים, למשל:

“כנס לאתר gov.il, מצא את טופס רישום יזם, מלא אותו בשם שולי סאן עם פרטי דמה, וודא שהתהליך הגיע לדף סוף.”

ככל שההוראה תהיה ברורה, מדויקת ופרוצדורלית, כך הסוכן יבצע אותה בצורה מדויקת יותר. הוראות גנריות מדי עלולות לגרום לתקלות או חוסר ביצוע.

טיפ פרקטי: כתבו את ההוראה כאילו אתם מדריכים מישהו לעשות את זה בפעם הראשונה – פשוט, ברור ובשלבים.

3. רואים אותו בפעולה

אחד הדברים הכי מרשימים בעבודה עם הסוכן הוא שאתם לא רק מקבלים תוצאה, אתם ממש רואים את התהליך מתרחש מול העיניים. הסוכן פותח את הדפדפן הווירטואלי שלו, לוחץ על קישורים, ממלא שדות בטפסים, גולל בדפים ומגיב למה שהוא רואה – בדיוק כמו משתמש אנושי שיושב מול מחשב. זה לא תסריט אוטומטי שרץ ברקע בלי שתדעו מה קורה, אלא פעולה שקופה שאפשר לעקוב אחריה שלב אחר שלב.

תוכלו לעצור אותו בכל רגע, להתערב כשהוא נתקע, או לתת לו הבהרה אם משהו לא ברור. התחושה היא שאתם משתפים פעולה עם סוכן שפועל איתכם, לא במקומכם – וזה הבדל גדול לעומת כלי אוטומציה מסורתיים.

4. מקבלים סיכום

בסיום כל משימה, הסוכן מציג לכם דו”ח מסודר שמסכם את מה שביצע בפועל: לאן נכנס, מה מילא, האם הצליח להשלים את המשימה, והאם נדרשת פעולה נוספת מצדכם. התהליך יכול להימשך בין 5 ל־30 דקות, תלוי במורכבות ובשלבים שהוגדרו לו, ולכן חשוב לקחת זאת בחשבון כשמתכננים להשתמש בו. אם הסוכן זיהה שהמשימה לא הושלמה עד הסוף, הוא יבקש מכם החלטה: להמשיך, לעצור, או להנחות אותו מחדש.

התחושה היא שהשליטה נשארת אצלכם – אתם לא רק צופים בתוצאה, אלא מנהלים את המשימה תוך כדי תנועה. הכל נעשה בשקיפות, בקצב שמרגיש אנושי, ועם חיווי ברור לאורך כל הדרך.

מה הסוכן יודע לעשות בפועל?

אפשר לחשוב על ChatGPT Agent כגרסה מתקדמת של העוזר הדיגיטלי שאתם כבר מכירים, רק שכאן, הוא לא רק עונה לכם, אלא ממש פועל במקומכם בתוך אתרים, טפסים ומערכות אינטרנטיות. הנה כמה דוגמאות לדברים שלא תוכלו לעשות עם צ’אט רגיל, רק עם הסוכן:

1. לשלוט באתר כאילו הוא משתמש אמיתי: הסוכן מסוגל להיכנס לאתרים ספציפיים, לנווט בין עמודים, ללחוץ על תפריטים, לבחור מהתיבות, ולהגיב למה שהוא רואה על המסך.

למשל: “כנס לאתר של עיריית תל אביב, מצא את דף הארנונה, ובדוק מה הצעדים לפתיחת עסק חדש.”

2. למלא טפסים מורכבים בדפי אינטרנט חיים: צ’אט רגיל יכול אולי לעזור לנסח תוכן לטופס, אבל רק הסוכן יכול ממש למלא את השדות בפועל.

למשל: להכניס שם, כתובת, טלפון, לבחור מהרשימה הנפתחת, ולהגיע עד למסך האישור.

3. לבצע תהליכים באתרי קניות או שירותים: הסוכן יכול לגשת לאתר קניות, לחפש מוצר מסוים, להוסיף אותו לעגלה, ולדווח על המחיר, המלאי, או אפשרויות המשלוח, בלי שתצטרכו לגלוש בעצמכם.

4. לקבוע פגישה ישירות ביומן שלכם דרך טופס חיצוני: במקום שתיכנסו לאתר הזמנות, תעברו על כל האפשרויות ותעתיקו את הפרטים – הסוכן יכול לעשות זאת לבד, ולשלוח את הפגישה ליומן גוגל, כולל המשתתפים, הלוקיישן והקישור לזום.

5. לטפל בתהליכים שחוזרים על עצמם – באופן חצי-אוטומטי: אם אתם נדרשים לבצע את אותה פעולה פעם בשבוע (למשל למלא דיווח באתר פנימי, להגיש טופס, או לבדוק נתוני מערכת) – הסוכן יכול לבצע את אותה רוטינה לפי ההוראות שתתנו לו.

למה זה חשוב?

כי כאן בדיוק עובר הגבול בין מודל שמדבר על העולם, לבין סוכן שפועל בעולם. אם תתנו לו משימות מהסוג הרגיל, הוא יתבלבל. אבל אם תתנו לו הוראות פעולה מדויקות, הוא יתחיל להרגיש כמו עובד אמיתי בצוות שלכם.

טיפים לשימוש בטוח 

כמו כל מערכת שפועלת בענן, גם הסוכן של ChatGPT פועל על תשתיות של OpenAI, ולא במחשב האישי שלכם. זה אומר שאמנם יש לכם שליטה, אבל גם אחריות.

אל תכניסו לסוכן פרטים רגישים. לא מספרי כרטיס אשראי, לא סיסמאות, לא כתובות מייל אישיות ולא מידע שמזהה אתכם או מישהו אחר.

למה? כי מדובר במערכת ניסיונית, ולמרות ש־OpenAI מתחייבת למדיניות פרטיות מחמירה, אין התחייבות מוחלטת לכך שהמידע שנכנס לסוכן לא נשמר או מועבר לצורכי תפעול או שיפור שירות.

תרגלו קודם עם תרחישים לא קריטיים ותתייחסו אליו כמו לעובד חדש בצוות – תנו לו להוכיח את עצמו, אבל אל תמסרו לו את המפתחות לכספת כבר בפגישה הראשונה.

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

לפרטים נוספים לחצו כאן >>

ה-Agent של ChatGPT לא רק מדגים מה בינה מלאכותית יודעת, הוא מראה מה היא יכולה לעשות בפועל. זו כבר לא שיחה עם צ’אטבוט, אלא פעולה אמיתית – שקופה, ניתנת למעקב, ונגישה גם למי שאין לו רקע טכני. מצד שני, זו עדיין מערכת מתפתחת – לפעמים איטית, לפעמים מבולבלת, ורגישה מאוד לאופן שבו מנסחים לה הוראות.

למי זה מתאים? לאנשים סקרנים, יזמים, אנשי מוצר ושירות, שרוצים לבדוק גבולות חדשים של אוטומציה, ולמי שמוכן להשקיע קצת זמן בלמידה וניסוי. אבל פחות למי שמצפה לפתרון קסם שיבין לבד הכל מהפרומפט הראשון. ההמלצה היא להתחיל ממשימות פשוטות, לשמור על כללי זהירות, ולראות בזה שלב ראשון בלמידה של הדור הבא של הטכנולוגיה.

הפוסט איך עובדים עם ChatGPT Agent הופיע ראשון בLet's AI בינה מלאכותית

המסע האישי: עיצוב, הורות ובינה מלאכותית

כאמא לילד על הספקטרום וכמעצבת ודירקטורית קריאייטיב עם למעלה מ-20 שנות ניסיון, אני חיה בצומת דרכים ייחודית. מצד אחד, עולם היצירה, העיצוב והחדשנות הדיגיטלית; מצד שני, העולם הרגשי-חושי, המאתגר לעיתים, של הורות לילד מיוחד. מתוך הצורך האישי העמוק, ומתוך הלמידה המעמיקה שלי בתחום הבינה המלאכותית, ובפרט במסגרת קורס “Master Gen AI”, נולד MyAutiMind – עוזר אישי, מבוסס GPT, שנועד לתת מענה מדויק להורים כמוני.

עיצוב פוגש צורך: חזון למצפן גלקטי אישי

החזון ל-MyAutiMind

מתוך הראייה שלי כמעצבת ודירקטורית קריאייטיב, המניעה ליצור עולמות חווייתיים ומועילים, נבטה ההשראה ל-MyAutiMind מתוך חזון ליצירת מדריך ייחודי ורב-גוני. בהשראת עולמות פנטזיה צבעוניים ומצפנים קסומים שמובילים אותנו למסעות מופלאים, עלה הרעיון למצפן גלקטי, צבעוני ורגשי, שמטרתו לספק להורים לילדים על הספקטרום הדרכה אינטואיטיבית ודרך ייחודית לנווט באתגרי היומיום.

מימוש הפוטנציאל דרך AI

היכולת שלי, כיוצרת, לרתום את AI ליצירת כלים וחומרים מותאמים אישית – תהליך שבעבר דרש הפקות ענק או עבודת פיתוח הנדסית מורכבת – היא זו שמניעה את החזון. MyAutiMind הוא צעד ראשון במימוש הפוטנציאל הזה: להפוך את ה-AI לכלי יומיומי, נגיש וזמין בחייהם של הורים לילדים על הספקטרום. הוא נועד לספק מערכת תמיכה חכמה, חמה ונגישה, המשלבת את עולמות העיצוב עם הטכנולוגיה המתקדמת ביותר של AI, כדי להנגיש עזרה להורים ולילדים.

למה בינה מלאכותית היא המפתח לעולם הספקטרום?

השפעת AI על טיפול באוטיזם

מחקרים רבים מראים שכלים מבוססי AI משנים את פני הטיפול והתמיכה באוטיזם, ומשפרים משמעותית את המעורבות, התקשורת, הוויסות העצמי ואיכות החיים של ילדים על הספקטרום. ישנה קפיצה אדירה ביכולת של טכנולוגיה להבין, להתאים ולסייע, באמצעות מגוון רחב של יישומים פורצי דרך:

יתרונות AI בתמיכה והטיפול

• התאמה אישית והתערבות ממוקדת: AI מאפשרת ליצור תוכניות טיפול מותאמות אישית באופן חסר תקדים, המבוססות על ניתוח נתונים התנהגותיים, דיבורים ורגשיים של הילד. היא מתאימה את תכני הלמידה ופעילויות לצרכיו הייחודיים וקצב התקדמותו, כולל בטיפולי ABA.
• שיפור תקשורת ומיומנויות חברתיות: אפליקציות AI ורובוטים חברתיים (כמו רובוט NAO) מלמדים מיומנויות כמו קשר עין, הבנת רגשות ונטילת תור, בצורה עקבית ובטוחה. הם מסייעים בתקשורת חלופית ותומכת (AAC) על ידי הפיכת תמונות או סמלים לדיבור, ומאפשרים קריאת רגשות באמצעות זיהוי פנים.
• אבחון וזיהוי מוקדם: כלי AI משפרים את הדיוק והיעילות של תהליכי סקר ואבחון מוקדמים, כולל בתינוקות, על ידי ניתוח נתונים התנהגות ותבניות מורכבות.
• מעקב ומשוב בזמן אמת: מערכות AI מנתחות נתונים מהתנהגות הילד, דיבורו ופעילותו כדי לעקוב אחר התקדמות ולספק תובנות בזמן אמת למטפלים ולהורים, ובכך מאפשרות התאמות מהירות בגישה הטיפולית.
• הגברת מעורבות ומוטיבציה: רובוטים ויישומים אינטראקטיביים עם עיצובים צבעוניים ומשחקים הופכים את הטיפול למרתק ומהנה יותר, ומסייעים לילדים לשמור על מיקוד ומוטיבציה גבוהה.
• נגישות וזמינות: AI מרחיבה את הנגישות לטיפולים ותמיכה, כולל באזורים מרוחקים או חסרי שירותים, על ידי אספקת פתרונות וירטואליים מותאמים למכשירים ניידים.

AI מאפשרת גישות טיפוליות חדשניות שמתפתחות יחד עם צרכי הילד והמשפחה, ומציעה רמה חסרת תקדים של פרסונליזציה, עקביות ונגישות בתמיכה.

MyAutiMind בפעולה: כלים פרקטיים ליום-יום

MyAutiMind מעניק מענה מותאם אישית למגוון רחב של סיטואציות יומיומיות, ומספק כלים מעשיים בלחיצת כפתור – בדיוק כשאתם זקוקים להם:

• רעיונות להרגעה וסנסוריקה: אסטרטגיות ופעילויות המותאמות לוויסות חושי ספציפי.
• לוחות חזותיים: כלי תקשורת ויזואליים הניתנים להתאמה אישית והדפסה, בעברית ובאנגלית.
• טיפים להתמודדות עם התפרצויות: הנחיות מעשיות, אמפתיות ויעילות לרגעי משבר.
• תמיכה להורים בישראל: מידע חיוני ורלוונטי על זכויות בביטוח לאומי, שילוב במערכות החינוך והכוונה.
• דפי מידע להדפסה: עזרים מותאמים לכם ולילדכם במגוון מצבים.

מפגש פורץ דרך: אישי, מקצועי וטכנולוגי

MyAutiMind הוא החיבור המובהק בין שלושה עולמות שבונים את חיי: ההורות הייחודית שלי לילד על הספקטרום, הניסיון המקצועי העשיר שלי בעיצוב וקריאייטיב, והכלים המתקדמים ביותר של הבינה המלאכותית. זהו כלי רגשי, מעשי, מקומי וגלובלי כאחד, שנועד לתת מענה אמיתי לכאב נקודתי ולהפוך את חיי היום-יום לנגישים ורגועים יותר.

בואו נצא למסע משותף: העתיד של התמיכה

בעולם שבו אבחוני האוטיזם נמצאים בעלייה מתמדת – בישראל לבדה, שכיחות האוטיזם בקרב ילדים זינקה מכ-4.7 מקרים ל-1,000 בשנת 2000 לכ-28.3 מקרים ל-1,000 ילדים שנולדו ב-2018 (ומאובחנים עד גיל 5 בשנת 2023), עם גידול ממוצע של כ-23% בשנה בין 2017 ל-2022, והמגמה נמשכת. הצורך במענה מותאם ומדויק הוא קריטי. MyAutiMind אינו רק כלי טכנולוגי; הוא מהווה הזדמנות ליצור מציאות שקטה, ברורה ונגישה יותר. אנו עושים צעד משמעותי לקראת בניית מערכת תמיכה שמחזקת הורים ומשפרת את שגרת חייהם ושל ילדיהם. בואו ניצור יחד עתיד טוב יותר – ברוכים הבאים לעולם של MyAutiMind.

הפוסט כשאוטיזם, בינה מלאכותית ועיצוב נפגשים הופיע ראשון בLet's AI בינה מלאכותית

פיצוח הקופסה השחורה

במשך זמן רב, היכולת של מודלים כמו ChatGPT להסתגל למשימות חדשות בלי אימון, רק מתוך הדוגמאות שאנחנו נותנים להם, הייתה תעלומה. הם פשוט “קולטים את הקטע”, בלי לשנות את עצמם מבפנים. אבל איך זה אפשרי?

המחקר החדש של Google Research מספק סוף סוף הסבר משכנע. הוא מגלה שהשינוי לא מתרחש במודל כולו, אלא באחת השכבות הפנימיות שלו, ממש כאילו חלק מהמודל “מתכוונן” לרגע ואז חוזר לעצמו. בתוך המודל מסתתר מבנה שנקרא טרנספורמר – כמו תיבת הילוכים שאחראית על איך המידע זורם בפנים. בתוך התיבה הזו יש שני מרכיבים חשובים:

• שכבת הקשב העצמי (Self-Attention) – שמתמקדת בכל פעם בחלקים אחרים של הטקסט כדי להבין את ההקשר.

• שכבת ה־MLP (Multi-Layer Perceptron) – רשת עצבית פשוטה יחסית, שאחראית לעיבוד והבנה של התוכן עצמו.

במשך שנים כולם חשבו שהקסם קורה בעיקר בשכבת הקשב, אבל המחקר הזה מגלה שהפעולה הקריטית מתרחשת דווקא בשכבת ה־MLP.

איך זה נראה בפועל?

תארו לכם שאתם מבקשים מהמודל לכתוב מכתב סרקסטי. מספיק שתתנו לו דוגמה אחת, והוא משנה את הסגנון שלו בהתאמה, כאילו התאמן על משימות סרקזם במשך חודשים. לפי המחקר, זה קורה כי שכבת ה־MLP עוברת “כיול זמני”: היא מתאימה את עצמה לסגנון שאתם מציגים, בלי לשנות את עצמה לתמיד. כמו לכוון את מושבי הרכב לנוסע החדש – המכונית לא השתנתה, אבל הנסיעה מרגישה אחרת.

וזה לא סתם שינוי אקראי. לפי החוקרים, התהליך הזה דומה מאוד ל־Gradient Descent – שיטה בסיסית בלמידת מכונה, שבה המודל משפר את עצמו בהדרגה על ידי תיקון טעויות קטנות. דומה לאופן שבו ילד לומד מטעויות – צעד אחר צעד, בלי להתחיל מהתחלה.

רק שכאן, השיפור קורה בלי טעות ובלי אימון, אלא מתוך ההקשר בלבד. כל מילה שאתם מוסיפים בפרומפט היא כמו “צעד קטן של למידה”. המודל נע בצעדים קטנים לקראת תגובה מדויקת יותר, מבלי לשכתב את עצמו.

ולבסוף, המחקר מציג נוסחה מתמטית שמראה איך השינוי הזה מתרחש בצורה יעילה במיוחד, תהליך שנקרא עדכון בדרגה נמוכה (Low-Rank Update). אפשר לחשוב על זה כמו להוסיף שכבת צבע דקה לציור קיים – אתם לא משנים את הציור, רק מוסיפים לו גוון חדש, שמתאים בדיוק לרגע הזה.

ההשפעה על עולם הבינה המלאכותית

ההבנה החדשה של מנגנוני הלמידה מהקשר לא נשארת ברמת הסקרנות המדעית. יש לה פוטנציאל לשנות באופן ממשי את הדרך שבה אנחנו מפתחים, מתקשרים ומפעילים מערכות בינה מלאכותית.

ייעול תכנון מודלים עתידיים

אם נבין איך שכבת ה־MLP מבצעת את השינויים הזמניים האלה, נוכל לתכנן מודלים ש”מעודדים” את ההתנהגות הזו, ואולי אפילו ליצור מודלים קטנים וחסכוניים שיציגו יכולות ICL שבדרך כלל דורשות מודלים עצומים.

הפיכת Prompt Engineering למדע מדויק

נכון להיום, ניסוח פרומפטים נחשב יותר לאמנות מאשר לשיטה. אבל אם נדע איך הדוגמאות בפרומפט “מתכנתות זמנית” את המודל, נוכל לפתח גישות שיטתיות ומבוססות הבנה, מה שיהפוך את התחום לכלי הנדסי של ממש.

חוויה מותאמת אישית יותר למשתמשים

מהצד של המשתמש, זה אומר שמערכות AI יוכלו לזהות סגנון, העדפות וניואנסים רגשיים בזמן אמת. צ’אטבוטים יגיבו באופן אישי יותר, מערכות תרגום ישמרו על טון, וכלים ליצירת תוכן יכתבו כאילו הכירו אתכם.

צועדים לקראת AI מובן יותר

היכולת של מודלים ללמוד ממשימות חדשות רק לפי דוגמאות, בלי אימון נוסף, נחשבה עד לאחרונה לתופעה מסתורית. המחקר של Google חושף מה באמת מתרחש מאחורי הקלעים: שינויים קטנים וזמניים בשכבות ה־MLP, שמזכירים תהליך של למידה הדרגתית, כמעט כמו Gradient Descent, רק בלי לשנות את המודל עצמו. זו לא רק פריצת דרך מדעית, אלא הסבר מוצק למה שנראה עד עכשיו כמו קסם.

התובנות המרכזיות כמו תפקיד שכבת ה־MLP, הדמיון לתהליכי למידה מסורתיים, והיעילות של השינויים הקטנים, מקרבות אותנו להבנה עמוקה יותר של האינטליגנציה המלאכותית שאנחנו מפתחים. הן פותחות דלת לעולם שבו Prompt Engineering הופך למתודולוגיה מדויקת, המודלים עצמם נעשים קלים יותר לתפעול, והאינטראקציה עם מערכות AI הופכת אישית, רכה ומדויקת מתמיד.

אבל זה רק קצה הקרחון. המחקר מעלה שאלות חדשות: האם העקרונות האלה חלים גם על מודלים שמטפלים בויזואליה, אודיו או פעולות בעולם הפיזי? האם נוכל לבנות “סוכנים לומדים” שמתאימים את עצמם לסיטואציה בזמן אמת, לא רק בטקסט, אלא בכל הקשר? ככל שנעמיק להבין את תהליכי הלמידה הפנימיים של AI, כך נוכל לפתח מערכות שקופות, אחראיות ומועילות באמת – לא רק חכמות, אלא גם כאלה שניתנות להבנה.

הפוסט הצצה לעולם המסתורי של למידה מהקשר הופיע ראשון בLet's AI בינה מלאכותית

למה להתחיל פודקאסט?

ברמה האישית

פודקאסט הוא דרך לבטא את עצמך. לדבר על מה שחשוב לך. לשתף ידע, דעה, סיפור או השראה. הוא מאפשר לך לפגוש קהל בגובה העיניים, בלי לייקים, בלי אלגוריתמים, בלי טוקבקים. רק אתה, מיקרופון, ומי שמאזין.

ברמה המקצועית

פודקאסט הוא דרך לבנות אמון, קהילה, מוניטין. בעלי עסקים, יועצים, יוצרים, מרצים – כולם גילו שפודקאסט הוא דרך מעולה לבסס מומחיות, להיחשף לקהל חדש, ולבנות מערכת יחסים עם אנשים שמעוניינים להקשיב – לא רק לעבור עם האצבע.

ברמה החינוכית

זו כבר מהפכה בפני עצמה. מורים משתמשים בפודקאסטים כסיכום שיעור, ככלי למידה דיגיטלי, כמשימה לתלמידים או כפרויקט שנתי. תלמידים מאזינים מחוץ לשעות הלימודים, יוצרים בעצמם פרקים, ומפתחים כישורים כמו ביטוי עצמי, ניסוח, הקשבה וחשיבה ביקורתית.

וזה לא מסובך כמו שזה נשמע

החשש הכי גדול הוא טכני – אבל כאן החדשות הטובות: יצירת פודקאסט היא תהליך פשוט בהרבה ממה שנדמה. כל מה שצריך בתחילת הדרך זה רעיון, טלפון עם מיקרופון סביר, ותוכנה חינמית לעריכה בסיסית. אפילו זה לפעמים מיותר – כיום קיימים כלים מבוססי בינה מלאכותית שעושים את רוב העבודה בשבילך: מתמללים, עורכים, מוסיפים מוזיקה, ומכינים את הקובץ להפצה.

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

לפרטים נוספים לחצו כאן >>

שלבי ההפקה בקצרה

שלב ראשון

השלב הראשון הוא להבין מה הנושא שלך – מה אתה רוצה לומר, ולמי. ברגע שזה ברור, אתה מתכנן פרק: פתיחה, גוף, סיכום. אז מקליטים, עורכים, ומשתפים. זהו.

להעמקת הידע

אם תרצה להעמיק – תוכל ללמוד על ציוד, סאונד, מיתוג, הפצה, פלטפורמות, ראיונות ועוד. אבל זה כבר בשלב הבא. השלב הראשון פשוט: התחלה.

ומה קורה כשמכניסים את זה לבית הספר?

עולם החינוך לא נשאר מאחור. יותר ויותר מורים – מהיסודי ועד האוניברסיטה – מגלים את הפוטנציאל של הפודקאסט ככלי הוראה. הוא לא רק טכניקה – הוא סגנון. הוא מעודד תלמידים להקשיב באמת, לתכנן מסר, להבין מה חשוב להם, ולעבוד יחד.

אפשר להפוך נושא לימודי לפרק מוקלט. אפשר לנהל ראיונות עם דמויות מהקהילה. אפשר לתרגל עברית, ערבית, אנגלית – דרך דיבור ממשי ולא תרגילים. והכי חשוב – זה נשאר עם התלמידים גם מחוץ לשיעור.

ומה עכשיו?

אם הגעת עד כאן – כנראה שיש בך סקרנות. אולי רעיון. אולי שאלה. אולי פשוט רצון לנסות. בטח תשמח/י לשמוע שיש לנו קורס מדהים של בינה מלאכותית למורים ואנשי הוראה – לפרטים לחצו פה.

הפוסט פודקאסט זה אתה בקול הופיע ראשון בLet's AI בינה מלאכותית

מה הם בעצם סוכני AI?

חשבו על כלי AI מסורתיים כמו מנוע חיפוש חכם או עוזר שמחזיר תשובות – אתם שואלים שאלה, מקבלים תשובה, וזה נגמר. סוכני AI? הם מתנהגים יותר כמו עובדים חדשים בצוות, כאלה שלא רק מגיבים למה שאמרתם, אלא גם לומדים את ההקשר, מקבלים החלטות, ומתמודדים עם משימות אמיתיות. הם לא רק נותנים תשובה – הם נוקטים פעולה. הם מבינים את הסביבה, מתכננים צעדים, ולעיתים פועלים מול מערכות אחרות, כמו שאדם היה עושה כשמתמודדים עם משימה עסקית מורכבת.

אבל כאן זה נעשה מעניין – סוכנים עובדים הכי טוב כשהם משתפים פעולה זה עם זה.

כוחו של שיתוף פעולה בין מתמחים

המחקר של גוגל חושף משהו קריטי שחשוב להכיר – סוכני AI מצליחים לא בגלל שהם יודעים לעשות הכל, אלא כי הם מתמחים, ועובדים יחד כמו צוות. דמיינו את זה ככה: במקום מערכת אחת גדולה שמנסה להשתלט על כל שירות הלקוחות, יש לכם שלושה סוכנים נפרדים, אחד מטפל בפניות ראשוניות, אחר פותר בעיות טכניות, והשלישי מתאם העברה לנציג אנושי במקרה הצורך. כל אחד מהם הופך למקצוען במשימה אחת בלבד. וזה כל הסיפור – התמחות מביאה לדיוק, מהירות ואמינות.

גישה כזו מייצרת שני יתרונות ברורים: הראשונה, אתם מקבלים תוצאות טובות יותר, כי כל סוכן מותאם בדיוק למה שהוא עושה. השנייה, האפשרות לטפל במשימות מורכבות ע”י תיאום בין סוכנים מתמחים, מה שהיה מכריע ו״שובר״ כל מערכת בודדת.

ואם זה נשמע מוכר, זה לא במקרה. מהפכת הסמארטפונים יצרה שוק שבו אפליקציות ייעודיות החליפו תוכנות כבדות. היום אנחנו רואים את אותו דפוס בדיוק, רק עם סוכני AI. ואנחנו רק בתחילתו של השינוי.

הגישה ההיברידית שבאמת עובדת

הנה משהו שאולי יפתיע אתכם, סוכני AI יעילים לא מחליפים את הכלים הקיימים, הם משתלבים בהם. למה זה עובד? כי AI מצטיין בהבנת שפה, הקשר וחשיבה הסתגלותית. תוכנה מסורתית טובה בלוגיקה ברורה ובביצוע מדויק. כשהשניים עובדים יחד, אתם מקבלים סוכן שיודע גם להבין מה צריך לקרות, וגם לבצע את זה נכון ובזמן. במקום לזרוק את המערכות הקיימות – הגישה הזו מאפשרת לחבר ביניהן בחוכמה, ולגשר בדיוק על מה שחסר – השילוב בין היגיון אנושי לדיוק של קוד.

איך להתחיל לבנות מערכות סוכנים

הנה המפה המעשית שמומחי גוגל ממליצים עליה. שאלה אחת לעצמכם לפני שמתחילים: איזו משימה אחת תחסוך לכם הכי הרבה זמן אם תתבצע אוטומטית?

שלב 1: הגדירו את המטרה של הסוכן שלכם

התחילו בקטן והיו ספציפיים. איזה בעיה מדויקת אתם רוצים שהסוכן הראשון שלכם יפתור? אל תכוונו לעוזר למטרות כלליות. במקום זאת, התמקדו במשימה אחת ברורה כמו “ניתוח רגש משוב לקוחות” או “תזמון פגישות צוות בהתבסס על זמינות”.

שלב 2: שמרו על בני אדם בלופ

זה קריטי – סוכנים מוצלחים תמיד כוללים פיקוח אנושי. הסוכן שלכם צריך להיות מתוכנן לאמן ולשתף פעולה עם אנשים, לא להחליף אותם לחלוטין. בנו נקודות ביקורת שבהן בני אדם יכולים להנחות את החלטות הסוכן ולאמת את פעולותיו.

שלב 3: בנו ואמתו יכולת אחת בכל פעם

נקטו בגישה איטרטיבית לפיתוח. התחילו עם יכולת הליבה של הסוכן שלכם, בדקו אותה ביסודיות, ואז הוסיפו בהדרגה כישורים חדשים. זה מאפשר לכם לתפוס בעיות מוקדם ומבטיח שכל יכולת עובדת בצורה מהימנה לפני שבונים עליה. חשבו על זה כמו אימון עובד חדש – לא הייתם מצפים ממנו לשלוט בכל היבט של העבודה ביום הראשון.

שלב 4: תכננו לשיתוף פעולה

גם אם אתם מתחילים עם סוכן אחד, תכננו אותו עם שיתוף פעולה עתידי בראש. איך הוא יתקשר עם סוכנים אחרים? איזה מידע הוא יצטרך לשתף? חשיבה על זה מוקדם תחסוך לכם כאבי ראש מאסיביים מאוחר יותר.

שלב 5: התחילו לבדוק וללמוד

הטמיעו את הסוכן שלכם בסביבה מבוקרת וצפו איך הוא מתפקד. המפתח הוא ללמוד מדפוסי שימוש אמיתיים ולעשות איטרציות מהירות בהתבסס על מה שאתם מגלים.

חמישה שלבים להתחיל איתם כדי להטמיע סוכן בתהליכי עבודה

מציאות השוק הגדל של סוכנים

משהו גדול קורה עכשיו, והמהירים ירוויחו. האקו-סיסטם של סוכני AI צומח בקצב שלא ראינו מאז עידן האפליקציות. בדיוק כמו שסמארטפונים יצרו שוק שבו כל אפליקציה עושה דבר אחד טוב,

אנחנו רואים עכשיו אלפי סוכנים, כל אחד מתמקד בפונקציה עסקית אחת: תיאום פגישות, סיכום שיחות, חיפוש מסמכים, ניתוח רגשות, מעקב אחר KPIs – והרשימה רק גדלה.

“עד 2028, כ־33% מיישומי התוכנה הארגוניים יכללו סוכני AI, לעומת פחות מ־1% בלבד בשנת 2024, מה שיאפשר קבלת כ־15% מההחלטות התפעוליות היומיומיות באופן אוטונומי.” – גרטנר, 2024.

המשמעות פשוטה: רוב הסוכנים שאתם תשתמשו בהם כבר קיימים, ואתם רק תתאימו אותם לצרכים שלכם. השאלה היא רק מתי תתחילו, לפני שהשוק יוצף או אחרי שכולם כבר בפנים?

הימנעות מהמלכודות הנפוצות

הרבה ארגונים קופצים על גל הסוכנים, אבל נופלים בדיוק באותן שלוש בורות. וזה עולה ביוקר: זמן, כסף, ותסכול של צוותים.

הטעות הראשונה: לנסות לבנות סוכן-על אחד שעושה הכול. זה נשמע חכם, אבל בפועל זו מלכודת: פיתוח מורכב, תחזוקה בלתי נגמרת, ואפס יכולת לדייק. כמו לנסות להקים מחלקה שלמה עם עובד אחד.

הטעות השנייה: הטמעה בלי פיקוח אנושי. גם הסוכן הכי מתקדם עושה טעויות. בלי גבולות, בקרה ונקודות עצירה – אתם מזמינים אסון תפעולי.

והטעות השלישית: להתחיל בלי מטרה ברורה. “נשפר את היעילות” זה לא יעד. זה מס שפתיים. בלי הגדרה מדידה – אי אפשר לדעת אם הצלחתם.

החדשות הטובות? ברגע שמכירים את המלכודות, אפשר להימנע מהן לגמרי. 

לא כל אוטומציה היא סוכן

אפשר לבנות תשתית ראשונית, לבדוק תהליכים, ולשלב יכולות AI בתוך כלים קיימים, כדי להתקרב בהדרגה למערכות שפועלות כמו סוכנים עצמאיים הנה כמה פלטפורמות שיכולות לשמש כבסיס:

• Zapier – מציעה חיבור בין טריגרים קלאסיים לבין פעולות מבוססות שפה.

• Google Vertex AI Agents – תשתית מתקדמת לבניית סוכנים בתוך מערכות ארגוניות.

• Make – מתאימה לאוטומציות מורכבות עם גמישות ויזואלית.

• n8n – למי שמחפש שליטה עמוקה, קוד פתוח וחיבורים דינמיים.

חשוב לזכור: לא כל אוטומציה היא סוכן. אבל כל סוכן טוב בנוי גם מתשתיות אוטומציה. כשמשלבים נכון בין רכיבי פעולה, תכנון ופיקוח, מתחילים להתקרב למה שסוכן באמת עושה.

השלב הראשון? פשוט להתחיל. להתחיל לבנות, לבדוק, וללמוד.

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

לפרטים נוספים לחצו כאן >>

מה זה אומר לארגון שלכם?

מהפכת הסוכנים מתרחשת עכשיו. והשאלה היא לא אם תצטרפו, אלא מתי ואיך. הארגונים שמתחילים היום, בונים יתרון מצטבר של הבנה, ניסיון, והתאמה פנימית. הם ילמדו איך סוכנים מתנהגים בשטח, איך לשלב ביניהם, ואיך לצמוח איתם בלי לאבד שליטה. הצלחה לא תלויה בטכנולוגיה, אלא בגישה: בחרו בעיה אחת, התחילו בקטן, שמרו על בקרה אנושית, ותנו לסוכנים שלכם להפוך לכלים שמתאימים לארגון – לא להפך. כי בסופו של דבר, אלה שישלטו בשיתופי פעולה בין סוכנים ישנו את שוק העבודה כולו. השאלה היא: האם תהיו מהשחקנים שמובילים את השינוי, או מהמאחרים שמנסים להבין איך הוא קרה?

הפוסט מה זה סוכן AI ולמה זה משנה את הדרך שבה ארגונים עובדים הופיע ראשון בLet's AI בינה מלאכותית

איך מתחילים? ההרשמה ל-Google AI Studio

ההרשמה מהירה ופשוטה: נכנסים ל־aistudio.google.com, מתחברים עם חשבון גוגל קיים, מאשרים תנאי שימוש – וזהו. אין צורך בהתקנות או בהגדרות. תוך דקות אפשר להתחיל לבנות, ליצור ולנסות מודלי AI מתקדמים.

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

לפרטים נוספים לחצו כאן >>

היתרונות הבולטים של Google AI Studio

• גישה חינמית למודלים הכי טובים של גוגל – אתם מקבלים את Gemini 2.5 Pro ו-Flash, וגם גישה מוקדמת למודלים ניסיוניים, בלי לשלם ולפני כולם.

• כלי אחד לכל סוגי המדיה – טקסט, תמונות, וידאו ואודיו, כך שאפשר לעבוד על כל פרויקט יצירתי או אנליטי במקום אחד, בלי לקפוץ בין כלים.

• ניתוח מסמכים עצומים בלי לחתוך – החלון הקונטקסטואלי הגדול מאפשר להזין עשרות עמודים ולקבל תשובות מדויקות על בסיס התמונה המלאה.

• יכולת לבנות אפליקציה אמיתית גם בלי לדעת לתכנת – פשוט מתארים את הרעיון במילים, והמערכת בונה אפליקציה שניתן לשתף אותה עם אחרים בלחיצת כפתור.

• שילוב קל עם קוד ו־API – בעזרת מפתחות API ו־SDK (ערכת כלים למפתחים) רשמי, אפשר לקחת את מה שבניתם ולהטמיע אותו ישירות בפרויקט או מערכת קיימת.

• עוזר אינטראקטיבי אמיתי, לא רק צ’אט – עם שיתוף מסך, שיחה קולית, ותגובה למצלמה, זה מרגיש כמו לעבוד עם שותף טכני חכם בזמן אמת.

השליטה בידיים שלכם: ניווט מהיר בין יכולות הממשק של Google AI Studio

פיצ’רים מרכזיים ב־Google AI Studio

ממשק צ’אט חכם עם בחירת מודלים

אפשר לשוחח עם מגוון מודלים ממשפחת Gemini לפי סוג המשימה, מ-Gemini Flash המהיר ועד Gemini Pro העמוק. הממשק תומך גם בעברית וכולל שליטה בפרמטרים כמו טמפרטורה, שמשפיעה על מידת היצירתיות (נמוך = מדויק וזהיר, גבוה = מקורי ויצירתי), ו־Top-P, שמכוון עד כמה המודל שוקל אפשרויות לא צפויות. ערך נמוך (למשל 0.1) יגרום למודל לבחור רק מתוך האפשרויות הבטוחות והסבירות ביותר, בעוד ערך גבוה (למשל 0.9) יאפשר לו לגוון יותר, ולשקול גם רעיונות פחות שגרתיים. זו דרך לשלוט על רמת ה”גמישות” וההפתעה בתשובה. השילוב בין השניים מאפשר לכם להתאים את סגנון התשובה – משמרני ועד הרפתקני.

העלאת קבצים וניתוח מדיה

ניתן להעלות מסמכים (PDF, Word), תמונות, וידאו או אודיו, והמודל ינתח, יסכם או יענה על שאלות מתוך הקובץ. לדוגמה: סיכום מאמר PDF, תיאור תמונה, או זיהוי תכנים מקובץ וידאו. רוב הפורמטים הנפוצים נתמכים.

שמירת שיחות וארגון לפי פרויקטים

כל שיחה עם המודל נשמרת אוטומטית, וניתן לארגן אותה לפי נושא או פרויקט. אפשר להפסיק שיחה באמצע ולחזור אליה בהמשך, כולל כל ההיסטוריה והקבצים שהועלו. פיצ’ר חיוני למי שעובד על כמה רעיונות במקביל, או שרוצה לחזור ולחדד תוצרים קודמים בלי להתחיל מאפס.

Stream Realtime

הפלטפורמה מאפשרת לשתף מסך או מצלמה עם המודל בזמן אמת, ולקבל הנחיות ישירות על מה שמופיע אצלכם. אפשר לשאול שאלות כמו “מה רואים כאן?” או לבקש הדרכה על תוכנה פתוחה, וה-AI יזהה וידריך אתכם שלב־אחר־שלב. בנוסף, ניתן לדבר אליו בקול ולקבל תשובה קולית בחזרה, כמו עוזר אישי חי. מתאים במיוחד להדרכה, פתרון בעיות ותמיכה ויזואלית חכמה.

יצירת תוכן מולטי מודאלי

Google AI Studio כולל כיום ארבעה כלים מרכזיים ליצירה גנרטיבית: Imagen ליצירת תמונות ברמה גבוהה, Gemini Speech להמרת טקסט לדיבור אנושי, Veo 2 ליצירת וידאו קצר מתסריט או מתמונה, ו־Lyria ליצירה אינטראקטיבית של מוזיקה בזמן אמת. רובם זמינים כבר עכשיו בגירסה החינמית של הפלטפורמה, וניתנים לשילוב ישיר בתהליך העבודה – בלחיצת כפתור.

בניית אפליקציות בלי קוד

AI Studio מאפשר לבנות אפליקציה שלמה מתיאור טקסטואלי בלבד – פשוט כותבים מה רוצים, והמערכת יוצרת אפליקציה עובדת תוך דקות. אפשר גם לבחור אפליקציות מוכנות (דרך לוח ההשראה – showcase) ולהתאים אותן לצרכים שלכם. בסיום, ניתן להעלות את האפליקציה לענן של גוגל בלחיצת כפתור, בלי לגעת בקוד או בשרתים.

חיבור ליישומים חיצוניים

אפשר ליצור מפתחות API (אינטגרציות וחיבור לכלים אחרים) ולייצא קוד מוכן (ב־Python, JavaScript, או cURL) לכל ניסוי או שיחה, ולהטמיע אותו בפרויקטים עצמאיים. התמיכה ב־SDK הרשמי של גוגל מקלה במיוחד על שילוב במערכות קיימות. השילוב של שיחה, מדיה, דיבור, קוד ופריסה (Deploy), הכל בכלי אחד, הוא מה שהופך את Google AI Studio לכל כך עוצמתי.

למי זה מתאים? 

• מפתחים: יכולים לבנות ולבדוק אפליקציות AI במהירות, לבצע A/B Testing בין מודלים, ולשלב תוצרים ישירות במערכות קיימות.

• משתמשים לא טכניים: עיתונאים, סטודנטים, יוצרי תוכן ומעצבים – כולם יכולים להיעזר ב-AI לסיכומים, תמלול, יצירת מדיה, הסברים לקוד, קריינות ועוד.

• ארגונים וצוותים: כלי מצוין לפיילוטים מהירים ולבדיקות היתכנות לפני השקעה בפיתוח מלא. הפלטפורמה מספקת מדדים ברורים, פועלת בסביבה מבודדת ונותנת גמישות מירבית לניסוי.

בקיצור, אם יש לכם רעיון, בעיה או פרויקט שדורש AI, יש לכם כאן כלי נגיש, חזק וידידותי להתנסות וללמידה.

מגבלות שכדאי להכיר

הגבלות בתוכנית החינמית

קיימת מכסה יומית, והגישה למודלים המתקדמים (כמו Gemini 2.5 Pro) מוגבלת. בנוסף, פעילות המשתמש עשויה להיאסף לשיפור המודלים. מי שצריך יותר, יכול לשדרג למסלולי Pro או Ultra עם גישה למודלים המתקדמים דרך אפליקציית ג׳מיני, גישה ליכולות כמו יצירת וידאו ב-Veo3, יצירת סרטים עם Flow, אפשרויות אחסון ועוד.

תכונות ניסיוניות ואי־יציבות

חלק מהפיצ’רים, כמו שיתוף מסך או יצירת מדיה, עדיין ב־Preview ועלולים להשתנות או להיעלם. תקלות קלות בממשק עשויות להופיע מדי פעם.

תמיכה מוגבלת בקבצים נדירים

רוב הפורמטים הסטנדרטיים נתמכים, אך קבצים בפורמטים קנייניים עשויים שלא להיטען.

לא מיועד לשימוש שוטף כמוצר סופי

הפלטפורמה מצוינת לפיתוח, ניסוי ובניית אב־טיפוס, אך לא מתאימה לעבודה יום־יומית במערכות ייצור (Production).

עקומת למידה למתחילים

הממשק עשיר באפשרויות, מה שעלול להרתיע משתמשים חדשים לגמרי. נדרשת היכרות בסיסית כדי להפיק ממנו את המירב.

תלות באקוסיסטם של גוגל

נדרש חשבון Google, וכל הנתונים נשמרים בענן שלה.

למרות המגבלות, לרוב המשתמשים מדובר בכלי נדיב, יציב וחינמי שמספק גישה נדירה לטכנולוגיות המתקדמות ביותר של גוגל.

טיפים למתחילים 

1. התחילו בצ’אט: התנסו בשיחה פשוטה עם המודל, נסו גם להעלות קובץ (PDF או תמונה) וראו איך הוא מנתח אותו. השוו בין Gemini Pro ל־Flash כדי להבין את ההבדלים.

2. עברו ל־Stream Realtime: שתפו מסך או מצלמה, בקשו מה-AI להסביר מה רואים או להנחות אתכם בתוכנה. אפשר גם לשוחח בקול, ממש כמו עם עוזר אישי.

3. צרו תוכן: השתמשו בכלי Text-to-Speech להמרת טקסט לקול אנושי, כולל שליטה בקצב וסגנון. אחר כך נסו את Veo: הזינו תיאור קצר וקבלו סרטון קצר בהתאמה.

4. בנו אפליקציה: בטאב Build Apps תארו רעיון פשוט, והמערכת תבנה לכם אפליקציה מוכנה. בלחיצה תוכלו לפרוס אותה לענן ולקבל קישור שיתוף.

5. שלבו API וקוד: צרו API Key, ייצאו קוד מתוך שיחות או אפליקציות, ושבצו אותו בפרויקט שלכם ב-Python או JavaScript.

6. למדו מהקהילה: חפשו מדריכים ביוטיוב, הצטרפו לפורום של גוגל, ואל תפחדו להתנסות. גם אם משהו לא עובד – פשוט מתחילים מחדש.

כל התכונות האלו מתחברות לכוח אמיתי – בעזרת AI Studio אפשר לעבור מרעיון למוצר תוך דקות, וללמוד תוך כדי תנועה והתנסות.

למה כדאי להתחיל עכשיו עם Google AI Studio?

עם שימוש חינמי, מודלים מהמתקדמים בעולם וכלים עוצמתיים ליצירה ולפיתוח, Google AI Studio מאפשר לכם לבנות, ללמוד, להתנסות או פשוט לראות מה הבינה המלאכותית של גוגל יודעת לעשות. זו ההזדמנות שלכם לגעת בחזית החדשנות – היכנסו לסטודיו וגלו בעצמכם. רוצים להכיר את הכלי במהירות? יצרנו עבורכם מצגת תמציתית – פחות מ־10 שקפים שמסבירים בצורה ברורה את היכולות המרכזיות של Google AI Studio. 

הפוסט מדריך שימושי ל־Google AI Studio הופיע ראשון בLet's AI בינה מלאכותית

הפריצה הטכנולוגית ב”אל אטרנאוטה”

הדוגמה מ”אל אטרנאוטה” מדגימה כיצד בינה מלאכותית משנה את חוקי המשחק של ההפקה הטלוויזיונית. הסדרה, המבוססת על נובלה גרפית קלאסית משנות ה-50, מתארת מגפה רעילה ופלישה חייזרית בבואנוס איירס. הבמאי ברונו סטגנרו השתמש בטכנולוגיית Unreal Engine ובסריקות דיגיטליות כדי לבנות 25 סטים וירטואליים, מה שאיפשר לו לשמור על אותנטיות תרבותית, מבלי לצאת מגבולות התקציב.

הסצנה המרכזית, שבה בניין קורס בפרק 6, הופקה בשיתוף עם אולפני Eyeline של נטפליקס, תוך שימוש בכלי AI גנרטיביים. לדברי המנכ”ל טד סרנדוס, זו סצנה שלא הייתה מתאפשרת בהפקה רגילה – הן בשל הזמן והן בגלל העלות. לדבריו, בינה מלאכותית לא רק מקצרת תהליכים, אלא גם משחררת את הדמיון ומאפשרת להפקות קטנות לשחק במגרש של הוליווד.

סצנה מהעונה הראשונה של “El Eternauta”. צילום: Mariano Landet/Netflix

ההשפעה הכלכלית של טכנולוגיית AI

ההשפעה הכלכלית רחבה ומורגשת. נטפליקס דיווחה על הכנסות של 11.08 מיליארד דולר ברבעון השני של 2025, עלייה של 16% לעומת השנה שעברה, עם רווחים של 3.1 מיליארד. אבל זה לא רק עניין של שורת רווח. שוק הבינה המלאכותית בתחום המדיה והבידור צפוי לזנק מ-19.8 מיליארד דולר ב-2024 ליותר מ-123 מיליארד עד 2033, עם קצב צמיחה שנתי של 22.6%.

צפון אמריקה שומרת על ההובלה עם נתח שוק של 38%, אך אסיה-פסיפיק היא האזור הצומח ביותר, מה שמצביע על תחרות גלובלית מחריפה.

בפועל, השימוש ב-AI מוזיל ומייעל את ההפקות. מערכות מבוססות בינה מלאכותית מבצעות אוטומציה למשימות כמו עריכה, תיוג, זיהוי סצנות וסיווגים, ומקצרות תהליכים שדרשו בעבר צוותים שלמים. בנטפליקס עצמה, AI כבר ממלא תפקידים מרכזיים – החל מהמלצות תוכן מותאמות אישית, דרך חיפוש בשפה טבעית (“סרטי מתח רומנטיים משנות ה-90”) ועד התאמה אוטומטית של פרסומות לקהל ולרגע הצפייה.

המתחים בתעשייה והשפעתם על שוק העבודה

ההתקדמות הטכנולוגית מלווה במתחים גוברים בזירת העבודה. שביתות הוליווד של 2023, בהובלת איגודי התסריטאים (WGA) והשחקנים (SAG-AFTRA), התמקדו בדיוק בשאלה איך מווסתים את כניסת הבינה המלאכותית לעולם התוכן? ההסכמים שהושגו בעקבות השביתות היו תקדימיים: איגוד WGA אסר שימוש ב-AI לכתיבת תסריטים, בעוד SAG-AFTRA דרש הסכמה מפורשת ופיצוי על שימוש בדמות דיגיטלית של שחקן.

אבל מאחורי הקלעים, השוק כבר משתנה. מחקר עדכני מ-2025 מצא כי 75% ממנהלי אולפנים דיווחו על קיצוץ במשרות בעקבות הטמעת AI, עם הערכה ליותר מ-100,000 משרות מושפעות עד 2026 רק בארה”ב. תחום האפקטים הוויזואליים נמצא בקו האש כששליש מהמנהלים מעריכים שמודליסטים תלת-ממדיים יוחלפו, ו-15% מציינים פגיעה באנימטורים ובאמני סטוריבורד.

עם זאת, נוצרים גם תפקידים חדשים כמו מפיקי תוכן AI, מפקחי אתיקה, עורכים טכנולוגיים. תכונות כמו חשיבה ביקורתית, שילוב בין עולמות, ויכולת לעבוד עם מכונה, הופכים לכישורים מבוקשים.

התמונה מורכבת – לצד אובדן תעסוקתי, קמים מקצועות חדשים, והקרב על תפקיד האדם ביצירה רק מתחיל.

תפיסות הצרכנים והדילמה מול תוכן מבוסס AI

גם הצופים עצמם חווים קונפליקט מול עידן הבינה המלאכותית. סקר שנערך ב-2025 מצא ש-70% מהציבור מכירים את המונח “בינה מלאכותית גנרטיבית”, אך רק 18% הביעו הבנה עמוקה של המשמעות. הדרישה לשקיפות גוברת – שני שלישים מהנשאלים תומכים בסימון ברור של תוכן שנוצר בעזרת AI, ו-26% מבקשים גישה קלה למידע נוסף כמו מי יצר את התוכן ואיך.

כשמדובר במשימות טכניות כמו אפקטים ויזואליים (CGI), תרגום או כתוביות, הקהל מוכן לקבל טכנולוגיה. אבל ברגע שמדובר בתסריטים, מוזיקה או יצירה מקורית – הרגש גובר, וההעדפה נוטה לאנושי. מחקרים מראים שתוכן שנוצר ב-AI מקבל ציונים דומים לתוכן אנושי כאשר לא יודעים את מקורו, אך ברגע שהצופים יודעים שמדובר בבינה מלאכותית, מופיעה הטיה שלילית.

המשמעות ברורה: הציבור מוכן לשלב טכנולוגיה, אבל מצפה לדעת על כך. שקיפות הפכה לתנאי בסיס לאמון.

מגמות עתידיות ותחרות גוברת

מגמות העתיד מבהירות כי שילוב הבינה המלאכותית בתעשיית הבידור רק ילך ויעמיק. עד 2025, AI צפוי לטפל במשימות מורכבות יותר כמו סימולציות פיזיקליות, יצירת סביבות דיגיטליות ריאליסטיות, והפקה וירטואלית מבוססת מסכי LED. החזון מדבר על סטים שלמים שנבנים בלחיצת כפתור, תוך חסכון עצום בזמן, משאבים וכוח אדם.

ענקיות כמו דיסני וליונס-גייט (Lionsgate) כבר בוחנות כלים דומים, והמרוץ העולמי בעיצומו. נטפליקס, שמתחרה לא רק עם הוליווד אלא גם עם פלטפורמות דיגיטליות כמו יוטיוב (12.5% מצפיית הטלוויזיה בארה”ב לעומת 7.5% לנטפליקס), משתמשת ב-AI כאסטרטגיה להתרחבות גלובלית. דוגמה בולטת כאמור היא “El Eternauta” – הפקה בינלאומית שנשענת על טכנולוגיה מתקדמת תוך שמירה על עומק ואותנטיות תרבותית.

בעולם שבו תוכן הופך למוצר גמיש, מהיר וזול – היתרון עובר למי שיודע לשלב בין יצירתיות, קנה מידה וטכנולוגיה.

רגולציה, אתיקה והשפעות תרבותיות

ככל ש-AI משתלב עמוק יותר בתעשיית הבידור, כך מתגברים גם המאמצים להסדיר את השימוש בו. באירופה, חוק ה-AI החדש מדגיש את עקרונות השקיפות, פיקוח אנושי ואחריות מוסדית, והוא מהווה את אחד המהלכים הרגולטוריים המקיפים בעולם. בארה”ב, אין חקיקה פדרלית מקבילה, אך ההסכמים עם איגודי היוצרים (כמו WGA ו-SAG-AFTRA) הפכו בפועל לכללי משחק מחייבים.

ארגון העבודה הבינלאומי (ILO) ממליץ על בניית מסגרות אתיות שיבטיחו שהטכנולוגיה תשרת בני אדם ולא תגרום לדחיקתם החוצה. ובבריטניה, המכון הבריטי לקולנוע (BFI) כבר מזהיר – תעשייה בשווי 21 מיליארד ליש”ט עלולה לעמוד בפני שינוי מערכתי.

במקביל, התחזיות הכלכליות דרמטיות ומצביעות על כך שבינה מלאכותית צפויה להשפיע על 69% מהכנסות הפרסום העולמיות כבר היום, והמספר הזה צפוי לטפס ל-94% עד 2029.

השורה התחתונה: בלי רגולציה ברורה, הכוח עובר לטכנולוגיה, גם כשמדובר בתרבות, ביטוי אישי ומקורות פרנסה.

בין דמוקרטיזציה לאובדן עומק

ככל שהטכנולוגיה מתקדמת, כך גדל גם הצורך באיזון תרבותי ואמנותי. הסדרה “El Eternauta” מצליחה להוכיח שאפשר לשלב בין כלים מבוססי AI לבין עומק פוליטי, זהות מקומית ורוח אנושית – אבל לא כולם בטוחים שזה יישאר כך. מבקרים ואנשי רוח מביעים חשש, שככל שההפקות הופכות יעילות, מהירות וזולות – הולך לאיבוד משהו מהכאוס האנושי שהוא לב היצירה.

מצד אחד, מדובר במהפכה מבורכת – כלים שבעבר היו שמורים לאולפנים עשירים נפתחים בפני יוצרות ויוצרים עצמאיים. הדמוקרטיזציה האמנותית בעיצומה. מצד שני, ככל שהתוכן נעשה “חכם” יותר, עולה השאלה מי מחליט מהו סיפור טוב, מה נוגע, ומה יישאר איתנו גם מחר.

זהו האתגר התרבותי הגדול של עידן הבינה המלאכותית – להאיץ את היכולת מבלי לשחוק את הנשמה.

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

לפרטים נוספים לחצו כאן >>

לסיכום, השימוש של נטפליקס ב-AI מסמן עידן חדש שבו טכנולוגיה לא רק מייעלת תהליכים, אלא משנה את גבולות היצירה עצמה. לצד ההזדמנויות, עולות גם שאלות עמוקות של תעסוקה, אתיקה ושקיפות. כדי להבטיח צמיחה יצירתית והוגנת, התעשייה תצטרך לאזן בין כוח המכונה לרוח האדם. השילוב הזה – הוא שיכריע את עתיד הבידור.

הפוסט נטפליקס פורצת דרך עם AI בויז’ואל אפקטס הופיע ראשון בLet's AI בינה מלאכותית

העיניים לפסגה

הפרק הראשון בתוכנית כולל 59 יוזמות שנועדו להסיר חסמים ולעודד פיתוח מהיר של בינה מלאכותית. אחת מהן: דרישה מכל סוכנות פדרלית לזהות ולבטל חוקים שנחשבים “מכבידים” על תחום ה-AI. במסגרת זו, התוכנית אף קוראת לבטל את הצו הנשיאותי EO 14110 מתקופת ביידן, שניסה להציב מסגרות בטיחות ואתיקה לפיתוח AI. הגישה: פחות רגולציה – יותר מהירות. התוצאה? יתרון לסטארט-אפים, אך גם איום אפשרי על פרטיות, בטיחות וזכויות אזרח.

תובנה מרכזית במסמך היא הדרישה ל”ניטרליות אידיאולוגית”:

“Any AI systems procured by federal agencies must be free from political, ideological, or policy bias.”

בפועל, מדובר על הסרת מושגים כמו DEI (גיוון, שוויון והכלה), שינויי אקלים ומאבק בדיסאינפורמציה ממסגרות ניהול הסיכונים של (NIST (National Institute of Standards and Technology – המכון הלאומי לתקנים ולטכנולוגיה בארה”ב. זה מעורר חשש כבד לפוליטיזציה של טכנולוגיה. אם הגדרת “הטיה” תהפוך לכלי משפטי, המאבק יעבור מהמעבדות לבתי המשפט.

קוד ומשקל פתוחים

תובנה בולטת נוספת בעמוד החדשנות היא התמיכה בגישה פתוחה לפיתוח AI, הן ברמת הקוד והן ברמת המשקלים. הממשל מצהיר על מחויבות להנגשת המשאבים לחוקרים, יזמים ומוסדות אקדמיים, לא רק לחברות ענק.

“Open weights and open-source AI systems will be prioritized for federal support where security and safety allow.”

לצד תמיכה פדרלית בכינוסים מקצועיים, תוקם גם תשתית מחשוב ציבורית שתאפשר גישה למחקר – מעין שוק פתוח למודלים, מחוץ למונופול של גוגל, מיקרוסופט או אמזון. אבל כאן מתחיל המתח: פתיחת מודלים עלולה להקל על דליפה למדינות יריבות, ולפגוע ביעדים ביטחוניים שמופיעים בעמוד השלישי של התוכנית.

בנוסף, נכללת יוזמה להקים “סנדבוקסים רגולטוריים” – אזורי ניסוי מוגנים במגזרים רגישים כמו בריאות, פיננסים ואנרגיה. המטרה? לאפשר פיילוטים חדשניים ללא עיכובים רגולטוריים. הסיכון? היעדר סטנדרטים מינימליים עלול לחשוף צרכנים לטעויות רפואיות, הטיות ביטוחיות או כשלים פיננסיים.

משאבי אנוש וביטחון העבודה

התוכנית מקצה תשומת לב נרחבת למשאב האנושי, במטרה להבטיח שה-AI ישלים עובדים ולא יחליף אותם. שני צווים נשיאותיים מאפריל 2025 כוללים צעדים מערכתיים:

• 1.2 מיליארד דולר ל-35,000 בתי ספר ציבוריים, לשילוב תכני AI בתוכנית הלימודים מגיל צעיר.

• 600 מיליון דולר להכשרת 60,000 עובדים במקצועות כמו חשמלאות, תחזוקה וטכנאות HVAC – תפקידי שטח שמושפעים אט־אט מהטמעת מערכות חכמות.

“We must prepare the American workforce for a future where AI is embedded in every sector.”

המטרה ברורה: הכנה מוקדמת, כדי למנוע זעזועים בשוק העבודה. אבל לפי נתוני ה-BLS (הלשכה האמריקאית לסטטיסטיקה של עבודה), הפער נותר עמוק: חסרים כ־90,000 עובדי קו עד 2028 – הרבה מעבר למה שההכשרות הקיימות יוכלו לגשר עליו.

חיזוק התשתיות והשוק האמריקאי

הפרק השני בתוכנית כולל 29 יוזמות לבניית תשתיות AI לאומיות – מחשוב, חשמל, שבבים ואדמות. הנחת היסוד היא שבלי פתרון תשתיתי מהיר, לא תתאפשר הובלה עולמית. התובנה המרכזית כאן היא ההכרה במה שמכונה “צוואר הבקבוק האנרגטי”: מערכות AI צורכות כמויות עתק של חשמל, בעיקר דרך הדאטה-סנטרים. לפי תחזיות PJM (Pennsylvania-New Jersey-Maryland Interconnection), עד 2040 צפויה עלייה של 70 ג’יגה-ואט בביקוש רק בארה”ב.

עד 2030, צריכת האנרגיה של דאטה-סנטרים צפויה להגיע ל־1,500 טרה־ואט־שעה, רמה שמשקפת את צריכת החשמל של הודו כולה כיום. כדי להדביק את הפער, התוכנית כוללת צעדים אגרסיביים:

• שדרוגים לרשת החשמל ובניית קווים מתקדמים.

• הארכת חיי תחנות פחם קיימות.

• הקלה דרמטית בדרישות היתרי NEPA (National Environmental Policy Act) – כולל פטורים קטגוריאליים למרכזי נתונים עד 120 דונם, כדי לקצר זמני בדיקה מ-4 שנים לפחות מ-18 חודשים.

“AI infrastructure projects must move at the speed of innovation, not the speed of bureaucracy.”

בנוסף, נפתחות אדמות פדרליות לפרויקטים ייעודיים, וניתנים תמריצים לשבבים דרך חוק CHIPS (Creating Helpful Incentives to Produce Semiconductors). אלא שיחד עם ההאצה, מגיעים סיכונים סביבתיים: הארכת הפעלת תחנות פחם עלולה להוסיף כ־1.7 ג’יגה־טון פליטות CO₂ עד 2035 – כ־9% מתקציב הפחמן העולמי שנותר לעמידה ביעד של התחממות של 1.5 מעלות.

מנהיגות בינלאומית וביטחון

הפרק השלישי בתוכנית, הכולל 16 יוזמות, ממוקד בביסוס ההובלה הגלובלית של ארה”ב ב-AI, עם דגש ברור על שמירה על יתרון ביטחוני מול סין. התובנה המרכזית: גישה לאומנית תקיפה. הממשל מגדיר מדיניות חדשה לייצוא של “AI Full Stacks” – שילוב של חומרה, מודלים, נתונים ותשתית ענן – רק למדינות ברית מועדפות (18 במספר, ביניהן ישראל, קנדה, אוסטרליה ויפן).

“AI stacks must not fall into the hands of adversaries – we will only share with nations aligned on values and security.”

השלכות מיידיות כוללות:

• הידוק רגולציית הייצוא דרך BIS (לשכת התעשייה והביטחון).

• דרישות KYC (זיהוי לקוח) מחמירות לספקי ענן אמריקאיים.

• סגירת פרצות שנוצלו בעבר להעברת טכנולוגיה לסין דרך שותפים עקיפים.

גם במערכת הביטחון נרשמת האצה: הפנטגון יקצה 100 מיליון דולר להקמת “מגרש ניסויים וירטואלי ל-AI” – סביבת סימולציה מתקדמת לפרויקטים כמו “AI Fight Club” של לוקהיד מרטין. בתחום הלחימה במידע מזויף, תוכנית הפעולה מטילה על NIST לפתח סטנדרטים פורנזיים לדיפייקים, כדי לאפשר הוכחת אותנטיות של ראיות בבתי משפט.

ניצחונות ואתגרים

מעבר לשלושת העמודים, ניכרים קווי שבר מערכתיים:

• הדה-רגולציה עשויה להאיץ חדשנות, אך גם להגביר סיכונים ביולוגיים, צבאיים ואתיים.

• שוק המחשוב הופך ריכוזי כאשר ארבע חברות היפרסקייל צפויות לשלוט ב־80% מהעבודה על מודלי AI עד 2030.

• הנסיגה לשימוש בפחם ופטורים סביבתיים מסמנים כיוון מדאיג מבחינה אקלימית.

בין המרוויחים יהיו יצרני שבבים כמו אינטל ו־TSMC, חברות דאטה-סנטרים, ומדינות בעלות ברית עם גישה לתשתיות אמריקאיות, בהן ישראל, יפן ואוסטרליה. בין המפסידים יהיו ארגונים סביבתיים, מדינות אירופאיות שלא נכללו בבריתות הייצוא, וקהילות מקומיות שעלולות לשאת את נזקי הפחם והזיהום.

“We must lead in AI, but leadership must come with responsibility.” 

תוכנית ה-AI האמריקאית היא הימור אסטרטגי נועז: היא מבטיחה צמיחה, יתרון ביטחוני ואחיזה טכנולוגית, אך גם טומנת בחובה סיכונים של פוליטיזציה, חוסר יציבות אנרגטית ופגיעה סביבתית. כדי להצליח באמת, המהלך הזה ידרוש יותר מהאצה – הוא ידרוש שכנוע בינלאומי, מדיניות דקרבוניזציה והכשרת עובדים בהיקף רחב. בסופו של דבר, זו לא רק תוכנית טכנולוגית, אלא קריאה לפעולה עולמית. היא יכולה לשנות את פני העולם, או לחדד ולהעמיק את הפערים.

הפוסט תוכנית ה-AI האמריקאית במרוץ להובלה טכנולוגית הופיע ראשון בLet's AI בינה מלאכותית

Today we’re releasing GitHub Spark — a new tool in Copilot that turns your ideas into full-stack apps, entirely in natural language. pic.twitter.com/YvHO0Dc3GJ

— Satya Nadella (@satyanadella) July 23, 2025

מה Spark באמת יודע לעשות?

Spark הוא פלטפורמה מבוססת בינה מלאכותית שמאפשרת ליצור אפליקציות שלמות, גם פרונט-אנד וגם בק-אנד, בלי צורך בקונפיגורציות או קוד מסובך. הנה היכולות המרכזיות, על פי ההכרזה והתיעוד הרשמי:

• מעבר משפה טבעית לאפליקציה: תארו רעיון בפשטות, ו-Spark בונה אותו באמצעות מודל Claude Sonnet 4 כברירת מחדל, עם אפשרות לבחור מודלים אחרים כמו GPT-4o או Gemini 1.5 Pro.

• ללא הגדרות מורכבות: הכלי כולל אחסון נתונים, הרצת מודלי AI, הוסטינג, פריסה ואימות דרך GitHub – הכל אוטומטי ומבוסס על Azure.

• הוספת AI לאפליקציות: אפשר לשלב פונקציות חכמות ממודלים של OpenAI, Meta, DeepSeek ו-xAI, ללא ניהול מפתחות API.

• פריסה בלחיצה אחת: פרסמו את האפליקציה בלחיצת כפתור, עם כתובת URL ייעודית.

• ממשק גמיש: עבדו בשפה טבעית, כלי עריכה ויזואליים או קוד עם השלמות מ-GitHub Copilot. אפשר גם ליצור ריפוזיטורי עם GitHub Actions ו-Dependabot – הכל מסונכרן.

• סוכני Copilot מתקדמים: פתחו Codespace ישירות מ-Spark כדי לעבוד עם מצב סוכן או להקצות משימות לסוכן קוד.

Spark מאיץ את תהליך הפיתוח וממקם את ה-AI בלב החוויה, אבל חשוב לזכור שמדובר בגרסת Preview, כך שממשק המשתמש והיכולות עשויים להשתנות בקרוב.

יתרונות ומגבלות של Spark

Spark מרחיב את GitHub Copilot ומציע גישה חדשה – לא רק השלמות קוד, אלא יצירת אפליקציות שלמות משפה טבעית, עם תמיכה במודלים כמו Claude, GPT ו-Gemini. הוא משלב יכולות AI ישירות באפליקציה, מפשט את התהליך, ומאפשר לבנות פרוטוטייפים חכמים תוך דקות, בלי להסתבך בהגדרות. עם זאת, הוא זמין רק כחלק ממנוי Copilot Pro+, מוגבל ל־375 בקשות בחודש, וכולל מגבלות משאבים. Spark בולט בפשטות ובשילוב עמוק ב-GitHub, אך עדיין לא מהווה תחליף מלא לפרויקטים מורכבים. הוא מתאים בעיקר למפתחים שמחפשים מהירות וגמישות בשלב הרעיון ופחות לארגונים שדורשים יציבות, שליטה וסקייל.

Spark לא לבד

GitHub Spark מושק לשוק תוסס של כלי פיתוח מבוססי שפה טבעית ובינה מלאכותית. לצד כלים כמו Cursor (עורך קוד חכם שהגיע לשווי של כמעט 10 מיליארד דולר), Base44 (שנרכשה ע”י Wix) ו־Lovable (שכבר מדווחת על הכנסות של מעל 100 מיליון דולר) – Spark מציע אלטרנטיבה ייחודית: אינטגרציה עמוקה ב־GitHub וב־Azure, תמיכה במודלים מרובים, ויכולת לבנות אפליקציות שלמות בפורמט Text-to-App. החיסרון? הוא מוגבל למנויי Copilot Pro+ בלבד, מה שעלול להרחיק מפתחים שמחפשים פתרון גמיש ופתוח יותר.

עלויות וזמינות

GitHub Spark לא מוצע כמוצר עצמאי – הוא כלול אך ורק במנוי Copilot Pro+. הנה השוואה בין המנויים:

Spark זמין בשלב זה באנגלית בלבד, דרך גרסת הדפדפן של GitHub. מנויי Copilot Pro+ מקבלים חודש ניסיון חינם, אך רק אם הם מנויים חדשים. אם אתם כבר במנוי Pro, תצטרכו לשדרג כדי לגשת ל-Spark.

מה קורה כשחוצים את המכסה?

כל אינטראקציה עם Spark צורכת 4 קריאות פרמיום (Premium Requests). אם תחרגו מהמכסה החודשית, תשלמו $0.04 לכל בקשה נוספת. בנוסף, קיימות מגבלות על משאבים כמו CPU, אחסון ורוחב פס שכדאי לקחת בחשבון בפרויקטים מתמשכים. העלות החודשית ($39) גבוהה יחסית, אבל מצדיקה את עצמה אם אתם משתמשים ב-AI ככלי עבודה יומיומי. אם השימוש שלכם מזדמן בלבד, ייתכן שכדאי להמתין למסלולים נוספים ש-GitHub צפויה להציע בהמשך.

למי הכלי הזה באמת מתאים?

Spark מתאים למגוון רחב של משתמשים, אבל לא לכולם. הנה ניתוח קצר שיעזור לכם להבין אם הכלי הזה רלוונטי עבורכם:

מתחילים ומפתחים עצמאיים

אם אין לכם רקע בקוד, Spark יכול להיות פתרון מצוין. תוכלו לבנות אפליקציות אישיות, בלי להסתבך בהגדרות או תשתיות.

עסקים קטנים וסטארט-אפים

הכלי אידיאלי לפיתוח מהיר של פרוטוטייפים, כלים פנימיים או אפליקציות לקוחות. הוא חוסך זמן, מוריד עלויות DevOps, ומאפשר לבחון רעיונות בזריזות.

מפתחים מנוסים

Spark יכול להאיץ תהליכים ולעזור בשלבים ראשוניים. עם זאת, אם אתם זקוקים לשליטה מלאה בקוד ובסביבה, כדאי לשלב אותו ככלי עזר לצד VS Code ולא כתחליף מלא.

מי עדיף שימתין? אם אתם מפתחים מערכות מורכבות או פועלים בצוותים גדולים עם דרישות יציבות, עדיף להמתין לגרסה סופית. גרסת ה־Preview עדיין מתפתחת, והממשק או היכולות עשויים להשתנות באופן שיפגע ברצף הפיתוח.

רוצים לראות את זה בפעולה?

אם אתם רוצים להבין מה באמת אפשר לבנות עם Spark, שווה להציץ בפרויקטים שכבר נוצרו איתו. באתר GitHub Next תוכלו למצוא דוגמאות חיות שפותחו בעזרת שפה טבעית בלבד: מתכנן ארוחות חכם שמבוסס על העדפות תזונתיות, כלי שיווק שמייצר עמודי נחיתה תוך דקות, אפליקציית מעקב הרגלים עם תזכורות וגרפים, ואפילו מערכת ליצירת כרטיסיות לימוד אוטומטית מטקסט. כל פרויקט מתחיל בתיאור פשוט – ומסתיים באפליקציה מלאה, כולל ממשק משתמש, קוד backend והוסטינג.

GitHub Spark מסמן שלב חדש בהתפתחות הכלים למפתחים: לא רק השלמות קוד, אלא בנייה שלמה של אפליקציות, מהרעיון ועד לפריסה, בעזרת שפה טבעית ובינה מלאכותית. הוא לא מושלם, ולא מתאים לכל תרחיש, אבל הוא מציע שילוב נדיר בין פשטות, גמישות ועומק, בעיקר למי שכבר נמצא בתוך האקוסיסטם של GitHub. לצד מתחרים שכל אחד מהם מנסה לפתור את בעיית הפיתוח מכיוון אחר, Spark מביא הצעה ייחודית – תשתית מאוחדת, גישה רב-מודלית, וסנכרון כמעט מלא בין רעיון, קוד והרצה. האם הוא מייתר את המפתח האנושי? לא. אבל הוא בהחלט משנה את נקודת הפתיחה ומקטין את המרחק בין מי שיש לו רעיון, לבין מי שבונה אותו בפועל. אם אתם מפתחים, יזמים או פשוט סקרנים, וכבר עובדים עם סביבת מיקרוסופט – שווה מאוד להפעיל את Spark ולגלות מקרוב איך נראה העתיד של הקוד.

הפוסט GitHub Spark יוצא לדרך ומיקרוסופט נכנסת רשמית לזירת הוייב קודינג הופיע ראשון בLet's AI בינה מלאכותית

למה דווקא עכשיו?

מאחורי העסקה עומדת מגמה ברורה: הביקוש לעוצמת חישוב גובר בקצב מהיר בהרבה מהיכולת של תשתיות הענן הקיימות לספק. מודלים כמו GPT-4o, Claude ו-Gemini צורכים מאות אלפי שבבים ומערכות קירור תעשייתיות, והתחזיות מצביעות על זינוק נוסף בדור הבא. המצב הזה מציב את חברות הבינה המלאכותית בפני מגבלה קריטית – התשתית עצמה הופכת להיות צוואר בקבוק. לכן, ארגונים כמו OpenAI מבקשים שליטה ישירה – לא רק בקוד, אלא גם בברזל ובקרקע. העסקה עם Oracle ממחישה את המעבר מיחסי תלות בענקיות ענן כמו Azure ו-AWS, לבניית שכבת הבסיס במו ידיהם.

מרכז כוח במדבר

המתקן הראשון של OpenAI, המכונה Stargate I, נבנה בימים אלה בעיר אבילין, טקסס – לא כהבטחה עתידית, אלא כפרויקט שכבר נמצא בשלבי הפעלה ראשוניים. Oracle החלה לפרוס באתר את מערכות השרתים הראשונות מבוססות Nvidia GB200, ו-OpenAI החלה להריץ עליו אימונים וניסויים ראשוניים. בסיומו, המתקן צפוי לאכלס למעלה מ־2 מיליון שבבים – תשתית עיבוד בקנה מידה עולמי.

החזון רחב בהרבה – לפרוס מעל 5 גיגה-וואט של תשתיות חישוב בשנים הקרובות, בדרכם ליעד שאפתני של 10 גיגה-וואט עד סוף העשור, שזה יותר מהצריכה השנתית של עיר בגודל לוס אנג’לס. מדובר לא רק באתר אחד, אלא בפלטפורמת־על שזכתה לשם Stargate – אקוסיסטם של מרכזי־על בתמיכת Oracle, SoftBank, CoreWeave ואחרים, כחלק מתוכנית תשתית לאומית בסך 500 מיליארד דולר בארבע שנים. הפרויקט זוכה לתיאום ישיר עם רגולטורים אמריקאיים, תמיכה פדרלית והכרה רשמית של הבית הלבן בחשיבותו.

חזון אמיץ או מהלך מסוכן?

Oracle מרוויחה כבר עכשיו, לפחות בטווח הציבורי והבורסאי. מניית החברה זינקה לשיא כל הזמנים, ולארי אליסון, המייסד, עקף את ג’ף בזוס בדירוגי ההון. עבור Oracle, מדובר בהזדמנות נדירה לשוב לעמדת מפתח בעולם הענן כמי שמספקת את תשתית הברזל של עידן הבינה המלאכותית.

OpenAI, מנגד, פועלת ממקום הרבה פחות יציב. הכנסותיה ב־2025 מוערכות בכ־10 מיליארד דולר בלבד – שליש מגובה ההשקעה השנתית שעל הפרק. מדובר במהלך חסר תקדים: סטארטאפ עם מודל היברידי ולא־רווחי שמתחייב לפרויקט תשתית של מאות מיליארדים, על בסיס אמונה בעתיד, לא על נזילות בהווה. והסיכון לא נגמר בפיננסים: שינויים רגולטוריים בארה”ב או באירופה עלולים להגביל שימושים קריטיים ב-AI תשתיתי, במיוחד בתחומים כמו פרטיות, אנרגיה והגנת סייבר.

מהצד הטכנולוגי, לא מובטח שמודלים עתידיים אכן יצדיקו השקעה כזו בעוצמת חישוב, או שישמרו על היתרון היחסי של OpenAI. זו לא רק עסקה, זה מהלך מערכתי עמוק שמציב את החברה בין חזון אמיץ, חלוציות טכנולוגית ונטל אסטרטגי כבד.

תשתית היא לא רק קירות 

השותפות עם Oracle צפויה לייצר למעלה מ-100,000 משרות חדשות, לא רק במרכזי הנתונים עצמם, אלא גם בתחומים משלימים: בנייה, תפעול, לוגיסטיקה, ייצור, תחזוקה ושירותים מקומיים. באתר Stargate I לבדו כבר פועלים חשמלאים, מפעילי ציוד וטכנאים מיותר מ-20 מדינות בארה”ב.

עבור אזורים כפריים כמו מערב טקסס ונבאדה, זהו לא רק פרויקט טכנולוגי, אלא תנועת הון בקנה מידה שלא נראתה מזה עשורים. כך, תשתיות AI הופכות לאמצעי לעידוד תעסוקה, השקעות ופיתוח אזורי הרבה מעבר לסיליקון ואלגוריתמים.

אבל לא הכול חלק:

• הכנסות מהותיות צפויות רק החל מ-2028 – כלומר, הפירות עוד רחוקים.

• קצב הבנייה האדיר יוצר עומס על רשתות החשמל והאספקה המקומית.

• דיווחים מצביעים על חיכוכים בין OpenAI ל-SoftBank סביב ניהול הפרויקט הרחב, אף ש-SoftBank אינה צד רשמי לעסקה עם Oracle.

השליטה יורדת לקרקע

במהלך שקט אך אסטרטגי, OpenAI מבקשת לשלוט לא רק בקוד, אלא גם בברזל, בקרקע ובחשמל. Oracle, בתורה, יוצאת מצל של ספקית דאטאבייסים ותיקה והופכת לשחקנית מפתח בעולם הענן והבינה המלאכותית. במקום מרוץ על פיצ’רים של מודלים, נפתח כעת מרוץ על אנרגיה, נדל”ן, רישוי תשתיות וצינורות קירור. במילים אחרות, המרוץ על שליטה ב-AI עובר מהמסכים אל הקרקע. ולנו, כצופים מהצד, ובטח כאזרחים בעולם הגדול, נותר לשאול: האם תשתיות הבינה המלאכותית יהיו בעתיד כמו כבישים -ציבוריות ונגישות, או כמו האלגוריתמים שמפעילים אותן – פרטיות, ריכוזיות וחסומות?

הפוסט OpenAI ו-Oracle בונות את תשתית הבינה המלאכותית של אמריקה הופיע ראשון בLet's AI בינה מלאכותית

כשמנכ”ל הופך שימוש ב-AI לדרישה בסיסית

דמיינו שהמנכ”ל שלכם מודיע: מעכשיו, שימוש יומיומי ב-AI הוא לא בגדר המלצה – אלא דרישה בסיסית מכל עובד. זה בדיוק מה שעשה טובי לוטקה, מנכ”ל Shopify, באביב 2025. המזכר ששלח לחברה לא רק חולל סערה – הוא יצר ז’אנר חדש. תוך שבועות, Box, Doulingo, Fiverr ואפילו ראש ממשלת קנדה שחררו גרסאות משלהם. עשרות חברות אחרות הצטרפו בשקט. פתאום, מזכרי AI הפכו לטרנד. כולם רצו להיות “החברה הבאה שמכריזה על מהפכת ה-AI”. אבל הסיפור האמיתי לא התחיל במזכר – והוא בטח לא נגמר בו. השאלה המעניינת באמת היא לא מה נכתב, אלא אם ואיך זה יצא לפועל.

כי בזמן שאחרים שיחזרו את המחווה, ב-Shopify התמקדו בשאלה האמיתית: איך לוקחים הכרזה נועזת, והופכים אותה לתרבות עבודה חיה, עקבית ואפקטיבית?

שנים של בנייה שקטה

כבר ב-2021, כש־ChatGPT עוד לא היה מוכר לרוב העולם, פרחאן ת’אוואר (Farhan Thawar), סמנכ”ל ההנדסה ב-Shopify, התחיל לשחק עם GitHub Copilot. “חשבתי שזה נורא,” הוא מודה. “20% מהמהנדסים עדיין לא משתמשים ב-Copilot? אבל הגענו ל־80% כל כך מהר, כי אנשים ראו את הערך מיד.” 80% – נתון שחברות רבות רק חולמות עליו. וב-Shopify, זה היה רק שלב הפתיחה.

שלושת הטקטיקות המרכזיות

בעוד רוב החברות מגבילות את הכלים החזקים לצוותים טכניים, Shopify נוהגת הפוך – כל עובד מקבל גישה לכל כלי ולכל מודל. הרעיון פשוט: תרחישים בעלי ערך גבוה יכולים לצוץ מכל פינה, ואין לדעת מה יתברר כמשפיע מכולם. כדי לוודא שאנשים באמת משתמשים במודלים המובילים, Shopify הפעילה שלוש טקטיקות:

1. תגידו “כן” כברירת מחדל

המהפכה מתחילה בצמרת: כל הנהלת Shopify, כולל המשפטית, הסכימה ש־AI הוא בראש סדר העדיפויות. המשמעות? מוצאים דרך להגיע ל”כן”, גם בנושאי פרטיות ואבטחה. בעולם שבו רוב הארגונים מתחילים מ”לא”, Shopify בחרה להתחיל מ”כן”. “אם אתה לא מתחיל מ’כן’ כברירת מחדל, אתה בעצם מתחיל מ’לא’,” מסביר ת’אוואר. כשביקש לאמץ את Copilot ב־2021, השיחה המשפטית הייתה פשוטה: “אנחנו כנראה הולכים לעשות את זה – איך עושים את זה בבטחה?” בניגוד לחברות אחרות, ששם המשפטנים עוצרים כל יוזמה, ב-Shopify חיפשו פתרון ולא חסמים.

2. בלי מכסות, בלי הגבלות

שימוש רחב ב־AI עולה כסף – אבל ב-Shopify לא מגבילים. כש־Cursor התפשט בחברה, היו חששות מהעלות, אבל ת’אוואר דווקא רוצה שכולם ישתמשו אם הם רואים ערך. לוח תוצאות פנימי מציג מי “שורף” הכי הרבה טוקנים – לא כמנגנון ענישה, אלא כסוג של פרוקסי לערך. “אין לנו מכסה, ואני לא רוצה שאנשים ירמו עם סקריפטים, אבל זה מדד מעניין,” אומר ת’אוואר. “אנשים גאים להיכנס ל־Top 10. אפילו ה־CTO שלנו היה שם לאחרונה.” בשנה שעברה נרכשו 1,500 רישיונות Cursor – ותוך זמן קצר נדרשו עוד 1,500. ההפתעה? לא מהנדסים הובילו את הגידול, אלא צוותי תמיכה ומכירות.

ת’אוואר מזהה דפוס מדאיג אצל CTOs שחוששים מעלויות הטוקנים. “הם תוהים אם שווה להשקיע עוד אלפי דולרים בחודש למהנדס. אבל זו חשיבה שגויה. אם מהנדס נהיה פרודוקטיבי ב־10% יותר תמורת 1,000 דולר, זה זול מדי. כל אחד היה קונה את זה.” המסר ברור: ה־AI לא נשאר אצל המפתחים. הוא נטמע בכל החברה.

3. ממשק אחד ו-MCP

כדי להנגיש את הכלים החדשים, Shopify יצרה ממשק אחיד – ה־LLM Proxy. זהו שער אחד למגוון מודלים, שמאפשר לעובדים לעבור ביניהם בקלות, לבנות זרימות עבודה, ולעבוד עם הגרסאות העדכניות ביותר. ה־proxy משמש גם לניהול עומסים, ניטור ורציפות בסביבת הייצור. עובדים יכולים לבקש מה־proxy (או מכלי כמו Cursor) לגשת למודלים או לסוכנים מוכנים. זהו One-stop shop לכל שימוש ב־AI בחברה. הלב של כל זה הוא MCP – שכבת תשתית שמחברת בין כל הכלים הפנימיים. “MCP לכל דבר”, אומר ת’ואר. “אנחנו הופכים כל פיסת מידע לזמינה, גם אם היא מפוזרת בין מערכות, כדי שאנשים יוכלו לחקור, להבין ולשפר את זרימות העבודה שלהם.”

ה־LLM Proxy של שופיפיי

המהנדס שבנה את הדף הבית שלו ב־Cursor

מהנדס מכירות לקח את ה־MCPs של הכלים שהוא משתמש בהם הכי הרבה – Drive, Slack, Salesforce – ויצר לעצמו דשבורד ב־Cursor. הדשבורד מתעדף לו משימות בזמן אמת לפי הקשר מכל הכלים האלה. במקום לדלג בין אפליקציות, הוא פשוט שואל את הדשבורד: “מה אני צריך לעשות היום?” הדשבורד מזהה לקוח פוטנציאלי שעומד לסגור, רואה שלא נענה מייל – ומנחה אותו להגיב.

“הוא כבר לא נכנס למייל. Cursor הוא הדף הבית שלו. זה מטורף,” אומר ת’אוואר. זוהי בדיוק ההשפעה ש־Shopify שואפת אליה מהשקעתה בתשתית AI. “אנחנו חברה שבונה תשתיות – אז גם ה־AI שלנו נבנה בגישה תשתיתית,” הוא מסביר. במקום לבנות כל פיצ’ר בנפרד, Shopify משקיעה בתשתית ניתנת לשימוש חוזר: LLM Proxy, שרתי MCP, וסוכנים שכולם יכולים להתחבר אליהם. ברגע שמישהו יצר את Slack MCP – כל החברה מרוויחה.

שינוי תהליך המכירות

Shopify משתמשת בהשוואת ביצועי אתרים כדי להוכיח ללקוחות פוטנציאליים את יתרון הפלטפורמה שלה. בעבר, איסוף הנתונים דרש זמן ומאמץ ידני. כיום, נציג מכירות לא־טכני בנה בעצמו, דרך Cursor, כלי שמבצע את ההשוואות אוטומטית: שואב נתונים מהאתר של הלקוח, משווה לאמות מידה של Shopify, ומייצר נקודות דיבור מבוססות תיעוד פנימי. ה־CRO בובי מוריסון שיבח את הגישה: “האנשים שלנו לא רואים AI ככלי חיצוני – זו פשוט הדרך שבה עבודה נעשית. הם מתפתחים בקצב של AI.”

לטענת ת’אוואר, זה משנה גם את מהות המכירה: “ב־Upsell, נציג בטלפון יכול לקבל תוך שניות מידע שבעבר לקח ימים. פתאום, אפשר לדבר בצורה סמכותית יותר, וזה משנה את כל האסטרטגיה – גם איך פונים, גם איך מוכרים.”

סוכן RFP להצעות המחיר

כשמוכרים לברנדים גדולים, RFPs (Request for Proposal) הם חלק מהשגרה – מאות שאלות שדורשות התאמה, הקשר, ושיתוף פעולה חוצה צוותים. כדי להתמודד עם זה, צוות ההכנסות של Shopify בנה סוכן מבוסס LibreChat (פרויקט קוד פתוח ש־Shopify תורמת לו), שמספק למהנדסי פתרונות תגובות עשירות ומדויקות בלחיצת כפתור.

הסוכן סורק תיעוד ציבורי, מסמכי עזרה, מאגרי תוכן פנימיים ומחקרי מקרה – ומצטט מקורות כדי לאפשר אימות. הוא גם מדרג את מידת הוודאות של כל תשובה, וכשהוא מזהה שאלות שחוזרות – הוא משתפר על סמך תשובות שניצחו בעבר. כך, כל RFP עוזר לשפר את הבא אחריו.

הטוויסט הלא צפוי

דווקא כשכולם חוששים ש־AI יעלים משרות כניסה, Shopify עושה ההפך, ומחזקת אותן. הסיבה? ג’וניורים מביאים “ראש טרי”, בלי הרגלים ישנים. הם פשוט נולדו לתוך ה־AI. אחרי הצלחה עם קבוצת פיילוט של 25 מתמחים, לוטקה שאל את ת’אוואר עד כמה אפשר להרחיב. “הערכתי שנוכל לתמוך ב־75. אחר כך עדכנתי את זה ל־1,000,” הוא מספר. אלף מתמחים. אולי זה עדיין לא קורה בפועל – אבל עצם האפשרות אומרת המון על הגישה של שופיפיי.

ג’וניורים מביאים “ראש טרי”, בלי הרגלים ישנים

הפילוסופיה

רבים חוששים ששימוש שוטף ב־AI מרחיק אותנו מהעשייה ומחליש מעורבות. אבל ב־Shopify מאמינים בהפך – AI טוב דווקא מעמיק את ההבנה. אחד העקרונות הפחות מובנים בגישה שלהם הוא ש־AI צריך להראות את העבודה, לא להסתיר אותה. לא להגיש תשובה נקייה, אלא לשקף את הדרך.

“כשהמטרה היא ללמד שליטה, עדיף לחשוף את המורכבות,” מסביר ת’אוואר. “זה אולי פחות מלוטש, אבל הרבה יותר מעצים.”

הנדסת הקשר לבני אדם

ב־Shopify הבינו ששימוש חכם ב־AI לא תלוי רק בפרומפטים, אלא ביצירת הקשר עשיר. מה שלוטקה מכנה “הנדסת הקשר” הפך לפרקטיקה שיטתית. כך זה נראה בפועל: סוכן AI סורק pull requests, מסמכים, הערות ו־Slack כדי לכתוב טיוטת עדכון שבועי לפרויקט. בימי שישי, אלופי הפרויקטים (Project Champion) מקבלים את העדכון עם פרומפטים שמאתגרים אותם: “מה באמת הספקת השבוע?” הם לא אמורים פשוט לאשר, אלא לשפר, לבקר, לחשוף פערים. “אנחנו בודקים כמה מהעדכון הסופי נכתב מחדש. כך ה־AI משתפר,” מסביר ת’אוואר.

ציוץ של לוטקה על “הנדסת הקשר” שהפך לפרקטיקה שיטתית

המטרה היא לא רק חיסכון בזמן – אלא לאפשר לעובדים להתמקד במה שדורש שיפוט, לא איסוף. והתוצאה? חצי מהעדכונים עוברים ככה, כמו שהם. למה? כי ה־AI מבין את ההקשר.

כשמלמדים AI להראות את התהליך

Shopify מפעילה את אחת מאפליקציות ה־Ruby on Rails הגדולות בעולם, ואתגר התחזוקה של codebase ענק כזה דורש יותר מסתם AI. המהנדסים הבינו שה־AI צריך מבנה ברור, חוקים דטרמיניסטיים, וחיבור חכם לכלי בדיקות. ככה נולד Roast – מסגרת קוד פתוח שמארגנת תהליכי בדיקה, תיקון וחזרה בעזרת AI.

במקום פרומפט אחד שעושה הכל, Roast בונה לולאות קטנות עם צעדים מדודים, מסביר את ההנמקות, עוקב אחר ההיסטוריה של כל שינוי, ומדרג בדיקות עם הסבר מפורט ל”למה” ו”איך”. “שילוב של כלים דטרמיניסטיים עם AI זה שילוב עוצמתי,” אומר סמואל שמידט, מהנדס בכיר ב־Shopify. ה-Roast גם פתר אתגרים פנימיים – ניתוח אוטומטי לאלפי קבצי בדיקה, תיקון בעיות, והגדלת כיסוי, אבל גם יצר פרדיגמה חדשה כמו איך לבנות AI הנדסי אמין יותר.

לכן Shopify שחררה את Roast בקוד פתוח, כדי לאפשר לקהילה כולה לעצב את עתיד העבודה עם AI.

החיפוש אחר “כוח תהליכי”

במסעדת מישלן או קבוצת ספורט מקצועית, רואים יעילות תנועה של 80%. בעסקים? אולי 20%. “אנחנו מבזבזים משאבים, זמן ואנרגיה, פשוט כי עוד לא זיהינו את הדפוסים הנכונים לביצוע עבודה בצורה יעילה,” אומר ת’אוואר. כולם מבינים ש־AI יכול לזרז תהליכים. אבל הערך העמוק יותר הוא ביכולת לשאול אם התהליך בכלל נכון. כך למשל, כלי ביקורת האתרים לא רק חוסך זמן – הוא משנה את סדר הפעולות: מי מציג את הנתונים, ומתי. פתאום זה קורה מוקדם יותר, עם יותר אנשים.

ת’אוואר קורא לזה Process Power – היכולת לא רק לשפר, אלא לעצב מחדש את הדרך שבה דברים קורים. AI, כמו מערכת הייצור של טויוטה, עשוי להפוך למודל חדש שכולם ירצו לאמץ – הפעם, אולי גם יצליחו.

איך AI הופך לחלק מהערכת הביצועים

כדי לוודא שזה לא נשאר ברמת סיסמה, Shopify שילבה שאלות על AI בסקירות ה־360 שלה. מנהלים ועמיתים מדרגים עד כמה אחרים הם “AI native” או “AI רפלקסיביים”. זו לא רק מדידה – זו הצהרה: השימוש ב־AI הוא כבר לא מיומנות טכנית, אלא חלק מהמקצוענות עצמה.

לא הכל מושלם

אבל מה עם מי שמתקשה? האם הדרישה להיות “AI native” לא יוצרת לחץ, חרדה, או פערים? Shopify מאמינה שתמיכה נכונה וכלים טובים מאפשרים צמיחה – אבל גם מכירה בכך שלא כולם יסתגלו. ויש שאלה עמוקה יותר: האם נוצר מעמד עובדים חדש? אלו שחיים עם AI ואלו שמתקשים. זה פער שעלול להיות חמור יותר מהפער הדיגיטלי.

AI Native זו לא רק מיומנות – זו דרך חשיבה. לא רק לדעת איך להשתמש בכלים, אלא מתי, למה ואיך לשלב אותם בלי לאבד שליטה. מה עם עובדים בני 45-50 שבנו קריירה על מומחיות שהיום קל לשכפל? מה עם שמירה על יכולות אנושיות בסיסיות מול תלות גוברת ב־AI? Shopify לא פתרה את כל זה – אבל לפחות היא שואלת את השאלות. וזה, אולי, הדבר הכי חשוב כרגע.

מה אנחנו יכולים ללמוד מ-Shopify

הסיפור של שופיפיי לא מתחיל ולא נגמר ב-AI. הוא מתחיל בשאלה פשוטה: מה קורה כשחברה מחליטה באמת לשנות את הדרך שבה היא עובדת? לא עם מזכר נוסף או כלי נוסף – אלא עם בחירה יסודית להיות אחרת. השיעור הכי חשוב כאן הוא לא טכנולוגי. כשת’אוואר אומר “תתחילו מ-כן”, הוא לא מדבר על כלי AI. הוא מדבר על מנטליות של זריזות מול מנטליות של ביורוקרטיה. על צוות משפטי שחושב “איך עושים את זה בבטחה” במקום “למה זה מסוכן”. זה הבדל שמשפיע על כל החלטה, לא רק AI.

ההשקעה של שופיפיי באלף מתמחים מגלה משהו עמוק יותר. כשכולם חושבים על AI כעל איום למשרות כניסה, הם הופכים את הלוגיקה. למה? כי הם מבינים שהעתיד לא שייך למי שהכי טוב ב-AI, אלא למי שמסתגל הכי מהר. וג’וניורים מסתגלים מהר יותר. הנקודה שהכי מעניינת אותי בסיפור הזה היא לא ה-LLM Proxy או ה-MCPs. זה שלוטקה מדבר על “הנדסת הקשר” – העובדה שהוא הבין ש-AI לא עובד במנותק מהקשר אנושי. זה דורש השקעה בהבנה, בשקיפות, ובבניית אמון. זה הדבר שהכי קל לפספס כשרצים להטמיע כלים חדשים.

אם אתם לוקחים דבר אחד מהסיפור הזה, שזה יהיה זה: שופיפיי לא הצליחה כי היא הטמיעה AI. היא הצליחה כי היא הטמיעה תרבות של ניסוי, שקיפות ואמון, ו-AI היה הכלי שדרכו זה התבטא. הכלים משתנים. התרבות נשארת.

איך AI משנה את צורת העבודה

Shopify מוכיחה שהמעבר לעידן ה־AI לא חייב להפחיד. כשעושים את זה נכון, AI לא מחליף עובדים – הוא מעצים אותם. המפתח הוא לא לראות ב־AI פתרון קסם או איום, אלא מכפיל כוח שמחדד חשיבה, יוצר הזדמנויות, ומשחרר אנשים לעשות את מה שהם טובים בו באמת. מהמזכר של לוטקה ועד לגישה המחושבת של ת’אוואר – זה סיפור על אומץ, תשתית וחשיבה לטווח רחוק.

כמו שאומר ת’אוואר: “הכוח האמיתי נמצא בגילוי התהליך הנכון.” ולכן, השאלה האמיתית היא לא האם לאמץ AI – אלא איך. הבחירה בין מהפכה חכמה לבין זעזוע מיותר נמצאת היום בידיים של כל מנהל.

הפוסט כך Shopify הפכה את ה־AI מתיאוריה לתרבות עבודה הופיע ראשון בLet's AI בינה מלאכותית

Credit: Leonardo AI

איך מתחילים להשתמש ב־Veo 3 ליצירת סרטוני HD?

איכות HD בסרטוני AI הפכה לדרישת בסיס בשוק ובתעשייה, עבור יוצרים שרוצים להפיק קליפים עם AI, פרסומות AI או חומרים שיווקיים לחברות וארגונים. רזולוציית  1080p מעניקה לסרטונים מראה מקצועי, חד וברור, שמתאים במיוחד ליוצרים, משווקים, עסקים ואנשי תוכן שרוצים להשפיע וליצור עניין ברשתות החברתיות ובאתרי תוכן. יתרה מכך, השילוב החדשני של סאונד – הכולל דיבור טבעי וברור אפילו בעברית – הופך את Veo 3 לפתרון אטרקטיבי במיוחד לקהל הישראלי. זה אחד מהפיצ’רים שמייחדים את Veo 3 מהמתחרים, שאומנים מצליחים לג’נרט סרטונים עם סאונד (למשל Kling ו-Luma) אבל מתקשים בשילוב טבעי של דיבור טבעי וליפסינק. הם יכולים לעשות את זה בשלבים, אבל לא בג’ינרוט אחד בבת אחת, כמו ש-Veo 3 עושה.

אז איך מייצרים סרטוני HD עם Veo3 בלאונרדו?

סרטוני HD בלאונרדו עם VEO3.

1) כניסה לכלי

נכנסים ללאונרדו (Leonardo), ובוחרים ב-Video Creation בתפריט הצד.

2) בחירת המודל

בוחרים במודל Veo 3.

3) בחירת האיכות

משנים את ההגדרות ל־1080p High Quality, וזהו – לאחר השלבים הפשוטים האלה, כבר אפשר להתחיל ליצור סרטונים מרשימים ואיכותיים, המשלבים גם סאונד איכותי ודיבור טבעי בעברית.

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

לפרטים נוספים לחצו כאן >>

קצת על לאונרדו

לאונרדו היא אחת מהפלטפורמות המובילות כיום בעולם הבינה המלאכותית היוצרת (Gen AI), ומציעה כלים חדשניים ומודלים מתקדמים ליצירת תמונות, וידאו, עריכת תמונות (אינפיינטינג ואאוטפיינטינג), אפסקיילרים וריפיינרים, ואפילו אפשרות לאימון לורה (LoRA). ותוכן ויזואלי מרשים בלחיצת כפתור. הפלטפורמה מתאפיינת בממשק ידידותי, שילוב בין טכנולוגיות מתקדמות ורמת גמישות גבוהה, שמאפשרים ליוצרים מכל הסוגים, חובבים ומקצוענים כאחד, להפיק תוצרים באיכות גבוהה ובקלות יחסית. בעזרת שילוב של מודלים עוצמתיים דוגמת Veo 3, מודלי קונטרול נט ואחרים, לאונרדו ממשיכה למצב את עצמה כאחת מהשחקניות המובילות בשוק.

הפוסט סרטוני HD עם סאונד בלאונרדו, עם Veo3 הופיע ראשון בLet's AI בינה מלאכותית

איך זה עובד?

Vany.ai הופך כל שאלה לסרטון בשלושה צעדים פשוטים:

1. שואלים שאלה: נכנסים לאתר, מתחברים עם חשבון הגוגל שלכם, וכותבים כל שאלה שעולה לכם לראש – ממדעים ועד מתכונים.

2. הכלי יוצר סרטון: המערכת מנתחת את השאלה, כותבת תסריט, בוחרת תמונות ומפיקה סרטון תוך 30-60 שניות.

3. צופים ומשתפים: הסרטון מוכן לצפייה, כולל קריינות טבעית, כתוביות אוטומטיות ותמונות (מ-AI או מהרשת). אפשר לשמור אותו כסרטון פרטי או לשתף בלחיצה על Share.

למה בכלל צריך כלי כזה?

בעידן של הצפת מידע, קשה להתעמק בכל טקסט, בטח כשצריך תשובה כאן ועכשיו. Vany מציע פתרון מדויק לרגע הזה: סרטון קצר בן דקה שמחליף דקות של גלילה, חיפוש וקריאה. מעבר לחיסכון בזמן, יש כאן גם יתרון קוגניטיבי – המוח שלנו זוכר טוב יותר תמונות וצלילים מאשר טקסט יבש. כשמוסיפים לזה קריינות, תמונות וכתוביות, נוצר “סיפור קטן” שקל להבין, נעים לצפות בו, ונשאר בזיכרון הרבה יותר זמן. זו חוויית למידה שמתאימה לאיך שאנחנו באמת צורכים תוכן כיום.

תכונות מרכזיות

ל־Vany יש כמה תכונות שהופכות אותו לכלי שימושי במיוחד: הוא חינמי לגמרי ומאפשר ליצור עד 50 סרטונים ביום בלי לשלם. הוא תומך באופן מלא בעברית, גם בקריינות וגם בכתוביות, כך שאין צורך לתרגם או להתאים. הסרטונים נוצרים במהירות, בדרך כלל תוך 30 עד 60 שניות, וכוללים תסריט, תמונות וקריינות בקצב טבעי. כברירת מחדל, כל סרטון שנוצר נשמר כפרטי, וניתן לשתף אותו באמצעות קישור בלבד.

בנוסף, אפשר לשאול על כל נושא שעולה על הדעת, ממושגים ועד סיפורים היסטוריים, אקטואליה, ביוגרפיות, טיפים ואפילו נושאים נישתיים, והכל יהפוך לסרטון ברור וקל לעיכול.

מה חשוב לדעת לפני שמשתמשים ב־Vany?

ל‑Vany יש גם כמה מגבלות שחשוב להכיר:

זכויות יוצרים (Copyright)

השימוש בתמונות (מהאינטרנט או ממאגרי AI) מעלה שאלות לגבי זכויות יוצרים וקניין רוחני. לפי גופי רגולציה כמו משרד זכויות היוצרים האמריקאי, רק יצירות עם מעורבות אנושית משמעותית נחשבות ל”מוגנות”. לכן, יש לוודא שהתכנים אינם מפרים זכויות צד שלישי, במיוחד כשמשתפים סרטונים בקהל הרחב.

חזרתיות – סרטון בלופ אינסופי

כיום הסרטונים מתנגנים בלולאה אוטומטית, ללא אפשרות להפעילם פעם אחת בלבד. זה עשוי להפריע במקרים של הדרכות או הסברים מדויקים שבהם רצוי שליטה מלאה על הצפייה.

חוסר בווידאו “חי” (Real video)

הכלי מבוסס על תמונות סטילס ואינו מפיק עדיין וידאו מצולם. לכן התחושה יכולה להיות פחות אותנטית או אינטראקטיבית לעומת סרטון שמציג אדם אמיתי.

למי Vany מתאים?

Vany מתאים כמעט לכל מי שרוצה להסביר, ללמד או ליצור תוכן בצורה מהירה ומושכת. במקום לקרוא או לכתוב טקסטים ארוכים, פשוט שואלים שאלה ומקבלים סרטון מוכן. זה מצוין ללמידה עצמית או להעשרה, במיוחד כשמדובר בנושאים מורכבים שקל יותר להבין כששומעים ורואים אותם יחד. יוצרי תוכן יכולים להפוך כל רעיון או תובנה לסרטון קצר לרשתות החברתיות, בלי צורך בעריכה או ציוד מיוחד.

גם בעולמות של שיווק ושירות לקוחות, הכלי מאפשר להמיר שאלות נפוצות והסברים טכניים לסרטונים ברורים שקל לשתף. ובתחום החינוך מדובר בהזדמנות לייצר חומרי לימוד אינטראקטיביים ומהנים, שמדברים בשפה שהדור הצעיר כבר רגיל אליה.

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

לפרטים נוספים לחצו כאן >>

העתיד של תוכן ויזואלי

Vany עדיין נמצא בשלבי בטא, אך המפתחים כבר פועלים לשדרוג משמעותי – שילוב וידאו אמיתי (ולא רק תמונות סטילס), שיפור איכות הקריינות והתמונות, קיצור זמני ההפקה, והוספת תמיכה בשפות נוספות ובשאלות המשך שיאפשרו יצירת דיאלוג מתמשך.

עבור מומחי תוכן, בעלי עסקים קטנים או כל מי שרוצה להעביר רעיון בצורה מרשימה – Vany מעלים את חסם יצירת הווידאו: לא צריך מצלמה, לא עריכה, ולא ציוד אודיו. פשוט שואלים שאלה ומקבלים סרטון מוכן לשיתוף. המשמעות ברורה, חיסכון אדיר בזמן, יכולת להעביר ידע בצורה מושכת ומובנת, וחיזוק של נוכחות אישית או מקצועית ברשת.

לכן, אם אתם מחפשים דרך פשוטה, נגישה ויזואלית ללמד, להסביר או להתבלט – Vany הוא פתרון חכם ששווה לנסות.

הפוסט כך תשתמשו ב־Vany.ai כדי ליצור סרטונים בקלות ובמהירות הופיע ראשון בLet's AI בינה מלאכותית

איך זה עובד?

שכחו מקפיצות בין טאבים, עכשיו מספיק משפט אחד בצ’אט: “תכין לי מצגת של 10 שקפים בקנבה על מגמות השיווק ל-2025, בעיצוב מקצועי עם הלוגו של החברה.” קלוד עושה את כל השאר: מחפש תבנית מתוך ספריית קנבה שלכם, ממלא את התוכן לפי ההנחיות, שומר על הקווים העיצוביים של המותג ומגיש לכם עיצוב כמעט סופי.

מה מאפשר את כל זה? טכנולוגיה בשם Model Context Protocol (או MCP) – תחשבו על זה כמו USB-C של עולם הבינה: תקן אחד שמאפשר לכלי AI להתחבר לכל אפליקציה תומכת באופן בטוח, פשוט ובלי כתיבת קוד או מפתחות API מסובכים. למה זה שונה? בעבר, כדי לחבר בין אפליקציה ל-AI, נדרשה עבודת פיתוח מסורבלת עם מפתחות API ועזרה של איש מקצוע. MCP שינה את המשוואה – כל אפליקציה שתומכת בפרוטוקול יכולה להתחבר לכל מודל AI שתומך בו. בלי קוד. בלי כאב ראש. רק חיבור אחד פשוט.

מה זה Connectors ואיך מתחברים?

Connectors הם הגשרים הדיגיטליים שמחברים בין קלוד לאפליקציות אחרות כמו קנבה, גוגל דרייב, Notion ו-Slack. אנטרופיק כבר פתחה ספרייה עם עשרות כאלה, וכל אחד מהם מאפשר לקלוד לפעול בתוך הכלים שאתם כבר עובדים איתם. החיבור פשוט להפליא: נכנסים לספריית ה-Connectors בקלוד, לוחצים “Connect” ליד קנבה או הכלי אליו תרצו להתחבר, מאמתים את החשבון (כמו חיבור לחשבון גוגל) – וזהו. מכאן, קלוד יכול לתקשר עם התוכן שלכם אבל רק באישורכם.

מנגנון ההרשאות

כאן גם נכנס מנגנון הרשאות דינמי. במקום לתת גישה גורפת, קלוד מבקש רשות נקודתית ואתם מחליטים אם לאשר פעם אחת (Allow Once), תמיד (Always), או לא לאשר. את ההרשאות ניתן גם לנהל דרך כלים והגדרות.

הסבר קצר לפעולת החיבור בין קלוד לקנבה (כפי שמודגם בתמונה):

1. בחירת החיבור לקנבה מתוך קלוד – המשתמש מסמן את קנבה מתוך רשימת הכלים הנתמכים (Connectors).

2. ניהול הרשאות מאובטח – קלוד מבקש אישור מפורש לגשת לכלי. ניתן לבחור אם לאשר פעם אחת, תמיד, או לסרב.

3. שליחת בקשה מתוך השיחה – המשתמש כותב הנחיה (למשל: יצירת אינפוגרפיקה), וקלוד בונה בקשת פעולה מול קנבה – כולל תיאור עיצובי.

4. קבלת תוצאה ובחירת תצוגה – קלוד מציג כמה תוצרים אפשריים ישירות בצ’אט, ומציע למשתמש ללחוץ על לינק ולעבור ישירות לקנבה כדי לראות או לערוך את התוצאה.

מה עוד קלוד יודע לעשות עם קאנבה?

החיבור בין קלוד לקנבה פותח אפשרויות חדשות שלא היו זמינות קודם, והכול בלי לעזוב את הצ’אט:

• ליצור עיצובים לפוסטים ברשתות חברתיות עם התאמה אוטומטית לגודל של כל פלטפורמה (אינסטגרם, לינקדאין, סטורי ועוד).

• לחפש ולסכם תוכן מתוך מסמכים ומצגות קיימות בקנבה כמו למצוא “מצגת על קמפיין אביב 2023” ולקבל תובנות.

• למלא תבניות מיתוג אוטומטית עם טקסטים רלוונטיים (שכבר נוסחו בצ’אט).

• לשנות גודל ועיצוב של קובץ קיים בלי להתחיל מחדש.

הכול מתבצע דרך שיחה אחת, בלי העלאות, הורדות או מעברים בין אפליקציות.

המציאות מול הציפיות

יש גם מגבלות. לפעמים קלוד לא מוצא תבנית מתאימה, או נתקע בעיצוב מורכב. זה לא קסם – זה עוזר חכם. אבל כשזה כן עובד? החוויה משתנה לגמרי. במקום לעבור למצב של “עכשיו אני עובר לעצב”, פשוט ממשיכים לחשוב ולדבר בצ’אט – וקלוד דואג לשאר. מה שמשתנה כאן הוא צורת העבודה עצמה: במקום לקפוץ בין כלים, אתם נשארים בתוך תהליך רציף בו רעיון, ניסוח, ביצוע ועיצוב קורים באותו מקום. וחשוב לזכור, כל טכנולוגיה שאנחנו מנסים היום תהיה טובה יותר מחר וטובה הרבה יותר בעוד כמה שבועות או חודשים.

למי זה זמין וכמה זה עולה?

שימו לב! החיבור בין קלוד לקנבה זמין כרגע רק למנויים משלמים בשני השירותים. Canva Pro עולה כ־13-15 דולר בחודש, ו- Claude Pro עולה 20 דולר נוספים. כלומר, כ-35 דולר לחודש בסך הכול.

זה לא סכום זניח, במיוחד למשתמש מזדמן. אבל אם אתם עובדים עם תוכן ועיצובים על בסיס קבוע – מעצבים, אנשי שיווק, יוצרים מצגות – החיסכון בזמן יכול להחזיר את ההשקעה תוך שבועות בודדים. במקום לבלות שעות בהעתקות, פתיחת טאבים והתעסקות טכנית, אתם מקבלים שותף שמקצר תהליכים ומפנה אתכם למה שחשוב באמת: קריאייטיב, תכנון, והובלת רעיונות.

לא פיצ’ר – תפיסה חדשה

קלוד וקנבה ממש לא לבד. קלוד מתחבר לעוד מגוון רחב של כלים, ChatGPT מאפשרת להתחבר לעשרות כלים, ג’מיני מצמצם פערים ומיקרוסופט תומכת ב-MCP ב-Office. ואפל? אפילו היא מחברת את סירי למודלי שפה. המירוץ בעיצומו, או שהוא בעצם רק התחיל: כל שחקן רוצה להפוך למוקד שמרכז את כל העבודה היצירתית, התפעולית והאסטרטגית שלנו. אבל הסיפור כאן עמוק יותר מפיצ’ר חדש. החיבור בין Claude לקאנבה הוא תזכורת לשאלה גדולה יותר: מה קורה כשה-AI כבר לא “כלי”, אלא שותף? מה קורה כשהרעיון, הביצוע והעיצוב מתגבשים באותו מרחב דרך שיחה אחת? תדמיינו את זה רגע: מנהל פרויקטים מקבל תוכנית שלמה – לוחות זמנים, תקציב ומצגת – בשיחה אחת, מעצב מעדכן עשרות נכסים שיווקיים בלחיצת טקסט, נציג מכירות יוצר הצעת מחיר מותאמת, מתוך תמלול פגישה. זו לא אוטופיה. זו מציאות שנבנית עכשיו – והחיבור הזה הוא הצצה אליה.

הפוסט איך קלוד הופך למעצב הדיגיטלי שלכם בקנבה בלי לעזוב את הצ’אט הופיע ראשון בLet's AI בינה מלאכותית

מרכז הבמה: בינה מלאכותית מזניקה את שוק העבודה

המחצית הראשונה של 2025 נפתחה בעלייה משמעותית בדרישה לעובדים המתמחים בפתרונות בינה מלאכותית, וזאת בניגוד למגמות המתונות יחסית שאפיינו את השוק הטכנולוגי בשנה שעברה. משרות רבות נפתחות, וקצב הגיוס כמעט והוכפל לעומת התקופה המקבילה ב-2024. הסיבה המרכזית: שילוב טכנולוגיות AI מתקדמות בכל שכבת פעילות של הארגונים, כניסה של סטארטאפים חדשים לתחום, וגיוסי הון מסיביים מצד משקיעים.

העניין הגובר אינו נחלתן הבלעדית של חברות חדשניות, שכן גם ארגונים ותיקים ובעלי שורשים עמוקים בשוק ממהרים להכניס כלים מבוססי בינה מלאכותית לתהליכי הליבה העסקיים שלהם, מתוך הבנה שהטמעת AI הפכה מנקודת בידול לאמצעי הישרדות חיוני בזירה דינמית כל כך.

אלו תפקידים מבוקשים במיוחד?

הדרישה לעובדים נוגעת בעיקר לתפקידים שבהם הניסיון המעשי והיכולות הטכניות הם תנאי סף. מומחים לפיתוח מודלים, חוקרי AI, אנשי אלגוריתמים ומנהלי מוצר הממוקדים בתחום נדרשים יותר מאי פעם. בין השאר, אפשר למנות משרות כגון מפתחי GenAI, אנשי אבטחת מידע ל-AI, דאטה אינג’יניר עם התמחות במודלים מתקדמים ומנהלי פרויקטים של בינה מלאכותית.

המשרות החמות בתעשיית ה-AI ב-2025.

היכולות המרכזיות שמבדילות בין מועמדים הן בעיקר שליטה בטכנולוגיות עדכניות דוגמת מודלי ה-AI המובילים בשוק (והשילוב שלהם במערכות אנטרפרייז ו/או בפלטפורמות אייג’נטליות), והתנסות עם שיטות יישומיות כמו Fine-tuning או חיבור בין מודלים מתקדמים למוצרי קצה ו-RAG. היכולת לייצר תוצרים חדשניים ולשלב אותם בפיתוחים קיימים היא כרטיס הכניסה לתחום.

שכר ותמריצים: המספרים שמסמנים את המגמה

התחזקות הביקוש מורגשת היטב גם ברמות השכר: עובדים המתמחים בתחום הבינה המלאכותית מרוויחים כיום, בממוצע, כ-43 אלף שקלים מדי חודש – סכום המשקף את התגמול הגבוה ביותר בהייטק הישראלי. עובדים בעלי ניסיון של שלוש שנים ויותר נהנים גם הם מהכנסה נאה של כ-39 אלף שקלים בחודש, עלייה ברורה לעומת השנה החולפת.

לעומת זאת, שכר התחלתי לבוגרי אוניברסיטאות וסטודנטים טריים נשאר ללא שינוי מהותי, ומסתכם בכ-17,500 שקלים בלבד – מה שמדגיש את הפערים בין המנוסים למתחילים, ואת הרצון של חברות להתמקד בגיוס מומחים ולא בהכשרת דור חדש.

מיומנויות ייחודיות מזניקות שכר

מי שמפגין שליטה ביכולות מתקדמות ובתחומים ממוקדים – כמו פיתוח אלגוריתמים, שפות תכנות דוגמת Python או ++C וניהול מוצרי AI – נהנה מגידול שכר של 4% עד 6%. מנגד, עובדים במקצועות שבהם ניתן להחליף בקלות יחסית על ידי אוטומציה (בדיקות תוכנה, פיתוח מובייל או Frontend) חווים דווקא ירידה במשכורות, לעיתים עד 10%.

המשמעות: שוק העבודה החדש מתגמל את מי שיודע להשתלב בטכנולוגיות פורצות דרך, ולעומת זאת דוחק הצידה את מיומנויות “גנריות” שניתן להחליף באוטומציה או בתוכנות מדף.

פערי מגדר… סוגיה עיקשת

למרות ההתחדשות וההזדמנויות, תחום הבינה המלאכותית ממשיך לסבול מהבדלי שכר בין נשים לגברים. הפער, שמסתכם בכ-2,600 שקלים מדי חודש – כ-7% מהשכר החודשי בממוצע, לא נעלם גם בתקופה של ביקוש גבוה. הסיבות לכך נעוצות במגוון גורמים מבניים וחברתיים, אך התוצאה היא המשך פערים בלתי מוצדקים גם בענף הנתפס כמוביל וחדשני.

מענקי חתימה ותמריצים חדשים – תופעה מתגברת

התחרות החריפה על מומחים מביאה מעסיקים להציע שוב בונוסים חד פעמיים עם קליטתו של מועמד – תמריצים שמגיעים לעיתים עד שש משכורות נוספות, בעיקר בתפקידים אסטרטגיים. מגמה זו, שנעלמה בשנים האחרונות, חוזרת לתמונה ומעידה על המאבק המתחולל מאחורי הקלעים על כל מועמד איכותי.

התופעה אינה אחידה בכל הענפים או התפקידים, אך בהחלט מסמלת את הלחץ שבו נתונים מעסיקים החפצים לגייס את הדור הבא של מובילי החדשנות.

כיצד המגמות משפיעות על עתיד השוק?

הזינוק הנוכחי בביקוש לעובדים ב-AI הוא תוצאה של גידול מתמיד בהשקעות, חדירה של טכנולוגיות חדשות לחברות ותיקות ומעבר מערכתי לפתרונות בינה מלאכותית מתקדמים. המשרות שנוצרות כיום דורשות מיומנות ממוקדת, שליטה במודלים העדכניים ביותר ויכולת לשלב תובנות תיאורטיות בעבודה פרקטית.

השלכות המגמות הללו ניכרות היטב: השוק הפך תחרותי יותר, שכר העבודה במקצועות הליבה מטפס, וקו הגבול בין מומחה למתחיל נעשה ברור מתמיד.

אף על פי שהשוק משווע למומחים, הדרך למשרות הנחשקות אינה פשוטה עבור מי שמתחילים את דרכם. הגבלת השכר לג’וניורים וחוסר רצון להכשיר עובדים חדשים הופכים את תקופת הלימודים וההכשרה לחשובה מאי פעם – ניסיון מעשי ופרויקטים עצמאיים הופכים לקריטיים. סטודנטים נדרשים למצוא דרכים להתנסות בזמן אמת, על מנת לצבור יתרון יחסי בשוק תחרותי להפליא.

התרחבות השימוש באוטומציה משנה את כללי המשחק! עבודות רוטיניות ומסורתיות נמצאות בסיכון מתמיד, ומנגד, מקצועות שבהם דרושה התמחות מעשית ב-AI הופכים למבוקשים וחסינים יותר לשינויים. חברות אינן מחפשות עוד עובדים עם סט כישורים רחב וכללי, אלא מומחים שמסוגלים להעמיק, להתמקצע ולפתח כלים ייחודיים.

היכולת לעבור במהירות מטכנולוגיה אחת לשנייה, להשתלט על פלטפורמות חדשות ולהבין את השילוב בין מוצר, נתונים ומודלים – היא שתכריע את היכולת של עובדים להישאר רלוונטיים גם בטווח הארוך.

המציאות שנחשפת מנתונים אלו מצביעה על כך ששוק הבינה המלאכותית בישראל בוחר לתגמל בעיקר מומחים עם ניסיון משמעותי, גם במחיר של פערים מתגברים בין קבוצות עובדים. תנאי השכר, מענקי החתימה והתמריצים הכספיים מדגישים את ההעדפה לידע יישומי ומומחיות ממוקדת, לצד המשך אתגרים מתמשכים של פערים מגדריים ומקצועיים.

סטודנטים, בוגרים ואוכלוסיות בתת-ייצוג נדרשים להיערך ולהשקיע בלמידה פרקטית כבר בשלבים מוקדמים, מתוך הבנה שהשוק אינו מחכה לאלו שחסרי ניסיון מעשי.

העתיד שייך למי שמעדכן את סל הכישורים ללא הפסקה: מעקב אחר פיתוחים טכנולוגיים, שליטה בכלי AI חדשים כדוגמת קלוד, GPT ודומיהם, והתמקצעות בפתרון בעיות מורכבות, כל אלו הם המפתח לשילוב מוצלח בענף.

המציאות המשתנה מדגישה, פעם אחר פעם, ששוק העבודה ימשיך לדרוש מומחיות, העמקה והתמקצעות ממוקדת. הגמול הכלכלי גבוה – אך נדרש מאמץ רציף ומוכנות להתעדכן, להשתנות וללמוד כל הזמן. זהו העידן בו טכנולוגיות AI, חדשנות והון אנושי איכותי נפגשים – ומי שיודע לנצל זאת, יוכל להוביל ולהתבלט בשוק העבודה הישראלי של השנים הבאות

הפוסט כמה באמת מרוויחים מומחי AI ב-2025? הופיע ראשון בLet's AI בינה מלאכותית

Lovable, a Stockholm-based AI startup founded by Anton Osika, has become Sweden’s latest unicorn after raising $200 million in a Series A round led by Accel at a $1.8 billion valuation. The company, known for its “vibe coding” platform that turns simple instructions into fun… pic.twitter.com/V8NlkfObMx

— Traded: Venture Capital (@TradedVC) July 17, 2025

הישג שובר שיאים

מה שהופך את ההישג של Lovable לחריג במיוחד הוא המהירות: רק שמונה חודשים עברו מאז ההשקה הפומבית בנובמבר 2024, וכבר היא נחשבת ליוניקורן. זהו אחד המסלולים המהירים ביותר בהיסטוריה של הטכנולוגיה האירופית למעמד כזה. מעבר לכך, מדובר גם בסבב ה-Series A הגדול ביותר אי פעם לחברת תוכנה שוודית – גיוס של 200 מיליון דולר בהשתתפות משקיעים כמו 20VC, byFounders, Creandum, Hummingbird ו-Visionaries Club.

הסבב משך גם שמות מוכרים בתעשייה: מנכ”ל Klarna סבסטיאן שימיאטקובסקי (Sebastian Siemiatkowski), מייסד Slack סטיוארט באטרפילד (Stewart Butterfield), ומייסד HubSpot דהרמש שאה (Dharmesh Shah) – חיזוק ברור לאמון שהפלטפורמה מעוררת בקרב שחקנים מובילים.

סיפור הצלחה שוודי

Lovable, שנוסדה על ידי המנכ”ל אנטון אוסיקה, היא לא רק סטארט-אפ מצליח, היא עדות חיה לכוח הגדל של תעשיית הבינה המלאכותית בשוודיה. זהו סיפור שממחיש איך גם באירופה אפשר לבנות חברות AI ברמה עולמית, שמסוגלות להתחרות בשחקנים הגלובליים.

ברשתות החברתיות שיתף אוסיקה איך הכל התחיל, וניסח את חזון החברה במשפט אחד מעורר השראה: “היום יש בעולם 47 מיליון מפתחים. Lovable תאפשר למיליארד אנשים להפוך לבוני אפליקציות.” זה הרבה יותר מהצלחה עסקית, זה שינוי גישה עמוק. פתיחה של עולם הפיתוח הדיגיטלי גם למי שאין לו רקע טכנולוגי, והפיכת רעיונות למציאות בלי מחסומים.

סיפור ההצלחה של המנכ”ל אנטון אוסיקה ו-Lovable

נתוני צמיחה יוצאי דופן

Lovable פועלת בתחום ה-“וייב קודינג”, פלטפורמה מבוססת בינה מלאכותית שמאפשרת ליצור אתרי אינטרנט ואפליקציות בהוראות בשפה טבעית, בלי צורך בידע בקוד. החזון פשוט: לפתוח את עולם הפיתוח ל-99% מהאנשים שאין להם רקע טכני.

הצמיחה של החברה מאז ההשקה כמעט לא נתפסת:

• 2.3 מיליון משתמשים פעילים

• 180,000 מנויים משלמים

• 75 מיליון דולר ARR תוך שבעה חודשים בלבד!

• כל זה עם צוות של 45 עובדים בלבד

כדי להבין את הקצב, בפברואר 2025, בסבב ה-pre-Series A של 15 מיליון דולר, החברה כבר עמדה על 17 מיליון דולר ARR עם 30,000 לקוחות משלמים ומאז פשוט המריאה.

צמיחה ל־75 מיליון דולר ARR תוך 8 חודשים בלבד עם צוות של פחות מ־50 עובדים

חוויית בנייה אחרת

Lovable משנה את חוקי המשחק ביצירת מוצרים דיגיטליים. במקום להיאבק בקוד או להתאים תבניות, המשתמשים פשוט מתארים את הרעיון, והמערכת בונה אותו. אתר, אפליקציה או ממשק – הכל נוצר תוך דקות. עסק קטן שרוצה לעלות בקמפיין, יוצר תוכן שמפתח מוצר דיגיטלי, או צוות שיווק שזקוק לאבי-טיפוס – כולם יכולים לפעול מיידית, בלי תלות במפתחים ובלי עקומת למידה. התוצאה היא מהירות תגובה עסקית גבוהה יותר, תהליכים זורמים וחוויית פיתוח שמרגישה כמו יצירה ופחות כמו תכנות.

מיצוב שונה ושאיפות ברורות

Lovable אינה עוד כלי לפיתוח חכם, היא מגדירה קטגוריה חדשה. בניגוד למתחרים כמו Cursor, שגייסה לאחרונה 900 מיליון דולר לפי שווי של 9.9 מיליארד דולר ומתמקדת בשיפור העבודה של מפתחים קיימים, Lovable מכוונת לאוכלוסייה רחבה בהרבה – אנשים שרוצים לבנות, מבלי ללמוד לתכנת. היא לא רק מפשטת את העבודה עם קוד – היא מבטלת את הצורך בו. זהו בידול מהותי, שממקם אותה כשחקנית מובילה בכלכלה היצירתית החדשה. כעת, עם הגיוס האחרון, החברה מתכננת להרחיב את הפלטפורמה כדי לאפשר גם בנייה של מערכות מורכבות, מבלי לוותר על אותה גישה פשוטה ואינטואיטיבית.

הפוסט Lovable הפכה ליוניקורן בזמן שיא הופיע ראשון בLet's AI בינה מלאכותית

מה זה אזוספרמיה ולמה זה כל כך בעייתי?

בואו נתחיל מההתחלה. אזוספרמיה היא מצב רפואי שפוגע ב-1% מכלל הגברים וב-10-15% מהגברים הסובלים מבעיות פוריות. במילים פשוטות: אין זרעונים נראים לעין בדגימת הזרע. תארו לעצמכם אצטדיון עם 50,000 גברים – כ-5,000-7,500 מהם יסבלו מבעיות פוריות, ו-500 מתוכם יהיו אזוספרמיים. עד היום, הפתרונות עבורם היו מוגבלים ומכאיבים.

מה הן האפשרויות המסורתיות?

• ניתוח כואב לחילוץ זרעונים מהאשכים (הצלחה של 30-70% בלבד).
• חיפוש ידני במעבדה שיכול להימשך ימים שלמים.
• שימוש בזרע של תורם.

אבל עכשיו יש דרך חדשה.

הטכנולוגיה שמחפשת “כוכבים” במעבדה

ד”ר זב וויליאמס ממרכז הפוריות של אוניברסיטת קולומביה פיתח במשך חמש שנים מערכת מהפכנית בשם STAR (Sperm Track and Recovery). ההשראה? אסטרופיזיקה.

“אם אפשר להסתכל על שמיים מלאים במיליארדי כוכבים ולנסות למצוא כוכב חדש, אז אולי נוכל להשתמש באותה גישה כדי להסתכל דרך מיליארדי תאים ולמצוא את התא הספציפי שאנחנו מחפשים,” מסביר ד”ר וויליאמס.

איך STAR עובדת?

תהליך בן חמישה שלבים שנראה כמו מדע בדיוני, אבל המדע מאחוריו מבוסס על אלגוריתמים מתקדמים של ראייה ממוחשבת ולמידה עמוקה:

1. דגימת זרע מוכנסת לשבב מיקרופלואידי חד-פעמי עם תעלות דקות כמו שערת אדם.
2. מצלמה מהירה לוכדת למעלה מ-8 מיליון תמונות תוך פחות משעה.
3. אלגוריתמי AI מאומנים לזהות זרעונים מנתחים את התמונות בזמן אמת.
4. כשמזוהים זרעונים, המערכת מכוונת את החלק הרלוונטי לתעלות נפרדות.
5. מערכת רובוטית מסירה זרעונים בודדים תוך מילישניות, תוך שמירה על חיותם.

למי שרוצה להבין יותר לעומק: האלגוריתמים מאומנים על מיליוני תמונות של זרעונים ותאים אחרים, ולומדים לזהות את הדפוסים הוויזואליים הייחודיים – צורה, תנועה, גודל – שמאפיינים זרעון כשיר. זה דומה לאופן שבו רכבים אוטונומיים לומדים לזהות מכוניות מול אופניים ברחוב.

הסיפור שמאחורי הפריצה

הזוג שעשה היסטוריה התמודד עם 18 שנות כישלונות. הבעל סבל מאזוספרמיה, ולמרות 15 ניסיונות הפריה חוץ-גופית ויעוצים עם מומחים ברחבי העולם, מעולם לא נמצאו זרעונים כשירים. השיטות המסורתיות נכשלו מחדש – עובדי מעבדה בילו 48 שעות בבדיקת דגימות ללא הצלחה. ואז הגיע STAR. באותה דגימה שנבדקה ללא הצלחה במשך יומיים, מערכת STAR מצאה 44 זרעונים כשירים תוך שעה אחת. “זה שינה הכול עבור זוג שחשב שאין לו דרך קדימה,” אומר ד”ר וויליאמס.

עבור הזוג הספציפי הזה, STAR זיהתה שלושה זרעונים שהיו מספיקים להפרות ביצית האישה. כעת, האישה בחודש הרביעי להריונה, והתינוק צפוי להיוולד בדצמבר 2025. “לקח לי יומיים להאמין שאני באמת בהריון,” שיתפה האם האלמונית. “אני עדיין מתעוררת בבוקר ולא מאמינה שזה נכון עד שאני רואה את הסקירות.”

מה אומרים המומחים? 

התומכים נלהבים

ד”ר רוברט ברניגן, נשיא נבחר של האגודה האמריקאית לרפואה רבייתית: “גילוי של זרעון כשיר אחד יכול לשנות חיים. זה כלי שמשפר את עבודת טכנאי המעבדה, במיוחד במקרים שהם כמו חיפוש אחר מחט בערימת שחת.” גם ד”ר אליסון רוג’רס, אנדוקרינולוגית רבייתית, נלהבת: “הייתי בהלם חיובי מהממצאים. אנחנו מניחים שעם השיטות הנוכחיות, אם זרעונים קיימים, נמצא אותם – אבל במקרה הזה, עובדי מעבדה חיפשו 48 שעות ולא מצאו כלום. אני חושבת שAI הולכת להפוך את ההפריה החוץ-גופית באופן מוחלט.”

הספקנים מזהירים

ד”ר ג’אנפיירו פאלרמו, המומחה שחולל את הפריצה בהזרקת זרעון בודד לביצית, מזהיר: “אתם מושכים מטופלים שנאמר להם שאין להם זרעונים ומציעים מה שעלול להתברר כתקווה שווא.” ד”ר ברניגן מדגיש: “על פניו זה נראה מבטיח, אבל כמו בכל טכנולוגיה חדשה ברפואה, במיוחד בטיפולי פוריות, אנחנו צריכים לעקוב אחר הנתונים ולחקור את זה יותר.”

העלויות והזמינות

מבחינת עלויות, ההבדל דרמטי: בעוד שטכנולוגיית STAR עולה כ-3,000 דולר (ללא ההפריה עצמה), ניתוח מסורתי יכול להגיע ל-15,000-45,000 דולר. אבל יש בעיה – הטכנולוגיה זמינה כרגע רק במרכז הפוריות של אוניברסיטת קולומביה במנהטן ובוואיט פליינס שבניו יורק (White Plains, New York), והמערכת עדיין אינה מאושרת על ידי ה-FDA ופועלת כבדיקה שפותחה במעבדה.

פריצת דרך עם סימן שאלה

ד”ר וויליאמס מתכנן להרחיב את השימוש בטכנולוגיה למקרים נוספים כמו חיפוש אחר הזרעונים הבריאים ביותר בדגימה והערכת בריאות ביציות ועוברים במקרי אי פוריות נשית. “זה פותח דלת עבור אנשים שלא היה להם שום סיכוי,” אומר ד”ר וויליאמס. “זה אחד מהרגעים ברפואה שבהם אתה מבין שאתה רואה משהו שתמיד היה שם אבל מעולם לא ניתן היה למצוא אותו.”

זו פריצת דרך אמיתית שיכולה לשנות חיים, אבל אסור לנו להתרגש יתר על המידה. מצד אחד, התוצאות ראשוניות מרשימות באופן דרמטי, הטכנולוגיה פותרת בעיה ממשית במיליוני בתים, והעלות נמוכה יחסית לחלופות הקיימות. מצד שני, זה רק מקרה אחד ואנחנו צריכים יותר נתונים, ציפיות גבוהות יכולות להביא לאכזבות כבדות, והטכנולוגיה זמינה רק במקום אחד בעולם.

שילוב AI ברפואה נותן תקווה

אם אתם זוג שמתמודד עם אזוספרמיה, זה בהחלט שווה מעקב – אבל חשוב לזכור שאנחנו עדיין בשלבים המוקדמים. המדע מבטיח, אבל הזמן יגיד אם זה באמת יהפוך לפתרון סטנדרטי. מה שבטוח הוא שהדרך שבה AI משתלבת ברפואת הפוריות מראה לנו שהטכנולוגיה יכולה לפתור אתגרים אנושיים עתיקים. עבור אלפי זוגות ברחבי העולם שמחפשים דרך להגשים את החלום על הורות ביולוגית, STAR מציעה משהו יקר ערך: תקווה מחודשת.

חוקר במרכז הפוריות של אוניברסיטת קולומביה. קרדיט: washingtonpost.com

למעוניינים להעמיק

הפוסט פריצת דרך ברפואת פוריות עם בינה מלאכותית הופיע ראשון בLet's AI בינה מלאכותית

ChatGPT can now do work for you using its own computer.

Introducing ChatGPT agent—a unified agentic system combining Operator’s action-taking remote browser, deep research’s web synthesis, and ChatGPT’s conversational strengths. pic.twitter.com/7uN2Nc6nBQ

— OpenAI (@OpenAI) July 17, 2025

שילוב כלים שהופך לעוזר אוטונומי אחד

עד היום, כדי להוציא יותר מ־ChatGPT, נדרש היה להפעיל שלושה כלים נפרדים:

• Operator – כלי שידע “לנווט” באתרים ולבצע לחיצות, מילוי טפסים וגלילה.

• Deep Research – כלי למחקר מעמיק ברשת.

• ChatGPT עצמו – בוט לכתיבה, סיכום, שיחה ויצירת תוכן.

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

לפרטים נוספים לחצו כאן >>

כעת, ChatGPT Agent מאחד את כל היכולות האלו לתוך ישות אחת אוטונומית, סוכן שפועל ממש: הוא מתכנן, מבצע, מתקן ומשפר תוך כדי תנועה. המעבר כאן הוא מהותי – לא מדובר בעוד פיצ’ר, אלא בשינוי כיוון – מעוזר שמייעץ לעובד דיגיטלי שמבצע.

מה הסוכן באמת יודע לעשות?

ל־ChatGPT Agent יש סביבת עבודה משל עצמו: מחשב וירטואלי פרטי שמריץ כלים מתקדמים – דפדפן ויזואלי ללחיצה על כפתורים וגלילה באתרים, דפדפן טקסטואלי לקריאת תוכן ברשת, טרמינל להרצת קוד ויצירת מסמכים, גישה לשירותים חיצוניים כמו Gmail או Google Drive (באישור המשתמש), ויכולות גרפיקה ליצירת אלמנטים ויזואליים למצגות ודוחות.

אבל השאלה האמיתית היא – מה עושים עם זה בפועל? הסוכן יודע לתאם פגישות חכמות מול לוח השנה שלך, לתכנן קניות אונליין בהתבסס על מתכונים, לנתח מתחרים ולהפיק מצגת שלמה, לאסוף נתונים ממקורות רבים ולבנות מהם דוח, וגם לעבד גיליונות אלקטרוניים מורכבים, כולל גרפים וחישובים. הדגש כאן אינו רק על הפעולה הבודדת, אלא על היכולת לקחת אחריות על התהליך כולו – להבין את המשימה, לבנות תוכנית עבודה, להריץ אותה בפועל ולהחזיר תוצאה גמורה, מוכנה לשימוש.

אז כמה טוב הוא באמת? 

כדי להעריך עד כמה הסוכן של OpenAI באמת אפקטיבי, החברה שלחה אותו להיבחן. לא בתנאי מעבדה סטריליים, אלא מול סט של מבחנים קפדניים ומתוקננים שנועדו לבדוק ביצועים של מערכות בינה מלאכותית מתקדמות. השורה התחתונה: הסוכן עומד ברף, ובחלק מהמקרים גם עוקף בני אדם.

לפניכם סט של גרפים שמציגים את תוצאות הביצועים של ChatGPT Agent במבחנים שונים לעומת מודלים קודמים, מתחרים בולטים, ואפילו בני אדם:

1. מבחן מתמטיקה ברמה גבוהה (FrontierMath): הסוכן הפגין יכולת מרשימה בפתרון בעיות מתמטיות מורכבות, עם ציון של 27.4% – כמעט פי 3 ממודלים קודמים.

2. שימוש בדפדפן סוכני (WebArena): בבדיקת היכולת “לגלוש כמו אדם”, הסוכן עבר את GPT-4o והגיע לדיוק של 65.4%, כשהוא מצמצם את הפער לעומת בני אדם (78.2%).

3. גלישה באינטרנט והסקת מידע (BrowseComp): הסוכן מוביל על פני Deep Research ומודלים אחרים עם 68.9%, שיפור של 17.4 נקודות.

4. משימות פיננסיות (Investment Banking Modeling): כאן הסוכן לא רק מנתח, אלא בונה מודלים – ומגיע ל־41% דיוק (לעומת 19.7% של Deep Research), תוך שילוב כלים מתקדמים.

5. ניתוח נתונים (DSBench – Data Analysis): בבדיקת הבנה ופרשנות של סטי נתונים גדולים, הסוכן עקף גם בני אדם וגם את GPT-4o, עם שיעור הצלחה של 89.9%.

6. בניית מודלי נתונים (DSBench – Data Modeling): גם כאן הוא מציג עליונות עם תוצאה של 85.5%, מה שממחיש את היכולת לבנות תשתיות ניתוח נתונים – לא רק להבין נתון קיים.

7. עבודה עם גיליונות אלקטרוניים (SpreadsheetBench): במשימות Excel מורכבות, הסוכן הגיע ל־46.5%, יותר מפי שניים מהתוצאה של Copilot של מיקרוסופט (20%).

8. משימות כלכליות חשובות בזמן אמת (Economically Important Tasks): מדד נדיר שבוחן כמה מהר וטוב המודל מבצע משימות אמיתיות לעומת בני אדם – ככל שהמשימה מתארכת (מעל 7 שעות), הסוכן מצמצם פערים ואף מנצח בחלק מהמקרים.

למה זה חשוב?

המספרים האלה לא רק מצביעים על שיפור טכני – הם מעידים על קפיצה מערכתית: הסוכן לא רק מגיב, אלא מבצע, מנתח, משווה, ומקבל החלטות תחת אי־ודאות, בסביבה של מידע פתוח ודינמי. במשימות רבות, כמו בניית דוחות, מודלים פיננסיים, ניתוח שווקים או ניווט בין ממשקים, הוא מתקרב לרמת ביצוע אנושית, ולעיתים אף עוקף אותה.

כמה באמת אפשר לסמוך על הסוכן?

ככל שהסוכן של ChatGPT הופך לאוטונומי יותר, כך גוברת הדאגה – האם הוא בטוח לשימוש? ב־OpenAI הטמיעו מערך בטיחות מרשים: הסוכן עבר אימון ייעודי נגד “הזרקת הנחיות” (Prompt Injection) עם הצלחה של 99.5%, בודק כל בקשה לסיכונים ביולוגיים או כימיים, ועוצר אוטומטית בביצוע פעולות רגישות, כמו שליחת מיילים או גישה לקבצים, עד לקבלת אישור מפורש מהמשתמש. הוא גם מוגבל פיננסית, ולא מסוגל לבצע העברות כספיות, וגם יפסיק לפעול אם תעזבו את הטאב באתר רגיש כמו בנק.

אבל חשוב להדגיש, אין כאן חסינות מלאה. תוקפים עדיין יכולים לנסות להסתיר פקודות זדוניות בטפסים או טוקבקים, ובמקרים נדירים, מידע רגיש עלול לדלוף לאתרים לא בטוחים. הסוכן גם לא שומר מידע בין שיחות, מה שתורם לבטיחות, אבל מגביל את היכולת לעבוד בתהליכים מתמשכים.

סם אלטמן שומר על פרופורציות

כחלק מהשקת ChatGPT Agent, התייחס מנכ”ל OpenAI סם אלטמן לסוכן החדש בחשבון ה־X שלו. בציוץ ארוך וגלוי-לב, הוא הסביר שמדובר בטכנולוגיה ניסיונית אך עוצמתית, שיכולה לבצע משימות מורכבות, אך גם מלווה בסיכונים. לדבריו, הסוכן נועד לפעול בזהירות ובפיקוח, תוך מינימום גישה למידע רגיש. “הייתי ממליץ לבני משפחתי לא להשתמש בו למשימות קריטיות או עם מידע אישי בשלב זה”, כתב, והוסיף: “צריך ללמוד מהשטח, בהדרגה”.

הנה הפוסט המלא:

אלטמן מבהיר: הסוכן החדש הוא ניסיוני ולא 100% אוטומטי

איך מפעילים את ChatGPT Agent? 

אם יש לכם גישה לשירות בתשלום, תוכלו להתחיל לעבוד עם הסוכן ממש עכשיו (או בימים הקרובים). התהליך פשוט יחסית, אבל דורש תשומת לב לכמה שלבים חשובים:

1. התחברות לחשבון: התחילו בכניסה לחשבון שלכם ב־ChatGPT. 

2. הפעלה ראשונית: תוכלו לבחור את Agent Mode מתוך תפריט הכלים (Tools), או פשוט להקליד agent/ בתחילת השיחה.

3. תיאור המשימה: תכתבו את הבקשה שלכם כמו שהייתם כותבים לאדם בשפה טבעית וברורה. דוגמה: “תכין לי דוח השוואתי בין 3 פלטפורמות CRM שמתאימות לחברות קטנות.”

4. בדיקת התוכנית: הסוכן יציע תוכנית פעולה – אילו צעדים הוא עומד לבצע, באילו כלים ישתמש, ומה יקרה קודם. בשלב הזה, תוכלו לעצור, לדייק או להוסיף הנחיות.

5. צפייה בפעולה והתערבות לפי הצורך: אחד הדברים המרשימים ביותר בסוכן זה שהוא פועל ממש מול עינינו בשקיפות. תראו אותו גולש, לוחץ, מחפש, כותב או מריץ קוד, שלב אחרי שלב. בכל רגע, תוכלו לעצור אותו, לשנות כיוון או לקחת שליטה.

הפעלה פשוטה של הסוכן

מעורבות אנושית

למרות שמדובר בכלי אוטונומי, הצלחה בעבודה עם הסוכן תלויה גם בכם. אלה שלוש העצות הכי חשובות למשתמשים חדשים וגם למתקדמים:

• תנו הוראות מדויקות ככל האפשר: אל תסתפקו ב־“תכין לי דוח על שוק הפינטק”. במקום זאת, כתבו: “תכין דוח מקיף ועדכני בן 10 עמודים על שוק הפינטק בישראל, כולל ניתוח של 5 חברות מובילות ותחזיות לשנתיים הקרובות.”

• הישארו מעורבים בתהליך: הסוכן אולי עצמאי, אבל הוא לא קורא מחשבות. צפו איך הוא מתקדם, התערבו כשצריך, ותנו הבהרות אם אתם רואים שהוא בוחר כיוון לא מדויק.

• הגנו על המידע שלכם: אל תשתפו פרטי אשראי, חשבונות בנק או סיסמאות. אם נדרשת פעולה רגישה (כמו הזמנה באינטרנט), בשלב הזה, תוכלו לעצור ולבצע את הפעולה בעצמכם על בסיס ההכנה שביצע הסוכן. זו הדרך לשמור על שליטה מלאה ולהגן על עצמכם.

כמה זה עולה, ולמי זה בכלל זמין?

מבנה התמחור של ChatGPT Agent ממחיש עד כמה מדובר במוצר מתקדם, אך יוקרתי. גישה לסוכן זמינה רק למנויים בתשלום, כשמשתמשי תוכנית Plus משלמים 20 דולר לחודש ומקבלים גישה מיידית, אך מוגבלת מאוד עם 40 שאילתות חודשיות בלבד. לעומתם, מנויי תוכנית Pro נדרשים לשלם 200 דולר בחודש ומקבלים 400 שאילתות בחודש, גישה מלאה לכל יכולות הסוכן, כולל עבודה עם כלים מתקדמים, מספר משימות ביום והשלמה של תהליכים מורכבים מקצה לקצה.

חשוב לציין: הסוכן זמין כרגע למנויי Pro באופן מיידי, ולמנויי Plus ו-Team בהשקה הדרגתית. משתמשי Enterprise ו-Edu יקבלו גישה עד סוף החודש.

הפער בין המחיר לתועלת יוצר דילמה ברורה. משתמשים סקרנים שמעוניינים לבדוק את הסוכן יגלו במהרה שההקצאה של תוכנית Plus מוגבלת מדי לשימוש יומיומי, מאידך, מי שמעוניין להשתמש בסוכן ככלי עבודה רציני, למשל, לניתוחים, מצגות או משימות מורכבות, יידרש לשלם לא פחות מ־200 דולר בחודש. מדובר בסכום גבוה שרק יועצים עצמאיים, חברות טכנולוגיה או צוותים עם צורך תפעולי ממשי יוכלו להצדיק. נכון להיום, קשה להמליץ עליו למשתמשים מזדמנים או לעסקים קטנים ללא תקציב משמעותי.

למי זה מתאים?

השימוש בסוכן ChatGPT אינו מיועד לכל אחד, אבל עבור קהלים מסוימים, הוא עשוי להיות כלי משנה-משחק. יועצים ועצמאיים שעובדים לפי שכר שעתי גבוה יכולים להפיק ממנו תועלת ממשית: כל שעה שהסוכן חוסך בתחקיר, בניתוח או בבניית מצגת – מתורגמת לרווח מיידי. גם חברות טכנולוגיה שעוסקות במחקר, פיתוח, או ניתוח שווקים עשויות להיעזר בו כדי להוריד עומס משימות ולהאיץ תהליכים מבלי להרחיב צוותים. מנהלי פרויקטים שמפיקים ניתוחים, דוחות ומצגות על בסיס קבוע יגלו שהוא חוסך שעות של עבודה שחוזרת על עצמה. וגם בצד השיווקי, צוותי מכירות שזקוקים לניתוחים תחרותיים או לתחקיר מהיר על לקוח פוטנציאלי, ימצאו בו חבילה אחת שעושה את כל העבודה.

דוגמאות מעשיות מהדמו הרשמי

דוגמה 1: תכנון חתונה בסגנון בוהמייני

הסוכן סרק אתרי אירועים, בדק תחזיות מזג אוויר, בנה לוח זמנים, הציע מתנות, יצר מצגת מסכמת ורשימת קניות מלאה. התוצר הסופי (לאחר כ 7-15 דקות) היה דו”ח מפורט עם כל ההמלצות והקישורים.

דוגמה 2: עיצוב והזמנת מדבקות

הסוכן קיבל בקשה לעצב מדבקות ולהזמין 500 יחידות. הוא שאל שאלות על הסגנון הרצוי, יצר עיצוב באמצעות AI, נכנס לאתר Sticker Mule, העלה את העיצוב, הוסיף לעגלת הקניות וביקש אישור מהמשתמש להמשיך לשלב התשלום.

דוגמה 3: ניתוח ביצועים אישי והצגת ממצאים

הסוכן התבקש למשוך את נתוני הביצועים של עצמו דרך API פנימי של Google, לנתח אותם וליצור מצגת PowerPoint. הוא כתב קוד, יצר גרפים, ואף הוסיף אלמנטים ויזואליים לשקופיות. התוצאה? קובץ PowerPoint אמיתי וניתן להורדה כולל המלצות לשיפור. 

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

לפרטים נוספים לחצו כאן >>

צעד גדול שמחייב גם זהירות ופרופורציה

לסיכום, ChatGPT Agent אינו עוד תוספת שולית, אלא ניסיון שאפתני להפוך את הבינה המלאכותית משחקן פסיבי למבצע אקטיבי. שילוב של שיחה, חיפוש, ניווט, קוד, מסמכים ופעולה רציפה הופך את הסוכן הדיגיטלי של OpenAI לכלי שיכול, לפחות תאורטית, לבצע עבודה של ממש, לא רק לעזור לחשוב. הביצועים טובים, היכולות מתקדמות, והפוטנציאל ברור: חיסכון אדיר בזמן, ייעול תהליכים, ופער גובר מול מי שעדיין תקועים בשלב ההקלדה הידנית.

אבל דווקא בגלל העוצמה הזו, צריך לעצור לרגע ולבחון את זה בעיניים פקוחות. מדובר בטכנולוגיה צעירה, עם עלות לא מבוטלת, תלות בתשתית, ואוטונומיה שהיא חלקית בלבד. הסוכן יכול להיתקע, לפרש הוראות לא נכון, או להיתקל באתרים שהוא פשוט לא מצליח להבין. יותר מזה, אין כאן מהפכה מוחלטת. השחקנים הגדולים כולם הולכים באותו כיוון: ה־Computer Use של Anthropic, הדפדפן של Perplexity, הפלטפורמה של Manus, שיכול לבצע פעולות מורכבות, או Genspark שמאפשרת להריץ סוכנים מבוססי תהליך – כולם מציעים וריאציות שונות על אותו רעיון: לאפשר למודל לפעול במקומך, דרך הדפדפן או סביבת עבודה וירטואלית. ההבדלים נמצאים ברמת העטיפה, ממשק המשתמש והאינטגרציה, אבל הרציונל דומה: לצמצם את הפער בין הבנה לפעולה.

בשורה התחתונה? ההבטחה אמיתית, אבל צריך לתת לזה זמן. מי שיידע לשלב את הכלי הזה בתוך תהליך עבודה קיים, ויידע גם מתי לעצור אותו – ירוויח. מי שמצפה לקסם אוטומטי שיבצע הכל לבד, צפוי אולי להתאכזב. כמו תמיד בעולם ה-AI: הכלים מתקדמים מהר, אבל המבחן האמיתי הוא איך משתמשים בהם ולא רק מה הם יודעים לעשות לבד.

הפוסט OpenAI השיקו את הסוכן החדש של ChatGPT הופיע ראשון בLet's AI בינה מלאכותית

אם אתם רוצים לדלג על המדריך ולקבל את האוטומציה ישר אליכם (דורש מעט התאמות) – הורידו את הקובץ הזה וטענו אותו ל- Make. ממש כאן יש גם הסבר מצולם שבו אני מסביר איך זה עובד אחרי שזה כבר בנוי.

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

לפרטים נוספים לחצו כאן >>

מה נצטרך להכנת המערכת?

לפני שנתחיל, בואו נוודא שיש לכם הכל:

רשימת דרישות להכנה

• חשבון Make.com
• חשבון Google Drive עם הרשאות מנהל.
• גישה להגדרות המייל שלכם (Gmail/Outlook).
• Make.com Custom GPT כדי לשאול שאלות על make כשאתם נתקעים.

סוגי החשבוניות הנתמכים

המערכת הזו עובדת עם רוב סוגי החשבוניות – אלה שמגיעות כקובץ מצורף, אלה שמגיעות עם קישור להורדה, ואפילו אלה שמופיעות בגוף המייל עצמו.

הערה חשובה: חשבוניות שדורשות כניסה עם שם משתמש וסיסמה (כמו Meta/Facebook) דורשות פתרון מתקדם יותר שלא נעסוק בו במדריך זה.

שלב 1: הכנת התשתית ב-Make.com

מטרה

המטרה של השלב הזה היא ליצור “תיבת דואר וירטואלית” ש-Make.com ינהל בשבילכם.

תהליך הגדרת Mailhook

שלב 1.1: יצירת התרחיש החדש היכנסו ל-Make.com ויצרו תרחיש (Scenario) חדש. תנו לו שם ברור כמו “העברת חשבוניות לדרייב”.

שלב 1.2: הוספת מודול Mailhook חפשו את המודול “Mailhook” ותוסיפו אותו כמודול הראשון בתרחיש. תנו לו שם משמעותי כמו “קבלת חשבוניות”.

שלב 1.3: העתקת כתובת המייל הייחודית לאחר יצירת ה-Mailhook, תקבלו כתובת דואר אלקטרוני ייחודית. למשל: unique123@hook.integromat.com. העתיקו אותה – נשתמש בה בשלב הבא.

שלב 1.4: שמירה וציון התרחיש כטיוטה שמרו את התרחיש אבל עדיין אל תפעילו אותו. נגמור לבנות אותו בשלבים הבאים.

שלב 2: הגדרת העברת מיילים מהתיבה שלכם

עכשיו נחבר את התיבה האמיתית שלכם לתיבה הווירטואלית של Make.com.

תהליך הגדרת העברה ב-Gmail – 3 שלבים

שלב 2.1: הוספת כתובת העברה ב-Gmail, לכו להגדרות ← “Forwarding and POP/IMAP” ← “Add a forwarding address”. הדביקו את כתובת ה-Mailhook שקיבלתם מ-Make.com.

שלב 2.2: אימות הכתובת Gmail ישלח קוד אימות לכתובת ה-Mailhook. חזרו ל-Make.com, הפעילו את התרחיש במצב בדיקה (Testing), והמתינו עד שהמייל עם הקוד יגיע. העתיקו את הקוד וחזרו ל-Gmail לאימות.

שלב 2.3: בדיקת התקינות שלחו לעצמכם מייל בדיקה לכתובת הרגילה שלכם עם הנושא “בדיקת העברה”, ועדיין אל תגדירו מסנן. ודאו ש-Make.com לא קיבל את המייל – זה אומר שההגדרה נכונה והעברה מתבצעת רק לפי מסנן.

תהליך יצירת מסנן דואר חכם – 2 שלבים

שלב 2.4: יצירת המסנן ב-Gmail, לכו להגדרות ← “Filters and Blocked Addresses” ← “Create a new filter”. כאן תגדירו אילו מיילים יועברו לאוטומציה.

שלב 2.5: הגדרת תנאי המסנן הוסיפו תנאים כמו:

• כתובת שולח מסוימת: no-reply@greeninvoice.co.il
• מילות מפתח בנושא: חשבונית או קבלה או Invoice
• מילות מפתח בגוף המייל: סכום לתשלום

הגדירו שהמסנן יעביר מיילים אלה לכתובת ה-Mailhook ויסמן אותם כ”נקראו”.

דוגמה מעשית:

ללקוח שמקבל חשבוניות מ-5 ספקים עיקריים, יצרנו מסנן עם התנאים הבאים:

• מכל כתובת המכילה: invoice, billing
• או נושא המכיל: חשבונית, קבלה, receipt
• פעולה: העברה לכתובת Make.com + סימון כ”נקרא”

תוך שבוע המערכת זיהתה ועיבדה 23 חשבוניות באופן אוטומטי.

שלב 3: בניית מערכת ארגון התיקיות ב-Google Drive

המטרה כאן היא שהמערכת תדע איפה לשמור כל חשבונית, ותיצור תיקיות חדשות אוטומטית כשצריך.

תהליך הגדרת ניהול תיקיות – 3 שלבים

שלב 3.1: הוספת מודול חיפוש תיקיות הוסיפו מודול “Google Drive – Search for files/folders” אחרי ה-Mailhook. הגדירו אותו לחפש תיקיות עם השם של החודש הנוכחי.

בשדה השם השתמשו בפונקציה: {{formatDate(now; "MMMM")}} זה ייצור אוטומטי שמות כמו “January”, “February” וכו’.

שלב 3.2: הוספת מודול יצירת תיקיות הוסיפו מודול “Google Drive – Create folder” והגדירו אותו לפעול רק אם החיפוש לא מצא תיקייה קיימת.

בהגדרות התנאי: {{length(array from search module) = 0}}

שלב 3.3: יצירת משתנה לזיהוי התיקייה צרו מסלול לוגי שמעביר את מזהה התיקייה (של הקיימת או החדשה) לשלבים הבאים. זה מבטיח שכל החשבוניות יישמרו במקום הנכון.

דוגמה מעשית:

הגדרנו את המערכת ליצור תיקיות בפורמט “2025-01 ינואר”, “2025-02 פברואר” וכו’. כל תיקייה נוצרת אוטומטית ברגע שמגיעה החשבונית הראשונה של החודש, ומכילה תת-תיקיות לסוגי הוצאות שונות.

שלב 4: הגדרת עיבוד סוגי חשבוניות שונים

עכשיו המערכת צריכה לדעת איך לטפל בכל סוג של חשבונית שמגיעה אליה.

תהליך הגדרת עיבוד חשבוניות עם קבצים מצורפים – 3 שלבים

שלב 4.1: הוספת מודול סינון הוסיפו מודול “Filter” שבודק אם יש קבצים מצורפים למייל. תנאי: {{length(attachments)}} > 0

שלב 4.2: הוספת Iterator לפיצול קבצים הוסיפו מודול “Iterator” שמפצל את מערך הקבצים המצורפים. זה מבטיח שגם אם יש כמה קבצים במייל אחד, כולם יטופלו.

שלב 4.3: העלאה ל-Google Drive הוסיפו מודול “Google Drive – Upload file” שמקבל כל קובץ מה-Iterator ומעלה אותו לתיקיית החודש הרלוונטית.

תהליך הגדרת עיבוד חשבוניות עם קישורי הורדה – 4 שלבים

שלב 4.4: הוספת מודול Text Parser הוסיפו מודול “Text Parser – Extract elements from HTML” שמחפש קישורים בתוכן המייל.

שלב 4.5: סינון קישורים רלוונטיים הוסיפו מודול “Filter” שמזהה רק קישורים רלוונטיים לחשבוניות. דוגמאות לתנאים: הקישור מכיל invoice, download

שלב 4.6: הורדת הקובץ הוסיפו מודול “HTTP – Get a file” שמוריד את הקובץ מהקישור שזוהה.

שלב 4.7: העלאה ל-Google Drive הוסיפו מודול “Google Drive – Upload file” שמעלה את הקובץ שהורד לתיקיית החודש.

תהליך הגדרת עיבוד חשבוניות HTML (בגוף המייל) – 5 שלבים

שלב 4.8: זיהוי מיילים עם תוכן HTML הוסיפו מודול “Filter” שמזהה מיילים ללא קבצים מצורפים ומספקים ספציפיים (כמו PayPal).

שלב 4.9: יצירת מסמך Google Docs זמני הוסיפו מודול “Google Docs – Create document” שיוצר מסמך חדש עם תוכן ה-HTML.

שלב 4.10: המרה ל-PDF הוסיפו מודול “Google Drive – Download file” עם אפשרות המרה ל-PDF.

שלב 4.11: העלאת ה-PDF הוסיפו מודול “Google Drive – Upload file” שמעלה את ה-PDF החדש לתיקיית החודש.

שלב 4.12: מחיקת הקובץ הזמני הוסיפו מודול “Google Drive – Delete file” שמוחק את מסמך ה-Google Docs הזמני.

דוגמה מעשית:

ללקוח שמקבל חשבוניות מ-PayPal (שמגיעות כ-HTML), מ-Wolt (שמגיעות עם קישור הורדה), ומרואה החשבון (שמגיעות כ-PDF מצורף), יצרנו שלושה מסלולים נפרדים. המערכת זיהתה אוטומטי איך לטפל בכל סוג ושמרה הכל בתיקיות נפרדות לפי חודש ולפי ספק.

שלב 5: בדיקה ותחזוקה של המערכת

עכשיו שהמערכת בנויה, צריך לוודא שהיא עובדת טוב ולתחזק אותה.

תהליך בדיקת המערכת – 3 שלבים

שלב 5.1: בדיקה עם מיילים אמיתיים שלחו לעצמכם מיילי בדיקה עם חשבוניות מכל הסוגים שהגדרתם. ודאו שהמערכת מזהה, מורידה ומעלה נכון ל-Google Drive.

שלב 5.2: בדיקת יצירת תיקיות ודאו שהמערכת יוצרת תיקיות חודש חדשות אוטומטית ולא יוצרת כפילויות.

שלב 5.3: הפעלה מלאה לאחר שהכל עובד בבדיקות, הפעילו את התרחיש במצב מלא והתחילו להשתמש בו עם המיילים האמיתיים.

דוגמה מעשית:

בשבוע של בדיקות גילינו שהמערכת לא זיהתה נכון חשבוניות מספק אחד כי הקישור היה מוסווה. הוספנו תנאי סינון נוסף והבעיה נפתרה.

טיפים מתקדמים להעברת חשבוניות

שמות קבצים חכמים

טיפ 1: השתמשו בשמות קבצים חכמים

במקום לשמור קבצים עם השמות המקוריים, הגדירו שמות שמכילים תאריך ושם ספק: {{formatDate(now; "YYYY-MM-DD")}}-{{sender.name}}-invoice.pdf

הודעה על שגיאות

טיפ 2: יצרו התראות על שגיאות

הוסיפו מודול שישלח לכם מייל אם המערכת נתקלת בבעיה. זה חוסך לכם לבדוק ידנית אם הכל עובד.

שיתוף אוטומטי

טיפ 3: הגדירו שיתוף אוטומטי עם רואה החשבון

תוכלו להוסיף מודול שמשתף את התיקייה עם רואה החשבון אוטומטית, או שולח לו מייל עם קישור לתיקייה.

מיון באמצעות תגים

טיפ 4: השתמשו בתגיות למיון נוסף

במקום רק תיקיות חודש, תוכלו ליצור תת-תיקיות לפי סוגי הוצאות או ספקים.

מעקב אחרי נתונים

טיפ 5: עקבו אחרי צריכת הנתונים

Make.com עובד לפי כמות פעולות חודשית. עקבו אחרי הצריכה שלכם ובמידת הצורך עברו לתכנית גבוהה יותר.

בעיות נפוצות ואיך לפתור אותן

בעיה עם ספקים מסוימים

בעיה 1: המערכת לא מקבלת מיילים מספק מסוים

פתרון: בדקו שהמסנן שלכם כולל את כתובת המייל או מילות המפתח של הספק. לפעמים ספקים משנים פורמט מיילים.

בעית העלאת קבצים

בעיה 2: קבצים לא מועלים ל-Google Drive

פתרון: בדקו שהרשאות ה-Google Drive נכונות ושהמשתמש שמחובר ל-Make.com יכול לכתוב לתיקייה הרצויה.

תיקיות כפולות

בעיה 3: המערכת יוצרת תיקיות כפולות

פתרון: ודאו שהחיפוש של תיקיות קיימות מוגדר נכון ושהתנאי ליצירת תיקייה חדשה בודק שהתוצאה ריקה.

בעיה באיכות PDF

בעיה 4: איכות PDF נמוכה ממיילי HTML

פתרון: אם אתם מקבלים הרבה חשבוניות HTML ואיכות חשובה לכם, שקלו לעבור לשירות PDF.co במקום Google Docs.

בעיה עם אתרים מאובטחים

בעיה 5: המערכת לא עובדת עם חשבוניות מאתרים מאובטחים

פתרון: חשבוניות שדורשות כניסה לחשבון (כמו Meta) דורשות פתרון מתקדם יותר עם כלים כמו Puppeteer. פנו לייעוץ טכני למקרים אלה.

למתקדמים

אפשר גם להוסיף פירוק המידע של החשבונית באופן אוטומטי עם AI (לדוגמה ל- pdf.co יש יכולת כזו). אז תוכלו לקבל את פרטי החשבונית (ספק, סכום, מע”מ וכו) למקום שבו אתם מנהלים את מעקב ההוצאות שלכם.

הפוסט המדריך המלא לאוטומציה של חשבוניות לגוגל דרייב הופיע ראשון בLet's AI בינה מלאכותית