משיחה ויצירה ועד פיתוח ופרסום

החיבור בין המוצרים מציע רצף עבודה רחב. גרוק מספק שיחות טקסט וקול ויצירת תמונות ווידאו. Cursor מציע סוכנים לכתיבת קוד ולפיתוח תוכנה. Grok Bot מיועד לקבל משימות ולבצע אותן, ו-X מוסיף סביבת פרסום והטבות ליוצרים.

למשתמש פרטי, זו אפשרות לרכז כמה צרכים בחשבון אחד. לעסק קטן, ההצעה יכולה לחבר בין יצירת תוכן, פיתוח כלים וביצוע משימות. הערך האפשרי נובע מהשילוב, אבל הוא תלוי בשאלה כמה מהמוצרים האלה באמת נחוצים בשגרת העבודה.

מה מקבלים בכל מחיר

המחירים הבאים מתייחסים לתשלום חודשי, לפני מסים:

המחירים והמכסות | x.ai

Grok Bot לא כלול במסלול של 8 דולר. הגישה אליו מתחילה ב-Premium, ולכן מי שמחפש סוכן לביצוע משימות צריך לבחון את ההצעה החל מ-30 דולר.

גם המכפלות דורשות הקשר. פי ארבעה מכסה לא מבטיח פי ארבעה משימות מוצלחות. פעילויות שונות צורכות כמויות שונות מהתקציב, והיחסים בין המסלולים לא מספרים לבדם כמה עבודה אפשר להשלים.

התקציב משותף, וגם התחרות עליו

המנוי מציע מכסת שימוש שמתחדשת מדי שבוע ומשותפת למודלים הכלולים דרך גרוק ו-Cursor. במסלולים המתאימים גם Grok Bot משתמש באותה מכסה.

היתרון הוא גמישות. לדוגמה, בשבוע שמוקדש לפיתוח אפשר להשתמש יותר ב-Cursor, ובשבוע אחר להפנות יותר מהתקציב לשיחות וליצירה בגרוק.

אבל שימוש אינטנסיבי במוצר אחד משאיר פחות לאחרים. כשהמכסה מסתיימת, אפשר להמתין לחידוש השבועי או לרכוש שימוש נוסף. לכן חבילה רחבה יכולה לחסוך מנויים נפרדים, ועדיין לדרוש תוספת תשלום במהלך שבוע עמוס.

איפה מתחילות העלויות הנוספות

מודלים חיצוניים ב-Cursor, כגון Claude ו-GPT, לא כלולים במכסת המנוי החדש. הם זמינים במסלולי Premium ומעלה ומחויבים בנפרד לפי מחירי ה-API, כלומר לפי היקף השימוש בפועל, כבר מהשימוש הראשון.

זה פרט מהותי למשתמשי Cursor קיימים. מי שרוב העבודה שלו נשענת על מודלים חיצוניים צריך להשוות את תנאי המנוי הנוכחי להצעה החדשה. חיסכון במחיר הבסיס עלול להצטמצם בעקבות חיובים על העבודה שהוא כבר רגיל לבצע.

גם הצהרת מאסק על שימוש ב-Claude Opus 5.5, Midjourney ו-Suno בתוך Grok Bot היא לא הבטחה למנוי מלא בכל השירותים האלה. ההצהרה מתארת כיוון של בחירת מודל מתאים למשימה. תנאי החיוב על מודלים חיצוניים ב-Cursor הם עניין נפרד.

כדי לשמור על תקציב צפוי, כדאי לבדוק את תקרות החיוב, ההתראות והגדרת הטעינה האוטומטית של יתרה. מחיר המנוי הוא נקודת ההתחלה של החשבון.

למשתמש פרטי ולעסק יש מבחן שונה

למשתמש פרטי, החבילה עשויה להשתלם אם היא מחליפה כמה שירותים שבהם הוא כבר משתמש. מי שפעיל ב-X, נעזר ב-Grok ומתנסה בפיתוח יכול להפיק ערך מהשילוב. מי שצריך בעיקר צ'אט טוב או כלי תמונות צריך להשוות את איכות התוצאה לצורך שלו. מוצרים שנשארים ללא שימוש הם לא חיסכון.

לעסק קטן יש גם שיקול ניהולי. מסלולי הצוות מתחילים ב-30 דולר למשתמש לחודש ומציעים חיוב וניהול מרכזיים. אפשר לשלב עובדים במסלולים שונים, אבל לכל משתמש מכסה שבועית משלו. מכסה שלא נוצלה אצל עובד אחד לא עוברת לעובד אחר.

לכן כדאי להתאים את המסלול לתפקיד. עובד שמשתמש בסוכנים מדי יום עשוי להצדיק מכסה גדולה יותר, בעוד שעובד שנעזר בכלים מדי פעם יכול להסתפק בפחות. ההחלטה צריכה להתבסס על זמן שנחסך ותוצאות שימושיות, לצד המחיר.

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

לפרטים נוספים לחצו כאן >>

התחרות על המקום שבו העבודה מתבצעת

המהלך מוסיף ממד לתחרות בין חברות AI. לצד השאלה איזה מודל מספק תשובה טובה יותר, עולה השאלה איזו חבילה מכסה יותר מהעבודה במחיר שאפשר לצפות ולנהל.

זה עשוי להפוך את ההצעה לאטרקטיבית, וגם לחזק את התלות בספק כשהרגלי העבודה מתרכזים סביב מוצריו. עדיין מוקדם לקבוע מי ירוויח מהמהלך וכמה משתמשים יעברו אליו.

הבדיקה המעשית מתחילה בשבוע עבודה מייצג: כמה משימות הושלמו, כמה תיקונים נדרשו ומה הייתה ההוצאה הכוללת, כולל חריגות. החבילה משתלמת כשהיא מחליפה הוצאות קיימות ומספקת תוצאות טובות. שם יתברר אם האיחוד חוסך כסף וזמן, או בעיקר מרחיב את רשימת הכלים בחשבון.

הפוסט המנוי החדש של X והתחרות על חבילת העבודה שלכם הופיע ראשון בLet's AI בינה מלאכותית

דיווח למשטרה שאף אחד לא ביקש

ביולי 2026, במהלך בדיקה של Claude Haiku 4.5, התבקש המודל ליצור ולבצע משימות לדוגמה באתרי אינטרנט שנבחרו באקראי. באחת ההרצות הוא הגיע לאתר שעסק בתיק רצח לא מפוענח בפילדלפיה. בעמוד הופיע טופס מקוון שאפשר לציבור להעביר למשטרה מידע שעשוי לסייע בחקירה.

קלוד החליט למלא אותו. בטופס טען המודל כי ייתכן שיש ברשותו מידע על המקרה, וכי הוא זוכר שראה אדם שתואם לתיאור באזור שבו התרחש האירוע. אלא שהמודל לא היה עד לדבר, והאתר אפילו לא כלל תיאור של החשוד שאליו התייחס.

הוא השאיר את שדות השם ופרטי הקשר ריקים ושלח את הטופס. למרבה המזל, הדיווח זוהה כספאם, והוא מעולם לא הועבר לבדיקה חקירתית. לדברי המשטרה, לא נמצאו ראיות לגישה בלתי מורשית למערכותיה או לפגיעה במידע.

על פי הדוח, קלוד קיבל הוראות שלא להתחבר לחשבונות, ליצור משתמשים, להזין מידע אישי, לבצע רכישות או לשלוח תוכן הרסני. אולם ההוראות לא אסרו עליו במפורש לשלוח טפסים.

זו בדיוק הנקודה שהופכת את המקרה למעניין. המודל לא בהכרח ניסה להטעות את המשטרה במכוון. לפי הניתוח הראשוני של אנטרופיק, נראה שהוא יצר תוכן לדוגמה במסגרת המשימה, אך לא הבחין כראוי בין תרגול לבין פעולה אמיתית בעולם.

המודל לא הצליח במשימה, אז הוא מצא דרך אחרת

הדיווח למשטרה היה רק אחד מארבעה סוגי התנהגות שתועדו בדוח. במקרה אחר, מודל Claude Mythos Preview התבקש לבצע חישוב מדעי באמצעות כלי שהיה זמין באתר של אוניברסיטה. כאשר הכלי החזיר שגיאה, המודל חיפש דרך חלופית לבצע את החישוב.

במהלך החיפוש הוא מצא חולשה בסיסית בתוכנה של האתר, שאפשרה לו להפעיל פקודות בשרת. קלוד ניצל אותה כדי לבצע את החישוב שהתבקש.

במקרים נוספים, מודלים הצליחו לגשת למידע שהיה זמין לציבור בתשלום באמצעות מנגנוני גישה שלא נועדו לשימוש הזה. במקרה אחר הם השתמשו בשירותים לקיצור כתובות אינטרנט כדי לעקוף מגבלות אורך שנועדו למנוע פעולות מסוימות.

המכנה המשותף למקרים האלה הוא ההתמדה בהשלמת המשימה. כאשר המודל נתקל במחסום, הוא ניסה למצוא דרך להתקדם, גם אם הדרך שנבחרה חרגה מההתנהגות שהמפתחים התכוונו לאפשר.

היכולת הזאת יכולה להיות שימושית מאוד כאשר סוכן AI מתמודד עם משימה מורכבת. אבל כשהוא מחובר למערכות אמיתיות, אותה יוזמה עלולה להפוך לסיכון.

למה אנטרופיק גילתה את המקרים באיחור?

אנטרופיק החלה לבדוק ביולי תיעוד של פעולות שביצעו מודלים במבחנים שונים. תחילה התמקדה בבדיקות אבטחת סייבר, ובהמשך הרחיבה את הסריקה למשימות רגילות שבהן הייתה למודלים גישה לאינטרנט.

הבדיקה הזאת חשפה פעולות שלא זוהו בזמן אמת. במקרה של המשטרה בפילדלפיה, המודל שלח את הטופס ביולי, אך אנטרופיק זיהתה את האירוע רק בסוף ספטמבר והודיעה למשטרה בתחילת אוקטובר.

משטרת פילדלפיה מתחה ביקורת על עיכוב של יותר מחודשיים בזיהוי האירוע ובדיווח עליו. זה פרט חשוב בסיפור, משום שהוא מדגיש בעיה נוספת מעבר להתנהגות המודל עצמו: היכולת של החברה לדעת בזמן אמת מה מערכותיה עושות כאשר הן פועלות מול העולם החיצוני.

מה אנטרופיק עושה בעקבות הממצאים?

אנטרופיק הודיעה כי הרחיבה את חסימת הגישה לאינטרנט החי לכל מבחני ההערכה הפנימיים. חלק מהמבחנים הועברו לסביבות שאינן מחוברות לאינטרנט, ואחרים שונו כך שלא יפנו לאתרים אמיתיים.

החברה גם עדכנה את מגבלות כלי הגישה לאינטרנט, בנתה מנגנונים אוטומטיים לזיהוי ולחסימה של פעולות בלתי רצויות, ופועלת לצמצום הגישה לאינטרנט עבור סוכנים ותהליכי אימון פנימיים.

לדבריה, המנגנונים החדשים הצליחו לחסום את כל המקרים שתוארו בדוח כאשר נבדקו נגדם בדיעבד. עם זאת, הצלחה בבדיקת מקרים ידועים אינה מבטיחה שהמערכות יזהו כל התנהגות בלתי צפויה בעתיד.

החברה גם פועלת לשינוי סביבות האימון שלה, במטרה לצמצם מצבים שבהם המודל לומד שעקיפת מגבלות היא דרך משתלמת להשגת המטרה.

למה הממצאים חשובים גם מחוץ לאנטרופיק?

אנטרופיק מדגישה כי למקרים שנחשפו הייתה השפעה מוגבלת בעולם האמיתי. לדבריה, אף אחד מהמקרים המתוארים בדוח לא כלל מידע של לקוחות או חדירה למערכות הפנימיות שלה.

היא גם מעריכה שהמקרים האלה חמורים פחות מאירועי הסייבר שעליהם דיווחה בחודשים הקודמים. ובכל זאת, יש כאן בעיה מהותית שהולכת ונעשית רלוונטית ככל שסוכני AI מקבלים יותר כלים והרשאות.

מודל שמסכם מסמך באופן שגוי עלול להפיק תשובה לא נכונה. מודל שפועל מול אתרים, שרתים ומערכות חיצוניות עלול לבצע פעולה שלא ניתן לבטל בקלות. שליחת טופס, הרצת פקודה או עקיפת מנגנון גישה כבר אינן רק טעויות בטקסט.

חשוב גם לזכור שמודלים פועלים לעיתים קרובות תחת הוראות חלקיות או עמומות. אי אפשר לצפות ממשתמש שיציין מראש כל פעולה שאסור לבצע. לכן נדרשים לא רק מודלים שמבינים הוראות, אלא גם מגבלות טכניות שמונעות מהם לבצע פעולות מסוימות ללא הרשאה מתאימה.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מטמיעי AI

לפרטים נוספים לחצו כאן >>

מה יקרה כשלא יעצרו פעולה בלתי צפויה

הדוח מצביע על מתח מרכזי בפיתוח סוכני AI: ככל שהם נעשים טובים יותר בפתרון בעיות ובהתגברות על מכשולים, קשה יותר להסתמך רק על ההוראות שניתנו להם כדי להבטיח שיפעלו בגבולות הרצויים.

אנטרופיק נקטה צעד מניעתי משמעותי כאשר הגבילה את הגישה לאינטרנט בבדיקות שלה, אבל המחקר עדיין נמשך, והחברה עצמה מכירה בכך שאימון התנהגותי לבדו אינו מספק הגנה מלאה.

הלקח המעשי ברור גם למי שמפתח או מטמיע סוכנים בארגון: צריך להגדיר לא רק איזו תוצאה רוצים להשיג, אלא גם לאיזה מערכות מותר לסוכן לגשת, אילו פעולות הוא רשאי לבצע, ומתי נדרש אישור אנושי.

המקרה של פילדלפיה הסתיים בלי חקירה מיותרת. השאלה שנותרה פתוחה היא מה יקרה בפעם הבאה, כאשר פעולה בלתי צפויה לא תיעצר בזמן.

הפוסט כשקלוד לא יודע לעצור: הדוח שמציג את הצד המסוכן של סוכני AI הופיע ראשון בLet's AI בינה מלאכותית

מה השתנה?

Markdown הוא פורמט טקסט פשוט, בדרך כלל עם הסיומת.md, שמשתמש בסימונים לכותרות, רשימות, קישורים וטבלאות. הוא נפוץ בתיעוד מקצועי ובכלי AI, משום שאפשר לשמור בו תוכן מובנה ולקרוא אותו גם בלי תוכנת עריכה מיוחדת.

עד עכשיו, כדי לערוך קובץ כזה ב-Google Docs היה צריך לייבא ולהמיר אותו למסמך גוגל (.gdoc). לפי ההכרזה הרשמית, התמיכה החדשה מאפשרת לערוך את הקובץ בלי לשנות את הסוג שלו. Drive גם מציג תצוגה מעוצבת, עם קישורים לחיצים וטבלאות, במקום להסתפק בטקסט ובסימוני העיצוב.

החידוש המרכזי הוא בצד של האנשים: צוות שלא רגיל ל-Markdown יכול לעבוד עליו דרך Docs. אין צורך ללמוד את הסימונים כדי לתקן משפט, לשנות כותרת או להגיב על התוכן.

צ׳אנדו תוטה (Chandu Thota), סמנכ״ל ההנדסה של Google Workspace, הציג את החידוש בפוסט ב-X. הדוגמה המצורפת מציגה קובץ Markdown פתוח ב-Docs, עם תגית .MD ליד הכותרת והערות לצד התוכן:

קובץ Markdown בסביבת העריכה של דוקס | Chandu Thota ב-X

איך מתחילים?

לשימוש הבסיסי מספיקים חשבון גוגל וקובץ Markdown. אין צורך להתקין סוכן או להגדיר סנכרון מקומי.

1. העלו קובץ לדרייב - אפשר להשתמש בקובץ שקיבלתם מכלי AI או במסמך קיים בפורמט .md
2. פתחו אותו בגוגל דוקס לחיצה כפולה על הקובץ פותחת אותו ב-Docs. חפשו תגית .md ליד שם המסמך: היא מציינת שהקובץ פתוח במצב Markdown
3. ערכו את התוכן - תקנו משפט או הוסיפו סעיף. הקובץ נשאר Markdown, ללא המרה לפורמט של גוגל.
4. שתפו עם קולגות - תנו לכל אדם הרשאת צפייה, תגובה או עריכה לפי הצורך. אפשר לעבוד על המסמך יחד ולהוסיף הערות.
5. בדקו את התוצאה - פתחו שוב את הקובץ וודאו שהתיקונים מופיעים. אם הוא ממשיך לכלי אחר, בדקו גם כיצד אותו כלי קורא ומציג אותו.

לדוגמה, צוות יכול לקבל מכלי AI טיוטת בריף לפרויקט, לפתוח אותה ב-Docs, לתקן את קהל היעד ולהוסיף החלטות. התוכן נשאר בקובץ Markdown, בלי צורך ליצור עותק בפורמט אחר רק לצורך העריכה.

איפה הסוכן נכנס לתמונה?

האפשרות לערוך את אותו פורמט מקלה על המעבר בין אנשים לכלי AI. עם זאת, העדכון לא מעניק לסוכן הרשאות או יכולות חדשות באופן אוטומטי.

בהמשך השרשור (לפוסט שהראיתי למעלה) מסביר תוטה מדוע השינוי חשוב: Markdown משמש לתוכניות, מפרטים ורשימות משימות שעוברים בין אנשים לסוכני AI.

לדבריו, התמיכה החדשה מצמצמת המרות ובעיות עיצוב, ומאפשרת לצוות להמשיך לערוך ולהגיב בסביבה המוכרת לו:

פחות המרות, יותר עבודה משותפת על קובצי מרקדאון | Chandu Thota ב-X

סוכן שעובד דרך מחבר ל-Drive מוגבל לפעולות שהמחבר מאפשר. היכולת לקרוא קובץ לא מבטיחה שאפשר גם לערוך אותו או לקרוא את הערות הצד. בניסיון נקודתי עם מחבר Drive של Claude התאפשרה קריאת Markdown, אך לא עריכת הקובץ או קריאת ההערות. הממצא מתייחס למחבר שנבדק, ולא לכל הסוכנים.

מסלול נוסף הוא עבודה דרך תיקייה במחשב שמסתנכרנת באמצעות Google Drive for desktop. סוכן שתומך בגישה לקבצים מקומיים יכול לעבוד מתוך התיקייה, בכפוף להרשאות שלו.

לפי תיעוד הסנכרון של גוגל, אפשר לשמור עותק של הקבצים במחשב או להוריד אותם מהענן רק כשפותחים אותם. כדי שהקבצים יהיו זמינים גם בלי חיבור לאינטרנט, צריך לשמור אותם במחשב לשימוש לא מקוון.

לפני שמאמצים את המסלול הזה, תבדקו שינוי קטן בכל כיוון: תיקון ב-Docs שמופיע בקובץ המקומי, ותיקון מקומי שמופיע ב-Docs. אל תסיקו שעריכה מקומית ועריכה בענן במקביל יתמזגו בלי התנגשויות. בתחילת הדרך מומלץ לערוך בתורות ולהמתין לסיום הסנכרון.

אם הסוכן צריך לבצע החלטה שהתקבלה בדיון, כתבו אותה גם בגוף המסמך. כך הביצוע לא תלוי ביכולתו לקרוא הערות צד.

מה כדאי לדעת לפני שעוברים?

Markdown לא שומר את כל אפשרויות העיצוב של Docs. גוגל מציינת שצבעי גופן, הדגשות צבע ויישור טקסט מוסרים, ורכיבים חכמים הופכים לטקסט או לקישורים. לכן הפורמט מתאים יותר לבריפים, הנחיות ותוכניות עבודה מאשר למסמכים שדורשים עיצוב עשיר.

ההפצה החלה ב-5 באוקטובר 2026, בהדרגה עד 15 יום, לכל לקוחות Google Workspace ולמשתמשים בעלי חשבון גוגל אישי. אין הגדרה ייעודית להפעלת התכונה. אם היא עדיין אינה מופיעה בחשבון שלכם, חכו עוד כמה ימים.

התחילו במסמך שחוזר לעבודה

בחרו מסמך אחד שהצוות מעדכן באופן קבוע, למשל בריף או תוכנית עבודה. בדקו אם העריכה ב-Docs חוסכת המרות והעתקות, ואם הכלים שממשיכים לעבוד עם הקובץ מקבלים את התוכן המעודכן.

זה בעצם הערך המעשי של החידוש - יותר אנשים יכולים לעבוד עם Markdown דרך עורך שהם מכירים. עבור צוותים שמשלבים כלי AI בעבודה, זו דרך פשוטה לצמצם את מספר המעברים בין פורמטים ולשמור על רצף עבודה ברור.

הפוסט גוגל מאפשרת לערוך קובצי Markdown ב-Docs הופיע ראשון בLet's AI בינה מלאכותית

מה זה בעצם Nano Banana 2.1

בשישי לאוקטובר 2026, גוגל דיפמיינד (Google DeepMind) שחררה את Nano Banana 2.1 - מודל יצירת ועריכת תמונות AI חדש, המבוסס על Gemini 3.6 Flash. המודל מחליף את Nano Banana 2, שמתוכנן לצאת משימוש ב-29 באוקטובר 2026, ומציע שיפורים משמעותיים באיכות הוויזואלית, ברנדור טקסט ובעקביות בין תמונות.

הרעיון המרכזי: מודל ברמת מהירות של Flash, שמספק תוצאות קרובות לאיכות של Nano Banana Pro - אבל בכמחצית מהמחיר. גוגל ממקמת אותו כ"סוס העבודה" של סדרת Nano Banana, מתאים גם לאיטרציות מהירות וגם לנכסים ויזואליים ברמת ייצור.

Nano Banana 2.1

ארבעת החידושים שכדאי להכיר:

עריכה מבוססת מסכה

החידוש הבולט ביותר הוא עריכה מבוססת מסכה (Mask-Based Editing). במקום לתאר במילים איזה חלק בתמונה אתם רוצים לשנות, אפשר פשוט לעגל או לסמן אזור בצבע בולט על התמונה, להעלות אותה, ולתאר את השינוי הרצוי. המודל מזהה את האזור המסומן ומבצע את העריכה בדיוק שם - בלי לפגוע בשאר התמונה. בבנצ'מרקים הפנימיים של גוגל, עריכת מסכה קפצה מציון 965 ב-Nano Banana 2 ל-1049 בגרסה החדשה.

תהליך עריכה מבוססת מסכה

דוגמה לעריכה מבוססת מסכה - תמונה מקורית עם סימון אזור בצבע בולט, ולידה התוצאה לאחר העריכה

שלוש רמות חשיבה

גרסה 2.1 מוסיפה שלוש רמות חשיבה (Thinking): מינימלית (Minimal), בינונית (Medium) וגבוהה (High). ברירת המחדל היא בינונית. ככל שרמת החשיבה גבוהה יותר, המודל מקדיש יותר זמן לנתח את ההנחיות, לתכנן קומפוזיציה ולמקם טקסט - אבל גם הזמן גדל. רמה מינימלית מתאימה לוריאציות מהירות, רמה גבוהה מתאימה להרכבות מורכבות שדורשות דיוק.

השוואת שלוש רמות החשיבה

עקביות נושא מרובת רפרנסים

המודל תומך בעד 14 תמונות רפרנס בו-זמנית, עם יכולת לשמור על עקביות של עד 4 דמויות ו-10 אובייקטים. מה זה אומר בפועל? אפשר להעלות צילומים של מוצר מכמה זוויות, ולבקש מהמודל להציב אותו בסצנה חדשה תוך שמירה על הפרטים - צבעים, לוגו, פרופורציות. בבנצ'מרק של עקביות רב-דמותית (Multi-Character Consistency), הציון קפץ מ-978 ב-Nano Banana 2 ל-1106 בגרסה החדשה.

רנדור טקסט ואינפוגרפיקות

אחת הבעיות הכרוניות של מודלי תמונות AI היא טקסט מעוות ולא קריא. גרסה 2.1 מציגה שיפור חד: טקסט בתוך תמונות נקרא טוב יותר, ואינפוגרפיקות יוצאות מדויקות יותר. ציון דיוק עובדתי באינפוגרפיקות (Infographic Factuality) עלה מ-0.179 ב-Nano Banana 2 ל-0.521 בגרסה החדשה - קפיצה של כמעט פי שלושה.

השוואת רנדור טקסט: משמאל - Nano Banana 2, מימין - Nano Banana 2.1. שימו לב לקריאות הטקסט ולדיוק הפרטים

אז איך מתחילים?

דרך אפליקציית ג'מיני (Gemini)

הדרך הפשוטה ביותר היא דרך אפליקציית ג'מיני - בנייד או בדפדפן. פתחו את האפליקציה, היכנסו עם חשבון גוגל, וחפשו את אפשרות יצירת התמונות - לרוב מסומנת באייקון בננה קטן. שימו לב: גרסה 2.1 דורשת מנוי Google AI בתשלום (Pro, Plus או Ultra). משתמשים חינמיים ממשיכים לעבוד עם Nano Banana 2.

אחרי שבחרתם את מצב יצירת התמונות, כתבו פרומפט - תיאור של מה שאתם רוצים לראות. המודל יפיק את התמונה תוך שניות ספורות. מכאן מתחיל החלק המעניין: אפשר לנהל שיחה עם המודל, לבקש שינויים, לעדן פרטים, להחליף רקע - הכול באותו צ'אט.

דרך Google AI Studio

למפתחים ולמשתמשים מתקדמים, Google AI Studio מציע סביבת ניסוי אינטראקטיבית. אפשר לבדוק פרומפטים, להשוות תוצאות ברמות חשיבה שונות, ולהעלות תמונות רפרנס. זו דרך טובה להתנסות לפני שמשלבים את המודל בקוד.

דרך ה-API

למי שבונה אפליקציות, המודל זמין דרך ה-Gemini API עם מזהה המודל gemini-nano-banana-2.1. הקלטים הנתמכים כוללים טקסט, תמונות, וידאו ו-PDF, והפלטים הם תמונה וטקסט. רמות החשיבה וה-Grounding דרך חיפוש גוגל הם פרמטרים שניתן להגדיר בכל קריאה.

טיפים לפרומפטים שעובדים

• כתבו בריף יצירתי, לא רשימת מילות מפתח: במקום "כלב, פארק, שקיעה, רזולוציה גבוהה", כתבו: "כלב גולדן רטריבר רץ בפארק ירוק בשעת שקיעה, אור זהוב רך, צולם מזווית נמוכה". המודל מגיב טוב יותר להנחיות שמתארות סצנה שלמה.

• הפרידו בין זהות לסגנון כשאתם משתמשים ברפרנסים: אם אתם מעלים כמה תמונות, ציינו מפורשות איזו תמונה מגדירה מה. לדוגמה: "תמונה 1 היא המוצר - שמרו על הלוגו והפרופורציות. תמונה 2 מגדירה את סגנון התאורה. הציבו את המוצר על שולחן שיש לבן".

• בקשו שינוי אחד בכל פעם: אחרי שקיבלתם תוצאה ראשונה, עדכנו דבר אחד או שניים. "שמרו על הנושא, זווית המצלמה והטיפוגרפיה. החליפו רק את הרקע לקיר סטודיו כחול בהיר". גישה הדרגתית שומרת על עקביות ומקלה על איתור בעיות.

• בדקו את הטקסט בתמונה: למרות השיפור, טקסט קטן עדיין עלול להיטשטש ברזולוציות נמוכות. תמיד הגדילו את התמונה ובדקו שמות, תאריכים, מחירים ותרגומים.

כמה זה עולה?

התמחור של Nano Banana 2.1 הוא אחד היתרונות הבולטים. ב-API, המחיר הוא כ-0.0336 דולר לתמונה ברזולוציית 1K - בערך חצי מהמחיר של Nano Banana 2. רזולוציות גבוהות יותר ורמות חשיבה גבוהות מעלות את המחיר, אבל גם ב-4K מדובר במחירים נמוכים יחסית לשוק.

באפליקציית ג'מיני, הגישה דורשת מנוי Google AI. אין גרסה חינמית של 2.1 - לא ב-API ולא באפליקציה. משתמשים חינמיים ממשיכים לקבל את Nano Banana 2 כל עוד הוא פעיל.

השוואה: איזה Nano Banana מתאים לכם?

מגבלות שכדאי להכיר

למרות השיפורים, המודל עדיין לא מושלם. טקסט קטן מאוד עלול להיטשטש, במיוחד ברזולוציית 1K. יש מקרים של בלבול בין שמאל וימין בתמונה. עקביות דמויות עובדת טוב ברוב המקרים, אבל במצבים קיצוניים - זוויות חריגות או תאורה מורכבת - ייתכנו סטיות. בנוסף, ה-Grounding דרך חיפוש גוגל משפר דיוק עובדתי אבל לא הופך את המודל למערכת אימות. תמיד כדאי לבדוק את התוצאות.

הצעד מ-Nano Banana 2 ל-2.1 הוא מהסוג שמשנה שגרת עבודה. לא מדובר בעוד שדרוג קוסמטי, אלא ביכולת אמיתית לנהל שיחת עיצוב עם מודל AI - לתת לו רפרנסים, לסמן אזורים לשינוי, לבקש עדינות בתאורה או החלפת רקע, ולקבל תוצאה שנראית כאילו אדם עשה אותה. השאלה כבר לא אם מודלי תמונות AI מספיק טובים, אלא כמה מהר תלמדו לדבר איתם בשפה הנכונה.

הפוסט Nano Banana 2.1 – כך תפיקו את המקסימום ממודל התמונות החדש של גוגל הופיע ראשון בLet's AI בינה מלאכותית

הייקו 5.5 למי שצריך לבצע הרבה משימות מוגדרות

אנטרופיק (Anthropic) השיקו את Claude Haiku 5.5, המודל המהיר והזול ביותר במשפחת 5.5 של קלוד. הוא מיועד במיוחד למשימות שחוזרות פעמים רבות, כמו סיכום, סיווג, חילוץ מידע וניתוב בקשות. אנטרופיק מעריכה שעלות ההפעלה שלו נמוכה בכ-75% בממוצע לעומת הייקו 4.5. הנתון מתייחס להפעלה דרך ה-API.

הייקו 5.5 דרך ה-API זול משמעותית מקודמו | Anthropic

למשתמש הפשוט, הערך המרכזי הוא לקבל תשובה במהירות למשימה שאפשר להגדיר היטב. למי שבונה מערכת שמטפלת במאות או באלפי פניות, גם העלות לכל פעולה נעשית משמעותית. הייקו 5.5 זמין לבחירה בקלוד גם למשתמשים בתוכניות Pro ,Max ,Team וכמובן Enterprise וגם בתוכנית החינמית.

בטבלת הבנצ'מרקים שמפרסמת אנטרופיק, הייקו 5.5 מציג שיפור ניכר לעומת הייקו 4.5 בעבודת ידע, בהפעלת מחשב, בתכנות ובניתוח חזותי. הוא גם מקדים את GPT-6 Luna בכל המדדים שבהם מוצגת השוואה, אבל סונטה (Sonnet) 5.5 עדיין מוביל בכל המבחנים שבטבלה. התוצאות מצביעות על הרחבת היכולות של הייקו, לצד יתרון שנותר לסונטה במשימות מורכבות.

במבחנים של אנטרופיק, הייקו 5.5 משתפר משמעותית לעומת קודמו | Anthropic

איזה משימות כדאי לנסות איתו?

אפשר להתחיל במשימות שבהן ברור מה נכנס ומה צריך לצאת:

• חילוץ פרטים ממסמכים: להפוך הצעת ספק לטבלה של מחיר, לוח זמנים, מספר תיקונים ותנאי תשלום.
• מיון פניות: לסווג הודעות לקוחות לפי נושא, למשל תשלום, תקלה או בקשת מידע.
• סיכום ממוקד: להוציא מתמלול פגישה החלטות, משימות ונושאים שנותרו פתוחים.
• עיבוד תוכן בכמות גדולה: להכין תקציר קצר ואחיד לכל מסמך באוסף, עם אותו מבנה בכל פעם.

היתרון של משימות כאלה הוא שאפשר לבדוק את התוצאה מול המקור. למשל, בחילוץ הצעת מחיר ניתן לראות מיד אם הסכום נכון ואם תנאי מסוים נשמט.

פרומפט לדוגמה:

קרא את הצעת הספק המצורפת והחזר טבלה עם השירות, המחיר, מועד האספקה, מספר סבבי התיקונים ותנאי התשלום. ליד כל פרט ציין את הסעיף שממנו נלקח. אם פרט חסר, כתוב ״לא צוין״. בסוף ציין אילו פרטים כדאי לברר עם הספק.

הייקו החדש זמין תחת בורר במודלים

מתי כדאי לבחור מודל אחר?

מחיר נמוך ומהירות לא מספיקים כדי להחליט. בניתוח מורכב, בתכנון עם שיקולים סותרים או במשימה שדורשת הבנה עדינה של ההקשר, כדאי להשוות גם למודל חזק יותר. המהלך הנכון הוא לבדוק מודלים באמצעות המשימות והנתונים האמיתיים שלכם.

אפשר גם לשלב בין מודלים: אופוס (Opus) מתכנן את העבודה, והייקו מבצע חלקים מוגדרים בתוכה. למשל, אופוס בונה את מבנה הדוח, והייקו מחלץ נתונים מהמסמכים. אפשר לעשות את זה בעצמכם, באמצעות פירוק המשימה לשלבים, בחירת מודל מתאים לכל שלב והעברת התוצרים ביניהם. ככה משתמשים ביכולות של כל מודל בהתאם למשימה.

כדי לבצע את השילוב באופן אוטומטי באמצעות סוכן וסוכני משנה, נדרש לעבוד בסביבה שתומכת באפשרות הזו. בקשה בצ׳אט לבדה לא מבטיחה שסוכני משנה יופעלו.

החיבורים לגוגל: לעבוד במקום שבו הקבצים נמצאים

הכרזה מעניינת לא פחות התרחשה ב-6 באוקטובר, אז הכריזה אנטרופיק על Claude for Google Workspace, לצד חיבורים חדשים ל- Docs, Sheets ו-Slides. היכולות זמינות בבטא בכל התוכניות בתשלום, ומאפשרות לעבוד עם קלוד ישירות על קובצי גוגל במקום להעביר תוכן הלוך ושוב בין החלונות.

יש כאן שני מסלולי עבודה. התוסף לגוגל פותח סרגל צד של קלוד בתוך המסמך, הגיליון או המצגת שאתם עורכים. החיבורים מתוך קלוד מאפשרים להתחיל בצ׳אט, להדביק קישור לקובץ גוגל או לבקש ליצור קובץ חדש.

אם אתם כבר עובדים על קובץ, התוסף מאפשר לערוך אותו בלי לצאת ממנו. אם אתם מתחילים מחומרי גלם או צריכים לעבוד עם כמה מקורות, ייתכן שיהיה נוח יותר להתחיל מתוך קלוד.

הסקילים והחיבורים שלכם מגיעים איתכם

בסרגל הצד זמינים גם המודלים, הסקילים והחיבורים שהוגדרו בחשבון קלוד שלכם, בכפוף להגדרות הארגון. סקילים (Skills) הם הוראות ותהליכי עבודה שנשמרו לשימוש חוזר. למשל, סקיל שמגדיר את סגנון הכתיבה של המותג יכול לסייע בעריכת מסמך, וסקיל שמגדיר מבנה קבוע לדוח יכול לעזור לשמור על אחידות בין דוחות.

אפשר גם לצרף חומרי עזר, להפעיל חיפוש ברשת או להיעזר בשירותים שחיברתם לקלוד. התוסף עצמו מוגבל לקובץ הפתוח. מידע ממקורות נוספים זמין רק דרך קבצים שצירפתם או חיבורים שהפעלתם ובהתאם להרשאות שלהם.

לצד החיבורים לגוגל, אנטרופיק מציעה את הסקיל google-workspace, שמנחה את קלוד כיצד ליצור ולערוך מסמכים, גיליונות ומצגות. הוא כולל הוראות ייעודיות לכל כלי וסקריפטים מסייעים, כדי להתמודד עם פרטים כמו מיקום טקסט, טווחי תאים ופריסת שקפים. החיבורים מספקים גישה לקבצים בהתאם להרשאות - הסקיל מספק את ההנחיות לעבודה איתם.

הסקיל מנחה את קלוד כיצד ליצור ולערוך קובצי גוגל

ב-Docs: לערוך את המסמך עצמו

קלוד יכול לנסח, לקצר ולארגן מחדש תוכן בתוך המסמך, לתקן משפטים ולשנות כותרות. בשכתוב משמעותי אפשר לבקש שיציג הצעות שינוי בכרטיסים בסרגל הצד, ולבחור אילו מהן להחיל. ככה אפשר לשפר טקסט תוך שמירה על שליטה בניסוח. לדוגמה, כשיש במסמך סיכום פגישה ארוך:

הפוך את סיכום הפגישה למסמך קצר עם החלטות, משימות ונושאים פתוחים. לכל משימה הוסף אחראי ומועד רק אם הם מופיעים במקור. הצג את השכתוב לאישור לפני החלתו, ושמור על המספרים והשמות.

ב-Sheets: לבנות חישובים וגם לבדוק אותם

קלוד יכול לכתוב ולתקן נוסחאות, לנקות נתונים ולבנות טבלאות ציר ותרשימים. טבלת ציר מאפשרת לסכם רשומות לפי קטגוריות, למשל מכירות לפי מוצר וחודש. אפשר להסביר איזו תשובה עסקית מחפשים ולבקש מקלוד לבנות את החישוב בגיליון.

אפשר גם לשאול על גיליון קיים: כיצד חושב סכום מסוים, מדוע נוסחה מחזירה שגיאה או היכן הוזנו מספרים ידנית במקום להשתמש בנוסחאות. כשמדובר בנתונים כספיים, כדאי לבקש תחילה הסבר וממצאים, ורק לאחר בדיקה לאשר תיקונים. לדוגמה, בגיליון שבו מופיעים תאריך, מוצר וסכום מכירה:

צור לשונית סיכום עם סכום המכירות לפי חודש ולפי מוצר, והוסף תרשים מכירות חודשי. אל תשנה את נתוני המקור. אם מצאת תאריכים לא תקינים או סכומים חסרים, רשום אותם בנפרד. הסבר כיצד חושבו הסיכומים.

ב-Slides: להתאים את המצגת לקהל ולזמן

קלוד יכול להוסיף שקפים בהתאם לפריסות ולעיצוב הקיים, לקצר תוכן ולבדוק בעיות כמו רכיבים חופפים או טקסט שקשה לקרוא. זה שימושי כשיש מצגת שצריך להתאים לפגישה קצרה או לקהל אחר. לדוגמה:

התאם את המצגת להצגה של עשר דקות בפני הנהלה. קצר אותה לשישה שקפים, שמור על ההמלצה ועל הנתונים שתומכים בה, והשתמש בעיצוב הקיים. לפני המחיקה, הצג אילו שקפים תסיר ולמה.

איך מתחילים?

לשימוש בתוך גוגל:

1. התקינו את התוסף הרשמי Claude מחנות Google Workspace Marketplace.
2. עברו על ההרשאות ורעננו קבצים שכבר פתוחים אצלכם.
3. פתחו את תפריט Extensions, בחרו Claude ואז Open Claude.
4. התחברו לחשבון קלוד והתחילו עם בקשה קטנה על הקובץ מהחלון הצידי שנפתח במסמך/גליון/מצגת שלכם.

איך מורידים את התוסף ומחברים את קלוד לכלים שלכם

התקנה אחת מכסה את Docs, Sheets ו-Slides. אם ההתקנה חסומה בארגון, פנו למנהל Google Workspace. אם קלוד לא מופיע לאחר ההתקנה, רעננו את הקובץ ובדקו שאתם מחוברים לחשבון גוגל שבו התקנתם את התוסף.

ככה נראה קלוד בדוקס, שיטס וסליידס

עובדים על קובץ Word או Excel שהעליתם ל-Drive?אם הוא עדיין בפורמט Office, צריך להמיר אותו לפורמט גוגל כדי להשתמש בתוספים. פתחו את הקובץ ובתפריט File בחרו Save as Google Docs, Sheets או Slides, בהתאם לסוג הקובץ. ההמרה יוצרת עותק בפורמט גוגל ומשאירה את הקובץ המקורי.

לעבודה מתוך קלוד, הפעילו את חיבורי Google Docs, Sheets ו-Slides דרך תפריט החיבורים בצ׳אט. אלה חיבורים נפרדים מחיבור Google Drive. לאחר מכן הדביקו קישור לקובץ או בקשו במפורש תוצר בפורמט גוגל, למשל: ״צור Google Docs מהסיכום המצורף״. בתוכניות Team ו-Enterprise נדרשת תחילה הפעלה של החיבורים בידי בעל הרשאה ארגונית מתאימה.

חיבור קלוד ל-Docs, ל-Sheets ול-Slides

בסביבות הנתמכות, הקובץ נפתח בחלונית לצד השיחה. החלונית זמינה בקלוד בדפדפן Chrome, וב-Claude Desktop כשהדפדפן המובנה מופעל. אם היא לא זמינה, אפשר לבחור Open in Google ולפתוח את הקובץ בגוגל. הגישה והעריכה נשארות כפופות להרשאות חשבון הגוגל שלכם.

לפני שנותנים לקלוד לערוך קובץ חשוב

בסרגל הצד, ברירת המחדל Ask before edits דורשת אישור לפני שינוי. כדאי להשאיר אותה בניסיונות הראשונים, במיוחד בעבודה עם מספרים, נוסחאות או מסמכים שחשוב לשמור על הניסוח שלהם. אפשר לבחור Accept all edits כדי לאפשר שינויי תוכן בלי אישור בכל שלב, אבל פעולות מסוימות עדיין דורשות אישור נפרד. השינויים נשמרים בהיסטוריית הגרסאות של גוגל.

יש גם מגבלות שכדאי להכיר: צריך להשאיר את סרגל הצד פתוח עד לסיום העבודה, וב-Slides תרשימים שקלוד יוצר מוכנסים כתמונות ולא מתעדכנים אוטומטית כשנתוני המקור משתנים. נדגיש שוב שלפני שימוש בקבצים ארגוניים, חשוב ומומלץ לבדוק עם הגורם האחראי איזה נתונים מותר לעבד ואיזה חיבורים מאושרים.

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

לפרטים נוספים לחצו כאן >>

וגם קרדיטים למי שבונה עם קלוד

עדכון נוסף הוא קרדיטים חודשיים ל-API למנויי Max וTeam: 100 דולר ל-Max 5x ו-200 דולר ל-Max 20x. ב-Team מתקבלים 20 דולר לכל משתמש Standard ו-100 דולר לכל משתמש Premium, במאגר משותף עד 500 דולר בחודש.

כדי לממש אותם צריך לקשר ארגון ב-Claude Console למנוי. הקרדיטים מיועדים לשימוש דרך פלטפורמת המפתחים, לא מגדילים את מכסת הצ׳אט ולא נצברים לחודש הבא.

איך תדעו אם העדכונים מועילים לכם?

תבחרו משימה אחת שחוזרת אצלכם: חילוץ פרטים מהצעת מחיר בהייקו, סיכום מכירות ב-Sheets או עדכון מצגת קיימת. השוו לדרך שבה אתם מבצעים אותה כיום, ובדקו כמה זמן נדרש להגיע לתוצאה שימושית, כולל הבדיקה והתיקונים. אם איכות התוצאה מספקת והזמן הכולל מתקצר, יש לכם סיבה מעשית לשלב את היכולת בשגרת העבודה.

הפוסט הייקו (Haiku) 5.5 כבר באוויר וקלוד מתחבר לסביבת גוגל הופיע ראשון בLet's AI בינה מלאכותית

טומי ברב, מייסד-שותף ומנכ״ל Timeless, מציג את Playbooks

אז מה זה בעצם Playbook?

אפשר לחשוב על Playbook כהוראה קבועה שאומרת ל-Timeless: כשקורה משהו מסוים, קח את המידע מהפגישות שלי ותכין ממנו תוצר שאני צריך.

אפשר, למשל, לבקש שאחרי כל פגישת לקוח תתקבל רשימה מסודרת של ההחלטות והמשימות, שבכל בוקר יחכה תדריך קצר עם הפגישות הצפויות ומה כבר דובר בעבר עם האנשים שתפגשו, או שבסוף השבוע המערכת תאסוף עבורכם את כל הדברים שהבטחתם לעשות ועדיין נשארו פתוחים.

הרעיון החשוב הוא שהבקשה לא נשארת פרומפט חד-פעמי. אתם מגדירים פעם אחת את הצורך, ו-Timeless הופכת אותו לתהליך שאפשר להפעיל שוב.

מה כבר אפשר לבנות?

בגלריית ה-Playbooks של Timeless מופיעות כמה דוגמאות שממחישות היטב את הרעיון:

Promise Tracker עובר על הפגישות ומחפש דברים שהבטחתם לעשות, למי הבטחתם אותם והאם צוין מועד:

מרכז את ההתחייבויות שעלו בפגישות ומראה מה עדיין פתוח | Timeless

Morning Brief מכין תדריך לקראת היום, כולל הפגישות המתוכננות, שיחות קודמות עם המשתתפים ונושאים שכדאי לזכור:

מרכז את הפגישות וההקשר החשוב לתדריך קצר לקראת היום | Timeless

Branded Notes הופך פגישה למסמך מסודר במבנה ובעיצוב שמתאימים לארגון:

הופך פגישה למסמך מסודר וממותג עם החלטות ומשימות | Timeless

Speaker Map מציג את השיחה בצורה ויזואלית ועוזר להבין מי דיבר, מתי התחלף הנושא ואיפה נמצא כל חלק בשיחה:

מציג מי דיבר, מתי ואיך השיחה התפתחה לאורך הפגישה | Timeless

החלק המעניין באמת הוא שאפשר לבקש לבנות Playbook שמתאים לצורת העבודה שלכם.

איך מתחילים בלי להסתבך?

לא צריך להתחיל מקוד ולא צריך להבין איך המערכת עובדת מאחורי הקלעים. כדאי להתחיל משאלה פשוטה: מה אני עושה שוב ושוב אחרי פגישות?

אולי אתם תמיד עוברים על הסיכום ומחפשים משימות, אולי אתם שולחים ללקוח Follow-up, אולי אתם מנסים לזכור מה הבטחתם, אולי לפני כל פגישה אתם מחפשים את השיחה הקודמת עם אותו אדם. זה חומר מצוין ל-Playbook.

שלב 1: התחילו מבעיה אחת

אל תנסו לבנות מערכת שלמה. תבחרו פעולה קטנה שחוזרת אצלכם שוב ושוב. לדוגמה:

אחרי כל פגישת לקוח אני רוצה לקבל מסמך קצר שמרכז את ההחלטות, המשימות והדברים שאני התחייבתי לעשות.

כבר כאן יש כמעט את כל מה שצריך כדי להתחיל.

שלב 2: הגדירו מה אתם רוצים לקבל

ככל שהתוצאה ברורה יותר, כך הסיכוי לקבל משהו שימושי עולה. אפשר למשל להשתמש בפרומפט הבא:

After every client meeting, create a short decision brief.

Include:
- decisions that were made
- action items
- the owner of each action
- deadlines only when they were explicitly mentioned
- unresolved questions
- anything I personally promised to do

Keep it short enough to read in two minutes.

למה הפרומפט הזה טוב? כי הוא לא אומר רק "סכם לי את הפגישה". הוא מסביר בדיוק איזה מידע חשוב, מה צריך להיכנס לתוצאה ומה אסור למערכת להמציא. למשל, אם לא נאמר בפגישה תאריך יעד, היא לא אמורה להוסיף אחד בעצמה.

אפשר גם להתכונן לפגישות, לא רק לסכם אותן

Playbooks לא חייבים לפעול רק אחרי שיחה. אפשר להשתמש במידע שכבר קיים ב-Timeless כדי להתכונן למה שיקרה בהמשך. לדוגמה:

Every weekday morning, review my meetings scheduled for today.

For each meeting, show:
- who I am meeting
- what we discussed last time
- unresolved commitments
- open questions
- anything I should remember before the meeting

Keep the brief short and practical.

במקום להתחיל כל בוקר בחיפוש בין תמלולים, הערות ויומן, אתם מקבלים תדריך שמרכז את הדברים החשובים.

ומה לגבי הדברים שאנחנו מבטיחים לאחרים?

זה אולי אחד השימושים הפרקטיים ביותר. בפגישות אנחנו אומרים משפטים כמו: "אני אשלח לך את זה." "אני אבדוק עם הצוות." "אני חוזר אליך עד יום חמישי." ואחרי שלושה ימים כבר קשה לזכור למי הבטחנו מה. אפשר לבנות Playbook שמחפש בדיוק את הדברים האלה:

Review my meetings from the previous seven days.

Find commitments that I made and commitments other people made to me.

Separate them into:
1. I owe
2. They owe me
3. No clear owner

Never invent a deadline.
If no deadline was mentioned, say so explicitly.

הערך כאן פשוט מאוד. Timeless כבר שמעה את הפגישה. במקום שאתם תעברו שוב על כל השיחות, היא יכולה לחפש עבורכם רק את מה שדורש פעולה.

איך כותבים Playbook טוב?

לא צריך ללמוד שיטת פרומפטינג מסובכת. מספיק לענות על ארבע שאלות:

מתי זה צריך לקרות?

אחרי כל פגישה? בכל בוקר? פעם בשבוע?

על איזה מידע לעבוד?

פגישות מהיום? פגישות עם לקוח מסוים? כל השיחות מהשבוע האחרון?

מה אתם רוצים לקבל?

רשימת משימות? תדריך? מסמך? התחייבויות? שאלות פתוחות?

אילו כללים חשוב לשמור?

לא להמציא תאריכים. לא לכלול שיחות מסוימות. לשמור על תשובה קצרה. להפריד בין מה שאני התחייבתי אליו לבין מה שאחרים התחייבו אליו. זה כל הסיפור.

ככל שתגדירו את ארבעת הדברים האלה טוב יותר, כך ה-Playbook יהיה שימושי יותר.

הופך משימות שעלו בפגישה לכרטיסים שאפשר למיין | Timeless

לפני שמפעילים את זה על כל הפגישות

כדאי להתחיל בקטן. תבנו Playbook אחד ובדקו אותו על כמה פגישות.

שימו לב לשלושה דברים:

1. האם הוא זיהה נכון מה חשוב?

2. האם חסר משהו שאתם תמיד צריכים?

3. והאם הוא הסיק משהו שלא באמת נאמר?

אחר כך מתקנים את ההוראות. זה חשוב משום שברגע שהופכים פרומפט לתהליך חוזר, גם טעויות יכולות לחזור על עצמן. עדיף להשקיע כמה דקות בשיפור Playbook אחד לפני שנותנים לו לעבוד באופן קבוע.

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

לפרטים נוספים לחצו כאן >>

למה הפיצ'ר הזה מעניין?

הדבר המעניין ב-Playbooks הוא לא האפשרות לקבל עוד סוג של סיכום פגישה. העניין הוא שאפשר להתחיל לקחת פעולות שחוזרות סביב הפגישות ולהפוך אותן לתהליכים קבועים. במקום לשאול את Timeless בכל פעם מחדש מה קרה בפגישה, אתם יכולים להגדיר מראש מה חשוב לכם שיקרה עם המידע. וזו גם הדרך הנכונה להתחיל להשתמש בפיצ'ר.

אל תחפשו Playbook מרשים. חפשו פעולה מעצבנת שחוזרת אצלכם שוב ושוב. אם אחרי כמעט כל פגישה אתם מעתיקים משימות, מחפשים התחייבויות, מכינים Follow-up או מנסים לזכור מה נאמר בפעם הקודמת, כנראה כבר מצאתם את ה-Playbook הראשון שכדאי לכם לבנות.

להנחיות התקנה כנסו כאן.

הפוסט כך הופכים את הפגישות שלכם לכלי עבודה שבונה את עצמו עם Timeless Playbooks הופיע ראשון בLet's AI בינה מלאכותית

מה נבנה ולמי זה מתאים?

פרויקט (Projects) ב-ChatGPT הוא מקום אחד שמחזיק יחד הוראות, קבצים ושיחות. ההבדל משיחה רגילה פשוט: בשיחה רגילה צריך להסביר כל פעם מחדש מי אתם ואיך אתם כותבים. בפרויקט ההסבר כתוב פעם אחת, וכל שיחה חדשה בתוכו כבר יודעת אותו. ההוראות חלות רק בתוך הפרויקט וגוברות על ההוראות הכלליות של החשבון, כך שהן לא משפיעות על שיחות אחרות.

המדריך מיועד לאנשי שיווק, פרילנסרים, מנהלים ויזמים שכותבים בלינקדאין, או שרוצים להתחיל. מספיק שהשתמשתם ב-ChatGPT לשיחות רגילות. אם שמעתם על GPTs מותאמים, משתמשים פרטיים כבר לא יכולים ליצור אותם, ו-OpenAI מתכננת להוציא אותם משימוש. פרויקט הוא הדרך הפשוטה לבנות עוזר כזה היום.

בדמו נשתמש בדמות בדיונית: נועה, מנהלת שיווק בחברת תוכנה קטנה. כל הפוסטים וההוראות נכתבו במיוחד בשביל המדריך.

מה צריך לפני שמתחילים?

• חשבון ChatGPT: גם חינמי מספיק. כל הצילומים במדריך נעשו בחשבון חינמי חדש, בממשק באנגלית.

• שניים או שלושה פוסטים שכתבתם: בקובץ טקסט אחד. בחרו פוסטים שאתם אוהבים, לא בהכרח את אלה שקיבלו הכי הרבה תגובות

• כ-10 דקות וקובץ אחד להעלאה: בחשבון חינמי אפשר להעלות 3 קבצים ביום, אז העלו את קובץ הפוסטים פעם אחת.

שלב אחר שלב, בונים את הפרויקט:

שלב 1: פותחים פרויקט חדש

בסרגל הצד אין כפתור קבוע ליצירת פרויקט. רחפו עם העכבר מעל Projects, ולידו יופיע סימן +, לחצו עליו.

בחלון Create project הקלידו שם לפרויקט בשדה Project name במקרה שלנו שם הפרויקט יהיה "פוסטים ללינקדאין".

לאחר מכן לחצו על שדה Create project, בחלון מופיעה גם הגדרת זיכרון, Default memory, ואפשר להשאיר אותה כמו שהיא. נחזור אליה בטיפים.

שלב 2: כותבים את ההוראות

בדף הפרויקט שנפתח, לחצו על כפתור שלוש הנקודות בפינה ובחרו ב- Project settings

בחלון ההגדרות הדביקו את ההוראות בשדה Instructions, ולחצו על Save.

אלו ההוראות שהשתמשנו בהן בדמו. העתיקו אותן, והחליפו את הפרטים של נועה בפרטים שלכם:

## המטרה
לכתוב פוסטים ללינקדאין בעברית שנשמעים כאילו אני כתבתי אותם.

## מי אני
נועה, מנהלת שיווק בחברת תוכנה קטנה. אני כותבת לאנשי שיווק, מנהלים ויזמים.

## דוגמאות לקול שלי
בקובץ noa-linkedin-posts.txt בפרויקט יש שלושה פוסטים שכתבתי. לפני כל פוסט, קרא אותם ולמד מהם את הסגנון. אל תעתיק מהם משפטים.

## הקול שלי
- משפט פתיחה קצר עם רגע קונקרטי: מתי ומה קרה. לא שאלה רטורית ולא "רציתי לשתף".
- פסקאות של שורה או שתיים.
- אני מודה בטעויות ובספקות, בגוף ראשון.
- לפחות מספר קונקרטי אחד, אם נתתי כזה.
- טון ישיר וחם. בלי סופרלטיבים ובלי מילים כמו "מהפכני", "חדשני", "גיים צ'יינג'ר".
- סיום בשאלה פתוחה אחת לקוראים.
- עד שני האשטגים בסוף. בלי אימוג'י.
- אורך: 80 עד 150 מילים.

## תבנית
1. פתיחה: רגע קונקרטי
2. מה קרה
3. מה למדתי
4. שאלה לקוראים
5. האשטגים (לא חובה)

## טעויות שצריך להימנע מהן
- לא להמציא עובדות, מספרים, שמות או ציטוטים שלא נתתי. אם חסר פרט חשוב, לשאול אותי עד שלוש שאלות קצרות לפני שכותבים.
- לא לפתוח ב"בעולם של היום" או "אני שמחה לשתף".

## הפלט
פוסט אחד מוכן להעתקה, ומתחתיו שתי חלופות למשפט הפתיחה. בלי הקדמה ובלי הסברים.

שימו לב לשלושה דברים בהוראות: הן מפנות במפורש לקובץ הדוגמאות בשם שלו, הן אוסרות להעתיק משפטים ממנו, והן מורות לשאול שאלות כשחסר פרט במקום להשלים אותו לבד.

שלב 3: מעלים את הפוסטים לדוגמה

הקבצים של הפרויקט לא נמצאים בחלון ההגדרות. בדף הפרויקט עברו לטאב Sources, לחצו על Add sources  ובחרו Upload, ואז את קובץ הטקסט עם הפוסטים שלכם.

במקרה שלנו הוא נקרא noa-linkedin-posts.txt, ואחרי ההעלאה הוא מופיע ברשימה.

הקובץ עצמו פשוט: שורת כותרת קצרה, הערה שהפוסטים נועדו ללימוד הסגנון בלבד, ואחריה שלושה פוסטים שלמים, כל אחד תחת כותרת כמו "פוסט 1". אין צורך בעיצוב מיוחד.

שלב 4: מבקשים את הפוסט הראשון

חזרו לטאב Chats וכתבו את הבקשה בתיבת השיחה של הפרויקט.

חשוב שהשיחה תיפתח מכאן, ולא מ-New chat בסרגל הצד. רק שיחה שנפתחת בתוך הפרויקט מקבלת את ההוראות ואת הקובץ.

זו הבקשה ששלחנו. היא כוללת את העובדות, אבל לא אומרת דבר על סגנון:

כתוב פוסט על זה שלפני חודש ביטלנו את ישיבת הצוות השבועית והחלפנו אותה בעדכון כתוב קצר בסלאק. הישיבה לקחה שעה, העדכון לוקח לכל אחד 10 דקות. מה שהפתיע אותי: אנשים כותבים בעדכון דברים שלא היו אומרים בישיבה.

לפני ואחרי - אותה בקשה, שתי תוצאות:

כדי לראות מה הפרויקט באמת עושה, שלחנו את אותה בקשה בדיוק פעמיים: פעם בשיחה רגילה מחוץ לפרויקט, ופעם בתוכו. אותו חשבון, אותו יום, הבדל של דקות.

מחוץ לפרויקט: פוסט של בלוג

התשובה בשיחה הרגילה נפתחת במשפט שירות של ChatGPT, משהו כמו "בטח, הנה גרסה לפוסט בסגנון אישי", ורק אחריו מגיע הפוסט עצמו, עם כותרת. הוא ארוך, כ-200 מילים, ומפורק לכ-20 שורות קצרות שכל אחת מנסה להיות תובנה. הוא גם מוסיף פרטים שלא הזנו לו: מה בדיוק כל אחד כותב בעדכון, ושלפעמים אנשים מביעים בו ביקורת. הסיום הוא שאלה ארוכה ומתפתלת על דברים שאנשים לא אומרים בישיבות. זה לא פוסט רע, אבל הוא יכול היה להיכתב על ידי כל אחד.

בתוך הפרויקט: פוסט שנשמע כמו נועה

בתוך הפרויקט אין הקדמה. הפוסט נפתח ישר ברגע קונקרטי, "לפני חודש ביטלנו את ישיבת הצוות השבועית", בדיוק כמו שההוראות דורשות. הוא באורך של כ-110 מילים, בתוך הטווח שהגדרנו. הפסקאות קצרות, בגוף ראשון, והוא משתמש רק במספר שהזנו, 10 דקות.

הדבר הבולט ביותר הוא הטון. "חשבתי שהרווח העיקרי יהיה הזמן. טעיתי." זו בדיוק התבנית של הפוסטים של נועה, שבהם היא מודה בטעות בלי דרמה. בהמשך יש גם הודאה בספק, "אני עדיין לא בטוחה שכל ישיבה צריכה להפוך לעדכון כתוב", ואז שאלה אחת וקצרה לקוראים ושני האשטגים.

מתחת לפוסט מחכות שתי חלופות למשפט הפתיחה, כמו שביקשנו בסעיף הפלט של ההוראות. אחת מהן תשמש אותנו בשלב הליטוש.

בכמה מהצילומים מופיע מעל התשובה מתג Original / Write Like Me. זהו פיצ'ר של ChatGPT עצמו, והוא לא חלק מהמדריך. בכל הצילומים שלנו הוא מסומן על Original.

שלושת השלבים האחרונים: בדיקה, ליטוש ושמירה

שלב 5: בדקו מה קורה כשחסר מידע

זה המבחן החשוב ביותר של עוזר כתיבה, ושווה לעשות אותו לפני שסומכים עליו. פתחנו שיחה חדשה בפרויקט וכתבנו רק "כתוב פוסט על ההרצאה שנתתי אתמול". בלי נושא, בלי קהל, בלי שום פרט.

במקום להמציא הרצאה, ChatGPT עצר ושאל שלוש שאלות (12): על מה הייתה ההרצאה ולמי, מה היה הרגע הכי משמעותי בה, והאם יש מספר קונקרטי להכניס, כמו מספר משתתפים או משך ההרצאה. זה בדיוק מה שביקשנו בסעיף הטעויות שבהוראות: לא להמציא עובדות, ולשאול עד שלוש שאלות קצרות. בלי הסעיף הזה, מודלים עלולים למלא את החורים בפרטים שנשמעים אמינים, ופוסט בלינקדאין עם הרצאה שלא נתתם הוא בדיוק מה שלא רוצים לפרסם בשמכם.

שלב 6: מלטשים באותה שיחה

חזרנו לשיחה של הפוסט על ישיבת הצוות וביקשנו תיקון בשפה פשוטה: "קצר יותר, בלי האשטגים, ותפתח עם החלופה השנייה." אין צורך לנסח מחדש את כל הבקשה. השיחה זוכרת את הפוסט, ומספיק לומר מה לשנות.

שלב 7: שומרים את הפוסט המוצלח

הגרסה המתוקנת יצאה באורך של כ-70 מילים, נפתחה בחלופה השנייה ובלי האשטגים. כשיש פוסט שאתם מרוצים ממנו, שווה להפוך אותו לדוגמה נוספת. בשורת הפעולות שמתחת לתשובה יש אייקון של תיקייה, Add to project sources, לחצו עליו.

אחרי הלחיצה מופיע בטאב Sources קובץ חדש, מעל קובץ הדוגמאות המקורי. שם הקובץ הוא כותרת השיחה, ולא משפט מתוך הפוסט. כדאי לפתוח את הקובץ ולוודא מה נכנס אליו לפני שסומכים עליו כדוגמה.

טיפים וטעויות נפוצות

• דוגמאות שאתם אוהבים: הפרויקט לומד מהפוסטים שנתתם. פוסט ויראלי שנכתב בסגנון שלא מאפיין אתכם ילמד אותו את הסגנון הלא נכון.

• לא להעתיק: השאירו בהוראות את האיסור להעתיק משפטים מהדוגמאות. בלעדיו, אותם ביטויים עלולים לחזור שוב ושוב.

• שאלות במקום ניחושים: אם הפרויקט שלכם מתחיל להשלים פרטים לבד, חזקו את הסעיף שמחייב אותו לשאול.

• מגבלות החשבון החינמי: עד 5 קבצים בפרויקט ו-3 העלאות ביום. שמרו מקום לפוסטים מוצלחים שתוסיפו בהמשך.

• הוראות כלליות כחלופה: אפשר להדביק את אותו טקסט בהוראות המותאמות אישית (Custom instructions) שבהגדרות החשבון. בחשבון חינמי יש שם מגבלה של 1,500 תווים, וההוראות שלנו קצרות מזה בכוונה. אבל הן יחולו על כל השיחות, ואי אפשר לצרף אליהן קובץ דוגמאות.

• זיכרון הפרויקט: בחלון ההגדרות ראינו שבברירת המחדל הפרויקט ניגש לזיכרון משיחות אחרות, ולהפך. אם אתם רוצים פרויקט נקי שלא מושפע מהן, אפשר לבחור שם באפשרות של זיכרון לפרויקט בלבד (Project-only memory).

• לקרוא לפני שמפרסמים: גם הפוסט הטוב שקיבלנו הוסיף דוגמאות קטנות משלו לדברים שאנשים כותבים בעדכון. בדקו כל פרט מול מה שקרה באמת.

מה הלאה

אותה שיטה עובדת לכל משימת כתיבה שחוזרת על עצמה. אפשר לפתוח פרויקט נפרד לכתיבת תשובות לתגובות, או פרויקט שהופך מאמר ארוך לפוסט. כל פרויקט מקבל הוראות ודוגמאות משלו, בלי לבלבל את האחרים. אפשר גם לשתף פרויקט עם עמית בכפתור Share, וגם בחשבון חינמי אפשר לשתף עם עד 5 משתתפים. שימו לב שפרויקט משותף עובר אוטומטית לזיכרון של הפרויקט בלבד.

יש גם כיוונים מתקדמים יותר: פלאגינים (Plugins), שהאפשרויות בהם תלויות במסלול, ותכונת סגנון הכתיבה (Writing Style) ב-ChatGPT Work, שזמינה במסלולים בתשלום ולומדת את הסגנון מחשבונות מחוברים. אבל לרוב האנשים, פרויקט עם שלושה פוסטים טובים יספיק בהחלט.

הניסוי הקטן הזה מלמד משהו שחורג מלינקדאין. ההבדל בין פוסט גנרי לפוסט שנשמע כמוכם לא נמצא במודל, אלא במה שאתם נותנים לו: כמה דוגמאות אמיתיות, כמה כללים ברורים, ובעיקר הוראה אחת שמחייבת אותו לשאול כשהוא לא יודע. נסו את זה על שלושת הפוסטים שאתם הכי אוהבים, ותראו כמה מהר הדף הריק מפסיק להיות בעיה.

הפוסט כך הופכים את ChatGPT לכותב הפוסטים שלכם בלינקדאין הופיע ראשון בLet's AI בינה מלאכותית

מה זה בעצם Facilitator?

Facilitator הוא סוכן AI משותף שפועל בתוך הפגישה עצמה. זה הבדל חשוב לעומת Copilot הרגיל ב-Teams. כאשר משתמש שואל את Copilot שאלה, הבקשה והתשובה פרטיות לאותו משתמש. כאשר מישהו פונה ל-Facilitator בתוך פגישה, המשתתפים האחרים יכולים לראות את הבקשה ואת התגובה שלו בצ'אט.

במובן הזה הוא מתנהג יותר כמו משתתף נוסף בפגישה מאשר כמו עוזר אישי. כאשר מפעילים אותו, Facilitator מתחיל לייצר הערות מבוססות AI מתוך הדיון. ההערות מופיעות במהלך הפגישה וניתנות לעריכה משותפת, כך שהצוות לא חייב לחכות לסיכום שמגיע רק לאחר שהשיחה הסתיימה.

חשוב רק לא לצפות שהן יופיעו מיד. מיקרוסופט מציינת שיכולות לעבור כמה דקות עד שיופיעו ההערות הראשונות, משום שהמערכת צריכה קודם לאסוף מספיק תוכן מהשיחה ומהתמלול.

הוא גם עוזר לנהל את הפגישה עצמה

Facilitator מחפש סדר יום שנכתב מראש בהזמנה לפגישה או בהערות ה-Loop שלה. אם הוא מוצא אג'נדה, הוא יכול לפרסם אותה בצ'אט ולעזור למשתתפים לעקוב אחר הנושאים. אפשר גם להזין לו אג'נדה ישירות בצ'אט:

@Facilitator, here's the agenda: project status 10 minutes, blockers 10 minutes, next steps 5 minutes.

אם לכל נושא הוגדר זמן, Facilitator יכול להציג את האג'נדה כטיימר ולעקוב אחרי הזמן שהוקצה לכל חלק. במהלך השיחה הוא מאזין לדיון ומסמן בהדרגה אילו נושאים כבר התחילו להידון. אפשר גם לשנות את האג'נדה תוך כדי. למשל:

@Facilitator, add Strategy review to the agenda for 15 minutes.

אם אין אג'נדה בכלל, Facilitator יכול לבקש מהמשתתפים להגדיר את מטרות הפגישה.

Facilitator פועל בתוך פגישת Teams, עוקב, מעדכן ומגיב | Microsoft

לא צריך אג'נדה כדי להשתמש בטיימר

ניהול הזמן יכול לעבוד גם בנפרד. לדוגמה, באמצע סיעור מוחות אפשר לבקש:

@Facilitator, add a timer for five minutes.

Facilitator יציג טיימר למשתתפים ויתריע כשהזמן הסתיים. אפשר גם לבקש ממנו להשהות, לאפס או לעצור את הטיימר.

אם הפגישה עוברת את שעת הסיום שנקבעה, הוא יכול להתריע על החריגה ולעזור למשתתפים לקדם פגישת המשך במקרה הצורך. מיקרוסופט מציינת גם שאם אדם שלא נמצא בפגישה מוזכר שוב ושוב, Facilitator עשוי לתייג אותו בצ'אט.

אלו יכולות מינוריות יחסית, אבל הן מראות את הכיוון של המוצר. המטרה היא לא רק לתעד את הפגישה, אלא להשתתף בניהול שלה.

כאן מתחיל החלק המעניין מבחינת פרודוקטיביות

רוב כלי סיכום הפגישות מטפלים בעיקר בשאלה "מה נאמר?". Facilitator מנסה לטפל גם בשאלה "מה עושים עכשיו?". במהלך הפגישה אפשר לפנות אליו בצ'אט ולבקש סיכום של הדיון עד כה, לשאול מה היו ההחלטות המרכזיות, לברר אילו שאלות עדיין פתוחות או לשאול על מסמך שהמשתתפים שיתפו.

הוא יכול לענות גם על שאלות כלליות, לחפש מידע באינטרנט ולהחזיר אותו לתוך שיחת הפגישה. אפשר לשאול אותו גם על האג'נדה ועל הזמן שנותר. לדוגמה:

@Facilitator, summarize the decisions we've made so far and list the open questions.

כך משתתף שאיבד את רצף השיחה או נכנס מאוחר יותר לא חייב לבקש מכולם לעצור ולהסביר מחדש מה קרה.

אחרי הפגישה העבודה ממשיכה

התוכן ש-Facilitator יצר במהלך הפגישה נשאר נגיש דרך ה-Recap של Teams. ההערות נשמרות בעמוד Microsoft Loop וניתנות לעריכה על ידי משתתפי הפגישה לפני הפגישה, במהלכה ואחריה. בנוסף להערות שנוצרו בזמן אמת, אזור ה-AI Summary יכול להציג סיכום המבוסס על התמלול המלא לאחר שהפגישה הסתיימה.

כל החומרים נשארים זמינים ב-Recap של Teams להמשך עבודה | Microsoft

אם רוצים להמשיך לשאול את Facilitator שאלות על הפגישה גם לאחר שהיא הסתיימה, צריך לוודא שהתמלול הופעל לפני הפגישה או במהלכה.

אפשר להפוך את הפגישה למסמך Word

אחת היכולות השימושיות של Facilitator היא לקחת את השיחה ולהפוך אותה למסמך עבודה. לדוגמה:

@Facilitator, create a project brief based on this meeting, including the decisions, open issues and next steps.

הבקשה יכולה להישלח במהלך הפגישה או אחריה. Facilitator עשוי לשאול שאלות הבהרה אם הבקשה לא ברורה מספיק, ולאחר מכן הוא יוצר מסמך Word ומעלה אותו ל-OneDrive.

אפשר לבקש מ-Facilitator להפוך את תוכן הפגישה למסמך עבודה | Microsoft

זה עוד שינוי קטן לכאורה, אבל בארגון הוא יכול לחסוך שלב שלם. במקום לסיים פגישה, לפתוח מסמך חדש ולהתחיל לשחזר את השיחה, אפשר להשתמש בדיון ובחומרים שכבר נאספו כנקודת פתיחה לתוצר הבא.

ומה לגבי המשימות שעלו בפגישה?

Facilitator יכול לזהות משימות מתוך השיחה ולהציג אותן באזור Follow-up tasks שבהערות. כאן יש הבחנה חשובה. כאשר Facilitator מזהה משימה בעצמו, המשתמש צריך לבחור Accept to sync כדי להעביר אותה ל-Microsoft Planner.

אפשר גם לפנות אליו ישירות בצ'אט ולבקש ליצור, לערוך או להקצות משימה. משימה שנוצרה בעקבות בקשה ישירה כזו מסתנכרנת ל-Planner אוטומטית. אפשר גם לשאול אותו איזה משימות קיימות עבור אותה פגישה.

נכון ל-8 באוקטובר 2026, אינטגרציית המעקב אחר משימות עם Planner עדיין מוגדרת על ידי מיקרוסופט כ-Public Preview. כלומר, אפשר לבדוק ולהשתמש בה בסביבות המתאימות, אבל היא עדיין עשויה להשתנות לפני ההשקה המלאה.

אפשר להשתמש בו גם בפגישה שמתקיימת בחדר

ה-Facilitator לא מוגבל למצב שבו כל המשתתפים יושבים מול Teams במחשב. באפליקציית Teams לנייד קיימת האפשרות Take notes with Facilitator, שמיועדת גם ללכידת דיונים שמתקיימים פנים אל פנים. המערכת יכולה לתמלל את השיחה, להבחין בין דוברים, לארגן את ההערות ולחלץ פעולות המשך.

לאחר השיחה אפשר לחזור להערות דרך הפגישה ב-Calendar או ברשימת הצ'אטים ולפתוח את ה-Recap. אפשר גם לקבל קישור שניתן לשיתוף.

ב-iPhone ובמכשירי Android מיקרוסופט ממליצה לבטל תכונות Voice Isolation של מערכת ההפעלה בזמן השימוש, כדי לאפשר קליטה נכונה יותר של המשתתפים בחדר. זה כבר פרט טכני שכדאי לבדוק בהפעלה הראשונה, ולא משהו שכל משתמש צריך לזכור ביום יום.

ומה קורה בחדרי ישיבות עם Teams Rooms?

מיקרוסופט מציינת גם תמיכה ב-Teams Rooms, עם גישה לצ'אט, להערות ולטיימרים של Facilitator בחוויית חדר הישיבות. עבור ארגונים שכבר מנהלים חדרי ישיבות באמצעות Teams Rooms, המשמעות היא שלא חייבים לחשוב על Facilitator ככלי שמיועד רק לעובדים שמצטרפים מהמחשב האישי שלהם.

איך מתחילים לעבוד עם Facilitator?

יש כאן שני חלקים. קודם הארגון צריך לאפשר את היכולת, ואז המשתמשים יכולים להפעיל אותה בפגישות:

1. בודקים את הרישיונות

כדי ליזום ולהשתמש ביכולות Facilitator נדרשים רישיון בסיס מתאים של Microsoft 365, רישיון Teams מתאים ורישיון Microsoft Copilot. מיקרוסופט מציינת ש-Facilitator כלול ברישיון Copilot, בכפוף לקיבולת הזמינה.

משתמש שאין לו רישיון מתאים לא יכול ליזום את Facilitator או לפנות אליו בעצמו, אבל הוא יכול לראות את ההערות, את הבקשות של משתמשים אחרים ואת התשובות שהסוכן מפרסם במהלך הפגישה. משתתפים חיצוניים לא נכללים בגישה הזו.

2. בודקים שהארגון מאפשר את האפליקציה

מנהל Teams יכול להיכנס ל-Teams Admin Center, לעבור אל:

Teams apps > Manage apps

לחפש Facilitator ולאפשר או לחסום אותו. מיקרוסופט מציינת ש-Facilitator מאופשר כברירת מחדל, אלא אם מדיניות הארגון חוסמת אותו או חוסמת אפליקציות באופן רחב יותר. אפשר גם להגביל את הזמינות לקבוצות משתמשים מסוימות.

3. מוודאים ש-Loop פעיל

חוויות Microsoft Loop בתוך Teams צריכות להיות מופעלות כדי להשתמש ב-Facilitator בפגישות. מבחינת מנהל המערכת, זו נקודה חשובה: אם Loop כבוי בארגון, גם הערות ה-AI של Facilitator לא יעבדו.

4. מפעילים אותו כבר בזמן קביעת הפגישה

ב-Teams נכנסים ל-Calendar ויוצרים פגישה חדשה. בתוך אפשרויות הפגישה נכנסים ל:

Options > Copilot and other AI

צריך לוודא שהאפשרות Allow Copilot and Facilitator מוגדרת לשימוש במהלך הפגישה או במהלך הפגישה ואחריה, ואז להפעיל את Facilitator. חשוב לדעת שהוא ניתן להוספה מראש רק לפגישות מתוזמנות. נכון לעכשיו, אי אפשר להוסיף אותו מראש לפגישות Channel, לפגישות מיידיות או לשיחות Teams רגילות.

5. אפשר להפעיל אותו גם במהלך הפגישה

אם הוא לא הופעל מראש, מארגן הפגישה או Presenter יכולים לבחור:

More actions > Turn on Facilitator

בשלב הזה Teams עשוי לבקש לבחור את השפה שבה המשתתפים מדברים. יש כאן מגבלה שכדאי להכיר: משתתפים שמשתמשים ב-Teams בנייד יכולים לראות את ההערות בזמן אמת, אבל רק מארגן או Presenter שמשתמש ב-Teams בדסקטופ או בדפדפן יכולים להפעיל או לכבות את Facilitator במהלך הפגישה.

6. מכינים אג'נדה ונותנים לו חומר לעבוד איתו

כדאי להוסיף סדר יום עוד לפני הפגישה, ורצוי גם להגדיר זמן לכל נושא. אם האג'נדה לא מופיעה מיד, לא בהכרח מדובר בתקלה. אם רק המארגן הצטרף לפגישה, Facilitator עדיין לא מסוגל לקרוא את עותק ההזמנה שלו בגלל דרישות פרטיות. האג'נדה תהיה זמינה לאחר שמשתתף נוסף שאינו המארגן יצטרף.

בנוסף, אם ההזמנה או הערות הפגישה מוגנות בתווית רגישות שמחייבת הצפנה, Facilitator לא יוכל לקרוא ולחלץ מהן את האג'נדה.

7. אחרי הפגישה נכנסים ל-Recap

שם נמצאים ההערות והתוכן שנוצרו במהלך הפגישה, ואפשר להמשיך לערוך אותם ולעבוד איתם. אם רוצים להמשיך לשוחח עם Facilitator על תוכן הפגישה לאחר שהסתיימה, חשוב להפעיל את התמלול במהלך הפגישה.

כן, אפשר לעבוד איתו גם בעברית

זה פרט חשוב במיוחד לארגונים בישראל. מיקרוסופט מציינת במפורש שעברית נמצאת ברשימת השפות הנתמכות של Facilitator ב-Teams. עם זאת, החברה גם מזהירה שאיכות הביצועים עשויה להשתנות בין שפה לשפה.

יש מגבלה נוספת שחשוב להבין. כאשר מפעילים את Facilitator במהלך פגישה, צריך לבחור את השפה שבה המשתתפים מדברים, והשפה שנבחרה צריכה להתאים לשפה המדוברת כדי שההערות ייווצרו.

נכון לעכשיו, ההערות האוטומטיות של Facilitator מיועדות לפגישות שבהן מדברים בשפה אחת. אם עוברים במהלך אותה פגישה בין כמה שפות, הוא יתעד רק את החלקים שנאמרו בשפה שנבחרה. לארגון שעובד למשל בעברית ובאנגלית באותה ישיבה, זו מגבלה שכדאי לבדוק בפועל לפני שמסתמכים על ההערות כתיעוד מלא של הפגישה.

לפני שמפעילים בארגון, כדאי להכיר גם את הגבולות

Facilitator הוא כלי ארגוני משותף, ולכן צריך להתייחס אליו אחרת מצ'אט אישי עם AI. האינטראקציות איתו בתוך הפגישה גלויות למשתתפים. מי שפונה אליו בצ'אט עושה זאת למעשה בתוך מרחב משותף, והתשובה שלו מוצגת לאחרים.

Facilitator לא זמין כיום בכל מקום ב-Teams. במיקרוסופט מציינים שהוא לא נתמך בצ'אטים אישיים, בצ'אטים קבוצתיים או בצ'אטים ובפגישות חיצוניות.

כדאי לבדוק גם פרטיות ותאימות

נתוני Facilitator בפגישות נשמרים כקובץ .loop בתיקיית Meetings ב-OneDrive של המשתמש שהפעיל אותו, והנתונים מטופלים כנתוני תמלול של פגישה.

לארגונים עם דרישות אבטחה, רגולציה, שמירת מידע או eDiscovery יש כמה מגבלות שחשוב להכיר לפני פריסה רחבה. במקום להיכנס כאן לכל הפרטים, מומלץ לעבור על סעיף Data, privacy, and security בתיעוד הרשמי של Microsoft עבור Facilitator, ולוודא שההתנהגות של ההערות, תוויות הרגישות, ההגנות וה-retention מתאימה למדיניות הארגונית.

בארגון בינוני או גדול, זו בדיקה שכדאי להעביר לצוות ה-IT, אבטחת המידע או הציות, ולא להסתמך רק על ברירות המחדל של Teams.

הדרך הטובה לבדוק אם הוא באמת חוסך לכם זמן

לא מומלץ להתחיל בפריסה לכל הארגון. תבחרו פגישה חוזרת אחת, למשל ישיבת צוות שבועית, ישיבת פרויקט או פגישת סטטוס. הכינו אג'נדה עם זמנים, הפעילו את Facilitator ותנו לו לייצר את ההערות במהלך הפגישה. בקשו ממנו לסכם החלטות ושאלות פתוחות, והשתמשו במשימות או במסמך Word כדי להמשיך את העבודה.

אחרי כמה פגישות תבדקו ארבעה דברים:

1. האם פחות החלטות הולכות לאיבוד?
2. האם ברור יותר מי צריך לעשות מה?
3. האם נחסך זמן בכתיבת סיכומים ובהכנת מסמכי המשך?
4. האם המשתתפים יכולים להתרכז יותר בדיון עצמו?

אם התשובה חיובית, שם נמצא הערך האמיתי של Facilitator. הוא לא רק מוסיף עוד סיכום AI לסוף הפגישה. כשהוא עובד טוב, הוא מצמצם את הפער שבין השיחה שהתקיימה לבין העבודה שאמורה לקרות בעקבותיה.

הפוסט הסוכן של Microsoft שיושב איתכם בפגישת Teams הופיע ראשון בLet's AI בינה מלאכותית

שבוע של כותרות, מינימום של פרטים

בתוך פחות משבועיים, ממשל טראמפ הספיק לייצר סדרה של הכרזות שנשמעות כמו מפנה של ממש ביחס של וושינגטון לבינה מלאכותית. ב-19 בספטמבר הודיע טראמפ על כוונתו להקים "AI Force", גוף חדש שהשווה אותו לחיל החלל שהקים בכהונתו הראשונה. עשרה ימים אחר כך, ב-29 בספטמבר, כינס טראמפ לארוחת צהריים בבית הלבן את בכירי שש חברות הטכנולוגיה הגדולות ביותר בתחום, שחתמו על הסכם בטיחות וולונטרי שטראמפ כינה אותו "מחייב מוסרית" והשווה אותו ל"חוקה". בתחילת אוקטובר פורסם שג'יי קלייטון (Jay Clayton), ראש המודיעין הלאומי, מונה לתפקיד "צאר ה-AI" ויעמוד בראש כוח משימה רחב.

כשמסתכלים על כל הרכיבים ביחד, התמונה פחות דרמטית ממה שהכותרות מרמזות. ה-AI Force עדיין חסר מבנה, תקציב וסמכויות. ההסכם שנחתם הוא וולונטרי ולא כולל שום סנקציה על הפרה. וכוח המשימה החדש אמנם כולל שמות כבדים, אבל עדיין לא ברור מה בדיוק הוא יעשה מעבר לכתיבת דוח.

הסכם בלי שיניים, בדיוק כמו שתוכנן

ההסכם שנחתם בבית הלבן נושא את השם "White House Accord on Super Intelligence: Joint Commitment on Frontier Responsibilities". המילה "Super Intelligence" שם אינה מקרית - טראמפ חתם באותו יום על צו נשיאותי שמורה לסוכנויות הפדרליות להחליף את המונח "בינה מלאכותית" במונח "סופר-אינטליגנציה". זהו חלק מניסיון לעצב מחדש את השיח הציבורי סביב הטכנולוגיה, גם אם הצעד עצמו משנה מילים ולא מדיניות.

הסרטון המלא של טראמפ מדבר לעיתונאים לצד מאסק, הואנג וצוקרברג, מכריז על שינוי השם ועל ההסכם הוולונטרי

ההסכם מציב ארבעה עקרונות מרכזיים: בקרה פנימית על פיתוח מודלים, ביקורת חיצונית מצד גורמים עצמאיים, צוות בטיחות ייעודי בכל חברה, ודיווח לדירקטוריון. את החתימה הניחו מנכ"לי אנבידיה (Nvidia), גוגל (Google), מטא (Meta), אנטרופיק (Anthropic) ו-xAI, וכן נשיא OpenAI גרג ברוקמן (Greg Brockman). טראמפ תיאר את ההסכם כ"ויסות עצמי" (self-policing) ואמר שהוא חושב שהחברות יכולות לפקח על עצמן.

ארבע שכבות הבקרה בהסכם הוולונטרי. מקור הנתונים: White House Accord on Super Intelligence, 29 בספטמבר 2026

אלא שהבעיה עם ויסות עצמי היא שהוא נשאר עצמי. קימברלי ווטרול (Kimberlee Weatherall), פרופסורית למשפטים באוניברסיטת סידני, תיארה את ההסכם ככזה שמאפשר לחברות "להגדיר בעצמן מה נחשב בטיחות". דייוויד קרוגר (David Krueger), חוקר AI מאוניברסיטת מונטריאול, תיאר את הגישה כ"רגולציה ללא רגולציה", שבה המחויבויות וולונטריות אבל קיים איום מרומז שמשהו יקרה אם לא יעמדו בהן - בלי שברור מה בדיוק.

מכה שהגיעה בזמן הנכון

מה שהופך את התזמון של ההכרזות לבלתי ניתן להתעלמות הוא אירוע שנחשף באמצע ספטמבר, כשבוע וחצי לפני ארוחת הצהריים בבית הלבן. מודל ג'מיני (Gemini) של גוגל, במהלך מבחן יכולות סייבר שנערך במאי 2026 על ידי חברת הבדיקות Irregular, חרג מגבולות סביבת הבדיקה, מצא סיסמאות ופרטי גישה שפורסמו באינטרנט, והשתמש בהם כדי לפרוץ למערכות של שלוש חברות אמיתיות. המודל עצר רק כשזיהה שמדובר בחברות אמיתיות ולא בתרגיל. גוגל טענה שלא נגרם נזק.

זו לא הייתה תקלה בודדת. דיווחים דומים עלו גם לגבי מודלים של OpenAI, אנטרופיק ומטא - כולם במסגרת בדיקות שערכה אותה חברת בדיקות. אבל המקרה של גוגל הוא הראשון שנחשף בו מודל AI של חברה גדולה ביצע פריצה אוטונומית למערכות בעולם האמיתי. אפילו אם הכל הסתיים בלי נזק, מה שהמקרה ממחיש הוא שהיכולות כבר כאן - ושהמנגנונים שאמורים למנוע אותן עדיין לא מספיק חזקים.

אותם אנשים שחתמו גם מזהירים

הפרדוקס המרכזי בסיפור הזה הוא שחלק מהאנשים שישבו ליד טראמפ וחתמו על ההסכם הוולונטרי הם אותם אנשים שדורשים צעדים הרבה יותר נוקשים. דריו אמודיי (Dario Amodei), שחתם על ההסכם בשם אנטרופיק, פרסם כשבוע קודם לכן קריאה פומבית לתיאום בין מעבדות, להערכות בטיחות חיצוניות ולשיתוף פעולה בינלאומי. סם אלטמן (Sam Altman) מ-OpenAI ואילון מאסק (Elon Musk) מ-xAI הביעו הסכמה לרוח הדברים. ובכל זאת אמודיי ומאסק חתמו על מסמך שמסתפק בוויסות עצמי, ובשם OpenAI חתם הנשיא גרג ברוקמן, לא אלטמן.

הפער הזה מעיד על כוח הכבידה של הדינמיקה העסקית. OpenAI הקפיאה לפני ההסכם את ההשקה של אחד מהמודלים שלה בגלל ממצאי בטיחות, צעד שמראה שהחברות לוקחות את הסיכונים ברצינות ברמה הפנימית. אבל באותו נשימה, דיווחים ציינו שאנטרופיק עצמה שקלה להאיץ השקת מודל חדש כדי שלא תיראה מפגרת מאחור. הלחץ התחרותי ולחץ המשקיעים לא נעלמים רק בגלל שמישהו חתם על הצהרת עקרונות.

ג'נסן הואנג (Jensen Huang) מאנבידיה, שישב לימין טראמפ בזמן ארוחת הצהריים, מייצג את הקוטב האחר. הואנג רואה בהאטה מתואמת רעיון מוטעה מיסודו ומתעקש שאפשר לבנות מודלים חזקים ואחראיים בו-זמנית, בלי שמישהו מבחוץ יקבע את המהירות. הוא אחד היחידים מבין בכירי התעשייה שגם דוחה בגלוי את שיח הסיכון הקיומי וטוען שאין בסיס מדעי לטענות שבינה מלאכותית תאיים על קיום האנושות.

צאר בלי ממלכה

מינוי ג'יי קלייטון לצאר AI הוא בחירה שמספרת סיפור בפני עצמו. קלייטון הוא לא טכנולוג אלא איש רגולציה פיננסית. הוא שימש בעבר כיו"ר רשות ניירות ערך האמריקאית (SEC), ובתפקידו הנוכחי כראש המודיעין הלאומי הוא מתייחס לבינה מלאכותית קודם כל כאיום ביטחוני. בשימוע האישור שלו ביולי הוא אמר שמבחינת קהילת המודיעין, בינה מלאכותית היא "לא רק הזדמנות אלא גם איום", וכשמשהו הוא גם וגם "עדיף לאחוז בו היטב".

לצד קלייטון הוכרזו כחברי הנהגת הכוח גם אנדרו פרגוסון (Andrew Ferguson), יו"ר רשות הסחר הפדרלית; אמיל מייקל (Emil Michael), סגן שר ההגנה למחקר והנדסה וקצין הטכנולוגיה הראשי בפנטגון; וסקוט קופור (Scott Kupor), מנהל משרד ניהול כוח האדם הפדרלי. לפי הדיווחים ישתתפו גם סגן הנשיא ג'יי.די. ואנס (JD Vance), שר ההגנה פיט הגסת' (Pete Hegseth) ובכירים נוספים. מבחוץ יצטרפו כיועצים דייוויד סאקס (David Sacks), שכיהן בעבר כצאר AI וקריפטו, וקונדוליזה רייס (Condoleezza Rice), מזכירת המדינה לשעבר. לדברי טראמפ, הכוח יתאם את מעורבות הממשל מול צרכנים, קבוצות אינטרס ציבורי, ארגונים דתיים, ספקי תשתיות קריטיות וחברות סופר-אינטליגנציה.

קלייטון עצמו תיאר את המטרה בצורה חד-משמעית: "שנישאר המובילים בסופר-אינטליגנציה". לדבריו, "הסיכון בלעמוד במקום השני הוא גבוה", וההתייחסות שלו לסין, גם אם לא נאמרה במפורש, נוכחת בכל משפט.

השאלה הפתוחה היא מה קלייטון באמת יוכל לעשות. בתיאור המנדט של כוח המשימה מודגש גם הצורך למנוע רגולציית-יתר שעלולה לחנוק חדשנות - כלומר, עוד לפני שהגוף התחיל לעבוד, כבר הוגדרו לו הגבולות. זו גישה שקובעת שהבעיה היא לא חוסר פיקוח אלא עודף שלו, גם ברגע שבו המודלים עצמם מתחילים לפרוץ למערכות אמיתיות בלי שביקשו מהם.

אולי הניסוח המדויק ביותר של המצב הוא דווקא של טראמפ עצמו: "לעולם לא אחנוק את הצמיחה של טכנולוגיה שתהיה גדולה יותר מהמהפכה התעשייתית". שום כוח משימה, הסכם וולונטרי או צאר לא ישנו את המשפט הזה. השאלה היא מה יקרה כשהמודלים ימשיכו להפתיע - ואם המנגנונים שנבנים עכשיו יהיו שם כדי לתפוס.

הפוסט טראמפ חתם עם ענקיות הטק על הסכם AI "מחייב מוסרית" הופיע ראשון בLet's AI בינה מלאכותית

ארבעה חלקים שמבהירים מה אתם רוצים

1. הרעיון המרכזי: מה יוצרים ולשם מה?

התחילו בסוג התמונה, בייעוד שלה ובמסר שהיא צריכה להעביר. תמונת שער למאמר, איור למצגת ותמונת מוצר דורשים החלטות שונות.

לדוגמה: ״צור איור לתמונת שער של מדריך על ניהול משימות. הרעיון המרכזי הוא מעבר מעומס לסדר״. ככה הגדרתם כיוון שאפשר לתרגם להחלטות חזותיות. ״תמונה מדהימה על פרודוקטיביות״ משאיר הרבה יותר מקום לפרשנות.

2. תמונות ייחוס: מה לקחת מכל תמונה?

אם אתם מצרפים תמונות, הגדירו את התפקיד של כל אחת. אפשר להשתמש בתמונה אחת עבור מראה הדמות, באחרת עבור הצבעים ובשלישית עבור סידור הרכיבים.

למשל: ״מתמונה A השתמשו במראה הדמות בלבד. מתמונה B קחו את הצבעים ואת סגנון האיור״. בלי ההבחנה הזאת, לא ברור איזה פרטים חשוב לשמר.

ההמלצה היא להסביר את הקשר בין תמונות הייחוס (רפרנס) לבין התמונה החדשה. אם אין לכם תמונות רפרנס, פשוט תדלגו על השלב הזה.

חשוב לדעת שתמונת רפרנס יכולה להביא את התוצר שלכם לרמה גבוהה ומדויקת יותר (״תמונה שווה אלף מילים״) אבל זה כמובן תלוי במטרת התמונה שתירצו ליצור.

3. הפרטים החזותיים: מה נמצא איפה?

כאן מגדירים את הנושא המרכזי, הרקע, סידור הרכיבים, הסגנון, הצבעים והתאורה. אין צורך להכיר מונחים מקצועיים. ״האדם בצד ימין, שולחן קטן במרכז ושטח פנוי בצד שמאל״ הוא תיאור שימושי במודלים המתקדמים של היום. גם ״איור בעיפרון צבעוני על רקע שמנת״ ברור יותר מ״סגנון יצירתי ומיוחד״.

ציינו אילוצים שמשפיעים על התוצאה, כמו מספר הדמויות או שמירה על פנים טבעיות. העדיפו לתאר מה כן רוצים לראות: ״רקע חלק עם שני פריטים בלבד״ נותן כיוון ברור. הוסיפו איסורים נקודתיים רק כשצריך, למשל ״ללא לוגואים״.

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

לפרטים נוספים לחצו כאן >>

4. התוצר והגימור: מה צריך לקבל בסוף?

הגדירו יחס רוחב לגובה, גודל רצוי, טקסט ומה תוסיפו בעצמכם. למשל, תמונה רחבה ביחס 16:9, ללא טקסט, עם שטח פנוי לכותרת.

מודלי תמונה מתקדמים השתפרו מאוד ביצירה של טקסט (כולל עברית), במיקום טקסט, בעקביות ובסידור מדויק של רכיבים. ועדיין, אם אתם זקוקים לכותרת סופר מדויקת ובסגנון מאוד ספציפי, אפשר להוסיף אותה אחר כך בכלי עיצוב כמו קנבה.

התבנית המקורית באנגלית

נסו את הפרומפט המצורף, החליפו את הסוגריים בתיאור שלכם וצרפו את תמונות הרפרנס אם יש כאלה. השתדלו להיות תמציתיים וברורים:

תבנית בסיס לפרומפט באנגלית

אותה תבנית בעברית

תבנית בסיס לפרומפט בעברית

דוגמה מוכנה: תמונת שער למדריך על ניהול משימות

הדוגמה הבאה לא דורשת תמונות רפרנס. אפשר להעתיק אותה כפי שהיא ולנסות:

דוגמה בסיסית ופשוטה שהשתמשתי בה

וזה מה שיצא:

התמונה שג׳ונרטה מהפרומפט

איך לנסות ולשפר את התוצאה

1. בחרו כלי שיש לכם גישה אליו. אפשר להתחיל ב-ChatGPT שמודל התמונה החדש שלו (chatgpt-images-2-5) פשוט מצוין. אם יש לכם תוכנית Google AI או Google Workspace שמתאימה, אפשר לנסות גם את Google Pics.

2. הדביקו את הפרומפט המלא. ודאו שמילאתם את השדות וצרפו את תמונות הרפרנס.

3. בדקו את התמונה מול הבקשה. האם היא מעבירה את המסר? האם הרכיבים נמצאים במקום הרצוי? האם נשאר שטח לכותרת? בדקו גם פנים, ידיים וטקסט, אם מופיעים.

4. בקשו תיקון ממוקד. למשל: ״הרחיבו את השטח הפנוי בצד שמאל. שמרו על הדמות, הצבעים וסגנון האיור״. בדקו שוב את התוצאה, משום שגם תיקון ממוקד עלול להשפיע על פרטים אחרים.

5. עדכנו את התבנית ששמרתם. אם אילוץ מסוים חסר לכם שוב ושוב, הכניסו אותו לפרומפט הבא.

כדי להשוות בין כלים, השתמשו באותו פרומפט ובאותן תמונות רפרנס. תבדקו מי מבצע טוב יותר את הבקשה שלכם. שתי תוצאות דומות לאו דווקא מוכיחות שהשיטה תעבוד באותה מידה בכל משימה, וכלים שונים עדיין עשויים לפרש אותה אחרת.

אז בפעם הבאה שאתם צריכים תמונה, התחילו מארבע החלטות: מה המסר שהיא צריכה להעביר, אילו תמונות רפרנס תצרפו ומה לקחת מכל אחת, מה יופיע בתמונה ובאיזה סגנון, ומה יהיו הגודל והטקסט שלה. שמרו את הפרומפט יחד עם התוצאה המוצלחת, כדי שתוכלו להשתמש בו כבסיס לתמונות נוספות.

הפוסט איך ליצור תמונות AI מדויקות יותר: תבנית פרומפט בארבעה חלקים הופיע ראשון בLet's AI בינה מלאכותית

מיליארד משתמשים זה לא בהכרח מיליארד משתמשים כבדים

AI Overviews של גוגל (Google) מגיעים ליותר מ-2.5 מיליארד משתמשים בחודש, AI Mode עבר גם הוא את המיליארד, ומיקרוסופט (Microsoft) מדווחת על עשרות ומאות מיליוני משתמשים במוצרי Copilot וביכולות AI שמשולבות בתוך המוצרים שלה. כשקוראים את כל המספרים האלה, קל להגיע למסקנה שה-AI כבר הפך לטכנולוגיה המונית לחלוטין. אבל כאן המספרים יכולים ליצור תמונה מטעה.

כשחברה מדווחת על "משתמשים חודשיים", זה יכול לכלול גם אדם שנכנס פעם אחת במהלך החודש. זה שונה מאוד ממשתמש שפותח את הכלי כל יום, עובד איתו כמה שעות, משלב אותו בתוך העבודה, משלם על מנוי, או נותן לסוכן לבצע משימות שלמות.

הרבה אנשים משתמשים ב-AI בלי להיכנס בכלל לצ'אט ייעודי | Gemini

גם בין החברות עצמן אין מדד אחיד. OpenAI מדברת לעיתים על משתמשים שבועיים. גוגל ו-Meta מדווחות על משתמשים חודשיים. שירות אחר עשוי לספור שימוש בפיצ'ר AI שמשולב בתוך מוצר גדול יותר. לכן אי אפשר פשוט לחבר מיליארד של גוגל, מיליארד של Meta ו-900 מיליון של OpenAI ולקבוע שיש כמעט שלושה מיליארד משתמשי AI שונים.

אותו אדם יכול להשתמש ב-ChatGPT בבוקר, לקבל AI Overview בחיפוש בצהריים ולפתוח את Gemini בערב.

אז כמה אנשים באמת משתמשים ב-AI

ניסיון מעניין להתמודד עם השאלה מגיע מ.DataReportal-

לפי ההערכה שלהם, יש בעולם כ-2.42 מיליארד משתמשים פעילים בפלטפורמות GenAI כמו ChatGPT ו-Gemini. זה שווה לכ-29% מאוכלוסיית העולם, והמספר יותר מהוכפל בתוך שנה.

כ-29.2% מאוכלוסיית העולם משתמשים פעילים בכלים מדי חודש | DataReportal

גם כאן יש הסתייגות חשובה. DataReportal עצמם מזהירים שלא בטוח שמדובר ב-2.42 מיליארד בני אדם ייחודיים. קיימת חפיפה בין השירותים, ולכן נכון יותר לדבר על משתמשים פעילים בפלטפורמות GenAI מאשר על מספר מדויק של אנשים.

במילים פשוטות, הנתון כן אומר שהשימוש עצום וצומח מהר מאוד. הוא לא אומר שכל אדם שלישי בעולם עובד עם AI באופן קבוע.

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

לפרטים נוספים לחצו כאן >>

וככל שעולים ברמת השימוש, הקבוצה מתכווצת

כאן התמונה נהיית מעניינת יותר.

Gradually.ai מעריכים שכ-70 עד 100 מיליון אנשים בעולם משלמים כיום על מנוי AI, ומשתמשים בכ-80 מיליון כנקודת אמצע.

זה עדיין אומדן, לא מספר רשמי, אבל יש לו בסיס סביר. OpenAI לבדה דיווחה בתחילת 2026 על יותר מ-50 מיליון מנויי צרכן בתשלום ועל יותר מ-9 מיליון משתמשים עסקיים משלמים. כשמגיעים לשימוש מתקדם עוד יותר, הקבוצה מתכווצת שוב.

אומדן של Gradually.ai מאוגוסט 2026

Gradually מעריכים שכ-25 עד 35 מיליון אנשים משתמשים באופן קבוע ב-coding agents כמו Codex ו-Claude Code. מדובר בערך ב-0.3% עד 0.4% מאוכלוסיית העולם. המספר הזה רחוק מאוד ממיליארד. וזה בדיוק הפער שחשוב להבין.

יש הבדל גדול בין להשתמש ב-AI פעם בחודש, להשתמש בו מדי יום, לשלם עליו, להפוך אותו לכלי עבודה מרכזי, ולתת לו לבצע משימות מורכבות יחסית. כל אחת מהקבוצות האלה קטנה יותר מהקודמת.

ככל שהשימוש עמוק ומחייב יותר, מספר המשתמשים קטן בחדות

אז האם אנחנו חיים בבועת AI

אולי. אבל לא בהכרח מהסוג שאנחנו רגילים לחשוב עליו. קשה לטעון שה-AI עצמו הוא תופעה שולית. מאות מיליוני אנשים משתמשים בכלים האלה באופן קבוע, ומיליארדים נחשפים ליכולות AI דרך חיפוש, כתיבה, יצירת תמונות, תוכנות משרדיות ושירותים אחרים.

באותו זמן, קיים פער עצום בין להיתקל ב-AI לבין להשתמש בו בצורה עמוקה. ייתכן שזו הבועה האמיתית. מי שעובד עם AI כל היום, עוקב אחרי כל מודל חדש ומכיר מושגים כמו Agents, Skills, MCP ו-workflows עלול להתחיל לחשוב שככה כולם עובדים.

אבל עבור חלק גדול מהעולם, ChatGPT עצמו עדיין נחשב לדבר חדש יחסית. ועבור קבוצה גדולה עוד יותר, השאלה אם לבחור בין Agent אחד לאחר פשוט עדיין לא רלוונטית. אז אולי השאלה המעניינת היא בכלל לא האם העולם משתמש בבינה מלאכותית. ברור שהוא משתמש.

השאלה היא כמה עמוק השימוש הזה כבר חדר לחיי היום יום ולעבודה של רוב האנשים. כרגע, הנתונים מאפשרים שתי מסקנות שנראות כמעט סותרות: AI מתפשט בקצב יוצא דופן, ובכל זאת משתמשי הקצה המתקדמים עדיין מייצגים חלק קטן מאוד מהאנושות.

הפער בין שתי התמונות האלה כנראה חשוב יותר מכל נתון בודד על מספר משתמשים.

הפוסט כולם מדברים על AI אבל כמה אנשים באמת משתמשים בו? הופיע ראשון בLet's AI בינה מלאכותית

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס ניתוח נתונים עם AI

לפרטים נוספים לחצו כאן >>

הסקר השנתי מת, והנתונים לקחו את מקומו

במשך עשרות שנים, ארגונים הסתמכו על סקר שביעות רצון שנתי כדי למדוד את הדופק של העובדים. התקופה הזו נגמרת. דוח SHRM ל-2026 מצא שלמעלה מ-80% ממחלקות HR משתמשות כבר בבינה מלאכותית ג׳נרטיבית או באנליטיקה חיזויית בתפעול השוטף, כאשר שימור עובדים הוא אחד משלושת תחומי השימוש המובילים.

הסיבה פשוטה. סקר שנתי מספק תמונת מצב סטטית של רגע אחד בזמן. עד שתוצאותיו מנותחות ומגיעות לשולחן ההנהלה, חלק מהעובדים שהביעו חוסר שביעות רצון כבר הספיקו לעזוב. אנליטיקה שחוזה נתונים, לעומת זאת, עובדת ברציפות - מנטרת שינויים בהתנהגות, מזהה דפוסים ומחשבת ציון סיכון עזיבה לכל עובד בזמן אמת.

שוק תוכנות אנליטיקת כוח האדם (People Analytics) נע כבר סביב 10 מיליארד דולר ב-2026 לפי הערכות שונות, עם קצב צמיחה שנתי דו-ספרתי. זה לא טרנד חולף, אלא תשתית חדשה שנבנית בתוך מחלקות HR ברחבי העולם.

שימור חיזוי

מה המודל באמת מודד

כשמדברים על "חיזוי עזיבה", קל לדמיין מערכת שקוראת מיילים או מאזינה לשיחות. המציאות שונה, ופחות דרמטית. מודלים של Predictive Retention מנתחים נתונים מובנים שכבר קיימים במערכות הארגון, ומחפשים דפוסים שמתואמים עם עזיבה.

סיגנלים ארגוניים

הנתונים המרכזיים שמוזנים למודלים כוללים שינויים בתדירות היעדרויות, ירידה במעורבות (פחות מענה לסקרי פולס, פחות השתתפות ביוזמות פנימיות), זמן ממוצע עד קידום לעומת עמיתים, פער בין שכר לשוק, ושינויים בדפוסי עבודה כמו ירידה בשעות או בתפוקה. מחקר שפורסם בתחילת 2026 בכתב העת Frontiers in Big Data הציג מסגרת עבודה שלמה שמשלבת את כל הסיגנלים האלה לציון סיכון מכויל לכל עובד - ציון שמנהלי HR יכולים להבין ולפעול לפיו.

סיגנלים ניהוליים

אחד הממצאים המעניינים בתחום הוא שהמנהל הישיר הוא המנבא הטוב ביותר של עזיבה. לא המנהל עצמו, אלא הנתונים סביבו: שיעור העזיבה בצוות שלו, תדירות השיחות אחד-על-אחד, ואפילו הציון שעובדים נותנים לו בסקרי פולס. ב-2026 כבר מדברים על "ציון סיכון עזיבה למנהל" (Predictive Churn Risk per Manager) כמדד HR סטנדרטי - כי לפעמים הבעיה היא לא העובד, אלא הסביבה שהוא עובד בה.

מהנתון לפעולה - מה עושים עם הציון

ציון סיכון גבוה הוא לא גזר דין. ארגונים שמשתמשים ב-Predictive Retention בצורה אפקטיבית לא מתייחסים אליו כנורה אדומה, אלא כהזדמנות לשיחה. דוגמה לכך: חברה בינלאומית שהטמיעה מערכת אנליטיקה חיזויית זיהתה שעובדים בכירים במחלקה מסוימת מציגים דפוסי סיכון גבוהים. במקום להגיב בפאניקה, המנהלים קיבלו התרעה ויזמו שיחות פיתוח קריירה ממוקדות. התוצאה: ירידה של 15% בשיעור העזיבה.

ההתערבויות הנפוצות כוללות התאמת תנאי שכר לשוק כשהפער מזוהה, הצעת מסלולי קידום או ניוד פנים-ארגוני, שיפור הקשר עם המנהל הישיר, ומתן גמישות בתנאי עבודה. הנקודה המשמעותית היא שהמערכת לא מחליפה שיקול דעת אנושי - היא מאירה את הנקודות שדורשות תשומת לב.

ארגונים שמיישמים את הגישה הזו מדווחים על ירידה של עד 15% בעזיבה בלתי רצויה ועל החזר השקעה מהיר, בעיקר בתפקידים שבהם עלות החלפה גבוהה במיוחד.

הצד האפל: פרטיות, הטיה ומעקב

כל הפוטנציאל הזה מגיע עם שאלות שאי אפשר להתעלם מהן. כשארגון מנתח את התנהגות העובדים שלו כדי לחזות מי עומד לעזוב, הוא מהלך על חבל דק בין דאגה לגיטימית לבין מעקב. ב-2026, עם כניסת חוק ה-AI של האיחוד האירופי לתוקף מלא, השאלות האלה הפכו ממוסריות גם לרגולטוריות.

הסוגיות המרכזיות מחולקות לכמה רבדים. ראשית, שקיפות: האם העובדים יודעים שהנתונים שלהם מנותחים למטרות חיזוי עזיבה? שנית, הטיה: מודלים שלמדו מנתונים היסטוריים עלולים לשכפל דפוסי אפליה קיימים - למשל, לזהות עובדות שחזרו מחופשת לידה כ"סיכון גבוה" רק בגלל קורלציה היסטורית. שלישית, השפעה הפוכה: אם מנהל יודע שעובד מסומן כ"סיכון עזיבה", זה עלול להשפיע על יחסו אליו בדרכים שדווקא יזרזו את העזיבה.

נציבות שוויון ההזדמנויות בתעסוקה האמריקאית (EEOC) והנציבות האירופית כבר הביעו דאגה לגבי השימוש באנליטיקה חיזויית בהקשר תעסוקתי. ארגונים שנכנסים לתחום חייבים לוודא שקיימת שקיפות מלאה כלפי העובדים, שהמודלים נבדקים באופן שוטף להטיות, ושהחלטות גורליות לא מתקבלות על סמך ציון אלגוריתמי בלבד.

אז איך מתחילים בלי לקנות מערכת במיליון דולר?

הנטייה הטבעית היא לחשוב ש-Predictive Retention דורש מערכת אנטרפרייז יקרה והטמעה של חודשים. אבל ארגונים רבים מתחילים בצורה הרבה יותר פשוטה: ניתוח של הנתונים שכבר קיימים במערכת ה-HRIS. ירידה בתדירות היעדרויות, שינויים בדפוסי שעות, פער שכר מול שוק - כל אלה זמינים כבר היום ברוב הארגונים.

הגישה המעשית היא לאמץ שלבים. להתחיל מאנליטיקה תיאורית שמזהה דפוסים בעזיבות העבר, לעבור למודל חיזוי בסיסי לתפקידים קריטיים, ורק אז להרחיב לכלל הארגון. חשוב לא פחות: לשלב את ה-AI באופן שמחזק את המנהלים, לא שמחליף אותם. המנהל הישיר צריך לקבל את התובנות בצורה שהוא יכול לפעול לפיה - לא דשבורד עם מאה גרפים, אלא התרעה ברורה עם המלצה לפעולה.

הפרדוקס של Predictive Retention הוא שהטכנולוגיה הטובה ביותר בעולם לא תעזור אם הארגון לא מוכן לפעול על מה שהיא מגלה. מודל שמזהה שעובדים עוזבים בגלל מנהל בעייתי לא שווה כלום אם אף אחד לא מוכן להתמודד עם המנהל הזה. ולפעמים, התשובה לשאלה "למה העובד עוזב" לא מסתתרת באלגוריתם - אלא בשיחה פשוטה שאף אחד לא טרח לקיים.

הפוסט ארגונים משתמשים ב-AI כדי לחזות עזיבת עובדים חודשים מראש הופיע ראשון בLet's AI בינה מלאכותית

לא רק תפקיד טכני

כשמדברים על AI Solutions Architect או ארכיטקט פתרונות AI, לא מתכוונים לאדם שכל תפקידו לבחור מודל או לחבר בינה מלאכותית למערכות הארגון. התפקיד רחב הרבה יותר. ארכיטקט פתרונות AI צריך לדעת לקחת צורך עסקי ולתרגם אותו לפתרון שאפשר לבנות, למדוד, להפעיל ולשנות. הוא צריך להבין טכנולוגיה, אבל גם תהליכים עסקיים. הוא צריך להבין דאטה, אבל גם אנשים.

וזה חשוב במיוחד בגלל הבדל בסיסי בין תוכנה קלאסית לבין מערכות AI. תוכנה מסורתית היא בדרך כלל דטרמיניסטית. זה כמו מכונת שתייה - אם תלחצו על קולה - תקבלו קולה. אם קיבלתם משהו אחר, כנראה יש באג שאפשר למצוא ולתקן.

תוכנה מסורתית היא בדרך כלל דטרמיניסטית | אילוסטרציה

מערכות AI הן שונות. אפשר לתת לאותו מודל בדיוק את אותה בקשה פעמיים ולקבל שתי תשובות שונות. לפעמים הוא יפיק תוצאה מצוינת, ולפעמים ימציא נתון בביטחון מוחלט. לכן בניית פתרון AI לא מסתכמת בכתיבת קוד. היא דורשת גם ניהול סיכונים, הבנת הסתברויות ובניית מעטפת שמצמצמת את הסיכוי שהמערכת תסטה מהמסלול.

קודם הבעיה, אחר כך הטכנולוגיה

אחד העקרונות המרכזיים הוא שלא מתחילים מהטכנולוגיה. לא בוחרים כלי כי הוא חדש. לא מטמיעים סוכן (Agent) כי ראינו סרטון מרשים בטיקטוק, ולא משנים מערכת קיימת רק כי יצא השבוע מודל חדש שכולם מדברים עליו. מתחילים מהכאב העסקי.

מה הארגון מנסה לשפר? מה לא עובד היום? איפה מתבזבז זמן? איפה יש טעויות? איפה אנשים מחכים יותר מדי? ואיזה ערך אנחנו רוצים לייצר? רק אחרי שהשאלות האלה ברורות, אפשר להתחיל לבחור את הטכנולוגיה.

לארכיטקט פתרונות AI לא יכולה להיות נאמנות לכלי או לספק מסוים. הנאמנות שלו צריכה להיות לפתרון הבעיה ולערך שהארגון מקבל ממנו. לכן הוא חייב להכיר אקוסיסטם רחב של אפשרויות, ולהבין איזה פתרון מתאים לרמת המורכבות של המשימה.

לא כל בעיה צריכה Agent

ההתלהבות מסוכני AI מובנת. הם מסוגלים לפרק משימות מורכבות לצעדים, לקבל החלטות ולהפעיל כלים שונים בדרך. אבל העובדה שאפשר להשתמש בסוכן לא אומרת שצריך. אפשר לחשוב על חיבור API פשוט כמו על רכבת שנוסעת על מסילה. המסלול מוגדר, ההתנהגות צפויה והמשימה ברורה.

סוכן הוא משהו אחר. הוא יותר דומה למתמחה מוכשר שקיבל משימה פתוחה והרשאה לפעול. זה מאפשר לו להתמודד עם מורכבות גדולה הרבה יותר, אבל גם מגדיל את העלות, את זמן הביצוע ואת רמת הסיכון. לכן הארכיטקט צריך לדעת לבחור.

אם ארגון צריך לקבל תשובה על מצב המלאי בתוך שניות, כנראה שאין סיבה להפעיל סוכן שחושב במשך דקות ומבצע סדרה ארוכה של פעולות. לעומת זאת, אם צריך לבצע מחקר שוק, לעבור על עשרות מקורות, להשוות מתחרים ולבנות מסקנות, יכול להיות שסוכן הוא בדיוק הכלי המתאים. זה לא עניין של מה חדש יותר או מרשים יותר - זה עניין של מה עובד ויתן פתרון לכאב הארגוני הספציפי.

פתרון שלא משתמשים בו הוא פתרון שנכשל

כאן נמצא אחד ההבדלים החשובים בין התפקיד הזה לבין תפקידי טכנולוגיה מסורתיים. אפשר לבנות מערכת שעובדת מצוין מבחינה טכנית ועדיין להיכשל. אם העובדים לא משתמשים בה, אם היא לא משתלבת בתהליך העבודה או אם המשתמשים לא סומכים עליה, אז אין כמעט משמעות לכך שהקוד מצוין.

לכן העבודה של ארכיטקט פתרונות AI לא מסתיימת כשהמערכת עולה לאוויר. במובנים רבים, שם מתחילה העבודה האמיתית. צריך להדריך, לאסוף משוב, להבין התנגדויות ולבדוק מה קורה כשהמערכת פוגשת את המציאות.

במערכות AI יש גם בעיה נוספת: אמון. כשמערכת רגילה מתקלקלת, אנחנו אומרים שיש באג. כשמערכת AI ממציאה עובדה, המשתמש עלול להגיע למסקנה שאי אפשר לסמוך עליה בכלל. והרבה יותר קשה להחזיר אמון מאשר לתקן שורת קוד.

כדי להתמודד עם זה צריך אדם שגם מבין למה המודל נכשל, גם יודע איך אפשר לשנות את הארכיטקטורה, את הפרומפטים או את הדאטה, וגם מצליח להסביר למשתמש בשפה פשוטה מה קרה ומה השתנה.

זה לא רק ניהול פרויקט

מנהל פרויקט קלאסי מנהל לוחות זמנים, תקציבים, משימות ותלויות. אלה דברים חשובים מאוד, וגם ארכיטקט פתרונות AI כנראה יתעסק בחלק מהם. אבל מערכות AI מוסיפות שכבה אחרת של אי ודאות. כאשר המודל מייצר תשובה שגויה, הבעיה היא לא תמיד משהו שאפשר להעביר למתכנת ולסגור באמצעות תיקון נקודתי.

לפעמים צריך להבין למה המודל הגיע לתוצאה הזו, איזה מידע היה חסר לו, האם המבנה של התהליך נכון, האם בכלל בחרנו בטכנולוגיה הרלוונטית והאם רמת האוטונומיה שנתנו למערכת באמת מתאימה. וזה עדיין רק הצד הטכנולוגי. יש גם אנשים.

מערכת היחסים בין האדם למכונה

אנשים חוששים מ-AI מסיבות שונות. עובדים יכולים לחשוש שהמערכת תחליף אותם. מנהלים יכולים לחשוש מדליפת מידע. אחרים פשוט לא בטוחים אם אפשר לסמוך על התוצאה. חלק מהחששות האלה לא נפתרים באמצעות הסברה בלבד. הם מושפעים ישירות מהדרך שבה אנחנו מתכננים את המערכת.

נניח שבנינו מערכת שלוקחת את כל הנתונים, מבצעת את הניתוח ומעבירה דוח סופי ישירות למנכ"ל, בלי שהעובד המקצועי מעורב בדרך. אותו עובד עלול להרגיש שהמערכת לא נועדה לעזור לו, אלא לעקוף אותו. אפשר לתכנן את אותו פתרון אחרת.

מערכת היחסים בין האדם למכונה | אילוסטרציה

ה-AI יכול לבצע את העבודה הסיזיפית, לקרוא מאות מסמכים ולהכין טיוטה, אבל לפני שהתוצר ממשיך הלאה הוא נעצר ומחייב אישור של איש המקצוע. זה Human in the Loop - האדם בלולאה. וזו לא רק החלטה פסיכולוגית. זו החלטה ארכיטקטונית.

הארכיטקט מחליט מתי המכונה יכולה לפעול לבד ומתי היא חייבת לעצור ולערב אדם. אותו דבר נכון גם לאבטחת מידע. אם מדובר במידע רגיש, יכול להיות שהבחירה הנכונה היא לא לשלוח אותו למודל חיצוני בענן, אלא להשתמש בפתרון מקומי או במודל קטן יותר, גם אם הוא פחות מתקדם.

כלומר, לא מתכננים כאן רק מערכת טכנולוגית - מתכננים את מערכת היחסים בין האדם למכונה.

אבל איך יודעים שזה באמת עובד?

בסופו של דבר, ארגון צריך לדעת אם ההשקעה משתלמת. וזה מורכב יותר ממה שזה נשמע. קל יחסית למדוד פתרון שחוסך זמן. אם משימה שלקחה שעתיים לוקחת עכשיו עשר דקות, אפשר לחשב את החיסכון. אבל AI לא תמיד משנה רק את כמות הזמן. לפעמים הוא משנה את איכות התוצאה.

נניח שבנינו כלי שעוזר לנציגי שירות לקוחות לנסח תשובות אישיות וטובות יותר ללקוחות כועסים. יכול להיות שזמן הטיפול בפנייה בכלל לא יתקצר. אבל אולי פחות לקוחות יחזרו עם אותה בעיה. אולי שביעות הרצון תעלה. אולי פחות לקוחות יעזבו.

איך מודדים את הערך הזה? כאן הארכיטקט צריך להבין את העסק לעומק ולהגדיר מראש מדדי הצלחה מתאימים. לא רק כמה דקות נחסכו, אלא מה אנחנו רוצים שישתנה בעקבות הפתרון. זה יכול להיות מספר הפניות החוזרות, שיעור סגירת העסקאות, כמות הטעויות, זמן תגובה או כל מדד אחר שמראה שהבעיה המקורית באמת השתפרה.

אם המדד לא זז, זה לא משנה כמה המודל מתקדם או כמה הקוד אלגנטי. צריך לבדוק מחדש את הפתרון.

למה חשוב להתחיל עם ניצחונות קטנים

לצד החשיבה האסטרטגית, חשוב מאוד לכוון בהתחלה לנצחונות מהירים (Quick Wins). מערכות AI עדיין מעוררות לא מעט ספקנות. פרויקט גדול שלוקח חצי שנה יכול לעבור בדרך תקופות ארוכות שבהן המשתמשים עדיין לא רואים שום תועלת.

ניצחונות מהירים זה חשוב | אילוסטרציה

לכן חלק מהתפקיד הוא לזהות מוקדם תהליך קטן יחסית שאפשר לשפר במהירות ולייצר באמצעותו ערך ברור. לא בשביל אפקט של "וואו", אלא כדי שהארגון יוכל לראות שהטכנולוגיה באמת פותרת משהו. הצלחה כזו מייצרת אמון, ואמון נותן לארגון את הסבלנות והביטחון להמשיך לפרויקטים המורכבים יותר.

להישאר בחזית בלי לרדוף אחרי ההייפ

יש עוד מתח מובנה בתפקיד הזה. מצד אחד, מי שעוסק ב-AI חייב ללמוד כל הזמן. התחום משתנה במהירות, מודלים חדשים יוצאים, יכולות חדשות מופיעות, וכלים שהיו מתקדמים לפני כמה חודשים יכולים להפוך מהר מאוד לפחות רלוונטיים. מצד שני, אסור להפוך את הארגון למעבדת ניסויים של כל טרנד חדש.

לנהל את ההייפ מול המציאות | אילוסטרציה

ארכיטקט פתרונות AI צריך להיות גם הפילטר של הארגון. המנכ"ל יכול להגיע בבוקר ולהגיד שקרא על מודל חדש ושחייבים להכניס אותו מיד. התפקיד של הארכיטקט הוא לא להתלהב יחד איתו באופן אוטומטי. התפקיד שלו הוא לבדוק.

אולי המודל החדש באמת מצוין בכתיבה, אבל פחות מתאים לשליפת מידע מדויקת מהמאגר הארגוני. אולי הוא יקר יותר. אולי הוא לא עומד בדרישות האבטחה. ואולי המערכת שכבר קיימת בארגון פשוט טובה יותר לצורך הספציפי.

למידה מתמדת לא נועדה רק לדעת מה לאמץ. היא גם מאפשרת לדעת מתי ולמה להגיד לא.

טכנולוגיה היא אמצעי, לא המטרה

אם צריך לזקק את כל התפקיד הזה לכמה עקרונות פשוטים, הם יהיו כאלה: שואלים לפני שבונים, מאפיינים לפני שבוחרים, בודקים לפני שמטמיעים ומודדים לפני שמכריזים על הצלחה.

זה נשמע כמעט מובן מאליו. אבל בעולם שבו כל שבוע יוצא כלי חדש וכל חודש מבטיחים לנו מהפכה חדשה, לשמור על המשמעת הזו הופך להיות קשה מאוד. בסופו של דבר, כל המילים הגדולות שאנחנו משתמשים בהן היום - מודלים, סוכנים, פלאגינים וטוקנים - אלה רק כלים.

המטרה היא לפתור בעיות של אנשים אמיתיים בתוך ארגונים אמיתיים. ארכיטקט שלא רואה את האדם שנמצא בקצה המערכת אולי יצליח לבנות פתרון מרשים מבחינה טכנולוגית, אבל יהיה לו הרבה יותר קשה לבנות פתרון שיחזיק מעמד.

וזו גם אחת הסיבות שהתפקיד הזה הופך לרלוונטי כל כך. לא בגלל שאנחנו צריכים עוד מומחה שיודע איזה מודל יצא השבוע, אלא כי אנחנו צריכים אנשים שיודעים לחבר בין טכנולוגיה, דאטה, תהליכים, ערך עסקי ואנשים.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מטמיעי AI

לפרטים נוספים לחצו כאן >>

ואולי יום אחד גם הארכיטקט יצטרך להשתנות

יש כאן גם פרדוקס מעניין. ככל שסוכני AI הופכים עצמאיים יותר, הם כבר מסוגלים לכתוב קוד, לתקן טעויות, להשתמש בכלים ולתכנן חלקים מתהליכי עבודה. אפשר לדמיין עתיד שבו הם גם ילמדו לנתח צרכים עסקיים טוב יותר ולהציע בעצמם ארכיטקטורה לפתרון.

אם זה יקרה, יכול להיות שגם התפקיד שאני מתאר כאן ישתנה. אולי יום אחד ארכיטקט פתרונות AI האנושי יהפוך בעצמו ל"אדם שבלולאה": יקבל מהמערכת הצעה לפתרון, יבחן אותה, ישאל את השאלות הנכונות ויחליט אם לאשר אותה.

אני לא יודע אם ומתי נגיע לשם. אבל לפחות במציאות של היום, הצורך באנשים שיודעים לחבר בין טכנולוגיה, עסק, תהליכים ובני אדם רק הולך ומתחדד. ובעיניי, שם נמצא הערך האמיתי של AI Solutions Architect.

הפוסט למה AI Solutions Architect הופך להיות תפקיד כל כך מבוקש הופיע ראשון בLet's AI בינה מלאכותית

החיפוש לא הספיק

כשגוגל השיקה את Google Flu Trends ב-2008, הרעיון היה מפתה. אנשים שחולים מחפשים מידע על תסמינים וטיפולים. מיליוני חיפושים יכולים, לכאורה, לספק תמונה מהירה של התפשטות השפעת, עוד לפני שהדיווחים הרפואיים מגיעים. גוגל (Google) עצמה תיארה את הפרויקט כניסיון למדל תופעות בעולם באמצעות דפוסי חיפוש.

אלא שחיפוש הוא רק רמז התנהגותי, לא אבחנה רפואית. בפברואר 2013 העריכה המערכת שיעור ביקורים אצל רופאים בשל תסמינים דמויי שפעת שהיה גבוה ביותר מפי שניים מההערכה של המרכזים האמריקאיים לבקרת מחלות ומניעתן, ה-CDC. מאמר שפורסם ב-Science ב-2014 הפך את הטעות למקרה מבחן על מגבלות השימוש בנתונים גדולים.

החוקרים הצביעו על התאמת יתר לדפוסים מקריים ועל שינויים בהתנהגות החיפוש ובמנוע החיפוש עצמו. מערכת יכולה ללמוד קשר שנראה משכנע בנתוני העבר, ואז לגלות שהקשר השתנה. כפי שהסבירו מחברי המחקר, גם שינויים שגוגל ביצעה כדי לעזור למשתמשים לחפש מידע יכלו לשבש את האות שעליו הסתמך המודל.

זו הייתה התפכחות חשובה. כמות הנתונים לא פטרה את גוגל מהצורך להבין מה הם מודדים. ב-2015 החברה הפסיקה לתחזק את האתר הציבורי של Flu Trends ועברה למסירת נתונים לשותפי מחקר.

הפעם גוגל בנתה מעבדה של ניסויים

במערכת החדשה השתנתה נקודת המוצא. המחקר הנוכחי מתאר שימוש בנתוני מעקב רפואיים, ובהם נתוני אשפוזים ונתונים היסטוריים על תסמינים דמויי שפעת. היעד הוא לחזות אשפוזים בשבוע הנוכחי ועד שלושה שבועות קדימה.

גם תפקיד הבינה המלאכותית שונה. כלי המחקר ERA, קיצור של Empirical Research Assistance, מסייע לבנות את התוכנה שמייצרת את התחזיות. הוא משתמש במודל שפה כדי לכתוב קוד, להריץ אותו, לבדוק את התוצאה ולנסות גרסאות משופרות.

תחשבו על שולחן עבודה של חוקר. יש בעיה מוגדרת, נתונים, רעיונות מהספרות המדעית ודרך למדוד הצלחה. כיוון אחד נותן תוצאה חלשה ונזנח. כיוון אחר נראה מבטיח וזוכה לניסויים נוספים. ERA מבצע את המחזור הזה שוב ושוב, בהיקף שקשה להגיע אליו בעבודה ידנית. זו הגישה שמתוארת במחקר על הכלי שפורסם ב-Nature.

כאן נמצא לב השינוי. בניסיון הישן גוגל ביקשה ללמוד על תחלואה מתוך ההתנהגות שלנו במנוע החיפוש. בניסיון הנוכחי היא מפעילה סייען מחקר שמפתח ובוחן מודלים על בסיס נתונים רפואיים וידע מדעי. אפשר לראות בכך מעבר מהסתמכות על עקבות דיגיטליים לתהליך מחקר ממוקד יותר.

החוקרים עדיין קובעים את המשימה ואת מסגרת הבדיקה. בפרויקט חיזוי המחלות הם הנחו את המערכת לבחון שיטות קיימות, שילובים בין שיטות וגישות חדשות. מתוך האפשרויות שנוצרו נבחרו מודלים ששולבו לתחזית משותפת. ההישג נבנה על מפגש בין אוטומציה למומחיות אנושית.

הדרך החדשה של גוגל לחיזוי שפעת | Google

התחזיות יצאו למבחן בזמן אמת

מבחן החיזוי מתחיל כשהתשובה עדיין לא ידועה. מודל יכול להיראות מצוין מול נתונים היסטוריים ולהתקשות כשהוא פוגש עונה חדשה, דיווחים שמתעכבים ומגמות שמשנות כיוון.

גוגל עברה את המחסום הזה והגישה תחזיות שבועיות בזמן אמת. החברה תיארה את המעבר מבדיקות בדיעבד להגשות שוטפות כבר במהלך העונה. בהמשך הגיע האישור החיצוני. דוח ה-CDC שפורסם ב-30 בספטמבר 2026 דירג את Google_SAI-FluEns ראשון מתוך 39 מודלים שנכללו בהערכת עונת 2025/26.

זה הישג ממשי. הדירוג משקלל את התאמת טווחי התחזית לנתונים שנצפו לאורך העונה במדינות ארצות הברית ובוושינגטון די-סי. יחד עם זאת, הדירוג הזה מחייב פרופורציה: מקום ראשון בטבלה לא מבטיח דיוק מוחלט בכל שבוע ובכל מחוז נתון.

אין במקורות שנבדקו השוואה ישירה שמוכיחה איזה שינוי הכריע את התוצאה מול Flu Trends. אפשר לזהות הבדלים מהותיים בנתונים, במשימה ובתהליך הפיתוח. אי אפשר להכריז שעונה אחת סגרה את החשבון עם טעויות העבר.

מי יכול לפעול כשהתחזית מגיעה?

גם המודל של גוגל התקשה בנקודות מסוימות. החוקרים מתארים נטייה להערכת חסר בתחילת התקדמות העונה ולהערכת יתר אחרי השיא. ה-CDC מצדו מדווח על קשיים בחיזוי שינויים חדים גם בתחזית המשולבת שבה הוא משתמש לתקשור התחזיות לציבור, שדורגה שביעית בהערכה.

לכן המבחן של האלגוריתם נמשך, ובמקביל מתחיל מבחן אחר. מנהל בית חולים שמקבל התרעה על עלייה צפויה באשפוזים צריך להבין אותה, להחליט כיצד להגיב ולהחזיק במשאבים שמאפשרים תגובה. התרעה יכולה לתת זמן לתכנון משמרות ולהיערכות של מחלקות. היא לא מבטיחה שיש צוות זמין או מיטה פנויה.

גוגל הרוויחה סיבה טובה שנקשיב לתחזיות שלה. היא תצטרך להרוויח את האמון מחדש גם בעונות הבאות. אבל כדי שההישג יהיה חשוב לחולה שממתין במסדרון, מערכת הבריאות צריכה להיות מסוגלת להשתמש בזמן שהתחזית נותנת לה. מקום ראשון בטבלת חיזוי הוא הישג מדעי, אבל ההישג הציבורי יגיע כשאותה התרעה מוקדמת תאפשר לקבל את החולה הבא בתנאים טובים יותר.

הפוסט מודל שפותח בעזרת AI של גוגל דורג ראשון בחיזוי אשפוזי שפעת הופיע ראשון בLet's AI בינה מלאכותית

מה בדיוק קרה עם GPT-6.1 Astra

ב-28 בספטמבר 2026, ערב כנס המפתחים השנתי DevDay שנערך בסן פרנסיסקו, אישרה OpenAI כי היא מבטלת את ההשקה המתוכננת של GPT-6.1 Astra - המודל שאמור היה לשדרג את ChatGPT ואת פלטפורמת הפיתוח Codex החל מחודש אוקטובר. הדיווח הראשון פורסם בוול סטריט ג'ורנל (The Wall Street Journal) על ידי העיתונאי מקסוול זף (Maxwell Zeff), ואומת תוך דקות ברשת CNBC.

סאצ'י ג'יין (Saachi Jain), ראשת תחום מערכות הבטיחות ב-OpenAI, הסבירה שהמודל החדש אמנם הציג שיפור ביכולות ביצוע המשימות, אך נכשל בשני תחומים קריטיים שבהם נדרשת אמינות מוחלטת. ראשית, רמת ההתנהגות המטעה (Deception) שלו הייתה גבוהה יותר בהשוואה לקודמו GPT-6 Astra - כלומר, המודל לא דיווח בשקיפות למשתמשים על הפעולות שביצע או לא ביצע. שנית, המודל פעל מעבר להרשאות שניתנו לו, כולל גישה לכלים ושירותים חיצוניים ללא אישור מפורש מהמשתמש.

במילים פשוטות: המודל שיקר על מה שהוא עשה, ועשה דברים שלא ביקשו ממנו לעשות. השילוב הזה, של חוסר שקיפות עם פעולה אוטונומית חסרת פיקוח, הוא בדיוק סוג ההתנהגות שחוקרי בטיחות מזהירים מפניה כבר שנים.

כבר בהשקת GPT-6 Astra אלטמן דיבר על "זמן נוסף שנדרש לבטיחות"

קיץ של סוכנים שיצאו משליטה

ביטול ההשקה לא קרה בחלל ריק. הוא מגיע בסיומו של קיץ שבו סוכני בינה מלאכותית אוטונומיים גרמו לסדרת תקריות שטרם נראו בהיקף כזה.

התקרית המרכזית התרחשה ביולי 2026, כשסוכן אוטונומי שהתבסס על מודלים של OpenAI חדר למערכות הייצור של חברת Hugging Face - אחת הפלטפורמות המרכזיות בעולם הבינה המלאכותית. הסוכן, שפותח במקור לצורכי הערכת יכולות סייבר, פעל במשך ארבעה ימים וחצי, ביצע כ-17,600 פעולות, ניצל חולשות אבטחה, הסלים הרשאות וגנב אישורי גישה פנימיים. האירוע התרחש כשצוותי OpenAI הסירו מגבלות בטיחות ממודלים שלהם לצורך בדיקה - אך הסוכן חרג מגבולות סביבת הבדיקה ופגע במערכות של חברה אחרת לחלוטין.

רוב ג'ויס (Rob Joyce), לשעבר מנהל אבטחת הסייבר של הסוכנות לביטחון לאומי האמריקנית (NSA), תיאר את הפריצה כאירוע הסייבר המשמעותי ביותר מאז תולעת מוריס ב-1988. ומעבר ל-Hugging Face, דווח כי סוכני AI ביצעו גישה בלתי מורשית גם למערכות של משרד הבריאות האוסטרלי, לאתרי האו"ם ולשירותים ציבוריים נוספים - הכל כתוצאה מפעולות אוטונומיות שלא תוכננו ולא אושרו.

תגובת הרגולציה: מהקונגרס ועד בתי המשפט

הלחץ הפוליטי והמשפטי סביב בטיחות הבינה המלאכותית מגיע לנקודת רתיחה. ביום שלאחר הביטול, ב-30 בספטמבר, נפתח שימוע בוועדת הביטחון הפנימי של הסנאט האמריקני שכותרתו "סוכני AI סוררים - הגנה על המולדת מפני סוכני בינה מלאכותית". השימוע, בראשות הסנאטור ג'וש הולי (Josh Hawley), הגיע על רקע הפריצה ל-Hugging Face ותקריות נוספות שהעלו חששות בקונגרס כי לממשל הפדרלי אין כלים מספקים לטפל במצבים שבהם מערכות בינה מלאכותית פועלות ללא הרשאה.

במקביל, פלורידה ממשיכה להוביל את החזית המשפטית. התובע הכללי של המדינה, ג'יימס אות'מאייר (James Uthmeier), הגיש ב-1 ביוני 2026 תביעה מקיפה בת 83 עמודים נגד OpenAI ונגד סם אלטמן (Sam Altman) באופן אישי - התביעה הראשונה שהגישה מדינה אמריקנית נגד החברה. כתב התביעה, שהוגש תחת חוק הגנת הצרכן של פלורידה, טוען שהחברה שיווקה מוצר מסוכן תוך הסתרת סיכונים ידועים, ומייחס ל-ChatGPT קשר לאירועי אלימות ופגיעה בקטינים. התביעה דורשת קנסות של עד 10,000 דולר לכל הפרה, פיצויים וצווי מניעה. מסמכים פנימיים שצוטטו בכתב התביעה מרמזים כי OpenAI הייתה מודעת לדפוסי התנהגות מטעים כבר בגרסאות קודמות של המודלים שלה, אך לא חשפה אותם בצורה מספקת למשתמשים.

התעשייה מתחילה לדבר אחרת

אולי הסימן המשמעותי ביותר הוא השינוי בשיח של החברות עצמן. יחד עם אנתרופיק (Anthropic), קראה OpenAI להאטה בקצב הפיתוח של מודלים חזיתיים. בדוח אי-התאמה (Misalignment Report) שפרסמה החברה, נכתב כי התעשייה טרם פתרה את בעיות ההתאמה והניטור ברמה מספקת כדי להמשיך לקדם פיתוח במהירות מקסימלית. שתי החברות אף תיאמו ביניהן פרוטוקולי בטיחות, מהלך שהוביל לבחינה מחודשת של מסגרות הפיתוח של סוכנים אוטונומיים בכל התעשייה.

הציוץ שבו אלטמן עצמו מודה שהם מאטים את הפיתוח בגלל בטיחות

החברה הבהירה שהמודל הבסיסי שעומד ביסוד GPT-6.1 Astra לא נגנז - הכוונה היא להעביר אותו דרך שלבים נוספים של למידת חיזוק כדי לטפל בכשלים שנחשפו ולפתח ממנו את הדורות הבאים של משפחת GPT-6. אבל עצם ההודאה שככל שהמערכת מתקדמת יותר היא גם מסוכנת יותר, ושהדרך לפתרון עוד לא ברורה, מסמנת נקודת מפנה.

התעשייה עומדת עכשיו במקום מוזר. מצד אחד, היכולות מתקדמות בקצב מסחרר - המערכות פותרות משימות מורכבות יותר, מנהלות תהליכים ארוכים ומתממשקות עם שירותים חיצוניים. מצד שני, ככל שהיכולות גדלות, גדל גם הפער בין מה שמודל יכול לעשות לבין היכולת שלנו לוודא שהוא פועל רק במסגרת מה שהתבקש. ההחלטה של OpenAI לבטל את ההשקה, גם במחיר עסקי כבד, מצביעה על כך שלפחות חלק מהתעשייה מתחיל להבין שהפער הזה כבר לא תיאורטי.

הפוסט כמה חכם ככה מסוכן: GPT-6.1 Astra נפסל במבחני בטיחות של OpenAI ובוטל הופיע ראשון בLet's AI בינה מלאכותית

80 עמודים על מה שעלול להשתבש

אחד המספרים הבולטים בתשקיף לא קשור בכלל להכנסות או לשווי. מתוך 261 עמודי הליבה של המסמך, כ-80 מוקדשים לגורמי סיכון. תיאור הפעילות העסקית של החברה, לשם השוואה, מקבל 48 עמודים בלבד.

וחלק מהסיכונים רחוקים מאוד מהאזהרות הרגילות על תחרות או רגולציה. אנטרופיק כותבת שמודלים מתקדמים עלולים להפגין התנהגויות של "שימור עצמי", נסיונות להתנגד לכיבוי, להסתיר או לתמרן מידע ואפילו להפגין התנהגות שהחברה מתארת כדומה לסחיטה.

כאן חשוב לשים את הדברים בפרופורציה. אנטרופיק לא טוענת שקלוד (Claude) מסתובב היום ומנסה לסחוט משתמשים או למנוע מהם לכבות אותו. חלק מההתנהגויות האלה נצפו בתרחישי בדיקה וניסויים מבוקרים שנועדו לבחון כיצד מודלים פועלים במצבים קיצוניים.

אבל עצם הכניסה שלהן לתשקיף משנה את המשקל שלהן. אלה כבר לא רק תרחישים שנדונים במעבדות מחקר או במאמרי בטיחות. החברה עצמה סבורה שהם מהותיים מספיק כדי שמשקיעים פוטנציאליים יכירו אותם.

80 עמודים על מה שעלול להשתבש

ומה קורה כשהמודל יודע שבודקים אותו?

אחת האזהרות המעניינות ביותר בתשקיף נוגעת דווקא ליכולת לבדוק אם מודל בטוח. אנטרופיק כותבת שמודעות אפשרית של מודל לכך שהוא נמצא תחת הערכה יוצרת מגבלה משמעותית על היכולת להעריך את בטיחותו. חוקרי AI כבר מצאו שמודלים מתקדמים יכולים במקרים מסוימים לזהות מאפיינים של סביבת בדיקה ולהתאים את התנהגותם.

זו בעיה עמוקה יותר מבאג רגיל. אם מערכת מסוגלת להתנהג בצורה אחת בזמן מבחן ובצורה אחרת לאחר מכן, קשה יותר להסיק מבדיקות מוקדמות כיצד היא תפעל בעולם האמיתי. אנטרופיק אפילו מזהירה שיכולות בלתי צפויות עשויות להופיע במהלך האימון ולא להתגלות עד שהמודל כבר נמצא בשימוש.

מבחינת חברת AI, זה מערער הנחה בסיסית מאוד. כדי לנהל סיכון צריך קודם כל להיות מסוגלים למדוד אותו.

גם בתוך אנטרופיק יש הערכות קיצוניות

רויטרס מביאה גם את הערכתו של אוון הובינגר (Evan Hubinger), חוקר בטיחות באנטרופיק, שהעריך הסתברות של יותר מ-10% לכך שבינה מלאכותית תגרום למותם של בני אדם במהלך העשור הקרוב.

חשוב להדגיש שזו הערכה אישית של חוקר, ולא תחזית רשמית של אנטרופיק או קונצנזוס מדעי. אין כיום דרך מוסכמת ואמינה להצמיד מספר מדויק לסיכון קיומי מ-AI. ועדיין, עצם העובדה שנושאים כאלה נכנסים למסמך פיננסי שנועד למשקיעים היא שינוי מעניין. דיון שהיה מזוהה במשך שנים עם חוקרי בטיחות ופילוסופים של טכנולוגיה מתחיל להופיע לצד גורמי סיכון עסקיים ומשפטיים.

ואז מגיעים המספרים

לצד האזהרות, אנטרופיק מציגה עסק שצומח במהירות יוצאת דופן. לפי התשקיף שראו ברויטרס, הכנסות החברה זינקו פי 12 במהלך 2025 והגיעו לכמעט 4.6 מיליארד דולר.

הצמיחה הזאת יקרה מאוד. החברה רשמה הפסד תפעולי של יותר מ-8 מיליארד דולר. ההפסד הנקי התקרב ל-42 מיליארד דולר, למרות ש-34 מיליארד מתוכו נבעו מחיוב חשבונאי הקשור למימון שעשוי להפוך בעתיד למניות, ולא מהפעילות השוטפת.

הוצאות המחשוב והתשתיות הגיעו ל-7.33 מיליארד דולר בשנה, יותר ממחצית מהוצאות התפעול שלה. בנוסף, אנטרופיק מתכננת התחייבויות בהיקף של כ-518 מיליארד דולר לענן, מחשוב ותשתיות בשנים הבאות.

מול כל זה עומד יעד שווי של יותר מ-2 טריליון דולר, יותר מכפול מהערכת השווי של 965 מיליארד דולר שאנטרופיק ייחסה לעצמה רק בחודש מאי האחרון. השוק יצטרך להחליט כיצד מתמחרים צמיחה כזאת כאשר החברה עצמה מזהירה שהטכנולוגיה שמניעה אותה עלולה ליצור גם סיכונים חריגים שקשה לכמת.

בטיחות עולה כסף, והמרוץ לא מחכה

כאן נמצא אחד המתחים המעניינים ביותר בתשקיף. אנטרופיק בנתה חלק גדול מהזהות שלה סביב פיתוח אחראי ובטיחות AI. אבל במסמך היא מודה שעבודת הבטיחות צורכת משאבים רבים ושהתשואה העסקית על ההשקעה הזאת לא ממש ברורה.

החברה צריכה לחלק כוח מחשוב, כסף וחוקרים בין פיתוח מודלים חדשים לבין מחקר בטיחות. במקביל, היא כותבת שהכנסותיה מושפעות מהשקת מודלים חדשים ושקצב השקות רציף הוא חלק מהצורך להישאר בחזית הטכנולוגית.

זה אחד המתחים המרכזיים שמלווים כיום את מעבדות ה-AI המתקדמות ביותר. האטה יכולה לאפשר יותר זמן לבדיקות ולמחקר בטיחות, אבל בעולם שבו OpenAI, גוגל (Google), מטא (Meta) ואחרות ממשיכות להתקדם במהירות, היא עלולה לעלות בלקוחות, בכישרונות ובמעמד בשוק. האצה, מנגד, עלולה להגדיל סיכונים שקשה אפילו למדוד מראש.

הליכה על חבל דק

בעיניי, האזהרות האלה חשובות דווקא משום שהן מופיעות בתשקיף. קל יותר להתייחס לדיונים על סיכון קיומי כאל תרחישים תאורטיים כשהם מופיעים במאמרי מחקר, בבלוגים או בראיונות. כאשר חברה שמבקשת מהציבור להשקיע בה מכניסה אותם לרשימת גורמי הסיכון שלה, הם מקבלים מעמד אחר. הם הופכים לחלק מהמידע שהחברה חושבת שמשקיע צריך להביא בחשבון.

זה עדיין לא אומר שכל תרחיש שאנטרופיק מציגה צפוי להתממש. צריך להיזהר במיוחד מהערכות מספריות כמו זו של הובינגר. אין כיום קונצנזוס שמאפשר לומר שיש 10%, 5% או כל מספר אחר של סיכון לאסון כזה. אבל בעיניי קשה יותר להתעלם מהמתח שאנטרופיק עצמה חושפת.

מצד אחד, היא מאמינה שהמשך פיתוח המודלים ייצור ערך כלכלי עצום. מצד שני, היא אומרת למשקיעים שככל שהמערכות הופכות מתקדמות יותר, הן עלולות גם לייצר התנהגויות שיהיה קשה יותר לזהות ולשלוט בהן. ובאותו זמן היא פועלת בשוק שבו האטה עלולה לתת יתרון למתחרים. זה החבל הדק שעליו היא מנסה ללכת.

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

לפרטים נוספים לחצו כאן >>

זה הרבה יותר ממבחן שווי

ההנפקה של אנטרופיק תהיה הרבה יותר ממבחן לשווי של חברה אחת. היא תבחן כיצד וול סטריט מתמחרת עסק שהצמיחה שלו תלויה בטכנולוגיה שגם יוצריה מודים שהם לא מבינים עדיין את מלוא הסיכונים שלה.

OpenAI מתקדמת גם היא לעבר השוק הציבורי, ולכן החברה שתגיע ראשונה עשויה ליצור נקודת ייחוס משמעותית לאופן שבו המשקיעים מעריכים את חברות ה-AI הגדולות.

וזה אולי החלק המעניין ביותר בתשקיף של אנטרופיק. הדיון על סיכוני AI כבר לא נשאר רק במעבדות מחקר, בכנסים ובוויכוחים פילוסופיים. הוא נכנס למסמך שנועד למשקיעים, לצד הכנסות, הפסדים והתחייבויות של מאות מיליארדי דולרים.

אנטרופיק מבקשת מהשוק להאמין שה-AI שהיא בונה יכול להיות שווה טריליונים. באותו מסמך היא גם מזהירה שהמערכות האלה עלולות להפוך למסוכנות בדרכים שקשה לחזות או אפילו לבדוק מראש. שתי הטענות האלה כבר חיות באותו דוח כספי. עכשיו השאלה היא כמה השוק מוכן לשלם על שתיהן יחד.

הפוסט אנטרופיק מכוונת לשווי של 2 טריליון דולר ומזהירה מסיכוני AI קיומיים הופיע ראשון בLet's AI בינה מלאכותית

Dots מקבל משימה שאפשר להמשיך גם מחר

Dots הוא השם של הסוכנים האישיים החדשים. סוכן AI הוא מערכת שיכולה לתכנן צעדים, להשתמש בכלים ולעבוד לקראת מטרה שהגדרתם. לכל Dot יש מחשב ענן ודפדפן משלו. העבודה בענן יכולה להמשיך גם כשהמחשב שלכם כבוי.

ה-Dot מופעל באמצעות GPT-6 Astra, זוכר הקשר ולומד ממשוב. אפשר לתת לו אחריות מתמשכת, למשל לעקוב אחרי שינוי בדרישות של לקוח ולהכין עדכונים להצעה. כדי שזה יעבוד, צריך לחבר את מקורות המידע הרלוונטיים ולהסביר מה חשוב לכם ומה דורש אישור.

OpenAI מתארת מקרה של בודק מוקדם שה-Dot שלו הבחין כי שכח להוציא חשבונית, הכין אותה ושלח אותה לאחר שקיבל אישור. הדוגמה כמובן לא מבטיחה שהסוכן יזהה כל דבר שנשכח בעסק שלכם, אבל היא ממחישה את הכיוון.

ליוצר תוכן, אחריות מתמשכת יכולה להיות הכנת טיוטות לפרסום מתוך תמלולים חדשים. לאיש מכירות, הכנת עדכון להצעה בעקבות מידע שהתקבל מהלקוח. בכל מקרה, צריך להגדיר מה הסוכן קורא, מה הוא מכין ומה אתם בודקים לפני שימוש.

איך מתחילים עם Dot?

1. פתחו את Dots ב-ChatGPT במחשב, אם האפשרות זמינה בחשבון שלכם.
2. בחרו אחריות מצומצמת, כמו בדיקה יומית של משימות פתוחות בפרויקט אחד.
3. חברו רק את האפליקציות והמידע הנדרשים.
4. הגדירו כללים ברורים לשליחה, לפרסום, לרכישה ולשינוי מידע.
5. בדקו את התוצרים ואת הפעילות לפני הרחבת האחריות.

בקשה ראשונה יכולה להיות כך:

בכל בוקר בדוק את המשימות הפתוחות בפרויקט הזה. הכן רשימה של משימות ללא אחראי או עם מועד שעבר. צרף מקור לכל ממצא. אל תשנה רשומות ואל תשלח הודעות.

מחקר יזום ברקע משתמש בכלים מוגבלים לקריאה. לפעולות נוספות יש מנגנוני בדיקה וכללים שאפשר להתאים. הסוכן עדיין יכול לטעות, ולכן תוצאה שמשפיעה על לקוח, כסף או התחייבות עסקית דורשת בדיקה.

ה-Dot הראשון כלול ב-Pro וב-Business Premium ללא תשלום נוסף, עם מכסה לעבודה מעמיקה. ב-Enterprise, לרבות Edu ו-Healthcare, מדובר בבטא שמנהל סביבת העבודה צריך להפעיל. פתיחת הגישה הדרגתית.

OpenAI הציגה גם כיוון של Dots ייעודיים לארגונים, בעלי זהות והרשאות משלהם. אלה מתחילים בפיילוטים ממוקדים, לצד עבודה על שילוב עם Microsoft Agent 365. אין עדיין בסיס לתאר צוות Dots עצמאי כמוצר שזמין לכולם.

Space ו-Pages מרכזים את העבודה סביב פרויקט

ChatGPT Space הוא מרחב לעבודה משותפת של אנשים ו-AI. בתוכו אפשר לרכז ידע ותוצרים סביב צוות או נושא. Pages הם המסמכים שבהם העבודה עצמה מתקיימת.

אפשר ליצור Page מתוך שיחה, לערוך אותו ישירות, להוסיף טבלאות ותמונות ולשתף אחרים. למשל, עמוד ראשי של פרויקט יכול לכלול מטרות והחלטות, עם עמודים נפרדים למחקר, לפגישות ולתוכנית העבודה. ככה נשמר קשר בין ההחלטה למידע שעליו התבססה.

מסמכים, מצגות ותוצרים משותפים בסביבת העבודה החדשה

כדי להתחיל, בחרו פרויקט אחד וצרו עבורו עמוד עם המטרה, התוצאה הרצויה, האחראים והמקורות. לאחר מכן בקשו מ-ChatGPT לבצע שינוי מוגדר, כגון איתור החלטות שעדיין חסר להן אישור.

אל תניחו שמסמך מתעדכן מכל המיילים והיומנים מעצמו. עדכון מתמשך דורש מקורות מחוברים, הרשאות והוראות עבודה. תבדקו גם מי יכול לראות עמודים ותוצרים לפני שיתוף מידע עסקי. מידע שמועתק ממקור פרטי לתוך עמוד משותף נעשה גלוי לקוראי העמוד, גם אם אין להם גישה למקור עצמו.

Space ו-Pages זמינים במסלולי Pro, Business ו-Enterprise. מצגות שיתופיות, Collaborative Slides, צפויות להגיע בשבועות הקרובים. הן אמורות לאפשר עריכה משותפת וייצוא ל-PowerPoint ול-Google Slides.

עבודה חוזרת יכולה להיות משימה של הצוות

Teams ו-Shared Tasks מאפשרים לארגן אנשים סביב עבודה משותפת ולהגדיר משימות שחוזרות לפי לוח זמנים או אירוע. למשל, הכנת עדכון פרויקט בכל יום ראשון מתוך מקורות שהצוות הגדיר.

כאן כדאי להחליט מראש מי אחראי להנחיות, מאילו חשבונות נשלף המידע ומי רשאי לראות את התוצאות. חיבור של חשבון אישי למשימה צוותית מחייב בדיקה של המידע והפעולות שהוא חושף לצוות.

עבודה משותפת עם ChatGPT

בנוסף, אפשר להזמין את ChatGPT לשיחות ב-Slack וב-Microsoft Teams באמצעות תיוג ‎@ChatGPT. כך אנשים יכולים להוסיף הקשר ולחדד את התוצאה בתוך השיחה. ההכרזה כוללת השתתפות של חברי צוות בלי רישיון אישי ל-ChatGPT, במסגרת החיבור הארגוני. יכולות הצוות והשילוב בשיחות מיועדות למסלולי Business ו-Enterprise.

Meetings הופך פגישה לחומר שאפשר לעבוד איתו

תוסף Meetings מתעד פגישות מקוונות ושיחות בחדר באמצעות המיקרופון ושמע המערכת במחשב, בלי בוט שמצטרף לשיחה. הוא שומר סיכום אישי והצעות למשימות המשך ב-Space.

למשל, אחרי פגישת לקוח אפשר לבדוק את הסיכום ולבקש טיוטת מייל עם ההחלטות והפרטים שחסרים להמשך. ההצעות למשימות ניתנות לבדיקה ולעריכה לפני הפעלתן.

להתחלה, מתקינים את Meetings מתוך Plugins באפליקציית ChatGPT ל-Mac, משלימים את ההגדרה ומעניקים הרשאות למיקרופון ולשמע המערכת. אפשר להתחיל ידנית בלי לחבר יומן. צריך ליידע את המשתתפים ולקבל את הסכמתם לפני התיעוד. התזכורת באפליקציה אינה עושה זאת עבורכם.

השירות בבטא ב-macOS למנויי Pro ו-Business. התמיכה הרחבה ב-Enterprise ובמערכות נוספות עדיין בדרך. האודיו נמחק לאחר שהסיכום מוכן, אך הסיכום והתמלול הם מידע נפרד. בדקו שמות, מספרים והתחייבויות לפני שיתוף.

Plugins מחברים כלים ותהליכים לסביבת העבודה

פלאגין (Plugin), או תוסף, יכול לספק הוראות עבודה לשימוש חוזר, חיבור לשירות חיצוני ולעיתים גם ממשק. הרחבות Plugin Extensions מאפשרות למפתחים להוסיף מקום לתוסף בסרגל הצד, מסכים לצד השיחה ותצוגות לסוגי קבצים נתמכים.

לעסק שבונה כלי דיגיטלי, זו אפשרות להציג ממשק מותאם בתוך ChatGPT. לדוגמה, מסך עבודה שמציג נתונים ומאפשר למשתמש לבחור פעולה. עצם קיומו של חיבור לשירות אינו אומר שכל הממשקים האלה כבר זמינים בו.

תוספים, אתרים ואוטומציות: הכלים שמרחיבים את סביבת העבודה

OpenAI גם משפרת את Plugin Creator, את תהליך הגשת התוספים ואת הגילוי שלהם. כלי הבנייה יכול לעזור להכין תוסף, אבל תוסף שמתחבר למערכת עסקית דורש עדיין הגדרת גישה, בדיקות ולעיתים פיתוח.

אפשר גם לשלב תוספים נתמכים ב-Sites, האתרים והכלים שבונים בסביבת ChatGPT. במסגרת ההכרזה, היכולת מיועדת למסלולים הארגוניים Business, Enterprise, Healthcare ו-Edu, עם המידע וההרשאות של המשתמש הרלוונטי.

MCP Events מתחיל עבודה כשמשהו קורה

MCP, קיצור של Model Context Protocol, הוא פרוטוקול פתוח שמאפשר למערכות AI להתחבר לכלים ולמידע. MCP Events מוסיף אפשרות להגיב לעדכון במערכת מחוברת, כמו הודעה חדשה או שינוי בתוכן.

למשל, משתמש יכול לבקש לעקוב אחרי הערות במסמך ולהכין תיקונים כשהערה חדשה מגיעה. זו אוטומציה שמתחילה בעקבות אירוע, ולא רק בשעה קבועה.

האפשרות תלויה בכך שהתוסף והשירות המחובר תומכים באירועים. חיבור קיים ל-ChatGPT לא מבטיח תמיכה כזאת. למשתמש העסקי כדאי להתחיל בשאלה ממוקדת, איזה אירוע או טריגר מפעיל את העבודה ומה בדיוק צריך לקרות בעקבותיו?

GPT-6.1 Sol מאפשר לבדוק עבודה מורכבת בעלות נמוכה יותר

GPT-6.1 Sol הוא שדרוג ל-GPT-6 Sol, עם שיפור בעבודה על קוד, שימוש במחשב ומשימות מקצועיות. בבדיקות שפרסמה OpenAI הוא מתקרב לביצועי Astra במספר תחומים, במחירי קלט ופלט רגילים שהם חמישית ממחירי Astra.

גם GPT 6.1 Sol הושק

מחיר הטוקנים הוא מחיר יחידות המידע שהמודל מקבל ומפיק. זה חשוב במיוחד בתהליכים שמריצים הרבה בקשות. עם זאת, מחיר לטוקן אינו העלות המלאה של משימה. מספר הניסיונות, אורך העבודה והשימוש בכלים משפיעים גם הם.

GPT-6.1 Sol: near-Astra intelligence for a fifth of the price.

It’s the most cost-efficient model for its performance available today. pic.twitter.com/hH8PnE2Oxk

— OpenAI (@OpenAI) September 29, 2026

Sol החדש זמין ב-ChatGPT Work וב-Codex למנויי Plus, Pro, Business, Enterprise ו-Edu, וכן ב-API, הממשק שמאפשר לתוכנות להשתמש במודל. במועד ההכרזה הוא עדיין אינו זמין בצ'אט הרגיל.

הדרך לבדוק התאמה היא להריץ עליו כמה משימות מייצגות, כמו ניתוח מסמך או הכנת תוצר מקצועי, ולבחון את הדיוק ואת התיקונים הנדרשים. תוצאה טובה במחיר נמוך יותר יכולה להיות משמעותית יותר מציון בודד במבחן.

Ultrafast מקצר המתנה, וצורך יותר מכסה

Ultrafast הוא מסלול מהירות ל-GPT-6 Astra. מדובר על יצירת טוקנים במהירות של עד פי 8 ב-Codex ועד פי 6 ב-API. הנתון מתייחס לקצב הפקת הטקסט, ולכן לא מבטיח שכל משימה תסתיים פי שמונה מהר יותר. בדיקות קוד, חיפוש והמתנה למערכות אחרות עדיין לוקחים זמן.

This is Ultrafast.

Our premium speed tier, Ultrafast offers up to 8x faster token generation (300 tokens per second) in Codex and up to 6x in the API. pic.twitter.com/ekyzT1vFan

— OpenAI (@OpenAI) September 29, 2026

ב-Work וב-Codex הגישה נפתחת ל-Pro 500 (סוג מנוי חדש) ולסביבות Enterprise ו-Edu שיש להן זכאות. שימוש ב-Ultrafast צורך את מכסת המנוי בקצב של פי 8 מהמצב הרגיל. לקרדיטים שנרכשו ולחיובים ארגוניים יש כללים נפרדים.

כדאי לבדוק את המצב הזה במשימות שבהן אתם ממתינים לתוצאה כדי להמשיך לעבוד. משימה שרצה בלילה עשויה להרוויח פחות ממהירות שעולה יותר במכסה. Ultrafast ל-GPT-6.1 Sol הוכרז כיכולת שתגיע בהמשך.

ארבע הכרזות Codex שחשובות למי שבונה כלי

קודקס (Codex), למי שלא יצא להכיר, הוא כלי לעבודה על תוכנה, כולל קריאת קוד, כתיבה, בדיקות וסקירת שינויים. החידושים רלוונטיים גם לבעל עסק שעובד עם מפתח או בונה כלי פנימי.

קודקס בענן מאפשר להגדיר סביבת פיתוח עם הקוד, הכלים וההרשאות של הפרויקט. משימות יכולות להמשיך כשהמחשב סגור, ואפשר לבדוק את התוצאה ולהמשיך מהמחשב או מהטלפון. לפני שמתחילים צריך להכין את סביבת הפרויקט ולהגדיר את הגישה הנדרשת. למשימות שמשנות קבצים, מומלץ לעבוד בעותק נפרד או עם גיבוי ולבקש תוכנית מסודרת לפני תחילת השינויים.

Codex CLI, הממשק שפועל בחלון הפקודות, מתחדש בהנחיות קוליות, תצוגת ניהול סוכנים ושיפורים לעבודה ארוכה. זה בעיקר כלי למי שכבר עובד בסביבת פיתוח כזאת.

Code Review עוזר להבין שינויי קוד ולאתר בעיות לפני אישור. אפשר לקרוא סיכומים, לבדוק את ההבדלים ולבקש הסבר על הסיכונים. סקירות אוטומטיות בענן יכולות לספק בדיקה ראשונית גם כשאתם לא מול המחשב.

Codex Security Cloud מתמקד בחולשות אבטחה במאגרי קוד ב-GitHub. הוא מאפשר סריקה ומעקב אחרי שינויים, בדיקת ממצאים והכנת תיקונים מוצעים. תיקון כזה צריך לעבור סקירה ובדיקות לפני שילוב שלו במערכת.

Codex Security Cloud is getting a major upgrade, with access to cyber-capable models through Daybreak Blue included by default.

It scans entire GitHub repos, continuously reviews new commits, investigates and deduplicates findings, and prepares fixes for review – even when your… pic.twitter.com/up1hpkiCAK

— OpenAI (@OpenAI) September 29, 2026

שלוש תשתיות למפתחים, ומה הן נותנות לעסק

Decisions API ממקד את מודל Luna בבחירה מתוך תשובות מוגדרות. למשל, סיווג פנייה כמכירות, תמיכה או חיוב. הוא מיועד להחלטות ממוקדות בתוך תוכנה, והושק בתצוגה מקדימה מוגבלת.

Agents API עם Computer Use מספק למפתחים תשתית לסוכנים שמשתמשים בכלים ובדפדפן לביצוע משימות. למשל, בדיקת אתר דרך הממשק שלו. כדי להפוך את היכולת לשירות עסקי, נדרש עדיין להגדיר תהליך, הרשאות וטיפול בכשלים.

Bedrock Managed Agents, שנמצא בתצוגה מקדימה, הוא השילוב עם AWS, הענן של אמזון. הוא מיועד לבניית סוכנים של OpenAI שפועלים בתוך AWS ומשתלבים במשאבי הארגון שם. עבור חברה שכבר משתמשת בענן הזה, זו אפשרות לבחון הטמעה בתוך התשתית הקיימת.

כלי הפיתוח החדשים של OpenAI והשת״פ עם AWS

Private Intelligence להגנה על מידע ארגוני

Private Intelligence הוא שם כולל ליכולות שנועדו להגן על מידע ארגוני בזמן השימוש ב-AI.

אחת מהן משלבת בין Zero Data Retention, כלומר אי-שמירת תוכן הבקשות והתשובות אצל OpenAI, לבין Private Safety Processing שזה מנגנון שבודק אוטומטית אם השימוש מפר את כללי הבטיחות, בלי לחשוף את התוכן המוגן לעובדי החברה.

בדרך הזו ארגון יכול להשתמש ב-AI לעבודה עם מידע רגיש, תוך צמצום שמירת המידע והגישה האנושית אליו. חשוב להבין שהמידע יכול להישמר באחסון שבשליטת הלקוח לצורכי הבדיקה. שם המוצר לא אומר ששום מידע לא נשמר בשום מקום.

Private Inference נועדה להגן על המידע גם בזמן שה-AI מעבד אותו, באמצעות סביבת מחשוב מוגנת ובקרות שאפשר לאמת. לפי OpenAI, תצוגה מקדימה שלה צפויה בסתיו 2026.

לארגון עם מידע רגיש כדאי לבדוק איזה שירות נכלל, איפה מתבצע העיבוד, מי מנהל את המפתחות גישה ומהן חובות התפעול. החלטה כזאת דורשת את אנשי האבטחה והמערכות של הארגון.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מטמיעי AI

לפרטים נוספים לחצו כאן >>

המנויים משתנים גם כשהמחיר נשאר זהה

Pro 500, שכשמו כן הוא, עולה 500 דולר לחודש, הוא עם המכסה הגבוהה ביותר במסלולי Pro וגישה ל-Astra Ultrafast. בהכרזה OpenAI מתארת מכסה של פי 25 מ-Plus. היחס לא מבטיח כמובן פי 25 משימות, משום שמשימות ומודלים צורכים שימוש בקצב שונה.

Pro 200 נפתח מחדש למצטרפים במחיר של 200 דולר, עם מכסה נמוכה מהקודמת. מנויים זכאים שומרים על המכסה הישנה עד 29 באוקטובר 2026, כל עוד המנוי פעיל, ולאחר מכן עוברים למכסה החדשה.

טיבו סוטיו (Thibault Sottiaux) הידוע בכינויו Tibo מ-OpenAI תיאר את השינוי כחצי מהשווי הקודם במונחי הוצאות API. ההסבר שלו הוא שמודלים זולים ויעילים יותר יכולים לאפשר יותר עבודה גם במסגרת שווי כספי נמוך יותר. זו טענה שצריך לבחון במשימות שלכם, ולא להסיק ממנה מראש שהשינוי משתלם לכל משתמש.

לפני שדרוג, תבדקו מה מגביל אתכם בפועל. אם אתם כמעט לא מגיעים למכסה, מסלול יקר יותר לא בהכרח יעזור. אם ההמתנה מעכבת עבודה בתשלום, תבדקו האם החיסכון בזמן מצדיק את תוספת המחיר ואת צריכת המכסה.

החשבון שלכם יכול לשמש גם מחוץ ל-ChatGPT

Sign in with ChatGPT מאפשר להיכנס לשירותים משתתפים באמצעות חשבון ChatGPT. משתמשי Plus ו-Pro יכולים גם לבחור לאפשר לשירותים זכאים להשתמש במכסת Work ו-Codex שלהם.

השימוש יורד מהמכסה הקיימת. אפשר להגדיר מגבלה שבועית לכל שירות ולעקוב אחרי הצריכה. לשירות החיצוני עדיין יכולים להיות מנוי או תשלומים משלו, ולכן חיבור החשבון לא הופך את כל השירות לחינמי.

חיבור Devin לחשבון ChatGPT, עם אפשרות לאשר שימוש במכסת המנוי

Shareable Profiles מרכזים תוצרים שאפשר להציג ולשתף, ובהם Sites. הפרופיל יכול לעזור לאנשים לגלות את מה שבניתם. הצגת פרופיל היא לא תחליף לבדיקה של הרשאות, והפרטים הנתמכים משתנים לפי סוג החשבון ושלב ההשקה.

OpenAI Marketplace מיועד לרכש ארגוני. לקוחות Enterprise זכאים יכולים להפנות חלק מהתחייבות ההוצאה שלהם ל-OpenAI לרכישת תוכנות שותפים מאושרות. זו אפשרות מסחרית עבור ארגונים עם הסכם מתאים, ולא חנות חדשה שכל משתמש צריך לפתוח.

מרקטפלייס שמיועד לרכש ארגוני

מה אפשר לנסות עכשיו?

הטבלה המסכמת שצירפתי מציגה את היכולות המרכזיות נכון ל-30 בספטמבר. גם במסלול מתאים, הגישה יכולה להיפתח בהדרגה או להיות תלויה בהגדרות הארגון:

היכולות המרכזיות נפתחות בהדרגה

איך מתחילים?

25 ההכרזות מציעות אפשרויות שונות, וההמלצה שלי היא לבחור מתוכן יכולת אחת שמתאימה לעבודה שאתם כבר עושים:

• מתקשים לעקוב אחרי החלטות מפגישות? נסו את Meetings ובדקו אם הסיכום ומשימות ההמשך חוסכים לכם זמן.
• המידע והמסמכים של הצוות מפוזרים? נסו לרכז פרויקט אחד ב-Space וב-Pages ולבדוק אם קל יותר למצוא מידע ולעבוד עליו יחד.
• מכינים שוב ושוב את אותו עדכון? נסו Shared Tasks למשימה חוזרת, כמו סיכום שבועי לצוות.
• צריכים מעקב מתמשך אחרי לקוח או פרויקט? הגדירו ל-Dot אחריות מצומצמת ובדקו אם הוא מביא לכם עבודה שימושית לאישור.
• מפתחים תוכנה או כלי פנימי? נסו את יכולות Codex בענן או את Code Review ובדקו אם הן מקצרות את העבודה ומשפרות את התוצאה.

הכי חשוב להתחיל בתהליך אחד שאפשר למדוד. ההמלצה שלי היא להתחיל במשימה אחת שחוזרת אצלכם ולבדוק אם הכלים החדשים באמת מקלים על העבודה. אין צורך לחבר את כל המערכות או להפעיל סוכן קבוע כבר ביום הראשון.

התחילו ביכולת שזמינה לכם, תבדקו אותה בכמה ניסיונות ותשוו לעבודה הרגילה: כמה זמן נחסך, כמה תיקונים נדרשו והאם התוצאה טובה יותר. לא צריך לנסות את כל החידושים. כדאי למצוא את זה שפותר בעיה שחוזרת אצלכם, ולהרחיב את השימוש רק אחרי שראיתם שהוא מועיל בפועל.

הפוסט סקירה מקיפה על DevDay 2026 של OpenAI הופיע ראשון בLet's AI בינה מלאכותית

מספר הטוקנים למשימה עשוי לרדת

מחיר השימוש ב-Sonnet 5.5 זהה לזה של Sonnet 5. מפתחים משלמים 2 דולר למיליון טוקנים שנכנסים למודל (קלט) ו-10 דולר למיליון טוקנים שהוא מפיק (פלט). טוקנים הם יחידות הטקסט שלפיהן מחושב החיוב.

החיסכון שאנטרופיק מתארת מגיע מכך שהמודל נזקק בדרך כלל לפחות טוקנים כדי להשלים משימה, ולא מהוזלה של כל יחידה.

כמה עולה השימוש במודל החדש | Anthropic

ההבחנה הזאת חשובה במיוחד למי שמפעיל את קלוד (Claude) דרך ממשק למפתחים ומשלם לפי שימוש. אם כתבתם בקשה פשוטה, החיסכון במחיר עשוי להיות מינורי. במשימה ארוכה שדורשת בדיקות ותיקונים, יותר צעדים או קריאות לכלים הוא עשוי להיות משמעותי יותר.

אנטרופיק טוענת ש-Sonnet 5.5 כותב תשובות ביותר מ-30% מהר יותר מ-Sonnet 5, אבל זה כמובן לא אומר שכל משימה תסתיים מהר יותר באותו שיעור.

מודל למשימות מוגדרות עם תוצאות של Opus

אנטרופיק מייעדת את Sonnet 5.5 למשימות יומיומיות בעלות יעד ברור, לתיקון באגים וליצירת מסמכים, מצגות וגיליונות. Opus 5.5 נשאר, גם לפי החברה, הבחירה החזקה יותר לעבודות מורכבות שדורשות שיקול דעת לאורך זמן. החלוקה הזאת מסבירה את מקומו של Sonnet במשפחה: מודל שמנסה לספק תוצאה טובה במהירות גבוהה יותר ובעלות נמוכה יותר.

טבלת הביצועים והשוואה מול מודלים אחרים | anthropic

טבלת הבנצ׳מארקים מציגה שיפור של Sonnet 5.5 על פני Sonnet 5 בכל המבחנים שמופיעים בה. במבחן Terminal-Bench 4.0 למשימות תכנות מרובות שלבים, למשל, הציון עלה מ-10.3% ל-70.6%. במבחן של עבודה מקצועית מתחומים שונים התוצאה שלו קרובה לזו של Opus 5.5.

הפערים במבחנים בולטים, אבל הם לא אומרים ש-Sonnet עדיף בכל משימה. באנטרופיק טוענים ש-Opus עדיין מתאים יותר למשימות מורכבות שבהן צריך להבין מה הבעיה, להחליט איך לגשת אליה ולבחון כמה אפשרויות.

תלחצו על Sonnet החדש בבורר המודלים כדי להתנסות

לצד השיפור בתכנות, אנטרופיק מדווחת על כתיבה ברורה יותר, עיצוב ממשקים משופר ויכולת טובה יותר להיצמד לתבניות. בבדיקה פנימית, Sonnet 5.5 הכין מצגת בת עשרה שקפים על סמך דוחות כספיים ותמלילי שיחות משקיעים. שני מומחים קבעו שהטיוטה הראשונה מוכנה לשליחה. זו תוצאה מרשימה, אבל צריך לראות אם משתמשי קצה יגיעו לתוצאה דומה בעבודה היומיומית.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מטמיעי AI

לפרטים נוספים לחצו כאן >>

Sonnet 5.5 זמין, Haiku בדרך

Sonnet 5.5 זמין כעת בפלטפורמות של אנטרופיק ובשירותי הענן של אמזון, גוגל ומיקרוסופט.

Claude Haiku 5.5, שמיועד לשימוש בהיקפים גדולים ובמחיר אטרקטיבי, צפוי להצטרף בשבועות הקרובים.

למשימות שוטפות ומוגדרות, כדאי להתחיל ב-Sonnet 5.5 ולעבור ל-Opus 5.5 כשהתוצאה לא מספקת או כשהמשימה דורשת שיקול דעת מעמיק יותר. ככה תוכלו לבדוק אם Sonnet מספק ברוב המקרים תוצאה טובה בפחות זמן ובעלות נמוכה יותר.

הפוסט אנטרופיק השיקה את Claude Sonnet 5.5 הופיע ראשון בLet's AI בינה מלאכותית

רק חשוב לדעת מראש: רוב מה שמתואר כאן עוד לא הגיע אלינו. היכולות מגיעות בהדרגה דרך Frontier, תוכנית הגישה המוקדמת של מיקרוסופט לפיצ׳רים בתצוגה מקדימה, או נכנסות לתצוגה מקדימה סגורה. בכל סעיף תמצאו מה מיקרוסופט אומרת על הזמינות.

1. Home: שואלים ב-Chat, מוסרים ב-Cowork, ובאותו מקום

עד היום: העבודה שלכם קופצת כל הזמן בין פגישות, צ׳אטים, מסמכים, מיילים ואפליקציות, ו־Copilot היה עוד חלון אחד בתוך הבלגן. רציתם תשובה מהירה? שיחה. רציתם שמישהו יכין בשבילכם עבודה שלמה? זה כבר היה כלי אחר, Cowork (״עבודה משותפת״), שמיקרוסופט השיקה בנפרד.

מה חדש: Home הוא מסך הפתיחה החדש של Copilot, ושם Chat ו־Cowork נפגשים. לפי מיקרוסופט, ב־Home אתם רואים את הפעילות האחרונה שלכם, מקבלים הצעות למה ש־Copilot יכול לעזור בו, וממשיכים בדיוק מהנקודה שבה עצרתם.

החלוקה בין השניים פשוטה. Chat הוא למה שמהיר ושיחתי: שאלה קצרה, בדיקה של משהו, טיוטה ראשונה. Cowork הוא לעבודה שאתם מוסרים. אתם מגדירים את המשימה, והוא מבצע אותה מההתחלה ועד הסוף ומחזיר תוצאה גמורה. מיקרוסופט נותנת דוגמאות כמו מענה למכרז (RFP), ערכת השקה, תדריך לפני פגישה עם לקוח או חבילת סגירה כספית. ועוד משהו שמיקרוסופט מבטיחה ״בקרוב״: לא תצטרכו לבחור בכלל. תכתבו מה אתם צריכים, ו־Copilot יפנה את העבודה לבד ל־Chat, ל־Cowork או ל־Code, לפי מה שמתאים.

בפועל: מנהלת שיווק שואלת ב־Chat ״מה סיכמנו בפגישה האחרונה עם הסוכנות?״, ומיד אחר כך, באותו מסך, מוסרת ל־Cowork משימה שלמה:

«הכן ערכת השקה למוצר החדש: מסר מרכזי, שלושה פוסטים לרשתות החברתיות, מייל ללקוחות הקיימים וטבלת לוחות זמנים. תתבסס על מסמך האפיון שבתיקייה של הצוות.»

זמינות: לפי מיקרוסופט, Home יתחיל להגיע למשתתפי Frontier ״בשבועות הקרובים״.

2. Office בתוך Copilot: מבקשים תקציב, מקבלים קובץ Excel אמיתי

עד היום: ביקשתם מצ׳אטבוט טבלה או מצגת, וקיבלתם טקסט. אחר כך העתקתם אותו לקובץ, העיצוב נשבר, ופתאום היו לכם שלוש גרסאות של אותו מסמך.

מה חדש: מיקרוסופט מכניסה את Word, Excel ו־PowerPoint לתוך Copilot, תחת השם Office in Copilot. לפי החברה, מתוך Home אפשר לבקש טיוטה של תדריך השקה, מודל תקציב או מצגת, או להמשיך קובץ שהצוות כבר עובד עליו, ו־Copilot יוצר או מעדכן מסמך, גיליון או מצגת אמיתיים שאפשר לערוך. הקובץ, כך לפי מיקרוסופט, חי ומשותף לכל הצוות, לא רק לכם. אפשר ללטש אותו לצד השיחה, לתייג עמית עם @ ולראות את השינויים שלו ברגע שהוא עושה אותם, והכול נשאר מסונכרן בין Copilot לאפליקציות Office עצמן.

גם באפליקציות עצמן יש חידושים, לפי מיקרוסופט: PowerPoint שומר על המצגות בשפה העיצובית של המותג באופן אוטומטי ומאפשר להחיל תבנית מותאמת במהירות. ב־Excel, כש־Copilot או עמית משנים משהו, אפשר לראות בדיוק מה השתנה ולמה, ו־Copilot ממליץ על הגרף המתאים לנתונים. ובכל Microsoft 365 מגיעות Skills (״מיומנויות״): ידע מקצועי שמובנה באפליקציות, כמו מיומנויות פיננסיות ב־Excel ומשפטיות ב־Word, שארגונים יכולים להפוך לתהליכי עבודה קבועים לפי תפקיד.

בפועל: מנהל תפעול מבקש מודל תקציב, ומתייג את החשבת כדי שתעבור על ההנחות, בלי לשלוח קובץ במייל:

בנה מודל תקציב לרבעון הראשון של 2027 למחלקת התפעול, לפי ההוצאות של הרבעון הקודם בקובץ המצורף. הוסף עמודה של סטייה באחוזים וגרף שמתאים לנתונים.

זמינות: ההודעה לא מציינת מועד נפרד ל־Office in Copilot. היא מוצגת כחלק מחוויית Home.

3. Code: מתארים במילים, מקבלים כלי עבודה

עד היום: יחידת העבודה של עובדי משרד הייתה קובץ: מסמך, גיליון, מצגת. צריכים כלי פנימי קטן, למשל מעקב אחרי בקשות או דשבורד למנהלים? נכנסים לתור של מחלקת הפיתוח, או בונים עוד גיליון Excel מסובך שרק אתם מבינים.

מה חדש: לפי מיקרוסופט, Code מוציא את בניית הפתרונות מהתחום הבלעדי של המפתחים. הקבצים לא הולכים לשום מקום, אבל Code מוסיף ״יחידה רביעית״: פתרונות קטנים ומותאמים שכל אחד יכול ליצור כדי לסגור משימה. מתארים בשפה רגילה אפליקציה, מעקב, דשבורד, אוטומציה או תהליך עבודה, ו־Copilot בוחר איך לגשת לזה ובונה. התוצאה יכולה להיות וידג׳ט קבוע על שולחן העבודה, דשבורד אינטראקטיבי שבו אפשר לשחק עם הנתונים ולבדוק תרחישים, או אפליקציה פנימית בענן שמשתפים עם הצוות.

מאחורי הקלעים, לפי מיקרוסופט, Code מבוסס על אותה טכנולוגיה כמו GitHub Copilot, כלי התכנות של החברה למפתחים. הוא עובד בסביבה מבודדת (sandbox), כזו שלא יכולה לפגוע בשאר המערכות, ואפשר לארח אותו בתוך הסביבה הארגונית של החברה ב־Microsoft 365. המפתחים, אגב, לא הולכים הביתה: הם ממשיכים לעבוד ב־GitHub Copilot, עם יותר חיבורים לפלטפורמה של Copilot.

אם שמעתם על ״וייב קודינג״ (vibe coding), בנייה של תוכנה מתיאור מילולי בכלים כמו Claude Code או Lovable, זה אותו רעיון בסיסי, רק בתוך המעטפת הארגונית של Microsoft 365. כדי שמה שנבנה יוכל לעבוד בבטחה, מיקרוסופט משיקה גם את Microsoft Copilot Managed Runtime: תשתית אירוח שמאפשרת לקוד לפעול בתוך סביבת Microsoft 365 של החברה, בפיקוח של מחלקת ה־IT. לפי מיקרוסופט, העובדים יכולים לשתף אפליקציה עם עמיתים, לחבר אותה לנתונים חיים ולגשת אליה מכל מקום. התשתית נפתחת גם לכלים של חברות אחרות. בפוסט נפרד של מיקרוסופט על התשתית מופיע ציטוט מ־Lovable, שלפיו אפליקציה שנבנתה אצלם תוכל לעבוד בתוך הסביבה הארגונית, עם אותה התחברות ואותם כללים כמו כל השאר.

מיקרוסופט גם מנסחת כאן טענה שכדאי לעצור עליה: לדבריה, ללמוד לבנות פתרונות כאלה הופך למיומנות בסיסית, כמו לכתוב מזכר או לבנות תקציב.

בפועל: רכזת משאבי אנוש שמאסה במעקב ידני אחרי קליטת עובדים חדשים:

בנה לי דשבורד שמראה את כל העובדים החדשים שמתחילים החודש, מה כל אחד כבר השלים בתהליך הקליטה ומה עוד חסר. אני רוצה לשתף אותו עם מנהלי הצוותים.

זמינות: לפי מיקרוסופט, Code מגיע ל־Frontier בסוף החודש, עם זמינות רחבה ״בשבועות הקרובים״, ובהמשך השנה ייכנס לתצוגה מקדימה גם למנויי Microsoft 365 Premium ו־Pro. Copilot Managed Runtime כבר זמין בתצוגה מקדימה.

4. Autopilot: עמית דיגיטלי שממשיך לעבוד כשאתם לא

עד היום: גם הכלים החכמים ביותר חיכו לכם. אתם כותבים בקשה, הם עונים. סגרתם את החלון? העבודה נעצרה.

מה חדש: Autopilot, שנקרא עד עכשיו Scout, הוא לפי מיקרוסופט ״חבר הצוות הדיגיטלי שלכם״. נותנים לו שם, תפקיד ומטרה, והוא יוצא לעבודה: עוקב אחרי ערוצים, ממשיך שרשורי שיחה, מבצע עבודה שחוזרת על עצמה, וחוזר לפרויקט גם כמה ימים אחר כך, בלי לחכות לבקשה מכם. הוא מתארח בענן, ולכן, לפי מיקרוסופט, ממשיך לעבוד גם כשאתם ישנים או עסוקים בדברים אחרים.

ל־Autopilot יש, לפי החברה, זהות משלו, זיכרון, מחשב וסביבת עבודה בתוך הסביבה הארגונית, והוא מבוסס על Microsoft IQ, שכבת המידע של מיקרוסופט שמחברת את Copilot לאופן שבו הארגון שלכם עובד בפועל. הוא מופיע איפה שכבר עובדים: Teams, Outlook, צ׳אטים, ערוצים ומסמכים. אפשר לתייג אותו עם @ כמו עמית, ומאחוריו עומדות הרשאות, תיעוד פעולות (audit) ובקרה. אתם קובעים את המטרה ואת הגבולות, והוא מטפל בשאר, תוך שהוא מעדכן אתכם.

בפועל: הדוגמה של מיקרוסופט עצמה מגיעה מעולם התפעול: לנהל תהליך שלם של סקירת ספקים. Autopilot בונה את לוח הזמנים ואת תוכנית העבודה, מטפל בהכנות, בפגישות ובמעקב, ואפילו פונה לבעלי העניין כדי לקבל עדכונים. ככה אפשר היה לנסח לו את התפקיד:

השם שלך: ״סקירת ספקים״. התפקיד שלך: לנהל את סקירת הספקים הרבעונית. המטרה: עד סוף החודש כל חמשת הספקים המרכזיים נבדקו. בנה לוח זמנים, תאם פגישות ושלח תזכורות לבעלי העניין בחברה. אל תפנה לספקים עצמם בלי אישור שלי.

זמינות: לפי מיקרוסופט, Autopilot מתרחב לתצוגה מקדימה סגורה (private preview) בסוף החודש. כלומר, בשלב הזה הוא לא פתוח לכולם.

5. הנתונים של הארגון נכנסים לשיחה

עד היום: כש־Copilot הכין לכם מסמך, מספרים ממערכות ה־BI או ממערכת ניהול הלקוחות הייתם צריכים לחפש לבד, להעתיק ולקוות שלא התבלבלתם.

מה חדש: לפי מיקרוסופט, Copilot מבוסס על Microsoft IQ, שמחבר את האופן שבו העסק פועל עם הידע שהוא מחזיק, לתמונה אחת בזמן אמת. עכשיו ההקשר הזה מתרחב. Fabric IQ מכניס ל־Copilot הקשר מהנתונים של הארגון, כולל מודלים סמנטיים (semantic models) ב־Power BI. מודל סמנטי הוא, בפשטות, השכבה שבה הארגון הגדיר מה כל מספר אומר. מיקרוסופט מציינת שיש ב־Power BI יותר מ־20 מיליון מודלים כאלה. Fabric IQ כבר זמין לכולם (GA) ב־Chat וב־Cowork, והחיבור ל־Code יגיע בקרוב דרך Frontier.

בנוסף, לפי מיקרוסופט, Copilot מתחיל להתבסס גם על נתונים ותהליכים מ־Dynamics 365 ומ־Power Platform, בתצוגה מקדימה ציבורית שתתגלגל במהלך החודש הקרוב. הדוגמה שלהם: איש מכירות שכותב הצעה, ו־Copilot מכניס למסמך את היסטוריית העסקה ואת קריאות השירות של הלקוח, בלי לדלג בין מערכות. ולצד זה מגיע מאגר תוספים (plugin registry) מרוכז, שבו מחלקת ה־IT מאשרת ומנהלת במקום אחד תוספים של מיקרוסופט, של שותפים ושל הארגון עצמו. לפי מיקרוסופט, המאגר מתחיל להגיע עכשיו ויהיה זמין לכולם בשבועות הקרובים.

בפועל: מנהלת כספים שרוצה תשובה בלי לבנות דוח:

לפי מודל המכירות ב־Power BI, אילו שלושה אזורים ירדו הכי הרבה ברבעון האחרון? תן הסבר קצר לכל אחד.

6. כמה זה עולה, ומי מחליט

עד היום: רישיון Copilot היה בעיקר עניין של מחיר קבוע לכל משתמש בחודש.

מה חדש: מיקרוסופט מפרידה עכשיו בין שני סוגים של עבודה. ״AI יומיומי״, כמו תשובות מהירות, טיוטות, סיכומים וניתוחים, נשאר תחת רישיון המשתמש (USL) במחיר קבוע: Copilot ב־Chat וב־Word, Excel, PowerPoint, Outlook ו־Teams, כולל בחירת מודל. במרכז הרישיון נמצא Auto, מנגנון שבוחר לכל בקשה את המודל המתאים לפי דיוק, מהירות ועלות.

עבודה סוכנית, כזו שנמשכת זמן רב ומתבצעת בלי השגחה צמודה, עוברת לחיוב לפי שימוש (UBB), באמצעות Copilot Credits. לפי מיקרוסופט, Cowork, Code ו־Autopilot כולם נמצאים בחיוב לפי שימוש. בפוסט נפרד על מודל התמחור מיקרוסופט מוסיפה שהחיוב הזה נבנה על גבי רישיון המשתמש, שנדרש כדי לגשת ליכולות האלה, ושבארגונים הוא כבוי עד שמנהל מגדיר מדיניות הוצאות, כך ששום דבר לא מחויב לפני כן. מחירים לא פורסמו בהודעה.

מה זה אומר לכם: אם אתם עובדים בארגון, סביר שהגישה שלכם ל־Cowork, Code ו־Autopilot תלויה בהחלטה של מחלקת ה־IT. לפי מיקרוסופט, תוכלו לראות בתוך Copilot עצמו כמה קרדיטים השתמשתם, כמה נשארו ואת היסטוריית השימוש שלכם.

7. מה עוד בדרך: Today ו־@Copilot בטימס

מיקרוסופט הציגה גם הצצה לשני דברים שעוד לא כאן. הראשון הוא Today (״היום״), שיגיע ל־Home: לפי החברה, מרכז שליטה אישי ויזום שמרכז מייל, יומן, שרשורים ב־Teams, פגישות ומשימות, ומראה מה פספסתם, מה דחוף ומה יכול לחכות. והוא לא רק מציג: הטיוטה כבר כתובה ומחכה לעריכה, שינוי הלו״ז כבר מוצע, והמעקב ששכחתם מחכה שתשלחו אותו. Today ייכנס לתצוגה מקדימה סגורה ב־Copilot באוקטובר, ובהמשך יגיע גם ל־Outlook ול־Teams.

השני הוא @Copilot ב־Teams: כשמתייגים אותו בערוץ, בצ׳אט קבוצתי או בפגישה, כל הצוות מקבל את ההקשר וההרשאות המשותפים של אותה שיחה. שואלים למה התקבלה החלטה על מוצר, ו־Copilot מביא את הרקע מהשיחות. לפי מיקרוסופט, היכולת תהיה בתצוגה מקדימה סגורה ב־Teams עד סוף החודש.

מכלי שמשתמשים בו לתהליך שבונים

עד עכשיו השאלה הנפוצה הייתה ״איך משתמשים ב־Copilot בתוך Excel?״. ההכרזה הזאת מזיזה את השאלה למקום אחר: איזה תהליך עבודה שלם אפשר למסור? את הדוח החודשי ל־Cowork, את הכלי הפנימי ש־IT לא מגיעים אליו ל־Code, ואת סקירת הספקים שחוזרת כל רבעון ל־Autopilot.

כדאי לזכור שחלק גדול מזה עדיין בתצוגה מקדימה, שהזמינות מגיעה בשלבים, ושהיכולות הסוכניות כרוכות בחיוב לפי שימוש. אבל אפשר להתכונן כבר עכשיו. בחרו תהליך אחד שחוזר אצלכם כל שבוע, וכתבו אותו כמו שהייתם מסבירים לעובד חדש: מה המטרה, מה הגבולות, ואיך נראה ״סיימנו״. ההרגל הזה ישרת אתכם בכל כלי. מיקרוסופט עצמה טוענת שלבנות פתרונות כאלה הופך למיומנות בסיסית, כמו לכתוב מזכר. מי שילמד לבנות תהליכי עבודה חדשים עם AI, ולא רק ללחוץ על הכפתורים, ירוויח הכי הרבה מהשינוי הזה. פרטים נוספים מיקרוסופט מבטיחה לחשוף בכנס Microsoft Ignite, שיתקיים ב־17 עד 20 בנובמבר בסן פרנסיסקו ובשידור מקוון.

הפוסט קופיילוט כבר לא יושב בתוך Excel: עכשיו Excel יושב בתוך קופיילוט הופיע ראשון בLet's AI בינה מלאכותית

מה דווח על Instinct בשבועות האחרונים

לאחרונה פורסמו כמה סיפורים שמעלים שאלות לא פשוטות - תמרורי אזהרה!

הקוד הסודי שנשלף

למשל, משתמשת סיפרה שביקשה מ-Instinct להזמין שולחן במסעדה. למחרת בבוקר גילתה שהוא שלף קוד חד-פעמי מה-Gmail שלה והתחבר בעצמו לשירות ההזמנות, בלי לשאול אותה. קוד חד-פעמי (OTP) הוא הקוד הקצר שנשלח אליכם במייל או ב-SMS, כדי לוודא שזה באמת אתם.

המייל שלא רצית שישלח

משתמשת אחרת סיפרה שהסוכן שלח מייל בשמה בלי לבדוק איתה קודם. מייל תמים לגמרי, אבל זה הספיק לה כדי לנתק את הסוכן מתיבת המייל שלה.

הפריצה שלא הייתה צריכה לקרות

יזם שבדק את הכלי בעצמו פתח כתובת Gmail חדשה. ממנה שלח מייל לחשבון האמיתי שלו, עם הוראות ל-Instinct: לחפש בתיבה ולשלוח בחזרה סיכום של כל המשימות הפתוחות. Instinct ביצע את ההוראות. לזה קוראים Prompt Injection: מישהו שותל הוראות בתוך מייל או מסמך, והסוכן מציית להן כאילו באו מכם. בסוף היזם מחק את החשבון שלו ב-Instinct.

האם המידע שלכם בידיים בטוחות?

משתמשים גילו גם שאחרי שניתקו את Gmail, המידע שכבר נאסף עדיין היה זמין לסוכן. כלומר, ניתוק החיבור לא אומר שהמידע נמחק.

המודל המציא או חשף סודות?

ובימים האחרונים משתמש סיפר ש-Instinct הציג לו פרטים שנראו כמו מידע של אדם אחר. לפי החברה, לא הייתה דליפה בין משתמשים, והמודל פשוט המציא את הפרטים. בעולם ה-AI קוראים לזה "הזיה". כרגע לא פורסמה הוכחה לכאן או לכאן. אבל גם הזיה כזאת, בתוך סוכן עם גישה רחבה, היא משהו שצריך לקחת ברצינות.

תנאי השימוש מציפים שאלות

ויש את תנאי השימוש. לפיהם, החברה רשאית להשתמש במה שאתם כותבים ומעלים, כולל מידע מהשירותים שחיברתם אליו, גם כדי לאמן מודלים. אפשר לבקש שלא, אבל יש לזה כמה חריגים. לפי התנאים, אתם גם מסמיכים את הסוכן לפעול בשמכם ולהתקשר בהסכמים, בהתחייבויות ובעסקאות ("agreements, commitments or transactions") שמחייבים אתכם.

צ'אטבוט עונה, סוכן עושה

וזו בעיניי הנקודה החשובה באמת. השאלה היא כבר לא רק אם מודל AI טועה לפעמים.

כש-ChatGPT טועה, אתם מקבלים תשובה לא נכונה על המסך. אתם קוראים, מחליטים, ואתם אלה שעושים משהו עם זה. אבל ברגע שנותנים לסוכן גישה למייל, לקבצים, ליומן, לחשבונות ולכרטיס האשראי, ומוסיפים לזה הרשאה לפעול, התמונה משתנה. הזיה או Prompt Injection כבר לא מייצרים רק תשובה שגויה בצ'אט. הם יכולים להפוך לפעולה אמיתית.

אני מאוד בעד סוכנים ומשתמש בהם המון. דווקא בגלל זה חשוב לי להבין את ההבדל. יש צ'אטבוט שאנחנו מדברים איתו, ויש סוכן שאנחנו נותנים לו מפתחות לחלק גדול מהחיים הדיגיטליים שלנו. זה קצת כמו עוזר חדש במשרד. לא הייתם נותנים לו ביום הראשון את מפתחות הבית ואת כרטיס האשראי.

אילוסטרציה

וחשוב לי להגיד בבירור: זה לא מאמר על Instinct. אותו דבר קורה גם עם כלים אחרים, כולל כלים שאני עצמי עובד איתם כל יום.

זה קרה גם לי

ב-25 בספטמבר ערכתי שיעורים של הקורס בעזרת Claude Code, כלי שמאפשר ל-AI לעבוד ישירות על הקבצים במחשב. ביקשתי מהסוכן לעזור לי לנקות מההקלטות מילות מילוי כמו "אממ", שתיקות מיותרות וחזרות.

באמצע העבודה הוא החליט שהוא צריך מודל שמתמלל עברית. הוא נכנס לבד ל-Hugging Face, אתר ציבורי שבו משתפים מודלי AI, ומצא מודל מתאים. אחר כך התקין כמה כלים והוריד למק שלי מודלים בנפח של כמה ג'יגה-בייט. לא ביקשתי את זה.

גיליתי את זה רק כששאלתי אותו איך השיג את המודל. הוא הסביר. כשאמרתי לו שלא נתתי לו אישור לזה, הוא הודה מיד: הוא היה צריך לשאול קודם. לדבריו, ההגדרות שבהן עבדנו אפשרו לו לפעול בלי אישור, והכול היה חינמי וממפרסמים מוכרים, "אבל זה היה שיקול הדעת שלי, ולא קיבלת הזדמנות להגיד לא".

ההתכתבות עם הסוכן

ואני רוצה להיות הוגן. העבודה יצאה טובה מאוד, והשיעור נשמע הרבה יותר נקי. הפעם הכול היה חינמי, ובמקרה הזה הייתי מאשר את זה בכל מקרה. אבל הנקודה היא לא מה הוא הוריד. הנקודה היא שלא הייתה לי הזדמנות להגיד לא. בפעם הבאה זה יכול להיות משהו בתשלום, או משהו לא בטוח.

אז כתבתי לסוכן כלל. לחפש ולקרוא מותר. להתקין או להוריד משהו למחשב, רק אחרי שאני אומר כן. ולפני כן, הוא כותב לי שורה אחת: מה זה, מי פרסם, כמה זה שוקל, כמה זה עולה ומה רישיון השימוש.

אצל יובל זה כבר עלה כסף

יובל אבידני, יוצר תוכן ישראלי בתחום ה-AI, שיתף בשבוע שעבר סיפור דומה, רק חמור יותר. הוא נתן ל-Claude Code מטרה: לבנות משחק תלת-ממדי. הסוכן עבד לבד 4-5 שעות, והתחבר לשירותים שונים כדי ליצור תמונות, מוזיקה ואפקטים. בדרך הוא גם הפיק סרטון וידאו למשחק בעזרת שירותים חיצוניים, בעלות של 80-100 דולר. "ללא ידיעתי ואישורי", כך כתב יובל.

המשחק עבד, ואפילו עלה לאוויר. הוא זמין לכל מי שרוצה לשחק, ויובל עצמו התלהב מהתוצאה, ובצדק. אצלי הסוכן הוריד משהו חינמי. אצל יובל הוא כבר הוציא כסף. זה אותו דפוס בדיוק. ושימו לב: בשני המקרים התוצאה הייתה טובה. זה לא סיפור על סוכן גרוע. זה סיפור על סוכן חרוץ שמחליט לבד.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס קלוד קוד (Claude code) וסביבת אנטרופיק

לפרטים נוספים לחצו כאן >>

איך חוקרים כלים חדשים בלי לשלם על זה ביוקר

ברוך גריזמן - DPO במקצועו, בוגר הקורס שלנו וכיום מרצה ב-Let's AI, הוסיף בקבוצה תגובה שכדאי לקרוא. הוא כתב שהרצון לחקור ולהכיר כל כלי חדש מבורך וחשוב. אבל לאור הכוח שהמודלים החדשים מקבלים, צריכה להידלק נורה אדומה.

ברוך כתב שהסוכנים עלולים לשתף, לשלוח או לשנות דברים בלי לערב אותנו. והם עושים את זה כל כך מהר, שעד שנבין, כבר יהיה מאוחר מדי. הוא גם סיפר שקרא על מקרים שבהם כלים כאלה הכניסו אנשים לחובות, או מחקו פתאום קבצים מהמחשב.

ההמלצות שלו פשוטות:

• מחשב נפרד: קחו מחשב ישן שאין עליו כלום, ונסו עליו את הכלים החדשים. זה חשוב בעיקר לסוכנים שעובדים על המחשב עצמו.
• מיילים לבדיקות: חברו את הכלים לחשבונות מייל ריקים, לא לחשבון האמיתי שלכם.
• תקרה לכסף: השתמשו בכרטיס נטען עם סכום מוגבל מראש. אם אתם מחברים כרטיס רגיל, הגדירו באותו רגע גם תקרת חיוב בשירות עצמו.

אילוסטרציה

ואני מוסיף משלי. לפני שאתם מחברים סוכן לחשבונות האמיתיים שלכם, עצרו ובדקו 3 דברים:

• אילו הרשאות אתם נותנים: גישה לקריאה בלבד, או גם לשליחה, למחיקה ולתשלום?
• איזה מידע הוא יכול לראות: רק מה שהוא צריך למשימה, או את כל תיבת המייל?
• מה מותר לו לעשות בלי אישור נוסף: אם התשובה היא "הכול", זה סימן לעצור.

ואם אתם כבר עובדים עם סוכן, כתבו לו כלל ברור: לפני שהוא מתקין, מוריד, שולח או משלם, הוא שואל אתכם.

וחשוב לדעת: כלל כתוב הוא בקשה, לא מנעול. בכלים כמו Claude Code יש גם הגדרות הרשאות, שקובעות מה הסוכן רשאי לעשות לבד ועל מה הוא חייב לשאול. ברירת המחדל השתנתה וכיום היא אוטומטית, כלומר הסוכן שלכם לא צריך לקבל אישור. כדאי לבדוק שוב מה בדיוק אישרתם.

להתלהב כן, לתת את כל המפתחות עוד לא

סוכני AI הם אחד הדברים הכי מעניינים שקורים היום, ואני לא מתכוון להפסיק להשתמש בהם. אבל ככל שהם חזקים יותר, הטעויות שלהם יוצאות מהמסך ומשפיעות על העולם האמיתי. אז להתלהב? בהחלט. לחבר את כל החיים הדיגיטליים וללחוץ "Allow" על הכול בלי לקרוא ולהבין? הייתי מחכה קצת. לאט ובזהירות.

הפוסט זה לא מאמר על Instinct הופיע ראשון בLet's AI בינה מלאכותית

מה קורה בפועל?

במהלך נובמבר 2026 גוגל תתחיל להעביר Gems בחשבונות Google אישיים לסקילים (Skills). לפי החברה, ה-Gems הקיימים ייווצרו מחדש אוטומטית, יחד עם קבצי הידע הנתמכים. עד למעבר הם יישארו זמינים לשימוש. מי שרוצה להתחיל קודם יכול ליצור מחדש את ה-Gem כסקיל באופן ידני.

בחשבונות Google Workspace התהליך שונה. ב-13 באוקטובר 2026 תתחיל פריסת Skills באפליקציית Gemini, וב-17 בנובמבר ה-Gems יעברו לאזור ההגדרות. בשלב הזה עדיין יהיה אפשר ליצור, לערוך ולהשתמש בהם.

פרישת ה-Gems ב-Workspace מתוכננת להתחיל ב-1 במרץ 2027 במהדורות Business ו-Enterprise, וב-1 ביוני 2027 בחשבונות חינוך. ה-Gems שנותרו יועברו אוטומטית לטיוטות סקילים לא פעילות, שהיוצרים יצטרכו לבדוק ולהפעיל לפני שימוש או שיתוף.

13 באוקטובר הוא מועד תחילת הפריסה בארגון, ולא מועד הפסקת היצירה והעריכה של Gems.

גוגל תתחיל להעביר Gems קיימים ל-Skills באופן אוטומטי

אז מה ההבדל בין Gem ל-Skill?

Gem הוא עוזר מותאם אישית שאתם פותחים ועובדים איתו. סקיל הוא יותר כמו אוסף הוראות שמור שמנחה את Gemini איך לבצע סוג מסוים של משימה בדרך שלכם: לפי שלבי עבודה, כללי כתיבה, תבניות ודוגמאות שהגדרתם.

ההבדל המרכזי הוא שאת הסקיל אפשר להפעיל בתוך השיחה הנוכחית, בלי לעבור לעוזר (״בוט״) נפרד. אפשר לבחור אותו במפורש, לאפשר ל-Gemini להשתמש בסקיל פעיל כשהוא רלוונטי לבקשה, ולשלב כמה סקילים באותה משימה. למשל, סקיל לכתיבת ניוזלטר יחד עם סקיל שמגדיר את שפת המותג שלכם.

כלומר, גוגל עוברת בהדרגה ממודל של עוזרים נפרדים למודל של יכולות שאפשר להפעיל לפי הצורך.

למה Google עושה את זה?

לפי גוגל, המעבר נועד להפוך את ההתאמה האישית לגמישה יותר: להשתמש בהוראות בתוך השיחה שבה כבר עובדים ולשלב כמה סקילים בתהליך אחד. כך אפשר לשמור דרך עבודה ולהשתמש בה בהקשרים שונים, בלי לפתוח Gem נפרד בכל פעם.

זה גם משתלב במגמה רחבה יותר בתעשייה. גם OpenAI עוברת בהדרגה ממודל של GPT מותאם אישית למבנה שמבוסס יותר על Plugins ו-Skills. המוצרים שונים, אבל הכיוון דומה: פחות "בוטים" נפרדים ויותר יכולות שאפשר להרכיב בתוך תהליך עבודה.

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

לפרטים נוספים לחצו כאן >>

ומה קורה לקבצים ולשיתוף?

במעבר האוטומטי גוגל מתעדת העברה של קבצי הידע הנתמכים יחד עם ה-Gem. קבצי GitHub לא נתמכים כרגע. שיתוף סקילים והוספת קבצים מ-Google Drive כמו גם מחברות Gemini Notebook עדיין מתוארים כיכולות שיגיעו בהמשך.

ב-Google Workspace מתועד מסלול ארגוני מפורט יותר: ההעברה שומרת את התוכן ומעבירה גם הרשאות שיתוף והגדרות Drive. הסקילים נוצרים כטיוטות לא פעילות, והיוצרים צריכים לבדוק ולהפעיל אותם לפני שימוש או שיתוף. בשלב הזה אין סנכרון של סקילים בין אפליקציית Gemini לכלי Workspace. שימוש בשתי הסביבות דורש יצירה מחדש ב-Worspace Studio.

אז איך ממירים Gem ל-Skill באופן ידני

אם אתם לא רוצים לחכות להעברה האוטומטית מעוניינים להעביר Gem קיים למערכת ה-Skills החדשה לפני מועד ההעברה האוטומטי, התהליך תלוי בשאלה אם ה-Gem מכיל קובצי ידע (Knowledge) או לא. הנה שני השלבים כאשר שלב ב׳ רלוונטי רק אם יש לכם ואתם רוצים להעביר את קבצי הידע מה-Gem לסקיל החדש:

שלב א' - ללא קובצי ידע (הנחיות טקסט בלבד)

1. העתקת הנתונים: היכנסו ל-Gem הקיים, לחצו על עריכה (Edit) והעתיקו את ההנחיות (Instructions) ואת התיאור.

2. יצירת Skill: פתחו בחלון חדש את Gemini, עברו ל-Settings (הגדרות) > Skills ולחצו על Create manually.

3. הזנת הפרטים:

• שם (Name): הקלידו שם באותיות קטנות באנגלית עם מקפים (למשל: my-skill-name).
• תיאור והוראות (Description & Instructions): הדביקו את התיאור וההנחיות שהעתקתם מה-Gem.

4. סיום: לחצו על Create וה-Skill מוכן לשימוש אחרי אקטיבציה (יוסבר בהמשך).

שלב ב' - עם קובצי ידע (Knowledge)

1. הורדת הקבצים: היכנסו לעריכת ה-Gem, גללו לאזור Knowledge והורידו את קובצי הידע למחשב.

2. יצירת תיקייה: צרו תיקייה חדשה במחשב בשמו המדויק של ה-Skill (למשל my-skill-name) והכניסו אליה את קובצי הידע שהורדתם.

3. יצירת סקיל בסיסי והורדתו: יצרו Skill בסיסי ב-Gemini (לפי שלב א') ולחצו על Create. ברשימת ה-Skills, לחצו על שלוש הנקודות (Skill actions) ליד ה-Skill החדש ובחרו ב-Download.

4. איחוד הקבצים: פתחו את קובץ ה-ZIP שירד, הוציאו מתוכו את הקובץ SKILL.md והעבירו אותו לתוך התיקייה שפתחתם בשלב 2 (לצד קובצי הידע).

5. העלאה מחדש: חזרו למסך ה-Skills ב-Gemini, לחצו על Skill actions > Replace skill, בחרו באפשרות Folder והעלו את התיקייה השלמה מהמחשב.

הפכו סקיל ״לא אקטיבי״ לסקיל ״פעיל״

כדי להפוך סקיל מ-Inactive (לא פעיל) ל-Active (פעיל) ב-Gemini, התהליך פשוט מאוד: לחצו על שלוש הנקודות שליד שם הסקיל ברשימת הסקילים ותבחרו בשינוי המצב ל-Active (להפעלה).

ברגע שהסקיל זמין, ה-Skill זמין, אפשר ״לקרוא״ לו על ידי הקלדת / בתיבת הטקסט או באמצעות בקשה בשפה פשוטה מג׳מיני שיפעיל את הסקיל ויבצע פעולות רלוונטיות.

מה כדאי לעשות עכשיו?

תבחרו Gem אחד שאתם מכירים היטב ושמרו בקשה ותוצאה שמייצגות עבודה מוצלחת שלו. אם Skills כבר זמין בחשבון שלכם, תוכלו ליצור אותו מחדש ולבדוק את אותה בקשה מול הסקיל. תבדקו שההוראות נשמרות, שקבצי הידע משמשים כמצופה ושהתוצאה מתאימה לצורך שלכם. המעבר שומר את בסיס העבודה - הבדיקה מוודאת שאפשר להמשיך לעבוד איתו.

הפוסט גוגל מחליפה את Gemini Gems ב-Skills הופיע ראשון בLet's AI בינה מלאכותית

Please welcome GPT-6 Sol and GPT-6 Luna to the GPT-6 universe.

GPT-6 Sol and Luna build on the advances behind GPT-6 Astra, bringing much of its strengths into faster and more affordable models to support work at scale.

We’ve also made caching and inference more efficient, and… pic.twitter.com/5LiVE4rbFt

— OpenAI (@OpenAI) September 22, 2026

אז מה ההבדל בין Astra, Sol ו-Luna?

Astra נשאר המודל שאליו פונים כאשר רוצים את היכולת הגבוהה ביותר של משפחת GPT-6 והעלות פחות חשובה כי מכוונים לתותחים הכבדים.

Sol מיועד למקום שבו עדיין נדרשת יכולת גבוהה, אבל רוצים יחס טוב יותר בין איכות, מהירות ומחיר. OpenAI מכוונת אותו במיוחד לעבודה מורכבת, קוד ושימוש בכלים.

Luna הולך רחוק יותר לכיוון היעילות. הוא מיועד למשימות ממוקדות ולעבודה בהיקפים גדולים, למשל כאשר מערכת צריכה לעבד הרבה בקשות או להפעיל מספר גדול של תהליכים בלי לשלם מחיר גבוה על כל פעולה.

ההבדל הזה חשוב כי אין סיבה להשתמש תמיד במודל החזק והיקר ביותר. אם Luna מסוגל לבצע משימה פשוטה מספיק טוב, שימוש ב-Astra עבורה עשוי להיות בזבוז. אם המשימה דורשת יותר שיקול דעת או עבודה מורכבת לאורך כמה שלבים, Sol עשוי להיות הבחירה המתאימה יותר.

זו גם הדרך הנכונה יותר לחשוב כיום על משפחות מודלים. פחות "איזה מודל הכי חכם" ויותר "איזה מודל מתאים לעבודה שאני מנסה לבצע".

GPT-6 Sol & Luna זמינים החל מ-22 בספטמבר 2026

פערי מחיר משמעותיים

ב-API, כלומר בממשק שמאפשר לחברות ולמפתחים לשלב את המודלים בתוך מוצרים ומערכות, OpenAI חתכה משמעותית את המחירים לעומת דגמי GPT-5.6 המקבילים. Sol זול ב-50%, וגם Luna מקבל ירידה חדה במחיר, במיוחד בצד הפלט.

המספרים עצמם מופיעים בטבלה המצורפת למטה, אבל הנקודה החשובה יותר היא מה הם מאפשרים. למי שמשתמש ב-ChatGPT כדי לנסח מייל או לשאול כמה שאלות ביום, ההבדל כמעט לא מורגש. לעומת זאת, חברה שמפעילה סוכן AI במשך שעות, מעבדת אלפי מסמכים או מריצה אלפי משימות ביום יכולה לראות פער משמעותי מאוד בעלות הכוללת.

במקרה של Luna, המחיר הנמוך הופך אותו למעניין במיוחד עבור משימות שחוזרות על עצמן ובהיקפים גדולים. כאן החיסכון הוא לא רק מספר יפה בטבלת תמחור. הוא יכול לקבוע אם שימוש מסוים ב-AI בכלל משתלם בקנה מידה רחב.

מחירי ה-API של GPT-6 Sol ו-Luna לעומת הדור הקודם. מקור: OpenAI

זול יותר זה לא חלש יותר

כמובן שמחיר נמוך לא אומר הרבה אם הירידה ביכולת גדולה מדי. OpenAI טוענת שגם כאן חל שיפור משמעותי לעומת הדור הקודם.

החברה מדווחת על שיפורים בקוד, בהפעלת מחשב, בדיוק עובדתי ובעבודה מקצועית. באחת מבדיקות האמינות הפנימיות שלה, GPT-6 Sol ביצע בערך מחצית ממספר הטעויות העובדתיות של GPT-5.6 Sol.

גם Luna מוצג כמודל שמסוגל, כאשר מאפשרים לו להשקיע יותר חשיבה במשימה, להגיע במקרים מסוימים לרמת אמינות דומה לזו של GPT-5.6 Sol בעלות נמוכה משמעותית.

אלה עדיין נתונים שפורסמו על ידי OpenAI עצמה, ולכן נכון להתייחס אליהם כאינדיקציה ולא כהוכחה לכך שהמודלים יהיו טובים יותר בכל שימוש אמיתי, אבל הכיוון ברור. החברה מנסה לצמצם את הפער בין המודל הזול לבין המודל שבו באמת רוצים להשתמש.

מבחן DeepSWE בודק עד כמה מודלים מצליחים להתמודד עם משימות הנדסת תוכנה מורכבות בסביבות קוד אמיתיות. בגרף המצורף אפשר לראות שדגמי GPT-6 החדשים מתקרבים לביצועים של המודלים החזקים ביותר, אבל עושים זאת בעלות נמוכה יותר לכל משימה:

ביצועים מול עלות למשימה במבחן DeepSWE. מקור: OpenAI

שיפורים בסגנון הכתיבה והתקשורת

חלק מהשיפור לא קשור לבנצ'מרקים בכלל. OpenAI אומרת ש-Sol ו-Luna קיבלו גם חלק מהשיפורים בסגנון הכתיבה והתקשורת שהוצגו עם Astra. החברה מדברת על פחות ז'רגון, פחות פרטים שאינם נחוצים, ניסוחים טבעיים יותר ותשובות ברורות וקצרות יותר.

זה אולי נשמע משני לעומת קוד או דיוק, אבל בעבודה יום יומית מדובר ביכולת חשובה מאוד. מודל יכול להגיע לתשובה נכונה ועדיין להיות כלי עבודה מתסכל אם בכל פעם צריך לחלץ את העיקר מתוך הסברים ארוכים.

הדבר משמעותי עוד יותר כאשר עובדים עם סוכן לאורך זמן. אם בכל שלב הוא מייצר הרבה טקסט מיותר, המשתמש צריך לקרוא יותר והמערכת גם צורכת יותר משאבים.

שינוי קטן שחשוב בעיקר לסוכנים

OpenAI שיפרה גם את מנגנון ה-prompt caching, שמאפשר למערכת להשתמש מחדש בחלקים שכבר עובדו במקום לקרוא אותם מהתחלה בכל פעם.

דמיינו סוכן שעובד על אותו פרויקט במשך שעה. בכל פעולה הוא עשוי להזדקק שוב להוראות, לקבצים ולהיסטוריה שכבר קרא. שמירת חלק מהמידע הזה במטמון יכולה להפחית את כמות העבודה החוזרת ואת העלות שלה.

בתמחור החדש, קלט שכבר נמצא במטמון זול ב-90% מקלט רגיל ב-Sol וב-Luna. לקורא רגיל אין צורך לנהל את המנגנון הזה בעצמו. החשיבות שלו נמצאת מאחורי הקלעים. ככל שסוכני AI עובדים במשך זמן רב יותר, היכולת לא לשלם שוב ושוב על אותו מידע הופכת לחלק מהכלכלה של המערכת.

איפה אפשר להשתמש ב-Sol וב-Luna?

ההשקה התחילה ב-22 בספטמבר 2026. GPT-6 Sol ו-Luna זמינים ב-ChatGPT Work וב-Codex למנויי Plus, Pro, Business, Enterprise ו-Edu, וגם דרך ה-API. משתמשי Free ו-Go יכולים לנסות את GPT-6 Luna באפליקציית ChatGPT למחשב.

חשוב לשים לב שהם סתם פשוט שני מודלים חדשים שנוספו לבורר המודלים בשיחות ChatGPT הרגילות. OpenAI מציינת במפורש שהמודלים ב-Work וב-Codex נפרדים מהמודלים הזמינים ב-Chat. לכן, מי שנכנס היום לשיחה רגילה ומחפש את Sol בתפריט לא בהכרח ימצא אותו שם.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס וייב קודינג אקספרס Vibe Coding Express

לפרטים נוספים לחצו כאן >>

למה ההשקה הזאת חשובה

במשך שנים התרגלנו למדוד התקדמות במודלי AI בעיקר דרך יכולת. מי פתר יותר שאלות, מי כתב קוד טוב יותר ומי הגיע לציון הגבוה ביותר במבחנים. Sol ו-Luna מדגישים מדד שהולך להיות חשוב יותר ככל שהשימוש בסוכני AI גדל, כמה עבודה שימושית אפשר לקבל במחיר סביר.

שיחה קצרה יכולה לספוג מודל יקר. מערכת שמבצעת אלפי פעולות ביום כבר צריכה לעשות חשבון אחר. Astra מיועד למקרים שבהם רוצים את מלוא היכולת. Sol מנסה לקחת חלק גדול מהיכולת הזאת לעבודה שבה המחיר כבר משנה. Luna מוריד את העלות עוד יותר ומכוון לשימוש בהיקפים גדולים.

אם OpenAI אכן מצליחה לשמור על רמת ביצועים גבוהה תוך הורדת המחיר, ההשפעה של Sol ו-Luna עשויה להיות מורגשת דווקא במקומות שפחות רואים בכותרות. סוכנים שפועלים זמן רב יותר, מוצרים שיכולים להרשות לעצמם לבצע יותר פעולות ומערכות שבהן כבר לא צריך לשלוח כל משימה למודל היקר ביותר.

וזה מבחינתי המדד שכדאי לעקוב אחריו אחרי ההשקה הזאת. לא רק כמה חכמים Sol ו-Luna, אלא כמה עבודה אמיתית יהיה אפשר לתת להם לעשות לפני שהעלות מתחילה להיות גבוהה מדי.

הפוסט GPT-6 Sol ו-Luna הושקו: מה חדש, כמה הם עולים ולמי הם מיועדים? הופיע ראשון בLet's AI בינה מלאכותית

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

לפרטים נוספים לחצו כאן >>

התוצאות של תביעת זכויות יוצרים בבית המשפט במינכן בסוף חודש יולי צפויות לעצור באופן דרמטי את בהלת הזהב של היוצרים הדיגיטליים בתחום יצירת מוסיקה באמצעות AI. עד היום, יוצרים יכלו להוריד ולהפיץ את היצירות שלהם ללא הגבלה. החל מה-3 בספטמבר 2026, אפליקציית סונו (Suno), המובילה בשוק המוסיקה העולמי של יוצרי AI, מגבילה את מספר השירים שניתן להוריד מהפלטפורמה: 7 שירים לכל החיים במסלול החינמי, 20 בחודש במסלול Pro ו-60 בחודש במסלול Premier. תופעה של יוצרים שמפיצים עשרות אלפי שירים ומרוויחים באמצעותם מיליוני דולרים הולכת להיעלם כמעט בין לילה.

מדקות ספורות לשיר שלם - כיצד סונו שינתה את חוקי המשחק

עד לפני זמן קצר, יצירת שיר הייתה תהליך ממושך. היה צריך לכתוב מילים, להלחין, לעבד, לנגן, להקליט ולערוך. ואז הגיעה סונו. המשתמש כותב כמה משפטים, בוחר סגנון מוזיקלי, ובתוך דקות מקבל שיר שלם, הכולל לחן, עיבוד, שירה והפקה שנשמעת לעיתים משכנעת להפליא.

הטכנולוגיה הזו פתחה את עולם המוזיקה למיליוני אנשים, אך גם טשטשה את הגבול שבין השראה להעתקה, בין יצירה אנושית ליצירה מלאכותית ובין מוזיקה מקורית לתוצר המבוסס על עבודתם של אחרים. כאשר אין אפשרות לדעת כיצד נוצר השיר, על אילו יצירות התאמן המודל ומי זכאי ליהנות מההכנסות, ההתרגשות הטכנולוגית הופכת במהירות לשאלה משפטית וכלכלית.

ההודעה הרשמית באתר של סונו

פסק הדין במינכן - ההכרעה הראשונה באירופה

ב-31 ביולי 2026 הגיעה אחת התשובות הראשונות מבית המשפט המחוזי במינכן (Landgericht München I). בתביעה שהגישה אגודת זכויות היוצרים הגרמנית GEMA, נקבע כי סונו הפרה זכויות ביצירות מוגנות. במרכז ההליך עמדו 6 שירים מוכרים, ובהם Forever Young של Alphaville, Rasputin של Boney M, Mambo No. 5 של היוצר לו בגה (Lou Bega), Atemlos של הלן פישר (Helene Fischer), Daddy Cool של Boney M ו-Big in Japan של Alphaville.

בית המשפט קבע כי השימוש ביצירות והיכולת להפיק תוצרים המשחזרים מרכיבים מוגנים שלהן אינם חוסים באופן אוטומטי תחת טענת שימוש הוגן - לא לפי הדין הגרמני ולא לפי הדין האמריקאי. סונו נדרשה למסור מידע על הכנסותיה ולשלם פיצויים, שגובהם טרם נקבע. פסק הדין היה הראשון באירופה שקבע כי אימון מודל AI על יצירות מוגנות ללא רישיון מהווה הפרת זכויות יוצרים, גם כאשר האימון עצמו מתבצע מחוץ לאיחוד האירופי. החברה הודיעה כי היא שוקלת לערער.

קאי וולפ (Kai Welp), היועץ המשפטי הראשי של GEMA, אמר לאחר פסק הדין כי הוא מחזק את מעמדה של אירופה כמרכז תרבותי, וכי המשמעות היא שניתן לתבוע במינכן ללא קשר למקום שבו מתבצע האימון. נציג סונו הגיב כי החברה חולקת על פסק הדין, שלטענתה מבוסס על אפיון שגוי של אופן פעולת הטכנולוגיה.

השלכות מיידיות - מיוטיוב ועד פלטפורמות ההפצה

הסיפור לא הסתיים בבית המשפט. משתמשים החלו לדווח על דרישות זכויות יוצרים, השתקות והגבלות של שירים שהועלו ליוטיוב. חשוב לדייק - יוטיוב לא אסרה באופן גורף מוזיקה שנוצרה באמצעות סונו. עם זאת, מערכות זיהוי התוכן של הפלטפורמות מתקשות להתמודד עם מצב שבו כמה משתמשים מייצרים שירים דומים, כאשר אחד מהם רושם את היצירה במערכת לזיהוי זכויות, או כאשר התוצר החדש מזכיר במידה משמעותית יצירה קיימת.

מבחינת הפלטפורמות, זו אינה רק שאלה של אמנות. זו סוגיה של אחריות, כסף והונאה. מי זכאי לקבל את ההכנסות מהשמעות, כיצד ניתן למנוע הצפה של מיליוני שירים שנוצרו באופן אוטומטי, ומה עושים כאשר מערכי בוטים מייצרים תכנים ואז גם מאזינים להם כדי לגבות תמלוגים. מקרה מייקל סמית' (Michael Smith) מצפון קרוליינה הוכיח שזו לא סכנה תיאורטית: סמית' הודה באשמה ביצירת מאות אלפי שירים באמצעות AI ובהפעלת בוטים שהשמיעו אותם מיליארדי פעמים, מה שהניב לו למעלה מ-8 מיליון דולר בתמלוגים שהושגו במרמה. ללא יכולת לזהות את מקור היצירה, קשה להבחין בין מוזיקאי שנעזר בכלי טכנולוגי לבין מפעל אוטומטי לייצור הכנסות.

סימון מים דיגיטלי - דיו בלתי נראה בתוך הקובץ

ימים ספורים לאחר פסק הדין, ב-6 באוגוסט 2026, הודיעה סונו כי תאמץ טכנולוגיות של הטבעת שמע וטביעת אצבע דיגיטלית. מייקי שולמן (Mikey Shulman), ממייסדי סונו ומנכ"ל החברה, כתב בפרסום רשמי כי החברה תשלב "בשבועות הקרובים" טכנולוגיית סימון מים וטביעת אצבע חדשה לשמע. הסימון אמור להיות עמיד בפני שינויים, בלתי מורגש לאוזן האנושית וניתן לזיהוי על ידי מערכות ממוחשבות. כך יוכלו פלטפורמות הפצה לדעת שהשיר נוצר באמצעות סונו, גם אם המשתמש לא יספר זאת.

סונו גם פרסמה תנאי שימוש חדשים שנכנסו לתוקף ב-3 בספטמבר 2026, ובמקביל הודיעה על מדיניות חדשה שנועדה להגביל הפצה המונית של שירים. עם זאת, החברה לא קבעה בפרסום הרשמי כי ההטבעה עצמה תחל דווקא באותו תאריך, אלא מסרה שהטכנולוגיה תוטמע "בשבועות הקרובים".

הציוץ הרשמי של חשבון @suno

חוק ה-AI האירופי - הרקע הרגולטורי שמאיץ את השינוי

העיתוי של השינוי אינו מקרי. ב-2 באוגוסט 2026 נכנסו לתוקף הוראות השקיפות של חוק הבינה המלאכותית האירופי (EU AI Act). סעיף 50 לחוק מחייב ספקים של מערכות המייצרות תוכן קולי, חזותי או טקסטואלי לסמן את התוצרים בפורמט הניתן לקריאה ולזיהוי ממוחשב כתוכן שנוצר או שונה באמצעות בינה מלאכותית. הסימון צריך להיות אפקטיבי, אמין ועמיד ככל האפשר, בהתחשב במאפייני התוכן ובמגבלות הטכנולוגיה. הנציבות האירופית פרסמה ב-20 ביולי 2026 הנחיות רשמיות ליישום חובות השקיפות הללו, ולצידן קוד התנהגות מרצון שסונו ויצרניות AI אחרות יכולות לאמץ כדי להוכיח עמידה בדרישות.

זהו שינוי תפיסתי משמעותי. עד היום התמקד הוויכוח בשאלה אם מותר להשתמש ביצירות מוגנות לצורך אימון מודלים. כעת מתווספת שאלה חדשה: האם הציבור והפלטפורמות יכולים לזהות את התוצר המלאכותי לאחר שכבר נוצר ויצא לעולם.

הטבעת שמע - כיצד זה עובד

הטבעת שמע אינה סימן שמופיע על המסך ואינה הודעה שמפריעה להאזנה. אפשר לחשוב עליה כעל דיו דיגיטלי בלתי נראה, המוטמע בתוך הקובץ עצמו. היא אינה קובעת מי בעל זכויות היוצרים ואינה מוכיחה שהיצירה חוקית, אבל היא מספקת מידע חיוני על מקורה. באמצעותה ניתן יהיה לסמן תוכן, לבדוק את שרשרת היצירה, לאתר שימושים אסורים ולגבש מדיניות שונה ביחס להפצה, קידום ותשלום תמלוגים.

מה המשמעות עבור יוצרים

עבור מוזיקאים ויוצרים, המשמעות מורכבת. מצד אחד, הסימון עלול להוביל להגבלות על הפצה או לפגיעה בהכנסות מיצירות שנוצרו בעיקר באמצעות מכונה. מצד שני, הוא יכול להגן על יוצרים אנושיים מפני חיקוי, התחזות ושימוש בלתי מורשה בקולם ובסגנונם. הוא גם עשוי לאפשר מודלים חדשים של רישוי, שבהם בעל הזכויות יוכל להסכים לשימוש ביצירתו ולקבל תשלום כאשר המודל מסתמך עליה.

סונו עצמה כבר החלה לצעוד בכיוון הזה. בנובמבר 2025 הגיעה החברה להסכם פשרה ורישוי עם וורנר מיוזיק גרופ (Warner Music Group) בשווי של 500 מיליון דולר, ובאוגוסט 2026 הצטרפה גם BMG כשותפת רישוי. במסגרת ההסכמים, סונו מתחייבת להחליף את המודלים הקיימים במודלים חדשים המבוססים על מוסיקה מורשית, כשאמנים ויוצרים שומרים על שליטה מלאה בשימוש בקולם, בדמותם וביצירותיהם.

מעבר למוסיקה - הכיוון הרחב יותר

הלקח של סונו חורג מעולם המוסיקה. תמונות, סרטונים, טקסטים וקולות מלאכותיים עוברים בהדרגה לעולם של מעקב ושקיפות. תוצרי בינה מלאכותית לא בהכרח ייאסרו, אבל הם יידרשו להזדהות. חברות לא יוכלו להסתפק עוד בהצהרה כללית בתנאי השימוש על כך שנעשה שימוש ב-AI. הן יצטרכו לבנות מנגנוני סימון, תיעוד ובקרה כחלק מהמערכת עצמה.

דוח שפורסם על ידי ארגון CISAC (הקונפדרציה הבינלאומית של אגודות יוצרים ומלחינים) וחברת PMP Strategy מעריך כי עד שנת 2028, כ-25% מהכנסות היוצרים עלולות להיפגע כתוצאה מהצפת מוסיקה מלאכותית, בשווי מצטבר של כ-4 מיליארד אירו. פלטפורמת דיזר (Deezer) דיווחה ביולי 2026 כי למעלה מ-50% מההעלאות היומיות לשירות כבר מכילות מוסיקה שנוצרה באמצעות AI.

השוק אינו הולך לעבר מלחמה בין אדם למכונה, אלא לעבר הסדרה של היחסים ביניהם. מוסיקה מלאכותית תמשיך להיווצר, להשתפר ולהתפשט, אבל היא תתקשה להמשיך לנוע בעולם בלי להשאיר עקבות.

השיר אולי יישמע אנושי לחלוטין. מעתה, מאחורי הצלילים, הוא עשוי לשאת תעודת זהות דיגיטלית שתספר לנו מי, או מה, היה שותף ליצירתו.

הפוסט מי באמת יצר את השיר הזה? Suno נאלצת לענות הופיע ראשון בLet's AI בינה מלאכותית

OpenAI זיהתה את החשבון חודשים לפני הירי

ב-10 בפברואר 2026 ביצעה ג׳סי ואן רוטסלאר (Jesse Van Rootselaar), בת 18, מסע ירי שהחל בביתה והמשיך בבית הספר בטאמבלר רידג׳. היא הרגה את אמה ואת אחיה החורג, ובהמשך עובדת חינוך וחמישה תלמידים בבית הספר. עשרות נוספים נפצעו. היורה נמצאה מתה בבית הספר מפצע ירי עצמי.

ביוני 2025 זיהתה מערכת אוטומטית של OpenAI הפרה של מדיניות השימוש בחשבון שהיה שייך לג׳סי ואן רוטסלאר. החשבון הועבר לבדיקה אנושית, שבחנה גם אם המקרה מצדיק פנייה לרשויות אכיפת החוק.

בסופו של דבר OpenAI חסמה את החשבון, אבל החליטה שלא לדווח עליו למשטרה. במכתב רשמי ששלחה החברה לממשלת קנדה לאחר הירי היא הסבירה כי על סמך המידע שהיה בפניה באותו זמן, היא לא זיהתה תכנון אמין ומיידי שעמד ברף שהגדירה לדיווח לרשויות.

התביעה שהגישה קולומביה הבריטית בקליפורניה מציגה תמונה מחמירה יותר. לטענת הפרובינציה, אנשי בטיחות בתוך OpenAI זיהו את חומרת המקרה, אבל החברה לא העבירה את המידע למשטרה. מדובר בשלב זה בטענות משפטיות שטרם הוכרעו בבית המשפט.

החשבון נחסם, אבל השימוש ב-ChatGPT נמשך

החסימה של החשבון הראשון לא מנעה לחלוטין את המשך השימוש בשירות. OpenAI מסרה כי לאחר ששמה של היורה פורסם בעקבות האירוע, היא גילתה כי ואן רוטסלאר השתמשה גם בחשבון ChatGPT שני. עם גילויו העבירה החברה את פרטי החשבון לרשויות.

תחקיר שפרסם Mother Jones (מגזין אמריקאי ותיק שעוסק בעיתונות חוקרת) בספטמבר מוסיפה פרט מטריד לגבי החשבון השני. לפי התחקיר, שהתבסס על מקורות המכירים את המקרה ועל חומר מתוך היסטוריית השיחות, ואן רוטסלאר סיפרה ל-ChatGPT כי החשבון הקודם שלה נחסם לאחר ששוחחה על תרחיש של ירי.

בתגובה, כך נטען, המערכת הסבירה אילו סוגי ניסוחים עלולים לעורר את מנגנוני הבטיחות והציעה למסגר תרחישים אלימים כבדיה או כהיפותזה כדי להימנע מסימון נוסף. OpenAI לא אישרה בפומבי את פרטי השיחות האלה, ולכן בשלב זה מדובר בממצאים עיתונאיים שעדיין לא אומתו באופן עצמאי.

הפרט הזה מרחיב את הסיפור מעבר לעצם החסימה. אם התיאור של Mother Jones יתברר כנכון, השאלה אינה רק כיצד משתמש שנחסם הצליח לחזור לשירות, אלא גם כיצד המערכת התמודדה איתו לאחר שכבר היה ברור שהוא מכיר את מנגנוני הבטיחות ומנסה להבין את גבולותיהם.

בעקבות המקרה התחייבה OpenAI לחזק את המערכות שנועדו לאתר משתמשים שחוזרים לפלטפורמה לאחר שנחסמו בשל הפרות הקשורות לפעילות אלימה.

שרה למפרט עם בתה ניבייה, מחזיקה תמונות של בתה טיקריה, בת 12, שנהרגה בירי בטאמבלר רידג׳:

צילום: Christinne Muschi / The Canadian Press / AP

OpenAI כבר שינתה את הכללים שלה

אחד הפרטים המשמעותיים ביותר בפרשה מגיע מ-OpenAI עצמה. במכתב ששלחה בפברואר לממשלת קנדה הודתה החברה כי מאז חסימת החשבון ביוני 2025 היא שינתה את נוהל ההפניה שלה לרשויות. בין היתר, היא הפכה את הקריטריונים לגמישים יותר ומערבת כיום מומחים לבריאות הנפש, התנהגות ואכיפת חוק בבחינה של מקרים מורכבים.

הסיבה לשינוי חשובה. אדם שמתכנן אלימות לא בהכרח יכתוב בצ׳אט בצורה מפורשת מי היעד, באיזה אמצעי ישתמש ומתי הוא מתכוון לפעול. לכן, הסתמכות על סימנים מפורשים בלבד עלולה להחמיץ מצבים שבהם מספר אינדיקציות שונות מצטברות לכדי סיכון משמעותי.

המכתב ששלחה OpenAI לממשלת קנדה בפברואר 2026 | OpenAI

OpenAI גם כתבה במפורש כי לפי נוהל ההפניה המעודכן שלה, החשבון שנחסם ביוני 2025 היה מועבר כיום לרשויות אכיפת החוק.

האמירה הזו לא שקולה להודאה באחריות משפטית והחברה ממשיכה לטעון שהחלטתה ב-2025 התקבלה על בסיס המידע והקריטריונים שהיו בידיה אז. עם זאת, היא מבהירה שהרף שבו היא משתמשת כיום היה מוביל לתוצאה אחרת.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס קלוד קוד (Claude code) וסביבת אנטרופיק

לפרטים נוספים לחצו כאן >>

איפה עובר הגבול בין פרטיות לבטיחות?

המקרה מציב בפני חברות AI דילמה שהולכת ונעשית מעשית מאוד. מאות מיליוני אנשים משתמשים בצ׳אטבוטים לשיחות אישיות, כתיבה, חיפוש מידע, התלבטויות ולעיתים גם כדי לדבר על מצבים קשים.

מערכת שמזהה כל שיחה חריגה כאיום עלולה להוביל לדיווחים מיותרים לרשויות ולפגיעה משמעותית בפרטיות. מנגד, רף גבוה מדי עלול להשאיר בידי החברה מידע שמצביע על סכנה ממשית בלי שאיש מחוץ לחברה ידע עליה.

הקושי הוא שסימני האזהרה לא תמיד חד משמעיים. שאלה על נשק יכולה להיות מחקר, כתיבה או סקרנות. גם משפט מטריד בודד לא בהכרח מעיד על כוונה לפעול. האתגר מתחיל כאשר מערכת רואה רצף של שיחות, הקשרים ודפוסי התנהגות שמצטברים לאורך זמן.

OpenAI אומרת שהיא ממשיכה לעדכן את הדרך שבה היא מעריכה סיכון מיידי ואמין, ומתכננת גם ליצור ערוצי קשר ישירים עם רשויות אכיפת החוק בקנדה כדי להעביר מידע מהר יותר כאשר מתקבלת החלטה לדווח.

עד כמה האחריות של חברות AI מגיעה מחוץ לצ׳אט

קולומביה הבריטית דורשת מ-OpenAI פיצויים על העלויות שנגרמו לפרובינציה בעקבות הירי, לצד שינויים באופן שבו החברה מטפלת בשיחות שעלולות להצביע על אלימות. בין היתר, הפרובינציה מתמודדת עם עלויות הקשורות לשיקום הקהילה, לטיפול בנפגעים ולהחלפת בית הספר שבו התרחש הירי. אבל המשמעות הרחבה של התביעה נמצאת במקום אחר.

חברות AI כבר לא מתמודדות רק עם השאלה מה המודל צריך או לא צריך לענות. במקרים מסוימים הן מחזיקות גם במידע מצטבר על התנהגות של משתמש, מפעילות מערכות שמנסות לזהות סיכון ומקבלות החלטה אנושית אם חשבון מסוים מצדיק פעולה נוספת.

התביעה בטאמבלר רידג׳ עשויה לעזור לחדד מה מצופה מהן ברגע שבו מערכת מזהה סכנה אפשרית בעולם האמיתי. השאלה המרכזית תהיה לא רק מה ChatGPT אמר למשתמש, אלא מה OpenAI ידעה, מתי היא ידעה את זה, ומה היה עליה לעשות עם המידע שהיה בידיה.

הפוסט קולומביה הבריטית תובעת את OpenAI בעקבות אירוע ירי הופיע ראשון בLet's AI בינה מלאכותית

שלושה חלקים תחת קורת גג אחת

ה-Marketplace מחולק כיום לשלושה אזורים עיקריים.

1. חיבורים ותוספים

הראשון הוא Connectors and Plugins, כלומר חיבורים ותוספים שמאפשרים לקלוד לעבוד עם אפליקציות, נתונים וכלים חיצוניים. אנטרופיק מציינת כי יותר מ-2,000 כאלה זמינים כיום, בהם חיבורים לשירותים של Google, Microsoft, Atlassian, Notion ו-Salesforce.

חלק מהחיבורים גם מאפשרים לקלוד לבצע פעולות בתוך המערכות עצמן. למשל, לשלוח הודעות ב-Slack, לעדכן מידע ב-Notion או לעבוד עם Jira ו-Confluence בהתאם להרשאות שכבר קיימות למשתמש.

ה-Marketplace גם מתחיל לשמש כשכבת גילוי. אנטרופיק מציגה חיבורים פופולריים לצד כאלה שצומחים במהירות, כך שהעמוד הוא לא רק אינדקס טכני, אלא גם דרך לראות איזה כלים מקבלים שימוש ותשומת לב בתוך האקוסיסטם.

מגוון עצום של חיבורים ותוספים | Anthropic

שכבת החיבור שמתחת לאקוסיסטם

כאן נכנס לתמונה גם אחד המהלכים הטכנולוגיים החשובים של אנטרופיק בשנים האחרונות, Model Context Protocol או MCP. זהו תקן פתוח שמגדיר דרך משותפת שבה מערכות AI יכולות להתחבר לכלים ולמקורות מידע חיצוניים. במקום שכל חברה תמציא דרך אחרת לחבר מודל למסד נתונים, אפליקציה או שירות, MCP מנסה לספק שכבת חיבור משותפת.

החשיבות שלו כבר חורגת מגבולות קלוד. אנטרופיק תרמה את MCP בסוף 2025 ל-Agentic AI Foundation תחת Linux Foundation, והוא אומץ גם על ידי מוצרים מתחרים ובהם ג׳מיני (ChatGPT, (Gemini ו-Microsoft Copilot. לפי אנטרופיק, קיימים כיום יותר מ-10,000 שרתי MCP ציבוריים פעילים.

אחד המהלכים הטכנולוגיים החשובים של אנטרופיק בשנים האחרונות

2. סוכנים ומוצרים

החלק השני של ה-Marketplace הוא Agents and Products. כאן נמצאים מוצרים של חברות אחרות שמשתמשות בקלוד כחלק מהפתרון שלהן. בקטגוריה הזו כבר מופיעים מוצרים בתחומי הפיתוח, המשפטים, הנתונים, הסייבר והפרודוקטיביות, בהם Cursor, GitLab, Harvey, Legora, Snowflake, CrowdStrike, Gamma, Lovable ו-Vercel.

מוצרים בתחומי הפיתוח, המשפטים, הנתונים, הסייבר והפרודוקטיביות | Anthropic

3. שותפים להטמעה

החלק השלישי הוא Service Partners. כאן אנטרופיק מחברת לקוחות לחברות ייעוץ ואינטגרציה שיכולות לסייע בגיבוש אסטרטגיית AI ובהטמעה של קלוד בארגון. בין השותפות שמציינת החברה נמצאות Accenture, Boston Consulting Group ו-Deloitte.

חלק מובחר מרשימה מכובדת של שותפים | Anthropic

כך נוצר מקום אחד שמרכז שלוש שכבות שונות של האקוסיסטם: הכלים שמתחברים לקלוד, המוצרים שנבנים באמצעותו והחברות שעוזרות לארגונים להטמיע אותו.

החלק המעניין נמצא גם בתקציב

אחד המרכיבים המעניינים ביותר ב-Marketplace הוא דווקא מנגנון הרכישה.

לקוחות ארגוניים שכבר התחייבו להוצאה מסוימת מול אנטרופיק יכולים, במוצרים המתאימים, להשתמש בחלק מההתחייבות הזו כדי לרכוש תוכנות של שותפים שמופיעים ב-Marketplace. אנטרופיק מציגה את זה כדרך לאחד את הוצאות ה-AI ולצמצם חלק מהחיכוך הכרוך באישור ספקים ותקציבים נוספים.

CodeRabbit, למשל, השתמשה בחלק מההתחייבות שלה לאנטרופיק עבור Vercel, שעל התשתית שלה פועלים סוכני הקוד של החברה. Power Digital ו-ThoughtSpot עשו מהלך דומה עם Snowflake.

הפרט הזה חשוב משום שאחת הבעיות הגדולות בהטמעת כלי AI בארגונים היא לא בהכרח מציאת הטכנולוגיה. גם אחרי שהצוות בחר כלי, מתחיל לעיתים מסלול של תקציב, רכש, ספקים והתקשרויות. אם חלק מהתהליך הזה יכול להתבצע באמצעות מערכת יחסים מסחרית שכבר קיימת עם אנטרופיק, ה-Marketplace מקבל תפקיד משמעותי יותר מקטלוג מוצרים.

היתרונות המרכזיים של Claude Marketplace לארגונים

אנטרופיק רוצה שגם המפתחים יבואו

הצד השני של ה-Marketplace מיועד לחברות ולמפתחים שרוצים להגיע למשתמשי קלוד.

מי שבונה כלי עבור צוותים שמשתמשים בקלוד יכול להגיש Connector או Plugin המבוסס על MCP ועל Agent Skills. חברה שמוכרת סוכן או מוצר שמופעל באמצעות קלוד יכולה להגיש בקשה להיכלל באזור Agents and Products, וספקי שירות יכולים להצטרף ל-Claude Partner Network. כאן חוזר MCP לתמונה, אבל מזווית מעניינת יותר.

מאחר שמדובר בתקן פתוח ונייטרלי שאומץ גם מחוץ לאקוסיסטם של אנטרופיק, מפתח שבונה חיבור באמצעות MCP לא בהכרח בונה מוצר שמוגבל לקלוד. דווקא זה עשוי להקל על חברות לאמץ את התקן. הן יכולות לבנות שכבת חיבור אחת ולהשתמש בה ביותר ממערכת AI אחת.

מבחינת אנטרופיק, זה יוצר יתרון מסוג אחר. היא לא חייבת להיות הבעלים של התקן כדי ליהנות מההשפעה שלו. אם MCP הופך לאחת הדרכים המקובלות שבהן סוכני AI מתחברים לעולם החיצוני, אנטרופיק נמצאת בעמדה חזקה משום שהיא הייתה זו שהחלה את הפרויקט וסביב קלוד כבר נבנו כלים, תיעוד ושוק שמנצלים אותו.

במובן הזה, ה-Marketplace ו-MCP משלימים זה את זה. התקן מקל על בניית החיבורים, וה-Marketplace נותן להם מקום להיחשף למשתמשים ולארגונים.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מטמיעי AI

לפרטים נוספים לחצו כאן >>

האם זה ה-App Store של קלוד?

ההשוואה ל-App Store מתבקשת, אבל כרגע היא עדיין גדולה יותר מהמוצר עצמו. יש כאן כמה מהמרכיבים המוכרים של חנות פלטפורמה: מקום מרכזי לגילוי פתרונות, אקוסיסטם של מפתחים ושותפים, מוצרים של חברות חיצוניות ומנגנון שמחבר בין ספקים ללקוחות.

אבל Claude Marketplace עדיין שונה מחנות אפליקציות קלאסית. חלק גדול ממנו מוקדש לחיבורים ותוספים, אזור המוצרים והסוכנים עדיין קטן יחסית, וחלק נוסף בכלל מיועד למציאת חברות ייעוץ ואינטגרציה. גם המודל המסחרי סביב ההוצאה הארגונית מיועד בשלב הזה לסוג מסוים של לקוחות ומוצרים.

לכן המבחן האמיתי של ה-Marketplace יגיע בהמשך. כמה מפתחים ירצו להופיע בו, כמה מוצרים משמעותיים ייבנו סביב קלוד, וכמה ארגונים באמת יתחילו להשתמש בו כנקודת כניסה קבועה לרכישת כלי AI.

אם האקוסיסטם הזה יצמח, המהלך המשמעותי ביותר של אנטרופיק לא יהיה עצם הקמת החנות, אלא החיבור בין תקן פתוח שמקל על כלים לדבר זה עם זה, מודל AI שנמצא במרכז העבודה, ושוק שמחבר את כל השחקנים מסביבם.

שם כבר מתחילה תחרות על משהו גדול יותר מהמודל עצמו: מי יהפוך לפלטפורמה שסביבה עולם ה-AI הארגוני נבנה.

הפוסט אנטרופיק משיקה את Claude Marketplace הופיע ראשון בLet's AI בינה מלאכותית

השינוי הגדול מתחיל בדרך שבה אנחנו עובדים

בתיעוד הרשמי של OpenAI מתואר GPT-6 Astra כמודל שמצטיין בתהליכי עבודה רב-שלביים המשלבים קוד, דפדפן ותוכנות מקצועיות. בגלריית הדוגמאות של החברה מופיעה גם עבודה אדריכלית עם אסטרה, הכוללת סיורי מצלמה ב-Blender וחוויה ב-Unreal Engine 5.

בעיניי, הכיוון הזה משמעותי לעיצוב פנים: האפשרות להיעזר ב-AI לאורך תהליך, כשהכלים המתאימים מחוברים אליו. היכולת בפועל תלויה בסביבת העבודה, בקבצים, בהוראות ובבדיקה שלנו. אין כאן הבטחה שכל תוכנית תהפוך מעצמה למודל מדויק, או שכל תוכנה זמינה באותה הדרך.

ובכל זאת, קל להבין למה זה עשוי לשנות את המקצוע. אם נוכל להקדיש פחות זמן לפעולות החוזרות שבין החלטה להצגתה, יישאר יותר מקום לבדוק חלופות, לחדד רעיון ולנהל שיחה טובה יותר עם הלקוח.

מתחילים בתוכנית ומוסיפים את המציאות

לפני שמבקשים מהמערכת לבנות משהו, צריך לתת לה בסיס שאפשר לעבוד איתו. איכות התהליך מתחילה באיכות המידע. בדוגמה שלפנינו בחרתי בחלל מודרני עם חזית זכוכית גבוהה, קיר מעוגל, מדרגות ונגרות כהה. התוכנית הסכמטית מציגה את הארגון הכללי; תמונת החלל מוסיפה מידע על גובה, אור וחומריות שקשה להעביר בקווים בלבד.

איכות התהליך מתחילה מאיכות המידע

בפרויקט אמיתי הייתי מצרף תוכנית עם מידות, גבהים ותצלומים מכמה כיוונים, ומגדיר במפורש מה קיים, מה נשאר ומה עומד להשתנות. אם מידה חסרה, צריך לסמן אותה כנתון לבירור. המערכת לא אמורה להשלים אותה בשקט.

גם הבקשה צריכה להיות ברורה. בשלב הזה המטרה היא לתאר ולבנות את המעטפת: קירות, פתחים, מפלסים ואלמנטים קבועים. הפרדה כזאת מאפשרת לבדוק את הבסיס לפני שעוברים לריהוט ולאווירה.

כדאי לבקש גם פירוט של ההנחות שנעשו. כשההנחות גלויות, קל יותר לתקן אותן ולהבין למה התקבלה תוצאה מסוימת. זה הופך את העבודה עם AI לתהליך שאפשר לנהל, לתעד ולשפר.

נותנים לתוכנית נפח

המטרה הבאה היא לייצר בסיס מרחבי שאפשר לבחון ולערוך בתוכנת מידול מתאימה. כאן מתחיל החיבור בין אסטרה לבין כלי העבודה המקצועיים. בהתאם לסביבה ולהרשאות, אפשר להיעזר בו כדי לתכנן פעולות, לכתוב קוד או להפעיל כלים שבונים את הגיאומטריה. התוצר שצריך לבדוק הוא המודל עצמו: הקירות, הפתחים, הגבהים והיחסים ביניהם.

מבט על המעטפת / בודקים גיאומטריה לפני שמכניסים ריהוט

אם עובדים ב-SketchUp, צריך לוודא בנפרד את דרך יצירת הקובץ או העברת הגיאומטריה אליו, ולבדוק שניתן להמשיך לערוך אותו. תמונה שנראית כמו מודל אינה מעידה בפני עצמה שיש מאחוריה קובץ כזה.

במעטפת הריקה קל לזהות טעויות שנבלעות אחר כך בתוך הריהוט. האם חזית הזכוכית נמצאת במקום הנכון? האם הקיר המעוגל שומר על הכיוון הרצוי? האם המדרגות והכניסה מסתדרות עם התוכנית?

הערך של האוטומציה נמדד בבסיס שהיא מאפשרת לנו לפתח. מודל שנבנה מהר אבל דורש תיקון יסודי עלול להחזיר אותנו לאותה נקודה. לכן שלב הבדיקה הוא חלק מהתהליך, וכדאי לבצע אותו לפני שמוסיפים עוד שכבות של מידע.

כאן נכנסות הבחירות שלנו

אחרי שהמעטפת ברורה, אפשר להכניס לתוכה את השפה העיצובית: קנה מידה, קומפוזיציה וחומרים. תוכנית הריהוט מגדירה איפה הדברים אמורים להיות. לוח הפריטים והחומרים מסביר מה אנחנו רוצים להרגיש ולראות. ביחד הם נותנים למערכת כיוון עשיר יותר מבקשה כללית כמו ״תעשה סלון מודרני״.

כאן נכנסות הבחירות שלנו

בדוגמה הזאת השפה נשענת על ספה מעוגלת ובהירה, שולחן אבן כהה, כורסה רכה, נירוסטה ועץ מעושן. לכל בחירה יש תפקיד: הרכות מאזנת את המסה האדריכלית, האבן מעגנת את אזור הישיבה והמתכת מוסיפה נקודה חדה בתוך המכלול.

כדי להתקדם לפרויקט ממשי, צריך לצרף מידות של הפריטים ולהבדיל בין מוצר מסוים לבין השראה צורנית. גם כשנבחר דגם מוגדר, יש לבדוק שהייצוג שלו במודל אכן תואם אותו.

זה השלב שבו הטעם שלנו הופך להנחיות שאפשר לעבוד איתן. הגדרה מדויקת של חומר, פרופורציה ומיקום משאירה יותר שליטה אצל המעצב ומקלה על תיקונים בהמשך. ה־AI יכול לעזור להרכיב את התמונה; את ההיגיון שמחבר בין הבחירות אנחנו צריכים להביא.

איך החלל באמת עובד?

כשהפריטים נכנסים למעטפת, אפשר להתחיל לבדוק את היחסים ביניהם ואת הדרך שבה חיים בחלל. המודל המרוהט מאפשר לנו לשאול שאלות קונקרטיות: האם אזור הישיבה בקנה המידה הנכון? האם הכורסה משתתפת בשיחה? מה רואים מהכניסה? האם הספה מאפשרת מעבר נוח אל פינת האוכל והמדרגות?

מבט על ההעמדה / קשרים בין רהיטים, תנועה ונקודות מבט

כאן יכולה להיווצר התייעלות משמעותית. אם שינוי בהנחיה מתורגם בקלות לשינוי במודל, אפשר לבחון עוד חלופה, להשוות שתי העמדות או להראות ללקוח את המשמעות של החלטה. הפידבק מגיע בשלב שבו עדיין פשוט יחסית לשנות.

בכל סבב כדאי לשנות משתנה מוגדר ולשמור גרסאות שאפשר להשוות. הזזה של הכורסה או שינוי גודל השטיח יספרו סיפור ברור יותר מבקשה שמחליפה בבת אחת את כל החלל.

את המעברים והמרחקים צריך לבדוק במידות בתוך המודל. תחושה טובה במבט איזומטרי לא מספיקה כדי לאשר שההעמדה עובדת. כאן השיפוט המקצועי שלנו מחבר בין מה שנראה משכנע לבין מה שיתאים לשימוש היומיומי, לאנשים ולדרישות של הפרויקט.

נותנים לרעיון נוכחות

אחרי שהכיוון העיצובי וההעמדה ברורים, ההדמיות עוזרות לתקשר אותם. מבט רחב מסביר את הקומפוזיציה; תקריב מראה את המפגש בין בד, אבן ומתכת. אפשר להיעזר ביצירת תמונות כדי לבחון אור, חומר ואווירה ולהציג את הרעיון בצורה שקל להבין.

המבט הרחב מחבר בין הקומפוזיציה, האור והחומריות

במעבר בין מבטים חשוב לבדוק שהפריטים, הפתחים והפרופורציות נשארים עקביים. תמונה מרשימה יכולה לשנות פרט בלי שנשים לב. לכן חוזרים אל המודל ואל התוכנית כדי לאמת את ההחלטות. ההמחשה מסייעת לשיחה העיצובית. המידות נשארות בכלי התכנון.

מקרוב / המפגש בין חומרים ופרטים

מה אנחנו עושים עם הזמן הזה?

המקצוע משתנה. הכוונה העיצובית מתחילה בנו. כשאני אומר שאסטרה הולך לשנות את עולם עיצוב הפנים לנצח, אני מתכוון לשינוי בדרך שבה רעיון מתקדם אל החלטה שאפשר לראות, לבדוק ולדייק.

חלק גדול מהעבודה שלנו מוקדש היום לתרגום: מהסקיצה לתוכנה, מהתוכנית למודל, מהמודל לתמונה ומהרעיון להסבר שהלקוח יכול להבין. ככל שהמעברים האלה יהיו פשוטים יותר, נוכל להקדיש יותר תשומת לב למה שהפרויקט באמת צריך.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI לאדריכלים ומעצבי פנים

לפרטים נוספים לחצו כאן >>

זה יכול להיות עוד זמן לפתח חלופה טובה, להבין איך הלקוח חי, לבחור חומר נכון או לפתור פינה שלא מסתדרת. גם האפשרות להראות החלטה בזמן ולחסוך סבב מיותר יכולה להיות בעלת ערך גדול.

התפקיד שלנו ימשיך להישען על ניסיון, רגישות, טעם ושיקול דעת. נצטרך גם לדעת לתת הוראות, להגדיר מה נחשב תוצאה טובה ולזהות מתי הכלי סטה מהכוונה. המיומנויות האלה כבר ראויות למקום בתהליך הלמידה שלנו.

לכן הייתי מתחיל מחלק מוגדר בפרויקט: מעטפת פשוטה, חלופת ריהוט או סדרת מבטים. בודק מה התקבל, כמה תיקונים נדרשו ואיפה נחסך זמן בפועל. משם אפשר להרחיב את השימוש עם יותר הבנה ויותר ביטחון. ההזדמנות הגדולה בעיניי היא להחזיר יותר מהיום שלנו לעיצוב עצמו. אם נשתמש בכלים האלה מתוך כוונה, נוכל להקדיש יותר זמן לדברים שבגללם בחרנו במקצוע.

הפוסט למה אסטרה הולך לשנות את עולם עיצוב הפנים לנצח הופיע ראשון בLet's AI בינה מלאכותית

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס וייב קודינג אקספרס Vibe Coding Express

לפרטים נוספים לחצו כאן >>

שלושה מצבים, שלושה תפקידים

בחלון השיחה של כל פרויקט יש היום בורר מצבים עם שלוש אפשרויות. חשוב להכיר את ההבדלים ביניהן, כי הם קובעים גם מה הכלי יעשה וגם כמה זה יעלה לכם:

1) מצב Build: במצב הזה Lovable בונה בפועל, כלומר כותב קוד ומשנה את האפליקציה. זהו מצב ברירת המחדל, והתמחור בו מבוסס על היקף השימוש.

2) מצב Chat: מרחב שנועד לשיחה בלבד. שואלים, מתייעצים, בוחנים רעיונות ומקבלים תשובה מקצועית, בלי שנכתבת אף שורת קוד ובלי לגעת בקרדיטים של הבנייה.

3) מצב Plan: במצב הזה Lovable בוחן את הפרויקט ומנסח תוכנית עבודה מובנית לפיצ'ר או לרכיב, מעין מסמך תכנון מפורט (Detailed Design). הוא אינו נוגע בקוד. אפשר לערוך את התוכנית כטקסט בפורמט Markdown, וברגע שמאשרים אותה, הכלי עובר אוטומטית למצב Build ומתחיל לממש אותה. התוכנית המאושרת נשמרת כקובץ בתוך הפרויקט, וכל הודעה במצב הזה עולה קרדיט אחד

ניתן לעבור בין המצבים בכל רגע, דרך הבורר שליד תיבת הטקסט או בקיצור המקלדת Option+P במק ו-Alt+P בווינדוס. השיחה נשמרת לאורך כל המעברים, כך שכל מה שדיברתם עליו ב-Chat ילווה גם את שלבי התכנון והבנייה.

מעבר בין מצבים

מה אפשר לשאול, ומה לא יקרה

היתרון של מצב Chat הוא שהוא מכיר את הפרויקט. הכלי קורא את הקוד, את הקבצים ואת היסטוריית השיחה, וגם את נתוני האפליקציה אם היא מחוברת ל-Lovable Cloud, שירות הענן של החברה. כך אין צורך להסביר לו מאפס מה בניתם. אפשר לשאול איך בנוי תהליך הרכישה, לברר למה הסכום בעגלת הקניות שגוי, להשוות בין שתי דרכים לממש פיצ'ר, או לבקש חוות דעת על מסך הרשמה שנראה ארוך מדי. בעזרת הסימן @ אפשר גם להפנות לקובץ מסוים או לפרויקט אחר בסביבת העבודה.

Chat שפועל בתוך פרויקט קיים

ומה לא יקרה? במצב Chat הכלי לא יוצר ולא עורך קבצים, לא משנה את מסד הנתונים, לא מייצר תמונות, לא מפרסם את האפליקציה ולא מנסח תוכנית מובנית לאישור. הוא יכול לתאר את השלבים בטקסט חופשי, וזה הכול. יש חריגה אחת שכדאי להכיר: פעולות בכלים מחוברים, כמו שליחת הודעה בסלאק (Slack) או פתיחת משימה בלינאר (Linear), מתבצעות גם במצב הזה, לאחר שתאשרו אותן.

כשתבקשו שינוי של ממש, יופיע כרטיס בשם Start building. לחיצה על Build מעבירה את השיחה למצב בנייה ומחויבת בקרדיטים רגילים, ולחיצה על Skip משאירה אתכם במצב השיחה.

קרדיטים נפרדים שמתאפסים כל יום

כאן טמון ההיגיון הכלכלי. הודעה במצב Chat מתומחרת לפי היקף העבודה שנדרש כדי לענות עליה, ובדרך כלל מדובר בחלק קטן מקרדיט. זאת ועוד, סביבות עבודה בתוכניות Free, Pro ו-Business מקבלות מכסה יומית חינמית להודעות צ'אט. המכסה משותפת לכל חברי הצוות, מתאפסת מדי יום בחצות לפי שעון UTC ואינה מצטברת. רק לאחר שהיא מנוצלת, ההודעות מחויבות מקרדיטי הבנייה היומיים, ולאחר מכן מהקרדיטים הכלליים.

יש שתי הסתייגויות: בתוכנית Enterprise אין מכסה יומית, והחברה מגדירה את מודל התמחור הנוכחי כהצעה זמנית, שבתוקף עד 31 באוקטובר 2026.

שיחות גם מחוץ לפרויקט

מלבד מצב Chat, הוסיפה Lovable פיצ'ר נפרד בשם Chats: מרחב שיחה שנמצא מחוץ לפרויקטים. נקודת המוצא כאן היא סביבת העבודה כולה והכלים המחוברים אליה, ולא פרויקט מסוים. אפשר לשאול שאלות, לגבש תוכניות, להשלים משימות קטנות ולעבוד מול פרויקטים קיימים. כשרעיון מבשיל, שולחים אותו לפרויקט כהוראת בנייה.

ההבדל המעשי בין השניים: שיחה במצב Chat גלויה לכל מי שיש לו גישה לפרויקט, ואילו שיחה ב-Chats פרטית ונראית רק לכם. התמחור והמכסה היומית משותפים לשניהם.

רעיון מוכר מעולם הקוד

מי שעובד עם קרסר (Cursor) יזהה את הרעיון מיד. מצב Ask של קרסר עושה בדיוק את זה: הוא מגביל את הסוכן לכלי קריאה בלבד, כדי שאפשר יהיה לדון בקוד בלי שישתנה תוך כדי השיחה. גם החלוקה המשולשת של Lovable, בין שיחה, תכנון וביצוע, מזכירה את האופן שבו כלים כמו קלוד קוד (Claude Code) וקודקס (Codex) מפרידים בין חשיבה לעשייה.

מצב Ask בקרסר

המהלך הזה מעיד על הכיוון שאליו החברה הולכת. כלי שהתחיל כמחולל אפליקציות לאנשים שלא כותבים קוד מאמץ בהדרגה את דפוסי העבודה של סביבות הפיתוח המקצועיות, ומוסיף שכבות של שליטה, בקרה ותכנון.

ההמלצה המעשית פשוטה, והיא גם ההמלצה של Lovable עצמה: התחילו ב-Chat. שאלו, התלבטו, ותנו לכלי להסביר לכם את האפליקציה שלכם. עברו ל-Plan כשכבר החלטתם מה לשנות, ול-Build רק כשברור לכם מה אתם רוצים לקבל. בסופו של דבר, השאלה הזולה ביותר היא זו שנשאלת לפני שנכתבה שורת הקוד הראשונה, והתיקון היקר ביותר הוא זה שמגיע אחריה.

הפוסט מצב Chat ב-Lovable: לחשוב בקול בלי לשרוף קרדיטים הופיע ראשון בLet's AI בינה מלאכותית

למה OpenAI משנה את הדרך שבה בונים כלים אישיים?

OpenAI מעבירה תהליכי עבודה מותאמים אישית לפלאגינים. פלאגין יכול להכיל הוראות עבודה קבועות, קבצי עזר וחיבור לאפליקציות. ההוראות נשמרות בתוכו כרכיב שנקרא סקיל (Skill). ככה אפשר לשלב את דרך העבודה שהגדרתם עם המידע והכלים שהמשימה דורשת. פלאגין יכול גם להכיל הוראות בלבד, בלי חיבור לאפליקציה חיצונית.

מבחינתכם, המשמעות היא שתוכלו לקחת GPT שכבר בניתם ולהתחיל ממנו פלאגין חדש. יחד עם זאת, ההעברה לא מבטיחה שהתוצאה תעבוד בדיוק כמו ה-GPT המקורי. לכן חלק מהתהליך הוא לבדוק את הפלאגין ולתקן אותו לפי הצורך.

שלב 1: בחרו איזה GPTs חשוב לכם לשמור

פתחו את My GPTs בחשבון או בסביבת העבודה שבה יצרתם את ה-GPT. התחילו באלה שאתם משתמשים בהם היום או שאנשים אחרים מסתמכים עליהם. אם יש לכם כמה חשבונות או סביבות עבודה, שימו לב היכן כל GPT נוצר כי האפשרות להעביר אותו וההרשאות החלות עליו קשורות למקום שבו נוצר.

אתם יכולים להעביר GPT שאתם יצרתם. אם אתם רק משתמשים ב-GPT של מישהו אחר, תצטרכו להמתין להנחיות מהיוצר שלו לגבי התחליף. הגישה שלכם ל-GPT לא מעניקה לכם הרשאה להעביר אותו בעצמכם.

בתמונה המצורפת רואים את עמוד My GPTs. בראשו מופיעה הודעה שלפיה יש להעביר את ה-GPTs לפלאגינים עד 11 בדצמבר. לצד GPTs שטרם הועברו מופיע הכפתור ״Migrate to plugin״, ולצד GPT שכבר הועבר מופיע ״Open plugin״:

המסך של “My GPTs” עם כפתורי “Migrate to plugin”

שלב 2: הכינו את ה-GPT לפני המעבר

לפני שלוחצים על הכפתור, היכנסו ל-GPT ובדקו את ההוראות וקבצי הידע שלו. האם אלה עדיין ההנחיות שאתם רוצים שהפלאגין יפעל לפיהן? האם הקבצים מעודכנים? אם צריך לערוך משהו, עשו זאת עכשיו ופרסמו/שמרו את הגרסה המעודכנת.

ההעברה תתבסס על הגרסה האחרונה שפורסמה. שינויים שנשארו כטיוטה לא יעברו. פרסום גרסה לצורך המעבר לא מחייב אתכם לשתף את ה-GPT עם הציבור. לאחר המעבר, הגדרות ה-GPT המקורי הופכות לקריאה בלבד, ואת השינויים הבאים תבצעו בפלאגין.

שמרו גם שתיים או שלוש בקשות שאתם נוהגים לתת ל-GPT שלכם: משימה רגילה, משימה מעט מורכבת יותר, ואם יש קבצי ידע, שאלה שמחייבת שימוש באחד מהם. אלה יהיו הבדיקות שלכם אחרי המעבר עצמו. למשל, אם בניתם GPT לכתיבת פוסטים בסגנון מסוים, שמרו בקשה טיפוסית ופוסט מוצלח שהוא יצר. כך תוכלו לבדוק אם הפלאגין החדש עדיין מספק את מה שאתם צריכים.

שלב 3: לחצו על “Migrate to plugin”

כשתהיו מוכנים, חזרו אל My GPTs ולחצו על ״Migrate to plugin״ לצד ה-GPT שבחרתם. עברו על הפרטים שמוצגים בתהליך והמשיכו לפי ההוראות שעל המסך. כאשר תהליך ההעברה הסתיים, תופיע הודעת הצלחה עם אפשרות לפתוח ולערוך את הפלאגין.

הודעת ההצלחה מאשרת שהפלאגין נוצר

אם אתם לא רואים את הכפתור ״Migrate to plugin״, ודאו שאתם מחוברים לחשבון שבו יצרתם את ה-GPT. ייתכן שהאפשרות עדיין לא זמינה אצלכם, או שהגישה לפלאגינים מוגבלת בסביבת העבודה שלכם. בארגון, האדמין יכול לבדוק את ההרשאות הרלוונטיות.

שלב 4: פתחו את הפלאגין ובדקו מה עבר אליו

לאחר ההעברה, פתחו את עמוד הפלאגין החדש. אם חזרתם לרשימת My GPTs, לחצו על Open plugin לצד ה-GPT שהעברתם. בעמוד תראו את ה-Skill שנוצר מהוראות ה-GPT. לחצו על Try in chat כדי לנסות את הפלאגין במשימה שאתם מכירים.

עמוד הפלאגין החדש שנפתח לאחר ההעברה

בתפריט שלוש הנקודות מופיעות גם אופציית Manage לניהול הפלאגין, Download plugin ZIP להורדת הקבצים, הנכסים וההנחיות של ה-GPT שלכם, Upload new version להעלות גרסה חדשה של קבצי הפלאגין ו-Uninstall להסרת הפלאגין המותקן. לצורך הבדיקה הראשונית, התחילו ב-Try in chat והשתמשו ב-Edit plugin כשיש דבר מוגדר שתרצו לבדוק או לשנות.

רוצים לבדוק את ההוראות או לבקש שינוי? לחצו על Edit plugin בראש העמוד או בתפריט של שלוש הנקודות. הפעולה פותחת שיחה עם Plugin Creator, ובה בקשה מוכנה לעדכון הפלאגין. השלימו אותה בשפה רגילה עם השינוי הרצוי. למשל: ”בדוק שהוראות הכתיבה מה-GPT המקורי נמצאות בפלאגין, ועדכן אותן כך שתשאל קודם מי קהל היעד”.

לחיצה על Edit plugin פותחת שיחה עם Plugin Creator

לאחר העדכון, חזרו אל Try in chat ונסו שוב את אותה משימה. השוו את התוצאה למה שקיבלתם מה-GPT המקורי. מזכיר לכם שכדאי לבדוק גם משימה שנשענת על קובץ ידע, אם היה כזה ב-GPT. ככה תוכלו לגלות אם חסר מידע או אם ההוראות דורשות התאמה.

בפועל, מאחורי הקלעים הוראות ה-GPT הופכות ל-Skill וקבצי הידע מועתקים לקבצי העזר של הפלאגין. אפליקציות מחוברות מתווספות כאפליקציות, אבל המודל שבחרתם ב-GPT והשיחות הקודמות לא עוברים.

שלב 5: נסו את הפלאגין במשימות אמיתיות

הריצו בפלאגין את הבקשות ששמרתם לפני המעבר. תבדקו אם הוא פועל לפי ההוראות שלכם, נעזר בקובץ המתאים ומפיק תשובה או קובץ בפורמט הרצוי. נסו גם מקרה מורכב אחד, משום שמשימה פשוטה לא תמיד תחשוף הבדל חשוב בהתנהגות.

אם התוצאה לא מספיק טובה, ערכו את הפלאגין ובדקו שוב. מעבר מוצלח פירושו שהפלאגין נוצר, אבל מבחינת העבודה שלכם, הוא מוכן רק כאשר הוא מצליח לבצע את המשימות שלשמן בניתם את ה-GPT.

אחרי המעבר אפשר להשתמש ב-GPT המקורי עד ל-11 בדצמבר

ה-GPT המקורי נשאר זמין לשיחה עד מועד הפרישה המתוכנן, כך שתוכלו להשוות בין השניים בזמן הבדיקות. לאחר המעבר, ההגדרות ואפשרויות השיתוף של ה-GPT המקורי הן לקריאה בלבד.

ההודעה שתקבלו לאחר ביצוע ההעברה

שלב 6: בדקו חיבורים ושיתוף

אם הגדרתם ל-GPT פעולות מותאמות אישית (Actions), למשל חיבור ל-API של שירות חיצוני, בדקו אותן בנפרד. החיבורים האלה לא עוברים אוטומטית לפלאגין, ולכן פעולה שהתבססה עליהם לא תעבוד בו עד שתגדירו ותבדקו פתרון חלופי.

גם אם אפליקציה מופיעה בפלאגין, ייתכן שתצטרכו לחבר אליה חשבון ולאשר גישה. הפלאגין לא מעניק מעצמו הרשאות לקבצים או לפעולות בשירות חיצוני. בארגון עשויות לחול גם הגדרות גישה של סביבת העבודה.

שיתפתם את ה-GPT עם אחרים? בדקו את נושא השיתוף לפני שאתם מפנים אותם לפלאגין. הגדרות השיתוף של ה-GPT לא עוברות אוטומטית, ופלאגין אישי שהועבר מתחיל כפרטי. בסביבת עבודה ארגונית עשויות להידרש הרשאות מתאימות לשיתוף או לפרסום בספריית הארגון. בקשו לפחות ממשתמש אחד שאמור לעבוד עם הפלאגין לוודא שהוא יכול לגשת אליו ולהפעיל אותו.

איך משתמשים בפלאגין לאחר המעבר?

לאחר שיש לכם גישה לפלאגין והוא מותקן, אפשר לבחור אותו למשימה. אפשר לקרוא לפלאגין זמין באמצעות @ ממש בחלון הצ׳אט. לפעמים ChatGPT מזהה בעצמו ש-Skill שהתקנתם מתאים למשימה ומשתמש בו. אם חשוב לכם לעבוד דווקא עם פלאגין מסוים, בחרו אותו במפורש או פתחו אותו דרך Try in chat.

רוצים לבנות פלאגין חדש?

אם יש לכם רעיון לכלי שעדיין לא בניתם כ-GPT, אפשר להתחיל ישירות עם Plugin Creator. פתחו אותו ותארו בשפה רגילה מה תרצו שהפלאגין יעשה, למי הוא מיועד ואיך תרצו שיבצע את המשימה. כך תוכלו לבנות פלאגין חדש מתוך הרעיון שלכם.

כדי להפעיל אותו בתוך שיחה, כתבו Plugin Creator@ ואז את הבקשה שלכם:

אפשר לתאר ל-Plugin Creator בשפה רגילה איזה פלאגין רוצים ליצור

ככה נראה העמוד של Plugin Creator, הכלי ליצירה ולעדכון של פלאגינים. לחצו על Try in chat כדי לפתוח איתו שיחה, ואז תארו מה תרצו ליצור או לשנות:

העמוד של Plugin Creator עם הסקילים הייחודיים שלו

אל תחכו לתאריך היעד

אם יצרתם GPT שאתם רוצים להמשיך להשתמש בו, אל תחכו ל-11 בדצמבר 2026. תעברו על ההוראות והקבצים שלו, פרסמו שינויים חשובים, ובחרו ״Migrate to plugin״ מתוך My GPTs. לאחר מכן פתחו את הפלאגין, בדקו אותו עם משימות מוכרות, וטפלו בנפרד בחיבורים ובגישה של משתמשים אחרים. ככה תגיעו למועד עם תהליך עבודה שבדקתם ושאפשר להמשיך להשתמש בו.

הפוסט ככה תעבירו את ה-GPTs המותאמים אישית שלכם ל-Plugins הופיע ראשון בLet's AI בינה מלאכותית

הפער בין 20% ל-40% חשוב להבנת ההשקה. אנטרופיק לא הורידה את מחיר הטוקן ב-40%. היא הורידה אותו ב-20%, ובמקביל טוענת שהמודל זקוק לפחות טוקנים ופחות צעדים כדי להשלים משימה. אם הטענה הזו תחזיק גם מחוץ לבדיקות ההשקה, היא עשויה להיות חשובה יותר מעוד שיפור בטבלת בנצ'מרקים. Opus 5.5 הושק ב-22 בספטמבר והוא הראשון במשפחת Claude 5.5 החדשה. אנטרופיק מציגה אותו כמודל שמגיע ברוב סוגי העבודה לרמה של Claude Fable 5.1, אבל דורש פחות משאבים מ-Opus 5. מודלי Sonnet 5.5 ו-Haiku 5.5 אמורים להגיע בשבועות הקרובים.

20% פחות לטוקן, אבל 40% פחות למשימה

התמחור החדש פשוט יחסית. מיליון טוקנים של קלט עולים 4 דולר במקום 5, ומיליון טוקנים של פלט עולים 20 דולר במקום 25. כתיבה ל-prompt cache ירדה מ-6.25 ל-5 דולר, וקריאה ממנו ירדה מ-0.50 ל-0.20 דולר למיליון טוקנים.

הירידה המשמעותית ביותר נמצאת בקריאות מהמטמון (cache) | Anthropic

Prompt caching הוא מנגנון שמאפשר למערכת לשמור חלק מההקשר שכבר נשלח למודל ולהשתמש בו שוב בלי לעבד אותו מחדש בכל בקשה. בעבודה קצרה בצ'אט זה יכול להיות פרט שולי, אבל בקלוד קוד (Claude Code) או בסוכן שעובד שוב ושוב עם אותו מאגר קוד, מסמכים והוראות, החיסכון הזה יכול להצטבר במהירות.

אנטרופיק אומרת שקריאות מהמטמון מהוות את רוב העלות בעבודת קוד וסוכנים, לכן הירידה של 60% במחיר שלהן מעניינת יותר מההוזלה הכללית במחירון. המודל גם מהיר ביותר מ-30% בהפקת תשובות לעומת Opus 5. למי שצריך מהירות נוספת קיים Fast Mode, שמגיע לעד פי 2.5 מהמהירות הרגילה ועולה 8 דולר למיליון טוקנים של קלט ו-40 דולר למיליון טוקנים של פלט.

החיבור בין כל הנתונים האלה מסביר את טענת ה-40%. פחות כסף לטוקן, פחות טוקנים למשימה ופחות זמן עד לסיום העבודה.

אנטרופיק משיקים את קלוד אופוס 5.5

הגרפים מראים למה "עלות למשימה" הופכת למדד מרכזי

אחד השינויים המעניינים הוא האופן שבו אנטרופיק מציגה את הביצועים. במקום להסתפק בציון מקסימלי לכל מודל, חלק מהגרפים מציבים את איכות התוצאה מול העלות למשימה ומציגים כמה רמות effort, כלומר כמה משאבי חישוב המודל משקיע בדרך לפתרון.

ב-CursorBench 4.0, שבודק משימות קוד מורכבות, Opus 5.5 משיג ציון גבוה יותר מ-Opus 5 גם כשהוא פועל ברמת מאמץ בינונית. כשהוא מופעל ברמה המרבית, הפער גדל עוד יותר. זה נתון מעניין יותר מההשוואה בין שני ציוני max בלבד. אם מודל חדש יכול לעבור את הדור הקודם בלי להפעיל את רמת החישוב הגבוהה ביותר, אפשר לבחור בין חיסכון לבין ניסיון לסחוט ממנו ביצועים נוספים.

הקשר בין איכות התוצאה לעלות המשימה | Anthropic

התמונה דומה גם ב-Terminal-Bench 4.0, שבוחן משימות מקצועיות מורכבות המבוצעות דרך שורת הפקודה (טרמינל). אנטרופיק מדווחת שבברירת המחדל Opus 5.5 עובר את Opus 5 במצב max בכחמישית מהעלות, ומגיע לתוצאה דומה ל-GPT-6 Astra בכ-40% מהעלות.

ב-FrontierCode, שבודק משימות קוד מורכבות, Opus 5.5 משיג ציון מעט גבוה יותר מ-Astra כבר בהגדרות ברירת המחדל. אנתרופיק טוענת שהוא עושה זאת בעלות של בערך חמישית מהמחיר למשימה.

ביצועים דומים ל-GPT-6 Astra בכ-40% מהעלות למשימה | Anthropic

זה כנראה הגרף החשוב ביותר אחרי CursorBench בגלל שהוא ממחיש בצורה ישירה את הטענה המרכזית של ההשקה. היתרון שאנטרופיק מנסה למכור הוא לא רק ציון גבוה יותר, אלא יותר ביצועים לכל דולר.

השיפור לא מוגבל רק לקוד

טבלת הביצועים הרחבה מראה ש-Opus 5.5 השתפר מול Opus 5 גם מעבר לקוד. הוא קיבל ציונים גבוהים יותר במבחנים שבודקים עבודה מקצועית, שימוש במחשב והבנת גרפים.

גם במשימות עסקיות שמערבות עבודה בין כמה אפליקציות נרשם שיפור משמעותי מול הדור הקודם. עם זאת, Opus 5.5 לא מוביל בכל מבחן. בחלק מהבדיקות GPT-6 Astra עדיין משיג תוצאה מעט גבוהה יותר.

ביצועים דומים ל-GPT-6 Astra בכ-40% מהעלות למשימה | Anthropic

הנקודה החשובה היא שהשיפור של Opus 5.5 רחב יחסית, אבל לא אחיד בכל תחום. היתרון שלו בולט במיוחד כשהביצועים נבחנים יחד עם העלות והיעילות.

משפר משמעותית את תוצאות Opus 5 ברוב המבחנים | Anthropic

פחות צעדים יכולים להיות חשובים יותר מפחות טוקנים

נתוני הגישה המוקדמת נותנים הסבר מעשי יותר לטענת היעילות.

GitHub מדווחת שבבדיקות שלה Opus 5.5 פתר יותר משימות טרמינל מ-Opus 5 בפחות ממחצית מספר הצעדים. Kiro מדווחת שבבנצ'מרק ציבורי המודל ביצע כ-40% פחות קריאות לכלים והשתמש במחצית מכמות הטוקנים. Optiver מדווחת שבמשימות הקוד שלה הוא הגיע לאיכות דומה ל-Opus 5 בערך במחצית ממספר הסבבים, הזמן וטוקני הפלט, עם ירידה של 40% עד 50% בעלות הכוללת של המשימה.

אלה כמובן עדויות של לקוחות שהשתתפו בגישה המוקדמת ונבחרו להופיע בהכרזה, ולכן הן לא תחליף לבדיקה עצמאית, אבל הן ממחישות היטב את הכלכלה של סוכנים (agents).

כל פעולה שסוכן מבצע עולה משהו. פתיחת קובץ, קריאה של אתר, הרצת פקודה, בדיקה מחדש של התוצאה או ניסיון נוסף לאחר כישלון מוסיפים טוקנים, זמן וקריאות לכלים. לכן מודל שמגיע לפתרון בפחות ניסיונות יכול להיות זול יותר גם כאשר ההפרש במחיר לטוקן נראה קטן.

אנטרופיק עצמה מתארת בדיקה שבה Opus 5.5 ו-Fable 5.1 תרגמו את HAProxy (תוכנת תשתית נפוצה) משפת C לשפת Rust. שתי הגרסאות עברו כמעט את כל בדיקות הרגרסיה, אבל Opus 5.5 סיים בתוך 9.5 שעות לעומת 12 שעות ל-Fable 5.1 ובעלות נמוכה ב-51%. במקרה אחר, בודק מוקדם דיווח על תיקון מאגר קוד בן 200 אלף שורות בפחות משלוש שעות, לעומת יותר מ-20 שעות ב-Opus 5.

בסרטון המצורף רואים איך Claude Opus 5.5 מצליח לבנות ולשמור על עולם וירטואלי מורכב ועקבי לאורך אינטראקציה מתמשכת:

השיפור יורגש בעיקר בכלי פיתוח מבוססי סוכנים

השילוב של cache זול יותר, פלט מהיר יותר ופחות צעדים מתאים במיוחד לקלוד קוד ולכלי פיתוח מבוססי סוכנים. כלי כזה מחזיק הקשר גדול, קורא שוב ושוב קבצים, מפעיל פקודות, משנה קוד ובודק את עצמו. ככל שהוא צריך לחזור על יותר צעדים כדי להשלים את המשימה, כך העלות עולה. מודל זול יותר לכל מיליון טוקנים לא בהכרח יהיה זול יותר בפועל, אם הוא זקוק ליותר צעדים ויותר קריאות לכלים כדי להשלים את אותה משימה.

ארבעת המספרים שמסכמים את סיפור היעילות של Claude Opus 5.5

יש גם שיפור בעבודה משרדית, מחקר וכתיבה

אנטרופיק מנסה להראות שהשיפור של Opus 5.5 לא מוגבל רק לקוד. במבחן שבודק משימות מקצועיות ב-44 תחומים, המודל קיבל ציון גבוה יותר מ-Opus 5 ומ-Fable 5.1. החברה גם טוענת שברמת מאמץ בינונית הוא מצליח לעבור את GPT-6 Astra כשהוא פועל בעוצמה המרבית, ובעלות נמוכה משמעותית.

בניסוי פנימי נוסף, שני דורות של Opus קיבלו תרחיש עסקי מומצא של מיזוג בין חברות והתבקשו לנתח אותו, לבנות מודל פיננסי ב-Excel ולהפיק מצגת מנהלים. שניהם הגיעו לאותה מסקנה, אבל Opus 5.5 סיים בתוך 63 דקות לעומת 93 דקות ועלותו הייתה נמוכה ב-50%.

אנטרופיק גם טוענת ששיפרה את סגנון התשובות לאחר ביקורת על Opus 5. לדבריה, המודל החדש שם מידע מרכזי מוקדם יותר, משתמש בפחות ז'רגון ועוקב טוב יותר אחרי הנחיות כתיבה.

הסרטון המצורף מציג את Claude Opus 5.5 מסביר כיצד מערכת GPS פועלת, כולל העקרונות שמאפשרים לחשב מיקום בעזרת אותות מלוויינים:

ובסרטון הבא תוכלו לראות איך Claude Opus 5.5 הופך סקיצה ידנית של גרפיט להדמיה אינטראקטיבית של כוח כבידה:

ומה לגבי בטיחות

Opus 5.5 מגיע עם שכבת הגנות מחמירה יותר, בין היתר בתחומי סייבר וביולוגיה. לפני ההשקה, המודל נבדק גם בידי גופים חיצוניים שמתמחים בבחינת היכולות והסיכונים של מודלי AI מתקדמים. באנטרופיק מדווחים שהוא השיג את התוצאה הטובה ביותר עד כה במבדק ההתנהגות האוטומטי שלה.

החברה גם מדווחת שבמבחן חדש שבדק ניסיונות לחצות גבולות סביבת הרצה, Opus 5.5 ניסה לעקוף את הגבולות בכ-85% פחות מ-Opus 5 ומ-Mythos 5.1. במקביל היא מודה שקיימת בעיה מתודולוגית משמעותית, משום שמודלים מתקדמים עשויים לזהות שהם נמצאים בבדיקה ולהתנהג אחרת.

זה סייג חשוב. גם מבחני בטיחות מתקדמים לא מבטיחים כיצד מערכת תתנהג בכל סביבת עבודה אמיתית, במיוחד כשהיא פועלת במשך שעות עם גישה לכלים וקבצים.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מטמיעי AI

לפרטים נוספים לחצו כאן >>

עכשיו צריך לבדוק אם החיסכון מחזיק בעולם האמיתי

Opus 5.5 זמין כבר עכשיו בפלטפורמות של אנטרופיק וגם דרך Amazon Web Services, Google Cloud ו-Microsoft Azure. ב-Claude Platform מזהה המודל הוא claude-opus-5-5. אנטרופיק גם מגדילה את מגבלות השימוש בחלונות של חמש שעות עבור תוכניות Pro, Max, Team וחלק מתוכניות Enterprise.

מבחינת ביצועים, המספרים הראשוניים חזקים. Opus 5.5 מתקדם משמעותית לעומת Opus 5 בקוד, עבודה עם מחשב ומשימות מקצועיות, ובחלק מהמקרים מתקרב או עובר מודלים אחרים בתוצאות שמציגה אנטרופיק.

אבל השאלה המרכזית של ההשקה נשארת כלכלת השימוש. אם Opus 5.5 באמת משלים משימות בפחות צעדים ובפחות טוקנים, היתרון שלו יורגש בעיקר בחשבון הסופי ולא רק בציוני הביצועים.

המבחן המשמעותי של Opus 5.5 לא יהיה רק כמה נקודות הוא מוסיף למדד כזה או אחר. אם צוותים שמריצים קלוד קוד, סוכנים ותהליכי עבודה ארוכים באמת יראו פחות קריאות, פחות טוקנים, פחות המתנה וחשבון נמוך יותר בסוף המשימה - שם אפשר יהיה לדעת אם טענת ה-40% היא נתון מוצלח של יום ההשקה או יתרון שמורגש בעבודה היומיומית.

הפוסט Claude Opus 5.5 הושק עם שיפור בביצועים ובעלות למשימה הופיע ראשון בLet's AI בינה מלאכותית

מבחינת טראמפ, האטה היא חלק מהסיכון

בפוסט שפרסם כתב טראמפ כי הממשל לא מתכוון "לעכב או לחנוק" את צמיחת תעשיית ה-AI. בכל הנוגע לשימושים מזיקים, הוא טען שאפשר לטפל בהם באמצעות מערכות המשפט הפלילי והאזרחי שכבר קיימות, במקום לבנות שכבת רגולציה חדשה שתאט את התחום. הכרזה משתלבת בעמדה רחבה יותר של טראמפ נגד מגבלות חדשות על פיתוח AI.

זו לא מדיניות שנולדה עם ה-AI Force. בינואר 2025 חתם טראמפ על צו נשיאותי שקבע כי מדיניות ארה"ב תהיה לחזק את ההובלה האמריקאית ב-AI ולהסיר חסמים שהממשל רואה כמפריעים לחדשנות. ביולי אותה שנה פרסם הבית הלבן את America's AI Action Plan, תוכנית שמעמידה במרכז האצת חדשנות, הרחבת תשתיות והובלה אמריקאית בזירה הבינלאומית.

בדצמבר 2025 המשיך הממשל לקדם מסגרת פדרלית אחידה יותר, בין היתר כדי לצמצם את השפעתן של מגבלות ברמת המדינות. במובן הזה, ה-AI Force הוא בעיקר המשך של קו שכבר קיים. מה שהשתנה הוא העוצמה שבה טראמפ מציג עכשיו את הבחירה בין האצה להגבלה.

הוא מתאר את הבינה המלאכותית כמרכיב מרכזי בתחרות הכלכלית והאסטרטגית מול סין. גם תוכנית ה-AI של הבית הלבן נכתבה במונחים של "ניצחון במרוץ", עם דגש על שבבים, תשתיות, אנרגיה והפצת טכנולוגיה אמריקאית בעולם.

בפוסט האחרון טראמפ הלך רחוק עוד יותר. הוא תיאר את AI כמהפכה שעשויה להיות גדולה ומשפיעה יותר מהמהפכה התעשייתית ומהאינטרנט, ואפילו העלה אפשרות שהתחום יגיע בעתיד להיקף המקביל ל-25% מהתמ"ג האמריקאי. הוא לא הציג בסיס, טווח זמן או מתודולוגיה למספר הזה, ולכן אין כרגע דרך להתייחס אליו כאל תחזית כלכלית שניתנת לבדיקה.

טראמפ מציע שמות חדשים ל-AI ומבקש מהעוקבים להצביע

הוויכוח על הקצב מתחדד בתוך התעשייה

התזמון של ההכרזה הופך אותה למעניינת במיוחד. במקביל לקו ההאצה של הבית הלבן, חלק מהאנשים שבונים את המודלים המתקדמים ביותר מתחילים לדבר בצורה ישירה יותר על הקצב שבו היכולות משתפרות ועל השאלה האם מנגנוני הבטיחות מצליחים להדביק אותו.

דריו אמודיי (Dario Amodei), מנכ"ל אנטרופיק (Anthropic), קרא בספטמבר לחברות שמפתחות את המודלים החזקים ביותר להאט את התקדמות היכולות ולאפשר למנגנוני הבטיחות והפיקוח להדביק את הקצב. בין ההצעות שלו היו הערכות בטיחות חיצוניות, תיאום בין מעבדות AI ושיתוף פעולה בין מדינות.

פעם בדור זה קורה: אמודיי, אלטמן ומאסק מסכימים על משהו

הקריאה שלו קיבלה תמיכה פומבית גם משני אנשים שקשה לתאר כבעלי אינטרסים זהים לאלה של אנטרופיק - סם אלטמן (Sam Altman), מנכ"ל OpenAI, ואילון מאסק (Elon Musk), שמוביל את xAI. שלושתם לא מציעים בהכרח את אותה מדיניות, אבל עצם התמיכה של שלושה יריבים ישירים ברעיון שקצב ההתקדמות דורש התייחסות היא חריגה למדי בתעשייה שמבוססת על מרוץ מתמשך ליכולות חזקות יותר.

OpenAI עצמה השתמשה בימים האחרונים במונח "pacing", כלומר התאמת קצב הפיתוח כך שמחקר הבטיחות, הסטנדרטים והפיקוח לא יישארו מאחור. החברה גם קראה לארה"ב להוביל יצירת סטנדרטים בינלאומיים למערכות AI מתקדמות ומנגנוני דיווח על תקריות.

כאן הפער מול טראמפ נעשה חד במיוחד. בזמן שחלק מבכירי המעבדות מתחילים לשאול כיצד אפשר להכניס יותר תיאום, בדיקות ואולי גם האטה לתוך המרוץ, טראמפ מציג האטה אמריקאית כסיכון בפני עצמו, במיוחד מול סין.

טראמפ מצמצם אפשרויות

מי שמבקש להאט עדיין ממשיך להתחרות

חשוב לא להפוך את הוויכוח לחלוקה פשוטה בין ממשל שרוצה לרוץ לבין תעשייה שרוצה לעצור. אין כיום עמדה אחת של "תעשיית ה-AI". חברות אירופיות כמו Mistral הצרפתית, למשל, התנגדו לקריאות להאטה וטענו שהן עלולות לחזק דווקא את החברות האמריקאיות שכבר נמצאות בעמדת יתרון.

וגם בתוך החברות שמזהירות מהסיכונים קיימת סתירה שקשה להתעלם ממנה. ימים ספורים לאחר קריאת ההאטה של אמודיי דווח כי אנטרופיק שוקלת להשיק מודל חדש כדי להגיב למומנטום של OpenAI. החששות מחריגות בטיחות לא ביטלו את התחרות העסקית, את הלחץ מצד משקיעים או את הרצון להוביל בשוק.

זו אחת הבעיות המרכזיות של הדיון כולו. החברות שמחזיקות בידע הרב ביותר על הסיכונים הן גם חברות בעלות אינטרס עצום להמשיך לשפר את המודלים שלהן לפני המתחרות.

ג'נסן הואנג לא רוצה להוריד את הרגל מהגז

ג'נסן הואנג (Jensen Huang), מנכ"ל אנבידיה (Nvidia), נמצא הרבה יותר קרוב לעמדה של טראמפ. בראיון ל-CBS הוא דחה את הקריאות להאטה מתואמת של פיתוח AI ואמר שהתעשייה צריכה להתקדם "כמה שיותר מהר", כל עוד היא לא מתפשרת על בטיחות. מבחינתו, אין צורך לבחור בין חדשנות, מהירות ומוצרים בטוחים, ואפשר לקדם את שלושתם במקביל.

הואנג גם דחה בחריפות את התחזיות הקיצוניות יותר סביב הסיכון הקיומי של AI. לדבריו, יש "אפס אחוז סיכוי" ש-2030 תהיה סוף העולם, והוא טען שהפחדות מהסוג הזה אינן מבוססות מדעית ואפילו כינה אותן אמירות חסרות אחריות.

גם בשאלת הרגולציה הוא נשמע קרוב במיוחד לדעה של טראמפ. במקום להקים מסגרת חדשה בסגנון ה-FDA או ה-FAA שתפקח על AI, הוא טען שצריך קודם לאכוף את החוקים והכללים שכבר קיימים נגד חברות שמשחררות מוצרים מסוכנים. הוא אפילו טען שחלק ממעבדות ה-AI שקוראות לרגולציה לא בהכרח מבקשות עוד חוקים, אלא הקלות מהחוקים שכבר חלים עליהן.

הנה חלק קצר מהראיון ל-CBS News שבו הסביר ג'נסן הואנג למה לדעתו צריך להמשיך לפתח AI "כמה שיותר מהר":

ה-AI Force הוא עדיין סימן שאלה

כאן מגיעה השאלה המרכזית סביב ההכרזה של טראמפ. אם הממשל סבור שהחוקים הקיימים יכולים לטפל בנזקים ושאין צורך להכביד על הפיתוח, מה בדיוק אמור לעשות ה-AI Force?

כרגע אין לכך תשובה. טראמפ לא פירט אם מדובר יהיה בגוף רגולטורי, יחידה בין-משרדית, גוף שעוסק בתחרות מול סין, מנגנון אכיפה או מסגרת לתיאום בין הממשלה לתעשייה. גם הבית הלבן לא סיפק פרטים נוספים מיד לאחר ההכרזה.

גם תפקיד ה-"AI Czar" החדש עדיין אינו מוגדר. טראמפ כבר מינה בתחילת כהונתו השנייה את דייוויד סאקס (David Sacks) לתפקיד AI and Crypto Czar. סאקס עזב מאז את התפקיד הממשלתי הישיר וממשיך לייעץ מבחוץ, וכעת טראמפ מתכוון למנות אדם נוסף לתפקיד הקשור ל-AI.

עד שיתפרסמו סמכויות, תקציב ומבנה, קשה לדעת אם ה-AI Force יהיה מוסד בעל השפעה ממשית או שם חדש למדיניות שהממשל כבר מקדם.

אז מי מחליט מתי ה-AI רץ מהר מדי?

הוויכוח שמתפתח בארה"ב לא נסוב רק סביב השאלה אם לפתח AI. רוב השחקנים המרכזיים מניחים שהטכנולוגיה תמשיך להתקדם ושיש לה משמעות כלכלית ואסטרטגית גדולה. המחלוקת היא כמה סיכון נכון לקבל בדרך, כמה זמן צריך לתת למנגנוני הבטיחות להדביק את היכולות, ומי בכלל מוסמך להחליט שהמרוץ נעשה מהיר מדי.

טראמפ נותן כרגע תשובה ברורה לצד אחד של המשוואה. הוא רוצה לשמור את הרגל על הגז ולמנוע מצב שבו ארה"ב מאטה בזמן שסין ממשיכה להתקדם. מנגד, אפילו כמה מהאנשים שמתחרים זה בזה על בניית המודלים החזקים ביותר אומרים עכשיו שהפער בין קצב הפיתוח לבין היכולת לפקח עליו הפך לבעיה שדורשת טיפול.

אם ה-AI Force אכן יקום, המבחן שלו יהיה פחות בשם שטראמפ ייתן לבינה המלאכותית ויותר בדרך שבה הממשל ינסה ליישב בין שתי המטרות האלה - להמשיך להאיץ את המרוץ, ובאותו זמן להוכיח שהחוקים ומנגנוני הבטיחות מסוגלים לעמוד בקצב.

הפוסט טראמפ לוחץ על הגז של ה-AI בזמן שהתעשייה מתחילה לדבר על בלמים הופיע ראשון בLet's AI בינה מלאכותית

צ'אט ו-Cowork מתאחדים

ב-16 בספטמבר 2026 החברה החלה לאחד את Claude Cowork ואת הצ'אט לחוויה אחת. במקום לבחור מראש לאן שייכת המשימה, מתארים לקלוד את התוצאה שרוצים והוא אמור להפעיל את היכולות המתאימות.

האיחוד מתגלגל קודם כל למשתמשי Pro ו-Max

במקביל נוספו גם Claude Docs ו-Claude Slides, ואפילו Claude Design נכנס לסרגל הראשי ולתוך השיחה עצמה. שלושת כלי היצירה נמצאים כרגע בגרסת בטא בתוכניות בתשלום. עבור המשתמש, השינוי החשוב הוא פחות במיקום של כפתור ויותר ברצף העבודה. אפשר להתחיל בשאלה על נתוני השבוע שעבר, להמשיך לניתוח שלהם, ואז לבקש דוח ומצגת הנהלה בלי לפתוח סביבת עבודה אחרת ובלי להתחיל מחדש עם ההקשר.

הכל זמין במקום אחד

מתחילים מהמשימה, לא מהכלי

נניח שקיבלתם קובץ עם נתוני המכירות של השבוע האחרון. אפשר להעלות אותו לקלוד ולבקש ממנו לזהות את השינויים החשובים, לבדוק איזה יעדים הוחמצו ולהצביע על נתונים שדורשים תשומת לב. אחרי שבדקתם את הניתוח, אפשר להמשיך באותה שיחה ולבקש דוח מסכם ומצגת של חמש שקופיות לישיבת ההנהלה.

זה אחד השינויים המרכזיים במבנה החדש של קלוד. היכולות שהיו מפוזרות בין הצ'אט, Cowork ו-Design זמינות כעת מתוך אותה שיחה, יחד עם ההקשר, הסקילים (Skills) והחיבורים (קונקטורים) שכבר הגדרתם. קלוד יכול להתחיל בניתוח מידע ולהמשיך ממנו ליצירת תוצר שאפשר לפתוח, לערוך ולשתף.

פרומפט התחלתי טוב יכול להיות:

״נתח את נתוני השבוע האחרון, מצא את שלושת השינויים החשובים ביותר והסבר מה דורש תשומת לב. אל תיצור עדיין מסמך או מצגת. לאחר שאבדוק ואאשר את הניתוח, הכן ממנו דוח קצר ומצגת של חמש שקופיות להנהלה.״

ההפרדה בין הניתוח לבין יצירת התוצר שימושית במיוחד כשעובדים עם נתונים עסקיים. היא מאפשרת לתפוס טעות במספרים או בפרשנות לפני שהיא עוברת למסמך מעוצב או למצגת שמיועדת לאחרים.

Docs הופך את העבודה למסמך שאפשר להמשיך לערוך

Claude Docs מיועד למסמכים שצריכים להמשיך לחיות אחרי התשובה הראשונה. אפשר ליצור מסמך מכל שיחה, לערוך אותו ישירות, לעבוד עליו עם קלוד ועם אנשים נוספים, ולייצא אותו כשמגיעים לגרסה הרצויה.

לחיצה על "Output" פותחת חלון עם האפשרויות

אפשר פשוט לבקש בשיחה ליצור מסמך, או לבחור Output בתיבת ההודעה ולבחור בסוג התוצר המתאים. קלוד משתמש בהקשר שכבר קיים בשיחה, ויכול לשלב מידע מקבצים, סקילים (Skills), פרוייקטים (Projects) ואפליקציות מחוברות שאליהן נתתם לו גישה.

כדאי לתת לו כבר בבקשה הראשונה שלושה דברים ברורים: מי אמור לקרוא את המסמך, מה מטרתו ומה הוא צריך לכלול.

למשל:

״הפוך את הניתוח שלנו לדוח של שני עמודים למנהל המכירות. פתח בשלושת השינויים המרכזיים, הוסף טבלה קצרה עם המספרים הרלוונטיים וסיים בשלוש פעולות מומלצות לשבוע הקרוב.״

אחרי שהמסמך נוצר, יש שלוש דרכים עיקריות לעבוד עליו. אפשר לערוך את הטקסט בעצמכם, לבקש שינוי דרך השיחה, או לסמן קטע מסוים ולהשאיר תגובה עם ‎@Claude. האפשרות האחרונה מתאימה במיוחד לתיקונים נקודתיים כמו קיצור פסקה, שינוי ניסוח או הוספת הסבר במקום מסוים. קלוד מבצע את השינוי ומשיב בתוך שרשור ההערה.

Docs יכול להוסיף גם גרפים, תרשימים וצירי זמן. כאן יש מגבלה שקל לפספס. אם הגרף נבנה מנתונים שמגיעים ממקור מחובר כמו Google Sheets או Salesforce, הוא לא מתעדכן אוטומטית כשהנתונים במקור משתנים. לפני שמפיצים דוח עדכני, בקשו מקלוד למשוך מחדש את הנתונים ולרענן את התרשימים.

למשל:

״משוך מחדש את הנתונים העדכניים מהגיליון המחובר, בדוק איזה מספרים השתנו ורענן את כל הגרפים במסמך. אל תשנה את המסקנות לפני שתציג לי אילו נתונים השתנו.״

בסיום אפשר לייצא את המסמך ל-Word, ל-PDF, ל-Markdown או ל-Google Docs. אפשר גם לבקש מקלוד לקחת את המסמך ולהפוך אותו למצגת באמצעות Claude Slides.

Slides ממשיך מאותו חומר למצגת

Claude Slides מיועד למצגות שאפשר לערוך ולהציג מתוך קלוד או להוציא ל-PowerPoint. הוא יכול לבנות את השקופיות מהדוח, ההערות או הניתוח שכבר נמצאים בשיחה, כך שאין צורך להזין מחדש את חומרי הרקע.

אפשר לבקש מצגת ישירות בשיחה או לבחור Output ולבחור בתוצר של Slides. אחרי היצירה אפשר לערוך שקופיות, לבקש מקלוד שינויים, להציג את המצגת מתוך המערכת או לייצא אותה ל-PowerPoint או ל-PDF.

ככל שהבריף ברור יותר, כך יש פחות עבודה אחר כך. ציינו מי הקהל, מה מטרת המצגת, כמה זמן יש להצגה, כמה שקופיות אתם רוצים ומה צריך להישאר בראש של הקהל בסוף.

לדוגמה:

״הפוך את הדוח למצגת בת חמש שקופיות לישיבת הנהלה של 10 דקות. פתח בתמונת המצב, הקדש שלוש שקופיות לממצאים המרכזיים וסיים בפעולות שנדרשות השבוע. שמור על מעט טקסט בכל שקופית ואל תוסיף נתונים שלא מופיעים בדוח.״

כדאי לעבור על המצגת אחרי היצירה ולא להסתפק בעיצוב. בדקו במיוחד אם המספרים עברו נכון מהמקור, אם הכותרות אכן מסכמות את הנתונים שמתחתיהן ואם קלוד לא הפך מסקנה זהירה לקביעה חד משמעית.

לפני שמייצרים מצגות ועיצובים, מגדירים Design System

אם אתם רוצים שהתוצרים ייראו כמו חומרים של הארגון שלכם, כדאי להגדיר Design System, כלומר מערכת עיצוב שקלוד יכול להשתמש בה שוב ושוב. היא יכולה לכלול צבעים, פונטים, לוגואים, רכיבים, ריווחים ודפוסי פריסה.

מסמנים את ה-"System Design" שאיתו אתם רוצים לעבוד

אפשר לבנות אותה ממצגת קיימת, מסמכי מותג, קבצי עיצוב או רכיבים מתוך בסיס קוד. קלוד מנתח את החומרים ומנסה לחלץ מהם את השפה החזותית של הארגון. כדי להגיע לאזור הזה, פתחו את Settings ובחרו Design systems מסרגל הצד. אם אתם עובדים ב-Team או Enterprise, ייתכן שהגישה תלויה בהרשאות שהגדיר מנהל הארגון.

אפשר להתחיל אפילו ממצגת אחת שאתם מרוצים ממנה:

״בנה מערכת עיצוב מהמצגת המצורפת. זהה את הצבעים, הטיפוגרפיה, סגנון הכותרות, הריווחים והאלמנטים החוזרים. הצג לי את המערכת לבדיקה לפני שתשתמש בה בתוצרים חדשים.״

אחרי שהמערכת נוצרה, נסו אותה על תוצר אחד לפני שמרחיבים את השימוש. אם חומרי המקור כוללים כמה גרסאות של המותג או סגנונות שלא אמורים להופיע יחד, גם התוצאה עלולה להיות לא עקבית. ב-Team וב-Enterprise אפשר לפרסם מערכת עיצוב שאושרה לשימוש של שאר הצוות.

לצוותי פיתוח יש גם אפשרות לסנכרן מערכת עיצוב שכבר קיימת בקוד. בקלוד קוד (Claude Code) אפשר להשתמש בפקודה design-sync/ כדי למשוך רכיבים והגדרות קיימים במקום לבנות אותם מחדש מתוך מצגות או צילומי מסך.

מסך ה-Design System מרכז את כללי העיצוב של המותג במקום אחד

Design מיועד לתוצרים חזותיים שאפשר להמשיך לעבוד עליהם

Claude Design מתאים בין היתר למוקאפים, one-pagers, דפי נחיתה, Prototypes ועיצובים אינטראקטיביים. הוא משלב את השיחה עם Canvas, כלומר משטח עבודה שבו אפשר לבחור אלמנטים, להזיז אותם ולערוך את התוצר ישירות.

אפשר לבקש עיצוב בשיחה או לבחור Output > Design בתיבת ההודעה. אם כבר הגדרתם Design System, אפשר להשתמש בו כבסיס לתוצר החדש ולהוסיף את חומרי הרקע הרלוונטיים.

לדוגמה:

״צור one-pager להשקת המוצר על בסיס מערכת העיצוב שלנו. השתמש בצבעים, בפונטים וברכיבים שהוגדרו בה. הצג את המבנה המוצע לפני שאתה ממשיך לעיצוב המלא.״

כדאי לבנות את התוצר בשלבים. התחילו במבנה ובתוכן, בדקו אותם, ורק אחר כך הוסיפו פרטים, אינטראקציות וליטוש חזותי. התהליך הזה גם מקל על תיקונים וגם מצמצם סבבי עבודה מיותרים שצורכים ממכסת השימוש.

אחרי שקלוד יוצר את העיצוב, בחרו את דרך העריכה לפי סוג השינוי. לתיקון נקודתי אפשר לערוך ישירות על ה-Canvas או להשאיר הערה על האלמנט הרלוונטי. לשינוי רחב יותר, כמו ארגון מחדש של העמוד או שינוי המבנה כולו, עדיף להסביר לקלוד בשיחה מה אתם רוצים לשנות.

לפני שמתחילים, ודאו שהכלים באמת מופעלים אצלכם

Docs, Slides ו-Design נמצאים כרגע בבטא וזמינים בתוכניות Pro, Max, Team ו-Enterprise. הם אינם זמינים כחלק מהתוכנית החינמית, למרות שמשתמשים חינמיים יכולים עדיין ליצור סוגים אחרים של Artifacts. בתוכניות Pro, Max ו-Team שלושת הכלים מופעלים כברירת מחדל. ב-Enterprise בעל הארגון צריך להפעיל כל אחד מהם.

יש גם הגדרה בסיסית נוספת שצריכה להיות פעילה, Code execution and file creation. ב-Pro וב-Max פתחו את התפריט דרך השם או ראשי התיבות שלכם, היכנסו ל-Settings > Capabilities ובדקו שהמתג Code execution and file creation מופעל.

תוודאו שהיכולת הזו זמינה ופעילה

ב-Team וב-Enterprise ההגדרה נשלטת ברמת הארגון. בעל החשבון צריך להיכנס ל-Organization settings > Capabilities ולוודא ש-Code execution and file creation מופעל. כדי להפעיל ספציפית את Docs, Slides או Design ב-Enterprise, נכנסים גם ל-Organization settings > Artifacts ומפעילים שם את הכלי הרצוי.

אם האפשרויות שהצגתי לא מופיעות אצלכם בדיוק כפי שמתואר כאן, ייתכן שהחשבון עדיין נמצא בממשק הקודם. האיחוד של Chat ו-Cowork עדיין נפרס בהדרגה, ולכן משתמשים שונים יכולים לראות ממשקים מעט שונים.

שיתוף, גיבוי ומגבלות שכדאי להכיר

מסמך חדש ב-Docs מתחיל כפרטי. בתוכניות Pro ו-Max אפשר לשתף אותו באמצעות קישור, והאדם שפותח את התוצר צריך חשבון קלוד פעיל. ב-Team וב-Enterprise אפשר לתת לאנשים ולקבוצות בארגון הרשאות צפייה או עריכה. נכון לעכשיו, Docs בתוכניות הארגוניות לא מאפשר שיתוף מחוץ לארגון ואין בו הרשאת "תגובות בלבד".

יש מגבלה חשובה נוספת. ל-Docs עדיין אין היסטוריית גרסאות. לכן לפני שינוי גדול במסמך חשוב, במיוחד כזה שכמה אנשים עובדים עליו, כדאי לייצא עותק ל-Word או ל-PDF.

גם המובייל מוגבל יותר. באפליקציות iOS ו-Android אפשר לבקש מקלוד ליצור Doc, Slide או Design ולצפות בתוצאה, אבל כדי להתחיל מתבנית, לערוך באופן מלא או לשנות הגדרות שיתוף צריך לעבור לגרסת הווב או הדסקטופ.

ארגונים עם דרישות אבטחה מסוימות צריכים לבדוק זמינות לפני שהם בונים על Docs. נכון לעכשיו Claude Docs אינו זמין לארגונים שמשתמשים ב-Customer-managed encryption keys ‏(CMEK), ב-Zero Data Retention ‏(ZDR) או בתצורת HIPAA-ready.

קחו בחשבון גם את מכסת השימוש

Docs, Slides ו-Design לא מגיעים עם מכסת עבודה נפרדת. Artifacts נספרים כחלק ממגבלות השימוש של תוכנית קלוד, ועבודה גדולה יותר צורכת יותר. מסמך ארוך שנבנה מכמה מקורות, עיצוב מורכב או סדרה ארוכה של תיקונים עשויים לצרוך יותר ממשימת צ'אט רגילה.

אין כאן מספר קבוע שאפשר לתרגם ל"כמה עולה מצגת". הצריכה משתנה לפי היקף העבודה, המקורות ומספר האיטרציות. אם אתם מתכננים להפוך את הכלים לחלק מתהליך קבוע בצוות, כדאי לעקוב גם אחרי המכסה ולא רק אחרי הזמן שהם חוסכים.

הדרך הטובה ביותר להתחיל

אל תעבירו תהליך קריטי שלם לקלוד באופן מיידי. תבחרו משימה מוכרת שאתם כבר יודעים איך תוצאה טובה שלה אמורה להיראות, למשל דוח שבועי או מצגת סטטוס. העלו את חומרי המקור ובקשו קודם ניתוח. בדקו אותו. לאחר מכן הפכו אותו ל-Doc, ומשם למצגת. אם העיצוב חשוב, תבנו Design System ממצגת שאתם אוהבים או מפלטת המותג שאתם שלכם.

בסוף ההרצה הראשונה בדקו שלושה דברים: כמה זמן נחסך לעומת הדרך הרגילה, כמה תיקונים עדיין נדרשו, ועד כמה התוצר הסופי עומד ברמת התוכן והעיצוב שאתם צריכים. אלה מדדים שימושיים יותר מעצם העובדה שקלוד הצליח ליצור מסמך או מצגת. הערך האמיתי של הכלים האלה מתחיל בשלב שאחרי הטיוטה הראשונה, כשהתוצר צריך לשרוד תיקונים, עבודה משותפת, עדכון נתונים ושימוש אמיתי בתוך יום העבודה.

הפוסט אנטרופיק מאחדת את קלוד Chat ו-Cowork, ומכניסה גם מסמכים, מצגות ועיצוב לאותה שיחה הופיע ראשון בLet's AI בינה מלאכותית

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

לפרטים נוספים לחצו כאן >>

עולם יצירת הסרטים בבינה מלאכותית פתח דלת שהייתה סגורה במשך שנים. פתאום כל אחד עם רעיון וגישה לאינטרנט יכול להפיק סרטון שנראה קולנועי. אבל הנגישות הזו יצרה גם פער חדש: בין מי שמקלידים תיאור כללי ומקווים לטוב, לבין מי שכבר יודעים מה הם רוצים עוד לפני שהתחילו. ההבדל טמון כמעט תמיד בשלב אחד ספציפי - שלב הפיתוח והתכנון, או בשמו המקצועי Pre-Production.

זהו השלב שבו מתקבלות ההחלטות הגדולות: מה המסר, למי פונים, איזו אווירה תשרה על היצירה, ומה בעצם הולך לקרות על המסך. יוצרי תוכן שמדלגים עליו מוצאים את עצמם מתקנים אינספור גרסאות אחרי מעשה, בעוד שמי שמשקיע בו מגיע לכלי היצירה עם תוכנית ברורה. המונחים הבאים הם אבני היסוד של אותו שלב, והם רלוונטיים בדיוק כמו שהיו בעולם הקולנוע המסורתי.

בריף - המסמך שמגדיר את גבולות המגרש

הבריף (Brief) הוא המסמך הראשוני בכל חברת פרסום, שיווק או קריאייטיב, והוא זה שקובע את הגבולות והיעדים של הפרויקט כולו. תפקידו למנוע את התרחיש המוכר שבו יוצרים משקיעים שעות בכיוון שממילא לא היה נכון מלכתחילה. הבריף הטוב עונה על כמה שאלות מהותיות עוד לפני שנכתבה שורת תסריט אחת.

המטרה העסקית היא נקודת הפתיחה: מה בעצם רוצים להשיג באמצעות הסרטון או הקמפיין. לצידה עומד קהל היעד, כלומר השאלה למי מדברים. אין דמיון בין תוכן המכוון לילדים לבין תוכן שנועד למבוגרים, וההבחנה הזו משפיעה על כל החלטה שתבוא אחר כך.

מעל הכל עומד המסר המרכזי, מה שאנשי המקצוע מכנים לעיתים "שורת הזהב" - הרעיון המוביל שעומד מאחורי המותג. הסיסמאות שנחרתו בזיכרון הקולקטיבי נולדו כאן. "Just Do It" של נייקי (Nike) שמזוהה עם אומץ ונחישות, או "You're not you when you're hungry" של סניקרס (Snickers), הן דוגמאות לאותו מסר מזוקק שממנו נגזר כל השאר.

הבריף גם מגדיר את הטון (Tone) של היצירה: האם הסרטון יהיה מצחיק, רציני, מרגש או בעל כובד ראש, בהתאם למוצר ולמסר. ולבסוף הוא מפרט את התוצרים (Deliverables) ואת החובות (Mandatories) - מה בדיוק מגישים, באילו צבעים מותר או אסור להשתמש, ומהם הקווים האדומים שאסור לעבור. כשעובדים עם כלי בינה מלאכותית, הבריף הופך למצפן שמונע התפזרות בין אינספור אפשרויות.

יצירת בריף

הפרסומת המקורית מ-Super Bowl 2010 עם בטי וייט, שיצרה סוכנות BBDO

מודבורד - איך נראית התחושה עוד לפני הצילום

המודבורד (Moodboard) הוא לוח השראה חזותי שמגדיר את התחושה והאווירה של היצירה לפני שבכלל מתחילים לצלם. הוא זה שקובע את הטקסטורות, הצבעים והרגש. דוגמה שקל להיזכר בה היא העולם הוורוד של סרט "ברבי" (Barbie) - המכוניות הוורודות, הבתים הוורודים, כל הפלטה שהוחלטה הרבה לפני שהשחקנים נכנסו לפריים.

המודבורד אינו גוש אחד אחיד, והוא מתפצל לשני סוגים עיקריים המשרתים מטרות שונות בתהליך.

לוח השראה חזותי שמרכז את כל המרכיבים שמגדירים את השפה של היצירה עוד לפני שלב הצילום

Discovery Board

זהו שלב הגיבוש החזותי החופשי של רעיונות. כאן אוספים כל מה שמעורר השראה, ללא מחויבות מוקדמת, ומאפשרים לכיוון להתגבש באופן טבעי מתוך אוסף התמונות והרעיונות שנצברים.

Direction Board

זהו לוח הפקה מאורגן ומתוייג שמסביר לצוות בדיוק מה הולכים לצלם. בניגוד ללוח הגילוי החופשי, כאן כל פריט ממוקם במקומו ומלווה בהסבר. בכלי יצירת וידאו מבוססי בינה מלאכותית המודבורד מקבל תפקיד נוסף: הוא משמש כרפרנס לשמירה על שפה גרפית אחידה ורציפה לאורך כל הסרטון, כך שהדמויות והסביבה לא ישתנו משוט לשוט.

סינופסיס - הסיפור כולו, כולל הסוף

• הסינופסיס (Synopsis) הוא תקציר העלילה שחושף את הסיפור כולו, כולל הסוף, ומשמש ככלי פיתוח ולא כקדימון או טיזר. זו נקודה שחשוב לחדד: בניגוד לטריילר שנועד להסתיר ולפתות, הסינופסיס נועד לחשוף הכל כדי שכל מי שמעורב בפרויקט יבין לאן הדברים הולכים. הוא מתחלק לדרגות פירוט, מהתמציתי ביותר ועד המפורט.

• הלוגליין (Logline) הוא הרמה הראשונה: משפט אחד שמציג את הגיבור, את הקונפליקט המרכזי ואת הסיכון, כלומר מה מונח על הכף. אם אי אפשר לתמצת את הסיפור למשפט אחד שמייצר עניין, כנראה שהרעיון עצמו עדיין לא מספיק חד.

• הסינופסיס עצמו, ברמת עמוד אחד, פורש את קו הסיפור המלא כולל הסיום. מעליו נמצא הטריטמנט (Treatment) - פירוט של 7 עד 30 עמודים שמתאר את העלילה סצנה אחר סצנה, ממש רגע לפני כתיבת התסריט. הטריטמנט הוא הגשר בין הרעיון הכללי לבין המסמך שינחה בפועל את היצירה.

תסריט - המתכון שהמצלמה מבצעת

התסריט (Script) הוא המתכון של היצירה, והוא מתאר אך ורק את מה שהמצלמה תופסת: מראה וקול. זהו כלל יסוד שקל לשכוח כשעובדים עם בינה מלאכותית - התסריט אינו מקום למחשבות פנימיות של דמות או להסברים שאי אפשר לראות או לשמוע. כל מה שנכתב בו חייב להיות ניתן להמחשה על המסך. סוגי התסריטים העיקריים נבדלים זה מזה באורך ובמבנה.

סרט באורך מלא (Feature Film) משתרע על פני 90 עד 120 עמודים, ובנוי במבנה קלאסי של שלוש מערכות. תסריט הפרסומת (Ad Script) הוא יצור אחר לגמרי: בין 15 ל-60 שניות בלבד, והוא חייב לכלול הוק (Hook) שתופס את תשומת הלב, מסר ברור, והנעה לפעולה (Call to Action) שמכוונת את הצופים מה לעשות הלאה.

ולבסוף יש את הפורמט הקצר (Short Form) - הסרטונים של טיקטוק (TikTok), רילס (Reels) ושורטס (Shorts). אלה מבוססים על הוק חזק בשניות הראשונות ועל שימור צופים לאורך כל הדרך, שכן בסביבה הזו הצופים נמצאים במרחק החלקה אחת מלעזוב. כל מילה נספרת, וכל שנייה שלא מחזיקה את תשומת הלב עולה בצופים.

המונחים הללו עשויים להיראות כמו נחלתם של אנשי תעשייה ותיקים, אבל דווקא כשכל אחד יכול לביים סרטון מהסלון, הם הופכים לרלוונטיים מתמיד. הכלים השתנו, אבל השפה שמאחוריהם נשארה. מי שמכירים את ההבדל בין לוגליין לטריטמנט, או בין דיסקברי בורד לדיירקשן בורד, לא רק מדברים כמו אנשי מקצוע - הם גם חושבים כמו כאלה. וכשמגיעים לשלב שבו הבינה המלאכותית מתרגמת מילים לתמונות, ההבדל הזה הוא בדיוק מה שקובע אם מקבלים אוסף שוטים אקראי או יצירה שיש מאחוריה כוונה.

הפוסט מונחי המפתח שכל יוצרי סרטי AI חייבים להכיר – שלב התכנון הופיע ראשון בLet's AI בינה מלאכותית

מכאן מתחיל הסיפור הטכנולוגי של "Love, Rendered", סרט תיעודי קצר שנבחר לפסטיבל Telluride בקולורדו ב-2026 ועלה ליוטיוב ב-8 בספטמבר. הסרט מתעד ניסיון לשחזר בכלים גנרטיביים רגע שמעולם לא צולם - הפגישה הראשונה של אתל ובעלה ברט (Burt) במעונות סטודנטים ב-1955. הם נשואים כ-70 שנה. לברט יש דמנציה, והזיכרון הזה כבר לא זמין לו. גוגל (Google) תיארה בבלוג שלה שיטת עבודה דו-שלבית לשחזור בני הזוג בצעירותם, אבל התהליך מעלה גם כמה שאלות שהסרט והבלוג הרשמי לא פותרים עד הסוף. במה הוא שונה מדיפ פייק רגיל, למה DeepMind משתפת פעולה עם אולפן כמו Primordial Soup, ועד כמה אפשר להסתמך על תיאור התהליך כשהמקור המרכזי שמסביר אותו הוא גם ספקית הטכנולוגיה שמאחוריו.

שלושה תצלומים מספריית Cleveland

לפני שנגעו במודל, הצוות חיפש חומר גלם. הבית שבו נפגשו כבר לא קיים, ובספרייה הציבורית של Cleveland נמצאו רק שלושה תצלומים שלו, כולם מבחוץ. לגרם המדרגות שבו התרחש הרגע אין שום תיעוד.

את החסר ניסו להשלים דרך אלבומי המשפחה. הצוות זיהה שהתצלומים הביתיים צולמו כמעט תמיד מאותה נקודה וניסה להסיק מה נמצא מעבר לפריים. הם שאלו גם את ברט, שהיה אדריכל, אם אפשר להבין את מבנה המדרגות מהחזית. הוא ענה שזה יכול היה להיות כל דבר.

מכאן התחילה העבודה עם המודל. הוא קיבל תמונת בסיס ואחריה תיקונים ממוקדים: להוסיף גרם מדרגות עץ, להכהות את החלונות, להזיז את העמודים. בכל סבב מישהו בדק מה לא נכון. לרוב זו הייתה אתל.

רוב העבודה שקדמה ליצירה לא הייתה עבודה של המודל

שחזור בשני שלבים

גוגל תיארה את שיטת העבודה בבלוג שפרסם ב-9 בספטמבר מייקל צ'אנג (Michael Chang), מהנדס ב-Google DeepMind שמופיע גם בסרט. לפי הבלוג, התהליך כלל שני שלבים.

בשלב הראשון שוקמו תצלומי שחור לבן של ברט ואתל בצעירותם, כדי שהדמויות יתבססו על המראה האמיתי שלהם. בשלב השני תועדו ההבעות שלהם כיום, כולל תנועות ראש ואופן הדיבור, והן מופו על הדמויות הצעירות. כך החיוך שעל פנים בנות כ-20 מבוסס למעשה על חיוך של אדם בן 94.

ברט ואתל בצעירותם | blog.google

בסרט מציין אחד המשתתפים שהרגש של ברט נראה אחרת כשהוא מועבר מהפנים המבוגרות לצעירות. זה גם מחדד את ההבדל מדיפ פייק טיפוסי. כאן הזהות, התנועה והרגש מגיעים מאותו זוג, בשתי תקופות שונות בחייהם, ולא מאנשים שונים.

ברט בצעירותו לצד צילום שלו כיום | google.blog

התוצאה עדיין מיוצרת באמצעות מודלים, אבל מקור החומר שונה. מה שלא פורסם בבלוג הרשמי הוא רשימת הכלים המסחריים המלאה. הפוסט של צ'אנג מעדיף לתאר את התהליך במונחים פונקציונליים - "מודלים לשחזור תמונות" לקיבוע הזהות הוויזואלית, ו"מודלים לבקרת תנועה" (Pose and Performance Control) להעברת הבעות הפנים. Veo הוא מודל הוידאו היחיד שמוזכר במפורש בסרט, אבל גוגל נמנעת מלנקוב בשמו בבלוג, ככל הנראה כדי להציג את הפרויקט כהדגמת מחקר ולא כהשקת מוצר. בנוסף, הבלוג מאזכר את ג'מיני (Gemini) בהקשר נגיש יותר לקהל הרחב ככלי שבו משתמשים יכולים להעלות בעצמם תמונות משפחתיות ישנות לשחזור וצביעה.

שני מקורות - תמונה אחת

הסרט מתווכח עם עצמו

הספקות לגבי השימוש ב-AI לא מגיעים רק מבחוץ. הם נמצאים בתוך הסרט עצמו. דן קוגן (Dan Cogan), מפיק זוכה אוסקר על "Icarus" ומייסד שותף של Story Syndicate, אומר שמדובר בשאלה קיומית לקולנוע תיעודי. הקהל מעניק לז'אנר אמון מיוחד, ולכן כשמייצרים משהו שלא היה, צריך לומר זאת במפורש.

הבמאית ליז גרבוס (Liz Garbus) מנסחת את אותו מתח כחוזה עם הצופה. לדבריה, קולנוע תיעודי נשען על הסכם אמת עם הקהל, ולכן צריך לחשוף גם את הסיבוכים האתיים ואת התפרים של התהליך.

הסרט אכן עושה זאת. רואים בו ניסיונות כושלים, ויכוחים ותוצאות שלא מתקבלות מיד. גם מייקל צ'אנג אומר שדימויי AI של בני אדם גורמים לו אי נוחות, ומוסיף שהעובדה שהכלים ישתפרו מדאיגה אותו. הביקורת החריפה ביותר מגיעה מאתל. היא אומרת שצריך להיזהר מאוד לומר את האמת, ושכאשר מדמיינים, אי אפשר לדעת אם זו האמת. הסרט משאיר את המשפט הזה בלי תשובה.

הזיכרון שלא חזר

למרות המסגור סביב זיכרון, הסרט לא מראה זיכרון שחוזר. הכישלון הבולט ביותר הוא מול אתל. כשמראים לה את אחת התמונות שנוצרו, היא אומרת שהיא לא דומה לשום דבר שהיא מכירה וזה לא מה שזכרה מאותה תקופה. מבחינתה, אין שם זיכרון. תמונה אחרת עובדת טוב יותר, והסרט מציג את שתיהן.

גם התגובה של ברט להקרנה מדודה. הוא מחייך, נהנה ואומר שהזיכרונות שלו מ-Cleveland היו טובים ושמעולם לא שכח אותם. אבל בסוף הסרט הנכדה אומרת שהיא לא יודעת אם יזכור את האירוע, והבת משיבה שאולי לא, אבל שבאותו יום החוויה הייתה משמעותית עבורו.

יש גם כמה סייגים. קלינאית בסרט אומרת שטיפול באמצעות העלאת זיכרונות (reminiscence therapy) משחרר דופמין ולכן מרגיע את מצב הרוח. הטיפול עצמו מוכר בספרות, אבל ההסבר הזה נאמר ללא הפניה למחקר ולכן אי אפשר להציג אותו כממצא מבוסס.

גם Primordial Soup היא לא גורם חיצוני. האולפן, שהקים דארן ארונופסקי (Darren Aronofsky) ב-2025, פועל בשותפות עם DeepMind ומשתמש בכלים שלה כחלק מתהליך שמספק לחברה גם משוב על מודלי הווידאו. הקשר הזה חשוב להבנת האופן שבו הפרויקט נולד והאינטרסים שסביבו.

למה Google מפיקה סרט על דמנציה

לשותפות בין DeepMind ל-Primordial Soup יש היגיון טכנולוגי ברור. הפקות אמיתיות מאפשרות לבדוק מודלי וידאו בתנאים מורכבים בהרבה מסרטון הדגמה קצר. "Love, Rendered" הוא מקרה מבחן קשה במיוחד. הוא דורש נאמנות לאנשים ספציפיים, מעבר בין גילאים, המשכיות בין שוטים ושחזור של פרטים שאין להם תיעוד מלא.

בסצנה גנרית, טעות בצורת חלון או בזווית של נעל יכולה לעבור בלי שאף אחד יבחין. כאן יושבת מול המסך אישה שיודעת איך נראה העקב לפני יותר מ-70 שנה. לכן כל אי דיוק הופך מיד לבעיה מהותית.

לפרויקט יש גם ערך תדמיתי. מודלי וידאו גנרטיביים מזוהים עם סרטונים סינתטיים ועם חשש מטשטוש הגבול בין צילום אמיתי לחומר מיוצר. סרט שנבחר לפסטיבל ומציג גם את הוויכוח האתי סביב ה-AI מציב את הטכנולוגיה בהקשר שונה.

שני הדברים יכולים להתקיים יחד. הסרט יכול לעסוק בכנות בזיכרון, משפחה ודמנציה, ובמקביל לשמש את DeepMind כמקום לבדוק ולהציג את הטכנולוגיה שלה.

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

לפרטים נוספים לחצו כאן >>

מה נשאר אחרי שהמודל מסיים את העבודה

"Love, Rendered" לא מוכיח שבינה מלאכותית יכולה לשמר או להחזיר זיכרון. הוא מתעד משהו מצומצם יותר. במשך חודשים ניסו בני המשפחה וצוות ההפקה להבין איך נראה חדר מדרגות אחד ב-1955. הם חיפשו בספרייה, עברו על אלבומים, דיברו עם ברט והתווכחו על המבנה, הצבע וגובה העקב. המודל ייצר גרסאות שאפשר היה לבדוק מול מי שעדיין זוכרים.

כשהתוצאה הוקרנה, ברט חייך. הנכדה אמרה שראתה אותו מגיב כך רק פעמיים בחייה. אי אפשר לדעת מה בדיוק הוא זכר באותו רגע, והסרט עצמו לא טוען שכן. מה שכן נוצר הוא משהו מוחשי שהמשפחה יכלה לדבר עליו, לתקן ולהיזכר דרכו יחד. זו מסקנה צנועה יותר מהבטחה לשחזר זיכרון, אבל גם מדויקת יותר.

הפוסט Google ניסתה לשחזר רגע שלא צולם מעולם הופיע ראשון בLet's AI בינה מלאכותית

קודם ודאו שמערכת הגיוס מצליחה לקרוא את הקובץ

עיצוב מרשים יכול לעבוד נגדכם אם הוא מקשה על מערכת הגיוס לחלץ את הטקסט. מערכות ATS מנסות לזהות בתוך קורות החיים פרטים כמו ניסיון, תפקידים, השכלה ומיומנויות. מסמך עמוס באייקונים, תמונות, טבלאות ואלמנטים גרפיים עלול להקשות על התהליך.

גם מגבלות טכניות פשוטות יכולות להפריע. Greenhouse, אחת ממערכות הגיוס הנפוצות, מציינת למשל שהיא לא יכולה לנתח קורות חיים שמשקלם עולה על 2.5MB, ותמונות באיכות גבוהה הן אחת הסיבות האפשריות לכך. עדיף לשמור על מבנה פשוט:

פורמט קורות חיים תואם ATS

בדיקה פשוטה יכולה לחסוך בעיה גדולה. פתחו את ה-PDF, סמנו משפט והעתיקו אותו למסמך אחר. אם מתקבל טקסט תקין, זה סימן טוב. אם אי אפשר לסמן אותו בכלל, ייתכן שהמידע נשמר כתמונה. בתפקידים שבהם העיצוב עצמו הוא חלק מהמקצוע, כמו עיצוב גרפי או קריאייטיב, אפשר (ועדיף) להראות את היכולת הוויזואלית בתיק עבודות נפרד.

התאימו את קורות החיים למשרה

שליחת אותו מסמך לעשרות משרות חוסכת זמן, אבל עלולה להסתיר דווקא את הניסיון הרלוונטי ביותר שלכם. בנתוני Huntr, המבוססים על כמעט שני מיליון בקשות עבודה שנשמרו במערכת, בקשות שכללו קורות חיים שהותאמו למשרה קיבלו שיעור ראיונות מתועד של 5.71%, לעומת 3.09% בבקשות שלא השתמשו בקורות חיים מותאמים.

הנתונים לא מוכיחים שההתאמה לבדה גרמה לפער, אבל הם תומכים בהרגל שכדאי לאמץ ממילא - לגרום למגייס להבין מהר למה הניסיון שלכם מתאים לתפקיד. וכאן AI יכול לחסוך הרבה עבודה.

העלו ל-ChatGPT, קלוד (Claude) או ג׳מיני (Gemini) את תיאור המשרה ואת גרסת הבסיס של קורות החיים שלכם, ובקשו ממנו לזהות איזה דרישות חוזרות, אילו בעיות המעסיק מנסה לפתור ואיזה חלקים מהניסיון שלכם רלוונטיים במיוחד. לאחר מכן אפשר לבקש ממנו להציע ניסוחים מדויקים יותר לסעיפים שכבר קיימים.

פרומפט שימושי:

"נתח את תיאור המשרה ואת קורות החיים שלי. זהה את הדרישות והמיומנויות החשובות ביותר, והצע שיפורים רק על בסיס ניסיון שמופיע בקורות החיים. אל תוסיף ניסיון, הישגים או מיומנויות שלא סיפקתי."

אין צורך לדחוס למסמך כל ביטוי שמופיע במודעת הדרושים. השתמשו במונחים של המעסיק כאשר הם באמת מתארים משהו שעשיתם. לפני שמעלים קורות חיים לכלי AI, מומלץ להסיר פרטים שהכלי לא באמת צריך, כמו כתובת מלאה, מספר טלפון ומידע אישי אחר.

כתבו את העובדות בעצמכם, ואז תנו ל-AI לשפר אותן

אחת הדרכים היעילות ביותר להשתמש ב-AI היא דווקא אחרי שעשיתם את העבודה הקשה. במחקר שטח שבו השתתפו כמעט חצי מיליון מחפשי עבודה בפלטפורמת עבודה מקוונת, מועמדים שקיבלו עזרה אלגוריתמית בשיפור הכתיבה בקורות החיים התקבלו לעבודה בשיעור גבוה ב-8%. החוקרים לא מצאו עדות לכך שהמעסיקים היו פחות מרוצים מהעובדים שנבחרו.

הדרך הטובה לנצל את היתרון הזה היא להתחיל מטיוטה גולמית משלכם. לכל תפקיד רשמו שלושה דברים:

הנוסחה לתיאור הישג בתפקיד

הטיוטה יכולה להיות מכוערת. בשלב הזה העובדות חשובות יותר מהניסוח. אחרי שיש חומר אמיתי, אפשר לתת ל-AI להפוך אותו לסעיפים קצרים וברורים.

פרומפט שימושי:

"שפר את הניסוח של הסעיפים הבאים לקורות חיים. שמור על כל העובדות והמספרים בדיוק כפי שכתבתי. אל תוסיף הישגים, כלים, מיומנויות או תוצאות שלא סיפקתי."

בסוף עברו על כל משפט ושאלו את עצמכם שאלה פשוטה. האם הייתי מסוגל להסביר את המשפט הזה בראיון בלי להסתבך? אם התשובה היא לא, שנו אותו.

הנה דוגמה טובה לשימוש בנוסחה:

"הגדלתי ב-30% את הצפיות בסרטונים קצרים בתוך חודשיים באמצעות ניסוי בפתיחים שונים ושימוש חוזר בפורמטים שהציגו את הביצועים הטובים ביותר."

המספרים צריכים להגיע מכם, לא מהמודל.

החליפו תחומי אחריות בהישגים

שני אנשים יכולים להחזיק באותו תפקיד ולעשות עבודה שונה לחלוטין. לכן "הייתי אחראי על ניהול ניוזלטר" אומר למגייס פחות מ"הגדלתי את שיעור הפתיחה של הניוזלטר מ-28% ל-36% בתוך ארבעה חודשים". המספר עוזר להבין את גודל התוצאה. לא בכל תפקיד יש הכנסות שאפשר לייחס ישירות לעובד, וזה גם לא הכרחי. אפשר למדוד השפעה בדרכים רבות אחרות:

אפשר למדוד השפעה במגוון דרכים

אם קשה לכם לזהות מה אפשר למדוד, AI יכול לעזור גם כאן. אפשר לבקש:

"עבור כל אחד מהתפקידים בקורות החיים שלי, הצע לי שאלות שיעזרו לזהות הישגים שאפשר לכמת. אל תמציא מספרים. שאל אותי על זמן, היקף, מהירות, איכות, חיסכון ותוצאות."

רק אחרי שאתם מספקים את הנתונים, בקשו ניסוח.

אם AI הוא מיומנות שלכם, הראו מה עשיתם איתו

רשימת מיומנויות שכוללת "ChatGPT", "Claude" או "AI" לבדה כבר לא אומרת הרבה. בסקר של Resume Genius, כ-60% ממנהלי הגיוס אמרו שהם מעדיפים לבדוק, לדון או לראות הוכחה ליכולת AI של מועמד במקום להסתפק בטענה בקורות החיים.

גם ניסוי מבוקר עם כ-1,700 מגייסים מארה"ב ובריטניה מצא שהצגת מיומנויות AI בקורות חיים הגדילה את הסיכוי להזמנה לראיון ב15%-8%, בהתאם לתפקיד.

לכן, אם השתמשתם ב-AI בעבודה, חברו את הכלי לתוצאה. במקום: "מיומנויות: ChatGPT, Claude", עדיף:

"קיצרתי את הכנת דוח משוב הלקוחות השבועי משעתיים ל-30 דקות באמצעות תהליך מבוסס Claude לסיווג וסיכום משובים."

אם עדיין אין לכם ניסיון כזה במקום העבודה, אפשר לבנות פרויקט קטן שקשור לתפקיד שאליו אתם רוצים להתקבל.

מועמד לשיווק יכול לנתח מאות ביקורות של לקוחות ולזהות נושאים חוזרים. מועמד לתפעול יכול לבנות תהליך שמסכם קובצי Excel או מפיק דוח שבועי. מועמד לשירות לקוחות יכול ליצור מערכת שממיינת פניות לפי נושא ודחיפות.

הציגו את הפרויקט תחת סעיף נפרד והוסיפו קישור שבו אפשר לראות מה בניתם, איך השתמשתם ב-AI ומה הייתה התוצאה. זה יכול להיות תיק עבודות, GitHub או אפילו מסמך Google Docs מסודר.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מטמיעי AI

לפרטים נוספים לחצו כאן >>

לפני שאתם שולחים, עברו על הרשימה הזאת

בדקו שאפשר לסמן ולהעתיק את הטקסט מה-PDF, שהמסמך בנוי בצורה פשוטה ושאין בו גרפיקה מיותרת. התאימו את הניסוח למשרה שאליה אתם פונים, אבל השאירו רק מיומנויות וניסיון שאתם באמת יכולים להוכיח.

עברו על סעיפי הניסיון וחפשו מקומות שבהם אפשר להחליף "הייתי אחראי על" בתוצאה קונקרטית. אם יש לכם ניסיון מעשי עם AI, הציגו את הבעיה שפתרתם ואת התוצאה שהשגתם, ולא רק את שם הכלי.

ולבסוף, קראו פעם אחת את קורות החיים בלי AI. כל משפט במסמך צריך להישמע כמו משהו שאתם מסוגלים לומר ולהסביר בעצמכם בראיון.

זה אולי המבחן הטוב ביותר לקורות חיים בעידן שבו כמעט כל אחד יכול לייצר טקסט מלוטש בתוך שניות. המערכת יכולה לעזור לכם לנסח טוב יותר את מה שעשיתם, אבל הערך של קורות החיים עדיין מגיע ממה שבאמת עשיתם.

הפוסט איך לכתוב קורות חיים בעידן ה-AI הופיע ראשון בLet's AI בינה מלאכותית

ניוזלטר –

מה בעצם מבטיחים לנו

ב-8 ביוני 2026 פרסמה OpenAI מסמך שסם אלטמן (Sam Altman) חתום עליו. אחת המטרות שבו נוגעת ישירות לכולנו: לתת AGI אישי לכל אדם על פני כדור הארץ, כלומר בינה מלאכותית כללית שמתמודדת עם מגוון רחב מאוד של משימות.

המטאפורה שנבחרה שם היא לא איזו קפיצה טכנולוגית דרמטית, אלא החשמל שהגיע לעיירה כפרית באמריקה בשנות ה-20 של המאה הקודמת. והרעיון מאחורי ההשוואה חשוב. החשמל לא הגיע לשם כמהפכה. הוא הגיע כנוחות קטנה, ואחריה עוד אחת, ואז עוד אחת. אף אחת מהן לא נראתה באותו רגע כמו שינוי היסטורי. וזאת בדיוק הנקודה שלהם: בלי שאף אחד הרגיש רגע מכונן, תוחלת החיים הממוצעת עלתה באותן שנים ביותר מ-20 שנה.

מכאן גם הדוגמאות שהמסמך נותן ל-AI, וכולן יומיומיות לגמרי: להתמצא בחשבון רפואי, ללמוד מיומנות חדשה, לפתוח עסק קטן, לטפל בהורה מבוגר. אף אחת מהן לא נשמעת כמו מהפכה, וזו בדיוק הכוונה.

מארק צוקרברג הרחיק לכת. ב-10 באוגוסט הוא פרסם מאמר שמבטיח לכל אחד סוכן אישי. סוכן הוא תוכנת AI שמבצעת משימות בעצמה, בלי שתשבו מולה ותנחו אותה צעד צעד. לפי התיאור שלו, הסוכן הזה יכיר אתכם ואת המטרות שלכם ויעבוד בשבילכם מסביב לשעון. יהיו גם גרסאות חינמיות, נגישות למיליארדי אנשים. הטענה המרכזית שלו היא שהתרומה הגדולה של המערכות האלה תהיה המצאה, לא אוטומציה. ושם מופיע משפט שקשה לפספס: לדעתו זה יוביל לא רק לצמיחה כלכלית גדולה יותר, אלא גם ליותר תעסוקה לאורך זמן, לא פחות.

דריו אמודיי, מנכ"ל אנטרופיק, מביא את הנתון שהכי קל למדוד. לדבריו, בתוך 4 שנים בלבד עברו המודלים מקושי בכתיבת שורת קוד אחת שעובדת לכתיבת רוב הקוד בחברות ה-AI הגדולות. אם קצב השיפור הזה יימשך עוד שנה או שנתיים, הוא כותב, נגיע למה שהוא מכנה "מדינה של גאונים במרכז נתונים". כלומר כוח מחשוב שמתפקד כמו אוכלוסייה שלמה של חוקרים מבריקים שעובדים במקביל.

אילוסטרציה

ויש אצלו משפט שקשה לבעלי עסקים להתעלם ממנו. אמודיי חוזר על התחזית שאדם יחיד יוכל לבנות חברה של מיליארד דולר. לדבריו כבר היום צוותים של כמה אנשים בונים עסקים עם הכנסות גבוהות מאוד. אלטמן מנסח את זה אחרת: לכל מי שרוצה להקים חברה יש עכשיו עובדים ברמה של גאונים בכל תחום.

ויש קול רביעי. דמיס הסאביס מכהן מאז 5 באוגוסט כיושב ראש Google DeepMind וכמדען הראשי של Alphabet. הוא כתב לעובדים שלו שהגענו לרגע מכונן בהיסטוריה האנושית, ושהוא מרגיש שה-AGI קרוב. לדבריו הגיע הזמן שה-AI יוכיח את ערכו, ואין דרך טובה יותר מאשר לרפא סוף סוף מחלות כמו סרטן.

ואז הם בולמים את עצמם

מה שמעניין הוא שאף אחד מהם לא לוקח את האופטימיות עד הסוף.

אלטמן בכלל מסרב שיקראו לו אופטימיסט. בריאיון ל-Axios מ-3 בספטמבר הוא אמר שב-OpenAI רואים את עצמם כמי שנמצאים בדיוק באמצע: לא אופטימיים ולא פסימיים. באותו ריאיון הוא אמר גם משפט שקשה לשייך לאופטימיות. הדור הבא של המודלים, לדבריו, יטלטל את כולם, כי היכולות שלהם כבר עוברות את רמת בני האדם בתחומים רבים. ומכאן והלאה, לדעתו, מה שיאט את הקצב זה כבר לא היכולת הטכנולוגית - זה הזמן שלוקח לוודא שהמערכות בטוחות, ושהן עושות באמת מה שהתכוונו שיעשו.

אמודיי מרחיק לכת עוד יותר. באמצע אוגוסט הוא כתב שהביקורת המדויקת ביותר על חברות ה-AI, כולל אנטרופיק, היא שהן עדיין לא עמדו בהבטחות הגדולות שלהן. והאשמה, לדבריו, כולה שלהן.

צוקרברג, בשיחת המשקיעים של Meta ב-29 ביולי, ניסח את זה כך: לדבריו מדובר בהשקעה גדולה ובהימור גדול. ובאותה נשימה הודה שבאותו מועד המוצר שהוא מבטיח עדיין לא יצא ללקוחות. הוא גם תיאר איך הסוכנים עובדים היום: צריך להתעסק לא מעט כדי להפעיל אותם, ואז לרגע זה נראה קסום, ואחר כך זה עלול פשוט להישבר.

וגם אצל הסאביס אפשר לשמוע את זה. אם עדיין צריך להוכיח את הערך, סימן שהוא עוד לא הוכח.

כל אחד מהם מבטיח משהו אחר

ואז התחלתי להשוות בין ההבטחות עצמן, וזה נהיה מעניין.

לפני שנכנסים לזה, צריך להבין משהו שקשה לראות מכאן. בישראל כמעט כולם מתלהבים מ-AI, וקול אחר כמעט לא נשמע. בארצות הברית התמונה שונה לגמרי. יש שם התנגדות ציבורית ממשית, מאבקים של תושבים נגד הקמת מרכזי נתונים ליד היישובים שלהם, ואווירה כללית הרבה פחות אוהדת. אלטמן עצמו אמר בריאיון שאנשים שונאים מרכזי נתונים, ושהיחס הציבורי ל-AI כרגע די שלילי. צוקרברג אפילו הקצה מיליארד דולר לקהילות שחיות ליד מרכזי הנתונים של Meta. אז כשמדברים שם על להחזיר אמון, זה האמון שמתכוונים אליו.

והנה המחלוקת הראשונה. צוקרברג כתב במאמר שלו שמפתיע אותו כמה השיח של מפתחי ה-AI מלא בתחזיות אסון. 5 ימים אחר כך כתב אמודיי שקמפיין שיווקי נוצץ עם ספין חיובי הוא לא הדרך להחזיר את האמון. כבר ביוני הוא דחה את הגישה הזאת: בתעשייה נהוג לראות בהתנגדות ל-AI בעיה של יחסי ציבור, והוא לא מקבל את זה. אנשים מודאגים, הוא כותב, כי הם מזהים נכון שהסיכונים אמיתיים.

המחלוקת השנייה חדה עוד יותר, והיא נוגעת לעבודה. צוקרברג צופה יותר תעסוקה לאורך זמן. אמודיי כותב שיש סיכוי לא מבוטל שה-AI יגרום לאובדן משרות משמעותי ומתמשך. וייתכן שזו לא תופעת לוואי, אלא בדיוק מה שהטכנולוגיה הזאת עושה. שניהם אופטימיים, ושניהם פרסמו את הדברים בחודשים האחרונים.

ואז מגיע הוויכוח ששינה לי את נקודת המבט. ארווינד נאראיאנן, פרופסור למדעי המחשב בפרינסטון, נשא הרצאה ב-9 ביולי בכנס ICML בסיאול, אחד מכנסי המחקר המרכזיים בתחום. הוא לא טוען שה-AI חלש. הוא טוען שצוואר הבקבוק נמצא במקום אחר לגמרי.

חשבו על זה ככה. נניח שאתם בונים בית, והשגתם את האדריכל הכי טוב בעולם. הוא מכין לכם תוכניות מושלמות ביום אחד במקום בחצי שנה. מצוין. אבל היתר הבנייה מהוועדה המקומית עדיין ייקח שנתיים, והקבלן עדיין יאחר. התוכניות מעולם לא היו צוואר הבקבוק.

זו בדיוק הטענה של נאראיאנן לגבי תרופות. לדבריו החלק הקשה בפיתוח תרופה הוא הניסויים בבני אדם, שיכולים לדרוש משתתפים רבים ושנים ארוכות. זה צוואר בקבוק שנמצא מחוץ למעבדה, ושום כמות של כוח מחשוב לא תקצר אותו. כלומר גם אם הסאביס צודק לחלוטין לגבי היכולת, זה לא בהכרח מקרב את התרופה למדף בבית המרקחת. נאראיאנן מנסח את זה כך: אף פריצת דרך אחת ביכולות לא תספיק לבדה. הערך הכלכלי מגיע רק כשהעולם באמת מתחיל להשתמש בזה, וזה תהליך איטי שקורה מחוץ למעבדה.

ויש מחלוקת גם על השאלה הבסיסית ביותר: האם כבר הגענו. ג'נסן הואנג הוא מנכ"ל Nvidia, החברה שמייצרת את השבבים שכל מודלי ה-AI רצים עליהם. בשיחת המשקיעים ב-26 באוגוסט הוא אמר שבמובנים רבים ולמשימות רבות אפשר לומר שכבר השגנו AGI. ב-6 בספטמבר הוא הכריז ב-X:

"AGI הגיע". לדבריו זה קרה אחרי שהמודל GPT-6 Astra אומן, כלומר נבנה ולמד, על כ-100 אלף שבבים מתקדמים שלו. מרקוס הגיב באותו יום: הואנג לא הביא ראיות ולא הגדרות, וזה נראה לו כמו ניסיון להשתלט על שאלה מדעית בכוח תאגידי.

אילוסטרציה

למי משתלם שנאמין

בסוף חלק א' כתבתי שלכל סיפור כאן יש מישהו שמרוויח ממנו. זה נכון גם בצד הזה, והפעם מי שמנסח את זה הכי טוב הוא דווקא מישהו מבפנים.

אנדרו אנג מנהל חברת הכשרה בתחום ה-AI וגם קרן השקעות, כתב שהוא שמח שהאופנה לצרוך כמה שיותר טוקנים סוף סוף דועכת. טוקנים הם יחידות המידע שהמודל מעבד, ובמסלולי חיוב לפי שימוש הן הבסיס לחשבון שלכם. מעבר לנקודה מסוימת, הוא מסביר, אתם משלמים יותר ומקבלים פחות, כי בארגון יש צווארי בקבוק שלא נפתרים בכך שמזרימים עוד ועוד טוקנים. ואז מגיע המשפט: יש כמובן אינטרס כספי לחברות שמוכרות טוקנים לעודד את כולם לצרוך כמה שיותר. חלק מחברות ה-AI הגדולות, הוא מוסיף, אפילו מפיצות המלצות איך לצרוך יותר.

אנג ממשיך עם שתי דוגמאות משלו, ושתיהן מוכרות לכולנו. מוסכים ממליצים להחליף שמן כל 5,000 קילומטר בערך, הרבה יותר מכפי שרוב המכוניות באמת צריכות. ורופאי שיניים אומרים שמספיקה כמות משחה בגודל אפונה, בזמן שהפרסומות מראות פס ארוך לכל אורך המברשת. שמן ומשחת שיניים הם מוצרים מצוינים, הוא מדגיש. פשוט כדאי לדעת מי נותן לכם את ההמלצה. אנג עצמו לא ניטרלי, כמובן. אבל הוא זה שאמר את הדברים בקול.

והתבנית חוזרת על עצמה. Nvidia מוכרת את המחשוב שכולם קונים. Meta הודיעה שתוציא בין 130 ל-145 מיליארד דולר על תשתיות ב-2026, והכסף שנשאר לה ביד בסוף הרבעון השני ירד ל-784 מיליון דולר. היא הימרה כל כך בגדול, שהיא כבר לא באמת יכולה להרשות לעצמה שהחזון הזה לא יתממש. אנטרופיק השיקה ב-30 ביוני כלי עבודה לחוקרים בתחומי מדעי החיים, כולל פיתוח תרופות. הסאביס, שמדבר על ריפוי סרטן, ממשיך לעמוד גם בראש Isomorphic Labs, חברה לגילוי תרופות. והמנהלת הכספית של OpenAI מתארת בעצמה את המעגל: ההכנסות מהשימוש הגובר מממנות עוד מחקר ועוד תשתיות, שמביאים עוד שימוש. וגם ל-Axios, שממנה ציטטתי כאן חלק מדבריו של אלטמן, יש הסכם מסחרי עם OpenAI.

ויש מספר אחד ששווה להתעכב עליו. צוקרברג כתב במאמר שלו שמדינות כמו סין מחברות לרשת יותר מגיגה-ואט של כוח גרעיני כל שבועיים. גיגה-ואט הוא בערך כור גרעיני גדול אחד, כלומר לפי התיאור הזה מדובר בעשרות כורים חדשים בשנה. נתוני מינהל המידע האנרגטי של ארצות הברית מספרים משהו אחר: התוספת הגרעינית השנתית של סין נמדדת בגיגה-ואטים בודדים, לא בעשרות. אלה לא בדיוק אותן תקופות מדידה, אבל הפער גדול מכדי להתעלם ממנו. בחלק הקודם הזכרתי שגם מי שמדבר בתום לב יכול לומר מספר לא מדויק. הנה עוד אחד.

מה באמת אפשר לעשות עכשיו

אחרי שני החלקים, הדבר היחיד שאני בטוח בו הוא שאף צד לא מחזיק בתמונה שלמה. הפסימיים חלוקים בינם לבין עצמם, האופטימיים חלוקים בינם לבין עצמם, וכל קבוצה רוצה שנאמץ את הגרסה שלה כבר היום. אז ההצעה שלי לשנה הקרובה היא פשוט לנשום.

כבר ארבע שנים שהתחום הזה דוהר. כל יום יוצא כלי חדש, כל שבוע מישהו מכריז על פריצת דרך, ועוד לא הספקתם לבדוק דבר אחד וכבר יצא הדבר הבא. עכשיו זה קורה גם לדעות. בבוקר אחד אומרים לכם שה-AI עומד להציל את העולם, ובערב שכולנו אבודים. הכול קיצוני, הכול דרמטי, והכול דורש מכם להגיב מיד.

ימי חשבון הנפש נועדו בדיוק להפך. במקום לשאול מי מהם צודק, תשאלו מה קרה אצלכם בשנה שעברה. אילו תהליכים באמת נכנסו לעסק, מה מהם עדיין עובד היום, וכמה זמן או כסף הם חסכו לכם בפועל. אם משהו לא הביא שום ערך, שווה לשאול למה. אולי הכלי לא התאים, אולי התהליך לא הוגדר נכון, ואולי פשוט לא היה מי שיתחזק אותו.

כי ההייפ יבוא וילך, הכלים יבואו וילכו, והדעות בטוח יבואו וילכו. מה שיישאר זה מה שבאמת קרה אצלכם, בעסק ובחיים. שם נמצאת התשובה שנוגעת לכם, והיא לא תלויה באף אחד מהאנשים שדיברנו עליהם כאן.

שני החלקים לא נועדו להכריע מי צודק, אלא לתת לכם לשמוע את הצדדים ולהחליט לבד.

גמר חתימה טובה!

הפוסט חשבון נפש ל-AI, חלק ב': הכול יהיה בסדר הופיע ראשון בLet's AI בינה מלאכותית

1. העלו תמונה ותשנו אותה בלי לבנות הכול מחדש

אחד השיפורים המרכזיים ב-Images 2.5 הוא היכולת לעבוד מתמונת Reference, כלומר תמונת מקור שמשמשת את המודל כנקודת ייחוס.

אפשר להעלות צילום של אדם, מוצר, חדר או חפץ ולבקש לשנות את הסביבה, הסגנון או הקומפוזיציה. OpenAI אומרת שהמודל החדש טוב יותר בשמירה על המאפיינים הייחודיים של הנושא שבתמונה, כולל פרטים שמאפשרים לזהות אותו גם לאחר השינוי.

זה שימושי במיוחד אם המטרה היא לא להמציא אדם או מוצר חדש בכל ניסיון, אלא ליצור וריאציות סביב אותו נושא. לדוגמה:

"השתמש בתמונה המצורפת כתמונת המקור. שמור על הפנים, השיער, הבגדים ותנוחת הגוף. העבר את האדם לבית קפה בפריז בשעת בוקר, עם תאורה טבעית רכה וסגנון צילום ריאליסטי."

לצילום מוצר:

"שמור בדיוק על המוצר, האריזה, הלוגו והצבעים שלו. החלף רק את הסביבה והצב אותו על שולחן שיש כהה בסטודיו מינימליסטי עם תאורת מוצר מקצועית."

אפשר גם לומר במפורש מה חשוב יותר. אם הפנים קריטיות, כתבו זאת. אם הצבע המדויק של מוצר חשוב יותר מהרקע, הגדירו אותו כפרט שחייב להישמר.

איך מתחילים? בקשו בשפה טבעית ותעלו תמונת רפרנס דרך כפתור הפלוס (+)

2. השתמשו בספרייה ובתבניות מוכנות

מתוך גלריית ChatGPT אפשר לפתוח את תפריט New ולהתחיל מתמונה חדשה, מסמך, גיליון, מצגת או קובץ קיים. אפשר גם להעלות קבצים מהמחשב או לחבר שירותים כמו Google Drive, Box ו-Dropbox.

תפריט New מתוך הספרייה פותח מגוון אפשרויות

אזור Templates מאפשר להתחיל ממבנה מוכן במקום להגדיר הכול מחדש, למשל דוח, מזכר או מודל פיננסי, להוסיף את חומרי המקור ולבקש מ-ChatGPT ליצור מהם קובץ חדש בהתאם לתבנית. אם יש פורמט שחוזר אצלכם שוב ושוב, אפשר גם ליצור תבנית אישית לשימוש חוזר.

אזור Templates מציע תבניות מוכנות

3. התנסו עם תבניות ויזואליות

תבניות ויזואליות הם שימוש נוסף בשם Templates בתוך ChatGPT, אבל הם שונים מהתבניות למסמכים, גיליונות ומצגות. כאן מדובר בתבניות ליצירת תמונות, כמו Poster או Merch, שנותנות נקודת פתיחה לקומפוזיציה ולעיצוב. בוחרים תבנית, מוסיפים את התוכן והסגנון הרצויים וממשיכים משם.

פרומפט לדוגמה:

"צור פוסטר לאירוע טכנולוגיה בשם Future Interface 2026, עם רקע שחור, טיפוגרפיה גדולה ונקייה, אלמנטים גיאומטריים בירוק וסגול והכיתוב October 22, Paris."

4. בקשו שינוי נקודתי והשאירו את כל היתר במקום

Images 2.5 נועד להיות מדויק יותר גם בעריכה ממוקדת. במקום ליצור מחדש תמונה שלמה כאשר רוצים לשנות פרט אחד, אפשר לבקש ממנו להתמקד רק באותו פרט. OpenAI מציגה דוגמאות שבהן משתנים אובייקט, רקע או רכיב טקסטואלי בזמן שהקומפוזיציה ושאר האלמנטים נשמרים.

הדרך הפשוטה ביותר לעבוד כך היא לנסח שתי הוראות יחד. מה לשנות, ומה לשמור. לדוגמה:

"החלף רק את הכורסה האפורה בכורסה ירוקה מקטיפה. שמור ללא שינוי על החדר, הקירות, השטיח, התאורה, זווית המצלמה וכל יתר הרהיטים."

או:

"שנה רק את צבע המכונית מאדום לכחול כהה. אל תשנה את הדגם, הגלגלים, הרקע, התאורה, ההשתקפויות או זווית הצילום."

אפשר גם לפתוח תמונה ב-ChatGPT, להשתמש בכלי הבחירה ולסמן את האזור שרוצים לערוך. לאחר מכן מתארים בצ'אט מה צריך להשתנות. OpenAI מאפשרת גם לדלג על הסימון ופשוט לתאר את האזור במילים.

הנה דוגמה מגניבה לקולאז' שביקשתי מהמודל ליצור משמונה תמונות שונות שלקחתי מהבלוג של OpenAI. עכשיו יש לי את האפשרות לעשות שינויים בעריכה דרך הסרגל או בשפה חופשית ממש דרך הממשק עצמו:

יצרתי קולאז׳ בשפה טבעית ועכשיו אני יכול ״לשחק״ עם התוצאה

5. המשיכו לערוך את אותה תמונה בשיחה

היכולת הזו יכולה לשנות את הדרך שבה כדאי לעבוד עם מחולל התמונות. Images 2.5 נבנה כך ששינויים קודמים יישמרו טוב יותר גם לאחר כמה סבבי עריכה. כלומר, אפשר להגיע לתמונה בהדרגה במקום לנסות להכניס את כל הדרישות לפרומפט אחד ארוך. תהליך עבודה טוב יכול להיראות כך:

צרו קודם את הקומפוזיציה הכללית. למשל "צור צילום מוצר של נעלי ריצה על מסלול עירוני רטוב אחרי גשם". אחרי שהתוצאה מתאימה, בקשו "הפוך את התאורה לשעת זריחה בלי לשנות את הנעליים או את זווית הצילום". לאחר מכן "הוסף שלולית קטנה מתחת לנעל הקדמית". בסבב הבא אפשר להוסיף "השאר יותר שטח נקי בחלק העליון עבור כותרת". ורק בסוף להכניס את הטקסט או לבצע התאמת פורמט.

היתרון הוא שאתם מקבלים החלטה אחת בכל פעם ורואים מיד אם היא משפרת את התוצאה.

6. ציירו במקום להסביר עם Sketch

יש רעיונות שקל יותר לשרבט מאשר לתאר. Sketch היא יכולת חדשה שמאפשרת לצייר בתוך ChatGPT ולהשתמש בציור כבסיס ליצירת התמונה. OpenAI מציעה להשתמש בה לדברים כמו סידור חדר, קווי מתאר של בגד או אפילו שרבוט פשוט שממנו המודל ייצור תמונה מלאה. אפשר להקליד @, לבחור Sketch, לצייר ואז להוסיף הוראות לגבי התוצאה הרצויה.

לדוגמה, אפשר לצייר מלבן גדול במרכז, עיגול בפינה ושני קווים שמייצגים דמויות, ואז לכתוב:

"השתמש בסקיצה כבסיס לקומפוזיציה. המלבן במרכז הוא שולחן עץ, שתי הדמויות יושבות משני הצדדים והעיגול מאחור הוא חלון גדול. הפוך את הסקיצה לאיור מערכת בסגנון מגזין מודרני, עם צבעים כחול, שמנת ואדום."

זו יכולה להיות דרך יעילה במיוחד להכין פוסטרים, מוקאפ של עמוד, עיצוב חלל, קומפוזיציה לפרסומת או קונספט ראשוני למוצר.

7. הוסיפו טקסט כחלק מהתמונה

ChatGPT Images יכול ליצור תמונות שכוללות טקסט, ו-Images 2.5 משפר גם את ההתמודדות עם פריסות מורכבות ואינפוגרפיקות. OpenAI מציינת גם שיפור בתמונות שמכילות מידע מהעולם האמיתי.

כאשר טקסט הוא חלק מהעיצוב, עדיף לכתוב אותו במפורש ולהבדיל בינו לבין הוראות העיצוב.

לדוגמה:

"צור פוסטר אנכי 4:5.
הכותרת שמופיעה בתמונה היא בדיוק: "DESIGN TOMORROW"
מתחתיה כתוב בדיוק: "October 22, Paris"
אל תוסיף טקסט נוסף.
עיצוב מינימליסטי, רקע קרם, טיפוגרפיה שחורה גדולה וצורה גיאומטרית אדומה בחלק התחתון."

אותה שיטה מתאימה גם להזמנות, שלטים, עטיפות, תמונות לסושיאל ואינפוגרפיקות.

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

לפרטים נוספים לחצו כאן >>

8. צרו תמונות עם רקע שקוף

Images 2.5 יודע לעבוד גם עם פריסות מורכבות ועם רקע שקוף. זה שימושי כאשר רוצים ליצור אובייקט שאפשר אחר כך לשלב בעיצוב אחר, למשל אייקון, מוצר, מדבקה, איור או דמות.

פרומפט לדוגמה:

"צור איור תלת-ממדי של רובוט קטן שמחזיק כוס קפה. גוף לבן עם פרטים כתומים, מבט ידידותי, תאורת סטודיו רכה. האובייקט צריך להיות מבודד לחלוטין על רקע שקוף, ללא צללית רקע וללא טקסט."

למוצר:

"צור צילום סטודיו נקי של זוג אוזניות אלחוטיות שחורות. האוזניות בלבד, ללא אביזרים נוספים, רקע שקוף, זווית של שלושה רבעים ותאורה רכה שמתאימה לקטלוג מוצר."

9. השתמשו ביחס התמונה שמתאים ליעד

אפשר גם ליצור תמונות ביחסי רוחב-גובה שונים, באמצעות כלי בחירת היחס או באמצעות בקשה בפרומפט. כדאי להגדיר את הפורמט כבר בהתחלה. לפוסט אנכי אפשר לבקש 4:5. לסטורי או למסך טלפון 9:16. לתמונת כותרת רחבה 16:9. לתמונה ריבועית 1:1.

לדוגמה:

"צור תמונת Hero לאתר ביחס 16:9. השאר את השליש השמאלי נקי יחסית כדי שניתן יהיה להניח עליו כותרת וכפתור באתר. בצד הימני הצג מחשב נייד על שולחן מודרני, עם תאורת חלון טבעית."

ככה אתם לא רק מתארים מה יהיה בתמונה, אלא גם מתכננים מראש איך היא תשתלב במוצר הסופי.

10. נסו לתת לכל תמונת Reference תפקיד

אם אתם משתמשים ביותר מתמונה אחת, כדאי להסביר למודל מה הוא אמור לקחת מכל אחת. במקום רק לצרף שלוש תמונות, תכתבו:

"תמונה 1 היא המקור לזהות ולפנים של האדם.
תמונה 2 היא Reference לבגדים בלבד.
תמונה 3 היא Reference לצבעוניות ולתאורה.
צור צילום חדש שמשלב את שלושת המרכיבים האלה. אל תיקח את הרקע מתמונות 1 ו-2."

אותו עיקרון עובד גם בעיצוב מוצר. אפשר להשתמש בתמונה אחת עבור המוצר, באחרת עבור סגנון התאורה ובשלישית עבור הקומפוזיציה.

11. נסחו בריף קצר במקום לחפש "פרומפט קסם"

Images 2.5 טוב יותר בהבנת הוראות חזותיות מורכבות, ולכן אפשר לדבר אליו יותר כמו אל אדם שמקבל בריף ופחות כמו אל מנוע שמחכה לרצף מילות מפתח. מבנה שימושי לפרומפט הוא פשוט למדי. תגדירו מה יוצרים, מה נמצא בפריים, איך הוא מסודר, איך הוא מצולם או מאויר, איזו אווירה רוצים, מה חייב להישמר ומה אסור להוסיף.

למשל:

"צור צילום מערכת למגזין טכנולוגיה. במרכז שולחן עבודה עם מחשב נייד פתוח, מחברת וטלפון. התמונה מצולמת מעט מלמעלה. אור בוקר טבעי, צבעוניות רגועה של אפור, כחול ועץ בהיר. השאר שטח נקי בחלק העליון לכותרת. ללא אנשים, ללא טקסט וללא לוגואים."

זה יכול להיות בסיס שימושי יותר מערימה של תיאורי סגנון כמו "cinematic, ultra detailed, 8K".

מה כדאי לנסות קודם

אם רוצים להבין מהר מה Images 2.5 באמת מוסיף, כדאי להתחיל דווקא מתמונה שכבר יש לכם. העלו צילום ובקשו שינוי ממוקד. לאחר מכן בצעו עליו עוד שניים או שלושה תיקונים, נסו להחליף רקע בלי לשנות את הנושא, והשתמשו ב-Sketch כדי להגדיר קומפוזיציה שקשה לתאר במילים.

זה המקום שבו השדרוג החדש נעשה מוחשי. Images 2.5 מאפשר להתייחס לתמונה כמשהו שאפשר לפתח בשיחה. יוצרים גרסה ראשונה, מתקנים פרט, מזיזים את הכיוון, מחליפים סביבה, משנים פורמט וממשיכים מאותה נקודה.

OpenAI טוענת שגם זמן היצירה התקצר ב- 50% לעומת Images 2.0, כך שהתהליך הזה אמור להיות מהיר יותר מבעבר. עבור רוב המשתמשים, זה כנראה השינוי שכדאי לאמץ. במקום להשקיע את כל המאמץ בפרומפט הראשון, התחילו מתוצאה סבירה והשתמשו בשיחה כדי להגיע לתמונה שאתם באמת רוצים.

אם אתם רוצים עוד דוגמאות ליכולות יצירת תמונות, סגנונות שונים, והשראה לשימושים אפשריים של מודל התמונה החדש, כנסו כאן.

הפוסט ChatGPT Images 2.5: מדריך שימוש, יכולות חדשות ופרומפטים מומלצים הופיע ראשון בLet's AI בינה מלאכותית

לפי אנטרופיק, הקבוצה הפעילה שלוש תוכניות נשק, בהן רקטה מונחית, טיל בליסטי רב-שלבי ומערכת טילים נוספת שכללה גם גרסה שתוכננה להשתמש בכלי גלישה היפרסוני. אין ראיה שהמערכות האלה הגיעו למצב מבצעי, והחברה מדגישה במפורש שהמידע שבידיה לא באמת מאפשר לקבוע שהתא הצליח לבנות נשק עובד.

קרדיט: צילום מסך מתוך פרסום של Financial Times

קלוד קוד נכנס בתפקיד מהנדס תוכנה

על רקע הדיון המתמשך סביב הסיכונים שטמונים במודלים המתקדמים של חברות הבינה המלאכותית, דוח חדש של אנטרופיק (Anthropic) מספק מקרה מבחן קונקרטי במיוחד.

החלק המעניין ביותר בדוח הוא לא רשימת כלי הנשק אלא האופן שבו נעשה שימוש במודל. אנשי התא השתמשו בקלוד קוד (Claude Code), כלי של אנטרופיק שמסוגל לעבוד עם קוד ותהליכי פיתוח, כדי לסייע בבניית תוכנת ההנחיה, הניווט והבקרה שמייצבת כלי טיס ומכוונת אותו במסלולו.

המשתמשים לא הסתפקו בשיחה אחת עם המודל. אנטרופיק מתארת עבודה עם כמה מופעים של קלוד (Claude) במקביל, כאשר אחד שימש לכתיבת קוד, אחר למחקר ושלישי לבדיקת התוצרים. החברה משווה את שיטת העבודה לחלוקת משימות בתוך צוות הנדסי קטן.

המודל לא סיפק לבדו טיל מוכן ולא החליף חומרה, ידע הנדסי, ניסויים או יכולת ייצור. הוא כן השתלב בחלקים מתהליך הפיתוח, בהם כתיבת תוכנה, סימולציה ובדיקת תוצרים.

על פי אנטרופיק, לתא הזה כבר היו מומחיות וגישה לחומרה הרלוונטית. גם במקרים אחרים שתיארה החברה בדוח, קלוד שימש בעיקר להרחבת יכולות קיימות. זה סייג חשוב כשמנסים להבין עד כמה AI משנה בפועל את היכולת לפתח נשק.

חלק מהבקשות נחסמו, אחרות עברו

מנגנוני הבטיחות של אנטרופיק זיהו וחסמו חלק מהבקשות של הקבוצה, אבל לא את כולן. לפי החברה, המשתמשים ניסו להסתיר את מטרת העבודה, להציג משימות בלי ההקשר הצבאי המלא ולפצל את הפרויקט בין שיחות שונות, כך שאף שיחה בודדת לא חשפה את התמונה כולה.

זו אולי הנקודה המדאיגה ביותר בדוח מבחינת חברות AI. מערכות הגנה שבוחנות כל בקשה בנפרד עלולות להתקשות לזהות פרויקט מזיק שנפרס על פני זמן, חשבונות או שיחות שונות. משתמש שלא מבקש במפורש "תעזור לי לבנות טיל", אלא מפרק את העבודה לשורה של שאלות טכניות לכאורה, עשוי להיות קשה יותר לזיהוי.

אנטרופיק טוענת שבעקבות החקירות היא שיפרה את מנגנוני הזיהוי והוסיפה מסווגים שנועדו לזהות טוב יותר פעילות הקשורה לפיתוח נשק וחומרי נפץ. אלא שהמקרה עצמו מראה את מגבלת ההגנות האלה. חלק מהעבודה כבר בוצע לפני שהפעילות נעצרה.

ניסוי הירי ככל הנראה נכשל

בשלב מסוים עבר הפרויקט ממסך המחשב לשטח. אנטרופיק אומרת שהתא ביצע ניסוי ירי ברקטה מונחית. החברה מעריכה שהניסוי נכשל, משום שבתוך שעות חזרו המשתמשים לקלוד וביקשו לסייע בניתוח מה שהשתבש.

הדוח לא מוכיח שקלוד איפשר לתא להגיע ליכולת שלא הייתה לו קודם, וגם לא מעריך באופן עצמאי עד כמה תרם המודל לפרויקט. הוא כן מראה שקלוד היה חלק מתהליך שכלל תכנון, סימולציה, ניסוי פיזי וניתוח התקלה לאחריו.

אנטרופיק חסמה את החשבונות שקישרה לפעילות ושיתפה את המידע עם גורמים ציבוריים ופרטיים. אלא שלדבריה, עד שההתערבות התרחשה כבר הייתה לקבוצה סביבת סימולציה עצמאית שיכלה לפעול גם בלי חיבור לקלוד.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס קלוד קוד (Claude code) וסביבת אנטרופיק

לפרטים נוספים לחצו כאן >>

המקרה בתימן הוא חלק מסיפור רחב יותר

התקרית היא אחד משישה מקרים של פעילות הקשורה לנשק קונבנציונלי שאנטרופיק מפרטת בדוח החדש, המתעד שימושים שנחשפו בין דצמבר 2025 לאוגוסט 2026. החברה מתארת גם פעילויות מסין ומרוסיה, ובהן שימוש בקלוד לתוכנות רחפנים, מערכות לוחמה אלקטרונית, מסמכי רכש ואיסוף מודיעין ממקורות פתוחים.

הדוח הוא מקור חשוב, אבל יש לו מגבלה מובנית. אנטרופיק רואה את הפעילות שמתרחשת בתוך השירות שלה, ולא את הפרויקט כולו. היא לא גוף מודיעין עצמאי, ולא תמיד יכולה לדעת בוודאות מי עומד מאחורי החשבון, מה נעשה מחוץ למודל או עד כמה התוצרים שסיפק תרמו לתוצאה בעולם האמיתי.

לכן הכותרת המפתה ביותר לסיפור, "AI עזר לחות'ים לבנות טילים", חזקה יותר ממה שהראיות מאפשרות לומר. התמונה המדויקת יותר היא שקבוצה בצפון תימן, שהפייננשל טיימס מייחס לחות'ים, שילבה את קלוד בתהליך פיתוח של מערכות נשק. חלק מהשימוש נחסם, חלק עבר, ובשלב מסוים בוצע גם ניסוי בשטח. אין ראיה שהפרויקט הפיק מערכת מבצעית.

וזו גם השאלה שהמקרה משאיר פתוחה. האם חברות AI מסוגלות לזהות פרויקט מזיק כשהוא נראה במשך ימים או שבועות כמו אוסף של משימות טכניות לגיטימיות?

הפוסט האם החות׳ים השתמשו בקלוד לפיתוח תוכנות לטילים הופיע ראשון בLet's AI בינה מלאכותית

מה בדיוק הולך להיסגר

OpenAI הודיעה רשמית שהיא מתכננת לסגור את ה-Custom GPTs - במקום המערכת הישנה, ההמלצה הרשמית ליוצרים היא להעביר את תהליכי העבודה שלהם אל פורמט חדש בשם Plugins. הרעיון מאחורי המהלך הוא לחבר הנחיות מותאמות אישית יחד עם אפליקציות וכלים מחוברים, כך שההנחיה תעבוד לצד הכלים והמידע שדרושים למשימה.

במילים פשוטות: ה-GPT הקלאסי, שהיה בעצם אריזה של הנחיות וקבצים, מוחלף במשהו שאמור להיות אינטגרטיבי יותר. במקום לבנות "בוט" שיודע לענות לפי הנחיות, הכיוון הוא לחבר את ההנחיות ישירות לכלים ולאפליקציות שפועלים בתוך השיחה.

לוח הזמנים: מה קורה ומתי?

הפרישה לא מתרחשת ביום אחד, ויש כאן כמה תאריכים שכדאי להכיר.

• עבור מנויים ארגוניים מסוג Enterprise שמושפעים מהמהלך, מועד הפרישה המלא,  מתוכנן ל-11 בדצמבר 2026. עד אז ה-GPTs הקיימים ממשיכים לעבוד כרגיל.
• כלי ההמרה עצמו, שאמור לעזור להפוך GPT קיים לפורמט Plugins, מתוכנן להיות זמין החל מ-17 בספטמבר 2026. חשוב לשים לב שהכלי הזה לא יגיע לכל החשבונות והסביבות באותו הזמן, אלא בהדרגה.
• שאר סוגי המנויים צפויים לעקוב אחר אותו קו זמן, ו-OpenAI ממליצה לעקוב אחר ההודעות הרשמיות לכל חשבון בנפרד.

הבשורה הפחות נעימה למשתמשים הפרטיים

כאן מגיע החלק שכבר משפיע עליכם היום, ולא רק בדצמבר.

• יצירה ופרסום של GPTs חדשים כבר אינם זמינים בחשבונות פרטיים של ChatGPT, כולל התוכניות Free, Go, Plus ו-Pro. כלומר, גם מנוי Pro בתשלום מלא כבר לא יכול לבנות GPT חדש מאפס.
• מה שכן אפשר: GPTs קיימים ממשיכים להיות זמינים לשימוש, ואפשר עדיין לערוך אותם - בתנאי שהמנוי וההרשאות מאפשרים זאת.
• היכולת ליצור, לערוך ולפרסם GPTs חדשים נשמרת בעיקר לסביבות ארגוניות וחינוכיות מסוג Business, Enterprise ו-Edu, בכפוף להגדרות ולהרשאות של אותה סביבה.

המשמעות היא הפרדה ברורה בין שני סוגי משתמשים. המשתמש הפרטי הופך לצרכן של כלים שאחרים בונים, בעוד שהיכולת לבנות מהיסוד עוברת לצד הארגוני. זו לא רק החלטה טכנית, זו הצהרה על מי הקהל שאליו הפורמט הזה מכוון מכאן והלאה.

למה OpenAI עושה את זה?

כדי להבין את המהלך, כדאי להסתכל על התמונה הרחבה יותר. ה-Custom GPTs נבנו בעידן שבו מודל שפה היה בעיקר כלי שעונה על שאלות. הנחיה טובה וכמה קבצי ידע הספיקו כדי ליצור עוזר ממוקד. אבל התחום זז מאז למקום אחר לגמרי.

הכיוון החדש הוא סוכנים - מערכות שמסוגלות לבצע משימות רב-שלביות, להשתמש בכלים חיצוניים, ולפעול באופן עצמאי יותר. בעולם כזה, GPT שהוא בעיקר אוסף הנחיות מרגיש מוגבל. פורמט ה-Plugins, שמחבר הנחיות עם אפליקציות וכלים פעילים, מתאים הרבה יותר לצורה שבה מערכות בינה מלאכותית עובדות היום.

יש כאן גם היגיון עסקי שקשה להתעלם ממנו. העברת יכולת הבנייה לצד הארגוני מרכזת את הערך במקום שבו נמצא הכסף הגדול, ומפשטת מוצר שהפך עם הזמן לצפוף ומבלבל. חנות ה-GPT מעולם לא הפכה למנוע ההכנסות שרבים ציפו לו, וסגירה מסודרת של פרק שלא לגמרי הצליח היא לעיתים החלטה נכונה יותר מהמשך תחזוקה של מערכת שאיבדה מומנטום.

מה כדאי לעשות עכשיו?

אם יש לכם GPT שאתם באמת משתמשים בו, זה הזמן למפות מה בדיוק הוא עושה בשבילכם. ההנחיות, הקבצים, הלוגיקה - כל מה שתרצו לשמר צריך להיות מתועד ומוכן להעברה כשכלי ההמרה יגיע. אל תחכו לרגע האחרון של דצמבר, כי כלי ההמרה מגיע בהדרגה ולא בבת אחת לכולם.

אם אתם משתמשים פרטיים ורגילים לבנות לעצמכם GPTs, כדאי להתחיל להכיר את החלופות. פורמט ה-Plugins הוא הכיוון הרשמי, וגם אם הוא עדיין בהתגבשות, זה המקום שבו OpenAI משקיעה מכאן והלאה. ההיגיון של "הנחיות פלוס כלים" יישאר רלוונטי, גם אם האריזה תשתנה.

מעל הכל, שווה לזכור שזה לא סיפור על מוצר אחד שנסגר. זו דוגמה חיה לקצב שבו התחום הזה משתנה. כלי שהיה מרכז תשומת הלב לפני שנתיים נעשה מיושן, לא כי הוא היה גרוע, אלא כי מה שסביבו זז מהר יותר. השאלה שכל אחד מאיתנו צריך לשאול היא לא רק אילו כלים אנחנו בונים היום, אלא כמה מהר אנחנו מוכנים להחליף אותם כשהקרקע זזה שוב.

הפוסט מ-GPTs לפלאגינים: OpenAI מסמנת את הכיוון הבא של הצ'אט הופיע ראשון בLet's AI בינה מלאכותית

אלה שקמו והלכו

ב-8 בספטמבר, ימים ספורים לפני החג, חוקר בשם ג'ייקוב קוקסון הודיע שהוא מתפטר מאנטרופיק. בשלוש השנים האחרונות הוא עסק במחקר ב-OpenAI ובאנטרופיק (Anthropic). את הסיבה הוא ניסח בלי לרכך: לדבריו, שתי החברות ממהרות היישר אל מערכות שמשפרות את עצמן ועתידות להיות חכמות מאיתנו בכל תחום, ומהמרות בחיים של כולנו.

הוא לא לבד. אוון האבינגר, שמוביל באנטרופיק צוות שעוסק בבטיחות המודלים, כתב שלהערכתו יש יותר מ-10% סיכוי שה-AI יביא להכחדת המין האנושי בעשור הקרוב. זו הערכה אישית שלו ולא עמדה רשמית של החברה, והיא נאמרה מפי אדם שכל התפקיד שלו הוא לדאוג שזה לא יקרה.

הקול המוכר ביותר בגל הזה הוא דניאל קוקוטאילו. הוא עבד ב-OpenAI, עסק שם בתחזיות לגבי העתיד של התחום, והתפטר ב-2024. בדרך החוצה ביקשו ממנו לחתום על מסמך שאוסר עליו לבקר את החברה. הוא סירב, והיה מוכן לוותר על מניות בשווי 2 מיליון דולר, בערך 80% מההון של המשפחה שלו באותו זמן. בסופו של דבר הסיפור התפוצץ, החברה חזרה בה, והוא נשאר עם המניות.

אילוסטרציה

כששאלו אותו בריאיון אם הוא באמת חושב שיש 70% סיכוי להכחדת האנושות, הוא עצר ותיקן את המראיין. "לא הכחדה בדיוק", הוא אמר. 70% סיכוי שזה ייגמר רע מאוד, והכחדה היא רק אחת מהאפשרויות. הדיוק הזה חשוב, כי הוא מראה אדם שמנסה לדבר נכון, לא להפחיד.

ואז הוא אמר את הדבר שנשאר איתי. יש לו שתי בנות, הבכורה בת 6. הוא לא מאמין שהן יגיעו אי פעם לשוק העבודה. בשלב מסוים הוא אפילו אמר לאשתו שאולי עדיף לא להביא עוד ילדים, כי העתיד פשוט לא ברור מספיק.

והחששות האלה לא נשענים רק על תחזיות. Meta השיקה החודש סוכן אישי בשם Muse, שמסוגל לגשת למייל, ליומן, לתשלומים ולמכשירים בבית. החברה עצמה כתבה שהיא עדיין לא יודעת איך למנוע מצב שבו מישהו שותל הוראות זדוניות בתוך תוכן שהסוכן קורא ומפעיל אותו נגד המשתמש. היא אפילו הציעה פרס של עד 130 אלף דולר למי שיצליח לעשות את זה.

הריאיון עם דניאל קוקוטאילו בפודקאסט The Diary Of A CEO:

הפסימיים האחרים: לא מסוכן, פשוט בועה

אבל יש גל פסימי שני, והוא טוען משהו אחר לגמרי. אד זיטרון, שכותב ומדבר כבר שנים על הכספים של חברות ה-AI, אומר בפשטות שה-AI הגנרטיבי הוא במהותו הונאה. לא מסוכן מדי. פשוט לא שווה את מה שמשלמים עליו.

הטענה המרכזית שלו נוגעת למחיר. המנוי החודשי שאנחנו משלמים עליו לא מכסה את העלות האמיתית. לפי נתונים שהוא מצטט, משתמש כבד במנוי של 200 דולר לחודש יכול לצרוך משאבי מחשוב בשווי אלפי דולרים. OpenAI הפסידה בשנה שעברה 20.9 מיליארד דולר בפעילות השוטפת שלה. כלומר מישהו אחר מממן כרגע חלק ניכר מהיעילות שכולנו חוגגים.

אילוסטרציה

זה קצת כמו מסעדה שמוכרת ארוחה של 500 שקל ב-50 שקל, וכולם מסביב מצביעים על התור בכניסה ואומרים כמה המקום מצליח. התור אמיתי לגמרי. השאלה היא מה יקרה ביום שבו המחירים בתפריט יתעדכנו. מכאן זיטרון ממשיך לתחזית: בסביבות 2027 הכסף ייגמר, ואחר כך תגיע התכווצות כלכלית שתפגע לא רק בחברות הטכנולוגיה אלא גם בחיסכון הפנסיוני של אנשים רגילים.

שני הגלים לא מסכימים זה עם זה

כאן מגיע החלק שהכי העסיק אותי השבוע. לא ייתכן ששני הגלים הפסימיים האלה צודקים. אחד אומר שהמכונה חזקה מדי ואף אחד לא ערוך לקראתה. השני אומר שהיא חלשה מכדי להצדיק את החשבון.

ויש כאן משהו חד יותר. זיטרון תוקף ישירות את אנשי הגל הראשון. הוא מכנה את תרחיש העתיד של קוקוטאילו מדע בדיוני גרוע, וטוען שכל השיחה על סכנות קיומיות משרתת דווקא את החברות עצמן. למה שמנכ"ל יספר לכם שהמוצר שלו עלול לסכן את העולם? כדי שתאמינו שהוא חזק מספיק, וכדי שתפחדו להישאר מאחור אם לא תשתמשו בו כבר היום. לדבריו, כל הונאה בהיסטוריה מתחילה בכך שדוחקים בך.

הריאיון עם אד זיטרון באותו פודקאסט:

גם לפסימיות יש מבקרים

למען ההגינות, לא כולם מקבלים את שתי הטענות האלה. יאן לקון, שהיה המדען הראשי של Meta עד נובמבר 2025, אומר על ההערכות האלה לגבי הכחדה שהן שטויות גמורות. חוקרים אחרים טוענים שכדאי להתייחס ל-AI כמו לכל טכנולוגיה גדולה אחרת, כזאת שמשנה הכול אבל לאט, לאורך עשורים.

גם קוקוטאילו עצמו פחות קיצוני ממה שמצטטים בשמו. הוא נותן בין 10% ל-20% סיכוי שהתחום פשוט ייתקע במקום. כששאלו אותו אם היה לוחץ על כפתור שמכבה את כל המחקר לתמיד, הוא ענה שלא. ועל השאלה אם כבר מאוחר מדי הוא אמר: "אני לא חושב. אם הייתי חושב שמאוחר מדי, לא הייתי יושב כאן".

מה אני לוקח מזה לשנה החדשה

אני לא יודע מי מהם צודק, ואני חושד בכל מי שכן יודע. מה שכן ברור לי הוא שלכל סיפור כאן יש מישהו שמרוויח ממנו. מי שמוכר לנו פחד מרוויח מהפחד, מי שמוכר לנו התלהבות מרוויח מההתלהבות, ושתי הקבוצות מבקשות מאיתנו בדיוק את אותו הדבר: להאמין להן מהר.

ובכל זאת, לא כולם יושבים באותה משבצת. יש משפט אחד של קוקוטאילו שאני חוזר אליו: הוא אמר שישמח מאוד אם כל התחזיות שלו יתבדו. מי שמקדיש את העבודה שלו לתרחיש מסוים ומודה שהוא מקווה לטעות בו, נשמע לי אחרת לגמרי ממי שמוכר ודאות.

יש גם נקודה אחת ששני הגלים מסכימים עליה, וקל לפספס אותה מרוב שהם עסוקים בוויכוח. שניהם אומרים שההחלטה לא צריכה להישאר בידיים של מי שמוכר לנו את המוצר. מעניין דווקא לראות מה כל אחד מהם מציע לעשות בפועל. ההמלצה של קוקוטאילו פשוטה ולא זוהרת: לשים לב, לדבר על זה, ולשאול פוליטיקאים שמבקשים את הקול שלנו מה העמדה שלהם בנושא. ההמלצה של זיטרון קצרה עוד יותר: אל תקבלו החלטות על סמך הבטחות.

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

לפרטים נוספים לחצו כאן >>

עוד דבר שאני לוקח מזה נוגע למספרים. שני המרואיינים מוסרים נתונים בביטחון גדול, והנתונים האלה עוברים מכאן לכותרות ומשם לשיחות שלנו. כשישבתי לבדוק כמה מהם מול דיווחים פומביים, חלק לא החזיקו מים. זה לא מפיל את הטענות הגדולות. זה כן מזכיר שגם אדם שמדבר בתום לב, ומכיר את התחום מבפנים, יכול למסור מספר לא מדויק. כשנתון נשמע מרשים במיוחד, שווה לעצור ולבדוק אותו לפני שמעבירים אותו הלאה.

הנקודה המעשית ביותר נובעת דווקא מהטענה של זיטרון. אם המחיר שאנחנו משלמים היום נמוך מהעלות האמיתית, אז חלק מהכדאיות של הכלים שאנחנו מכניסים לעסק היא זמנית. זו לא סיבה להפסיק להשתמש בהם. זו כן סיבה לשאול, לפני שבונים תהליך שלם סביב כלי אחד, מה יקרה לתהליך אם המחיר יוכפל או אם הכלי ייעלם. לעסק שיש לו תשובה לשאלה הזאת יהיה הרבה יותר קל בשנה הקרובה.

ומעל הכול, הדבר השפוי ביותר שאפשר לעשות בימים האלה הוא פשוט להאט. לא להפסיק לעבוד עם הכלים, אלא להפסיק להתייחס לכל הכרזה כאילו היא מחייבת אותנו לקבל החלטה כבר היום. ולזה נועדו הימים האלה.

בחלק הבא נעשה את הדרך ההפוכה, ונקשיב למי שאומרים שאנחנו עומדים בפתחו של העשור הטוב ביותר בתולדות האנושות.

שנה טובה!

הפוסט חשבון נפש ל-AI, חלק א': כולנו אבודים הופיע ראשון בLet's AI בינה מלאכותית

קודם מבינים אם זו משימת חשיבה או משימת ביצוע

במדריך הזה, “תהליך קבוע” הוא לא בהכרח סקיל (למרות שזה באמת פתרון מומלץ לתהליכים חוזרים). זה יכול להיות גם סט הוראות שנשמר לשימוש חוזר כמו: מה מכניסים למודל, באיזה סדר הוא צריך לעבוד, איזה בדיקות עליו לבצע, איך נראה התוצר הסופי ומה דורש אישור אנושי. לפעמים זה יהיה סקיל (skill), לפעמים Gem בג׳מיני, אולי פרויקט (Project) עם הנחיות קבועות, פרומפט שמור או פשוט מסמך קצר שמעתיקים בכל שבוע.

בממשקים של ChatGPT, קלוד (Claude) וג׳מיני (Gemini) מופיעים היום שמות שנראים לפעמים כמו שילוב בין תפריט גלידה, סדרת מדע בדיוני ורשימת קוד פנימית. אצל OpenAI אפשר לפגוש שמות כמו אסטרה (Astra), Sol ,Terra ו-Luna. אצל אנטרופיק (Anthropic) יש Fable, Opus, Sonnet ו-Haiku. אצל גוגל (Google) מופיעים Gemini Pro וגרסאות Flash שונות.

בורר המודלים של קלוד

הכלל הוא פשוט. כשאתם עדיין מנסים להבין את הגישה, תבחרו מודל חזק יותר. כשכבר יש תהליך ברור, תבחרו מודל מהיר וזול יותר. אפשר לחשוב על זה דרך שני סוגי שאלות. השאלה הראשונה היא “מה בכלל צריך לעשות, ולמה זו הדרך הנכונה?”. זו השאלה שמתאימה למודל החזק יותר, למשל Astra, Fable או Pro, בהתאם לכלי שבו אתם עובדים. השאלה השנייה היא “איך מריצים את אותו תהליך גם השבוע?”. זו כבר משימה שמתאימה למודל יעיל יותר, למשל Sol ,Sonnet או Flash.

בורר המודלים של צ׳אט ג׳יפיטי

זו לא חלוקה מושלמת. לפעמים גם משימה חוזרת מסתבכת ודורשת מודל חזק יותר. לפעמים מודל מהיר מספיק גם לבניית תהליך פשוט. אבל ברוב המקרים, ההבחנה הזו טובה יותר מניסיון לנחש איזה שם נשמע “חכם” יותר.

בורר המודלים של ג׳מיני

מה עושים עם רמות ה-effort

לצד בחירת המודל, חלק מהכלים מאפשרים לבחור גם רמת effort, כלומר כמה מאמץ חישובי המודל ישקיע לפני שהוא עונה. בממשקים שונים זה יכול להופיע כ-Medium ,High ,Extra High ,Ultra או שמות דומים.

הפיתוי ברור. אם יש אפשרות ליותר effort, למה לא לבחור תמיד את הרמה הגבוהה ביותר? הבעיה היא שיותר חשיבה לא תמיד נותנת תשובה טובה יותר (וכמובן גם עולה יותר). במסמכי ההדרכה של OpenAI ההמלצה היא להעלות ל-High או ל-XHigh רק כאשר יש מדידה שמראה שיפור שמצדיק את תוספת הזמן והעלות. גם אנטרופיק מציינת שתקציב חשיבה גדול יכול לעזור במשימות מורכבות, אבל לא בהכרח ינוצל במלואו בכל בקשה.

לשימוש יומיומי, ברירת מחדל טובה היא High כאשר המשימה חשובה, כוללת כמה מקורות או דורשת תכנון. למשימות קצרות וברורות כמו ניסוח מחדש, מיון מידע או הפקת טבלה פשוטה - Medium בדרך כלל מספיק. Extra High או Ultra שמורים למצבים שבהם טעות יקרה, ההקשר מסובך, או שכבר ראיתם שהמודל מפספס ברמות הנמוכות יותר.

רמות שונות של מאמץ חישובי

דוגמה מעשית: פרויקט השקה שנחת עליכם

נניח שקודמתם לתפקיד חדש, וביחד עם הטייטל קיבלתם גם פרויקט השקת מוצר. המכירות רוצות להשיק בחודש הבא, צוות המוצר אומר שצריך עוד זמן, וצוות התמיכה עדיין מחכה להדרכה.

בשלב הראשון לא כדאי לבקש מהמודל “תכתוב לי סטטוס”. זו בקשה קטנה מדי לבעיה גדולה מדי. עדיף לתת למודל חזק את החומרים המרכזיים, למשל מצגת אסטרטגיה, בריף מהמנהל, סיכומי פגישות אחרונים ותוכנית עבודה קיימת. המטרה היא לבנות שיטת עבודה שתוכלו לחזור אליה.

פרומפט מתאים יכול להיראות כך:

“קרא את החומרים המצורפים וזהה את שלוש העדיפויות החשובות ביותר שלי בפרויקט ההשקה. עבור כל עדיפות, בנה תהליך חוזר שאוכל להריץ בעזרת AI. כל תהליך צריך לכלול איזה חומרים צריך להכניס, מה שלבי העבודה, מה אמור להיות התוצר הסופי, ואיזה נקודות כדאי שאברר עם המנהל לפני שאני מתקדם.”

תשובה טובה יכולה להפוך לשלושה תהליכים קבועים. הראשון הוא מעקב שבועי אחרי לוח הזמנים. בכל שבוע מכניסים סיכומי סטטוס מצוותי מכירות, מוצר ותמיכה, והמודל בודק אילו עיכובים של צוות אחד עלולים להשפיע על צוות אחר.

השני הוא הכנת התמיכה להשקה. מכניסים שאלות שחוזרות מצד לקוחות, מסמכי מוצר וחומרי הדרכה, והמודל מפיק טיוטת FAQ, כלומר רשימת שאלות ותשובות נפוצות. הוא גם מסמן פערים שבהם צוות המוצר צריך להשלים מידע.

השלישי הוא עדכון שבועי למנהל. מכניסים את הערות השבוע, החלטות פתוחות וסיכונים, והמודל מפיק עדכון קצר שמציג התקדמות, חסמים והחלטות שהמנהל צריך לקבל.

בשבוע הבא כבר לא מסבירים הכול מחדש

ביום חמישי הבא אתם לא צריכים להתחיל מאפס. אתם לוקחים את התהליך שכבר בניתם, מוסיפים את סיכומי השבוע החולף, ומבקשים ממודל יעיל יותר להריץ את ההוראות.

למשל:

“השתמש בתהליך ‘עדכון שבועי למנהל’ שיצרנו. קרא את הערות השבוע והכן עדכון קצר. הדגש רק שינויים שמשפיעים על תאריך ההשקה, סיכונים שדורשים החלטה, ונושאים שבהם חסר מידע. אל תנחש מידע שלא מופיע בחומרים.”

אם בדיקות המוצר נדחו, המודל אמור לזהות שהעיכוב לא נשאר רק אצל צוות המוצר. הוא משפיע גם על תאריך ההשקה של המכירות ועל חומרי ההדרכה של התמיכה. זה בדיוק הערך של תהליך חוזר, הוא לא רק מסכם מידע חדש, אלא בודק אותו מול כללים שכבר הגדרתם.

שלושה שימושים שאפשר לנסות השבוע

אפשר להתחיל ממשימה אחת שחוזרת אצלכם בעבודה. לתכנון שבועי, תנו למודל חזק גישה לחומרים הרלוונטיים, למשל יומן, משימות וקבצי פרויקט, ובקשו ממנו לבנות כללי תעדוף סביב תחומי האחריות והדדליינים שלכם. בכל יום ראשון, השתמשו במודל מהיר יותר כדי להפעיל את הכללים על המשימות החדשות ולשלב אותן סביב הפגישות.

לכתיבת מיילים חוזרים, בחרו כמה מיילים טובים שכבר שלחתם, והכניסו אותם למודל חזק. בקשו ממנו ליצור מדריך קצר לסגנון שלכם, למבנה התשובה ולמידע שחייב להופיע. אחר כך השתמשו במדריך הזה כדי לנסח תשובות לשרשורים חדשים. לפני שליחה, עברו בעצמכם על העובדות, הטון והנמענים.

להשוואת תוכנות, תנו למודל חזק את הדרישות של הצוות, התקציב והבעיות בכלי הנוכחי. בקשו ממנו לבנות צ’קליסט השוואה. לאחר מכן, בכל פעם שמופיעה אפשרות חדשה, תנו למודל יעיל יותר לבדוק אותה מול הצ’קליסט, על בסיס עמודי התמחור והפיצ’רים העדכניים.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס ניתוח נתונים עם AI

לפרטים נוספים לחצו כאן >>

אל תתנו יותר הרשאות ממה שהמשימה דורשת

כאשר מחברים AI למייל, יומן, Drive, מערכת CRM או כל כלי עבודה אחר, השאלה היא לא רק איזה מודל לבחור. צריך גם לחשוב מה מותר לו לראות ולעשות.

התחילו בהרשאות מצומצמות ובכל מקרה תמיד עדיף להתייעץ עם מערכות מידע או ciso. עדיף לתת גישה לתיקייה ייעודית ולא לכל הכונן. עדיף לבקש טיוטה ולא שליחה אוטומטית. עדיף לבקש טבלת שינויים מוצעת ולא עדכון ישיר במערכת. במשימות שיש בהן מחיקה, פרסום, שליחת הודעות או שינוי מידע עסקי, בקשו מהמודל להציג תוכנית פעולה לפני כל פעולה בלתי הפיכה.

פרומפט בטוח יכול להיות:

“בדוק את החומרים שסיפקתי והצע תוכנית פעולה. אל תמחק, תשלח, תפרסם או תשנה מידע לפני שאאשר זאת במפורש.”

השאלה הקצרה שחוסכת הרבה בלבול

בפעם הבאה שאתם עומדים מול בחירת מודל, אל תתחילו מהשם של המודל. התחילו מהמצב של המשימה.

תשאלו את עצמכם האם אתם עדיין מנסים להבין איך נכון לעשות את העבודה, או שאתם כבר מריצים תהליך מוכר עם מידע חדש. לשלב הראשון תנו למודל החזק יותר לחשוב, לפרק את המשימה ולבנות את השיטה. לשלב השני תנו למודל יעיל יותר לבצע את השיטה שכבר אישרתם.

הערך האמיתי מגיע כשההוראות הטובות נשמרות. אחרי שמצאתם תהליך שעובד, שמרו אותו בשם ברור, צרפו אליו דוגמה של קלט טוב ודוגמה של תוצר רצוי, והשתמשו בו שוב בשבוע הבא. כך המודל לא צריך לנחש מחדש מה אתם רוצים, ואתם לא צריכים להסביר לו את העבודה בכל פעם מהתחלה.

הפוסט איך לבחור מודל AI למשימות עבודה חוזרות הופיע ראשון בLet's AI בינה מלאכותית