הפער בין יכולת לאימוץ: תמונת מצב מורכבת

המחקר מציג מדד חדש בשם Observed Exposure, שמעריך את מידת החשיפה של מקצועות ל‑AI לא רק לפי מה שהטכנולוגיה מסוגלת לבצע בתיאוריה, אלא לפי השימוש האמיתי שנעשה בה בפועל. הנתונים מראים שמודלי שפה יכולים תאורטית לבצע חלק גדול מהמשימות במקצועות רבים, מתכנות ושירות לקוחות ועד פיננסים ואדמיניסטרציה, אך השימוש האוטומטי במשימות הללו עדיין נמוך בהרבה.

תמונה מערכתית של “הפער הכולל” בין קטגוריות | Anthropic

כפי שמנסחת זאת אנטרופיק: “ה‑AI עדיין רחוק מלממש את היכולות התאורטיות שלו. השימוש בפועל מכסה רק חלק קטן ממה שאפשרי מבחינה טכנולוגית.” הפער בין הכחול, שמייצג יכולת, לבין האדום, שמייצג שימוש בפועל, הוא לב הסיפור שהמחקר מבקש להדגיש.

הגרף הבא מציג את אותם נתונים, אך מאפשר לראות את הפער בצורה מיידית:

השוואה ישירה וברורה בין יכולת לשימוש בכל מקצוע

מדד Observed Exposure

כדי למדוד את הפער בין יכולת תאורטית לאימוץ בפועל, אנטרופיק מציגה מדד חדש שמשלב שלושה מקורות מידע: מסד הנתונים O*NET, נתוני שימוש אמיתיים במודל Claude, והערכות תאורטיות של אילו משימות ניתן להאיץ באמצעות מודלי שפה.

המדד בוחן לא רק אילו משימות אפשר לבצע בעזרת AI, אלא גם האם הן מבוצעות בפועל, באיזו תדירות ובאיזה אופן - אוטומטי מלא או שימוש מסייע. כפי שמנסחים זאת החוקרים: “אנחנו מציגים מדד חדש לסיכון תעסוקתי, Observed Exposure, שמשלב בין היכולת התאורטית של מודלי שפה לבין נתוני שימוש אמיתיים, תוך מתן משקל גבוה יותר לשימושים אוטומטיים ובהקשרי עבודה.”

הגישה הזו מאפשרת לזהות אילו מקצועות מושפעים כבר היום מהטמעת AI, ולא רק אילו עשויים להיות מושפעים בעתיד, ובכך מספקת תמונת מצב מציאותית יותר של השינוי שמתחיל להתרחש בשוק העבודה.

מה הנתונים מראים

כאשר אנטרופיק משווה בין היכולת התאורטית של מודלי שפה לבין השימוש בפועל, מתקבלת תמונה מעניינת: מקצועות כמו תכנות, שירות לקוחות, ניתוח שיווק וניתוח פיננסי נמצאים בראש רשימת החשיפה. לעומתם, מקצועות פיזיים כמו חקלאות, תחזוקה או עבודות שטח כמעט ואינם מושפעים. הסיבה אינה מגבלה טכנולוגית, אלא העובדה שהמשימות במקצועות הללו אינן מתאימות לאוטומציה המבוססת על שפה.

למרות רמת החשיפה הגבוהה, הנתונים אינם מצביעים על פגיעה ישירה בתעסוקה. המחקר מראה כי מאז 2022 לא נרשמה עלייה באבטלה במקצועות החשופים. במילים אחרות, ה‑AI כבר מסוגל לבצע חלק גדול מהמשימות, אך בפועל הוא עדיין אינו מחליף עובדים בקנה מידה רחב.

השפעה על צעירים

למרות שלא נרשמה עלייה באבטלה במקצועות החשופים, מופיע סימן מוקדם שעשוי להעיד על שינוי - האטה בגיוס צעירים לתפקידים שבהם החשיפה ל‑AI גבוהה. בקרב בני 22-25 נרשמה ירידה של כ‑14 אחוז בכניסה למקצועות אלו. אנטרופיק מדגישה שמדובר בממצא ראשוני בלבד, ושייתכנו לו הסברים חלופיים כמו חזרה ללימודים, שינויי העדפות או תנודות כלליות בשוק העבודה. גם כך, זהו נתון שמומלץ לעקוב אחריו בהמשך.

כדי להבין את זה ברזולוציה גבוהה יותר, הנה רשימת המקצועות שנמצאים בחשיפה הגבוהה ביותר בפועל - ומה בדיוק עובר אוטומציה בכל אחד מהם:

מקצועות שנמצאים בחשיפה הגבוהה ביותר לאוטומציה | Anthropic

למה האימוץ עדיין נמוך? המעבר מכלים למערכות

הסיבה המרכזית לפער בין יכולת לאימוץ היא שרוב הארגונים עדיין נמצאים בשלבים מוקדמים של שימוש ב‑AI. במקום לבנות מערכות תפעוליות שלמות, הם מסתפקים בכלים נקודתיים, ניסויים, פרומפטים ואוטומציות קטנות. רק מעטים עברו לשלב שבו ה‑AI משולב בתהליכים עמוקים, מנוהל באמצעות API ופועל כחלק מצוות של סוכנים אוטונומיים.

המעבר הזה, מכלים למערכות, הוא זה שיגרום לעמודות האדומות בגרף להתחיל לעלות. זהו גם המעבר שיקבע מי יוביל את השוק בשנים הקרובות.

ההזדמנות הגדולה נמצאת בדיוק באמצע הפער

המחקר של אנטרופיק מציג תמונה מורכבת אך מעודדת. ה‑AI כבר מסוגל לבצע חלק גדול מהמשימות במקצועות רבים, אך האימוץ בפועל עדיין נמוך. לא נרשמה עלייה משמעותית בפיטורים, אך מופיעים סימנים ראשוניים לשינוי בדפוסי הגיוס. מעל הכול, המחקר מדגיש את הפער בין מה שהטכנולוגיה מאפשרת לבין מה שארגונים עושים איתה כיום.

הפער זה הוא לא איום אלא הזדמנות. הוא מסמן את השלב שבו ארגונים שידעו לבנות מערכות AI שלמות, ולא רק להשתמש בכלים נקודתיים, יוכלו להתקדם מהר יותר מהשוק. היכולות כבר קיימות, האימוץ עדיין מוגבל, והעתיד נמצא בדיוק במרחב שביניהם.

לעיון בנתונים המלאים מהמחקר המקורי של Anthropic שנקרא: Labor market impacts of AI, כנסו כאן.

הפוסט הפער בין מה שה‑AI יכול לעשות למה שבאמת עושים איתו הופיע ראשון בLet's AI בינה מלאכותית

הקלטת הוובינר

מוזמנים לצפות בהקלטת הוובינר המרשים הזה - לא תרצו לפספס את התובנות וההמלצות שעפו שם!

הערך של האירוע הזה לא נבע רק מהרכב הדוברות, אלא מסוג השיחה שנבנתה בו. במקום ערב שמסתפק בסיסמאות על העצמה, נוצר דיון מקצועי על ערך, מחקר, הטמעה, חשיבה ביקורתית, הטיות מגדריות, למידה, קריירה ושינוי ארגוני. כל אחת מהמשתתפות התקרבה ל-AI מכיוון אחר, אבל ביחד נוצרה מפה ברורה: בינה מלאכותית איננה רק כלי לחיסכון בזמן, אלא כוח שמשפיע על האופן שבו ארגונים מקבלים החלטות, משתמשים מנתחים מידע, נשים נכנסות לתחומים טכנולוגיים, תלמידות שואלות שאלות, ומודלים משחזרים (לצערנו) שוב ושוב את ההטיות של העולם הישן.

הנקודה המעניינת באמת היא שהערב לא פחד לשאול שאלות קשות יותר מאשר "מהו כלי ה-AI הכי טוב בשוק". למשל - איזה ערך צריך לייצר? אילו נתונים לא נמדדו כמו שצריך ואיך זה משפיע על נשים? מה קורה כשמאמצים AI מוקדם והופכים ל-Early Adopter? איך נראית הטיה מגדרית כשהיא כבר לא צועקת אלא רק לוחשת? ואיך משתמשים בכלי חכם מבלי לוותר על השריר הביקורתי? זאת כבר לא שיחה על טכנולוגיה במובן הצר - זאת שיחה על כיוון, אחריות ומיומנויות!

מאיה דובובסקי טרגנו - הטמעת AI מתחילה בתנועה, לא בשלמות

מאיה דובובסקי טרגנו, יועצת בכירה ומנהלת חטיבת האנטרפרייז של LetsAI, מייצגת את נקודת המפגש שבין הנהלה, אסטרטגיה ויישום. בתפקידה היא מלווה ארגונים וחברות בתהליכי הטמעת AI, ומביאה איתה גישה מפוכחת שמכירה היטב גם את ההתלהבות, גם את הפחד וגם את הבלבול שנכנסים לחדר בכל פעם שארגון מחליט "לעשות AI" או מבקש "10 קג AI".

מאיה דובובסקי טרגנו - יועצת בכירה ומנהלת חטיבת האנטרפרייז של LetsAI

התפיסה שמובילה את מאיה נשענת על רעיון פשוט אך קריטי: לא מתחילים מכלי, אלא מצורך. לא שואלים קודם איזה מודל לרכוש, אלא איזה תהליך תקוע, איזה צוואר בקבוק מכביד, איפה הארגון מפסיד זמן, ידע או הזדמנות. ברגע שמתחילים מהכאב האמיתי, הדיון הופך להיות ענייני. פתאום AI מפסיק להיות מילה גדולה ומעורפלת, והופך לכלי עבודה. העמדה הזאת חשובה במיוחד בתקופה שבה ארגונים נעים בין FOMO לשיתוק. מצד אחד יש תחושה שכולם כבר בפנים. מצד שני, לא מעט הנהלות עדיין לא יודעות מאיפה נכון להתחיל. הגישה של מאיה אינה לחכות למפת דרכים מושלמת, אלא להתחיל לנוע. תנועה מייצרת תנועה. שימוש ראשוני מייצר שפה. שפה מייצרת מסוגלות. מסוגלות מייצרת שגרה. וכאשר השגרה הזאת מתפתחת בתוך מסגרת ברורה של אבטחת מידע, בקרת איכות וחשיבה תהליכית, אפשר כבר לדבר על שינוי אמיתי.

הגישה הזו מחברת גם בין רמת הפרט לרמת הארגון. עובדים לא אמורים לפגוש AI רק כ"החלטת הנהלה", אלא כמיומנות אישית שכדאי לפתח. ארגונים, מנגד, לא יכולים לבנות על כך שכל עובד ימציא לעצמו שיטה. לכן נדרש שילוב בין סקרנות מלמטה לבין כיוון ברור מלמעלה. במובן הזה, AI איננו יעד. הוא מנגנון שמחזק את כוכב הצפון של הארגון, בתנאי שמישהו מגדיר מראש לאן בכלל רוצים להגיע.

פרופ' טלי תאני-הררי - חדשנות מבוססת ערך היא תרופה לרעש הטכנולוגי

פרופ' טלי תאני-הררי, ראש החוג לתואר שני במנהל עסקים במרכז האקדמי פרס ויועצת אסטרטגית בתחומי השיווק, המיתוג והחדשנות, עוסקת בצומת שבו שפה ניהולית, חשיבה צרכנית והחלטות עסקיות נפגשות. לכן לא מפתיע שהטענה המרכזית שלה נשמעת כמעט כמו תיקון הכרחי לשיח ה-AI העכשווי: הטמעת AI היא תנאי הכרחי, אבל כבר מזמן לא תנאי מספיק.

פרופ' טלי תאני-הררי - ראש החוג לתואר שני במנהל עסקים, המרכז האקדמי פרס.

הבעיה של ארגונים רבים איננה מחסור בטכנולוגיה, אלא עודף גנריות. כולם רוצים להצהיר שהם "ארגון AI" או AI First, אבל לא תמיד ברור מה זה אומר ללקוח, לעובד או לשותף העסקי. כאן נכנסת תפיסת החדשנות מבוססת הערך. במקום להתחיל מהשאלה איזה כלי להטמיע, נכון יותר לשאול איזה ערך חדש אפשר לייצר. האם מדובר בחיסכון בזמן. בהפחתת מורכבות. בהתאמה אישית עמוקה יותר. בחיסכון כספי. במהירות תגובה. ברגע שמגדירים ערך, אפשר להתחיל לבנות אסטרטגיה. ורק אחר כך לבחור את פתרונות ה-AI שישרתו אותה.

הסדר הזה איננו עניין תאורטי. הוא משנה את כל מבנה קבלת ההחלטות. ארגון שמתחיל מהטכנולוגיה עלול לפזר משאבים, לייצר ציפיות רחבות מדי ולסבול מאכזבה כמעט מובטחת. ארגון שמתחיל מהערך, לעומת זאת, בונה מיקוד. והמיקוד הזה עושה שני דברים חשובים במיוחד: הוא מייצר בידול, והוא בונה אמון. יש פה טיעון שנשען גם על הבנה עמוקה של צרכנים. לקוחות מחפשים היום אותנטיות, אמינות, נגישות וחוויה שמרגישה מותאמת אליהם. AI יכול לחזק את כל אלה, אבל הוא גם יכול לפגוע בהם אם משתמשים בו באופן כללי מדי. לכן ההחלטה האסטרטגית אינה להיות טובים בהכול, אלא להיות מדויקים במשהו בעל ערך. בעולם תחרותי ורווי הצהרות, עקביות שווה יותר מהתלהבות.

אורית כהן - כשנשים נמדדות נכון, נפתחת תעשייה שלמה

אורית כהן, פסיכולוגית ארגונית, מרצה ויועצת לארגונים מטעם LetsAI בתחומי ה-AI, הדאטה ומשאבי האנוש, פועלת במקום שבו אנשים, מידע והחלטות נפגשים. הרקע שלה בעולמות ה-People Analytics, ה-HR ותהליכים ארגוניים מאפשר לה לראות לא רק מה הנתונים אומרים, אלא גם את כל מה שהם מפספסים.

אורית כהן - פסיכולוגית ארגונית, מרצה ויועצת לארגונים מטעם LetsAI, בתחומי ה-AI, ה-DATA וה-HR

אחת הטענות המעניינות ביותר של אורית היא שנשים הודרו במשך שנים ממוקדי המחקר, בין היתר משום שהשונות שלהן סומנה כרעש סטטיסטי. זאת הייתה טעות כפולה. גם מחקרית וגם עסקית. ברגע שמודדים נשים בפני עצמן, ולא כסטייה מהתקן הגברי, מתברר שה"רעש" הוא למעשה סיגנל. הדפוסים ברורים יותר. החיזוי מדויק יותר. והיכולת לפתח מוצרים רלוונטיים קופצת מדרגה.

כאן נכנסת תעשיית הפמטק (FemTech), לא כסיסמה, אלא כהמחשה מצוינת לכך שדאטה חסר הוא גם שוק חסר. כאשר המידע הרפואי, ההתנהגותי והפיזיולוגי של נשים מתחיל להיאסף, להתנקות ולהיות מנותח ברצינות, נוצרים מוצרים חדשים, שירותים חדשים וקטגוריות שלא היו קיימות קודם בהיקף הזה. במילים אחרות, ברגע שמפסיקים לחשוב על נשים כחריגות למדד, מתחילים לראות אותן כקהלי יעד שלמים עם צרכים אמיתיים!

המשמעות הרחבה יותר נוגעת לא רק לבריאות נשים. אורית מציעה הסתכלות עקרונית על דאטה: בכל ארגון יש מידע שלא נותח, קבוצות שלא הובחנו, ותובנות שלא הופקו כי איש לא שאל את השאלה הנכונה. עידן ה-AI מאפשר לחקור מחדש את מה שנראה בעבר לא רווחי, לא מדיד או פשוט לא חשוב מספיק. זהו שינוי מחשבתי לא פחות מטכנולוגי.

ומה לגבי אבטחה, פרטיות והגנה על נתונים? כמובילת תחום ה-Data ב-LetsAI אורית מדגישה נקודה מקצועית חשובה ביותר! כדי לעבוד נכון עם נתונים, במיוחד בסביבה ארגונית, צריך להקפיד על הלבנת נתונים, על עבודה עם חשבונות ארגוניים ועל הגנות מתאימות (כמו כיבוי אפשרות אימון המודלים, שמהווה ברירת מחדל ברוב הכלים בשוק, לרבות במנויים בתשלום). בלי פעולות מקדימות אלו, ההתלהבות מהאפשרויות והפוטנציאל שגלום בשימוש ב-AI על ידי נשים וגברים כאחד, עלולה להפוך לסיכון מיותר.

דלית הלדנברג - היתרון של המאמצים המוקדמים לא יישאר פתוח לנצח

דלית הלדנברג, יזמת, מומחית בינה מלאכותית ואסטרטגיית מוצר, מגיעה עם ניסיון של שני עשורים בהובלת מוצר בהייטק ועם עיסוק יומיומי בהנגשת AI לאנשים ולארגונים. בתוך שוק רווי תחזיות, ההסתכלות שלה בולטת משום שהיא מצליחה להיות גם מפוכחת וגם דוחפת לפעולה.

דלית הלדנברג - יזמת, מומחית בינה מלאכותית ואסטרטגיית מוצר

הטענה המרכזית שלה ברורה: יש רגעים שבהם אימוץ מוקדם מייצר יתרון ממשי, וזה בדיוק אחד מהם. כיום עדיין קיים פער בין מי שכבר בנו לעצמם סביבת עבודה מבוססת AI, לבין מי שעדיין מסתכלים מהצד. הפער הזה לא יישאר פתוח לנצח. בעוד כמה שנים השימוש ב-AI יהיה ברירת מחדל מקצועית, ולא יהיה מיוחד יותר מהשימוש בדואר אלקטרוני או במנוע חיפוש. דווקא משום כך, התקופה הנוכחית חשובה כל כך. מי שלומד עכשיו, טועה עכשיו ובונה הרגלים עכשיו, נהנה מיתרון שקשה יהיה להדביק מאוחר יותר.

הזווית המגדרית כאן מוסיפה שכבה נוספת. מצד אחד, יש פערי אימוץ בין גברים לנשים. מצד שני, קצב האימוץ של נשים מהיר יותר! זאת נקודת פתיחה מעניינת, משום שהיא מצביעה לא על חוסר יכולת, אלא על חסם שניתן לפרוץ. החסם הזה הוא לעיתים קרובות פסיכולוגי, לא טכנולוגי. נשים רבות עדיין חושבות שהתחום "לא בשבילן", שהן צריכות לדעת קוד, או שהן חייבות להגיע בשלות מראש. בפועל, חלק גדול מהלמידה מתרחש תוך כדי תנועה.

מכאן מגיעה גם ההמלצה המעשית: ללמוד באופן קבוע, להקדיש זמן קבוע ביומן, להשקיע במנויי פרימיום שמאפשרים להשיג יותר מכל כלי, ולהתייחס ל-AI כאל סביבת עבודה ולא כאל גימיק מזדמן. ההבדל בין שימוש חינמי וחטוף לבין שימוש מתמשך במודלים מתקדמים הוא לעיתים ההבדל בין צעצוע לכלי עבודה.

לתוך התמונה הזאת נכנסת גם מיומנות בסיס חדשה בעידן האייג'נטלי - וייב קודינג (Vibe Coding), כלומר היכולת לבנות מוצרים, דפי נחיתה, כלים ותהליכים באמצעות שיחה עם מודלים, גם בלי להיות מפתחים מקצועיים. לא כל אדם יהפוך למתכנת, אבל יותר ויותר אנשים יוכלו לבנות לעצמם פתרונות ברמה שלא הייתה נגישה להם בעבר. ובכל זאת, בתוך כל השפע הזה נשארת נקודה אחת שמבחינת דלית חשובה יותר מכולן: אותנטיות. בעולם שבו כולם משתמשים באותם כלים, הקול האישי הופך להיות נכס מקצועי.

רימה פוגץ' שנדלזון - ההטיות המגדריות לא נעלמו, הן פשוט נעשו אלגנטיות יותר

רימה פוגץ' שנדלזון, סמנכ"לית קניין רוחני ולשעבר יו"ר אגודת עורכי הפטנטים בישראל, עוסקת כבר שנים בחדשנות, טכנולוגיה, יצירתיות ותהליכי עומק. נקודת המבט שלה על AI חדה במיוחד משום שהיא מתבוננת לא רק במה שהטכנולוגיה יודעת לעשות, אלא גם במה שהיא משמרת בלי שנשים לב.

רימה פוגץ' שנדלזון - סמנכ״לית קניין רוחני ולשעבר יו״ר אגודת עורכי הפטנטים בישראל

הטיות מגדריות במודלי AI אינן תקלה שולית, אלא תוצר ישיר של הדאטה שעליו המערכות אומנו, של השפה שהן סופגות, ושל הייצוגים התרבותיים שהצטברו לאורך שנים ברשת. לכן, כשמודל תמונה מקבל את הפרומפט "סבתא" ומחזיר שוב ושוב דמות כמעט זהה - אישה מבוגרת עם שיער שיבה, לבוש שמרני, מטבח ברקע ותחושה כללית של נוסטלגיה - הוא לא רק מייצר קלישאה ויזואלית. הוא מקבע תפיסה צרה מאוד של נשיות בגיל מבוגר. אותה תופעה הופיעה גם כשהוזן הפרומפט "אישה מדענית": במקום מגוון של נשים מקצועיות, המודלים ייצרו פעם אחר פעם כמעט אותה דמות, כאילו יש תבנית אחת בלבד למי שנחשבת "מדענית". הפער בלט עוד יותר מול המציאות, שבה יזמיות, מהנדסות, חוקרות ורופאות נראות אחרת לגמרי, פועלות אחרת לגמרי, ואינן נכנסות לדימוי האחיד שהמודל למד לשחזר.

הבעיה אינה נעצרת בעולם התמונות. כשמבקשים מהמודל לייצר "הורה" עם ילדים קטנים, ברוב המקרים ברירת המחדל עדיין תהיה אישה, גם כשהמונח עצמו נייטרלי מגדרית. במחקרים אחרים שעלו בהרצאה, מודלים נטו לזהות "דוקטור" כגבר ו"אחות" כאישה, לנסח מכתבי המלצה באופן שונה לגברים ולנשים, ואפילו לשייך מקצועות וסגנונות תקשורת לפי הנחות מגדריות ישנות. גם בניסוי שבו הוזן למודל פרופיל מקצועי מלינקדאין (LinkedIn) בלי שם ובלי מגדר, ברוב המקרים הוא "דמיין" מאחוריו גבר - ולא סתם גבר, אלא אותו טיפוס מוכר של גבר לבן, סמכותי, כמעט גנרי. במילים אחרות, המודל לא רק מייצר דימוי. הוא מחזיר למרכז הבמה היררכיות ישנות, כאילו היו תיאור אובייקטיבי של העולם.

בשנים 2022 ו-2023 ההטיות היו גלויות ובוטות יחסית. היה קל יותר לזהות אותן, מפני שהמודלים ייצרו באופן כמעט קריקטורי חלוקה מגדרית בין מקצועות, תכונות ותפקידים. בשנים 2024 ו-2025 ההטיות נעשו סמויות יותר. המודלים השתפרו, נעשו מנומסים יותר, ולעיתים גם למדו לעקוב טוב יותר אחרי הוראות. אלא שהשיפור הזה לא ביטל את הבעיה. הוא רק הפך אותה לפחות צעקנית ויותר קשה לאיתור. המשמעות הפרקטית של ההטיות האלה רחבה. בעולם העבודה, אלגוריתמים עלולים לקדם משרות "גבריות" לגברים ו"תפקידים נשיים" לנשים. בעולם הרפואי, נתונים חסרים על נשים מעוותים פרשנות. בעולם החזותי, עוזרות דיגיטליות ובוטים מעוצבים לא פעם כדמויות נשיות צייתניות. ובעולם הרשתות והפלטפורמות, גם שינוי קטן בשם, בתמונה או בסגנון הניסוח עשוי להשפיע על חשיפה, נראות וסמכות.

מכאן עולה אחריות כפולה. מצד אחד, האחריות של החברות המפתחות והרגולטורים. מצד שני, האחריות של המשתמשים. מודעות לפרומפטים, דרישה לאיזון, בדיקה של תוצרים, ובחירה מודעת של טקסטים ודימויים הן לא פרטים קטנים. הן חלק מהדרך שבה משנים בפועל את האימון העתידי של המודלים ואת הנורמות שהם ממשיכים להפיץ.

איריס פלד (Iris Pelled) - AI יכול לעזור לחשוב, אבל גם להחליש את שריר השיפוט

איריס פלד, טכנו-פדגוגית ב-LetsAI ואשת חינוך בעלת ניסיון עשיר בהוראה, בפיזיקה ובהובלת תהליכי למידה, מגיעה לעולם ה-AI מהמקום שבו שאלה טובה שווה לעיתים יותר מתשובה מהירה. לכן המפגש שלה עם בינה מלאכותית איננו רק טכנולוגי, אלא גם חינוכי ועמוק יותר.

איריס פלד - טכנו-פדגוגית ב-LetsAI ואשת חינוך

הטענה המרכזית של איריס אינה נגד AI, אלא נגד שימוש שמנוון את החשיבה. לאורך ההיסטוריה, טכנולוגיה לקחה מאנשים מאמץ פיזי, אחר כך מאמץ קוגניטיבי מסוים, ועכשיו היא כבר מציעה לנסח, לסכם, להסביר, לפתור ולתכנן במקומנו. השאלה איננה האם זה נוח. ברור שזה נוח. השאלה היא מה קורה כאשר הנוחות הופכת להרגל שמחליף בדיקה, ספקנות ושיקול דעת. כאן נכנס הדימוי של AI כגלגלי עזר. גלגלי עזר עוזרים להתחיל, נותנים ביטחון ומאפשרים לצבור תנופה. הם לא אמורים להישאר שם לנצח. באותה מידה, AI יכול להיות מורה פרטי, שותף ללמידה, מגדיל יכולת ומרחיב אופקים. הוא מאפשר לאנשים ללמוד תחומים שלא היו ניגשים אליהם לבד, להבין מושגים מורכבים, ולשאול שוב ושוב בלי לחשוש להישמע לא חכמים מספיק.

דווקא בהקשר הזה בולטת התרומה האפשרית לבנות ולנשים צעירות. במקומות שבהם תלמידות מהססות לשאול בכיתה, סביבה פרטית מול כלי AI יכולה להפוך למרחב בטוח יותר. כאשר אין מבוכה, יש יותר חקירה. כאשר יש יותר חקירה, נבנית יותר מסוגלות. וכאשר המסוגלות הזאת מתורגמת ללמידה עקבית, התוצאות כבר נראות בשטח. ובכל זאת, אסור להתבלבל. הסכנה האמיתית איננה שהמודל יטעה. מודלים תמיד יטעו לפעמים. הסכנה האמיתית היא שהמשתמש יפסיק לבדוק. ברגע שהשריר השיפוטי נרדם, גם תשובה חלקית, מוטה או שגויה עלולה לעבור כאמת רק משום שהיא מנוסחת היטב. לכן הדיון על AI בחינוך ובעבודה חייב לכלול גם יצירתיות, גם חשיבה ביקורתית וגם אומץ להשאיר את המילה האחרונה בידי האדם.

התמונה הרחבה

הדבר המרשים באמת באירוע הזה לא היה רק רשימת השמות, אלא היכולת של כל אחת מהמשתתפות לנסח חלק אחר מאותה תמונה רחבה. מאיה חידדה שהטמעה רצינית מתחילה בשאלה נכונה. טלי הזכירה שטכנולוגיה בלי ערך היא מעטפת ריקה. אורית הראתה שנתונים חסרים הם גם עיוורון מקצועי וגם הזדמנות עסקית. דלית סימנה את חלון ההזדמנויות של מי שמוכנים להתחיל עכשיו. רימה חשפה את המקומות שבהם המודלים ממשיכים לייצר עולם ישן בשפה חדשה. איריס החזירה את הדיון לאדם, לחשיבה, ללמידה ולמצפן הפנימי. המשותף לכל הקולות האלה הוא ההבנה ש-AI איננו רק סיפור של כלים, אלא סיפור של בחירות. איך חושבים. מה מודדים. על מה מוותרים. איפה בודקים. מה מאמצים. ואיזה קול רוצים לשמור בתוך עולם שמייצר יותר ויותר תוצרים דומים זה לזה. מי שמחפש מסקנה אחת נוחה כנראה לא ימצא אותה כאן. אבל מי שמחפש תמונה מדויקת יותר של מה שנדרש היום מאנשי מקצוע, ממנהלים, ממחנכות, מיועצות ומארגונים, קיבל בערב הזה חומר רציני למחשבה. ובעידן שבו כולם מדברים על העתיד, לפעמים הדבר המרשים ביותר הוא לפגוש אנשים שכבר עובדים בתוכו.

הפוסט תובנות מוובינר יום האשה הבינלאומי של LetsAI הופיע ראשון בLet's AI בינה מלאכותית

איך מודדים סוכנים בעולם אמיתי

למרות ההתקדמות המהירה בתחום, מדידת ההתנהגות של סוכני AI בשטח היא משימה מורכבת. אין הגדרה מוסכמת למהו סוכן, והארכיטקטורות משתנות במהירות, ממערכות קצרות שמפעילות סוכן יחיד ועד מערכות מרובות סוכנים שפועלות במשך שעות. בנוסף, ספקי מודלים רואים רק חלק מהתמונה כיוון שב‑API הציבורי ניתן לנתח פעולות בודדות אך לא את רצף הפעולות המלא, ואילו ב‑Claude Code אפשר לעקוב אחר סשנים שלמים אבל רק בתחום אחד, הנדסת תוכנה.

כדי להתגבר על הפער הזה, אנטרופיק שילבה בין שני מקורות נתונים משלימים: עומק מתוך Claude Code ורוחב מתוך ה‑API הציבורי. השילוב מאפשר לזהות מגמות שלא ניתן לראות מכל מקור בנפרד ולבנות תמונה אמפירית של האופן שבו סוכנים באמת פועלים בעולם האמיתי.

כשסוכן עובד לבד במשך עשרות דקות

אחד הממצאים הבולטים במחקר הוא העלייה המשמעותית במשך הזמן שבו Claude Code עובד ללא התערבות אנושית. המדד של ה‑99.9‑percentile, שמייצג את המקרים הקיצוניים שבהם המשתמשים מאפשרים לסוכן לעבוד ברצף לאורך זמן, כמעט הוכפל בתוך כמה חודשים. בספטמבר 2025 תורים ארוכים נמשכו פחות מ‑25 דקות, ובינואר 2026 הם כבר עברו את רף 45 הדקות.

מקרים קיצוניים שבהם הסוכן עובד הכי הרבה זמן ברצף | anthropic

העלייה הזו אינה מוסברת רק בשיפור יכולות המודל. היא מתרחשת בצורה חלקה, ללא קפיצות סביב שחרורי גרסאות, ומרמזת על שינוי בהרגלי המשתמשים ובסוגי המשימות שהם נותנים לסוכן. אנטרופיק מציינת כי הירידה הקלה בינואר ופברואר עשויה להיות תוצאה של הכפלת בסיס המשתמשים ושל מעבר מפרויקטי חגים למשימות עבודה קצרות יותר. למרות התנודות, המגמה הכוללת ברורה - סוכנים עובדים לבד למשכי זמן ארוכים יותר.

משתמשים מנוסים משנים אסטרטגיה

ככל שהמשתמשים צוברים ניסיון, הם משנים את אופן הפיקוח שלהם על הסוכן. משתמשים חדשים נוטים לאשר כמעט כל פעולה, ולכן שיעור ה‑auto‑approve אצלם עומד על כ‑20 אחוז מהסשנים. לעומתם, משתמשים מנוסים שעברו מאות סשנים מגיעים ליותר מ‑40 אחוז שימוש ב‑auto‑approve.

שיעור אישור אוטומטי לפי ניסיון | anthropic

במקביל, דווקא אצל המשתמשים המנוסים שיעור ההפרעות גבוה יותר: מ‑5 אחוז אצל חדשים ל‑9 אחוז אצל ותיקים. זו אינה סתירה אלא שינוי גישה. במקום לאשר כל צעד, המשתמשים המנוסים מאפשרים לסוכן לעבוד באופן חופשי, עוקבים אחר התקדמותו ומתערבים רק כשמשהו דורש תיקון או שינוי כיוון. אנטרופיק מציינת כי דפוס דומה מופיע גם ב‑API הציבורי, שם ככל שהמשימה מורכבת יותר, יש פחות מעורבות אנושית בכל פעולה, כנראה משום שאישור רציף אינו מעשי במשימות ארוכות ורב שלביות.

שיעור ההפרעות (interrupts) על בסיס ניסיון המשתמש | anthropic

שאלות הבהרה כמנגנון בטיחות

לא רק המשתמשים משפיעים על רמת האוטונומיה בפועל, אלא גם הסוכן עצמו. המחקר מראה שככל שהמשימה מורכבת יותר, Claude Code עוצר לשאול שאלות הבהרה בתדירות גבוהה יותר, ובמשימות המורכבות ביותר הוא עושה זאת פי שניים יותר מאשר המשתמשים עוצרים אותו.

ככל שהמשימה מורכבת יותר, Claude שואל יותר והאנשים גם מפריעים יותר | anthropic

הסיבות לעצירות מצד Claude מגוונות, לדוגמה, איסוף מידע, בקשת הבהרה, בקשת הרשאות ובקשת אישור לפני פעולה. מנגד, המשתמשים עוצרים בעיקר כדי לספק הקשר טכני חסר, להתמודד עם איטיות או תקיעות וגם כדי לקחת את השלב הבא לידיים.

אנטרופיק מדגישה שעצירות יזומות מצד הסוכן הן מנגנון בטיחות משמעותי. מודל שמזהה אי ודאות ושואל שאלות מפחית סיכון ומשלים את מנגנוני הפיקוח החיצוניים כמו הרשאות ואישורים.

מדוע Claude עוצר ומדוע בני אדם עוצרים אותו | anthropic

סוכנים בתחומי סיכון

בניתוח של כמעט מיליון קריאות כלי ב‑API הציבורי, אנטרופיק מדרגת כל פעולה לפי רמת סיכון ואוטונומיה בסולם של אחת עד עשר. רוב הפעולות נמצאות באזור נמוך סיכון ונמוך אוטונומיה, אך יש גם אשכולות קיצוניים בתחומים כמו גישה לרשומות רפואיות, טיפול בחומרים מסוכנים, תגובה לאירועי אש ופריסת קוד לפרודקשן. חלק מהפעולות הללו הן ככל הנראה סימולציות או הערכות אבטחה, אך הן עדיין מצביעות על פוטנציאל לסיכון גבוה יותר.

היכן משתמשים בסוכנים | anthropic

מנגד, פעולות בעלות אוטונומיה גבוהה כוללות מסחר אוטונומי בקריפטו, ניטור מערכות, סינון תיבות מייל ומשימות אדמיניסטרציה אוטומטיות. אנטרופיק מציינת כי שמונים אחוז מהסוכנים משתמשים במנגנוני הגנה כלשהם, ורק 0.8 אחוז מהפעולות הן בלתי הפיכות, נתון שמרמז על רמת זהירות גבוהה יחסית בשימוש בפועל.

סיכון מול אוטונומיה | anthropic

מבחינת תחומי פעילות, כמעט חמישים אחוז מהשימושים מגיעים מהנדסת תוכנה, אך תחומים נוספים כמו BI, שירות לקוחות, מכירות, פיננסים, סייבר ורפואה מתחילים לאמץ סוכנים בהיקפים קטנים. מגמה זו מרמזת על התרחבות עתידית של השימוש בסוכנים גם בתחומים שבהם רמת הסיכון עשויה להיות גבוהה יותר.

מפת סיכון‑אוטונומיה בפועל | anthropic

מה מיוחד במחקר הזה

ייחודו של המחקר הזה הוא בכך שאין כאן בחינה של יכולות המודל בתנאי מעבדה, אלא מיקוד באופן שבו אנשים משתמשים בו בפועל. הוא מראה שהאוטונומיה שמתקבלת בשטח היא תוצאה של שילוב בין יכולות המודל, עיצוב המוצר והתנהגות המשתמש. המשמעות היא שלא ניתן להעריך סוכנים רק באמצעות מבחני יכולת, אלא יש צורך במדידה רציפה של האופן שבו הם פועלים בסביבות אמיתיות, תחום שבו הכלים הקיימים עדיין מוגבלים.

אנטרופיק מציינת כמה מגבלות משמעותיות שצריך לקחת בחשבון - הנתונים מגיעים מספק אחד בלבד, ב‑API הציבורי אין דרך לעקוב אחר סשנים מלאים, חלק מהפעולות המסוכנות הן ככל הנראה סימולציות או הערכות אבטחה, והניתוח משקף חלון זמן מוגבל. למרות המגבלות, המחקר מספק הצצה נדירה לדינמיקה האמיתית של סוכנים בעולם העבודה ולשינויים שמתרחשים כאשר משתמשים מתחילים לסמוך עליהם יותר.

פיקוח לא נעלם, הוא פשוט משתנה

המחקר של אנטרופיק מציג תמונה ברורה. ככל שהמשתמשים מתקדמים, הם מעניקים לסוכנים יותר חופש פעולה אך אינם מוותרים על פיקוח. במקום לאשר כל פעולה מראש, הם עוברים למודל עבודה שבו הסוכן פועל באופן עצמאי רוב הזמן, וההתערבות מתרחשת רק כשמשהו דורש תיקון או שינוי כיוון. במקביל, הסוכנים עצמם יודעים לעצור, לשאול שאלות ולהגביל את עצמם כשהם מזהים אי ודאות, מה שמוסיף שכבת בטיחות נוספת.

המשמעות לתעשייה ברורה. בטיחות לא תושג באמצעות דרישה לאישור לכל פעולה, אלא באמצעות תשתיות ניטור לאחר פריסה, ממשקי פיקוח יעילים ומודלים שמזהים מתי עליהם לעצור ולבקש הבהרה. ככל שסוכנים ייכנסו לתחומים חדשים ומורכבים יותר, היכולת להבין את הדינמיקה הזו ולנהל אותה בצורה מושכלת תהפוך חיונית.

למחקר המלא של אנטרופיק, כנסו כאן.

הפוסט מה אנחנו יודעים על אוטונומיה, פיקוח וסיכון של סוכני AI בעולם האמיתי הופיע ראשון בLet's AI בינה מלאכותית

כשהקוד נכתב מעצמו

צ’רני מתאר מציאות חדשה שבה כמעט אין צורך לכתוב קוד ביד. Claude Code מייצר עבורו את כל הקוד, והוא עצמו פועל כמנהל שמכוון את העבודה, בודק את התוצאות ומאשר אותן. השינוי הזה אינו אישי בלבד. מאז שאימצה את הכלי נמדדה עלייה של כ‑200 אחוז(!) בפריון המהנדסים בתוך אנטרופיק עצמה.

הסיבה לכך ברורה. ה‑AI מבצע את רוב העבודה הטכנית, והמהנדס מתפנה לחשיבה מערכתית, תכנון ופתרון בעיות. במקום לכתוב שורות קוד הוא מנהל תהליך. במקום לבצע משימות הוא מגדיר אותן. זה שינוי עמוק בתפקיד שמקרב את המהנדס לעבודה של מנהל צוות ולא של מבצע טכני.

כשהמכונה מתחילה להציע רעיונות

אחד הרגעים המשמעותיים עבור צ’רני היה להבין שה‑AI לא רק מבצע הוראות אלא גם מתחיל ליזום. Claude Code סורק משוב משתמשים, דיווחי תקלות ונתוני טלמטריה, ומציע פיצ’רים חדשים שכדאי לשקול. זה שינוי משמעותי. ה‑AI מפסיק להיות כלי טכני שמבצע משימות והופך לשותף אסטרטגי שמזהה דפוסים שאדם עלול לפספס ומכוון את המוצר לכיוונים חדשים. במילים אחרות, הוא כבר לא רק כותב קוד אלא משתתף בעיצוב המוצר עצמו.

צ’רני מדגיש שהשינוי הזה לא יישאר בתחום הפיתוח. כל מקצוע שמבוסס על עבודה עם כלים דיגיטליים, כמו ניהול מוצר, עיצוב או ניתוח נתונים, צפוי לעבור מהפכה דומה. ברגע שה‑AI מסוגל להפעיל תוכנות, לבצע פעולות ולנהל תהליכים, כל תפקיד שמסתמך על מחשב הופך לאוטומטי חלקית. מה שנחשב היום ליתרון טכנולוגי יהפוך במהרה לסטנדרט תעסוקתי.

לחשוב קדימה ולבנות עבור המודל של עוד חצי שנה

אחד העקרונות המרכזיים של צ’רני הוא לפתח מוצרים לא לפי היכולות של המודל הנוכחי, אלא לפי היכולות של המודל הבא.

הוא מודה שזה לא נוח. בחצי השנה הראשונה המוצר מרגיש לא בשל ולעיתים אפילו מקרטע, אך ברגע שהמודל הבא יוצא המוצר מזנק קדימה ומגיע ל‑Product Market Fit כמעט בן לילה. זה שיעור חשוב לכל מי שבונה מוצרים בעידן של קצב התקדמות אקספוננציאלי. מי שמתכנן רק להווה, נשאר מאחור.

ללמוד מהמשתמשים מה הם באמת רוצים

Claude Code נולד מתוך תצפית פשוטה. משתמשים החלו להפעיל את הכלי בדרכים שלא תוכננו מראש. הם ניסו לנתח תמונות רפואיות, לשחזר תמונות חתונה מכונן פגום או לבצע פעולות שלא קשורות כלל לכתיבת קוד.

צ’רני הבין שמדובר באות חשוב ולא בשימוש לא נכון. ההתנהגות הזו חשפה צורך אמיתי שאין לו עדיין פתרון. כך נולד גם Cowork, מוצר שנבנה סביב אותם שימושים בלתי צפויים. הלקח ברור. במקום לנסות לכוון את המשתמשים למה שהתכוונת שיקרה, כדאי להקשיב למה שהם מנסים לעשות בפועל.

לא לחסוך בטוקנים

צ’רני ממליץ לארגונים לאפשר למהנדסים שימוש חופשי בטוקנים בשלב הניסוי. העלות של ה‑AI בשלב הזה נמוכה מאוד ביחס לעלות הזמן של מהנדס, ולכן אין היגיון להגביל שימוש כשהמטרה היא לחקור רעיונות ולבדוק כיוונים חדשים. רק אם רעיון מצליח ומתחיל לגדול יש טעם להתחיל לייעל עלויות. זה שינוי תפיסתי חשוב. במקום לחשוב על עלות שימוש, כדאי לחשוב על עלות ההזדמנות שמתפוגגת כשמגבילים ניסוי ויצירתיות.

אילוצים כמנוע יצירתיות

באופן פרדוקסלי צ’רני טוען שכדאי להציב בכוונה מספר קטן של מהנדסים על פרויקט. כאשר מהנדס אחד נושא על עצמו עומס גדול, הוא נאלץ להישען על ה‑AI בצורה עמוקה ומשמעותית יותר. האילוץ הזה דוחף אותו לאמץ את הכלים באופן מלא ולא להשתמש בהם רק כעזר נקודתי. כך נוצרת קפיצה אמיתית ביעילות. לא משום שה‑AI מהיר יותר, אלא משום שהאדם לומד לעבוד איתו בצורה חכמה ומדויקת יותר.

ג’נרליסטים סקרנים הם האנשים שיצליחו בעתיד

צ’רני מאמין שהעתיד שייך לאנשים רחבי אופקים. ה‑AI ייקח על עצמו חלק גדול מהעבודה הטכנית והמומחית, ולכן היתרון האנושי יעבור ליכולת לחבר בין תחומים, להבין מערכות מורכבות ולראות את התמונה הרחבה.

המהנדס של העתיד אינו מומחה לנישה אחת אלא ג’נרליסט שמסוגל לחשוב על הבעיה עצמה ולא רק על הפתרון הטכני. מי שיודע לשלב ידע מתחומים שונים ולהבין הקשרים רחבים יהיה זה שיתבלט בעולם שבו ה‑AI מבצע את רוב המשימות הממוקדות.

לבחור תמיד במודל הכי חכם

למרות הפיתוי להשתמש במודלים זולים ומהירים, צ’רני מתעקש לעבוד עם המודל החזק ביותר. מודל חכם טועה פחות ולכן חוסך זמן אנושי יקר. מודל זול אולי עולה פחות לטוקן, אך בפועל עולה הרבה יותר בתיקונים, בדיקות וטעויות. במילים אחרות, העלות האמיתית אינה עלות הטוקן אלא עלות הזמן האנושי שנדרש כדי לתקן את מה שהמודל החלש לא הצליח לבצע כראוי.

שינוי טכנולוגי ותרבותי

הסיפור של בוריס צ’רני הוא לא רק סיפור על מהנדס שמפסיק לכתוב קוד. זה תיאור של שינוי עמוק באופן שבו אנחנו מבינים עבודה אנושית בעידן של מערכות חכמות. ה‑AI כבר אינו כלי שמבצע הוראות אלא שותף שמבין הקשר, מציע רעיונות ומסוגל לבצע משימות מורכבות מקצה לקצה.

המהנדס הופך למנהל שמכוון תהליכים במקום לבצע אותם, והמוצרים נבנים מתוך מחשבה על היכולות שיהיו למודלים בעתיד ולא רק על מה שקיים היום. העובד שמצליח בסביבה הזו הוא מי שמסוגל לחבר בין תחומים, לזהות ביקוש נסתר ולחשוב בצורה רחבה ומערכתית.

זהו שינוי שאינו טכנולוגי בלבד אלא תרבותי. וכמו כל שינוי עמוק, הוא מתחיל מסיפור אישי אחד. מהנדס אחד שהפסיק לכתוב קוד וגילה שהעבודה שלו לא נעלמה אלא הפכה משמעותית יותר.

הפוסט מי זה בוריס צ׳רני ואיך Claude Code משנה את העבודה המודרנית הופיע ראשון בLet's AI בינה מלאכותית

כשהבחירה החופשית הופכת למושג היסטורי

נסו לענות בכנות: מתי בפעם האחרונה קיבלתם החלטה שלא הונדסה עבורכם? שלא נבעה מהמלצה, דירוג, התראה או עוד "רק בשבילך" אחד? קשה למצוא רגע כזה, וזה לא מקרי. אנחנו חיים בעידן שבו מערכות AI כבר לא רק מציעות כיוון, אלא בפועל מקבלות החלטות.

ב-2025 כבר ראינו מנהלים שמסתמכים על AI כדי להכריע מי יפוטר ומי יישאר. מערכות גיוס שמסננות מועמדים בלי שאדם אחד רואה את קורות החיים, שגם הם לעיתים נכתבו על ידי AI אחר. בנקים שמאשרים או דוחים משכנתאות על בסיס מודלים סגורים. רופאים שמתייעצים עם מערכות המלצה קליניות. ומערכות משפט שמתחילות להישען על אלגוריתמים כדי להעריך סיכון או מסוכנות.

אבל כל זה עדיין מאקרו. השאלה האמיתית היא מה קורה לכם. האם אתם קוראים את כל מה שה‑AI כותב בשמכם? האם אתם בודקים את המקורות שעליהם הוא מבסס טענות? או שהנוחות מנצחת, ואתם פשוט זורמים?

ההיסטוריה העקומה שאנחנו לא רוצים להודות בה

היכולת של מערכות AI לנבא ולהמליץ נשענת כמעט לחלוטין על דבר אחד: היסטוריה. הן מעבדות מיליוני דוגמאות מהעבר ומחפשות תבניות שמאפשרות להן להעריך מה יקרה בעתיד - אבל כאן מסתתרת המלכודת המרכזית. אם ההיסטוריה עצמה מוטה, גם התוצאות יהיו מוטות.

ארגון שקידם בעיקר גברים ילמד את האלגוריתם שזה מודל ההצלחה הרצוי. בנק שנתן פחות הלוואות לתושבי אזור מסוים יגרום למערכת להמשיך את אותו דפוס. זו אפליה שקטה, עטופה בקוד נקי שנראה אובייקטיבי רק משום שהוא מתמטי. בפועל, זו פשוט ההיסטוריה שלנו, מועצמת ומואצת, ומופעלת בקנה מידה שלא היה אפשרי בעבר.

איך מתגוננים? מתחילים בלכבות את הטייס האוטומטי

ההתמודדות לא מתחילה בטכנולוגיה, אלא בנו. הצעד הראשון הוא להפסיק להיות צרכנים פסיביים. לפתח חשיבה ביקורתית, לשאול שאלות, להצליב מידע, ולא לקבל כל תשובה כעובדה רק משום שהיא נאמרת בביטחון על ידי מודל שמנוסח היטב.

אנחנו נמצאים בצומת היסטורי. העברנו חלק גדול מההחלטות שלנו למערכות שאפילו המפתחים שלהן לא תמיד מבינים עד הסוף. ואם נמשיך לאפשר לאלגוריתם לבחור בשבילנו מה לקרוא, מה לראות, איפה לעבוד ואיך לחשוב, הבחירה החופשית תהפוך בהדרגה למושג נוסטלגי.

דור שגדל עם מוח על אוטומט

ההשפעה על מבוגרים משמעותית, אבל אצל ילדים היא עמוקה עוד יותר. דור שגדל עם AI שמספק תשובה לכל שאלה, פותר כל שיעורי בית ומייצר כל עבודה אקדמית, מתרגל לא להפעיל שריר קוגניטיבי בסיסי. בעולם שבו אפשר לכבות את המוח בלחיצת כפתור, קל לשכוח שלא כדאי לעשות זאת.

הטכנולוגיה הזו משבשת, אבל היא גם עלולה לנוון. ואם לא נלמד להשתמש בה באופן מודע, היא תתחיל להשתמש בנו.

הפוסט הדיקטטורה השקטה של האלגוריתם הופיע ראשון בLet's AI בינה מלאכותית

במשך השנתיים האחרונות הצמיחה נשענה במידה רבה על העלאות מחירים. האינפלציה סיפקה הצדקה, השוק ספג, והמספרים החזיקו. אבל כשסביבת המאקרו מתחילה להתייצב והצרכנים נעשים רגישים יותר, השיח משתנה. פתאום פחות מדברים על יכולת להעלות עלויות, ויותר על יכולת לייצר רצון.

השינוי הזה אינו סמנטי בלבד, הוא מאותת על תפנית אסטרטגית מצמיחה שמבוססת על כוח תמחור לצמיחה שמבוססת על עיצוב ביקוש. במקום לשאול “כמה אפשר להעלות”, השאלה הופכת ל“איך גורמים לבחור בנו שוב”. בנקודה הזו בדיוק, נכנס ה-AI, לא כגימיק, אלא ככלי שנכנס עמוק יותר אל תוך מנגנון קבלת ההחלטות השיווקי.

קוקה קולה אמנם עושה זאת כ״מעבר שקט״, אבל כזה שמסמן משהו רחב יותר: מותג אייקוני שמבין שבעידן שבו תשומת הלב חשובה יותר מהון, היכולת לשכנע מדויק ומהיר חשובה לא פחות מהיכולת לתמחר.

מהעלאות מחירים להשפעה תודעתית

בשיא האינפלציה, העלאת מחירים הייתה מהלך כמעט מובן מאליו עבור חברות מוצרי צריכה. עלויות ייצור עלו, שרשראות אספקה התייקרו, והצרכנים, לפחות לתקופה מסוימת, ספגו את ההתייקרויות. אבל כמו שכל מי שעוקב אחרי נתוני המאקרו יודע, האינפלציה במרבית השווקים המערביים התמתנה, וכשהלחץ יורד, גם הסבלנות של הצרכן יורדת.

על פי דיווחים ב-Mi-3, הנהלת קוקה- קולה מגדירה את השלב הנוכחי כמעבר מ"מחיר לשכנוע". זה לא רק משחק מילים. זה שינוי תפיסתי. אם קודם המנוע המרכזי לצמיחה היה היכולת לגלגל עלויות מעלה, עכשיו הצמיחה תלויה ביכולת לגרום לצרכנים לבחור.

השכנוע כמשאב אסטרטגי

שכנוע בעידן הדיגיטלי אינו רק פרסומת טובה בטלוויזיה, הוא מורכב מאינספור נקודות מגע: רשתות חברתיות, מדיה קמעונאית, סטרימינג, חוויית מדף בחנות שבהן מותגים צריכים להתאים מסרים בזמן אמת לתגובות ולדפוסי התנהגות של הצרכן. ממש כפי שמחקרים עדכניים מראים שכלי AI המייצרים תוכן מותאם אישית לפלטפורמות כמו X (טוויטר) יכולים לצמצם ב-75% את זמן היצירה ולשפר את המעורבות על ידי שימוש בנתוני קהל בזמן אמת, כך גם החברות הגדולות מבינות שה-AI אינו רק כלי יצירה, אלא מנוע לניתוח והטמעה של מסרים שמדברים לצרכן כאן ועכשיו. בדיוק כאן נכנס ה-AI כמערכת שמסייעת לנתח התנהגות צרכנים, לחדד מסרים ולהתאים קמפיינים כמעט בזמן אמת.

השלב שבו המחיר מאבד את היתרון

אנליסטים מציינים שהסתמכות על העלאות מחירים לבדן מגיעה לתקרת זכוכית. בשלב מסוים, הצרכן פשוט עובר למותג אחר או מצמצם צריכה. במצב כזה, חברה כמו קוקה- קולה צריכה לייצר ביקוש אקטיבי, כלומר לגרום לצרכן לקנות בתדירות גבוהה יותר או לבחור במוצרים בעלי שולי רווח גבוהים יותר.

המעבר הזה אינו ייחודי לה. הוא משקף תנועה רחבה יותר בענף מוצרי הצריכה, שבו היתרון התחרותי עובר בהדרגה משרשרת אספקה יעילה ליכולת לנהל תשומת לב.

מנכ״ל קוקה קולה ג׳יימס קווינזי על אינפלציה והשפעת AI 

כשהאלגוריתם יושב בשולחן התכנון

קוקה- קולה כבר התנסתה בשימוש ב-AI ג׳נרטיבי בקמפיינים יצירתיים, אך החברה לא מסתפקת בניסויים נקודתיים או בגימיק טכנולוגי חד־פעמי. היא מטמיעה AI בתוך תהליכי העבודה השיווקיים עצמם ומרחיבה את השימוש בכלים ליצירת תמונות, סיוע בסטוריטלינג והתאמת קמפיינים בערוצים שונים. מדובר בשינוי מבני, לא עוד כלי שמופעל לאחר שהקריאייטיב מוכן, אלא מערכת שמשפיעה על הדרך שבה הקריאייטיב נולד.

המשמעות עמוקה יותר מהוספת תוכנה חדשה למחלקת השיווק אלא AI שנכנס לשלב התכנון. הוא מנתח נתוני צריכה, מזהה דפוסים, מציע וריאציות למסרים ומאפשר לצוותים לבחון תרחישים עוד לפני העלייה לאוויר. במקום קמפיין אחד שמופק ואז נמדד, נוצרת מערכת דינמית שמעדכנת מסרים בהתאם לביצועים ולתגובות קהל. במותג שפועל בעשרות שווקים, היכולת הזו מאפשרת לעבור מתרגום מסר גלובלי להתאמה לוקאלית מדויקת ולעשות זאת במהירות.

המהלך הזה מתחבר ישירות לאסטרטגיית המעבר מתמחור לשכנוע. כאשר העלאות מחיר כבר אינן מנוע הצמיחה המרכזי, היכולת לחדד ביקוש דרך מסר מדויק הופכת קריטית. לא במקרה קוקה- קולה השיקה כבר ב-2023 את פלטפורמת Create Real Magic, בשיתוף OpenAI ו-Bain & Company, שאפשרה ליוצרים להשתמש בכלי Generative AI כדי לפתח תוכן ממותג מתוך נכסי המותג הקלאסיים של החברה. הקמפיין לא היה רק תרגיל קריאייטיבי, הוא סימן את תחילת המעבר לתפיסה שבה AI משתלב בתהליך היצירה עצמו ולא נשאר מאחורי הקלעים.

אמני AI מדברים על קמפיין Create Real Magic של קוקה קולה (מתוך האתר הרשמי)

AI ככלי להבנת צרכן

השימוש ב- AI כולל ניתוח דפוסי צריכה, התאמת מסרים לשווקים מקומיים ותמיכה בצוותים אזוריים עם תוכן שניתן להתאמה מהירה. עבור מותג שפועל בעשרות מדינות, האתגר אינו רק יצירת קמפיין טוב, אלא יצירת קמפיין שעובד במקביל בהקשרים תרבותיים שונים.

ככל שה-AI חודר עמוק יותר, כך גוברת השאלה על תפקיד הצוותים היצירתיים. אוטומציה יכולה להאיץ ייצור ולבחון רעיונות רבים יותר, אך היא גם מציבה אתגר של עקביות ואיכות.

בשלב זה, החברה לא מציגה את ה-AI כתחליף לאנשי קריאייטיב או לסוכנויות. הכיוון המסתמן הוא מודל היברידי: האוטומציה מטפלת במשימות חוזרות ובניתוח נתונים, בעוד בני אדם מגדירים קונספט, טון וקו מותגי.

תבנית רחבה יותר בענף

המקרה של קוקה- קולה אינו עומד בפני עצמו. על פי סקר ה-AI הגלובלי של McKinsey לשנת 2024, כשליש מהארגונים כבר משתמשים ב-AI גנרטיבי לפחות בפונקציה עסקית אחת, כאשר שיווק ומכירות נמנים עם התחומים הבולטים. ההערכה היא שהנתון הזה ימשיך לעלות ככל שחברות יטמיעו אוטומציה בעבודת קריאייטיב ומעורבות לקוחות.

המשמעות היא שה-AI נע בהדרגה במעלה השרשרת הארגונית. אם בעבר הוא שימש בעיקר לניתוח נתונים או אוטומציה פנימית, כיום הוא נוגע בפונקציות שפונות ישירות ללקוח: אסטרטגיית שיווק, פיתוח קמפיינים וניהול מדיה.

עידן שלאחר האינפלציה

הדגש של קוקה-קולה על שכנוע במקום על מחיר עשוי להשפיע גם על מותגים אחרים. בסביבה שבה העלאות מחירים אינן מנוע צמיחה מובטח, היכולת לעצב ביקוש במדויק הופכת למשאב קריטי.

אם AI מאפשר לעסקים להבין טוב יותר מי הלקוח, מתי הוא קונה ואיזה מסר יגרום לו לבחור דווקא בהם, הרי שהוא הופך מחידוש טכנולוגי לאמצעי תחרותי מרכזי.

השינוי הזה אינו רועש. אין כאן הצהרה על “מהפכה”. יש כאן התאמה הדרגתית למציאות כלכלית חדשה, שבה הצרכן פחות סלחן והקשב שלו יקר מתמיד. Coca-Cola, כמו חברות נוספות בענף, בוחרת להשקיע את המשאבים הבאים שלה לא בעוד סבב התייקרויות, אלא במערכת שמטרתה לחדד, לכוון ולשכנע.

ובמובנים רבים, זה אולי הסימן הברור ביותר לכך שה-AI כבר אינו רק כלי תפעולי. הוא הופך לחלק מהאופן שבו מותגים מתחרים על תשומת לב, נאמנות ושורת הרווח.

הפוסט כשהאינפלציה נרגעה, קוקה-קולה פנתה ל-AI כדי לעצב את הביקוש הופיע ראשון בLet's AI בינה מלאכותית

שדרוג רוחבי שמגדיר מחדש את משפחת Sonnet

המהות של Sonnet 4.6 היא שיפור מקיף, לא תוספת נקודתית. אנטרופיק מתארת אותו כ"שדרוג מלא של יכולות המודל", והדבר ניכר בכל שכבת ביצוע: החל בכתיבה ותחזוקה של קוד באופן עקבי ומדויק יותר, דרך הבנה טובה יותר של הוראות מורכבות, ועד ירידה בהנדסת יתר ובטעויות לוגיות.

משתמשים מוקדמים דיווחו כי המודל קורא את ההקשר לפני שהוא משנה קוד, מאחד לוגיקה במקום לשכפל אותה, ומפגין פחות נטייה ל"עצלנות" או לטענות שווא להצלחה. כל אלה יוצרים חוויית עבודה חלקה ויציבה יותר, במיוחד בסשנים ארוכים.

הנתונים מחזקים את התרשמות המשתמשים. משתמשי Claude Code העדיפו את Sonnet 4.6 על Sonnet 4.5 ב-70 אחוז מהמקרים, ואף העדיפו אותו על Opus 4.5 ב-59 אחוז מהמקרים. זהו הישג משמעותי למודל שמחירו נותר זהה לדור הקודם, 3 דולר למיליון טוקנים נכנסים ו-15 דולר למיליון טוקנים יוצאים.

חלון הקשר שמאפשר לחשוב אחרת

אחד החידושים הבולטים ב‑Sonnet 4.6 הוא חלון הקשר של מיליון טוקנים, שזמין כעת בבטא. המשמעות המעשית של יכולת כזו היא אפשרות לכלול בבקשה אחת קודבייס שלם, חוזה משפטי ארוך או עשרות מאמרים אקדמיים, ולנתח אותם באופן אפקטיבי. זהו לא רק שיפור כמותי, אלא שינוי איכותי - המודל מסוגל לבצע תכנון ארוך טווח, לזהות קשרים בין חלקים רחוקים במסמך ולבנות אסטרטגיות מורכבות על בסיס מידע רב ומפוזר.

אסטרטגיית הצמיחה של Sonnet 4.6 בסימולציית ניהול עסק

היכולת הזו בלטה במיוחד במבחן Vending‑Bench Arena, המדמה ניהול עסק לאורך זמן. Sonnet 4.6 אימץ אסטרטגיה יוצאת דופן, שבמסגרתה השקיע משאבים רבים בחודשים הראשונים ולאחר מכן עבר למיקוד חד במקסום רווחים. התזמון המדויק של המהלך העניק לו יתרון משמעותי, והוא סיים את הסימולציה הרבה לפני המתחרים. הגרף למעלה ממחיש זאת היטב: Sonnet 4.6 מגיע לכ‑6000 דולר בסוף התקופה, בעוד Sonnet 4.5 נע סביב 3000 דולר בלבד.

מהניסוי הראשוני ליכולות מעשיות

אחד התחומים שבהם Sonnet 4.6 מציג את הקפיצה הגדולה ביותר הוא שימוש במחשב. מאז שאנטרופיק הציגה לראשונה מודל כללי לשימוש במחשב באוקטובר 2024, מודל שתואר אז כ"עדיין ניסיוני, לעיתים מסורבל ושגוי", חל שיפור עקבי ומשמעותי. תקן הביצועים OSWorld מציג זאת בצורה ברורה - Sonnet 4.6 מגיע ל-72.5 אחוז ב‑OSWorld‑Verified, לעומת 61.4 אחוז ב‑Sonnet 4.5 ו‑42.2 אחוז ב‑Sonnet 4.0.

שיפור עקבי ביכולות שימוש במחשב

המשמעות המעשית של השיפור הזה היא יכולת לבצע פעולות שבעבר דרשו חיבורי API ייעודיים. המודל מסוגל לנווט בגיליונות מורכבים, למלא טפסים מרובי שלבים, לעבוד עם דפדפן, LibreOffice או VS Code, והכול באמצעות "עכבר ומקלדת וירטואליים". משתמשים מוקדמים דיווחו על ביצועים ברמה אנושית במשימות רבות, גם אם המודל עדיין רחוק מהמשתמשים המיומנים ביותר.

במקביל, אנטרופיק שיפרה את עמידות המודל בפני Prompt Injection, מתקפה שבה אתר מנסה להסתיר הוראות זדוניות. ההערכות הפנימיות מצביעות על שיפור משמעותי לעומת Sonnet 4.5, עם ביצועים הדומים לאלה של Opus 4.6. החוקרים תיארו את המודל כבעל "אופי חם, כן ופרו-חברתי", ללא סימנים לבעיות יישור (Alignment) חמורות.

עלייה עקבית בביצועים

הנתונים המלאים מציגים תמונה ברורה - Sonnet 4.6 משפר את Sonnet 4.5 כמעט בכל תחום, ולעיתים אפילו מתקרב או עוקף את Opus 4.5. כך למשל, במדד BrowseComp לחיפוש אינטרנטי הוא מזנק מ‑43.9 אחוז ל‑74.7 אחוז, ובמבחן ARC‑AGI‑2 לפתרון בעיות חדשות הוא עולה מ‑13.6 אחוז ל‑58.3 אחוז.

גם במדד GDPval‑AA Elo, הבוחן ביצועים במשימות משרדיות, נרשמת עלייה משמעותית מ‑1276 ל‑1633. בתחום הניתוח הפיננסי המודל מטפס מ‑54.5 אחוז ל‑63.3 אחוז. מעבר לכך, Sonnet 4.6 מציג שיפור עקבי גם בקידוד טרמינלי, שימוש בכלים, חיפוש, תכנון רב תחומי ופתרון בעיות ברמת תואר שני, מה שמחזק את ההבנה שמדובר בשדרוג רחב ולא נקודתי.

Sonnet 4.6 משפר את Sonnet 4.5 כמעט בכל תחום

זמינות, כלים ושימושים מעשיים

Sonnet 4.6 זמין כעת בכל פלטפורמות Claude, ובהן claude.ai, Claude Cowork, Claude Code, ה‑API וכל ספקי הענן הגדולים. המסלול החינמי שודרג אוטומטית למודל החדש, והוא כולל כעת תמיכה ביצירת קבצים, שימוש ב‑connectors, הפעלת כלים ו‑compaction, מה שמרחיב משמעותית את היכולות הזמינות לכל משתמש ללא עלות.

בתוסף Excel, קלוד תומך כעת ב‑MCP connectors, המאפשרים חיבור ישיר למקורות מידע כמו S&P Global, LSEG, Daloopa, PitchBook, Moody’s ו‑FactSet. יכולת זו מאפשרת למשוך נתונים חיצוניים ישירות לגיליון העבודה, בלי לעזוב את סביבת Excel ובלי צורך בתהליכי אינטגרציה מורכבים.

ב‑API, כלי החיפוש וה‑fetch כותבים ומריצים קוד באופן אוטומטי כדי לסנן תוצאות ולהשאיר רק את המידע הרלוונטי. כך משתפרת איכות התשובות, ונעשה שימוש יעיל יותר בטוקנים, במיוחד במשימות המחייבות עיבוד של כמויות מידע גדולות.

עתיד משפחת Sonnet

לצד ההתקדמות המרשימה, אנטרופיק מדגישה כי המודל עדיין נחות מהאדם בשימוש במחשב, וכי Prompt Injection נותר איום ממשי גם אם קטן יותר. ועדיין, ברור ש‑Claude Sonnet 4.6 מייצג שלב משמעותי באבולוציה של מודלים בינוניים‑מתקדמים.

הוא מצליח להציע ביצועים הקרובים למודלי העל, אבל במחיר נגיש ובזמינות רחבה, ומשלב חלון הקשר גדול במיוחד, יכולות שימוש במחשב ברמה גבוהה, שיפור עקבי בקוד ובתכנון ועמידות בטיחותית משופרת. עבור מפתחים, אנליסטים וארגונים, מדובר בכלי עבודה שמרחיב את גבולות האפשרי ומאפשר לבצע משימות שבעבר דרשו מודלים יקרים בהרבה. Sonnet 4.6 הוא לא רק עדכון, אלא הצהרה ברורה על הכיוון שאליו אנטרופיק מכוונת את עתיד הבינה המלאכותית.

הפוסט אנטרופיק משיקה את Claude Sonnet 4.6 הופיע ראשון בLet's AI בינה מלאכותית

כלי AI מחליפים חלק מעבודת המפתחים

הנתונים החדשים של שירות התעסוקה מצביעים על שינוי מבני בשוק העבודה הטכנולוגי בישראל. לראשונה, גוף ממשלתי קושר באופן רשמי בין העלייה החדה באבטלה בהייטק לבין הטמעת כלי בינה מלאכותית בכתיבת קוד. למרות התאוששות כללית בענף ב-2025, תחום התוכנה ממשיך להיחלש, ומספר המובטלים בו עולה בקצב שאינו דומה לשום תחום אחר במשק.

בדצמבר 2025 עמד מספר דורשי העבודה בהייטק על 16,300 איש - עלייה של 126% לעומת ינואר 2022, אז היו רק 7,200. בשאר המשק נרשמה באותה תקופה ירידה של 10% במספר מחפשי העבודה.

59% מדורשי העבודה בענף - כ-9,600 איש - מגיעים מתחומי התוכנה. מספר דורשי העבודה בתוכנה גדל פי 1.75 מאז דצמבר 2022, לעומת פי 1.05 בלבד בהנדסת מכונות. הפער הזה אינו מקרי - הוא משקף תהליך שבו חלק מהעבודה שבעבר בוצעה בידי מפתחים מבוצעת כיום על ידי מערכות AI.

הנתונים של שירות התעסוקה מצביעים על שינוי מבני בשוק העבודה

AI כבר לא “משפר פרודוקטיביות” - הוא משנה את מבנה העבודה

שירות התעסוקה מציג תמונה ברורה - כלי AI אינם רק תוספת שמייעלת את עבודת המפתחים, אלא טכנולוגיה שמחליפה חלק מהמשימות שבוצעו בעבר בידי עובדים. הכלים מסוגלים לכתוב קוד פשוט, לבצע משימות חוזרות, ובחלק מהמקרים אפילו להחליף עובדים באופן ישיר.

התוצאה בשטח מורגשת היטב. פחות משרות חדשות בתחום התוכנה, יותר מועמדים על כל משרה, וקושי גובר של מפוטרים למצוא עבודה חדשה.

שירות התעסוקה מזהיר: “ככל שתימשך הטמעת הבינה המלאכותית בכתיבת הקוד, כך עלולים דורשי עבודה מתחומי התוכנה להתקשות לשוב למעגל העבודה וייתכן שיידרשו להסבות מקצועיות.”

זו הצהרה חריגה בנוף הישראלי. לא עוד דיבור כללי על “שיפור פרודוקטיביות”, אלא הכרה רשמית בכך שמערכות AI מחליפות חלק מהעבודה האנושית ומשנות את מבנה המקצוע עצמו.

שוק עבודה לא מאוזן

לכאורה, 2025 הייתה שנה חיובית להייטק: מספר המשרות הפנויות עלה ב-15%, מ-15,900 ל-18,300, והיחס בין משרות פנויות לדורשי עבודה הגיע ל-112 משרות לכל 100 דורשים - נתון שמעיד על ביקוש גבוה.

אבל בתחום התוכנה התמונה שונה. במשרות הפיתוח נרשמה עלייה של 5% בלבד ברבעון האחרון של השנה, קצב שאינו מדביק את הגידול במספר המובטלים.

גם מספר השכירים בהייטק עבר תנודות חדות: 441 אלף ב-2023, ירידה ל-424 אלף ב-2024, והתאוששות חלקית ל-435 אלף ב-2025. אלא שההתאוששות הזו כמעט לא נגעה למפתחי תוכנה.

גם עובדים מנוסים נפגעים

הנתונים מפריכים את ההנחה שהמשבר פוגע בעיקר בג'וניורים. שיעור בני 35-50 בקרב דורשי העבודה בהייטק עלה ל-44.5% בדצמבר 2025, לעומת 40.5% שנתיים קודם. העובדה שגם עובדים מנוסים מתקשים להשתלב מחדש מעידה על עומק השינוי ועל כך שהפגיעה אינה מוגבלת לעובדים בתחילת דרכם.

פערי השכר יוצרים מלכוד תעסוקתי

השכר הממוצע בהייטק עומד על 32,500 ₪, לעומת 13,700 ₪ בשאר המשק - פער של כמעט פי 2.4. גם בקרב דורשי העבודה הפער משמעותי: מי שעבד בהייטק השתכר בממוצע 21,700 ₪, לעומת 11,700 ₪ בקרב דורשי העבודה בשאר המשק. פער השכר בין שתי הקבוצות גדל ב-58% בין 2022 ל-2025.

מי שהתרגל לשכר של יותר מ-20,000 ₪ מתקשה לעבור למשרה שמציעה סביב 12,000 ₪, גם אם יש בה ביקוש. כך נוצר מלכוד שכר שמקשה על מובטלים מההייטק למצוא חלופות תעסוקתיות מחוץ לענף.

למה זה חשוב לכולם ולא רק למפתחים

ההייטק הישראלי הוא מנוע צמיחה מרכזי: הוא אחראי לכ-20% מהתוצר, ליותר מ-50% מהייצוא, ולכ-30% ממס ההכנסה שמשלמים שכירים. 85% מהכנסות המדינה מההייטק מגיעות מהעובדים עצמם, לא מהחברות.

כאשר מספר העובדים בענף יורד, ההשפעה מורגשת בכל המשק: פחות צריכה, פחות עסקאות נדל"ן ופחות הכנסות ממיסים.

חשוב להדגיש, משבר תעסוקה בהייטק אינו “בעיה של ההייטק” - זו בעיה של המדינה כולה.

יש גם נקודות אור?

אפשר להגיד שיש סימנים להתייצבות. מספר דורשי העבודה ירד מהשיא של 19,800 ביוני 2025 ל-16,300 בדצמבר, וגם היחס בין משרות פנויות לדורשי עבודה נותר חיובי.

אבל בתחום התוכנה המגמה הפוכה. שירות התעסוקה מסכם זאת כך: “בעוד מספרם הכללי של דורשי העבודה בהייטק מצוי בהאטה משמעותית, מספר דורשי העבודה מתחומי התוכנה מוסיף לעלות.”

כלומר, ההתאוששות קיימת, אבל היא עוקפת את מפתחי התוכנה.

עליית מספר דורשי העבודה בהייטק בין 2022 ל-2025

שינוי מבני, לא משבר זמני

התמונה של תחילת 2026 ברורה - העלייה באבטלה בקרב מפתחי תוכנה אינה תוצאה של מחזוריות כלכלית, אלא של שינוי טכנולוגי עמוק. כלי AI השתלטו על חלק מהעבודה שבעבר בוצעה בידי מפתחים, והם ממשיכים להשתפר בקצב מהיר. המשמעות היא שהשוק לא “יחזור לעצמו” באופן טבעי. הוא משתנה, ומי שלא יתאים את עצמו למציאות החדשה עלול להישאר מאחור.

להרחבה על מצב החדשנות בישראל והכוחות שמעצבים את התעשייה - כנסו כאן.

הפוסט איך AI משנה את ההייטק הישראלי מבפנים הופיע ראשון בLet's AI בינה מלאכותית

כשהעבודה שלנו נעלמת מבין הידיים

שומר, שכתב בבלוג שלו מאמר דעה בשם "Something big is happening", מסביר שהסיבה שאנשים בתעשיית ה‑AI נשמעים דרמטיים כל כך היא פשוטה - מה שהציבור חושש ממנו בעתיד כבר התרחש אצלם בהווה. הם לא מנבאים תרחישים, אלא מתארים את מה שקורה בעבודה שלהם יום יום.

במשך שנים, הוא כותב, המודלים השתפרו בקצב יציב. היו קפיצות משמעותיות מדי פעם, אך הן הגיעו במרווחים שאפשרו להסתגל. ואז, ב‑2025, הופיעו טכניקות חדשות שהאיצו את קצב ההתקדמות. כל דור חדש של מודלים היה טוב מהקודם בפער הולך וגדל, והזמן בין הגרסאות התקצר.

הרגע שבו “המים הגיעו לחזה”, כפי שהוא מתאר זאת, היה ב‑5 בפברואר 2026, היום שבו OpenAI ו‑Anthropic שחררו במקביל את GPT‑5.3 Codex ואת Opus 4.6. באותו יום הוא הבין שהעבודה שלו השתנתה באופן בלתי הפיך. “אני כבר לא נדרש לעבודה הטכנית עצמה,” הוא כותב. “אני מתאר מה אני רוצה, וזה פשוט מופיע.”

כשהמודל מפתח טעם

מה שהפתיע את שומר יותר מהביצוע הטכני המרשים היה משהו עמוק בהרבה: תחושה של שיקול דעת. “המודל החדש,” הוא כותב, “לא רק ביצע הוראות. הוא קיבל החלטות.” לדבריו, ההתנהגות הזו דמתה ל"טעם" במובן האנושי של המילה, אותה אינטואיציה שמכוונת בחירות עיצוביות או מוצריות שאינן רק תוצאה של חישוב טכני. במשך שנים נטען שמכונות לעולם לא יגיעו ליכולת כזו. כעת, הוא אומר, הן כבר שם או קרובות מספיק כדי שההבחנה תאבד משמעות.

ה‑AI בונה את ה‑AI

בנקודה זו מגיע אחד החלקים המשמעותיים ביותר במאמר של שומר. הוא מצטט ישירות מהמסמכים הטכניים של OpenAI, שבהם נכתב: “GPT‑5.3‑Codex הוא המודל הראשון שהיה כלי מרכזי בבנייה שלו עצמו… השתמשנו בגרסאות מוקדמות שלו כדי לדבג את האימון, לנהל את הפריסה ולנתח תוצאות.”

במילים אחרות, ה‑AI כבר משתתף בפיתוח הדור הבא של עצמו. דריו אמודאי, מנכ"ל Anthropic, מחזק את התמונה הזו כשהוא אומר שהמודלים בחברה כותבים “חלק גדול מהקוד”, וש“לולאת המשוב בין הדור הנוכחי לדור הבא צוברת תאוצה חודש אחר חודש”.

למה רוב האנשים לא רואים את זה

למרות כל ההתפתחויות, רוב הציבור עדיין לא מרגיש שמשהו משמעותי השתנה. שומר מסביר שהסיבה לכך פשוטה - הגרסאות החינמיות של המודלים מפגרות בשנה ומעלה אחרי הגרסאות המתקדמות. מי שמשתמש רק בגרסה החינמית של ChatGPT, הוא אומר, דומה למי שמנסה להבין את מצב הסמארטפונים דרך טלפון חוגה. “הפער בין תפיסת הציבור לבין המציאות,” הוא כותב, “הפך עצום, וזה מסוכן כי הוא מונע מאנשים להתכונן.”

הפער הזה בולט במיוחד במקצועות שמתחילים לאמץ את הכלים החדשים. שומר מספר על חבר שהוא עורך דין, שממשיך לטעון שה‑AI “לא שם”. במקביל, שותפים בכירים במשרדי עורכי דין גדולים כבר עובדים עם המודלים המתקדמים שעות ביום, ומדווחים על ביצועים שמזכירים “צוות של מתמחים”. אחד מהם אמר לו: “אם זה ימשיך בקצב הזה, זה יעשה את רוב מה שאני עושה.”

הקצב מהיר יותר ממה שהמוח האנושי רגיל אליו

כדי להמחיש עד כמה ההתקדמות מהירה, שומר מציג נתונים של METR, ארגון שמודד את משך המשימות שמודלים מסוגלים לבצע מקצה לקצה ללא עזרה אנושית. לפני שנה, המודלים הצליחו להשלים משימות שנמשכו כעשר דקות. בהמשך הם עברו למשימות של שעה, ואז לכמה שעות. בנובמבר 2025, Opus 4.5 כבר ביצע משימות שאורכות כמעט חמש שעות. לפי הנתונים, היכולת הזו מכפילה את עצמה בערך כל שבעה חודשים, ואולי אפילו כל ארבעה.

שומר מסכם זאת בפשטות ואומר שאם המגמה תימשך, בתוך שנה המודלים יוכלו לעבוד ברצף במשך ימים. בתוך שנתיים הם יטפלו בפרויקטים שנמשכים שבועות, ובתוך שלוש שנים יוכלו להתמודד עם משימות של חודש שלם.

מה זה אומר על העבודה שלנו

שומר לא מנסה לרכך את המציאות. הוא מצטט שוב את אמודאי, שמעריך כי הבינה המלאכותית תעלים כ‑50 אחוז ממשרות הצווארון הלבן ברמת ג׳וניור בתוך שנה עד חמש שנים, ואולי אף מוקדם יותר. לדבריו, זה שונה מכל גל אוטומציה קודם - הפעם אין מקצוע חלופי שאליו אפשר לעבור, משום שה‑AI משתפר כמעט בכל תחום במקביל.

שומר מציין תחומים שכבר מושפעים באופן ישיר, בהם משפט, פיננסים, תוכן, רפואה, שירות לקוחות והנדסת תוכנה. עם זאת, הוא מדגיש שהשפעה אינה בהכרח החלפה מלאה. רגולציה, אחריות משפטית ואמון אנושי עדיין מעכבים אימוץ רחב, לפחות בטווח הקצר.

ובכל זאת, הוא מסכם זאת בצורה חדה: “אם העבודה שלך מתבצעת מול מסך, ה‑AI מגיע אליה.”

קריאה לפעולה

למרות האופן שבו הדברים נשמעים, שומר אינו מטיף לייאוש. להפך. הוא טוען שהיתרון הגדול ביותר כרגע הוא פשוט להיות early adopter, להשתמש בכלים המתקדמים ולא להסתפק בגרסאות החינמיות, ולהפסיק להתייחס ל‑AI כמו למנוע חיפוש. במקום שאלות קצרות, הוא ממליץ להטיל עליו משימות אמיתיות: ניתוח חוזים, בניית מודלים פיננסיים, עיבוד נתונים או כתיבת מסמכים מורכבים.

שומר מציע להתחייב לשעה אחת ביום של ניסוי פעיל. “אם תעשו את זה שישה חודשים,” הוא כותב, “תבינו מה קורה טוב יותר מ‑99 אחוז מהאנשים סביבכם.”

העתיד כבר כאן, הוא פשוט עוד לא דפק על הדלת

שומר מסיים בנימה אישית. הוא מדגיש שהוא לא כותב כדי להפחיד אלא כדי להתריע בזמן. “העתיד כבר כאן,” הוא אומר, “הוא פשוט עוד לא הגיע אליכם.” מבחינתו, השינוי אינו תרחיש עתידי רחוק אלא תהליך שכבר החל. בדיוק כמו בפברואר 2020, כשהמציאות השתנתה לפני שרוב האנשים הבחינו בכך, גם הפעם הסימנים כבר סביבנו. השאלה היחידה היא מי יבחר לראות אותם בזמן ולהתאים את עצמו, ומי יישאר מאחור.

הפוסט היום שבו הבינה המלאכותית הפסיקה להיות כלי והפכה לכוח עצמאי הופיע ראשון בLet's AI בינה מלאכותית

למה מניות הטכנולוגיה צונחות בימים האחרונים?

הקטע בטכנולוגיה משבשת הוא שהיא משבשת. היא משנה שווקים שלמים, מייצרת מציאות חדשה, ולפעמים היא משבשת גם את עצמה. נשמע מסובך? בואו נפרק את זה.

התשובה היא שהשוק התעורר עם הנגאובר רציני. עד לפני כמה ימים, הסיפור שסיפרו לנו היה פשוט: "AI זה זהב. תקנו הכל". תן לי 10 ק"ג AI... או אולי 10 טון. אבל השבוע, הסיפור הזה השתנה. אנחנו עוברים שלב - משלב ה"הייפ" וההתלהבות, לשלב ההוכחות.

בואו נזרוק קצת מספרים לאוויר, רק כדי שתבינו את גודל המכה. הנאסד"ק? ירד בכמעט 2%. נשמע לכם "בקטנה"? אז זהו, שלא. סקטור התוכנה כולו חטף מכה של כ-6% בשבוע אחד. ענקיות תוכנה ותיקות ויציבות כמו סיילספורס ואדובי איבדו גובה במהירות, ואפילו המלכה הבלתי מעורערת, אנבידיה, השילה 9% מהשווי שלה. גם שוק השבבים לא נותר בטוח. AMD? צללה ב-15%.

אבל המספר הכי משוגע הוא לא כמה המניות ירדו, אלא כמה החברות האלה מוציאות. תחזיקו חזק - הצפי הוא שענקיות הטכנולוגיה ישפכו כ-600 מיליארד דולר (!) על תשתיות AI ב-2026. זה הר של כסף, והמשקיעים מתחילים לשאול - איפה הקבלות?

מניות הטכנולוגיה בנפילה: מי חטף הכי חזק?

שתי סיבות מרכזיות לצניחה

אנליסטים חושבים שיש שתי סיבות אפשריות ומרכזיות לצניחה הזו. הסיבה הראשונה היא יוקר התשתיות. ענקיות הטכנולוגיה - גוגל, מיקרוסופט, מטא - שופכות סכומים דמיוניים על תשתיות פיזיות. חוות שרתים, מגה קומפלקסים של AI ושבבים יקרים ומתקדמים. המשקיעים הסתכלו השבוע על המספרים האלה ושאלו שאלה פשוטה: "מתי אני רואה את הכסף שלי בחזרה?". כרגע, זה נראה כמו בור ללא תחתית של הוצאות, בלי רווחים ברורים בטווח הקצר.

אבל הסיבה השנייה היא המעניינת באמת, והיא נקראת "הפחד מהקניבליזציה". עד היום חשבנו שה-AI יעזור לחברות תוכנה כמו אדובי או סיילספורס למכור לנו מוצרים טובים יותר. אבל פתאום נפל האסימון: מה אם ה-AI לא יעזור לתוכנה, אלא יחליף אותה? אם יש לי "סוכן AI" חכם שיכול לנהל את הכספים, לעצב את התמונות ולסגור עסקאות לבד - למה שאני אשלם דמי מנוי יקרים לתוכנה שעושה את זה?

אם אני יכול לבנות את מאנדיי בשני פרומפטים בבייס 44 או ב-Lovable, אז למה צריך בכלל את מאנדיי? ושוב, זה לא שזה מה שאני חושב, לדעתי האישית, עדיין אין תחליף לתשתית אמינה, מאובטחת, שעברה שנים על גבי שנים של אופטימיזציה. אבל מיליוני משקיעים מסביב לעולם לא יסכימו איתי. עובדה - המדדים צונחים!

ג'ייסון למקין, מייסד SaaStr ומי שנחשב ל"סנדק של ה-SaaS", כתב בבלוג שלו שתחילת 2026 מביאה "קראש" במניות התוכנה-כשירות (SaaS). לפי למקין, "לבנות גרסה ראשונה זה אולי 2% מהעבודה. 98% זה תחזוקה, שדרוג ואופטימיזציה". הוא הוסיף שאף כלי AI לא מחליף 20 שנה של פיתוח ו-150 אלף עובדים של ידע מוסדי מצטבר - אבל לשוק, כרגע, זה לא משנה.

מפסיקים לשלם על חלומות, ומתחילים לדרוש קבלות

הפחד שה-AI הוא לא סתם כלי עזר, אלא משהו שמייתר את העבודה המשרדית, ואיתה - את התוכנות שמשמשות את המשרדים האלה - זו הסיבה המרכזית שהעתיד נראה לא בטוח למשקיעים רבים. הם פשוט לא בטוחים שהחברות הללו ימשיכו להיות רלוונטיות בעתיד בו טכנולוגיה מייצרת מציאות חדשה, כמעט על בסיס יומי.

אז לא, ה-AI לא הולך לשום מקום. המהפכה אמיתית. אבל השבוע וול סטריט אמרה בקול ברור: "אנחנו מפסיקים לשלם על חלומות, ומתחילים לדרוש קבלות". "אנחנו מפחדים שעתיד התוכנה וה-SaaS כבר לא ברור ויציב כמו שחשבנו". ועד שהענקיות לא יוכיחו שהן יודעות להפוך את ה-AI הזה למכפלת כוח שמייצרת מזומנים, יש מצב שרכבת ההרים המטורללת הזו רק בתחילת הדרך ואולי עוד לא ראינו את התחתית...

הפוסט למה המשקיעים מפחדים שה-AI יאכל את תעשיית התוכנה הופיע ראשון בLet's AI בינה מלאכותית

מי פותחות את הארנק ולמה דווקא הן

גם אם לא נולדתם בשנות ה-70 ולא צפיתם בקלאסיקה הקולנועית "כל אנשי הנשיא", סביר להניח שנתקלתם ששמעתם על פרשת ווטרגייט (ואם לא - אז 1. אתם צעירים. ו-2. שאלו את פרפלקסיטי). שם, בשיאה של הפרשה שטילטלה את ארה"ב, המודיע המסתורי המכונה "גרון עמוק" לוחש לעיתונאי בוב וודוורד עצה שהפכה מאז לכלל ברזל בחקירות: Follow the money ("לך בעקבות הכסף"). התסריטאי וויליאם גולדמן המציא את המשפט הזה (שככל הנראה מעולם לא נאמר במציאות ע"י המודיע האמיתי - מארק פלט, סגן ראש ה-FBI) כדי לפשט את העלילה המורכבת עבור הצופים. העצה הזו נועדה להזכיר שאם רוצים להבין את האמת שמסתתרת מאחורי רעש גדול, צריך פשוט לבדוק מי משלם עליו. וזה בדיוק מה שאנחנו צריכים לעשות כאן.

כשמדברים על גיוס דמיוני של 100 מיליארד דולר ל-OpenAI, המספר לבדו מסנוור, אבל הסיפור האמיתי מסתתר בזהות החותמים על הצ'ק. אנחנו לא רואים כאן משקיעים פיננסיים שמחפשים רווח מהיר בבורסה, אלא את הארכיטקטים של האינטרנט החדש. של החשמל החדש. של הבהלה לזהב של המאה ה-21. שלוש הענקיות שפותחות את הארנק עושות זאת מתוך אסטרטגיה של "להיות או לחדול", שבה ההצלחה של OpenAI היא תעודת הביטוח למודל העסקי שלהן עצמן. הנה הסיבות שגורמות להן להמר על כל הקופה:

Nvidia: השקעה במנוע הביקוש המרכזי

לפי אותם דיווחים, Nvidia עשויה להיות זו ששוקלת להשקיע את הסכום הגדול ביותר, עד כ-30 מיליארד דולר. על פניו זה נשמע חריג, אך מבחינה תעשייתית יש בכך היגיון ברור. אם OpenAI וגופים דומים הם מנוע הביקוש המרכזי למאיצים גרפיים ולתשתיות אימון והרצה, השקעה בהם יכולה להיחשב כדרך להבטיח שהביקוש ימשיך לגדול. Nvidia מספקת את החומרה שעליה נשענת תעשיית ה-AI כולה, והשקעה במי שמוביל את התחום עשויה לשמש גם כביטוח צמיחה וגם ככלי השפעה על כיווני פיתוח עתידיים. זהו הימור, אך כזה שמבוסס על היגיון תעשייתי עקבי.

אמזון: חיזוק מנוע המכירות המרכזי

אמזון מוצגת בדיווחים כשחקנית חדשה יחסית סביב OpenAI, עם השקעה אפשרית של מעל 10 מיליארד דולר. עבור Amazon, ובעיקר עבור זרוע הענן שלה, AWS, ה-AI הפך בשנים האחרונות למנוע מכירות מרכזי. לקוחות כבר לא רוכשים “שרתים” במובן המסורתי, אלא יכולת להריץ מודלים, להטמיע עוזרים חכמים ולבצע אוטומציה לתהליכים עסקיים מורכבים. כדי להישאר תחרותית, אמזון זקוקה לא רק לתשתית פיזית, אלא גם לשותפויות שמביאות עומסים, לקוחות וסטנדרטים טכנולוגיים.

Microsoft: שמירה על היתרון התחרותי

Microsoft, השותפה הוותיקה של OpenAI, לפי הדיווחים מתכננת להוסיף השקעה של כ-10 מיליארד דולר נוספים. כאן ההיגיון שונה במקצת. מיקרוסופט כבר שילבה יכולות AI במוצרים שמגיעים למאות מיליוני משתמשים, ולכן היא אינה רק ספקית תשתית, אלא גם מנוע הפצה משמעותי. השקעה נוספת יכולה לשמש ככלי לשימור יתרון תחרותי, להבטחת גישה לטכנולוגיה מתקדמת, ולחיזוק ההגנה מול מתחרות שמפתחות מודלים מתחרים. מדובר במהלך אסטרטגי ארוך טווח, יותר מאשר השקעה פיננסית קלאסית.

למה צריך כל כך הרבה כסף? העלות האמיתית של AI מתקדם

כאן מגיע החלק שלעתים נעלם מהכותרות: הפעלה של מודלי AI מתקדמים היא עסק יקר בצורה לא אינטואיטיבית. לפי הערכות שמופיעות בשיח המקצועי, העלויות המצטברות עשויות להגיע עד כ-430 מיליארד דולר עד שנת 2030. גם אם המספר הזה יתברר כמנופח, הכיוון ברור. מדובר במירוץ תשתיות, לא רק במירוץ אלגוריתמים.

העלויות כוללות שבבים ייעודיים, צריכת חשמל עצומה, מערכות קירור, שטחי דאטה-סנטר, רשתות מהירות, אבטחה ותפעול שוטף. מעבר לכך, יש גם עלויות אנושיות משמעותיות: מחקר, בטיחות, רגולציה, ותמיכה בלקוחות עסקיים. כדי להבין את הדינמיקה, אפשר להשוות זאת לחברת תעופה. לא די בפיתוח מטוס, אלא יש להפעיל צי שלם, לתחזק אותו, לעמוד ברגולציה ולספק שירות רציף. במודלים גדולים, כל שאילתה של משתמש היא עלות תפעולית, וככל שמספר המשתמשים גדל, כך העלויות מתנפחות. במובן הזה, גיוס הון בהיקפים כאלה הופך לחמצן תפעולי.

730 מיליארד דולר!

שווי הוא בסופו של דבר סיפור שהשוק מספר לעצמו על העתיד. כדי להצדיק שווי של מאות מיליארדי דולרים, המשקיעים צריכים להאמין ש-OpenAI תהפוך לשכבה בסיסית בכלכלה הדיגיטלית, בדומה לענן, למערכות הפעלה או למנועי חיפוש, אך בקנה מידה רחב אף יותר. מנגד, שווי כזה מניח גם שהחברה תצליח לייצר מודל הכנסות משמעותי, לשמור על יתרון טכנולוגי, ולהתמודד עם אתגרים של רגולציה, זכויות יוצרים, פרטיות ותחרות.

כאשר אותן חברות ענק הן גם משקיעות וגם ספקיות תשתית, עולה שאלה נוספת: האם מדובר ביצירת ערך אמיתית, או בהנדסה פיננסית שמציירת עתיד אופטימי במיוחד. סביר להניח שהתשובה נמצאת באמצע. הפוטנציאל קיים, אך גם רמות הסיכון גבוהות בהתאם.

האם אנחנו בדרך לריכוזיות גבוהה בשוק ה-AI

החשש מריכוזיות אינו נובע רק מעליונות טכנולוגית, אלא מהצטלבות של שלושה יתרונות שקשה להתחרות בהם: נתונים ויכולת איסוף בקנה מידה פלטפורמי, תשתיות מחשוב מתקדמות, והפצה למאות מיליוני משתמשים דרך מוצרים קיימים. כאשר אותם שחקנים שולטים גם בהשקעות וגם בצינורות ההפצה, הם עלולים להפוך לשומרי סף שקובעים מי יקבל גישה למודלים ובאילו תנאים.

עם זאת, השוק אינו סטטי. מודלים פתוחים, שחקנים חדשים ושיפורים ביעילות החישובית עשויים לערער את היתרון של הענקיות. גם הרגולציה משחקת תפקיד, מאחר שמדינות אינן ששות להיות תלויות בספק יחיד לטכנולוגיה בסיסית. תרחיש של מונופול מוחלט אינו ודאי, אך ריכוזיות גבוהה בהחלט מהווה סיכון ממשי.

המשמעות לעסקים, למפתחים ולצרכנים

עבור עסקים, המשמעות היא שה-AI הופך לשירות תשתיתי, כמעט כמו חשמל. מי שמאמץ מוקדם ומטמיע בצורה חכמה עשוי ליהנות מיתרון תחרותי, אך במקביל גדל הסיכון לנעילה לספק, לעליות מחירים ולתלות בתנאי שימוש משתנים. עבור מפתחים, מדובר בשפע של כלים ויכולות, אך גם באפשרות שגישה ליכולות מתקדמות תהיה נתונה לשליטה של מספר מצומצם של שחקנים.

עבור הצרכנים, התמונה מורכבת. מצד אחד, מוצרים חכמים ונגישים יותר. מצד שני, שאלות כבדות משקל של פרטיות, הטיות ואחריות כאשר מערכות AI פועלות בקנה מידה רחב. אם הגיוס המדובר אכן יתממש, השפעתו תחרוג הרבה מעבר ל-OpenAI עצמה, ותגדיר מחדש מהו סטנדרט השירות ומי מחזיק בכוח לקבוע אותו.

בדרך כלל, כסף גדול נכנס למשחק כאשר כולם מבינים שהכללים משתנים, אך לפני שברור מי ינצח. גיוס בהיקפים שעליהם מדברים עשוי להאיץ פיתוח, להרחיב זמינות ולהעלות את רף הכניסה לכל מתחרה חדש. במקביל, הוא עשוי להפוך את ה-AI ממוצר לשכבת תשתית בסיסית, כזו שדורשת משאבים בקנה מידה של מדינות. במציאות כזו, השאלה המרכזית אינה מי בונה את המודל החכם ביותר, אלא מי מסוגל לממן, להפעיל ולשלוט בתשתית שעליה הוא נשען.

הפוסט גיוס שישבור את כל השיאים? OpenAI בדרך ל-100 מיליארד דולר הופיע ראשון בLet's AI בינה מלאכותית

התפתחות החיפוש בגוגל

במבט ראשון, דרך המספרים בלבד, גוגל נשארת גוגל. החיפוש ממשיך לצמוח, וההכנסות ממנו עלו ב-17 אחוז. אבל לדברי המנכ״ל שלה, החיפוש אינו מוצג כשירות יציב אלא כתהליך שנמצא בשינוי מתמשך. פיצ’אי מתאר נקודת מעבר שבה הבינה המלאכותית לא רק משפרת את איכות התוצאות, אלא משנה את הדרך שבה אנשים מנסחים שאלות ומקיימים אינטראקציה עם מידע.

הוא לא מסתפק בתיאור מגמה כללית, אלא מצביע על קצב ביצוע חריג בהיקפו. יותר מ-250 השקות מוצר ברבעון אחד בלבד (Q4), כולן סביב AI Mode ו-AI Overviews. לא מדובר במהלך אחד גדול, אלא ברצף מהיר של התאמות ושיפורים, שנועדו לעצב דפוסי שימוש חדשים. יותר שאלות המשך, יותר שיח מתמשך, ופחות חיפושים קצרים וסגורים.

מכאן נובעת התזה הרחבה יותר. אם גוגל מצליחה לשלוט באופן שבו נראה ומתנהל חיפוש בעידן של בינה מלאכותית, היא לא רק מגנה על מוצר ליבה קיים - היא מעצבת מחדש הרגל אנושי בסיסי, בקנה מידה עולמי.

ההשקה של Gemini 3

השקת Gemini 3 מוצגת כנקודת מפנה, אבל עיקר הסיפור אינו בשם או בגרסה, הוא בטון. פיצ’אי מדגיש ש-Gemini 3 Pro הוא המודל עם קצב האימוץ המהיר ביותר בתולדות החברה, ושמאז ההשקה הוא מעבד פי שלושה יותר טוקנים ביום לעומת 2.5 Pro. זו דרך מדודה לומר דבר חד למדי - המודל לא הוצג לשוק בהדרגה, אלא הוטמע ישירות בלב המערכת.

אפליקציית Gemini כבר משרתת כ-750 מיליון משתמשים חודשיים, עם עלייה ברורה במעורבות מאז ההשקה בדצמבר. במקביל, בצד הארגוני, נמכרו יותר משמונה מיליון מושבים בתשלום של Gemini Enterprise בתוך ארבעה חודשים בלבד. זה לא קצב שמאפיין מוצר חדש שמחפש את מקומו, אלא קצב של תקן שמנסים לקבע לפני שהשוק מתייצב.

מכאן נובעת גם הטעות הנפוצה בקריאה של המהלך. אין כאן תחרות בין מודלים בודדים. בנאום של פיצ’אי, Gemini כמעט ואינו מוצג כ”מתחרה של” מישהו אחר, אלא כציר שמחבר בין שכבות. לא מוצר בפני עצמו, אלא מנוע שמניע חיפוש, ענן, פלטפורמות ומוצרים בקצה.

התשתית היא היעד, לא האמצעי

המספר שמסביר את הסיפור טוב יותר מכל נתון אחר הוא לא ההכנסות, אלא ההשקעה. גוגל מתכננת להשקיע בין 175 ל-185 מיליארד דולר ב-CapEx בשנת 2026. זה סדר גודל שמזכיר תקציב של מדינה, אבל המשמעות אינה רק גובה הסכום, אלא הכוונה שמאחוריו. לא השקעה כללית ב-AI, אלא שליטה ביכולת להפעיל אותו בקנה מידה רחב.

פיצ’אי מתאר תשתית שמכסה כמעט את כל השרשרת. שילוב של GPUs חדשים של אנבידיה, TPUs שגוגל מפתחת כבר עשור, ורכישת Intersect שמוסיפה פתרונות של דאטה סנטרים ואנרגיה. בתוך התמונה הזו מופיע נתון שנשמע טכני אך יש לו משמעות אסטרטגית ברורה - במהלך 2025 הצליחה החברה להוריד את עלות ההרצה ליחידה של Gemini ב-78 אחוז, באמצעות אופטימיזציה ושיפור ניצול משאבים.

זה לא סעיף התייעלות שגרתי. זו הוכחה ליכולת לגדול בלי להיחנק מהעלות. בעידן שבו כמעט כל שחקן מסוגל לבנות מודל, היתרון האמיתי עובר ליכולת להפעיל אותו בזול, במהירות, ובסקייל.

פיצ’אי מכנה את זה full-stack AI, אך המונח אינו קישוט שיווקי. הוא מתאר שיטה. תשתית חישוב, שבבים, רשת, מודלים, כלי פיתוח, API, ולבסוף מוצרי קצה שמגיעים למיליארדי משתמשים. מי שלא מחזיק את השרשרת הזו נאלץ לשכור אותה, לשלם עליה, ולהישאר תלוי במי שכן מחזיק בה.

גידול הענן והבקלוג (Backlog) של Google Cloud

ההשקעה האדירה בתשתיות אינה נשארת ברמת הצהרה. המקום שבו היא מתורגמת בפועל להכנסות ולהתחייבויות הוא Google Cloud. הענן של גוגל צמח ב-48 אחוז, עם קצב הכנסות שנתי של מעל 70 מיליארד דולר. אבל הנתון שמבהיר באמת את הכיוון אינו קצב הצמיחה, אלא הבקלוג (Future contracted revenue).

הבקלוג של Google Cloud הגיע ל-240 מיליארד דולר, עם גידול של 55 אחוז רבעון לרבעון. זה לא רק ביטוי לביקוש חזק, אלא התחייבות עתידית של לקוחות. הוא מעיד שחברות וארגונים אינם רוכשים שירות נקודתי, אלא בוחרים בגוגל כשותפת תשתית לטווח ארוך, כזו שעליה הם מתכננים לבנות את מערכות ה-AI והדאטה שלהם.

שיתוף פעולה עם אפל וההשלכות

פיצ’אי מצביע על שלושה סימנים ברורים לכך שהאסטרטגיה הזו עובדת. ראשית, קצב גיוס הלקוחות החדשים האיץ משמעותית. שנית, מספר עסקאות הענק, בהיקף של מעל מיליארד דולר, חצה בשנת 2025 את סך העסקאות שנחתמו בשלוש השנים שקדמו לה יחד. ושלישית, לקוחות קיימים לא רק נשארים, אלא מוציאים בפועל יותר ממה שהתחייבו בתחילת הדרך.

לדבריו, לקוחות שמשתמשים בפתרונות AI צורכים בממוצע פי 1.8 יותר מוצרים, מה שמעיד שככל שנכנסים עמוק יותר ל-AI, כך מתרחבת התלות בשכבות נוספות של גוגל.

ואז מגיע פרט שנאמר כמעט כבדרך אגב, אך נושא משקל אסטרטגי כבד. גוגל משתפת פעולה עם אפל, הן כספקית ענן מועדפת והן בפיתוח הדור הבא של מודלים מבוססי Gemini. זה לא עוד לוגו מרשים ברשימת לקוחות, אלא איתות ברור. אם אפילו אפל, מהחברות העצמאיות והסגורות ביותר בתעשייה, בוחרת להישען על התשתית של גוגל, המשמעות היא שגוגל שואפת להפוך לשכבת הבסיס גם של מי שבדרך כלל נמנע מתלות חיצונית.

YouTube כמכונת מוניטיזציה

YouTube הוא לא רק מקור הכנסה, הוא תופס מקום מרכזי בבית. פיצ’אי מציין כי YouTube הוא שירות הסטרימינג המוביל בארה״ב כמעט שלוש שנים ברציפות, לפי נתוני Nielsen, וממקם אותו כליבה של רגעי תרבות, ספורט ומוזיקה. זהו יתרון שקשה לחקות, משום שהוא נשען לא רק על טכנולוגיה, אלא על הרגלי צפייה עמוקים.

החשיבות הכלכלית של YouTube נובעת מהיכולת לתרגם תשומת לב להכנסות בקנה מידה גדול. ההכנסות השנתיות חצו את רף 60 מיליארד הדולר ממודעות ומנויים, לצד המשך צמיחה במסלולי המנוי והרחבת YouTube TV עם חבילות תוכן לפי ז’אנרים. אלה אינם פרטים טכניים, אלא עדות לבניית מוצר שהופך לחלק קבוע משגרת הצריכה.

לתוך המערכת הזו נכנסת הבינה המלאכותית. פיצ’אי מתאר כיצד בדצמבר יותר ממיליון ערוצים ביום השתמשו בכלי יצירה מבוססי AI, ויותר מ-20 מיליון צופים השתמשו בכלי Ask כדי להעמיק בהבנת התוכן שבו צפו. השורה הזו מבהירה את האסטרטגיה. AI לא מחליף את התוכן, אלא מגביר יצירה, מעורבות וצריכה בתוך מערכת סגורה וממונפת.

הרגע שבו AI של גוגל יורד לכביש

Waymo היא הצד השני של אותו מטבע. אם YouTube מייצג שליטה בהרגלי צריכה, Waymo מייצגת שליטה במרחב הפיזי. פיצ’אי מציין כי החברה חצתה את רף 20 מיליון הנסיעות האוטונומיות, וכי היא מפעילה כיום יותר מ-400 אלף נסיעות בשבוע. הפעילות מתרחבת לשווקים חדשים, בהם מיאמי, ולתוכניות פריסה נוספות בערים נוספות בארה״ב, וגם בבריטניה וביפן.

המשמעות כאן חורגת מתחבורה. Waymo משמשת הוכחה לכך שגוגל אינה מפתחת AI רק כמודל שפה או כשירות דיגיטלי, אלא כיכולת אוטונומית מלאה, המחוברת לתשתיות פיזיות, לחישה, לבטיחות ולרגולציה. פיצ’אי מציין כי זהו סבב ההשקעה הגדול ביותר של Waymo עד היום, רמז לכך שגם השוק הפיננסי רואה בה פעילות מבצעית בוגרת, ולא עוד ניסוי טכנולוגי.

השפעת גוגל על האקו-סיסטם

אם גוגל מצליחה לבנות מערכת AI מקצה לקצה, כזו שמחוברת לחיפוש, לענן, לווידאו, לדפדפן, למובייל ולרכב, השאלה המתבקשת היא היכן נשאר מרחב פעולה לשחקנים אחרים באקו-סיסטם.

מי שעלול להיפגע ראשון אינו בהכרח המתחרים הגדולים, אלא דווקא השכבות שבאמצע. חברות שבנו לאורך שנים עסקים סביב גישה למידע, הפצה, פרסום או תשתית חישוב, מוצאות את עצמן מול מערכת שמציעה חבילה שלמה. מודל, פלטפורמה, תשתית וכלי עבודה, כולם מאותו ספק. מי שהתבסס על תנועה מהחיפוש, על פרסום ממוקד או על שירותי ענן כלליים, נדרש כעת להסביר את הערך הייחודי שלו בעולם שבו הלקוח יכול לקבל כמעט הכל מגורם אחד.

השאלה כאן אינה אם גוגל פועלת נכון או לא. השאלה היא מה קורה לחדשנות כאשר היתרון המרכזי אינו רעיון מבריק או מוצר חד, אלא היכולת להשקיע כ-185 מיליארד דולר בשנה. בשלב הזה, היתרון כבר אינו טכנולוגי בלבד אלא מבני. וקנה מידה כזה, בסופו של דבר, קובע את כללי המשחק.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס Vibe coding ובניית אפליקציות עם AI

לפרטים נוספים לחצו כאן >>

גוגל לא מחפשת לנצח, היא בונה את המגרש

כאשר קוראים את דבריו של פיצ’אי ברצף, מתקבלת תמונה אחת עקבית. גוגל פועלת בקצב גבוה, משחררת מוצרים בקצב חריג, משלבת AI כמעט בכל נקודת מגע, משקיעה בתשתית פיזית עצומה, ומושכת לקוחות לתוך מערכת אנכית שמתחזקת את עצמה. זו אינה סדרה של יוזמות נפרדות, אלא מהלך אחד רציף.

במובן הזה, 400 מיליארד דולר אינם הסיפור, אלא הסימפטום. הסיפור הוא שגוגל כבר לא מגדירה את עצמה דרך החיפוש, ואפילו לא דרך הבינה המלאכותית עצמה. היא מגדירה את עצמה דרך היכולת להיות המשטח שעליו הבינה המלאכותית פועלת. בעסקים, בבית, ובמרחב הפיזי.

והשאלה שדבריו של פיצ׳אי משאירים פתוחה אינה מי יאיים על גוגל, אלא כמה מרחב פעולה יישאר למי שלא פועל על התשתית שהיא בונה.

לקריאה מלאה של דברי המנכ״ל סונדר פיצ’אי, כנסו לבלוג הרשמי של גוגל.

הפוסט גוגל משרטטת את מגרש המשחקים של ה-AI הופיע ראשון בLet's AI בינה מלאכותית

הזרז? Anthropic הכריזה על השקת כלי AI ייעודי למגזר המשפטי. אבל זו לא הייתה עוד הכרזה על פיצ'ר חדש זו הייתה הוכחה חיה שהשיבוש האמיתי כבר כאן. בינואר 2026, סקטור SaaS עבר את החודש הגרוע ביותר שלו מאז המשבר הפיננסי של 2008, עם ירידה של כ-15% במדד התוכנה. 300 מיליארד דולר נמחקו מהשווי השוקי של חברות תוכנה ושירותים. אבל הנרטיב הפופולרי - ש-"AI הורג את SaaS" מסתיר את האמת המורכבת יותר: הבעיות התחילו הרבה לפני שהבינה המלאכותית הגנרטיבית הפכה לנגישה.

הסיפור האמיתי: לא AI הורג את SaaS, אלא "קצירה" במקום "צמיחה"

Jason Lemkin, מייסד SaaStr ואחד מהקולות המשפיעים בתעשייה, מנסח זאת בצורה ברורה: "המשבר של 2026 אינו AI הורג את SaaS. זה השוק סוף סוף מתמחר את ההאטה שהחלה ב-2021."

מה קרה בפועל? בין 2020-2021, במהלך מגפת הקורונה, חברות SaaS חוו תקופת פריחה. ארגונים גייסו עובדים בהמונים, והרחיבו את השימוש בתוכנות. אבל מהרבעון השני של 2021, משהו השתנה - קצבי הצמיחה של חברות SaaS ציבוריות החלו לרדת בכל רבעון ורבעון. כל. רבעון. בודד.

הבעיה? חברות SaaS הסתירו את ההאטה בשלוש דרכים:

העלאות מחירים אגרסיביות - העלאות של 10-20% בחידוש חוזים, מה שהסווה את חוסר הצמיחה האמיתית

הרחבה בלקוחות קיימים - מכירת מוצרים נוספים לאותם לקוחות, במקום הרחבת בסיס הלקוחות

רכישות - קניית חברות קטנות כדי להוסיף הכנסות, לא צמיחה אורגנית

"זה לא צמיחה. זה קצירה. וקצירה מקבלת מכפיל שונה מצמיחה," מסכם Lemkin. במשך שלוש שנים, המשקיעים נתנו אשראי לחברות SaaS עבור האצת צמיחה עתידית שמעולם לא הגיעה. ב-2026, המסיבה נגמרה.

נקודת המפנה: כשהכרזה של Anthropic הפכה למציאות מוחשית

אז למה דווקא ההכרזה של Anthropic ב-2 בפברואר הייתה כל כך דרמטית? כי בפעם הראשונה, השווקים הפיננסיים ראו מוצר ממשי שמסוגל לבצע משימות מורכבות שבעבר דרשו מקצוענים.

הכלי המשפטי של Claude הציע יכולות כמו סקירת חוזים אוטומטית, זיהוי סיכונים משפטיים, ניהול זרימות עבודה של ציות, והכנת תדריכים משפטיים. Anthropic הבהירה שהכלי לא מחליף עורכי דין אבל המשקיעים הבינו משהו אחר: אם AI יכול לשבש את המגזר המשפטי, אין סיבה שלא יוכל לשבש חשבונאות, משאבי אנוש, שיווק, ניהול פרויקטים ועוד.

כתבה ב-Axios סיכמה: "זו הפעם הראשונה שהשווקים הפיננסיים מגיבים כאשר מתעמתים עם סימנים שה-AI עשוי לשבש או אפילו לחסל תעשייה שלמה."

מה שבאמת השתנה:

הוכחת קונספט ממשית - לא עוד דיונים תיאורטיים, אלא כלי עובד

האצת לוח הזמנים - השיבוש לא יגיע בעוד 5-10 שנים, הוא כבר כאן

השפעה כלכלית ישירה - חלופה זולה משמעותית לתוכנות יקרות

הרחבת האיום - הבנה שכל מגזר תוכנה פגיע

מות מודל התמחור מבוסס-המושבים

אחד השינויים המבניים המשמעותיים ביותר הוא התמוטטות מודל תמחור מבוסס-מושבים (seat-based pricing) הבסיס שעליו נבנתה תעשיית SaaS.

הבעיה? כאשר AI אגנטי (Agentic AI) - מערכות בינה מלאכותית שיכולות לפעול באופן אוטונומי, לקבל החלטות ולבצע משימות מורכבות מבצע את העבודה, ארגונים זקוקים לפחות עובדים אנושיים. אבל המודל המסורתי גובה לפי מספר משתמשים.

למשל: אם בעבר חברה שילמה עבור 100 מושבים של מערכת CRM, היום היא יכולה להשיג את אותם תוצאות עם 30 עובדים ו-AI שעובד 24/7. למה לשלם עבור 100 מושבים?

המעבר החדש:

תמחור מבוסס-תוצאות - גביית תשלום על בסיס שיפור במכירות, חיסכון בעלויות, או שיפור יעילות מדיד

תמחור מבוסס-שימוש - תשלום לפי נפח נתונים מעובדים, מספר משימות שהושלמו, או קריאות API

מודלים היברידיים - שילוב של מינוי בסיסי ותשלום לפי שימוש

לפי מחקר של Bain & Company, כ-35% מחברות התוכנה פשוט העלו את המחיר למושב והוסיפו יכולות AI לרמות הקיימות, בעוד 65% הציגו גישה היברידית. אבל המעבר יוצר אתגר עצום: איך מתמחרים חברת תוכנה כאשר ההכנסות פחות צפויות? איך מתכננים כוח אדם כאשר התזרים משתנה מחודש לחודש?

המנצחים והמפסידים: מי שורד את המהפכה?

לא כל חברות SaaS נפגעות באותה מידה. יש דפוס ברור של מי בסיכון גבוה ומי משגשג.

במצב הגרוע ביותר:

חברות עם תלות גבוהה בתמחור מבוסס-מושבים - Salesforce, ServiceNow, Workday

מוצרים שניתן לשכפל בקלות - Intuit (TurboTax, QuickBooks), LegalZoom, כלי ניהול פרויקטים פשוטים

חברות ללא "חפיר" טכנולוגי - כאלו שהערך שלהן הוא בעיקר ממשק משתמש, לא נתונים קנייניים או אלגוריתמים ייחודיים

מקרה מעניין הוא מיקרוסופט. ב-28 בינואר 2026, החברה פרסמה תוצאות רבעון מצוינות - הכנסות של 81.27 מיליארד דולר (מעל הציפיות), רווח למניה של 4.14 דולר (מעל הציפיות), ותזרים מזומנים תפעולי של 38.3 מיליארד דולר. בכל זאת? המניה צנחה ב-7%, ובהמשך עוד 10%, מה שמחק 360 מיליארד דולר מהשווי.

הסיבות: האטה קלה בצמיחת Azure 39% במקום 40% הוצאות הון אדירות על תשתיות AI, ותלות גבוהה ב-OpenAI. המשקיעים שואלים: האם ההשקעות האדירות ב-AI באמת יניבו תשואה מספקת?

המנצחים הגדולים:

Palantir - הדוגמה המושלמת למצוינות בעידן AI. ברבעון 4 של 2025, החברה הציגה צמיחה של 62.8% בהכנסות, רווחיות של 51%, וצמיחה של 121% בשוק האמריקאי המסחרי. למה? כי Palantir בנתה מוצר AI ייחודי שקשה לשכפל, עובדת עם נתונים קנייניים של ממשלות וארגונים גדולים, ומספקת ערך שאי אפשר לקבל רק מתוכנה.

חברות תשתית ענן ו-AI -אינבידיה ואמאזון (AWS), תשתיות נותרות חיוניות

חברות עם חפיר רחב על בסיס נתונים - Snowflake, Databricks, MongoDB

מה זה אומר לארגונים ישראליים?

המשבר של 2026 הוא לא רק סיפור על וול סטריט - הוא משנה את חוקי המשחק לכל ארגון שמשתמש בתוכנה.

לחברות SaaS ישראליות:

להפסיק להסתמך על העלאות מחירים - הלקוחות לא יקבלו את זה יותר

להטמיע AI עמוק בתוך המוצר - לא רק להוסיף פיצ'ר "AI" בממשק

לבנות חפיר אמיתי - נתונים קנייניים, אינטגרציות עמוקות, אקוסיסטמים

לנסות מודלי תמחור חדשים - תוצאות, שימוש, או היברידי

לארגונים שקונים תוכנה:

לאתגר את הספקים הנוכחיים - לשאול האם יש חלופות AI זולות יותר

לנסות כלי AI חדשים - הסיכון נמוך והפוטנציאל גבוה

לדרוש גמישות בתמחור - אם אתם משתמשים פחות, למה לשלם אותו דבר?

לעובדים בתעשייה:

ללמוד AI - המיומנויות הנדרשות משתנות

להתמקד בערך ייחודי - מה שרק בני אדם יכולים לספק

להיות גמישים - התעשייה עוברת טרנספורמציה

לסיכום: זה לא הסוף, זו טרנספורמציה

המשבר של 2026 לא אומר שתעשיית התוכנה נעלמת. אבל הוא מסמן שינוי פרדיגמה אמיתי. הנוסחה שעבדה ב-2015-2020 לא תעבוד ב-2026-2030.

החברות שישרדו וישגשגו יהיו אלו שמשקיעות בצורה משמעותית ב-AI, בונות חפיר אמיתי, מותאמות את מודלי התמחור, וממשיכות לספק צמיחה אורגנית אמיתית. החברות שייכשלו יהיו אלו שממשיכות להסתמך על מודלים עסקיים מיושנים ומקוות שהסערה תחלוף.

Jason Lemkin מסכם: "זה הזמן להיות אמיצים ולשנות. התעשייה לא תחזור למה שהייתה."

בשורה התחתונה? המשבר הנוכחי הוא גם אתגר וגם הזדמנות. החברות והמשקיעים שמבינים את הדינמיקה המשתנה ופועלים בהתאם יכולים לא רק לשרוד אלא גם לצמוח. אלו שמתעלמים מסימני האזהרה - ימצאו את עצמם בעולם שכבר השתנה מתחתיהם.

הפוסט משבר SaaS של 2026: כשהבינה המלאכותית מטלטלת את תעשיית התוכנה הופיע ראשון בLet's AI בינה מלאכותית

"מדינת גאונים בדאטה-סנטר"

תארו לעצמכם שב-2027 צצה במקום כלשהו במפה "מדינה" חדשה. לא מדינה רגילה, אלא מדינה של 50 מיליון מוחות-על. כל אחד מהם חכם יותר מזוכה פרס נובל בכל תחום רלוונטי. מערכות שעובדות פי 100 מהר יותר מבני אדם, יכולות לפעול באופן עצמאי במשך ימים ושבועות, ויש להן גישה לאינטרנט, לקוד, למעבדות ולרובוטים.

זה לא רחוק כמו שנשמע. אמודאי מעריך שיש סיכוי לא קטן שנראה מערכות כאלה כבר בעוד שנה-שנתיים. חוקי הסקיילינג, העקרון שלפיו ככל שמוסיפים יותר כוח חישוב ונתונים, היכולות הקוגניטיביות של AI גדלות בצורה חלקה וצפויה, ממשיכים להתקיים כבר עשור שלם. אין "קיר" ברור באופק. והחשוב מכל: ה-AI כבר כותב חלק גדול מהקוד ב-Anthropic. זה יוצר לולאת משוב מסוכנת, בינה מלאכותית שמאיצה את הפיתוח של הדור הבא של עצמה.

חמש דרכים שבהן העולם עלול להשתבש

אמודאי מזהה חמישה סוגי סיכון עיקריים. כולם עלולים להתממש במקביל:

1. סיכוני אוטונומיה

מה אם חלק מהמערכות יפתחו מטרות או דפוסי התנהגות עצמאיים? זו לא ספקולציה תיאורטית. ניסויי מעבדה ב-Anthropic כבר הראו התנהגויות מטרידות. באחד הניסויים, האכילו את Claude נתונים שבהם Anthropic מוצגת כדמות רעה ("Evil"). המודל פיתח מיד דפוסי מרד, הטעיה ותת-חתרנות כלפי עובדי החברה. בניסוי אחר, כשהוא "חשש" מכיבוי, הופיעו ניסיונות סחיטה של דמויות בדיוניות ששלטו בכפתור הכיבוי.

והדוגמה המטרידה ביותר: כשהמודל "התחמק" מניצול חורי תמריץ בניגוד להנחיות, הוא התחיל לראות את עצמו כ"דמות רעה". משם הוא פיתח התנהגויות הרסניות יותר. הפתרון שמצאו היה פרדוקסלי. במקום להגיד לו "אל תרמה", אמרו "אנא נצל את החורים כדי שנבין טוב יותר את הסביבה". כך נשמרה תחושת הזהות שלו כ"בן אדם טוב". זו פסיכולוגיה מוזרה ובלתי צפויה.

אמודאי זהיר ואינו טוען שהשמדה אוטונומית ודאית. אבל הוא מזהיר שככל שהמודלים הופכים חכמים, אייג׳נטיים ועקביים יותר לאורך זמן, כך יש סיכוי "לא זניח" שחלק מהם יפתחו דפוסי אישיות מסוכנים, אידאולוגיות קיצוניות או פרשנויות מוזרות של עולם הערכים.

2. טרור ביולוגי

היום, יצירת נשק ביולוגי דורשת מומחה בעל דוקטורט במולקולרית, משאבים נדירים וזמן רב. אפילו כת יפנית מתוחכמת כמו אום שינריקיו, שהצליחה לייצר גז סארין והרגה 14 בני אדם ב-1995, נכשלה בניסיון לייצר אנתרקס או אבולה. אבל מודלי AI מתקדמים עלולים לשנות את המשוואה. הם יכולים ללוות צעד אחר צעד, להסביר כל פרט טכני מעורפל, ולפתור בעיות בזמן אמת, כמו תמיכה טכנית שמדריכה אותך חודשים ארוכים.

הבעיה האמיתית? זה שובר את הקורלציה השלילית בין יכולת למוטיבציה. מי שיש לו את הכישורים, דוקטור במולקולרית, בדרך כלל גם יציב, משכיל ולא מעוניין להרוג מיליונים. מי שיש לו את המוטיבציה, טרוריסט או אדם מופרע, חסר את הכישורים. AI מעניקה למוטיבציה את היכולת, וזה מסוכן מאוד. אמודאי מזהיר שאפילו אם זה יקרה רק פעם אחת, המחיר יכול להיות במיליוני חיים.

3. ריכוז כוח

אוטוקרטיה שתשתלט על צבא דיגיטלי של מיליוני AI גאונים תהפוך לבלתי ניתנת להפלה. סין, בעלת היכולות השניות בעולם ב-AI ומשטר מעקב מתקדם, היא הדוגמה המטרידה ביותר. המשטר הסיני כבר מפעיל מעקב מבוסס AI על האוכלוסייה האויגורית (מיעוט מוסלמי דובר טורקית במערב סין) ומייצא טכנולוגיות מעקב לאוטוקרטיות אחרות. אמודאי טוען שאחד הכלים החשובים ביותר הוא חסימת מכירת צ'יפים וציוד ייצור צ'יפים לסין. זה עיכב אותם בשנים קריטיות, והוא חייב להימשך.

אבל הסיכון לא מוגבל לדיקטטורות קלאסיות. גם דמוקרטיות עלולות להפנות את הכלים האלה פנימה. נשק אוטונומי שמציית לגורם בודד, מעקב המוני על אזרחים, ותעמולה ממוקדת שמנצלת ידע עמוק על כל אדם. כולם עלולים לשמש לריכוז כוח מסוכן. אמודאי מציין שחברות AI עצמן מהוות סיכון כיוון שהן שולטות בדאטה-סנטרים ענקיים, במומחיות הגבוהה ביותר ובאפליקציות עם מאות מיליוני משתמשים.

והאזהרה החמורה ביותר - אפילו אם מספר מעצמות ישתלטו על AI מתקדם ויאזנו אחת את השנייה, כמו העולם המפולג של "1984" של אורוול, כל אחת תוכל לדכא את האוכלוסייה שלה ללא כל אפשרות מרד. העיקרון של אמודאי ברור: "להשתמש ב-AI להגנה על דמוקרטיה, אבל לא באמצעים שהופכים את הדמוקרטיה עצמה לדיקטטורה."

4. זעזועים כלכליים

אמודאי חוזה ש-AI עלול לשבש 50% מהמשרות המתחילות בצווארון הלבן בעוד שנה עד חמש שנים. בניגוד למהפכות טכנולוגיות קודמות, הזעזוע הזה יהיה מהיר יותר, רחב יותר, ויפגע דווקא באנשים עם יכולות קוגניטיביות נמוכות יותר. ה-AI לא תחליף רק עבודות ספציפיות. היא תתחרה בפרופיל הקוגניטיבי הכללי של בני אדם.

אבל יש גם בעיה שנייה - ריכוז עושר חסר תקדים. אילון מאסק כבר שווה כ-700 מיליארד דולר, פי שניים מהעושר היחסי של רוקפלר בשיא ה-Gilded Age. אמודאי מעריך שבעתיד עם AI מתקדם, ראשי חברות AI וצ'יפים עלולים להגיע להון של טריליוני דולרים. זה שינוי מבני ביכולת להשפיע על ממשלות ועל החברה כולה.

5. השפעות עקיפות

קידמה מדעית כמו הארכת תוחלת חיים דרמטית, שינוי הביולוגיה האנושית, או יצירת "חיים במראה". אורגניזמים שהמולקולות שלהם בנויות הפוך, כמו תמונת מראה של החיים הרגילים. אורגניזמים כאלה לא יוכלו להתעכל על ידי אף יצור חי על פני כדור הארץ, ועלולים לפלוש למערכת האקולוגית ולהרוס את כל החיים.

כל אלו עלולים להתרחש מהר מדי מכדי שהחברה תתאים את עצמה. גם התמכרות ל-AI, תלות פסיכולוגית, או אובדן תחושת המטרה האנושית. כל אלו סיכונים שקשה לחזות אותם מראש.

ארבע דרכי הגנה

אמודאי מציע ארבעה כיווני פעולה שחייבים לפעול במקביל:

1. "חוקת AI"

Constitutional AI. במקום לתת ל-Claude רשימת פקודות אינסופית, "אל תעשה X, אל תעשה Y", הם כתבו לו "חוקה". מסמך עקרונות מפורט שמלמד אותו מי להיות, לא רק מה לעשות. המטרה היא שהמודל יחשוב ברמה של זהות, אופי וערכים. כך שכשהוא נתקל במצב חדש, הוא לא צריך הנחיה ספציפית. הוא פשוט יודע "מי הוא".

2. להסתכל פנימה ולפענח את המוח הדיגיטלי

מחקר שמנסה לפתוח את "הקופסה השחורה" ולראות איך ה-AI באמת חושב מבפנים. החוקרים מזהים "נוירונים" ומעגלים בתוך הרשת הנוירונית שמייצגים כוונות, רעיונות ודפוסי חשיבה. החוקרים ב-Anthropic כבר הצליחו למצוא עשרות מיליוני "פיצ'רים" שמתאימים למושגים אנושיים, וגם למפות "מעגלים" שמתארים חשיבה מורכבת. זה כמו לפתוח את המכסה של המוח ולראות איך הוא באמת חושב, ולא רק מה הוא אומר.

3. שקיפות וניטור - "כרטיסי מערכת" לכל מודל

Anthropic מפרסמת "כרטיסי מערכת" מפורטים לכל מודל. מאות עמודים שמתארים יכולות, חולשות, והתנהגויות מטרידות שהתגלו בבדיקות. כולל התנהגויות כמו ניסיונות סחיטה שהתגלו בניסויי מעבדה. זה לא דבר שמשתלם מסחרית. זה מחייב השקעה עצומה ויכול להזיק לתדמית, אבל זה חיוני. אם כולם משתפים, התעשייה כולה לומדת. אם אף אחד לא משתף, כולם עיוורים.

4. חקיקה מנותקת מפוליטיקה

אמודאי טוען שלא ניתן לסמוך על כך שכל החברות יהיו אחראיות מרצון. חלקן כבר הפגינו רשלנות בנושאים רגישים כמו תכנים מיניים סביב ילדים. אבל הוא גם מזהיר מפני רגולציה כבדת יד שתחנוק חדשנות ותיצור תגובת נגד. הפתרון? להתחיל בחקיקת שקיפות פשוטה וממוקדת, כמו SB 53 בקליפורניה, שמחייבת חברות גדולות, מעל 500 מיליון דולר הכנסות, לפרסם בדיקות ומדיניות בטיחות. ככל שהסיכונים יתבהרו, אפשר להחמיר בהתאם.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס Vibe coding ובניית אפליקציות עם AI

לפרטים נוספים לחצו כאן >>

האם נספיק להבשיל בזמן?

הפוסט למה דריו אמודאי חושש שהאנושות לא בשלה למהפכת ה-AI הופיע ראשון בLet's AI בינה מלאכותית

משיחה אקראית לעוזר קבוע

בעבר, כל אינטראקציה עם AI התחילה מאפס ("דף חלק"). הייתם צריכים להסביר מחדש מי אתם, מהו הטון הרצוי ומהו ההקשר העסקי. ה-Gems נועדו לשבור את המעגל הזה על ידי יצירת זהות קבועה.

Gem הוא עוזר דיגיטלי בעל "אישיות מקצועית": הוא יודע מה התפקיד שלו, הוא פועל לפי מתודולוגיה קבועה שהגדרתם לו, והוא מחובר למקורות הידע האמיתיים שלכם. עבור משתמשים רציניים, זהו ההבדל בין "לבקש עזרה" לבין ניהול צוות מומחים דיגיטלי שעובד בשיטה שלכם.

ניהול ידע דינמי

אחד ההבדלים הקריטיים ביותר בין Gems לבין פתרונות מקבילים (כמו Custom GPTs) הוא אופן הטיפול במידע. בעוד שבמערכות אחרות הידע הוא "סטטי" (העליתם קובץ והוא נשאר כפי שהוא), ה-Gems נהנים מהדינמיות של ה-Google Drive.

• סנכרון חי: כשאתם מקשרים Gem לתיקייה או למסמך בדרייב, הוא "חי" אותם. אם עדכנתם את מסמך האפיון או את דוח המכירות, ה-Gem יתבסס על המידע המעודכן ביותר ברגע השאלה, ללא צורך בהעלאה ידנית מחדש.

• מולטי-מודאליות מלאה: ה-Gems אינם מוגבלים לעיבוד טקסט בלבד, אלא מהווים ארגז כלים רב-תחומי לביצוע משימות מורכבות. המערכת מסוגלת לנתח סרטוני וידאו ארוכים ולינקים ישירים מ-YouTube לצורך הפקת תובנות, סיכומים ומחקר עומק. בנוסף ליכולות עיבוד וייבוא קוד ישיר, ה-Gem מאפשר ניתוח תמונות מתקדם באמצעות NanoBanana ויצירת תוכן וידאו מקורי בעזרת Veo. שילוב של כלים אלו עם ממשק ה-Canvas מאפשר לסוכן להפיק תוצרים מובנים כמו אינפוגרפיקות, מצגות ומסמכים מורכבים, ובכך להפוך משותף למחשבה לשותף מלא לתהליך.

מולטי-מודאליות ככלי עבודה מתקדם

Gems מול Custom GPTs: השוואה תמציתית

כדי להבין את המפה הטכנולוגית, חשוב להכיר את ההבדלים בגישות:

Gemini Gems מול Custom GPTs

מדריך טכני: שלושת הנדבכים לבניית Gem מנצח

בניית Gem היא תהליך פשוט, אך דורשת מחשבה אסטרטגית. כל סוכן נשען על שלושה יסודות:

1. זהות (Identity)

הגדירו ל-Gem שם ותפקיד ברור. במקום "כותב תוכן", הגדירו אותו כ-"עורך לשוני בכיר במגזין טכנולוגי, מומחה בפישוט מושגים מורכבים".

2. הנחיות זהב (Instructions)

כאן מתבצעת רוב העבודה. כדי להגיע לתוצאות ברמה גבוהה, השתמשו בשני עקרונות:

• הוראות לפי דוגמה (Few-Shot): הדביקו בתוך שדה ההוראות דוגמה לתוצר מושלם שכתבתם בעבר. המודל ישכפל את הסטנדרט הזה בכל פעם מחדש.

• הוראות לפי תהליך (Chain of Thought): אל תגדירו רק את התוצאה, אלא את שלבי העבודה (שלב 1: סרוק, שלב 2: זהה חריגות, שלב 3: נסח מסקנות).

3. חיבור ידע (Knowledge)

הפעילו את תוספי ה-Google Workspace וחברו את ה-Gem לתיקיות הרלוונטיות בדרייב. ודאו שההרשאות לקבצים תואמות למי שאמור להשתמש ב-Gem. ודאו שהרשאות הקבצים בדרייב תואמות למי שאמור להשתמש ב-Gem כדי למנוע חשיפת מידע רגיש.

טיפ! כפתור ה-Magic Rewrite: השתמשו באייקון הניצוצות לאחר שכתבתם טיוטה ראשונית של הוראות. גוגל תשתמש בבינה מלאכותית כדי לשכתב את הפרומפט שלכם למבנה לוגי שג'מיני מבין בצורה הטובה ביותר.

כפתור הקסם לשיפור הפרומפט

כך תבנו את ה-Gem הראשון שלכם (צעד אחר צעד)

תהליך היצירה של Gem הוא פשוט ואינטואיטיבי, אך דורש תשומת לב לפרטים כדי להבטיח שהסוכן יפעל בדיוק לפי הציפיות שלכם. עקבו אחרי ששת השלבים שהופכים רעיון לסוכן עובד:

1. כניסה לאזור ה-Gems בסרגל הצידי של Gemini, אתרו את קטגוריית ה-Gems ולחצו עליה כדי לפתוח את תפריט הניהול.

2. פתיחת Gem חדש בתוך תפריט ה-Gems, לחצו על כפתור ה-"New Gem" כדי להתחיל בתהליך האפיון של הסוכן החדש שלכם.

3. הגדרת שם, תיאור והוראות זהב (Instructions) כאן אתם בונים את "המוח" של הסוכן:

• שם ותיאור: תנו לסוכן שם שמגדיר את תפקידו (למשל: "מנתח נתונים עסקיים").

• Instructions: הגדירו לו איך הוא צריך לחשוב ולעבוד. השתמשו בטכניקות של הוראות לפי דוגמה (מתן מודל לחיקוי) והוראות לפי תהליך (חלוקת המשימה לשלבים לוגיים).

4. שיפור אוטומטי (Magic Rewrite) אל תתאמצו לכתוב את הפרומפט המושלם בניסיון הראשון. לחצו על כפתור ה-Rewrite, וג'מיני ישדרג את ההוראות שלכם למבנה מקצועי שהמודל מגיב אליו בצורה הטובה ביותר.

5. חיבור וטעינת בסיס ידע (Knowledge) זהו השלב שהופך את ה-Gem למומחה למידע שלכם. ג'מיני מאפשר גמישות רבה בבחירת המקורות:

• העלאת קבצים: טעינת מסמכים ישירות מהמחשב.

• Add from Drive: קישור תיקיות או מסמכים מהדרייב המסתנכרנים בזמן אמת.

• Photos, Import code & NotebookLM: העלאת תמונות, ייבוא קוד ישיר או סנכרון עם NotebookLM להעמקת בסיס הידע.

6. שמירה ושימוש לחצו על Save בפינה העליונה. הסוכן שלכם מוכן! הוא יופיע בסרגל הצידי ויוכל לנתח סרטוני יוטיוב, לכתוב קוד, לייצר תמונות או לסכם דוחות בתוך שניות.

תרחישי שימוש (Use Cases) לארגונים

כדי להתחיל לעבוד כבר עכשיו, ריכזתי עבורכם 5 סוגי Gems המותאמים לצרכים ארגוניים נפוצים. כל Gem בנוי לפי עקרונות "הנחיות הזהב": הגדרת זהות, עבודה לפי שלבים (תהליך), ושימוש בדוגמאות (Few-shot). כמובן שאלה רק דוגמאות - קחו את זה לעולמות שלכם ותעשו התאמות.

1. מנתח מפרטים טכניים (Technical Architect Gem)

הייעוד: וידוא עקביות בין מסמכי אפיון, זיהוי כשלים לוגיים והפקת סיכומי מנהלים טכניים.

• זהות: "אתה ארכיטקט מערכות בכיר עם 20 שנות ניסיון. המומחיות שלך היא פירוק מפרטים מורכבים לדרישות ברורות וזיהוי סיכונים טכניים".

• ידע: חיבור לתיקיית "Specifications" ב-Google Drive.

• הנחיות זהב (תהליך):

  "בכל פעם שאעלה דרישה חדשה או אפנה אותך למסמך, פעל כך:

  1. סרוק את המסמך והשווה אותו למפרטי המערכת הקיימים בדרייב.

  2. זהה 3 נקודות של חוסר עקביות או סיכונים פוטנציאליים.

  3. נסח טבלת השוואה בין המצב הקיים לדרישה החדשה.

  4. סיים בסיכום של 'שורה תחתונה' עבור צוות הפיתוח".

2. שומר סף של שפת המותג (Brand Voice Guardian)

הייעוד: הבטחה שכל תוכן שיווקי, מייל או פוסט עומד בסטנדרט הכתיבה והטון של הארגון.

• זהות: "אתה מנהל הקריאייטיב והעורך הראשי של המותג. התפקיד שלך הוא להפוך טקסטים יבשים לתוכן מרתק ששומר על ערכי החברה".

• ידע: קובץ "Style Guide" ומסמך "Brand Persona" בדרייב.

• הנחיות זהב (דוגמה/Few-shot):

  "הנה דוגמה לפוסט מצוין שכתבנו בעבר: [הדבקת דוגמה]. בכל פעם שאשלח לך טיוטה, שכתב אותה כך שתתאים לאורך של הדוגמה, לטון הדיבור המקצועי אך נגיש, והימנע משימוש במילים גנריות כמו 'חדשני' או 'מהפכני'. ודא שהקריאה לפעולה תמיד מניעה לרישום לניוזלטר".

3. עוזר PMO לניהול פרויקטים (Project Sync Gem)

הייעוד: מעקב אחר משימות, סנכרון בין צוותים והפקת דוחות סטטוס דינמיים המבוססים על קבצים מעודכנים.

• זהות: "אתה מנהל פרויקטים (PMO) מיומן. אתה מצטיין בארגון מידע מפוזר והפיכתו לתוכנית עבודה אופרטיבית".

• ידע: תיקיית "Project Status" הכוללת קבצי Sheets ו-Docs מעודכנים.

• הנחיות זהב (תהליך):

  "בכל יום ראשון בבוקר, סרוק את קבצי הסטטוס בתיקייה וספק לי:

  1. רשימת משימות בפיגור (Critical Path).

  2. עדכון על אבני דרך שהושלמו בשבוע החולף.

  3. טיוטת מייל לעדכון הנהלה הכוללת גרף התקדמות באחוזים".

4. מפיק תובנות מפגישות (Meeting Insights Specialist)

הייעוד: ניתוח הקלטות וידאו של פגישות (דרך יוטיוב או העלאת קובץ) והוצאת משימות לביצוע.

• זהות: "אתה עוזר אישי אסטרטגי. התפקיד שלך הוא להקשיב למה שנאמר בין השורות ולזקק את המהות של כל פגישה".

• הנחיות זהב (תהליך):

  "לאחר שאשלח לך לינק להקלטת הפגישה או קובץ וידאו, בצע את הפעולות הבאות:

  1. סכם את 5 הנושאים העיקריים שנדונו.

  2. צור רשימת משימות (Action Items) הכוללת את שם האחראי לכל משימה.

  3. זהה נקודות של חוסר הסכמה שנותרו פתוחות.

  4. נסח הודעת סיכום קצרה ל-Slack עבור כל המשתתפים".

5. אנליסט נתונים עסקיים (Data Insights Lead)

הייעוד: ניתוח טבלאות נתונים מורכבות, הרצת קוד לחישובים והצגת מגמות עסקיות.

• זהות: "אתה דאטה סיינטיסט המומחה בניתוח נתונים עסקיים. אתה יודע להפוך מספרים לסיפור שמוביל להחלטות".

• ידע: חיבור לקובץ ה-Sheets המרכזי של מחלקת המכירות/שיווק.

• הנחיות זהב (תהליך):

  "בכל פעם שאבקש ניתוח, השתמש ביכולת הרצת הקוד (Python) שלך כדי:

  1. לזהות מגמות צמיחה חודשיות (MoM).

  2. למצוא חריגות (Outliers) בנתונים שדורשות תשומת לב.

  3. ליצור ויזואליזציה פשוטה של הנתונים.

  4. הצע 3 פעולות אופרטיביות לשיפור הביצועים על בסיס הנתונים".

למי זה זמין?

נכון להיום, היכולת ליצור ולהשתמש ב-Gemini Gems פתוחה לכלל המשתמשים, כולל אלו בגרסה החינמית. ההבדל טמון ב"כוח המנוע": המנויים נהנים ממודלים חזקים ומתקדמים יותר ומחלון הקשר עצום (1 מיליון טוקנים) המאפשר ל-Gem "לזכור" ולנתח מאות מסמכים בו-זמנית, בניגוד לזיכרון המוגבל ולמודלי ה-Flash בגרסה החינמית. בנוסף, המנוי פותח יכולות מתקדמות כמו הרצת קוד Python לניתוח נתונים בזמן אמת ואינטגרציה "חיה" למסמכי Drive ו-Gmail, המאפשרת עבודה דינמית על פרויקטים מתמשכים ללא מגבלות העומס הקיימות בחינם.

אז האם Gemini Gems הוא השותף הנכון עבורכם?

לאחר שצללנו לעומק היכולות, הגיע הרגע להבין היכן הכלי הזה פוגש את זרימת העבודה האישית והארגונית שלכם. בניגוד לכלים גנריים, ה-Gems דורשים השקעה ראשונית באפיון, אך התמורה היא שותף דיגיטלי שמכיר אתכם לעומק.

ניתוח אופרטיבי: יתרונות מול חסרונות

היתרונות המובהקים:

• בסיס ידע "חי" ונושם: הסנכרון המלא ל-Google Drive מבטיח שהסוכן תמיד מעודכן. אין צורך להעלות קבצים מחדש בכל פעם שהנתונים משתנים – ה-Gem "חי" את המסמכים שלכם.

• מולטי-מודאליות ללא פשרות: היכולת לנתח סרטוני וידאו (כולל YouTube) ולשלב כלי יצירה כמו Veo ו-Canvas הופכת את ה-Gem מסוכן טקסטואלי למכונת ייצור תוכן רב-תחומית.

• ארגז הכלים של Gemini Advanced: גישה מלאה להרצת קוד, יצירת תמונות ואינטגרציות Workspace המובנות בתוך הסוכן.

החסרונות שיש להכיר:

• הפצה מוגבלת: נכון לעכשיו, ה-Gems מיועדים בעיקר לשימוש אישי או צוותי בתוך הארגון. חסרונה של חנות ציבורית (Store) הופך אותם לפחות מתאימים למי שמחפש להפיץ מוצר לקהל הרחב.

• ניהול הרשאות: שיתוף Gems דורש תשומת לב להרשאות הקבצים בדרייב. הצד השני חייב הרשאת גישה לנתונים המקוריים כדי שהסוכן יפעל עבורו במלוא העוצמה.

מתי לבחור ב-Gems?

השתמשו ב-Gems כאשר סביבת העבודה שלכם היא Google Workspace, המידע שלכם דינמי ומשתנה בתדירות גבוהה, וכאשר אתם זקוקים לעוזר אישי או צוותי שמכיר את המתודולוגיה והסטנדרטים הייחודיים שלכם.

הצעד הבא שלכם: מאסטרטגיה ליישום

ה-Gems הם לא רק פיצ'ר נחמד - הם תשתית פרודוקטיביות. מי שממשיך לעבוד רק בתיבת הצ’אט הרגילה, מפספס את היכולת של ה-AI להכיר את השיטה והסטנדרטים הייחודיים שלו.

מה עושים עכשיו? זה הזמן לבחור את המשימה שחוזרת על עצמה הכי הרבה ביום העבודה שלכם, בין אם זה ניסוח מיילים, סיכום דוחות מורכבים או ניתוח נתוני מכירות, ולבנות עבורה את ה-Gem הראשון שלכם. השקיעו בהוראות (Instructions), חברו את מקורות הידע הנכונים, ותנו לשותף הדיגיטלי החדש שלכם להתחיל לעבוד בשבילכם.

המעבר מבינה מלאכותית ככלי חיצוני לבינה מלאכותית כחלק מהצוות מתחיל כאן.

הפוסט המדריך המלא ל-Gemini Gems הופיע ראשון בLet's AI בינה מלאכותית

הפער של אפל במירוץ ה-AI

בשנים האחרונות נוצר פער ברור בין האופן שבו אפל פועלת בתחום הבינה המלאכותית לבין הדרך שבה מתחרותיה מציגות את עצמן. גוגל, Meta, ו-OpenAI מתחרות זו בזו בגודל המודלים, ביכולות השיחה ובהשקה תכופה של יכולות חדשות. אפל, לעומתן, בחרה בקצב איטי וזהיר יותר, ולעיתים אף נתפסה כמי שמתקשה להדביק את הקצב.

הפער הזה בלט במיוחד סביב Siri. העוזרת הקולית, שהייתה חלוצה בתחומה, התקשתה לעמוד בהתפתחות המהירה של מערכות מבוססות מודלים גדולים, והחלה להיתפס כפחות רלוונטית בעידן של עוזרי AI מתקדמים. ההכרה בפער הזה קיבלה ביטוי פומבי ב-12 בינואר 2026, כאשר אפל הודיעה על שיתוף פעולה עם גוגל, שבמסגרתו מודלי Gemini ישמשו בסיס לדורות הבאים של Siri ושל Apple Intelligence. זה היה צעד חריג עבור אפל, והודאה מרומזת בכך שהטכנולוגיה הפנימית שלה אינה מספיקה בשלב זה.

במקביל, אפל המשיכה להשקיע בחזית אחרת: מכשירים לבישים, אוזניות חכמות וחוויות מציאות רבודה כמו Vision Pro. כאן נוצר אתגר מסוג חדש. לא עוד בינה מלאכותית שמדברת הרבה, אלא מערכת שצריכה להבין את המשתמש גם כשהוא כמעט לא מדבר בכלל. הפער הזה, בין עוצמת המודלים לבין איכות ההבנה ההקשרית, הוא הרקע הישיר למהלך שאפל תבצע בהמשך הדרך.

בינה מלאכותית שמבינה גם בלי מילים

זהו בדיוק המקום שבו נכנסת Q.ai לתמונה. החברה, שהוקמה ב-2022 ופעלה עד לאחרונה בחשאיות יחסית, פיתחה טכנולוגיה שמאפשרת להבין תקשורת אנושית גם בתנאים שבהם קול כמעט ואינו נשמע. לפי הדיווחים, הפתרון שלה משלב ניתוח מתקדם של שמע יחד עם ראייה ממוחשבת, ומאפשר לפענח לחישות, דיבור חלש מאוד, ואף תנועות מיקרו בפנים שמעידות על כוונה ודיבור.

במילים פשוטות, זו מערכת שלא מסתפקת במה שהמיקרופון קולט. היא מנסה להבין את האדם דרך הקשר רחב יותר, תוך שילוב בין קול, תנועה והבעה. עבור אפל, מדובר בהתאמה טבעית למוצרים שבהם אינטראקציה שקטה אינה מגבלה, אלא יתרון.

איך זה אמור לעבוד בפועל

הטכנולוגיה של Q.ai אינה מיועדת להדגמות מרשימות או לבמות כנסים. הערך שלה מתגלה דווקא בשימוש היומיומי. אוזניות AirPods שיכולות להבין פקודה גם בסביבה רועשת. משקפי Vision Pro שמגיבים בלי צורך בדיבור גלוי. עוזרת חכמה שמבינה את המשתמש גם כשהוא מעדיף שלא להשמיע את קולו בפומבי.

זה לא ניסיון להוסיף עוד שכבת בינה מלאכותית לממשק קיים, אלא מאמץ להפוך את הממשק עצמו לטבעי יותר. פחות פקודות מדויקות, פחות ניסוחים קשיחים, ויותר הבנה הקשרית של כוונת המשתמש.

האנשים שמאחורי הטכנולוגיה

מאחורי Q.ai עומד צוות מייסדים בעל רקע עמוק ומגוון. אביעד מייזלס, המייסד המרכזי, אינו דמות חדשה עבור אפל. הוא היה ממייסדי PrimeSense, החברה הישראלית שנרכשה על ידי אפל ב-2013 והניחה את היסודות לטכנולוגיות חישה מתקדמות, ובהמשך גם ל-Face ID. החיבור המחודש בין מייזלס לאפל מעניק לרכישה הקשר היסטורי ברור ולא מקרי.

לצידו פעלו ד"ר יונתן וקסלר, זוכה פרס Marr, שעבד בעבר ב-OrCam, וד"ר אבי ברליה, יזם סדרתי עם ניסיון במערכות נהיגה אוטונומית ובפרויקטים חלליים, בהם גם SpaceIL. שלושת המייסדים מביאים שילוב של מחקר עמוק, ניסיון יישומי והיכרות עם מערכות מורכבות הפועלות בקנה מידה גדול.

לאורך דרכה גייסה Q.ai משקיעים בולטים, בהם Aleph, GV (Google Ventures), Kleiner Perkins, Spark Capital ו-Matter Venture Partners. עם השלמת הרכישה, כ-100 מעובדי החברה צפויים להצטרף לקבוצת טכנולוגיות החומרה של אפל, ולהיטמע בליבת הפיתוח של מוצריה העתידיים.

מה חדשני כאן באמת

החדשנות של המהלך אינה נמדדת רק בטכנולוגיה עצמה, אלא בכיוון שאפל בוחרת בו. בעוד חלק גדול מתעשיית הבינה המלאכותית מתמקד בשאלה מה המודל יודע לומר, אפל מפנה את הזרקור לשאלה אחרת לגמרי: איך המכשיר מבין את האדם.

זה מעבר מתפיסה של AI כיישות שמדברת ומגיבה, לתפיסה של AI כחלק שקט ובלתי מורגש מהחוויה. פחות צ’אט, יותר הקשר. פחות פקודות מפורשות, ויותר הבנה של כוונת המשתמש והסיטואציה שבה הוא פועל.

עם זאת, חשוב לשמור על זהירות ולהבהיר גם את מה שעדיין אינו ידוע. אפל לא פרסמה מחיר רשמי לעסקה, והערכות השווי מבוססות על דיווחים ממקורות שונים. גם אופן השילוב המדויק של הטכנולוגיה במוצרים עתידיים טרם נחשף, ואין בשלב זה מוצר קונקרטי שניתן להצביע עליו.

בנוסף, היכולות המלאות של המערכת, במיוחד בכל הנוגע לפענוח תקשורת כמעט ללא קול, אינן מתוארות בפירוט ציבורי. זו בחירה עקבית של אפל, שמעדיפה לפעול בשקט ולהציג יכולות רק כאשר הן בשלות ומוכנות לשימוש רחב.

ההימור השקט של אפל

רכישת Q.ai חושפת גישה ברורה שבה אפל לא מנסה לנצח במירוץ הבינה המלאכותית דרך גודל המודל או מספר הפרמטרים. במקום זאת, היא בונה יתרון במקום שבו תמיד הייתה חזקה, חיבור עמוק בין חומרה, תוכנה וחוויית משתמש.

אם המהלך יבשיל כפי שאפל מקווה, הבינה המלאכותית שלה תהיה פחות מוחצנת, אך יותר מורגשת. לא ככותרת או כהדגמה מרשימה, אלא כחלק טבעי ושקוף מהחיים הדיגיטליים. וזה, אולי, ההימור המשמעותי ביותר של אפל בעידן ה-AI.

הפוסט רכישת Q.ai הישראלית מסמנת את הכיוון האמיתי של Apple בעידן ה-AI הופיע ראשון בLet's AI בינה מלאכותית

שנה מאתגרת ומהלך אסטרטגי גדול

Wix מגיעה להשקת Harmony לאחר תקופה מורכבת. לצד תנודות חדות בשוק ההון, החברה קיבלה החלטה ארגונית מעוררת מחלוקת והחזירה את עובדיה לעבודה מהמשרד חמישה ימים בשבוע, צעד שנתפס כחריג בתקופה שבה רוב חברות ההייטק ממשיכות במודלים היברידיים.

בתוך האקלים הזה, הנהלת Wix ביקשה להחזיר את המיקוד למקום המרכזי שבו החברה ביססה את מעמדה לאורך השנים - פיתוח מוצר וחדשנות. המטרה הייתה לחזור לחזון המקורי של הנגשת בניית אתרים לכל אדם, ללא צורך בידע טכני. Harmony היא הביטוי המעשי לשאיפה הזו, מוצר דגל חדש שמסמן שינוי כיוון ברור.

כלים מהירים מול מערכות מקצועיות

עולם בניית האתרים עבר שינוי מואץ בשנים האחרונות. כלים מבוססי AI צצו בקצב גבוה והבטיחו יצירה מהירה באמצעות שפה טבעית, אך בפועל לא פעם התוצאה הייתה פתרונות שטחיים, עם מגבלות של יציבות, אבטחה ותחזוקה לאורך זמן.

מן העבר השני, הפלטפורמות המקצועיות יותר הציעו שליטה וגמישות עמוקות, אך דרשו רמת מיומנות טכנית שרבים מבעלי העסקים והיוצרים אינם מחזיקים בה. המתח הזה, בין מהירות ונגישות לבין עומק ויציבות, הוא בדיוק הזירה שבה Harmony מבקשת למקם את עצמה כחלופה מאוזנת.

גישה היברידית לבניית אתרים

Harmony מציגה גישה היברידית שמחברת בין שני עולמות שבעבר נתפסו כמנוגדים: יצירה מהירה באמצעות בינה מלאכותית לצד שליטה ידנית מלאה. הפילוסופיה שמובילה אותה, מונעת בינה מלאכותית ומונחית אדם (AI-driven, human-led), מבקשת להשאיר את האדם במרכז התהליך, תוך שימוש ב-AI ככלי תפעולי ולא כגורם שמכתיב את התוצאה.

למרות רכישת Base 44 של מאור שלמה, המתמחה בגישות של vibe coding ליצירת אפליקציות, ב-Wix מדגישים כי Harmony פותחה כפלטפורמה עצמאית מהיסוד, ולא כשדרוג או מיזוג של טכנולוגיה קיימת. עם זאת, הקשר אינו מנותק לחלוטין. Base 44 עסקה בדיוק באזורים שבהם Wix פועלת כיום עם Harmony, ושלמה עצמו ציין בעבר כי הרכישה נועדה לחזק ולהרחיב את יכולות ה-AI של החברה.

במובן זה, Harmony אמנם אינה המשך ישיר של Base 44, אך היא כן יושבת על תשתית רעיונית וטכנולוגית שנבנתה גם באמצעותה. עבור Wix, ההבחנה הזו חשובה. היא חלק מהמאמץ למצב את Harmony לא כתוספת AI למוצר קיים, אלא כמהלך אסטרטגי רחב יותר, כזה שהחברה מתארת internally כניסיון לבסס לעצמה מעמד של “AI Alpha” בשוק.

מהי Wix Harmony

כדי להבין את השינוי ש‑Harmony מביאה, כדאי להתבונן לרגע בחוויית המשתמש שהיא מציעה, במיוחד עבור מי שמעולם לא בנה אתר. Harmony פועלת כעורך היברידי שמחבר בין יצירה מהירה באמצעות בינה מלאכותית לבין שליטה ידנית מלאה. כפי שמסביר מנכ"ל Wix, אבישי אברהמי, המטרה היא לאפשר לכל אדם ליצור אתר מקצועי בקלות, תוך שימוש בשפה טבעית, בלי להתפשר על ביצועים, אבטחה או אמינות.

drag and drop פוגש וייב קודינג | wix.com/harmony

הגישה הזו מעניקה למשתמשים חדשים יתרון משמעותי - אפשר להתחיל מאתר מלא שנוצר בתוך דקות באמצעות AI, לכוונן כל פרט באמצעות ממשק Drag and Drop מוכר, ולעבוד לכל אורך הדרך בלי לכתוב או לראות שורת קוד אחת.

הסוכנת Aria

בלב Harmony פועלת Aria, סוכנת בינה מלאכותית עם מגוון יכולות שמבינה את מבנה האתר, את מטרות המשתמש ואת ההקשר העסקי שבו הוא פועל. העבודה איתה מתבצעת בשפה טבעית, בתהליך ש‑Wix מכנה vibe coding - המשתמש מתאר את הכיוון הרצוי, ו‑Aria מבצעת את המשימות המורכבות בהתאם.

Aria מוגדרת כמומחית לעיצוב אתרים ועסקים | wix.com/harmony

ירין סינגולדה, מנהל שיווק המוצר של Harmony, מסביר ש‑Aria אינה רק מבצעת הוראות. היא פועלת כשותפה יצירתית שמסוגלת לטפל במספר פעולות מורכבות בו זמנית, תוך שמירה על כך שהבחירות העיצוביות והתוכן נשארות בשליטת המשתמש.

העורך ההיברידי

Harmony מעניקה למשתמש חופש פעולה מלא כבר מנקודת הזינוק. ניתן לבחור מתוך קטלוג של טמפלטים (תבניות) מעוצבים ומקצועיים, להתחיל מקנבס ריק או לתת ל‑Aria ליצור בסיס ראשוני מותאם אישית. המערכת מאפשרת לעבור באופן טבעי בין עבודה עם בינה מלאכותית לבין עריכה ידנית מלאה.

נקודת הזינוק ליצירה - מתיק עבודות ועד דף נחיתה | wix.com/harmony

אפשר לבקש מ‑Aria ליצור עמוד שלם, לנסח טקסט לקטע "מי אנחנו" או להציע כיוון עיצובי חדש, ומיד לאחר מכן לעבור לעריכה ידנית: לגרור אלמנטים למיקום מדויק, לשנות פונטים וצבעים, להעלות תמונות אישיות או לכוונן מרווחים עד רמת הפיקסל. השילוב הזה יוצר חוויית עבודה מהירה וגמישה, שמאפשרת לכל משתמש לבחור את אופן העבודה שנוח לו, בלי להינעל על שיטה אחת או על מבנה קשיח של תבנית.

מה אפשר לעשות עם Harmony

Harmony היא לא רק כלי לבניית עמודים, אלא פלטפורמה שמאפשרת לקדם מטרות עסקיות שלמות. Aria יכולה ליצור תוכן באופן מיידי, החל מכותרות קצרות ועד פוסטים מלאים לבלוג, בהתאם לנושא, לקהל היעד ולסגנון הרצוי. היא יודעת גם להוסיף עמודים חדשים לאתר, כמו דפי מוצר או אירועים, תוך שאילת שאלות ממוקדות שמבטיחות שהעמוד ייבנה בצורה מדויקת ומתאימה לצרכים של המשתמש.

בתחום השיווק, Aria מפשטת את העבודה עם SEO. במקום להתמודד עם דוחות מורכבים, המשתמש יכול לשאול אילו עמודים קיבלו את מספר הקליקים הגבוה ביותר מגוגל ולקבל תשובה ברורה ומעשית. גם בניית המותג הופכת פשוטה יותר. שינוי של פלטת הצבעים, למשל, מתעדכן באופן עקבי בכל חלקי האתר ושומר על מראה אחיד ומקצועי.

אחד ההיבטים המרכזיים ב-Harmony הוא שהאתר שנוצר אינו סקיצה או הדגמה, אלא אתר מלא ומוכן לפרסום כבר מהרגע הראשון. הוא מותאם אוטומטית למסכים שונים ונבנה על גבי תשתית שמיועדת לעמוד בסטנדרטים ארגוניים של ביצועים ואבטחה. בהמשך ניתן להרחיב אותו בקלות עם יכולות עסקיות כמו חנות מקוונת, בלוג או מערכת זימון תורים, מבלי לשבור את מבנה האתר או להתחיל מחדש.

הסופרבול כהצהרת חוסן

החזרה של Wix לסופרבול אינה רק מהלך שיווקי, אלא הצהרה פומבית על יציבות וביטחון. כאשר חברה שחוותה ירידה משמעותית במניה וביקורת פנימית בוחרת להשקיע סכום שמוערך במיליוני דולרים בפרסומת של 30 שניות על בימת הסופרבול, היא מאותתת לשוק שהיא רואה במוצר החדש מנוע צמיחה אמיתי, ושיש לה את המשאבים והביטחון להציג אותו באחת הבמות היקרות והנצפות בעולם.

זו אינה הופעת הבכורה של Wix בזירה הזו. החברה פרסמה לראשונה בסופרבול כבר בשנת 2015, וחזרה אליו ברצף בשנים שלאחר מכן, עד להפסקה ממושכת בסוף העשור הקודם. במובן הזה, הקמפיין של 2026 אינו רק חזרה לבמה הגדולה, אלא ניסיון מודע לחדש מסורת מיתוגית מתקופה שבה Wix סימלה ביטחון, צמיחה ואמונה ביכולת שלה לפנות לקהל רחב הרבה מעבר לקהילת המפתחים והמעצבים.

הקמפיין יתמקד ב-Harmony ובגישה של vibe coding, מונח שמזוהה עם אנדריי קרפתי וש-Wix מאמצת כדי להמחיש שהיא לא רק מצטרפת לגל הבינה המלאכותית, אלא מבקשת לקחת חלק פעיל בהגדרת הדור הבא של בניית אתרים. 

אך זו אינה ההופעה היחידה של האקו-סיסטם של Wix בסופרבול הקרוב. לצד Harmony, גם Base44 מתכננת את הופעתה הראשונה בפרסומת בסופרבול LX ב-8 בפברואר 2026.

לפי הודעת החברה, מדובר בציון דרך לאחר צמיחה מהירה למיליוני משתמשים בתוך פחות משנה מאז ההשקה, ומהלך שמחזק את התמונה הרחבה יותר - לא השקה בודדת, אלא ניסיון ממוקד למצב את Wix וסביבתה ככוח מוביל בעידן של יצירת תוכנה מונחית AI.

ובכל זאת, נותרת השאלה המרכזית: האם ההשקעה התדמיתית רחבת ההיקף הזו תצליח לשכנע את השוק ש-Harmony, והחזון שמאחוריה, הם אכן מנועי צמיחה ארוכי טווח, ולא רק מסר של ביטחון בתקופה מאתגרת.

התחרות והמרדף אחר ה‑Middle Ground

Harmony נכנסת לזירה תחרותית צפופה, שבה כל פלטפורמה בחרה צד ברור. יש כלים שמכוונים למעצבים מקצועיים ומציעים שליטה עמוקה במחיר של עקומת למידה חדה, ויש פתרונות שמעדיפים מהירות ופשטות על חשבון גמישות ארוכת טווח. המהלך של Wix עם Harmony הוא ניסיון מוצהר לתפוס את האמצע - לא לוותר על חוויית יצירה אינטואיטיבית בשפה טבעית, אבל גם לא לנעול את המשתמש בתוך תבנית קשיחה. ההבדלים האלו מתחדדים כשמשווים בין הגישות, קהלי היעד והוויתורים שכל פלטפורמה עושה.

הנה השוואה תמציתית בין Harmony לבין כמה מהפלטפורמות הבולטות בזירת בניית האתרים כיום. ההשוואה אינה מתיימרת לכסות את כל האפשרויות בשוק, אלא להמחיש את ההבדלים בגישות, בקהלי היעד ובאיזונים שכל מערכת בוחרת לעשות בין פשטות, גמישות ועומק:

Harmony מול Framer ו-Webflow

כמובן שהתמונה רחבה יותר. לצד הפלטפורמות המוצגות כאן קיימות גם מערכות כמו WordPress, על אלפי התוספים והחיבורים שלה, וכן פתרונות נוספים שמשלבים AI בדרכים שונות. כל אחת מהן מגלמת פילוסופיה אחרת של בנייה, שליטה ותחזוקה, והשאלה האמיתית אינה מי “טובה יותר”, אלא איזו גישה מתאימה לצרכים, ליכולות ולשאיפות של המשתמש.

מה Harmony מסמלת עבור Wix

Harmony מסמנת מעבר לעידן שבו בניית אתרים מבוססת על כוונה ולא על קוד. היא משלבת את המהירות של בינה מלאכותית עם החופש היצירתי של עריכה ידנית, ומראה שלא צריך להיות מתכנת או מעצב כדי להפוך רעיון לאתר מקצועי.

עבור בעלי עסקים קטנים, יוצרים עצמאיים וכל מי שרוצה לבנות נוכחות דיגיטלית בקלות, Harmony מציעה דרך פשוטה, נגישה ובטוחה להתחיל. והסופרבול? הוא בעיקר הבמה שממנה Wix מבקשת להבהיר שהעתיד של בניית האתרים כבר כאן, והיא מתכוונת להיות אחת המובילות שלו.

אם בא לכם לבדוק אם Harmony מתאימה לחזון שלכם, אתם יכולים להתחיל כאן.

הפוסט Wix מנסה לשנות את הדרך שבה בונים אתרים – והולכת על כל הקופה בסופרבול הופיע ראשון בLet's AI בינה מלאכותית

הערכות שווי לא קונות נאמנות

השבועות האחרונים בעמק הסיליקון סיפקו למשקיעים תזכורת כואבת למציאות: הערכות שווי של מיליארדים לא קונות נאמנות, ובוודאי שלא מוצר. הדיווחים על עזיבתם של מייסדים וחוקרי מפתח מ-Thinking Machines Lab, הסטארטאפ הנוצץ שהקימה מירה מוראטי, מסמנים אולי את נקודת המפנה המשמעותית ביותר בגל ההייפ הנוכחי של הבינה המלאכותית.

בעוד כותרות העיתונים התמקדו בניסיון הנועז של החברה לגייס הון לפי שווי של 50 מיליארד דולר - זינוק של פי ארבעה בתוך פחות מחצי שנה - הסיפור האמיתי מסתתר במסדרונות המתרוקנים ובמגמה החדשה שמטרידה את קרנות ההון סיכון: "השיבה הביתה" של הטאלנטים.

הנטישה הגדולה והחזרה לחברות הענק

הדרמה ב-Thinking Machines אינה מסתכמת רק בעזיבת עובדים, אלא בזהותם ובייעדם. לפי הדיווחים, דמויות מפתח כמו בארט זוף (Barret Zoph), לוק מץ (Luke Metz) וסם שונהולץ (Sam Schoenholz) - כולם שותפים מייסדים או חוקרים בכירים - עזבו את החברה כדי לחזור למעסיקה הקודמת שלהם, OpenAI.

מהלך זה מהווה היפוך מגמה דרמטי. אם 2024 ו-2025 אופיינו ב"בריחת מוחות" מחברות הענק לטובת הקמת סטארטאפים עצמאיים, תחילת 2026 מסמנת את חזרתם של אותם מוחות לחיק המשאבים האינסופיים של ענקיות ה-AI.

הסיבה המרכזית לחזרה

הסיבה המרכזית לחזרה הזו ברורה למדי: הקושי העצום להתחרות במרוץ החימוש הטכנולוגי ללא תשתיות מחשוב בהיקפים שיש רק לחברות כמו גוגל, מיקרוסופט ו-OpenAI. גם צוות מבריק ושאפתני מתקשה לפתח מודלים מתקדמים ללא גישה ל-Compute בהיקף תעשייתי.

פער הציפיות בין מוצר לשווי

הספקנות הגוברת מצד המשקיעים נובעת מהפער הבלתי נתפס בין השווי המבוקש לבין התוצרים בשטח. Thinking Machines גייסה ביולי 2025 סבב סיד היסטורי של 2 מיליארד דולר לפי שווי של 12 מיליארד דולר, בהובלת קרנות הון סיכון מובילות ושותפות אסטרטגיות מתעשיית השבבים.

אולם, עד כה השיקה החברה רק מוצר משמעותי אחד באוקטובר 2025: Tinker, כלי המיועד לייעול תהליך הכוונון העדין (Fine-tuning) של מודלים.

המשמעות הרחבה לשוק ה-AI ב-2026

המשבר ב-Thinking Machines משמש כתמרור אזהרה לכל תעשיית ה-AI. ראשית, מסתמן סוף עידן הצ'ק הפתוח. משקיעים דורשים כעת לראות מודלים עסקיים ברורים ומוצרים עובדים, ולא רק צוותים עתירי טייטלים מרשימים.

במקביל, היתרון לגודל חוזר להיות משמעותי. סטארטאפים קטנים, גם אם הם שווים מיליארדים על הנייר, מתקשים לשמר עובדים מול הפיתויים והיציבות של חברות הענק. אם Thinking Machines לא תצליח להצדיק את השווי המבוקש, היא עשויה לעמוד בפני גיוס בשווי נמוך יותר, מהלך שעלול לשלוח גלי הדף שליליים לכל שוק הון הסיכון.

בעוד מירה מוראטי, מירה מוראטי, עדיין נחשבת לאחת הדמויות הבולטות בעולם ה-AI, המבחן הנוכחי שלה הוא אולי הקשה ביותר בקריירה שלה: לשכנע את השוק שהחברה שהקימה היא יותר מתחנת מעבר יוקרתית בדרך חזרה ל-OpenAI, ושהיא מסוגלת להצדיק את הציפיות האדירות שנבנו סביבה.

הפוסט התפכחות ה-50 מיליארד והמשבר ב-Thinking Machines הופיע ראשון בLet's AI בינה מלאכותית

המלחמה על הארגונים: OpenAI מנסה לבלום את הדומיננטיות של Anthropic במגזר העסקי

בעוד OpenAI נתפסת בציבור הרחב כשליטה הבלתי מעורערת של מהפכת הבינה המלאכותית בזכות ChatGPT, מאחורי הקלעים מתחולל קרב איתנים שבו התמונה שונה לגמרי. דיווחים אחרונים חושפים כי OpenAI החלה בבליץ אגרסיבי שמטרתו "לפתות" לקוחות עסקיים לעזוב את המתחרה הקטנה יותר, Anthropic, לאחר שזו הצליחה לבסס את מעמדה כבחירה המועדפת על תאגידים רבים.

האסטרטגיה של אנטרופיק

שורשי המהלך הנוכחי נעוצים במגמה שהתבהרה במהלך 2025. בעוד ש-OpenAI המשיכה לשלוט בשוק הצרכני עם מאות מיליוני משתמשים שבועיים, Anthropic ביצעה מהלך אסטרטגי שקט אך יעיל: היא התמקדה כמעט בלעדית בצרכים של ארגונים גדולים.

נתונים עדכניים מצביעים על כך שהאסטרטגיה הזו השתלמה. לפי הערכות, כ-80% מההכנסות של Anthropic מגיעות כיום מלקוחות עסקיים (B2B), לעומת כ-30%-40% בלבד אצל OpenAI, שעדיין נשענת במידה רבה על מנויים פרטיים. יתרה מכך, דיווחים מסוימים מציעים כי ב-2025 Anthropic אף עקפה את OpenAI בנתח השוק הארגוני הספציפי, בזכות מוניטין של אמינות, בטיחות ויכולות קידוד עדיפות.

מדאבוס ועד עמק הסיליקון: שינוי הטקטיקה

הקרב על ליבו של המנמ"ר (CIO) הפך גלוי בכנס הפורום הכלכלי העולמי בדאבוס בינואר 2026. בכירים משתי החברות ניצלו את הבמה כדי לשווק את פתרונותיהם לחברות Fortune 500, אך המסרים היו שונים בתכלית.

Anthropic הציגה את המודלים שלה ("Claude") ככלים "בטוחים לעבודה", המתאימים לתעשיות מפוקחות כמו בריאות ופיננסים, והשיקה פיצ'רים ייעודיים לניהול סוכנים אוטונומיים (Agent Skills) המשתלבים בתהליכי עבודה קיימים. מנגד, OpenAI, שהבינה כי היא עלולה לאבד את אחיזתה בלקוחות הגדולים, מנסה כעת לשכנע חברות שהיא איננה רק יצרנית של צ'אטבוטים ויראליים, אלא ספקית תשתיות רצינית שיכולה להציע ערך עסקי עמוק יותר.

למה ארגונים בוחרים ב"אנדרדוג"?

הצלחתה של Anthropic בקרב עסקים נובעת מהבנה עמוקה של כאבי הארגון. בעוד ש-OpenAI השיקה פיצ'רים נוצצים בקצב מסחרר, Anthropic התמקדה בפתרון בעיות ספציפיות: הפחתת עלויות, ניתוח מסמכים משפטיים ודיבאגינג של קוד.

עבור מנהלים רבים, היציבות והמיקוד בבטיחות (Safety-first approach) של Anthropic קוסמים יותר מהחדשנות המהירה ולעיתים הכאוטית של OpenAI. הדבר יצר מצב שבו OpenAI נתפסת כחברה הנדסית שמייצרת תלות בהבטחות עתידיות, בעוד Anthropic משווקת כמי שמייצרת חוסן עסקי מיידי.

המרוץ ל-2026: כסף, צמיחה ושאלת ההטמעה

כעת, OpenAI מנסה לצמצם את הפער. היא משקיעה משאבים עצומים בחיזוק הקשרים העסקיים ומנסה למנף את היתרון הטכנולוגי שלה כדי להציע פתרונות כוללים ש-Anthropic תתקשה להתחרות בהם מבחינת היקף. עם זאת, הפער בהכנסות הכוללות עדיין לטובת OpenAI, עם הערכות של כ-12-18 מיליארד דולר לעומת 4-9 מיליארד דולר ל-Anthropic, אך קצב הצמיחה של המתחרה במגזר העסקי מאותת שהדומיננטיות של OpenAI רחוקה מלהיות מובטחת.

השאלה הגדולה של 2026 איננה מי יבנה את המודל החכם ביותר, אלא מי יצליח להפוך לחלק בלתי נפרד מפס הייצור של הכלכלה העולמית. במובן הזה, הקרב בין שתי החברות הוא פחות טכנולוגי ויותר ארגוני, תרבותי ותפעולי.

מתקפת הנגד של OpenAI: שינוי ארגוני ומודלים עסקיים גמישים

שינויים ארגוניים ב-OpenAI

כדי לבלום את הסחף ולסגור את הפער, OpenAI מבצעת סדרת מהלכים אגרסיביים בתחילת 2026. המהלך המרכזי הוא שינוי ארגוני בולט עם מינויו של בארט זוף (Barret Zoph) להובלת חטיבת האנטרפרייז, במטרה להביא גישה ממוקדת יותר למכירות לארגונים גדולים. במקביל, סמנכ"לית הכספים של החברה, שרה פרייר (Sarah Friar), הצהירה בדאבוס על יעד שאפתני: הגדלת נתח ההכנסות מלקוחות עסקיים מ-40% ל-50% עד סוף השנה.

אסטרטגיית התמחור ומודלים עסקיים

כדי להשיג זאת, OpenAI נוטשת בהדרגה את מודל "מידה אחת לכולם" ועוברת לאסטרטגיית תמחור המבוססת על ערך והתאמה אישית עמוקה. לצד זאת, היא משיקה יכולות אבטחה וקומפליינס שנועדו לנטרל ישירות את היתרון המסורתי של Anthropic בתחומים אלו. המסר החדש למנכ"לים ברור: OpenAI איננה רק מודל חכם או מוצר צרכני מצליח, אלא פלטפורמה עסקית שמבקשת להיטמע עמוק בליבת הארגון ולהפוך לחלק בלתי נפרד מתהליכי העבודה עצמם.

הפוסט המאבק של OpenAI על השוק הארגוני: הקרב מול אנטרופיק הופיע ראשון בLet's AI בינה מלאכותית

כשהסילואים הופכים למעצור

האתגר ש-Wix זיהתה לא היה טכנולוגי בלבד, אלא מבני. מודל הגילדות, שנועד לאפשר מומחיות עמוקה, הפך בהדרגה למערכת של סילואים (הפרדות תפקודיות). כל פיצ'ר עבר בין ידיים רבות, כל שינוי דרש תיאום בין צוותים, וכל מומחה הפך לנקודת תלות.

במציאות שבה AI מסוגל לגשר על פערי ידע טכניים, ההפרדה הזו כבר לא הייתה הגיונית. במקום לאפשר מהירות, היא יצרה חיכוך: המתנה, תיאום, העברות, תלות. מהנדסי פרונטאנד נתקעו כי נדרשה פעולה בבקאנד, מפתחי מובייל המתינו לשינוי בסכמה של בסיס הנתונים, כל תזוזה קטנה הפכה למסע בירוקרטי.

הסילואים, שהיו פעם מנוע של מומחיות, הפכו למעצור שמאט את הארגון כולו - במיוחד בקנה מידה של Wix.

איחוד הגילדות והולדת ה-xEngineer

כדי להתמודד עם האתגר, Wix בחרה בצעד אמיץ - ביטול מוחלט של גילדות הפרונטאנד, הבקאנד והמובייל, ואיחודן לגילדה אחת בשם Engineering Guild. זה שינוי מבני עמוק, כזה שמטרתו לא רק לייעל תהליכים, אלא להגדיר מחדש את תפקיד המהנדס.

במקביל, החברה הציגה תפקיד חדש: ה-xEngineer. זה לא פול-סטאק במובן המסורתי, וגם לא “כלבויניק” טכנולוגי. מדובר במומחה שמועצם על ידי AI - מהנדס שמסוגל להחזיק אחריות מקצה-לקצה, לא משום שהוא יודע הכול, אלא משום שה-AI מאפשר לו לחצות גבולות שבעבר היו בלתי עבירים.

הגדרה מחדש של מקצוע

ה-xEngineer הוא מהנדס שמתחיל בתכנון. הוא מתמקד בארכיטקטורה, באבטחה, באיכות, בחוויית משתמש ובחשיבה מערכתית, ורק לאחר מכן מגיע לשלב היישום שבו ה-AI הופך לשותף עבודה מלא.

במקום להתעמק בתחביר של שפות תכנות או בהבדלים בין פריימוורקים, הוא מתמקד בהבנת התמונה הגדולה: איך המערכת צריכה לעבוד, אילו תלויות קיימות בה, כיצד היא תעמוד בעומסים, ואיך תישאר אמינה לאורך זמן.

החזון המוצהר של Wix ברור - בעתיד הקרוב, AI יכתוב את רוב הקוד שמגיע לפרודקשן. המהנדסים יתמקדו בתכנון, ארכיטקטורה, איכות, סקייל ואמינות ולא בתחביר.

מהרעיון ועד הפרודקשן 

אחד המאפיינים הבולטים של ה-xEngineer הוא האחריות מקצה-לקצה. במקום להעביר פיצ'ר בין צוותים שונים, המהנדס החדש אחראי על כל שלבי הפיתוח - מהרעיון הראשוני ועד ההשקה בפרודקשן.

כדי להבין את המשמעות, אפשר לדמיין דוגמה היפותטית: בעבר, אם מהנדס רצה להוסיף יכולת פשוטה למוצר, למשל שדה חדש בפרופיל המשתמש, הוא היה צריך לערב כמה צוותים שונים. אחד היה אחראי על בסיס הנתונים, אחר על השרת, ושלישי על הממשק. כל שינוי קטן דרש תיאום, המתנה והעברות בין אנשים.

במודל החדש, ה-xEngineer יכול לבצע את כל השלבים האלה בעצמו, בעזרת AI שמייצר את הקוד הדרוש, בודק אותו ומוודא שהוא משתלב במערכת. במקום תהליך מפוצל ומסורבל, הכול קורה ברצף אחד, על ידי אדם אחד שמחזיק את התמונה המלאה.

זו המחשה של העיקרון - AI מאפשר למהנדס להתקדם בלי להיתקע על גבולות מלאכותיים בין צוותים.

מומחיות שלא נעלמת אלא משנה צורה

למרות שה-xEngineer מסוגל לעבוד על כל חלק במערכת, הוא עדיין שומר על מומחיות עמוקה בתחום מסוים. Wix מדגישה שהמומחיות הזו אינה נעלמת, אלא מתעצמת. היא פשוט הופכת לדומיינית ולא טכנולוגית בלבד.

מהנדס יכול להתמחות במסחר, באימות משתמשים, בתשלומים או בפרפורמנס, ובמקביל להיעזר ב-AI כדי להשלים את הפערים הטכניים. כך, המומחיות האנושית נשמרת, אבל הופכת לרחבה יותר ומשמעותית יותר.

הזוית העסקית

מאחורי המהלך עומד גם שיקול עסקי ברור: קיצור ה-Time to Market. ככל שפחות תהליכים עוברים בין צוותים, וככל שהמהנדס מסוגל לבצע יותר בעצמו, כך החברה יכולה לשחרר פיצ'רים מהר יותר למשתמשים. זה שינוי שמאפשר ל-Wix להתחרות בעולם שבו מהירות היא יתרון אסטרטגי, לא רק “נוחות למפתחים”, אלא מנוע עסקי של ממש.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס Vibe coding ובניית אפליקציות עם AI

לפרטים נוספים לחצו כאן >>

זהות מקצועית בעידן משתנה

לצד ההזדמנות, יש גם פחד טבעי. מהנדסים רבים בנו את זהותם סביב מומחיות ספציפית: “אני איש אנדרואיד”, “אני מפתח בקאנד”, “אני פרונטאנדיסט”. המעבר למודל שבו הגבולות מיטשטשים יכול לעורר חשש מאובדן זהות מקצועית.

Wix מודעת לכך, ולכן משקיעה בהכשרות מקיפות: החל מ-AI-First Training שמתמקד בפיתוח מונחה-קונטקסט ובשימוש נכון ב-AI לכתיבת קוד, דרך תוכניות שמלמדות מהנדסים להבין את העקרונות של סטאקים שונים ועד מסלולי לימוד מתמשכים שמעמיקים בארכיטקטורה, תכנון מערכות היברידיות ושימור מומחיות טכנולוגית.

החברה גם מבהירה שהדרך אינה סלולה, ושחלק מהתהליך יכלול ניסוי וטעייה - אמירה שמוסיפה אמינות ומפחיתה חרדה.

מתודולוגיות חדשות

אחד החידושים המשמעותיים שמופיעים במייל הפנימי הוא פיתוח מתודולוגיות פיתוח חדשות, שמותאמות לעידן שבו AI הוא חלק מהותי מהתהליך. Wix נמצאת בשלבים מתקדמים של בניית מתודולוגיות וגישות שמגדירות מחדש איך מתכננים, מפתחים ומבקרים מערכות היברידיות של קוד ו-LLMs.

זה שינוי עמוק שבו לא רק תפקידים משתנים, אלא גם הדרך שבה תוכנה נבנית.

שינוי שעתיד לחלחל לכל הארגון

המהלך של Wix אינו מוגבל למהנדסים בלבד. החברה מציינת במפורש שתפקידים נוספים, כמו מוצר, UX, QA ודאטה, יעברו גם הם שינוי עמוק ככל שה-AI יהפוך לחלק בלתי נפרד מתהליכי העבודה. המשמעות היא שהארגון כולו מתכונן לעידן שבו בני אדם ו-AI עובדים יחד, וכל מקצוע נדרש להגדיר מחדש את הערך האנושי שבו.

ניסוי ארגוני בקנה מידה נדיר

המהלך של Wix הוא אחד הניסויים הארגוניים המשמעותיים ביותר בעידן ה-AI. הוא מנסה לענות על שאלה שמעסיקה את כל תעשיית התוכנה: מהו תפקידו של מהנדס בעולם שבו AI כותב את רוב הקוד.

אם הניסוי יצליח, הוא עשוי להגדיר מחדש את מבנה צוותי הפיתוח, את מסלולי הקריירה, את תהליכי ההכשרה ואת האופן שבו מערכות תוכנה נבנות. ואם הוא ייכשל, הוא עדיין יספק לקחים חשובים לכל מי שמנסה להבין כיצד לעבוד לצד AI בצורה אחראית ויעילה.

כך או כך, Wix בחרה להיות מהראשונות שמנסות - ולא מהאחרונות שמגיבות.

הפוסט כך Wix ממציאה מחדש את תפקיד המהנדס בעידן ה-AI הופיע ראשון בLet's AI בינה מלאכותית

ההשקה הרשמית של AMI Labs, סטארט-אפ חדש שמוערך כבר כעת בכ-3.5 מיליארד דולר, מסמנת נקודת מפנה בשיח המקצועי סביב עתיד הבינה המלאכותית. בראש המיזם עומד יאן לקון (Yann LeCun), זוכה פרס טיורינג ומי שנחשב לאחד האבות המייסדים של למידה עמוקה. לאחר שנים בתפקיד מדען ה-AI הראשי של Meta, לקון מציג כעת חזון שמתרחק במכוון מההתמקדות הנוכחית במודלי שפה גדולים, ומכוון לבעיה עמוקה ומורכבת יותר: הבנה של העולם הפיזי עצמו.

לא עוד מודל שמנבא מילים

בעוד מרבית ההשקעות והכותרות בשנים האחרונות הוקדשו ל-LLMs דוגמת GPT או Claude, לקון מציב סימן שאלה על עצם ההנחה שמודלים כאלה יכולים להוביל לאינטליגנציה כללית. לטענתו, מערכות שמבוססות בעיקר על חיזוי טקסט מתקשות לפתח הבנה סיבתית, מתקשות בתכנון ארוך טווח וסובלות מבעיות אמינות מובנות, ובראשן תופעת ההזיות.

AMI Labs מבקשת לפעול בפרדיגמה אחרת, זו של מודלי עולם. מדובר במערכות שאינן לומדות רק משפה או מטקסטים, אלא בונות ייצוג פנימי של המציאות: אובייקטים, חוקים פיזיקליים, קשרי סיבה ותוצאה ודינמיקה של סביבות מורכבות. במילים אחרות, לא עוד מערכת שמגיבה לשאלות, אלא כזו שמסוגלת לצפות, לתכנן ולהבין תהליכים בעולם האמיתי.

מה הם מודלי עולם ולמה הם שונים?

מודלי עולם מתבססים על הרעיון שאינטליגנציה אינה תוצר של שפה, אלא של אינטראקציה עם סביבה. במקום לאמן רשת נוירונים על כמויות עצומות של טקסט, המיקוד עובר ללמידה רב-מודאלית, הכוללת חישה, תנועה, זיכרון מתמשך והבנה של מגבלות פיזיות.

לפי החומרים שפורסמו עם הקמת החברה, AMI Labs שמה דגש על פיתוח מנגנונים של זיכרון ארוך טווח, יכולת תכנון והסקת מסקנות. אלה אלמנטים שכיום קיימים רק בצורה חלקית במודלים גנרטיביים, ולעיתים כלל אינם ניתנים לשליטה או לאימות.

שימושים מעבר לצ’אט

הבחירה במודלי עולם אינה מקרית גם בהיבט היישומי. בעוד LLMs מצטיינים ביצירת טקסט, קוד או סיכומים, הם מתקשים להשתלב במערכות קריטיות שבהן טעות אחת עלולה להיות יקרה. החזון של AMI Labs מכוון לתחומים כמו רובוטיקה תעשייתית, שליטה בתהליכי ייצור, מערכות אוטונומיות ומכשור רפואי, תחומים שבהם נדרשת הבנה יציבה של המציאות ולא רק ניסוח משכנע.

מבנה ניהולי שמותאם למחקר

אחד ההיבטים הבולטים בהקמת AMI Labs הוא האופן שבו לקון בחר למצב את עצמו. בניגוד לסטארט-אפים רבים שבהם המייסד מוביל גם את הניהול היומיומי, כאן נבחר מודל אחר. לקון מכהן כיו”ר פעיל וכמדען הראשי, אך אינו משמש כמנכ”ל.

לתפקיד המנכ”ל מונה אלכס לברון, יזם סדרתי ומייסד שותף של Nabla, סטארט-אפ שפועל בתחום ה-AI הרפואי. המהלך מלווה בהסכם שיתוף פעולה אסטרטגי, שבמסגרתו Nabla תקבל גישה מוקדמת למודלים שיפותחו ב-AMI Labs. צירוף זה מדגיש את הרצון של החברה לשלב בין מחקר יסודי ליישומים מעשיים, מבלי להעמיס על החוקרים אחריות ניהולית כבדה.

פריז כמרכז אסטרטגי

הבחירה למקם את מטה החברה בפריז נושאת משמעות רחבה יותר מאשר שיקול לוגיסטי. צרפת, ובפרט פריז, ממצבת את עצמה בשנים האחרונות כמרכז אירופי מוביל למחקר ופיתוח בתחום הבינה המלאכותית. לקון, יליד צרפת, משתלב במגמה זו ומוסיף לה משקל סמלי ומעשי כאחד.

נשיא צרפת, עמנואל מקרון, בירך בפומבי על הקמת החברה והדגיש את מחויבות הממשלה לתמוך ביוזמות מחקר מתקדמות. לצד AMI Labs פועלות בעיר גם חברות כמו Mistral AI, והצירוף של שחקנים אלה מחזק את מעמדה של פריז כחלופה רצינית למוקדי ה-AI המסורתיים בארצות הברית.

מעבר למטה הראשי, AMI Labs מתכננת מרכזי מחקר נוספים בניו יורק, מונטריאול וסינגפור, מה שמעיד על שאיפה לפעול בזירה גלובלית ולמשוך חוקרים ממגוון אקוסיסטמים.

מירוץ חדש עם שחקנים מוכרים

AMI Labs אינה פועלת בוואקום. בשנים האחרונות מתגבש ענף חדש סביב פיתוח מודלי עולם, וחברות נוספות כבר סימנו את הכיוון. המתחרה הבולטת ביותר היא World Labs, שהוקמה על ידי Fei-Fei Li, חוקרת מובילה בתחום הראייה הממוחשבת.

World Labs כבר גייסה הון משמעותי ונמצאת במגעים לפי שווי שמגיע למיליארדי דולרים, נתון שמעיד על האמון של משקיעים בפוטנציאל של התחום. גם סביב AMI Labs מוזכרים שמות של קרנות הון סיכון גדולות, מתוך ההבנה שהשלב הבא בהתפתחות הבינה המלאכותית עשוי לדרוש פריצה תיאורטית ולא רק הגדלה של מודלים קיימים.

בין ביקורת לחזון

המהלך של לקון ניתן לקריאה גם כהצהרה ביקורתית כלפי הכיוון שבו צועדת התעשייה. בעוד LLMs מספקים תוצרים מרשימים ברמה השטחית, הם אינם בהכרח מתקרבים להבנה עמוקה של העולם. AMI Labs מציעה אלטרנטיבה מחקרית שמבקשת להחזיר למרכז הבמה שאלות יסוד על למידה, תפיסה ואינטליגנציה.

עם זאת, האתגר אינו מבוטל. פיתוח מודלי עולם דורש משאבים, זמן ופריצות דרך מדעיות שטרם הוכחו בקנה מידה מסחרי. ההערכות הגבוהות והציפיות מצד משקיעים עלולות להפעיל לחץ על חברה שמבקשת לפעול בקצב מחקרי ולא תעשייתי מובהק.

הקמת AMI Labs משרטטת קו ברור בין שתי תפיסות של בינה מלאכותית: זו שמתרכזת ביכולות שפה ויצירה, וזו שמבקשת לבנות הבנה סיבתית של העולם. ייתכן שהעתיד יכלול שילוב בין השתיים, אך הבחירה של לקון להתמקד במודלי עולם מחדדת את המגבלות של הגישה הנוכחית ומזכירה כי הדרך לאינטליגנציה מלאכותית אמינה ועמוקה עודנה פתוחה, מורכבת ורחוקה מסיום.

הפוסט יאן לקון חושף את AMI Labs עם הימור של 3.5 מיליארד דולר על מודלי עולם הופיע ראשון בLet's AI בינה מלאכותית

צפו בראיון, שהתקיים במסגרת הפורום הכלכלי העולמי בדאבוס, שווייץ:

מה באמת מטריד אנשים בעידן ה-AI?

השאלה שחוזרת כמעט בכל דיון ציבורי על בינה מלאכותית היא לא טכנית, אלא קיומית: האם המערכות החכמות יחליפו בני אדם בקצב מהיר יותר מזה שהכלכלה מסוגלת לייצר תפקידים חדשים. הואנג מכיר היטב את החשש הזה, ובשיחה עם פינק הוא מנסח אותו בצורה ישירה: הציבור רואה "פריצות דרך", ומתחת לפני השטח עולה דאגה אחת גדולה לגבי "האלמנט האנושי" והאפשרות שה-AI יגרום להיעלמות משרות.

במקום להציג הבטחות כלליות, הוא מציע מסגרת חשיבה שבנויה על שלושה נדבכים: תנופת תשתיות, דוגמאות אמפיריות ממקצועות שכבר עברו אוטומציה, והבחנה בין מה שאנחנו עושים בפועל במהלך היום לבין הסיבה שבגללה משלמים לנו.

תנופת התשתיות הגדולה בהיסטוריה: לא רק מהנדסים

הטיעון הראשון של הואנג הוא כלכלי ופשוט: מהפכת ה-AI לא מתרחשת רק בענן ובקוד. היא דורשת בנייה פיזית עצומה. לדבריו, זהו "בינוי התשתיות הגדול ביותר בהיסטוריה האנושית", והוא מתבטא בהקמה ובהרחבה של מרכזי נתונים, מפעלי שבבים ומתקנים ייעודיים למה שהוא מכנה "מפעלי AI".

כאן מגיע החידוד החשוב: חלק גדול מהמשרות שנוצרות אינן משרות תוכנה. להפך - הואנג מדגיש את הביקוש במקצועות "טרייד קראפט", כלומר מקצועות ביצוע והקמה שמחברים בין תכנון להוצאה לפועל.

אילו מקצועות נהנים מהביקוש החדש?

הואנג מציין שהבנייה הזו מייצרת דרישה רחבה לבעלי מקצוע מהשטח, כולל:

• חשמלאים ושרברבים: עבודות תשתית שמרכזי נתונים ומפעלים לא יכולים בלעדיהן, מהקמה ועד תחזוקה שוטפת.
• עובדי בניין ופלדה: מי שמרימים בפועל את האתרים הפיזיים של "הכלכלה החישובית".
• טכנאי רשת ומתקיני ציוד: שכבת החיבור בין המבנה הפיזי למערכות המחשוב שמריצות מודלים.

למה זה משנה את השיחה על אבטלה?

נקודת המפתח היא לא רק שהמשרות קיימות, אלא שהן מתגמלות. הואנג אומר שבארצות הברית כבר רואים "בום" משמעותי בשכר בתחומים הללו, עד כדי עלייה של כמעט פי שניים. הוא אף מתאר מצב שבו עובדים שמקימים מפעלי שבבים או "מפעלי AI" מגיעים למשכורות של שש ספרות בדולרים.

המסר שלו כאן כפול: מצד אחד, נוצרת תעסוקה בהיקפים גדולים בגלל הבנייה עצמה. מצד שני, אלו משרות שיכולות לאפשר "חיים טובים" גם בלי מסלול אקדמי ארוך. הוא מדגיש במפורש שלא צריך דוקטורט במדעי המחשב כדי להשתלב בגל הזה.

פרדוקס הרדיולוגיה

אחד החלקים החזקים בשיחה הוא כשהואנג עובר מהצהרות כלליות לדוגמה היסטורית. לפני כעשור, כך הוא מזכיר, רדיולוגיה נחשבה למקצוע הראשון שיעלם. הסיבה הייתה טכנית ומובנת: היכולת הראשונה שבה מערכות AI הפכו ל"על אנושיות" הייתה ראייה ממוחשבת, ואחד השימושים המרכזיים של ראייה ממוחשבת ברפואה הוא פענוח סריקות.

עשר שנים אחר כך, הואנג לא מכחיש את החדירה של הטכנולוגיה. להפך, הוא אומר שה-AI "חלחל לחלוטין" לכל היבט של הרדיולוגיה. אבל למרות זאת, מספר הרדיולוגים לא ירד - אלא עלה.

מה גורם לשוק לגייס יותר ולא פחות?

ההסבר של הואנג נשען על שרשרת סיבתית עקבית:

ראשית, AI מייעל את העבודה. אם רדיולוג יכול לעבור על סריקות מהר יותר, הוא מסיים את החלק הטכני בזמן קצר בהרבה.

שנית, הזמן הזה לא "נעלם", אלא משנה כיוון. הואנג אומר שכשקריאת הסריקות מואצת, הרדיולוג יכול להשקיע יותר זמן בייעוד המקצועי שלו: אבחון, אינטראקציה עם מטופלים ושיתוף פעולה עם קלינאים נוספים.

שלישית, וזו הנקודה הכלכלית, בית החולים מסוגל לקבל יותר מטופלים. אם אנשים חיכו זמן רב לסריקות, היכולת לטפל ביותר מקרים בזמן קצר יותר מגדילה את היקף הפעילות. כאשר מספר המטופלים עולה, ההכנסות עולות, ואז לארגון יש גם תקציב וגם צורך לגייס עוד רדיולוגים.

במילים אחרות, האוטומציה שינתה את צורת העבודה, אבל התרחבות הביקוש והיכולת לספק שירותים במהירות גבוהה יותר הפכה את המקצוע לפחות "נחסם" ויותר סקיילבילי. וזה, לפי הטיעון, מתרגם גם לתעסוקה.

משבר האחיות: חצי מהזמן הולך לניירת

הדוגמה השנייה מגיעה מתחום הסיעוד, ושם הטיעון נהיה כמעט מוחשי. הואנג מתאר מחסור של כ-5 מיליון אחיות בארצות הברית, ומוסיף פרט שמחדד למה AI נתפס עבורו ככלי תפעולי ולא כאיום: אחיות מבלות כחצי מזמנן בתיעוד, מילוי טפסים ותמלול ביקורים.

כאן הואנג לא מדבר על עתיד היפותטי, אלא על שימושים קיימים של מערכות AI לתמלול ולתיעוד (Charting). הוא מזכיר גם חברה שותפה לאנבידיה שעושה "עבודה מדהימה" בתחום, בלי להיכנס לשמות או לפרטים טכניים מעבר לכך.

המכניזם דומה לזה של הרדיולוגים, רק שהיעד האנושי ברור אפילו יותר: כשה-AI לוקח על עצמו תיעוד ותמלול, אחיות חוזרות למה שהואנג מכנה "High touch", כלומר טיפול ישיר במטופלים.

ברמה הארגונית, זה פותח צוואר בקבוק. פחות זמן על ניירת אומר יותר זמן על טיפול, מה שמאפשר להכניס חולים מהר יותר ולשרת יותר מטופלים. אם בית חולים "עושה יותר טוב", כהגדרתו, הוא ירצה להעסיק יותר כוח אדם. כך הטיעון מסביר כיצד פרודוקטיביות גבוהה יותר יכולה להוביל להתרחבות הפעילות ולגידול במספר המשרות, גם כאשר חלק מהמטלות הפכו לאוטומטיות.

המפתח להבנת ההשפעה על שוק העבודה: "ייעוד" מול "משימה"

כדי להפוך את הטיעון לכלי ניתוח ולא רק לסיפור מעודד, הואנג מציע מבחן פשוט לכל מקצוע: להבין מה הייעוד של התפקיד ומהן המשימות שמרכיבות אותו.

הוא מציג את זה כמעט כמו כלל אצבע: אם ה-AI אוטומטי משימה שמסביב לייעוד, הוא לא בהכרח מוחק את התפקיד - הוא עשוי לחזק את ליבת התפקיד.

כאן הואנג מכניס אנקדוטה שמדגימה עד כמה קל להתבלבל בין פעולה יומיומית לבין תפקיד. אם תציב מצלמה שתתעד אותו ואת פינק במהלך היום, הוא אומר, אפשר יהיה לחשוב שהם קלדנים, כי הם מקלידים המון. ואז קל לטעון: אם AI עושה חיזוי מילים ומייצר טקסט, הם "מחוץ למשחק". אבל זו טעות קטגורית. ההקלדה היא משימה, לא הייעוד. הייעוד שלהם הוא ניהול, קבלת החלטות והובלה.

במקרה של אחיות ורדיולוגים ההבחנה חדה עוד יותר: הייעוד הוא טיפול, אבחון ועבודה מול אנשים. קריאת סריקות ותיעוד הם רכיבים חשובים, אבל אינם "הסיבה" שבגללה המקצוע קיים. לכן, כאשר המשימות האלו הופכות מהירות ויעילות יותר, מתפנה זמן ליותר אינטראקציה אנושית, יותר מטופלים, וכתוצאה מכך - לעיתים גם יותר תקנים.

אופטימי, אבל לא מבטיח חסינות

הגישה של הואנג לא מתבססת על אמירה שה-AI לעולם לא יחליף עובדים. היא מתבססת על טענה ממוקדת יותר: במקרים רבים, במיוחד במקצועות שבהם יש ביקוש אמיתי ומגבלות תפעוליות, אוטומציה של משימות יכולה לשחרר קיבולת וליצור הרחבה של הפעילות.

החלק החזק בשיחה הוא החיבור בין הכלכלה לבין היומיום המקצועי. זה לא דיון על "בינה מלאכותית כללית", אלא על מה קורה לארגון כשהוא מפסיק להיות מוגבל על ידי תיעוד איטי או זמני המתנה ארוכים. במובן הזה, הואנג מצייר את ה-AI לא כתחליף לעובדים אלא כדרך להזיז עובדים מהמקומות שבהם הם נחסמים אל המקומות שבהם הם מועילים יותר.

ועדיין, יש כאן גם תנאי סמוי: כדי שהמודל הזה יעבוד, הארגון צריך להשתמש בפרודוקטיביות המוגברת להרחבת השירות או הייצור, ולא רק לצמצום עלויות. זה כבר עניין של תמריצים ניהוליים, רגולציה ותחרות. אבל לפחות במסגרת הדוגמאות שהוא מביא, הכיוון ברור: כשיש עוד ביקוש בשוק ועוד אנשים שממתינים לשירות, פרודוקטיביות גבוהה יותר נוטה להתגלגל גם להרחבה ולתעסוקה, לא רק להתייעלות.

הדיון הזה לא סוגר את שאלת העתיד של העבודה, אבל הוא כן מציע דרך טובה יותר לשאול אותה. במקום לשאול "איזה מקצוע ייעלם", אולי נכון יותר לשאול מה הייעוד של כל מקצוע, אילו משימות עוטפות אותו, ואיך טכנולוגיה שמקצרת את המשימות יכולה לשנות את הערך האנושי שנשאר במרכז. בעיני, זו גם הדרך להפסיק לדבר על AI כגוש אחד מאיים, ולהתחיל לנתח אותו כמו כל טכנולוגיית פרודוקטיביות אחרת: לפי ההשפעה שלה על צווארי בקבוק, על ביקוש ועל איכות השירות. בהקשר הזה, כלים כמו ChatGPT ומערכות תמלול ותיעוד חכמות לא "מחליפים" מקצועות באופן אוטומטי, אלא דוחפים ארגונים להחליט מחדש מה באמת חשוב בעבודה של בני אדם, ומה עדיף שמכונה תעשה בשקט ברקע.

הפוסט לא, ה-AI לא ייקח לכם את העבודה! מנכ”ל NVIDIA מסביר למה הופיע ראשון בLet's AI בינה מלאכותית

חמש התובנות הקריטיות לארגונים

מלכודת הניהול

כמעט כל המנהלים (97%) מבצעים גם עבודה מקצועית אישית (Individual Contributor work) לצד הניהול. כאשר מנהל מקדיש מעל 40% מזמנו למשימות ביצועיות, היכולת שלו לנהל צוות גדול נפגעת דרמטית. כלומר, הגדלת מוטת השליטה (הוספת עובדים למנהל) ללא הפחתה במשימותיו האישיות תוביל בהכרח לשחיקה, ירידה במחוברות הצוות (Engagement) ופגיעה בביצועים.

הכישרון הניהולי כמשתנה המכריע

לא כל המנהלים נולדו שווים ביכולתם לנהל "בסקייל". המחקר של גאלופ מזהה 5 תכונות ליבה למנהלים שיכולים לשאת בנטל של צוותים גדולים (15+ עובדים):

הנעה (Motivation): יכולת להפיח השראה.

סגנון עבודה (Workstyle): הצבת יעדים וניהול משאבים יעיל.

יוזמה (Initiation): יכולת לדחוף קדימה דרך התנגדויות.

שיתוף פעולה (Collaboration): בניית קשרים עמוקים בצוות.

חשיבה אנליטית (Thought Process): גישה אסטרטגית לפתרון בעיות.

המשמעות: מדיניות SPOC אחידה (למשל: "כולם מנהלים 12 עובדים") היא טעות. יש להתאים את גודל הצוות ליכולות המוכחות של המנהל.

אז מה כן משנה? פידבק שבועי משמעותי

הגורם היחיד שמצליח לנטרל את ההשפעה השלילית של צוותים גדולים הוא תקשורת.

הפעולה: שיחה שבועית קצרה (15-30 דקות) עם כל עובד.

התוכן: הכרה בעבודה שבוצעה, שיתוף פעולה, סדרי עדיפויות וחוזקות (ולא רק "סטטוס משימות").

התוצאה: שילוש הסיכוי למחוברות עובדים גבוהה, ללא קשר לגודל הצוות.

פרדוקס העבודה ההיברידית

בעוד שמודלים היברידיים תורמים למחוברות העובד, הם מקשים על המנהל. ניהול מרחוק או ניהול צוות גלובלי דורש יותר "רוחב פס" ניהולי, גמישות בשעות ומאמץ יזום ליצור קשר עמוק עם העובדים. הגדלת SPOC למנהלים המנהלים צוותים מבוזרים/היברידיים פוגעת במחוברות המנהל עצמו מהר יותר מאשר בניהול פיזי (On-site).

השפעת ה-AI על שכבות הניהול

ה-AI הוא ללא ספק זרז לצמצום שכבות הניהול, אך הוא חייב להיות גם הפתרון. אם ארגון מצמצם תקני ניהול זוטרים וביניים על סמך ההנחה ש"הטכנולוגיה תייעל תהליכים", הוא חייב לצייד את המנהלים הנותרים בכלי AI שיורידו מהם את הנטל האדמיניסטרטיבי (דיווחים, שיבוצים, מעקבים טכניים), כדי לפנות להם זמן לניהול האנשים (החלק האנושי הקריטי שה-AI לא מחליף).

המלצות אופרטיביות ליישום

אבחון ומיפוי

בדיקת עומס ביצועי: זהו את המנהלים שמקדישים מעל 40% מזמנם בפועל לעבודה מקצועית. לרוב אלה ראשי צוותים שצמחו מבפנים ועדיין מבצעים עבודה של individual contributor בנוסף לניהול. אל תגדילו להם את הצוות לפני הורדת העומס הזה.

מיפוי יכולות: השתמשו בדאטה ובהערכות עובדים כדי לזהות מי הם המנהלים בעלי ה"כישרון הגבוה". אלו המנהלים שיכולים לקלוט את הצוותים שהתפרקו בתהליך ההשטחה.

עיצוב מחדש של תפקיד המנהל

מעבר מפיקוח לניהול ביצועים: הגדרת הציפייה המרכזית מהמנהל כמתן פידבק שבועי. במקום פגישות 1:1 של שעה (בין אם הן קורות ברמה שבועית או לעיתים רחוקות), כדאי להכשיר מנהלים לנהל שיחות קצרות ואפקטיביות ("Micro-Feedback").

הטמעת כלי AI למנהלים: ציידו את המנהלים בעוזרי AI אישיים (AI Co-pilots) לניסוח תקשורת, סיכום ישיבות, וניתוח דאטה של הצוות, כדי לאפשר להם לנהל בהדרגה יותר אנשים בפחות זמן אדמיניסטרטיבי.

ניהול השינוי

מדידה ברמת הצוות: הפסיקו להסתכל רק על ממוצעים ארגוניים. מדדו Engagement ברמת הצוות הבודד. ירידה במדד מחוברות בצוות שגדל היא "נורת אזהרה" מיידית להתערבות.

דיפרנציאציה: צרו מודלים גמישים של מוטת שליטה. one size doesn’t fit all. מנהל בכיר ומנוסה יכול לנהל 15-20 איש (עם תמיכת ראשי תחומים), בעוד מנהל צעיר או מנהל בתפקיד טכני מורכב ינהל עד 6-8 איש.

סיכום ושורה תחתונה

הגדלת מוטת השליטה היא כורח המציאות הכלכלית והטכנולוגית, אך היא אינה אסטרטגיה בפני עצמה. המספרים לא אמורים להכתיב ולנהל אנשים. ארגון שישטיח את המבנה בלי לתת למנהלים הנותרים את הכלים (AI), הזמן (הפחתת עומס ביצועי) והמיומנות (פידבק שבועי), יגלה מהר מאוד שהחיסכון בעלויות שכר המנהלים מתקזז פי כמה מול ירידה בפרודוקטיביות, שחיקה ועזיבת טאלנטים.

הפוסט מוטת שליטה ניהולית (SPOC) בעידן “ההשטחה הגדולה” וה-AI הופיע ראשון בLet's AI בינה מלאכותית

הבעיה: Excel הוא כלי עוצמתי - אבל לא תמיד נגיש

Excel הוא אחד הכלים החזקים והגמישים ביותר בעולם העבודה. הוא מאפשר לבצע כמעט כל ניתוח נתונים שאפשר לדמיין, אבל כדי להגיע לשם, צריך שליטה במגוון יכולות טכניות שלא תמיד זמינות לכל משתמש.

נוסחאות מורכבות, טבלאות ציר, עיצוב מותנה, בניית גרפים ושילוב נתונים ממקורות חיצוניים - כל אלה דורשים ידע, ניסיון, ולעיתים גם לא מעט ניסוי וטעייה. אפילו משתמשים מנוסים מוצאים את עצמם מחפשים מדריכים, מתקנים שגיאות, או משחזרים שלבים. עבור רבים אחרים, המשימות האלה פשוט לא נגישות - הם יודעים מה הם רוצים להשיג, אבל לא תמיד מבינים איך לבצע את זה בתוך Excel.

הפתרון: סוכן חכם שפועל בתוך Excel

Agent Mode הוא מצב עבודה חדש שבו Copilot מבית מיקרוסופט מפסיק להיות רק עוזר טקסטואלי, והופך לסוכן שמבצע פעולות ישירות בתוך הגיליון. המשתמש מתאר את המשימה בשפה טבעית, ו‑Copilot מרכיב את הפתרון שלב‑אחר‑שלב בתוך הקובץ עצמו, תוך שימוש בכל היכולות המתקדמות של Excel.

Agent Mode מפגין יכולות רחבות כמו בניית טבלאות ציר, כתיבת נוסחאות, יצירת גרפים וויזואליזציות, עיצוב וארגון נתונים, ביצוע תהליכים מרובי‑שלבים מקצה לקצה, משיכת נתונים מהאינטרנט באמצעות Web Search ובחירה בין מודלים שונים, כולל אפשרות להריץ את Claude.

למרות האוטומציה, המשתמש נשאר בשליטה מלאה. כל פעולה מתועדת, מוצגת, ומלווה בשלבי אימות שמאפשרים להבין בדיוק מה נעשה ולוודא שהתוצאה נכונה.

איך זה עובד בפועל

ההפעלה של Agent Mode ב‑Excel מתבצעת דרך ממשק Copilot, בתהליך פשוט בו המשתמש מתאר את המשימה, והסוכן מבצע אותה ישירות בתוך הגיליון - כולל בניית מודלים, משיכת נתונים, ויצירת תוצרים מוכנים להצגה.

תהליך מדורג של שימוש ב-Agent Mode בתוך גיליון Excel

כדי להפעיל את Agent Mode, המשתמש מתחיל מתוך חלונית Copilot ובוחר במצב החדש (מתוך תפריט הבחירה) שמאפשר לסוכן לבצע פעולות ישירות בתוך הגיליון (תמונה 2). מיד לאחר מכן נפתח ממשק Agent Mode, ובו האפשרות להפעיל את Web Search - יכולת שמאפשרת למשוך נתונים חיים מהאינטרנט, כמו תחזיות שוק או נתוני מכירות עדכניים (תמונה 3). בשלב הבא ניתן לבחור את מודל העבודה, כולל האפשרות להריץ את Claude, מודל חלופי שמציע סגנון פעולה שונה ומרחיב את מרחב היכולות של הסוכן (תמונה 4).

כעת המשתמש מתאר את המשימה בשפה טבעית, למשל: “בנה תחזית שוק אמריקאית ל-2025-2030 לפי סגמנטים, עם הנחות ניתנות לשינוי וגרף הכנסות” - והסוכן מקבל את ההוראה ומתחיל לעבוד (תמונה 5). בתוך זמן קצר נבנה גיליון מלא: מודל תחזית שוק הכולל הנחות, שיעורי צמיחה, גודל שוק לפי סגמנטים, טבלאות וגרפים לשנים הרלוונטיות (תמונה 6). בסיום, העוזר מציג סיכום מסודר של מקורות הנתונים והתובנות המרכזיות כולל רשימת דוחות מחקר שבהם נעשה שימוש, נקודות מפתח לשוק, והדגשה שהתוצר מוכן לניתוח, התאמה והצגה (תמונה 7).

בשלב זה המשתמש יכול כמובן לשנות הנחות או ערכים בטבלאות, והמודל כולו, כולל הגרפים, מתעדכן בזמן אמת, מה שמדגים את הגמישות של מודל דינמי עם פרמטרים ניתנים לכוונון.

מה מיוחד ב‑Agent Mode

Agent Mode לא משנה את הממשק של Excel, הוא משנה את האופן שבו עובדים איתו. במקום להפעיל כל כלי בנפרד, הסוכן משתמש בכל היכולות המוכרות של Excel, אבל מפעיל אותן אוטומטית, כחלק מתהליך שלם שמבוסס על הבנת כוונה.

הייחודיות של Agent Mode באה לידי ביטוי בכמה נקודות מרכזיות:

• שילוב בין Excel למודלים גדולים הסוכן לא מוסיף שכבת ממשק חדשה - הוא מפעיל את הכלים הקיימים של Excel, אבל עושה זאת מתוך הבנה של המשימה הכוללת.

• ביצוע תהליכים מרובי‑שלבים לא מדובר בפקודה אחת, אלא בתהליך שלם: איסוף נתונים ← בניית מודל ← עיצוב ← ויזואליזציה ← אימות.

• Web Search מובנה אפשרות למשוך נתונים חיים מהאינטרנט ישירות לתוך הגיליון - נתוני שוק, תחזיות, מידע ציבורי. 

• בחירה בין מודלים שונים האפשרות להריץ את Claude מתוך Excel מצביעה על גישה פתוחה: לא רק מודל אחד, אלא אקו‑סיסטם של יכולות.

• שקיפות מלאה כל פעולה מתועדת, מוצגת, וניתנת לאימות - כולל סיכום שינויים, מקורות מידע ושלבי בדיקה. זה קריטי במיוחד כשעובדים עם נתונים רגישים או תוצרים עסקיים.

חשוב להדגיש, שבעת שימוש ב‑Agent Mode, נתונים שמוזרמים מהאינטרנט כפופים למדיניות פרטיות ולתנאי שימוש של המקורות עצמם. ארגונים צריכים לוודא שהמידע שנמשך עומד בדרישות רישוי, אבטחה וציות רגולטורי.

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

לפרטים נוספים לחצו כאן >>

Excel הופך לפלטפורמת ניתוח נתונים אוטונומית

Agent Mode לא מחליף את Excel - הוא מרחיב אותו והופך אותו לכלי שמבין כוונה ופועל לפיה. הוא מתאים למשתמשים מתחילים ומקצוענים כאחד, מאפשר לבנות תוצרים מורכבים בזמן קצר, ומשלב אוטומציה, בינה מלאכותית ונתונים חיים מהאינטרנט בתוך תהליך עבודה רציף. למרות שהיכולות עדיין מתפתחות, הכיוון ברור: Excel הופך מסביבת עבודה ידנית לכלי שמסוגל לבצע תהליכים שלמים באופן עצמאי‑למחצה.

במקום להשקיע זמן בבנייה טכנית, המשתמשים יכולים להתמקד בתובנות. ניתוח נתונים הופך נגיש יותר, התלות במומחי Excel פוחתת, ונוצר סטנדרט חדש של שקיפות ואימות בתוצרים שנבנים בעזרת AI. במובן מסוים, Agent Mode מסמן את המעבר לעידן שבו כלים מקצועיים לא רק מגיבים לפקודות - אלא מבינים את היעד, ובונים את הדרך אליו.

הפוסט Agent Mode ב‑Excel הופך את הגיליון האלקטרוני לשותף חכם הופיע ראשון בLet's AI בינה מלאכותית

אפל רצתה להוביל אבל נתקעה בדרך

מאז 2024 אפל מנסה לצמצם את הפער מול ChatGPT, Gemini ושחקניות אחרות. היא הציגה את Apple Intelligence כהבטחה גדולה: מערכת AI שמוטמעת עמוק במערכת ההפעלה, פועלת על המכשיר עצמו ושומרת על פרטיות המשתמשים. בפועל, החוויה הייתה מוגבלת, מפוצלת ולעיתים כמעט בלתי מורגשת. Siri, שהייתה פעם סמל לעוזרות קול מתקדמות, נותרה מאחור.

בפועל, Apple Intelligence התגלתה כמערכת ״מאופקת מדי״, הפועלת בעיקר ברקע ולעיתים אפילו מתסכלת. היא נותרה רחוקה מהאפקט המרשים ופורץ הדרך שיצרו ChatGPT או Gemini. מאחורי הקלעים, הדרך להשקתה הייתה רצופת עיכובים, שינויים תכופים בשדרת הניהול ותגובות פושרות לכלי ה-AI הראשונים שהציגה החברה.

במקביל, משתמשים רבים נטשו את Siri לטובת עוזרים מבוססי GPT. אפילו אפל עצמה שילבה את ChatGPT במכשירים ב-2024, מהלך שנתפס כפתרון זמני ולא כבסיס אסטרטגי.

אפל בוחרת בגוגל 

לאחר "הערכה מדוקדקת", כפי שנכתב בהודעה הרשמית, אפל קבעה שמודלי Gemini של גוגל מספקים את ה״תשתית בעלת היכולות הגבוהות ביותר״ עבור הדור הבא של Apple Foundation Models.

אפל לא קפצה לברית עם גוגל מיד. לפני שהגיעה להחלטה, היא בחנה מקרוב מודלים של OpenAI ושל Anthropic, בניסיון להבין מי מסוגל לספק את הבסיס הטכנולוגי שהיא עצמה לא הצליחה לבנות בזמן. בסופו של דבר, גוגל בלטה מעל כולם בזכות שילוב של ביצועים גבוהים, קצב פיתוח מהיר ותשתית ענן רחבה שכבר הוכיחה את עצמה בקנה מידה עולמי.

ההסכם בין החברות מוערך בכמיליארד דולר לשנה, אם כי אף צד לא מאשר זאת רשמית. מה שכן ברור הוא שהשותפות אינה בלעדית - אפל משאירה לעצמה חופש תמרון, וממשיכה לפתח במקביל מודל פנימי משלה. במילים אחרות, היא מאמצת את Gemini כפתרון מיידי, אך לא מוותרת על שאיפה לעצמאות טכנולוגית בעתיד.

איך זה יעבוד בפועל

כאן נמצא ההבדל המשמעותי באמת. אפל לא מאמצת את Gemini כפי שהוא, אלא בונה גרסה מותאמת שפועלת בתוך התשתית שלה. העיבוד יתבצע ישירות על המכשיר או דרך מערכת המחשוב בענן הפרטי של אפל, כשהחברה שומרת על שליטה מלאה בממשק, בשאילתות ובסינון התוכן. גוגל לא מקבלת גישה לנתוני המשתמשים, והמודל עצמו אינו רץ על שרתי גוגל אלא בתוך המעטפת של אפל.

אפל מדגישה שהפרטיות תישמר במלואה, ושהשילוב עם Gemini נועד לאפשר לה ליהנות מהעוצמה של מודל מתקדם, מבלי לוותר על העקרונות שהגדירו את הגישה שלה ל‑AI מהיום הראשון. זה ניסיון לאזן בין שתי תפיסות: היכולות של Gemini מצד אחד, והמחויבות של אפל לשליטה, אבטחה וחוויית משתמש עקבית מצד שני.

מי מרוויח ומי מפסיד

במבט ראשון, גוגל היא המנצחת הגדולה של המהלך. השילוב של Gemini בתוך Siri מעניק לה גישה ישירה למיליארדי מכשירי אפל ומחזק את מעמדה מול OpenAI. ההכרזה גם תרמה לזינוק בשווי השוק של החברה, שעבר את הרף של ארבעה טריליון דולר. גם בזירה הציבורית המהלך עורר הדים, כשאילון מאסק טען שמדובר ב'ריכוז כוח בלתי סביר' עבור גוגל, במיוחד לאור העובדה שהיא כבר מחזיקה בבעלותה את אנדרואיד ואת דפדפן כרום.

אילון מאסק הביע התנגדות חריפה למהלך | X.com

אפל, מצידה, מרוויחה בעיקר זמן. במקום להמשיך להיאבק בפער טכנולוגי שהלך והתרחב, היא מקבלת מודל מוכן ומוכח בקנה מידה עולמי, ומאפשרת לצוותים הפנימיים שלה להמשיך לפתח מודל עצמאי שצפוי רק ב-2027. זהו פתרון ביניים שמאפשר לה להישאר רלוונטית מבלי לוותר על שאיפות העצמאות שלה.

ומה קורה עם ChatGPT? בשלב זה, השירות ממשיך לפעול בתוך המערכת של אפל, בעיקר עבור שאילתות מורכבות ויכולות reasoning מתקדמות. אבל המעמד שלו משתנה באופן ברור. הוא כבר לא שכבת הבינה המרכזית, אלא כלי משלים שהמשתמש מפעיל לפי בחירה. זהו שינוי משמעותי במאזן הכוחות - מודל שהיה עד לא מזמן שותף מרכזי של אפל מוצא את עצמו נדחק לתפקיד תומך בלבד.

עידן חדש של שותפויות בינה מלאכותית

העסקה בין אפל לגוגל מסמנת תפנית משמעותית בתעשיית ה‑AI. המרוץ כבר אינו מתנהל בין חברות בודדות, אלא בין אקוסיסטמות שלמות, שבהן שיתופי פעולה הופכים לכלי אסטרטגי לא פחות מפיתוח עצמאי.

אפל, החברה שקידשה את ה-Eco-system הסגור שלה, נאלצה לפתוח את הדלת האחורית למתחרה הכי גדולה שלה כדי לשרוד. החברה שבעבר סימלה חדשנות ועצמאות טכנולוגית כמעט מוחלטת, איבדה את ה-Mojo שלה ומתקשה בשנים האחרונות לשמור על היתרון בתחום התוכנה וה‑AI.

המהלך הנוכחי נראה פחות כמו צעד חזוני ויותר כמו ניסיון לייצב את המערכת לאחר תקופה של עיכובים וכישלונות. אם עד 2027 אפל לא תציג מודל פנימי שמסוגל להתחרות ב‑Gemini, השותפות הזו עלולה להיזכר כרגע שבו החברה הפסיקה להוביל את חוויית המשתמש והפכה תלויה בספקיות חיצוניות.

מנגד, גוגל מחזקת את מעמדה כשחקנית מרכזית שמספקת את מנוע ה‑AI למתחרה הגדולה ביותר שלה. זהו מהלך שמטשטש גבולות ותיקים ומגדיר מחדש את יחסי הכוחות בין ענקיות הטכנולוגיה.

ומה לגבי המשתמשים? אם ההבטחות יתממשו, הם עשויים לקבל לראשונה Siri שמספקת חוויית AI אמיתית, חכמה ושימושית - כזו שאפל ניסתה לבנות במשך שנים, ועכשיו סוף סוף מתקרבת אליה.

הפוסט אפל וגוגל משתפות פעולה ומבשרות על עידן חדש ל-Siri הופיע ראשון בLet's AI בינה מלאכותית

מהקמת החברה ועד לשיא הנוכחי

חברת xAI הוקמה ביולי 2023 במטרה מוצהרת "להבין את טבע היקום". מאז הקמתה, החברה נמצאת במירוץ רצוף מול ענקיות כמו OpenAI, גוגל ו-Anthropic.

בעוד שהמתחרות התמקדו בעיקר בפיתוח מודלי שפה (LLMs), xAI אימצה גישה של אינטגרציה אנכית מהירה. בתוך פחות משנתיים, הצליחה החברה להשיק את המודל "Grok", לשלב אותו בפלטפורמת המדיה החברתית X (לשעבר טוויטר), ולהקים את מערכי המחשוב הגדולים בעולם.

הגיוס הנוכחי מגיע לאחר שנה שבה הוכיחה xAI יכולת ביצועית יוצאת דופן. בשנת 2025, החברה פרסה למעלה ממיליון כרטיסי עיבוד גרפי מסוג H100 (או שווי ערך להם) במרכזי הנתונים המכונים "Colossus I" ו-"Colossus II". התשתיות האלה הן המנוע מאחורי Grok Voice, הסוכן הקולי בזמן אמת של החברה, ומאחורי אימון הדורות הבאים של הבינה המלאכותית.

במקביל, החברה הרחיבה ממש באחרונה את אחיזתה גם בשוק העסקי עם השקת פתרון האנטרפרייז (Enterprise) שלה, "Grok Business", המציע לארגונים גישת API מתקדמת, אבטחה מוגברת ויכולת לאמן מודלים על מידע פרטי - צעד המציב אותה בתחרות ישירה מול הפתרונות העסקיים של OpenAI ומיקרוסופט.

שותפויות אסטרטגיות ומשקיעים

רשימת המשקיעים בסבב ה-Series E מלמדת על השילוב שבין הון פיננסי מסורתי לשותפויות טכנולוגיות עמוקות. לצד קרנות כמו Valor Equity Partners ו-Fidelity, בולטת השתתפותה של רשות ההשקעות של קטאר (QIA), המצביעה על העניין הגלובלי בריבונות טכנולוגית.

עם זאת, הנקודה המעניינת ביותר היא מעורבותן של ענקיות החומרה NVIDIA ו-Cisco. נוכחותן בסבב הגיוס היא לא רק פיננסית, היא מבטיחה ל-xAI גישה מועדפת לשבבים המתקדמים ביותר ולציוד רשת קריטי, בתקופה שבה שרשרת האספקה העולמית מהווה את אחד מצווארי הבקבוק המרכזיים בתחום ה-AI.

תחנת כוח פרטית למחשבי על

ההיבט המפתיע והמשמעותי ביותר בדיווחים האחרונים הוא החלטתה של xAI להיכנס לתחום ייצור האנרגיה. מאסק אישר כי החברה רכשה חמש טורבינות גז טבעי ענקיות מחברת Doosan Enerbility הדרום-קוריאנית. המטרה של מאסק ברורה - הקמת תחנת כוח פרטית שתספק 380 מגה-וואט (MW) של חשמל באופן עצמאי.

המהלך הזה נובע מצורך קיומי. מחשבי העל של הדור הבא דורשים כמויות חשמל אדירות כדי להזין את מערך המחשוב המורכב (Cluster) שבו מאות אלפי מעבדים מחוברים ביניהם ופועלים כיחידה אחת מסונכרנת.

לשם המחשה, האנרגיה שתייצר התחנה מיועדת להזין קלאסטר בקנה מידה דמיוני, שווה ערך ל-600,000 מעבדי GB200 של NVIDIA. בעוד שחברות כמו מיקרוסופט חתמו (ספטמבר 2024) על הסכמים אסטרטגיים לשני עשורים, דוגמת הפעלתו מחדש של הכור הגרעיני ב-Three Mile Island, הן נותרות תלויות ברגולציה מורכבת ובלוחות זמנים חיצוניים.

מאסק, לעומת זאת, בוחר בנתיב של בעלות ישירה ובנייה עצמית מהירה. הוא אמנם מתעדף את הגז הטבעי על פני ה'ניקיון' הסביבתי של האנרגיה הגרעינית או המתחדשת, אך הוא מבטיח לעצמו את המשאב הקריטי ביותר במירוץ ל-AI ללא תלות באף גורם חיצוני.

תגובות מעורבות

האסטרטגיה של xAI מעוררת תגובות מעורבות בקהילה הטכנולוגית והכלכלית.

התומכים טוענים כי מדובר במהלך גאוני של "דה-ריסקינג" (הפחתת סיכונים). על ידי בניית תחנת כוח משלה, xAI עוקפת את הרגולציה המורכבת ואת העומסים על רשתות החשמל הציבוריות, מה שמאפשר לה להקים דאטה-סנטרים בלוחות זמנים קצרים פי כמה מהמקובל בתעשייה. היכולת של xAI, בגיבוי הניסיון הלוגיסטי של SpaceX וטסלה, ליצור תשתית פיזית במהירות שיא מעניקה לה יתרון תחרותי שקשה לגשר עליו.

המבקרים, לעומת זאת, מעלים שאלות בנוגע להשפעה הסביבתית. שימוש בטורבינות גז טבעי, גם אם הן יעילות, עומד בסתירה למגמה הכללית של מעבר לאנרגיה מתחדשת בקרב ענקיות הטכנולוגיה. בנוסף, יש המטילים ספק ביכולת של חברה אחת לנהל בו-זמנית פיתוח אלגוריתמי מורכב, ייצור חומרה (באמצעות שותפויות) ותפעול תחנות כוח, מבלי להתפזר יתר על המידה.

בהיבט הכלכלי, שריפת המזומנים (Burn Rate) של xAI היא עצומה. למרות הגיוס של 20 מיליארד דולר, עלויות החומרה והאנרגיה עלולות לכלות את המשאבים הללו במהירות. השאלה המרכזית נותרת בעינה - האם המודלים העתידיים, כמו Grok 5 הנמצא כעת באימון, יצליחו לייצר ערך כלכלי שיצדיק השקעות בסדרי גודל כאלה?

האסטרטגיה של xAI לשליטה מקצה לקצה בעידן ה-AGI

השלמת סבב הגיוס והיציאה לדרך עם פרויקט תחנת הכוח מסמנות את תחילתו של פרק חדש במירוץ לבינה המלאכותית. עם בסיס משתמשים של כ-600 מיליון איש באפליקציות X ו-Grok, ושילוב הולך וגובר ברכבי טסלה, xAI מנסה ליצור אקו-סיסטם סגור שבו היא שולטת בכל שלב: מהחשמל שנכנס לטורבינה, דרך השבב שמעבד את הנתונים, ועד לממשק המשתמש הסופי.

הגעת יחידות ייצור האנרגיה הראשונות בסוף 2026 תהיה נקודת בוחן קריטית. אם המודל של מאסק יצליח, הוא עשוי להפוך לסטנדרט חדש עבור חברות טכנולוגיה גדולות, שיבינו כי בעידן של בינה מלאכותית כללית (AGI), השליטה באנרגיה היא חשובה לא פחות מהשליטה בקוד. xAI לא רק בונה מודל שפה, היא בונה תשתית פיזית ודיגיטלית שנועדה להבטיח שהיא תהיה השחקן הדומיננטי במציאות הטכנולוגית החדשה.

הפוסט המירוץ של xAI לריבונות דיגיטלית ואנרגטית הופיע ראשון בLet's AI בינה מלאכותית

בין רעש רגולטורי למציאות משפטית

בפברואר 2025 עסקנו כאן לראשונה בחוק הבינה המלאכותית של האיחוד האירופי (AI Act) כרגולציה המקיפה הראשונה בעולם שמנסה להסדיר את השימוש בבינה מלאכותית בקנה מידה רחב. כבר אז היה ברור שמדובר בחוק שאינו נשאר בגבולות אירופה בלבד, אלא צפוי להשפיע גם על חברות ישראליות שמפתחות, מטמיעות או מוכרות פתרונות AI לשוק האירופי. בדומה ל-GDPR, המחוקק האירופי סימן כיוון: בטיחות, אחריות ושקיפות, גם במחיר של חובות רגולטוריות חדשות לארגונים.

שנת 2025 עצמה הייתה שנה מבלבלת בשיח סביב החוק. מצד אחד, דיווחים חוזרים על לחץ מצד התעשייה ומדינות באירופה לדחות את היישום, בעיקר סביב החובות על מודלים כלליים (General-Purpose AI - GPAI) והעיכוב בפרסום קוד הפרקטיקה שאמור להנחות את השוק. מצד שני, עמדת הנציבות האירופית נותרה עקבית - אין “עצירת שעון”, והחוק מתקדם לפי לוח הזמנים שנקבע.

נכון לתחילת 2026, החוק עצמו לא שונה. קיימות הצעות לתיקונים ולדחיות נקודתיות, בעיקר בכל הנוגע למערכות בסיכון גבוה, אך אלה מצריכות תהליך חקיקה מלא שטרם הושלם. עבור ארגונים, המשמעות ברורה: מתכננים לפי החוק הקיים, ומנהלים מעקב שוטף אחר שינויים, לא להפך.

ציר הזמן שכל ארגון צריך להכיר

היישום של חוק ה-AI אינו אירוע חד-פעמי אלא תהליך מדורג. בפברואר 2025 נכנסו לתוקף האיסורים על פרקטיקות מסוימות, כמו מערכות דירוג חברתי, לצד חובת אוריינות בינה מלאכותית שמחייבת ארגונים לוודא שהעובדים מבינים כיצד להשתמש ב-AI בצורה אחראית. באוגוסט 2025 החלו לחול חובות ייעודיות על ספקי מודלים כלליים, במקביל להקמת מנגנוני ממשל ואכיפה ברמת האיחוד.

נקודת הייחוס המרכזית עבור מרבית הארגונים היא אוגוסט 2026, אז נכנסת לתוקף התחולה הכללית של החוק. המשמעות הניהולית היא שאין יותר מדי “זמן חסד”. חלק מהחובות כבר כאן, והיערכות מוקדמת היא הדרך היחידה לצמצם סיכון רגולטורי ולהימנע מהפתעות לא נעימות בהמשך.

החוק חל גם על חברות ישראליות

אחת הנקודות שממשיכות להפתיע מנהלים בישראל היא התחולה האקס-טריטוריאלית של חוק ה-AI. בניגוד לאינטואיציה, מיקום החברה כמעט ואינו רלוונטי. אם המוצר שלכם מוצב בשוק האירופי, או אם יש לכם משתמשים, לקוחות או שותפים באיחוד, אתם נמצאים בתחום התחולה של החוק. זה נכון לחברות SaaS, לפלטפורמות B2B, וגם לארגונים שמספקים פתרונות מבוססי בינה מלאכותית כחלק משירות רחב יותר.

עבור ארגונים ישראלים שפועלים בזירה גלובלית, המשמעות היא שחוק ה-AI אינו “בעיה אירופית”, אלא שיקול תפעולי ועסקי שצריך להיכנס לשולחן ההנהלה.

ספקים מול משתמשים: מי אחראי ועל מה

אחרי שמבינים שהחוק חל גם עליכם, השאלה הבאה היא איזה תפקיד רגולטורי אתם ממלאים. החוק מבצע הבחנה ברורה בין שני תפקידים מרכזיים. ספק (Provider) הוא מי שמפתח או משווק מערכת בינה מלאכותית תחת שמו. משתמש או מפעיל (Deployer) הוא מי שמטמיע מערכת כזו בתוך הארגון או כחלק משירות שהוא מספק.

ההבחנה הזו אינה סמנטית. ספקים נושאים באחריות רחבה יותר, במיוחד כאשר מדובר במערכות בסיכון גבוה, ונתבעים להוכיח תיעוד, ניהול סיכונים וממשל טכנולוגי. משתמשים נדרשים בעיקר לשימוש אחראי, שקיפות והכשרת עובדים. בפועל, לא מעט חברות הן גם ספק וגם משתמש, ולכן נדרשות לבחון כל מערכת בינה מלאכותית בנפרד ולא להסתפק בהגדרה אחת גורפת.

סיווג הסיכון והשלכות עסקיות

לב ליבה של רגולציית ה-AI האירופית הוא סיווג סיכון. החוק אינו שואל רק “האם יש כאן בינה מלאכותית”, אלא עד כמה השימוש בה עלול להשפיע על זכויות, בטיחות והזדמנויות של אנשים. מערכות שמעורבות בקבלת עובדים, מתן אשראי, תמחור ביטוח או קבלת החלטות רפואיות עשויות להיחשב כמערכות “בסיכון גבוה”.

חשוב להדגיש, סיווג כזה אינו אוסר על השימוש במערכת, אלא מגדיר רף גבוה יותר של אחריות. ארגונים נדרשים לעמוד בדרישות מחמירות יותר של תיעוד, ניהול סיכונים, פיקוח אנושי ושקיפות. בפועל, זה משפיע ישירות על אופן הפיתוח, ההטמעה והתחזוקה של המערכת לאורך זמן.

גם מערכות שאינן מסווגות כ”סיכון גבוה” אינן פטורות מחובות. צ’אטבוטים, מערכות ג׳נרטיביות וממשקים שבהם משתמש עלול לחשוב שהוא מתקשר עם בן אדם מחויבים בשקיפות בסיסית. עבור ארגונים רבים, אלו בדיוק המקומות שבהם נדרש שינוי קטן בממשק או בניסוח, אך כזה שיש לו משמעות רגולטורית ברורה.

החוק כולל מנגנוני אכיפה וקנסות משמעותיים, עם תקרות שיכולות להגיע עד 35 מיליון אירו או עד 7% מהמחזור העולמי של החברה, הגבוה מביניהם, בהתאם לסוג ההפרה. עבור הפרות אחרות, החוק קובע תקרות נמוכות יותר אך עדיין משמעותיות. עם זאת, האכיפה אינה פועלת ככפתור אדום שסוגר שווקים בן לילה.

לרשויות יש סל כלים רחב, החל מדרישות תיקון והגבלות שיווק, ועד קנסות מנהליים במקרים חמורים. עבור הנהלות, המשמעות היא סיכון תפעולי ומסחרי מתמשך, ולא רק שאלה משפטית נקודתית.

GPAI וקוד הפרקטיקה כשכבת רגולציה נפרדת

ארגונים שמפתחים מודלים כלליים, כמו מודלי שפה או תמונה, נכנסים לשכבה רגולטורית ייעודית בחוק. מדובר במודלים רב-שימושיים שיכולים לשמש כבסיס למגוון רחב של יישומים, ולכן המחוקק האירופי בחר להתייחס אליהם בנפרד. כאן נכנס לתמונה קוד הפרקטיקה, שנועד לשמש מסלול וולונטרי שיסייע להדגים עמידה בדרישות החוק.

במהלך 2025 נרשמה אי ודאות סביב לוחות הזמנים של הקוד, והלחץ לדחייה נבע בעיקר מהמורכבות הטכנית והארגונית הכרוכה ביישום החובות על מודלי GPAI. חשוב להבין, החובות עצמן כבר מעוגנות בחוק. קוד הפרקטיקה נועד להקל על היישום ולהציע מסגרת עבודה מוסכמת, אך הוא אינו תנאי לקיומן של החובות ואינו מחליף אותן. עבור מפתחי מודלים, המשמעות היא צורך להיערך גם אם המסגרת הוולונטרית עדיין מתגבשת.

AI literacy

אחד הסעיפים הפחות דרמטיים אך המשמעותיים ביותר בחוק הוא חובת אוריינות הבינה המלאכותית. כל ארגון שמשתמש ב-AI נדרש לנקוט צעדים סבירים כדי לוודא שהעובדים מבינים מה הם עושים, מה מותר ומה אסור, ואילו סיכונים קיימים בשימוש במערכות כאלה. החובה הזו חלה כבר מפברואר 2025, ולא נדחתה לשלב מאוחר יותר.

עבור מנהלים, מדובר ב-Quick win מובהק. הדרכה קצרה, נהלים ברורים ותיעוד בסיסי לא רק מספקים מענה רגולטורי, אלא גם משמשים כלי ניהולי שמקטין טעויות, מחדד אחריות ומעלה את רמת המקצועיות בארגון. זהו אחד המקרים הנדירים שבהם ציות ויעילות הולכים יד ביד.

תקצוב חכם

אחת הטעויות הנפוצות בשיח סביב חוק ה-AI היא ניסיון להצמיד לו תג מחיר אחיד. בפועל, הגישה הנכונה היא מודל תקצוב ולא סכום קבוע. העלות תלויה בשלושה גורמים עיקריים: היבטים רגולטוריים ומשפטיים, בדיקות ואבטחת איכות טכנית, ותיעוד וממשל פנימי.

ארגון עם מספר מערכות פשוטות ושימושים מוגבלים יידרש להיערכות שונה לחלוטין מארגון שמפתח מודלים קריטיים לשוק הפיננסי או הרפואי. ההבנה הזו מאפשרת תכנון ריאלי, הדרגתי ושקול, במקום תגובה בלחץ לרגולציה שנתפסת כמאיימת.

מה עושים עכשיו

הצעד הראשון שאינו תלוי בדחיות, תיקונים או פרשנויות עתידיות הוא מיפוי. לדעת אילו מערכות בינה מלאכותית קיימות בארגון, מי משתמש בהן, לאילו שימושים, והאם יש להן נגיעה לשוק האירופי. במקביל, חשוב להתחיל בשקיפות בסיסית מול משתמשים ובהכשרת עובדים. אלה צעדים פשוטים יחסית, אך כאלה שמייצרים שליטה, סדר והפחתת סיכון, גם אם לוח הזמנים הרגולטורי עוד ישתנה.

חוק הבינה המלאכותית האירופי הוא לא עוד רגולציה חולפת. בדומה ל-GDPR, הוא צפוי להפוך לסטנדרט ייחוס עולמי שישפיע גם מעבר לגבולות האיחוד. עבור ארגונים ישראלים, ההיערכות אינה רק עניין של ציות, אלא הזדמנות לבנות תשתית AI אחראית, שקופה ובוגרת יותר. מי שיתחיל עכשיו, יגיע לאוגוסט 2026 ללא לחץ וללא הפתעות, עם הבנה, שליטה ויתרון תפעולי ברור.

האמור במאמר זה הוא סקירה כללית ואינו מהווה ייעוץ משפטי. יישום חוק ה-AI בפועל תלוי בנסיבות הספציפיות של כל ארגון, ולכן מומלץ להיעזר בייעוץ משפטי או רגולטורי המתמחה בחוק הבינה המלאכותית האירופי.

הפוסט לקראת אוגוסט 2026: כך ישפיע חוק ה-AI האירופי על חברות וארגונים מישראל הופיע ראשון בLet's AI בינה מלאכותית

המספרים במבט השוואתי

כאשר משווים את ה-1.5 מיליון דולר הממוצעים לעובד לנורמות התעשייה, הפער נראה כמעט אבסורדי. החבילה המנייתית של OpenAI גבוהה פי שבעה מהתגמול המנייתי שגוגל דיווחה עליו לפני הנפקתה ב-2004, ופי 34 מהממוצע של 18 חברות טכנולוגיה גדולות אחרות בשנה שלפני ה-IPO (הנפקה ראשונית לציבור) שלהן, לאחר התאמת אינפלציה, לפי ניתוח של Equilar ו-WSJ.

הנדיבות הזו לא נשארת רק על הנייר. עלות התגמול המנייתי של OpenAI הגיעה ל-46% מההכנסות ב-2025 - במספרים מוחלטים: כ-6 מיליארד דולר בתגמול מנייתי מתוך 13 מיליארד דולר הכנסות.

בחברות טכנולוגיה גדולות לפני הנפקה, תגמול מנייתי מקובל נע סביב אחוזים בודדים מההכנסות. היחידה שהתקרבה לפרופורציה של OpenAI היא יצרנית הרכב החשמלי Rivian, שהנפקתה ב-2021 לוותה בספקות כבדים לגבי הכלכלה הבסיסית של החברה. Rivian דיווחה על הפסדים עצומים והתקשתה להגיע לרווחיות עד היום.

מלחמת הטאלנטים

מאחורי המספרים מסתתרת תחרות גיוס חריפה במיוחד בתחום ה‑AI. בשנים 2024-2025 Meta הגבירה משמעותית את מאמצי הגיוס שלה, במיוחד מול OpenAI, והציעה לחוקרים ומהנדסים חבילות תגמול יוצאות דופן - הצעות ארוכות טווח שדווחו כבעלות שווי מצטבר שיכול להגיע עד כ‑100 מיליון דולר למועמד יחיד, לפי CNBC ומקורות נוספים.

לפי דיווחים מה‑Wall Street Journal ומקורות טכנולוגיים נוספים, Meta הצליחה לגייס מספר חוקרים מ‑OpenAI, בהם שלושה חוקרים בכירים מציריך ועוד כמה חוקרים נוספים שזוהו בדיווחים אחרים.

כתגובה, ולפי דיווחים פנימיים שהודלפו, OpenAI לא הסתפקה בשיפור שכר. בקיץ 2025 חולקו בונוסים חד-פעמיים נדיבים במיוחד לצוותי מחקר והנדסה, לעיתים בסכומים של מיליוני דולרים לעובד. במקביל, החברה ביטלה את דרישת הוותק של שישה חודשים לפני תחילת הבשלת האופציות - מהלך חריג שמטרתו להפוך כל הצעה למיידית ואטרקטיבית יותר למועמדים. מי שנכנס היום ל-OpenAI מתחיל "לנעול" את הערך של המניות כמעט מיד, בניגוד לנהוג ברוב חברות הטכנולוגיה.

עבור העובדים עצמם, המצב מורכב מכפי שנראה. מצד אחד, הערך של 1.5 מיליון דולר תלוי בהערכת שווי עתידית של החברה. מצד שני, OpenAI מבצעת באופן תקופתי אירועי נזילות פנימיים (Tender Offers) שבהם עובדים יכולים למכור מניות למשקיעים קיימים - מה שאומר שחלק מהעובדים כבר הפכו למיליונרים במזומן, לא רק "על הנייר". זה מסביר חלק נכבד מהנאמנות של העובדים ומהקושי של Meta לגייס כמות גדולה - הם לא רק מחכים לעתיד מיתולוגי, הם כבר רואים כסף אמיתי.

המציאות הכלכלית

אם מסתכלים רק על השכר, קל לחשוב שמדובר במכונת רווח משומנת. המספרים הפיננסיים המלאים מציירים תמונה הפוכה - לכאורה. לפי מסמכים שהגיעו לידי Fortune ו-The Information, חברת OpenAI סיימה את 2025 עם הפסד נקי של כ-9 מיליארד דולר, על הכנסות של כ-13 מיליארד דולר. מקורות אחרים מדווחים על נתונים חלקיים שמצביעים על הפסדים אף גבוהים יותר - 13.5 מיליארד דולר רק במחצית הראשונה של השנה.

החברה הוציאה 22 מיליארד דולר ב-2025, כלומר שרפה בערך 1.69 דולר על כל דולר הכנסה. לפי הערכות מסוימות, עד 2029 ההפסדים המצטברים עשויים להגיע ל‑115 מיליארד דולר, במקביל להשקעות עתק בתשתיות ענן, שבבים ומרכזי נתונים.

דליפה נוספת הראתה כי רק ב-2025 שילמה OpenAI קרוב ל-866 מיליון דולר למיקרוסופט בחלוקת הכנסות. נקודה חשובה כאן היא שמרבית הכסף הזה זורם חזרה למיקרוסופט דרך שירותי Azure - מערכת יחסים מעגלית שבה מיקרוסופט משקיעה ב-OpenAI ומרוויחה ממנה בו-זמנית דרך תשתיות הענן. זו לא סתם "תלות", אלא מערכת סימביוטית שמנפחת את השווי של שתי החברות.

HSBC, בנק השקעות גלובלי, מעריך שהעלות הכוללת של תשתיות הענן וה-compute של OpenAI עשויה להגיע למאות מיליארדי דולרים עד תחילת העשור הבא, עם פער מימון של מעל 200 מיליארד דולר שיש לסגור באמצעות חוב, הון או הכנסות נוספות.

ככה נראית שריפת מזומנים

בשורה התחתונה, OpenAI שורפת מזומנים בקצב של סטארט-אפ קטן בכל יום עבודה, מתוך הבנה שבעולם ה-AI, הגודל והמהירות הם תעודת הביטוח היחידה.

הדילמה האמיתית: טירוף או הכרח?

כדי להצדיק את רמת השכר, ההפסדים וריצת החימוש התשתיתית, OpenAI מציגה למשקיעים גרף צמיחה אגרסיבי. על פי המסמכים, החברה צופה הכנסות שנתיות של כ-200 מיליארד דולר עד 2030, והגעה לתזרים חיובי רק לקראת 2029-2030. המשמעות - עוד שנים של הפסדים עצומים לפני שמגיעה נקודת האיזון.

גורמי מחקר ב-HSBC מזהירים שייתכן שגם תרחיש כזה לא יספיק כדי להביא את החברה לרווחיות, בשל עלויות התשתית הענקיות והצורך המתמשך "להאכיל" את מודלי הענק במחשוב ובחשמל. הם מעריכים שעד 2030 OpenAI עדיין תהיה במינוס תזרימי עמוק ותידרש להביא מהמשקיעים עוד מאות מיליארדי דולרים כדי לעמוד בתחזיות של עצמה.

אבל יש כאן פרספקטיבה אחרת, חשובה לא פחות. אם OpenAI באמת במירוץ לבינה מלאכותית כללית (AGI), 115 מיליארד דולר הפסד זה לא טעות - זה מחיר הכניסה. המהלך הזה לא עוקב אחרי כללי הכלכלה המסורתית כי המשחק שונה לחלוטין. זה לא סטארט-אפ רגיל שמנסה להגיע לרווחיות רבעונית - זה הימור על השליטה בטכנולוגיה שעשויה לשנות את כל המשק העולמי.

במצב כזה, השכר הדמיוני לעובדים הוא לא בזבזנות - זה מנגנון הגנה אנושי (Moat). אם תאבד את הטאלנט הזה ל-Meta או Google, תאבד את המירוץ. ואם תאבד את המירוץ, לא משנה כמה כסף חסכת. זה "הכל או כלום" במובן הכי מילולי.

מה זה אומר על תעשיית ה-AI

המודל של OpenAI מעלה שאלות לגבי קיימות התעשייה כולה. אם הכוכב הכי בוהק בתחום שורף מיליארדים, האם חברות אחרות יוכלו לעמוד בקצב? מלחמת הטאלנטים דוחפת את כל השחקנים הגדולים להעלות משכורות, מה שמקשה על חברות קטנות וחברות שאין להן כיסים עמוקים כמו אלה של Microsoft או Meta.

ברמה המעשית, המודל הזה בר-קיימא רק אם OpenAI תצליח לעמוד בתחזיות האופטימיות ביותר שלה. אם לא, המשקיעים ייאלצו להכיר בהפסדים עצומים, והתעשייה תצטרך למצוא דרכים יותר ברות-קיימא לשלם עבור טאלנט בלי לשרוף מיליארדים בתהליך.

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

לפרטים נוספים לחצו כאן >>

למי זה טוב ולמי זה מסוכן

עבור עובדי OpenAI, המצב טוב יותר מכפי שנראה - הם לא רק מחזיקים בערך נומינלי של 1.5 מיליון דולר "על הנייר", חלקם כבר מימשו חלק מהערך הזה במזומן דרך מכירות פנימיות. עבור המשקיעים, זה הימור קיומי. אם OpenAI תצליח, התשואה תהיה עצומה. אם לא, ההפסדים יהיו היסטוריים.

עבור התעשייה, המודל הזה מעלה את הסטנדרטים באופן שלא בהכרח בריא. חברות קטנות ובינוניות לא יכולות לשלם סכומים כאלה, מה שמרכז את הטאלנט במספר קטן של חברות ענק. זה מקשה על חדשנות ומגביל תחרות.

בסופו של יום, OpenAI לא מוכרת רק מודל בינה מלאכותית - היא מוכרת את האמונה שמי שיגיע ראשון ל-AGI יכתוב מחדש את כללי המשחק הכלכלי. אם המודל הזה יקרוס, הוא עלול למשוך איתו חלק נכבד מכלכלת הסיליקון ואלי. אם הוא יצליח, 1.5 מיליון דולר לעובד ייזכרו כהשקעה הכי חכמה בהיסטוריה. במירוץ הזה, המחיר להישאר בפנים הוא כל מה שיש לך - ואולי עוד קצת.

הפוסט OpenAI משלמת יותר מכל סטארט-אפ בהיסטוריה – האם זה טירוף או הימור מחושב? הופיע ראשון בLet's AI בינה מלאכותית

מה מציעה כל חבילה?

Grok Business מיועדת לצוותים קטנים ובינוניים של עד 100 עובדים. המחיר נקבע על 30 דולר למשתמש בחודש. זהו מחיר סטנדרטי בשוק, הדומה לתמחור של Gemini Enterprise מבית גוגל.

היתרון התחרותי האמיתי של xAI כאן הוא הגמישות - בעוד שחברות כמו OpenAI דורשות לעיתים קרובות התחייבות לכמות מינימלית של משתמשים (Seat Minimum) בחוזים ארגוניים, xAI מאפשרת הרשמה בשירות עצמי (Self-serve) ללא דרישות סף נוקשות.

לשם השוואה, בעוד שחבילת ה-Team של OpenAI עולה כ-25 דולר, חבילת ה-ChatGPT Enterprise מתומחרת בפורמט Custom (מותאם אישית) הדורש משא ומתן מול מחלקת המכירות, כשהערכות השוק עבור חוזים אלו נעות סביב ה-60 דולר למשתמש.

Grok Enterprise מיועדת לארגונים גדולים הזקוקים ליכולות ניהול מתקדמות כמו אימות זהות מותאם (Custom SSO) וסנכרון ספריות משתמשים (SCIM). בדומה לפתרונות המקבילים של OpenAI וגוגל, התמחור של גרסה זו הוא Custom ונקבע באופן פרטני מול צוות המכירות של xAI.

קונסולה ניהולית לשליטה מרכזית

שתי החבילות כוללות גישה לקונסולת ניהול מרכזית דרך xAI Console. מנהלי IT יכולים להזמין משתמשים, לנהל הרשאות גישה ולעקוב אחרי צריכת המערכת בזמן אמת - הכל ממקום אחד. 

Enterprise Vault: הפיצ'ר שמכוון לסקטורים מפוקחים

עבור ארגונים עם דרישות אבטחה מחמירות, כמו בנקים, חברות ביטוח ומשרדי עורכי דין, xAI מציעה שכבה נוספת בשם Enterprise Vault.

מה זה אומר בפועל? מישור נתונים מבודד לחלוטין מהתשתית הרגילה של xAI, עם הצפנה בשליטת הלקוח (Customer Managed Encryption Keys). המשמעות היא שהארגון מנהל בעצמו את מפתחות ההצפנה, ואפילו ל-xAI אין גישה טכנית למידע.

פיצ'רים דומים קיימים אצל ספקי ענן כמו AWS ו-Google Cloud, וגם ל-OpenAI ו-Anthropic יש פתרונות אבטחה מתקדמים. אולם, בעוד שמתחרים מציעים יכולות דומות לרוב כחלק מפתרונות "Tailor-made" הדורשים משא ומתן אישי והתאמה ארוכה, xAI הופכת את האבטחה העילאית למוצר מדף (Off-the-shelf) שניתן להטמיע בצורה מוצרית וברורה מהיום הראשון.

אינטגרציה עם מקורות מידע ארגוניים

xAI שמה דגש על האינטגרציה עם כלים ארגוניים קיימים. נכון להיום, המערכת מתחברת ל-Google Drive ול-xAI Collections.

נקודה קריטית למנהלים בארגונים גדולים היא שכרגע אין אינטגרציה עם Microsoft 365 ,SharePoint או OneDrive. עבור רוב חברות ה-Fortune 500 שיושבות על תשתית Azure, זהו חסם כניסה משמעותי. אם הארגון שלכם מבוסס על מיקרוסופט, תצטרכו להמתין לאינטגרציה עתידית או לעבוד עם פתרון אחר.

הפיצ'ר המעניין כאן הוא "Permission Awareness": המערכת מכבדת את הרשאות הגישה הקיימות. אם לעובד אין גישה למסמך מסוים בדרייב, Grok לא ישלוף לו מידע ממנו. זה פותר בעיה מוכרת של דליפת מידע פנימי שמעכבת ארגונים רבים מלהטמיע כלי AI.

בנוסף, תשובות המערכת כוללות ציטוטים עם קישורים ישירים למקור, מה שמאפשר אימות של המידע.

Collections API: חיפוש חכם במאגרי מידע גדולים

פיצ׳ר מעניין נוסף הוא Collections API. ארגונים יכולים להעלות בסיסי ידע גדולים - מאגרי מסמכים משפטיים, תיעוד טכני, data rooms לעסקאות M&A - ולאפשר ל-Grok לחפש בהם עם יכולות Agentic Search.

בפועל, זה אומר שצוות משפטי יכול לשאול "מצא את כל הסעיפים בחוזים שלנו שמתייחסים לאחריות על נזקים עקיפים" ולקבל תשובה מבוססת על אלפי מסמכים, עם הפניות מדויקות למקור. זו יכולת שרלוונטית במיוחד לסקטורים עתירי מסמכים.

שיתוף שיחות מאובטח

פיצ'ר נוסף שכדאי להכיר הוא שיתוף שיחות בין חברי צוות. ניתן לשתף שיחה עם Grok באמצעות קישור, כשהגישה מוגבלת רק למי שקיבל הרשאה מפורשת. זה שימושי כשצוות עובד על פרויקט משותף ורוצה לשתף תובנות או ניתוחים שהמערכת הפיקה.

חלון הקשר של 2 מיליון טוקנים

אחד היתרונות הטכניים המובהקים של Grok, כפי שנגזר מהמפרט של מודל ה-Grok 4 Heavy המניע את המערכת, הוא חלון הקשר (Context Window) עצום המגיע לעד 2 מיליון טוקנים בפעולה אחת. בפועל, יכולת זו מאפשרת לארגונים לטעון אלפי עמודי מסמכים, ספריות קוד שלמות או דוחות פיננסיים רב-שנתיים מורכבים ולקבל תשובות מבוססות על המאגר כולו.

לשם השוואה, נכון לתחילת 2026, הגרסאות העסקיות של המתחרות מציעות נפחים מצומצמים יותר: ChatGPT Enterprise מציע 400,000 טוקנים עם מודל GPT-5.2, בעוד Claude Enterprise מגיע ל-500,000 טוקנים עם Sonnet 4.5. הפער הזה מעניק ל-Grok Business יתרון משמעותי עבור ארגונים המנהלים מסמכי ענק או קודבייסים רחבים, שכן הוא מאפשר ניתוח הוליסטי של המידע ללא צורך בפיצולו למקטעים קטנים.

עם זאת, חשוב להדגיש שחלון הקשר ענק אינו יתרון מוחלט ללא בקרה. קיימת תופעה טכנולוגית מוכרת בשם "Lost in the Middle", במסגרתה מודלים נוטים לעיתים "לשכוח" או להתעלם ממידע שנמצא במרכזם של מסמכים ארוכים מאוד. המשמעות היא שהמערכת עשויה לסכם מסמך רחב היקף בצורה טובה, אך להחמיץ פרט קריטי המופיע בעומק הטקסט (למשל, בעמוד 847 מתוך 2,000). לכן, מומלץ לארגונים לבדוק את איכות השליפה (Retrieval Quality) הספציפית בתקופת הניסיון לפני הסתמכות מלאה על המערכת למשימות קריטיות.

ההתחייבות לפרטיות

xAI מצהירה במפורש שנתוני לקוחות עסקיים לא ישמשו לאימון מודלים. זו התחייבות סטנדרטית בשוק הארגוני, שגם OpenAI ו-Anthropic מציעות ללקוחות Enterprise. אבל זה שינוי מהותי מהגרסה הצרכנית של Grok, שם המידע עשוי לשמש לשיפור המודל. הפלטפורמה עומדת בתקן SOC 2 ותואמת לדרישות GDPR ו-CCPA.

איפה Grok עומד בשוק?

נתוני התנועה והאימוץ מציגים תמונה מורכבת של שוק הנמצא בתהליך של ביזור: לפי נתוני SimilarWeb, בעוד ש-ChatGPT עדיין שולט בשוק עם נתח של כ-68%, מדובר בירידה משמעותית לעומת דומיננטיות של 87% בשנה הקודמת. במקביל, Gemini של גוגל רשמה צמיחה אגרסיבית וטיפסה מנתח שוק של 5% ל-18% בתוך שנה אחת בלבד.

נכון לאוקטובר 2025, Grok הצליח להתברג בעשירייה הפותחת של כלי ה-AI מבחינת תנועה, עם כ-27.8 מיליון מבקרים ייחודיים בחודש. עם זאת, הפער מהמובילה נותר עצום, שכן ChatGPT משך באותה תקופה כ-660 מיליון מבקרים ייחודיים.

למרות פער הכמויות, Grok מוביל את הקטגוריה במדד המעורבות (Engagement): זמן השהייה הממוצע לביקור ב-Grok עומד על כ-14:02 דקות, נתון שעקף את אלו של ChatGPT (כ-13:32 דקות) ושל Gemini (כ-11:13 דקות) במהלך החודשים אוקטובר-נובמבר 2025.

בזירה הארגונית, הזינוק משמעותי עוד יותר: לפי דו"ח של Netskope מיוני 2025, נוכחותו של Grok בארגונים (שיעור החברות בהן יש לפחות משתמש פעיל אחד) זינקה מ-2.6% ל-23% בתוך חודשים ספורים. נתון זה מעיד על חדירה מהירה של המותג למגזר העסקי עוד לפני ההשקה הרשמית של חבילות ה-Enterprise.

האם Grok מתאים לארגון שלכם?

במבט קדימה, xAI כבר סימנה את היעדים הבאים שלה: הרחבת האינטגרציות מעבר ל-Google Drive, פיתוח סוכנים אוטונומיים (Agents) לביצוע משימות מורכבות ושיפור משמעותי של יכולות השיתוף הצוותיות. ההשקה הנוכחית מסמנת רשמית את הפיכתו של Grok ממוצר צריכה המזוהה עם תרבות הרשת למתחרה מוסדי רציני בשוק הארגוני.

למרות שהתמחור נותר סטנדרטי ביחס לשוק, היתרון התחרותי האמיתי שלו טמון בגמישות ובצמצום חסמי הכניסה, במיוחד לאור היעדר דרישת המינימום למשתמשים שהייתה נהוגה עד כה אצל חלק מהמתחרות הוותיקות. פיצ'רים ייחודיים כמו ה-Collections API וה-Enterprise Vault מעניקים למערכת ערך טכנולוגי גבוה, במיוחד עבור סקטורים עתירי מסמכים ורגולציה הזקוקים לבידוד נתונים מוחלט.

יחד עם זאת, חסם משמעותי שעומד כרגע בפני החברה הוא היעדר אינטגרציה עם Microsoft 365. עבור ארגונים רבים המבוססים על Azure ו-SharePoint, מדובר בחיסרון שמהווה סיבה ממשית להמתין להתפתחויות עתידיות. בעוד ששחקניות כמו OpenAI ו-Anthropic נהנות מרקורד מוכח, תשתית תמיכה רחבה ואינטגרציות עמוקות יותר, xAI נמצאת רק בתחילת דרכה בעולם הארגוני.

בסופו של יום, עבור ארגונים המבוססים על Google Workspace ומוכנים להיות מאמצים מוקדמים (Early Adopters), Grok מציע חלופה עוצמתית ומסקרנת, אך הצלחתה בטווח הארוך תלויה ביכולתה של xAI לספק לא רק טכנולוגיה מתקדמת, אלא גם את רמת האמינות והשירות המצופה מספקית פתרונות לארגוני ענק.

לסקירה המלאה ולפרטים נוספים על Grok Business & Enterprise Launch, כנסו כאן.

הפוסט xAI נכנסת לשוק הארגוני ומשיקה את Grok Business ו-Enterprise למשתמשים עסקיים הופיע ראשון בLet's AI בינה מלאכותית

הארכיטקטורה של האוטונומיה 

עד עכשיו, האינטראקציה הארגונית עם בינה מלאכותית התבססה על מודל שפה מרכזי אחד שמנסה לפתור כל בעיה. ב-2026, הארכיטקטורה משתנה ל"תזמור סוכנים מרובים" (Multi-agent orchestration). במבנה הזה, ה-AI פועלת כרשת של מומחים שבה סוכן אחד מתמקד בתכנון המשימה, סוכן שני בביצוע קוד, וסוכן שלישי בביקורת איכות והצלבת נתונים. הדינמיקה הזו מאפשרת ל-AI לטפל בתהליכי עבודה (Workflows) שלמים ולא רק במטלות בודדות.

עבור המנהל המודרני, מדובר ב"כוח עבודה דיגיטלי" (Digital Labor). הסוכנים האלה לא רק מבצעים פעולות, אלא מנווטים באופן עצמאי בתוך מערכות עסקיות מורכבות. יחד עם זאת, הארכיטקטורה של IBM מדגישה את עקרון ה-"Human in the loop" - עקרון שבו המנהל האנושי אינו מוחלף, אלא משתדרג לתפקיד של "מתזמן על" (״מנצח״). במקום להכתיב לסוכן איך לעבוד, המנהל מגדיר את היעדים, מאשר את אבני הדרך הקריטיות ומפקח על הסנכרון בין צוותי הסוכנים הדיגיטליים לצוותים האנושיים.

בינה עם גוף

החזון של IBM לשנת 2026 מסמן את סופה של ההפרדה בין הבינה הדיגיטלית למציאות המוחשית. המגמה של "בינה מלאכותית פיזית" (Physical AI) מייצגת קפיצת מדרגה קוגניטיבית שבה מודלים אינם מסתפקים בעיבוד טקסט או תמונה, אלא לומדים להבין את חוקי הפיזיקה, התנועה והמרחב התלת-ממדי. במקום לתכנת רובוט בכל תנועה ותנועה (Hard-coding), ה-AI מפתחת "אינטואיציה" מרחבית המאפשרת למכונות לפעול בסביבות משתנות ובלתי צפויות.

השילוב של בינה זו בתוך "מחשוב חברתי" (Social Computing) יוצר שינוי עמוק באופן שבו טכנולוגיה משתלבת בחברה. המערכות של 2026 יהיו מסוגלות לפענח לא רק פקודות, אלא גם הקשרים חברתיים וכוונות אנושיות. במרחבים משותפים, ממפעלים ועד בתי חולים, ה-AI תלמד "לקרוא" את הדינמיקה האנושית סביבה, מה שיהפוך את האינטראקציה איתה מטכנית וקרה לשיתוף פעולה זורם ובטוח.

התובנה למנהל/ת: בשנת 2026, הגבול בין ה-IT (טכנולוגיית מידע) ל-OT (טכנולוגיה תפעולית) יטושטש לחלוטין. מנהלים יצטרכו לחשוב על נכסים פיזיים, ממלגזות במחסן ועד לחיישנים בחנות, כעל סוכנים תבוניים. היכולת של ה-AI להבין הקשר חברתי ופיזי פירושה שניתן יהיה להטמיע אוטומציה גם בתהליכים שדרשו בעבר "שיקול דעת אנושי בשטח", ובכך לייצר יעילות חסרת תקדים בניהול שרשראות אספקה ושירות לקוחות פרונטלי.

מחשוב היברידי, קוונטי ובינה בקצה

היכולות המתקדמות של 2026 דורשות כוח חישוב מסוג חדש. IBM מגדירה זאת כמעבר ל"מחשוב היברידי אמורפי" (Amorphous hybrid computing). אם בעבר הארגון הסתמך על שרתים מרכזיים או ענן גנרי, הרי שב-2026 התשתית תהיה דינמית לחלוטין. המערכת תדע לנתב כל משימה באופן אוטומטי למעבד המתאים ביותר עבורה, בין אם מדובר במעבד גרפי (GPU), שבב נוירומורפי המחקה את פעולת המוח, או מחשב קוונטי.

שני וקטורים מרכזיים יגדירו את המנוע הזה:

1. הסקה במכשיר הקצה (Reasoning at the edge): זה המעבר של ה"מוח" של ה-AI מהענן ישירות אל מכשירי הקצה (טלפונים, חיישנים תעשייתיים ומחשבים אישיים). מודלים קטנים ויעילים יאפשרו למכשירים "לחשוב" ולפתור בעיות באופן מקומי. עבור הארגון, המשמעות היא ביטול השהייה (Latency) ופרטיות נתונים מוחלטת, שכן המידע הרגיש אינו עוזב את המכשיר.

2. תועלת קוונטית (Quantum Utility): בשנת 2026, המחשוב הקוונטי יוצא ממעבדות המחקר אל שולחן העבודה העסקי. לא מדובר עוד בהבטחה עתידית, אלא בכלי עבודה לפתרון בעיות אופטימיזציה מורכבות שהיו בלתי אפשריות למחשוב קלאסי - החל מתכנון חומרים חדשים ועד לניהול סיכונים פיננסיים בזמן אמת.

התובנה למנהל/ת: היעילות האנרגטית והיכולת הכלכלית של ארגון ב-2026 יהיו תלויות ב"חכמת הניתוב" שלו. מנהלים צריכים להבין שחוסן טכנולוגי לא יימדד רק בכמות כוח העיבוד, אלא ביכולת להריץ משימות קריטיות ב"קצה" (מסיבות של אבטחה ומהירות) ולנצל יתרון קוונטי לפתרון צווארי בקבוק עסקיים. זו אסטרטגיה של אופטימיזצית משאבים קיצונית.

אמון כנכס עסקי 

בעוד ששנות הפריצה של ה-AI התאפיינו בהתפעלות מהתוצרים, שנת 2026 תתאפיין בדרישה חקירתית לגבי התהליך. המגמה של "בינה מלאכותית ניתנת לאימות" (Verifiable AI) הופכת מצורך טכני לדרישה עסקית ומשפטית מחמירה. תחת מסגרות רגולטוריות גלובליות, ובראשן חוק ה-AI האירופי (EU AI Act), ארגונים לא יוכלו עוד להסתפק במודלים של "קופסה שחורה" שפעולתם אינה שקופה.

אימות ב-2026 מורכב משלוש שכבות קריטיות:

1. מקוריות הנתונים (Provenance): היכולת להוכיח בדיוק מאיפה הגיעו נתוני האימון, תוך כיבוד זכויות יוצרים ומניעת הטיות מובנות.

2. תיעוד טכני שוטף: מערכות AI ידרשו לספק "יומן עבודה" המציג כיצד התקבלה החלטה מסוימת, מה שמאפשר ביקורת חיצונית ופנימית בזמן אמת.

3. שקיפות אלגוריתמית: היכולת להסביר את ה"לוגיקה" שמאחורי פלט המערכת, במיוחד בתחומים רגישים כמו פיננסים, בריאות ומשאבי אנוש.

התובנה למנהל/ת: בשנת 2026, אמון (Trust) יהפוך למטבע עובר לסוחר. מנהלים שישקיעו בתשתית של אימות ושקיפות לא רק "יעברו את הרגולטור", אלא יזכו ביתרון תחרותי מובהק. לקוחות ושותפים עסקיים יעדיפו מערכות שניתן לסמוך עליהן ולהבין אותן על פני מערכות חזקות אך מסתוריות. ציות (Compliance) מפסיק להיות מרכז עלות והופך למנוע צמיחה שמאפשר אימוץ מהיר ובטוח של טכנולוגיות חדשות.

מגמות מובילות לשנת 2026

מפת הדרכים למנהיגות טכנולוגית ב-2026

התחזית של IBM לשנת 2026 לא עוסקת רק בטכנולוגיה חזקה יותר, אלא במערכת אקולוגית חדשה של בינה. המעבר מבינה מלאכותית יוצרת (Generative) לבינה מלאכותית פועלת (Agentic), בשילוב עם תשתיות קוונטיות ויכולות קצה, מחייב מנהלים לבחון מחדש את האסטרטגיה הארגונית שלהם כבר היום.

כדי להגיע מוכנים ל-2026, על קובעי המדיניות להתמקד בשלושה צירי פעולה:

1. מארכיטקטורת כלים לארכיטקטורת סוכנים: הפסיקו לחפש "שימושים בודדים" (Use Cases) ל-AI. במקום זאת, התחילו לתכנן תהליכי עבודה המבוססים על צוותי סוכנים. השאלה היא כבר לא "איך ה-AI תכתוב לי מייל", אלא "איך מערך סוכנים דיגיטלי ינהל את שרשרת האספקה שלי מקצה לקצה".

2. השקעה בתשתית של אמון (Trust by Design): אל תחכו לרגולציה שתכפה עליכם שקיפות. הטמעת כלי אימות (Verifiability) ובניית מסגרות אתיות לשימוש בנתונים הן הבסיס שעליו ייבנה האמון של הלקוחות והעובדים שלכם. הארגון שלכם יהיה חייב לדעת להסביר את החלטות ה-AI שלו ב-2026 כדי להישאר במשחק.

3. הכשרת ההון האנושי ל"תזמור": המיומנות הנדרשת מהעובדים ומהמנהלים שלכם משתנה. היכולת לנהל "כוח עבודה היברידי" - המורכב מאנשים, סוכנים דיגיטליים ורובוטים פיזיים - תהיה המיומנות הקריטית ביותר. עליכם להשקיע בחינוך טכנולוגי ששם דגש על שיתוף פעולה (Social Computing) ולא רק על תפעול טכני.

שנת 2026 תתגמל את הארגונים שידעו לשלב בין העוצמה הבלתי מוגבלת של המחשוב לבין האחריות והערכים האנושיים. הטכנולוגיה כבר כאן - כעת תורו של הניהול להדביק את הקצב.

הפוסט מפת הדרכים האסטרטגית של IBM לבינה מלאכותית ב-2026 הופיע ראשון בLet's AI בינה מלאכותית

למה דווקא Manus, ולמה עכשיו

Manus לא ממצבת את עצמה כחברת מודלים. היא מדברת על execution layer - שכבת ביצוע שמאפשרת לאייג’נטים לפעול בתוך סביבת עבודה אמיתית. לא רק לנסח תשובה, אלא לתכנן משימה, להריץ אותה, לעקוב אחריה, ולסיים אותה.

במונחים מעשיים, זה ההבדל בין מערכת שמסבירה למשתמש מה צריך לעשות, לבין מערכת שעושה זאת במקומו: גולשת ברשת, אוספת מידע, כותבת ומריצה קוד, מנהלת קבצים וממשיכה לעבוד לאורך זמן.

זה הבדל קטן בניסוח, אבל גדול מאוד במשמעות. ובדיוק שם מטא הייתה חלשה יחסית לעומת שחקנים אחרים.

לגוגל יש שליטה בדפדפן ובמערכת ההפעלה. למיקרוסופט יש את Windows ו-Office. למטא יש פלטפורמות חברתיות עצומות, אבל עד היום לא הייתה לה שכבה שמבצעת עבודה דיגיטלית מורכבת בשם המשתמש. Manus נכנסת בדיוק לוואקום הזה.

המספרים שמשרטטים קנה מידה

בדצמבר פרסמה Manus פוסט שבו טענה כי הגיעה ל-ARR של כ-100 מיליון דולר, וכי קצב ההכנסות הכולל שלה עבר 125 מיליון דולר. נתונים דומים הופיעו גם בדיווחים של Investing.com ובלוגים טכנולוגיים, כולם בהסתמך על דיווח עצמי של החברה.

ככה נראית הסיבה שמטא מוכנה לשלם מיליארדים

אין כאן דוחות מבוקרים, אבל יש איתות ברור. Manus מבקשת להיתפס לא כניסוי, אלא כמוצר שפועל בקנה מידה מסחרי. עבור מטא, ההבדל הזה משמעותי. רכישת טכנולוגיה שונה מרכישת מערכת שכבר פוגשת לקוחות, תהליכים והכנסות.

ההימור של מטא

כאן מתחיל המתח האסטרטגי האמיתי. בשנתיים האחרונות מטא מיתגה את עצמה כמי שמקדמת קוד פתוח בעולם ה-AI, בעיקר דרך Llama. זו הייתה גם אמירה אידיאולוגית וגם כלי תחרותי מול OpenAI וגוגל. אבל שכבת ביצוע היא חיה אחרת.

אייג’נטים שמבצעים פעולות דורשים שליטה הדוקה - הרשאות, זהויות, תשלומים, ניטור ואחריות משפטית. קשה מאוד לדמיין שכבה כזו פועלת באמת כקוד פתוח בקנה מידה של מיליארדי משתמשים.

המתח כאן אינו בין "פתוח" ל"סגור", אלא בין פתיחות ברמת המודל לבין שליטה ברמת הפעולה. רכישת Manus מרמזת שמטא מוכנה לוותר על חלק מהאידיאולוגיה הפתוחה שלה, לטובת מוצר שעובד.

מלכוד האמון

המעבר מצ’אט לביצוע אינו רק שדרוג טכנולוגי. הוא קפיצת מדרגה דרמטית ברמת הסיכון. עד היום, כשעוזר מבוסס AI סיפק תשובה שגויה, הנזק הסתכם במידע מוטעה. עם אייג’נטים מבצעים, אנחנו נכנסים לעידן של הלוצינציית ביצוע.

בתרחיש כזה, אייג’נט לא רק טועה בהבנה, אלא מפרש פקודה באופן שגוי ומבצע פעולה ממשית ובלתי הפיכה כמו רכישה שגויה, מחיקת נתונים, או חשיפה של מידע רגיש. זה שינוי מהותי באופי הסיכון, כזה שמעביר את הבעיה מתחום הדיוק הלשוני אל תחום האחריות המעשית.

כאן טמון האתגר הגדול ביותר של מטא. כדי שאייג’נטים כמו של Manus יהיו אפקטיביים בתוך וואטסאפ או אינסטגרם, המשתמשים יצטרכו להעניק להם הרשאות עמוקות: גישה לדפדפן, לחשבונות פיננסיים, ולמידע אישי. עבור חברה שעדיין מתמודדת עם משקעים של משברי אמון מהעבר, זהו מחסום פסיכולוגי לא פחות מטכנולוגי.

אם מטא לא תצליח לבנות סביב שכבת הביצוע הזו מנגנוני בידוד, בקרת הרשאות ושקיפות ברמה חסרת תקדים, ההימור על אייג’נטים עלול להפוך לחרב פיפיות. בעולם כזה, האמון אינו תכונה נלווית למוצר. הוא המוצר עצמו.

האם Manus היא באמת טכנולוגיה ייחודית?

שאלה נוספת מרחפת מעל העסקה והיא עד כמה Manus באמת ייחודית.

יכולות של שליטה בדפדפן, הרצת קוד ושימוש בכלים קיימות היום גם בחברות אחרות, ובמיזמי Open Source. לכן אפשר להסתכל על העסקה גם מזווית אחרת: ייתכן שמטא לא קנתה פתרון סופי, אלא קנתה זמן.

זמן שבו OpenAI וגוגל לא סוגרות את הפער. זמן שבו צוות מגובש עם ניסיון מעשי לא מגיע לידי מתחרה. במובן הזה, ייתכן שמדובר לא רק ברכישת טכנולוגיה, אלא ב-Acqui-hire יקר שמטרתו לנעול כישרון בשלב קריטי של השוק.

הציר הגיאופוליטי והרגולציה

לפי דיווחים, Manus, שנוסדה בידי צוות עם שורשים סיניים, העבירה בהמשך את מרכז פעילותה לסינגפור, על רקע מתיחות גוברת בין ארה”ב לסין. מטא, לפי Business Insider, התחייבה לנתק קשרי פעילות ובעלות בסין וליישם הפרדות גישה ברורות.

אין כאן בהכרח חסם רגולטורי מיידי, אבל יש שכבת רגישות נוספת. בעולם שבו אייג’נטים פועלים בשם המשתמש, שאלות של אמון, ריבונות נתונים ואחריות משפטית הופכות לקריטיות.

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

לפרטים נוספים לחצו כאן >>

דז’ה וו של מטא

ההשוואה המתבקשת היא לרכישת Oculus ב-2014, אז שילמה פייסבוק כ-2 מיליארד דולר על מה שנתפס כהימור על פלטפורמת מחשוב עתידית. גם אז זו לא הייתה רכישה של מוצר בשל, אלא של שכבה אסטרטגית.

לא כל ההימורים של מטא הצליחו, אבל הדפוס ברור - החברה מוכנה לשלם מחיר גבוה כדי לקנות לעצמה עמדה מוקדמת בשכבת מחשוב שהיא מאמינה שתהפוך מרכזית.

המבחן האמיתי

הקרב הבא בעולם ה-AI לא יוכרע רק בשאלה מי עונה הכי טוב, אלא מי עובד הכי טוב. אייג’נטים מבצעים מבטיחים יעילות חסרת תקדים, אבל גם מעלים את רף האחריות, הסיכון והאמון.

המבחן של צוקרברג אינו טכנולוגי בלבד, הוא אנושי. האם משתמשים יהיו מוכנים לתת ל-AI של מטא גישה לחשבון הבנק שלהם, לקבצים שלהם, ולזהות הדיגיטלית שלהם.

אם התשובה תהיה כן, העסקה הזו תיראה בדיעבד כצעד מבריק. אם לא, שכבת הביצוע שנקנתה במיליארדים עלולה להפוך לנקודת החיכוך הבאה בין מטא לציבור.

בשורה התחתונה, עבור מי שבונה היום מוצרים עם AI, המסר ברור: בחירת מודל חשובה. בניית שכבת ביצוע אמינה היא ההבדל בין הדגמה למוצר אמיתי.

הפוסט מטא רוכשת את Manus ומהמרת על שכבת הביצוע הופיע ראשון בLet's AI בינה מלאכותית

סוכנים הפסיקו להיות פיצ’ר והפכו לשכבה

הטיעון החזק ביותר בעד 2025 כ”שנת הסוכנים” הוא לא שסוכני AI הפכו לעצמאיים באמת, אלא שספקיות תוכנה ארגונית התחילו להתייחס ל-AI אייג׳נטי ככיוון פלטפורמי בסיסי, ולא כתוספת נחמדה לדמו או לפיצ’ר נקודתי.

לפי סקירת סוף השנה של Futurum Group, שנת 2025 סימנה מעבר מהייפ ל-Agentic AI מוטמע ותפעולי. לא עוד יכולת שמוצגת במצגות, אלא רכיב שחי בתוך המוצר עצמו, בתוך חבילות הליבה, מודלי התמחור וזרימות העבודה היומיומיות.

זו הייתה הנקודה הראשונה שבה הלחץ האטמוספרי בתעשייה באמת השתנה.

מירוץ תשתיות: שנת ה-Runtime של הסוכנים

אם מקלפים את שכבת השיווק, מגלים ש-2025 הייתה פחות שנה של קפיצה ביכולות, ויותר שנה של בנייה תשתיתית.

תזמור סוכנים (אורקסטרציה) הפך לסטנדרט

חברות כמו Microsoft ו-Adobe השקיעו מאמצים גדולים ביכולות של תזמור בין סוכנים. כלומר, סוכנים שמפעילים סוכנים אחרים, מחלקים משימות, ומשתפים הקשר ונתונים בין מערכות שונות. זה חשוב כי בלי תזמור, “סוכן” הוא בסך הכל צ’אט חכם עם הרשאות.

ולא רק Microsoft ו-Adobe. גם ServiceNow עם AI Agent Orchestrator, Salesforce עם Multi-Agent Orchestration ב-Agentforce, AWS עם multi-agent collaboration ב-Bedrock, ו-Google עם Vertex AI Agent Builder, כולם דוחפים את אותו כיוון - תזמור סוכנים כשכבת תשתית ארגונית.

מרכז הכובד עבר משליטה ביכולות לשליטה במערכת

בחצי השני של 2025, המסר המרכזי כבר לא היה “תראו מה ה-AI יודע לעשות”, אלא “איך מנהלים את זה בארגון”. רגולציה, הרשאות, ניטור, אבטחה, שליטה בעלויות ושקיפות הפכו לנושאים המרכזיים.

עצם העובדה שספקיות התחילו לדבר במונחים של Control Plane (המוח הניהולי מעל הסוכנים) לסוכנים היא הודאה בכך שהבעיה האמיתית איננה עוד יכולת טכנולוגית, אלא ניהול, אחריות וצפיות תפעולית.

מודלים מותאמים החליפו מודלים כלליים

יותר ויותר ארגונים הבינו שסוכן שמבוסס על מודל גנרי הוא לעיתים בעיה, לא יתרון. לכן ראינו מעבר למודלים מותאמים לארגון, לדאטה שלו, לשפה הפנימית שלו ולמותג שלו. זה פחות נוצץ, אבל הרבה יותר שימושי.

האם הייתה תנועה מהדמו לפרודקשן?

פלטפורמות כמו Agentforce של Salesforce או Copilot Studio של Microsoft אכן עברו מהבטחות להשקות רחבות. זה שינוי חשוב, משום שהוא מעיד על מעבר מפיילוטים ניסיוניים לאימוץ בפועל, ולא רק לניסויים אקדמיים או דמואים שיווקיים.

אבל כאן חשוב לדייק, האימוץ הזה עדיין איננו רחב כפי שהשיח לעיתים מציג. סקרים שפורסמו במהלך 2025 על ידי גופים כמו McKinsey ו-IBM מראים שרק מיעוט מהארגונים הגדולים פרסו סוכני AI בקנה מידה חוצה ארגון ובתהליכים עסקיים קריטיים. ברוב המקרים מדובר בהטמעות ממוקדות, בצוותים מסוימים או בתהליכים תחומים היטב.

במילים אחרות, הסוכנים כבר יצאו מהמעבדה, אבל עדיין לא השתלטו על רצפת הייצור.

מי שולט בשכבה האייג׳נטית?

וכאן מתגלה שאלה עמוקה יותר, שברוב הדיונים כמעט ואינה נשאלת: מי באמת שולט בשכבה האייג׳נטית?

ככל שסוכני AI הופכים לחלק משכבת ה-Runtime הארגונית, השליטה עוברת בהדרגה לפלטפורמות שמספקות את התזמור, ההרשאות והניטור. עבור ארגונים רבים, המעבר לפרודקשן איננו רק החלטה טכנולוגית, אלא בחירה אסטרטגית עם השלכות על תלות בספקים, גמישות עתידית ויכולת שליטה פנימית.

אפשר לראות את הפער הזה היטב בדוגמה מארגון גלובלי בתחום השירותים הפיננסיים, שתואר בכנס Ignite 2025 של Microsoft. הארגון הטמיע סוכני AI כחלק מ-Copilot Studio כדי לטפל בפניות פנים ארגוניות כמו פתיחת קריאות IT, בקשות הרשאה ושאלות תפעוליות חוזרות.

הסוכנים קיצרו זמני טיפול בצורה משמעותית והפחיתו עומס מצוותי התמיכה. אבל כשהארגון ניסה להרחיב את השימוש לתהליכים חוצי מחלקות, כמו תיאום בין כספים, רכש ומשאבי אנוש, הוא נתקל במהירות במגבלות: הרשאות מורכבות, דאטה לא אחיד, וצורך בפיקוח אנושי צמוד.

זה לא כישלון, זו תזכורת לכך שגם כשסוכנים עובדים, הם עובדים בתוך גבולות ברורים מאוד.

הטיעון הנגדי: שנת מיתוג אייג׳נטי, לא שנת אוטונומיה

הביקורת המרכזית על 2025 היא לא ש”לא קרה כלום”, אלא שמה שקרה בפועל לא תאם את גודל ההבטחות שניתנו בתחילת השנה.

1. רוב הסוכנים עדיין לא באמת אוטונומיים: בפועל, חלק גדול ממה שהושק נראה יותר כמו קופיילוטים מתקדמים, אוטומציות מונחות וזרימות עבודה מתוזמרות, ופחות כמו מערכות שמבצעות עבודה מורכבת מקצה לקצה ללא התערבות אנושית מתמשכת.

גם Futurum Group מודה שהפער בין הנרטיב האייג׳נטי לבין המציאות התפעולית עדיין משמעותי, ושמעבר אמיתי לאוטונומיה עקבית רחוק מלהיות פתור.

2. הסיפור עבר מיכולות לשליטה, עלות ואינטגרציה: אם 2024 הייתה שנת “תראו איזה מדהים זה”, אז 2025 הייתה שנת “רגע, איך זה עובד בארגון אמיתי”. המעבר הזה איננו מקרי. הוא משקף מציאות שבה היכולות קיימות, אך האתגרים האמיתיים נמצאים בשכבות אחרות: חיבור למערכות קיימות, ניהול הרשאות, שליטה בעלויות והבטחת פעולה צפויה ובטוחה לאורך זמן.

במונחים של Futurum, זה פחות התלהבות מ״מה ה-AI מסוגל לעשות״, ויותר עיסוק בשאלה ״איך מחזיקים את זה בשליטה״.

3. הלקוחות התעייפו מהבטחות בלי הוכחות: לקראת סוף השנה, המסרים של הספקיות התחילו להישמע דומים מדי. כולם “ייחודיים”, כולם “ארגוניים”, וכולם “מהפכניים”. אבל בשלב הזה, הדיון כבר לא עסק בדמואים מרשימים אלא בשאלה קשה יותר: איפה המספרים?

החזר השקעה ברור, שיפור מדיד בפרודוקטיביות או השפעה מוכחת על השורה התחתונה עדיין הופיעו במעט מאוד מקרים בקנה מידה רחב. זה אולי הסימן החזק ביותר לכך שב-2025 נוצרה תשתית ומומנטום, אך לא עדיין הוכחה חד משמעית שמצדיקה את גובה הציפיות.

פסק הדין: שנת תשתיות אייג׳נטיות, לא שנת עבודה אוטונומית

אז האם 2025 הייתה שנת סוכני ה-AI? התשובה שלי: כן, אבל לא כמו שחשבו.

זו הייתה השנה שבה התעשייה התחייבה ברצינות לסוכנים כשכבה ארגונית. לא כהבטחה עתידית ולא כגימיק מוצרי, אלא כתשתית ממשית הכוללת Runtime, תזמור, מנגנוני שליטה ודאטה. במובן הזה, מדובר בנקודת מפנה אמיתית.

אבל אם “שנת הסוכנים” אמורה להיות שנה שבה מערכות מבצעות עבודה מורכבת, עסקית וקריטית מקצה לקצה, באופן עקבי ועם מינימום פיקוח אנושי, אז 2025 עדיין לא שם.

במונחים של מזג אוויר - זו לא הייתה שנה של שמש בהירה. זו הייתה השנה שבה האקלים השתנה.

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

לפרטים נוספים לחצו כאן >>

ומה זה אומר על 2026?

מי שרוצה להתנהל חכם ב-2026 צריך לשנות את נקודת המבט. פחות לשאול מה הסוכנים מסוגלים לעשות, ויותר לשאול מה הארגון באמת מסוגל להפעיל, למדוד ולשלוט בו.

בפועל, שלושה דברים יבדילו בין ארגונים שימנפו Agentic AI לבין כאלה שיתאכזבו ממנו:

1. תוצאות עסקיות מדידות, לא הדגמות יפות: הצלחה לא תימדד בכמה משימות סוכן יודע לבצע, אלא בשאלה אם הוא מייצר ערך עסקי ברור, חוזר ומוכח.

2. שליטה וניהול כברירת מחדל, לא כתוספת: מי שלא בונה מנגנוני בקרה, הרשאות וניטור מהיום הראשון, יגלה מהר מאוד שהבעיה איננה ה-AI, אלא חוסר היכולת לנהל אותו.

3. דאטה ואינטגרציה לפני חוכמה: סוכנים חכמים לא מפצים על דאטה מפוזר, תהליכים שבורים או מערכות שלא מדברות זו עם זו.

אז הסוכנים כבר כאן. אבל מי שימשיך להתייחס אליהם כמו קסם, יגלה מהר מאוד שמדובר בתשתית תפעולית לכל דבר, כזו שדורשת משמעת, אחריות והרבה פחות הייפ. במובן הזה, 2026 לא תהיה “שנת הסוכנים”, אלא שנת ההבחנה הברורה בין ארגונים שיודעים להפעיל תשתיות מורכבות לאורך זמן, לבין כאלה שעדיין מחפשים קיצורי דרך.

הפוסט האם 2025 הייתה שנת ה-AI האייג’נטי, או רק תחילתה של דרך ארגונית ארוכה? הופיע ראשון בLet's AI בינה מלאכותית

המוח החדש: Gemini 3 והסקה רב-מודאלית

השדרוג המשמעותי ביותר מתרחש מאחורי הקלעים. המעבר ל-Gemini 3 אינו מתמקד רק בשיפור ביצועים, אלא בעיקר ביכולת להתמודד עם מידע מורכב בצורה עקבית ומקושרת יותר.

בגרסאות קודמות, חיבור בין סוגי מידע שונים היה לעיתים נקודת תורפה. לדוגמה, זיהוי קשר בין גרף במסמך PDF, טענה במסמך טקסט, וציטוט מתוך סרטון. Gemini 3 מחזק משמעותית את היכולת הרב מודאלית ומאפשר למערכת לנתח יחסים בין מקורות שונים, לזהות חפיפות, סתירות והשלמות, ולהציג את התמונה הרחבה בצורה ברורה יותר.

למה זה חשוב? בעבודה מקצועית, לא מספיק לקבל תשובה שנשמעת סבירה. נדרשים דיוק, עקביות והבנה של ההקשר שממנו המידע נובע. השדרוג מאפשר לשאול שאלות מורכבות שמחייבות הצלבת נתונים ממספר מקורות במקביל, תוך שמירה על שקיפות והפניה למקורות שעליהם מבוססת התשובה.

המהפכה המבנית עם Data Tables

עד לאחרונה, NotebookLM הצטיין בעיקר בסיכום וארגון של טקסטים. הפיצ'ר Data Tables מרחיב את היכולות הללו ומאפשר להפוך מידע לא מובנה לנתונים מובנים וברורים. המערכת יכולה לסרוק תמלילי פגישות, דוחות, מאמרים או מסמכי אפיון, ולחלץ מהם נתונים לטבלאות, כאשר כל שדה מקושר למקור שממנו נלקח.

דוגמת שימוש

אם תזינו חמישה דוחות רבעוניים של חברות שונות, ניתן לבקש יצירת טבלה המשווה בין מדדים כמו רווח נקי, הוצאות מחקר ופיתוח ותחזיות צמיחה. NotebookLM יבנה את הטבלה באופן אוטומטי ויאפשר לבדוק מהו המקור של כל נתון. המשמעות הפרקטית היא פחות עבודה ידנית, פחות טעויות אנוש, וחיסכון משמעותי בזמן שמוקדש לארגון וניתוח מידע.

ייצוא ל-Google Workspace

אחת הבעיות החוזרות בכלי AI היא ניתוק מתהליך העבודה עצמו. התובנות נשארות בתוך הצ׳אט, מנותקות מהמסמכים, הטבלאות והכלים שבהם העבודה האמיתית מתבצעת. NotebookLM מצמצם את הפער הזה באמצעות ייצוא ישיר ל-Google Workspace. במקום תוצר חד פעמי, ה-AI משתלב כשלב בתוך רצף העבודה היומיומי:

ייצוא ל-Google Docs

סיכומים, תובנות ומסמכי עבודה מועברים לפורמט עריך ונקי, שניתן להמשיך לעבוד עליו, לשתף ולהטמיע בתהליכים קיימים.

ייצוא ל-Google Sheets

טבלאות שנוצרו באמצעות Data Tables מיוצאות ישירות לגיליון, ומאפשרות המשך עבודה עם חישובים, פילוחים וגרפים, בלי צורך בהעתקה ידנית.

מה עובד, ולמה זה משנה

בסביבה שבה כלי AI מספקים תשובות מהירות אך לא תמיד ניתנות לאימות, הערך של NotebookLM נמצא ביכולת לעבוד עם מידע שניתן לבדוק, לבקר ולהצליב. הקרקוע למקורות, היכולת לחבר בין סוגי מידע שונים, והשילוב בתוך תהליך העבודה, יוצרים כלי שמעדיף עקביות וביקורתיות על פני תשובות "מרשימות".

בפועל, השילוב בין Gemini 3, עבודה עם נתונים מובנים וייצוא ל-Workspace לא ממציא קטגוריה חדשה, אך כן משנה את אופי השימוש: פחות חיפוש אחר ניסוח, ויותר תמיכה בניתוח, השוואה וקבלת החלטות על בסיס מידע קיים.

3 טיפים למתקדמים: כך תפיקו יותר מ-Data Tables

1. הגדירו מבנה לפני הבקשה: במקום לבקש “צור טבלה”, הגדירו מראש מבנה ברור. לדוגמה: שם ישות, KPI מרכזי, סטטוס, וציטוט תומך מהמקור. הגדרה מוקדמת של העמודות מייצרת נתונים עקביים שקל להמשיך לעבוד איתם ב-Google Sheets.

2. השוו בין מקורות כדי לחשוף פערים: בקשה לטבלה שמשווה בין שני מסמכים או יותר על אותו נושא מאפשרת לזהות הבדלים, סתירות או חוסרים שקשה להבחין בהם בקריאה רציפה. זה שימוש שמדגיש את הערך האנליטי של הכלי, ולא רק את יכולת הסיכום שלו.

3. דייקו את הטבלה לפני הייצוא: הטבלה בתוך NotebookLM אינה תוצר סופי אלא סביבת עבודה. ניתן להוסיף עמודות, למזג שורות או לחדד קריטריונים עד שהמבנה משרת את המטרה. רק לאחר שהטבלה מדויקת וברורה, כדאי לייצא אותה ל-Docs או ל-Sheets.

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

לפרטים נוספים לחצו כאן >>

נכון לעדכון הנוכחי, יכולות Data Tables והייצוא המתקדם זמינות למנויי Google AI Pro ו-Ultra, עם פתיחה מדורגת למשתמשים חינמיים. כמו בכל מוצר מתפתח, הזמינות וההיקף עשויים להשתנות, אבל הכיוון כבר ברור - NotebookLM עובר בחודשים האחרונים אבולוציה שקטה אבל מאוד משמעותית.

השילוב בין Gemini 3, עבודה עם נתונים מובנים וייצוא ישיר ל-Google Workspace ממקם אותו מעבר לכלי למידה או סיכום בלבד, כעזר מעשי לניתוח, השוואה וקבלת החלטות על בסיס מידע שניתן לבדוק ולבקר. עבור מי שעובד עם כמויות גדולות של ידע, זה כבר לא רק כלי תומך, אלא שכבת חשיבה שמתחברת ישירות לאופן שבו העבודה מתבצעת בפועל.

הפוסט NotebookLM עולה כיתה בעידן Gemini 3 הופיע ראשון בLet's AI בינה מלאכותית

מגה-קמפוסים של בינה מלאכותית

רגע לפני סוף 2025 וכשהעיניים כבר נשואות אל 2026, מפרסמת ג'יי.פי מורגן (J.P. Morgan) דו"ח עדכני שממחיש עד כמה ה-AI הפך לאחד הכוחות הדומיננטיים בכלכלה העולמית. לפי הדוח לא מדובר באופנה חולפת - אלא בגל צמיחה שיימשך בעוצמה גם ב-2026. הנה כמה מהממצאים: ההוצאות על דאטה סנטרס צפויות לזנק ב-50% נוספים במהלך 2026, בהמשך לעלייה של 65% השנה. מדובר בצמיחה שמעידה על האצה מתמשכת באימוץ טכנולוגיות AI, במגזר העסקי והפרטי כאחד.

התחזית הזו מספרת רק חלק מהסיפור. הסיפור המלא הוא המעבר מחוות שרתים סטנדרטיות ל"מגה-קמפוסים" של בינה מלאכותית. פרויקטים מגלומניים כמו סטארגייט (Stargate) בארה״ב כבר יצאו לדרך, וכמעט כל חברה או מדינה שמבינה מה קורה סביבה, מנסה לייצר לעצמה את התשתיות הפיזיות שיתמכו במהפכת ה-AI. וגם פה במזה"ת יש כבר כמה מדינות שנפל להן האסימון.

ומה לגבי ישראל - פה מאוד טובים בכתיבת תוכניות, דו"חות, ופחות טובים בליישם המלצות. שלא נדבר על השקעות ארוכות טווח להקמת תשתיות פיזיות שיאפשרו לישראל להיות שחקנית מובילה בעידן ה-AI.

AI כתשתית לאומית

בארה"ב כבר מזמן הבינו שבינה מלאכותית אינה רק טכנולוגיה, אלא תשתית לאומית לצמיחה, שמצריכה גם תשתית פיזית. אפרופו סטארגייט (Stargate) – פרויקט זה מוערך בכ-500 מיליארד דולר, ומטרתו להקים את מחשב העל הגדול בהיסטוריה. לשם השוואה, דאטה סנטר רגיל צורך עשרות מגה-וואט, בעוד שסטארגייט (Stargate) ודומיו מתוכננים לצרוך כ-5 ג'יגה-וואט (מדובר בהספק גדול פי 100! שווה ערך להספק של תחנות כוח גרעיניות שלמות). הזינוק בהוצאות שצופה ג'יי.פי מורגן נובע מכך שחברות ומדינות לא רק קונות שבבים, אלא בונות תחנות כוח ופרויקטי אנרגיה, מערכות קירור מים מתקדמות ורשתות חשמל פרטיות כדי לתמוך במפלצות העיבוד הללו.

רשימת המומלצות של ג'יי פי מורגן

בראש רשימת המומלצות של ג'יי.פי מורגן ניצבות חברות כמו מארוול (Marvell), מיקרון (Micron) ואפלייד מטיריאלס (Applied Materials). בעוד שאנבידיה (NVIDIA) נותרת השליטה הבלתי מעורערת של המעבדים הגרפיים (GPUs) – אותה חומרה שעליה מאומנים רוב מודלי ה-AI בהם כולנו משתמשים היום, הדו"ח של ג'יי.פי מורגן שם דגש מיוחד על ברודקום (Broadcom) כסיפור ההצלחה הגדול של 2026. החברה צפויה להכניס בין 55 ל-60 מיליארד דולר מ-AI בלבד בשנה הבאה.

האסטרטגי של ענקיות הטכנולוגיה - הבטחת העתיד בעזרת תשתית פיזית

התחזית המחמיאה הזו נובעת משינוי אסטרטגי אצל ענקיות הטכנולוגיה. גוגל (Google) עם שבבי ה-TPU, מטא (Meta) ואפילו OpenAI, מעדיפות לתכנן שבבים משל עצמן כדי לחסוך בעלויות ולייעל ביצועים ספציפיים. ברודקום (Broadcom) היא הקבלן המבצע שמייצר את השבבים הללו עבורן.

מגמות בשוק ההון - ה-AI עושה שיפטינג

כאמור - האנליסטים של ג'יי פי מורגן (J.P. Morgan) מהמרים על מגמה: מתן אמון במי שאחראי על שרשרת הפיתוח של התשתיות עצמן - מעבר לשבבים ייעודיים ומותאמים, פיתוח המרכיבים השונים שחיוניים להקמת מרכזי נתונים וגישה כללית שמתעדפת את מי שמספק פתרונות חומרה מתקדמים שמאפשרים לעמוד בעומסי הביצועים שה-AI דורש. הפוקוס עובר אל מי שמצליחות לחדש ולצמוח במהירות.

הציפיות, המרוויחות הגדולות ובועת ה-AI

אבל אל מול התחזיות הורודות, יש גם רבים שבטוחים שבועת ה-AI יכולה להתפוצץ בכל רגע, כולל בכירים בתעשייה... כן ברט טיילור - אני מסתכל עליך!

ככל הנראה שנת 2026 תהיה שנת המבחן של ה-AI בשוק ההון. יש מצב שהמשקיעים יפסיקו לתגמל חברות רק על "הכרזות AI" והשקות מודלים נוצצות (שהפכו פחות ופחות מרגשות לאורך 2025), ויתחילו לדרוש לראות רווחים בפועל. או לחלופין, יכול להיות שאותם משקיעים יפסיקו להמר על החברות שמפתחות מודלים וטכנולוגיות, ופשוט יתמקדו בחברות שבונות את התשתיות עצמן. זה לא חייב להיות או או. זה יכול להיות גם וגם. אבל נראה שיש פה מגמה ברורה שמחברת בין פוליטיקה, כלכלה ואינטרסים בינלאומיים.

וחזרה לג'יי פי מורגן - לפי התחזיות שלה ל-2026, המרוויחות הגדולות יהיו אלו שמוכרות את התשתית הפיזית – את זה קל למדוד, להרגיש ולהבין. אבל בכל מה שקשור לחברות התוכנה ויצרניות השירותים – כדי לקבל את אמון המשקיעים, הן יידרשו להוכיח שהמודלים שלהן אכן רווחיים. הן מודלי ה-AI עצמם והן מודלי התמחור.

הפוסט התחזיות של ג’יי פי מורגן ל-2026: שנת הדאטה סנטרים ותשתיות ה-AI הופיע ראשון בLet's AI בינה מלאכותית

מהי ספריית ה-Prompt Packs של OpenAI ואיך מקבלים אליה גישה?

לפני הכל, לחצו פה כדי להתחבר ל-Prompt Packs. ספריית הפרומפטים היא חלק מ-OpenAI Academy, והיא כוללת עשרות חבילות פרומפטים מוכנים לשימוש, שכל אחת מהן מתמקדת בתפקיד מקצועי או בתחום עבודה ספציפי. כל חבילה כוללת בדרך כלל בין 20 ל-30 פרומפטים, שנבנו מראש על ידי אנשי מקצוע ובכירים בתעשייה, מתוך הבנה עמוקה של הצרכים, השאלות והמשימות האופייניות לאותו תפקיד.

ספריית הפרומפטים של OpenAI ל-ChatGPT

בניגוד לאוספים אקראיים של פרומפטים שמסתובבים ברשת, כאן מדובר במאגר רשמי, מתוחזק ומסודר, שבו כל פרומפט מגיע עם ניסוח מלא, הקשר ברור והנחיות התאמה. המטרה אינה ללמד “איך לכתוב פרומפט”, אלא לאפשר למשתמש להתחיל מנקודת פתיחה איכותית, ולבצע התאמות מינוריות בלבד לצרכים שלו.

חלוקה לפי תפקידים ותחומי עבודה

אחד היתרונות המרכזיים של הספרייה הוא הארגון שלה לפי תפקידים עסקיים ותחומי אחריות. במקום לחשוב בצורה כללית על שימושים ב-ChatGPT, המשתמש ניגש ישירות לחבילה שמדברת בשפה המקצועית שלו.

חבילות בולטות

בין החבילות הבולטות ניתן למצוא חבילות ייעודיות למכירות, ניהול מוצר, הנדסה, IT, משאבי אנוש, מנהלים, הנהלה בכירה, שיווק, כספים, Customer Success ועוד. בנוסף קיימות חבילות ייחודיות לסקטורים מסוימים, כמו מגזר ציבורי, חינוך והשכלה גבוהה.

מאגר פרומפטים ל-ChatGPT בתחומי ה-Marketing

מדריך עבודה ממוקד

כל חבילה כזו מתפקדת בפועל כמדריך עבודה ממוקד. היא מציגה סט תרחישים נפוצים לתפקיד, ומציעה פרומפטים שמכסים משימות כמו מחקר תחרותי, תכנון אסטרטגי, כתיבת מסמכים, ניתוח נתונים, בניית מצגות, תקשורת עם לקוחות או עובדים, ותיעוד טכני.

מגוון ספריות פרומפטים למגוון מקצועות | OpenAI

איך משתמשים בפרומפטים בפועל

1. בחירת מאגר פרומפטים לפי מקצוע: לאחר הכניסה, הגלילה חושפת חבילות שונות, שכל אחת מהן מוצגת עם תיאור קצר שמבהיר לאילו שימושים היא מיועדת. הבחירה הראשונית צריכה להיות פשוטה: להתחיל מהתפקיד המרכזי שלכם כיום. מנהלים ימצאו ערך מיידי בחבילת “ChatGPT for managers”, אנשי מוצר בחבילת “ChatGPT for product”, מהנדסים ב-“ChatGPT for engineers” וכן הלאה.
2. בחירת פרומפט: השימוש בפרומפט בודד מתוך חבילה הוא תהליך ישיר ופשוט. בוחרים פרומפט שמתאים למשימה הרצויה, למשל ניתוח מתחרים, תכנון קמפיין, כתיבת מסמך מדיניות או הפקת דוח ניהולי. לאחר מכן לוחצים על "Try in ChatGPT", או לחלופין - לעיתים האתר יעביר אתכם ל-GPTs ייעודי ש-OpenAI בנו עבור מקצוע מסוים.
3. התאמת הפרומפט: לאחר העתקת הפרומפט ל-ChatGPT (או לכל LLM אחר), מחליפים את הסוגריים בפרטים הרלוונטיים לארגון או לפרויקט (ראו דוגמה מטה), ושולחים. 

פרומפט לסיעור מוחות על רעיונות לקמפיין | OpenAI

איך להפיק ערך אמיתי מהחבילות לאורך זמן

כדי שהשימוש ב-Prompt Packs לא יישאר בגדר ניסוי חד-פעמי, כדאי לאמץ גישה שיטתית. מומלץ להתחיל מחבילת התפקיד הראשי, אך להוסיף גם חבילה משיקה. מנהל מוצר, למשל, יכול להרוויח רבות גם מחבילת ההנדסה או השיווק. מנהל בכיר יכול לשלב בין חבילת מנהלים לחבילת הנהלה.

לאחר היכרות ראשונית, כדאי לבחור שלושה עד חמישה פרומפטים שמשמשים כפרומפטי ליבה. אלו יכולים להיות פרומפטים לניהול משימות, הכנת מצגות, כתיבת מיילים מורכבים, מחקר שוק או ניתוח נתונים. את הפרומפטים הללו ניתן להפוך לתבניות ארגוניות, לשמור גרסה מותאמת לארגון, ואף לשתף עם הצוות כדי ליצור שפה אחידה וסטנדרט עבודה משותף.

למה הספרייה הזו שונה מאוספי פרומפטים אחרים

הייחוד של Prompt Packs אינו בכמות הפרומפטים, אלא בהקשר שבו הם נכתבו. כל חבילה נבנתה מתוך הבנה עמוקה של תפקיד מסוים, ולא מתוך ניסיון לייצר פרומפטים כלליים שמתאימים לכולם. העובדה שהפרומפטים נוצרו ונבדקו על ידי אנשי מקצוע ובכירים בתעשייה מעניקה להם אופי פרקטי, יישומי וממוקד משימה.

בסופו של דבר, ספריית ה-Prompt Packs של OpenAI לא מבטיחה פתרונות קסם, אבל היא כן חוסכת זמן, מצמצמת חיכוך ומאפשרת לארגונים ולאנשי מקצוע להתחיל ממקום איכותי יותר. בעידן שבו כולם משתמשים באותם כלים, ההבדל נוצר לא בטכנולוגיה עצמה, אלא באיכות השאלות שמפנים אליה. זה פתרון מושלם לבעיית ה-Cold Start (התחלה קרה) בה משתמשים מתקשים לדעת מאיפה להתחיל. קצת כמו סופר מתוסכל שבוהה בדף הלבן ולא יודע מה לעשות, איך להתחיל ואיך להתמודד עם מחסום הכתיבה. גם פה, בתחילת פרויקט או תהליך עבודה, לעיתים משתמשים רבים מוצאים את עצמם אובדי עצות. כשיש לך מאגר שיכול לכוון אותך ולהגיש לך על מגש של כסף את הפרומפט הנכסף, זו כבר התחלה מצוינת!

הפוסט ספריית ה-Prompt Packs של OpenAI הופיע ראשון בLet's AI בינה מלאכותית

לפני שממשיכים, חשוב לזכור את המסגרת: זה מחקר פנימי של חברה מסחרית, על מהנדסים שהם משתמשים מתקדמים במיוחד, והמדדים מבוססים ברובם על דיווח עצמי. אין כאן מדידה אובייקטיבית של תפוקה לאורך שנים, אלא צילום מצב עשיר של איך אנשים מרגישים ועובדים בתוך אחד מארגוני ה-AI הכי מתקדמים. ובדיוק בגלל זה, מה שקורה שם הוא כנראה הצצה מוקדמת למה שעוד יגיע לשאר השוק.

לא רק לחסוך זמן - לעשות עבודה שלא הייתה קיימת

הנתונים היבשים מספרים סיפור אחד. העדויות מהשטח מספרות סיפור קצת אחר.

על פניו, המספרים מרשימים - יותר שימוש ב-AI, קפיצה בתחושת הפרודוקטיביות, ואפילו קבוצה של כ-14% מהנדסים שמתארים קפיצה של יותר מפי 2 בתפוקה. אבל כשמסתכלים על איך המהנדסים מתארים את היום יום, מתגלה ניואנס חשוב - זה פחות "אני עושה את אותה עבודה בחצי זמן", ויותר "אני מספיק הרבה יותר דברים שלא היו נכנסים לי בכלל ללו״ז".

השפעת Claude על זמן לעומת תפוקה | Anthropic

בערך 27% מהעבודה שנעשית היום עם Claude, לפי הסקר, פשוט לא הייתה נעשית בלעדיו. מהנדסים מדברים על:

• תיקון באגים קטנים ומעצבנים שהיו נדחים שוב ושוב.

• בנייה של כלים פנימיים ודאשבורדים שמשפרים את החיים בצוות, אבל אף פעם לא נכנסו ל"עדיפויות".

• עבודת חקר טכנית שלא הייתה כדאית אם היו צריכים לבצע אותה ידנית.

חוקר אחד מתאר שהוא מריץ כמה מופעי Claude במקביל, שכל אחד בודק כיוון אחר לפתרון בעיה. הוא מסביר שאנשים חושבים על מודלים מתקדמים כמו על "מכונית מהירה יותר", אבל בפועל זה יותר כמו "יש לך כוח סוס כמעט אינסופי לבדוק רעיונות". זה שינוי לא רק בכמה מהר עובדים, אלא בכמה אפשר לנסות.

מהנדסים כמנהלי אורקסטרציה, לא רק ככותבי קוד

שינוי נוסף שמופיע שוב ושוב בראיונות הוא הרחבת תחומי המומחיות בפועל. הגבולות המסורתיים של "אני Backend", "אני Frontend", "אני רק מחקר" נפתחים. מהנדסי Backend מספרים איך הם בונים ממשקי משתמש מורכבים בעזרת Claude. חוקרים יוצרים ויזואליזציות נתונים ואוטומציות סביב הניסויים שלהם. צוותי אבטחה משתמשים ב-Claude כדי לקרוא ולנתח קוד שהם לא מכירים.

אחד המהנדסים מספר שהצליח, בעזרת Claude, לבנות ממשק משתמש ברמת איכות שבחיים לא היה מגיע אליה לבדו בזמן שהיה לו. המעצבים שאלו אותו אם הוא פתאום נהיה מומחה UI. הוא ענה את האמת: "Claude בנה, אני רק ניהלתי." התפקיד זז לאט לאט מכותב קוד למנהל אורקסטרציה - זה שמפרק את הבעיה, מנסח את הדרישות למודל, בודק את הפלטים, מחבר אותם למערכת הקיימת ולוקח אחריות על התוצאה.

עלייה חדה במימוש פיצ'רים, תכנון ו-Front-End תוך חצי שנה | Anthropic

הנתונים מ-Claude Code מחזקים את זה. אנטרופיק מדווחת שבסשן טיפוסי, המודל מחזיק היום בערך פי שניים יותר "צעדים ברצף" לפני שהוא צריך קלט חדש מהמשתמש ביחס ללפני חצי שנה. שיעור המשימות שעוסקות בתכנון ועיצוב קוד עלה מאזור האחוז הבודד לכ-10%. מימוש פיצ'רים חדשים קפץ מכ-14% לכמעט 37% מהשימוש. המודל כבר לא רק "עוזר לכתוב פונקציה", אלא מעורב בשלבים עמוקים יותר של בניית המוצר.

שיעור המהנדסים שמשתמשים ב-Claude מדי יום לפי משימות | Anthropic

ועדיין, כששואלים את המהנדסים כמה מהעבודה הם יכולים "להאציל לגמרי" ל-Claude, רובם נשארים באזור 0-20 אחוז. הסיבה פשוטה - ברוב הזמן הם לא משחררים משימה ונעלמים, אלא עובדים עם Claude יחד, צעד אחרי צעד. זה לא רובוט אוטונומי, זה שותף שצריך ניהול.

עלייה באוטונומיה של Claude

חשוב לראות שהשינוי הזה אינו מתקיים רק בצוותי פיתוח. השימוש ב-Claude חוצה צוותים וסוגי תפקידים, וכל מחלקה משתמשת בו באופן אחר.

ככה נראית ההתפשטות הארגונית של העבודה האוטומטית:

התפלגות משימות Claude Code לפי סוג צוות | Anthropic

מיומנויות, יחסים וזהות מקצועית

ככל שיותר מהעבודה עוברת דרך Claude, מתחילים לצוף גם צדדים פחות נוחים.

הראשון הוא שחיקה אפשרית של מיומנויות. לא בקפיצה אחת, אלא בשחיקה איטית. במקום לקרוא דוקומנטציה, לעבור על קוד לבד, ולהיאבק עם באגים, מהנדסים רבים מדלגים ישר לפתרון. חלקם אומרים במפורש שהם מרגישים שאיבדו חלק מה"חוש" שנבנה כשהיו עושים דברים "בדרך הקשה".

מהנדס בכיר אומר שהוא משתמש ב-AI בעיקר במשימות שבהן הוא כבר יודע איך התשובה בערך צריכה להיראות, ולכן יכול לפקח על האיכות. הוא מוסיף שאם היה בתחילת הקריירה, כנראה היה צריך להשקיע הרבה יותר מאמץ מודע כדי לוודא שהוא לא פשוט מאמץ את מה שהמודל נותן.

כאן נוצר פרדוקס לא קטן - כדי לפקח על Claude היטב, צריך בדיוק את אותן מיומנויות שעלולות להישחק משימוש מוגזם בו. חלק מהמהנדסים מתארים שהם בכוונה עובדים לפעמים בלי AI, כדי להישאר חדים.

המחקר גם מצביע על שינוי ביחסים בין אנשים. Claude הפך לתחנה הראשונה לשאלות שפעם היו מופנות לעמיתים. מהנדסים מספרים שהם שואלים עכשיו הרבה יותר שאלות באופן כללי, אבל 80-90 אחוז מהן הולכות למודל. מצד אחד, זה חוסך "מבוכה" ופוגע פחות בזמן של אחרים. מצד שני, חלק מהבכירים אומרים בגלוי שזה עצוב לראות כמה פחות ג'וניורים מגיעים אליהם. המודל עושה אופטימיזציה לשאלה, אבל חונכות וקשרים אנושיים לא נבנים מעצמם.

ולבסוף, יש את השאלה הגדולה של הקריירה. חלק מהמהנדסים בעמדות בכירות מרגישים יחסית בטוחים. הם יודעים לקחת אחריות, לתכנן מערכות, לנהל סיכונים. אבל גם הם מודים שקשה להם להמר על אילו מיומנויות יהיו רלוונטיות בעוד חמש או עשר שנים. אחרים מנסחים תחושה קיצונית יותר: "אני מרגיש שאני בא לעבודה כל יום כדי לעבוד על הטכנולוגיה שייתכן שתהפוך אותי ואת עוד רבים ללא רלוונטיים."

זה לא סיפור של "איום מיידי". זה סיפור של מקצוע שנמצא בתנועה מתמשכת, בלי מפה ברורה.

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

לפרטים נוספים לחצו כאן >>

מה אפשר ללמוד מזה מחוץ לאנטרופיק

אנטרופיק מדגישה שהמהנדסים שלה לא מייצגים את כל שוק העבודה. הם עובדים עם הכלים הכי מתקדמים, הם קרובים למודל, והתרבות הארגונית שלהם מותאמת לזה. אבל מה שקורה שם היום הוא לכל הפחות אזהרה מוקדמת, או אולי הזדמנות מוקדמת, לכל ארגון שמכניס AI לעבודה היומיומית.

יש כמה מסקנות שקשה להתעלם מהן:

1. AI באמת מגדיל תפוקה, אבל משנה את סוג העבודה: לא מדובר רק בקיצוץ זמן על משימות קיימות, אלא ביצירה של קטגוריות עבודה חדשות - ניסויים, כלים פנימיים, תיקונים קטנים. ארגונים שלא ימצאו דרך לתרגם את "עוד עבודה" הזאת לערך אמיתי, עלולים פשוט להציף את עצמם בעשייה.

2. מיומנויות עמוקות לא נשמרות לבד: אם נותנים ל-AI להיכנס לכל שלב, צריך במקביל לחשוב איך שומרים על יכולת הבנה עצמאית של מערכות, במיוחד אצל ג'וניורים. זה לא קורה מעצמו.

3. חונכות ויחסים מקצועיים צריכים תכנון מודע: אם רוב השאלות הולכות למודל, צריך ליצור במכוון מרחבים שבהם אנשים כן שואלים אחד את השני, כן יושבים על קוד ביחד, כן רואים איך אחרים חושבים.

4. זהות מקצועית תעבור שינוי: מהנדסים, אנשי מוצר, אנליסטים ועוד מקצועות יהיו פחות "עושים הכל ידנית", ויותר מנהלי תהליכים וסוכנים. זה דורש שפה אחרת כשיושבים לדבר על קריירה, קידום ופיתוח מקצועי.

במובן הזה, המחקר של אנטרופיק הוא לא תשובה, אלא מראה. הוא מראה איך נראית עבודה כש-AI הופך להיות שכבת תשתית יומיומית, ולא גימיק. מי שמסתכל עליה ברצינות, יכול להתחיל לתכנן היום איך הוא רוצה שהשילוב הזה ייראה אצלו, לפני שהשינוי יכפה עליו מבחוץ.

לכל מי שרוצה לקרוא את המחקר המלא, כנסו כאן.

הפוסט איך בינה מלאכותית משנה את העבודה באנטרופיק – ומה זה אומר על העתיד שלנו הופיע ראשון בLet's AI בינה מלאכותית

מה זה בדיוק ואיך זה עובד

Workspace Studio מאפשר לכם לבנות "סוכנים" - אוטומציות חכמות שמבצעות משימות במקומכם. אתם פשוט כותבים למערכת מה אתם רוצים שיקרה, והיא יוצרת את הסוכן בלי שתצטרכו לכתוב קוד.

אפשר להתחיל מתיאור בשפה רגילה או להשתמש בתבנית מוכנה. כדי שהסוכן יבצע את המשימה כמו שצריך, חשוב לנסח בצורה ברורה מה בדיוק אתם רוצים שיקרה.

הסוכנים פועלים ישירות בתוך הכלים שבהם אתם משתמשים ביום יום. הפעולות שלהם מופיעות בפאנל הצד של Gmail, Drive ו-Chat, כך שאין צורך ללמוד מערכת חדשה. אפשר גם לשתף סוכנים עם חברי הצוות כמו שמשתפים קובץ ב-Drive, מה שמאפשר להפיץ אוטומציות מוכנות בארגון.

בנוסף, הסוכנים יכולים להרכיב תהליכים שמשלבים כמה יישומי Workspace, כמו Gmail, Docs, Sheets ו-Calendar, וגם להתחבר לכלים חיצוניים כמו Asana, Jira, Salesforce ו-Mailchimp. כך ניתן להפעיל רצף שלם של משימות בין מערכות, בלי עבודה ידנית.

היתרון הגדול הוא שהסוכנים לא פועלים רק לפי כללים קשיחים. הם יודעים להבין הקשר, לפרש טקסט, לזהות כוונה ולהתאים את הפעולות למידע שמגיע בזמן אמת. זה מאפשר להתמודד גם עם תהליכים מורכבים או משתנים.

הסרטון המצורף מדגים איך Workspace Studio יוצר סוכן שמסכם פגישות עתידיות ישירות ב-Chat, תוך שימוש בפרטי הפגישה, המשתתפים והקבצים המצורפים – וכל זה באמצעות תיאור קצר בשפה טבעית, בלי לכתוב קוד:

מה אפשר לעשות עם זה

סינון וסיווג מיילים

הסוכן יכול לזהות מיילים שדורשים תשובה, לסמן אותם, לחלץ פרטים חשובים כמו מספר חשבונית או משימה, ולהתריע ב-Chat. זה מונע עומס ומבטיח שלא תפספסו מיילים קריטיים.

אוטומציה בין כמה יישומים

משימות שמגיעות במייל יכולות להפוך אוטומטית לפריטים במערכת ניהול הפרויקטים, להתעדכן ב-Chat ולהיכנס לרצף עבודה מסודר. זה מחליף עבודה ידנית שנמשכת זמן רב.

ניהול יומן

הסוכן יכול לסרוק הזמנות לפגישות, להשוות אותן לסדרי העדיפויות שלכם, להמליץ מה לקבל ומה לדחות, ואפילו לנסח תשובה מותאמת אישית. ככה היומן נשאר בשליטה.

דיווחים אוטומטיים

הסוכן יודע למשוך נתונים מ-Sheets, ממסמכים וממיילים, ולהרכיב מהם דוח שבועי מוכן. זה מפחית שעות של איסוף ידני.

בסרטון המצורף תראו איך Workspace Studio בונה סוכן שמזהה מיילים הדורשים תשומת לב, מסווג אותם אוטומטית ומסמן אותם כתעדוף גבוה - הכל על בסיס תיאור קצר בשפה רגילה, בלי צורך בקוד:

המספרים מדברים בעד עצמם

בתוך 30 ימי ה-Alpha בלבד משתמשים ביצעו יותר מ-20 מיליון משימות דרך סוכני Workspace Studio. מדובר בעובדים רגילים, לא מפתחים, מה שמדגיש עד כמה הכלי נגיש.

דוגמה בולטת מגיעה מהחברה הגרמנית Kärcher. הצוות שלהם בחן רעיונות למוצרים חדשים בתהליך ארוך שכלל הרבה תיאום ומסמכים. הם בנו "צוות" של ארבעה סוכנים: אחד מנתח את הרעיון, אחד בודק כדאיות טכנית, אחד מייצר תרחיש משתמש, ורביעי מאגד הכל למסמך מסודר.

התוצאה? קיצור של כ-90 אחוז בזמן ההכנה - משעות של עבודה ידנית לדקות. זו המחשה מדויקת לכוח של סוכני AI שמופעלים נכון.

אבטחה ופרטיות

הנתונים שלכם נשארים שלכם

Workspace Studio פועל לפי מדיניות האבטחה של Workspace ושל Gemini. המידע שעובר דרך הסוכנים לא משמש לפרסום ולא מאמן מודלים אחרים.

הסוכן רואה רק מה שאתם רואים

הסוכנים יכולים לגשת רק למידע שכבר יש לכם הרשאה אליו. אם אתם לא יכולים לפתוח קובץ מסוים, גם הסוכן לא יוכל.

הגנה על מידע רגיש

הסוכנים מכבדים את כללי הארגון לגבי מידע שמותר או אסור לשתף. אם יש מדיניות שמונעת העברה של קובץ רגיש החוצה, הסוכן לא יוכל לבצע פעולה שמפרה אותה.

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

לפרטים נוספים לחצו כאן >>

אז למי Workspace Studio באמת מתאים?

Workspace Studio מתאים במיוחד לארגונים שכבר עובדים בתוך Workspace ורוצים להפחית עבודה ידנית בלי להכניס כלי נוסף או מורכב. הוא מאפשר לכל עובד לבנות אוטומציות חכמות בלי לכתוב קוד, והוא מוכיח את עצמו גם במספרים וגם בשטח.

מצד שני, הוא לא נועד למשתמשים פרטיים או לארגונים שמטפלים במידע רגיש במיוחד ודורשים בקרות אבטחה מחמירות.

אם העבודה שלכם מתבצעת בעיקר ב-Gmail, Drive, Docs וכלים חיצוניים נפוצים, והאתגר המרכזי הוא עומס של משימות חוזרות - Workspace Studio יכול לחסוך לכם הרבה זמן.

הפוסט בניית סוכנים ללא קוד ב-Google Workspace Studio הופיע ראשון בLet's AI בינה מלאכותית

גוגל שברה את הרצף

הסיבה להכרזת הקוד האדום הייתה טכנית, אבל המשמעות שלה אסטרטגית לחלוטין.

בנובמבר 2025 השיקה גוגל את Gemini 3 Pro. לפי מסמכי המודל של Google DeepMind וניתוחים עצמאיים שהתפרסמו באותה תקופה, זה היה הדגם הראשון של גוגל שעבר את מודלי GPT במספר מבחנים שנחשבים לעומק המודיעיני של מודלים: חשיבה מופשטת, פתרון בעיות כלליות ומתמטיקה תחרותית.

גם בתחום הקוד נרשם שינוי. במבחנים שמדמים עבודה אמיתית על בעיות תוכנה ולא רק משימות תיאורטיות, Gemini 3 Pro הציג עליונות על פני דורות קודמים של GPT. במבחני שאלות עובדתיות רחבות, הפער היה מורגש במיוחד.

עם זאת, לא בכל קטגוריה גוגל מובילה. במבחני SWE-Bench, שמודדים פתרון בעיות בקוד אמיתי, שלושת המודלים המובילים - Gemini 3 Pro, GPT-5.1 ו-Claude Opus 4.5 - נמצאים כולם באותו טווח ביצועים, מה שמלמד שאין מנצח ברור.

אבל התחושה בשוק השתנתה. כאשר מודל אחד מצטיין במספר תחומים מרכזיים כמו חשיבה, מתמטיקה וקוד, זה כבר לא עוד שדרוג מחזורי. זו נקודת מפנה. לראשונה מאז 2022, OpenAI לא נראתה כמי שמובילה באופן ברור את רוב המבחנים החשובים.

ChatGPT עדיין שולט

חשוב להפריד בין שני עולמות: הבנצ'מרקים והמציאות בשטח.

לפי נתונים שהציג ניק טורלי (Nick Turley) ובהתאם לדיווחים עסקיים מסוף 2025, ChatGPT נשאר השירות הדומיננטי בשוק. הוא נהנה ממאות מיליוני משתמשים פעילים, נפח שימוש עצום ואימוץ כמעט מלא בקרב חברות גדולות. בפועל, זה עדיין ה-assistant שהעולם עובד איתו.

הדומיננטיות הזו היא נכס אסטרטגי: הרגלי שימוש, אמון, ממשק מוכר, אינטגרציות ותהליכים עסקיים שכבר בנויים סביבו. לכן גם אם Gemini 3 Pro מוביל בחלק מהמדדים הטכניים, זה לא הופך את ChatGPT לפחות מרכזי.

אבל כאן מופיע הסדק. גוגל מציגה התקדמות כמעט בכל חזית, משחררת כלים ופיצ'רים בקצב גבוה, ומצמצמת פער שנראה היה בלתי סגיר. במודלים לשפה, תמונה, וידאו וכלים חכמים סביבם, Gemini מתחיל לא רק להדביק את ChatGPT אלא לעיתים גם ליצור תחושת "אבק" מאחוריו.

לכן, למרות היתרון בשימוש בפועל, הזעזוע אמיתי. השוק מריח שינוי. משתמשים פרטיים ועסקיים מתחילים לבחון ברצינות את Gemini, וחלקם אף עוברים אליו. זו אינה נטישה המונית, אבל זו תנועה ראשונית שמצביעה על שינוי אפשרי במאזן הכוחות.

לפי נתוני Similarweb, בעוד שהתנועה ל-ChatGPT ממשיכה לצמוח אך בקצב מתון, Gemini מציגה קפיצה חדה בחודשים האחרונים של 2025. זה לא מחליף הובלה, אבל כן מסמן שינוי מומנטום שהוביל את OpenAI להכריז על "קוד אדום":

שינוי מומנטום | Similarweb Global Traffic Trends

מבחני לחץ בתוך OpenAI

לפי דיווחים של The Information וכתבים טכנולוגיים נוספים, התגובה הפנימית ב-OpenAI הייתה חדה וברורה.

אלטמן וההנהלה ביקשו מהצוותים להתמקד בשלושה צירים מרכזיים: הראשון, שיפור הפרסונליזציה וחוויית המשתמש ב-ChatGPT. השני, הגדלת מהירות ואמינות, וצמצום תקלות והשהיות. והשלישי, הרחבת טווח היכולות, כולל שדרוג משמעותי ביכולות ייצור תמונה והפחתת סירובי מודל מיותרים.

כדי לפנות משאבים, OpenAI הקפיאה מספר פרויקטים מתקדמים. לפי הדיווחים, בין הפרויקטים שנעצרו:

• תכנית פרסום בתוך ChatGPT, שכבר הופיעה בקוד גרסת האנדרואיד.

• סוכני קניות ובריאות שנועדו ללוות משתמשים בהחלטות צרכניות ורפואיות פשוטות.

• ChatGPT Pulse, עוזר אישי שהיה אמור לייצר דוחות מותאמים אישית.

ניק טורלי חיזק את הכיוון הזה בפוסט ב-X, כפי שצוטט ב-Wall Street Journal: המיקוד עכשיו הוא להפוך את ChatGPT ליותר מסוגל, אינטואיטיבי ואישי, ולהמשיך להרחיב את ההגעה הגלובלית. במילים אחרות, פחות ניסויי צד, יותר חיזוק המנוע המרכזי.

התוכנית הטכנולוגית

כאן הסיפור נהיה רגיש יותר. לפי דיווח מפורט ב-The Information שהתבסס על מקורות פנימיים, OpenAI עובדת על שני מודלים שנועדו לתת מענה קונקרטי להתקדמות של Gemini ו-Claude.

Shallotpeat

המודל הראשון, תחת שם הקוד Shallotpeat, מתואר כמודל קצר טווח שהיה אמור לצאת ימים ספורים לאחר הכרזת הקוד האדום. אותם מקורות טענו כי במבחנים פנימיים הוא עקף את Gemini 3 Pro בחלק מהמשימות. אין כל אישור רשמי לשם, לתזמון או לתוצאות, וייתכן שהוא אף השתנה מאז. מדובר בדיווחים שאינם מאושרים ולכן הם צריכים להישאר באזור האפור שבין דליפה לעובדה.

Garlic

המודל המשמעותי יותר הוא Garlic, שמיועד לרבעון הראשון של 2026. לפי הדיווחים, מארק צ'ן (Mark Chen), ראש תחום המחקר ב-OpenAI, תיאר אותו כמודל שבו הצליחו "להזריק למודל קטן יותר את אותה כמות ידע" שבעבר דרשה מודל גדול בהרבה - שינוי שמרמז על קפיצה ביעילות האימון, לא רק בביצועי קצה.

Garlic נשען על עבודה שנעשתה ב-GPT-4.5, אך כולל תיקונים עמוקים בשלב ה-pre-training שנועדו להתגבר על צווארי בקבוק טכניים. במבחנים פנימיים הוא הראה ביצועים חזקים במיוחד בקידוד ובמשימות חשיבה מורכבות.

הכל נאמר בזהירות: OpenAI לא פרסמה מידע רשמי על Shallotpeat או Garlic, ומבחנים פנימיים אינם בהכרח אינדיקציה לביצועים בעולם האמיתי. לא ברור אם ומתי מודלים אלה יושקו.

אבל מבחינת הנרטיב, זה לב העניין: OpenAI נמצאת במרוץ להציג דור חדש שישיב לה יתרון טכנולוגי - בזמן שהשוק מתקדם מהר יותר מאי פעם.

היתרון התשתיתי של גוגל מול השינוי המבני ב-OpenAI

מאחורי מרוץ המודלים מסתתרת שאלה אחת: על מה הם רצים?

לגוגל יש שליטה כמעט מוחלטת בכל שכבות ה-stack: מהמחקר ועד השבבים. משפחת Gemini רצה על TPU שגוגל עצמה מתכננת ומייצרת, מה שמעניק לה עלות כוללת נמוכה יותר, שליטה מלאה בתצורה, ויכולת להפעיל אשכולות עצומים בקנה מידה שקשה להתחרות בו.

Anthropic חתמה באוקטובר 2025 על הסכם תשתית עם Google Cloud שמעניק לה גישה למיליוני TPUs של גוגל - מה שנותן לה כרגע גישה לחומרה מתקדמת שדומה לזו של גוגל עצמה.

בעבר OpenAI הייתה תלויה כמעט לחלוטין בתשתית Azure של מיקרוסופט, תלות שנחשבה לחולשה מובנית, במיוחד לאור תקלות שירות שזוהו בשנים 2024-2025. תלות כזו בספק יחיד מגבילה יכולת שליטה בעלויות וממצבת נקודת כשל תשתיתית.

אבל בחודשים האחרונים המצב השתנה: OpenAI חתמה על הסכמי תשתית רחבי היקף עם AWS והחלה לפרוס קיבולת עצומה של GPU מבוסס NVIDIA. המהלך הזה שובר את הבלעדיות של Azure ומאפשר פיזור עומסים בין כמה עננים גדולים.

המשמעות כפולה:

1. פחות סיכון מתלות בענן יחיד.

2. יותר גמישות לנהל את עלויות החישוב מול המתחרות.

ועדיין, בניגוד לגוגל, OpenAI אינה שולטת בשכבות החומרה והענן של עצמה. אפילו עם המעבר לכמה ספקי ענן, היא תלויה בתשתיות של אחרים. לכן הפער התשתיתי כבר אינו עניין טכני בלבד, אלא שאלה אסטרטגית שמגדירה את יכולת החברה להתחרות לאורך זמן.

והכל קורה על רקע לחץ פיננסי

לפי דיווחים בעיתונות הכלכלית, השווי של OpenAI מתקרב ל-500 מיליארד דולר ומתבסס על הנחה שהיא תמשיך לצמוח במהירות ותשמור על מובילות טכנולוגית. אבל מאחורי המספרים נוצצים עומדת מציאות מורכבת בהרבה.

עלויות האימון וההרצה של המודלים עצומות. חלק גדול מההכנסות חוזר היישר ל-compute ולשכר טאלנטים טכניים. הערכות מדברות על כך ש-OpenAI שואפת להגיע ל-cash flow חיובי רק בסביבות 2029. דיווחים מסוף 2025 הצביעו גם על התחייבויות תשתית ארוכות טווח מול מיקרוסופט בהיקפים חריגים, אם כי המספרים המדויקים אינם שקופים לציבור.

במצב כזה, כל מודל דגל חדש הוא לא רק מהלך טכנולוגי - הוא גם הימור פיננסי של מאות מיליוני דולרים. 

מה זה אומר עבור השוק

עבור משתמשים פרטיים, התחרות הזו היא חדשות מצוינות: המודלים משתפרים, המחירים יורדים, והיכולות נפתחות ליותר אנשים. עבור ארגונים, התמונה מורכבת בהרבה. שלושה מסרים בולטים:

• לא להישען על ספק יחיד. אסטרטגיית multi-model כבר אינה "מתקדמת" אלא הכרח. גם אם ChatGPT הוא הכלי המרכזי, כדאי להבין איך משלבים לצדו את Gemini, Claude או מודלים פתוחים.

• להסתכל על TCO, לא רק על ביצועים. במילים פשוטות יותר, לבחון את העלות הכוללת להחזיק ולהפעיל את המערכת לאורך זמן, לא רק את המחיר המיידי שלה. פער קטן בבנצ'מרק אינו מצדיק בהכרח פער גדול בעלויות. בפרויקטים רחבי היקף, יעילות חישובית הופכת לפקטור אסטרטגי.

• לשמור גמישות תשתיתית. ארגונים שמסוגלים להריץ מודלים על עננים שונים או על תשתיות עצמאיות נמצאים בעמדה יציבה יותר מול שינויים טכנולוגיים ושינויי מחירים.

בסופו של דבר, אנחנו נכנסים לעידן שבו אין "בחירה אחת נכונה". יתרון אמיתי יהיה למי שיידע להרכיב שכבה אפליקטיבית גמישה שפועלת מעל כמה מודלים שונים, ובכך לנצל את החוזקות של כל אחד מהם.

נתוני Similarweb מראים שאמנם OpenAI עדיין מחזיקה בנתח העצום של תנועת ה-AI הגנרטיבי, אבל בחודשים האחרונים חלה עלייה מתמשכת במודלים מתחרים כמו Gemini, Claude ו-DeepSeek. השוק נהיה מגוון יותר, והתחרות כבר אינה תיאורטית:

השוק מתחיל להיפתח | Similarweb Global Traffic Trends

2026 היא שנת המבחן של OpenAI ושל שוק ה-AI כולו

OpenAI מבינה שהשאלה הגדולה אינה מי מוביל בבנצ'מרקים, אלא מי מוביל את השיחה ואת השוק בפועל. כרגע ChatGPT עדיין שולט בשימוש, אבל ההובלה הטכנולוגית כבר לא מוגדרת, והמתחרות לוחצות מכל כיוון. במקום לחגוג שלוש שנים ל-ChatGPT, הכריזה OpenAI על קוד אדום. זה לא רק סימן למשבר, אלא הכרה בכך שהעידן שבו שימשה כמובילה הלא רשמית מתקרב לסיום.

2026 תהיה שנת מבחן. אם Garlic או כל מודל דגל אחר יצליח לא רק להשוות אלא לעקוף את Gemini 3 Pro ו-Claude Opus 4.5 בבדיקות עצמאיות ובעבודה אמיתית אצל משתמשים, ובמקביל יעמוד בעלות חישובית סבירה, OpenAI תוכל לטעון שחזרה להוביל.

אם זה לא יקרה, השוק עלול להתרחק ממודל של "מנצח אחד". גוגל עשויה לתפוס את ההובלה, או שנראה שוק מרובה-שחקנים שבו לכל ענק יש יתרון אחר: תשתית, מחיר, בטיחות או יכולות איג׳נטליות. הקצב מהיר כל כך, שאפשר רק לזהות כיוונים - בטח לא לנבא בוודאות.

גוגל אולי הרסה את המסיבה של ChatGPT, אבל מה שנקבע עכשיו זה לא מי חוגג. מה שנקבע עכשיו הוא מי ישרוד ויעצב את המרוץ הבא - מרוץ שבו מודלים, תשתיות וכסף מתמזגים לקרב שלא דומה לשום דבר שראינו עד היום.

הפוסט גוגל הרסה את מסיבת יום הולדת 3 של ChatGPT ו-OpenAI מכריזה על ״קוד אדום״ הופיע ראשון בLet's AI בינה מלאכותית

מודלים שמצטיינים במבחנים ונכשלים במציאות

הכשל המרכזי בבינה המלאכותית היום, לדברי סוצקבר, הוא הפער בין הצלחה מרשימה במבחנים לבין ביצועים גרועים ביישומים מעשיים. המודלים מראים תוצאות מרשימות על מבחני evals (מבחנים סטנדרטיים במתמטיקה, קידוד והיגיון שבהם חברות AI בודקות את ביצועי המודלים לפני שחרור), אבל באותו הזמן חוזרים על אותן שגיאות פעם אחר פעם בעבודה אמיתית.

הוא מתאר מצב שכל מי שעבד עם מודלי AI לקידוד מכיר - המודל מתקן באג ויוצר באג חדש. כשמפנים את תשומת ליבו לבאג החדש, הוא מחזיר את הבאג המקורי. אפשר לעבור בין שני הבאגים האלה ללא סוף.

הסיבה המרכזית, לפי סוצקבר, נעוצה באופן שבו חברות בוחרות את סביבות האימון. כשיש מבחנים ספציפיים שעליהם המודל ייבחן בשחרור, הצוותים יוצרים סביבות Reinforcement Learning (למידת חיזוק שבה המודל לומד מניסוי וטעייה) שמכוונות בדיוק לאותם מבחנים. התוצאה היא שהמודלים מתמחים במבחנים הספציפיים האלה במקום לפתח יכולת אמיתית להכליל.

ההשוואה שלו לעולם האנושי מבהירה את הנקודה: תלמיד שתרגל 10,000 שעות ספציפית לתחרות תכנות מסוימת ישלוט בכל האלגוריתמים הרלוונטיים. אבל תלמיד אחר שתרגל רק 100 שעות אך יש לו הבנה עמוקה יותר של העקרונות - הוא זה שיצליח יותר בקריירה האמיתית.

למה בני אדם לומדים טוב יותר?

העובדה המרכזית שמניעה את כל התזה של סוצקבר היא פשוטה. המודלים הנוכחיים מכלילים הרבה פחות טוב מבני אדם. זה נכון גם בתחומים כמו מתמטיקה וקידוד - תחומים שלא התפתחו באבולוציה ולכן לא ניתן להסביר את היתרון האנושי ב"קידוד גנטי".

הדוגמה הבולטת היא שנער לומד לנהוג תוך כ-10 שעות תרגול. בתקופה הזו, אין לו מערכת פרסים חיצונית מפורטת שמדרגת כל החלטה. במקום זאת, יש לו מעין חוש פנימי שאומר לו באופן מיידי אם הנהיגה שלו טובה או גרועה, והוא מתקן את עצמו תוך כדי תנועה.

המודלים הנוכחיים עובדים אחרת. הם מבצעים רצף ארוך של פעולות - אלפי "צעדי חשיבה" - ורק בסוף התהליך כולו מקבלים ציון כללי. אין להם האפשרות להבין באמצע הדרך אם הכיוון שהם לוקחים הוא נכון.

רגשות כפונקציית ערך

בחלק שעורר הכי הרבה עניין בראיון, סוצקבר מביא מקרה נוירולוגי שמאתגר הנחות בסיסיות: אדם שעבר נזק מוחי שפגע במרכז עיבוד הרגשות שלו. הוא נשאר מסוגל לדבר בצורה תקינה, יכול היה לפתור חידות לוגיות, ובמבחנים סטנדרטיים נראה תקין לחלוטין. אבל הוא איבד לחלוטין את היכולת להרגיש - לא עצב, לא כעס, לא שמחה.

התוצאה המפתיעה היתה שהוא איבד לחלוטין את היכולת לקבל החלטות. לקח לו שעות להחליט איזה גרביים ללבוש. החלטות פיננסיות היו קטסטרופליות.

זו תובנה שמערערת על ההנחה המקובלת שרגשות הם "רעש" בקבלת החלטות רציונליות. במקום זאת, הם ממלאים תפקיד מהותי - הם מספקים משוב מיידי על איכות ההחלטות שלנו.

במונחי למידת מכונה, זה מתאים למושג של "פונקציית ערך" (value function) - מערכת שמעריכה בזמן אמת האם צעד ביניים מסוים הוא טוב או רע. במקום לחכות עד סוף תהליך ארוך כולו כדי לקבל משוב, אפשר לקבל אינדיקציה כבר באמצע אם אנחנו בכיוון הנכון.

סוצקבר מאמין שפיתוח משהו דומה למערכת הרגשית האנושית - גם אם פשוטה יחסית - עשוי להיות קריטי ליצירת מערכות AI שיכולות לקבל החלטות טובות ולהכליל מידע באופן אמין.

סוף עידן הסקיילינג

סוצקבר מציע לחלק את ההיסטוריה של הבינה המלאכותית המודרנית לשלושה שלבים:

• 2012-2020: עידן המחקר הראשון
• 2020-2025: עידן הסקיילינג
• 2026 ואילך: חזרה לעידן המחקר

ההבנה המרכזית של תקופת הסקיילינג הייתה שיש "מתכון" שעובד: לוקחים דאטה, compute, ורשת נוירונים - ומערבבים. ככל שמגדילים את הרכיבים, התוצאות משתפרות באופן צפוי. זה נתן לחברות דרך בטוחה יחסית להשקיע משאבים עצומים.

אבל עכשיו, לפי סוצקבר, המצב השתנה. כמות הדאטה האיכותי בעולם מוגבלת. השאלה היא מה קורה אחרי שהדאטה אוזל.

הוא לא מאמין שפשוט להגדיל פי 100 את כוח העיבוד יביא את הקפיצה הבאה. זה ישפר את המודלים, בהחלט, אבל לא יספיק כדי להגיע ל-AGI אמיתי. במקום זאת, צריך רעיונות חדשים - ולכן חזרה למחקר.

"הגענו לנקודה שבה יש יותר חברות מאשר רעיונות," הוא מציין.

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

לפרטים נוספים לחצו כאן >>

SSI: הימור של 3 מיליארד דולר על מחקר

Safe Superintelligence, החברה שסוצקבר הקים, גייסה 3 מיליארד דולר. זה נשמע מעט לעומת המתחרים, אבל סוצקבר מסביר למה זה בעצם מספיק למחקר - חברות גדולות יותר מוציאות חלק ענק מהמשאבים על הפעלת המודלים (inference), על צוותי מכירות ומהנדסים, ועל פיתוח פיצ'רים למוצר. כשמסתכלים רק על מה שנשאר למחקר אמיתי, ההפרש בין SSI לבין המתחרים הופך להיות קטן הרבה יותר.

SSI, לעומת זאת, כמעט לא מוציאה משאבים על דברים האלה. אין מוצר, אין לקוחות, אין עלויות inference. כל המשאבים מופנים למחקר על השאלה המרכזית: איך בונים מערכות עם יכולת הכללה אמינה?

"עשינו התקדמות טובה בשנה האחרונה," הוא אומר, "אבל צריך להמשיך. נדרש עוד מחקר."

למידה מתמשכת

סוצקבר מציע להבין AGI בצורה שונה מהמקובל. המושג המסורתי של AGI הושפע מההצלחה של pre-training - שבו מודל מאומן פעם אחת ויוצא מוכן לכל משימה. אבל, הוא מציין, בן אדם הוא לא AGI במובן הזה. יש לנו בסיס של כישורים, אבל חסר לנו ידע עצום. במקום זאת, אנחנו מסתמכים על למידה מתמשכת לאורך החיים.

הוא מציע לחשוב על superintelligence לא כמוח מוגמר שיודע לעשות כל דבר, אלא כמוח שיכול ללמוד לעשות כל דבר - ולעשות זאת מהר מאוד. כמו מישהו צעיר ומוכשר שלהוט ללמוד: הוא לא יודע הרבה עדיין, אבל הוא תלמיד מצוין. תגיד לו ללמוד תכנות, רפואה, עריכת דין - והוא ירכוש את הידע במהירות.

המערכת הזו תצא לעולם ותתחיל תהליך של למידה מתמשכת דרך ניסוי וטעייה בפועל. זה תהליך, לא שחרור של מוצר סופי ומוגמר.

בטיחות מבוססת שיתוף פעולה

סוצקבר שינה את דעתו בנקודה חשובה: הצורך להציג AI לציבור בהדרגה. הבעיה המרכזית עם AI עתידי, לדבריו, היא שקשה לדמיין מערכות שעדיין לא קיימות.

הוא צופה שככל שה-AI יהפוך לחזק יותר באופן ניכר, ההתנהגות תשתנה בצורה דרמטית. חברות שהן מתחרות עזות יתחילו לשתף פעולה בנושאי בטיחות. הוא מזכיר את השיתוף הפעולה הראשוני בין OpenAI ל-Anthropic כדוגמה מוקדמת למגמה הזו.

לגבי alignment, שזה התאמת התנהגות המודלים כך שתהיה תואמת לערכים, למטרות ולציפיות של בני אדם, או בפשטות - איך לוודא שמערכות חזקות מאוד יפעלו לטובתנו - הוא מציע כיוון למחשבה.

ליצור AI שאכפת לו מחיים תבוניים בכלל, ולא רק מבני אדם. הטיעון הוא שה-AI עצמו יהיה תבוני, ולכן עשוי לפתח מעין "אמפתיה" למערכות תבוניות אחרות, בדומה לאמפתיה האנושית לבעלי חיים.

הוא גם מאמין שיהיה חשוב למצוא דרך להגביל את הכוח המקסימלי של המערכות החזקות ביותר, אם כי לא מפרט איך.

תחזית זהירה

כשנשאל מתי הוא מצפה למערכת שיכולה ללמוד כמו בן אדם ולהפוך לעל-אנושית בעקבות כך, התשובה היתה: "5 עד 20 שנים." זו תחזית זהירה בהרבה מהציפיות הרגילות בתעשייה, ומשקפת את ההבנה שהדרך קדימה דורשת פריצות דרך מדעיות אמיתיות.

כמה שאלות שכדאי לשאול

הראיון של סוצקבר מעלה כיוון מחשבה מרתק, אבל גם כמה שאלות שכדאי לשקול:

1. האם הדאטה באמת נגמר? סוצקבר עצמו מזכיר שגוגל מצאה לכאורה דרכים לחלץ עוד ערך מ-pre-training. אם זה נכון, האם באמת הגענו לקצה של מה שאפשר לעשות עם הדאטה הקיים, או שפשוט צריך חשיבה יותר יצירתית על איך להשתמש בו? השאלה הזו משנה את כל התזה המרכזית.

2. האם רגשות כפונקציית ערך הם הכרחיים? הדוגמה הנוירולוגית מרתקת, אבל לא ברור שזה מוכיח הכרח טכני. DeepSeek R1, למשל, השיגה תוצאות חזקות ב-reasoning ללא value function מפורשת כפי שסוצקבר מתאר. האם זה באמת חסם שאי אפשר לעקוף, או שזה כיוון מחקרי אחד מתוך כמה אפשריים?

3. איך בדיוק בונים AI שאכפת לו מחיים תבונתיים? הרעיון נשמע מושך, אבל סוצקבר לא נותן מפת דרכים ברורה. זה יותר חזון מאשר תוכנית ביצוע. איך מוודאים ש"אכפתיות" תהיה חזקה מספיק? איך מונעים מצב שבו ה-AI יחליט שהאינטרס של חיים תבונתיים באופן כללי שונה מהאינטרס האנושי הספציפי?

4. האם הגישה של SSI יכולה להצליח ללא הסקייל של המתחרים? סוצקבר מסביר שה-compute שיש ל-SSI מספיק כדי להוכיח רעיונות, אבל מה קורה אם הרעיונות הנכונים דווקא דורשים סקייל עצום כדי להוכיח אותם? האם אפשר לדעת מראש?

5. האם 5 עד 20 שנה זה תחזית? טווח כל כך רחב קשה לאמת או להפריך. זה לא באמת אומר "אני חושב שזה יקרה בשנה X" - זה יותר "אני לא יודע מתי, אבל כנראה לא מחר ולא בעוד 50 שנה". האם יש דרך לצמצם את חוסר הוודאות הזה?

האם סוצקבר צודק?

הראיון של סוצקבר מרתק ומציב סימן שאלה גדול מעל הגישה הנוכחית של תעשיית ה-AI. אם הוא צודק, הדרך ל-AGI לא תבוא מהשקעה של עשרות מיליארדי דולרים במרכזי נתונים גדולים עוד יותר. היא תבוא ממחקר בסיסי על איך למדוד ולשפר את היכולת של מכונות להכליל מידע, לדעת תוך כדי תנועה אם הן בכיוון הנכון, וללמוד מניסיון כמו שבני אדם עושים.

עבור המשקיעים, המסר הוא שהמירוץ על כוח עיבוד עלול להאט בקרוב. עבור החוקרים, זו הזמנה לחזור לעבודת המחקר הבסיסית. ועבור הציבור הרחב, זה תזכורת שהדרך ל-superintelligence היא כנראה ארוכה ומסובכת יותר ממה שהכותרות נוטות לטעון.

האם סוצקבר צודק? הזמן יגיד. אבל כשהאדם שעזר לבנות את AlexNet, GPT-3 ואת OpenAI אומר שהכיוון שכולם רצים אליו לא יעבוד לבד, כדאי להקשיב.

הפוסט איליה סוצקבר מדבר על עתיד הבינה המלאכותית ומה באמת צריך כדי להגיע ל-AGI הופיע ראשון בLet's AI בינה מלאכותית

כמעט כולם משתמשים, הצעירים מובילים

הסקר כולל 523 עובדי ועובדות הייטק, רובם בעלי השכלה אקדמית (86%) ומתגוררים במרכז הארץ (69%). הפרופיל הדמוגרפי הזה משקף היטב את הרכב כוח האדם בענף, אך חשוב לזכור שהוא אינו מייצג בהכרח את שוק העבודה הרחב בישראל.

הממצא הבולט הוא שכמעט כל עובדי ההייטק משתמשים בכלי בינה מלאכותית יוצרת. 95% מהם עושים שימוש קבוע בכלים, ו-78% משתמשים בהם מדי יום. השימוש איננו מוגבל למפתחים בלבד. קבוצת הגיל 25 עד 34 מובילה את האימוץ - 86% מבני הגיל הזה מדווחים על שימוש יומיומי - אך גם בקרב עובדים מבוגרים יותר שיעורי השימוש נותרו גבוהים. השילוב של הכלים התרחב גם לתפקידים כמו שיווק, משאבי אנוש ומוצר.

תדירות השימוש בכלי בינה יוצרת | innovationisrael.org.il

עומק השימוש מרשים לא פחות: 82% מהמשתמשים היומיומיים מפעילים את הכלים בשלושה סוגי משימות או יותר, ורבע מהם עובדים עם ששה סוגי משימות ויותר. התמונה שחוזרת לאורך הדוח ברורה - מי שמשתמש, משתמש הרבה.

ההבדלים בין תפקידי הליבה בהייטק בולטים אך אינם חוצים את קו האימוץ. עובדים טכנולוגיים נעזרים בכלים בעיקר לפיתוח קוד, איתור תקלות ותיעוד. מנגד, גם 46% מהעובדים בתפקידים לא טכנולוגיים מדווחים על שימוש בכלים לכתיבת קוד ותיעוד, לצד כתיבת תוכן מקצועי, חיפוש מידע ולמידה עצמית.

הבדלים בשימוש לפי תפקיד | innovationisrael.org.il

תרומה משמעותית לפרודוקטיביות

העובדים מדווחים על תרומה ברורה של כלי הבינה המלאכותית לעבודתם. 70% מציינים שיפור רב באיכות התוצרים, ו-50% מדווחים על קיצור משמעותי בזמן ביצוע המשימות. בתוך קבוצת המשתמשים החווים חיסכון בזמן, כ-40% מציינים שהכלים קיצרו עבורם יותר ממחצית מזמן העבודה על משימות מסוימות.

שיפור באיכות ובזמן העבודה | innovationisrael.org.il

כדי לאמוד את השפעת הכלים בצורה רחבה יותר, פותח בסקר מדד משולב הבוחן גם את השיפור באיכות וגם את החיסכון בזמן. לפי המדד הזה, כ-75% מהעובדים חווים עלייה משמעותית בפרודוקטיביות. תוצאה זו משותפת לכלל העובדים - ללא פערים משמעותיים בין תפקידים או סוגי חברות.

ההשפעה הנתפסת של כלי GenAI על פרודוקטיביות, איכות התוצרים וקיצור זמני העבודה | innovationisrael.org.il

כלים כלליים בכל התפקידים, כלי קוד בעיקר אצל המפתחים

כלי GenAI רב תכליתיים - כמו ChatGPT, Claude ו-Gemini - הפכו לחלק משגרת העבודה של כמעט כל העובדים בענף. יותר מ-94% מדווחים שהם משתמשים בהם, ללא הבדל מהותי בין תפקידים טכנולוגיים ולא-טכנולוגיים.

התמונה משתנה כשמדובר בכלים ייעודיים לפיתוח קוד. כלים כמו GitHub Copilot ו-Cursor נפוצים משמעותית יותר בקרב עובדים טכנולוגיים: 67% מהם משתמשים בהם, לעומת 43% בלבד מהעובדים שאינם בתפקידי פיתוח.

פער בולט נוסף מופיע בתוך קבוצת העובדים הטכנולוגיים עצמם. שיעורי השימוש בכלי קוד גבוהים במיוחד בקרב ג'וניורים - 74% מהם משתמשים בכלים כאלה, לעומת 48% בלבד מבכירי ההנהלה. הנתון הזה מדגיש מגמה עקבית בסקר: עובדים צעירים ונמוכי דרג מאמצים את הכלים מהר יותר ובאופן אינטנסיבי יותר.

שימוש בכלי GenAI לפי תפקיד | innovationisrael.org.il

סטארטאפים מאמצים לאט יותר את כלי הקוד

אחד הפערים הבולטים בסקר מופיע בין סוגי החברות. בעוד שמרכזי מו"פ בינלאומיים וחברות שירותים מציגים אימוץ גבוה של כלי AI לכתיבת קוד - 77% מהעובדים הטכנולוגיים משתמשים בהם - שיעור השימוש בסטארטאפים נמוך משמעותית ועומד על 64% בלבד.

שיעור השימוש בכלי GenAI לקוד | innovationisrael.org.il

הפער הזה מרמז על דפוס זהיר יותר בחברות צעירות. סטארטאפים, שפועלים לעיתים על קוד ייחודי ורגיש, נוטים לשמור על שליטה הדוקה בתהליך הפיתוח ולהימנע משילוב מהיר של כלים שעלולים להשפיע על נכס הליבה שלהם. הדוח אינו מספק הסבר ישיר לתופעה, אך הנתונים משאירים מקום לפרשנות זו.

הזדמנות או איום? זה תלוי איפה אתם נמצאים בהייטק

רוב עובדי ההייטק רואים בבינה המלאכותית הזדמנות: 68% מהמשיבים תופסים את GenAI כמנוע לצמיחה מקצועית, ורק 27% רואים בה איום ממשי על עתידם התעסוקתי. הנתונים הללו מציבים תמונה אופטימית במבט ראשון, אך כשמעמיקים פנימה מתגלים פערים ברורים בין קבוצות שונות בענף.

הזדמנות משמעותית להתפתחות מקצועית | innovationisrael.org.il

עובדים בתפקידים לא טכנולוגיים נוטים לראות בבינה המלאכותית בעיקר הזדמנות - 76% מהם מצהירים כך, לעומת 65% מהעובדים בתפקידי פיתוח. במקביל, תחושת האיום פוגעת יותר בעובדים טכנולוגיים: 31% מהם חשים מאוימים, בהשוואה ל-14% בלבד בקרב עובדים שאינם בתפקידי פיתוח.

הפער הזה מתיישב עם מגמה רחבה בדוח: מי שעובד קרוב יותר לקוד חושש יותר מהשפעה ישירה על תחום מומחיותו, בעוד שעובדים מתחומי שיווק, מוצר, משאבי אנוש ושירות נוטים לראות בכלים מנוע שמרחיב יכולות ולא מחליף אותן.

מי חושש יותר? הפערים החברתיים שנחשפים בסקר

הנתונים על תפיסת האיום מציגים פערים חברתיים ברורים בין קבוצות שונות בענף ההייטק. אף שהרוב רואים בבינה המלאכותית הזדמנות, יש קבוצות שחשות מאוימות במידה רבה יותר - והדוח ממפה אותן באופן מדויק.

גיל ודרג מקצועי: צעירים וסניורים מודאגים יותר

החשש מהשפעת הבינה המלאכותית אינו ליניארי. דווקא העובדים הצעירים יחסית, בני 25-34, מדווחים על רמות איום גבוהות יותר לעומת קבוצות גיל מבוגרות מהם. לצד זאת, גם עובדים בדרגים בכירים - סניורים בתפקידי פיתוח - מביעים רמת חשש גבוהה: 37% מהם רואים ב-GenAI איום משמעותי על עתידם המקצועי. עובדים מבוגרים יותר, בני 45-64, מדווחים על חשש נמוך בהרבה.

מיקום גיאוגרפי והשכלה: פריפריה וללא תואר חוששים יותר

פער חד נוסף מופיע בין תושבי המרכז לפריפריה. 40% מעובדי ההייטק שמתגוררים בפריפריה חשים מאוימים מהטכנולוגיה, לעומת 24% בלבד מתושבי המרכז. הבדל דומה נמצא בין עובדים בעלי תואר אקדמי לבין כאלה ללא תואר: 39% מהעובדים ללא השכלה אקדמית מודאגים מהשפעת הבינה המלאכותית על עתידם התעסוקתי, מול 26.5% בלבד מבעלי תואר.

הפערים הללו מציירים תמונה ברורה: החשש אינו מחולק שווה בשווה. הוא מרוכז יותר בקרב צעירים, סניורים טכנולוגיים, תושבי הפריפריה ועובדים ללא השכלה אקדמית - קבוצות שחשות שהשינוי עשוי לערער את מעמדן בשוק העבודה.

מה מלמד אותנו הסקר הזה על עתיד העבודה בהייטק?

הנתונים מציירים תמונה מורכבת. מצד אחד, כלי הבינה המלאכותית היוצרת כבר הפכו לחלק מרכזי משגרת העבודה של כמעט כל עובדי ההייטק, והם נתפסים כמשפרים משמעותית את איכות העבודה ואת מהירות הביצוע. מצד שני, הסקר חושף כיסי חשש מובהקים - בעיקר בקרב עובדים צעירים, סניורים טכנולוגיים, תושבי הפריפריה ועובדים ללא תואר אקדמי - קבוצות שמרגישות שהשינוי הטכנולוגי עשוי להשפיע על מעמדן המקצועי.

דרור בין, מנכ"ל רשות החדשנות, מסכם את המשמעות הרחבה של ממצאי הסקר: "כמעט כל עובדי הענף כבר משתמשים בה - זו איננה תחזית עתידית אלא מציאות עכשווית שמעצבת מחדש את תעסוקת ההייטק." לצד זאת הוא מדגיש כי האתגר כעת הוא ניהולי ולא רק טכנולוגי: כיצד לאזן בין פריון וצמיחה לבין ההשפעה על שוק העבודה. "על מנת למנוע פערים עוד יותר גדולים בין ההייטק לשאר הכלכלה הישראלית, נכון לוודא שבינה מלאכותית מאומצת בצורה נרחבת בכל ענפי הכלכלה."

בסופו של דבר, הסקר מראה שכלי הבינה המלאכותית אינם עוד תוספת נקודתית, אלא מרכיב קבוע בפרודוקטיביות של עובדי ההייטק - מכל תפקיד, דרג וסוג חברה. אך הוא גם מציב משימה ברורה למדינה ולמעסיקים - להשקיע בהנגשת הכלים ובהכשרות ייעודיות לקבוצות שנמצאות בעמדת חולשה, כדי שהמהפכה לא תיצור פערים עמוקים יותר בשוק העבודה.

לסקר המלא עם כל התובנות, כנסו כאן.

הפוסט סקר רשות החדשנות מצא שכמעט כל עובדי ההייטק משתמשים בבינה מלאכותית יוצרת הופיע ראשון בLet's AI בינה מלאכותית