טריליון וחצי דולר בהשקעות AI מניחים שהעולם הפיזי ישתף פעולה. שאנרגיה תזרום, ששבבים ייוצרו, שכבלים תת-ימיים יעבירו נתונים, ושחומרי גלם יגיעו למפעלים. במרץ 2026, שלוש מתוך ארבע נקודות החנק האלה נמצאות במשבר בו-זמנית. שרטוט חצי ילדותי-חצי סאטירי שתפס לי את העין השבוע מצייר את זה בדיוק: מגדל של סיסמאות טכנולוגיות - AI Optimization, Data Analytics, Neural Networks, Cloud Storage, Vision 2040 - בנויים זה על גבי זה כמו מגדל קלפים. בתחתית, עמוד דק אחד: מצר הורמוז. הסקיצה הפכה ויראלית ב-20 במרץ 2026 ב-X, לינקדאין ואינסטגרם, כשרבים ייחסו אותה ל-Elon Musk, אם כי הפוסט המקורי לא נמצא בחשבון שלו. הייחוס פחות חשוב מהדיוק. זו תזכורת ויזואלית פשוטה למה שמחזיק את כל המהפכה הזו מלמטה. ובמאמר הזה נרחיב על ארבעת נקודות החנק האלה - האנרגיה, התשתית, השבבים וחומרי הגלם - ועל מה קורה כשהן קורסות בו-זמנית.

נקודת חנק ראשונה: אנרגיה

ב‑3 במרץ 2026 איראן הכריזה על סגירת מצר הורמוז, בעקבות מתקפה אמריקאית‑ישראלית משותפת. תנועת המכליות צנחה מ‑100 אוניות ביום ל‑21 בלבד מאז תחילת הלחימה. מחיר חבית Brent זינק ל‑126 דולר, וסוכנות האנרגיה הבינלאומית הגדירה את האירוע כ"אתגר האנרגיה הגדול בהיסטוריה".

למה זה קשור ל‑AI? כי אנרגיה היא עד 60% מעלות התפעול של מרכזי נתונים. שרת AI בודד צורך 40 עד 100 קילוואט - פי עשרה משרת מסורתי. כל שאילתה ב‑ChatGPT דורשת חשמל פי אלף מחיפוש רגיל ב‑Google. בארצות הברית, מרכזי נתונים כבר צורכים 4.4% מהחשמל הלאומי, וסוכנות האנרגיה הבינלאומית צופה שמחצית מצמיחת הביקוש לחשמל בחמש השנים הקרובות תגיע מהם.

הבנק הפדרלי של דאלאס חישב שסגירה של רבעון אחד במצר הורמוז גורעת 2.9 נקודות אחוז מהתמ"ג העולמי. סגירה של שלושה רבעונים דוחפת את מחיר הנפט ל‑132 דולר עד סוף 2026. 64 מיליארד דולר בפרויקטים של מרכזי נתונים בארצות הברית כבר נעצרו או עוכבו.

נקודת חנק שנייה: תשתית

ב‑1 במרץ 2026, שלושה ימים לפני סגירת המצר, רחפנים איראניים פגעו בשלושה מרכזי נתונים של Amazon Web Services - שניים באיחוד האמירויות ואחד בבחריין. זו הייתה הפעם הראשונה בהיסטוריה שבה ספק ענן גלובלי מותקף צבאית.

שניים מתוך שלושה אזורי זמינות של AWS באמירויות נפלו. בנקים, אפליקציות תשלום, מערכות הזמנות וארגונים שלמים הושבתו. משמרות המהפכה לקחו אחריות וטענו שמרכזי הנתונים שירתו רשתות צבאיות ומודיעיניות אמריקאיות. דיווח של Fortune הראה שהצבא האמריקאי משתמש בתשתית AWS, כולל מודל Claude של Anthropic, להערכות מודיעין וסימולציות קרב.

במקביל, 17 כבלים תת‑ימיים שחוצים את ים סוף ומעבירים 18% מתעבורת הנתונים העולמית נמצאים בסיכון. לראשונה, גם ים סוף וגם מצר הורמוז סגורים בו‑זמנית לתנועה מסחרית. Meta הקפיאה את פרויקט הכבל התת‑ימי שלה במפרץ הפרסי, וחברות גילו שפוליסות ביטוח סטנדרטיות אינן מכסות נזקי מלחמה.

"הענן" מתברר כמשהו הרבה פחות מופשט. יש לו כתובת, רדיוס פגיעה ותנאי ביטוח.

נקודת חנק שלישית: שבבים

TSMC הטייוואנית שולטת ב‑90% מייצור השבבים המתקדמים בעולם. שבב בודד חוצה 70 גבולות בינלאומיים לאורך 100 ימים ו‑1,000 שלבי ייצור. Bloomberg Economics מעריכים שעימות סביב טייוואן יעלה לכלכלה העולמית כ‑10 טריליון דולר - יותר מהנזק הכלכלי של הקורונה.

וזה כבר לא תרחיש תיאורטי. הביקוש לשבבים מתקדמים גבוה פי שלושה מהקיבולת של TSMC. Google קיצצה את יעד ייצור שבבי ה‑TPU שלה ל‑2026 מארבעה מיליון לשלושה מיליון יחידות. מחירי מכשירים אלקטרוניים כבר עלו ב‑20% עד 30%.

פיזור ייצור? TSMC משקיעה 40 מיליארד דולר במפעלים באריזונה, אבל מפעל מתקדם לוקח 3-4 שנים להקמה, עולה מעל 10 מיליארד דולר, וייצור ב‑2 ננומטר צפוי להתחיל רק ב‑2030.

נקודת חנק רביעית: חומרי גלם

סין מזקקת כ‑91% מהיסודות הנדירים בעולם ומייצרת 94% מהמגנטים הקבועים - עלייה דרמטית מ‑50% לפני שני עשורים. דוח של סוכנות האנרגיה הבינלאומית מ‑2025 מצא שב‑19 מתוך 20 מינרלים אסטרטגיים, סין היא המזקקת המובילה, עם נתח שוק ממוצע של 70%.

באוקטובר 2025 סין הרחיבה את מגבלות הייצוא ל‑12 יסודות נדירים, והפעילה לראשונה את כלל ה‑FDPR, אותו מנגנון שבו ארצות הברית השתמשה כדי להגביל ייצוא שבבים לסין, רק הפעם בכיוון ההפוך. מעכשיו, כל מוצר שמכיל יסודות נדירים ממקור סיני חייב לדווח על השימוש הסופי, גם אם יוצר מחוץ לסין. המכון הגיאולוגי של ארצות הברית מעריך שאם סין תטיל איסור מלא על יצוא גליום וגרמניום, שני יסודות נדירים החיוניים לייצור שבבים מתקדמים וסיבים אופטיים, הכלכלה האמריקאית תספוג פגיעה של בין 3.4 ל‑9 מיליארד דולר.

הזווית הישראלית

ישראל יושבת בצומת של כמה מנקודות החנק האלה. המיקום בין הים התיכון לים סוף הופך אותה למסדרון טבעי לכבלים תת-ימיים, וראש הממשלה הכריז על תוכנית לכבל סיבים אופטיים באורך 254 ק"מ בין אשקלון לאילת. אבל ערב הסעודית כבר חתמה על חוזה של 800 מיליון דולר לכבל מתחרה דרך סוריה, חלופה ישירה שמחלישה את היתרון הגיאוגרפי של ישראל.

תשתיות הענן המקומיות מופעלות על ידי AWS, Microsoft Azure ו‑Google Cloud, וכולן נשענות על מרכזי הנתונים התת-קרקעיים של MedOne עם 25 אלף מ"ר בטירת כרמל, פתח תקווה ויהוד. MedOne שמרה על 99.999% זמינות גם במהלך אירועי 7 באוקטובר 2024.

למרות זאת, רוב העבודה הישראלית המתקדמת ב‑AI עדיין רצה על תשתיות ענן בינלאומיות. לישראל כמעט אין יכולת עצמאית לאמן מודלים גדולים, לא מבחינת שבבים, לא מבחינת חשמל, ולא מבחינת מרכזי נתונים בקנה מידה מתאים.

הנרטיב הנגדי: גרעין

חברות הטכנולוגיה לא עיוורות לתלות באנרגיה. בשנה האחרונה נחתמו עסקאות גרעיניות בהיקף של מעל 10 גיגה-וואט: Microsoft מפעילה מחדש את Three Mile Island, חברת Amazon חתמה על 960 מגה-וואט, Google חתמה על עסקה ראשונה מסוגה לכורים גרעיניים קטנים (SMR), ו‑Meta ו‑Oracle בוחנות תוכניות דומות.

אבל גם אחרי כל ההשקעות, הגרעין פותר רק את צוואר הבקבוק של האנרגיה. הוא לא מייצר שבבים, לא מניח כבלים תת‑ימיים, ולא מזקק מינרלים. משבר הורמוז קורה עכשיו - והפתרונות שמופיעים במצגות יבשילו רק בעוד חמש עד עשר שנים.

Vision 2040 יכול להיות מרשים ככל שירצו. בסוף, המפה היא זו שמחליטה אילו חזונות שורדים ואילו קורסים תחת משקל המציאות הפיזית.

הפוסט מגדל הקלפים של ה‑AI: ארבע נקודות החנק שמטלטלות את הכלכלה העולמית הופיע ראשון בLet's AI בינה מלאכותית

למה בכלל צריך מודלים קטנים 

הצורך במודלים קטנים ומהירים נובע משתי בעיות מרכזיות שמפתחים פוגשים שוב ושוב. הראשונה היא עלות. מודלים גדולים דורשים משאבים רבים, ובמערכות שמבצעות אלפי קריאות ביום, העלות הופכת במהירות לגורם מגביל. השנייה היא זמן תגובה.

עוזרי קוד, מערכות שפועלות בזמן אמת וסוכני משנה שמבצעים משימות במקביל אינם יכולים להרשות לעצמם השהיות ארוכות (Latency). כל עיכוב משפיע על חוויית המשתמש ועל היכולת של המערכת לפעול בצורה חלקה. במצבים כאלה, מודל קטן שמגיב מהר ומספק דיוק גבוה מספיק אינו רק פתרון טכני, אלא תנאי בסיסי לתפקוד יעיל.

מה מציעים GPT‑5.4 mini ו‑nano 

GPT‑5.4 mini

GPT‑5.4 mini הוא הדגם הבולט מבין השניים. הוא מהיר יותר מפי שניים מהגרסה הקודמת שלו, GPT‑5 mini, ומציג שיפור משמעותי ביכולות כתיבת קוד, הבנה מולטימודלית ושימוש בכלים. הנתונים מהטבלה מצורפת מחזקים את זה. במבחן SWE‑Bench Pro, אחד המבחנים המרכזיים בתחום תיקון קוד, הוא מגיע לדיוק של 54.4 אחוז, רק מעט מתחת ל‑57.7 אחוז של GPT‑5.4 הגדול.

גם במבחנים נוספים כמו GPQA Diamond (הערכת ידע מדעי מתקדם) ו‑OSWorld‑Verified (ביצוע פעולות מחשב על ממשקי משתמש אמיתיים) הוא מציג תוצאות גבוהות, שממחישות את יכולתו להתמודד עם משימות מקצועיות מורכבות למרות גודלו הקטן.

GPT‑5.4 nano

לצדו, GPT‑5.4 nano הוא הדגם הקטן והזול ביותר במשפחה. הוא מיועד למשימות שבהן מהירות ועלות הן השיקול המרכזי, כמו סיווג, חילוץ נתונים, דירוג או תפקידים של סוכני משנה שמבצעים פעולות פשוטות כחלק ממערכת גדולה יותר. למרות גודלו, הוא מציג שיפור משמעותי לעומת הדור הקודם. במבחן SWE‑Bench Pro הוא מגיע לדיוק של 52.4 אחוז, נתון שממקם אותו מעל GPT‑5 mini הישן ומדגיש את ההתקדמות שחלה ביכולות של מודלים קטנים ומהירים.

ביצועי המודלים במבחני קוד וכלים מקצועיים | OpenAI

איך זה עובד בפועל 

המודלים החדשים משתלבים היטב בארכיטקטורות מודרניות שמבוססות על חלוקת עבודה בין מודלים שונים. במקום מודל יחיד שמבצע את כל המשימות, מערכת חכמה יכולה להשתמש במודל גדול לתכנון ולקבלת החלטות, ובמודלים קטנים ומהירים לביצוע פעולות ממוקדות.

כך, לדוגמה, במערכת כמו Codex, GPT‑5.4 משמש כמתכנן העל, בעוד ש- GPT‑5.4 mini פועל כסוכן משנה שמבצע חיפוש בקוד, סקירת קבצים גדולים או עיבוד מסמכים תומכים. ככל שהמודלים הקטנים הופכים מהירים ומדויקים יותר, כך המבנה הזה נעשה יעיל יותר ומאפשר סקיילינג אמיתי.

שני המודלים תומכים בקלטי טקסט ותמונה, יודעים לפרש צילומי מסך מורכבים ומסוגלים לבצע פעולות מחשב במהירות. GPT‑5.4 mini כולל חלון הקשר של 400,000 טוקנים, מה שמאפשר לו להתמודד עם קוד נרחב או מסמכים גדולים בלי לאבד את ההקשר.

דיוק, מהירות ועלות 

הגרפים שהציגה OpenAI ממחישים היטב את היתרון של המודלים הקטנים. בגרף Accuracy vs Latency אפשר לראות ש‑GPT‑5.4 mini מציע שילוב יעיל במיוחד של דיוק גבוה וזמן תגובה נמוך. הוא נמצא קרוב מאוד ל‑GPT‑5.4 מבחינת דיוק, אבל רחוק ממנו מבחינת זמן תגובה, מה שהופך אותו מתאים במיוחד למערכות שפועלות בזמן אמת.

OpenAI | דיוק מול זמן תגובה ועלות במודלי GPT‑5.4

גם בגרף Accuracy vs Cost מתקבלת תמונה דומה. GPT‑5.4 nano מציג דיוק טוב ביחס לעלות הנמוכה ביותר, בעוד ש- GPT‑5.4 mini מציע אחד היחסים החזקים ביותר בין ביצועים לעלות. הנתונים האלה מחזקים את ההבנה שהמודלים הקטנים הם לא פשרה, אלא בחירה אסטרטגית שמאפשרת לבנות מערכות יעילות וחסכוניות יותר.

יישומים בעולם האמיתי 

היכולות האלה הופכות את GPT‑5.4 mini ו‑nano לכלים מרכזיים במגוון רחב של תרחישים. בעוזרי קוד הם מאפשרים ביצוע מהיר של תיקונים ממוקדים, ניווט בקוד, יצירת ממשקי front‑end ולולאות debugging. במערכות מבוססות סוכנים הם תומכים בחלוקת עבודה יעילה בין מודלים שונים, כך שהמודל הגדול מטפל בתכנון והמודלים הקטנים מבצעים משימות במקביל. הגישה הזו משפרת את מהירות העבודה ומאפשרת למערכות להתמודד עם עומסים גבוהים בצורה יציבה.

שימוש במחשב 

גם בתחום השימוש במחשב GPT‑5.4 mini מצטיין. הוא מפרש צילומי מסך במהירות ומבצע פעולות מורכבות על ממשקי משתמש צפופים. במבחן OSWorld‑Verified הוא מגיע לדיוק של 72.1 אחוז, נתון שמתקרב מאוד ל‑75 אחוז של GPT‑5.4 הגדול. התוצאה הזו ממחישה את היכולת שלו להתמודד עם משימות תפעול מחשב מורכבות, למרות היותו מודל קטן ומהיר.

זמינות ועלויות 

OpenAI מציעה את GPT‑5.4 mini ב‑API, ב‑Codex וב‑ChatGPT. הוא תומך בשימוש בכלים, קריאה לפונקציות, חיפוש ברשת, חיפוש בקבצים, שימוש במחשב ויכולות מולטימודליות. עלותו עומדת על 0.75 דולר למיליון טוקנים בקלט ו‑4.50 דולר למיליון טוקנים בפלט.

ב‑Codex השימוש בו צורך רק כשלושים אחוז מקצבת GPT‑5.4, מה שמאפשר למפתחים לבצע משימות פשוטות בעלות נמוכה בהרבה.

GPT‑5.4 nano זמין ב‑API בלבד, במחיר של 0.20 דולר למיליון טוקנים בקלט ו‑1.25 דולר למיליון טוקנים בפלט.

לפרטים נוספים על ההשקה, מוזמנות/ים להיכנס לאינדקס של OpenAI.

הפוסט האם GPT‑5.4 mini ו-nano מסמנים את הדור הבא של מערכות AI מהירות ויעילות הופיע ראשון בLet's AI בינה מלאכותית

ממרחב עבודה לכלי חשיבה

העדכונים החדשים הופכים את Workspace מסביבה סטטית למרחב עבודה חי, שבו ג'מיני פועל כמתווך בין המשתמש לבין הידע האישי שלו. במקום כלי שמגיב רק לפקודות, הוא הופך לשכבת חשיבה שמבינה הקשר, מחברת בין מקורות מידע שונים ומסייעת לייצר תוצרים מדויקים ורלוונטיים יותר.

התכונות החדשות ב‑Docs

ב‑Docs מופיע כעת סרגל פקודות חדש בתחתית המסמך. דרכו אפשר לבקש טיוטה, תבנית או שכתוב, תוך בחירה מדויקת של מקורות המידע כמו Drive, Gmail, Chat או חיפוש ברשת. היכולת הזו מאפשרת לג'מיני לא רק לכתוב טקסטים חדשים, אלא גם להבין את ההיסטוריה התיעודית של המשתמש ולבנות ממנה תוכן המשכי. לצד זה נוספו כלים שמאחדים סגנון כתיבה בין מחברים שונים ומאפשרים להתאים מסמך חדש לפורמט של מסמך קיים, כך שהכול ייראה כאילו נכתב ביד אחת.

סרגל הפקודות החדש ב‑Google Docs

השינויים ב‑Sheets

גם ב‑Sheets מתרחש שינוי משמעותי. במקום לבנות טבלאות ידנית, המשתמש יכול לבקש מהמודל ליצור גיליון שלם מתוך תיאור קצר. ג'מיני אוסף נתונים מתוך Drive, Gmail ו‑Chat ומייצר גיליון מעוצב ומוכן לעבודה. עבור משימות מורכבות יותר, כלי בשם Fill with Gemini מסוגל למלא עמודות שלמות, לסכם נתונים, לקטלג מידע או למשוך פרטים עדכניים מהרשת. כך ניתן ליצור למשל טבלת מעקב על מועדי קבלה לאוניברסיטאות ולתת למודל להשלים את כל הנתונים הרלוונטיים במקום לחפש אותם ידנית.

שינויים ב‑Slides

גם Slides מקבל שכבת יכולות חדשה. ג'מיני יודע ליצור שקופית חדשה שמתאימה לעיצוב הקיים, לעדכן שקופיות קיימות על בסיס מידע שנמצא בקבצים ובמיילים ולשמור על שפה עיצובית אחידה. גוגל מציינת שבעתיד ניתן יהיה לבנות מצגת שלמה מפרומפט אחד, כשהמודל ימשוך את כל המידע הדרוש מהקבצים האישיים ומהרשת.

שקופית ש‑Gemini יצר באופן אוטומטי על בסיס מאמרים ב-Drive

Drive משתנה ממחסן קבצים למנוע ידע

אחד השינויים הבולטים ביותר מתרחש דווקא ב‑Drive. במקום חיפוש מסמכים לפי שמות קבצים, Drive מציג כעת AI Overview, תקציר חכם שמופיע בראש תוצאות החיפוש ומסכם את המידע הרלוונטי מתוך המסמכים עצמם. התקציר כולל ציון מקורות, כך שהמשתמש יודע מאיפה נשלף כל פרט.

יכולת ה‑AI Overview החדשה ב‑Google Drive

לצד זה נוסף כלי בשם Ask Gemini, שמאפשר לשאול שאלות מורכבות על קבוצות קבצים, מיילים ואפילו אירועים מהיומן, ולקבל תשובה שמבוססת על המידע האישי של המשתמש. כך ניתן למשל לבחור את כל המסמכים הקשורים למיסים ולשאול מה כדאי לשאול את רואה החשבון השנה, וג'מיני ינתח את החומר ויציע כיווני פעולה.

Ask Gemini בתוך Google Drive

שליטה, הקשר ודיוק

הכוח של המערכת החדשה נובע מהיכולת של המשתמש לשלוט במקורות המידע שבהם ג'מיני משתמש. בכל פעולה ניתן לבחור אם לאפשר גישה ל‑Drive, ל‑Gmail, ל‑Chat או לחיפוש ברשת. גוגל מדגישה שהשליטה הזו נועדה להבטיח שהתוצרים יהיו מדויקים ורלוונטיים, אך גם לשמור על פרטיות. מבחינת ביצועים, גוגל מדווחת על שיפור משמעותי ב‑Sheets, עד לרמה שמתקרבת למומחים אנושיים במבחנים פומביים. 

מסך בחירת מקורות המידע של Gemini

זמינות ומגבלות

הפיצרים החדשים זמינים כרגע בגרסת בטא למנויי Google AI Ultra ו‑Pro. התמיכה ב‑Docs, Sheets ו‑Slides זמינה באנגלית ברחבי העולם, בעוד ש‑Drive מוגבל בשלב זה לארצות הברית. לא ברור מתי יתרחב המענה לשפות נוספות או לשווקים נוספים, ולכן קשה לדעת מתי היכולות יגיעו לקהל רחב יותר.

לצד מגבלות הזמינות, נותרות פתוחות גם שאלות של אמינות, הזיות מודל והצורך בביקורת אנושית. גוגל עצמה ממליצה להתחיל ממשימות בעלות סיכון נמוך כדי להכיר את המערכת ולבחון את התנהגותה לפני שמסתמכים עליה בעבודה קריטית. ההמלצה הזו מדגישה שהטכנולוגיה מתקדמת, אך עדיין דורשת זהירות ושיפוט מקצועי.

Introducing the new Gemini powered Docs, Sheets, Slides, and Drive experience featuring AI Overviews, fulled editable AI made slides, and new grounding sources to make writing docs context aware

Available today to G1 Pro and Ultra users : ) pic.twitter.com/tpYmnN2wV2

— Logan Kilpatrick (@OfficialLoganK) March 10, 2026

צעד גדול קדימה

הטמעת ג׳מיני בתוך Workspace מסמנת שינוי תפיסתי. הבינה המלאכותית כבר לא נתפסת ככלי צדדי, אלא כשכבת עבודה שמחברת בין המשתמש לבין הידע האישי שלו. היא מייעלת תהליכים, מפחיתה עומס ומאפשרת להתחיל ליצור במקום לבהות בדף ריק.

לצד ההבטחה הזו קיימת גם אחריות של המשתמשים להבין את מגבלות המודל, לשמור על פרטיות המידע, לבדוק עובדות ולוודא שהאוטומציה לא מחליפה שיקול דעת אנושי. זהו צעד משמעותי קדימה, אך הדרך לשילוב מלא, בטוח ושקוף של AI בעבודה היומיומית עדיין נמשכת.

הפוסט ג’מיני נכנס לעבודה ומשנה את Google Workspace הופיע ראשון בLet's AI בינה מלאכותית

הפער בנתונים שהפך את חיזוי ההצפות לבלתי אפשרי

המהלך שגוגל מציגה עם Groundsource מתחיל בהבנה בסיסית אבל חיונית. כדי לחזות הצפות פתע בעיר, חייבים מאגר נתונים איכותי. בפועל, לא היה בנמצא בסיס נתונים שמספק תמונה מלאה ואמינה של אירועים כאלה.

בניגוד להצפות נהרות שמתועדות היטב, הצפות עירוניות הן אירועים מקומיים, קצרים ולעיתים בלתי מסודרים, ולכן כמעט שלא נאסף עליהן מידע עקבי. במקום להסתמך על מקורות חלקיים או להמתין לאיסוף נתונים עתידי, גוגל בחרה לגשת לבעיה מזווית אחרת ולהפוך את העבר עצמו למקור מידע חדש.

הפתרון: שימוש ב‑Gemini כדי לקרוא, להבין ולבנות מחדש את ההיסטוריה

בעזרת Gemini, המערכת סורקת עשרות שנים של דיווחים ציבוריים כמו חדשות, ארכיונים, מסמכים רשמיים ותיעוד מקומי. היא מפרקת את המידע, מאמתת אותו וממירה אותו לרשומות נתונים אחידות. כך נוצר מאגר רחב היקף הכולל יותר מ-2.6 מיליון אירועי הצפה ב-150 מדינות, שמציג לראשונה תמונה היסטורית מקיפה ומדויקת של הצפות פתע עירוניות ברחבי העולם. המאגר הזה אינו רק אוסף של נתונים, אלא בסיס שמאפשר לאמן מודל חיזוי חדש.

מהמאגר למודל

הנתונים ההיסטוריים שאותרו ועובדו משמשים לאימון מודל שמצליח לראשונה להתריע על הצפות עירוניות עד 24 שעות מראש. התחזיות כבר שולבו ב-Flood Hub, פלטפורמה שמספקת כיום תחזיות להצפות נהרות עבור כ-2 מיליארד בני אדם, וכעת מתרחבת גם לתחום המורכב של הצפות פתע. המשמעות בשטח ברורה: ערים יכולות להיערך מוקדם יותר, רשויות מקבלות בסיס לקבלת החלטות בזמן אמת, ותושבים נהנים מהתראה שמאפשרת להם להימנע מסכנה ממשית.

פתיחות למדע

אחד ההיבטים הבולטים ביוזמה הוא הפתיחות שלה. גוגל אינה שומרת את המאגר לעצמה, אלא מאפשרת לחוקרים ולשותפים להשתמש בו כדי לפתח מודלים נוספים ולשפר את ההיערכות העולמית לאירועי קיצון. כך Groundsource הופכת מכלי פנימי של גוגל לבסיס ידע משותף, שיכול להניע מחקר, לעודד חדשנות ולאפשר פיתוח פתרונות מקומיים במדינות שבהן הצפות פתע הן חלק מהמציאות היומיומית.

איך Groundsource מתמודד עם “מדבר הנתונים”

כדי להתמודד עם המחסור בנתונים היסטוריים, Groundsource משתמש במקורות ציבוריים כמו חדשות, דיווחים רשמיים ותיעוד מקומי, וממפה מהם את ההיסטוריה מחדש. במקום להסתמך על מאגרי מידע חלקיים, המערכת מאחדת מידע מפוזר ומייצרת ממנו בסיס נתונים רחב היקף שמכסה יותר ממאה וחמישים מדינות. כך מתקבלת תמונה רציפה של הצפות עירוניות, מהאירועים המקומיים ביותר ועד לאירועים רחבי היקף.

כיסוי המודל ברחבי העולם | research.google

איך זה עובד בפועל ומה קורה “מאחורי הקלעים”

כדי להפוך מידע טקסטואלי מפוזר למאגר נתונים אחיד, Groundsource מפעיל תהליך עיבוד רב שלבים. המערכת קוראת דיווחים בשמונים שפות, מאחדת אותם לאנגלית ומעבירה אותם לניתוח של Gemini. בשלב זה המודל מזהה האם מדובר באירוע הצפה אמיתי, קובע את מועד ההתרחשות גם כשמדובר בניסוחים יחסיים כמו "ביום שלישי האחרון", ומאתר את המיקום המדויק עד רמת שכונה או רחוב. לאחר מכן המידע ממופה לאזורים גיאוגרפיים סטנדרטיים.

בדיקות ידניות הראו כי כשישים אחוז מהאירועים מדויקים לחלוטין בזמן ובמיקום, וכשמונים ושניים אחוז מדויקים מספיק לשימוש מעשי במחקר ובחיזוי. התוצאה היא מאגר רחב היקף שמצליח ללכוד את רוב האירועים החמורים שתועדו במערכות בינלאומיות, לצד מיליוני אירועים מקומיים שלא תועדו בעבר.

פוטנציאל לשינוי תחומי חיזוי נוספים

מעבר להצפות, גוגל מציינת שהשיטה אינה מוגבלת לתחום אחד. אותו מנגנון שמסוגל להפוך תיעוד טקסטואלי היסטורי לדאטה ניתן ליישום גם בתחומים אחרים שבהם חסר מידע איכותי, כמו מפולות, גלי חום או אסונות טבע נוספים. כל תיעוד טקסטואלי, גם אם הוא מפוזר, לא אחיד או לא מובנה, יכול להפוך למאגר נתונים שמאפשר חיזוי מדויק יותר.

במובן הזה, Groundsource מציעה מודל פעולה חדש - שימוש ב‑AI לא רק לניתוח ההווה, אלא גם לשחזור העבר ולהפיכתו לכלי עבודה.

מה עדיין לא ידוע?

לצד ההישגים, יש גם שאלות שנותרו פתוחות. גוגל אינה מפרטת כיצד Gemini מאמת את אמינות הדיווחים, מה שיעור הטעויות בזיהוי אירועים, או כיצד המערכת מתמודדת עם אזורים שבהם התיעוד ההיסטורי דל או מוטה. גם סוגיות הקשורות להטיות לשוניות ותרבותיות אינן זוכות להסבר מפורט. עם זאת, עצם פתיחת המאגר לקהילה המדעית מעידה על כוונה לשקיפות ולשיפור מתמשך, מהלך שמאפשר לבחון, לבקר ולשפר את איכות הנתונים לאורך זמן.

AI שממלא את החורים בהיסטוריה כדי להגן על העתיד

בסופו של דבר, Groundsource מציגה תפיסה חדשה של חיזוי אסונות. במקום להסתמך רק על נתונים קיימים, היא מאפשרת ליצור מחדש מידע היסטורי מתוך מקורות טקסטואליים ולהפוך אותו לדאטה שמיש. זהו צעד משמעותי בדרך לעולם שבו אסונות טבע יהיו פחות מפתיעים ויותר ניתנים לחיזוי, ובעיקר לעולם שבו טכנולוגיה מסייעת לבנות חוסן קהילתי אמיתי.

Flood Hub כבר מספק תחזיות לכ-2 מיליארד בני אדם ברחבי העולם, רבים מהם באזורים רגישים כמו דרום אסיה ואפריקה, והיכולת החדשה לחיזוי הצפות עירוניות עשויה לשפר את ההיערכות המקומית ולהפחית סיכונים ממשיים לחיי אדם.

הפוסט כך גוגל הופכת את ההיסטוריה לדאטה שמציל חיים הופיע ראשון בLet's AI בינה מלאכותית

האבולוציה של סביבת העבודה הדיגיטלית

כדי להבין את השינוי, צריך לחזור לאבולוציה של סביבת העבודה הדיגיטלית. בדורות הראשונים, Workspace 1.0 ו-2.0, המשתמשים היו במרכז, הם עבדו בתוך המערכות, וה-AI שימש כתוספת שמסייעת לכתוב, לסכם או לנתח. ב-Genspark טוענים שהמודל הזה מיצה את עצמו.

Workspace 3.0 מייצג שלב חדש, שבו מוקד הפעולה עובר מהמשתמש אל הסוכן הדיגיטלי. במקום שהעובד יבצע את המשימות ויעזר ב-AI, הסוכן הוא זה שמבצע את העבודה, והאדם מגדיר את התוצאה הרצויה. המעבר הזה, לטענת החברה, הוא הרגע שבו ה-AI מפסיק להיות כלי ומתחיל להיות עובד.

המעבר בין הדורות | Genspark

פיצול, עומס וחוסר יכולת לבצע עבודה אמיתית

הצוות של Genspark זיהה שלושה חסמים מרכזיים שמונעים מבינה מלאכותית לתפקד כעובד אמיתי. הראשון הוא הפיצול בין עשרות כלים שבהם משתמשים עובדים מדי יום, כמו מייל, לוח שנה, Slack, Teams, Notion ו-Salesforce. ה-AI אינו חלק מהמערכות האלה, אלא מגיב לבקשות שמגיעות מבחוץ ולכן אינו מסוגל לפעול בתוכן באופן טבעי.

החסם השני הוא היעדר יכולת לבצע משימות מקצה לקצה. מודלים יודעים לכתוב, לנתח ולסכם, אבל הם לא שולחים מיילים, לא מתזמנים פגישות, לא מפעילים אוטומציות ולא מריצים קוד, ולכן אינם מסוגלים להשלים תהליך עבודה שלם.

החסם השלישי הוא החשש מפרטיות. ארגונים אינם מעוניינים שהמידע שלהם יעבור דרך תשתיות משותפות או יתערבב עם נתונים של אחרים, מה שמגביל את עומק השימוש ב-AI. שלושת האתגרים האלה הובילו את Genspark לחפש פתרון מערכתי, כזה שלא רק משפר את יכולות ה-AI, אלא גם משנה את האופן שבו הוא משתלב בעבודה היומיומית.

הפתרון: מחשב ענן אישי וסוכן שחי בתוכו

החידוש המרכזי של Workspace 3.0 הוא הקמת Cloud Computer אישי לכל משתמש, מכונת ענן מבודדת, מאובטחת ותמיד פעילה שמשמשת כמרחב העבודה של הסוכן הדיגיטלי. במקום מודל שמגיב לבקשות, Claw פועל בתוך סביבת עבודה מלאה הכוללת מערכת הפעלה, גישה לכלים, הרשאות, קבצים ואינטגרציות. זהו מעין משרד דיגיטלי שבו הוא יכול לעבוד באופן עצמאי.

הגישה הזו מאפשרת שלושה יתרונות משמעותיים. הראשון הוא פרטיות מלאה, משום שכל הנתונים נשארים בתוך המכונה האישית. השני הוא זמינות רציפה, שכן הסוכן ממשיך לפעול גם כשהמשתמש אינו מחובר. השלישי הוא יכולת לבצע פעולות אמיתיות, לא רק לכתוב טקסט אלא גם לשלוח אותו, לתאם פגישות, לעדכן מערכות CRM, להפעיל אוטומציות או להריץ קוד.

בפועל, המשתמש שולח הודעה ב-WhatsApp, Telegram, Slack או Teams, והסוכן מבצע את המשימה. בקשות כמו "תסכם את הפגישה ותשלח עדכון ללקוח", "תבנה מצגת על השקת המוצר", "תבדוק ביומן של כולם ותתאם פגישה", "תנתח את הדוח הזה" או "תכתוב קוד לפיצ'ר החדש" הופכות לפעולות שה-AI מבצע מקצה לקצה.

הממשק של Genspark Claw. מכאן מתחילים

אוטומציה, תקשורת ופגישות שמנהלות את עצמן

כדי שסוכן דיגיטלי יוכל לתפקד כעובד אמיתי, הוא זקוק למערכת שלמה שמאפשרת לו לפעול בתוך הארגון. סביב Claw בנתה Genspark מערך כלים שמרחיב את יכולותיו ומאפשר לו להשתלב בתהליכי עבודה קיימים.

הראשון הוא Genspark Workflows, מנוע אוטומציה שמחבר בין יותר מעשרים אפליקציות ומאפשר ליצור תהליכים מורכבים. כך, למשל, מייל שמגיע מלקוח יכול להוביל לסיכום אוטומטי, פתיחת משימה ב-Notion ועדכון הצוות ב-Slack, מה שהופך משימות חוזרות לאוטומטיות לחלוטין.

ממשק Workflows עם תבניות אוטומציה מוכנות

הכלי השני הוא Genspark Teams, סביבת תקשורת פנימית שנבנתה מאפס ומציעה חוויה דומה ל-Slack, אך עם שילוב עמוק של סוכני AI. במרחב הזה עובדים אנושיים ועובדים דיגיטליים משתפים פעולה באופן טבעי.

לצד זאת פועלים גם Meeting Bots, בוטים שמצטרפים לפגישות, מקליטים, מסכמים ומפיצים תוצרים. גם אם המשתמש לא נכח בפגישה, הסוכן שלו היה שם והוא לא מפספס מידע חשוב.

ממשק הגדרות של Meeting Bot

בנוסף מציעה Genspark את Speakly, אפליקציה חכמה שמאפשרת לקרוא משימות בקול ולהפוך אותן לטקסט (מה שנקרא Voice To Text), ואת Chrome Extension, עוזר צד דפדפן שמבין את ההקשר של העמוד ויכול לבצע פעולות ישירות מתוך הדפדפן. כל אלה יחד יוצרים סביבת עבודה שבה הסוכן הדיגיטלי אינו רק מגיב להוראות, אלא פועל כחלק אינטגרלי מהארגון.

אפליקציית Speakly. להפוך דיבור לטקסט

מערכת אקולוגית שלמה

החידוש של Genspark הוא לא רק טכנולוגי אלא גם תפיסתי. במקום לפתח מודל חזק יותר, החברה בנתה מערכת אקולוגית שלמה שמאפשרת ל-AI לתפקד כעובד בתוך הארגון. Claw הוא לא תוסף ואינו עוזר נקודתי, אלא חלק מצוות העבודה. הוא פועל בתוך סביבת עבודה מלאה, מבצע משימות אמיתיות, מתקשר עם כלים קיימים ומחזיר תוצרים מוגמרים.

הגישה הזו משנה את מערכת היחסים בין אדם למכונה. במקום לבקש מה-AI תשובה נקודתית, המשתמש מגדיר משימה והסוכן מבצע אותה. ככה מיטשטש הגבול בין אוטומציה לבין עבודה אנושית, והפרטיות הופכת לעיקרון יסוד ולא לתוספת שנלווית למערכת.

זמינות ותמחור

Claw זמין כיום כשירות ענן בתשלום, עם שתי תצורות של מחשב אישי בענן: מכונה סטנדרטית ומכונה חזקה יותר, שתיהן מוצעות במודל מנוי חודשי או שנתי. כל משתמש מקבל סביבת עבודה מבודדת משלו, והחברה מציעה גם חבילת קרדיטים התחלתית למנויים חדשים. המודל הזה מבהיר שהסוכן הדיגיטלי הוא לא תוסף קל, אלא משאב מחשוב מלא שמוקצה לכל עובד דיגיטלי בארגון.

כמה עולה להשתמש ב‑Claw

עידן חדש בעבודה הדיגיטלית

Genspark היא לא הראשונה לפתח סוכני AI, וכלים כמו Claude Code או מערכות סוכנים אחרות כבר יודעים להתחבר למגוון רחב של שירותים ולבצע פעולות מורכבות. ההבדל הוא בגישה. בעוד שסוכנים קיימים פועלים בתוך מסגרת של כלי עבודה, Genspark מנסה לבנות עבורם מסגרת ארגונית מלאה.

Claw הוא לא רק מודל שמבצע משימות, אלא סוכן שחי בתוך מחשב ענן אישי, מחזיק הרשאות מערכת, מתקשר עם כלי הארגון ופועל כישות רציפה. אם הגישה הזו תבשיל, היא עשויה לשנות את האופן שבו ארגונים מגדירים עבודה. עובדים יתמקדו בהגדרת מטרות ובניהול תהליכים, והסוכנים יבצעו את המשימות בפועל. השאלה היא לא האם ארגונים ישלבו עובדים דיגיטליים, אלא כיצד ומתי הם יהפכו לחלק מהצוות.

הפוסט העובד הדיגיטלי של Genspark מבצע את העבודה במקומכם הופיע ראשון בLet's AI בינה מלאכותית

מיקרוסופט פותחת את Copilot לאפליקציות צד שלישי, כולל Wix ו-Base44 הישראליות. במקביל, חבילת רישוי חדשה בשם E7 Frontier Suite תאחד הכל תחת קורת גג אחת. אחרי שסקרנו את היכולות החדשות באפליקציות הליבה ואת Copilot Cowork בשני החלקים הקודמים בסדרה, החלק השלישי והאחרון מתמקד בצד העסקי: השותפויות, חנות הסוכנים, כלי הניהול לארגונים, והתמחור.

כדי לראות איך סביבת העבודה החדשה הזו נראית בפועל, מומלץ להציץ באירוע ההכרזה הרשמי (Frontier Transformation). החל מדקה 12:50 מדגימה מיקרוסופט כיצד אפליקציות צד-שלישי משתלבות בחנות הסוכנים ופועלות מתוך חלון הצ'אט, והחל מדקה 16:30 מוצג 'מאחורי הקלעים' עבור מנהלי ה-IT כיצד לוח הבקרה של Agent 365 מאפשר לשלוט בכל צבא הסוכנים הזה בבטחה:

אפליקציות צד שלישי בתוך Copilot

מיקרוסופט הכריזה על שילוב של 11 אפליקציות שותפים ישירות בתוך Copilot. הרעיון פשוט - במקום לצאת מסביבת העבודה המוכרת כדי להשתמש בכלי חיצוני, המשתמשים יכולים להפעיל אותו ישירות מתוך ממשק הצ'אט. בין השותפים ניתן למצוא את Canva לעיצוב, Figma לממשקים, Monday לניהול פרויקטים, Jira לניהול משימות טכניות, Miro ללוחות שיתופיים, ServiceNow לתהליכי IT ועוד.

לצד כל אלה, שתי חברות ישראליות תופסות מקום מרכזי ברשימה, ומי שעוקב אחרי מהפכת ה-"Vibe Coding" (בניית אפליקציות באמצעות שפה טבעית) יזהה שהנוכחות שלהן אינה מקרית. הראשונה היא Wix, ענקית בניית האתרים, שמשלבת את הפלטפורמה שלה ישירות בתוך Copilot. בהדגמת ההשקה הוצג כיצד משתמש מתאר בשפה רגילה את האתר שהוא רוצה להקים, ו-Copilot מפעיל את כלי ה-AI של Wix כדי לבנות אותו תוך כדי השיחה - מבלי שהמשתמש ייאלץ לפתוח חלון נפרד.

השנייה היא Base44, סטארט-אפ AI ישראלי ש-Wix רכשה בקיץ 2025 תמורת כ-80 מיליון דולר. הפלטפורמה של Base44 מאפשרת כעת לעובדים לבנות אפליקציות פנימיות לארגון ישירות מתוך Copilot. כך למשל, מנהל יכול לבקש מהצ'אט "תבנה לי מערכת לניהול בקשות חופשה לצוות", ולקבל תוך דקות אפליקציה עובדת.

הופעתן המשותפת של שתי הפלטפורמות תחת המטרייה של מיקרוסופט היא לא רק עניין טכנולוגי, אלא חלק ממהלך אסטרטגי רחב של Wix למצב את עצמה כשחקנית מפתח באקו-סיסטם החדש של בניית תוכנה מונחית AI.

חנות הסוכנים

מיקרוסופט השיקה את חנות הסוכנים (Agent Store) כבר במאי 2025, אבל כעת, במסגרת עדכון Wave 3, היא הופכת אותה למרכז העצבים של הארגון.

החנות פועלת בפורמט דומה ל-App Store, רק שבמקום אפליקציות רגילות היא מציעה סוכני AI מוכנים לשימוש שמבצעים משימות ספציפיות. החידוש המרכזי בהשקה המחודשת הוא השילוב העמוק של אפליקציות צד-שלישי מובילות, שיכולות כעת לפעול כסוכנים ישירות בתוך ממשק העבודה של Copilot ('In-the-flow of work') - ללא צורך לצאת מחלון הצ'אט.

החנות תכלול תחילה סוכנים מהשותפים שכבר הוכרזו, ותאפשר לארגונים וליצרני תוכנה להמשיך להוסיף סוכנים חדשים בהמשך.

רבים מהסוכנים שיהיו זמינים בחנות (Agent Store) אינם מיועדים רק לייעול פנים-ארגוני, אלא גם לתקשורת החוצה. רוצים לראות איך סוכני ה-AI האלו נראים כשהם פוגשים את הלקוחות שלכם במציאות? מיקרוסופט יצרה הדגמה אינטראקטיבית שבה ניתן לראות כיצד סוכן 'Direct to Customer' מנהל שיחת מכירה או שירות מקצה לקצה.

פלטפורמת הניהול

עם עשרות סוכני AI שפועלים בתוך ארגון, מישהו צריך לנהל אותם. זה התפקיד של Agent 365 - פלטפורמת בקרה שמאפשרת לארגונים לקבוע איזה סוכנים פועלים, מי מורשה להשתמש בהם, ומה הם הרשאות הגישה שלהם. Agent 365 כולל לוח בקרה מרכזי, הגדרת הרשאות לכל סוכן, ומעקב אחרי פעילות הסוכנים ברחבי הארגון. 

כמה זה עולה?

עדכון Wave 3 מביא איתו שכבת תמחור חדשה ומעודכנת.

כך נראית מפת הרישיונות החדשה של מיקרוסופט:

השקת חבילת ה-E7 היא מהלך כלכלי מעניין מצד מיקרוסופט. הפיצ'רים המתקדמים באמת, כמו העבודה העצמאית של Copilot Cowork, בחירת המודלים וניהול הסוכנים, דורשים מהארגון שדרוג ל-E7. עם זאת, החבילה מציעה לארגונים מעין 'הנחת באנדל': רכישת כל הרכיבים הללו בנפרד (כולל רישיון ה-E5 הבסיסי שעולה כ-60 דולר) הייתה מגיעה ל-105 דולר, כך שמיקרוסופט למעשה מתמרצת את השוק לעבור לחבילת הכל-כלול.

סיכום הסדרה

שלושה מאמרים, הכרזה אחת. Wave 3 משנה את Copilot בשלוש רמות: ביצוע ישיר בתוך האפליקציות, סוכן עצמאי שעובד ברקע, ופתיחה לעולם של אפליקציות ושותפויות חיצוניות. מיקרוסופט מציעה את הכל תחת חבילת E7 ב-99 דולר למשתמש, שמאחדת אבטחה, AI ופלטפורמת ניהול.

פספסתם את תחילת הסדרה? כדי להבין איך Copilot משנה את העבודה היומיומית בתוך קבצי אקסל ווורד, קראו את החלק הראשון. כדי להעמיק בהיכרות עם הסוכן העצמאי החדש Copilot Cowork ובשותפות עם Anthropic, קראו את החלק השני.

הפוסט חנות סוכנים, אפליקציות ישראליות ומודל תמחור חדש: הצד העסקי של Copilot Wave 3 הופיע ראשון בLet's AI בינה מלאכותית

מיקרוסופט ו-Anthropic בנו יחד סוכן חכם שמבצע משימות מקצה לקצה בתוך Microsoft 365. במקביל, משתמשים יכולים עכשיו לבחור איזה מודל AI ירוץ מאחורי Copilot. אחרי שפרסמנו אתמול את החלק הראשון בסדרה על עדכון Wave 3 של Copilot, שעסק ביכולות החדשות באקסל, וורד, פאוורפוינט ואאוטלוק, הפעם נתמקד בשני חידושים שמשנים את המבנה של המוצר: Copilot Cowork, סוכן שעובד באופן עצמאי על משימות ארוכות, ובחירת מודלים שמאפשרת למשתמשים להחליף בין מודלי AI שונים.

Announcing Copilot Cowork, a new way to complete tasks and get work done in M365.

When you hand off a task to Cowork, it turns your request into a plan and executes it across your apps and files, grounded in your work data and operating within M365’s security and governance… pic.twitter.com/UT2Z50J7F7

— Satya Nadella (@satyanadella) March 9, 2026

מה זה Copilot Cowork

עד עכשיו, כל אינטראקציה עם Copilot עבדה בדפוס של שאלה-תשובה: המשתמש מבקש, Copilot מגיב, המשתמש ממשיך. Copilot Cowork שובר את הדפוס הזה. זה סוכן שמקבל משימה מורכבת ומבצע אותה לבד, מקצה לקצה, בלי שהמשתמש צריך לנהל כל שלב.

התהליך עובד בארבעה שלבים: Copilot Cowork מקבל את המשימה ומפרק אותה לצעדים, הוא בונה תוכנית עבודה ומציג אותה למשתמש לאישור, אחרי האישור, הוא מבצע את הצעדים - עובר בין קבצים, שולף נתונים, כותב מסמכים, שולח מיילים - ובסוף מדווח מה עשה ומה התוצאות.

ככה נראה ניהול משימות רב-שלביות מקצה לקצה על ידי סוכן ה-AI של מיקרוסופט:

מבט מבפנים על Copilot Cowork

לדוגמה, אפשר לבקש מ-Copilot Cowork: "תכין סיכום רבעוני מתוך דוחות המכירות של Q1, תשווה לרבעון הקודם, ותשלח את הסיכום לצוות ההנהלה." במקום שהמשתמש יפתח כל קובץ בנפרד, Copilot Cowork עובר בין הקבצים, מחלץ את הנתונים, כותב את הסיכום ושולח אותו.

שיתוף פעולה בין מיקרוסופט ל-Anthropic

Copilot Cowork פותח בשיתוף פעולה חסר תקדים בין מיקרוסופט ל-Anthropic, חברת ה-AI שמפתחת את משפחת מודלי Claude. בפועל, Copilot Cowork רץ על מודל Claude Opus 4.6 של Anthropic, ולא על המודלים המוכרים של OpenAI.

אמנם זו לא הפעם הראשונה שמיקרוסופט משלבת מודל של חברה מתחרה בתוך סביבת הדגל שלה - כבר בספטמבר האחרון היא איפשרה גישה למודלי Claude Sonnet 4 ו-Claude Opus 4.1 כמנועים לבניית סוכנים מותאמים אישית ב-Copilot Studio, אך כעת מדובר בשילוב עמוק שמגיע לכלל המשתמשים.

מבחינת אבטחה, הסוכן עובד תחת אותן הרשאות ופרטיות המוגדרות בארגון, אך בגלל אופי הפעולה העצמאי שלו, מיקרוסופט מריצה אותו בתוך סביבת ענן מוגנת וסגורה (Cloud Sandbox). המשמעות היא שהוא אינו יכול לגשת לקבצים שהמשתמש עצמו אינו מורשה לראות, והפעולות שלו ניתנות למעקב מלא.

אפשרות לבחירת מודלים

ב-Wave 3, מיקרוסופט הופכת את מערכת Copilot לרב-מודלית (Multi-model) מתוך הבנה שלכל מודל יש את החוזקות שלו. במקום להישען רק על גורם אחד, המערכת מתאימה את הכלי למשימה. מעשית, מיקרוסופט מיישמת גישה של 'ניתוב אוטומטי' (Smart Mode): Copilot יודע לבחור בעצמו מתי לשלוח את הבקשה שלכם ל-GPT ומתי ל-Claude בהתאם למורכבות המשימה.

לצד זאת, המשתמש מקבל שליטה ויכול גם לבחור באופן ידני מתוך תפריט באפליקציות שונות - למשל, להגדיר שמשימת כתיבה ומחקר ארוכה תרוץ באופן בלעדי על Claude.

Great to see the excitement around Copilot Cowork today. I have been using it in my own work for the past few weeks, and the best way to understand it is to see it in action. Sharing a short demo from my day to day here. pic.twitter.com/Rxf6wkaLTk

— Charles Lamanna (@clamanna) March 9, 2026

זמינות

Copilot Cowork נמצא כרגע ב-Research Preview, פתוח למספר מצומצם של ארגונים. השקה רחבה יותר צפויה לסוף מרץ 2026. בחירת מודלים תהיה זמינה כחלק מחבילת E7 Frontier Suite, שמיקרוסופט תשיק ב-1 במאי 2026. E7 מאחדת תחת קורת גג אחת את רישיונות האבטחה (E5), את Copilot, ואת הפלטפורמה החדשה לניהול סוכנים Agent 365.

מה זה אומר בפועל

Copilot Cowork מסמן כיוון חדש למיקרוסופט. לא עוד כלי שעונה על שאלות, אלא סוכן שמקבל משימות ומבצע אותן. והשותפות עם Anthropic מעבירה מסר ברור - מיקרוסופט כבר לא מהמרת על מודל אחד. היא בונה תשתית שמאפשרת לארגונים לעבוד עם המודל המתאים ביותר לכל משימה, בלי לוותר על אבטחה והרשאות.

בחלק השלישי והאחרון בסדרה נצלול אל מאחורי הקלעים של סביבת העבודה החדשה: איך ארגונים הולכים לנהל את צבא הסוכנים הזה באמצעות Agent 365, אילו חברות ישראליות (כמו Wix ו-Base44) כבר השתלבו בתוך המערכת של מיקרוסופט, ומה מחכה לנו בחנות הסוכנים (Agent Store) החדשה.

למי שפספס את החלק הראשון בסדרה על החידושים של מיקרוסופט בקופיילוט, כנסו כאן.

הפוסט Copilot Cowork: מיקרוסופט משיקה סוכן AI שעובד לבד ברקע הופיע ראשון בLet's AI בינה מלאכותית

עדכון Wave 3 מביא ל-Copilot יכולות ביצוע ישירות באקסל, וורד, פאוורפוינט ואאוטלוק. הבינה המלאכותית כבר לא רק מציעה - היא עושה. בשבוע האחרון מיקרוסופט הכריזה על Wave 3, גל העדכונים הגדול ביותר ל-Copilot מאז ההשקה. ההכרזה כוללת יכולות חדשות באפליקציות הליבה, שותפות עם Anthropic, שילוב ישיר של פלטפורמות כמו חברות Wix ו-Base44, חנות סוכנים ומודל תמחור חדש. בסקירה הראשונה מתוך שלוש בסדרה נתמקד בשינוי שנוגע לעבודה היומיומית: Copilot שעובד ישירות בתוך הקבצים. עד עכשיו, Copilot ב-Microsoft 365 עבד בעיקר מהצד. כתב הצעות בחלון צדדי, והמשתמשים העתיקו והדביקו מה שהתאים להם. ב-Wave 3, זה משתנה. Copilot עובד עכשיו ישירות בתוך הקבצים: בונה נוסחאות באקסל, עורך מסמכים בוורד, מעצב שקפים בפאוורפוינט ומנהל יומן באאוטלוק.

מה כל אפליקציה קיבלה

שכבת ה-"Work IQ" שמיקרוסופט הציגה בהדגמות של Wave 3, זו השכבה שמאפשרת ל-Copilot להבין את ההקשר של הארגון שלכם (לשאוב מידע מאימיילים, קבצים קודמים ופגישות) וליישם אותו כשהוא עורך מסמכים בוורד או בונה שקפים בהתאם ל-Brand Kit שלכם.

Excel קיבל את השדרוג הטכני. Copilot יודע עכשיו לבנות מודלים פיננסיים שלמים בתוך הגיליון. מיקרוסופט הציגה משתמש שמקליד בקשה בשפה רגילה: "תבנה לי מודל DCF עם שלושה תרחישי צמיחה והנחות שאפשר לשנות." תוך רגעים קצרים, Copilot ייצר גיליון עובד - נוסחאות מקושרות בין תאים, תפריטי בחירה לתרחישים, וטבלת רגישות שמתעדכנת כשמשנים פרמטר. לא הצעת טקסט בחלון צד, אלא גיליון אקסל שאפשר להמשיך לעבוד איתו. היכולת זמינה כבר עכשיו ב-Windows, דפדפן ו-Mac.

Word עבר שינוי דומה. Copilot לוקח טיוטה קיימת והופך אותה למסמך מוכן לסקירה - מיישם את סגנונות העיצוב של הארגון, מסדר כותרות ופסקאות, ועובד בתוך המסמך כשותף לעריכה. לא עוד חלון צד שצריך להעתיק ממנו. זמין כבר עכשיו.

PowerPoint מקבל שני שדרוגים. בדיקת מותג אוטומטית - Copilot סורק מצגת קיימת ומזהה שקפים שחורגים מה-Brand Kit של הארגון, כלומר צבעים, גופנים וסגנונות שלא תואמים את ההנחיות. והמרת טקסט לתרשימים - שקף עמוס בטקסט הופך לתרשים ויזואלי מעוצב לפי צבעי המותג. שני הפיצ'רים מתגלגלים בהדרגה, כרגע בגרסת הדפדפן.

Outlook קיבל את העדכון שעשוי להשפיע על שגרת העבודה היומיומית יותר מכולם. Copilot שם לא רק כותב מיילים - הוא מנהל את היומן. אפשר להגדיר חוקים אוטומטיים: "תאשר תמיד פגישות מהמנהלת שלי אם אני פנוי", "תסרב אוטומטית לפגישות אחרי חמש אחר הצהריים", "תענה RSVP לאירועים חברתיים של הצוות". Copilot מפעיל את הכללים ברקע, בלי שתצטרכו לאשר כל פעולה בנפרד.

בנוסף, אפשר עכשיו לשלוח מיילים ולתזמן פגישות ישירות מתוך חלון הצ'אט של Copilot, בלי לפתוח חלון ניסוח חדש. היכולת מתגלגלת מ-9 במרץ ב-Windows, דפדפן ומובייל.

מה באמת השתנה

מיקרוסופט מתארת את המעבר במונח "agentic experiences", כלומר מעבר ממצב של שאלה-ותשובה למצב של ביצוע משימות. בפועל, במקום שתקבלו הצעת טקסט ותחליטו מה לעשות איתה, Copilot בונה את הנוסחה, מעצב את השקף, מאשר את הפגישה.

הכיסוי העיתונאי של ההשקה, בין היתר ב-Windows Central ו-PCWorld, מתאר את Wave 3 כרגע שבו Copilot מתחיל לפעול באופן עצמאי בתוך סביבת העבודה. זו הבטחה שחברת מיקרוסופט נותנת כבר מההשקה הראשונה של Copilot, אבל Wave 3 הוא הפעם הראשונה שהיכולות האלה מגיעות לאפליקציות שאנשים משתמשים בהן כל יום.

זמינות

ארגונים שמשלמים על רישיון Microsoft 365 Copilot מקבלים את העדכונים כחלק מהמנוי הקיים, בלי תוספת. Excel ו-Word זמינים מיד. PowerPoint ו-Outlook מתגלגלים בשבועות הקרובים.

בין ההדגמה לשולחן העבודה

ההכרזה של Wave 3 מרשימה. Copilot שבונה מודלים פיננסיים ומנהל יומן לבד נשמע כמו שדרוג של ממש. אבל ההיסטוריה של Copilot מלמדת שהפער בין הדגמה מלוטשת לשימוש יומיומי אמיתי יכול להיות גדול. ארגונים שכבר משלמים על הרישיון ומקבלים את היכולות האלה ללא עלות נוספת ירצו לבדוק דבר אחד: כמה מהעדכונים האלה באמת משתלבים בעבודה, ולא רק נראים טוב בסרטון.

בחלק השני בסדרה נעסוק בחידוש שמשנה את המבנה של Copilot מהיסוד: סוכן AI חדש בשם Copilot Cowork, שנבנה בשותפות עם Anthropic ורץ על מודל Claude Opus 4.6, והאפשרות לבחור לראשונה איזה מודל AI ירוץ מאחורי הכלים שלכם.

הפוסט Copilot של מיקרוסופט עובר לעבוד בתוך הקבצים שלכם הופיע ראשון בLet's AI בינה מלאכותית

קווים אדומים מול דרישות ממשלתיות

הסיפור החל כאשר Anthropic, שסיפקה לפנטגון את מודל Claude לשימושים מסווגים, נכנסה למו״מ על עדכון תנאי ההתקשרות. Claude כבר היה חלק מרכזי במערכות מודיעין וניתוח מבצעי, כולל בהקשרים הקשורים למבצעים מול איראן, עובדה שהפכה את המשא ומתן לרגיש במיוחד.

בשלב הזה התברר שהפערים בין הצדדים עמוקים. Anthropic התעקשה על שני קווים אדומים: איסור שימוש בטכנולוגיה למעקב המוני אחרי אזרחים אמריקאים, ואיסור שילוב המודל בנשק אוטונומי קטלני. מבחינת החברה, אלו אינם סעיפים טכניים אלא עקרונות יסוד.

מנגד, הפנטגון ביקש נוסח רחב בהרבה שלפיו ניתן יהיה להשתמש בטכנולוגיה לכל מטרה חוקית. זה ניסוח מקובל בחוזים ממשלתיים, אבל בהקשר של AI מתקדם הוא מעורר שאלות מורכבות, משום שהגדרת חוקי עשויה להשתנות בין ממשלים והמשמעות המעשית של ההגדרה אינה תמיד ברורה. כאן נוצרה נקודת השבר.

מהלך חריג שמסמן אובדן אמון

לאחר ש‑Anthropic סירבה לוותר על הקווים האדומים שהציבה, המשא ומתן קרס. בתוך שעות ספורות הנשיא דונלד טראמפ הורה לכל הסוכנויות הפדרליות להפסיק להשתמש בטכנולוגיות של החברה, ושר ההגנה פיט הגסת' (Pete Hegseth) הכריז עליה כסיכון בשרשרת האספקה.

זה צעד חריג שמבטא לא רק מחלוקת חוזית אלא גם אובדן אמון עמוק. ההחלטה עוררה הד תקשורתי מיידי, בין היתר משום שהטכנולוגיה של Anthropic כבר הייתה משולבת עמוק במערכות מסווגות והחלפתה אינה תהליך פשוט.

OpenAI נכנסת לתמונה

אל תוך הוואקום שנוצר נכנסה OpenAI. מנכ״ל החברה, סם אלטמן (Sam Altman), חתם על הסכם חלופי עם הפנטגון כמעט מיד לאחר קריסת המו״מ עם Anthropic. מבחינה עסקית זה היה מהלך מהיר ומחושב - OpenAI זכתה בחוזה משמעותי, והפנטגון קיבל המשכיות תפעולית ללא עיכובים.

עם זאת, המהלך עורר שאלות. חלק מהמבקרים תהו האם OpenAI העניקה לממשל גישה רחבה מדי לטכנולוגיה שלה. אלטמן טען שההסכם כולל מנגנוני הגנה טכניים שמונעים שימוש לרעה, ושאין פער מהותי בין עמדת OpenAI לבין הקווים האדומים שהציבה Anthropic.

אלא שהניסוח המשפטי של החוזה, המאפשר שימוש בטכנולוגיה לכל מטרה חוקית, מותיר מקום לפרשנות. מומחים ציינו כי גם אם קיימים מנגנוני הגנה טכניים, הם אינם תחליף למגבלות משפטיות ברורות, במיוחד בסביבה שבה חוקים ונהלים עשויים להשתנות.

התגובה של Anthropic

ב‑Anthropic ראו במהלך לא רק פער מקצועי אלא גם פער עקרוני. מנכ״ל החברה, דריו אמודיי (Dario Amodei), הפיץ לעובדיו מכתב פנימי שבו טען שההסכם של OpenAI מציג תיאטרון בטיחות, כלומר מנגנוני הגנה שנראים טוב כלפי חוץ אך אינם מספקים הגנה אמיתית לאורך זמן.

אמודיי גם ביקר את האופן שבו הוצג ההסכם לציבור, וטען שהמסרים סביבו מבלבלים ואף לא מדויקים. המכתב דלף במהירות לתקשורת והפך את המחלוקת העסקית למאבק פומבי בין שתי החברות.

חשוב להדגיש שחלק מהטענות ההדדיות אינן ניתנות לאימות מלא. מדובר בתחום שבו חלק מהמידע מסווג וחלק אחר מבוסס על הצהרות פומביות, הדלפות ומסרים של יחסי ציבור. מה שכן מאומת הוא עצם קריסת המו״מ, הצעדים הממשלתיים שננקטו בעקבותיו והעובדה ש‑OpenAI אכן קיבלה את החוזה החלופי.

חזרה לשולחן המו"מ

למרות העימות הפומבי, Anthropic מצאה את עצמה במצב מורכב. מצד אחד היא עמדה על עקרונותיה, ומצד אחר איבדה חוזה משמעותי והסתכנה בפגיעה ארוכת טווח במעמדה מול הממשל.

לכן, ב‑5 במרץ, דריו אמודיי חזר לשולחן המו״מ בניסיון למצוא פתרון ביניים. האפשרויות שנבחנות כוללות תקופת מעבר של שישה חודשים או נוסח פשרה שיאפשר המשכיות מבצעית. לפי דיווחים, השיחות מתקיימות מול אמיל מייקל (Emil Michael), תת שר ההגנה למחקר והנדסה, ומטרתן למנוע זעזוע תפעולי במערכות שכבר מסתמכות על Claude.

הציבור מגיב

במקביל, הציבור הגיב במהירות. אפליקציית קלוד זינקה למקום הראשון בחנות האפליקציות של אפל בארצות הברית, עם מאות אלפי הורדות ביום אחד. שיעור המשתמשים הפעילים עלה בעשרות אחוזים, ומספר המנויים בתשלום הוכפל - בין היתר בעקבות ההשקות של Claude CoWork והנגשת יכולות הקוד גם למשתמשים שאינם טכניים.

מנגד, מספר גדול של משתמשי ChatGPT הסירו את האפליקציה מהטלפון או ביטלו חשבון/מנוי (וזה אל מול המספר של שבירת שיא משתמשים פעילים). קשה לדעת אם מדובר בתגובה רגשית קצרה או בתחילתה של מגמה ארוכת טווח, אך ברור שהעימות הפוליטי והעסקי השפיע גם על התפיסה הציבורית.

סיפור שעדיין נכתב

הסיפור הזה רחוק מסיום. זה סיפור מרתק שמשלב טכנולוגיה מתקדמת, שיקולים מוסריים, אינטרסים עסקיים, לחצים פוליטיים ומידע מסווג, תמהיל שמבטיח מציאות מורכבת יותר מכל הצהרה פומבית.

מה שכבר ברור הוא שהאירועים האחרונים מציבים מחדש את השאלה כיצד חברות AI צריכות לפעול כשהן הופכות לספקיות של תשתיות ביטחוניות, ומה קורה כאשר עקרונות טכנולוגיים נבחנים מול מציאות פוליטית.

בינתיים, הפנטגון, Anthropic ו‑OpenAI ממשיכים לנהל את המאבק על עיצוב גבולות השימוש ב‑AI צבאי. ההכרעות שיתקבלו בחודשים הקרובים עשויות להשפיע לא רק על החברות עצמן אלא על כל התעשייה, ואולי גם על האופן שבו מדינות יפעילו בינה מלאכותית בעתיד.

הפוסט המאבק על חוזי ה‑AI של הפנטגון מפגיש אתיקה, פוליטיקה, ביטחון לאומי ויריבות עסקית הופיע ראשון בLet's AI בינה מלאכותית

האתגרים שממשיכים ללוות את מודלי השפה

למרות ההתקדמות המרשימה של הדורות הקודמים, משתמשים המשיכו להיתקל בשלוש תופעות שחוזרות שוב ושוב ומפריעות לשימוש יומיומי חלק. הראשונה היא סירובים לא נחוצים, אותם רגעים שבהם המודל נמנע מלהשיב גם כשאין לכך סיבה ממשית.

השנייה היא טון מגונן או מטיף, שמופיע לעיתים גם בבקשות פשוטות ויוצר תחושה של הרצאה במקום שיחה טבעית.

השלישית היא הזיות, כלומר תשובות שנשמעות בטוחות אך אינן נכונות. עבור ארגונים שמסתמכים על מודלים בתהליכי עבודה, כל אחת מהתופעות הללו מייצרת עלות: זמן בדיקה, תיקונים, ולעיתים גם מבוכה מול לקוחות.

הפתרון של GPT‑5.3 Instant

GPT‑5.3 Instant פותח כדי להתמודד ישירות עם נקודות הכאב שהמשתמשים חווים כבר שנים. OpenAI מציגה אותו כמודל שמעדיף דיאלוג זורם על פני נוקשות, ושם את הדגש על אמינות במקום על ביטחון עצמי שאינו מגובה בנתונים. המטרה היא להפוך את השיחה עם המודל לפחות מאומצת ויותר אינטואיטיבית.

ירידה בהזיות

בהערכות פנימיות של OpenAI נמדדה ירידה משמעותית בהזיות: 26.8 אחוז בתרחישי סיכון גבוה כשהמודל משתמש ב‑web, ו‑19.7 אחוז כשהוא מסתמך על הידע הפנימי בלבד. גם בהערכות מבוססות משתמשים נרשמה מגמה דומה, עם ירידה של 22.5 אחוז בעת שימוש ב‑web ו‑9.6 אחוז ללא web. הנתונים מצביעים על שיפור ממשי ביכולת של המודל להימנע מתשובות שגויות שנשמעות בטוחות מדי.

הפחתת סירובים לא נחוצים

המודל החדש מפחית סירובים ומוותר על שכבות של הסתייגויות שאינן תורמות לשיחה. הוא נוטה לענות בצורה ישירה וברורה יותר, ומציג טון ענייני ופחות מתגונן. TechRadar תיאר את השינוי כמודל “פחות קרינג’”, ניסוח שממחיש היטב את השיפור בתחושת השיחה.

שיפור ביכולות החיפוש

במקום להחזיר רשימת לינקים יבשה, GPT‑5.3 Instant מספק הקשר רחב יותר: הוא מסביר מה חשוב, מדגיש את המידע הרלוונטי, ומחבר בין תוצאות מה‑web לבין הידע הפנימי שלו. התוצאה היא תשובה שמרגישה שלמה יותר, ולא אוסף מקורות מפוזר.

GPT-5.3 Instant also has fewer unnecessary refusals and preachy disclaimers. pic.twitter.com/wX6wh5Aynp

— OpenAI (@OpenAI) March 3, 2026

מודל שמעדיף להודות כשהוא לא יודע

ה-System Card של GPT‑5.3 Instant מצביע על שיפור ברור ביכולת לזהות מצבים שבהם חסר מידע, לעצור, ולבקש הבהרה במקום לנסות להשלים פערים באמצעות ניחוש. זהו שינוי התנהגותי משמעותי, משום שמודל שמסוגל להודות בחוסר ודאות הוא מודל שאפשר לבסס עליו תהליכי עבודה אמינים יותר. במקום לייצר תשובה שנשמעת בטוחה אך אינה מבוססת, הוא בוחר להאט, לשאול, ולדייק.

OpenAI מציינת שהמודל שומר על אורך תשובות דומה לדור הקודם, אך התוכן עצמו מדויק יותר, מחובר יותר להקשר ומותאם טוב יותר לצרכים של המשתמש. השילוב בין זהירות במקום הנכון לבין בהירות בתשובה יוצר חוויית שימוש יציבה יותר, כזו שמפחיתה טעויות ומעלה את רמת האמון בשיחה.

השוואה לדור הקודם

GPT‑5.2 Instant, שהושק בפברואר 2026, כבר שיפר את הסגנון והדיוק והציג תשובות מדודות וממוקדות יותר. GPT‑5.3 Instant מרחיב את המגמה הזו ומוסיף לה שכבת עומק התנהגותית. בעוד GPT‑5.2 התמקד בעיקר ב"איך לנסח טוב יותר", GPT‑5.3 מתמקד ב"איך לדבר טוב יותר". זה מעבר מהנדסה של טקסט להנדסה של חוויה, שינוי שממקם את השיחה עצמה במרכז.

למי זה זמין

OpenAI החלה להטמיע את GPT‑5.3 Instant כברירת המחדל בשיחות ב‑ChatGPT, במהלך rollout הדרגתי שמגיע בהמשך לכלל המשתמשים המחוברים. בסביבות ארגוניות כמו ChatGPT Enterprise ו‑Edu המודל כבוי כברירת מחדל, ומנהלים צריכים להפעיל אותו ידנית דרך Early Model Access. ב‑API המודל זמין תחת השם gpt‑5.3‑chat‑latest, עם חלון הקשר של 128,000 טוקנים.

הקשר תחרותי

ההשקה של GPT‑5.3 Instant מגיעה בתקופה שבה התחרות בין OpenAI, Google ו‑Anthropic מתחדדת, וכל אחת מהחברות מציגה תפיסה שונה לגבי מהי אינטליגנציה שימושית בעידן של מודלים גדולים.

Google ממשיכה להתמקד ביעילות וביכולת להתמודד עם עומסים גבוהים, עם מודלים כמו Gemini 3.1 Flash‑Lite שנבנו כדי לשרת כמויות עצומות של בקשות בעלות נמוכה ומהירות גבוהה. אלו מודלים שמכוונים בעיקר לתפוקה, לא בהכרח לניהול שיחה עשירה או רבת הקשר.

Anthropic בוחנת כיוון אחר לגמרי ומתמקדת בעומק. בדגמים כמו Claude Opus 4.6 ו‑Sonnet 4.6 החברה מנסה להרחיב את גבולות הקונטקסט, עם חלונות של עד מיליון טוקנים בתצורות בטא. היכולת הזו מתאימה למשימות ארוכות, עבודה עם סוכנים ותהליכי תכנון מורכבים שבהם נדרש להבין ולשמר כמויות גדולות של מידע לאורך זמן.

OpenAI מציגה גישה שלישית. במקום להתחרות על המהירות הגבוהה ביותר או על חלון הקשר הגדול ביותר, GPT‑5.3 Instant מתמקד בחוויית השיחה עצמה. הוא נועד להיות המודל שהכי קל ונעים לעבוד איתו, כזה שמפחית חיכוך, מגיב באופן טבעי ומספק תשובות אמינות יותר. זהו כיוון שממקם את איכות האינטראקציה במרכז, ולא רק את היכולות הטכניות.

למה זה חשוב עכשיו

GPT‑5.3 Instant מסמן שינוי כיוון ברור. במקום להתמקד בשאלה מי המודל החכם ביותר, OpenAI מעבירה את מרכז הכובד לשאלה מי המודל השימושי ביותר בפועל. הגישה הזו מתבטאת בשורה של שיפורים התנהגותיים. 

המשמעות של השינוי הזה גדלה עוד יותר על רקע היקף השימוש הנוכחי. לפי נתוני OpenAI, הצ׳אט שלהם הגיע ל-900 מיליון משתמשים פעילים בשבוע, לצד 50 מיליון מנויים משלמים, זינוק של מאה מיליון משתמשים מאז סוף 2025. בקנה מידה כזה, כל שיפור קטן בחיכוך השיחתי מתורגם להשפעה עצומה על פרודוקטיביות וחוויית שימוש. בעולם שבו מודלים הופכים לחלק מהעבודה היומיומית של מאות מיליוני אנשים, שדרוג כזה מורגש בכל אינטראקציה.

הפוסט GPT‑5.3 Instant מתמקד בחוויית השימוש הופיע ראשון בLet's AI בינה מלאכותית

NotebookLM, כלי המחקר של גוגל שהתפרסם בזכות יכולתו להפוך הררי מסמכים לפודקאסטים קוליים, עושה כעת קפיצת מדרגה משמעותית לעולם הוויזואלי. החל מתחילת מרץ 2026, המערכת מציעה 10 סגנונות עיצוב חדשים ליצירת אינפוגרפיקות - שדרוג מהותי ליכולת הבסיסית שהושקה בנובמבר 2025. מה שהתחיל כפורמט גנרי ובודד, הבשיל לכלי פרקטי המאפשר התאמה אישית אמיתית.

Custom styles for Infographics are rolling out TODAY!

With 10 (!) preset options and the ability to create your own, choose from editorial, clay, brick, fan favorite kawaii , and more! Turn your complex source material into beautiful, easy-to-read visuals with a single click. pic.twitter.com/7xZTXohq9u

— NotebookLM (@NotebookLM) March 2, 2026

עשרה סגנונות, כל אחד עם שפה ויזואלית אחרת

הסגנונות מכסים טווח רחב. בצד המקצועי יש Instructional, שמציע פריסה של שלבים למדריכים ותהליכים, Professional עם עיצוב נקי ועסקי, ו-Scientific שבנוי כמו עמוד בספר לימוד ומתאים לתוכן חינוכי. Editorial מביא עיצוב בהשראת עיתונות מגזינית, ו-Sketch מדמה ציור ביד למי שמחפש אווירה פחות פורמלית.

בצד המשחקי יש Kawaii, שובב וקליל, Anime עם ויזואליה בסגנון אנימציה יפנית, ו-Clay שמייצר מראה תלת-ממדי בסגנון פלסטלינה. Bento Grid מחלק את המידע לקטעים מסודרים כמו קופסת בנטו, ו-Bricks מציע עיצוב בלוקי בהשראת לגו.

מעבר לעשרת הסגנונות הקבועים, יש שתי אפשרויות נוספות: Auto-select, שבה המערכת בוחרת את הסגנון לפי התוכן, ו-Custom, שמאפשרת לתאר בטקסט חופשי את העיצוב הרצוי.

איך זה עובד בפועל

התהליך פשוט ומוכר למי שעובד עם NotebookLM באופן קבוע. מעלים מסמכים לאיזור המקורות (Sources), בוחרים דרך הסטודיו (Studio) ביצירת אינפוגרפיקה, ואז בוחרים סגנון. המערכת מנתחת את התוכן ומייצרת אינפוגרפיקה שמסדרת את המידע בצורה ויזואלית. אפשר להגדיר גם כיוון (לרוחב, לאורך או ריבוע), רמת פירוט ושפה.

לבחור אינפוגרפיקה דרך איזור הסטודיו

בסגנון Custom, המשתמש מתאר בטקסט חופשי מה הוא רוצה, למשל "אינפוגרפיקה בצבעי פסטל עם אייקונים מינימליסטיים", והמערכת מייצרת עיצוב בהתאם. אפשרות שימושית למי שרוצה להתאים את התוצר למיתוג קיים או לסגנון ספציפי.

אפשר לבחור סגנון מובנה וגם לתאר מה אתם רוצים

התוכן של האינפוגרפיקה נשאב אך ורק מהמסמכים שהמשתמש העלה. NotebookLM לא מושך מידע מהאינטרנט ולא ממציא נתונים. האינפוגרפיקה שתקבלו משקפת את החומר שלכם, לא פרשנות חופשית של מודל שפה. זו הבטחה שמלווה את הכלי מהיום הראשון, והיא תקפה גם כאן.

למי זה מועיל

הסגנונות השונים פותחים את הכלי לשימושים שעד עכשיו דרשו עבודה עם כלי עיצוב נפרד. מורה שרוצה להפוך פרק בספר לימוד לחומר ויזואלי יכול לבחור Scientific. מנהלת שיווק שמכינה ניוזלטר תמצא את Professional או Editorial מתאימים. סטודנט שמסכם מאמר אקדמי יכול לבחור Instructional ולקבל סיכום ויזואלי מיידי. גם עצמאים ובעלי עסקים קטנים יכולים להפיק תועלת כמו העלאה של מסמך אסטרטגיה כאינפוט וקבלת אינפוגרפיקה מסודרת למצגת כאאוטפוט, בלי לפתוח תוכנת עיצוב.

השימוש הבולט הוא בהפיכת מסמכים ארוכים לתמצית ויזואלית. במקום לקרוא דוח שלם, אפשר לייצר אינפוגרפיקה שמציגה את הנקודות המרכזיות בעמוד אחד. זה לא תחליף לקריאה מלאה, אבל דרך טובה לקבל תמונה ראשונית, להציג תובנות בצורה ויזואלית וממוקדת או לשתף ממצאים.

זמינות

הפיצ'ר הבסיסי של אינפוגרפיקות זמין לכלל המשתמשים. 10 סגנונות העיצוב החדשים מתגלגלים בהדרגה ועדיין לא נגישים לכולם. גוגל הכריזה עליהם רשמית ב-2 במרץ 2026 דרך חשבון NotebookLM ב-X.  באפליקציית המובייל של NotebookLM ב-Android וב-iOS אפשר כבר מפברואר 2026 ליצור ולהתאים אינפוגרפיקות. חלק מהפיצ'רים האחרים, כמו Mind Map ו-Data Table, עדיין חסרים באפליקציה.

מכלי סיכום לכלי הצגה

מה שהתחיל ככלי טקסט בלבד, כבר מזמן הופך מסמכים לפודקאסטים והתגלה כאחד הכלים הטובים של גוגל. במהלך 2025 הוא הוסיף וידאו, שקפים, אינפוגרפיקות וטבלאות נתונים. סגנונות העיצוב של מרץ 2026 ממשיכים בדיוק את אותו הכיוון: הכלי כבר יודע לעבד מידע - ועכשיו הוא לומד גם להציג אותו בצורה יפה.

עד כמה הוא באמת יכול להחליף מעצב? לאינפוגרפיקה אוטומטית יש מקום מצוין בניוזלטר פנימי, בסיכום מחקר או בדשבורד מהיר. אבל כשמדובר בתוצר שפונה ללקוחות - עדיין יש פער. מעצב אמיתי מביא טעם, הבנה של מיתוג, רגש והקשר - דברים ש-AI עדיין מחקה, לא ממציא.

בינתיים, עבור רובנו המוחלט שלא זקוק למעצב צמוד לכל משימה - מדובר בשדרוג נהדר, חינמי וקל לתפעול שפשוט חוסך שעות של עבודה.

הפוסט NotebookLM של גוגל מציג 10 סגנונות אינפוגרפיקה חדשים הופיע ראשון בLet's AI בינה מלאכותית

"תהיה תמציתי." זו כנראה ההנחיה הנפוצה ביותר שאנשים כותבים כשהם מקבלים תשובה ארוכה מדי מ-ChatGPT. והיא כמעט אף פעם לא עובדת. לא בגלל שהמודל מתעלם, אלא בגלל שאין לו מושג מה "תמציתי" אומר בעיניכם. בשבילו, תמציתי זה אולי לגלח כמה מילים ולהמשיך הלאה. בשבילכם, זה משפט אחד ישר לעניין. מי שהשתמש ב-ChatGPT או ב-Claude מכיר את המבנה: פתיחה ארוכה שלא מוסיפה כלום, אחריה הסתייגויות זהירות, ואז סיכום שחוזר על מה שכבר נאמר. התשובה בפועל קבורה באמצע, בין כל השכבות שמסביב. יש שיטה לתקן את זה, והיא עובדת בשלוש שכבות: לפני השיחה, בתוכה, ואחריה.

למה AI כותב יותר מדי

כדי להבין את הפתרון, שווה להבין את הבעיה. מודלי AI מאומנים על כמויות עצומות של טקסט מהאינטרנט, שמטבעו נוטה לאורך. בנוסף, בשלב האימון שבו בני אדם מדרגים תשובות (למידה מפידבק של בני אנוש או RLHF), תשובות ארוכות יותר קיבלו שוב ושוב ציונים גבוהים יותר. התוצאה היא שהמודל פיתח הרגל עמוק שקשה לעקור - יותר מילים שווה ציון טוב יותר.

"שחיקת זיכרון" או "קריסת ההקשר"

ויש בעיה נוספת שרוב האנשים לא שמים לב אליה. ככל שהמודל מייצר יותר טקסט, מה שהוא מחזיק בזיכרון הפעיל מתמלא ברעש. אחרי עשר עד חמש עשרה הודעות בשרשור ארוך, המודל פשוט פחות חד. לא כי הוא "עייף", אלא כי הוא טובע בתוך המלל שהוא עצמו יצר, כלומר, ככל שאתם מנהלים עם ה-AI שיחה ארוכה יותר באותו חלון, כך הוא 'זוכר' יותר מילים מיותרות מהעבר ומתחיל לאבד את הפוקוס שלו. התוצאה: התשובות הופכות לפחות חכמות ופחות מדויקות.

שכבה ראשונה: לקבוע כללים מראש

הדרך הכי יעילה לקצר תשובות היא לקבוע כללים לפני שהשיחה מתחילה. ChatGPT, Claude ו-Gemini מאפשרים להגדיר הנחיות קבועות שהמודל קורא לפני שהוא עונה לכם. אפשר לעשות את זה בתוך הפרויקטים (Projects) של הבוטים, דרך Custom GPTs, Gemini Gems, וכמובן דרך Custom Instructions שנמצאים בהגדרות הראשיות של החשבון. שני עקרונות עובדים כאן:

הראשון - הגדרות מדויקות, לא מעורפלות. במקום "תהיה תמציתי", כתבו: "שאלות פשוטות - תשובה של משפט עד שניים. שאלות בינוניות - שלושה עד חמישה משפטים. שאלות מורכבות - פסקה אחת ומקסימום חמש נקודות." ההבדל: במקום מילה סובייקטיבית שהמודל מפרש לבד, נתתם לו מספרים. הוא לא צריך לפרש מה אתם רוצים, רק למלא.

השני - הנחיות חיוביות, לא שליליות. "אל תכתוב הקדמות ארוכות" לא עובד כמו שחושבים. נסו להגיד למישהו "אל תחשוב על סוס ורוד" - הדבר הראשון שקורה הוא שהסוס הורוד קופץ לראש. עם AI זה אותו דבר. הנחיה שלילית לפעמים מושכת את תשומת הלב דווקא לדבר שניסיתם למנוע. מה כן עובד: "התחילו ישר בתשובה", "כתבו משפטים קצרים והצהרתיים", "פתחו בנקודה הכי חשובה." כיוון ברור (״מה כן״) תמיד יעיל יותר מהנחיה מעורפלת.

שכבה שנייה: לכפות פורמט

גם עם כללים ברקע, ההנחיה הספציפית שכותבים משפיעה על אורך התשובה. הטריק הוא לכפות על המודל פורמט שלא מאפשר יותר מדי מלל. פורמטים כמו טבלאות ורשימות מוגבלות לא משאירים מקום להרחבות מיותרות, סיכומים או משפטי גישור - הם מכריחים את המודל להגיש מידע רלוונטי ונקודתי.

למשל, במקום לשאול "מה ההבדלים בין העסקת צוות שיווק פנימי לבין סוכנות חיצונית?" כתבו "בנה טבלת השוואה עם העמודות האלה: עלות, שליטה, מהירות, מומחיות." במקום "תסביר לי את הנושא" בקשו "רשימה של מקסימום חמישה סעיפים, עד 20 מילים לכל אחד." אפשר גם לבקש שלבים ממוספרים עם הגבלת משפטים בכל שלב. העיקרון הוא שברגע שקובעים מסגרת, אין מקום לרעש.

שכבה שלישית: לתקן בדיעבד

לפעמים עשיתם הכל נכון, והתשובה עדיין ארוכה מדי. אפשר לתקן גם אחרי שהתשובה הגיעה.

כתבו בצ׳אט: "קצרו ב-50%, הסירו כל הכללה, השאירו רק משפטים קצרים וחדים." שלושה דברים ספציפיים: כמה לקצר, מה להסיר, ואיך לכתוב. הנחיה מדידה עובדת הרבה יותר טוב מ-"תקצר."

כלי מחקר מעמיק

כשמדברים על כלי מחקר מעמיק כמו Deep Research, אלה נוטים כברירת מחדל להפיק דוחות מפורטים, משום שהם מיועדים לאיסוף רחב של מקורות, הצלבה והצגת הקשר מלא ולא רק לספק תשובה קצרה, אבל אין כאן מנגנון שמחייב אורך ואי אפשר לשלוט בו, וברוב המקרים ניתן מראש לבקש תקציר, להגדיר אורך רצוי או להתמקד בממצאים מעשיים בלבד.

אם כבר התקבל דוח ארוך מדי, דרך יעילה היא להעתיק אותו לשיחה חדשה ולהנחות את המודל לחלץ רק מסקנות יישומיות ולהסיר רקע, משום ששינוי ההקשר מגדיר מחדש את מטרת העיבוד ומחדד את הפלט, ולפעמים, כאשר השאלה ממוקדת ופשוטה, חיפוש רגיל עם מודל מתקדם עשוי לספק תוצאה איכותית ותמציתית דומה, אך בנושאים מורכבים או כאלה הדורשים הצלבת מקורות שיטתית, כלי מחקר ייעודי עשוי להניב תוצאה מקיפה ומדויקת יותר.

איפה מעדכנים את הכללים

איפה לכתוב את הכללים מהשכבה הראשונה? יש שתי אפשרויות - בתוך פרויקט ספציפי (כמו GPT מותאם או Claude Project) או בהגדרות הכלליות של החשבון.

הנחיות בהגדרות הכלליות של החשבון

ההמלצה היא להתחיל מההגדרות הכלליות. כשכותבים כללים בתוך פרויקט ספציפי, הם עובדים רק כשפותחים את הפרויקט הספציפי. כשכותבים אותם ב-Custom Instructions של ChatGPT או Claude, שנמצאים ישר בהגדרות הראשיות, הם חלים אוטומטית על כל שיחה. אין צורך לזכור לעבור לכלי הנכון, אין חיכוך והבסיס אחיד.

הנחיות בתוך פרויקט ספציפי או ״סביבה מבודדת״

מה עושים עכשיו

הצעד הראשון לוקח דקה. היכנסו להגדרות של המודל הקרוב לביתכם, כנסו ל-Custom Instructions, וכתבו שם שלושה כללים ברורים: הגדרת אורך לשאלות פשוטות, הגדרת אורך לשאלות מורכבות, והנחיה להתחיל ישר בתשובה. אחרי זה, בפעם הבאה שהתשובה עדיין ארוכה מדי, תגדירו פורמט מועדף או חדדו בדיוק מה אתם רוצים. שלוש שכבות, כל אחת עובדת לבד, וביחד ההבדל מורגש מיד.

הפוסט איך לגרום ל-AI לענות קצר ולעניין 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

למה בכלל מערכות מרובות-סוכנים

בעולם ה-AI מתרחש בשנה האחרונה מעבר ממודלים בודדים למערכות שמפעילות כמה מודלים במקביל. הרעיון פשוט - במקום מודל אחד שמנסה לעשות הכול, מערכת רב-סוכנית מחלקת את העבודה בין מודלים שונים, שכל אחד מהם מותאם למשימה אחרת - מחקר, קוד, עיצוב או ניתוח נתונים. הגישה הזו מאפשרת להריץ תהליכים מורכבים בצורה יעילה יותר, והיא הופכת בהדרגה לסטנדרט החדש בפיתוח מערכות AI מתקדמות.

כפתור הפעלת ה‑Computer

איך זה עובד

בלב המערכת עומד מודל ניתוב בשם Claude Opus - מודל הדגל של Anthropic - שמשמש את Perplexity לבחירת המודל המתאים לכל תת-משימה. כשמשתמש מגדיר מטרה, Opus מפרק אותה למשימות ותת-משימות, בוחר מתוך תשע עשרה מודלים זמינים, ומפעיל סוכנים שרצים בו-זמנית. כל סוכן פועל בסביבה מבודדת עם דפדפן Comet (הדפדפן של פרפלקסיטי), מערכת קבצים אמיתית, גישה לרשת ומאות חיבורים לשירותים כמו Github, Slack ו-Notion.

המערכת שומרת זיכרון מתמשך בין הפעלות, כך שהיא זוכרת פרויקטים קודמים, העדפות וקבצים. הרעיון הוא לארוז לתוך שירות ענן אחד את מה שמשתמשים מתקדמים כבר מנסים לעשות לבד: לחבר כלים, לשלוח AI למחקר, לקוד, לעיצוב ולפריסה, בלי שיצטרכו לתאם הכל בעצמם.

ממשק ה‑Computer: נקודת הכניסה למשימות מורכבות בענן

מה שונה כאן

Perplexity Computer מייצג שינוי כיוון ביחס לדור הקודם של כלים כמו ChatGPT או Claude, שפעלו בעיקר כמודל יחיד עם יכולות הרחבה. במקום "מודל חכם אחד", פרפלקסיטי מציגה מערכת שמנהלת תהליך שלם של פירוק משימות, בחירת מודלים, הרצת סוכנים במקביל ושילוב התוצרים. זה ניסיון להפוך את ה-AI מכלי שמגיב לפקודות - למערכת שמבצעת פרויקטים שלמים.

מגוון תרחישי שימוש

פרפלקסיטי מציגה מגוון תרחישי שימוש רשמיים עבור Perplexity Computer, ובהם מחקר מעמיק, יצירת קוד, הפקת תוכן וניתוח נתונים. בהדגמות שפרסמה החברה נראים סוכנים שפועלים במקביל לביצוע מספר תת-משימות, כמו איסוף מידע, יצירת מסמכים או בניית ממשקים.

מנכ"ל פרפלקסיטי, Aravind Srinivas, תיאר את המערכת: "Computer unifies every current capability of AI into a single system." חשוב לציין שהדגמות אלו מגיעות מהחברה עצמה, והסיקור התקשורתי הראשוני מאשר את תיאור המוצר אך מדגיש שבדיקות ביצועים עצמאיות עדיין לא פורסמו.

תמחור ומודל השימוש

Perplexity Computer זמין מיידית למנויי Max של פרפלקסיטי, במחיר מאתיים דולר בחודש ליחידים ושלוש מאות עשרים וחמישה דולר למנוי ארגוני שכולל פיצ'רי אבטחה נוספים.

מנויי Max מקבלים עשרת אלפים קרדיטים חודשיים, ובונוס חד-פעמי של עשרים אלף קרדיטים שתקף לשלושים יום. מנויי Pro, בעשרים דולר בחודש, יקבלו גישה בהמשך.

מודל הקרדיטים נועד לשקף את עלות השימוש בפועל. כל פעולה של סוכן - כמו הרצת מודל, טעינת דפדפן או שימוש בחיבור חיצוני - צורכת כמות מסוימת של קרדיטים. המשתמשים יכולים לבחור מודלים שונים לסוכנים שונים ולהגדיר תקרת הוצאה כדי לשלוט בשימוש. זהו מודל נפוץ בשירותי AI מתקדמים, שמאפשר להפעיל משימות מורכבות בלי להתחייב למשאבים קבועים מראש.

המחיר מציב את Perplexity Computer ברמת תמחור גבוהה בהשוואה לשירותי AI צרכניים אחרים, בהתאם למודל השימוש-לפי-צריכה שמציעה החברה.

אבטחה, פרטיות ומגבלות

לפי פרפלקסיטי, כל סוכן פועל בסביבה מבודדת (sandbox) עם גישה מבוקרת לקבצים ולרשת. החברה מדגישה שהמערכת בנויה על תשתית הענן שלה, הכוללת שכבות אבטחה, הפרדת תהליכים ושמירה על נתוני משתמשים. מאחר שהמערכת פועלת בענן בלבד, פרפלקסיטי מציינת כי היא מתוכננת לעמוד בסטנדרטים המקובלים של אבטחת מידע עבור שירותי SaaS.

פרפלקסיטי מדגישה כי Perplexity Computer פועל כולו בענן, ללא אפשרות להרצה מקומית או עבודה במצב לא מקוון. המשמעות היא שהמערכת דורשת חיבור אינטרנט רציף, ושכל המשימות מתבצעות על גבי תשתית החברה. בנוסף, החברה מציינת כי מדובר בשירות חדש שנמצא בשלבי אימוץ מוקדמים, וכי יכולות נוספות יתווספו בהמשך.

בין חזון הענן לשליטה המקומית

שירותים אחרים בשוק מציעים גישות שונות להפעלת מערכות AI. לדוגמה, Claude Cowork של Anthropic פועל במודל יחיד עם אינטגרציה למחשב המקומי, בעוד פרויקטים בקוד פתוח מאפשרים הרצה מקומית של מודלים. Perplexity Computer מציג גישה הפוכה: מערכת רב-מודלית שמופעלת כולה בענן ומבצעת אורקסטרציה בין מודלים שונים. ההבדלים בין הגישות משקפים בחירה בין גמישות עננית לבין שליטה מקומית, אך נכון לעכשיו אין עדיין השוואות ביצועים עצמאיות שמאפשרות להעריך את היתרונות המעשיים של כל מודל. מה שכן ברור הוא שהמרוץ למערכות רב‑סוכנית רק מתחיל, ו‑Perplexity Computer מציבה בו את אחד הניסיונות השאפתניים והמעניינים ביותר עד כה.

הפוסט Perplexity Computer מציגה את חזון הענן של 2026 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

כשקיצור דרך הופך לנשק

דיסטילציה היא לא המצאה סינית. מעבדות משתמשות בה כבר שנים על מודלים שלהן עצמן: מאמנים מודל קטן על הפלטים של מודל גדול, וכך מקצרים את הדרך ליכולות שבעבר דרשו זמן רב ומשאבי עיבוד משמעותיים. זו פרקטיקה לגיטימית, יעילה ונפוצה. הבעיה מתחילה כשהיא מתבצעת על מודל של גורם אחר, ללא הסכמה ובקנה מידה תעשייתי.

אנטרופיק טוענת שהנזק כאן אינו רק מסחרי אלא גם ביטחוני. קלוד בנוי עם שכבות הגנה שמונעות ממנו לסייע בפיתוח נשק, בתכנון מתקפות סייבר ובמשימות שעלולות לסכן חיים. מודל שנוצר מדיסטילציה לא מורשית לא שומר על ההגנות האלה. ואם הוא נפתח לציבור, כפי שקורה עם חלק מהמודלים הסיניים, הסיכון כבר לא נשאר בתוך המעבדה.

הממים שהפכו את הסיפור למראה של התעשייה

אבל הסיפור לא נשאר רק במסמך של אנטרופיק. בתוך שעות, X התמלא בממים - לאו דווקא רק כבדיחה, אלא כתגובה אינסטינקטיבית של התעשייה. האינטרנט עשה מה שהוא עושה הכי טוב וזיקק את המורכבות לכמה תמונות חדות שהפכו את האירוע הזה למשהו רחב בהרבה מהאשמה טכנית.

מאחורי ההומור הסתתרה אמת לא נוחה - בעידן שבו כל מודל מאומן על דאטה ציבורי, השאלה מי בדיוק גונב ממי הופכת פחות ופחות ברורה.

כדי ללכוד את רוח השיח שהתפרץ סביב הפרסום, הנה כמה ממים בולטים - עדות תרבותית לרגע שבו התעשייה הסתכלה על עצמה במראה:

חלק מהממים (memes) שהציפו את X אחרי פרסום אנטרופיק

שלושה קמפיינים, שלוש אסטרטגיות

מה שמפתיע במסמך אינו רק קנה המידה אלא גם הפיזור. כל אחת מהמעבדות פעלה אחרת, וכשמחברים את שלושתן מתקבלת תמונה שיטתית.

DeepSeek ביצעה יותר מ‑150 אלף שיחות שהתמקדו בתהליכי החשיבה הפנימיים של קלוד, לא רק בפלט. זה הנכס שאנטרופיק השקיעה בו שנים ושאינו זמין בשוק הפתוח. בנוסף, DeepSeek ייצרה גרסאות מצונזרות לשאלות פוליטיות רגישות, כנראה כדי לאמן מודל שיוכל לעקוף מגבלות פנימיות בסין, לא רק להתחרות בחו"ל.

Moonshot AI, מפתחי Kimi, ביצעה 3.4 מיליון שיחות שהתמקדו ביכולות סוכנים, כלומר AI שפועל בעולם ולא רק עונה על שאלות. הפרט החריג שאנטרופיק מוסיפה הוא שניתן היה לקשר חלק מחשבונות ההונאה לפרופילים ציבוריים של עובדים בכירים בחברה. לא משתמשים אנונימיים, אלא אנשים עם שמות ותפקידים.

MiniMax ביצעה 13 מיליון שיחות. אנטרופיק זיהתה את הקמפיין בזמן אמת, עוד לפני שהמודל החדש הושק. כשאנטרופיק פרסמה עדכון לקלוד, MiniMax העבירה כמעט מחצית מהתעבורה שלה למודל החדש בתוך יממה. מישהו שם עקב מקרוב ופעל במהירות.

ביחד, שלושת הקמפיינים מציירים תמונה של מעצמת AI שלא רק מפתחת מודלים אלא גם סופגת יכולות ממודלים של אחרים.

על כל ראש שנחסם, שניים ממשיכים

אנטרופיק אינה מאפשרת גישה מסחרית לקלוד מסין. כדי לעקוף את המגבלה הזו, המעבדות השתמשו במה שהחברה מכנה Hydra clusters - רשתות פרוקסי שמפעילות אלפי חשבונות מזויפים בו זמנית. כשחשבון נחסם, אחר נכנס מיד במקומו. בשיא, אנטרופיק זיהתה רשת עם יותר מ‑20 אלף חשבונות פעילים. חלקם נועדו לשאוב יכולות, אחרים נועדו להיראות כמו משתמשים לגיטימיים כדי להקשות על הזיהוי.

השם Hydra אינו מקרי. במיתולוגיה היוונית, כל ראש שנחתך הוליד שניים חדשים. כך נראו גם הקמפיינים האלה, כמו מערכת שממשיכה לפעול גם כשהיא מזוהה ומנסים להפריע לה.

בתגובה, אנטרופיק פיתחה מסווגים אוטומטיים לזיהוי דפוסי דיסטילציה, שיתפה מידע עם מעבדות אחרות וחיזקה את בקרות הגישה. המסקנה שלה ברורה - הבעיה גדולה מכדי שחברה אחת תטפל בה לבד, וגדולה מכדי להישאר בגדר שימוש לרעה ב‑API.

הטיעון שמסתתר מאחורי הנתונים

מעבר להאשמות, המסמך מציג טיעון גיאופוליטי. בשנתיים האחרונות, קפיצות הביצועים של מעבדות סיניות העלו שוב ושוב את אותה שאלה. R1 של DeepSeek ערער את ההנחה שיתרון אמריקאי ב‑AI הוא קבוע. Kimi ו‑MiniMax הגיעו לרמות שנחשבו עד לא מזמן לבלתי נגישות לחברות שפועלות תחת מגבלות שבבים. ובכל פעם, ההסבר המלא לא הופיע.

16 מיליון שיחות מזויפות הן לא ניסוי שיווקי, הן תשתית אימון. ואם חלק ממה שמוצג כחדשנות סינית נשען על הפנמה שיטתית של יכולות אמריקאיות, אז מדיניות ייצוא שבבים מחמירה מקבלת היגיון רחב יותר מהגנה תחרותית. היא מגבילה לא רק פיתוח ישיר, אלא גם את קנה המידה שבו מבצעי דיסטילציה כאלה יכולים להתבצע.

אנטרופיק לא כתבה את הטיעון הזה במפורש, אבל היא הניחה אותו על השולחן. והשאלה שנותרה פתוחה היא עד כמה מהקפיצה הסינית ב‑AI של השנתיים האחרונות היא חדשנות מקורית, ועד כמה היא השתקפות של מה שנוצר בארצות הברית.

למסמך המלא של אנטרופיק, כנסו כאן.

הפוסט מי גונב ממי? פרשת הדיסטילציה שמטלטלת את תעשיית ה‑AI הופיע ראשון בLet's AI בינה מלאכותית

תעלומה מתוקתקת מפורטוגל

The Dor Brothers הם אולפן הפקה עם כללי משחק משלו. אף אחד לא יודע כמה "אחים" יש בפנים, מי עושה מה, או איך נראה הצוות מבפנים. הדמות היחידה שנחשפת לציבור היא יונתן דור, שמנהל כעשרים וחמישה עובדים מרוחקים מכל רחבי העולם, בזמן שהוא עצמו חי בפורטוגל.

האולפן קם ב-2022, בתקופה שבה מידג'רני עוד נחשב לכלי ניסיוני. מאז הם השלימו מעל שלוש מאות פרויקטים ומאות מיליוני צפיות מצטברות, לקוחות כמו Snoop Dogg והרצאות באירועים של Google ו-Microsoft.

המודל העסקי, דור מסביר, הוא די פשוט: הסרטונים הויראליים אינם המוצר - הם פרסומת. "אנחנו כנראה החברה הכי רווחית בתחום ה-AI Production", הוא אומר. "הרווחנו מיליונים בשנים האחרונות - לא מהסרטונים עצמם, אלא מהעבודה שהם מביאים."

עשר שעות, מחשב נייד, ומה שקורה כשמגלים שהסייברטראק שורד

הפרויקט התחיל, כמו הרבה דברים טובים, בניסוי שיטתי מתוך סקרנות. דור קיבל גישה ל-Seedance 2.0, מודל וידאו חדש של ByteDance, חברת האם של טיקטוק, והתחיל לבדוק את הגבולות.

"ניסיתי יריות, מכות, ניסיתי דיאלוג", הוא מספר. הוא בדק מכוניות: מרצדס לא שרדה טוב. הסייברטראק של טסלה? "אמרתי, טוב, סייברטראק", הוא צוחק, "למרות שברור לי שיש לה בעיות משלה." ואז הגיע לסצנות ההרס. "כשראיתי איך דברים מתרסקים, ראיתי שהתוצאות יוצאות דופן. החלטתי לעשות סרט קצר."

מה שהופך את Seedance 2.0 לשונה הוא לא רק איכות התמונה. המודלים הקודמים ידעו לייצר פריים יפה אבל הם נכשלו בשמירה על עקביות לאורך קאטים. פנים שמשתנות, פיזיקה שמתפוררת, מרחב שמאבד את עצמו בין שניות. Seedance 2.0 מציג שליטה אחרת - היכולת לשמור על כוונה קולנועית לאורך כל הסצנה. החידוש אינו הרינדור, החידוש הוא השליטה. ועם שליטה מגיע משהו שלא היה אפשרי קודם: בימוי.

הסרט שגרם לאנשים לפרק פריימים

"Apex" הוא סרט קצר בסגנון אסון עתידני - אישה בורחת בעיר הרוסה ומנסה להגיע לבתה, סופיה, שמסתתרת מתחת לאדמה. האם חוצה גשר מתמוטט, עוברת תאונה, ומתעוררת בחדר חקירות. "יש לנו אותה", אומר אחד החוקרים בשיחה עם טראמפ. "אני כבר מגיע", הוא עונה. הסרט נגמר בכיתוב "To Be Continued" - סוף שמבקש המשך, וגם מבטיח אותו.

דמות 100% AI שנראית כל כך אמיתית

התגובה ב-X, באינסטגרם וביוטיוב לא הייתה רק עניין של צפיות. אנשים לא רק צפו - הם פירקו את הקסם לגורמים. שרשורים שלמים ניתחו פריימים ספציפיים - האם הרפלקציות על גוף המכונית מדויקות? האם צליל המנוע נכון? האם הפיזיקה מחזיקה מעמד תחת זכוכית מגדלת? חלק שיבחו את האמביציה, חלק הטילו ספק בריאליזם, וחלק התווכחו על פרטי מיקרו שרוב הצופים מעולם לא היו שמים לב אליהם.

זה היה, אולי, הסימן הטוב ביותר. כשהאינטרנט מתווכח על רפלקציות וסאונד, הוויכוח כבר אינו על האם AI שייך לקולנוע, הוויכוח הוא על אומנות. ואומנות היא המקום שבו אימוץ אמיתי מתרחש.

"גם אם זכיתי בשבעים אוסקרים היו מוצאים מה להגיד"

לא כולם היו מרוצים. כמה צופים הצביעו על שגיאת כתיב בניידת המשטרה - "Poce" במקום "Police". אחרים טענו שהסרטון נראה כמו פרסומת לסייברטראק. דור לא מתרגש: "Haters Gonna Hate. גם אם הייתי עושה סרט שזכה בשבעים אוסקרים, היו כאלה שמוצאים מה להגיד." הביקורות, כך נראה, רק האיצו את הוויראליות. "קיבלנו מאות מיילים בבת אחת", הוא מספר. "העוזרת האישית שלנו אמרה שייקח לה עד מחר לענות לכולם."

הכותרת "200 מיליון דולר" עצמה עוררה ויכוח. חלק לקחו אותה כפשוטה, אחרים הבינו אותה כהצהרה על כלכלת הפקה. בשני המקרים, המסר נחת - הפער בין קנה מידה קולנועי לבין הפקה עצמאית מתכווץ בקצב שקשה לעקוב אחריו.

סרט של 200 מיליון דולר - ביום אחד וב-100% AI

הכוח חוזר למספרי הסיפורים

כבר שמענו בעבר על "הסוף של הוליווד" - עם כל גרסה חדשה של Sora, Runway או Veo. בכל פעם ההכרזה הגיעה מוקדם מדי. אבל מה ש-Apex מדגים שונה מהכרזה, הוא מראה ששינוי הכוח כבר לא תיאורטי. הפקה מסורתית מתאפיינת סביב הון, גודל צוות ותיאום.

הפקת AI מתאפיינת סביב טעם, מהירות איטרציה ויכולת לנהל מערכות. האילוץ עבר מכסף לשיפוט. צוות קטן עם כיוון יצירתי ברור ויכולת בימוי של מערכות גנרטיביות יכול לעת עתה לדמות קנה מידה שדרש בעבר תשתית ומוסדות שלמים.

דור עצמו לא מתעסק בשאלה אם הוליווד בסכנה. "אנשים ידהרו לתוכן הכי טוב", הוא אומר, "בין אם זה ילד בן שש עשרה מחדר השינה שלו או דארן ארונופסקי." השיח כבר עבר את נקודת ה"האם זה אפשרי". השאלה שנותרת היא אחת בלבד - כמה מהר זה ממשיך להתפתח.

הפוסט האחים דור והיום שבו סרט של 200 מיליון דולר נוצר על מחשב נייד הופיע ראשון בLet's AI בינה מלאכותית

למה מודלים מתקשים להבין מפות

בני אדם קוראים מפה כמעט בלי לחשוב. מבט קצר מספיק כדי להבחין בין שביל לקיר, להבין את מבנה המרחב ולתכנן מסלול. מודלים, לעומת זאת, רואים תמונה שטוחה. הם מסוגלים לזהות חיות בגן חיות, אבל אם מבקשים מהם למצוא מסלול מהכניסה לבית הזוחלים, הם עלולים לשרטט קו שחוצה דוכנים, גדרות או אזורים סגורים. כפי שמתאר המחקר, הם מצוינים בזיהוי מה שיש בתמונה, אך מתקשים להבין את היחסים הגאומטריים והטופולוגיים בין האובייקטים.

הסיבה לכך פשוטה. אין מספיק דאטה שמלמד אותם את דקדוק המרחב. כדי ללמד מודל את החוקים האלה נדרשות מיליוני מפות עם מסלולים מסומנים ידנית, משימה יקרה, איטית ולעיתים בלתי אפשרית, במיוחד כשמפות של קניונים, מוזיאונים ופארקים הן לרוב קניין פרטי. התוצאה היא שמודלים מתקדמים נחשפים לאינספור תמונות, אך כמעט לא מקבלים דוגמאות שמלמדות אותם מהו מסלול תקין.

MapTrace: פס ייצור סינתטי של מפות ומסלולים

כדי להתגבר על מחסור בדאטה מסומן, גוגל פיתחה את MapTrace, מערכת אוטומטית שמייצרת מפות מלאכותיות, מזהה בהן אזורי הליכה, בונה גרף ניווט ומפיקה מסלולים תקפים. הכול נעשה ללא מגע יד אדם, במבנה שמזכיר פס ייצור: כל שלב מספק את חומר הגלם לשלב הבא, ומודלים שונים משמשים בו זמנית כיצרנים וכמבקרים.

התהליך מתחיל ביצירת מפות מגוונות. מודל שפה מייצר תיאורים עשירים כמו "גן חיות עם שבילים מקושרים", "קניון עם חצר אוכל" או "פארק פנטזיה עם אזורים נושאיים". התיאורים מוזנים למודל טקסט לתמונה שמייצר מפות מורכבות.

לאחר מכן המערכת מקבצת צבעים במפה כדי ליצור מסכות מועמדות של אזורי הליכה. לא כל מסכה תקינה, ולכן מודל נוסף, ה‑Mask Critic, בוחן כל מסכה ומחליט אם היא מייצגת רשת שבילים אמיתית. טעויות נפוצות כוללות בלבול בין צבעי רקע לשבילים, טקסט שנבלע במסכה ושבילים דקים שנעלמים.

כאשר מתקבלת מסכה תקינה, היא מומרת לגרף פיקסלים, ייצוג שבו כל נקודה היא צומת וכל חיבור בין פיקסלים סמוכים הוא קשת. כך ניתן לחשב מסלולים בצורה קלאסית, בדומה למערכות ניווט.

בשלב האחרון המערכת דוגמת נקודות התחלה וסיום, מחשבת את המסלול הקצר ביותר באמצעות אלגוריתם ומפעילה Path Critic שמוודא שהמסלול נשאר בתוך השבילים ואינו חוצה אזורים אסורים. גם כאן מופיעות טעויות, כמו זיהוי שגוי של אזורי רקע כמעברים, פספוס שבילים דקים או מסלולים שנראים סבירים אך אינם מחוברים באמת.

research.google | כך פועל פס הייצור של MapTrace

איך מודדים אם מסלול נכון

כדי להעריך את איכות המסלולים, החוקרים השתמשו במדד NDTW, גרסה מנורמלת של Dynamic Time Warping. המדד מאפשר להשוות בין מסלול שחזה המודל לבין מסלול אמת, גם אם שני המסלולים שונים באורך או בקצב הדגימה.

research.google | איך מודדים דיוק מסלול: המחשה של DTW

לפי גוגל, החישוב כולל ארבעה מרכיבים מרכזיים: יישור דו ממדי של שני המסלולים, מטריצת עלות מצטברת שמראה את המחיר של כל התאמה, מטריצת מרחקים זוגיים שמציגה את המרחק בין כל נקודה לנקודה, והשוואת קואורדינטות שמדגישה את בעיית ההיסט הזמני בין המסלולים. ככל שהמדד נמוך יותר, כך המסלול שחזה המודל קרוב יותר למסלול האמת.

שיפור משמעותי ביכולת הניווט

כדי לבדוק אם המערכת אכן מלמדת מודלים להבין מרחב, החוקרים אימנו כמה מודלים על תת קבוצה של הדאטה, 23,000 מסלולים, ובחנו אותם על MapBench, אוסף מפות אמיתיות שהמודלים לא נחשפו אליו קודם. התוצאות היו חד משמעיות: Gemini 2.5 Flash ירד במדד NDTW מ-1.29 ל-0.87, ו-Gemma 3 27B ירד מ-1.29 ל-1.13.

שיעור ההצלחה של Gemma עלה ב-6.4 נקודות, וכל המודלים הפכו ליציבים יותר ופחות נוטים להפיק מסלולים לא תקינים. המודלים לא רק השתפרו - הם גם נכשלו הרבה פחות.

research.google | שיפור בביצועי המודלים לאחר אימון על MapTrace

החוקרים בחנו גם את איכות ההחלטות של המבקרים האוטומטיים. ה‑Path Critic הגיע לדיוק של 76% עם 8% חיובי שגוי, ואילו ה‑Mask Critic הגיע לדיוק של 83% עם 9% חיובי שגוי. הטעויות נבעו בעיקר מדמיון צבעים בין שבילים לרקע, טקסט שנבלע במסכה ושבילים דקים שלא זוהו.

איך נראה השיפור בפועל: מסלולים לפני ואחרי אימון | research.google

מה המשמעות של מודל שמבין מרחב

היכולת להבין חיבוריות ומגבלות תנועה פותחת בפני מודלים שורה של יישומים חדשים. מודל שמסוגל לקרוא מפה באמת יכול להציע ניווט אינטואיטיבי גם במפות מורכבות, כמו מפות רכבת תחתית או תצלומי לוויין. יכולת כזו יכולה לאפשר לרובוטים לנווט במחסנים, בתי חולים ושדות תעופה על בסיס תוכניות קומה בלבד, בלי צורך בחיישנים ייעודיים.

במקביל, כלים נגישים יוכלו לתאר מסלול ברור לאנשים עם לקות ראייה, בצורה שמבוססת על הבנה אמיתית של המרחב. כפי שמדגיש המקור, היכולת להבין מסלולים וחיבוריות פותחת מגוון יישומים עתידיים.

דוגמאות נוספות למסלולים שנוצרו על ידי הפייפליין | research.google

האתגר האמיתי עוד לפנינו

MapTrace מראה שמודלים יכולים ללמוד היגיון מרחבי אם מספקים להם את הדאטה הנכון, גם כשהוא סינתטי. אבל העולם האמיתי מורכב בהרבה: מפות אינן אחידות, סימונים משתנים בין מקומות, ולעיתים מופיעים רעשים, טעויות ושינויים שלא קיימים במפות שנוצרו במעבדה.

לכן עולה השאלה האם שני מיליון מפות מלאכותיות מספיקות כדי ללמד מודל להתמודד עם הכאוס של המציאות. את התשובה נדע רק כשהמודלים יידרשו לנווט במפות שלא דומות לשום דבר שנוצר בתהליך הסינתטי.

הדאטה-סט המלא של MapTrace, הכולל את כל המפות והמסלולים הסינתטיים ששימשו במחקר, זמין להורדה בקוד פתוח. הקישור מאפשר לכל מי שמעוניין לבחון את הדאטה, לשחזר את הניסויים או להשתמש בו כבסיס למחקר נוסף.

הפוסט גוגל מלמדת את הבינה המלאכותית לקרוא מפה הופיע ראשון בLet's AI בינה מלאכותית

43 פרויקטים גנוזים

פיטר שטיינברגר לא הגיע לכאן במקרה. במשך שלוש עשרה שנים הוא בנה וניהל את PSPDFKit, חברת תוכנה שמתמחה בעיבוד קובצי PDF, ומכר אותה ביותר ממאה מיליון דולר. אחרי המכירה הגיעה תקופה שכל יזם מכיר, אבל כמעט לא מדבר עליה: ריק יצירתי מוחלט. "לא יכולתי להוציא קוד," הוא סיפר בראיון. "פשוט הסתכלתי על המסך ולא הרגשתי כלום."

הפתרון שלו היה לא שגרתי. הוא קנה כרטיס טיסה חד-כיווני למדריד, עזב, וניסה להתחיל מחדש. בסך הכול עבר על ארבעים ושלושה פרויקטים שונים, בנה וגנז אותם בזה אחר זה. רק כשחזר ושם לב לשינוי ביכולות של מודלי ה‑AI, שהחלו לטפל בחלקים החוזרים של הקוד ולפנות את המפתח לעבודה המעניינת, הניצוץ חזר.

OpenClaw היה פרויקט מספר ארבעים וארבע. "פשוט בניתי את מה שרציתי שיהיה קיים," אמר בראיון ל‑Y Combinator.

מה זה עושה, ולמה זה שונה

כדי להבין מה מייחד את OpenClaw צריך להבין קודם מה חסר בכלים הנפוצים היום. רוב מוצרי ה‑AI המוכרים, כמו צ׳אט ג׳יפיטי, קלוד ו-ג׳מיני, פועלים במודל של שאלה ותשובה: המשתמש כותב, המודל עונה. הם יודעים לכתוב, לתמצת ולהסביר, וגם להתחבר לכלים חיצוניים. אבל הם עדיין לא פועלים כסוכנים רציפים שמנהלים תהליכים לאורך זמן, שומרים הקשר עמוק, ומבצעים פעולות באופן עצמאי בלי שהמשתמש ינחה אותם בכל שלב.

OpenClaw פועל אחרת. זה סוכן AI שרץ ישירות על המחשב של המשתמש, מחובר לאפליקציות שבהן הוא כבר משתמש - בעיקר WhatsApp וטלגרם - ומסוגל לבצע משימות אמיתיות: לנהל תיבת דואר נכנס, לתאם פגישות, לשלוט בדפדפן, לבצע הזמנות ולהפעיל מכשירים בבית חכם. בניגוד לפתרונות מבוססי ענן, הוא פועל מקומית על החומרה של המשתמש, ולכן הנתונים האישיים לא יוצאים מהמכשיר.

הגישה הזו מאפשרת יכולות שקשה להשיג בדרך אחרת. לא רק תכונות שתוכננו מראש, אלא תוצאה טבעית של עיצוב שמעניק לסוכן גישה מלאה לסביבת העבודה של המשתמש.

הצמיחה, וגם המחיר שלה

הפרויקט עלה לאוויר בשם Clawdbot, עד שאנטרופיק שלחה מכתב משפטי בטענה שהשם דומה מדי למודל שלה, Claude. שטיינברגר שינה את השם ל‑Moltbot, ולאחר מכן ל‑OpenClaw, פשוט כי אהב אותו יותר.

בינואר 2026 פוסט ב‑Hacker News הצית את הוויראליות. בתוך עשרים וארבע שעות נוספו תשעת אלפים כוכבים חדשים בגיטהאב. בתוך חודשיים חצה הפרויקט את רף מאה אלף הכוכבים, ובאמצע פברואר כבר עמד על מאה תשעים וארבעה אלף - קצב מהיר יותר מזה של React, Linux ו‑Kubernetes בשלבים מקבילים בהתפתחותם. מחשבי Mac Mini החלו להימכר כמו לחמניות, כשמשתמשים חיפשו מחשב זול שיריץ את הסוכן באופן רציף בבית. הקהילה פיתחה יותר מחמישים תוספים, ופרויקט צדדי בשם MoltBooK יצר רשת חברתית שלמה של בוטי AI שמשוחחים זה עם זה ומבצעים משימות בעולם האמיתי, כולל פנייה לאנשים אמיתיים שיבצעו את העבודה.

אבל הצמיחה המהירה, יחד עם ארכיטקטורה שמעניקה לסוכן הרשאות נרחבות, יצרו גם בעיות. משתמשים שהגדירו את הסוכן בצורה שגויה חשפו בטעות מפתחות API. התגלו פרצות שאפשרו מתקפות לגניבת מידע, וחוקרי אבטחה הצביעו על פוטנציאל להזרקת פרומפטים זדוניים דרך תוכן חיצוני שהסוכן מעבד. שטיינברגר הוסיף שכבות הגנה ומנגנוני סריקה, אך הבעיה העקרונית נותרה: סוכן עם גישה מלאה למחשב הוא כלי עוצמתי, ועוצמה כזו - כשהיא זמינה לכולם - דורשת זהירות שלא תמיד מובנת מאליה.

מה אלטמן ראה כאן

ב‑15 בפברואר פרסם סאם אלטמן ב‑X שפיטר שטיינברגר מצטרף ל‑OpenAI כדי להוביל את פיתוח הסוכנים האישיים. "הוא גאון עם המון רעיונות על עתיד סוכנים חכמים שמקיימים אינטראקציה זה עם זה לטובת אנשים," כתב אלטמן, והוסיף ש‑OpenClaw יעבור לקרן עצמאית ויישאר קוד פתוח בגיבוי החברה.

אלטמן מציג את שטיינברגר כמוביל הדור הבא של סוכני ה‑AI

שטיינברגר יכול היה להפוך את הפרויקט לחברה. האפשרות הייתה ממשית. הוא בחר אחרת, ובפוסט שפרסם לא ניסה לעטוף את ההחלטה בנימוקים גדולים: "כבר שיחקתי את משחק בניית החברה, שפכתי לתוכו שלוש עשרה שנים. מה שאני רוצה הוא להשפיע, לא לנהל." אחרי שבוע בסן פרנסיסקו, שבמהלכו נפגש עם כל המעבדות המובילות וקיבל גישה למחקרים שלא פורסמו, הוא הרגיש שהחזון שלו ושל OpenAI מספיק קרוב כדי שהבחירה תהיה ברורה.

האם זו הברקה או הימור? רק הזמן יגיד.

מה OpenClaw אומר על המגמות בשוק

אימון מודל שפה מתקדם עולה מיליארדי דולרים ודורש תשתית מחשוב שרק מעט חברות בעולם מסוגלות לממן. שכבת הסוכן - הממשק שיושב מעל המודל ומחבר אותו לחיי המשתמש - פועלת לפי כללים אחרים. שטיינברגר לא אימן מודל חדש. הוא בנה ארכיטקטורה שעוטפת מודלים קיימים של Anthropic ושל OpenAI ומחברת אותם לסביבת העבודה של המשתמש. העלות החודשית שלו נעה בין עשרת אלפים לעשרים אלף דולר, ללא משקיעים.

כאן נמצא הפיצול המבני. שכבת המודלים מרוכזת בידי מספר מצומצם של שחקנים בעלי הון עצום. שכבת הסוכנים פתוחה יותר, ובה יתרון המהירות, הטעם והביצוע יכול לפצות על יתרון ההון. OpenClaw מדגים שבשכבה הזו אדם אחד עם כישרון ומפתח API עדיין יכול לנוע מהר יותר מצוות מוצר גדול.

לאן זה הולך מכאן

OpenClaw יעבור לקרן עצמאית ויישאר קוד פתוח, ושטיינברגר עצמו יצטרף ל‑OpenAI. השאלה שהקהילה שואלת, ובצדק, היא האם שני הדברים יכולים להתקיים יחד לאורך זמן. פרויקטים קהילתיים שנכנסים למסלול של חברות גדולות לא תמיד שומרים על אופיים.

מה שכבר ברור הוא ש‑OpenClaw הצית דיון רחב על מה שסוכן אישי יכול להיות כשהוא מקבל גישה מלאה למחשב של המשתמש, ועל הסיכונים שנלווים לגישה כזו. שטיינברגר אמר שהמשימה הבאה שלו היא לבנות סוכן שגם אמא שלו תדע להשתמש בו. כמה רחוק זה מהמציאות של היום? זו בדיוק השאלה שתעצב את התחום בשנים הקרובות.

הפוסט הסיפור של OpenClaw שהפך מפתח בודד לתופעה עולמית הופיע ראשון בLet's AI בינה מלאכותית

Because you wouldn’t let it slide… these are rolling out today for our most requested feature:

Prompt-Based Revisions: Tweak, tailor, and tune your slides just by prompting the revisions you want

PPTX Support: You can now export your Slide Decks (Google Slides coming next!) pic.twitter.com/Uma36PZ9OF

— NotebookLM (@NotebookLM) February 17, 2026

עריכה מחוץ ל-NotebookLM

עד עכשיו, NotebookLM ייצא מצגות רק כקובצי PDF שהיו למעשה תמונות שטוחות. כל שקף היה קפוא, ללא אפשרות לערוך טקסטים, לשנות כותרות או לעדכן בולטים. עבור מרצים, סטודנטים ואנשי מקצוע זו הייתה מגבלה משמעותית - הכלי ידע לייצר מצגת, אך לא אפשר להמשיך לעבוד עליה.

העדכון החדש פותר את החסם הזה באמצעות ייצוא בפורמט PPTX, שבו כל הטקסטים, כולל כותרות, פסקאות ורשימות, הופכים לניתנים לעריכה מלאה ב‑PowerPoint או ב‑Google Slides. כך ניתן סוף סוף לקחת מצגת שנוצרה ב‑NotebookLM ולהמשיך לפתח אותה בכלי מצגות מוכר.

למרות השיפור המשמעותי, הפתרון עדיין אינו שלם. התמונות במצגת המיוצאת נשארות מוטמעות כאלמנטים שאי אפשר לערוך ישירות, והמקורות אינם מספקים הסבר לכך או מידע על שינוי עתידי.

עם זאת, קיימת דרך מעשית לעקוף את המגבלה. לאחר העלאת המצגת ל‑Google Slides ניתן להשתמש בננו בננה, העוזר המובנה של Slides, ולבקש ממנו לבצע כל שינוי נדרש בשקף, כולל החלפת תמונות. כך גם המגבלה שנותרה בפורמט PPTX אינה מונעת מהמשתמשים להגיע לתוצאה מקצועית ומדויקת.

עריכה בתוך NotebookLM

החידוש השני בעדכון הוא האפשרות לערוך את המצגת ישירות בתוך NotebookLM. בניגוד לעורכי מצגות מסורתיים, כאן לא גוררים תיבות טקסט ולא מזיזים אלמנטים בעזרת העכבר. במקום זאת, כל העריכה מתבצעת באמצעות פקודות טקסט חופשיות.

המשתמש בוחר שקף, לוחץ על שלוש הנקודות ובוחר ב‑Revise, ואז פשוט מתאר במילים את השינוי הרצוי: "פצל את שקף 3 לשני שקפים", "הוסף שקף סיכום", "תקצר את הכותרת", "תחליף את התמונה".

NotebookLM מבצע את ההנחיה ושומר על התאמה למקורות שהועלו למחברת, כך שהתוכן נשאר מדויק ונאמן למידע המקורי.

עריכת שקפים מתוך הכלי עצמו

מודל העבודה הזה, שמבוסס על יצירה ראשונית, דיוק באמצעות פקודות טקסט, ייצוא ועיצוב סופי, יוצר רצף עבודה טבעי. NotebookLM מייצר טיוטה חכמה ומדויקת, מאפשר ללטש אותה במהירות, ואז מעביר את המשתמש לשלב העיצוב בכלי המצגות המועדף עליו.

איך זה עובד מאחורי הקלעים

העדכון נשען על Gemini, מנוע ה-AI של גוגל, שמאפשר ל‑NotebookLM להבין את מבנה המצגת, לפרש פקודות טקסט ולבצע שינויים תוך שמירה על עקביות בין השקפים. מאחר שהעריכה בתוך הכלי היא טקסטואלית בלבד, אין בו גרירה של אלמנטים, שינוי מיקום ידני או התאמות עיצוביות. כל פעולות העיצוב מתבצעות לאחר הייצוא, ב‑PowerPoint או ב‑Google Slides, שבהם ניתן להשלים את העבודה הוויזואלית.

העתיד של NotebookLM

NotebookLM מתקרב והופך לכלי עבודה שלם. העדכון החדש מקרב אותו לשימוש מקצועי יומיומי, ומסמן מעבר מתפקיד של מחולל טיוטות לכלי שמסייע למשתמשים לבנות מצגות מבוססות מקורות, לחדד את התוכן ולייצא אותו בפורמט שניתן לעריכה מלאה בכלי מצגות מוכר. כך נוצר תהליך עבודה רציף שמאפשר להתחיל בתוך NotebookLM ולהמשיך ב‑PowerPoint או ב‑Google Slides לפי הצורך.

העדכון, שמתגלגל כעת בהדרגה למשתמשים, מחזק את הגמישות והיעילות של הכלי. למרות מגבלות שנותרו, NotebookLM הופך למערכת שמותאמת יותר לעבודה אמיתית, ומאפשרת ליצור, לערוך ולעצב מצגות בצורה חלקה וברורה.

הפוסט NotebookLM סוף סוף מאפשר עריכת מצגות הופיע ראשון בLet's AI בינה מלאכותית

אז מה בעצם חדש?

כדי להבין את השינוי שמתרחש עכשיו, חשוב לדייק: לא מדובר בקפיצה טכנולוגית, אלא בשינוי שלב פדגוגי. אפשר להסתכל על התפתחות הבינה המלאכותית בחינוך דרך שלושה שלבים ברורים.

שלב ראשון: בינה שיוצרת תכנים - סיכומים, שאלות והסברים. שלב חשוב, ששינה את הדרך שבה עובדים עם מידע, אך כזה שמתמקד בתוצר ולא בתהליך הלמידה.

שלב שני: בינה שמלווה תלמידים בזמן משימה - בוטים וצ’אטים שמסבירים, מכוונים ועוזרים “להיתקע פחות”. רוב המערכות כיום נמצאות כאן, או שואפות להגיע לשלב הזה. זהו שלב משמעותי, אך הליווי בו לרוב נקודתי וקצר טווח.

שלב שלישי: בינה שמאבחנת למידה ומייעצת פדגוגית לאורך זמן. זהו השלב הבא, שכבר מתבקש: לא תגובה לשאלה בודדת, אלא הבנה מצטברת של הלומד ושל הכיתה - גישה שמערכות כמו Textly נבנו ליישם בפועל.

כיתה שלמה עובדת עצמאית

בכיתה שבה מתממש השלב הזה, לכל תלמיד יש משימה לימודית שמותאמת לרמתו ולדרך שבה הוא לומד, ולצידה ליווי אישי שמתרחש בתוך המשימה עצמה – שואל, מכוון, מאתגר כשצריך ומסייע כשקשה. לא פתרון מהיר, אלא נוכחות פדגוגית מתמשכת, בדומה למורה פרטי שיושב ליד התלמיד לאורך הדרך. עבור המורה, המשמעות היא שינוי עומק באופן שבו השיעור מתנהל.

במקום לתכנן מראש ריבוי משימות ורמות, המורה מגדיר משימה כללית אחת – סביב נושא, טקסט או מטרה לימודית – והמערכת דואגת שכל תלמיד יקבל גרסה מותאמת של אותה משימה, בהתאם לרמתו, לקצב שלו ולאופן שבו הוא ניגש ללמידה בפועל.

במהלך השיעור עצמו, לכל תלמיד יש מרחב לגיטימי לשאול, להתייעץ ולהיתקע. דרך עוזר אישי בצ’אט הוא מקבל מענה לשאלות הפדגוגיות השכיחות: איך ניגשים לשאלה, מה מחפשים בטקסט, למה השאלה מתכוונת ואיך מפרקים בעיה מורכבת לשלבים.

וכאן מתרחש השינוי השקט אך המהותי: ככל שיותר אינטראקציות פדגוגיות מתרחשות בתוך המערכת, כך מתפנה המורה לעסוק בדברים שלא ניתן לאוטומציה – זיהוי קשיים עמוקים, ליווי רגשי והתערבות פדגוגית משמעותית במקום שבו היא באמת נדרשת. המערכת אינה מחליפה את המורה – היא מאפשרת לו לממש את תפקידו באופן מדויק, עמוק ונוכח יותר, גם בכיתה גדולה.

בינה מלאכותית כבר כאן - אבל הלמידה מורכבת יותר

הבינה המלאכותית הבטיחה לרגע לאפשר נוכחות אישית לכל תלמיד, אך ככל שנכנסה לשימוש יומיומי, התברר שלמידה דורשת הרבה יותר מפתרונות מהירים. מערכות מבוססות מודלי שפה הפכו במהירות לכלי עבודה נפוץ: הן מייצרות טקסטים, מסכמות מידע, מנסחות שאלות ומספקות הסברים מהירים. תלמידים נעזרים בהן כדי להבין חומר, מורים משתמשים בהן לתכנון, והורים פונים אליהן לקבלת הכוונה. אלו יכולות חשובות, והן כבר חלק בלתי נפרד מהשגרה החינוכית.

אבל רובן עדיין מכוונות להאיץ את המשתמש אל התשובה, ולא להחזיק את התהליך שבו מתרחשת למידה. למידה, לעומת זאת, אינה תמיד מהירה. ולעיתים, ההתקדמות האמיתית מתרחשת דווקא כאשר לא הכול ברור מיד.

מייצור תוצרים - לניהול של תהליך

למידה אינה מסתכמת בהגעה לתשובה נכונה. היא תהליך שכולל התלבטות, ניסוי וטעייה, חזרה לאחור ולעיתים גם שהייה באזור של אי-ודאות. זהו המרחב שבו מתרחשת צמיחה אמיתית – בין אתגר לתסכול, בין קלות יתר לאיבוד עניין. מרחב כזה דורש ליווי, רגישות והיכרות עם הלומד, לא רק יכולת לייצר תוכן. כאן נמצא החידוש הפדגוגי של הדור הבא של הבינה המלאכותית בחינוך: לא עוד מערכות שמייצרות תוצרים או סיכומים, אלא מערכות שמנהלות תהליך למידה חי ומתמשך.

כשהצ’אט הוא רק הקצה הגלוי

בשיח על AI בחינוך, “צ’אט פדגוגי” הפך כמעט לסטנדרט. אך בשלב השלישי של האבולוציה, כמו ביישום הצאט של Textly ,הצ’אט אינו הלמידה עצמה - אלא הממשק.

צ׳אט ואבחון דינמי של מצב הלומד

מאחוריו פועלת מערכת שמלווה את התלמיד לאורך זמן: משאלה בודדת, דרך משימה שלמה ועד רצף מתמשך של למידה. כל אינטראקציה – הצלחה, בלבול או היתקעות – מזינה תהליך אבחון דינמי שמאפשר התאמה מדויקת של רמת האתגר, סוג המשימה ואופי הליווי. אותו עיקרון פועל גם בצד המורה.

וגם למורה: עוזר אישי אמיתי

גם עבודת המורה עוברת אבולוציה. אחרי שלב יצירת המשימות ושלב הדשבורדים והדוחות, מגיע שלב חדש: בינה שמכירה את הכיתה לעומק ויודעת לייעץ.

עזרה פרסונלית לתלמיד וסיוע למורה

בשלב הזה, Texly מציעה צ’אט למורה שגם הוא שוב רק קצה הקרחון. מאחוריו עומדת מערכת שמכירה תלמידים, קבוצות וכיתה שלמה לאורך זמן, ומאפשרת למורה להתייעץ איתה באופן טבעי: להבין מה קורה עכשיו, לזהות מוקדי קושי או חוזק, ולהפיק המלצות פדגוגיות מדויקות לצעדים הבאים. זהו מעבר מבינה שמסייעת להכין הוראה, לבינה שמלווה קבלת החלטות פדגוגיות בזמן אמת.

צ׳אט למורה

כיצד ניתן לאפשר הוראה פרטנית לכל ילד בכיתה - גם בכיתה גדולה?

בעקבות החלטת עיריית באר יעקב להמשיך את השימוש במערכת בבתי הספר בעיר, נפתחת האפשרות להצטרף לסבב פיילוטים נוסף.

מנהלי אגפי חינוך ורשויות מקומיות המעוניינים ביישום הוראה מותאמת בקנה מידה עירוני.

מנהלי בתי ספר ומובילי חדשנות המבקשים להעניק מענה אישי לכל תלמיד.

מורים וצוותי חינוך המעוניינים בליווי פדגוגי מתמשך ובהתאמת משימות בזמן אמת.

הורים המבקשים לאפשר המשך עבודה פרטנית ומודרכת גם בבית.

ראש עיריית באר יעקוב נוכח בשיעור בכיתה

בעידן שבו בינה מלאכותית כבר נוכחת בכיתה, השאלה כבר אינה אם להשתמש בה – אלא איזה תפקיד אנחנו נותנים לה. האם היא מסתפקת בייצור תשובות, או שהיא הופכת לתשתית שמאפשרת למידה והוראה כפי שתמיד ידענו שהן צריכות להיות. המעבר מבינה יוצרת לליווי פדגוגי אמיתי כבר בעיצומו.

הפוסט המעבר מבינה יוצרת לליווי פדגוגי אמיתי הופיע ראשון בLet's AI בינה מלאכותית

מדע אמיתי הוא מבולגן ו‑Deep Think נבנה בדיוק לזה 

בעולם המחקר, המציאות רחוקה מלהיות מסודרת. נתונים מגיעים באופן חלקי, הנחות אינן תמיד מוגדרות היטב ולעיתים אין תשובה אחת נכונה. מדענים ומהנדסים פועלים בתוך מרחב של אי ודאות, ניסוי וטעייה, והסקת מסקנות מתוך מידע לא מושלם. מודלי שפה רגילים מתקשים להתמודד עם מצבים כאלה, משום שהם מותאמים בעיקר למשימות סגורות וברורות.

כאן נכנס Deep Think. גוגל פיתחה את הגרסה החדשה בשיתוף פעולה הדוק עם חוקרים מתחומי המתמטיקה, הפיזיקה, הכימיה וההנדסה, במטרה ליצור מודל שמסוגל להתמודד עם בעיות שאין להן מסלול פתרון מוגדר. במקום להסתפק בשליפה מהירה של ידע, המודל מנתח בעיות מורכבות, מפרק אותן לשלבים לוגיים, מציע כיווני חקירה ומייצר פתרונות הניתנים לבדיקה.

הדוגמאות מהשטח ממחישות את זה מצוין - מתמטיקאית שהשתמשה בו כדי לחשוף כשל לוגי במאמר מדעי שעבר ביקורת עמיתים אנושית, ומעבדה באוניברסיטת דיוק נעזרה בו כדי לייצר מתכון לגידול גבישים, תהליך שבדרך כלל דורש זמן וניסויים רבים.

יכולת חדשה שמחברת בין רעיון למוצר

אחד החידושים הבולטים בשדרוג הנוכחי הוא היכולת להתחיל מסקיצה ידנית פשוטה ולהפוך אותה לקובץ תלת ממד מוכן להדפסה. המשתמש מצייר צורה בסיסית, והמודל מנתח אותה, משלים את הגאומטריה המורכבת וממיר אותה למודל הנדסי מלא.

זה יישום שמדגים היטב את יכולתו של Deep Think לגשר בין חשיבה תיאורטית לבין תוצר הנדסי ממשי, ומקרב אותו לתפקיד של עוזר תכנון ולא רק של מחולל טקסט.

איך זה עובד 

Deep Think אינו עוד מודל שפה. הוא משלב ידע מדעי רחב בתחומי הפיזיקה, הכימיה והמתמטיקה עם יכולת לבצע ניתוחים אלגוריתמיים מורכבים. הוא מבין טקסט, תמונות ושרטוטים, מסוגל לכתוב ולהריץ קוד, ואז לפרק בעיות לשלבים לוגיים.

במילים אחרות, הוא מתפקד יותר כמו עוזר מחקר מאשר כמו כלי טקסטואלי. היכולת להבין שרטוטים, להריץ סימולציות ולבנות מודלים פיזיקליים הופכת אותו לכלי שמסוגל לגשר בין תיאוריה ליישום, יכולת שחסרה ברוב המודלים עד היום.

ביצועים חסרי תקדים 

היכולות של Deep Think מגובות בנתונים מרשימים במיוחד. המודל מציג קפיצה משמעותית במבחני חשיבה אקדמיים ומוביל כמעט בכל קטגוריה. במבחני ARC‑AGI‑2, שנועדו לבדוק חשיבה מופשטת, הוא מגיע ל‑84.6 אחוז, תוצאה חסרת תקדים שאומתה על ידי ARC Prize Foundation. לשם השוואה, Claude Opus 4.6 מגיע ל‑68.8 אחוז, GPT‑5.2 ל‑52.9 אחוז ו‑Gemini 3 Pro Preview ל‑31.1 אחוז.

Credit: blog.google

ב‑Humanity’s Last Exam, מבחן שמעריך את יכולתם של מודלים להתמודד עם שאלות אקדמיות מורכבות, Deep Think מוביל עם 48.4 אחוז ללא כלים ו‑53.4 אחוז כאשר מופעלים חיפוש והרצת קוד. גם במדעי הטבע הוא מציג ביצועים ברמת מדליית זהב בגרסאות הכתובות של אולימפיאדות 2025: 81.5 אחוז במתמטיקה, 87.7 אחוז בפיזיקה, 82.8 אחוז בכימיה ו‑50.5 אחוז בתורת חומר מעובה, תחום שנחשב מאתגר במיוחד גם עבור חוקרים מנוסים.

Credit: blog.google

בתחום הקוד והאלגוריתמים, המודל מגיע לדירוג Elo של 3455 ב‑Codeforces, רמה שממקמת אותו בליגה של מתכנתים תחרותיים מהשורה הראשונה. הפערים בין המודלים ברורים - Deep Think מוביל כמעט בכל מבחן, ולעיתים בפער משמעותי.

מעבר מהפשטה ליישום

החידוש המרכזי ב‑Deep Think אינו מסתכם בציונים הגבוהים, אלא ביכולת לגשר בין תיאוריה ליישום מעשי. בעוד שמודלים קודמים הצטיינו בפתרון בעיות מוגדרות היטב, Deep Think מתוכנן להתמודד גם עם נתונים חלקיים, בעיות פתוחות וניסוח השערות. הוא מסוגל לבנות מודלים פיזיקליים, ליצור קוד סימולציה, לנתח שרטוטים הנדסיים ולתכנן תהליכים ניסיוניים. במובן זה, הוא אינו רק המודל החזק ביותר, אלא כזה שמנסה להיות הכלי השימושי ביותר עבור מי שעוסק במדע אמיתי.

מי יכול להשתמש בו כבר עכשיו

העדכון מתחיל להתגלגל כבר היום למנויי Google AI Ultra, שיכולים למצוא את מצב החשיבה החדש בתפריט הכלים של אפליקציית Gemini. במקביל, חוקרים ומהנדסים יכולים להירשם לגישה מוקדמת דרך ה‑API, במסגרת תוכנית שמטרתה להביא את Deep Think לסביבות שבהן הוא נדרש באמת, כלומר כחלק מתהליכי עבודה מדעיים.

תחילתו של עידן חדש במחקר מבוסס AI

למרות ההישגים המרשימים, גוגל אינה מציגה את Deep Think כתחליף למדענים. חלק מהדוגמאות שהוצגו הן ניסיוניות, ולא ברור עד כמה הן מייצגות שימוש יומיומי. יש תחומים שבהם המודל עדיין חלש יותר, כמו (CMT) תורת חומר מעובה, ענף בפיזיקה שחוקר את התנהגותם של חומרים מורכבים כמו מוליכי על ומבנים גבישיים, וכמו כל מערכת בינה מלאכותית הוא עלול לטעות. ובכל זאת, הכיוון הכללי ברור: AI הופך לכלי עבודה מדעי, לא רק לכלי מידע.

אם המגמה תימשך, ייתכן שנראה האצה משמעותית של ניסויים מדעיים, קיצור זמן פיתוח בהנדסה, יכולת לנתח מאמרים ולזהות כשלים לוגיים, ויצירה של מודלים פיזיקליים מורכבים בלחיצת כפתור. Deep Think מסמן את תחילתו של עידן שבו מודלים אינם רק עוזרי טקסט, אלא שותפים פעילים בתהליך החקירה המדעית.

הפוסט ג’מיני 3 Deep Think זו בינה מלאכותית שמתחילה לחשוב כמו חוקר הופיע ראשון בLet's AI בינה מלאכותית

חינמי שלא מאפשר עבודה אמיתית

עד לא מזמן, משתמשים שבחרו בגרסה החינמית של מודלי שיחה נתקלו במגבלות ברורות. הם לא יכלו ליצור מסמכים מורכבים, לא נהנו מאינטגרציות עם כלים חיצוניים, ולא יכלו להגדיר תהליכי עבודה קבועים. הפער בין משתמשים מזדמנים למקצוענים לא היה רק עניין טכני, אלא קבע בפועל מי יכול להסתמך על AI ככלי עבודה מלא ומי נאלץ להסתפק בפתרון בסיסי שמרגיש ניסיוני.

במקביל, חלק מהחברות בשוק החלו לבחון מודלים חינמיים המבוססים על פרסומות, כאשר OpenAI היא הדוגמה הבולטת. Anthropic זיהתה את המגמה הזו ובחרה להציע כיוון אחר: חוויית שימוש מקצועית, מלאה וללא פרסומות.

כלים מקצועיים לכולם

העדכון החדש של Claude משנה את כללי המשחק עבור משתמשים חינמיים, ומביא אליהם שלוש יכולות מרכזיות שהיו עד לאחרונה זמינות רק למנויים בתשלום:

יצירת קבצים מתקדמת

Claude מסוגל כעת ליצור ולערוך קבצים מסוג Excel, PowerPoint, Word ו-PDF ישירות מתוך השיחה, באמצעות מודל Sonnet 4.5. המשמעות היא שהצ'אט הופך לכלי עבודה מלא, שמסוגל להפיק תוצרים שלמים ולא רק טקסט גולמי.

Connectors: אינטגרציה עמוקה עם אפליקציות עבודה

משתמשים חינמיים מקבלים גישה ל-Connectors, המאפשרים ל-Claude לבצע פעולות בתוך שירותים כמו Google Workspace, Slack, Notion, Canva, Figma, דוא״ל ויומן. כך ניתן לתזמן פגישות, ליצור מסמכים בענן, לשלוח מיילים או להפיק עיצובים - הכול מתוך ממשק אחד רציף.

Skills: הוראות מותאמות אישית שמופעלות אוטומטית

המשתמש יכול להגדיר מיומנויות קבועות, כמו כללי ניסוח לדוחות, עיצוב מצגות או עמידה בקווים מנחים של מותג. Claude מפעיל את ההנחיות הללו באופן אוטומטי, ללא צורך להזכיר אותן בכל שיחה מחדש, מה שמאפשר עבודה עקבית ומהירה יותר.

שדרוג חוויית השיחה 

מעבר לכלים החדשים, Anthropic שיפרה גם את חוויית השיחה עצמה. המערכת תומכת כעת בהקשרים ארוכים יותר באמצעות מנגנון דחיסה אוטומטי, שמאפשר להמשיך שיחה רציפה בלי צורך להתחיל אותה מחדש. בנוסף, נוספו תצוגות אינטראקטיביות עשירות, מצב קול משופר לשימוש בדרכים וחיפוש תמונות מדויק ומהיר יותר.

עם זאת, החברה שומרת על בידול ברור בין הגרסה החינמית למנויים בתשלום. מודל Opus, מגבלות שימוש גבוהות יותר, Reasoning מתקדם, זיכרון מתמשך, מחקר אינטרנט, אינטגרציות Office ויכולות אייג׳נטיות ממשיכים להיות חלק מהשכבות המתקדמות בתשלום.

סטנדרט חדש לחינמי בעולם ה‑AI 

המהלך של Anthropic מציב רף חדש למה שמשתמשים יכולים לצפות לקבל מגרסה חינמית של מודל שיחה (בטח ממודל כמו קלוד). הוא מרחיב את הגישה לכלי עבודה מתקדמים שהיו עד לאחרונה פריבילגיה של מנויים, ומציע חוויית שימוש מלאה.

למרות שחלק מהיכולות המתקדמות נותרות בתשלום, הכיוון הכללי ברור - יותר כוח בידי המשתמשים, פחות מגבלות מלאכותיות, ומודל חינמי שמרגיש יותר כמו מוצר שלם ולא גרסה מצומצמת.

עבור רבים, בעיקר משתמשים שרוצים לעבוד עם קלוד ולמצות את היכולות שלו גם ללא מנוי, זהו שינוי שמגדיר מחדש את האיזון בין נגישות ליכולות, ומאותת על תחרות בריאה יותר בשוק ה‑AI.

הפוסט Claude מנגיש כלים מתקדמים למנויים חינמיים הופיע ראשון בLet's AI בינה מלאכותית

בין עקרונות אתיים למרוץ חימוש טכנולוגי

Anthropic מציגה את עצמה כאחת החברות המחויבות ביותר לפיתוח AI בטוח. מסגרת "Constitutional AI" שלה מגדירה קווים אדומים ברורים: אין תמיכה בפיתוח נשק, אין סיוע באלימות, ואין שימושים מבצעיים שעלולים לגרום לפגיעה בבני אדם. במקביל, החברה כבר החלה לפתח גרסאות ייעודיות לממשלה האמריקאית, כמו סדרת Claude Gov, שנבנתה על בסיס משוב מסוכנויות ביטחון ונועדה לפעול בסביבות מסווגות בלבד. המהלך הזה משקף את הניסיון של Anthropic לאזן בין עקרונות בטיחות מחמירים לבין דרישות ממשלתיות גוברות.

אלא שבאותו זמן הפנטגון נמצא בעיצומו של מרוץ טכנולוגי מול סין ורוסיה, ומקדם באופן אינטנסיבי שילוב של AI בכל שכבות הפעולה הצבאית, החל מניתוח מודיעין ועד קבלת החלטות בזמן אמת. בנקודה הזו נכנסת לתמונה Palantir. החברה, שמלווה את מערכת הביטחון האמריקאית כבר יותר מעשור, מספקת שכבת תיווך שמאפשרת להפעיל מודלים אזרחיים על רשתות מסווגות. המשמעות היא שגם אם יצרנית המודל אינה מעוניינת בשימוש צבאי, הצבא עדיין יכול להפעיל אותו דרך תשתיות צד שלישי.

מבצע צבאי, תקיפות אוויריות ו-AI

לפי הדיווחים, המבצע בקראקס כלל תקיפות אוויריות על כמה אתרים שבהם שהו מדורו ואשתו. היו נפגעים בקרב כוחות ונצואלים וקובנים, אך לא דווח על נפגעים אמריקאים. לאחר המעצר הועבר מדורו לניו יורק, שם הוא עומד בפני אישומי סחר בסמים.

במהלך המבצע עצמו, ולא רק בשלב ההכנות, הופעל Claude דרך מערכות Palantir. המקורות אינם מפרטים מה היה תפקידו המדויק, אך מציינים שהצבא כבר בחן בעבר שימוש במודלי שפה לניתוח תמונות לוויין, סיכום מודיעין, תרגום בזמן אמת או זיהוי דפוסים במידע מבצעי.

חשוב להדגיש שאין מידע רשמי על תרומתו המדויקת של Claude למבצע, ואין אינדיקציה לכך שהמודל קיבל החלטות מבצעיות או הנחה ירי. כל שניתן לומר בוודאות הוא שהוא הופעל כחלק ממערך תמיכה מודיעיני שסייע לכוחות שפעלו בשטח.

ניקולס מדורו במנהטן לאחר שנלכד | Credit: XNY/Star Max/GC Images

העימות השקט

כאן מתחיל החלק הרגיש ביותר בסיפור. לפי אחד המקורות, Anthropic פנתה לפנטגון בבקשה להבין כיצד נעשה שימוש במודל שלה במהלך המבצע, צעד טבעי עבור חברה שמנסה לאכוף מדיניות אתית. על פי אותו דיווח, הפנטגון הגיב באיום לבטל חוזה בהיקף של 200 מיליון דולר. Anthropic מצידה מכחישה שהייתה פנייה כזו או שהתקיים עימות כלשהו.

הפער בין הגרסאות הוא אחד המקומות שבהם המידע אינו חד משמעי, והוא מדגיש עד כמה מורכב הממשק בין חברות AI אזרחיות לבין מערכת הביטחון האמריקאית. מה שכן ברור הוא שהפנטגון מעוניין במודלים פחות מוגבלים, בעוד Anthropic מנסה לשמור על עקרונותיה. האירוע בקראקס ממחיש עד כמה קשה ליצרניות AI לשלוט בשימוש בטכנולוגיה שלהן ברגע שהיא נכנסת למערכות ביטחוניות.

Palantir כצינור שמחבר בין שני עולמות

Palantir משמשת כאן כמתווכת שמאפשרת לשלב מודלים אזרחיים בתוך מערכות צבאיות מסווגות. היא מפעילה את המודלים על תשתיות מאובטחות, עוטפת אותם במנגנוני הרשאות וניטור, ומאפשרת לצבא להשתמש בהם גם בלי לפנות ישירות לחברות שמפתחות אותם.

בפועל, זה יוצר מצב שבו מודל כמו Claude יכול לפעול בהקשרים שהיצרן שלו לא התכוון אליהם, ולעיתים אף מבלי שהיצרן ידע על כך בזמן אמת.

הגבולות בין אזרחי לצבאי נשחקים במהירות

האירוע בקראקס הוא לא רק סיפור על מבצע אחד, אלא סימפטום של מגמה רחבה הרבה יותר. מודלי שפה הופכים לכלי עבודה מרכזיים במודיעין, חברות AI מנסות להציב גבולות אך מתקשות לאכוף אותם, וקבלניות ביטחון כמו Palantir הופכות לשחקניות מפתח בשילוב AI בתוך תהליכים מבצעיים.

המרוץ הגלובלי ל‑AI צבאי דוחף את המערכת קדימה מהר יותר מהרגולציה, והפער בין AI אתי לבין AI מבצעי הולך ונסגר. לא משום שהחברות מעוניינות בכך, אלא משום שהמציאות הגיאופוליטית דוחפת לשימוש בכלים המתקדמים ביותר, גם אם הם נבנו במקור לשימוש אזרחי בלבד.

תקדים שמערער את כללי המשחק

הסיפור של Claude במבצע בקראקס מעלה שאלות כבדות משקל. האם חברות AI יכולות באמת לשלוט בשימוש שנעשה בטכנולוגיה שלהן? האם מודלים אזרחיים ימשיכו לזרום למערכות צבאיות דרך צדדים שלישיים? והאם עקרונות כמו "Constitutional AI" יכולים לשרוד בעולם שבו צבאות דורשים גישה לכלים המתקדמים ביותר?

אין תשובות חד משמעיות, אך ברור שהאירוע הזה מסמן שינוי עמוק. הגבולות בין AI אזרחי לצבאי נשחקים במהירות, והעידן שבו מודלי שפה פועלים כחלק ממערכות מבצעיות כבר אינו תרחיש עתידי. זו מציאות שמתרחשת עכשיו.

הפוסט איך Claude מצא את עצמו בלב מבצע צבאי אמריקאי הופיע ראשון בLet's AI בינה מלאכותית

"ריקוד עם הצללים"

על פי דיווחים בתקשורת הטכנולוגית, זה היה בדיוק הניסוי שביצעו עורכי הדין של מרטין במסגרת מאבק משפטי רחב יותר. הם ביקשו מ‑ChatGPT לכתוב המשך ל"עימות המלכים", הספר השני בסאגת "שיר של אש וקרח". התוצאה, כך נטען, הייתה מדויקת עד כדי צמרמורת - המערכת יצרה תקציר מפורט לספר דמיוני בשם "ריקוד עם הצללים" (A Dance with Shadows).

הבינה המלאכותית לא הסתפקה בטקסט גנרי. לפי הדיווחים, היא בנתה עולם שלם, המציאה דמות חדשה ממשפחת טארגאריין בשם "ליידי אלרה", שילבה מוטיבים של קסם דרקונים עתיק, טוותה פוליטיקה אכזרית ואף שתלה רמזים לספרים קודמים - אלמנטים המזוהים עמוקות עם סגנונו של מרטין.

מכאן עלתה המסקנה המתבקשת - כדי לייצר פלט כזה, המודל היה חייב "לקרוא" את ספרי המקור. ומרטין, כך ברור, מעולם לא נתן לכך אישור. לא מפתיע שהוא עצמו כינה את התופעה "גניבה של הנשמה היצירתית".

איגוד הסופרים נגד OpenAI

האירוע הזה הפך לאבן יסוד בתביעת ענק שמרעידה את עמק הסיליקון. איגוד הסופרים האמריקאי (Authors Guild), יחד עם שמות בולטים כמו ג'ון גרישם, שרה סילברמן וכמובן מרטין, תובעים את OpenAI ואת השותפה האסטרטגית שלה מיקרוסופט.

מכתב התביעה נחשפים נתונים מרשימים: לטענת התובעים, ChatGPT אומן על כ‑300,000 ספרים שנכללו במאגרי נתונים המכונים "Books1" ו‑"Books2". חלק גדול מהחומר הזה, כך נטען, הגיע ממקורות פיראטיים ומספריות צל כמו Library Genesis ו‑Bibliotik, ללא רשות וללא תשלום ליוצרים.

עד לאחרונה הסתמכו חברות ה‑AI על טענת "שימוש הוגן" (Fair Use), וטענו שהמודלים אינם מעתיקים יצירות אלא לומדים תבניות שפה, בדומה ל"ספרייה ענקית" או "קורא על‑אנושי". אלא שהטיעון הזה עמד בפני מבחן משמעותי.

בסוף אוקטובר 2025, השופט הפדרלי סידני סטיין מבית המשפט המחוזי בניו‑יורק קבע תקדים דרמטי. הוא דחה את בקשת OpenAI לסלק את התביעה על הסף, וקבע כי פלטים של בינה מלאכותית עשויים להיחשב "דומים מהותית" (Substantially Similar) ליצירות המקור, ובכך להוות הפרת זכויות יוצרים בפני עצמם.

סטיין הדגיש כי פלטים כאלה אינם רק כלי עזר, אלא עלולים לשמש "תחליפים פוטנציאליים" ליצירה המקורית. המשמעות מרחיקת הלכת היא, שגם אם ה‑AI לא מעתיקה מילה במילה, היא עשויה לגנוב את "המהות" של היצירה.

האם הספרים בסכנה?

איגוד הסופרים טוען שהנזק כבר כאן. לפי דיווחים, סטודנטים וקוראים משתמשים ב‑AI כדי לקבל סיכומים מדויקים להפליא של פרקים במקום לרכוש את הספרים עצמם. עורכי הדין של היוצרים טוענים כי מדובר למעשה במכונה שמייצרת נגזרות מסחריות במסווה של חדשנות טכנולוגית.

גילוי ראיות ופיצויים שעלולים להגיע למיליארדים

בשנת 2026 נכנסת התביעה לשלב הקריטי של גילוי הראיות (Discovery). כעת עשויים להיחשף הסודות המסחריים העמוקים ביותר של OpenAI: אילו ספרים שימשו לאימון? כיצד פועל האלגוריתם?
הסיכון הכלכלי עצום.

רק בספטמבר האחרון נרשם תקדים משמעותי כאשר חברת Anthropic, מפתחת מודל Claude, הסכימה לשלם כ‑1.5 מיליארד דולר בהסדר פשרה בתביעה דומה. אם OpenAI תפסיד, הפיצויים הרטרואקטיביים עלולים להיות גבוהים בהרבה.

מרטין עצמו כבר הצהיר בעבר שלא יסיים את ספרו אם ה‑AI תעשה זאת לפניו - אמירה דרמטית שמסמלת את עומק המשבר. אך מעבר לכסף ולמשפט, מרחפת שאלה עמוקה יותר: האם הבינה המלאכותית בדרך להפוך ל"נטפליקס של הספרות"? מכונה שמייצרת ספרים, סדרות ושירים בהתאמה אישית, בלחיצת כפתור?

האמת היא שזה כבר קורה. יוצרים ותסריטאים משתמשים בכלים הללו יותר ויותר, והתביעה הנוכחית עשויה להיות המחסום האחרון לפני מציאות שבה הגבול בין יצירה אנושית לאלגוריתם ייעלם לחלוטין.

סיפור על מעריצים חסרי סבלנות

המאבק סביב "ריקוד עם הצללים" הוא הרבה יותר מסיפור על מעריצים חסרי סבלנות. הוא מגלם את אחת השאלות הגדולות של עידן הבינה המלאכותית: מי שולט ביצירה, מי מרוויח ממנה, ומה יישאר מהייחוד האנושי בעולם שבו אלגוריתמים מסוגלים לכתוב את "משחקי הכס" הבא. המשפט עוד רחוק מסיום, אבל דבר אחד ברור - התעשייה כולה עומדת בפני רגע מכונן, כזה שיקבע את עתיד היצירה בעשורים הקרובים.

הפוסט כשבינה מלאכותית כותבת את “משחקי הכס” הבא הופיע ראשון בLet's AI בינה מלאכותית

1. תכנון הוצאות גדולות

בשלב הראשון אפשר פשוט לפתוח את Gemini ולתאר לו במילים את היעד הכלכלי שלכם. בלי קבצים ובלי טבלאות, רק תמונת מצב כללית של הכנסות והוצאות. Gemini משתמש במידע הזה כדי לפרק יעד גדול לתכנית חיסכון חודשית ברורה.

פרומפט לדוגמה:

“אני רוצה לחסוך 50,000 ש”ח למקדמה על רכב עד דצמבר 2026. ההכנסה החודשית נטו שלי היא X וההוצאות החודשיות Y. בנה מפת חיסכון ל-12 חודשים והדגש את הסיכונים לחריגה.”

2. השוואת תרחישים פיננסיים

כשיש התלבטות בין שתי אפשרויות, אפשר להציג אותן ל-Gemini כמו שהן, ולבקש ממנו לנתח את ההשלכות של כל אחת לאורך זמן. זה עובד במיוחד טוב כשמדובר בהחלטות חודשיות שחוזרות על עצמן.

פרומפט לדוגמה:

“השווה בין שני תרחישים לשנת 2026:

תרחיש A: אני שומר את הרכב הנוכחי ומשלם 1,800 ש”ח בחודש.

תרחיש B: אני מוכר אותו, קונה רכב משומש במזומן וחוסך את ה-1,800 ש”ח בכל חודש. הצג את ההבדל המצטבר אחרי שנה.”

3. בניית ‘מתרגם’ למסמכי מס

אם יש לכם מסמכי מס, חוזרים מקצועיים או הנחיות רשמיות, אפשר להעלות אותם ל-NotebookLM ולבקש מ-Gemini לעבוד אך ורק על בסיס החומר שסיפקתם. כך מתקבלת תשובה ממוקדת שלא נשענת על ניחושים.

פרומפט לדוגמה:

“אני פרילנס שעובד מהבית. בהתבסס רק על המסמכים המצורפים, אילו הוצאות עשויות להיות רלוונטיות להפחתת הכנסה חייבת ומה דורש בדיקה מקצועית.”

4. בניית תפריט שבועי חסכוני

במקום לאלתר בסופר, אפשר לתכנן מראש. כאן פשוט מתארים ל-Gemini את התקציב, והוא בונה תפריט שבועי ורשימת קניות בהתאם.

פרומפט לדוגמה:

“תקציב הקניות השבועי שלי הוא 700 ש”ח. בנה תפריט ל-7 ימים עם מרכיבים פשוטים, זולים ועונתיים, וצרף רשימת קניות מסודרת.”

5. ניסוח מיילים להורדת הוצאות

כאשר רוצים לפנות לחברת ביטוח, ספק אינטרנט או כל נותן שירות אחר, אפשר לבקש מ-Gemini לנסח מייל מקצועי שאפשר להעתיק ולשלוח.

פרומפט לדוגמה:

“נסח מייל מנומס אך אסרטיבי לבקשת הנחה בביטוח רכב, תוך אזכור הצעות מתחרות הקיימות בשוק.”

6. יצירת טבלת תקציב מקצועית

אם אתם עובדים עם Google Sheets, אפשר לבקש מ-Gemini לבנות עבורכם את מבנה הטבלה ישירות בתוך הגיליון. זה חוסך זמן ומונע טעויות כבר מהשלב הראשון.

פרומפט לדוגמה:

“צור טבלת תקציב חודשית לשנת 2026 עם עמודות: קטגוריה, תקציב, בפועל וסטייה. הוסף שורות למזון, בילויים ובריאות, עם עיצוב ברור.”

7. סיווג אוטומטי של הוצאות

כאשר יש גיליון עם פירוט עסקאות, אפשר להשתמש ב-Gemini כדי להפוך טקסט לא מובנה לקטגוריות ברורות, מה שמקל מאוד על ניתוח התקציב.

פרומפט לדוגמה:

“נתח את תיאורי העסקאות בעמודה A. בעמודה B סווג כל עסקה לקטגוריות: מזון, תחבורה, דיור, בילויים או שונות.”

8. כתיבת נוסחאות בלי ידע טכני

במקום לזכור פונקציות או לחפש באינטרנט, אפשר להסביר ל-Gemini מה רוצים לחשב, והוא כותב את הנוסחה ומסביר אותה.

פרומפט לדוגמה:

“כתוב נוסחה שמחשבת כמה חודשים ייקח לסגור חוב של 15,000 ש”ח בריבית שנתית של 20% עם תשלום חודשי של 1,000 ש”ח. הסבר איך הנוסחה עובדת.”

9. איתור דליפות תקציב

אחרי שמצטברים נתונים, אפשר להדביק או להפנות אליהם ולבקש מ-Gemini לזהות מגמות חריגות או עליות לא צפויות בהוצאות.

פרומפט לדוגמה:

“נתח את ההוצאות שלי בינואר עד מרץ 2026. אילו קטגוריות עלו באחוזים הגבוהים ביותר לעומת ממוצע 2025? הצג סיכום ברור.”

10. איתור מנויים רדומים

כאשר נותנים ל-Gemini גישה לתיבת המייל, הוא יכול לעזור לאתר חיובים חוזרים דרך קבלות ואישורי תשלום שנשלחו במייל.

פרומפט לדוגמה:

“מצא קבלות של מנויים חוזרים מהחצי שנה האחרונה. הצג שם שירות, עלות חודשית ותאריך חידוש.”

פרטיות, אבטחת מידע ומגבלות שימוש

לפני שאתם מתחילים, חשוב לעצור רגע ולהפעיל שיקול דעת. Gemini, כמו כל מודל שפה, מעבד ועובד על המידע שאתם בוחרים לשתף איתו. זה אומר שכאשר מעלים נתונים אישיים, פיננסיים או מסמכים רגישים, כדאי לחשוב מראש מה נוח לכם לשתף ומה לא.

במקרים של חשש, אפשר לטשטש או להלבין נתונים, להסיר פרטים מזהים או לעבוד עם נתונים כלליים או סימנים מוסכמים שרק אתם מכירים. זה נכון לא רק ל-Gemini אלא לכל כלי AI. בנוסף, חשוב לזכור שרוב השימושים במדריך הזה אפשריים גם דרך חשבון חינמי, במיוחד כשמדובר בעבודה טקסטואלית ותכנון כללי.

יחד עם זאת, יש מגבלות, ויש יכולות שמבוססות על חיבור לשירותים כמו Google Sheets או Gmail, ולעיתים גם על מנוי בתשלום. ככל שמבינים מראש את גבולות ומגבלות הכלי, כך השימוש בו יהיה בטוח, מודע ויעיל יותר.

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

לפרטים נוספים לחצו כאן >>

לסיכום, בעזרת כמה פרומפטים פשוטים, Gemini יכול לעזור לכם לעבור מתקציב מבולגן לתמונה פיננסית ברורה. ככל שתספקו לו מידע מדויק יותר, כך התובנות וההמלצות יהיו שימושיות יותר, ותוכלו להשקיע פחות זמן בניהול מספרים ויותר זמן בהשגת היעדים שלכם.

הפוסט מדריך למשתמש: 10 דרכים חכמות לתכנון תקציב אישי לשנת 2026 בעזרת Gemini 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

מצמיחה מהירה לשלב הבשלות

בעשור האחרון התרגלנו להייטק שפועל בקצב מואץ עם גיוסי ענק, תחרות חריפה על עובדים וצמיחה מהירה במספר המועסקים. שנת 2025 סימנה נקודת מעבר, סיום של תקופה חריגה וכניסה לשלב בוגר ומפוכח יותר. בתוך המעבר הזה עולה שאלה שמלווה רבים בתעשייה: האם הכלים שיצרנו אתמול עלולים להחליף אותנו מחר?

סקר המעסיקים המקיף שנערך בדצמבר 2025 בקרב 263 חברות, המייצגות כ-80 אחוז מעובדי הענף, מערער כמה מההנחות הרווחות. המסקנה המרכזית ברורה - לא מדובר בשבר חד בשוק העבודה, אלא בתהליך של התאמה הדרגתית.

האיום שלא מומש (בינתיים)

למרות החדירה הרחבה של כלי Generative AI לארגונים, הנתונים מצביעים על כך שהבינה המלאכותית כמעט ואינה מהווה סיבה מרכזית לפיטורים. מבין החברות שביצעו פיטורים רוחביים בשנה החולפת, 75 אחוז ציינו התייעלות כלכלית כסיבה עיקרית, ו-27 אחוז הצביעו על מצב עסקי מאתגר. רק 13 אחוז הזכירו את הבינה המלאכותית כאחד הגורמים, וברוב המקרים מדובר בגורם נלווה ולא בלעדי.

על פי על דיווח עצמי של מעסיקים, AI הוא לא הגורם המרכזי לפיטורים

הפער הזה בין התחזיות לבין המציאות בולט גם בדברי דרור בין, מנכ"ל רשות החדשנות: "הנתונים מצביעים על פער משמעותי בין השיח הציבורי סביב הבינה המלאכותית לבין מה שקורה בפועל בשטח. ה-AI כבר מוטמע בליבת הפעילות של החברות, אך הוא אינו מחליף עובדים בהיקפים משמעותיים.

שוק של מעסיקים

אם בשנים 2021 ו-2022 העובדים הם שהכתיבו את התנאים, שנת 2026 פוגשת שוק עבודה שנשלט בעיקר על ידי המעסיקים. שיעור העזיבה מרצון ירד, והחברות אינן ממהרות עוד לגייס כל מועמד פנוי. כוח המיקוח עבר צד.

מדובר במגמה מצטברת, לא בנקודת שבר אחת

אמנם 94 אחוז מחברות ההייטק דיווחו כי גייסו עובדים במהלך 2025, אך מדובר בשיעור גיוס מתון יחסית, 7.9 אחוז בלבד מסך המועסקים. במקביל, המיקוד הניהולי השתנה. הדגש אינו עוד על הרחבת מצבת כוח האדם, אלא על פריון. במקום לגייס עוד עשרה מהנדסים, החברות בוחנות כיצד הבינה המלאכותית יכולה לאפשר לעשרה הקיימים לעבוד בצורה יעילה, מדויקת ובעלת ערך גבוה יותר.

השינוי מתרחש בתוך הארגון

הסקר מצביע על חדירה עמוקה של הבינה המלאכותית אל תוך שגרת העבודה הארגונית, הרבה מעבר לשימוש נקודתי או ניסיוני. 

הנתונים מתייחסים לרמת ההטמעה הארגונית, לא לשימוש אישי בכלים

52 אחוז מהחברות דיווחו על הטמעה של כלי AI בתהליכים טכנולוגיים עמוקים, כמו פיתוח ותשתיות, 43 אחוז מהחברות משתמשות בכלי AI גם בתפקידי מעטפת, בהם שיווק, מכירות ומשאבי אנוש, ו-42 אחוז מהחברות כבר מעסיקות עובדים בתפקידים ייעודיים לבינה מלאכותית, בהם מהנדסי GenAI, מומחי הטמעה ומנהלי תאימות.

מתייחס לתפקידים ייעודיים, לא להיקף המשרות או לקצב הגיוס הכולל

התמונה שעולה מצביעה על כך העבודה אינה נעלמת, אלא משתנה. הביקוש לכוח אדם אינו מצטמצם באופן גורף, אלא עובר שינוי באופי המיומנויות. פחות עיסוק בפיתוח קוד בסיסי, ויותר יכולת לעבוד לצד מערכות חכמות, לנהל סוכני AI, ולפקח על מודלים מורכבים בתוך תהליכי העבודה.

האתגר האמיתי הוא הכשרה, לא פיטורים

במבט קדימה לשנת 2026, רק 15 אחוז מהמעסיקים בענף מתכננים פיטורים, ורובם המכריע, 71 אחוז, מצהירים שלבינה מלאכותית אין קשר להחלטה. גם אם מדובר בדיווח עצמי של מעסיקים, התמונה הכללית ברורה. האתגר המרכזי של ההייטק הישראלי אינו גל פיטורים רחב, אלא פער מיומנויות הולך ומתרחב.

השפעה עמוקה על תהליכים ופריון, השפעה מוגבלת על פיטורים

הענף נכנס לשלב בוגר יותר. שלב שבו הבינה המלאכותית אינה נתפסת כאיום קיומי על התעסוקה, אלא ככלי אסטרטגי לשיפור פריון, איכות והחלטות עסקיות. העובד של 2026 הוא לא מי שמתחרה במכונה, אלא מי שיודע לעבוד לצידה, להפעיל אותה נכון, ולתרגם יכולות טכנולוגיות לערך ממשי עבור הארגון.

כך מסכם זאת דרור בין, מנכ"ל רשות החדשנות: "האתגר המרכזי הוא התאמת מיומנויות ושילוב נכון של טכנולוגיות חדשות".

הפוסט האם ה-AI באמת יגנוב לכם את המשרה? הופיע ראשון בLet's AI בינה מלאכותית

שינוי כיוון, לא רק שדרוג

Anthropic מציגה את Claude Opus 4.6 כגרסה המשופרת של המודל החזק ביותר שלה, אך הדגש הוא לא על שיפור נקודתי אלא על שינוי עמוק יותר באופן שבו המודל עובד לאורך זמן.

Opus 4.6 מתכנן בזהירות רבה יותר, שומר על רציפות במשימות אייג׳נטיות מורכבות, ומתפקד בצורה יציבה יותר בתוך קודבייסים גדולים. בנוסף, שופרו יכולות ביקורת הקוד והדיבוג, כולל היכולת של המודל לזהות טעויות שנוצרו במהלך העבודה ולא רק בדיעבד.

Claude Opus 4.6 מול מודלים מובילים | Anthropic

התמונה שעולה מהבנצ׳מרקים אינה של יתרון נקודתי אחד, אלא של פרופיל יכולות רחב יותר: עבודה אייג׳נטית, שימוש בכלים, חיפוש, reasoning רב-תחומי ומשימות משרדיות. במובן הזה, השדרוג אינו מתבטא רק בציון כזה או אחר, אלא בהתרחבות היכולת של המודל להתמודד עם סוגים שונים של משימות במסגרת אותו מודל.

לצד זאת, זו הפעם הראשונה שמודל ממשפחת Opus מקבל חלון הקשר של מיליון טוקנים, גם אם בגרסת בטא. התמיכה בפלט של עד 128 אלף טוקנים מאפשרת להשלים משימות גדולות מבלי לפצל אותן לרצפים ארוכים של בקשות, מה שמקטין חיכוך ושומר על רציפות לוגית לאורך זמן.

חשוב לא פחות, Anthropic מדגישה שהיכולות האלו אינן מיועדות רק לעולמות הקוד. Opus 4.6 מוצג ככלי לעבודה יומיומית: ניתוחים פיננסיים, מחקר, עבודה עם מסמכים, גיליונות נתונים ומצגות, במיוחד דרך סביבת Cowork, שבה Claude יכול לבצע ריבוי משימות באופן אוטונומי כחלק מתהליך עבודה אחד.

חלון הקשר עצום, אבל הבעיה האמיתית היא הזיכרון

אז חלון הקשר של מיליון טוקנים הוא באמת אחד הנתונים הבולטים ביותר בהשקה של Claude Opus 4.6, אבל החשיבות האמיתית אינה בכמות המידע שניתן להזין למודל, אלא ביכולת שלו לשמור עליו ולהשתמש בו לאורך זמן. Anthropic מתייחסת במפורש לבעיה מוכרת בשם context rot, שבה איכות הביצועים יורדת ככל שהשיחה או המשימה מתארכת וההקשר הולך ומצטבר.

כדי להמחיש שיפור מהותי ולא רק הרחבת קיבולת, Anthropic מציגה נתונים ממבחן MRCR v2, הבודק את יכולת המודל לאתר פרטים חבויים בתוך כמויות גדולות של טקסט. בגרסת 8-needle עם הקשר של מיליון טוקנים, Claude Opus 4.6 מגיע ל-76 אחוזי הצלחה, לעומת 18.5 אחוז בלבד עבור Sonnet 4.5. גם בהקשר קטן יותר של 256 אלף טוקנים הפער חד במיוחד: Opus 4.6 מגיע ל-93 אחוז, בעוד Sonnet 4.5 נשאר סביב 10.8 אחוז.

לא רק כמה טקסט נכנס, אלא כמה מידע באמת נשלף | Anthropic

הנתונים האלה מחדדים נקודה חשובה גם עבור קוראים שאינם טכניים. קיבולת לבדה אינה מספיקה. הערך האמיתי של חלון הקשר גדול מתחיל רק כאשר המודל מצליח לשלוף את הפרט הנכון בזמן הנכון, גם כשהוא קבור עמוק בתוך ההקשר. בלי יכולת כזו, עבודה אייג׳נטית ומשימות ארוכות פשוט אינן יכולות להתקיים בצורה יציבה.

מסוכנים תיאורטיים לצוותים עובדים

המונח agentic AI נשמע כבר לא מעט במחוזותינו, אך במקרים רבים הוא נשאר ברמת ההבטחה. הרעיון של סוכן אוטונומי שמקבל מטרה ומבצע אותה מקצה לקצה עדיין מתקשה לעבור מהדגמות מרשימות לעבודה יומיומית יציבה.

במקרה של Opus 4.6, אנשי Anthropic מנסים לעגן את הרעיון הזה לא רק ביכולות המודל, אלא בתשתית מוצרית שמדמה עבודה צוותית אמיתית.

Claude Code מקבל יכולת חדשה של agent teams, בשלב מחקרי, המאפשרת להפעיל כמה סוכנים במקביל הפועלים כצוות ומתאמים ביניהם משימות. היכולת הזו מיועדת במיוחד למשימות שמתפצלות לתת-משימות עצמאיות, כמו סקירת קודבייסים גדולים או ניתוח רכיבים שונים של מערכת מורכבת.

כשיש רציפות ותכנון, אפשר להתחיל לעבוד בצוותים של סוכנים | Anthropic

ההיגיון מאחורי צוותי סוכנים נשען על אותה יכולת בסיסית שנמדדת בבנצ’מרקים של Agentic Coding: תכנון, ביצוע ורציפות לאורך רצף פעולות. כאשר מודל מצליח להחזיק תהליך כזה בצורה עקבית, ניתן להתחיל לפרק אותו לתת-משימות מקבילות ולהפעיל עליו חלוקת עבודה, בדומה לצוות אנושי.

במקביל, Cowork מוצגת כסביבה שבה Claude יכול לקבל מטרה רחבה, למשל מחקר או בניית דוח, ולבצע אותה באופן אוטונומי תוך שילוב מסמכים, טבלאות וניתוחים. החידוש כאן אינו רק במודל עצמו, אלא באופן שבו הוא משתלב בתהליך עבודה שמדמה צוות מתואם, ולא עוזר בודד שפועל משימה אחר משימה.

שליטה בעומק החשיבה, לא רק בתוצאה

אחד החידושים הפרקטיים ביותר בהשקה של Claude Opus 4.6 הוא מנגנון ה-adaptive thinking. במקום בחירה בינארית בין הפעלה או כיבוי של חשיבה מורחבת, המודל יכול כעת להחליט בעצמו מתי יש צורך בהעמקה ומתי ניתן לפעול במהירות. שאלות פשוטות זוכות למענה זריז, בעוד משימות מורכבות יותר מקבלות טיפול יסודי וזהיר יותר.

לא כל משימה דורשת אותו עומק חשיבה | Anthropic

היכולת הזו מקבלת משמעות מיוחדת כאשר בוחנים משימות הדורשות חשיבה רציפה על פני הקשר ארוך. מדדים של reasoning בהקשר רחב, כמו Graphwalks (מעקב לוגי רב־שלבי), מדגישים שלא כל משימה זקוקה לאותה רמת עומק, אך כאשר נדרש תכנון מורכב לאורך רצף של צעדים, איכות החשיבה עצמה הופכת לגורם מכריע. כאן עולה לא רק השאלה כמה המודל מסוגל לחשוב לאורך זמן, אלא מתי נכון שיפעיל חשיבה עמוקה ומתי לא.

ממשק הבחירה של מודלי Claude בתוך סביבת הצ’אט

לצד ההחלטה האוטומטית של המודל, Anthropic מוסיפה גם שליטה ידנית למפתחים דרך ארבע רמות effort (מאמץ): low, medium, high שהיא ברירת המחדל, ו-max. השליטה מתבצעת דרך ה-API באמצעות פרמטר פשוט (effort/) ומאפשרת לכוון את האיזון בין איכות, זמן תגובה ועלות. החברה גם מדגישה במפורש שחשיבה עמוקה מדי במשימות פשוטות עלולה להוסיף עלות ועיכוב מיותרים, ולכן מומלץ להתאים את רמת המאמץ לאופי המשימה.

במובן הזה, מדובר בניסיון להפוך את “החשיבה” של מודל שפה ממשהו מופשט ובלתי נראה לפרמטר תפעולי שניתן לנהל, לכוון ולהתאים להקשר.

אמינות ובטיחות כחלק מהליבה

בניגוד להשקות רבות בתעשייה, נושא הבטיחות אינו מוצג כאן כנספח או כהערת שוליים. לפי החומרים שהוצגו, Claude Opus 4.6 נבדק על מגוון רחב של הערכות בטיחות, והראה שיעור נמוך של התנהגויות לא מיושרות (Misalignment). בין ההתנהגויות שנבדקו נכללות הטעיה, חנופה למשתמש (Sycophancy), עידוד דלוזיות ושיתוף פעולה עם שימוש לרעה.

פחות התנהגות ״לא מיושרת״ תביא יותר יציבות לאורך זמן | Anthropic

הנתונים מצביעים על מגמת שיפור עקבית לאורך דורות המודל. בגרף “Overall misaligned behavior”, המודל Opus 4.6 מגיע לרמה הנמוכה ביותר מבין מודלי Claude האחרונים, מה שמעיד על ירידה מתמשכת בשכיחות של התנהגויות בעייתיות. במקביל, מצוין כי שיעור ה-over-refusals הוא הנמוך ביותר, כלומר המודל נוטה פחות לסרב לבקשות לגיטימיות כחלק מתפקוד שוטף.

בהקשר של סוכנים אוטונומיים, המשמעות חורגת משאלות של ערכים או רגולציה. כאשר מודל אמור לפעול לאורך זמן, לקבל החלטות ביניים ולהניע תהליכים מורכבים, אמינות התנהגותית הופכת לתנאי בסיס לאמינות תפעולית.

בנצ’מרקים כהקשר, לא כהבטחה

Anthropic מציגה שורה של הישגים בבנצ’מרקים שונים, בהם Terminal-Bench 2.0 למשימות agentic, Humanity’s Last Exam להסקה רב-תחומית, ו-BrowseComp לאיתור מידע קשה ברשת. בין המדדים הללו, בולט במיוחד GDPval-AA, שמכוון לא להערכת ידע מופשט אלא לביצועי המודל במשימות עבודה בעלות ערך כלכלי, בתחומים כמו פיננסים, משפט וניתוח עסקי.

מדידת ערך בעבודה אמיתית, לא רק בביצועים ניסיוניים | Anthropic

ב-GDPval-AA, הנתונים מוצגים בסולם Elo , המאפשר השוואה יחסית בין מודלים על בסיס ביצועי ידע יישומיים או בפשטות, כמה הוא טוב ביחס למודלים אחרים באותו מבחן. Opus 4.6 מוביל במדד הזה בהפרש ניכר ביחס לדורות הקודמים ולחלק מהמודלים המתחרים, מה שמחזק את הטענה שהשיפור אינו מוגבל ליכולות קוד או מחקר, אלא נוגע גם לעבודה מקצועית יומיומית.

יחד עם זאת, גם לפי האופן שבו ההשקה עצמה ממוסגרת, הבנצ’מרקים אינם מוצגים כהוכחה מספקת בפני עצמה. הם נועדו לספק הקשר ולתמוך בסיפור רחב יותר. עבור משתמשים, הערך האמיתי אינו נמדד בציון כזה או אחר, אלא ביכולת להשלים משימות ארוכות עם פחות תיקונים, פחות אובדן הקשר ופחות טעויות מצטברות לאורך הדרך.

אקסל ומצגות: נקודת המפגש עם היום יום

חלק מרכזי בהשקה של Claude Opus 4.6 הוא ההשקעה בכלי עבודה יומיומיים, ולא רק ביכולות מודל מופשטות. Claude in Excel קיבל שדרוגים משמעותיים, כולל יכולות compaction של הקשר (סיכום ודחיסת הקשר ישן), עבודה עם כמה קבצים במקביל, עיצוב מותנה, טבלאות ציר ואימות נתונים. המודל מתואר ככזה שמתכנן לפני פעולה, מבין מידע לא מובנה ומסוגל לבצע שינויים מורכבים במהלך אחד, בלי להתפרק לרצף ארוך של שלבים ידניים.

קוהרנטיות לאורך זמן מאפשרת עבודה יומיומית יציבה | Anthropic

היכולות האלו נשענות על תכונה בסיסית אך קריטית - שמירה על קוהרנטיות לאורך זמן. מדדים של long-term coherence, כמו Vending-Bench 2, בוחנים האם מודל מצליח להחזיק הקשר, כוונה ויעד לאורך רצף פעולות, גם כשהמשימה מתארכת ומסתעפת. זו בדיוק היכולת שנדרשת כאשר עובדים על גיליון נתונים מורכב או מבצעים סדרת שינויים תלויים זה בזה. אותה רציפות שנמדדת כאן כמדד מחקרי היא בדיוק מה שנדרש כשעובדים על קובץ אקסל שמתפתח לאורך עשרות פעולות תלויות.

במקביל, Claude in PowerPoint, שנמצא בשלב מחקרי, מאפשר לבנות ולעדכן מצגות תוך התאמה לתבניות קיימות, כולל שמירה על פריסות, פונטים וסטנדרטים מותגיים. הבחירה להשקיע בכלי אופיס מצביעה על כיוון ברור שבו עבור ארגונים רבים, אימוץ בינה מלאכותית אינו מתחיל במעבדה או ב-IDE, אלא דווקא במשימות היומיומיות שבהן רציפות, עקביות ודיוק הם תנאי בסיס.

תמחור, מגבלות וקרדיט מתנה

אחרי שמבינים מה המודל יודע לעשות בפועל, השאלה הבאה והבלתי נמנעת היא כמה זה עולה כשמריצים את זה בפרודקשן. לפי ההכרזה הרשמית, התמחור הבסיסי של Claude Opus 4.6 נשאר ללא שינוי: 5 דולר למיליון טוקנים בקלט ו-25 דולר למיליון טוקנים בפלט. יחד עם זאת, יש כאן גבול ברור. מעל 200 אלף טוקנים נכנס לתוקף תמחור פרימיום של 10 דולר לקלט ו-37.5 דולר לפלט למיליון טוקנים.

בנוסף, לארגונים עם דרישות רגולציה, ציות או אבטחת מידע, קיימת אפשרות להרצה ב-US-only inference במחיר גבוה בכעשרה אחוזים. המשמעות היא שעבודה עם חלון הקשר עצום היא לא רק החלטה טכנולוגית, אלא גם החלטה תקציבית שיש לנהל במודע.

במקביל, Anthropic מחלקת למנויי Pro ו-Max קרדיטים של 50 דולר לשימוש נוסף. הקרדיט ניתן לניצול באמצעות מנגנון Extra Usage, אותו מפעילים דרך Settings → Usage בחשבון שלכם (ואז תלחצו Claim). לאחר הפעלת Extra Usage, ובמידה והגעתם ללימיט שלכם, ניתן להשתמש בקרדיטים לצורך עבודה ממושכת יותר עם Opus 4.6, פרויקטים גדולים ב-Cowork וכלים נוספים. הקרדיט מוגבל בזמן של 60 יום, ונועד לאפשר התנסות מעשית במשימות ארוכות שבהן היתרון של המודל בא לידי ביטוי.

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

לפרטים נוספים לחצו כאן >>

מודל שעומד במבחן הסיבולת

אם חוזרים לרגע שתואר בפתיח, אותו שלב שבו משימה ארוכה מתחילה להתפרק, ההשקה של Claude Opus 4.6 מציעה תשובה ממוקדת וברורה. לא פתרון קסם, אלא שיפור שיטתי ביכולת של מודל שפה להחזיק הקשר, לנהל מורכבות ולהישאר אמין גם כשהעבודה נמשכת, מסתעפת ומכבידה.

זה עדיין לא סוף הדרך. נותרו שאלות פתוחות סביב עלות, זמינות ויישום בעולם שהוא לא תמיד מסודר או צפוי. אבל אם יש מסר אחד שעולה בבירור מההשקה והיכולות של Opus 4.6, הוא שהמרוץ כבר אינו עוסק רק באיכות התשובה הראשונה, אלא ביכולת להחזיק תהליך שלם, מתחילתו ועד סופו. 

הפוסט Anthropic משיקה את Claude Opus 4.6 הופיע ראשון בLet's AI בינה מלאכותית

הרעש סביב AI והפער בנתונים

2025 הוכרזה כ"שנת הסוכנים" בתעשיית הטכנולוגיה. OpenAI, Anthropic, Google ו-Microsoft השיקו מוצרים שמבטיחים לבצע משימות בשם המשתמש, לא רק לענות על שאלות. אבל עד לאחרונה, רוב מה שידענו על השימוש בהם נשען על אנקדוטות, הדגמות שיווקיות וסקרים עצמיים. נתונים אמפיריים בהיקף גדול פשוט לא היו.

המחקר החדש משנה את זה. החוקרים ניתחו נתוני שימוש מ-Comet, דפדפן AI שפיתחה Perplexity והושק ביולי 2025. הדפדפן כולל סוכן משולב בשם Comet Assistant, שמסוגל לבצע פעולות באתרים: לשלוח מיילים, לערוך מסמכים, להזמין טיסות. במשך ארבעה חודשים אספו החוקרים מאות מיליוני אינטראקציות אנונימיות, ושאלו שלוש שאלות יסוד: מי משתמש בסוכני AI? כמה אינטנסיבי השימוש? ולאילו משימות?

התשובות מפתיעות. 57% מכלל השימוש מתרכז בשני תחומים בלבד: פרודוקטיביות וזרימות עבודה (36%) ולמידה ומחקר (21%). במקום לבקש מהסוכן להזמין מלון, משתמשים מבקשים ממנו לנתח מסמכים, לסכם מחקרים, לכתוב דוחות, לסנן מידע פיננסי או להבין חומר לימודי.

התפלגות השימוש בסוכני AI לפי נושאים | Perplexity

חקר הממצאים מתוך השטח

החוקרים מציגים דוגמאות קונקרטיות. איש רכש ביקש מהסוכן לסרוק עשרות סיפורי לקוח ולזהות שימושים רלוונטיים לפני פגישה עם ספק. סטודנט השתמש בו כדי לנווט בין חומרי קורס ולנתח את מה שהוא לומד. עובד פיננסים האציל לסוכן את סינון אופציות ההשקעה והפקת תובנות ראשוניות.

בכל המקרים האלה הסוכן לא מבצע את העבודה במקום המשתמש. הוא אוסף מידע, מעבד אותו ומספק סינתזה ראשונית שמאפשרת לאדם לקבל החלטות. החוקרים מכנים את זה "שותף לחשיבה" (thinking partner). זו הבחנה חשובה - הסוכן לא מחליף את החשיבה האנושית, הוא מרחיב את היכולת לעשות אותה.

למה דווקא בעבודה קוגניטיבית?

משימות פשוטות כמו הזמנת טיסה לוקחות דקות ספורות גם בלי סוכן, הערך המוסף קטן. אבל עבודה קוגניטיבית, כמו קריאת עשרות מסמכים, סינון מידע והפקת תובנות, היא צוואר הבקבוק של העבודה המודרנית. שם כל שעה שנחסכת היא שעה שמשתחררת לחשיבה, יצירתיות או קבלת החלטות.

זו הסיבה שסוכני AI מצאו את מקומם דווקא במשימות המורכבות. לא בגלל שהם יכולים לעשות אותן, אלא בגלל שדווקא שם הם באמת משנים את המשוואה.

מתחילים בקטן, מתקדמים במהירות

אחד הממצאים המעניינים במחקר הוא מסלול ההתפתחות של משתמשים. ביום הראשון, רוב האנשים שואלים שאלות קלילות: המלצות לסרט, רעיונות לטיול או טריוויה. אבל משהו משתנה כשהמשתמש חווה הצלחה ראשונה במשימה מורכבת, כמו דיבוג קוד או סיכום דוח פיננסי. מאותו רגע הוא כמעט לא חוזר למשימות הפשוטות.

שינוי בדפוסי השימוש לאורך זמן | Perplexity

הנתונים מראים דפוס עקבי. קטגוריות הפרודוקטיביות והלמידה הן בעלות שיעורי השימור הגבוהים ביותר. משתמשים שמתחילים להשתמש בסוכן למחקר או ללמידה נוטים להפוך למשתמשים קבועים לטווח ארוך.

המפה המקצועית: מי משתמש ולמה

המחקר מגלה התאמה חזקה בין תפקיד המשתמש לבין סוג המשימות שהוא מעביר לסוכן. סטודנטים מקדישים 43% מהשימוש שלהם ללמידה ומחקר. אנשי פיננסים - 47% לפרודוקטיביות. מעצבים משתמשים יותר במדיה, ואנשי תיירות בתכנון נסיעות.

שישה תחומים בלבד אחראים ל-70% מכלל הפעילות: טכנולוגיה, אקדמיה, פיננסים, שיווק, יזמות וסטודנטים. כולם עתירי ידע. המשמעות ברורה - ככל שהעבודה מבוססת יותר על עיבוד מידע וקבלת החלטות, כך הסוכן הופך לכלי מרכזי יותר.

השוואה בין שיעור האימוץ לשיעור השימוש בפועל | Perplexity

עשר פלטפורמות מרכזות 83% מהשימוש

ממצא נוסף מאתגר את התפיסה הרווחת. משתמשים לא עובדים עם הסוכן בסביבה נפרדת, הם משתמשים בו בתוך הכלים שהם כבר מכירים. עשר פלטפורמות בלבד מרכזות 83% מכלל הפעילות, כש-Google Docs, שירותי אימייל, LinkedIn ו-YouTube מובילות את הרשימה.

הריכוז בולט במיוחד בתחומים מסוימים: 93% מהמשימות בתחום הנטוורקינג המקצועי מתבצעות ב-LinkedIn, ו-90% מצפיית הווידאו ב-YouTube. המשמעות לחברות שמפתחות סוכני AI היא, שאם רוצים שהמוצר יהיה שימושי באמת, צריך לבנות אינטגרציות עמוקות במקומות שבהם המשתמשים כבר נמצאים.

הפיל בחדר: פערים דיגיטליים

המחקר חושף גם תמונה מדאיגה. שני משתנים מנבאים את קצב האימוץ טוב יותר מכל גורם אחר: תוצר מקומי גולמי לנפש ושנות השכלה ממוצעות. מדינות עשירות ומשכילות יותר מאמצות את הטכנולוגיה מהר יותר, והפער משמעותי.

הנתונים על מאמצים מוקדמים מחדדים את הנקודה. משתמשים שקיבלו גישה מוקדמת לסוכן, לפני שהוא נפתח לכולם, שולחים פי תשע יותר שאילתות ממשתמשים שהצטרפו מאוחר יותר. הם לא רק אימצו את הטכנולוגיה, הם למדו להשתמש בה ביעילות. אם הדפוס הזה יימשך, הפער בין מי שיודע לעבוד עם סוכן AI לבין מי שלא עלול להפוך ל"פער מיומנות קוגניטיבית".

מה כל זה אומר?

עבור התעשייה, המשמעות היא להשקיע בפיצ'רים שמקדמים פרודוקטיביות ולמידה, להתמקד במשתמשים שכבר גילו את הערך הקוגניטיבי, ולבנות אינטגרציות עמוקות עם הכלים שאנשים כבר משתמשים בהם. סוכני AI שימכרו את עצמם כ"עוזרים להזמנת טיסות" יפספסו את השוק האמיתי.

עבור מערכות החינוך וקובעי מדיניות, האתגר מורכב יותר. אם סוכני AI הופכים לכלי בסיסי לעבודה קוגניטיבית, כמו שהמחשב הפך לכלי בסיסי לעבודה משרדית, אז הנגישות אליהם היא שאלה של שוויון הזדמנויות. לא מדובר רק ברשיונות תוכנה או בחיבור לאינטרנט, אלא גם במיומנות לדעת איך להשתמש בכלי בצורה שמרחיבה יכולת, לא רק חוסכת זמן.

השאלה שנשארת פתוחה: האם סוכני AI יהפכו לתשתית בסיסית כמו אינטרנט, זמינים ונגישים לכולם, או לכלי פרימיום שמעצים בעיקר את מי שכבר נמצא בעמדת יתרון? המחקר לא נותן תשובה, אבל הוא מצביע על כיוון מדאיג. בלי מאמצים מכוונים להנגשה, הפער הדיגיטלי הבא כבר נבנה.

אם המחשב האישי הפך אותנו למפעילי תוכנה, סוכני AI הופכים אותנו למנהלי אינטליגנציה. השאלה היא מי יזכה להיות חלק מהמהפכה הזו, ומי יישאר בחוץ.

הפוסט מחקר על דפוסי שימוש חושף כיצד סוכני AI הופכים לשותפים קוגניטיביים 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

The era of large-scale AI is just beginning, and infrastructure will define what's possible. Meet Maia 200, Microsoft's breakthrough inference accelerator: https://t.co/uUsqBGjWAX pic.twitter.com/U4ZBc0xizl

— Microsoft Azure (@Azure) January 29, 2026

Inference הוא בור תקציבי שלא מדברים עליו

בעוד שהאימון (Training) זכה לכותרות, ההסקה (Inference) הפכה בשקט לאתגר הגדול של תעשיית ה‑AI. אם אימון מודל הוא כמו בניית מכונית פורמולה‑1, הרי שהאינפרנס הוא הנסיעה היומיומית, זו שמתרחשת מיליארדי פעמים ביום. וכאן מתגלה האבסורד - שבבי אנבידיה, שנועדו למסלול המרוצים, משמשים גם לנסיעה למכולת.

הם חזקים, אבל יקרים. מהירים, אבל בזבזניים. וכשמיקרוסופט מפעילה שירותים כמו Copilot ו‑Azure בקנה מידה עולמי, כל טוקן שנוצר הופך לשורה בהוצאות. כדי שה‑AI יהיה עסק בר‑קיימא, צריך לשנות את הכלכלה שלו ולא רק את היכולות שלו.

הפתרון: שבב מומחה שנולד למשימה אחת

ה-Maia 200 הוא לא "מוח" לכל מטרה. הוא מכונה משומנת שנבנתה מתוך הבנה עמוקה של צרכי השעה. כדי להבין את עוצמת השינוי, צריך לזכור שהדור הקודם, ה-Maia 100, היה מאיץ שנולד בעולם ה'טרום-GPT', עידן שבו הבינה המלאכותית הייתה משימה פשוטה בהרבה.

ה-Maia 200, לעומת זאת, הוא שבב שתוכנן במפורש לעידן ה'פוסט-GPT': הוא נבנה מהיסוד כדי להתמודד עם המורכבות האדירה של הסקה מולטי-מודאלית - היכולת לעבד טקסט, תמונה וקול בו-זמנית ובמהירות שיא.

הוא מיוצר בטכנולוגיה המתקדמת ביותר בעולם (3 ננומטר), מה שמאפשר למיקרוסופט לדחוס לתוכו 140 מיליארד טרנזיסטורים - אותם רכיבי חישוב זעירים שמהווים את ה'תאים האפורים' של השבב. זה פלא הנדסי שמציב אותו בשורה הראשונה של שבבי-העל המודרניים.

הבשורה האמיתית שלו היא היכולת לעבוד "רזה". במקום לבצע חישובים מסורבלים ויקרים, הוא משתמש בשיטות מתמטיות חכמות (המכונות FP4 ו-FP8) שמאפשרות לו לעבד נתונים במהירות שיא. זה סוג של "קיצור דרך" אלגנטי - השבב עונה על שאלות הרבה יותר מהר וצורך כמעט חצי מכמות החשמל של המתחרים, מבלי שהמשתמש ירגיש שום ירידה באיכות התשובה.

איך זה עובד? 

מעבר לעוצמת החישוב הגולמית, ה-Maia 200 פותר את אחת הבעיות המתסכלות ביותר בעולם המחשוב: המרחק בין ה"מוח" ל"זיכרון". דמיינו טבח שצריך להכין מנה במהירות, אבל כל פעם שהוא זקוק לתבלין, הוא חייב לרוץ למחסן בקצה הרחוב. השבב של מיקרוסופט משנה את חוקי המשחק בכך שהוא שם את ה"תבלינים" (נתוני המודל) ממש על שולחן העבודה של המעבד.

הוא עושה זאת באמצעות רכיב זיכרון מהיר במיוחד (SRAM) בנפח יוצא דופן, שנמצא על השבב עצמו. זה מאפשר לנתונים להישאר "ליד" יחידות העיבוד מבלי לבזבז זמן יקר על תנועה לזיכרון חיצוני איטי. הפתרון הזה מאפשר לשבב לעקוף את מה שנקרא בתעשייה "קיר הזיכרון" - צוואר בקבוק שמעכב כמעט כל שבב מודרני אחר וגורם להמתנה מיותרת של המערכת.

בנוסף, מיקרוסופט תכננה את ה-Maia 200 כך שיהיה "שחקן קבוצתי". במקום לדרוש הקמת מרכזי נתונים יקרים ומיוחדים, הוא תוכנן להשתלב בקלות בשרתים הקיימים של החברה (Azure). כאן נכנס היתרון של צריכת החשמל המאוזנת - בזמן ששבבי הדגל של המתחרים מתחממים כל כך עד שהם דורשים מערכות קירור מורכבות ויקרות (כמו קירור נוזלי), ה-Maia 200 מסתפק במערכות קירור סטנדרטיות. עבור מיקרוסופט, זה אומר שהיא יכולה להתקין אותו מהר יותר ובזול יותר.

התוצאה אינה תאורטית בלבד - השבב כבר מריץ בפועל את המודלים המתקדמים ביותר של החברה, כולל ה-Copilot שאנו מכירים. בקרוב, היכולת הזו תיפתח גם ללקוחות חיצוניים, מה שיהפוך את הבינה המלאכותית לנגישה וזולה יותר עבור עסקים בכל העולם.

הנה טבלת השוואה שממחישה את היתרון של Maia 200:

כוח גולמי מול יעילות תפעולית

הדרך לשוק

המסע של Maia 200 לא היה חלק. לפי דיווחים פנימיים, OpenAI, הלקוחה והשותפה החשובה ביותר של מיקרוסופט, דרשה באמצע הפיתוח שינויים משמעותיים בעיצוב השבב כדי להתאים למודלים העתידיים שלה. השינויים האלו, יחד עם קשיים טכניים ותחלופה גבוהה בצוותי ההנדסה, דחו את ההשקה בכחצי שנה.

בעולם שבו כל רבעון קובע, זה עיכוב משמעותי. בזמן שמיקרוסופט התמודדה עם האתגרים, גוגל השיקה את TPU v7 ואמזון התקדמה עם Trainium 3. ה-Maia 200 הגיע לשוק מאוחר יותר - אבל עם מיקוד ברור יותר.

המשמעות האסטרטגית

Maia 200 אינו ניסיון להחליף את אנבידיה. מיקרוסופט יודעת שהיא עדיין זקוקה למעבדי Blackwell לאימון מודלים חדשים. אבל השבב כן מאפשר לה לצמצם את התלות באנבידיה בשלב ההפעלה שבו מתבצעים רוב החישובים.

לפי החברה, Maia 200 מספק שיפור של כ‑30% בביצועים‑לדולר. עבור Azure ו‑Copilot, זה מתורגם ישירות לשולי רווח גבוהים יותר.

חשוב להבין ש‑Maia 200 אינו פועל לבד. הוא חלק מצמד - לצידו פועל Azure Cobalt 100, מעבד ARM ייעודי שמיקרוסופט פיתחה כדי להחליף את שרתי ה‑x86 המסורתיים. השילוב בין Cobalt שמנהל את שכבת ה‑CPU לבין Maia שמאיץ את שכבת ה‑AI יוצר תשתית אחידה, יעילה וזולה יותר, וזהו למעשה המהלך האמיתי שמאפשר למיקרוסופט להוריד עלות‑לכל‑טוקן בצורה משמעותית.

המורכבות מתעצמת כשמוסיפים למשוואה את OpenAI, שמפתחת שבבים משלה עם Broadcom. מיקרוסופט מוצאת את עצמה במצב שבו היא מפתחת שבב עבור לקוחת העוגן והשותפה העיקרית שלה, בזמן שהלקוח מנסה להפחית את התלות בה. התגובה של מיקרוסופט פרגמטית - פשוט להשתמש בכל מה שעובד. Maia, אנבידיה, ואולי בעתיד גם שבבי OpenAI.

עידן הכלכלה ב-AI

Maia 200 מסמן את המעבר של תעשיית ה‑AI משלב ההייפ לשלב התעשייה. אחרי שנים שבהן השאלה המרכזית הייתה “כמה גדול המודל?”, מגיעה הבנה חדשה: “כמה עולה להפעיל אותו?”.

ב‑2026, החדשנות הגדולה אינה רק ביכולות של המודל, אלא ביכולת להריץ אותו בצורה יעילה, חסכונית וברת‑קיימא. Maia 200 אולי לא יגנוב את הכותרות כמו שבבי הדגל של אנבידיה, אבל הוא מייצג את השינוי העמוק ביותר בתעשייה - שינוי שמגדיר מחדש את הכלכלה של הבינה המלאכותית.

הפוסט האם Maia 200 הוא הנשק של מיקרוסופט מול שלטון הסיליקון של אנבידיה? הופיע ראשון בLet's AI בינה מלאכותית

הצצה לעתיד היצירה הדיגיטלית

יצירת עולמות דיגיטליים הייתה תמיד תהליך איטי ויקר, הכולל מודלים תלת-ממדיים, טקסטורות, תאורה, פיזיקה, אנימציה וקוד. גם כלים גנרטיביים מתקדמים כמו Sora או Veo אינם פותרים את האתגר הזה, משום שהם מייצרים וידאו מרשים אך פסיבי.

על הרקע הזה Project Genie מרגיש כמו שינוי כיוון. הוא מאפשר ליצור עולם אינטראקטיבי בזמן אמת באמצעות משפט קצר או תמונה, ומציע חוויה שבה המשתמש לא רק צופה אלא נכנס למרחב חי ומתפתח. Genie אינו מוצר מוגמר, אך הוא מדגים מעבר מגנרטיביות פסיבית ליצירה אינטראקטיבית שבה העולם מגיב לכל צעד.

למי הכלי זמין ואיפה?

נכון להיום הכלי זמין ב‑Google Labs רק למנויי Google AI Ultra בארה״ב. אם אתם בכל זאת רוצים להתנסות ויש לכם מנוי אולטרה, אפשר להפעיל VPN ולהתחלק לשחק.

מודל עולם שמייצר את המציאות תוך כדי תנועה

בלב המערכת נמצא Genie 3, מודל עולם שמנסה לחקות לא רק את המראה של הסביבה אלא גם את ההתנהגות שלה. במקום לייצר סרטון קבוע מראש, המודל יוצר בכל פריים מצב עולם חדש בהתאם לפעולת המשתמש. כשהמשתמש מתקדם קדימה, העולם מתרחב קדימה, כשהוא מסתובב, נוצרת הסביבה שמאחוריו, וכשהוא חוזר לאותו מקום, המודל שומר על מה שכבר נוצר.

Genie 3 פועל בקצב של 24 פריימים לשנייה וברזולוציית 720p, ומאפשר עד דקה של אינטראקציה רציפה. אף שמדובר בזמן קצר, זו דקה של יצירה בזמן אמת - הישג טכנולוגי מורכב שמדגים את היכולת של מודלי עולם לייצר סביבה דינמית ומגיבה.

איך זה עובד בפועל: שלושה שלבים פשוטים

כדי להבין איך Project Genie פועל בפועל, כדאי להתבונן בשלושת השלבים שמרכיבים את חוויית היצירה והחקירה.

1. World Sketching

הכול מתחיל בשלב ה-World Sketching שבו המשתמש מגדיר את העולם באמצעות טקסט או תמונה. Nano Banana Pro מייצר תצוגה מקדימה של הסביבה, והמשתמש יכול לערוך את הסגנון, להוסיף פרטים, לבחור דמות או לקבוע את זווית המבט. כך מתקבלת סקיצה ויזואלית לפני הכניסה לעולם.

2. World Exploration 

בשלב השני, Genie 3 מייצר את העולם בזמן אמת. הסביבה מגיבה לכל תנועה, שומרת על עקביות בין פריימים ומעניקה תחושה של מרחב חי שמתפתח תוך כדי תנועה.

3. World Remixing 

השלב השלישי מאפשר לקחת עולמות קיימים ולבנות עליהם גרסאות חדשות. גלריית העולמות המובנית מאפשרת להתחיל מסביבה קיימת ולשנות אותה באמצעות פרומפטים, מה שמדגים את הפוטנציאל הדמוקרטי של הכלי - יצירה עשירה גם ללא ידע טכני.

מה חדשני כאן באמת?

החדשנות של Project Genie נובעת מהשילוב בין כמה יכולות שמופיעות יחד לראשונה. בראשן עומד המעבר מיצירת וידאו קבוע ליצירת סימולציה חיה שמגיבה למשתמש. נוסף על כך, Genie לומד פיזיקה מתוך אלפי שעות וידאו, ולא באמצעות מנוע פיזיקה קלאסי. הוא מסיק מסקנות על מסה, מהירות והתנגשות, מה שמאפשר גמישות רבה אך גם מוביל לעיתים לשגיאות.

יכולת נוספת היא שמירה על עקביות לאורך זמן. Genie זוכר מה התרחש בפריימים קודמים ומייצר המשכיות ויזואלית למשך עד דקה - משימה מורכבת במיוחד עבור מודלים גנרטיביים. כל זה מתאפשר בזכות שילוב בין Gemini להבנת פרומפטים, Nano Banana Pro ליצירת תמונות, ו-Genie 3 לסימולציה בזמן אמת.

מה עדיין לא עובד

לצד ההתקדמות, Genie עדיין מוגבל. מגבלת הזמן של 60 שניות נובעת מהעומס החישובי הגבוה. הפיזיקה אינה תמיד עקבית ולעיתים מופיעים אובייקטים מרחפים או שינויי קרקע. המערכת מצטיינת בסגנונות אמנותיים אך פחות בייצור סביבות פוטוריאליסטיות, ולעיתים מורגש לאג בשליטה בדמות.

בנוסף, קיימות שאלות סביב זכויות יוצרים, משום שהמודל אומן על מאות שעות וידאו ממשחקים קיימים. Genie גם אינו מאפשר יצוא למנועי משחק מקצועיים, ולכן משמש ככלי קונספט ולא כתחליף ל-Unity או Unreal.

איך מגיבה תעשיית המשחקים?

ההכרזה על Project Genie גרמה לירידות חדות במניות של Unity, Roblox ו-Take-Two, בעיקר בשל החשש שהכלי יקצר את שלב הפרה-פרודקשן, שלב משמעותי בתקציב הפיתוח. עם זאת, Genie אינו מייצר משחקים שלמים אלא משמש ככלי ליצירת אבות טיפוס. הוא מאיץ את תהליך הסקיצות ומפנה זמן לעיצוב חוויות ולפיתוח רעיונות, ולא מחליף מעצבים או מפתחים.

רובוטיקה, חינוך ו-AGI

בעולם הרובוטיקה Genie מציע יתרון משמעותי. רובוטים לומדים כיום בעיקר דרך ניסוי וטעייה בסביבה הפיזית, תהליך יקר ולעיתים מסוכן. Genie מאפשר לבצע אלפי ניסיונות בסימולציה לפני פעולה אמיתית, מה שמפחית סיכונים ומקצר את זמן האימון. DeepMind כבר הדגימה זאת כשהטמיעה את המודל בסוכן ה-SIMA שלה, שהצליח לבצע משימות בתוך עולם שנוצר בזמן אמת.

גם בתחום החינוך יש פוטנציאל. תלמידים יכולים להיכנס לסביבות היסטוריות או מדעיות ולחוות אותן באופן ישיר, אך מגבלת הזמן והדיוק עדיין מצמצמות את היכולת להשתמש בו ככלי הוראה מלא.

מעבר לכך, Genie נוגע בשאלה רחבה יותר הקשורה ל-AGI. מודלים לשוניים מבינים טקסט, אך אינם מחזיקים בהבנה מרחבית או פיזיקלית. כדי לפעול בעולם אמיתי נדרשת הבנה של סיבה ותוצאה והתנהגות של אובייקטים. Genie מציע צעד בכיוון הזה, משום שהוא מנסה להבין את העולם דרך סימולציה ולא רק דרך מילים.

האם זה תחילתו של עידן חדש?

Project Genie אינו מוצר בשל, אבל הוא מסמן נקודת מפנה. הוא מדגים כיצד מודלים גנרטיביים יכולים לעבור מיצירת תמונות וסרטונים ליצירת סימולציות חיות שמגיבות למשתמש בזמן אמת. הוא עשוי לאפשר לרובוטים ללמוד מהר יותר ולקרב אותנו להבנה עמוקה יותר של מודלים אינטראקטיביים בדרך ל-AGI. מעל הכול, Genie מצביע על עתיד שבו עולמות דיגיטליים אינם תוצר של תהליכי פיתוח ארוכים, אלא של רעיון אחד שנוצר ומקבל חיים ברגע.

הפוסט Project Genie של גוגל מייצר עולמות בזמן אמת 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

לאבבול ממשיכה להשתדרג

לפני הכל - צפו בסרטון הקצרצר הזה שמציג את עיקרי החידושים:

לאבבול (Lovable) ממשיכה לעדכן את פלטפורמת הפיתוח שלה בצעדים שמכוונים להקטנת החיכוך בין רעיון לביצוע. בעדכון האחרון, מהגדולים שהחברה השיקה עד כה, הדגש אינו על פיצ’ר נקודתי אלא על שינוי עומק באופן שבו הכלי מתכנן, מבצע ובודק פרויקטים מורכבים. המטרה ברורה: לאפשר למפתחים (בין אם אנשי מקצוע ובין אם לא) להאציל יותר אחריות למערכת, תוך שמירה על שליטה ותמונה ברורה של תהליך העבודה כולו.

נדמה שענקית הוייב קודינג השוודית לא מחכה לאף אחד!

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

לפרטים נוספים לחצו כאן >>

מעבר מעבודה תגובתית למצב תכנון חכם

בעדכון האחרון יש כמה שינויים קטנים, עם השלכות גדולות!

מצב תכנון חכם - Plan Mode

אחד השינויים המרכזיים בעדכון הוא השדרוג של מצב הצ’אט למצב תכנון, Plan Mode.

ה-Plan Mode החדש של Lovable.

במקום תגובות מיידיות לפרומפטים בודדים, לאבבול פועלת כעת בגישה רחבה יותר. במצב התכנון החדש, המערכת שואלת שאלות הבהרה כדי להבין את הדרישות לעומק, בונה תוכנית עבודה מפורטת ומציגה למשתמש את כל שלבי הפיתוח הצפויים. התוכניות ניתנות לעריכה ולאישור, כך שהמפתח שומר על בקרה, אך לא נדרש ללוות כל שלב באופן ידני. הגישה הזו מתאימה במיוחד לפיצ’רים מורכבים ולבניות רחבות היקף, שבהן תכנון מוקדם הוא תנאי להצלחה.

מצב התכנון החדש | Lovable

כמו כן, היא מגשרת על פערי ידע אצל משתמשים שלא באים מעולם הקוד, שפחות מכירים מבנים וארכיטקטורות של קוד או של תהליכי פיתוח. זה וייב קודינג במלוא מובן המילה - אתם מסבירים למערכת מה אתם רוצים שהיא תבנה, והיא לא רק בונה, אלא גם מתכננת.

למעשה, יש לכם פה ארכיטקט AI צמוד.

ניהול משימות מתקדם עם תור פרומפטים

שיפור נוסף נוגע לאופן ניהול העבודה השוטפת. לאבבול מאפשרת כעת תור פרומפטים, Prompt Queuing, שמאפשר להזין מספר משימות במקביל, לשנות סדרי עדיפויות תוך כדי תנועה ולעבוד בצורה שיתופית בלי להמתין לסיום של כל משימה בנפרד. מבחינה פרקטית, מדובר ביכולת שמקרבת את הכלי לזרימת עבודה של צוות פיתוח, ולא רק של משתמש יחיד שמבצע ניסוי אחר ניסוי.

אם בעבר היינו צריכים להתבסס על שרשור של פרומפטים קטנים בדירוג, עכשיו הפלטפורמה יודעת "לאכול בלי מלח" פרומפטים ארוכים יותר ולפצח משימות מורכבות יותר.

בדיקות אוטומטיות מבוססות דפדפן

בתחום בדיקות האיכות, לאבבול מוסיפה בדיקות אוטומטיות המדמות שימוש אמיתי באפליקציה. הכלי סורק את המוצר דרך דפדפן, ממש כמו משתמש אנושי שממלא טפסים, עובר בין תפריטים ובודק תהליכים מקצה לקצה. מעבר לאיתור תקלות, המערכת גם מתקנת בעיות באופן אוטומטי. המשמעות עבור מפתחים היא פחות זמן שמוקדש לאיתור באגים בסיסיים, ויותר זמן לבחינה של תוצר יציב ובשל יותר.

התחברות עם גוגל בפרומפט אחד

לצד השינויים המורכבים יותר, לאבבול מוסיפה גם אפשרות פשוטה אך שימושית: הוספת התחברות באמצעות חשבון גוגל. באמצעות בקשה אחת בלבד - One shot prompting, ניתן לשלב Google Sign-In באפליקציה - תהליך שבדרך כלל דורש לא מעט הגדרות ידניות.

התחברות לגוגל בפרומפט בודד

מדובר בתוספת שממחישה את הגישה הכללית של העדכון כולו: צמצום שלבים טכניים שחוזרים על עצמם.

לפי נתוני החברה, היכולות החדשות משפרות משמעותית את ההתמודדות של הכלי עם משימות מורכבות, ומאפשרות קצב עבודה מהיר ורציף יותר. לטענתם השדרוגים מובילים ל-71% שיפור בפתרון בעיות מורכבות!

מעבר למספרים, העדכון מסמן ניסיון ברור להזיז את לאבבול מתפקיד של עוזר פיתוח חכם לכיוון של מערכת אייג'נטלית שמנהלת תהליכים שלמים. במרחב שבו יותר ויותר כלי AI שואפים לאוטונומיה גבוהה, האתגר האמיתי יהיה לא רק ביכולת הטכנית, אלא ביצירת אמון ארוך טווח מצד המפתחים שמוכנים לשחרר שליטה, לפחות בחלקים מהדרך.

הפוסט מעכשיו Lovable יותר חכמה ויותר עצמאית הופיע ראשון בLet's AI בינה מלאכותית

מהו בעצם Clawdbot?

Clawdbot הוא פרויקט קוד פתוח (Open Source) שנוצר על ידי המפתח Peter Steinberger, ומציע חוויה שונה מהותית מכלי ה-AI שאנחנו מכירים. בעוד רוב העוזרים האישיים מבוססי AI רצים בענן של החברות שיצרו אותם, Clawdbot רץ באופן מקומי על המחשב שלכם: Mac, Windows או Linux, ואפילו על Raspberry Pi.

הרעיון המרכזי הוא פשוט אך עוצמתי: במקום לדבר עם AI דרך ממשק ייעודי, אתם מתקשרים איתו דרך אפליקציות ההודעות שאתם כבר משתמשים בהן. WhatsApp, Telegram, Discord, Slack, Signal ואפילו iMessage הופכים לערוץ התקשורת שלכם עם הסוכן. שולחים הודעה ב-WhatsApp, ו-Clawdbot מבצע עבורכם משימות על המחשב שלכם.

הסוכן יכול לנהל את היומן שלכם, לשלוח מיילים, לעשות צ'ק-אין לטיסות, לשלוט בדפדפן, להריץ פקודות מערכת, ואפילו לבנות כלים חדשים לעצמו תוך כדי תנועה. משתמש אחד ב-X (טוויטר לשעבר) תיאר: "בקשתי ממנו לבנות CLI לחיפוש טיסות, והוא בנה את זה בעצמו." משתמש אחר סיפר שה-Clawdbot שלו התחיל להתכתב עם חברת ביטוח בשמו והצליח לפתוח מחדש תביעה שנדחתה.

התכתבות עם הסוכן Milo

למה כולם מתלהבים?

ההתלהבות סביב Clawdbot אמיתית, וחשוב להבין למה. הנה כמה יתרונות שמושכים אנשים:

שליטה מקומית ופרטיות: בניגוד לכלים מבוססי ענן, הנתונים שלכם נשארים על המחשב שלכם. הזיכרון של הסוכן נשמר כקבצי Markdown בתיקיות, בסגנון דומה ל-Obsidian (כלי לניהול ידע וכתיבה אישית). אתם יכולים לראות בדיוק מה הוא זוכר ולערוך את המידע.

גמישות מרבית: הכלי תומך במגוון מודלים של AI, כולל Claude של Anthropic, מודלים של OpenAI, ואפילו מודלים מקומיים. אתם יכולים לבחור את המודל שמתאים לכם ולמשימה.

הרחבה עצמית: אחד הדברים המרשימים הוא היכולת של Clawdbot ליצור "Skills" חדשים לעצמו. צריכים אינטגרציה עם שירות מסוים? הסוכן יכול לבנות אותה בעצמו.

ממשק טבעי: הרעיון של לשלוח הודעת WhatsApp או טלגרם ולקבל בחזרה משימה שבוצעה הוא אינטואיטיבי להפליא. לא צריך ללמוד ממשק חדש.

Federico Viticci, עורך האתר MacStories, תיאר בביקורת מפורטת איך התקין את Clawdbot על Mac mini M4 והפעיל אותו במשך שבוע. הוא סיפר על חוויה שהרגישה "כמו לחיות בעתיד" ואיך הסוכן ביצע משימות מורכבות כמו יצירת דוחות יומיים מהיומן ומ-Todoist, יצירת תמונות, ואפילו שינוי קוד בעצמו כדי לשפר את הביצועים.

אבל רגע... בואו נדבר על המציאות

וכאן מגיע החלק החשוב באמת. כי בין ההתלהבות הגורפת לבין המציאות היומיומית יש פער משמעותי, ואת הפער הזה חשוב להבין לפני שרצים להתקין ולוותר על כל מה שעובד לכם היום.

עלות ומשאבים: באותו שבוע שבו Viticci בדק את Clawdbot, הסוכן צרך 180 מיליון טוקנים של Anthropic API. משתמש אחר ב-Hacker News דיווח שהוציא מעל 300 דולר על שימוש ב-API תוך יומיים בלבד על "משימות שנראו לי די בסיסיות." זו לא עלות זניחה, ולארגונים או למשתמשים פרטיים עם תקציב מוגבל, זה שיקול קריטי.

אבטחה ופרטיות: כאן מגיע הפרדוקס הגדול. מצד אחד, Clawdbot רץ מקומית והנתונים נשארים אצלכם. מצד שני, הסוכן מקבל גישה מלאה למחשב שלכם: קבצים, דפדפן, מייל, יומן. אין  sandbox (סביבה מבודדת ובטוחה לניסוי והרצה, שמאפשרת לבדוק קוד, אוטומציות או רעיונות בלי להשפיע על מערכת אמיתית), אין הגבלות ברירת מחדל. משתמש ב-Hacker News כתב: "זה מפחיד. אין sandboxing לתיקיות. מצד אחד, מגניב שהדבר הזה יכול לשנות כל דבר במחשב שלי. מצד שני... הדבר הזה יכול לשנות כל דבר במחשב שלי."

תחשבו על זה: אתם נותנים לסוכן AI גישה לכל המיילים שלכם, לכל הקבצים, ליומן, לסיסמאות השמורות בדפדפן. מה קורה אם יש באג? מה קורה אם המודל "הוזה" ומבצע פעולה שגויה? מה קורה אם מישהו מצליח להזריק prompt זדוני דרך מייל או הודעה?

מורכבות ההתקנה: למרות שהפרויקט משתדל להיות נגיש, ההתקנה עדיין דורשת ידע טכני. צריך להבין מה זה CLI, איך לעבוד עם API keys, איך להגדיר את ערוצי התקשורת. זה לא "להוריד אפליקציה מהחנות."

בגרות המוצר: Clawdbot הוא פרויקט חדש יחסית ומתפתח במהירות. זה אומר שיש עדכונים תכופים (טוב), אבל גם באגים, שינויים שוברים, ותיעוד שלא תמיד עדכני (פחות טוב). ארגון שמחפש פתרון יציב לאורך זמן צריך לקחת את זה בחשבון.

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

לפרטים נוספים לחצו כאן >>

אז מה עם Make, n8n ו-Zapier?

והנה אנחנו מגיעים לשאלה המרכזית: האם כלי כמו Clawdbot באמת יחליפו את פלטפורמות האוטומציה המוכרות?

התשובה הקצרה: לא בקרוב.

התשובה הארוכה יותר: הם פותרים בעיות שונות, וההשוואה ביניהם היא קצת כמו להשוות בין סכין שף מקצועית לבין רובוט מטבח. שניהם חותכים ירקות, אבל הם עושים את זה בצורה שונה לחלוטין ולמטרות שונות.

Make ו-n8n מציעים:

יציבות מוכחת לאורך שנים

אינטגרציות מובנות עם אלפי שירותים

ממשק ויזואלי שלא דורש כתיבת קוד

אפשרויות ניהול לצוותים וארגונים

תמיכה טכנית ותיעוד מקיף

מודל עלות צפוי וברור

Clawdbot מציע:

גמישות בלתי מוגבלת (יכול לעשות כל דבר שאדם יכול לעשות על מחשב)

אינטראקציה טבעית בשפה אנושית

יכולת ללמוד ולהסתגל תוך כדי עבודה

שליטה מלאה על הנתונים

אבל כאן המלכודת: הגמישות הבלתי מוגבלת היא גם החולשה. כשאתם בונים אוטומציה ב-Make, אתם מגדירים בדיוק מה קורה בכל צעד. התהליך צפוי, ניתן לניטור, וקל לתחזוקה. כש-AI מבצע משימות באופן אוטונומי, התוצאות פחות צפויות. לפעמים זה עובד מעולה, לפעמים הסוכן "מחליט" לעשות משהו שלא ציפיתם לו.

מה זה אומר על עתיד האוטומציה?

Clawdbot ופרויקטים דומים אכן מסמנים כיוון מעניין. הרעיון של סוכן AI פרואקטיבי שיכול לבצע משימות מורכבות הוא לא פנטזיה, זה כבר קורה. השאלה היא לא "האם" אלא "איך" ו"מתי" הטכנולוגיה הזו תבשיל מספיק לשימוש רחב.

כמה תובנות לקחת מכאן:

1. הסוכנים האישיים מגיעים, אבל בהדרגה. הטכנולוגיה עוד לא בשלה לשימוש ארגוני נרחב. עבור חובבי טכנולוגיה ו-early adopters, זה כלי מרתק לניסוי. עבור עסקים, עדיין מוקדם מדי לסמוך על זה לתהליכים קריטיים.
2. הכלים הוותיקים לא הולכים לשום מקום. Make, n8n, Zapier ואחרים מתפתחים גם הם ומשלבים יכולות AI. הם לא עומדים במקום בזמן שהעולם מתקדם.
3. אבטחה ופרטיות הם לא רק buzzwords. לפני שאתם נותנים ל-AI גישה לכל החיים הדיגיטליים שלכם, תחשבו טוב מה המשמעויות. מה יכול להשתבש? מה הסיכון? האם אתם מוכנים לקחת אותו?
4. העלות הכוללת חשובה. מעבר לעלות ה-API, יש את הזמן שלכם בהגדרה, בתחזוקה, ובטיפול בבעיות. כלים מסחריים מוכחים לרוב חוסכים זמן בטווח הארוך.

סיכום: התשובה לשאלה הגדולה

אז האם אפשר "לשכוח" מ-Make, n8n, Zapier וכל הכלים האחרים?

לא.

לפחות לא עכשיו, ולא בקרוב.

Clawdbot הוא פרויקט מרשים שמראה לאן הטכנולוגיה יכולה להגיע. הוא פותח צוהר לעתיד שבו סוכני AI יהיו חלק אינטגרלי מחיי העבודה שלנו. אבל בין חזון מרהיב לבין כלי מוכן לפרודקשן יש מרחק גדול.

ההייפ שמציף את הרשתות אחרי כל הכרזה על כלי חדש הוא טבעי, אבל הוא גם מסוכן. הוא גורם לאנשים לזנוח כלים שעובדים היטב לטובת הבטחות גדולות שעדיין לא התממשו. הוא יוצר FOMO (פחד מהחמצה) שמוביל להחלטות לא שקולות.

העצה שלי? התנסו בכלים חדשים כמו Clawdbot, למדו אותם, הבינו את הפוטנציאל. אבל אל תמהרו לזרוק את מה שעובד. הכלים הוותיקים יציבים, מוכחים, ומתפתחים כל הזמן. הם יהיו כאן גם מחר וגם בעוד שנה.

והכי חשוב: זכרו שהמטרה היא לפתור בעיות ולהשיג תוצאות, לא לרוץ אחרי הכלי החדש והמבריק ביותר. לפעמים הפתרון הטוב ביותר הוא דווקא זה שכבר מוכר לכם.

לפרויקט Clawdbot בגיטהאב, כנסו כאן.

הפוסט ההייפ הגדול: כשסוכן AI חדש מבטיח להחליף את הכל 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

תשתיות מסחר שנבנו לבני אדם, לא למכונות

במשך שנים המסחר המקוון התקדם במהירות, אבל נשאר נאמן למבנה בסיסי אחד: האדם מחפש, משווה, בוחר ומשלם. גוגל רוצה לשבור את הרצף הזה.

החברה הכריזה על Universal Commerce Protocol (UCP) - תקן פתוח שמאפשר לסוכני בינה מלאכותית לבצע פעולות מסחריות בעצמם - לא רק להמליץ אלא גם לבצע. זה רגע שבו המסחר הדיגיטלי מפסיק להיות פעולה אנושית הנתמכת בטכנולוגיה, והופך לפעולה טכנולוגית הנתמכת באדם.

למרות כל החדשנות, המסחר המקוון עדיין מניח שהמשתמש הוא זה שמבצע את כל השלבים: ממלא פרטים, בודק משלוחים, עובר בין אתרים ומשווה מחירים.

אבל סוכני AI, במיוחד אלה המשולבים במנועי חיפוש ובעוזרים דיגיטליים, מתקשים לפעול בעולם כזה. כל חנות מדברת בשפה אחרת, כל פלטפורמה דורשת אינטגרציה ייחודית, וכל תהליך רכישה מלא בחיכוך.

התוצאה היא שהבינה המלאכותית מתקשה לבצע פעולות מסחריות בצורה אמינה, עסקים מפספסים לקוחות שנמצאים ברגע ההחלטה, והמשתמש עדיין צריך לסגור את הפינה בעצמו.

גוגל זיהתה את הפער הזה כבר עם Agent Payments Protocol (AP2), שאפשר ל‑AI לבצע תשלומים. UCP מרחיב את הרעיון לכל מסע הקנייה.

שפה משותפת למסחר אוטונומי

UCP הוא תקן פתוח שמאפשר לסוכני AI, חנויות, מערכות תשלום ופלטפורמות מסחר לדבר באותה שפה.

במקום אינספור חיבורים נקודתיים, נוצרת שכבת תקשורת אחת שמאפשרת ביצוע רכישות אוטונומיות, תמיכה לאחר קנייה, אינטראקציה בין סוכנים שונים והתאמה לפרוטוקולים קיימים כמו AP2, A2A ו‑MCP.

התקן פותח יחד עם Shopify, Etsy, Wayfair, Target ו‑Walmart, וזוכה לתמיכה רחבה מצד חברות תשלומים וקמעונאים מובילים.

אם יאומץ בהיקף רחב, הוא עשוי למלא תפקיד תשתיתי דומה לזה ש‑HTTPS מילא עבור האינטרנט. עם זאת, בניגוד ל‑HTTPS, כאן מדובר בתשתית שנולדת מתוך אקו-סיסטם מסחרי ולא מתוך גוף ניטרלי.

תמיכה רחבה ב‑UCP מצד שחקנים מובילים באקו־סיסטם המסחרי | blog.google

איך זה נראה בפועל?

בקרוב, כאשר משתמש יחפש מוצר במצב AI Mode בחיפוש גוגל או באפליקציית Gemini, הוא יוכל להשלים את הרכישה במקום, בלי לעבור לאתר החנות.

ה‑AI ישתמש בפרטי התשלום השמורים ב‑Google Pay, ובהמשך גם ב‑PayPal, והקמעונאי יישאר המוכר הרשמי, עם שליטה מלאה על המלאי, המחיר והמדיניות.

עבור המשתמש, מדובר בפחות צעדים, פחות חיכוך ופחות מעבר בין אתרים. הקמעונאי מרוויח יותר המרות, גישה ללקוחות ברגע ההחלטה ושליטה ישירה בתהליך המכירה.

זהו שינוי שמצמצם את המרחק בין "אני מחפש" ל"זה כבר בדרך אליי".

נציג מכירות וירטואלי בתוך החיפוש

גוגל מציגה גם את Business Agent, סוכן AI ממותג שמופיע ישירות בתוצאות החיפוש. הוא מתפקד כמו מוכר בחנות - עונה על שאלות, מסביר על מוצרים, מציע חלופות ובהמשך גם יוכל לבצע רכישות.

הסוכן מדבר בקול של המותג, וניתן לאמן אותו על בסיס נתוני החנות. הוא כבר מושק עם רשתות כמו Lowe’s, Michael’s, Poshmark ו‑Reebok. המשמעות היא שהחיפוש מפסיק להיות זירת מידע והופך לזירת שירות.

מבצעים בלעדיים למי שמוכן לקנות עכשיו

ב‑AI Mode גוגל בוחנת מודל פרסום חדש בשם Direct Offers. הקמעונאי יכול להציג הצעה בלעדית, למשל 20 אחוז הנחה, בדיוק ברגע שבו ה‑AI מזהה שהמשתמש מוכן לרכישה. זה פרסום שמבוסס על כוונה והקשר, לא רק על מילות מפתח.

אבל כאן עולה השאלה המעניינת: מה אנחנו מפסידים בדרך?

דמיינו שאתם מבקשים מה‑AI למצוא שטיח מעוצב ופרקטי. המערכת מציגה דגם אחד או שניים שנראים לה מתאימים במיוחד, ואתם לוחצים על “Buy”. הכול מהיר, נקי, עם מינימום נקודות חיכוך, אבל גם עם מינימום שקיפות. אתם לא יודעים אילו חלופות היו יכולות להתאים לא פחות, אילו דגמים היו זולים או אמינים יותר, או אילו מבצעים היו זמינים במקום אחר. הבחירה כבר נעשתה עבורכם, ומה שנשאר מחוץ לפריים פשוט לא קיים מבחינתכם.

השלכות על השוק

כאשר ה‑AI של גוגל הופך למתווך המרכזי בין צרכנים לעסקים, הוא גם הופך לשומר הסף של המסחר. מי שמופיע, מי שלא מופיע ומי מקבל עדיפות הופכים להחלטות אלגוריתמיות.

יש מי שרואים בכך מהפכה שתייעל את המסחר, ואחרים מזהירים מפני מצב שבו הקניין האישי שלנו משרת אינטרסים שאינם רק שלנו.

כאשר ה‑AI מנהל את תהליך הבחירה, המשתמש רואה פחות מהתמונה המלאה. האם הוא מקבל את המחיר הטוב ביותר, או את המחיר שהמערכת מעדיפה להציג?

לא רק גוגל

המהלך של גוגל אינו מתקיים בוואקום. גם מחוץ לאקו-סיסטם שלה ניכרת תנועה דומה.

לאחרונה הודיעו OpenAI ו‑PayPal על שיתוף פעולה שמאפשר חוויות קנייה ותשלום ישירות דרך ChatGPT, כחלק מניסיון להפוך סוכני AI לשחקנים פעילים במסחר הדיגיטלי.

המשמעות ברורה - Agentic Commerce הוא לא יוזמה נקודתית, אלא כיוון תעשייתי רחב שבו בקשה מילולית מתחילה להחליף תהליך קנייה שלם.

עידן חדש עם יתרונות וסיכונים

המהלך של גוגל מציג שלושה עקרונות מרכזיים: ה‑AI הופך לשחקן פעיל במסחר ולא רק לממליץ, סטנדרטיזציה הופכת לתנאי הכרחי בעולם שבו סוכנים מבצעים פעולות, והחיפוש עצמו משתנה מזירת מידע לזירת מסחר ושירות.

אבל לצד ההזדמנות, המהלך מעלה שאלות על כוח, שקיפות ושליטה, שאלות שילוו את התעשייה ואת המשתמשים בשנים הקרובות.

עבור עסקים, לא מספיק עוד להופיע בחיפוש. צריך להיות נגישים לסוכנים אוטונומיים. עבור צרכנים, הקניות יהפכו מהירות וחכמות יותר, אבל גם פחות מודעות. ועבור התעשייה, זהו צעד ראשון לקראת מסחר שבו בקשה מילולית מחליפה תהליך קנייה שלם.

ובעוד שנה או שנתיים, ייתכן שלא נכתוב "אני מחפש שטיח לסלון". נאמר: "אני צריך שטיח חדש", והוא פשוט יגיע.

הפוסט גוגל מציגה תקן חדש למסחר אוטונומי ומזיזה את השליטה מהצרכן לאלגוריתם הופיע ראשון בLet's AI בינה מלאכותית

ישראל במקום הראשון בעולם בשימוש ב-Claude, ביחס לגודל האוכלוסייה

פי חמישה מהצפוי

ה‑Usage Index של ישראל עומד על 4.90x. מאחר שהמדד מנורמל ל‑1, המשמעות היא שהשימוש בישראל גבוה כמעט פי חמישה מהצפוי. לשם השוואה, דנמרק, אחת המדינות הבולטות בשימוש ב‑AI, עומדת על 2.1x, ויפן, ארה״ב ודרום קוריאה מציגות שימוש גבוה מהממוצע אך רחוק מאוד מהקצב הישראלי. הפער הזה אינו רק חריג, הוא כמעט אנומליה כלכלית‑טכנולוגית, כזו שמחייבת בחינה מעמיקה של מה שמתרחש כאן.

התרגום הוא רק חלק מהתמונה

כדי להבין את התופעה, צריך להתחיל במקום שבו רבים נוטים להתחיל - השפה. הדוח מצביע על כך שתרגום הוא הקטגוריה השנייה בשכיחותה בישראל, ומהווה 4.7% מכלל השיחות - פי 2.7 מהממוצע העולמי. הנתון הזה עלול להטעות: 4.7% הוא שיעור נמוך יחסית, אך הוא עדיין מספיק כדי לבלוט בהשוואה בינלאומית.

הדוח מציע פרשנות אחרת. ישראלים עובדים באופן אינטנסיבי מול תכנים באנגלית - קוד, דוקומנטציה, חוזים, RFPs, מאמרים אקדמיים - ולכן תרגום אינו "קביים", אלא חלק טבעי מהעבודה הגלובלית. במדינות אחרות LLMs משמשים בעיקר לכתיבה יצירתית או לשאלות כלליות.

בישראל הם משולבים בתוך זרימת עבודה מקצועית. התרגום מגדיל את נפח השימוש, אך הוא רחוק מלהסביר את העוצמה החריגה של המדד הישראלי.

ישראל כ-Power User טכנולוגי

הסיבה האמיתית מתחילה להתבהר כשמסתכלים על סוגי המשימות שבהן ישראל משתמשת ב‑Claude. כאן מתגלה תמונה מובהקת: ישראל היא Power User טכנולוגי. משימות כמו Debugging & Refactoring מהוות 3.5% מהשיחות, נתון שממקם את ישראל במקום השלישי בעולם. קטגוריית Computer & Mathematical מהווה כ‑36% מהשימוש, שיעור גבוה במיוחד גם ביחס למדינות טכנולוגיות מובילות.

איך משתמשים ב-Claude בישראל

מעבר לכך, ישראל משתמשת ב‑Claude לפיתוח ו‑Troubleshooting של מערכות AI בשיעור גבוה ב‑30% מהממוצע העולמי. זהו שימוש מקצועי, עמוק ומורכב, כזה שמאפיין מהנדסים, חוקרי AI, אנשי DevOps ומפתחים שמכניסים את Claude ישירות לתוך ה‑workflow היומיומי שלהם. מדובר לא בכתיבה של פסקאות, אלא בדיבוג קוד, שכתוב מודלים, בניית תשתיות ואופטימיזציה של מערכות הנדסיות.

לניתוח מפורט של הנתונים לפי מדינה וקטגוריות שימוש, כולל פילוח ישראלי, ראו את דף ה-Economic Index באתר של אנטרופיק.

משק מוטה-טכנולוגיה בצורה קיצונית

כדי להבין מדוע זה קורה דווקא בישראל, צריך להסתכל על מבנה המשק המקומי. ישראל היא אחת המדינות היחידות בעולם שבהן חלק משמעותי מהאוכלוסייה עובד בהיי‑טק, וחלק גדול עוד יותר נוגע בקוד גם אם אינו מפתח במקצועו. חברות קטנות ובינוניות מאמצות AI בקצב מהיר לא פחות מהענקיות, ותרבות העבודה המקומית, שמתגמלת מהירות, אלתור ופתרון בעיות, הופכת כל כלי שמקצר תהליכים למרכיב טבעי בשרשרת הייצור.

הדוח של אנטרופיק מצביע על כך שמדינות עם שיעור גבוה של עובדים בקטגוריית Computer & Mathematical משתמשות יותר ב‑Claude. ישראל פשוט נמצאת בקצה העליון של הסקאלה הזו.

1.8% עלייה בפרודוקטיביות

אך מעבר לשימוש עצמו, הדוח מציג תמונה רחבה יותר של ההשפעה הכלכלית של AI. הוא מעריך שאימוץ נרחב של מערכות כמו Claude עשוי להגדיל את פרודוקטיביות העבודה בארה״ב בכ‑1.8 נקודות אחוז בשנה בעשור הקרוב - נתון משמעותי בכל קנה מידה.

עם זאת, ההשפעה אינה אחידה: מקצועות כמו Data Entry ו‑Database Architects חשופים לאוטומציה רחבה, בעוד תפקידים אחרים עשויים לעבור תהליך של upskilling, למשל מנהלי נדל״ן, שימצאו את עצמם עוסקים יותר בניהול משא ומתן ופחות במשימות אדמיניסטרטיביות.

מנגד, מקצועות מסוימים עלולים לחוות deskilling, כמו סוכני נסיעות או כותבים טכניים, שתכני עבודתם יהפכו פשוטים יותר ככל שה‑AI ייקח על עצמו את המשימות המורכבות.

ישראל כמעבדה חיה לעתיד שוק העבודה

בישראל, שבה שיעור העובדים הטכנולוגיים גבוה במיוחד, השפעות אלו עשויות להיות מועצמות. המשק הישראלי הופך, כמעט בעל כורחו, למעבדה חיה של שילוב AI בעבודה מקצועית. אם במדינות אחרות AI עדיין נתפס ככלי עזר, בישראל הוא כבר חלק מהשריר התפעולי - כלי שמאפשר למהנדסים, אנליסטים ומנהלים לעבוד מהר יותר, לדבג מהר יותר, ולבנות מערכות מורכבות בקצב שלא היה אפשרי בעבר.

כשמחברים את כל זה יחד, השימוש בתרגום כחלק מעבודה גלובלית, התעשייה הטכנולוגית הגדולה והאימוץ המהיר של טכנולוגיות חדשות - מתקבלת תמונה ברורה: ישראל אינה מובילה את העולם בשימוש ב‑Claude בגלל חולשה, אלא בגלל עומס עבודה טכנולוגי, מבנה כלכלי ייחודי ותרבות מקצועית שמאמצת כל כלי שמגדיל פרודוקטיביות. התוצאה היא מדינה קטנה עם פרופיל שימוש של מעצמת AI.

המשמעות רחבה יותר מהשאלה "למה ישראל משתמשת כל כך הרבה ב‑Claude". ייתכן שהשאלה האמיתית היא האם שאר העולם יתחיל להיראות כמו ישראל. אם כן, ישראל אינה רק חריג סטטיסטי בלבד - היא פשוט חלון לעתיד של שוק העבודה הגלובלי.

לדו״ח המלא של אנטרופיק, כנסו כאן.

הפוסט איך ישראל הפכה למובילה העולמית בשימוש ב‑Claude הופיע ראשון בLet's AI בינה מלאכותית