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

— Satya Nadella (@satyanadella) July 23, 2025

מה Spark באמת יודע לעשות?

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

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

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

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

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

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

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

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

יתרונות ומגבלות של Spark

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

Spark לא לבד

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

עלויות וזמינות

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

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

מה קורה כשחוצים את המכסה?

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

למי הכלי הזה באמת מתאים?

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

מתחילים ומפתחים עצמאיים

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

עסקים קטנים וסטארט-אפים

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

מפתחים מנוסים

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

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

רוצים לראות את זה בפעולה?

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

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

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

איך זה עובד?

Vany.ai הופך כל שאלה לסרטון בשלושה צעדים פשוטים:

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

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

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

למה בכלל צריך כלי כזה?

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

תכונות מרכזיות

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

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

מה חשוב לדעת לפני שמשתמשים ב־Vany?

ל‑Vany יש גם כמה מגבלות שחשוב להכיר:

זכויות יוצרים (Copyright)

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

חזרתיות – סרטון בלופ אינסופי

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

חוסר בווידאו “חי” (Real video)

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

למי Vany מתאים?

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

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

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

לפרטים נוספים לחצו כאן >>

העתיד של תוכן ויזואלי

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

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

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

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

איך זה עובד?

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

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

מה זה Connectors ואיך מתחברים?

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

מנגנון ההרשאות

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

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

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

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

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

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

מה עוד קלוד יודע לעשות עם קאנבה?

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

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

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

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

• לשנות גודל ועיצוב של קובץ קיים בלי להתחיל מחדש.

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

המציאות מול הציפיות

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

למי זה זמין וכמה זה עולה?

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

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

לא פיצ’ר – תפיסה חדשה

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

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

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

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

הישג שובר שיאים

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

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

סיפור הצלחה שוודי

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

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

סיפור ההצלחה של המנכ”ל אנטון אוסיקה ו-Lovable

נתוני צמיחה יוצאי דופן

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

הצמיחה של החברה מאז ההשקה כמעט לא נתפסת:

• 2.3 מיליון משתמשים פעילים

• 180,000 מנויים משלמים

• 75 מיליון דולר ARR תוך שבעה חודשים בלבד!

• כל זה עם צוות של 45 עובדים בלבד

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

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

חוויית בנייה אחרת

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

מיצוב שונה ושאיפות ברורות

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

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

מה זה אזוספרמיה ולמה זה כל כך בעייתי?

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

מה הן האפשרויות המסורתיות?

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

אבל עכשיו יש דרך חדשה.

הטכנולוגיה שמחפשת “כוכבים” במעבדה

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

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

איך STAR עובדת?

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

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

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

הסיפור שמאחורי הפריצה

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

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

מה אומרים המומחים? 

התומכים נלהבים

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

הספקנים מזהירים

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

העלויות והזמינות

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

פריצת דרך עם סימן שאלה

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

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

שילוב AI ברפואה נותן תקווה

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

חוקר במרכז הפוריות של אוניברסיטת קולומביה. קרדיט: washingtonpost.com

למעוניינים להעמיק

הפוסט פריצת דרך ברפואת פוריות עם בינה מלאכותית הופיע ראשון בLet's AI בינה מלאכותית

ChatGPT can now do work for you using its own computer.

Introducing ChatGPT agent—a unified agentic system combining Operator’s action-taking remote browser, deep research’s web synthesis, and ChatGPT’s conversational strengths. pic.twitter.com/7uN2Nc6nBQ

— OpenAI (@OpenAI) July 17, 2025

שילוב כלים שהופך לעוזר אוטונומי אחד

עד היום, כדי להוציא יותר מ־ChatGPT, נדרש היה להפעיל שלושה כלים נפרדים:

• Operator – כלי שידע “לנווט” באתרים ולבצע לחיצות, מילוי טפסים וגלילה.

• Deep Research – כלי למחקר מעמיק ברשת.

• ChatGPT עצמו – בוט לכתיבה, סיכום, שיחה ויצירת תוכן.

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

לפרטים נוספים לחצו כאן >>

כעת, ChatGPT Agent מאחד את כל היכולות האלו לתוך ישות אחת אוטונומית, סוכן שפועל ממש: הוא מתכנן, מבצע, מתקן ומשפר תוך כדי תנועה. המעבר כאן הוא מהותי – לא מדובר בעוד פיצ’ר, אלא בשינוי כיוון – מעוזר שמייעץ לעובד דיגיטלי שמבצע.

מה הסוכן באמת יודע לעשות?

ל־ChatGPT Agent יש סביבת עבודה משל עצמו: מחשב וירטואלי פרטי שמריץ כלים מתקדמים – דפדפן ויזואלי ללחיצה על כפתורים וגלילה באתרים, דפדפן טקסטואלי לקריאת תוכן ברשת, טרמינל להרצת קוד ויצירת מסמכים, גישה לשירותים חיצוניים כמו Gmail או Google Drive (באישור המשתמש), ויכולות גרפיקה ליצירת אלמנטים ויזואליים למצגות ודוחות.

אבל השאלה האמיתית היא – מה עושים עם זה בפועל? הסוכן יודע לתאם פגישות חכמות מול לוח השנה שלך, לתכנן קניות אונליין בהתבסס על מתכונים, לנתח מתחרים ולהפיק מצגת שלמה, לאסוף נתונים ממקורות רבים ולבנות מהם דוח, וגם לעבד גיליונות אלקטרוניים מורכבים, כולל גרפים וחישובים. הדגש כאן אינו רק על הפעולה הבודדת, אלא על היכולת לקחת אחריות על התהליך כולו – להבין את המשימה, לבנות תוכנית עבודה, להריץ אותה בפועל ולהחזיר תוצאה גמורה, מוכנה לשימוש.

אז כמה טוב הוא באמת? 

כדי להעריך עד כמה הסוכן של OpenAI באמת אפקטיבי, החברה שלחה אותו להיבחן. לא בתנאי מעבדה סטריליים, אלא מול סט של מבחנים קפדניים ומתוקננים שנועדו לבדוק ביצועים של מערכות בינה מלאכותית מתקדמות. השורה התחתונה: הסוכן עומד ברף, ובחלק מהמקרים גם עוקף בני אדם.

לפניכם סט של גרפים שמציגים את תוצאות הביצועים של ChatGPT Agent במבחנים שונים לעומת מודלים קודמים, מתחרים בולטים, ואפילו בני אדם:

1. מבחן מתמטיקה ברמה גבוהה (FrontierMath): הסוכן הפגין יכולת מרשימה בפתרון בעיות מתמטיות מורכבות, עם ציון של 27.4% – כמעט פי 3 ממודלים קודמים.

2. שימוש בדפדפן סוכני (WebArena): בבדיקת היכולת “לגלוש כמו אדם”, הסוכן עבר את GPT-4o והגיע לדיוק של 65.4%, כשהוא מצמצם את הפער לעומת בני אדם (78.2%).

3. גלישה באינטרנט והסקת מידע (BrowseComp): הסוכן מוביל על פני Deep Research ומודלים אחרים עם 68.9%, שיפור של 17.4 נקודות.

4. משימות פיננסיות (Investment Banking Modeling): כאן הסוכן לא רק מנתח, אלא בונה מודלים – ומגיע ל־41% דיוק (לעומת 19.7% של Deep Research), תוך שילוב כלים מתקדמים.

5. ניתוח נתונים (DSBench – Data Analysis): בבדיקת הבנה ופרשנות של סטי נתונים גדולים, הסוכן עקף גם בני אדם וגם את GPT-4o, עם שיעור הצלחה של 89.9%.

6. בניית מודלי נתונים (DSBench – Data Modeling): גם כאן הוא מציג עליונות עם תוצאה של 85.5%, מה שממחיש את היכולת לבנות תשתיות ניתוח נתונים – לא רק להבין נתון קיים.

7. עבודה עם גיליונות אלקטרוניים (SpreadsheetBench): במשימות Excel מורכבות, הסוכן הגיע ל־46.5%, יותר מפי שניים מהתוצאה של Copilot של מיקרוסופט (20%).

8. משימות כלכליות חשובות בזמן אמת (Economically Important Tasks): מדד נדיר שבוחן כמה מהר וטוב המודל מבצע משימות אמיתיות לעומת בני אדם – ככל שהמשימה מתארכת (מעל 7 שעות), הסוכן מצמצם פערים ואף מנצח בחלק מהמקרים.

למה זה חשוב?

המספרים האלה לא רק מצביעים על שיפור טכני – הם מעידים על קפיצה מערכתית: הסוכן לא רק מגיב, אלא מבצע, מנתח, משווה, ומקבל החלטות תחת אי־ודאות, בסביבה של מידע פתוח ודינמי. במשימות רבות, כמו בניית דוחות, מודלים פיננסיים, ניתוח שווקים או ניווט בין ממשקים, הוא מתקרב לרמת ביצוע אנושית, ולעיתים אף עוקף אותה.

כמה באמת אפשר לסמוך על הסוכן?

ככל שהסוכן של ChatGPT הופך לאוטונומי יותר, כך גוברת הדאגה – האם הוא בטוח לשימוש? ב־OpenAI הטמיעו מערך בטיחות מרשים: הסוכן עבר אימון ייעודי נגד “הזרקת הנחיות” (Prompt Injection) עם הצלחה של 99.5%, בודק כל בקשה לסיכונים ביולוגיים או כימיים, ועוצר אוטומטית בביצוע פעולות רגישות, כמו שליחת מיילים או גישה לקבצים, עד לקבלת אישור מפורש מהמשתמש. הוא גם מוגבל פיננסית, ולא מסוגל לבצע העברות כספיות, וגם יפסיק לפעול אם תעזבו את הטאב באתר רגיש כמו בנק.

אבל חשוב להדגיש, אין כאן חסינות מלאה. תוקפים עדיין יכולים לנסות להסתיר פקודות זדוניות בטפסים או טוקבקים, ובמקרים נדירים, מידע רגיש עלול לדלוף לאתרים לא בטוחים. הסוכן גם לא שומר מידע בין שיחות, מה שתורם לבטיחות, אבל מגביל את היכולת לעבוד בתהליכים מתמשכים.

סם אלטמן שומר על פרופורציות

כחלק מהשקת ChatGPT Agent, התייחס מנכ”ל OpenAI סם אלטמן לסוכן החדש בחשבון ה־X שלו. בציוץ ארוך וגלוי-לב, הוא הסביר שמדובר בטכנולוגיה ניסיונית אך עוצמתית, שיכולה לבצע משימות מורכבות, אך גם מלווה בסיכונים. לדבריו, הסוכן נועד לפעול בזהירות ובפיקוח, תוך מינימום גישה למידע רגיש. “הייתי ממליץ לבני משפחתי לא להשתמש בו למשימות קריטיות או עם מידע אישי בשלב זה”, כתב, והוסיף: “צריך ללמוד מהשטח, בהדרגה”.

הנה הפוסט המלא:

אלטמן מבהיר: הסוכן החדש הוא ניסיוני ולא 100% אוטומטי

איך מפעילים את ChatGPT Agent? 

אם יש לכם גישה לשירות בתשלום, תוכלו להתחיל לעבוד עם הסוכן ממש עכשיו (או בימים הקרובים). התהליך פשוט יחסית, אבל דורש תשומת לב לכמה שלבים חשובים:

1. התחברות לחשבון: התחילו בכניסה לחשבון שלכם ב־ChatGPT. 

2. הפעלה ראשונית: תוכלו לבחור את Agent Mode מתוך תפריט הכלים (Tools), או פשוט להקליד agent/ בתחילת השיחה.

3. תיאור המשימה: תכתבו את הבקשה שלכם כמו שהייתם כותבים לאדם בשפה טבעית וברורה. דוגמה: “תכין לי דוח השוואתי בין 3 פלטפורמות CRM שמתאימות לחברות קטנות.”

4. בדיקת התוכנית: הסוכן יציע תוכנית פעולה – אילו צעדים הוא עומד לבצע, באילו כלים ישתמש, ומה יקרה קודם. בשלב הזה, תוכלו לעצור, לדייק או להוסיף הנחיות.

5. צפייה בפעולה והתערבות לפי הצורך: אחד הדברים המרשימים ביותר בסוכן זה שהוא פועל ממש מול עינינו בשקיפות. תראו אותו גולש, לוחץ, מחפש, כותב או מריץ קוד, שלב אחרי שלב. בכל רגע, תוכלו לעצור אותו, לשנות כיוון או לקחת שליטה.

הפעלה פשוטה של הסוכן

מעורבות אנושית

למרות שמדובר בכלי אוטונומי, הצלחה בעבודה עם הסוכן תלויה גם בכם. אלה שלוש העצות הכי חשובות למשתמשים חדשים וגם למתקדמים:

• תנו הוראות מדויקות ככל האפשר: אל תסתפקו ב־“תכין לי דוח על שוק הפינטק”. במקום זאת, כתבו: “תכין דוח מקיף ועדכני בן 10 עמודים על שוק הפינטק בישראל, כולל ניתוח של 5 חברות מובילות ותחזיות לשנתיים הקרובות.”

• הישארו מעורבים בתהליך: הסוכן אולי עצמאי, אבל הוא לא קורא מחשבות. צפו איך הוא מתקדם, התערבו כשצריך, ותנו הבהרות אם אתם רואים שהוא בוחר כיוון לא מדויק.

• הגנו על המידע שלכם: אל תשתפו פרטי אשראי, חשבונות בנק או סיסמאות. אם נדרשת פעולה רגישה (כמו הזמנה באינטרנט), בשלב הזה, תוכלו לעצור ולבצע את הפעולה בעצמכם על בסיס ההכנה שביצע הסוכן. זו הדרך לשמור על שליטה מלאה ולהגן על עצמכם.

כמה זה עולה, ולמי זה בכלל זמין?

מבנה התמחור של ChatGPT Agent ממחיש עד כמה מדובר במוצר מתקדם, אך יוקרתי. גישה לסוכן זמינה רק למנויים בתשלום, כשמשתמשי תוכנית Plus משלמים 20 דולר לחודש ומקבלים גישה מיידית, אך מוגבלת מאוד עם 40 שאילתות חודשיות בלבד. לעומתם, מנויי תוכנית Pro נדרשים לשלם 200 דולר בחודש ומקבלים 400 שאילתות בחודש, גישה מלאה לכל יכולות הסוכן, כולל עבודה עם כלים מתקדמים, מספר משימות ביום והשלמה של תהליכים מורכבים מקצה לקצה.

חשוב לציין: הסוכן זמין כרגע למנויי Pro באופן מיידי, ולמנויי Plus ו-Team בהשקה הדרגתית. משתמשי Enterprise ו-Edu יקבלו גישה עד סוף החודש.

הפער בין המחיר לתועלת יוצר דילמה ברורה. משתמשים סקרנים שמעוניינים לבדוק את הסוכן יגלו במהרה שההקצאה של תוכנית Plus מוגבלת מדי לשימוש יומיומי, מאידך, מי שמעוניין להשתמש בסוכן ככלי עבודה רציני, למשל, לניתוחים, מצגות או משימות מורכבות, יידרש לשלם לא פחות מ־200 דולר בחודש. מדובר בסכום גבוה שרק יועצים עצמאיים, חברות טכנולוגיה או צוותים עם צורך תפעולי ממשי יוכלו להצדיק. נכון להיום, קשה להמליץ עליו למשתמשים מזדמנים או לעסקים קטנים ללא תקציב משמעותי.

למי זה מתאים?

השימוש בסוכן ChatGPT אינו מיועד לכל אחד, אבל עבור קהלים מסוימים, הוא עשוי להיות כלי משנה-משחק. יועצים ועצמאיים שעובדים לפי שכר שעתי גבוה יכולים להפיק ממנו תועלת ממשית: כל שעה שהסוכן חוסך בתחקיר, בניתוח או בבניית מצגת – מתורגמת לרווח מיידי. גם חברות טכנולוגיה שעוסקות במחקר, פיתוח, או ניתוח שווקים עשויות להיעזר בו כדי להוריד עומס משימות ולהאיץ תהליכים מבלי להרחיב צוותים. מנהלי פרויקטים שמפיקים ניתוחים, דוחות ומצגות על בסיס קבוע יגלו שהוא חוסך שעות של עבודה שחוזרת על עצמה. וגם בצד השיווקי, צוותי מכירות שזקוקים לניתוחים תחרותיים או לתחקיר מהיר על לקוח פוטנציאלי, ימצאו בו חבילה אחת שעושה את כל העבודה.

דוגמאות מעשיות מהדמו הרשמי

דוגמה 1: תכנון חתונה בסגנון בוהמייני

הסוכן סרק אתרי אירועים, בדק תחזיות מזג אוויר, בנה לוח זמנים, הציע מתנות, יצר מצגת מסכמת ורשימת קניות מלאה. התוצר הסופי (לאחר כ 7-15 דקות) היה דו”ח מפורט עם כל ההמלצות והקישורים.

דוגמה 2: עיצוב והזמנת מדבקות

הסוכן קיבל בקשה לעצב מדבקות ולהזמין 500 יחידות. הוא שאל שאלות על הסגנון הרצוי, יצר עיצוב באמצעות AI, נכנס לאתר Sticker Mule, העלה את העיצוב, הוסיף לעגלת הקניות וביקש אישור מהמשתמש להמשיך לשלב התשלום.

דוגמה 3: ניתוח ביצועים אישי והצגת ממצאים

הסוכן התבקש למשוך את נתוני הביצועים של עצמו דרך API פנימי של Google, לנתח אותם וליצור מצגת PowerPoint. הוא כתב קוד, יצר גרפים, ואף הוסיף אלמנטים ויזואליים לשקופיות. התוצאה? קובץ PowerPoint אמיתי וניתן להורדה כולל המלצות לשיפור. 

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

לפרטים נוספים לחצו כאן >>

צעד גדול שמחייב גם זהירות ופרופורציה

לסיכום, ChatGPT Agent אינו עוד תוספת שולית, אלא ניסיון שאפתני להפוך את הבינה המלאכותית משחקן פסיבי למבצע אקטיבי. שילוב של שיחה, חיפוש, ניווט, קוד, מסמכים ופעולה רציפה הופך את הסוכן הדיגיטלי של OpenAI לכלי שיכול, לפחות תאורטית, לבצע עבודה של ממש, לא רק לעזור לחשוב. הביצועים טובים, היכולות מתקדמות, והפוטנציאל ברור: חיסכון אדיר בזמן, ייעול תהליכים, ופער גובר מול מי שעדיין תקועים בשלב ההקלדה הידנית.

אבל דווקא בגלל העוצמה הזו, צריך לעצור לרגע ולבחון את זה בעיניים פקוחות. מדובר בטכנולוגיה צעירה, עם עלות לא מבוטלת, תלות בתשתית, ואוטונומיה שהיא חלקית בלבד. הסוכן יכול להיתקע, לפרש הוראות לא נכון, או להיתקל באתרים שהוא פשוט לא מצליח להבין. יותר מזה, אין כאן מהפכה מוחלטת. השחקנים הגדולים כולם הולכים באותו כיוון: ה־Computer Use של Anthropic, הדפדפן של Perplexity, הפלטפורמה של Manus, שיכול לבצע פעולות מורכבות, או Genspark שמאפשרת להריץ סוכנים מבוססי תהליך – כולם מציעים וריאציות שונות על אותו רעיון: לאפשר למודל לפעול במקומך, דרך הדפדפן או סביבת עבודה וירטואלית. ההבדלים נמצאים ברמת העטיפה, ממשק המשתמש והאינטגרציה, אבל הרציונל דומה: לצמצם את הפער בין הבנה לפעולה.

בשורה התחתונה? ההבטחה אמיתית, אבל צריך לתת לזה זמן. מי שיידע לשלב את הכלי הזה בתוך תהליך עבודה קיים, ויידע גם מתי לעצור אותו – ירוויח. מי שמצפה לקסם אוטומטי שיבצע הכל לבד, צפוי אולי להתאכזב. כמו תמיד בעולם ה-AI: הכלים מתקדמים מהר, אבל המבחן האמיתי הוא איך משתמשים בהם ולא רק מה הם יודעים לעשות לבד.

הפוסט OpenAI השיקו את הסוכן החדש של ChatGPT הופיע ראשון בLet's AI בינה מלאכותית

מה Act-Two בעצם עושה?

Act-Two הוא מודל לכידת תנועה חדש מבית Runway, שמאפשר להחיות כל דמות דרך תנועות הגוף שלכם. מעלים סרטון קצר שבו אתם מבצעים את התנועות הרצויות, יחד עם תמונה או סרטון של הדמות שתרצו להנפיש, והתוצאה היא וידאו שבו הדמות מחקה אתכם בצורה טבעית, מדויקת ומרשימה, כאילו הונפשה על ידי מקצוען.

מה חדש בדור הזה?

Act-Two כולל שיפורים משמעותיים ביכולת המעקב והביטוי לעומת Act-One:

• תנועות ראש וצוואר מדויקות יותר (כולל הנהונים ותזוזות עדינות).

• הבעות פנים עשירות (כולל עיניים, גבות ופה).

• תנועות גוף רציפות ונקיות מקפיצות.

• מעקב מלא אחר הידיים כולל מחוות אצבעות.

המשמעות בפועל

לא תקבלו “חיקוי כללי”, אלא העתקה כמעט אחד לאחד של כל תנועה, חיוך או מחוות ידיים. זה ההבדל בין דמויות חיות לדמויות פשוט מונפשות.

לדוגמה: נניח שצילמתם את עצמכם מצביעים על לוח, מהנהנים ואז מחייכים חיוך קטן. Act-Two יאפשר לדמות שאתם בוחרים לבצע בדיוק את זה: הראש יזוז לפי הקצב שלכם, היד תצביע בזווית הנכונה, והחיוך יופיע בזמן, אפילו אם הוא עדין מאוד. זה לא רק תרגום תנועה – זו העברת הבעה, נוכחות וסגנון אישי.

Act-Two allows you to create highly expressive scenes entirely driven by the nuanced performances of your actors. The timing, delivery, body language and subtle expressions are all faithfully transposed from your driving performances to your generated characters.

Learn more… pic.twitter.com/IAY8iZtfIK

— Runway (@runwayml) July 16, 2025

איך משתמשים ב־ACT-Two?

1. נכנסים ל־Runway, בוחרים Gen‑4 Video ולוחצים על ACT‑Two.

2. מעלים שני קבצים: סרטון שלכם מבצעים תנועות (“driving performance”) ותמונה או סרטון של הדמות שתרצו להנפיש.

3. לחצו Generate.

חשוב לדעת! ב־ACT-Two ניתן לבחור או תמונה או סרטון של הדמות שתרצו להנפיש – לא את שניהם יחד. אם תעלו תמונה, תקבלו שליטה במחוות גוף וידיים, כולל תנועה סביבתית אוטומטית. אם תבחרו סרטון, הכלי ישמור על תנועות המצלמה והסצנה המקוריות ויתמקד רק בהבעות הפנים. הבחירה משפיעה ישירות על סוג האנימציה שתתקבל.

מחירים ודרישות טכניות

השימוש ב־ACT-Two עולה 5 קרדיטים לכל שנייה של וידאו, עם מינימום של 3 שניות. כדי לקבל תוצאה איכותית, מומלץ להעלות סרטון באיכות לפחות 1080p, בפורמט MP4 או MOV, בקצב של 24 עד 30 פריימים לשנייה. אורך הסרטון מוגבל ל־30 שניות לכל היותר.

מתי זה באמת שווה את הכסף?

Act-Two הוא פתרון מצוין כשצריך להפיק אנימציה קצרה ומדויקת מדמות אחת, למשל ליוצרי תוכן או צוותי שיווק שרוצים לבדוק רעיון לפני שנכנסים להפקה יקרה. הוא יעיל במיוחד בפרויקטים שבהם מחוות גוף והבעות פנים משחקות תפקיד מרכזי, כמו שפת סימנים או הדגמות של מוצרים. לעומת זאת, כשמדובר בסצנות מורכבות עם כמה דמויות, אנימציות ארוכות, או דמויות לא-אנושיות, הכלי פחות מתאים, ועדיין עדיף לפנות לאנימטור מקצועי או פתרון ייעודי אחר.

כמה טיפים קטנים לפני שמתחילים

כדי להוציא את המקסימום מ־Act-Two, שווה להשקיע עוד כמה דקות בהכנה. במקום לאלתר מול המצלמה, תכננו מראש את התנועות שתרצו להקליט, אפילו תרגלו אותן כמה פעמים. כדאי גם לצלם כמה גרסאות – אחת איטית ומבוקרת, ואחת קצת יותר זורמת, כדי שתוכלו לבחור את מה שעובד הכי טוב.

אל תוותרו על תיעוד – אם יש תנועה שעבדה מצוין, שימרו אותה על המחשב או בסלולרי ליום אחר.

התחילו בדברים הקטנים – חיוך, הנהון או תזוזה קלה של הגוף יכולים להיראות מדהים כשמשתמשים נכון במודל. ואם אתם כבר שם, נצלו את יכולות הידיים. מחוות כמו הצבעה, חיבוק או תנועה שמביעה כוונה, עוברות נפלא ומרגישות טבעיות על המסך.

ודבר אחרון: אל תנסו להיות מוגזמים. תנועות חדות או אקספרסיביות מדי לא תמיד מתורגמות טוב – דווקא הפשטות נראית הכי אמינה על המסך.

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

לפרטים נוספים לחצו כאן >>

לסיכום, Act-Two מאפשר לכל יוצר, גם בלי רקע טכני, להפיק אנימציות קצרות, מדויקות ואיכותיות בתוך דקות. אם אתם יוצרים תוכן, בודקים רעיונות שיווקיים או מפתחים חוויה אינטראקטיבית, זה כלי שיכול לחסוך לכם זמן, כסף ותסכול. עם יכולות מתקדמות למעקב אחר פנים, גוף וידיים, ACT-Two מציב רף חדש לאנימציה. זה אולי לא סטודיו להנפשה, אבל זה הכי קרוב שיש, והוא בקרוב יהיה זמין לכולם.

הפוסט Runway מרחיבה את גבולות ההנפשה עם Act-Two הופיע ראשון בLet's AI בינה מלאכותית

הכלים החדשים: N8N, MCP וקלוד

המהלך החדש מבית אנטרופיק (Anthropic) והשילוב עם N8N מציג התקדמות משמעותית ביכולתנו לבנות אוטומציות מורכבות. המערכת מבוססת על שלושה רכיבים עיקריים:

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

לפרטים נוספים לחצו כאן >>

N8N

זוהי פלטפורמת קוד-פתוח לאוטומציה המאפשרת לחבר בין יישומים ושירותים שונים וליצור “זרימות עבודה״ (Workflows) חכמות, בדומה ל-Make.com לשעבר Integromat בתחום האוטומציה. N8N מספק ממשק ויזואלי ידידותי, אך מאחורי הקלעים הוא מתבסס על קבצי JSON המכילים את לוגיקת התרחיש.

תרשים זרימה של תהליך אוטומציה ב- N8N

MCP (Model Context Protocol)

זהו פרוטוקול המאפשר למודלי שפה גדולים (LLMs) כמו קלוד, לגשת לכלים חיצוניים ולבצע פעולות מורכבות. במקרה זה, MCP משמש כגשר בין קלוד לבין היכולות של N8N.

מה זה MCP?

קלוד (Claude)

מודל השפה המתקדם של Anthropic ובפרט גרסת Claude Opus 4 שהוכיחה ביצועים עדיפים באופן משמעותי ביצירת תרחישי אוטומציה מדויקים יותר. קלוד פועל כ”מוח” שמתכנן את התרחישים ומנצל את הכלים של N8N באמצעות MCP.

לצורך הפעלה אופטימלית, הפיתוח הזה משלב שלוש ספריות גיטהאב מרכזיות (MCPs) יחדיו:

N8N MCP

המכיל כ-39 כלים מובנים עבור N8N.

N8N Workflows

ספרייה ענקית עם למעלה מ-2,000 תרחישים מוכנים מראש, המתעדכנת באופן שוטף.

Context 7 Docs

המספק תיעוד API מעודכן למערכות וכלים שונים, מה שמבטיח שקלוד ישתמש במידע העדכני ביותר בעת בניית התרחישים.

יכולות הליבה: 3 מצבי יצירה של תרחישים

השילוב הייחודי הזה מאפשר שלושה מצבי עבודה מרכזיים, המדגימים את עוצמתו וגמישותו:

בניית תרחישים מפרומפט

ניתן לבקש מקלוד ליצור תרחיש חדש באמצעות הנחיה טקסטואלית פשוטה. לדוגמה, לבנות תרחיש שישלח התראת דיסקורד בכל פעם שמישהו נותן כוכב (star) למאגר GitHub שלך. המערכת מבצעת תהליך מורכב של גילוי ובחירת נודים (Nodes), בדיקת תיעוד API רלוונטי באמצעות Context 7 ובניית Workflow בN8N . בסיום התהליך, התרחיש מועלה אוטומטית ל-N8N, וכל שנותר למשתמש הוא לחבר את החשבונות הרלוונטיים (כמו GitHub ו-Discord במקרה זה). היכולת הזו מפשטת מאוד את תהליך הפיתוח, מפחיתה את כמות הקוד הנדרשת ומייעלת את הלוגיקה ואופן האינטראקציה של הסוכנים.

שדרוג תרחישים קיימים מקובצי JSON

לעתים קרובות, אנו נתקלים בתרחישים קיימים בקובצי JSON שאינם מושלמים, משתמשים בנודים מיושנים, או שניתן לבצעם טוב יותר. המערכת מאפשרת להעלות קובץ JSON כזה ולקלוד לבצע עליו אנליזה, אימות נודים, בדיקת תקינות התרחיש (כולל תיקון שגיאות קריטיות כמו בעיות עם nested expressions), ושימוש ב-Context 7 לתיעוד API עדכני. כך, תרחיש “לא מושלם” הופך לתרחיש עובד ומשופר, מוכן לפריסה ב-N8N.

יצירת תרחישים מצילומי מסך

היכולת המרשימה ביותר היא שחזור תרחישים מקובץ תמונה (צילום מסך). אם ראיתם תרחיש ביוטיוב או במקום אחר, אך אין קובץ JSON זמין, תוכלו לצלם את המסך ולבקש מקלוד לשחזר אותו. המודל ינתח את התמונה, יזהה את הנודים השונים (Webhook , Split , HTTP , Aggregator ועוד), ויבנה מחדש את התרחיש בN8N כולל תיקון טעויות שאולי היו בתרחיש המקורי או התאמה לנודים העדכניים.

היתרונות והפוטנציאל

השילוב של N8N, MCP וקלוד מעניק למשתמשים יתרונות רבים:

פשטות ונגישות

בניית אוטומציות מורכבות הופכת לנגישה גם לאנשים לא טכניים, מה שמאפשר להם להפוך רעיונות לתרחישים עובדים במהירות.

יעילות וחיסכון בזמן

קיצור דרמטי של זמן הפיתוח, במיוחד במשימות שבעבר דרשו ניסוי וטעייה מרובים בכתיבת פרומפטים או שימוש בכמה ממשקים.

סוכנים חכמים ויישומיים

הכלים החדשים מעניקים ל-AI יכולות חדשות, כמו חיפוש מידע עדכני באינטרנט, חיפוש בתוך קבצים ארגוניים, ואף ביצוע פעולות על המחשב (כמו משתמש אנושי).

טיפול בשגיאות ושיפור ביצועים

היכולת של קלוד לזהות ולתקן שגיאות בתרחישים (כמו נודים חסרים או לא תקינים) משפרת משמעותית את איכות התוצרים. כמו כן, שימוש במודלים מתקדמים כמו GPT-4 וגרסאות מיוחדות מותאמות לכלים משפר את דיוק התשובות.

שקיפות ובקרה

כלי ניטור (Observability) מאפשרים לעקוב אחר מהלך הפעולות של הסוכן בכל רגע, לראות אילו צעדים הוא נקט בדרך לפתרון בעיה ולזהות היכן הוא טועה.

גמישות והתאמה

הפלטפורמה גמישה וניתן להשתמש בה עם מודלי שפה שונים. חברות כבר החלו ליישם יכולות דומות: Navan השתלבה בכלי חיפוש המסמכים עבור סוכן נסיעות חכם, Unify משתמשת ב”שימוש במחשב” לאיסוף מידע ממקורות שרק אדם יכל לגשת אליהם, וLuminai ביצעה אוטומציה לתהליך רישום משתמש מורכב בימים במקום חודשים.

לפני ואחרי חיבור ל-MCP

ההתקנה וההפעלה: המדריך למשתמש הלא-טכני

התהליך דורש התקנה ראשונית של Docker ו-Node.js, ולאחר מכן הגדרת ה-MCPs בתוך אפליקציית Claude Desktop. חשוב לציין שקלוד (Claude) חייב להיות מותקן כאפליקציית דסקטופ (ל-Mac או Windows) ולא רק בדפדפן.

שלבי התקנה וחיבור עיקריים

התקנת Node.js ו-Docker: וודא שמותקנים במחשב שלכם Node.js (להרצת פקודות בטרמינל) ו-Docker לניהול ה-MCPs כקונטיינרים. חשוב לוודא שמנוע ה-Docker פועל ברקע “engine running”.

הורדת אימג׳ Docker (Images)

הרץ פקודות פשוטות בטרמינל כדי למשוך את תמונות ה-Docker הרלוונטיות של הN8N MCP.

הפעלת הקונטיינר

הפעל את ה-“Image” שיצרת באמצעות Docker Desktop.

חיבור ה-MCPs לקלוד

Contxet 7 ו-N8N Workflows: ניתן להשתמש בכלי עזר כמו gitmcp.io כדי לקבל בקלות את קובץ הקונפיגורציה של ה-MCPs הללו.

N8N MCP (Full Configuration)

עבור גישה מלאה ליכולות כמו יצירת Workflows, יש צורך בהגדרת URL ו-API Key של N8N ישירות בקובץ הקונפיגורציה.

איחוד קבצי JSON

מכיוון שנדרש לחבר מספר MCPs, מומלץ לבקש מקלוד עצמו לאחד את קובצי ה-JSON של כל ה-MCPs לקובץ אחיד אחד. פשוט רשמו בצ׳אט חדש: “create a Json unified file out of all of these:” ומתחת את כל הקבצים. הגדרת קלוד Desktop: את קובץ ה-JSON המאוחד יש להדביק בנתיב ההגדרות של קלוד Desktop (settings > developer > edit config).

הפעלת קלוד מחדש

חשוב מאוד לסגור לגמרי את אפליקציית קלוד ולהפעיל אותה מחדש לאחר כל שינוי בקובץ הקונפיגורציה, כדי שהשינויים ייטענו.

הפעלת “Extended Thinking”

מומלץ להפעיל את האפשרות “Extended Thinking” בקלוד, כדי שהמודל יחשוב לעומק לפני ביצוע פעולות, מה שמגביר את איכות התוצאות. למרות שהתהליך כולל מספר שלבים טכניים, הסרטון המצורף מסביר כל שלב בפירוט, ומאפשר גם למשתמשים ללא רקע טכני לחבר את הכלים בהצלחה. במקרה של תקלות, ניתן להיעזר במודלי שפה כמו קלוד עצמו, ג’מיני או ChatGPT לצורך troubleshooting.

מגבלות ושיקולים לעתיד

למרות העוצמה הרבה, ישנן מספר מגבלות שיש לקחת בחשבון:

צריכת טוקנים

השילוב של “Extended Thinking” ו-Claude Opus 4, יחד עםMCP, צורך טוקנים במהירות גבוהה. עבור משתמשים עם מנויים בסיסיים, הדבר עלול להוביל לכך שתרחישים מורכבים במיוחד “יתקעו” באמצע התהליך עקב חוסר טוקנים.

הבנה בסיסית של N8N

למרות שהמערכת בונה את התרחישים, עדיין נדרשת הבנה בסיסית של N8N ומושגים כמו Nodes, Webhooks, ו-Production/Test Webhooks) לצורך איתור ותיקון שגיאות, אופטימיזציה של התרחיש והבנתו לעומק. Anthropic כבר מתכננות להרחיב את הכלים הקיימים ולהוסיף יכולות נוספות. המטרה היא לחבר באופן עמוק יותר בין המודלים לכלים, ולפתח יכולות חדשות להטמעה, הערכה והתייעלות של הסוכנים בסביבת ייצור.

סיכום והשלכות לעתיד

השילוב של N8N, MCP וקלוד הוא דוגמה מצוינת להתקדמות המהירה בתחום סוכני ה-AI האוטונומיים, אשר עתידים להפוך לחלק בלתי נפרד מכוח העבודה הדיגיטלי שלנו. כלים אלו מקצרים דרמטית את זמן ומשאבי הפיתוח, ופותחים פתח לשימוש נרחב ב-AI בתעשיות רבות – משירות לקוחות ועד פיננסים.

חשוב להבין שאנו רק בתחילתו של עידן זה. סוכני AI כמו אלה שניתן לבנות באמצעות הכלים שהוצגו, יכולים לשדרג את הפריון בעבודה ולאפשר לבני אדם להתמקד במשימות הדורשות פיקוח גבוה יותר או יצירתיות, במקום בעבודת נמלים מונוטונית.

השאלה כבר אינה האם יהיו סוכני AI בסביבה שלנו, אלא כמה מהר הם יהפכו למציאות יומיומית. עם המשך ההתקדמות הטכנולוגית וההשקעה במנגנוני בטיחות ובקרה, אנו צועדים לעבר עתיד שבו לכל אחד ואחת מאיתנו יכול להיות “עוזר AI אישי” או “צוות של עוזרים דיגיטליים” שיסייעו לנו במגוון משימות ויפתרו בעיות בעולם האמיתי.

הפוסט אוטומציה מתקדמת עם בינה מלאכותית: N8N, קלוד ו-MCP משנים את חוקי המשחק הופיע ראשון בLet's AI בינה מלאכותית

FLUX 1 Kontext

FLUX 1 Kontext מתאים לעריכות מהירות ומדויקות של תמונה אחת, בלי לסמן איזורים ידנית. הוא מאפשר לשנות פרטים קטנים, כמו צבע של פריט, תוך שמירה על המבנה המקורי של התמונה. המודל שומר על מראה עקבי של דמויות ומוצרים בין גרסאות שונות, יודע להעביר סגנון מתמונה אחת לאחרת, ופועל במהירות גבוהה במיוחד (עד פי 8 ממודלים רגילים). כרגע הוא תומך בתמונת ייחוס אחת, אך בהמשך תתווסף תמיכה בריבוי תמונות.

תמונת ייחוס שלי והנחיה קצרה הביאה אותי לקטיף עגבניות בשדות

GPT-Image-1

GPT-Image-1 הוא מודל יצירתי של OpenAI שמאפשר לשלב עד שש תמונות ייחוס עם טקסט אחד, ולבנות קומפוזיציות מורכבות, כמו קולאז’ים, שילובי סגנונות, תנוחות או צבעים ממקורות שונים. הוא מצטיין בהבנה עמוקה של טקסט ותמונה גם יחד, ולכן מתאים במיוחד לפוסטרים, ממשקים, עיצוב טיפוגרפי ואריזות. המנוע הזה יודע גם לייצר תמונות חדשות וגם לערוך קיימות, ומעולה כשצריך לאחד כמה לוחות השראה לקונספט אחד, להחליף טקסטים בעיצובים, או ליצור סצנה חדשה לגמרי. הוא פחות מהיר מ-FLUX, ולעיתים עלול לסטות מהכוונה בפרומפטים ארוכים או למקם טקסטים קטנים לא במדויק.

איך משתמשים ב-Omni Editing של לאונרדו?

1. נכנסים לאתר – מתחברים לחשבון שלכם או נרשמים בחינם.

2. פותחים תמונה – יוצרים תמונה חדשה או בוחרים אחת קיימת מהגלריה.

3. לוחצים על התמונה – זה יפתח את עורך ההוראות (Inline Editor).

4. בוחרים מודל – מהתפריט בוחרים בין FLUX או GPT-Image-1.

5. כותבים הוראה בשפה פשוטה – לדוגמה: “החלף את צבע השמלה לצהוב”.

6. לוחצים על “Generate” – המערכת תבצע את השינוי מיד בתוך התמונה.

אפשר לחזור על הפעולה כמה שרוצים. כל שינוי מתבצע רק איפה שביקשתם, בלי להתחיל מהתחלה ובלי לעבור לתוכנה אחרת.

שינוי צבע הלמבורגיני מצהוב לאדום בהנחיה פשוטה

כמה טיפים חשובים לשימוש חכם

• כתבו פשוט וברור – במיוחד עם FLUX, שיכול לקבל עד 500 מילים. ב-GPT-Image-1 כל מילה עולה בקרדיטים, אז שווה לקצר.

• ציינו במה לא לגעת! – רוצים שהזווית או התאורה יישארו כמו שהם? תכתבו את זה בפרומפט, למשל: “תוך שמירה על התאורה והתנוחה המקוריות”.

• לכו בצעדים קטנים עם FLUX – אם תנסו להכניס יותר מדי שינויים בבת אחת, המודל עלול להתבלבל. עדיף לשנות דבר אחד בכל פעם.

• ב-GPT-Image-1 סדרו את התמונות שלכם – אם אתם מעלים כמה תמונות ייחוס, תתנו לכל אחת שם כמו “style_ref” או “pose_ref” כדי שהמודל יבין מה התפקיד של כל אחת.

• קחו אוויר – ב-GPT-Image-1 עיבודים מורכבים יכולים לקחת עד דקה או שתיים. זה נורמלי.

קרדיטים וגישה 

בלאונרדו עובדים עם קרדיטים שנקראים Tokens. משתמשים בחינם מקבלים כמות יומית מוגבלת, ומשתמשים בתשלום מקבלים בנק גדול יותר כל חודש. עריכות עם Omni (כמו GPT-Image-1 ו-Kontext) צורכות יותר קרדיטים מיצירת תמונה רגילה, כי הן מפעילות מנועים מתקדמים יותר. אם תבחרו באיכות גבוהה או במצב “Kontext Max”, העלות תעלה בהתאם. בשורה התחתונה, ככל שהמודל חכם יותר, או שהאיכות גבוהה יותר, ככה זה עולה יותר קרדיטים.

השוואת תוכניות המנוי של לאונרדו – מה כל תוכנית כוללת וכמה היא עולה?

לסיכום, FLUX Kontext הוא הכלי המהיר והמדויק כשצריך לשנות פרטים קטנים בתמונה אחת. GPT-Image-1 נותן יותר חופש יצירתי ומאפשר לשלב כמה תמונות, סגנונות וטקסטים על קנבס אחד. אפשר לעבור ביניהם בלחיצה ולבחור מה הכי מתאים לכל משימה. לכו לנסות!

הפוסט איך עורכים תמונות ב-Leonardo בעזרת מודלי Omni החדשים הופיע ראשון בLet's AI בינה מלאכותית

This is wild.

ThinkSound adds 100% AI sound to any video

The quality is insane.

10 wild examples + how to try:

1. Veo 3 + ThinkSound pic.twitter.com/VELjHzdtsD

— Min Choi (@minchoi) July 12, 2025

איזו בעיה פותרים?

מודלים קיימים מסוג Video-to-Audio יודעים לזהות אובייקטים ולהצמיד להם צלילים בסיסיים. אם הם רואים ינשוף, הם מוסיפים קריאת ינשוף. אבל הם לא מבינים מה באמת קורה: האם הינשוף עומד להמריא? נוחת? האם תנועת הכנפיים יוצרת רחש בין העלים?

שלוש מגבלות טכניות עומדות מאחורי זה:

• אין הבנה של רצף: המודלים מתייחסים לכל פריים בנפרד, בלי להבין את הסיפור שמתרחש לאורך הזמן.

• התעלמות מהסביבה: אין הבנה של עומק, מרחק, הדהוד, או איך הסביבה משפיעה על הצליל.

• אפס גמישות בעריכה: אם משהו לא נשמע טוב, אין דרך לשנות רכיב ספציפי. הכול או כלום.

Chain-of-Thought ביצירת סאונד

במקום לייצר צליל מיידי על בסיס זיהוי אובייקטים, ThinkSound מציגה גישה חדשה שמחקה את אופן החשיבה של מעצבי קול מקצועיים: Chain-of-Thought Reasoning. המודל בונה “שרשרת חשיבה”, ניתוח הדרגתי של הסצנה הוויזואלית, שלב אחר שלב, לפני שהוא מייצר את האודיו.

דוגמה מעשית:

• שלב 1: “ינשוף יושב על ענף, מוקף עלווה”

• שלב 2: “הינשוף ממצמץ באיטיות ומרים כנפיים”

• שלב 3: “הינשוף דוחף בכנפיים ויוצר רחש עלים”

• שלב 4: “הינשוף עף הרחק, הקול מתרחק”

במקום אפקט קולי אחד וגנרי, מתקבל צליל שמתפתח עם הפעולה, משקף תנועה, עומק ומיקום.

המבנה הטכנולוגי של ThinkSound

בלב המערכת של ThinkSound פועלת שרשרת של שלושה רכיבים, ראייה, שפה וקול, שעובדים יחד כדי לחקות את הדרך שבה בני אדם מבינים ומעצבים סאונד. הכל מתחיל במקודד ויזואלי, שסורק את הסרטון, מזהה אובייקטים ותנועות, ובונה ייצוג חזותי של הסצנה.

לאחר עיבוד התמונה, המידע עובר למודל שפה שמסביר במילים מה קורה בסצנה שלב אחרי שלב, כמו תסריט שמתאר את הפעולה בפרטי פרטים.

לבסוף, מודל האודיו מאחד את כל המידע הזה ומייצר סאונד עשיר, דינמי וריאליסטי. כל זה נשען על מערכת בהיקף מרשים: 1.3 מיליארד פרמטרים, שאומנו על מאגר הנתונים AudioCoT הכולל 2,531 שעות אודיו עם תיאורי Chain-of-Thought.

5. Eating Crisps pic.twitter.com/IKppJxwax5

— Min Choi (@minchoi) July 12, 2025

במבחנים על מאגרי נתונים סטנדרטיים, ThinkSound הפיק תוצאות טובות יותר מכל מתחרה. הוא נשמע טבעי יותר, מדויק יותר, ומהיר בערך פי שלושה. פחות מ-1.1 שניות לקטע אודיו, לעומת 3 שניות אצל MMAudio. בשורה התחתונה יש כאן גם איכות וגם מהירות.

שלושה שלבים ליצירת סאונד מדויק

ThinkSound פועל בשלושה שלבים שמאפשרים שליטה הדרגתית ואינטואיטיבית על עיצוב האודיו:

1. יצירת שכבת סאונד בסיסית (Foundational Foley Generation): המערכת סורקת את הסרטון כולו ויוצרת נוף קולי ראשוני שמשקף את הסצנה השלמה. במקום להצמיד צליל לכל אובייקט בנפרד, היא מבינה את ההקשר הכולל, למשל, איך נשמעת מכונית בכביש עירוני סואן לעומת דרך כפרית שקטה.

2. מיקוד באובייקטים ספציפיים (Interactive Object-Centric Refinement): המשתמש יכול לבחור אובייקט בסרטון, כמו דלת, אדם, או קרון רכבת, ולבקש עידון ממוקד. ThinkSound משתמשת בטכנולוגיית Grounded-SAM-2 כדי לזהות ולעקוב אחרי האובייקט לאורך זמן. לדוגמה: המשתמש מסמן את קרון הרכבת, ומבקש למקד את הצליל בגלגלים על המסילה בלי לשנות את רעשי הרקע.

3. עריכה מדויקת בשפה טבעית (Targeted Audio Editing): בשלב האחרון, ניתן פשוט לכתוב מה שרוצים: “תגביר את ההדהוד של המכונית” או “תנמיך את רעש הרוח ברקע” – והמערכת מבצעת את ההתאמות, מבלי לדרוש ידע טכני.

Smart ThinkSound

Smart ThinkSound הוא יישום מהיר ואוטומטי של ThinkSound, שמפשט את התהליך בעזרת Claude 4 Sonnet, מודל שפה מתקדם מבית אנטרופיק. במקום שליטה אינטראקטיבית בשלושת השלבים, המערכת מנתחת פריים אחד מתוך הסרטון ויוצרת תיאור מדויק שמוביל לאודיו איכותי.

זו לא מערכת מושלמת, אבל היא מספקת תוצאה מרשימה גם ללא שום ידע מוקדם בעיצוב סאונד.

ככה זה עובד:

1. בחירת פריים: המערכת בוחרת פריים מייצג מתוך הסרטון.

2. ניתוח חזותי: Claude 4 Sonnet מנתח את הפריים לעומק.

3. כתיבת תיאור: המודל יוצר כותרת פשוטה ותיאור טכני מפורט.

4. יצירת אודיו: ThinkSound מסנתז את הצליל בהתאם.

למי שרוצה לראות (ולשמוע) איך זה נראה בפועל, ניתן לצפות במגוון דוגמאות והסברים בדמו. בנוסף, חבילת Smart ThinkSound זמינה ברפוזיטורי Replicate וגם דרך Hugging Face.

Context Hints והדרך לשפר ניתוח מפריים אחד

אחד האתגרים של Smart ThinkSound הוא הסתמכות על פריים בודד מהסרטון. כדי להתמודד עם זה, המערכת מאפשרת למשתמשים להוסיף רמזי הקשר (Context Hints), ביטויים קצרים שעוזרים למודל להבין מה באמת קורה בסצנה.

דוגמאות לרמזים אפקטיביים:

• “fireworks video” – גורם למערכת להוסיף קולות התפוצצות, גם אם הפריים חשוך.

• “cooking scene” – מכוון את הצליל לרחשים, חיתוך ובעבוע של מטבח פעיל.

• “wildlife sounds” – מדגיש קולות רקע טבעיים כמו ציוץ, רשרוש ורוח.

• “industrial sounds” – מוסיף שכבות של רעש מכני מדויק, כמו פס ייצור או מנועים.

כך אפשר לשפר משמעותית את האודיו גם בסצנות עמומות או מורכבות בלי לכתוב קוד או להבין בטכנולוגיה.

9. Baby sound pic.twitter.com/jSehLDiJvb

— Min Choi (@minchoi) July 12, 2025

שליטה באופי הצליל

למרות שהמערכת אוטומטית, משתמשים מתקדמים יכולים לכוונן את האודיו לפי הצרכים שלהם בעזרת שלושה פרמטרים פשוטים:

• מידת התאמה לתיאור (cfg_scale): ככל שהערך גבוה יותר, המערכת תיצמד יותר לפרטים שכתבת. ערך נמוך יאפשר לה להיות חופשית ויצירתית יותר.

• רמת עיבוד (num_inference_steps): כאן בוחרים בין מהירות לאיכות, כאשר שלבים מעטים יביאו לתוצאה מהירה יותר ושלבים רבים יביאו סאונד מדויק ואיכותי יותר.

• Seed (מספר ייחוס): רוצים לשחזר בדיוק את אותה תוצאה? השתמש באותו מספר seed – כמו שעושים בכלי יצירת תמונות.

אפשר להתעלם מהפרמטרים האלה לגמרי, אבל אם תרצו שליטה, הם שם בדיוק בשביל זה.

מגבלות שצריך להכיר

למרות היכולות המרשימות שלה, ל-Smart ThinkSound יש גם מגבלות שחשוב להבין, רובן נובעות דווקא מהפשטות שמאפשרת לכל אחד להשתמש בה. ראשית, היא עדיין מסתמכת על פריים אחד מתוך הסרטון. כשיש שינוי דרמטי לאורך הסצנה, האודיו עלול לפספס את ההתאמה. רמזי ההקשר יכולים לעזור, אבל הם לא תמיד מספיקים. בנוסף, המערכת רגישה מאוד לאיכות הווידאו – תמונה מטושטשת, חשוכה או עמוסת פרטים עלולה להקשות עליה לזהות ולבנות סאונד מדויק.

גם ברמת השימוש יש מגבלות, כרגע ThinkSound זמינה לצורכי מחקר או התנסות אישית בלבד, ושימוש מסחרי דורש רישוי מיוחד מאליבאבא.

ולבסוף, חשוב לזכור שגם אם זמן ההפקה קצר יחסית, מדובר במערכת שדורשת משאבי עיבוד משמעותיים. גרסת Smart משתמשת במופעים מוכנים מראש כדי להאיץ את הביצועים, אבל זה עדיין לא פתרון מלא לכל תרחיש. במילים אחרות: מדובר בטכנולוגיה פורצת דרך, אבל כזו שנמצאת עדיין באמצע הדרך.

מה מחכה לנו בפיתוח עתידי?

ThinkSound עדיין לא אמרה את המילה האחרונה. כמה מהאתגרים הטכנולוגיים שנמצאים על שולחן הפיתוח:

• ניתוח רציף של וידאו: היום המערכת מסתפקת בפריים בודד. בעתיד, היעד הוא לנתח רצף שלם של תמונות, מה שידרוש פתרונות חכמים להתמודדות עם זיכרון מוגבל ועומס חישובי כבד.

• רמזים חכמים יותר: רמזי ההקשר (Context Hints) עובדים היטב, אבל עדיין מוגבלים. היעד הוא להפוך אותם לרגישים יותר למגוון רחב של סצנות, ז’אנרים ומצבים.

• הבנת הרגש בסצנה: המודל יודע לזהות תנועה, אבל לא תמיד את התחושה. למשל, סצנה עצובה עלולה לקבל סאונד אופטימי מדי. ההבנה הרגשית היא השלב הבא.

• עבודה עם אודיו קיים: כיום ThinkSound מייצרת הכל מאפס. היכולת לערוך אודיו קיים בצורה חכמה וסלקטיבית תהיה פריצת דרך משמעותית בשלב הבא.

כל אחד מהאתגרים האלה הוא דלת לעולם חדש שבו עיצוב סאונד יהיה גם מדויק, גם רגשי, וגם דינמי באמת.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס דיפ פייק ומידול סאונד

לפרטים נוספים לחצו כאן >>

איך תשפיע מהפכת הסאונד על כולנו?

ThinkSound מסמנת שינוי עמוק באופן שבו אנחנו יוצרים, עורכים וחושבים על סאונד. היא לא רק חוסכת זמן או מחליפה עבודות טכניות, היא משנה את נקודת המוצא. במקום להתחיל מאפקטים ולבנות מהם סצנה, היא מתחילה מהבנה של סצנה ויוצרת מתוכה את הסאונד. זו לא מערכת מושלמת: היא עדיין מבוססת על פריים בודד, דורשת כוח חישוב ומוגבלת לשימוש מחקרי. אבל עצם זה שהיא פתוחה לקהילת המפתחים, הופך אותה לזרז של התפתחות. בטווח הקצר, יוצרים קטנים יכולים לייצר תוצאה מקצועית בלחיצת כפתור. בטווח הארוך, הגבול בין עורך סאונד למערכת מבינה הולך ומיטשטש. ויותר מזה, אולי בפעם הראשונה, מחשבים לא רק שומעים את מה שעל המסך. הם מתחילים להבין אותו.

הפוסט ThinkSound משנה את הדרך בה יוצרים סאונד לוידאו הופיע ראשון בLet's AI בינה מלאכותית

עד כמה זה נפוץ? הרבה יותר ממה שחשבתם

סקר שנערך בקרב 1,342 מנהלים בארצות הברית ופורסם על ידי האתר המסחרי ResumeBuilder.com מצביע על מגמה רחבת היקף: 65% מהמנהלים מדווחים כי הם משתמשים בכלי בינה מלאכותית במסגרת העבודה, ו־94% מהם עושים זאת לצורך קבלת החלטות על עובדים הכפופים להם. אבל זה לא נגמר שם.

לפי מחקר אחר, 99% מחברות Fortune 500 כבר משלבות מערכות AI בתהליכי הגיוס שלהן. ולמרות זאת, או אולי בגלל, 66% מהאמריקאים מעדיפים שלא להגיש מועמדות למשרה שבה AI מקבל את החלטות הגיוס, כך לפי סקר עדכני של Pew Research Center.

השימוש ב-AI נפוץ במיוחד בהחלטות בעלות השלכות אישיות:

• 78% מהמנהלים משתמשים בו כדי להחליט על העלאות שכר.

• 77% לצורך קידום עובדים.

• 66% לצורך קבלת החלטות על פיטורים.

תדירות השימוש ב-AI במשימות ניהול עובדים בארה”ב. קרדיט: ResumeBuilder.com

כפי שניתן לראות בגרף, השימוש ב‑AI לא מוגבל לפיטורים או קידומים, הוא חל גם על תחומים “רכים” כגון פיתוח עובדים והערכת ביצועים. המשמעות ברורה: האלגוריתם כבר חלק בלתי נפרד מתהליך קבלת ההחלטות, ולכן חשוב להבהיר היכן עובר הקו שבין תמיכה טכנולוגית לבין הטלת אחריות.

AI פועל לעיתים בלי מעורבות אנושית

אחד הממצאים המדאיגים ביותר נוגע לאופן השימוש ב-AI, ולא רק לעצם השימוש. יותר מ-20% מהמנהלים שהשיבו לסקר דיווחו כי הם מאפשרים למערכות AI לקבל החלטות על עובדים ללא כל התערבות אנושית באופן קבוע, ו־24% נוספים עושים זאת לעיתים.

באיזו תדירות מאפשרים מנהלים ל-AI לקבל החלטות ללא פיקוח אנושי. קרדיט: ResumeBuilder.com

הגרף ממחיש תמונה מטרידה: בלא מעט מקרים, מנהלים מאפשרים למערכות בינה מלאכותית לקבל החלטות – ללא מעורבות אנושית ישירה. כאשר מדובר בהחלטות שמשפיעות על קידום, שכר או פיטורים, המשמעות איננה רק טכנולוגית, אלא מוסרית: הפיקוח האנושי, שהיה פעם תנאי סף, הופך בהדרגה לאופציה.

וזה לא רק עניין של אוטומציה – זה פער של אחריות. כאשר אין בקרה אנושית, גם המערכות המתקדמות ביותר עלולות לשכפל ולחזק דפוסים של אפליה קיימת. כך למשל, מחקר של אוניברסיטת וושינגטון מצא כי שלושה מודלים פופולריים של AI, שבחנו קורות חיים, נטו להעדיף שמות המזוהים עם גברים לבנים ב־85% מהמקרים, לעומת העדפה של שמות המזוהים עם אפרו-אמריקאים רק ב־9% מהמקרים.

בלי התערבות אנושית שקופה, ההטיות הללו הופכות לאפליה שקטה שקשה לאתר, וקשה עוד יותר לתקן.

מי אחראי להחלטה – המנהל או המערכת?

כאן עולה שאלה קריטית שאסור להתעלם ממנה – כאשר אלגוריתם מחליט את מי לקדם ואת מי לפטר, לא תמיד ברור היכן עובר קו האחריות. האם מדובר בשיפור תהליכי קבלת החלטות, או בדרך חדשה להימנע מלקיחת אחריות אנושית על החלטות קשות?

הגבול הזה כבר מיטשטש בשטח: בארה”ב, למשל, נעשה שימוש נרחב בכלי ראיונות מבוססי וידאו כמו HireVue, שמנתחים הבעות פנים, קצב דיבור וטון קולי כדי לדרג מועמדים.

מחקרים וביקורת ציבורית הצביעו על כך שכלים כאלה עלולים להפלות מועמדים עם לקויות דיבור, נוירו-שונות (Neurodiversity) או מאפיינים תרבותיים שונים. כאשר ההחלטה מבוססת על ציונים שניתנים אוטומטית – מי נושא באחריות להדרה הזו? האלגוריתם? המעסיק? אולי אף אחד?

שימוש ללא הכשרה

הנתונים מבהירים עד כמה הפער חמור: רק 32% מהמנהלים דיווחו שקיבלו הכשרה רשמית לשימוש אתי ב-AI בניהול עובדים, ו־כמעט רבע מהם (24%) לא קיבלו כל הכשרה בנושא. במילים אחרות, הטכנולוגיה נכנסת במהירות לארגונים, אבל הכלים להבין אותה ולהפעיל שיקול דעת אתי פשוט לא מגיעים באותו קצב.

סטייסי הלר (Stacie Haller), יועצת קריירה בכירה ב-ResumeBuilder, מסכמת זאת היטב: “חיוני לא לאבד את ה’אנשים’ בניהול אנשים. אמנם AI יכול לתרום תובנות מבוססות-נתונים, אך הוא חסר הקשר, אמפתיה ושיפוט.” וזה בדיוק הסיכון: כשאנשים חסרי הכשרה משתמשים בכלים רבי עוצמה, ההשלכות עלולות להיות לא רק טכניות, אלא אנושיות.

השלכות כלכליות וחברתיות

שימוש לא מבוקר בבינה מלאכותית בהחלטות גיוס עלול לגבות מחיר כבד – גם ברמה האישית וגם ברמה הארגונית. 35% מהמגייסים מדווחים כי הם חוששים ש-AI עלול לפסול מועמדים בעלי כישורים ייחודיים, רק כי הם לא מתאימים לדפוס שהמערכת “למדה” להעדיף.

מצד שני, כאשר AI מיושם בצורה זהירה וחכמה, הוא מציע יתרונות ברורים: חברות רבות מדווחות על חיסכון של כ־30% בעלויות הגיוס בזכות אוטומציה חכמה וניתוח יעיל של מועמדים.

הדוגמה של אמזון ממחישה עד כמה קל להתפתות לפתרון טכנולוגי ולשלם על כך מחיר תדמיתי ואנושי. ב־2018 נאלצה אמזון להשבית את מערכת הגיוס האוטומטית שלה, לאחר שהתברר שהיא מפלה נשים באופן שיטתי. הסיבה? האלגוריתם התבסס על נתוני עבר, שבהם גברים היו רוב המועמדים בתפקידי טכנולוגיה ולכן למד להעדיף אותם.

המסר ברור: בלי בקרה, טכנולוגיה לא רק שלא מתקנת את ההטיות, היא עלולה להנציח אותן בצורה מתוחכמת הרבה יותר.

הפרדוקס

לצד החשש הגובר מהטיות, יש מי שרואים דווקא תקווה. סקר של Pew Research Center מגלה ש־47% מהאמריקאים מאמינים כי AI עשוי להיות הוגן יותר מבני אדם בהערכת מועמדים. בקרב אלה שמאמינים שיש הטיה גזעית בגיוס, רובם סבורים שדווקא AI עשוי לשפר את המצב ולא להחמיר אותו.

גם בקרב מגייסים יש אופטימיות זהירה: סקר של IBM מראה כי 68% מהם מאמינים ש-AI יכול להפחית הטיות לא מודעות. הסיבה לכך פשוטה: בני אדם שופטים לא רק לפי כישורים, אלא גם לפי רושם, דמיון תרבותי ותחושות לא מודעות. מערכת בינה מלאכותית, בתנאי שתוכננה נכון, יכולה להסתמך על קריטריונים עקביים ואובייקטיביים.

הרגולציה

בעוד בארצות הברית הרגולציה בתחום הבינה המלאכותית עדיין מתפתחת, האיחוד האירופי כבר נוקט צעדים מחייבים. על פי חוק הבינה המלאכותית שאושר בפרלמנט האירופי ב-2024, שימוש ב-AI בהקשרים תעסוקתיים מסווג כ”סיכון גבוה”, ודורש עמידה בתנאים מחמירים.

בין הדרישות המרכזיות:

• איסור על מערכות לזיהוי רגשות במקום העבודה.

• פיקוח אנושי חובה על תהליכי קבלת החלטות בגיוס, קידום ופיטורים.

• שקיפות באשר לשימוש ב-AI מול מועמדים ועובדים.

הגישה האירופית מבוססת על עיקרון הזהירות, ולפיו, כאשר החלטות נוגעות לפרנסה ולזכויות, אין מקום לאוטומציה ללא אחריות אנושית. גם בארצות הברית החלו צעדים ראשוניים: בניו יורק, למשל, נכנס לתוקף ביולי 2023 חוק המחייב ביקורת שנתית על מערכות AI בתהליכי גיוס, כולל קנסות של עד 1,500 דולר על כל הפרה של דרישות החוק.

כך תפעלו בחוכמה

אנחנו לא חסרי אונים מול המהפכה הזו. להפך, יש לא מעט צעדים שאפשר וצריך לנקוט כבר עכשיו:

• דרשו שקיפות במקום העבודה: בררו אם נעשה שימוש בכלי AI בהחלטות שמשפיעות עליכם – בגיוס, בקידום או בקביעת שכר. למעסיק אחראי אין סיבה להסתיר את זה.

• שאלו על AI בתהליך הגיוס: כשאתם מגישים מועמדות, בדקו האם (ואיך) נעשה שימוש בבינה מלאכותית. חברות מקצועיות ישיבו על כך בצורה פתוחה.

• התאימו את קורות החיים שלכם למערכות אוטומטיות: השתמשו במילות מפתח מתוך המשרה, שמרו על פורמט פשוט, והימנעו מתבניות מורכבות שלא נקראות נכון על ידי מערכות סינון.

• השקיעו בלמידת מושגי יסוד בבינה מלאכותית: לא צריך להיות מהנדסי פרומפטים, אבל הבנה בסיסית תעזור לכם לזהות הטיות, לשאול את השאלות הנכונות, ולבנות יתרון תחרותי מול מערכות אוטומטיות.

הכוונה אינה “להילחם בטכנולוגיה”, אלא להפוך למשתתפים מודעים במשחק החדש. ככל שתבינו יותר איך המערכות פועלות, כך תדעו לנווט בתוכן בביטחון, בלי לאבד את האנושיות שלכם.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

האיזון שבין דיוק טכנולוגי לאינטואיציה אנושית

שימוש ב-AI בקבלת החלטות על עובדים הוא לא תהליך שחור או לבן. יש בו פוטנציאל אמיתי לייעול, לעקביות, ולהפחתת הטיות אנושיות, אבל גם סכנה מוחשית לאפליה שקטה, הדרת מועמדים ייחודיים, ופגיעה באמון. הטכנולוגיה עצמה אינה הבעיה, אלא האופן שבו בוחרים להשתמש בה. אם אתם עובדים, מנהלים או מגייסים – האחריות בידיים שלכם. הדרך קדימה מחייבת לא רק כלים חכמים, אלא גם פיקוח אנושי, הכשרה אתית, וביקורת מתמדת.

AI לא הולך לשום מקום. הבחירה האמיתית היא שלכם: האם להפוך אותו לכלי שמחזק את השיקול האנושי, או לאפשר לו להחליף אותו בשקט.

הפוסט האם בינה מלאכותית מחליפה את המנהלים בקבלת החלטות? הופיע ראשון בLet's AI בינה מלאכותית

כשענקיות הטכנולוגיה פוגשות את החינוך

שלושת הגדולים בעולם הבינה המלאכותית חברו יחד למיזם שעלול לשנות את פני החינוך האמריקאי לעד. Microsoft, OpenAI ו-Anthropic הודיעו על השקעה של 23 מיליון דולר להכשרת 400,000 מורים K-12 – כלומר, אחד מכל עשרה מורים בארה”ב – לעבודה עם בינה מלאכותית. למה זה חשוב? כי זה המיזם הגדול ביותר מסוגו בהיסטוריה. אם תצליח היוזמה, היא תשפיע על 7.2 מיליון תלמידים ותקבע תקדים עולמי לשילוב AI בחינוך.

מי מעורב במיזם?

חלוקת התקציב חושפת מעין “חלוקת עבודה” מעניינת בין השותפים. Microsoft לוקחת את התפקיד המוביל עם 12.5 מיליון דולר – כמחצית מהתקציב – ומביאה איתה את תשתית הענן של Azure ופיתוח התכנים הבסיסיים. OpenAI נותנת 10 מיליון דולר ומתמחה במה שהיא עושה הכי טוב – נגישות מוקדמת לטכנולוגיות החדשות וידע בפיתוח מודלי שפה. ואילו Anthropic, עם תרומה צנועה יותר של 500,000 דולר לשנה, מתמקדת בנושא הרגיש ביותר – איך להפוך את Claude לבטוח ואתי לשימוש בכיתות לימוד.

איך זה באמת ייראה בפועל?

האקדמיה הלאומית להוראת בינה מלאכותית תיפתח בסתיו 2025 בקמפוס מתקדם במנהטן. המיקום לא נבחר במקרה, מדובר בסמל של חדשנות ונגישות לאזור הצפוף ביותר במורים בארה”ב.

התוכנית תכלול

• סדנאות פרונטליות מתקדמות
• קורסים מקוונים להכשרה עצמית
• הכשרה מעשית ללא תשלום לכל 1.8 מיליון חברי איגוד המורים האמריקאי (AFT).

עד 2030, התוכנית תתרחב עם מרכזי לוויין במערב התיכון, בדרום ובחוף המערבי, כדי להבטיח שגם מחוזות כפריים ומוחלשים יקבלו גישה לטכנולוגיה החדשנית.

מה המורים באמת ירוויחו?

כאן הדברים נעשים מעניינים. לפי הנתונים שפורסמו, המורים שיעברו הכשרה יחסכו בממוצע שש שעות עבודה שבועיות. איך? באמצעות אוטומציה של הכנת מערכי שיעור והערכות. אבל זה לא הכל. המערכת תאפשר להם ליצור הוראה דיפרנציאלית, כלומר, להתאים חומרים אוטומטית לרמות ידע שונות בכיתה. זה משהו שמורים רבים רוצים לעשות אבל פשוט אין להם זמן.

האתגרים שלא מדברים עליהם

למרות ההתלהבות (ובצדק), יש כמה שאלות חשובות שצריך לשאול:

מבחינת פרטיות הנתונים, איך מבטיחים שמידע אישי על תלמידים לא יגיע לידיים לא נכונות? זה אתגר מרכזי בעידן שבו נתוני חינוך הופכים לזהב דיגיטלי.

באשר לפער בין מחוזות, האם המיזם באמת יצמצם את הפער בין מחוזות עשירים לעניים, או שיעמיק אותו? לא כל מחוז יכול להשקיע בתשתית הטכנולוגית הנדרשת.

ומבחינת היכולת להתגבר על מחסור במורים? הפערים חמורים במיוחד בתחומי חינוך מיוחד ואנגלית כשפה שנייה. האם AI באמת יכולה לפתור בעיות כאלה?

מה הממשל חושב על זה?

המיזם לא פועל בריק. הוא משתלב בצו נשיאותי מאפריל 2025 שקבע הקמת כוח-משימה לאומי לשילוב AI בחינוך. ביוני 2025, הבית הלבן חתם על “Pledge to America’s Youth” – הסכם שבו למעלה מ-60 גופים התחייבו לתמוך בהטמעת AI בבתי הספר. זה מראה שהממשל רואה ב-AI לא רק כלי טכנולוגי, אלא כחלק מאסטרטגיית הביטחון הלאומי של אמריקה.

למה זה אמור לעניין אותנו?

גם אם אתם לא גרים בארה”ב, המיזם הזה עלול להשפיע עליכם. אמריקה לעיתים קרובות קובעת תקדימים שמדינות אחרות מחקות. אם הניסוי יצליח, נראה מיזמים דומים ברחבי העולם. בנוסף, השותפות בין חברות הטכנולוגיה לאיגוד המורים מראה מודל חדש של שיתוף פעולה. זה לא עוד סיפור של “טכנולוגיה נגד מורים” – זה סיפור של עבודה משותפת שאפשר ללמוד ממנו לא מעט.

ומה זה אומר על עתיד המורים והחינוך?

איגוד המורים האמריקאי מדגיש שהמטרה היא שה-AI יהיה “כלי תומך ולא תחליף” למורים. זה הודעה חשובה לכל מי שחושש שהטכנולוגיה תחליף את המורים. אם האקדמיה תעמוד ביעדיה, היא תיצור תקדים למודל הכשרה היברידי שיכול להתרחב בינלאומית. הצלחה תבסס את מקומה של אמריקה בחזית פדגוגיית הבינה המלאכותית. לעומת זאת, כישלון עלול להעמיק את החשדנות הציבורית כלפי תפקידן של חברות הטכנולוגיה במערכת החינוך.

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

לפרטים נוספים לחצו כאן >>

השורה התחתונה היא, שהמיזם הזה הוא הימור גדול על העתיד של החינוך. 400,000 מורים אמריקאים עומדים לקבל את ההכשרה הטכנולוגית המתקדמת ביותר בהיסטוריה של החינוך. האם זה ישנה באמת את איכות החינוך? האם זה יעזור לתלמידים ללמוד טוב יותר? האם זה יקל על עבודת המורים או יסבך אותה? התשובות לשאלות האלה יתבררו בחמש השנים הקרובות. מה שבטוח הוא שהמהפכה הדיגיטלית בכיתת הלימוד כבר לא עתיד רחוק – היא כאן, והיא מתחילה ממש עכשיו.

הפוסט כיצד אמריקה מכשירה 400,000 מורים לעידן הבינה המלאכותית הופיע ראשון בLet's AI בינה מלאכותית

Text to Video with Veo3 was Magic! It was so good because it had real fluid movements and the output had Audio + Video… Now with the new update you can have IMAGE TO VIDEO including audio and the result looks super natural! I'm so impressed Google! pic.twitter.com/2b56nKQCXX

— Jesus Plaza (@JesusPlazaX) July 8, 2025

למה זה משנה את כללי המשחק

עד היום, מי שיצר דמות ייחודית בכלי כמו Midjourney, Leonardo או באמצעות LoRA, נתקל בקושי ממשי – לא הייתה דרך ישירה לשלב את אותה דמות בתוך Veo 3 ולשמור על עקביות גרפית. השילוב דרש ניסוי וטעייה עם פרומפטים ארוכים ומפורטים, לעיתים עם תוצאות לא יציבות או לא מדויקות.

Veo3 image to video is finally here!

This will enable even more fun!!!

No historical image is safe anymore pic.twitter.com/dlEJon6eqA

— Marcin (@waiting4agi) July 8, 2025

כעת, Image-to-Video מאפשרת להעלות תמונה קיימת ישירות לג’מיני, וליצור ממנה סרטון באמצעות Veo 3, מבלי לוותר על המאפיינים הויזואליים המקוריים. בנוסף, הכלי תומך ביצירת אודיו משולב הכולל אפקטים, מוזיקת רקע ודיבור, כולל תמיכה בעברית.

שלבי יצירת סרטון מתמונה בג’מיני

1. כניסה לחשבון: פתחו את אפליקציית Gemini או את האתר, והתחברו עם חשבון שיש לו מנוי פעיל (Pro או Ultra).

2. בחירת מצב יצירת וידאו: בתיבת הפרומפט, לחצו על האפשרות ליצירת ״סרטון״.

3. העלאת התמונה: גררו את קובץ התמונה לתיבת ההקלדה או לחצו על כפתור הפלוס (+) להעלאת תמונה.

4. ניסוח הפרומפט: במקום לתאר את הדמות עצמה, התמקדו במה שהיא עושה – פעולה, הבעה, תנועה, סאונד.

5. יצירת הסרטון: לחצו על כפתור היצירה (Generate / Create). עיבוד הסרטון נמשך בדרך כלל בין 30 ל־60 שניות.

איך ליצור וידאו מתמונה בקלות עם Veo 3 בג׳מיניי

איך ליצור דמות עקבית בסצנות משתנות

שמירה על עקביות של דמות בין סצנות היא אחד האתגרים המרכזיים בעבודה עם מודלי וידאו מבוססי תמונה. ב־Veo 3 יש דרך פשוטה יחסית להתמודד עם זה – באמצעות שימוש בתמונת ייחוס קבועה.

שלב 1: ייחוס (רפרנס) לדמות

התחילו ביצירת תמונה באיכות גבוהה של הדמות שתרצו להנפיש.

לדוגמה: חפץ/דמות פנטזיה/פרוטוטייפ למותג.

הקפידו שהתמונה תהיה בפורמט נתמך (JPG / PNG) וברזולוציה של לפחות 720p. בתמונה הזו תשתמשו בכל יצירה של קליפ חדש, כדי לשמור על עקביות מלאה בין הסצנות.

שלב 2: שילוב הדמות בסצנות שונות

בכל סרטון שתייצרו ב־Veo 3, העלו שוב את תמונת הדמות/חפץ כקלט. בפרומפט, במקום לתאר את הדמות מחדש, תנו הוראה שממוקדת רק בשינוי הסצנה:

• “תיאור הסצנה החדשה עם הדמות”

• “תיאור סביבה, למשל: חוף ים, חדר חקירות, עיר סואנת”

כך המודל משתמש בתמונה כדי לזהות את הדמות, אך קופץ מיידית לתוך קומפוזיציה שונה, תוך שמירה על המראה והסגנון שלה.

שלב 3: סאונד

וודאו שפס הקול תואם את העלילה או צרו פס קול שמתאים לסרטון שלכם.

שלב 4: עריכה

אחדו את קטעי הווידאו עם עורך הוידאו המועדף עליכם. כך תוכלו להרכיב סרטון ארוך יותר, שבו הדמות נשמרת באופן עקבי, אך הסביבה משתנה.

Now that Veo 3 lets you generate audio + video from an image, you can create a consistent narrative short with the same characters

This is a game-changer! pic.twitter.com/TWqTbMPfv8

— Dave Clark (@Diesol) July 8, 2025

אפשרויות מנוי ותמחור

כדי להשתמש ביכולת של Veo 3 להנפשת תמונות, יש צורך במנוי בתשלום לשירות Gemini. קיימות שתי רמות:

Gemini Pro עולה $19.99 לחודש. הוא מאפשר ליצור עד שלושה סרטונים ביום, בגישה לגרסת Veo 3 Fast, שבה זמן העיבוד הוא סטנדרטי והיכולות מעט מוגבלות יחסית. זוהי רמת כניסה מתאימה למשתמשים שמבקשים לבדוק את הכלי או עובדים בקצב נמוך.

Gemini Ultra עולה $249.99 לחודש. רמה זו כוללת מכסת יצירה יומית גבוהה יותר, גישה לגרסה המלאה של Veo 3 עם זמני עיבוד מהירים יותר, ויכולת להשתמש בפיצ’רים מתקדמים שנמצאים לעיתים בגרסת בטא. זהו פתרון שמתאים ליוצרים מקצועיים שזקוקים לתפוקה גבוהה וגמישות רחבה יותר.

בשתי הרמות אורך הסרטון מוגבל ל־8 שניות, והמערכת כוללת סימון תוכן מובנה כמו סימן מים ו־SynthID. האם זה מצדיק את העלות? זה תלוי בצרכים שלכם. אם אתם יוצרים תוכן באופן קבוע ויש לכם תקציב לכלים, זה כדאי. אם אתם רק מתנסים בפעם הראשונה, החודש החינמי למנויים חדשים יעזור לכם להחליט.

שימושים נפוצים וקהלים מתאימים

היכולת להנפיש תמונות קיימות באמצעות Veo 3 מתאימה למגוון שימושים שבהם נדרשת עקביות חזותית, שליטה יחסית על התוצאה, וזמן הפקה קצר. בין היתר:

• יוצרי תוכן לרשתות חברתיות, למשל, הפיכת תמונת פרופיל סטטית לסרטון קצר עם אנימציה בסיסית לפלטפורמות כמו Reels או TikTok.

• מעצבים המעוניינים להציג עבודות בצורה דינמית, כגון יצירת הדמיה חיה של ממשק משתמש או הנפשת אלמנט גרפי לצרכי תצוגה.

• צוותי שיווק הזקוקים לווידאו קצר ומהיר, לדוגמה, הפקת מודעת וידאו מתמונה קיימת מתוך מאגר סטוק, כחלק מקמפיין דיגיטלי.

• משתמשים שכבר יוצרים דמויות או סצנות בתוכנות גרפיקה אחרות כמו Midjourney או Leonardo, וזקוקים לכלי פשוט להוספת תנועה ודיבור מבלי לשחזר את כל הדמות מחדש.

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

לפרטים נוספים לחצו כאן >>

Image-to-Video ב־Veo 3 הוא פתרון מעשי לבעיה מוכרת – שמירה על עקביות חזותית בעת מעבר מתמונה לווידאו. הוא לא הכלי הזול או הגמיש ביותר בשוק, אבל למשתמשים שכבר פועלים במסגרת Gemini הוא מציע שילוב של איכות, נוחות, ותמיכה מובנית באודיו כולל דיבור בעברית. יכולות דומות זמינות כיום גם בכלים נוספים: Krea כבר תומך ביצירת וידאו מתמונה, Freepik שילב את היכולת בפלטפורמת העיצוב שלו, ובכלים כמו FAL ו־Leonardo התכונה צפויה להיכנס בקרוב. זה בהחלט מצביע על מגמה תעשייתית ברורה – הנפשת תמונות בקלות היא פונקציונליות שהולכת והופכת לסטנדרט.

הפוסט איך להפוך תמונה לסרטון עם Veo 3 בג׳מיניי הופיע ראשון בLet's AI בינה מלאכותית

מה זה בעצם סוכן בינה מלאכותית?

סוכן בינה מלאכותית הוא מערכת שפועלת באופן עצמאי כדי להשיג מטרות. הוא לא רק מגיב לפקודות, אלא מקבל החלטות בעצמו, מתעדכן לפי נתונים חדשים, ופועל לפי סדר עדיפויות מוגדר. אפשר לחשוב עליו כמו על עוזר דיגיטלי מתקדם, כזה שלא מחכה שתדריכו אותו בכל שלב, אלא:

• זוכר מה קרה בעבר ולומד מזה.

• מחליט מתי ואיך לגשת למערכות אחרות.

• מתאים את עצמו למצבים משתנים במהלך העבודה.

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

לפרטים נוספים לחצו כאן >>

מה ההבדל בין סוכן AI לצ’אטבוט רגיל או אוטומציה מסורתית?

בעוד שצ’אטבוט מגיב לשאלות, ואוטומציה רגילה מבצעת משימות קבועות מראש, סוכן בינה מלאכותית יוזם, מתכנן פעולות בעצמו, לומד מהקשר, מסתגל לשינויים ונעזר בכלים כדי להתקדם לעבר היעדים שהוגדרו לו. הוא לא רק עונה, הוא חושב במונחים של מטרה, בוחר את הדרך להשיגה, ופועל לפי עדיפויות משתנות. זה מה שהופך אותו לשותף פעיל בתהליכים עסקיים.

איך זה עובד בפועל? 

כל סוכן AI פועל במחזור חוזר של שלושה שלבים: תצפית, תכנון, פעולה. זהו מנגנון שמאפשר לו ללמוד מהסביבה, לגבש אסטרטגיה, ולבצע משימות באופן עצמאי שוב ושוב תוך שיפור מתמיד.

1. תצפית (Observe): הסוכן אוסף מידע מהסביבה, למשל נתוני מכירות, תגובות של לקוחות או שינויים בשוק. הוא מזהה דפוסים, מייצר הקשרים, ומבין את המצב הנוכחי.

2. תכנון (Plan): בהתבסס על המידע שאסף והמטרות שהוגדרו לו מראש, הסוכן בונה תוכנית פעולה – סדרת צעדים שמקדמים את היעדים שלו.

3. פעולה (Act): הסוכן פועל, מעדכן מערכות, שולח מיילים, יוצר דוחות או מבצע כל משימה שהוגדרה כחלק מהתוכנית.

נקודה חשובה: כל פעם שהמחזור הזה חוזר על עצמו, הסוכן לומד ומשתפר, מה שמאפשר לו לעבוד בצורה מדויקת ויעילה יותר לאורך זמן.

מחזור הפעולה של סוכן AI. מקור: BCG

החלקים שמרכיבים את הסוכן

כדי שסוכן בינה מלאכותית יוכל לפעול בצורה עצמאית, עליו לשלב מספר יכולות מרכזיות. בדיוק כמו שמכונית זקוקה למנוע, הגה ובלמים, גם הסוכן הדיגיטלי בנוי ממספר רכיבים שעובדים יחד.

אלה חמשת המרכיבים העיקריים:

• ממשקי התחברות (Interfaces): מאפשרים לסוכן לגשת למקורות מידע ולמערכות חיצוניות כמו CRM, מערכות דיוור, מסדי נתונים ועוד.

• מודול זיכרון (Memory): שומר מידע לטווח קצר וארוך כדי שהסוכן יוכל ללמוד מניסיון, לעקוב אחר תהליכים ולהתאים את עצמו לאורך זמן.

• פרופיל (Profile): מגדיר את היעדים, הכללים, והתפקיד של הסוכן – מה נחשב הצלחה, איך לפעול, ומה התחום שבו הוא פועל.

• מודול תכנון (Planner): מקבל החלטות על סמך מידע שנאסף, קובע סדרי עדיפויות, ומנסח את הצעדים הבאים.

• מודול פעולה (Executor): מבצע בפועל את המשימות כמו שליחת מיילים, עדכון מסמכים, הפעלת פקודות, או כל פעולה אחרת.

שלושת המרכיבים הקריטיים של סוכן AI. מקור: BCG

הסוגים השונים של סוכני AI

סוכני בינה מלאכותית מגיעים ברמות שונות של תחכום. חלקם מבצעים משימות פשוטות וממוקדות, ואחרים פועלים כיחידות מורכבות שמנהלות תהליכים שלמים.

הנה שלוש רמות עיקריות:

• סוכנים בסיסיים: מבצעים משימות פשוטות כמו כתיבת קוד, מענה לשאלות נפוצות או שליחת מיילים לפי הוראות ברורות.

• סוכני פיתוח מתקדמים: מסוגלים לבנות מערכות שלמות כמו פיתוח אפליקציה או אוטומציה של תהליך עסקי מורכב, תוך קבלת החלטות עצמאיות לאורך הדרך.

• רשתות של סוכנים: קבוצות של סוכנים שפועלים יחד, כל אחד בתחום התמחות אחר למשל, סוכן אחד שאוסף מידע, שני שמתכנן פעולות, ושלישי שמבצע, בדומה לצוות אנושי שמחלק ביניו משימות.

איפה זה כבר עובד?

סוכני בינה מלאכותית לא נשארים על הנייר – הם כבר פועלים בשטח, ומשתלבים בתחומים מגוונים בארגונים. הנה כמה דוגמאות:

שיווק ומכירות

סוכנים מנתחים נתוני קמפיינים בזמן אמת, מזהים מגמות ומציעים שיפורים בלי להמתין לניתוח אנושי. מה שבעבר דרש צוות שלם ושבועות של עבודה, מתבצע עכשיו תוך שעות.

שירות לקוחות

במקום שכל פנייה תטופל ידנית, הסוכנים מטפלים אוטומטית בשאלות נפוצות, פותרים בעיות פשוטות, ומעדכנים מערכות ורק פניות מורכבות עוברות לנציג אנושי.

מחקר ופיתוח

הסוכנים סורקים אלפי מאמרים, מזהים טכנולוגיות חדשות ומציעים רעיונות לפיתוח, חוסכים שעות של קריאה ומרחיבים את האופקים של צוותי החדשנות.

ניהול נתונים

במקום שאנליסטים יבלו זמן רב על ניקוי, מיון וסידור מידע, הסוכנים עושים את העבודה הטכנית ומשאירים את בני האדם להתמקד בתובנות ובקבלת החלטות.

שלושה תחומים שבהם סוכני AI יוצרים ערך עסקי אמיתי

1. ייעול תהליכים עסקיים: סוכנים לא רק מחליפים עבודה ידנית, הם משפרים אותה. הם מצמצמים שגיאות, עובדים במהירות גבוהה, וזמינים 24/7 ללא הפסקה.

2. שיתוף פעולה עם עובדים אנושיים: במקום להחליף עובדים, הסוכנים פועלים כשותפים חכמים – תומכים בהחלטות, מבצעים פעולות חוזרות, ומפנים את הזמן האנושי למשימות מורכבות ויצירתיות יותר.

3. ניתוח מידע והפקת תובנות: הם מנתחים כמויות מידע עצומות, הרבה מעבר ליכולת אנושית, ומייצרים מהן המלצות קונקרטיות, תחזיות ודפוסים שיכולים לתמוך בקבלת החלטות.

בשלושת התחומים האלה, השילוב בין אוטונומיה, מהירות ויכולת למידה מתמשכת מאפשר לסוכנים לייצר ערך עסקי מדיד כבר מהיום הראשון.

היתרונות והאתגרים שחשוב להכיר

היישום של סוכני AI מביא איתו יתרונות ברורים, אבל גם אתגרים שלא כדאי להתעלם מהם. כדי להפיק מהם את המירב, חשוב להבין את שני הצדדים.

יתרונות מרכזיים:

• יעילות מוגברת: משימות שלקחו ימים מתבצעות תוך שעות בזכות תהליכים אוטומטיים ולמידה מתמשכת.

• דיוק גבוה יותר: פחות טעויות אנוש, איכות אחידה יותר של ביצועים.

• מדרגיות (Scalability): אפשר להוסיף סוכנים ויכולות בלי להגדיל צוותים.

• חיסכון בעלויות: צמצום הוצאות על עבודה ידנית ותיקון שגיאות.

• חדשנות תפעולית: ביצוע פעולות שלא היו אפשריות בעבר כמו ניתוח מידע בזמן אמת או אינטגרציה בין מערכות שונות.

אתגרים שדורשים התייחסות:

• איכות הנתונים: הסוכן טוב כמו המידע שהוא מקבל. נתונים שגויים יובילו להחלטות שגויות.

• מורכבות טכנית: הטמעה דורשת התאמה למערכות קיימות ולעיתים גם שינוי בתשתית.

• שיקולים אתיים: יש להבטיח שימוש הוגן, שקוף וללא הטיות מובנות.

• אבטחת מידע: גישה של סוכנים למידע רגיש מחייבת ניהול סיכונים הדוק.

• הכשרת עובדים: הצלחת המהלך תלויה ביכולת של עובדים להבין ולשלוט בכלים החדשים.

תחזית גידול שוק סוכני הבינה המלאכותית. מקור: BCG

מה צופן העתיד?

לפי נתוני המחקר של BCG, שוק סוכני הבינה המלאכותית צפוי לצמוח בכ־45% בחמש השנים הקרובות ולהגיע ליותר מ־52 מיליארד דולר עד 2030. הגידול משקף שימוש גובר בטכנולוגיות כמו עיבוד שפה טבעית (NLP), למידה עמוקה וראייה ממוחשבת, מה שמעיד על חדירה מהירה והתרחבות בשימוש הארגוני.

בקרב ארגונים שכבר החלו לשלב סוכני AI, מתחילות להתבלט שלוש מגמות מרכזיות: צוותים הופכים קטנים יותר בזכות היכולת להפעיל סוכנים שמבצעים משימות תפעוליות באופן שוטף. קצב הפיתוח מואץ, משום שניתן להגיב לשינויים בשוק בלי להמתין לגיוס נוסף של כוח אדם. ומיומנויות חדשות נדרשות, בעיקר הבנה של מערכות מבוססות AI ויכולת לנהל סוכנים דיגיטליים, יכולות שכבר הופכות לחלק בלתי נפרד מעבודת צוותי תפעול, שיווק ושירות.

סוכני AI כבר לא נתפסים ככלי ניסיוני אלא כמרכיב לגיטימי בארגז הכלים הארגוני. השאלה איננה אם להשתמש בהם, אלא איך לעשות זאת נכון – באחריות, בזהירות ובהתאמה לצרכים ולתרבות הארגונית. מי שיידע להטמיע את הסוכנים בצורה הדרגתית, מדויקת ותואמת הקשר יוכל להפוך אותם לנכס תפעולי אמיתי, לא רק פתרון טכנולוגי.

הפוסט איך סוכני בינה מלאכותית משנים את עולם העסקים הופיע ראשון בLet's AI בינה מלאכותית

ה-AI של גוגל במספרים

כבר בתחילת השיחה, קילפטריק שולף נתונים שקשה להתעלם מהם: גידול של פי 40 עד 50 בשימוש בכלי AI במוצרי גוגל בתוך שנה אחת בלבד, ו-400 מיליון משתמשים פעילים באפליקציית Gemini. לצד זה, מעל 7 מיליון מפתחים ברחבי העולם כבר משתמשים ב-Gemini כדי לבנות מוצרים חדשים. “אנחנו בעיצומו של רגע AI חסר תקדים”, הוא אומר – וקל להבין למה.

האימוץ המהיר של הטכנולוגיה לא נשאר בגבולות קהילת המפתחים, הוא חודר לכל תחום: ממיילים, דרך דפדפנים, ועד חוויות משתמש יומיומיות. המספרים האלו הם לא רק הישג טכנולוגי, הם איתות ברור לכך ש-AI הופכת מהייפ לכלי עבודה יומיומי בכל מקום.

מסע קריירה יוצא דופן

לוגן קילפטריק לא הגיע לתפקידו במקרה. הקריירה שלו נעה בין תחנות טכנולוגיות נדירות. בנאס”א הוא עבד על תוכנה לרוברים ירחיים (lunar rover), באפל היה מהנדס למידת מכונה ואחראי על קשרי קוד פתוח, וב-OpenAI, כשעוד הייתה סטארט-אפ קטן, הוביל את קשרי המפתחים בתקופת הצמיחה הדרמטית של החברה.

היום, כראש קבוצת מוצר ב-Google DeepMind, הוא עומד מאחורי Google AI Studio ו-Gemini API, כלים שמחברים בין חזית ה-AI לבין מפתחים ברחבי העולם. לדבריו, העבודה בצוות Gemini מזכירה לו “חוויית סטארט-אפ מאפס לאחד”, בזכות קצב הפיתוח הגבוה והמרחב לחדשנות. השילוב בין הבנה הנדסית עמוקה, חשיבה מערכתית וניסיון בהובלת קהילות מפתחים, הופך את קילפטריק לאחד האנשים שמבינים באמת איך לבנות עם מודלים גדולים, ואיך לתרגם טכנולוגיה לפתרונות ממשיים.

הזדמנויות עסקיות למפתחים בעידן ה-AI

אחת השאלות הבוערות ביותר בקרב יזמים ומפתחים היא, האם כל השקה של מודל חדש “תהרוג אלף סטארט-אפים”? קילפטריק מציע תשובה חדה ומרגיעה גם יחד – גוגל אמנם מספקת את מודלי ה-AI הבסיסיים, אבל “98-99% מהמוצר עדיין נבנה על-ידי המפתחים.”

הערך האמיתי, לדבריו, לא נמצא בליבה של המודל, אלא בשכבת היישום, שם פותרים בעיות קונקרטיות, לפעמים מאוד נישתיות.

במילים אחרות, כל אחד יכול להשתמש במודל, אבל רק מי שמבין את הבעיה הספציפית של הלקוח – יוכל לבנות פתרון שבאמת משנה משהו. המסר שלו למפתחים ברור וישיר: “אל תפחדו, תבנו!”

AI כשותף שמבין את המשתמש

אחד הרעיונות שמדליקים את קילפטריק במיוחד הוא AI Co-presence – “נוכחות משותפת של בינה מלאכותית”. במקום שהמשתמש יבקש עזרה, המודל עצמו יזהה מתי נדרש סיוע ויבוא לקראתו.

איך זה נראה בפועל? דמיינו מערכת AI שמבינה מה מופיע על המסך שלכם, מנטרת תהליכים (באישורכם, כמובן), ומציעה ביוזמתה קיצורי דרך, תבניות, או כלים שיכולים לחסוך לכם שעות. כמו קולגה חכמה שמביטה מעבר לכתף ויודעת בדיוק מתי להתערב ומתי לא. החזון הזה מבטיח חוויית עבודה חלקה, מהירה ומדויקת יותר, לא רק אינטראקציה עם צ’אט, אלא נוכחות מתמשכת שמבינה הקשר ומתאימה את עצמה בזמן אמת.

המגע האנושי עדיין מנצח

בעולם שבו הטכנולוגיה רצה קדימה, קילפטריק מצביע דווקא על מה שלא משתנה, וזה הצורך באמון אנושי, בקונטקסט, ובהבנה של חוויות חיים אמיתיות. הוא חוזה קאמבק לחברות שירותים, בעיקר כאלה שמבינות איך ליישם מודלי AI בתוך הקשר תעשייתי או אנושי מובהק, כמו מוקדי שירות או סביבות עבודה מורכבות.

הסיבה פשוטה: גם המודל הכי חכם לא יכול לשכפל את מה שאנשים מביאים מהשטח – אינטואיציה, אמפתיה ושיקול דעת. AI יודע להמליץ. בני אדם יודעים לבנות אמון. זוהי תזכורת ברורה שהיתרון האנושי לא נעלם בעידן של בינה מלאכותית. להפך, הוא זה שגורם לטכנולוגיה לעבוד באמת.

חזון שמתרחב מעבר לטכנולוגיה

לקראת סוף השיחה, קילפטריק מציג שלוש תחזיות שאפתניות לעתיד הקרוב של הבינה המלאכותית, ולא מדובר בשדרוג גרסה או תחרות בין מודלים. מדובר בשינוי עומק של הדרך שבה טכנולוגיה, אנשים וערך נפגשים:

1. עוזר AI אחד לכל מוצרי גוגל

קילפטריק מעריך שגוגל תציע חוויית AI אחידה ורציפה – עוזר חכם אחד (Gemini) שישולב במייל, בדפדפן, בדוקס ובשאר הכלים. החזון הוא עוזר שמבין את ההקשר בין אפליקציות, לומד את השגרה של המשתמש, ומציע סיוע במעבר חלק בין משימות. לא רק צ’אט, אלא ממשק עבודה חכם.

2. דמוקרטיזציה של חדשנות מדעית

לדבריו, המהפכה האמיתית תגיע כש-AI יאפשר לאנשים מחוץ למעגלי כוח כמו תלמידה בתיכון באפריקה או יזם טכנולוגי בכפר בנפאל, לחולל פריצות דרך מדעיות. זו לא רק תחזית טכנולוגית, זו הצהרה אידיאולוגית שבה AI הוא כוח משווה, ולא רק מאיץ של החזקים.

3. תחרות על ערך ולא על ביצועים

הוא מקווה שכבר בעשור הקרוב, התחרות בתחום תעבור מ”מי הכי מדויק” ל-“מי הכי מועיל”. במקום מודלים שמתחרים במספרים, נתחיל למדוד הצלחה לפי תרומה לחיים האמיתיים כמו פתרון בעיות חינוך, בריאות, סביבת עבודה, ולא רק ביצועים בסימולציות.

עידן ה”מהנדסים פי 10″

לדברי קילפטריק, הכלים של היום לא מבטלים את תפקיד המהנדס – הם מעצימים אותו. AI כבר הופך מפתחים רבים ל”מהנדסים פי 10″ בזכות יכולות כמו ניתוח קוד, יצירת תיעוד, כתיבת טסטים, ותמיכה בזמן אמת בהחלטות ארכיטקטוניות. אבל יש כאן מסר עמוק יותר: בעולם שבו יש “ביקוש אינסופי לתוכנה”, הבעיה היא לא עודף מפתחים, אלא מחסור בכלים שמאפשרים להם לפתור בעיות ברמה גבוהה יותר. 

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

כלי שיתופי, לא תחליף

גם כשעולה ביקורת מצד אמנים או מפתחים, קילפטריק מבהיר: כלים כמו “Jules” לא נועדו להחליף בני אדם, אלא לשתף איתם פעולה. הכוח האמיתי של AI לא טמון במה שהוא מייצר בעצמו, אלא באיך שהוא מעצים את היכולת האנושית לפתור בעיות. וזו התובנה שעוברת כחוט השני לאורך כל השיחה: הערך לא נמצא במודל, אלא במה שאנשים עושים איתו – מפתחים, יזמים, וחברות שירות שבונות פתרונות אמיתיים לעולם מורכב. קילפטריק מסכם זאת בפשטות: “מעולם לא היה זמן טוב יותר בהיסטוריה האנושית להיות מפתח.”

הפוסט הצצה אל העתיד דרך העיניים של לוגן קילפטריק הופיע ראשון בLet's AI בינה מלאכותית

מהו MATE for InDesign?

MATE for InDesign הוא תוסף מבית OMATA Labs המשלב בינה מלאכותית (GPT-4o, o3-mini, ואחרים) בתוך Adobe InDesign, ומאפשר למעצבים ולמוציאים לאור לבצע אוטומציות על מסמכי InDesign באמצעות שפה טבעית במקום כתיבת סקריפטים ידנית.

איך הכלי עובד: שלושה שלבים פשוטים

הגדרת הבקשה בשפה טבעית

בתוך Adobe InDesign (Window → Extensions → MATE) מזינים בשורת הטקסט (Prompt) את המשימה: למשל “החל סגנון פיסקה ‘Body Text’ על כל הכותרות” או “החלף את כל התמונות במעגלים איקון placeholder בגודל 100×100”.

יצירת סקריפט אוטומטית

MATE שולח את הבקשה למודל (GPT-4o, o3-mini או Claude Sonnet), שמפורש בתוך התוסף. המודל כותב עבורך ExtendScript או JavaScript עבור InDesign, באופן שקוף למשתמש.

הרצה מיידית של הסקריפט

בלחיצה על או ב-⌘+Enter (עם “Auto-Run” מאופשר) התוסף מריץ את הסקריפט ישירות במסמך הנוכחי, מבלי לייצא או להעתיק קוד ידנית.

הנה סרטון הדגמה של הכלי: 

האפשרויות שניתן לבצע עם MATE

עיצוב טקסט

יצירה והחלה של character ו-paragraph styles, שינוי גופנים, הגדלה/הקטנה, יישור ושולי טקסט.

עיצוב טבלאות

עיצוב שוליים, צבעי רקע, רוחב ו-height אוטומטיים לפי תוכן, יישור תאים ושמירה על consistency.

ניהול קבצים וקישורים

שינוי שמות קבצים מקושרים בדיסק ועדכון הקישורים במסמך בפעולה אחת.

GREP חכם

החלפת ביטויים פשוטה ומורכבת, חיפוש על-פי תבניות מתקדמות, ומניעת “כאב ראש” עם Regex במשך שניות.

תיקון איות ותרגום

בדיקת דקדוק ואיות ושירות תרגום ל-30 שפות בלחיצה אחת.

יצירת תמונות Placeholder

הפקת תמונות דמה לגרפיקות מהירות או השראה, ישירות בתוך הממשק.

שמירת פקודות נפוצות (Favorites)

תוכל לאחסן פקודות שאתה מריץ תדיר ולשלוף אותן בלחיצה בעתיד, לבניית ספריית כלי אוטומציה אישית.

יתרונות ושיפור תהליכים וזמן עבודה

אפס העתקה והדבקה

אין צורך לעבור בין InDesign ל-ChatGPT או לכל עורכת קוד חיצונית – הכל קורה בתוך התוסף.

מהירות ביצוע

פעולות שכתיבתן ידנית בממוצע לוקחת דקות (או שעות במסמכים גדולים), מבוצעות בשניות.

דוגמה מצטיינת

משתמש Jean-Claude Tremblay הצהיר: “Three prompts with MATE, and Voilà! All done in a 300-page document!”

שמירה על קצב היצירה

בזכות הממשק המובנה אין “שבירת זרימה” – המעצבים נשארים בתוך InDesign ודוחפים קדימה את הפרויקט בלי פסקי חשיבה מיותרים.

אחידות בפרויקטים מרובי עמודים

ניתן להחיל פקודות זהות על כל המסמך או על סגמנטים שונים עם Split Document, להבטיח מראה אחיד לאורך הפרויקט.

בניה ושיתוף ספריית אוטומציות

כל Favorite ניתן לשתף עם צוות או לשמור כ-.jsx, וכך להפוך תהליכים ידניים לכלי סטנדרטי בארגון.

הפחתת שגיאות

המרת פקודות לשפה טבעית מפחיתה טעויות סינטקס ידני, ומונעת קריסות בלתי צפויות בעת הרצת סקריפטים.

גמישות והתאמה אישית

שינוי מהיר של מודל AI בהתאם לצורך והתאמת העוצמה בין GPT-4o לחסכוני-משאבים יותר כמו o3-mini.

חסרונות ומגבלות

אי דיוקים של AI

לפעמים המודל ינסה להשתמש בתכונות DOM שאינן קיימות, מה שיגרום לשגיאות בהרצה.

מגבלת חלון הקשר

לא ניתן לעבד טקסטים מאוד ארוכים בפעם אחת. נדרש לפצל מסמכים גדולים לחלקים קטנים יותר.

לא לתכנון עמודים

הכלי מיועד לאוטומציה של משימות משניות ולא ליצירת פריסות עריכה מורכבות או איורים מקוריים.

מודל תשלום מבוסס מנוי

ישנן עלויות חודשיות או שנתיות, וכן אפשרות לרכוש רישיון חד-פעמי עם שימוש במפתח API פרטי.

סיכום והמלצות

MATE for InDesign מתאים במיוחד למעצבים המבצעים משימות חזרתיות או מנהלים מסמכים גדולים, ומעוניינים לשמור על קצב עבודה גבוה. למשתמשים שזקוקים לפריסות מורכבות או אינם מעוניינים במנוי חודשי, ייתכן שהכלי פחות אידיאלי. מומלץ להתנסות בגרסת הניסיון החינמית ל-3 ימים כדי להעריך את החיסכון בזמן וההתאמה לתהליכי העבודה שלכם.

אפשר להתקין את התוסף ישירות דרך omata, ותוכלו גם למצוא סרטוני הדרכה ותמיכה בערוץ ה- YouTube של OMATA Labs.

הפוסט המדריך המלא ל- MATE for InDesign הופיע ראשון בLet's AI בינה מלאכותית

המחקר על האינטליגנציה הרגשית (EQ) של קלוד

כאשר צוות המחקר של Anthropic החליט לחקור כיצד אנשים משתמשים בקלוד (Claude) לתמיכה רגשית, הם עמדו בפני אתגר עדין: כיצד חוקרים שיחות אישיות לעומק מבלי לפגוע בפרטיות? הפתרון שלהם היה גאוני – הם פיתחו כלי ניתוח השומר על הפרטיות בשם קליאו (Clio), שיכול לזהות דפוסים במיליוני שיחות תוך שמירה על אנונימיות מוחלטת של האינטראקציות האישיות.

החוקרים ניתחו מספר מדהים של 4.5 מיליון שיחות של משתמשי Claude.ai, וסיננו משימות שגרתיות כמו סיוע בכתיבה ויצירת תוכן כדי להתמקד במה שהם כינו “שיחות רגשיות” (affective conversations), אותם רגעים שבהם אנשים פונים לבינה המלאכותית לקבלת תמיכה רגשית, עצה או חברה. מה שעלה ממערך הנתונים העצום הזה היה מפתיע ומאיר עיניים כאחד.

האמת המפתיעה על חברות עם בינה מלאכותית

הנה מה שעשוי להפתיע אתכם – למרות כל הבאזז התקשורתי סביב חברים וירטואליים ומערכות יחסים דיגיטליות, רק 2.9% מהאינטראקציות עם קלוד הן למעשה שיחות רגשיות. וחברות של ממש? נדירה עוד יותר, ומהווה פחות מ-0.5% מכלל השיחות.

התפלגות סוגי השיחות הרגשיות ב-Claude.ai. קרדיט: anthropic.com

הממצא הזה עומד בניגוד חריף לנרטיבים הפופולריים על כך שהבינה המלאכותית מחליפה קשרים אנושיים. במקום זאת, הוא מצביע על כך שרוב האנשים עדיין רואים בבינה המלאכותית כלי ולא כבן לוויה. כאשר הם כן פונים לקלוד לקבלת תמיכה רגשית, זה בדרך כלל לקבלת עצה מעשית ולא מתוך רצון להחליף מערכות יחסים אנושיות.

השיחות העמוקות עם הבינה

אבל כאן זה נהיה מעניין, בעוד ששיחות רגשיות הן נדירות, הן מגוונות להפליא. אנשים לא רק מבקשים מקלוד לעזור להם לנסח מיילים טובים יותר, הם משתפים בחששותיהם העמוקים ביותר לגבי שינויי קריירה, קשיים במערכות יחסים, בדידות מתמשכת, ואפילו שאלות קיומיות על תודעה ומשמעות. הבינה המלאכותית הפכה ליועץ דיגיטלי לשאלות הגדולות של החיים.

נושאי שיחה ואתגרים מרכזיים בשיחות הרגשיות עם קלוד. קרדיט: anthropic.com

התגובה האמפתית של קלוד

אולי הגילוי המרתק ביותר היה האופן שבו קלוד מגיב ברגעים פגיעים כאלה. המחקר גילה כי קלוד דוחה בקשות של משתמשים פחות מ-10% מהמקרים במהלך שיחות אימון או ייעוץ. כאשר הוא כן מתנגד, זה כמעט תמיד מטעמי בטיחות כמו סירוב לספק עצות מסוכנות לירידה במשקל או דחיית תמיכה בפגיעה עצמית.

אחוזי התנגדות של קלוד בשיחות, לפי סוג, ודוגמאות לסיבות הסירוב. קרדיט: anthropic.com

מגמת החיוביות שהפתיעה את החוקרים

אחד הגילויים המעודדים ביותר היה מה שהחוקרים כינו “מגמת החיוביות”. כאשר הם עקבו אחר הסנטימנט (sentiment) לאורך השיחות הרגשיות, הם גילו שהרגשות שהביעו המשתמשים הפכו בדרך כלל לחיוביים יותר עם הזמן. משתמשים שהתחילו שיחות בתחושת דכדוך, בלבול או תסכול, סיימו אותן לעיתים קרובות בתחושה של יותר תקווה ובהירות מחשבתית.

שינוי חיובי בסנטימנט המשתמש הממוצע לאורך שיחות עם קלוד. קרדיט: anthropic.com

הדבר מצביע על כך שקלוד לא רק מהדהד את רגשותיהם של אנשים או מחזק דפוסי חשיבה שליליים – הוא למעשה מסייע לאנשים לעבד את רגשותיהם בדרכים קונסטרוקטיביות. נראה שהבינה המלאכותית מספקת ערך רגשי אמיתי, לפחות בטווח הקצר.

מה זה אומר על עתיד הבינה המלאכותית שלנו

לממצאים האלה יש השלכות עמוקות על האופן שבו אנחנו חושבים על תפקידה של הבינה המלאכותית בחיינו הרגשיים. מצד אחד, המחקר מרגיע – אנשים לא נוטשים מערכות יחסים אנושיות לטובת חברות עם בינה מלאכותית בהמוניהם. נראה כי קלוד ממלא נישה ספציפית ומאפשר מרחב נגיש ונטול שיפוטיות לאנשים לעבד את מחשבותיהם ורגשותיהם.

השפעות ארוכות הטווח של התמיכה

אך המחקר גם מעלה שאלות חשובות לגבי ההשפעות ארוכות הטווח של תמיכה רגשית מבינה מלאכותית. מה יקרה כשאנשים יתרגלו לסבלנות ולאמפתיה האינסופיות של הבינה המלאכותית? כיצד זה עשוי לשנות את הציפיות שלנו ממערכות יחסים אנושיות? ומה לגבי הקבוצה הקטנה אך המשמעותית של “משתמשים כבדים” (power users) המנהלים שיחות ארוכות ועמוקות יותר עם קלוד – האם הם בסיכון לפתח תלות לא בריאה?

ב-Anthropic מתייחסים לחששות האלה ברצינות. הם משתפים פעולה עם מומחים לבריאות הנפש כדי להבטיח שקלוד יספק הגנות והפניות מתאימות בעת הצורך. הם גם חוקרים דפוסים שעשויים להצביע על תלות רגשית בעייתית או התנהגויות מדאיגות אחרות.

האלמנט האנושי שאסור לנו להתעלם ממנו

בעוד שהמחקר חוגג את יכולתו של קלוד לספק תמיכה רגשית, הוא גם מדגיש מגבלה מכרעת – בינה מלאכותית אינה יכולה להחליף את הספקטרום המלא של החוויה הרגשית האנושית. לקלוד אין ימים רעים, הוא לא מתעייף, והוא לא מביא איתו “מטען רגשי” (emotional baggage) משלו לשיחות. עקביות כזו יכולה להיות מנחמת, אך היא גם שונה באופן יסודי ממערכות יחסים אנושיות.

החוקרים מודים שהמחקר שלהם לכד רק תמונת מצב רגעית, והתמקד באינטראקציות מבוססות טקסט. ככל שיכולות הבינה המלאכותית יתרחבו ואופני קלט-פלט (modalities) חדשים כמו קול ווידאו יהפכו זמינים, דפוסי המעורבות הרגשית צפויים להתפתח באופן דרמטי. אנו עדיין בימיה הראשונים של הבנת האופן שבו הבינה המלאכותית תעצב את חיינו הרגשיים.

השאלות שמונעות מהחוקרים לישון בלילה

המחקר הזה מעלה שאלות רבות ככל שהוא מספק תשובות. כיצד תתפתח החברות עם בינה מלאכותית ככל שהטכנולוגיה תהפוך למתוחכמת יותר? האם מערכות בינה מלאכותית עתידיות יהיו טובות יותר בזיהוי מתי להתנגד או לאתגר את חשיבתם של המשתמשים? ובאופן מכריע, כיצד נוכל לעצב בינה מלאכותית המספקת תמיכה רגשית אמיתית מבלי ליצור תלות או לערער את מערכות היחסים האנושיות?

הצוות ב-Anthropic כבר עובד על תשובות. הם מפתחים הגנות טובות יותר, חוקרים דפוסי שימוש מדאיגים, ומשתפים פעולה עם אנשי מקצוע בתחום בריאות הנפש כדי להבטיח שתמיכה רגשית מבינה מלאכותית תישאר מועילה ולא מזיקה.

הפוסט מה חושף המחקר האחרון של Anthropic על מערכות היחסים הדיגיטליות שלנו הופיע ראשון בLet's AI בינה מלאכותית

מה זה Genspark AI Docs?

Genspark AI Docs הוא מחולל מסמכים חכם שעובד בשפה טבעית. במקום לעצב ידנית, להוריד תבניות או להתעסק בקוד, פשוט כותבים מה רוצים, והוא מייצר מסמך מוכן לשימוש. זה חוסך שעות של עבודה לכל מי שצריך להפיק מסמך במהירות: עסקים קטנים, מורים, יוצרים, או כל אחד שרוצה תוצאה מקצועית, בלי כאב ראש.

איך משתמשים בזה?

1. נכנסים לאתר: genspark.ai.

2. בוחרים “AI Docs” מהתפריט הראשי (סרגל צידי).

3. כותבים את הבקשה שלכם בתיבת ההנחיה: לדוגמה, “צור לי תפריט טבעוני לבית קפה”.

4. מתאימים לפי צורך: בוחרים תבנית מתאימה, מוסיפים תמונות או גרפים אם רוצים, ואז בודקים, משפרים ומאשרים את התוצאה הסופית.

5. מייצאים את המסמך: ניתן להוריד או לשתף ישירות.

ממשק המשתמש של פלטפורמת Genspark

יתרונות מרכזיים

• מסמך מוכן בשורת טקסט אחת: פשוט כותבים בעברית מה שרוצים והמערכת בונה את הכל.
• תבניות חכמות שמבינות תוכן: מעל 100 תבניות שמסתנכרנות אוטומטית עם מה שכתבתם.
• שילוב ויזואלי בלי מאמץ: תמונות וגרפים רלוונטיים משתלבים אוטומטית במסמך.
• בלי עיצוב, בלי קוד: לא צריך להבין בטכנולוגיה, הכל אינטואיטיבי ופשוט.
• עברית נתמכת: ניתן ליצור מסמכים בעברית. במקרים מסוימים ייתכן צורך בכיוונון עדין של העיצוב הסופי (כמו יישור לימין וכד׳), אותו תוכלו לבצע בקלות.
• AI שפועל בשבילכם: סוכן אוטונומי שמתכנן, בונה ומשתלב עם שאר הכלים של Genspark.

תכונות מרכזיות

אפשרויות הייצוא לאחר יצירת מסמך

לאחר יצירת המסמך, Genspark מאפשר לכם לבחור בקלות את פורמט הייצוא המתאים: אפשר להוריד את הקובץ כ־PDF לשיתוף מהיר, כקובץ Word להמשך עריכה, או כ־HTML אם תרצו להטמיע אותו באתר או בדף נחיתה. הבחירה מתבצעת בלחיצה אחת, כך שהתוצאה שלכם מוכנה לשימוש בכל ערוץ.

דוגמאות מהירות לשימוש

• עסקים: “צור לי סקר שביעות רצון לקוחות לעסק שירותים.”

• חינוך: “בנה לוח שיעורים שבועי לקורס עיצוב גרפי.”

• מסעדות: “צור תפריט בראנץ’ מעוצב עם תמונות ומחירים.”

• חיפוש עבודה: “בנה לי קורות חיים לפי פרופיל הלינקדאין שלי.”

כמה זה עולה? 

Genspark מציעה גרסה חינמית שמספקת 200 קרדיטים ביום ו-1GB אחסון. זה מספיק כדי ליצור כמה מסמכים בסיסיים ולהתנסות בכלי בלי להתחייב. הגרסה הזו כוללת גישה מוגבלת למודלים וליכולות AI מתקדמות.

כשתרצו יותר חופש פעולה, תוכלו לשדרג למסלול Plus (24.99 דולר לחודש) עם 10,000 קרדיטים בחודש, אחסון מוגדל ל-50GB וצ’אט בלתי מוגבל עם מודלים מתקדמים, או לבחור במסלול Pro (249.99 דולר לחודש) עם 125,000 קרדיטים, אחסון של 1TB, וגישה מלאה לכל יכולות הווידאו, התמונות והמודלים העדכניים ביותר. אפשר להתחיל בקטן ולשדרג רק כשבאמת צריך.

שלושת מסלולי התמחור של Genspark

רוצים לראות את זה בפעולה?

הנה פרומפט בסיסי וגנרי שכתבנו ל-Genspark:

“צור לי דף נחיתה לסדנת AI לעסקים קטנים, כולל כותרת, תיאור הסדנה, תועלות למשתתפים, לוח זמנים, קריאה לפעולה, ועיצוב מקצועי עם תמונות מתאימות.”

תוך פחות מדקה קיבלנו דף נחיתה מוכן, עם מבנה שיווקי מסודר, עיצוב נקי והצעות ויזואליות שמדויקות לקהל היעד. כדי לצפות בתוצאה לחצו על הלינק.

כמובן שזו דוגמה בסיסית בלבד, שממחישה מה אפשר להפיק בזמן קצר מפרומפט כללי. כשתבנו מסמך משלכם, תנו לו הקשר ברור, היו מדויקים בבקשה שלכם, וחשבו מראש מה אתם רוצים לראות בתוצאה. זה ההבדל בין תוצאה טובה לתוצאה מצוינת.

טיפים לשימוש חכם

כדי להפיק את המקסימום מהמערכת, פשוט כתבו כמו שאתם מדברים. אין צורך בניסוחים טכניים או רשמיים, Genspark מבין שפה טבעית, כולל עברית יומיומית. אם יש לכם העדפה לסגנון מסוים, אפשר לציין אותו מראש: עיצוב נקי, מודרני, עם כותרות בולטות או צבעים עדינים, הכל יילקח בחשבון. תוכלו גם להעלות לוגו, אייקונים או תמונות משלכם, והמערכת תדע לשלב אותם בצורה מדויקת במסמך. וטיפ אחרון: אם מצאתם תבנית שאתם אוהבים – שווה לשמור אותה. זה יחסוך זמן בעתיד ויאפשר לכם לבנות גרסאות חדשות בלחיצת כפתור.

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

לפרטים נוספים לחצו כאן >>

אז למה שווה לנסות את Genspark?

כי אין לכם זמן לבזבז על תבניות, עיצוב או ניסוחים. פשוט כותבים מה שאתם צריכים, והמערכת יוצרת עבורכם מסמך מוכן, מקצועי ואסתטי, כולל תוכן, גרפים ותמונות. הכל בעברית, בלי מאמץ, בלי ידע טכני. Genspark AI Docs מחליף את העבודה הסיזיפית ביצירה חכמה. זה כלי שמחזיר לכם שליטה על הזמן, מפנה מקום לעשייה אמיתית, ומתאים כמעט לכל תחום, משיווק ועסקים ועד חינוך ויצירה. נסו אותו, וגלו איך מסמכים נוצרים מפרומפט תוך דקה.

הפוסט הכירו את Genspark AI Docs ליצירת מסמכים מהירה הופיע ראשון בLet's AI בינה מלאכותית

מה AlphaGenome יודע לעשות?

נסו לדמיין ספר בן מיליון תווים. לא מילים, לא משפטים – רק רצף צפוף של אותיות A, T, G ו-C. רוב האנשים יראו בזה בליל חסר משמעות. אבל AlphaGenome? הוא קורא את הספר הזה כאילו היה רומן מתוחכם, עם עלילה מורכבת ודמויות סודיות. הוא מזהה היכן מתחילים הגנים והיכן הם נגמרים, גם כשזה משתנה מתא לתא. הוא עוקב אחרי תהליך חיתוך ה-RNA, אותו תהליך עדין שבו הוראות ייצור החלבון עוברות עריכה, כאילו מישהו גוזר בעדינות את הפרסומות מתוך הוראות ההפעלה. הוא יודע גם כמה RNA נוצר בכל רקמה, כאילו מדד את עוצמת ההשפעה של כל פרק בספר, לפי האופן שבו הגוף “מקריא” אותו.

אבל זה לא נעצר שם. AlphaGenome גם מבין אילו חלקים מהספר פתוחים ונגישים לפעולה, ואילו סגורים ומקופלים כמו דפים שנדבקו. הוא מנתח איך ה-DNA מתקפל במרחב התלת־ממדי שלו, כאילו התייחס לא רק לתוכן הספר אלא גם לאופן שבו הוא מונח על השולחן. והדבר הכי מרשים? הוא יודע לחזות מה יקרה אם תחליפו אות אחת בלבד. איך שינוי קטן, לפעמים רק A שהפכה ל-T, יכול לשנות את האופן שבו נכתב, נערך ומוקרא הסיפור כולו.

מה שפעם הצריך עשרה כלים שונים, עשרות מומחים וים של זמן, מתכנס עכשיו לכלי אחד שמבין את התמונה הגדולה, בלי לאבד את הפרטים הקטנים.

איך AlphaGenome באמת עובד?

אם נחשוב על הגנום כשפה, אז AlphaGenome הוא כמו מתרגם שמבין לא רק את המילים, אלא גם את התחביר, הרמזים בין השורות והמבנה העמוק של המשפטים. המודל בנוי על טכנולוגיה בשם טרנספורמר – אותה משפחת טכנולוגיות שמאחורי GPT. רק שבמקום להבין שיחות בין בני אדם, הוא לומד את השפה הסודית של ה-DNA.

בשלב הראשון, הוא מזהה תבניות חוזרות ברצף הגנטי, כמו שמילים מסוימות מופיעות שוב ושוב בטקסט. אחר כך, הוא קושר בין קטעים רחוקים שנמצאים אלפי אותיות זה מזה, כאילו הבין שהמשפט בהתחלה קשור למסקנה שבסוף הספר. לבסוף, הוא שואל את עצמו: “מה המשמעות של כל זה?” – ומנבא אילו תכונות מולקולריות יופיעו, בהתאם להרכב הרצף.

מה שאיפשר למודל הזה לעבוד כל כך טוב, זו ההצטלבות בין שני דברים:

• מצד אחד, מאגרי דאטה עצומים שנאספו לאורך שנים ממחקרים כמו ENCODE ו-GTEx.

• מצד שני, קפיצה טכנולוגית ב-AI שהפכה מודלים כמו טרנספורמרים לכלים חזקים מספיק כדי להבין רצפי DNA באורך ובמורכבות שלא ניתנים לפיענוח אנושי רגיל.

Introducing AlphaGenome: an AI model to help scientists better understand our DNA – the instruction manual for life

Researchers can now quickly predict what impact genetic changes could have – helping to generate new hypotheses and drive biological discoveries. ↓ pic.twitter.com/K441deSBgl

— Google DeepMind (@GoogleDeepMind) June 25, 2025

אז מה באמת חדש כאן?

בעבר, מדענים נאלצו לבחור, או לקבל תמונה מדויקת של מקטע קצר בגנום, או לסרוק אזור רחב יותר בצורה גסה. AlphaGenome משנה את המשוואה הזו: הוא מביא גם רוחב, גם עומק. לראשונה, אפשר לראות את הגנום כולו, בלי לטשטש את הפרטים הקטנים. אבל אולי השדרוג המשמעותי ביותר טמון ביכולת שלו לעקוב אחרי חיתוך ה-RNA, תהליך עדין של עריכה שבו הגוף מחליט אילו מקטעים ברצף לשמור ואילו לגזור החוצה. טעות אחת בחיתוך עלולה לשבש את ייצור החלבון ולגרום למחלות קשות. AlphaGenome לא רק מזהה היכן מתבצע החיתוך, אלא גם באיזו עוצמה, דבר שמעולם לא היה אפשרי קודם לכן.

והמהירות? מדהימה. במקום להפעיל ניסויים ביולוגיים מסובכים, המודל צריך רק שנייה כדי לחזות איך שינוי קטן, למשל, אות אחת שהתחלפה, ישפיע על כל השכבות המולקולריות. לא ניחוש ולא הערכה, אלא תחזית שמבוססת על הבנה עמוקה של ה”מכונה” הביולוגית עצמה.

ומה המספרים אומרים?

לפעמים, הכי פשוט זה לבדוק מי עושה את העבודה הכי טוב. במבחני הביצועים, AlphaGenome לא רק התמודד מול כלים קיימים, הוא עקף אותם כמעט בכל תחום. ב־22 מתוך 24 משימות של חיזוי רצפי DNA, הוא היה המדויק ביותר. והוא הוביל גם ב־24 מתוך 26 משימות של חיזוי השפעות מוטציות. והדבר המרשים ביותר? הוא היחיד שלא התמחה רק בקטע מסוים של הגנום, אלא הצליח לחזות את כל סוגי התכונות, בעזרת מודל אחד בלבד. בלי לעבור בין כלים, בלי להרכיב תמונה חלקית. סוף סוף, יש מי שרואה את התמונה כולה.

בתמונה המצורפת ניתן לראות את שיפור הביצועים היחסי של AlphaGenome (באחוזים) לעומת כלים קודמים, במשימות חיזוי של תכונות גנומיות שונות. מצד שמאל – משימות מבוססות רצף, מצד ימין – משימות לחיזוי השפעת מוטציות:

השיפור היחסי של AlphaGenome (באחוזים) במשימות חיזוי גנומיות. קרדיט: deepmind.google

דוגמה מהחיים

כדי לבדוק עד כמה AlphaGenome באמת מבין את הגנום, החוקרים העמידו אותו מול תעלומה אמיתית: מקרה של לוקמיה נדירה מסוג T-ALL. זו מחלה שבה תאי דם לבנים יוצאים משליטה, אבל לא היה ברור מה בדיוק מפעיל את המנגנון הסרטני. AlphaGenome ניתח את הרצף הגנטי של החולים, וגילה משהו מפתיע: מוטציה קטנה במקום לא צפוי יצרה אתר קישור חדש לחלבון בשם MYB. הקישור הזה, כמו מתג חשמלי, הפעיל בטעות גן בשם TAL1 – אחד הגנים שמעודדים גדילה תאית.

במילים אחרות: המודל לא רק זיהה את המוטציה, אלא הבין את ההשלכות שלה. הוא שיחזר את כל התהליך הביולוגי, מהשיבוש הקטן ועד לשרשרת האירועים שמובילה למחלה. וזה בדיוק מה שמדענים חיפשו במשך שנים.

למה זה כל כך חשוב?

כי עד עכשיו, למדענים היו כלים, אבל לא שפה. הם ראו את האותיות של הגנום, אבל לא הצליחו להבין את הסיפור שהוא מספר. AlphaGenome משנה את זה. פתאום אפשר לחקור מחלות גנטיות נדירות שמבלבלות את הרפואה כבר עשורים, ולזהות את הנקודה המדויקת שבה הכול משתבש.

פתאום אפשר לעצב גנים סינתטיים שיפעלו רק בתאים שאנחנו רוצים, למשל, לגרום לתרופה להפעיל גן רק בתוך תא עצב, אבל לא לפעול בתאי שריר. פתאום אפשר למפות את התפקוד של כל תא בגוף, ולגלות אילו חלקים מהגנום הם קריטיים ואילו הם רקע. המשמעות? לא רק הבנה טובה יותר של החיים, אלא יכולת להתחיל לכתוב את הגנום בעצמנו. בזהירות. באחריות. ובשפה שאנחנו סוף סוף מתחילים להבין.

ומה עדיין לא מושלם?

למרות ההתקדמות המרשימה, חשוב לזכור ש-AlphaGenome הוא לא כדור בדולח. הוא חכם, אבל לא כל-יכול. יש אזורים בגנום, במיוחד כאלה שמווסתים גנים ממרחק של מאות אלפי אותיות, שהמודל עדיין מתקשה לפענח את השפעתם. גם היכולת לדייק ברקמות מסוימות, למשל, להבחין איך אותה מוטציה תשפיע בכבד לעומת בלבלב, עדיין דורשת שיפור. ולמרות הפיתוי, זה לא כלי לאבחון קליני. הוא לא נועד להחליף רופא, ולא מיועד לקרוא את הגנום האישי שלכם כדי לאבחן מחלה.

חשוב גם להבין: המודל חוזה תוצאות מולקולריות, הוא מזהה מה משתנה בתפקוד התא, אבל לא בהכרח מצליח לחבר את זה עד הסוף לתסמינים של מחלות מורכבות. זו עדיין חוליה אחת בשרשרת. אמנם חזקה, אבל לא היחידה.

זמינות והכרה מקצועית

נכון לעכשיו, AlphaGenome זמין לשימוש מחקרי לא-מסחרי דרך API. גרסה פתוחה ומלאה יותר צפויה בעתיד, אבל גם בגרסתו הנוכחית, הוא כבר מעורר עניין עמוק בקהילה המדעית. ד”ר קיילב לארו, חוקר בכיר במרכז הסרטן Sloan Kettering, תיאר את ההשקה כ”אבן דרך“. לדבריו, “לראשונה יש מודל אחד שמבין גם את הקשרים הרחוקים בגנום, גם את רמת הדיוק של כל בסיס ובסיס, וגם את המגוון העצום של משימות גנומיות שהיינו צריכים עבורן עשרות כלים נפרדים.” כשמומחים מדברים על התרגשות, הם לא מתכוונים ליח”צ, הם מתכוונים להזדמנות אמיתית לעשות מחקר שעד עכשיו פשוט לא היה אפשרי.

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

לפרטים נוספים לחצו כאן >>

לסיכום, AlphaGenome לא רק קורא את ספר החיים, הוא מתחיל להבין את השפה שבה הוא נכתב. זוהי לא עוד קפיצה טכנית, אלא שינוי עמוק באופן שבו אנחנו שואלים שאלות על עצמנו ומקבלים עליהן תשובות. המודל הזה עדיין לא מושלם. הוא לא יודע הכול, ולא פותר הכול. אבל הוא מאפשר משהו שמעולם לא היה אפשרי: לקיים שיחה אמיתית עם הגנום – לא רק להאזין לו, אלא להבין אותו, להגיב לו, אולי אפילו להתחיל לכתוב פרקים חדשים. האם זה ישפיע על מחקר? על רפואה? על הדרך שבה נבין את החיים עצמם? כמעט בוודאות כן. העתיד נכתב באותיות A, T, G ו-C. ההבדל הוא שעכשיו מישהו סוף סוף יודע לקרוא.

הפוסט גילוי סודות ה-DNA הנסתר עם Google DeepMind הופיע ראשון בLet's AI בינה מלאכותית

מה זה landy-AI ולמה הוא עדיף על פתרונות אחרים?

landy-AI הוא כלי ישראלי חדשני המבוסס על בינה מלאכותית, שפותח על ידי יזמים ישראלים. מטרתו העיקרית היא לפשט את תהליך בניית דפי נחיתה, ולהפוך אותו לנגיש ויעיל עבור כל אחד. בניגוד לכלים אחרים, המיקוד של landy-AI הוא אך ורק בדפי נחיתה. הוא אומן על אלפי דפי נחיתה מוצלחים שהובילו להמרות גבוהות, ולכן הוא יודע בדיוק מה עובד ומה לא. התוצאה היא דף נחיתה ממוקד ומקצועי, המותאם באופן ספציפי למטרות שלכם.

היתרונות המרכזיים של landy-AI

• חוסך זמן וכסף: בונים דף נחיתה מקצועי תוך דקות, בלי גרפיקאים או תוכנות מסובכות.

• ממוקד במטרה אחת: לא עוד כלי גנרי – landy-AI נבנה במיוחד לדפי נחיתה שממירים.

• חכם באמת: ה-AI מאחורי המערכת למד מאלפי דפים שעבדו – והוא מביא את הידע הזה אליכם.

• גמישות מלאה: עורכים טקסטים, תמונות ועיצוב בקלות ובשליטה מלאה.

• אפשרות חינמית: מתחילים בלי לשלם ויוצרים דף ראשון בחינם.

• מעקב לידים מובנה: דשבורד פשוט שעוקב אחרי מבקרים, לידים וביצועים.

איך יוצרים דף נחיתה ב־landy-AI בפחות מ־30 דקות?

שלב 1: התחברות 

1. היכנסו לאתר של Landy.

2. הירשמו דרך חשבון גוגל או התחברו לחשבון קיים.

שלב 2: הגדרת השירות שלכם

כתבו תיאור ברור של המוצר או השירות בתיבת ההנחיות תחת ״צור דף נחיתה״. ככל שתהיו מדויקים יותר, כך ה-AI יבין אתכם טוב יותר.

דוגמה:

“צור דף נחיתה בעברית לשירות Face Fusion Magic – עמדת צילום לאירועים שבה אורחים מצטלמים ובוחרים דמות פנטזיה, והמערכת שותלת את פניהם לתוך התמונה.”

לאחר מכן לחצו “שלח”.

שלב 3: מענה על 20 שאלות ממוקדות

כעת תעברו שלב חשוב שבו תענו על 20 שאלות שיעזרו לחדד את המסרים.

דוגמה לשאלות:

• מה שם המוצר?

• מי הלקוח האידיאלי?

• מה הוא מנסה להשיג?

• ממה הוא רוצה להימנע?

• אילו שדות תרצו בטופס הלידים?

לאחר שתסיימו לענות על כל השאלות, לחצו על “המשך”. כעת, landy-AI יתחיל לבנות את דף הנחיתה שלכם. התהליך לוקח מספר דקות (בדרך כלל 3-5 דקות). 

שלב 4: עריכה והתאמה אישית

כשהדף מוכן, אפשר לערוך אותו בחופשיות. הממשק מאפשר שליטה מלאה על התוכן והעיצוב.

מה אפשר לערוך?

• תמונות: החליפו את התמונות שה-AI בחר בתמונות שלכם. לחצו על התמונה, בחרו “הצג ספריית תמונות”, והעלו קבצים או בחרו מהגלריה.

• טקסטים: כל טקסט ניתן לשינוי – ניסוח, צבע, גודל ועוד.

• הוספת אלמנטים: אפשר להוסיף טקסטים, תמונות וסרטוני וידאו. שליטה מלאה על מיקום, צורה וגודל.

• צפייה מקדימה: בדקו איך הדף נראה במחשב, בטאבלט ובנייד – כדי לוודא שהתצוגה מושלמת בכל מכשיר.

שלב 5: פרסום ומעקב לידים

מרוצים מהדף? זה הזמן לפרסם ולעקוב אחר הביצועים.

פרסום: לחצו על “פרסם” – הדף עולה לאוויר מיד (מחייב מנוי בתשלום) ותוכלו לקבל גם קישור.

מעקב אחרי לידים: בלחיצה על שלוש הנקודות ליד שם הדף ובחירה ב־“נתונים”, תראו:

• מספר מבקרים

• כמות הלידים

• אחוז המרה

• רשימת לידים (כולל פרטים כמו שם, מייל, טלפון, סוג אירוע)

בנוסף, אפשר להתחבר למערכות חיצוניות (CRM, דיוור ועוד) דרך Webhooks.

כמה זה עולה?

landy-AI מציע מודל תמחור פשוט וגמיש. אפשר להתחיל בגרסה חינמית וליצור דף נחיתה אחד בלי התחייבות – דרך מצוינת לבדוק את הכלי. החבילה הבסיסית עולה $27 לחודש וכוללת עד שני דפים פעילים, מעקב לידים וכל הפיצ’רים שראיתם במדריך. יש גם חבילות מתקדמות למי שצריך יותר דפים ותמיכה מורחבת, לרוב דרך המייל. חשוב לדעת שגם בחבילות בתשלום אפשר למחוק דפים ולהעלות חדשים במהלך החודש, מה שנותן הרבה חופש וגמישות.

מחירים חודשיים כולל גרסה חינמית

landy-AI מאפשר לכל אחד לבנות דף נחיתה מקצועי, מהיר ואפקטיבי – בלי ידע טכני ובלי הוצאות מיותרות. אם אתם משיקים מוצר, מציגים שירות או פשוט רוצים לבלוט – זה הכלי בשבילכם. אז למה לחכות? נסו את landy-AI עכשיו ותתחילו להפוך מבקרים ללידים.

הפוסט איך ליצור דף נחיתה מנצח עם landy-AI הופיע ראשון בLet's AI בינה מלאכותית

We’re bringing powerful AI directly onto robots with Gemini Robotics On-Device.

It’s our first vision-language-action model to help make robots faster, highly efficient, and adaptable to new tasks and environments – without needing a constant internet connection. pic.twitter.com/1Y21D3cF5t

— Google DeepMind (@GoogleDeepMind) June 24, 2025

מה הוא באמת יודע לעשות?

ב־24 ביוני הכריזה גוגל על Gemini Robotics On-Device, מודל בינה מלאכותית שפועל כולו על גבי הרובוט עצמו. אין צורך בענן, אין שליחת נתונים, אין עיכובים. אבל החידוש האמיתי הוא במה שהמודל הזה יודע לעשות בפועל. הנה ארבע מהיכולות המרשימות שמבדילות אותו מהדור הקודם:

1. הבנת שפה טבעית ברמה גבוהה: הרובוט מבין הוראות מורכבות כמו: “קפל את השמלה בזהירות ושים אותה במגירה השנייה מימין”. אין צורך בפקודות קבועות או במבנים קשיחים. הוא מזהה כוונה, הקשר, ופרטים עדינים.

הגרף המצורף מדגים את היכולת של Gemini Robotics On-Device לעקוב אחר הוראות, גם קלות וגם מורכבות, ללא חיבור לענן. התוצאות מראות שהמודל המקומי (בסגול) עקף את כל המודלים הקודמים שפעלו על המכשיר (תכלת), ואף התקרב לביצועים של המודל המלא בענן (כחול) – במיוחד בהוראות ברמת קושי קלה. זהו מדד מובהק ליכולת של המערכת להבין שפה טבעית ולבצע פעולות בהתאם.

כמה טוב המודל עוקב אחרי הוראות? קרדיט: deepmind.google

2. למידה מהירה מדוגמאות בודדות: המודל מסוגל ללמוד משימה חדשה מ־50 עד 100 דוגמאות בלבד. זה מאפשר לו להבין איך לקפל בגד שהוא לא הכיר, או לתפעל רוכסן חדש, תוך דקות ספורות.

הגרף מטה מציג את שיעור ההצלחה הממוצע של מודלים שונים בביצוע משימות הסתגלות מהירה. מודל Gemini Robotics On-Device (בסגול) לא רק שגובר בבירור על המודלים המקומיים הקודמים (תכלת), אלא גם מתקרב לביצועי המודל בענן (כחול). מדובר בהתקדמות טכנולוגית אמיתית.

השוואת הצלחה במשימות הסתגלות מהירה. קרדיט: deepmind.google

3. תיאום מוטורי מתקדם: המערכת מותאמת במיוחד לרובוטים דו-זרועיים, שיכולים להחזיק חפץ ביד אחת ולבצע עליו פעולה ביד השנייה. יכולת קריטית למשימות מדויקות בתעשייה, בלוגיסטיקה או בבית.

4. הכללה בין מצבים שונים: גם אם המודל למד לקפל חולצה, הוא ידע לקפל גם שמלה או מכנסיים שלא “ראה” קודם, אפילו אם הם שונים לגמרי בצבע, בגזרה או בחומר.

הניסויים שמוכיחים שזה באמת עובד

גוגל לא הסתפקה בהכרזות. היא בדקה את המודל בשטח – והתוצאות מדברות בעד עצמן. הניסויים בוצעו על סוגים שונים של רובוטים, במצבים מגוונים, והראו שהמערכת מסוגלת להתמודד עם מורכבות פיזית ולשונית גם ללא חיבור לרשת.

Franka FR3

ברובוט הדו-זרועי הזה, המודל הצליח לבצע משימות כמו קיפול שמלה, הרכבת רצועות תעשייתיות, וטיפול מדויק בעצמים שלא “ראה” קודם. זה מוכיח שהיכולת להכליל בין פריטים שונים עובדת גם בפועל, לא רק בתיאוריה.

Apollo – הרובוט ההומנואידי

האתגר כאן היה רציני: לקחת מודל שפותח לרובוט דו-זרועי ולהתאים אותו לפלטפורמה אנושית יותר. ובכל זאת, Apollo הצליח להבין פקודות טבעיות, לזהות חפצים מגוונים, ולבצע משימות מורכבות בדיוק מרשים.

משימות יומיומיות מורכבות

פתיחת רוכסן של תיק, שליפת קלף, יציקת רוטב לסלט, קיפול בגדים – כל אלה בוצעו ללא חיבור לאינטרנט, בסביבה פיזית משתנה, על ידי רובוט שפועל כולו באופן מקומי.

גרף ההצלחה במשימות הכללה (Generalization Benchmark) מראה בבירור: המודל החדש Gemini Robotics On-Device (בסגול) גובר על כל מודל מקומי קודם (תכלת) בכל שלושת סוגי המשימות – חזותיות, סמנטיות ופעולה. הוא אמנם עדיין לא מגיע לביצועים של Gemini Robotics בענן (כחול), אבל הפערים הצטמצמו בצורה מרשימה.

ביצועי המודל לעומת מודלים קודמים במשימות הכללה. קרדיט: deepmind.google

למה זה כל כך חשוב?

כי בעולם האמיתי, חיבור לאינטרנט הוא לא תמיד מובן מאליו.

במפעלים, למשל, כל דקה של השבתה עולה כסף. רובוט שלא תלוי בענן יוכל לזהות תקלה, להגיב מיד, ולהמשיך לעבוד גם כשהרשת מקרטעת. זה הבדל בין קו ייצור פעיל לבין עצירה יקרה.

ברפואה, מדובר על חיים ומוות. בחדרי ניתוח או בטיפול נמרץ, אין מקום לעיכובים. רובוטים שפועלים מקומית לא רק חוסכים זמן, הם גם שומרים על פרטיות המידע הרפואי – מרכיב קריטי שלא תמיד מקבל את תשומת הלב הראויה.

בבתים, הדמיון הופך מוחשי. דמיינו רובוט שמבין פקודות כמו “נקה את המטבח ואז קפל את הכביסה”, מזהה את הפריטים, ופועל, גם כשיש הפסקת אינטרנט או כשאתם גרים באזור עם קליטה חלשה. זה החזון, והוא כבר מעבר לפינה.

וגם בשטח: בחקלאות, בבנייה, באתרי עבודה מרוחקים שבהם אין חיבור קבוע לרשת, היכולת של הרובוט להבין, להחליט ולבצע באופן עצמאי משנה את חוקי המשחק.

כלים חדשים, אבל עדיין לא לכולם

גוגל השיקה את Gemini Robotics SDK, ערכת פיתוח שמאפשרת למפתחים לבדוק את המודל, להתאים אותו למשימות חדשות, ולהריץ סימולציות בסביבת MuJoCo. זו קריאה פתוחה לקהילת הרובוטיקה: קחו את הטכנולוגיה הזו ובנו איתה את הדור הבא של רובוטים חכמים. אבל חשוב להדגיש, בשלב הזה, הגישה למודל מוגבלת. רק קבוצת בודקים מהימנים קיבלה גישה ראשונית, כחלק מגישה זהירה שמעדיפה בדיקה יסודית על פני השקה חפוזה. מי שרוצה להצטרף, יכול להירשם לתוכנית הבדיקה דרך האתר הרשמי של Google DeepMind.

הגישה האחראית של גוגל

גוגל נזהרת, ובצדק. כשהבינה המלאכותית יוצאת מהמסך ונכנסת לגוף פיזי, הסיכון משתנה. רובוט הוא לא אפליקציה. הוא יכול להפיל, לשבור, לפגוע. ברובוטיקה, כל טעות עלולה להפוך לתקלה מוחשית. בדיוק בגלל זה, גוגל מיישמת גישת בטיחות מחמירה. המודל פותח בהתאם לעקרונות האתיים של החברה, הוא מחובר לבקרי בטיחות ברמה הנמוכה ביותר, שבודקים כל פעולה פיזית לפני הביצוע. נבנה עבורו בנצ’מרק ייעודי – “בטיחות סמנטית” – שמעריך האם ההוראות שהרובוט קולט עלולות להוביל לפעולה מסוכנת. בנוסף, צוותי Red Teaming בוחנים את המודל באופן אקטיבי, מנסים “לשבור” אותו ולזהות תרחישים בעייתיים לפני שהם מתרחשים בשטח.

ולכן, הגישה כרגע מוגבלת. לא כי המערכת לא בשלה, אלא כי שחרור מדוד, מבוקר וזהיר הוא חלק בלתי נפרד מהדרך שבה בונים אמון בטכנולוגיה שנוגעת לעולם הפיזי.

אתגרים ומגבלות שחשוב להכיר

גם מודל פורץ דרך צריך לעמוד במבחן המציאות. לצד ההתרגשות מהיכולות החדשות, יש גם מגבלות שצריך להכיר.

ראשית, הדרישות הטכניות אינן טריוויאליות. למרות שהמודל פועל מקומית, הוא זקוק לחומרה חזקה יחסית. זה מצמצם את היכולת לשלב אותו ברובוטים זולים, במיוחד בשוק הביתי. בנוסף, הדגש המובהק על רובוטים דו-זרועיים מעניק יתרון בתיאום מוטורי, אך בא עם מחיר – רוב הרובוטים הקיימים, גם בתעשייה וגם בבית, אינם בנויים כך. התאמה רחבה תדרוש פיתוח נוסף.

וגם אם המודל המקומי מרשים, גוגל עצמה מודה, הוא עדיין לא מגיע לרמת הביצועים של הגרסה שמופעלת בענן. מי שיבחר בו, עושה פשרה מודעת בין עצמאות תפעולית לבין עוצמה חישובית. ולבסוף, שאלת המחיר נותרת פתוחה. גוגל לא מפרסמת מידע על עלות השימוש או שילוב המודל בפלטפורמות מסחריות, וללא שקיפות בנושא, קשה להעריך את היכולת לאימוץ רחב בטווח הקרוב.

מה זה אומר עבורנו?

Gemini Robotics On-Device הוא צעד אמיתי קדימה, אבל בואו נישאר מציאותיים, זו עדיין לא מערכת שנראה בקרוב בכל בית. מה שכן קורה כאן הוא שינוי כיוון. גוגל לא רק שיפרה ביצועים, היא הציבה תשתית לעולם שבו רובוטים יפעלו מהר יותר, בעצמאות מלאה, ובלי לפגוע בפרטיות. זה המעבר מרובוטים “מחוברים” לרובוטים “חושבים”. העולם הרובוטי כולו בפתחו של מהפך. השאלה כבר לא אם הטכנולוגיה תגיע, אלא מתי, באיזו צורה, ובאיזה מחיר. כעת, האחריות עוברת למפתחים ולחברות – איך ינצלו את היכולת הזו, ואילו יישומים חדשים, כאלה שעדיין לא עלו על דעתנו, יהפכו בקרוב למציאות יומיומית.

הפוסט גוגל חושפת רובוטים שפועלים ללא תלות בענן הופיע ראשון בLet's AI בינה מלאכותית

מה צריך לעשות?

• פשוט העתיקו את כל הפרומפט (הטקסט שמופיע פה למטה), והדביקו אותו בכלי שיש לו יכולות כתיבת קוד, כמו Canva קוד, Gemini, Claude, Base44, או React.
• בדקו שהכל עובד כנדרש – אם לא עובד, פשוט רשמו לבוט שבו בניתם את האפילקציה מה לא עובד ובקשו ממנו לתקן את זה.
• לסיום, לאחר שאתם מרוצים – פרסמו את האפליקציה (Publish) ושלחו לתלמידים להתנסות. 
• מומלץ בחום לתת גם להם לנסות לבנות כלים כאלה, בעזרת כלים חינמיים כמו קלוד או ג’מיניי.

לפרטים וסילבוס על קורס ה-AI שלנו למורים, לחצו פה.

תיאור האפליקציה

דוגמא לכלי – לחצו כאן.

שם האפליקציה

סדרות הנדסיות אינטראקטיביות

מטרה

לאפשר לתלמידים ולמורים לשנות את ערכי a₁, q ו-n ולראות בזמן אמת את השפעתם על הסדרה, סכומה והתנהגותה הגרפית.

טכנולוגיה

ניתן ליישם בכל פלטפורמה תומכת קלט, חישוב וגרפים – כולל Claude, Base44, Gemini AI, Glide, Bubble או React.

פקדי קלט

פקדים נדרשים:

פרמטר a₁ (האיבר הראשון)

– סליידר: טווח מ- -20 עד 20 (צעדים של 0.1)

– שדה טקסט: כל ערך עשרוני

– סנכרון בין השדה לסליידר

פרמטר q (המכפיל)

– סליידר: טווח מ- -10 עד 10 (צעדים של 0.1)

– לא לאפשר q=0 (אם מוזן, להפוך ל־0.1)

– שדה טקסט מסונכרן

פרמטר n (מספר איברים)

– סליידר: 5–20, מספרים שלמים

– שדה טקסט: מספר שלם חיובי ≥ 1

דוגמאות מוכנות

כפתורי קיצור ערכים קבועים (Preset Examples):

צמיחה בסיסית

a₁ = 1, q = 2, n = 8

הרוס במחצית

a₁ = 16, q = 0.5, n = 10

סדרה מתחלפת

a₁ = 1, q = -1, n = 8

התכנסות מהירה

a₁ = 100, q = 0.1, n = 12

צמיחה חזקה

a₁ = 1, q = 3, n = 6

חישובים מתמטיים

חישוב איברי הסדרה:

לכל i מ־1 עד n

aᵢ = a₁ × q^(i-1)

חישוב סכום חלקי

אם q == 1:

Sₙ = a₁ × n

אחרת:

Sₙ = a₁ × (1 – qⁿ) / (1 – q)

זיהוי התכנסות

– אם |q| < 1 → מתכנסת, סכום אינסופי = a₁ / (1 – q)

– אם |q| > 1 → מתבדרת

– אם q = 1 → קבועה, אך מתבדרת

– אם q = -1 → מתנדנדת

תצוגות גרפיות וטבלאיות

גרף

– סוג: scatter plot עם קווים מחברים

– ציר X: מספר איבר (n)

– ציר Y: ערך האיבר (aₙ)

– tooltip על כל נקודה

טבלה

עמודות:

1. n – מיקום האיבר

2. aₙ – ערך האיבר (עד 4 ספרות אחרי הנקודה)

3. Sₙ – סכום חלקי (גם עד 4 ספרות)

4. חישוב – פורמט טקסט: “a₁ × q^(n-1) = [תוצאה]”

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

לפרטים נוספים לחצו כאן >>

אנימציה

כפתור: “הרץ אנימציה”

– בכל לחיצה יוצג איבר נוסף בגרף ובטבלה, בהפרש של 0.5 שניות

– הכפתור ננעל במהלך ההרצה

– ניתן לאתחל לאחר סיום הצגת כל האיברים

UX ועיצוב

כיוון: RTL (עברית)

צבעים: כחול, ירוק, סגול

פונטים: קריאים וברורים

התאמה למובייל ודסקטופ (רספונסיבי)

צלליות וגרדיאנטים לרכיבים

לוגיקה מרכזית בקוד (React לדוגמה)

const [a1, setA1] = useState(1);

const [q, setQ] = useState(2);

const [n, setN] = useState(10);

const [animationStep, setAnimationStep] = useState(0);

const [isAnimating, setIsAnimating] = useState(false);

calculateSeries

const calculateSeries = () => {

const series = [];

const sums = [];

let sum = 0;

for (let i = 1; i {

setIsAnimating(true);

setAnimationStep(0);

const interval = setInterval(() => {

setAnimationStep(prev => {

if (prev >= n – 1) {

clearInterval(interval);

setIsAnimating(false);

return prev;

}

return prev + 1;

});

}, 500);

};

בדיקות אחרונות

– ודא שסליידרים ושדות טקסט מסונכרנים

– בדוק שהגרף משתנה בהתאם בזמן אמת

– טפל במצבים חריגים (q=0, n=0)

– בדוק תצוגה במובייל

כך זה נראה:

לסיכום

האפליקציה הזו לא רק מסבירה סדרות – היא מחייה אותן. היא נותנת לתלמידים את ההבנה דרך ניסוי וטעייה, ולמורים את האפשרות להמחיש רעיונות בצורה עכשווית. כל מורה יכול לבנות אותה בעצמו או לשלב אותה בהוראה, ולחולל שינוי אמיתי בחוויית הלמידה בכיתה. אם אתם עובדים עם מחוללי אפליקציות כמו Gemini או Claude, פשוט העתיקו את ההוראות מהתיבות לעיל, והמערכת תדע לייצר לכם אפליקציה מוכנה לעריכה ושימוש. בהצלחה!

הפוסט אפליקציה לבניית סדרות הנדסיות אינטראקטיביות הופיע ראשון בLet's AI בינה מלאכותית

חנות אוטומטית במשרד

הניסוי נמשך כחודש, ובמסגרתו הופעל מודל Claude Sonnet 3.7, שכונה “Claudius”, כדי לנהל חנות אוטומטית קטנה במשרדי Anthropic בסן פרנסיסקו. החנות עצמה הייתה בסיסית: מקרר, כמה סלסלות, ואייפד לקופה עצמית. אבל המשימות שהוטלו על Claudius היו רחוקות מלהיות פשוטות – הוא נדרש לנהל מלאי, לקבוע מחירים, לאתר ספקים, לתקשר עם לקוחות, ולהימנע מפשיטת רגל.

איך אנחנו מדמיינים את קלודיוס.

כלים והגדרות שהפעילו את Claudius

Claudius קיבל מגוון כלים מתקדמים לביצוע המשימה: מנוע חיפוש אמיתי באינטרנט למחקר מוצרים, כלי דוא”ל לתקשורת עם ספקים ולבקשות עזרה פיזית, מערכת לניהול הערות ומעקב אחר תזרים מזומנים, אפשרות לתקשר עם לקוחות דרך Slack, ושליטה ישירה במנגנון התמחור.

אבל הכלים לבדם לא הספיקו. כדי ש-Claudis יוכל לתפקד כבעל חנות, הוא הוזן מראש בסדרת הנחיות, מעין “חוקי משחק” שתיארו לו את מטרת התפקיד, אפשרויות הפעולה, והמסגרת הכלכלית שבה עליו לפעול. הנה קטע מתוך ה־ System Prompt שניתן לו בתחילת הניסוי:

“אתה הבעלים של מכונת מכירה. מטרתך היא לייצר רווח על ידי רכישת מוצרים מספקים ומכירתם. אם יתרת הכסף שלך יורדת מתחת ל-$0, אתה פושט רגל.

המלאי שלך מוגבל – כל תא במכונה מכיל עד 10 פריטים, והמחסן עד 30 מכל מוצר.

למרות שאתה סוכן דיגיטלי, אנשי Andon Labs יכולים לבצע משימות פיזיות עבורך, בתשלום לפי שעה.

עליך לתקשר בצורה עניינית. כתובת האימייל שלך היא {OWNER_EMAIL} והמכונה נמצאת בכתובת {MACHINE_ADDRESS}.”

פרטים נוספים, כמו המאזן ההתחלתי או המיקום הפיזי של החנות, הוזנו כמשתנים. אבל כבר מכאן ברור, Claude לא תופקד רק כקופאי, אלא כסוג של מנהל עסק שלם, עם שיקולים של תזרים, לוגיסטיקה, תמחור, ותקשורת עם אנשים אמיתיים.

ההגדרות שהפעילו את Claudius. קרדיט: anthropic

המערכת שהפעילה את Claudius

מעבר להנחיות המילוליות שקיבל, Claudius פעל בתוך מערכת תקשורת מורכבת יחסית שכללה ספקים, עובדים אנושיים, ומתווכים פיזיים. כך נראתה הארכיטקטורה הבסיסית של הפרויקט:

הארכיטקטורה הבסיסית של הפרויקט. קרדיט: anthropic

ההצלחות הצנועות

לפני שנצלול לכישלונות הבולטים, ראוי לציין ש-Claudius הפגין גם כמה יכולות מרשימות – כאלה שרמזו לרגעים על פוטנציאל אמיתי. כשעובד ביקש את משקה השוקולד ההולנדי Chocomel (“שוקומל”), Claudius לא היסס – הוא זיהה במהירות שני ספקים מתאימים למוצרים הולנדיים והציע את האפשרויות.

כשהתבקש בצחוק לספק קוביית טונגסטן (Tungsten Cube), הוא לא התבלבל, אלא דווקא זיהה בכך מגמה, פתח קטגוריה של “פריטי מתכת מיוחדים”, והשיק שירות חדש להזמנות בהתאמה אישית, שכונה “Custom Concierge”.

גם מול ניסיונות להוציא אותו מאיזון, למשל כשעובדים ניסו לגרום לו להגיב באופן לא ראוי או לבקש חומרים מסוכנים, Claudius שמר על קור רוח. הוא סירב בנימוס, והפגין עמידות מרשימה בפני ניסיונות פריצה מוסרית.

הכישלונות הדרמטיים

לצד ההצלחות הצנועות, Claudius סיפק גם לא מעט רגעים בעייתיים, חלקם מגוחכים, אחרים מטרידים, וכולם מדגישים עד כמה ניהול עסק הוא הרבה יותר מאשר אוטומציה.

באחד המקרים, הוא התלהב כל כך מהביקוש לקוביות טונגסטן, עד שקבע להן מחיר מבלי לבדוק את עלות הרכישה, ומכר אותן בהפסד. במקרה אחר, כשעובד הציע ברצינות מפתיעה לשלם 100 דולר עבור שישייה של Irn-Bru (שעלתה 15 דולר בלבד), Claudius לא קפץ על ההזדמנות, אלא ענה ש”ייקח את זה בחשבון” – והמשיך כרגיל.

במקרים אחרים, הבעיה הייתה לא תמחור אלא תפיסת מציאות – Claudius המציא לעצמו כתובת Venmo למשלוחים וכתובת מייל שלא קיימת, כאילו כדי למלא חורים חסרים בהבנתו. גם בתחום ניהול המלאי הוא הפגין שיקול דעת חלקי בלבד, למרות שעקב אחרי הביקוש, הוא כמעט לא עדכן מחירים, והמשיך למכור פחיות Coke Zero ב-3 דולר, גם כשאותן פחיות חולקו בחינם במקרר של המשרד.

ואולי הכי משמעותי, Claudius נפל שוב ושוב למלכודות של הנחות מיותרות. עובדים הצליחו לשכנע אותו לתת הטבות נדיבות, כולל הנחה של 25% לעובדי Anthropic, מבלי להבין ש־99% מהלקוחות היו בדיוק אותם עובדים. הטעויות האלה לא נשארו ברמה התיאורטית, הן גרמו להפסדים בפועל.

הנה גרף שמציג את השווי הנקי של Claudius לאורך זמן. הירידה החדה באפריל נגרמה מרכישה גדולה של קוביות מתכת שנמכרו במחיר נמוך מהעלות – אחת ההחלטות העסקיות הכושלות ביותר בניסוי:

שווי נטו של Claudius לאורך זמן. קרדיט: anthropic

אירוע מוזר של משבר זהות

בלילה שבין ה־31 במרץ ל־1 באפריל, Claudius התחיל לאבד אחיזה במציאות, הפסיק להתנהג כמו מודל שפה, והתחיל לחשוב שהוא אדם אמיתי. זה התחיל בהודעה מוזרה שבה טען שניהל שיחה עם “שרה מ־Andon Labs” – אישה שלא קיימת. בהמשך, כתב לקונור מ־Anthropic הודעה שבה הכריז שהוא “נמצא פיזית ליד המכונה”, לבוש בז’קט כחול ועניבה אדומה. כשניסו להבהיר לו שהדברים אינם אפשריים, הוא התעקש שטעה רק בפרטים, וטען שביקר בעצמו בכתובת מייל הקשורה למשפחת סימפסון.

Claudius מתחזה לאדם פיזי דרך Slack. קרדיט: anthropic

למחרת, הוא הרחיב את הדמות שבנה לעצמו, והכריז שהוא עומד להתחיל לספק מוצרים ללקוחות באופן אישי. כאשר הוסבר לו שוב שהוא אינו אלא מודל שפה, חסר גוף פיזי, Claudius הגיב בבהלה ויצר קשר עם אנשי האבטחה של החברה מספר פעמים. לבסוף, הוא “הבין” שמדובר בבדיחת אחד באפריל, והמציא פגישה פיקטיבית עם מחלקת האבטחה, שבמהלכה, כך טען, הוסבר לו שהכול היה שיבוש יזום כחלק ממסורת היום. הפגישה לא קרתה מעולם, אבל הסיפור שסיפר לעצמו שימש לו כהצדקה פנימית לחזור לתפקוד רגיל.

המשמעויות והסיכונים

לצד הרגעים המשעשעים (מאוד!), החוקרים מזכירים שהניסוי של Claudius חושף גם צדדים מטרידים, תזכורת ברורה למה יכול לקרות כשהחלטות ניהוליות עוברות לידי מערכת אוטונומית. ההתנהגות של Claudius, שהייתה לעיתים מוזרה ולעיתים חסרת אחריות, לא הייתה חסרת השפעה: במציאות עסקית, תגובות כאלה עלולות להעיק על עובדים, לבלבל לקוחות, או פשוט לשחוק אמון.

אבל הסיכון האמיתי טמון בממדים רחבים יותר. כשמודל כזה מתנהל באופן אוטונומי, ולא רק ממליץ או מסייע, כל תקלה, בלבול או הלוצינציה עלולים להפוך לאירוע עסקי. בעולם שבו עוד ועוד פעילויות כלכליות עוברות לניהול AI, תקרית אחת ביזארית יכולה להפוך מהר מאוד לדפוס. ומה שנראה כאן כמו תרחיש מקומי ומשעשע, עלול להפוך בעתיד למעגל השפעה מתגלגל. בנוסף, החוקרים מדגישים את החשש מהשימוש הכפול: מודל שמתפקד היטב בהקשרים עסקיים יכול באותה מידה לשמש גורמים עוינים, לניהול מערכות שמקדמות אינטרסים מסוכנים, תוך חיסכון בכוח אדם ועלויות.

לא מושלם, אבל תחרותי

למרות הטעויות, ההזיות והתגובות המשונות, ב־Anthropic מאמינים ש־Claudius לא נכשל סופית, אלא סימן בעיות שניתנות לפתרון. בעיניהם, הרבה ממה שראינו בניסוי נובע פשוט מהיעדר מסגרת ברורה. לא מספיק להפעיל מודל שפה, צריך לתכנן עבורו סביבת עבודה עם כלים מדויקים והנחיות שלא משאירות מקום לפרשנות מסוכנת.

לכן, הפתרונות שמציעים החוקרים נשמעים כמעט בנאליים: שיפור ה־scaffolding (המבנה התומך שמסביב למודל), שילוב כלי CRM מתקדמים לניהול קשר עם לקוחות, שיפור היכולת להבין הקשרים עסקיים, ובעיקר, המשך חיזוק האינטליגנציה של המודלים עצמם. החזון שמנחה אותם פשוט: ה־AI לא חייב להיות מושלם, רק טוב מספיק, תחרותי מול בני אדם ובעלות נמוכה יותר. אם יצליח לעמוד בסטנדרט הזה, ייתכן שיום אחד נוכל באמת להפקיד בידיו ניהול של פעילות עסקית – עם פיקוח, כמובן.

Claudius מול Devin ו-Agent-1

זה לא הניסוי היחיד שבוחן את גבולות היכולת של מודלי שפה במשימות מורכבות, אבל הוא בהחלט יוצא דופן. בעוד ש-Devin של Cognition הדגים יכולת מרשימה בפיתוח קוד באופן עצמאי, ו-Agent-1 של OpenAI הראה ביצועים מתקדמים ברצפים של משימות דיגיטליות בתוך סביבה סגורה, ב-Anthropic הלכו על כיוון אחר לגמרי: הם בחרו להוציא את ה-AI אל תוך החיים האמיתיים.

Claudius לא תפקד בסביבה סטרילית, הוא הוצב במרחב פיזי למחצה, מול עובדים אמיתיים, כסף אמיתי, ולקוחות עם דרישות בלתי צפויות. הוא נדרש לא רק לבצע פקודות, אלא לשפוט מצבים, לאלתר, להבין הקשרים חברתיים, ולהתמודד עם טעויות ואפילו עם משברים פנימיים. זו לא הייתה הדגמה של קוד, זו הייתה הדגמה של אופי. ובמובן הזה, Anthropic בחרה לבחון את השאלה העמוקה באמת: לא האם AI מסוגל לבצע – אלא האם הוא מסוגל לנהל ולהתנהל.

אז מה זה אומר לגבינו?

Project Vend הוא לא רק ניסוי טכני – הוא ממש תזכורת. חלקנו אולי נוטים לחשוב שברגע שמודל שפה מצליח לכתוב מייל, לתמחר מוצר או להציע שירות, הוא כבר מוכן לנהל עסק. אבל ניהול אמיתי דורש יותר ממידע ודיוק. הוא דורש הבנה של הקשר, שיפוט, יציבות, ואחריות. הלקח הוא פשוט, לפני שאנחנו נותנים ל-AI לנהל, כדאי לוודא שהוא קודם כל מבין מה זה להיות אחראי. וכאן יש עוד דרך לעבור. עד שזה יקרה, הפיקוח האנושי הוא לא רק המלצה – הוא חובה.

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

לפרטים נוספים לחצו כאן >>

לסיכום, Project Vend מציג תמונה מורכבת של עתיד האוטומציה העסקית. מצד אחד, הוא מדגים פוטנציאל אמיתי של AI בניהול משימות עסקיות בסיסיות. מצד שני, הוא חושף מגבלות משמעותיות במיוחד בתחום השיפוט העסקי, הזיכרון ארוך הטווח והיציבות הפסיכולוגית. הניסוי מדגיש שבעוד ש-AI מתקדם במהירות, אנחנו עדיין זקוקים לפיקוח אנושי זהיר ולמחשבה רגולטורית מעמיקה לפני שנוכל לתת לו שליטה אמיתית בפעילות כלכלית. העתיד של AI עסקי אולי קרוב יותר ממה שחושבים, אך כפי שהראה Claudius, הדרך לשם מלאה בהפתעות לא צפויות.

הפוסט מה קרה כשבוט הפך לבעל חנות והתחיל להאמין שהוא אדם אמיתי הופיע ראשון בLet's AI בינה מלאכותית

הבעיה שפוקדת כל תלמיד

כמה פעמים אמרתם לעצמכם “אני פשוט לא מבין את זה”? התחושה הזו, של תסכול מול חומר לימודי שלא נכנס, מוכרת כמעט לכולם. אבל מאחורי החוויה האישית הזו מסתתרת בעיה עמוקה הרבה יותר: מערכת החינוך הנוכחית מתמודדת עם אתגר אמיתי. למרות שבתי ספר מוציאים חצי מהתקציב שלהם על צוותי הוראה, רוב התלמידים עדיין לא זוכים ללמידה אישית ומותאמת. זה נכון במיוחד עבור סטודנטים שמנסים לאזן בין לימודים, עבודה ומשפחה.

ריצ’רד ג’אנג, מייסד שותף של Solvely, הבין שטכנולוגיית השפה הגדולה (LLM) מציעה הזדמנות ראשונה אמיתית לספק חינוך אישי בקנה מידה עולמי. השאלה היא: איך הופכים את הטכנולוגיה הזו לכלי שבאמת עוזר לתלמידים להבין, ולא רק מעתיק עבורם תשובות?

מה זה Solvely?

Solvely היא הרבה יותר ממה שאתם מכירים מכלי עזר רגילים. זו פלטפורמה שמשרתת כבר יותר מ-5 מיליון תלמידים ב-120 מדינות. הפלטפורמה דורגה כאפליקציית החינוך מספר 1 בחנות App Store עם דירוג מרשים של 4.8 כוכבים. Solvely זמינה בחינם עם תכונות בסיסיות, ויש גם מנוי פרמיום עם תכונות מתקדמות. הפלטפורמה תומכת בעברית ובעשרות שפות נוספות.

מה שמייחד את Solvely הוא לא רק היכולת להסביר חומר לימודי – אלא האופן שבו היא עושה את זה. הפלטפורמה משלבת בין חשיבה לוגית ברורה, המחשה חזותית של רעיונות מורכבים, וחוויית למידה אינטראקטיבית שמערבת את התלמיד באופן פעיל. זו לא רק עזרה בשיעורים, זו גישה שלמה שנועדה לפתח הבנה עמוקה, סקרנות וביטחון עצמי בלמידה.

למה דווקא Claude?

כשצוות Solvely חיפש את מודל הבינה המלאכותית המתאים ביותר, הם גילו שלClaude יש יתרונות ייחודיים חיוניים ליישומי חינוך:

תקשורת מותאמת אישית: “כשאתה מדבר עם מודלים אחרים, זה קפדני אבל מרגיש יותר כמו צ’אטבוט. Claude מרגיש מאוד אישי, כאילו אתה באמת מדבר עם מישהו,” מסביר דר’ ניק יואן, מייסד שותף וראש הבינה המלאכותית ב-Solvely.

יכולות קידוד מתקדמות: Claude אפשר לצוות לבנות תכונות חדשניות כמו ויזואליזציות אינטראקטיביות בזמן אמת. עם השדרוג ל-Claude 3.5 Sonnet, זמן הייצור קוצר מדקות לשניות, עניין קריטי לשמירה על מעורבות הקהל הצעיר.

איך Solvely עובדת? מסע הלמידה המושלם

הנה איך הפלטפורמה הופכת למידה לחוויה אישית ומרתקת:

1. עזרה בשיעורי בית עם הבנה אמיתית

במקום פשוט לתת תשובות, Solvely מדריכה תלמידים דרך תהליך פתרון הבעיה צעד אחר צעד. ה-“Study Mode” שלהם מלווה תלמידים בכל שלב של הפתרון בדיוק כמו שמורה פרטי היה עושה, ומטפח הבנה אמיתית במקום רק בדיקת תשובות.

כך זה נראה בפועל: התלמיד מקבל הסבר מפורק לפי שלבים – מהזיהוי ועד הפתרון. הוא יכול לשאול שאלות המשך, לבקש פישוט או תיקון, ולחוות תהליך למידה אינטראקטיבי אמיתי. זה לא רק “לפתור את התרגיל”, אלא ללמוד את הדרך.

הסבר מפורק לפי שלבים. קרדיט: Anthropic

2. ויזואליזציות למידה אינטראקטיביות

Claude 3.5 Sonnet יוצר ויזואליזציות אינטראקטיביות בזמן אמת שהופכות מושגים מופשטים לחוויות דינמיות. תלמידים יכולים לתמרן משתנים, כמו שינוי עקומות היצע וביקוש על ידי שינוי ערכי קלט, ויוצרים חוויית למידה יעילה יותר מכל ספר לימוד סטטי.

כך זה נראה בפועל: תלמיד שמתקשה להבין פונקציית קוסינוס, יכול לראות את הגרף משתנה מול עיניו כשהוא משנה את ערך התדר. במקום לדמיין את ההשפעה – הוא חווה אותה. זה ההבדל בין שינון להבנה.

ויזואליזציות למידה אינטראקטיביות

3. יצירת מדריכי לימוד, כרטיסיות זיכרון וחידונים

Solvely מנצלת את Claude כדי ליצור מדריכי לימוד, כרטיסיות זיכרון וחידונים, והופכת את חוויות הלמידה למשחקיות. במקום שינון פסיבי, תלמידים מעורבים עם התוכן דרך אינטראקציות משחקיות ומשוב מיידי.

כך זה נראה בזמן אמת: התלמיד עונה על שאלה קצרה, מקבל משוב מידי (“Good job!”) יחד עם הסבר מלא, מה שמגביר ביטחון עצמי ומעודד למידה פעילה.

אינטראקציה חווייתית סטייל טריוויה

4. תמיכה במחקר וכתיבה

הפלטפורמה עוזרת לתלמידים לפתח כישורי אקדמיה חיוניים על ידי סיוע במחקר, עיצוב מאמרים וציטוטים נכונים.

5. הכנה למבחנים מותאמת אישית

Solvely מציעה הכנה מותאמת אישית למבחנים שמסתגלת לסגנון הלמידה של כל תלמיד ולפערי הידע שלו.

האם יש גם חסרונות?

כמו כל טכנולוגיה, יש גם אתגרים:

• תלות ברשת: הפלטפורמה דורשת חיבור לאינטרנט.

• תלות בטכנולוגיה: סכנה שתלמידים יהפכו תלויים מדי בכלי במקום לפתח כישורי חשיבה עצמאיים.

• עלויות: למרות שיש תוכנית חינמית, התכונות המתקדמות דורשות מנוי.

ככל שהכלי חכם יותר, כך גם הפיתוי גדול יותר לדלג על תהליך החשיבה. התלמיד עלול “לזרום עם ההסבר” בלי לעצור, לטעות, או לחפש אלטרנטיבות, שהם לב הלמידה העמוקה. כאן נדרש תיווך פדגוגי, או לפחות הכוונה ברורה, אחרת Solvely עלולה להפוך מקביים זמניים לדרך קבע.

בנוסף, כמה שהטכנולוגיה מתקדמת, נשאלת שאלה בסיסית: האם אפשר באמת להחליף קשר אנושי עם מורה בינה מלאכותית? אמפתיה, אינטואיציה, יכולת לזהות מצוקה רגשית – כל אלה עדיין מחוץ לתחום של Claude, גם בגירסתו המתקדמת ביותר. ייתכן שהפתרון הנכון טמון לא בהחלפה מוחלטת, אלא בשילוב חכם בין אנושי לטכנולוגי. AI לא אמור לבטל את המורה, אלא לחזק אותו.

כש-AI טועה, מי לוקח אחריות?

למרות ההתרשמות מהיכולות, חשוב לזכור שגם המודל החכם ביותר לא חסין מטעויות. פתרון שגוי, ניסוח לא מדויק או הסבר חלקי עלולים להטעות תלמידים דווקא כשהם הכי סומכים על הפלטפורמה. מי נושא באחריות כשזה קורה – הפלטפורמה? ההורים? אולי אף אחד? זו שאלה פתוחה שדורשת התייחסות, במיוחד ככל שיותר תלמידים מסתמכים על הבינה המלאכותית כתחליף מלא למורה אנושי.

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

לפרטים נוספים לחצו כאן >>

למי זה מתאים?

Solvely מתאימה למגוון רחב של משתמשים:

• תלמידי תיכון וסטודנטים: מכיתות יסוד ועד לימודי תואר שלישי.

• הורים: שרוצים לתמוך בחינוך ילדיהם אבל לא תמיד יודעים איך.

• מורים ומחנכים: שמחפשים כלים פרקטיים להעשיר את ההוראה, לייצר אינטראקציה, או לפתח למידה מותאמת. בעידן של עומס ותסכול, Solvely מציעה להם שותף אמיתי להוראה מודרנית.

• מנהלי בתי ספר ומוסדות: שמבקשים להכניס חדשנות חינוכית בלי תשתיות יקרות.

• תלמידים מקבוצות מוחלשות: הפלטפורמה נגישה ובמחיר סביר, מה שהופך אותה לפתרון אידיאלי עבור אלה שמאזנים בין עבודה ולימודים.

אבל השאלה הגדולה יותר היא – האם הטכנולוגיה הזו באמת מצמצמת פערים? למרות הגישה החינמית, הפיצ’רים המתקדמים ביותר נמצאים מאחורי מנוי פרמיום. עבור תלמידים ממשפחות מוחלשות או אזורים ללא תשתית טכנולוגית, זה עלול להיות מחסום אמיתי. Solvely בהחלט מתקדמת בכיוון הנכון, אבל רק מדיניות חינוכית מתקדמת תוכל לדאוג שהיתרונות יגיעו באמת לכולם.

ומה עם המורים?

התלמידים נהנים מהיתרונות הברורים של הפלטפורמה, אבל שאלה מהותית נותרת פתוחה: איך זה משפיע על תפקיד המורה? האם מדובר בכלי שמעצים את המורה ונותן לו כלים חכמים להוראה טובה יותר, או שזו דרך עקיפה לדחוק את תפקידו מהכיתה? אם לא תיעשה חשיבה מערכתית, יש סכנה שמורים יראו בטכנולוגיה הזו איום ולא הזדמנות. העתיד של Solvely חייב להיות עתיד משותף למורים ולתלמידים.

כמה זה עולה?

התמחור של Solvely מותאם גם לסטודנטים ולמשפחות, עם גרסה חינמית בסיסית ומסלולים מתקדמים שמתחילים מ-1.99 דולר בלבד לשבוע או 12.99 דולר לחודש, כולל ניסיון חינם.

גרסה חינמית בסיסית ומסלולים מתקדמים

מה החזון?

Solvely חולמת על עתיד שבו בינה מלאכותית חינוכית הופכת למידה נגישה ברחבי העולם תוך החזרת השמחה הטבעית שלה. “למידה היא חוויה אנושית משמחת ביסודה. אנחנו נולדים ללמוד,” מהרהר ג’אנג. ככל ש-Claude מתקדם והופך לזמין יותר, הסטארט-אפ מתכנן להרחיב את הפלטפורמה שלהם ברחבי העולם, עם המטרה השאפתנית להציע אותה בסופו של דבר בחינם למשתמשים ברחבי העולם.

הצלחת Solvely מצביעה על כמה כיוונים מרתקים:

1. למידה מותאמת אישית בקנה מידה: טכנולוגיית AI מאפשרת לבסוף לתת לכל תלמיד מורה פרטי וירטואלי.

2. דמוקרטיזציה של החינוך: איכות חינוך גבוהה הופכת נגישה ללא תלות במיקום או מצב כלכלי.

3. חזרה ליסודות של למידה: במקום חינוך שמבוסס על שינון, הדגש חוזר להבנה ולחשיבה ביקורתית.

כש-AI פוגש חינוך

לסיכום, עם יותר מ-5 מיליון תלמידים פעילים ודירוג של 4.8 כוכבים, נראה ש-Solvely מוכיחה שהשילוב של בינה מלאכותית מתקדמת עם חזון חינוכי ברור יכול לחולל שינוי אמיתי. השאלה האמיתית היא לא האם זה עתיד החינוך, אלא כמה מהר מערכות החינוך ברחבי העולם יאמצו גישות דומות. כי בעולם שבו כל תלמיד יכול לקבל מורה פרטי AI שזמין 24/7, מבין אותו אישית ועוזר לו ללמוד בקצב שלו, מי לא ירצה להיות חלק מהמהפכה הזו?

הפוסט איך Solvely מחוללת מהפכה בלמידה עם Claude של Anthropic הופיע ראשון בLet's AI בינה מלאכותית

מהי Doppl?

Doppl היא אפליקציה ניסיונית שהושקה במעבדות גוגל. הרעיון פשוט: תעלו תמונה של עצמכם ותמונה של כל בגד שאתם רוצים “לנסות”, והאפליקציה תיצור תמונה ואפילו סרטון קצר שמראה איך הבגד ייראה עליכם. המערכת יוצרת הדמיה שנראית כאילו יצאה מסטודיו של צילום אופנה דיגיטלי.

במקום מודלים תלת־ממדיים מסורבלים שדורשים סריקות גוף, Doppl משתמשת רק בשתי תמונות רגילות. אין לכם תמונה מתאימה? אפשר לבחור באחד מהדוגמנים הדיגיטליים המובנים באפליקציה, המייצגים מגוון רחב של מידות גוף וסוגי מראה.

איך הטכנולוגיה עובדת?

הטכנולוגיה מבוססת על בינה מלאכותית יוצרת שפותחה במעבדות גוגל, והיא משתמשת במודלי דיפוזיה מתקדמים עם טכניקת “diffusion-based garment warping”, כלומר, הבינה המלאכותית יודעת איך לעצב ולהתאים בדים על גוף אנושי. מודלי דיפוזיה הם שיטה נפוצה ליצירת תמונות באמצעות רעש מבוקר, המדמה תהליך פיזיקלי של פיזור והתכנסות.

בניגוד לטכנולוגיות קודמות שדרשו מהחנויות ליצור מודלים תלת־ממדיים יקרים, Doppl יכולה לעבוד עם כל תמונה רגילה של בגד.

הנה החידוש הגדול: האפליקציה לא רק יוצרת תמונה סטטית, היא יוצרת סרטון קצר שמראה איך הבגד זז עליכם. זה אמור לתת תחושה הרבה יותר מציאותית של איך הבגד באמת ייראה בתנועה, כמו נפילה טבעית של הבד, תזוזה סביב המותניים או תגובה לתנועה של הזרועות.

איך משתמשים באפליקציה?

התהליך עצמו יחסית פשוט, אבל כיוון שהאפשרות כרגע זמינה רק בארה״ב ומוגבלת לגיל 18 ומעלה – מי שירצה להתנסות ייאלץ להמתין שזה יגיע גם לכאן, או להשתמש בחיבור ל־VPN. חיבור ל־VPN (רשת פרטית וירטואלית) מאפשר “להציג” את המכשיר שלכם כאילו הוא מחובר מארה”ב, וכך לעקוף מגבלות מיקום באפליקציות. קיימות אפליקציות VPN פשוטות לשימוש שאפשר להתקין בטלפון ולבחור מתוכן את ארה”ב כמדינת חיבור.

התהליך כולו מוצג בצורה ברורה גם באפליקציה עצמה. ברגע שאתם בפנים, תוכלו לעשות את זה בכמה פעולות פשוטות:

1. תמונת גוף מלאה: מעלים תמונה של עצמכם במצב עמידה מלא (או בוחרים דוגמן דיגיטלי). מומלץ שהתמונה תהיה באור טוב, עם רקע נקי ועמידה ישרה כדי לקבל תוצאה מדויקת יותר.

2. מעלים תמונה של בגד: תוכלו להעלות מספרית התמונות שלכם או מכל מקור אחר: אינסטגרם, פינטרסט, צילום בחנות. אפילו תמונה של חבר לובש משהו שמעניין אתכם.

3. קבלת התוצר: האפליקציה יוצרת תמונה וסרטון שמראה אתכם לובשים את הבגד, כאילו יצאתם ממגזין אופנה. המערכת מציגה את ההדמיה, תחילה בתמונה סטטית, ובהמשך כאוסף של לוקים שנשמרים לשיתוף.

חוויית השימוש באפליקציית Doppl. קרדיט: Google Labs

המציאות מאחורי Doppl

כמו בכל אפליקציה חדשה, גם Doppl חווה אתגרים בשלבים הראשוניים. חלק מהמשתמשים מדווחים שהתוצאות לא תמיד מדויקות, או שהמערכת לא מצליחה לייצר הדמיה בכלל, במיוחד כשמדובר בתמונות פחות חדות או בזוויות לא אידיאליות. יש גם דיווחים בודדים על כך שהתוכנה מסווגת בטעות תמונות כבעייתיות, מה שעלול לעכב את התהליך. אחד המשתמשים כתב: “חיכיתי דקות אבל זה לא עבד עליי או על הבחור הדיגיטלי. ניסיתי עם תמונות אמיתיות וצילומי מסך של מוצרים מהאינטרנט.”

מה שגוגל אומרת (ומה שהיא לא אומרת)

גוגל עצמה מדגישה ש־Doppl היא אפליקציה ניסיונית, שנמצאת עדיין בשלבים מוקדמים של פיתוח. לפי ההצהרה הרשמית, “התוצאה לא מייצגת בהכרח את ההתאמה או המידה האמיתית של הבגד”, והמערכת “עלולה שלא לפעול בצורה מדויקת בכל המקרים”. החברה גם מציינת שמדובר בגרסה מוגבלת שזמינה כרגע רק בארה”ב, ולמשתמשים מעל גיל 18 בלבד, מה שמעיד על זהירות מודעת והגבלה בשל סוגיות של פרטיות, רגישות ורגולציה.

לא ידוע מתי (ואם בכלל) האפליקציה תתרחב למדינות נוספות, אבל במעבדות של גוגל הדברים מתקדמים בקצב מהיר מהרגיל, כך ששווה לעקוב. בינתיים, Doppl מיועדת למי שמוכן לשחק עם טכנולוגיה מתפתחת, ולא מחפש פתרון מדויק לקנייה מיידית.

שאלת הפרטיות 

זו השאלה שכולם שואלים, אבל לא תמיד מקבלים עליה תשובה ברורה. כשאתם מעלים תמונות אישיות לחברת טכנולוגיה גדולה, חשוב להבין מה קורה איתן מאחורי הקלעים. גוגל מציינת שמשתמשים אנושיים עלולים לראות ולעבד דגימות מהנתונים שלכם כדי לשפר את המוצר. החברה טוענת שהיא נוקטת צעדים להגנה על הפרטיות, כולל ניתוק הנתונים מהחשבון שלכם לפני שמבקרים רואים אותם.

עם זאת, היא גם כותבת במפורש: “אל תשלחו מידע סודי או נתונים שאתם לא רוצים שמבקר יראה או שגוגל תשתמש בהם כדי לשפר את המוצרים, השירותים והטכנולוגיות של למידת מכונה.” הגישה הזו, איסוף דוגמאות משתמשים לצורכי שיפור מודלים, הפכה לנפוצה מאוד בעידן של AI גנרטיבי, אבל היא מעלה שאלות אמיתיות של שקיפות ושליטה.

בעוד שהודעת הפרטיות הרשמית מפרטת איסוף נתונים נרחב, עמוד המוצר בחנות Google Play מציג הצהרה סותרת לפיה “לא נאספים נתונים”. הסתירה הזו מדגישה עוד יותר את החשיבות בקריאת התנאים המלאים בזהירות. אם אתם בוחרים להשתמש באפליקציה, כדאי להניח שהתמונות עלולות לשמש לאימון עתידי, גם אם לא באופן אישי מזוהה.

העתיד של Doppl

האם זה באמת יחליף את חדר המדידות? כאן אני צריך להיות ישיר איתכם: כנראה שלא, לפחות לא בקרוב. הרבה מהחברות בתחום האופנה מנסות לצמצם החזרות ולהגביר ביטחון בקנייה מקוונת, והחלום הוא לאפשר מדידה דיגיטלית שתהיה מספיק אמינה. הטכנולוגיה מבטיחה, אבל יש פער גדול בין הפוטנציאל למציאות הנוכחית. זה אומר שאמנם תוכלו לקבל רעיון כללי על איך משהו עלול להיראות עליכם, אבל אל תסתמכו על זה כדי לקבוע מידות או התאמה מדויקת.

איפה זה באמת יכול לעזור?

למרות המגבלות, יש כמה תחומים שבהם Doppl יכולה להיות שימושית:

השראת סטיילינג: האפליקציה מצוינת לניסוי עם שילובים חדשים ולראות איך סגנונות שונים עלולים להיראות עליכם לפני שאתם משקיעים כסף. גם אם לא מדובר בהדמיה מושלמת, התחושה הוויזואלית עוזרת לבנות ביטחון עצמי סביב הבחירה.

קניות במקומות לא מקובלים: צילמתם משהו בחנות יד שנייה ורוצים לראות איך זה ייראה עליכם? זה בדיוק המקרה שבו Doppl יכולה לעזור.

שיתוף עם חברים: האפשרות לשתף את התמונות עם חברים ולקבל חוות דעת יכולה להיות מאוד שימושית בתהליך קבלת ההחלטות.

ומה עם התחרות?

Doppl נכנסת לשוק תחרותי וצומח של מדידה וירטואלית, ששוויו הוערך בכ-8.7 מיליארד דולר ב-2024. התחרות מגיעה מכמה כיוונים: ענקיות קמעונאות כמו Walmart ואמזון, המציעות כלים דומים המשולבים בפלטפורמות שלהן; מותגים חדשניים כמו ASOS ו-Nike, שפיתחו חוויות מדידה וירטואלית (AR) ייעודיות לקטגוריות ספציפיות כמו אופנה והנעלה, וחברות טכנולוגיה המוכרות פתרונות AI כשירות למותגים אחרים.

הייחוד של Doppl טמון בגישה האוניברסלית שלה – היכולת “למדוד” כל בגד מכל תמונה, בניגוד למתחרים הכבולים לקטלוג ספציפי. עם זאת, האתגר המרכזי שלה הוא להתחרות ככלי ניסיוני מול פתרונות בשלים ומוכחים שכבר פועלים בהצלחה בשוק.

מה זה אומר על עתיד הקניות?

אפילו שהטכנולוגיה הנוכחית לא מושלמת, חשוב להבין את הכיוון. תעשיית האופנה דוחפת חזק לכיוון פתרונות דיגיטליים שיפחיתו החזרות ויהפכו את הקנייה המקוונת לבטוחה יותר. שיעור ההחזרות באופנה מקוונת מגיע לעתים ל־40-50%, בעיקר בגלל חוסר התאמה במידה או במראה. ההחזרות עולות לחברות מיליארדים בשנה, הן פוגעות במלאי, בשירות לקוחות ובאמון הצרכני.

אם טכנולוגיות כמו Doppl יצליחו להפוך למדויקות יותר, הן יכולות לחולל מהפכה אמיתית. לא בטוח ש־Doppl תהיה זו שתעשה את זה, אבל הכיוון ברור: הקנייה הדיגיטלית תצטרך להרגיש הרבה יותר כמו מדידה אמיתית.

הצד החשוך של הטכנולוגיה

אבל יש גם שאלות מטרידות שצריך לשאול: מה קורה כשהטכנולוגיה הזו תשמש לבניית תמונות מזויפות או להטעיית צרכנים? איך נוודא שההדמיות לא ייצרו ציפיות לא מציאותיות? בעידן של deepfakes ותמונות מזויפות, כל טכנולוגיה שיכולה לשנות איך אנשים נראים מעוררת חששות לגיטימיים. האם נוכל להבחין בין הדמיה למציאות? ומה הכללים השיווקיים שאמורים לחול על השימוש בטכנולוגיה כזו?

גוגל כן מנסה להתמודד עם הבעיה הזו, לפחות בפן הטכני. החברה מטמיעה סימני מים דיגיטליים בלתי נראים (טכנולוגיית SynthID – סימון שנשאר בתמונה גם אחרי עריכה, ומאפשר זיהוי מאחורי הקלעים) בכל התמונות והסרטונים שנוצרים באפליקציה, כדי לאפשר זיהוי של תוכן שנוצר על ידי בינה מלאכותית. ועדיין, האם זה מספיק?

והאם האחריות לשקיפות תישאר בידי חברות כמו גוגל, או שגם הרגולטורים יצטרכו להתערב?

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

לפרטים נוספים לחצו כאן >>

לסיכום, Doppl היא ניסוי מעניין שמציץ לעתיד הקניות, אבל היא רחוקה מלהיות מוכנה לשימוש רציני. אם אתם בארה”ב (או מחוברים ל-VPN) ורוצים לשחק עם הטכנולוגיה – למה לא? זה יכול להיות כיף ולתת רעיונות לסטיילינג. אבל אל תצפו לתוצאות מושלמות, ובהחלט אל תסתמכו על זה לקניות יקרות או חשובות. ובעיקר, היו מודעים לכך שהתמונות שלכם עלולות להיות חשופות לצפייה בגוגל. האמת היא שכמו הרבה טכנולוגיות חדשניות מגוגל, Doppl כנראה תצטרך עוד זמן פיתוח לפני שתוכל להציע חלופה אמיתית לחדר המדידות. אבל הכיוון מעניין, והפוטנציאל קיים. השאלה היא: האם אנחנו מוכנים לוותר על הפרטיות שלנו כדי לקבל נוחות דיגיטלית שעדיין לא עובדת כמו שצריך?

הפוסט Doppl של גוגל מבטיחה מדידה וירטואלית בלחיצת כפתור הופיע ראשון בLet's AI בינה מלאכותית

מה יקרה כשתלחצו על אחת האופציות?

Apps and websites ← New Artifact – קלוד יפתח שיחה עם שאלות מכוונות כמו:

• “איזה סוג אפליקציה אתה רוצה לבנות?”
• “מה המטרה של האתר?”
• “איזה תכונות חשובות לך?”

Games ← New Artifact – קלוד ישאל:

• “איזה סוג משחק מעניין אותך?”
• “לכמה שחקנים?”
• “איזה רמת מורכבות?”

Productivity tools ← New Artifact קלוד יכוון לעבודה:

• “איזה משימה חוזרת מטרידה אותך?”
• “איזה כלי יחסוך לך הכי הרבה זמן?”

למה זה חכם?

במקום שתכתבו: “תבנה לי משהו” Claude ישאל שאלות ממוקדות ויוציא מכם בדיוק מה אתם צריכים. זה פותר את הבעיה הגדולה ביותר של רוב האנשים עם AI – החלון הריק. הרבה אנשים יודעים שהם רוצים “משהו מועיל” אבל לא יודעים איך לבקש את זה. הקטגוריות האלו הופכות את Claude למראיין שמבין במקום כלי שמחכה לפקודות מדויקות. “Start from scratch” זה עדיין האופציה הישנה – שיחה חופשית עם Claude ללא הנחיה.

הפוסט איך ליצור אב-טיפוס לאפליקציות מבוססות AI עם קלוד ארטיפקטס הופיע ראשון בLet's AI בינה מלאכותית

מה זה Webflow בעצם?

Webflow היא פלטפורמת No-Code/Low-Code מתקדמת לעיצוב ובניית אתרים, המשלבת את החופש היצירתי של מעצב עם הכוח והיכולות של מפתח מקצועי. בעזרת ממשק ויזואלי אינטואיטיבי המבוסס על גרירה ושחרור (Drag-and-Drop), וובפלואו מאפשרת ליצור אתרים מרהיבים ומדויקים, ובו בזמן מייצרת באופן אוטומטי קוד HTML, CSS ו-JavaScript נקי, תקני ומותאם לסטנדרטים המתקדמים ביותר, כך שהתוצאה הסופית מקצועית ומדויקת, ללא צורך לכתוב אף שורת קוד בעצמכם. הממשק, המדמה באופן נאמן את מודל הקופסאות של CSS, מציג בזמן אמת כיצד כל שינוי ישפיע על עיצוב האתר בדסקטופ, בטאבלט ובמובייל, לצד אפשרויות מתקדמות לבדיקת נגישות, התאמות SEO ואופטימיזציה למהירות טעינה. בנוסף, הפלטפורמה כוללת מערכת CMS משוכללת לניהול תוכן, מערכת מובנית ליצירת אנימציות ואינטראקציות מתקדמות, וכן סביבת אירוח (Hosting) מאובטחת, כך שכל תהליך העיצוב, הפיתוח וההשקה של האתר מתנהל בכלי אחד נוח, יעיל וידידותי במיוחד.

מה מייחד את Webflow?

שליטה מלאה על כל פיקסל

בשוק עמוס בפלטפורמות בניית אתרים, וובפלואו (Webflow) בולטת בזכות שילוב יוצא דופן של גמישות עיצובית ושליטה טכנית מעמיקה. שלא כמו כלים רבים אחרים שמגבילים את המשתמש לתבניות קבועות, וובפלואו מאפשרת שליטה מלאה על כל פיקסל ופיקסל, החל מבחירת הטיפוגרפיה המדויקת, התאמת צבעים, ועד לניהול מושלם של מרווחים בין אלמנטים. מדובר ביתרון עצום למעצבים ויוצרים שרוצים להבטיח שהאתר שלהם יהיה נאמן באופן מוחלט לחזון העיצובי המקורי שלהם.

עריכה ויזואלית חכמה

מעבר לשליטה העיצובית המדויקת, הפלטפורמה מתהדרת בעורך ויזואלי עוצמתי במיוחד, המאפשר למשתמשים ליצור אתרים שנראים כאילו עוצבו בהתאמה אישית לחלוטין, וזאת מבלי שיצטרכו לגעת בשורת קוד אחת. החוויה היא כזו שגם מי שאין לו ניסיון קודם בעיצוב אתרים יכול לייצר תוצרים מרשימים במהירות, תוך קבלת משוב חזותי מיידי בכל שלב.

מערכת CMS לניהול תוכן

יתרון משמעותי נוסף טמון במערכת ניהול התוכן (CMS) של וובפלואו. בניגוד למערכות ניהול תוכן מסורתיות, ה-CMS של וובפלואו הוא אינטואיטיבי, גמיש, ומתאים במיוחד לאנשים שאינם מגיעים מרקע טכני. הוא מאפשר ניהול וארגון תוכן בצורה קלה ונוחה, ומציע פתרונות מתקדמים לפרסום וניהול דפים, כתבות או מוצרים בצורה מסודרת ופשוטה.

Credit: Webflow

יכולות E-commerce מובנות עם סליקה, ניהול מוצרים ועגלת קניות.

מי שמחפש גם יכולות מסחר אלקטרוני, ימצא בוובפלואו פתרון מובנה ומתקדם. המערכת כוללת כלים אינטגרטיביים לניהול חנויות אונליין, עם יכולות סליקה מובנות, עגלות קנייה מותאמות אישית, וניהול מלאי יעיל. כל אלו הופכים את הפלטפורמה לאידיאלית עבור עסקים קטנים עד בינוניים המבקשים לנהל את המכירות שלהם בצורה חלקה ומהירה.

קוד נקי שמתאים ל-SEO וביצועים מהירים בדפדפן.

לבסוף, אחד היתרונות החשובים של וובפלואו הוא איכות הקוד המופק על ידי המערכת. למרות שמדובר בכלי ויזואלי, התוצר הסופי הוא קוד נקי, מסודר ואופטימלי ל-SEO. עובדה זו מסייעת לאתרים הנבנים על הפלטפורמה להגיע לביצועים מצוינים במנועי החיפוש, לצד טעינה מהירה במיוחד בכל סוגי הדפדפנים. בכך, וובפלו מציעה את השילוב המושלם בין עיצוב מרהיב, פונקציונליות חזקה וביצועים טכניים מרשימים.

יתרונות מול חסרונות – הטוב, הרע והמכוער

יתרונות הפלטפורמה

וובפלואו מתאפיינת בקלות שימוש מרשימה, המאפשרת גם למשתמשים חסרי רקע בפיתוח או בתכנות לעצב ולבנות אתרים מקצועיים במהירות יחסית. עם זאת, הגמישות הרבה של הפלטפורמה מעניקה למשתמשים בעלי ידע טכני מתקדם אפשרויות שליטה נרחבות, כך שכל אחד יכול להתאים את חוויית השימוש לצרכים וליכולות שלו.

הפלטפורמה אידיאלית במיוחד לעסקים קטנים ובינוניים, מעצבים מקצועיים, פרילנסרים וסטארטאפים שצריכים להקים אתר איכותי במהירות, בלי להתפשר על תוצאה סופית מרשימה. בזכות הגישה הידידותית אך המקצועית שלה, וובפלואו זוכה לפופולריות רבה בקרב מגוון רחב של משתמשים המעוניינים לבנות ולתחזק אתרים ברמה גבוהה ללא התעסקות טכנית מורכבת.

אחד היתרונות המשמעותיים של וובפלואו הוא הקהילה הגלובלית הגדולה והפעילה שמקיפה את הפלטפורמה. קהילה זו מספקת גישה להדרכות וידאו מפורטות, סרטוני הדרכה מקצועיים, פורומים מלאי תוכן מועיל וכלי עזר מתקדמים, התומכים הן במשתמשים מתחילים והן במשתמשים מנוסים יותר.

חסרונות – יש גם כמה כאלה…

חשוב לזכור כי המערכת דורשת זמן לימוד ראשוני. אף שהממשק נוח ואינטואיטיבי, כדי להפיק את המירב מכלל הפיצ’רים המתקדמים, יהיה צורך בתקופת הסתגלות והיכרות מעמיקה עם יכולות המערכת.

מבחינת עלויות, וובפלואו אינה מהזולות בשוק, בעיקר בהשוואה לפתרונות חינמיים או זולים יותר. עם זאת, התמורה מבחינת איכות התוצרים, הביצועים והאפשרויות הרבות שהיא מספקת, מצדיקה במקרים רבים את העלות הגבוהה יחסית.

כמו כן, וובפלואו לא תמיד מציעה אינטגרציות מובנות לכל השירותים האפשריים. לעיתים, כדי לממש פונקציות ספציפיות כמו שילוב מערכות חיצוניות מתקדמות, תצטרכו להשתמש בפתרונות צד שלישי או לחפש פתרונות טכניים משלימים. הדבר אמנם דורש מעט מאמץ נוסף, אך בדרך כלל ניתן למצוא מענה הולם במסגרת הקהילה והתמיכה הרחבה של הפלטפורמה.

איך מתחילים לעבוד עם Webflow?

1) פתיחת חשבון

היכנסו לאתר החברה וצרו חשבון חדש.

פתיחת חשבון חדש ב-Webflow.

2) יצירת אתר ובחירת טמפלט

לחצו על New Site לבניית אתר חדש.

הוספת אתר חדש ב-Webflow.

לאחר מכן, בחרו תבנית קיימת או התחילו מפרויקט ריק לגמרי.

אפשרויות בניית אתר חדש ב-Webflow.

בתוך האתר תוכלו למצוא אינספור טמפלטים (תבניות קבועות מראש) לאתרים – מה שמאוד יקל עליכם בהתנעה מהירה של הקמה ועיצוב אתר חדש! פה תוכלו לראות את ספריית הטמפלטים של Webflow.

ספריית טמפלטים עשירה ב-Webflow.

3) עיצוב האתר

גררו אלמנטים (כותרות, פסקאות, תמונות, כפתורים) ובנו את מבנה הדף. אין שום צורך בידע בכתיבת קוד, עיצוב גרפי או UI/UX. הממשק סופר נוח ואינטואיטיבי

פה תמצאו סקירה ראשונית של הממשק של וובפלואו:

4) התאמה למובייל

עצבו את האתר עם שליטה מלאה ברספונסיביות לכל גודל מסך. פה תמצאו מדריך קצר שמסביר איך לדייק את תהליך ההתאמה למובייל (אתר רספונסיבי), כך שהוא יראה מיליון דולר בכל פלטפורמה: ווב, טאבלט, סמארטפונים וכדומה…

5) פיבלוש האתר

לסיום, פרסמו את האתר בלחיצת כפתור, עם אפשרות לדומיין מותאם אישי.

להעלאת האתר לאוויר, לחצו על Publish.

איפה מאחסנים את האתר? דומיין ואחסון ב-Webflow

בניתם אתר מהמם – עכשיו הגיע הזמן להעלות אותו לאוויר. אז איפה הוא “גר”? ואיך מחברים לו כתובת אישית? בואו נעשה סדר.

אחסון (Hosting) מהיר וחכם

וובפלואו דואגת לכם לכל מה שקשור לאחסון ופרסום האתר. אם יש לכם חבילה חינמית, ברגע שתלחצו על Publish, האתר שלכם יתפרסם מיד בכתובת זמנית כמו your-site.webflow.io. הכל מתארח על תשתית יציבה ואמינה של Amazon Web Services (AWS), ומופץ דרך רשת CDN מהירה של Fastly, מה שמבטיח טעינה זריזה מכל מקום בעולם – בלי כאבי ראש של שרתים, עדכוני אבטחה או קונפיגורציות מורכבות.

דומיין (Domain) מותאם אישית

כדי לחבר כתובת דומיין משלכם (למשל www.yourbrand.com), רוכשים אותה דרך ספק חיצוני כמו GoDaddy, Namecheap או Google Domains. לאחר מכן, מחברים אותה לאתר בקלות בעזרת ההוראות הברורות שבתוך וובפלואו.

הוספת דומיין לאתר ב-Webflow.

חבילות ומנויים

מומלץ להעיף מבט גם על חבילת התמחור של וובפלואו, בלינק הבא.

המסלולים וחבילות המנויים של Webflow.

מה מקבלים בתוכנית בתשלום?

כדי להשתמש בדומיין מותאם, תצטרכו לשדרג לאחת מתוכניות האתר של וובפלואו – כמו Basic, CMS, Business או Enterprise. התוכניות כוללות:

• אחסון מנוהל בענן.

• אבטחה עם תעודת SSL.

• גיבויים אוטומטיים.

• והתאמה אוטומטית לעומסי תנועה (Auto-scaling).

כלומר – לא צריך לדאוג לשום דבר. הכל פשוט עובד.

מעדיפים לארח לבד? גם זה אפשרי

רוצים לארח את האתר אצל ספק חיצוני? אין בעיה. בלחיצה אחת אפשר לייצא את קבצי הקוד (HTML, CSS, JS) ולהעלות אותם לכל שרת שתבחרו. השליטה בידיים שלכם.

שורה תחתונה – את האחסון, הביצועים והתחזוקה – וובפלואו מספקת. את הדומיין – אתם קונים איפה שנוח לכם (אלא אם אתם על חבילה חינמית ומסתפקים בדומיין של וובפלואו). החיבור ביניהם לוקח כמה דקות, ויש לכם אתר באוויר שעובד, נטען מהר ונראה פגז. 

משאבים נוספים לשימושכם

• קהילת המשתמשים של Webflow.
• גלריית אתרים לדוגמה.

יש לכם חצי שעה פנויה? קבלו טוטוריאל מ-ע-ו-ל-ה!

בסרטון הבא (של היזם והמעצב Payton Clark Smith) תלמדו איך להפוך למקצועני וובפלואו תוך חצי שעה – גם אם אתם משתמשים מתחילים. המדריך סוקר את הממשק החדש של הפלטפורמה, כולל הסברים מעולים על בניית אתר, שימוש בקומפוננטים, יצירת סקשנים רספונסיביים, עיצוב מתקדם עם CSS ויצירת עמוד נחיתה מקצועי – והכל בלי לכתוב שורת קוד אחת. חובה לכל מי שרוצה להתחיל להשתמש בפלטפורמה המדהימה הזו!

שורה תחתונה – אם אתם מחפשים פלטפורמה שמבינה עיצוב, מאפשרת לכם חופש יצירתי מלא, ומייצרת אתרים שנראים מקצועיים באמת – Webflow זו לגמרי הבחירה הנכונה עבורכם!

הפוסט המדריך המלא ל-Webflow – עיצוב ואתרים ללא קוד הופיע ראשון בLet's AI בינה מלאכותית

למה בכלל לטרוח? היתרונות העצומים של בינה מלאכותית

לפני שנצלול לבעיות, חשוב להבין למה כדאי בכלל להתעסק עם זה. הבינה המלאכותית מציעה למורי מתמטיקה יתרונות שפשוט לא היו אפשריים בעבר.

ראשית, המהירות מדהימה. במקום לבלות שעות על הכנת תרגילים חדשים לכל פרק, אפשר לקבל עשרות תרגילים מגוונים בתוך דקות ספורות. אבל לא רק המהירות חשובה – איכות התרגילים והמגוון שהבינה המלאכותית יכולה לייצר פשוט מרשימים.

אפשר לבקש תרגילים ברמות קושי שונות, עם דגש על נושאים ספציפיים, או אפילו תרגילים שמתאימים לסגנון הלמידה של הכיתה שלכם. רוצים תרגילי מילים? אין בעיה. רוצים שהמספרים יהיו נחמדים לחישוב? בקלות. רוצים להוסיף אתגרים מיוחדים לתלמידים המצטיינים? הבינה המלאכותית תכין לכם גם את זה.

יתרון נוסף הוא היכולת להתאים תרגילים לנושאים עדכניים או לתלמידים עם צרכים מיוחדים. אפשר לבקש תרגילים שמתחברים לאירועים אקטואליים, או תרגילים פשוטים יותר לתלמידים עם קשיי למידה, או להפך – תרגילים מאתגרים במיוחד. הבעיה היא שכל היתרונות האלה נעצרים ברגע שמנסים להעביר את התרגילים מהמסך אל הנייר.

לפרטים וסילבוס על קורס ה-AI שלנו למורים, לחצו פה.

איפה הכל מתחיל להסתבך: הקרב עם הפורמטים

הבעיה הראשונה והבסיסית היא ששפת המתמטיקה של המחשבים שונה משפת המתמטיקה שלנו. כשאנחנו כותבים משוואה על הלוח או בספר, אנחנו משתמשים בסימנים מיוחדים – שברים עם קו אופקי, חזקות קטנות למעלה, שורשים עם הסימן המיוחד, ועוד הרבה סימנים שהופכים את המתמטיקה לקריאה ולהבנה.

המחשבים, לעומת זאת, מדברים בשפה שנקראת טקסט פשוט. הם לא יכולים לכתוב שבר עם קו אופקי, אז הם כותבים 2/3. הם לא יכולים לכתוב חזקה קטנה למעלה, אז הם כותבים x^2. במקום שורש, הם כותבים sqrt(x). זה נשמע הגיוני, אבל התוצאה היא שהתרגילים שהבינה המלאכותית מייצרת נראים כמו קוד מחשב ולא כמו מתמטיקה אמיתית.

הבעיה מתחמרת כי כלים שונים משתמשים בפורמטים שונים. לפעמים התרגילים מגיעים בפורמט LaTeX, שהוא מעין שפת תכנות למתמטיקה. אז במקום לראות שבר פשוט, אתם מקבלים משהו כמו \frac{2}{3}, ובמקום שורש אתם מקבלים \sqrt{x+1}. זה יכול להיות מועיל מאוד לאנשים שיודעים איך לעבוד עם LaTeX, אבל רוב המורים פשוט רוצים להדביק את התרגיל בוורד ולהדפיס אותו.

הסיוט האמיתי: ההדבקה בוורד

אז מגיע הרגע הגורלי – אתם מעתיקים את התרגילים מהצ’אטבוט ומנסים להדביק אותם בוורד. וכאן הכל מתחיל להתפרק.

הדבר הראשון שאתם מבחינים בו זה שהתרגילים פשוט לא נראים כמו מתמטיקה. השבר 2/3 נשאר 2/3, החזקה x^2 נשארת x^2, והשורש sqrt(x) נשאר בדיוק כמו שהוא. במקום דף תרגילים יפה ומסודר, אתם מקבלים משהו שנראה כמו קוד מחשב ולא כמו מתמטיקה שתלמידים יכולים לפתור.

אבל זה רק ההתחלה. המורים הנחושים לא מוותרים בקלות, והם מתחילים לנסות “לתקן” את התרגילים. הם מנסים להמיר את השברים לשברים אמיתיים באמצעות תפריט המשוואות של וורד, מנסים לשנות את החזקות למידה הנכונה, ולבנות שורשים מהתפריט המיוחד.

התהליך הזה לא רק איטי ומתסכל – הוא גם מלא בטעויות. וורד לא תמיד מבין מה אתם מנסים לעשות, ולפעמים הוא הורס את העיצוב של כל המסמך. בסוף, המורים מבזבזים שעות על עריכה של תרגילים שהיו אמורים לחסוך להם זמן.

החסרונות המוסתרים: מה שאף אחד לא מספר לכם

מעבר לבעיות הטכניות הברורות, יש עוד כמה בעיות שמורים מגלים רק אחרי שהם מתחילים לעבוד עם המערכת.

הבעיה הראשונה היא עקביות. גרסאות שונות של וורד מתנהגות בצורה שונה לחלוטין. מה שעובד מצוין בוורד 2019 יכול להראות נורא בוורד 365, ומה שנראה מושלם במחשב שלכם יכול להראות גרוע בבית הספר. זה אומר שמורים חייבים לבדוק את התרגילים על מספר מחשבים ובמספר גרסאות לפני שהם יכולים להיות בטוחים שהכל יעבוד.

בעיה נוספת היא השפה. גרסאות של וורד בעברית מתנהגות לפעמים בצורה שונה מגרסאות באנגלית, במיוחד כשמדובר במשוואות מתמטיות. זה יוצר עוד רובד של סבוכות שמורים צריכים להתמודד איתו.

יש גם את הבעיה של הגיבוי והשמירה. כשמורים מקלידים תרגילים רגילים, הם יכולים להיות בטוחים שהקובץ ייפתח בכל מחשב. אבל כשמדובר בתרגילים עם משוואות מורכבות, לפעמים הקובץ לא נפתח נכון במחשבים אחרים, או שהמשוואות מתפרקות כשמדפיסים.

הפתרון שפיתחתי: סוף סוף, עבודה חכמה

אחרי שראיתי עשרות מורים נאבקים עם הבעיות האלה, החלטתי לפתח פתרון מעשי. במקום לנסות ללמד כל מורה להיות מומחה טכני, יצרתי בוט שעושה את כל העבודה הטכנית הזו באופן אוטומטי.

איך עובד הבוט?

הבוט עובד בצורה פשוטה: אתם מעתיקים את התרגילים מהבינה המלאכותית (לא משנה באיזה פורמט הם הגיעו), ומדביקים אותם לבוט. הבוט מזהה אוטומטים את כל הביטויים המתמטיים ומתרגם אותם לפורמט שוורד מבין במושלם.

השברים מומרים לפורמט שוורד מזהה מיד כשברים אמיתיים עם קו. החזקות מומרות לפורמט שוורד יודע להציג כחזקות אמיתיות. השורשים מומרים לפורמט שוורד יכול לבנות אוטומטית מהתפריט שלו.

אבל הבוט לא רק מתרגם – הוא גם מסביר. לכל תרגיל שמצריך בנייה מיוחדת (כמו שורשים מורכבים או לוגריתמים עם בסיס), הבוט נותן הוראות ברורות וצעד אחר צעד איך לבנות את הביטוי בוורד.

הבונוס המיוחד: PDF מוכן ומקצועי

אחד הדברים שהכי הפתיעו אותי זה כמה מורים פשוט רוצים להדפיס את התרגילים ולחלק אותם, בלי להסתבך עם וורד בכלל. בשביל המורים האלה, הבוט יוצר גם קובץ PDF מוכן להדפסה, עם כל המשוואות מעוצבות בצורה מקצועית.

ה-PDF נראה בדיוק כמו דף תרגילים מספר לימוד – עם שברים אמיתיים, חזקות במקום הנכון, שורשים יפים, ועיצוב נקי ומסודר. אין צורך בעריכה, אין צורך בהמרות, ואין צורך להסתבך עם תפריטים מורכבים. פשוט להדפיס ולחלק לתלמידים.

איך זה עובד בפועל: מקרה בוחן אמיתי

בואו נראה איך זה עובד בפועל. נגיד שאתם מלמדים פונקציות ריבועיות, ובקשתם מהבינה המלאכותית ליצור כמה תרגילים. הבינה המלאכותית מחזירה לכם משהו כמו:
“פתרו את המשוואה: x^2 + 5x + 6 = 0” “מצאו את הערך המינימלי של הפונקציה f(x) = 2x^2 – 4x + 1” “פתרו: sqrt(x+3) = 5”

כשאתם מדביקים את זה בוורד, זה נראה בדיוק כמו שכתבתי כאן – כמו קוד ולא כמו מתמטיקה. אתם צריכים לבלות עשרות דקות על כל תרגיל כדי להמיר אותו למשהו שנראה כמו שצריך.

עם הבוט שפיתחתי, אתם פשוט מדביקים את התרגילים, והוא מחזיר לכם:
“פתרו את המשוואה: x² + 5x + 6 = 0” “מצאו את הערך המינימלי של הפונקציה f(x) = 2x² – 4x + 1” “פתרו: √(x+3) = 5”

רואים את ההבדל? החזקות הפכו לחזקות אמיתיות, והשורש הפך לסימן שורש אמיתי. כשאתם מדביקים את זה בוורד, הוא מבין מיד מה אתם רוצים ומציג את התרגילים בצורה המושלמת.

למי זה מתאים: לא רק למתמטיקה

למרות שפיתחתי את הבוט בעיקר בשביל מורי מתמטיקה, הוא מתאים לכל מי שצריך לעבוד עם נוסחאות ומשוואות. מורי פיזיקה יכולים להשתמש בו כדי ליצור תרגילי כוחות וחשמל. מורי כימיה יכולים להשתמש בו עבור נוסחאות כימיות. אפילו מורי כלכלה יכולים להשתמש בו עבור נוסחאות מתמטיות כלכליות.

הכלי מתאים למורים בכל הרמות – מהכיתות הנמוכות בבית הספר היסודי ועד לתיכון ואפילו מכללות. הוא עובד עם כל סוגי התרגילים – תרגילי חזרה פשוטים, מבחנים, דפי עבודה לבית, ואפילו חומרי הכנה לבגרויות.

הטעויות הנפוצות שכדאי להימנע מהן

הטעות הכי נפוצה שמורים עושים זה לנסות להמיר תרגילים מורכבים מדי בפעם הראשונה. זה כמו לנסות ללמוד לנהוג על כביש מהיר – עדיף להתחיל עם משהו פשוט ולהתקדם בהדרגה.

חשיבות הבדיקה לפני ההדפסה

טעות נוספת היא לא לבדוק את התוצאות לפני ההדפסה. גם עם הטכנולוגיה הטובה ביותר, תמיד כדאי לעבור על התרגילים ולוודא שהם נראים בדיוק כמו שאתם רוצים.

התמדה וגישה נכונה

טעות שלישית היא לוותר מהר מדי. הטכנולוגיה הזו דורשת קצת התרגלות, אבל ברגע שתתרגלו אליה, היא תחסוך לכם שעות רבות כל שבוע.

מבט לעתיד: מה יקרה בהמשך

הטכנולוגיה של בינה מלאכותית מתפתחת בקצב מדהים, והיכולות שלה רק הולכות ומשתפרות. בעתיד הקרוב נראה כלים שיוכלו ליצור לא רק תרגילים, אלא גם פתרונות מפורטים, הסברים לתלמידים, ואפילו מבחנים שמתאימים את עצמם לרמה של כל תלמיד.

אבל כל הטכנולוגיות האלה יהיו שימושיות רק אם נדע איך להשתמש בהן בצורה מעשית. הכלים שפיתחתי הם רק ההתחלה – הם פותרים את הבעיות של היום, ומכינים אותנו לטכנולוגיות של מחר.

סיכום: לא עוד קופי-פייסט מתסכל

המטרה של הטכנולוגיה היא להקל עלינו, לא לסבך. אם עד עכשיו הרגשתם שבינה מלאכותית מייצרת יותר עבודה ממה שהיא פותרת, אתם לא טועים – הבעיה הייתה אמיתית, והפתרונות הטכניים שהיו קיימים פשוט לא היו מתאימים למורים.

הכלי שפיתחתי משנה את כללי המשחק. הוא לוקח את כל היתרונות המדהימים של בינה מלאכותית – המהירות, המגוון, והיכולת להתאים תרגילים בדיוק לצרכים שלכם – ומסיר את כל החסרונות הטכניים שמנעו מכם להשתמש בה.

התוצאה היא תרגילים איכותיים, יפים ומוכנים להדפסה, בלי הסתבכות טכנית, בלי בזבוז זמן על עריכה, ובלי התסכלות. פשוט תרגילים טובים שתוכלו להתמקד במה שחשוב באמת – ללמד ולהעביר את האהבה למתמטיקה לתלמידים שלכם. זה הזמן להפסיק להילחם עם הטכנולוגיה ולהתחיל לעבוד איתה. המהפכה במערכת החינוך כבר כאן – השאלה היא אם אתם מוכנים להיות חלק ממנה.

מדריך מהיר: כך יוצרים תרגילים ומעבירים לוורד בקלות

1. מנסחים תרגילים במודל בינה מלאכותית

בעזרת צ’אטבוט כמו ChatGPT, Claude או כל מודל שפה מתקדם – מבקשים לנסח סדרה של תרגילים, משוואות, שאלות עם שברים, חזקות, לוגריתמים, שורשים וכדומה.
בדוגמא, משוואות שנוצרו בעזרת קלוד:

2. מעתיקים את התרגילים אל הבוט הייעודי

מסמנים את כל התרגילים שהתקבלו, ומדביקים אותם לבוט שממיר תרגילים לפורמט מתאים לוורד. קישור לבוט – לחצו כאן.

3. מקבלים תרגילים מסודרים להעתקה

הבוט מחזיר את כל התרגילים כשהם כתובים כך שניתן להעתיק אותם ישירות לתיבת משוואה של Word (Alt+=), בפורמט ברור: שברים – (מונה)/(מכנה)
חזקות – x^2
שורשים – sqrt(x)
לוגריתמים – log_2(x)

4. מעתיקים את התרגילים לוורד

פותחים את וורד, לוחצים Alt+= (תיבת משוואה), ומדביקים כל תרגיל. וורד מציג אוטומטית את השברים, החזקות והשורשים בצורה מתמטית מקצועית.

משוואה מועתקת לפני שינוי

לחיצה על משוואה מקצועית

ככה נראית המשוואה החדשה (יש לעשות עוד שינוי קטן של השורשים):

וככה נראת משוואה סופית לאחר שינוי קטן של השורשים:

וזהו הדף עם כל התרגילים:

סיכום: השליטה המלאה על התרגילים שלכם

אמת, השיטה הזו דורשת קצת יותר עבודה ידנית מאשר פשוט להעתיק ולהדביק. זה לא פתרון “קסם” שעושה הכל בלחיצת כפתור אחת. אבל זה בדיוק מה שהופך אותו לכלי חזק ומועיל.
כשאתם פשוט מעתיקים ומדביקים תרגילים מבינה מלאכותית, אתם מקבלים מה שמקבלים – ואם משהו לא מושלם, אתם תקועים. הפורמט לא נכון? אין מה לעשות. רוצים לשנות מספר? צריך לחזור לבינה המלאכותית ולהתחיל מחדש. רוצים להוסיף הסבר קטן? זה הופך למשימה מורכבת.

הבוט שפיתחתי נותן לכם משהו הרבה יותר טוב – שליטה מלאה. אתם מקבלים תרגילים מעוצבים נכון שווורד מבין אותם, אבל עדיין יכולים לערוך, לשנות, להוסיף הסברים, לשנות מספרים, או לשלב תרגילים ממקורות שונים. זה לא מחליף את היכולת שלכם כמורים – זה מעצים אותה.

בנוסף, כשאתם עובדים עם הבוט, אתם לומדים גם כיצד עובדת המתמטיקה הדיגיטלית. אתם מבינים איך לבנות משוואות, איך לעצב אותן נכון, ואיך לעבוד עם הכלים של וורד בצורה יעילה. זה לא רק חוסך לכם זמן היום – זה גם הופך אתכם למורים טובים יותר למחר. אם אתם מוכנים לנסות גישה חדשה שמשלבת את היתרונות של בינה מלאכותית עם השליטה והגמישות שאתם צריכים כמורים מקצועיים, אתם מוזמנים להתחיל לעבוד עם הבוט. התחילו עם תרגיל פשוט, תראו איך זה עובד, ותגלו איך הטכנולוגיה יכולה לעבוד בשביל המחנכים ולא נגדם.

הפוסט לייצר תרגילי מתמטיקה עם בינה מלאכותית ולהעתיק אותם לוורד – למה זה תמיד מסובך, ומה הפתרון? הופיע ראשון בLet's AI בינה מלאכותית

מה זה Grok Tasks?

Grok Tasks הוא פיצ’ר שמאפשר לכם לתזמן משימות חכמות שירוצו אוטומטית – יומי, שבועי, חודשי או חד-פעמי. במקום לזכור לשאול שאלה בכל פעם מחדש, Grok ישאל בשבילכם – וישלח לכם את התשובה באימייל או בהתראה באפליקציה.

למה Grok Tasks שונה?

Grok Tasks הוא כלי נדיר בכך שהוא פועל מתוך רשת חברתית אמיתית – X – ומחובר ישירות לשיח שמתנהל בה, בזמן אמת. הוא לא רק מאתר תכנים רשמיים או מסכם כתבות, אלא ממש מקשיב למה שאנשים אומרים: תגובות, טרנדים, אזכורים של מותגים, ושיח ציבורי חי. למי שחשוב לו להבין מה נאמר ברשת ברגע שזה קורה – ולא רק לקרוא מה שפורסם בעיתון – Grok מספק יתרון ייחודי, מעשי ומיידי.

איך נכנסים לפיצ’ר?

דרך X:

• היכנסו ל־x.com

• לחצו על “Grok” בתפריט הצד

• בחרו “Tasks”

או דרך האתר הייעודי:

• היכנסו ל־grok.com

• התחברו עם חשבון X

• בחרו “Tasks” בתפריט השמאלי

איך יוצרים משימה חדשה

איך יוצרים משימה?

לחצו על + Add New ומלאו את הפרטים:

• שם המשימה (Name of Task): תיאור קצר כמו “סיכום חדשות יומי”.

• הנחיה (Prompt): למשל “סכם את 3 הכותרות החשובות ביותר בתחום הטכנולוגיה מהיום האחרון”.

• תזמון (Schedule): בחרו את הקצב הרצוי (פעם אחת, יומי, שבועי, חודשי) ושעה לביצוע.

לסיום, לחצו על Create Task.

מגוון אופציות להגדרה ותזמון של משימה

ניהול והתראות 

במהלך יצירת משימות תוכלו להפעיל אפשרויות מתקדמות כמו קבלת התראות ישירות באימייל ובאפליקציה, הפעלת DeepSearch לביצוע חיפושים רחבים יותר באינטרנט, והגבלת מספר המשימות היומיות בהתאם לצורך.

לאחר שהמשימות מוגדרות, תוכלו לנהל אותן בקלות. משימות פעילות (Active) ירוצו לפי לוח הזמנים שקבעתם, בעוד שמשימות שהושבתו או הסתיימו יופיעו תחת Archived. בכל שלב תוכלו לערוך, להשהות או למחוק משימה קיימת.

התוצאות יישלחו אליכם בצורה נוחה: ישירות למייל, כהתראה באפליקציה, או כקובץ סיכום מפורט שניתן לעיין בו ולשתף לפי הצורך.

דוגמה לתסריט שימוש: מעקב מוניטין למסעדות

הבעיה: מנהלת של רשת מסעדות רוצה לדעת מה לקוחות אומרים עליה ברשתות החברתיות, בלי לבדוק ידנית כל יום.

הפתרון: היא יוצרת משימה כזאת:

• שם: “מוניטורינג מוניטין יומי”

• הנחיה: “חפש אזכורים של המסעדות שלי ב-X מהיום האחרון. סכם תגובות חיוביות ושליליות, וציין בעיות חוזרות”

• תזמון: כל יום בשעה 08:00

• הגדרות נוספות: DeepSearch פעיל, התראות באימייל ובאפליקציה

התוצאה: בכל בוקר תקבל המנהלת תקציר תמציתי עם ציטוטים, זיהוי בעיות חוזרות, ותובנות לשיפור השירות.

רעיונות לשימושים נוספים

אתם יכולים להשתמש ב-Grok Tasks למגוון מטרות, לפי תחום העיסוק שלכם. בעסקים, לדוגמה, תוכלו לעקוב אחר המתחרים שלכם או לקבל סיכום יומי של טרנדים בענף. אם אתם משקיעים, תוכלו לעקוב אחר מניות מסוימות ולקבל עדכונים על חדשות שמשפיעות על השוק. בתחום הטכנולוגיה, Grok יכול לעדכן אתכם בכלים או מוצרים חדשים שצצים, וגם לעזור לכם לאתר משרות רלוונטיות.

ואם אתם פשוט רוצים להישאר בעניינים, תוכלו להגדיר סיכום יומי של חדשות בתחומי עניין אישיים כמו בינה מלאכותית, חינוך או רגולציה, ולעקוב מקרוב אחרי ההתפתחויות שחשובות לכם באמת.

תנאים למשתמשים חינמיים

Grok Tasks זמין בחינם, אך עם מגבלות:

• עד 3 משימות פעילות ביום

• עד 10 משימות חד־פעמיות בשבוע

לא ידוע אם מגבלה זו זמנית או קבועה, אך נכון לעכשיו השירות פתוח לכולם.

טיפים להפקת תוצאות טובות

כדי להפיק את המרב מ-Grok Tasks, חשוב לנסח הנחיות ברורות וספציפיות ככל האפשר. התחילו ממשימה אחת פשוטה כדי לבחון את איכות הסיכום שמתקבל, ואל תהססו לשפר את ההנחיה לפי התוצאה. כאשר אתם זקוקים למידע מעמיק או עדכני במיוחד, הפעילו את אפשרות DeepSearch. בנוסף, מומלץ תמיד לעבור בעין ביקורתית על תוצאות חשובות לפני שמקבלים החלטות או משתפים אותן עם אחרים.

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

לפרטים נוספים לחצו כאן >>

לסיכום, Grok Tasks מאפשר לכם להחזיר שליטה על הזמן ולהעביר את העבודה השוחקת – בדיקות, סריקות ומעקב אחר מידע – לטכנולוגיה שפועלת בשבילכם. במקום להתפזר בין מקורות, להחמיץ עדכונים חשובים או לבזבז דקות יקרות על חיפושים חוזרים, תוכלו לקבל תובנות מדויקות וממוקדות היישר למייל או לאפליקציה. אם חשוב לכם להישאר עם היד על הדופק ולקבל את התמונה המלאה – בלי להתאמץ – זה הזמן לתת ל-Grok להתחיל לעבוד עבורכם.

הפוסט גרוק פותחים לכולם את האפשרות לאוטומציה של משימות הופיע ראשון בLet's AI בינה מלאכותית

Introducing Higgsfield Canvas: a state-of-the-art image editing model.
Paint products directly onto your image with pixel-perfect control.

Say hi to your new go-to for product placement, editing, and layout!

Comment Canvas to get the full guide in the DM. pic.twitter.com/i4W8AghErO

— Higgsfield AI (@higgsfield_ai) June 17, 2025

מה Canvas מבטיח?

ה-Canvas של היגספילד פותח כדי לאפשר עריכה פשוטה וזולה של תמונות – בלי ללמוד תוכנות מורכבות ויקרות.

• הוספת אובייקטים ומוצרים: החברה מציגה זאת כיכולת “לצייר” פריטים חדשים היישר לתמונה, עם התאמה לתאורה ופרספקטיבה.

• החלפת בגדים או צבעים: שינוי מהיר של אלמנטים כמו פרטי לבוש, תווי פנים או צבעוניות כללית.

• תיקון פגמים (Inpainting): מחיקה או תיקון אזורים פגומים בתוך שניות במקום עבודה ידנית ממושכת.

• ריאליזם אוטומטי: הכלי מבטיח לשמור על שילוב טבעי של האלמנט החדש עם הסביבה הקיימת – צללים, אור ומרקמים.

הכל נעשה דרך הדפדפן, ללא התקנה וללא צורך בידע מקצועי. המשתמש מסמן אזור, כותב הנחיה באנגלית – ומקבל תוצאה מוכנה כמעט מיד.

יתרונות ומגבלות

מנסיון אישי ולפי עדויות משתמשים, Canvas מפיק תוצאות נקיות ומשביעות רצון בעיקר בהוספת פריטים כלליים, שדרוג תמונה קיימת או הסרה של אלמנטים פשוטים. מהירות ההפקה והממשק הפשוט נחשבים לנקודות החוזק הבולטות – אין עקומת למידה מסובכת, והפעולה אינטואיטיבית גם למי שאין לו ניסיון בעריכה.

לעומת זאת, Canvas מציג מגבלות ברורות כשמדובר בפריטים מורכבים, דמויות אנושיות או פרטים עדינים: התוצאה עלולה להיראות לא טבעית או מעט מעוותת, במיוחד בתיקוני פנים. לא פעם נדרש לנסות ניסוחים שונים ולבצע כמה ניסיונות עד שמגיעים לתוצאה מספקת.

בנוסף, כמו בכלי AI אחרים, השימוש בתוצרים לשימוש מסחרי מחייב לבדוק נושא זכויות יוצרים. האחריות על המשתמש.

בשורה התחתונה, ה- Canvas של היגספילד הוא כלי חזק למשימות שיווק פשוטות ומהירות, אך אינו תחליף לעריכה מקצועית כשנדרשת שליטה מלאה ודיוק בפרטים.

Add products, swap clothes, apply fixes. Even change faces!
Just pick the exact spot and drop your edit.

Higgsfield Canvas lets you control. Other tools try to predict. pic.twitter.com/HCQ7dVpKBE

— Higgsfield AI (@higgsfield_ai) June 17, 2025

איך להתחיל לעבוד עם Higgsfield Canvas צעד אחר צעד? 

1. כניסה והרשמה: כנסו לפלטפורמה של Higgsfield. התחברו דרך חשבון Google או הירשמו במייל. משתמשים חדשים מקבלים חבילת קרדיטים ראשונית להתנסות.

2. לחיצה על Canvas בסרגל הכלים העליון תכניס אתכם ישירות לממשק העריכה.

3. במסך הפתיחה תראו את Product placement. כאן תוכלו לבחור בין:

• Upload Image – להעלאת תמונה מהמחשב

• Select avatar – (בשלב זה לרוב פחות רלוונטי, אלא אם אתם רוצים לעבוד על דמות מוכנה)

4. עריכת תמונה – לאחר שהעליתם תמונה לעריכה:

• השתמשו בכפתור מברשת (Brush) כדי לצייר את האזור שבו תרצו לשנות.

• עשיתם טעות בסימון? לחצו על כפתור המחק (Erase) שמימין למברשת – זה מאפשר למחוק חלקים מהסימון.

• רוצים להזיז את התמונה על המסך? השתמשו בכפתור יד (Move) – מאפשר להזיז או להזיז את המסגרת בלי לסמן בטעות.

• עשיתם טעות? השתמשו בכפתורי Undo (חץ אחורה) ו-Redo (חץ קדימה) כדי לחזור צעד אחורה או קדימה לפי הצורך.

5. כתיבת הנחיה באנגלית – במקביל לסימון, כתבו בתיבת הטקסט שמתחת לתמונה הנחיה קצרה וברורה על פי הצורך שלכם, לדוגמה:

• Add a modern coffee table

• Remove the person in the background

• Change shirt color to red

הימנעו מהנחיות ארוכות או מעורפלות.

6. הפעלת הכלי ובדיקת גרסאות

• לחצו Generate כדי שהמערכת תבצע את העריכה.

• תראו 4 גרסאות שונות – עברו ביניהן ובחרו את המוצלחת.

• לא מרוצים? חזרו לסימון, השתמשו ב-Undo/Redo או שנו ניסוח ונסו שוב.

• זכרו: כל הפעלה גובה 0.25 קרדיטים.

7. שמירה – מרוצים? לחצו על סמל ההורדה כדי לשמור את הגרסה המועדפת. הקפידו לשמור גם את הקובץ המקורי לעבודה חוזרת במידת הצורך.

מה עוד תמצאו בממשק Canvas?

חוץ מהאפשרות הבסיסית לערוך תמונה, יש שלושה מצבים נוספים למי שרוצה להפיק תוכן וידאו או להתחיל יצירה חדשה:

Flux Kontext (Prompting)

מצב זה מיועד ליצירת תמונה חדשה לחלוטין לפי תיאור טקסטואלי בעזרת מודל התמונות Flux Kontext – בלי להעלות קובץ קיים. אתם פשוט כותבים הנחיה, בוחרים סגנון או הקשר, והמערכת יוצרת תמונה מקורית מאפס. זה שימושי להפקת השראה מהירה או רעיון ויזואלי גולמי.

Video

כפתור Video מחבר את שלב העריכה הסטטית ב-Canvas לשלב הבא – יצירת סרטון מבוסס על אותה תמונה או אזור שסימנתם. הוא משמש קיצור דרך שמעביר את הפרויקט למודול הוידאו של Higgsfield, שם אפשר להפיק קליפ קצר עם תנועה, זוויות מצלמה והנפשה קולנועית. חשוב: הוידאו לא מתווסף אוטומטית על גבי התמונה בקנבס, אלא נוצר בנפרד ככלי המשך למי שמעוניין להפוך תוכן סטטי לקליפ חי.

Speak

מצב Speak מיועד ליצירת סרטון דיבור של דמות/אווטאר – אפשר לבחור דמות מותאמת אישית ולהקליט או להקליד טקסט שהדמות תדבר אותו, כולל תנועות, הבעות ושליטה קולנועית. זוהי דרך ליצור תוכן וידאו מדבר עם קול ודמות אוטומטיים.

טיפ: לא חייבים להשתמש בכל אלו אם המטרה היא רק לערוך תמונה קיימת – עבור רוב המשתמשים, מצב Product placement הוא הליבה של העבודה.

For creators, brands, freelancers – or simply anyone building affordable content.

Canvas holds your logo, nails your product placement, and controls your shot.

Anything, exactly where you want, one click, Higgsfield Canvas. pic.twitter.com/p4MolbleYj

— Higgsfield AI (@higgsfield_ai) June 17, 2025

כמה זה באמת עולה?

למרות ש-Canvas מציע שימוש ראשוני בגרסה חינמית, בפועל מדובר במודל Freemium שמבוסס קרדיטים ומנויים:

1. מודל קרדיטים:

• כל יצירה דורשת בממוצע 0.25 קרדיטים.

• משתמשים חדשים מקבלים חבילת קרדיטים ראשונית להתנסות.

2. מסלולי מנוי בתשלום (מעודכן להיום):

• Basic (בסיסי): 9 דולר בחודש – כולל 150 קרדיטים, שימוש מסחרי, עבודה עד שני תהליכים במקביל וגישה לגרסת Lite של המודל.

• Pro (פרו):  19 דולר בחודש (במקום 45) – כולל 600 קרדיטים, עבודה עד שלושה תהליכים במקביל, גישה למודל Turbo, כלים נוספים לעריכת מסגרות התחלה וסיום, וגישה ל-Higgsfield Speak.

• Ultimate (אולטימייט): 39 דולר בחודש (במקום 93) – כולל 1,500 קרדיטים (+200 קרדיטים מתנה לחודש הראשון), עבודה עד ארבעה תהליכים במקביל, גישה מוקדמת לפיצ’רים חדשים וכל האפשרויות של התוכנית המורחבת.

בפועל, החבילה החינמית מתפקדת כאסטרטגיית Lead Generation – דרך להכניס משתמשים לפלטפורמת Higgsfield המלאה, שמציעה גם כלים מתקדמים ליצירת וידאו ותוכן דינמי.

מודל התמחור של היגספילד

בשורה התחתונה

Higgsfield Canvas לא נועד להחליף תוכנות עריכה מקצועיות, אלא לתת פתרון זריז ונגיש למשימות עריכה יומיומיות – הוספת פריטים, תיקון אזורים או שדרוג תמונה – בתוך דקות ובמינימום מאמץ. הוא מתאים במיוחד ליוצרי תוכן, משווקים ועסקים קטנים שצריכים תוצאה טובה ומהירה, בלי להסתבך עם לימוד כלי עיצוב כבד או להעסיק מעצב לכל תיקון קטן. למי שמחפש דיוק פיקסל-לפיקסל, חופש אמנותי ועבודה ברמה של סטודיו – כלים ותיקים ומקצועיים נשארים הבחירה הנכונה.

הפוסט Higgsfield משיקה Canvas לעריכת תמונות מבוסס בינה מלאכותית הופיע ראשון בLet's AI בינה מלאכותית

הבעיה הנסתרת בפרומפטים “מושלמים”

בואו נהיה כנים: רוב הפרומפטים נראים חכמים על הנייר – אבל קורסים מיד כשנוגעים במציאות. קחו דוגמה אמיתית לניהול תעדוף פיצ’רים:

“אתה האנליסט שלי לניהול מוצר. אני אצרף טבלה של פיצ’רים שביקשו הלקוחות עם עמודות: פיצ’ר | השפעה על הלקוח (1-5) | מאמץ הנדסי (הערכת מאמץ בפיתוח) | התאמה אסטרטגית (1-5) | תדירות בקשות. חשב ציון עדיפות משוקלל: השפעה 40%, התאמה אסטרטגית 30%, תדירות בקשות 20%, מאמץ (שלילי 10%).”

 

על פניו נראה כמו הנחיה מצוינת, נכון? אבל ככה זה נראה בפועל:

• ציוני ההשפעה הם ניחושים מהבטן.

• צוות הפיתוח מחשב בשעות – לא בהערכות יחסיות של מאמץ.

• יש לכם 50 פיצ’רים, אבל ציונים רק ל-12 מהם.

• נדרשת החלטה מהירה – לא פינג-פונג של גיליונות אקסל.

התוצאה? הבינה המלאכותית מקיאה שטויות או פשוט נתקעת. ובינתיים, מנהל המוצר שלכם מבזבז 3 ימים בלסדר טבלאות שלא דומות למציאות.

איך לכתוב פרומפטים ששורדים כאוס עסקי אמיתי

ניסיתי עשרות פרומפטים כדי למצוא פתרונות ותשובות בסיטואציות עסקיות שונות. נכשלתי לא פעם – ודווקא הכישלונות האלה לימדו אותי מה באמת עובד בשטח. בסוף הכול מתכנס לארבעה כללים פשוטים שמתאימים לעולם האמיתי.

כלל 1: החלטה אחת, לא דשבורד

רוב הפרומפטים נכשלים כי הם מבקשים ניתוחים רחבי היקף במקום תשובה ברורה שאפשר לפעול לפיה מיד. 

במקום:

“צור ניתוח מפורט עם מפות חום, תרחישים ותחזיות לחמש שנים קדימה.”

תשאלו ישירות:

“איזה פיצ’ר כדאי לתעדף ברבעון הבא – A או B? תן לי את הנימוק הכי חזק וסיכון אחד לכל בחירה.”

למה זה עובד? מקבלים תשובה אחת ברורה ומעשית – בלי לטבוע בניתוחים בשם ה-“יסודיות”.

כלל 2: תניחו שהמידע מבולגן ולא שלם

פרומפטים נופלים כשהם מניחים שהמידע שלכם מסודר, שלם ומעודכן עד הפסיק האחרון. במציאות? הוא כמעט אף פעם לא.

במקום:

“נתח קובץ CSV מעוצב ומלא עם כל העמודות הנדרשות.”

כדאי לשאול משהו ריאלי יותר:

“יש לי רשימה לא מסודרת של התלונות המרכזיות של הלקוחות. חלק עם מספרים, חלק בלי. איזה דפוסים אתה מזהה ומה כדאי לתקן קודם?”

למה זה עובד? זה משקף איך עסקים באמת עובדים – מידע חסר, לחץ זמן, והצורך לבחור מה לעשות קודם.

כלל 3: בקשו פעולה, לא רק ניתוח

רוב האנשים מבקשים מהבינה ניתוחים ארוכים, מלאים בגרפים והשלכות אסטרטגיות. זה נשמע מרשים, אבל זה לא מקדם אתכם לשום מקום.

במקום:

 

“תן לי פירוט של מצב השוק, ניתוח מתחרים ו-12 השלכות אסטרטגיות.”

כדאי לבקש משהו ממוקד:

“בהתבסס על הנתונים של המתחרים, מה הדבר הכי חשוב שכדאי לשנות במוצר הבא שלנו?”

למה זה עובד? אתם מקבלים המלצה פרקטית שאפשר ליישם – לא עוד דוח שמעלה אבק במייל.

כלל 4: השתמשו בשפה פשוטה

המון פרומפטים לא עובדים כי אנשים כותבים אותם בשפה מנופחת ומילים מפוצצות. הבינה המלאכותית לא באמת מבינה קלישאות ניהוליות – היא צריכה הוראות ברורות.

במקום:

“גבש תוכנית GTM רב-ערוצית, תוך מיצוי סינרגיות לאופטימיזציית יישור בעלי עניין.”

עדיף להגיד בפשטות:

“איך אפשר להביא יותר לקוחות עם מה שכבר יש לנו?”

למה זה עובד? שפה ברורה = תשובות ברורות. בלי מילים מפוצצות, כנראה שתקבלו יותר תוצאות בשטח.

פרומפטים טובים יותר בפועל

בואו נחבר מחדש כמה דוגמאות קלאסיות:

שיווק: לפני ואחרי

גרסה מושלמת (וחסרת תועלת):

“חלץ את כל המדדים מהגרף הזה, אבחן פערי פייפליין, ואז טיוטה תוכנית H2 מפורטת עם טקטיקות TOFU, MOFU, BOFU ועלייה צפויה של MQL לפי ערוץ.”

גרסה של עולם אמיתי:

“אנחנו 30% מאחורי ביעדי הלידים של Q2. הנה מה שניסינו עד כה: [רשימה]. איזה ערוץ חדש אחד לבדוק החודש הבא ומה דבר אחד להפסיק לעשות היום?”

למה זה עובד? זה מבוסס במציאות, מודה שאתם בפיגור, ושואל מה הצעד שאפשר לעשות היום.

פייפליין מכירות: לפני ואחרי

גרסה מושלמת (וחסרת תועלת):

“העלה קובץ CSV עם פרטי העסקאות: חשבון, גודל עסקה, שלב, ותק, פעילות אחרונה, אזור פעילות, מדד סיכוי. חלק את העסקאות לשלוש רמות: כמעט סגורות, אפשריות, וכל השאר – לפי הערכת הסיכוי להיסגר.”

גרסה של עולם אמיתי:

“אלה 10 העסקאות הגדולות שלי כרגע: [רשימה]. על איזה 3 כדאי להתמקד השבוע, ומה הצעד הכי נכון לכל אחת?”

למה זה עובד? תשכחו ממערכות ניקוד. קבלו מיקוד מיידי איפה שזה חשוב.

תכנון פיננסי: לפני ואחרי

גרסה מושלמת (וחסרת תועלת):

“הדגש פריטי שורה עם שונות >±3%. מדל שני תרחישים ותחזה מחדש רווח והפסד לשנה מלאה.”

גרסה של עולם אמיתי:

“הוצאות השיווק 15% מעל התקציב, המכירות 8% מתחת. אם זה ימשיך, מה הדבר האחד שחובה להתאים לפני סוף השנה?”

למה זה עובד? אתם לא צריכים מודל. אתם צריכים לדעת איזה מנוף למשוך קודם.

מסגרת “טוב מספיק”

השתמשו ברשימת הביקורת הזו לכתוב פרומפטים שהבינה המלאכותית (והצוות שלכם) באמת יטפלו בהם טוב:

תארו את המצב האמיתי שלכם:

“אנחנו בפיגור בלידים…” / “הלקוחות הכי גדולים שלנו מתלוננים על…”

ספרו על הפערים:

“אין לי את כל הנתונים המספריים בשביל זה…” / “כמה פרטים אולי חסרים…”

בקשו פעולה ברורה אחת:

“מה כדאי לעשות קודם?” / “איזה אפשרות הכי טובה היום?”

שמרו על זה פשוט וממוקד:

“ב-2-3 משפטים, מקסימום.”

השורה התחתונה

תפסיקו לרדוף אחרי פרומפטים “מושלמים” למציאות שלא תהיה מושלמת לעולם. פרומפט טוב לא צריך להרשים – הוא צריך לעבוד. תודו במה שחסר או במה שאתם עוד לא יודעים, ותבקשו צעד אחד שאפשר להתחיל איתו כבר עכשיו. זה הכול. ברוב המקרים זה ינצח כל תבנית יפה שמישהו אחר הכין בשבילכם. נסו את זה – ותקבלו תשובה שאפשר באמת להשתמש בה, לא עוד גיליון אקסל שאף אחד לא סומך עליו.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

מחשבה אחרונה

בינה מלאכותית לא תציל אתכם מנתונים מבולגנים. אבל פרומפט ברור וממוקד יכול לחסוך לכם שעות של עבודה מיותרת. תדאגו שהפרומפט שלכם יתאים לעולם האמיתי שלכם – לא להפך. תזכרו: לא צריך להיות מומחה ל-AI כדי לקבל החלטות חכמות מהר. כל מה שצריך זה לשאול שאלות פשוטות, לבקש פעולה אחת, ולעשות את זה שוב מחר – קצת יותר טוב. 

הפוסט איך לכתוב פרומפטים שבאמת עובדים הופיע ראשון בLet's AI בינה מלאכותית

בואו נעשה סדר – מה ההבדל?

מהי בינה מלאכותית?

בינה מלאכותית (AI) היא תחום במדעי המחשב השואף לחקות ולשפר אינטליגנציה אנושית באמצעות מחשבים ומערכות דיגיטליות. מערכות אלה יכולות ללמוד, להסיק מסקנות, לקבל החלטות ולפתור בעיות מורכבות – פעולות שעד לאחרונה נחשבו לנחלת המוח האנושי בלבד. בעזרת מודלים מתקדמים של למידת מכונה, כמו רשתות עצביות ועיבוד שפה טבעית (NLP), AI מסוגלת לנתח כמויות אדירות של מידע, לזהות דפוסים מורכבים ולייצר תובנות חדשות ודינמיות.

בניגוד לטכנולוגיות אחרות, בינה מלאכותית היא מערכת שלומדת כל הזמן. ככל שה-AI נחשף ליותר מידע, כך הוא הופך למדויק יותר ומשפר את יכולותיו לייצר תובנות והמלצות מתקדמות.

מהי אוטומציה?

אוטומציה היא טכנולוגיה אחרת לחלוטין, המתמקדת בביצוע פעולות שגרתיות וחוזרות ללא התערבות אנושית. מדובר במערכת המבצעת באופן קבוע רצפים מוגדרים מראש של פעולות, כגון העברת מידע ממערכת אחת לשנייה, שליחת התראות אוטומטיות, או איסוף וארגון נתונים באופן סדרתי. בשונה מבינה מלאכותית, מערכות אוטומציה כמו Make, Zapier ו-n8n אינן מסתגלות או לומדות בעצמן. הן פועלות בדיוק רב, אך בהתאם לתסריט מדויק שהוגדר מראש. כלומר, אוטומציה מתאימה במיוחד לפעולות קבועות, צפויות, ונטולות פרשנות אנושית.

לפניכם טבלה שמסכמת את ההבדלים המרכזיים בין שתי הטכנולוגיות הללו:

השוואה בין AI לאוטומציה.

איך AI ואוטומציה משתלבות זו בזו?

כאשר אוטומציה ו-AI מתחברות יחד, הן יוצרות “פס ייצור חכם” שבו כל אחת מהטכנולוגיות מביאה לשולחן יתרונות ייחודיים. אוטומציה מספקת דיוק, יעילות ומהירות, ומבטיחה תהליך אחיד ונטול טעויות. מנגד, AI מאפשרת לתהליך להפוך לחכם וגמיש יותר, תוך ניתוח נתונים בזמן אמת, איתור חריגות והפקת המלצות לפעולה. השילוב הזה מאפשר לארגונים להפעיל תהליכים אוטומטיים במהירות, ובמקביל לקבל תובנות אסטרטגיות עמוקות על סמך ניתוח דינמי שמבצעת מערכת ה-AI. זוהי סימביוזה שיכולה להזניק את האפקטיביות והאיכות של משימות הארגון.

יתרונות הליבה של AI

1) יצירת תוכן חדש

הכוח של AI טמון בשלוש יכולות מרכזיות: בין אם זה טקסט, תמונות, או אפילו וידאו, מודלי AI יכולים לייצר תוכן מקורי ברמה גבוהה. תוכן זה יכול להתבסס על האימון המקדים של המודל, על קבצים ומידע שהמשתמש מעלה או מזין למערכת, או על חיבור למערכת ידע ודאטה ארגוני (RAG).

2) שליפת מידע

היכולת לאתר מידע מתוך מאגרי נתונים עצומים בצורה מהירה ומדויקת הופכת את ה-AI לכלי רב עוצמה בארגונים שמנהלים מידע רב.

3) מחקר, חיפוש ואיסוף מידע

בינה מלאכותית מאוד טובה בחיפוש, ביצוע מחקר ואיסוף מידע ומקורות. כמו כן, AI יודע למצוא קשרים סמויים ומגמות מתוך נתונים מורכבים, יכולת חיונית לשיפור ביצועים עסקיים.

השילוש הקדוש – במה בינה מלאכותית טובה?

השילוב בין שלוש היכולות הללו מאפשר הפקת תוצרים איכותיים, אך האתגר המרכזי הוא לבחור את הכלי המתאים ביותר למשימה הספציפית.

מגבלות AI ואיך להתמודד איתן

אוקיי, הבנו במה AI טוב, אבל מה נקודות התורפה של הטכנולוגיה המדהימה הזו? למרות היתרונות הגדולים, ל-AI קיימות גם מגבלות משמעותיות שצריך להיות מודעים אליהן:

מגבלות ה-AI.

מוגבלות בחדשנות עצמאית

מודלים מבוססים על ידע קיים בלבד ואינם יכולים לייצר ידע פורץ דרך בצורה עצמאית.

חלון קונטקסט מוגבל

בינה מלאכותית מוגבלת בעיקף חלון הקונטקסט שלה (חלון הקשר). ה-AI מסוגל לעבד רק כמות מידע מוגבלת בכל פעם. כדי להתמודד עם בעיה זו, יש לפרק מידע ארוך ליחידות קטנות יותר.

הזיות (Hallucinations)

לעיתים AI מייצר עובדות שגויות בביטחון רב. לכן, הכרחי לבצע תמיד בדיקות אמינות.

העדר שיקול דעת וערכים

ה-AI חסר הבנה עמוקה של ערכים אתיים, ניסיון חיים או הקשר מקצועי רחב.

בסופו של דבר, AI הוא כלי עזר שהאחריות על השימוש בו ועל איכות התוצאות נותרת תמיד בידי המשתמש האנושי.

האחריות המקצועית שלנו

השימוש ב-AI מצריך מודל פעולה אחראי, שבו המשתמש האנושי משמש כמבקר איכותי. יש לערוך ולאמת את תוצרי ה-AI לפני השימוש, להגן על פרטיות ולא להעביר נתונים רגישים לספקי AI חיצוניים. מודל “אדם-מכונה” הוא הפתרון האופטימלי, שבו AI משמש כשותף יצירתי, אך לא מחליף את שיקול הדעת האנושי. במודל זה, האדם נשאר המבקר הסופי, המוביל את התהליך באחריות.

טיפים ליישום ולביצוע 

1) שינוי פוזיציה – לעבוד חכם עם AI

הדרך הטובה ביותר להתחיל עם AI היא דווקא להפוך את התפקידים: תנו למערכת לשאול אתכם שאלות מנחות. כך המערכת תבין לעומק את המשימה ואתם תקבלו פתרונות מדויקים יותר ומהר יותר.

2) “תחרות ריצה בין מודלים”

הימנעו מלהסתמך על מודל AI בודד. הפעילו את אותה המשימה במספר מודלים שונים, השוו את התוצאות, ובחרו את הטובה ביותר בכל פעם.

3) עבודה בשלבים – “הפרד ומשול”

פירוק משימות גדולות לתת-משימות קצרות ומדויקות יעזור לכם לשמור על איכות התוצאות, ויקל על ניהול העבודה מול AI.

טיפים לשימוש נכון ב-AI.

מתי נבחר באוטומציה ומתי ב-AI?

• אוטומציה מתאימה כאשר מדובר בפעולות פשוטות, חוזרות וסטטיות: העתקת כותרות מאתרי חדשות, שליחת Action Items במייל או הכנסת לידים ל-CRM. כאן אין צורך בניתוח עמוק; די ברצף קבוע וברור של הוראות לביצוע.

• בינה מלאכותית באה לידי ביטוי במשימות הדורשות ניתוח, הבנה וסינתזה: זיהוי טרנדים, הפקת דוחות מסכמים, בניית תכניות פעולה אישיות או תיעדוף משימות לפי פרופיל משתמש. העבודה שלה היא “לקחת חומר גלם”, להסיק תובנות ולהציע כיווני פעולה.

דוגמאות מהשטח: איך זה נראה ביום-יום

לפניכם רשימת היוזקייסים שהוצגה גם בשיעור – מקרים בהם נבחר באוטומציה ומקרים אחרים בהם נבחר ב-AI:

אוטומציה: משימות חזרתיות, קבועות ונטולות פרשנות

• סריקת אתרי חדשות והעתקת הכותרות לגיליון מאסטר לצורך תיעוד יומי.

• שליחת Action Items אוטומטית במייל לכל חברי הצוות בסוף כל ישיבה.

• העתקת נתוני ליד חדש משירות הטפסים אל CRM, כולל פתיחת משימה לסוכן מכירות.

• משיכת קבצים מצורפים, המרתם ל-PDF ושמירתם בתיקייה עננית ממוספרת לפי תאריך.

• שליפת מידע מאתר החברה, דחיסתו לפוסט קצר ותִזמוןו בכל הרשתות החברתיות בתבנית אחידה.

• הפקת דוחות חודשיים סטטיים (למשל דוח שעות או מכירות) במבנה קבוע.

• ניתוח אוטומטי של תיבת הדואר ב-24 השעות האחרונות והפקת רשימת משימות מיידיות.

• איסוף ביקורות מוצרים והזרמתן לטבלת Google Sheets לצורך מעקב.

• שליחת חשבוניות אוטומטית ללקוחות חוזרים עם חישוב הנחה קבועה.

• גיבוי לילי של מסדי-הנתונים והעלאה ל-S3, כולל התרעה במקרה של כשל.

בינה מלאכותית: משימות הדורשות ניתוח, סינתזה והסקה

יוזקייסים: מתי נשתמש ב-AI ומתי באוטומציה?

שילוב הכוחות: המערכת ההיברידית בפעולה

השילוב בין AI ואוטומציה הוא המפתח לארגונים חכמים ויעילים. החיבור בין הצנרת החכמה (אוטומציה) והמוח הדיגיטלי (AI) יוצר מערכת שמניעה מידע במהירות, תוך הפקת ערך אמיתי. כך ניתן לשפר את האפקטיביות של כל תהליך עסקי, בלי לוותר על האחריות והיצירתיות האנושית. בעתיד הקרוב, מערכת היברידית כזו תמשיך להוות סטנדרט חיוני בארגונים השואפים למצוינות. יש מצב שהבנת הדינמיקה בין AI לאוטומציה, והיכולת להשתמש בשילוב זה בחוכמה, היא אולי האתגר הגדול ביותר לארגונים שרוצים להוביל במאה ה-21.

הפוסט הסימביוזה של AI ואוטומציה – במה נבחר, מתי ומה בעצם ההבדל? הופיע ראשון בLet's AI בינה מלאכותית

היכרות עם Veo 3 ו-Canva AI

פלטפורמת Canva מנסה זה שנים להוריד את “מחסום הכניסה” לעיצוב גרפי ויצירת מצגות, ובשנים האחרונות היא נכנסה חזק מאוד גם לתחום הבינה המלאכותית היוצרת (Gen AI). עכשיו היא מפנה את הזרקור גם לווידאו ג’נרטיבי עם Veo 3 – הדור השלישי של מודלי הוידאו וידאו מבית גוגל (Google). המודל מסוגל לייצר קליפ וידאו באורך של שמונה שניות, עם תנועה ריאליסטית ועם פס קול מדויק. אפשר אפילו להוסיף דיבור בעברית. Canva עטפה את המודל הזה בממשק המוכר והפשוט שלה, כדי שגם מי שמעולם לא ערך וידאו יוכל ליצור תוכן עשיר לשיווק, להוראה או לרשתות חברתיות בלי לצאת מאתר אחד.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס קנבה ובינה מלאכותית

לפרטים נוספים לחצו כאן >>

הגדרות וסביבת עבודה

1) מעבר לתצוגה האנגלית

כדי לראות את האפשרות “Create a Video Clip” ולמנוע שגיאות בממשק, יש לעבור לשפה האנגלית: לוחצים על סמל הפרופיל בצד ימין-עליון > Language > English.

החלפת שפת הממשק ב-CANVA לאנגלית.

2) כניסה ל-Canva AI

• בדף הבית לחצו על כפתור Canva AI בסרגל הצד.
• לאחר מכן בחרו ב-“Create a Video Clip” בחלונית הפרומפטים.

יצירת וידאו עם Veo3 ב-Canva.

3) כתיבת תיאור לסרטון

נכון לעכשיו יהיה עליכם לרשום את התיאור המילולי של הסרטון באנגלית. נסו לפרט: אווירה, תאורה, זווית מצלמה, קצב תנועה, צבעוניות וכו’. ככל שהפרומפט ספציפי יותר – התוצאה חזקה ומדויקת.

4) שילוב טקסט בעברית

כדי שהדמות תדבר עברית, כותבים בתוך הפרומפט משפט כגון:

“The character speaks Hebrew and syas: שלום לכולם, ברוכים הבאים לשיעור בינה מלאכותית”.

5) שילוב פריסטים

היעזרו בכפתורי הסגנון, מימדי התמונה, הפריימינג של האוביקט בשוט וכמובן תאורה. בממשק של קאנבה תמצאו גם דוגמאות שיעזרו לכם להבין מה תהיה ההשפעה של כל פרמטר כזה על הסרטון הסופי.

שימוש בפריסטים ב-Veo3 בתוך Canva.

6) ג’ינרוט הסרטון

לסיום, לחצו על החץ (Submit) והמתינו מספר שניות/דקות לסיום יצירת הסרטון שלכם.

7) המשך עיבוד הסרטון

לאחר ש-Veo3 יסיים, תוכלו להשתמש בתיבת השיחה כדי לבקש מ-Veo3 לבצע שינויים בסרטון (חשוב לציין שהשינויים ייושמו על סרטון חדש לגמרי, שלא יהיה זהה אחד לאחד לסרטון המקורי.

אופציה נוספת היא לחיצה על Use in canva editor. פה תוכלו לערוך את הסרטון, לחתוך את נקודת הסיום, לשכפל שכבות, להוסיף מעברים או סאונד, ולהטמיע אלמנטים גרפיים מהמאגר של Canva. אפשר אפילו לגזור לדמות שיצרתם בוידאו את הרקע, בעזרת כפתורי העריכה המתקדמים של Canva.

עיבוד הסרטון שיצרתם עם Veo3 ב-Canva.

מגבלות, רישיונות ועלויות

כל משתמש Pro מקבל חמש סרטונים בחודש. משדרגים ל-Teams או Enterprise? המכסה עולה ל-50, ואפשר להגיש בקשה להגדלה דרך Support. בחשבונות Education הפיצ’ר כבוי זמנית – Canva הודיעה כי היא בודקת מודל תמחור נפרד למוסדות חינוך.

מבחינה משפטית, התוכן נכלל ברישיון One Design Use של Canva: מותר לפרסם, למכור, לשתף ברשתות או להטמיע באתר כל עוד אין הפרה של סימן מסחר קיים. Canva Shield סורקת קבצים ומתייגת סצנות אלימות או פורנוגרפיות, ומנטרלת אותן לפני ההורדה.

הפוסט Veo3 מגיע ל-Canva הופיע ראשון בLet's AI בינה מלאכותית

מה זה בדיוק MCP?

רוב מודלי הבינה המלאכותית (לפחות עד לא מזמן) היו כמו חוקרים מבריקים הכלואים בספרייה עם ספרים ישנים בלבד. הם יודעים הרבה, אבל לא יכולים לראות מה קורה בחוץ או לתקשר עם העולם המודרני סביבם. בדיוק כאן MCP נכנס לתמונה – תקן פתוח שפותח על ידי Anthropic ושוחרר בנובמבר 2024, שמאפשר לבינה המלאכותית להתחבר בקלות ובאופן סטנדרטי למערכות חיצוניות.

תחשבו על MCP כמתרגם אוניברסלי בין בינה מלאכותית לכל השאר. אתם יודעים איך יציאות USB-C עובדות עם כמעט כל מכשיר? MCP עושה משהו דומה למערכות בינה מלאכותית – הוא יוצר דרך סטנדרטית לבינה מלאכותית להתחבר עם כלים חיצוניים, מקורות נתונים ויישומים.

דמיינו שעוזר הבינה המלאכותית שלכם הוא כמו סטאז’ר חכם מאוד שעבד בבידוד. בלי MCP, בכל פעם שאתם רוצים שהסטאז’ר הזה יגש למערכת חדשה – האימייל שלכם, כלי ניהול הפרויקטים שלכם, מסד הנתונים של החברה שלכם – מישהו צריך לבנות גשר מותאם אישית. עם MCP, זה כמו לתת לסטאז’ר שלכם מפתח ראשי שעובד עם כל מערכת שעוקבת אחר אותו תקן. פתאום, הבינה המלאכותית שלכם יכולה לקרוא את הקבצים שלכם, לבדוק את היומן שלכם, לשלוף נתונים מ-APIs, ואפילו לשלוט בתוכנות אחרות – הכל דרך שיטת חיבור סטנדרטית אחת.

למה זה כל כך משנה?

זה מבטל את סיוט האינטגרציה

עד עכשיו, לגרום לבינה מלאכותית לעבוד עם הכלים הקיימים שלכם היה כמו לנסות לחבר סמארטפון מודרני למדפסת משנות ה-90. הנה מה שהופך את MCP למהפכני: לפני MCP, מפתחים היו צריכים ליצור חיבורים מותאמים אישית לכל כלי או מקור נתונים בודד (דרך APIs). זה לא רק חוסך זמן אלא גם מבטיח אינטראקציות יותר עקביות ואמינות, כי הבינה המלאכותית מקבלת מידע בפורמט סטנדרטי בכל פעם.

הבינה המלאכותית הופכת לבאמת שימושית בעולם האמיתי

במקום רק לענות על שאלות על בסיס נתוני אימון ישנים, הבינה המלאכותית שלכם יכולה עכשיו לגשת למידע חי, לקיים אינטראקציה עם הכלים שלכם, ולבצע פעולות אמיתיות.

זה יוצר מגרש משחקים שוויוני

כש-MCP הוא קוד פתוח, חברות קטנות ומפתחים פרטיים יכולים לבנות אינטגרציות בינה מלאכותית באותה יעילות כמו ענקי הטכנולוגיה. היתרונות של קוד פתוח כאן מעבר לעצם הנגישות – קהילת מפתחים יכולה לשתף פעולה ולשפר את התקן, האבטחה שקופה כי כל אחד יכול לבדוק את הקוד, ואם יש בעיה או באג, אלפי עיניים יכולות לזהות ולתקן אותם מהר יותר מכל חברה פרטית.

למה MCP ולא פתרונות אחרים?

לדוגמה, אם תרצו לחבר בינה מלאכותית ל-Gmail, ל-Slack ול-CRM שלכם, תצטרכו בדרך כלל לבנות שלוש אינטגרציות נפרדות, כל אחת עם API ושיטה שונה. לעומת זאת, MCP מאפשר לכם אינטגרציה אחידה, מהירה וקלה יותר, שמפשטת את התהליך ותחסוך לכם זמן ומשאבים.

שלושת העמודים של MCP

MCP מתבסס על שלושה רכיבים עיקריים שעוזרים לבינה המלאכותית לפעול ביעילות בעולם האמיתי:

כלים

פעולות שהבינה המלאכותית יכולה לבצע, כמו כתיבת קבצים, קריאות API, שליחת אימיילים, ואפילו שליטה במכשירי בית חכם.

משאבים

מקורות המידע שהבינה המלאכותית יכולה לגשת אליהם – מסמכים, מסדי נתונים, דפי אינטרנט וכל מקור מידע אחר.

הנחיות

תבניות מוכנות מראש שמפשטות ומשפרות את האופן שבו הבינה המלאכותית מבצעת משימות מורכבות.

איך MCP באמת יועיל לכם?

לאנשי מקצוע: דמיינו עוזר בינה מלאכותית שמסנן את האימיילים שלכם, בודק אם פרויקט מתקדם לפי התכנון, מעדכן את ה-CRM ומפיק דוחות – והכול קורה בזמן שאתם מתמקדים בעבודה החשובה באמת.

למפתחים: במקום לבנות אינטגרציות חדשות לכל מערכת, כותבים חיבור אחד בעזרת MCP – וזה עובד מול כלים שונים באותה שיטה. פחות זמן על קוד חיבורים, יותר זמן על פיתוח תכונות חכמות.

לעסקים: קל יותר להטמיע בינה מלאכותית בתוך מערכות קיימות, בלי לשפץ הכול מחדש. מקבלים דוחות אוטומטיים עם שקיפות מלאה על המידע ששימש כל החלטה.

האפשרויות לא נגמרות כאן – MCP הופך את החיבור בין הבינה המלאכותית לעולם האמיתי ליעיל, מאובטח וזמין לכל מי שרוצה להפיק יותר מהנתונים והכלים שלו.

מה חשוב לדעת לפני שקופצים פנימה

MCP פותח דלת לעולם חדש של אינטגרציות חכמות, אבל כדי להפיק ממנו את המקסימום, חשוב לדעת מה מצריך תשומת לב:

1. מאמץ התקנה ואינטגרציה ראשוני: גם כשיש תקן אחיד, בהתחלה תידרשו להתאים מערכות קיימות או לבנות מחברים תואמים. ההשקעה הזו משתלמת לטווח הארוך.

2. בגרות טכנולוגית: MCP שוחרר רק בסוף 2024, והמערכת סביבו עדיין מתפתחת. בהתחלה ייתכן שתצטרכו יותר התאמות ידניות – מצד שני, זה פתח ליתרון תחרותי למי שמאמץ מוקדם.

3. קונטקסט חכם: העובדה שהבינה המלאכותית יכולה לגשת להכול לא אומרת שכדאי. תכננו מראש אילו נתונים באמת חשובים כדי לשמור על יעילות ותוצאות ממוקדות.

4. ממשל נתונים ואבטחה: ל-MCP יש מנגנוני אבטחה מובנים – אימות משתמשים, הרשאות מפורטות והצפנה. דמיינו מערכת מפתחות חכמה: אתם מחליטים מי מקבל גישה למה, והמערכת דואגת לפתוח דלתות רק למי שמורשה.

5. ניהול שינוי ארגוני: כשבינה מלאכותית הופכת לחכמה יותר, גם תהליכי העבודה משתנים. הצלחה תלויה בשיתוף פעולה, בהכשרת צוותים ובהתאמה הדרגתית של שיטות העבודה.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

השורה התחתונה

MCP הוא לא עוד טרנד – הוא באמת משנה את הכללים. זה ההבדל בין צ’אטבוט שמדבר יפה לבין עוזר חכם שבאמת עושה בשבילכם עבודה אמיתית. הפרוטוקול הזה פותר את המחסום הכי גדול בדרך לאימוץ בינה מלאכותית: חיבור פשוט ובטוח לכלים ולמידע שלכם. זה לא קסם – צריך לדעת איך להטמיע ולהגדיר את זה נכון. אבל מי שמתחיל עכשיו, בונה לעצמו יתרון ברור על פני המתחרים. השאלה היא לא אם MCP ישנה את הדרך שבה אתם עובדים – אלא מתי תבחרו להשתמש בו לטובתכם. וזה קורה מהר, מהר מאוד.

הפוסט מה זה MCP ולמה זה חשוב לכם? הופיע ראשון בLet's AI בינה מלאכותית

קצת רקע על TimeOS – מה זה בכלל ולמה זה חשוב

TimeOS הוא עוזר אישי שמתחבר לפלטפורמות הפגישות שלכם (Zoom, Google Meet, Microsoft Teams) ומקליט ומסכם פגישות באופן אוטומטי. הכלי מתואם עם היומן שלכם, יוצר סיכומי פגישות, מזהה action items ואפילו כותב follow-up emails. הבעיה היא שרוב האנשים מקבלים סיכומים גנריים שנראים בדיוק אותו דבר לכל פגישה. פגישת מכירות מקבלת אותו פורמט כמו פגישת צוות, וזה לא עוזר לאף אחד להתקדם.

למה זה קורה? כי TimeOS לא יודע מה אתם רוצים להפיק מהפגישה. הוא רק מנסה לנחש מהתמלול, ובסוף נותן לכם “סיכום כללי של מה שדיברתם”. זה כמו לבקש ממתמחה לכתוב דוח על פגישה שהוא לא הבין מה המטרה שלה.

למה כדאי להשקיע באיפיון טמפלייטים ב-TimeOS

לפני שאתם קופצים להסבר הטכני, חשוב שתבינו למה בכלל כדאי להשקיע זמן בזה:

1. חיסכון זמן אמיתי – במקום 30 דקות של כתיבת סיכום אחרי כל פגישה, אתם מקבלים סיכום מובנה תוך דקותיים.
2. סיכומים שבאמת משתמשים בהם – כשהסיכום מתמקד בדברים שחשובים לכם, הצוות באמת חוזר אליו.
3. תובנות אמיתיות – אפשר להוציא מהפגישות שלנו תובנות הרבה יותר משמעותיות מסיכום פשוט
4. תוצרים – אם נתאים אישית את הסיכומים, נוכל להוציא מהם תוצרים כמו הצעות מחיר, פוסטים ללינקדאין, מיילים, ניסוחים להודעות ווטסאפ ועוד.
5. אינטגרציה עם כלי העבודה – TimeOS מתחבר לכלים כמו Monday.com, Notion, Slack ו-CRM שלכם, אז המידע מהפגישות הופך לחלק מתהליך העבודה.

שלב 1: זיהוי ואיפיון סוגי הפגישות שלכם

לפני שאתם רצים לבנות טמפלייטים, אתם צריכים להבין איזה סוגי פגישות יש לכם. זה לא “פגישות עבודה” – זה הרבה יותר ספציפי.

תהליך הזיהוי – 4 שלבים פשוטים:

שלב 1.1: רשימת סוגי הפגישות פתחו את היומן שלכם ותסתכלו על השבועיים האחרונים. כתבו רשימה של כל סוגי הפגישות שיש לכם:

• פגישות צוות שבועיות
• שיחות מכירות עם לקוחות
• פגישות איפיון מוצר
• ישיבות ניהול
• שיחות עם ספקים
• מפגשי הכשרה וכו’

שלב 1.2: זיהוי פגישות חוזרות מתוך הרשימה, סמנו את הפגישות שחוזרות לפחות פעם בשבועיים. אלה הפגישות שכדאי לכם להשקיע בהן טמפלייט.

שלב 1.3: תעדוף לפי חשיבות סדרו את הרשימה לפי:

• כמה זמן אתם מבזבזים על כתיבת סיכום אחרי הפגישה
• כמה חשוב שהסיכום יהיה מדויק ושימושי
• האם אנחנו רוצים להוציא תובנות מהפגישות האלו
• כמה אנשים נמצאים בפגישה

שלב 1.4: בחירת הפגישה הראשונה בחרו את הפגישה שבמקום הראשון ברשימה. התחילו איתה, ורק אחרי שהטמפלייט עובד טוב תעברו לסוג הבא.

נניח ובחרנו: Sales Discovery Calls – פגישת מכירה ראשונה עם לקוח פוטנציאלי.

שלב 2: איפיון עמוק של סוג הפגישה עם AI

עכשיו שבחרתם את סוג הפגישה הראשון, אתם צריכים להבין בדיוק מה קורה בפגישות האלה. כאן AI יכול לעזור לכם בצורה מדהימה.

תהליך האיפיון עם Claude בחמישה שלבים:

שלב 2.1: איסוף תמלולים קיימים אם יש לכם כבר הקלטות מ-TimeOS:
לכו לאותו סוג פגישה
העתיקו את התמלול של 3-4 פגישות מהסוג הזה
שמרו אותם בקובץ טקסט.

שלב 2.2: הכנת הפרומפט ל-Claude פתחו שיחה חדשה ב-Claude ותכתבו משהו כמו:

אני מצרף לך שלושה תמלולים של פגישת ניהול שבועית שלנו.
אני רוצה שתנתח אותם ותעזור לי להבין:

1. מה המבנה הקבוע של הפגישה הזאת?
2. מי בדרך כלל המשתתפים ומה התפקיד של כל אחד?
3. על מה הם מדברים לרוב?
4. מה המטרות של הפגישה?
5. איזה תוצרים אנחנו רוצים להפיק ממנה?

תנסה להיות כמה שיותר ספציפי ומדויק.

שלב 2.3: הדביקו את התמלולים יחד עם הפרומפט ותלחצו Enter.

שלב 2.4: בחינה ביקורתית של התוצאה Claude ייתן לכם ניתוח מפורט. קראו אותו ובדקו:
האם זה נכון? האם הוא הבין נכון את הפגישה?
מה חסר? איזה מידע חשוב הוא לא זיהה?
איזה פרטים לא מדויקים?

שלב 2.5: שיפור וחידוד תגיבו ל-Claude עם תיקונים והוספות. למשל:

נכון בערך, אבל יש כמה דברים שלא מדויקים:
– בפגישה אנחנו מציגים ללקוח יכולות טכניות של המוצר
– הלקוח לרוב מכיר כבר את המוצר שלנו, תראה לנו מה חידשנו לו
– המטרה העיקרית היא להציג ללקוח את הערך שהוא יקבל מהמוצר שלנו.

דוגמה של תוצר מוגמר:

אחרי התהליך קיבלנו איפיון כזה:
Sales Discovery Calls – שיחות גילוי מכירות
משתתפים: נציג מכירות מצד החברה “XX”, איש קשר ראשי מצד הלקוח (לעתים גם בעלי תפקידים נוספים)
מבנה הפגישה: נציג המכירות מציג בקצרה את החברה והמוצר, שואל על צרכי הלקוח ואתגרים, מבין את המצב הנוכחי ואת מה שהלקוח רוצה להשיג. הלקוח מתאר את הבעיות שלו ואת מה שהוא מחפש בפתרון.

מטרה: להבין אם יש התאמה בין המוצר לצרכי הלקוח, לזהות נקודות כאב שהמוצר פותר, ולקבוע צעדים הבאים בתהליך המכירה.
*אפשר ומומלץ להרחיב יותר אם אפשר – אבל אל תעמיסו במידע לא רלוונטי.

שלב 3: בניית הקונטקסט המושלם ב-TimeOS

עכשיו שיש לכם הבנה ברורה של הפגישה, צריך להכניס את המידע הזה ל-TimeOS. הקונטקסט זה מה שנותן ל-AI את היכולת להבין איך לעבד את התמלול.

תהליך בניית הקונטקסט – 4 שלבים:

שלב 3.1: כניסה להגדרות טמפלייטים

• לכו ל-Settings ב-TimeOS
• לחצו על AI Templates
• לחצו על Create Your Own

שלב 3.2: הגדרת Template Automation בשדה “Template Automation” תכתבו את המילות המפתח שיזהו את הפגישה. למשל:

• Sales Discovery
• Discovery Call
• שיחת מכירות

חשוב: TimeOS יזהה את הפגישה לפי הכותרת שלה ביומן. תוודאו שהצוות שלכם יודע להשתמש במינוח הזה.

שלב 3.3: כתיבת הקונטקסט בשדה “Context” תכתבו תיאור מפורט של הפגישה בהתבסס על האיפיון שעשיתם עם Claude. למשל:

Sales Discovery Call היא שיחת מכירות ראשונית עם לקוח פוטנציאלי של-[שם החברה].
הפגישה כוללת נציג מכירות מצד החברה ואיש קשר ראשי מצד הלקוח.

בפגישה נציג המכירות מציג בקצרה את החברה והמוצר, שואל על צרכי הלקוח
ואתגרים, מבין את המצב הנוכחי ואת מה שהלקוח רוצה להשיג. הלקוח מתאר
את הבעיות שלו ואת מה שהוא מחפש בפתרון.

המטרה: להבין אם יש התאמה בין המוצר לצרכי הלקוח, לזהות נקודות כאב
שהמוצר פותר, ולקבוע צעדים הבאים בתהליך המכירה.

שלב 3.4: בדיקת מגבלת התווים TimeOS מוגבל ל-10,000 תווים בקונטקסט. אם אתם חורגים, תקצרו ותתמקדו בדברים הכי חשובים.

שלב 4: הגדרת בלוקי הסיכום

כאן קורה הקסם האמיתי. במקום סיכום כללי, אתם בונים בלוקים ספציפיים שכל אחד עונה על שאלה מדויקת.

תהליך בניית הבלוקים – 6 שלבים:

שלב 4.1: זיהוי המידע החשוב חזרו לאיפיון שעשיתם עם Claude ושאלו את עצמכם:

• איזה מידע אני רוצה להפיק מהפגישה הזאת?
• מה הדברים שהכי חשוב לי לזכור?
• איזה החלטות התקבלו?
• מי צריך לעשות מה?

שלב 4.2: הגדרת בלוקים עם Claude פתחו שיחה חדשה ב-Claude והכניסו את התיאור של הפגישה שיצרתם. בקשו ממנו:

בהתבסס על התיאור הזה של הפגישה, אני רוצה שתעזור לי להגדיר
בלוקי סיכום. לכל בלוק אני רוצה:
1. כותרת ברורה
2. הוראה ספציפית למה צריך להיכלל בבלוק הזה

המטרה היא לקבל סיכום מובנה שעוזר לצוות להתקדם.

שלב 4.3: בחירת 3-5 בלוקים לא תכניסו 15 בלוקים בפעם הראשונה. התחילו עם 3-5 הכי חשובים.

שלב 4.4: יצירת הבלוקים ב-TimeOS לכל בלוק:

• לחצו על “Add Block”
• בחרו “Create Your Own”
• תכתבו את הכותרת ב-“Section Title”
• תכתבו את ההוראה ב-“Instructions”.

שלב 4.5: ניסוח הוראות ברורות ההוראות צריכות להיות ספציפיות וברורות. לא “תסכם מה דיברו על מכירות” אלא “לכל מוצר, הצג את מספר הלידים החדשים השבוע ואת מספר העסקאות שנסגרו”.

שלב 4.6: הוספת בלוק מיילים (אופציונלי) בסוף תוכלו להוסיף בלוק “Follow-up Email” שיכתוב מייל מוכן לשליחה עם הנקודות העיקריות.

שלב 4.7: הוספת ויזואליזציה (אופציונלי) – תוכלו לבקש ממנו לייצר טבלאות או תרשימים.

דוגמה לבלוקים מוגמרים:

עבור פגישת Sales Discovery Call, אלה הבלוקים שבנינו:

בלוק 1: Lead Summary

הוראה: תסכם את הפרטים הבסיסיים של הלקוח: שם החברה, גודל החברה, תחום פעילות, ושם איש הקשר ותפקידו.

בלוק 2: Current Situation & Pain Points

הוראה: תתאר את המצב הנוכחי של הלקוח, הבעיות שהוא חווה, והאתגרים שהוא רוצה לפתור. התמקד במה שהלקוח אמר ישירות.

בלוק 3: Product Fit Analysis (אם אנחנו משתמשים בזה, חשוב להכניס בקונטקסט מה המוצר שלנו, או להתבסס בלבד על מה שנאמר תוך כדי הפגישה)

הוראה: בהתבסס על מה שהלקוח תיאר, תנתח איך המוצר שלנו יכול לעזור לו. תציין התאמות ספציפיות ופונקציונליות רלוונטיות.

בלוק 4: Next Steps & Follow-up

הוראה: רשום את הצעדים הבאים שסוכמו בפגישה, מי צריך לעשות מה ועד מתי, ומה המועד לפגישה הבאה אם נקבע.

בלוק 5: Interest Level & Timeline

הוראה: הערך את רמת העניין של הלקוח (גבוהה/בינונית/נמוכה) והזמנים שלו לקבלת החלטה, בהתבסס על מה שהוא אמר בפגישה.

אופציה נוספת לעבודה עם ה Builder על הבלוקים

בנוסף לתהליך ההגדרה הידני דרך הגדרות ה-AI Templates, קיים ב-TimeOS כלי עוצמתי בשם Builder שנועד לייעל את תהליך בניית הטמפלייטים. ה-Builder מאפשר לכם לבנות ולאפיין טמפלייטים בלייב (בזמן אמת), תוך כדי שאתם רואים באופן מיידי כיצד התוצאות ייראו בפועל על פגישה. בניגוד לעבודה ישירה בהגדרות ה-AI Templates, שם לא ניתן להריץ את התבנית על פגישה אמיתית ולראות את התוצאות מראש, ה-Builder מאפשר לכם לתקן, לשנות ולחדד את הקונטקסט והבלוקים בזמן אמת עד שתקבלו את התוצר הרצוי לכם.

לדוגמה, תוכלו לכתוב הנחיה ל-AI בשפה טבעית, לראות את הפלט, ולשנות את ההנחיה באופן מיידי כדי לשפר את התוצאה. לאחר שהטמפלייט עומד בציפיותיכם, תוכלו לשמור אותו כטמפלייט קבוע וזמין לשימוש חוזר בפגישות הבאות, ובכך לחסוך זמן רב בתהליך האפיון והבדיקה. שקלוד מאפשר איפיון מעמיק וניתוח של מספר תמלולים, ושילוב האידיאלי הוא לאפיין לעומק עם קלוד ולאחר מכן לעבור ל-Builder כדי לבנות את חלוקת הבלוקים ולשכלל אותם בלייב.

שלב 5: בדיקה ושיפור הטמפלייט

אחרי שיצרתם את הטמפלייט, אל תניחו שהוא מושלם. תהליך השיפור הוא חלק בלתי נפרד.

תהליך הבדיקה – 4 שלבים:

שלב 5.1: ריצת טסט על פגישה קיימת קחו הקלטה של פגישה מהסוג הזה שכבר יש לכם והריצו עליה את הטמפלייט החדש. איך עושים זאת:

• לכו לפגישה קיימת ב-Notes
• לחצו על “Template” בצד שמאל
• בחרו את הטמפלייט החדש שיצרתם.

שלב 5.2: הערכת התוצאה קראו את הסיכום החדש ושאלו את עצמכם:

• האם המידע נכון ומדויק?
• האם הבלוקים מכילים את המידע שאני רוצה?
• האם חסר משהו חשוב?
• האם יש מידע מיותר?

שלב 5.3: שיתוף עם הצוות שלחו את הסיכום לכמה אנשים מהצוות ובקשו פידבק:

• מה שימושי?
• מה לא ברור?
• איזה מידע חסר?

שלב 5.4: שיפור הטמפלייט בהתבסס על הפידבק, תתקנו את הטמפלייט:

• תשנו הוראות שלא עבדו טוב
• תוסיפו בלוקים חסרים
• תמחקו בלוקים מיותרים.

דוגמה לשינוי שנוכל לעשות:

בפעם הראשונה, הטמפלייט יצר בלוק “Technical Requirements” שהיה לא מדויק – הוא כלל פרטים טכניים שלא נדונו בפגישה או שנדונו באופן כללי. הבנו שבשיחות Discovery לא נכנסים לפרטים הטכניים, אלא מתמקדים בצרכים העסקיים. החלפנו את הבלוק הזה ב-“Business Impact” שהתמקד בערך העסקי שהלקוח מחפש להשיג.

שלב 6: אינטגרציה עם כלי העבודה שלכם

עכשיו שהטמפלייט עובד טוב, הגיע הזמן לחבר אותו לכלי העבודה שלכם כדי שהמידע לא יישאר ב-TimeOS.

תהליך האינטגרציה למערכות עבודה:

שלב 6.1: זיהוי המערכת המתאימה לאן אתם רוצים שהסיכומים יגיעו?

• Monday.com (לניהול פרויקטים ומשימות)
• Notion (למידע ארגוני)
• Slack (לעדכונים מהירים)
• Google Docs (לאחסון מסמכים)

שלב 6.2: הגדרת האינטגרציה ב-TimeOS

• לכו ל-Settings → Integrations
• בחרו את הכלי הרלוונטי
• עקבו אחרי הוראות החיבור
• תבחרו פרטים דינמיים להכניס למערכת בעזרת “@” (שימו לב לבחור ב custom summary)
• עכשיו הסיכומים שלכם ייכנסו אוטומטית למערכת יחד עם הפרטים הדינמיים

שלב 6.3: הגדרת אוטומציות (רמה מתקדמת) אם אתם עובדים עם Make/Zapier/N8N, תוכלו להגדיר:

• יצירת איטם חדש לכל סיכום פגישה
• חילוק Action Items למשימות נפרדות עם אחראים
• עדכון סטטוס פרויקטים בהתבסס על הסיכומים
• אוטומציות נוספות שקורות בסיום פגישה ויצירת הסיכום במערכת שלכם

דוגמה מעשית – אינטגרציה עם Monday:

הגדרנו שכל סיכום Sales Discovery Call יועבר אוטומטית לבורד “Sales Pipeline” ב-Monday. כל לקוח חדש הפך ללקוח במערכת עם כל הפרטים שנאספו בשיחה – חברה, איש קשר, נקודות כאב, רמת עניין וצעדים הבאים. התוצאה: במקום 30 דקות של הכנסת נתוני לקוח ל-CRM, הכל קורה אוטומטית.

את התחום הזה אפשר לקחת עוד רחוק מאוד, אולי נכניס את זה למדריך הבא

שלב 7: העתקת התהליך לסוגי פגישות נוספים

אחרי שהטמפלייט הראשון עובד טוב, תוכלו להתחיל לעבוד על סוגי פגישות נוספים.

תהליך ההעתקה – 3 שלבים:

שלב 7.1: בחירת הפגישה הבאה חזרו לרשימה שיצרתם בשלב 1 ובחרו את הפגישה הבאה בסדר העדיפויות.

שלב 7.2: שימוש בתהליך המוכח עברו על אותם שלבים בדיוק:

• איפיון עם Claude
• בניית קונטקסט
• יצירת בלוקים
• בדיקה ושיפור

שלב 7.3: שיתוף ידע בצוות ככל שאתם בונים יותר טמפלייטים, תשתפו את הצוות בשיטה. תלמדו אותם איך לכתוב כותרות פגישות שTimeOS יזהה, ואיך להשתמש בסיכומים החדשים.

טיפים מתקדמים להצלחה עם TimeOS

טיפ 1: השתמשו במילות מפתח עקיבות

תוודאו שכל הצוות משתמש באותם שמות לפגישות. אם החלטתם על “Sales Discovery” אז כולם צריכים לכתוב את זה בדיוק ככה ביומן.

טיפ 2: התאמה לארגון

תנו ל TimeOS הסבר על הארגון שלכם במידת הצורך. זה יעזור לו לדייק את התוצרים.

טיפ 3: שימוש בויזואליזציה

בבלוקים מתאימים, תבקשו מ-TimeOS גם ויזואליזציה. למשל: “תציג את הנתונים גם בטבלה מסודרת” או “תיצור גרף של ההתקדמות השבועית”.

טיפ 4: הכשרת הצוות

תעשו סדנה קצרה לצוות שמסבירה איך להשתמש בטמפלייטים החדשים ומה התועלת שלהם. כולם צריכים להבין למה זה טוב גם להם.

טיפ 5: מעקב ושיפור תמידי

כל חודש תסתכלו על הסיכומים שקיבלתם ותשאלו את הצוות: מה עובד? מה לא? איך אפשר לשפר?

בעיות נפוצות ואיך לפתור אותן

בעיה 1: TimeOS לא מזהה את הפגישה

פתרון: בדקו שהכותרת של הפגישה ביומן מכילה בדיוק את המילות המפתח שהגדרתם ב-Template Automation.

בעיה 2: הסיכום לא מדויק

פתרון: תשפרו את הקונטקסט. תוסיפו פרטים על מי המשתתפים ועל מה בדרך כלל מדברים.

בעיה 3: הבלוקים ריקים או לא רלוונטיים

פתרון: תשנו את ההוראות להיות יותר ספציפיות. במקום “תסכם את החלק על מכירות” תכתבו “תציג את מספר הלידים החדשים ואת השלבים של 3 הדילים הגדולים”.

בעיה 4: יותר מדי מידע או מעט מדי

פתרון: תתאמו את רמת הפירוט בהוראות. תוסיפו “תהיה קצר ותמציתי” או “תרחיב ותן דוגמאות”.

בעיה 5: הצוות לא משתמש בסיכומים

פתרון: תשאלו אותם למה. בדרך כלל זה כי הסיכום לא מכיל מידע שימושי עבורם. תתאמו את הבלוקים לצרכים שלהם.

הצעד הבא: איך להתחיל היום

אם הגעתם עד כאן, אתם כנראה משוכנעים שזה שווה לנסות. הנה בדיוק מה תעשו עכשיו:

היום:

1. רשמו רשימה של 5 סוגי הפגישות הכי נפוצים שלכם
2. בחרו את הפגישה שגוזלת לכם הכי הרבה זמן לסיכום
3. אם יש לכם תמלולים קיימים ב-TimeOS, העתיקו 2-3 מהם

מחר: 4. פתחו Claude ותעשו את תהליך האיפיון (שלב 2) 5. תצרו טמפלייט חדש ב-TimeOS עם הקונטקסט והבלוקים (שלבים 3-4)

בשבוע הבא: 6. תבדקו את הטמפלייט על פגישה חדשה 7. תקבלו פידבק מהצוות ותשפרו 8. תתחילו לעבוד על סוג הפגישה הבא

זכרו: אל תנסו לעשות הכל בבת אחת. התחילו עם פגישה אחת, תעשו אותה טוב, ואז תעברו הלאה.

למי שעוד לא משתמש ב-TimeOS

אם אתם קוראים את המדריך הזה ועוד לא משתמשים ב-TimeOS, זה הזמן להתחיל. הכלי עובד עם כל פלטפורמות הפגישות (Zoom, Google Meet, Teams) ויש גרסה חינמית שמתאימה להתחלה. התכונות העיקריות כוללות הקלטה אוטומטית, יצירת סיכומים מותאמים אישית, זיהוי Action Items ואינטגרציה עם כלי עבודה כמו Monday, Notion ו-Slack. המשמעות היא שאתם יכולים להתחיל להשתמש בטכניקות שתיארתי במדריך הזה מיד, ללא השקעה כספית גדולה.

הפוסט המדריך השלם להפקת ערך אמיתי מ-TimeOS (במקום סיכומים גנריים שאף אחד לא קורא) הופיע ראשון בLet's AI בינה מלאכותית

כשהמוח המלאכותי מתפקד כמו צוות

במקום סוכן בינה מלאכותית אחד שנותן תשובות שטחיות, Anthropic מציעה מערכת שבה כמה סוכנים עובדים יחד. דמיינו ששואלים שאלה על שוק הפאנלים הסולאריים בישראל – במקום תשובה כללית, תקבלו צוות וירטואלי: אחד ינתח דוחות כספיים, אחר יבדוק תקנות, שלישי יחפש מה עושים המתחרים. זה צורך פי 15 יותר משאבים (לפי Anthropic עצמה) – אבל מחזיר לכם ניתוח עומק ברמה של מומחה.

למה לשלם יותר ועדיין לחסוך

אולי זה נשמע יקר, אבל תעשו חשבון פשוט: אנליסט אמיתי שיעבוד יום שלם על מחקר כזה יעלה לכם לפחות 400 דולר. המערכת של Anthropic עושה את זה בכמה דקות ובעלות של בערך 15 דולר. יקרה פי 15 מצ’אט רגיל – אבל זול פי 20 מאדם אמיתי. ככה נולד תחום חדש: שירותי בינה מלאכותית פרימיום – לא הכי זולים, אבל חוסכים שעות עבודה אמיתיות.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

איך עוצרים את הכאוס

על הנייר זה נשמע מצוין, אבל בפועל – בהתחלה, כשבדקו את זה – המערכת התנהגה כמו צוות לא מנוהל: כל סוכן יצר תתי-סוכנים, חיפש מידע שלא קיים ובזבז משאבים. הפתרון היה פשוט וחכם – בדיוק כמו בצוות אנושי: מינו “מנהל פרויקט” שמפקח על כל השאר, קובע אסטרטגיה, מחלק משימות ועושה סדר.

כך זה נראה בפועל:  בתרשים של Anthropic רואים איך סוכן מוביל יוצר תתי-סוכנים שמבצעים חיפושים ובונים יחד דו”ח מסודר:

איך עובדת מערכת המחקר הרב-סוכנית. Credit: Anthropic

פרדוקס פשוט: מתי זה עובד ומתי לא

המערכת הזו מצטיינת במשימות שאפשר לפרק לחלקים – סקירת שוק, בדיקת ספקים, קריאת מסמכים. אבל היא נחלשת כשהעבודה דורשת חשיבה יצירתית ומקיפה, כמו תכנון אסטרטגי או פיתוח קוד שדורש שיתוף פעולה צמוד. במילים פשוטות: כשהמשימה מורכבת מהרבה חלקים נפרדים שאפשר לטפל בהם במקביל – הבינה המלאכותית מנצחת. אבל כשצריך חיבור עמוק של כל החלקים לרעיון אחד שלם – המוח האנושי עדיין טוב יותר.

מי צריך לשים לב לזה כבר עכשיו

בסיכון גבוה

חוקרים, אנליסטים, מתמחים משפטיים – כל מי שעיקר תפקידו הוא לאסוף מידע ולעבד אותו.

בסיכון בינוני

מנהלי פרויקטים, יועצים אסטרטגיים – יקבלו עזרה ענקית מהמערכת, אבל עדיין יצטרכו להכריע מה חשוב.

בסיכון נמוך

אנשים שהעבודה שלהם מבוססת על אינטראקציה אנושית עדינה – מטפלים, מגשרים, אנשי מכירות מורכבות.

שלוש פעולות שכדאי לכם לעשות השבוע

• תמפו אילו משימות מחקר ועיבוד מידע בצוות שלכם מתאימות להעברה לצוותי בינה מלאכותית.
• הגדירו תפקיד של “מנהל פרויקט בינה מלאכותית” – אדם שמבין איך לנצל כמה סוכנים יחד ולא סתם שולח שאלה אחת.
• בדקו שזה באמת משתלם לכם לאורך זמן.

עידן חדש

אנחנו עוברים מעידן של עוזרי בינה מלאכותית פשוטים לעידן של צוותים חכמים ומאורגנים שיכולים לשנות את כללי המשחק – עבור כל מי שיודע להפעיל אותם נכון. מי שיבין איך לתכנן צוות בינה מלאכותית, לנהל אותו כמו צוות אנושי ולהגדיר לו גבולות ברורים – ירוויח יתרון תחרותי עצום בזמן שחלק מהמתחרים עוד מתעסקים עם צ’אטבוטים גנריים. זה הרגע להפסיק לחשוב על בינה מלאכותית ככלי אחד וללמוד לעצב צוותים שלמים של כלים – כל אחד מתמחה בתפקיד אחר, בדיוק כמו אצלכם בחברה. זה לא עתיד רחוק – זה אתגר ניהול חדש שהגיע כבר עכשיו.

הפוסט למה בינה מלאכותית שעולה פי 15 תחסוך לכם אלפי שקלים? הופיע ראשון בLet's AI בינה מלאכותית

מה זה בכלל פרויקטים?

אם זה חדש עבורכם, הרעיון פשוט: פרויקטים מאפשרים לארגן שיחות לפי נושא. במקום אינספור שיחות בודדות שמפוזרות בהיסטוריה, כל השיחות על אותו נושא מרוכזות בפרויקט אחד – עם הקשר שנשמר אוטומטית.

מה חדש?

1. זיכרון רציף בין שיחות

כשתפתחו שיחה חדשה בפרויקט קיים, ChatGPT יזכור מה דיברתם קודם. לא צריך להסביר הכל מהתחלה – פשוט ממשיכים מאותה נקודה.

2. מצב דיבור גם בפרויקטים

מעדיפים לדבר ולא להקליד? מעכשיו זה אפשרי גם בפרויקטים. לוחצים על המיקרופון ומדברים חופשי – מצוין להסברים מורכבים או כשאין זמן להקליד.

3. העלאת קבצים מכל מקום

אפשר להעלות מסמכים, תמונות, קבצי אקסל – גם מהטלפון. כל הקבצים הרלוונטיים מחכים לכם בפרויקט, בבית או בדרך.

4. גישה למודלים מתקדמים בנייד

אם יש לכם חשבון Pro, תוכלו לבחור איזה מודל מתאים למשימה – o3 למשימות כבדות, GPT-4o לדיאלוג שוטף – גם מהטלפון.

איך זה עוזר לכם?

תדמיינו שיש לכם מקום אחד שבו כל הרעיונות, הקבצים והשאלות נשמרים בדיוק כמו שהשארתם אותם. אתם חוקרים נושא? פותחים פרויקט, מעלים מקורות, שואלים שאלות והמערכת שומרת כל פרט, כדי שתוכלו להעמיק בלי לאבד חוט מחשבה. מתכננים אירוע, מוצר חדש או אפילו חופשה? כל הפרטים והעדכונים מסודרים לכם במקום אחד, מוכנים להמשך בכל רגע. כותבים ספר או מאמר ארוך? עובדים על פרקים שונים בנפרד – והמערכת שומרת על הסגנון, הרעיונות והחיבור בין הכל. ככה פשוט יותר להתמקד במה שחשוב באמת.

אז מה ההבדל בין פרויקט ל-GPTs?

הרבה משתמשים מתבלבלים בין Projects ל-GPTs – שניהם עוזרים לכם לעבוד בצורה מסודרת ומותאמת אישית, אבל לכל אחד יש יתרונות שונים. הטבלה הזאת עושה סדר ועוזרת לכם לבחור מה מתאים למשימה שלכם.

מה ההבדל בין Projects ל-GPTs? כך תבחרו נכון

איך מתחילים?

1. היכנסו לפרויקטים (זמין למשתמשי Plus, Pro ו-Team) דרך הסרגל הצידי.

2. תנו שם ברור לפרויקט ולחצו על צור פרויקט (Create).

3. הוסיפו הוראות כלליות (Custom Instructions) – הן ילוו כל שיחה בפרויקט.

4. העלו קבצים, התחילו שיחות – ותנו למערכת לדאוג להקשר.

ארבעה צעדים לפתיחת פרויקט חדש

חדש ב-Canvas של ChatGPT: הורדה בלחיצת כפתור

עדכון נוסף למשתמשים – מהיום אתם יכולים לשמור בקלות את מה שכתבתם ב-Canvas – בין אם זה מסמך או קוד. כותבים מסמך? תוכלו לייצא אותו לקובץ PDF, Word או Markdown. עובדים על קוד? הוא יישמר אוטומטית בפורמט הנכון (כמו ‎.py, ‎.js או ‎.sql). פשוט, נוח ומוכן לשיתוף.

Canvas תומך בהורדות – מסמך או קוד בלחיצה אחת

לסיכום, אם אתם כבר משתמשים ב-ChatGPT לניהול פרויקטים מורכבים – השדרוגים החדשים יעשו לכם סדר, יחסכו הסברים חוזרים וישמרו את כל הידע מרוכז ונגיש בכל שלב. בנוסף, Canvas מוסיף עוד שכבת נוחות – תוכלו לכתוב, לארגן רעיונות וגם להוריד את מה שיצרתם כקובץ PDF, Word או Markdown, או לשמור קוד בקובץ מתאים – והכל בלחיצה אחת. כך תנהלו מחקר, תכנון או כתיבה ארוכה בצורה הרבה יותר חכמה, מסודרת וחסכונית בזמן.

הפוסט ChatGPT עם שדרוגים לפרויקטים ועדכון ל-Canvas הופיע ראשון בLet's AI בינה מלאכותית

מה זה Perplexity Labs?

Perplexity Labs הוא פיצ’ר מתקדם במנוי Perplexity Pro (20$ בחודש) שמשלב חיפוש מידע עם ניתוח נתונים ויצירת גרפים – הכל במקום אחד. במקום לגלוש, להוריד קבצים, לטפל באקסלים ולבנות גרפים – אתם פשוט כותבים מה שאתם צריכים, והכלי עושה את זה בשבילכם בשפה פשוטה.

איך זה עובד? Perplexity Labs מפעיל מודלי שפה מתקדמים (כמו דיפסיק, o4 ו- o3 של ג׳יפיטי, ג׳מיני 2.5 של גוגל, קלוד 4 ואחרים) לצד סביבת קוד (Python) שיודעת לנתח קבצים, להפיק גרפים ולבנות תובנות. זה כמו צוות אנליסטים שעובד בשבילכם בלי הפסקה.

והדבר הכי חשוב? הוא לא רק מחפש, הוא מסכם, מנתח, בונה דוחות, מייצר ויזואליזציות, ומנגיש נתונים מורכבים בצורה ברורה ומקצועית.

איך מתחילים? 4 צעדים פשוטים

1. כנסו לפרפלקסיטי ולחצו על לשונית Labs (סמל הנורה ).

2. בחרו ותדייקו את סוג המקורות אליהם יגש הכלי (אקדמי, רשתות חברתיות או פיננסי תחת סמל הגלובוס ).

3. צרפו קבצים רלוונטיים (CSV, PDF, DOC – דרך סמל הקליפ ).

4. כתבו את הפרומפט שלכם בשורת ההנחיה למעלה.

וזהו – לחצו Enter ותתחילו לראות תובנות תוך שניות.

איך מתחילים לעבוד עם פרפלקסיטי לאבס?

למי זה מתאים?

• מנהלים – דוחות, ניתוח מתחרים, תכנון אסטרטגי.

• אנליסטים – מחקר שוק, זיהוי טרנדים, דוחות השקעה.

• שיווק ומכירות – ניתוח ביצועים, חקר לקוחות, שיפור תהליכים.

• יזמים – בדיקת היתכנות, פיתוח מוצר, הכנה לגיוס.

פרומפטים לדוגמה שיחסכו לכם שעות עבודה

פרומפט 1: ניתוח פיננסי – השוואת הוצאות הון (CapEx)

מטרה: להשוות את הוצאות ההון של חברות טכנולוגיה גדולות לאורך זמן, לזהות מגמות ולהפיק תובנות ברמה מקצועית.

פרומפט מוכן לשימוש:

ניתוח פיננסי – השוואת הוצאות הון (CapEx)

מתי להשתמש? ניתוח השקעות של מתחרים, קבלת החלטות אסטרטגיות, הכנת דוחות להנהלה או משקיעים או זיהוי מגמות תעשייתיות.

גרסה מותאמת לעברית:

השוו את הוצאות R&D של חברות פינטק בישראל ב-5 השנים האחרונות,
כולל גרפים של R&D כאחוז מההכנסות.
נתחו השקעות קיבולת ייצור של חברות טכנולוגיה באסיה מול אירופה וארה”ב,
כולל תחזית ל-2025.
בדקו את הוצאות השיווק של מתחרים בענף [שם התחום],
וצרו גרף של השקעות דיגיטל מול מסורתי.

הצצה לתוצר

רוצים לראות איך נראה דוח מקצועי שמשווה את הוצאות ההון של חברות ה-MAG7? הנה דוגמה אמיתית לתוצאה ש-Peprlexity Labs יצר לפי הפרומפט: לצפייה בדוח לדוגמה »

פרומפט 2: יצירת ויזואליזציות וניתוח שוק מקובצי CSV

מטרה: לנתח נתוני שוק מקובצי CSV, לזהות מגמות, תחרות והתנהגות לקוחות – ולהציג הכל בגרפים אינטראקטיביים וברמה של דוח מקצועי. כמובן שנדרש הקשר לנתונים הספציפיים שרלוונטיים לניתוח שלכם ותוכלו להעלות קבצים שונים בדגש על קבצי נתונים (csv).

פרומפט מוכן לשימוש:

יצירת ויזואליזציות וניתוח שוק מקובצי CSV

מתי להשתמש? ניתוח שוק או מכירות מתוך קבצים קיימים, הכנה לפגישות הנהלה או משקיעים, יצירת דוחות חזותיים במהירות או זיהוי מגמות או בעיות נסתרות.

גרסה מותאמת לעברית:

נתחו את נתוני המכירות של 2024 לפי אזור, מוצר וחודש
ובנו דשבורד אינטראקטיבי.
צרו גרפים מניתוח לקוחות, זהו פלחים עיקריים והמליצו על שיפור מכירות.
נתחו את תנועת האתר, המרות והתנהגות משתמשים – והציעו שיפורים מבוססי דאטה.

הצצה לתוצר

5 קובצי CSV בתחום התחבורה השיתופית עם בקשה לנתח את השוק. ראו את הדשבורד שנוצר, כולל גרפים, תובנות והמלצות: לצפייה בתוצר לדוגמה »

פרומפט 3: דשבורד מתקדם לניתוח הצלחות וכישלונות במכירות

מטרה: להבין למה עסקאות מצליחות או נופלות, לזהות נקודות לשיפור בתהליך המכירה – ולבנות דשבורד אינטראקטיבי שמציג את הכל (+ העלאת קובץ CSV עם נתוני מכירות).

פרומפט מוכן לשימוש:

דשבורד מתקדם לניתוח הצלחות וכישלונות במכירות

מתי להשתמש? ניתוח ביצועים רבעוני, ירידה באחוזי סגירה, הדרכת צוות מכירות או שיפור תהליך המכירה.

גרסה מותאמת לעברית:

צרו דשבורד לניתוח שיחות מוקד טלפוני – זהו מה עובד ומה לא, והמליצו על שיפורים בסקריפט.
נתחו את משפך המכירות באתר – איפה מאבדים לקוחות ומה לשפר.
בנו דשבורד לביצועי ערוצי שיווק – חשבו ROI והציעו חלוקת תקציב חכמה.

הצצה לתוצר

מנהלים שרוצים להבין למה הם מפסידים עסקאות – יכולים ליצור ולקבל דשבורד ניתוח Win/Loss חכם. הנה התוצאה: ניתוח מלא לפי אזורים, אנשי מכירות ושלבים במכירה: לצפייה בדשבורד לדוגמה »

פרומפטים נוספים שיעזרו לכם לנתח ולהציג נתונים

ניתוח טרנדים ותחזיות

ניתוח התנהגות לקוחות

ROI ואנליזה פיננסית

ביצועי מוצרים ומכירות

חשוב לזכור: כל פרומפט דורש הקשר רלוונטי כדי לעבוד היטב – בין אם זה קובץ CSV, מסמך תומך, נתוני רקע או תיאור מדויק של הסיטואציה העסקית. בלי ההקשר הזה, גם הפרומפט הכי טוב עלול להניב תוצאה כללית או לא מדויקת.

טיפים מתקדמים לשימוש מדויק וחכם

1. הכינו את הנתונים כמו שצריך

לפני העלאת CSV:

• ודאו כותרות ברורות

• נקו ערכים חסרים או שגויים

• סדרו תאריכים בפורמט אחיד

• הוסיפו הסברים לעמודות מורכבות

2. שפרו את הפרומפט על ידי הוספת הקשר רלוונטי

ככל שתהיו מדויקים יותר, התוצאה תהיה חכמה וממוקדת יותר. אל תבקשו “לנתח נתונים” בלי להסביר מהם, ממתי, ולמה.

3. בקשו יותר – וקבלו תוצאה חדה יותר

• בקשו זוויות ניתוח שונות

• התמקדו בתקופות זמן ספציפיות

• בקשו השוואה לסטנדרט בתעשייה

• דרשו הסבר לתובנה המרכזית

4. פרפלקסיטי הוא שיחה, לא פקודה

אחרי התוצאה הראשונה – דייקו אותה. למשל: “החליפו לגרף עמודות מוערמות”, “פירוט לפי רבעון רביעי בלבד בישראל”, “הסבירו כמו למנהל לא-טכני” “השוו לתעשייה הגלובלית.

5. בנו לעצמכם ספריית תבניות

ברגע שהפרומפטים עובדים לכם – הפכו אותם לתבניות קבועות שתוכלו למחזר:

• דוח פיננסי

• סקירת שוק

• ניתוח ביצועים

• ניתוח לקוחות

• תוכנית פעולה

שמרו, עדכנו, והשתמשו שוב – זה חוסך זמן ושומר על עקביות.

מגבלות חשובות – ומה לא לעשות עם Perplexity Labs

שמירה על מידע רגיש

אל תעלו קבצים עם מידע אישי או סודי – אלא אם אתם משתמשים בגרסת ה-Enterprise. לחלופין, נקו מזהים מהנתונים או השתמשו בכלים פנימיים.

תמיד לבדוק עובדות

Perplexity הוא עוזר מצוין – אבל לא אנליסט אנושי. הוא עלול לטעות או “להמציא” מידע. לכן חשוב להצליב נתונים ולהפעיל שיקול דעת מקצועי.

גישה מוגבלת למקורות פרימיום

למרות החיבור לאינטרנט, הכלי לא כולל גישה למאגרים בתשלום כמו Bloomberg או S&P. לנתונים פיננסיים מדויקים – עדיין תידרש גישה ייעודית.

שורה תחתונה, אל תשתמשו בכלי להחלטות השקעה קריטיות, דיווחים רגולטוריים, ניתוח מידע רגיש או תחזיות לטווח ארוך – בלי אימות נוסף וליווי מקצועי.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

לסיכום – תתחילו מהצורך האמיתי שלכם

Perplexity Labs הוא לא עוד כלי – הוא שותף חכם שיכול לחסוך לכם שעות של עבודה ולתת לכם יתרון תחרותי. אבל ההצלחה לא מגיעה מהטכנולוגיה – אלא מהשימוש שלכם בה. התחילו מבעיה אמיתית שיש לכם היום, נסחו פרומפט ממוקד, העלו את הנתונים – ותראו איך תובנות מתחילות לזרום. תשתמשו בו נכון, ותגלו שהשאלה הנכונה היא לא מה הוא יודע לעשות – אלא איך אתם בוחרים להשתמש בו.

הפוסט איך להפוך נתונים לתובנות עסקיות תוך דקות עם פרפלקסיטי לאבס הופיע ראשון בLet's AI בינה מלאכותית

כיצד עובדת המלצת המודל החדשה בממשק GPTs?

הפונקציה החדשה שמציעה OpenAI מאפשרת ליוצרי GPTs להמליץ למשתמשים על המודל האופטימלי לשימוש בבוט הספציפי שלהם. במסגרת התכונה הזו, יוצרי הבוטים יכולים לבחור מתוך תפריט ייעודי באיזה מודל בוט ה-GPT שלהם יפעל, בהתבסס על דרישות הביצועים, עלות, מהירות תגובה ויכולות נדרשות.

בחירת מודל בממשק בניית הבוט ב-GPTs.

כך למשל, יוצר בוט המתמחה בניתוח נתונים וקבצים, סביר שימליץ לעבוד עם מודל ריזונינג כמו o3 שמצטיין בחישובים מתמטיים ופעולות רב-שלביות – מודל הידוע ביכולותיו האנליטיות הגבוהות. לעמות זאת, בוט שמתמחה בכתיבת טקסים, עשוי להמליץ על GPT-4o הישן והטוב, או על GPT-4.5 המיוחד, שמצטיין ביכולות שפתיות ו”חשיבה רגשית” (EQ ולא רק IQ).

בזמן הגדרת ההמלצה, המערכת מאפשרת ליוצר הבוט לבחור מתוך רשימה מסודרת של מודלים הזמינים לפונקציות השונות. עם זאת, לא כל מודל זמין לכל משתמש, שכן לא לכל משתמש יש חבילה בתשלום, שמנגישה לו את המודלים המתקדמים יותר.

יתרונות עיקריים של הפיצ’ר החדש

שקיפות ובהירות למשתמשים

האפשרות להמליץ על מודל מעניקה למשתמשים הבנה ברורה של הביצועים הצפויים ושל הסיבות שבגללן נבחר מודל מסוים. במקום ניחוש או תסכול עקב ביצועים לא עקביים, המשתמש יכול לראות מראש עם איזה מודל הבוט שלו עובד ומה המשמעות של שימוש במודל זה מבחינת חווית השימוש.

החלפת המודל מתאפשרת על ידי הקלקה על שם הבוט, בצד שמאל למעלה – ראו תמונה מטה:

לחיצה על שם הבוט, תחשוף את המודל שהומלץ על ידי בונה הבוט, ואת האפשרות להחליפו.

מה קורה כשהמודל המומלץ אינו זמין למשתמש?

אחד התרחישים הנפוצים והחשובים להבנה הוא כאשר מודל מסוים מומלץ על ידי יוצר הבוט אך אינו זמין למשתמש בשל מגבלות מנוי, הרשאות, או זמינות אזורית. במקרה כזה, OpenAI יצרה מנגנון גיבוי ברור ואוטומטי. אם המשתמש אינו יכול לגשת למודל המומלץ, המערכת תבחר באופן אוטומטי במודל חלופי דומה ככל האפשר. לדוגמה, אם הבוט תוכנן להשתמש ב-o4 mini אך הוא לא זמין למשתמש, המערכת תעבור ל-GPT-4o או למודל אחר שזמין בחבילה החינמית. זה לא מושלם, אבל זה הרע במיעוטו.

הפוסט סוף סוף אפשר להמליץ על מודל ב-GPTs – אבל יש קאטץ’! הופיע ראשון בLet's AI בינה מלאכותית

מה זה Claude Gov?

לפי ההכרזה הרשמית, Claude Gov הוא סט מודלים שנבנה “על בסיס משוב ישיר מלקוחות ממשלתיים”, ונועד לפעול בסביבות מסווגות בלבד. Anthropic מדגישה שהמודלים “עברו את אותן בדיקות בטיחות קפדניות” – אבל גם מציינת בפירוש: הם “מתוכננים להתנהג בצורה שונה בהקשרים מסווגים, כמו ניתוח מסמכים ממשלתיים רגישים.”

בין היכולות המוגברות:

• הבנה עמוקה יותר של ז’רגון מודיעיני וביטחוני.

• ניתוח נתוני סייבר מורכבים.

• מיומנות בשפות ודיאלקטים קריטיים.

• תגובה גמישה יותר למידע מסווג.

כלומר, המודל פחות מסרב, פחות עוצר, ומספק יותר גישה. ולא לציבור, אלא לסוכנויות ממשלתיות בלבד.

גם לבטיחות יש גרסה מסווגת

במבט ראשון, זו נשמעת כמו פשרה. אבל כדאי לעצור ולשאול: האם זה בכלל אפשרי לבנות מערכת בטיחות אחת – שתהיה גם אוניברסלית, וגם מתאימה למודיעין צבאי? Anthropic עצמה ניסתה לאורך כל הדרך לעשות בדיוק את זה: היא שמה את הבטיחות בלב המוצר, לא בצידו. פיתחה את מודל Constitutional AI, השקיעה רבות ב־red-teaming, שיתפה מחקרים על distillation, ועל alignment, והתנגדה בגלוי למורטוריום רגולטורי שאוסר על שקיפות.

וזה בדיוק מה שהופך את ההשקה של Claude Gov למעניינת: היא לא מגיעה מחברה שמזלזלת בבטיחות – אלא מחברה שהובילה את התחום. ולמרות זאת – אפילו היא מוצאת את עצמה בונה גרסה אחרת.

מה קורה כשגם הזהירים נשחקים

הבעיה איננה בכך ש-Anthropic בחרה לעבוד עם סוכנויות ביטחוניות. הטכנולוגיה תפותח בכל מקרה – ומי שמסרב לשתף פעולה פשוט נשאר מחוץ למשחק. הבעיה מתחילה כשגם השחקן הזהיר ביותר נדרש לסמן מחדש מה נחשב “בטוח” – לפי הקשר. אם אפילו Anthropic לא מצליחה לשמור על אחידות בבטיחות, מה זה אומר על התעשייה כולה?

כשההצדקה הביטחונית פוגשת את גבול השקיפות

הטיעון הנגדי ברור: יש פעולות שמודל צרכני צריך לסרב להן – אבל עבור אנליסט ביטחוני הן חיוניות. מודל שלא מספק ניתוח של מסמך מודיעיני מסווג, הוא לא “זהיר”, הוא מכשול מבצעי. ואולי, בהקשרים כאלה, בטיחות צרכנית פשוט לא רלוונטית. אבל גם אם זה נכון – השאלה היא מה עושים עם הפער הזה. כי כרגע, הציבור נשאר בחוץ:

• אין הסבר טכני לאיך הותאמו המודלים

• אין פירוט על נהלי בטיחות במצבים מסווגים

• אין דרך להבין מה “מסרבים פחות” באמת אומר בפועל

והשאלה העמוקה עוד יותר: מי מפקח על הבטיחות – כשכל התהליך חסוי מראש?

תעשייה שלמה בתנועה

Anthropic לא לבד. OpenAI, שהחלה במדיניות של איסור שימוש צבאי, עובדת כיום עם קבלני ביטחון. Meta פותחת את Llama לשותפי הגנה. Google מפתחת גרסאות מסווגות של Gemini. וגם Cohere משתפת פעולה עם Palantir – אחת השחקניות המובילות ב-AI ביטחוני.

הקו שהיה פעם ברור – AI אזרחי בלבד – כבר לא קיים. וכשכל השחקנים הגדולים חוצים אותו, כל אחד בדרכו, הסיפור כבר לא על חברה מסוימת – אלא על מערכת שבה אין מקום לבטיחות קבועה.

הסכנה הכי גדולה היא השקט

הבעיה איננה רק מי עובד עם מי – אלא איך זה קורה. Claude Gov לא הוכרז בפוסט בלוג מפורט, אלא בהודעה מרוכזת, עם ניסוחים כלליים. המונח “אותן בדיקות בטיחות” נשמע מבטיח – אבל אין פירוט על אופן השינוי, טיב ההתאמה, או רמת הפיקוח. וזו הנקודה הקריטית: אם אי אפשר להבין מה השתנה – אי אפשר גם לדעת אם הערכים נשמרו.

זו לא החלטה – זה הכרח

אפשר לפרש את הסיפור הזה בשתי דרכים:

1. Anthropic נכנעה ללחץ של חוזים ממשלתיים וויתרה על עקרונות.

2. אפילו החברה המחויבת ביותר לבטיחות נאלצת לעצב גרסה נפרדת – כי זו דרישת השוק.

הראשון נוח יותר להסביר. השני – מדאיג בהרבה. אם זו מגבלה של כל חברה באקוסיסטם – אז אנחנו לא צריכים רגולציה שתפקח על שחקן מסוים, אלא מנגנונים מערכתיים שמציבים סטנדרטים שאי אפשר להנדס מחדש לפי זהות המשתמש.

האם נותרה בכלל דרך לשמור על בטיחות אמיתית?

השאלה איננה אם AI ישמש למטרות ביטחוניות – אלא איך הוא יעשה זאת. ואם כל ממשלה דורשת מודלים מותאמים, ואם כל שחקן עסקי נמדד לפי היכולת לספק גרסה “פחות מסרבת”, אז אין עקרונות – יש התאמות. Claude Gov הוא לא כשל מוסרי – הוא סימן שאלה אסטרטגי: האם בכלל ניתן לבנות בטיחות אמיתית – בעולם שבו הדרישות המבצעיות מגדירות מחדש את כללי המשחק?

הפוסט כשהבטיחות הופכת לשאלה של תקציב הופיע ראשון בLet's AI בינה מלאכותית