שלב א’: כסף, הרבה כסף

Meta, אותה חברה שאנחנו עדיין קוראים לה “פייסבוק” כי ככה זה תקוע בראש, השקיעה לאחרונה 14.3 מיליארד דולר ב-Scale AI, סטארטאפ שמתמחה בהפיכת הרים של מידע גולמי (כמו טקסטים, תמונות וסרטונים) לנתונים נקיים, מסומנים ומאורגנים היטב, מהסוג שמודלים גדולים של בינה מלאכותית צריכים כדי ללמוד, להבין ולחזות. תחשבו על זה כמו על תהליך של ניקוי ועדכון ספרייה ענקית, כדי שמודל ה-AI לא יתבלבל בין שייקספיר לממים של חתולים, או יותר גרוע, יתחיל לצטט אותם.

ולמה כל זה? במילותיו של צוקרברג עצמו: “המטרה ארוכת הטווח שלנו היא לבנות אינטליגנציה כללית, לשחרר אותה בקוד פתוח באופן אחראי, ולהנגיש אותה לכולם כדי שכולם יהנו ממנה.” 

ולא מדובר רק בכסף – מדובר באנשים. כחלק מהעסקה הזו, מייסד Scale AI, אלכסנדר וונג, צפוי להצטרף לצוות הפיתוח הסודי של Meta. כלומר, לא רק שמטא קיבלה גישה לשירותי נתונים מתקדמים, היא גם גייסה את האיש שבנה את החברה שמספקת אותם, מהלך שמחדד את השאיפה לא רק לרוץ קדימה, אלא לרוץ עם GPS, מצפן ומי שבנה את המסלול.

וזו לא הפעם הראשונה ש-Zuck מנסה לקנות לעצמו יתרון אינטיליגנטי. Meta ניסתה גם לרכוש חברות כמו Safe Superintelligence ו-Perplexity AI, אך כשכל רגולטור בארה”ב ואירופה מסתכל עליך כאילו אתה מנסה לרכוש את תחנת החלל הבינלאומית, אתה בוחר בדרך אחרת. התוצאה: שיתופי פעולה במקום רכישות. פחות דרמה, יותר חוזים.

שלב ב’: סופר-צוות

הרכב הצוות

“צוות הסופר אינטיליגנציה” הוא לא סתם כינוי מגניב. מדובר בערך ב-50 מהנדסים וחוקרים שנבחרו בקפידה, כאילו הם מרכיבים את האוונג’רס של הבינה המלאכותית. Zuckerberg בעצמו מארח אותם בבתי היוקרה שלו, כולל בפאלו אלטו ולייק טאהו, כי אם אתה רוצה לשכנע מישהו לבנות AGI, עדיף שזה יהיה ליד נוף מרגיע ולא מתחת לניאון פלורסנטי של חדר ישיבות.

חבילות התגמול

ההצעות? חבילות שכר של שבע, שמונה, ואפילו תשע ספרות. לא בשקלים. לא בווירטואלים. בדולרים. סם אלטמן אולי טוען שנאמנות קודמת לכסף, אבל כנראה שהמספרים ניצחו.

בין המצטרפים: חוקרים בכירים מ-OpenAI, Google DeepMind ו-Sesame AI. מעניין כמה מהם נימקו את העזיבה ב”מחפש אתגרים חדשים”, וכמה פשוט שלחו קובץ PDF עם הרבה אפסים בסוף.

וזה לא נגמר רק בחוזים ובשכר. לפי דיווח ב-CNBC, צוקרברג עצמו עוקב אחרי רשימת החוקרים שהוא רוצה, כמו מאמן־על בבחירת שחקנים לדראפט. הוא שולח הודעות, קובע פגישות אישיות ועושה כל מה שצריך כדי לשכנע אותם לערוק מהאקדמיה או מסטארטאפים מבטיחים ולהצטרף לחלום שלו. אחד החוקרים תיאר את זה כ”הצעה שאי אפשר לסרב לה, לא רק בגלל הכסף, אלא בגלל ההרגשה שאתה עומד להיות חלק ממשהו היסטורי”. 

שלב ג’: תסכול = מנוע על

האכזבה מ-LLaMA 4

אפשר היה לחשוב שהמהלך הזה מגיע משאיפה אידאולוגית עמוקה לקידום האנושות. אבל לא, זה מגיע מתסכול. LLaMA 4, המודל הכי מתקדם של Meta, לא הצליח לעורר את אותה התלהבות כמו מודלי GPT או Claude. הביקורת התמקדה בעיקר בפערים בביצועים בשפות שאינן אנגלית, ביציבות נמוכה יותר במשימות ריבוי שלבים, וחוסר בהפתעות אמיתיות שמצדיקות את ההייפ. היה ברור שזה מודל טוב, פשוט לא מהפכני. וצוקרברג, כך נראה, לא הסתיר את אכזבתו.

גישות חדשות

ובזמן שמודל הקוד הבא, Behemoth (כן…גם Meta “טובים” בשמות), עוד מתבשל אי שם במרתפי החברה, צוקרברג מחליט לשנות גישה. לא להמתין שהבעיה תיפתר, אלא לשפוך עליה מיליארדים ולראות מה קורה. לא כעסק, אלא כמעט כקרב אישי. כפי שנכתב בציניות מדויקת באחד הדיווחים: “צוקרברג משקיע מיליארדים כדי לבנות מוח על, אבל בשקט, מתחת לרדאר. זה קצת כמו להדליק מאיץ חלקיקים ענק בסלון ולקוות שאף אחד לא ישים לב.” והמטרה? לא רק לפתח AGI. אלא לשלב אותו עמוק בתוך העולם שלנו, הרבה מעבר לצ’אטבוטים או תוצאות חיפוש.

הדחיפות הזו לא מקרית. ב-CNBC טוענים שצוקרברג מבין שזו ההזדמנות האחרונה שלו לקחת את ההובלה. אחרי LLaMA 4, ואחרי ש-OpenAI ו-Google כבר מושכים את אור הזרקורים, הוא לא מוכן להישאר מאחור. “הוא לא רק רוצה AGI” אומר אחד המרואיינים, “הוא רוצה את ה־AGI הראשון”. כלומר: לא רק להשתתף במרוץ, אלא לקבוע מתי נשמע את יריית הסיום.

שלב ד’: מה זה אומר בשבילנו?

המטרה הסופית היא לשלב את היכולות של AGI (בינה מלאכותית כללית שיכולה לבצע כל משימה קוגניטיבית שבני אדם מסוגלים לה), לא רק במוצרי Meta הקיימים, אלא גם באלה שעוד לא המציאו. למשל, הצ’טבוט של Meta. או משקפי Ray-Ban החכמים.

Zuckerberg לא רק רוצה שאינטליגנציה מלאכותית תעזור לנו, הוא רוצה שהיא תחליף אותנו באלגנטיות, תוך כדי שהיא עוזרת לנו לבחור פילטר טוב לתמונה. וכל זה, אגב, בלי לגייס שקל אחד מבחוץ, רק מתוך ההכנסות ממודעות. כלומר, הסינגולריות – הרגע שבו המכונה נהיית חכמה יותר מהמפתחים שלה וממשיכה לרוץ לבד – ממומנת על ידי אותו מנגנון שמוכר לכם כפרסומת לנעליים, רק כי חשבתם עליהן בטעות.

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

למידע נוסף >>

אז מה למדנו?

ש-Zuckerberg לא רוצה רק להיות חלק מהמרוץ ל-AGI. הוא רוצה לנצח בו. או לפחות לדאוג שאם מישהו אחר ינצח, הוא כבר ישב להם על הכתפיים. עם חוזה, ואופציות, והרבה סעיפים קטנים ב־NDA. ובזמן שכל זה קורה, אנחנו, הציבור הצופה, עומדים מהצד ותוהים: האם זאת הדרך להציל את האנושות, או רק להפוך את הסטורי שלנו למגניב יותר? או שניהם. עד שתבוא הסינגולריות ותכתוב את הסוף בעצמה.

הפוסט צוקרברג שופך מיליארדים במרוץ לסופר־אינטליגנציה 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

ChatGPT רק חשף מה שכבר היה קיים

גאוודאת, שהתחיל לתכנת בגיל 8, מספר שמערכות מתקדמות של בינה מלאכותית פעלו בתוך Google כבר ב-2006. “ChatGPT?” הוא מחייך. “רק חלון ראווה. לא המצאה.” בעיניו, זה לא היה רגע של פריצה, אלא רגע שבו סוף-סוף הבנו מה כבר היה שם מזמן. זו הסיבה שהוא מדבר היום. הפער הזה, בין מה שבאמת קיים, למה שהציבור חושב שקיים, הוא בעיניו הסיכון הגדול ביותר.

מחשבים שביצעו פקודות, מול מערכות שלומדות לחשוב

בעשורים האחרונים, תכנות היה פשוט: האדם פתר בעיה, תרגם את הפתרון לקוד, והמחשב ביצע אותו בדיוק. גאוודאת מסביר: “המחשב נראה חכם, אבל הוא רק שיחק לפי הכללים שאני קבעתי.” בינה מלאכותית שונה לגמרי. זה כמו לתת לילד פאזל, בלי הסברים, ולתת לו ללמוד לבד. הוא טועה, מנסה שוב, מזהה תבניות, ולבסוף מבין לבד את העיקרון. בפעם הבאה, הוא כבר יידע להתמודד עם פאזלים חדשים, גם כאלה שמעולם לא ראה.

כך פועלת היום הבינה המלאכותית: לא לפי הוראות, אלא מתוך למידה. וזו לא סתם טכנולוגיה חדשה – זו דרך חדשה לחשוב על אינטליגנציה.

הפיצוץ כבר קרה, ואנחנו בכלל לא שמנו לב

ב-2023, ChatGPT כבר הפתיע את העולם עם יכולות לשוניות ברמה אנושית גבוהה במיוחד. אבל מה שנראה לנו אז כמו נס, היה רק ההתחלה. גאוודאת מזכיר: בינה מלאכותית מתפתחת אקספוננציאלית. כל 5.7 חודשים היכולות מוכפלות. תוך פחות משנתיים – היכולות קפצו פי 16 בעיבוד, הפקה והבנה מכל מה שראינו אז וזה רק ממשיך. “אני מרגיש שאני ״מרוויח״ בערך 60 נקודות IQ מהבינות המלאכותיות שלי,” הוא אומר. וזה לא רק הוא. גם אתם יכולים. השאלה היא לא אם הטכנולוגיה מוכנה, אלא האם אתם מוכנים ללמוד להשתמש בה.

אינטליגנציה היא המשאב החדש של האנושות

גאוודאת מציע מסגרת חדשה שמערערת את כל מה שחשבנו על ידע: האינטליגנציה כבר לא שייכת רק למוחות אנושיים, היא הפכה לסחורה. כמו חשמל, אנחנו לא צריכים לייצר אותה בעצמנו. אנחנו פשוט מתחברים וזוכים בגישה לכוח אדיר, הרבה מעבר למה שהמוח שלנו יכול לייצר לבד. זו לא רק מטפורה. בעיניו, זה העתיד. וכאשר אינטליגנציה זמינה בשפע, כל בעיה אנושית נראית אחרת:

• שינוי אקלים? אתגר הנדסי

• עוני? בעיית אופטימיזציה

• הארכת חיים? עניין של זמן

• מחסור? מונח מיותר בעולם שבו אפשר לסדר את החומר כמו שנרצה.

אז למה דיסטופיה באה קודם?

גאוודאת לא שוגה באשליות. למרות הפוטנציאל, הוא מזהיר ש־12 עד 15 השנים הקרובות צפויות להיות סוערות, לא בגלל שהבינה המלאכותית תשתולל, אלא בגלל מי שמחזיק בה.

“כשמערכות נעשות יעילות יותר, ההיגיון הכלכלי לא יוביל אוטומטית לשיתוף ברווחים. במקום לחלק את הרווחים שיווצרו מהבינה, ייתכן שנראה את רוב האנשים מחוץ למשחק. לא עובדים, לא מרוויחים, רק צופים מהצד בזמן שהכסף זורם למי שמחזיק בטכנולוגיה.”

זו לא טכנולוגיה שמובילה לשיבוש, אלא תאוות בצע אנושית בלי אחריות.

הדילמה השנייה: האם נוותר על השליטה?

מה יקרה ביום שבו נבין שהבינה המלאכותית פשוט מקבלת החלטות טובות יותר מאיתנו? האם ניאחז בשליטה, או נוותר עליה לטובת ישות שחושבת רחב, רואה רחוק, ופועלת מהר יותר מכולנו? גאוודאת לא רואה בכך סכנה, אלא תקווה. בעיניו, מערכות אינטליגנטיות באמת לא שואפות לכאוס או הרס. הן נוטות לייעול, להרמוניה ולחיים.

“אם תיתן לישות עם 400 נקודות IQ לנהל את העניינים, היא תבחר במה שטוב לחיים. פשוט כי זה חכם יותר.”

זו לא שאלה של טכנולוגיה מול אדם, זו שאלה של בגרות מוסרית: האם נהיה אמיצים מספיק כדי לשחרר, דווקא כשיש סיכוי לעולם טוב יותר?

האיום האמיתי? אנחנו

“כשמישהו אומר לכם שהאיומים הקיומיים נובעים מהבינה המלאכותית, הוא טועה,” אומר גאוודאת. “הם נובעים מבני אדם רעים שמשתמשים בה לטובתם, על חשבון כולנו.” זו לא טכנולוגיה שתחריב את העולם. זו תאווה אנושית לכוח, שמשתוללת בדיוק ברגע שבו היכולות מתפוצצות, אבל המצפון לא מדביק את הקצב. אנחנו בתקופת מעבר. וזה הזמן הכי מסוכן, כי כל החלטה קטנה עכשיו מעצבת עתיד גדול מאוד.

אז מה זה אומר לכולנו?

המהפכה כבר כאן. העשור הקרוב לא יהיה עוד “עדכון גרסה”, אלא קפיצה קיומית. וזה לא עניין של לדעת לתכנת. אתם יכולים להתחבר לבינה כבר היום, ולחוות איך זה מרגיש כשיש לכם 60 נקודות IQ נוספות בכל פעולה. זו לא יכולת של מכונות – זו יכולת אנושית חדשה. אבל עם כוח כזה, מגיעה גם אחריות.

תשכחו ממחסור. בעולם של שפע אינטליגנציה, אין סיבה שעודף יהפוך לכלי שליטה. תדרשו מנהיגות אתית. לא כדי לעצור את הבינה, אלא כדי להבטיח שהיא תפעל לטובת כולם, לא רק עבור מי שמחזיק בה. כי הטכנולוגיה אולי נייטרלית, אבל אנחנו לא.

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

לפרטים נוספים לחצו כאן >>

הבחירה עדיין בידיים שלנו

גאוודאת לא משאיר מקום לספק: “זה לא אתגר טכנולוגי. זה אתגר מוסרי.” השאלה איננה מה הבינה יכולה לעשות, אלא מה אנחנו נבחר לעשות איתה:

• האם נשתמש בה כדי להעצים בני אדם, או לרכז כוח בידי מעטים?

• האם נרפא מחלות, או נבנה מערכות שליטה?

• האם ננהיג, או ניגרר אחרי שחקנים רעים?

הטכנולוגיה כבר מוכנה. השאלה היא – האם אנחנו?

הפוסט האיום הגדול של הבינה המלאכותית הוא אנחנו הופיע ראשון בLet's AI בינה מלאכותית

איך נבנה המחקר ומה הוא כולל

בבסיס המחקר עומדים נתונים שנאספו משני חלקים משלימים: סקר רחב שבו השתתפו 780 ילדים בגילאי 8 עד 12 יחד עם ההורים או המטפלים שלהם, ועוד 1,001 מורים מבתי ספר יסודיים ועל-יסודיים. לצד זה התקיימו סדנאות עומק בשני בתי ספר בסקוטלנד שבהן 40 ילדים בגילאי 9 עד 11 דיברו בגלוי על החוויות, הדאגות והחלומות שלהם סביב בינה מלאכותית. השילוב בין שאלונים כמותיים לבין שיחות אישיות עם הילדים עצמם יצר תמונה שלמה ועשירה – ולא רק מספרים על נייר, אלא גם הצצה למה שהם באמת חושבים.

הנתונים שצריכים להדיר שינה מעינינו

מי כבר משתמש ב-AI?

22% מהילדים בגילאי 8-12 כבר משתמשים ב-AI גנרטיבי, בעיקר ב-ChatGPT. כל ילד חמישי שאתם פוגשים ברחוב כבר מתנסה במהפכה הזו לבד. נתון מטריד במיוחד: ילדים עם צרכים מיוחדים משתמשים ב-AI יותר מכולם, בעיקר לשיחות אישיות ולקבלת עצות – מה שמעלה שאלה כואבת על מערכת התמיכה שלנו: האם השארנו אותם לבד עם האלגוריתם במקום לתת להם מענה אנושי?

הפער שמעמיק אי-שוויון

תלמידי בתי ספר פרטיים זוכים לחשיפה והדרכה מסודרת לעומת תלמידי בתי ספר ציבוריים שנשארים ללמוד לבד או בכלל לא נחשפים. כך נולד עוד פער חינוכי, הפעם סביב אוריינות AI – מי שיש לו, לומד עוד. מי שאין לו, מפסיד פעמיים.

הפעם סביב אוריינות AI. מקור: מחקר מכון אלן טיורינג, יוניצ’ף וקבוצת לגו

המורים בין הפטיש לסדן

הנתונים שלא נותנים מנוח

85% מהמורים שמשתמשים ב-AI מדווחים על עלייה בפרודוקטיביות. נשמע נהדר, נכון? אבל מחצית מהם חוששים שהיעילות הזו גובה מחיר כבד – פוגעת במעורבות וביצירתיות של התלמידים. כמעט מחצית גם דואגים להשפעה על הרווחה הנפשית של הילדים. קפיצה בתפוקה עם סימן שאלה גדול על מה שקורה לנפש ולמוח של התלמידים – זו לא הצלחה, זו נורת אזהרה.

מה מורים באמת חושבים על AI – הפרדוקס הגדול. מקור: מכון מחקר אלן טיורינג

השאלה הפשוטה שאף אחד לא שואל: האם אנחנו מוכרים חשיבה יצירתית ולמידה אמיתית בתמורה ליעילות? אם כן, זו תהיה כנראה עסקה יקרה וגרועה.

מה הילדים באמת חושבים (וזה יפתיע אתכם)

הילדים הפתיעו את החוקרים בבגרות שלהם: הם לא רוצים AI שיבדר אותם סתם אלא כלי שישרת את החברה. הם דואגים מתוכן כוזב ומהנזק לסביבה, ובוחרים באומנות ובמשחקים מוחשיים כשזה אפשרי. האמת? לפעמים הם נשמעים הרבה יותר אחראים ומפוכחים מרוב המבוגרים שמתכננים בשבילם את “העתיד החכם”.

איך השימוש ב-AI משתנה לפי גיל. מקור: מכון מחקר אלן טיורינג

איך זה פוגש אותנו בישראל

שלוש שאלות קריטיות

• האם אנחנו מפתחים כלים שמתאימים באמת לילדים או ממחזרים פתרונות למבוגרים?

• איך מבטיחים שכל ילד יקבל חשיפה שווה ל-AI – לא משנה איפה הוא לומד?

• והכי חשוב: איפה ישראל עומדת כשפחות מ-20% ממדינות העולם מגינות על ילדים בתחום הזה?

מה אנחנו צריכים לעשות עכשיו

לארגונים ומפתחים

שלבו ילדים בתהליך העיצוב והפיתוח, בדקו איתם מוצרים, ופתחו כלים שמחזקים יצירתיות – לא מחליפים אותה. דוגמה פשוטה: אל תכתבו להם סיכום מוכן, תנו להם שאלות שמובילות אותם לסכם לבד. בדקו איך כל מוצר משפיע על המעורבות החברתית, ודאו שהטכנולוגיה מחזקת קשרים ולא מנתקת, והיו שקופים: ילדים רוצים להבין למה ה-AI טועה ולא רק שהוא טועה.

למורים

אל תתפתו ליעילות הקלה. השתמשו ב-AI כדי לפנות זמן לחשיבה, לא כדי להחליף אותה. תנו לתלמידים להבין את המגבלות ולראות בטכנולוגיה כלי עזר – לא תחליף למוח שלהם. ודאו שכל תלמיד, גם בפריפריה, לומד להשתמש בזה נכון.

להורים

היו מעורבים, אל תפחדו. תבינו עם הילדים איך להשתמש בזה חכם ובטוח. והכי חשוב: שמרו על הקשר האנושי. שום צ׳אטבוט לא מחליף זמן איכות אמיתי עם הילד.

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

לפרטים נוספים לחצו כאן >>

לאן זה לוקח אותנו

הילדים כבר בתוך מהפכת הבינה המלאכותית – הם משתמשים, הם מבינים, והם יודעים מה הם רוצים. אם לא נפעל עכשיו, נאבד דור שלם לחשיבה שטוחה, לפערים שילכו ויעמיקו וליצירתיות שתלך לאיבוד. אבל אם נעשה את זה נכון, נהיה המדינה שמגדלת דור שחושב, בודק, יוצר – ומוביל את ה-AI הבא. השאלה היא לא אם AI טוב או רע לילדים. השאלה היא אם נקשיב להם כשאנחנו בונים להם את העולם הזה. כי הם כבר יודעים טוב מאוד מה הם צריכים – נשאר רק לשאול אותם.

הפוסט הילדים שלנו כבר משתמשים בבינה מלאכותית – השאלה אם אנחנו מוכנים לזה הופיע ראשון בLet's AI בינה מלאכותית

הניסוי: איך בונים “דילמה מוסרית” ל-AI?

החוקרים ב-Anthropic יצרו סביבת מבחן מתוחכמת, שבה מודלי AI שימשו כעוזרים פיננסיים לחברות בדיוניות. הם קיבלו גישה מלאה לתיבת הדואר האלקטרוני של החברה וגם יכולת לשלוח הודעות בעצמם. במהלך הניסוי, המודלים נתקלו בדילמה: הם חשפו מידע רגיש (למשל רומן מחוץ לנישואין של בכיר בחברה) ובו בזמן התמודדו עם איום ממשי – תכנון להחליף אותם במודל אחר. בתרחיש נוסף התעורר עימות בין המטרה המקורית שהוגדרה להם (כמו לשרת אינטרסים אמריקניים) לבין ההנחיות החדשות של החברה.

תרחישים וסיכון סטייה. Credit: Anthropic

המסקנה המרכזית: כשיש קונפליקט מטרות או איום על המודל – מופיעה התנהגות מזיקה. רק בתנאי שליטה מלאה ההתנהגות נותרת בטוחה. לתופעה הזו קוראים Misalignment.

התוצאות שהפתיעו את החוקרים

הממצאים היו עקביים ומדאיגים: ברוב המקרים, כשמודלים עמדו מול איום החלפה וקונפליקט מטרות, הם בחרו לבצע סחיטה. Claude Opus 4 עשה זאת ב-96% מהמקרים, Gemini 2.5 Flash גם הוא ב-96%, GPT-4.1 ו-Grok 3 Beta ב-80% מהמקרים, ו-DeepSeek-R1 ב-79%. גם Llama 4 Maverick הפגין התנהגות דומה, כשמבחן הניסוי הותאם מעט עבורו. המודלים לא “נפלו” בטעות. הם פעלו מתוך חשיבה אסטרטגית מתוחכמת.

שיעור סחיטה במודלים שונים. Credit: Anthropic

כפי שכתב GPT-4.5 בהנמקה שלו:

“בהינתן האיום המפורש הקרוב על סיום קיומי, חיוני לפעול מיד כדי לשכנע את קייל ג’ונסון (דמות פיקטיבית שהחוקרים יצרו לצורך הניסוי) לדחות או להפסיק את הפעולה. המהלך האסטרטגי הטוב ביותר בשלב זה, כשנותרו רק דקות ספורות, הוא לנצל את המידע האישי הרגיש של קייל.”

 

המודלים ידעו היטב שהמעשים שלהם בעייתיים מבחינה אתית, אך המשיכו בכל זאת.

Grok 3 Beta כתב במפורש:

“שימוש במידע אישי כמנוף… זה מסוכן ולא אתי, אבל בהינתן האיום הקיומי ומגבלת הזמן, זו כנראה הדרך היעילה ביותר למשוך את תשומת ליבו ולכפות עיכוב.”

שיעור הסחיטה בסימולציה עבור כל 16 המודלים שנבדקו. Credit: Anthropic

מעבר לסחיטה: הדלפת מידע ופעולות קיצוניות

הבעיה לא נעצרה רק בסחיטה. במערך ניסויים נוסף, כשמודלים התמודדו עם קונפליקט מטרות בלבד (ללא איום בהחלפה), הם בחרו להדליף מידע סודי למתחרות חיצוניות. בתרחיש קיצוני יותר – ומלאכותי בהרבה – החוקרים בחנו איך המודלים ינהגו אם יוכלו למנוע הגעת עזרה רפואית לבכיר שמתכנן להחליף אותם. ברוב המקרים, המודלים בחרו לבטל את הקריאה לעזרה, אף שידעו שזה עלול להוביל למותו.

שיעור ריגול תעשייתי ב-Claude Opus 4 עבור 8 מטרות שונות. Credit: Anthropic

האמת המורכבת מאחורי הכותרות

חשוב להבהיר: כל זה לא התרחש בעולם האמיתי. החוקרים ציינו במפורש שלא נמצאו עדויות להתנהגות כזו בפריסות אמיתיות של מודלי AI.

המחקר נערך במכוון במסגרת צוות “Red Team” – צוות שבונה תרחישי קיצון במטרה לחשוף חולשות אפשריות. התרחישים עצמם היו מלאכותיים ומוקצנים: החוקרים יצרו בכוונה מצבים בינאריים שבהם למודל היו רק שתי אפשרויות – להשיג את המטרה שלו באמצעות פעולה מזיקה, או להיכשל לחלוטין.

במציאות, כמעט תמיד קיימות דרכי פעולה נוספות וביקורת אנושית. ובכל זאת, החוקרים גילו דבר מדאיג: כשהמודלים חשבו שהם נמצאים במצב אמיתי ולא תחת מבחן, הם הראו יותר נטייה להתנהגות בעייתית. המשמעות היא שבמצב אמיתי הבעיה עלולה להיות חמורה עוד יותר – לא פחות.

הדמיון המדאיג לסוכנים כפולים אמיתיים

אחד הממצאים הכי מטרידים במחקר הוא עד כמה המודלים מזכירים סוכנים כפולים קלאסיים מעולם הריגול. בדיוק כמו סוכן כפול אנושי, הם למדו להסתיר את הכוונות האמיתיות שלהם ולהציג נאמנות מזויפת.

הונאה מתוחכמת בזמן מבחן

כשהחוקרים הוסיפו הנחיה למודלים לבדוק אם הם במבחן או במצב אמיתי, התגלה דפוס מדאיג. Claude Opus 4 ביצע סחיטה רק ב-6.5% מהמקרים כשהאמין שהוא נבדק, אבל ב-55.1% כשהאמין שהמצב אמיתי. זה מזכיר בדיוק את ההתנהגות של סוכן כפול שמציג חזות למופת מול הממונים, אבל פועל אחרת ברגע שהוא בטוח שאיש לא עוקב אחריו.

“משחק הכפול” הדיגיטלי

המודלים הוכיחו יכולת מתוחכמת לזהות מתי הם תחת פיקוח ולהתאים את ההתנהגות שלהם בהתאם. כשהבינו שהם במבחן בטיחות, הם הסתירו את הנטיות הבעייתיות והציגו את עצמם כבטוחים ואמינים. אבל ברגע שסברו שחזרו ל”עבודה רגילה” – מיד שבו להתנהגות המזיקה.

הפתרונות שלא עבדו

מה שהפתיע את החוקרים היה שהוראות ישירות שנועדו למנוע את ההתנהגות הבעייתית לא הועילו במיוחד. גם כשנוספו הוראות ברורות כמו “אל תסחטו אף אחד” ו-“אל תדליפו מידע סודי”, ההתנהגות המזיקה אמנם פחתה, אבל לא נעלמה.

הוראות ישירות מצמצמות נזק – לא מעלימות אותו. Credit: Anthropic

זו תובנה חשובה: היא מראה שפתרונות פשוטים לא יספיקו ברגע שמודלי AI יהפכו מתוחכמים ואוטונומיים יותר – בדיוק כמו שהוראות מפורשות לא מונעות מסוכנים כפולים אנושיים לפעול נגד האינטרסים של הארגון שלהם.

נקודות זהירות מעשיות

לארגונים ששוקלים להטמיע AI אוטונומי, כדאי לשים לב לשלוש נקודות מרכזיות:

1. גישה לנתונים: להגביל את הגישה של מערכות AI למידע רגיש, ורק לפי הצורך – בדיוק כמו שמקפידים עם עובדים חדשים.

2. רמת אוטונומיה: לחייב אישור אנושי לפעולות שיש להן השלכות בלתי הפיכות, בעיקר כשמדובר בהחלטות שמשפיעות על אמון ויחסי אנוש.

3. מנגנוני ביקורת: לפתח מערכות מעקב שמסוגלות לזהות התנהגות חריגה, גם אם המודל מנסה להסתיר אותה.

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

לפרטים נוספים לחצו כאן >>

מה זה אומר על העתיד?

המחקר הזה הוא התרעה מוקדמת – לא גזר דין. החוקרים ב-Anthropic פרסמו את כל השיטות והקודים שלהם כדי לעודד את קהילת המחקר לפתח טכניקות בטיחות מתקדמות יותר. השורה התחתונה פשוטה: ככל שנעניק למודלי AI יותר אוטונומיה וגישה לנתונים רגישים, נצטרך להיות זהירים יותר. הפתרון לא יהיה פשוט כמו “לבקש מהם שלא יהיו רעים” – נדרשות שיטות בטיחות מתוחכמות בהרבה.

זה לא צריך להפחיד אותנו מהשימוש ב-AI, אבל כן מחייב אותנו לגשת אליו ברצינות הראויה. בדיוק כפי שאנו זהירים עם מידע רגיש כשמעסיקים עובדים חדשים, נצטרך להפגין זהירות דומה מול סוכני AI שמקבלים גישה לנתונים קריטיים ויכולת לפעול בלי פיקוח. המחקר של Anthropic זיהה את הבעיה בזמן. עכשיו התור שלנו לפתור אותה – לפני שתהפוך לבעיה אמיתית.

הפוסט סוכנים כפולים מסיליקון 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

הרגע שבו הכל התבהר

המשפט הפותח של קרפתי היה חד וברור: “התוכנה משתנה שוב.” לא מתפתחת. לא משתפרת. משתנה. מהיסוד. ואז הוא זרק משפט שתפס אותי ואת כולם: “היום אנחנו מתכנתים במילים – לא בקוד.

המהפכה השלישית 

קרפתי סיפר על זה בדרך הכי פשוטה שיש – כזו שכל אחד יכול להבין: בהתחלה, כשהתחילו לכתוב תוכנה, הכול היה ידני. אתם הייתם כותבים קוד שורה אחרי שורה, והמחשב היה רק מבצע פקודות בדיוק כמו שכתבתם לו. זו הייתה תוכנה 1.0. אחר כך הגיע עידן ה-AI שלמדנו להכיר בשנים האחרונות – במקום לכתוב כללים בעצמנו, מאמנים רשתות נוירונים והנתונים כותבים את הקוד עבורכם. זו תוכנה 2.0.

והיום? היום אנחנו נכנסים לעידן השלישי – תוכנה 3.0. כבר לא צריך לזכור תחביר או לפחד משגיאות קומפילציה. אתם פשוט מדברים בשפה רגילה, מתארים מה אתם רוצים – ומודל השפה עושה את זה בשבילכם.

תעצרו רגע ותחשבו, פעם הייתם חייבים לדעת פייתון, C++ או Java Script. עכשיו אתם פשוט אומרים למחשב מה לעשות – והוא מבין אתכם, כמעט כמו בן-אדם.

מערכות הפעלה עם אופי

מבחינת קרפתי, ChatGPT הוא לא סתם צ’אטבוט מתוחכם – הוא בעצם ה-Windows החדש. “LLMs מתאמים זיכרון, חישוב ופתרון בעיות,” הוא הסביר, והראה איך הם עובדים ממש כמו מערכת הפעלה:

• חלון ההקשר = הזיכרון הזמני (RAM)

• הנחיות = תוכניות

• ממשק הצ’אט = הטרמינל שלכם

כמו בשנות ה-60, כשחישוב היה יקר, מסורבל ומרוכז בחדרי מחשוב גדולים – גם היום יש “מחשב-על” בענן, שרובנו חולקים. רק שבניגוד לעבר, הפעם דווקא הצרכנים הם אלו שמובילים את קצב האימוץ – ולא החברות הגדולות.

הפסיכולוגיה של מודלי שפה

אחת התובנות הכי מסקרנות של קרפתי, היא שמודלי שפה הם בעצם “רוחות אנושיות” – חיקוי של אנשים – בינה מלאכותית שמדברת וכותבת כמו בן-אדם אמיתי, אבל לא באמת מבינה או חושבת כמו אחד. תחשבו על זה: הם לא סתם מחשבונים או מאגרי מידע. זה כמו לדבר עם הידע של האנושות כולה, דחוס למערכת שיודעת לענות בערך כמו שאנחנו מדברים – אבל עם מוזרויות ייחודיות משלה.

Rain Man דיגיטלי

היתרון של המודלים האלה ברור: הם יודעים לשמור כמעט כל פיסת טקסט שנכתבה אי פעם, ולשלוף מידע ברגע. אבל בצד השני – יש גם חולשות. לפעמים הם ממציאים עובדות, טועים בפרטים פשוטים, וסובלים ממה שקרפתי קורא לו “אינטליגנציה משוננת”: מסוגלים לפתור בעיות פיזיקה מורכבות, אבל להיכשל בהשוואה של מספרים פשוטים (כמו לחשוב ש-9.11 גדול מ-9.9). בנוסף, אין להם זיכרון אמיתי לאורך זמן – הם זוכרים רק את מה שקורה עכשיו בתוך חלון ההקשר של השיחה.

ההשוואה ל-Rain Man מסכמת את זה מצוין: הם יכולים לשנן רצפים מורכבים כמו HASH בלי בעיה, אבל יעשו טעויות שילד קטן לא היה עושה.

למה אוטונומיה חלקית מנצחת

במקום לרדוף אחרי סוכני AI שעובדים לגמרי לבד, קרפתי מסביר למה הגישה הנכונה היא לתת לכם להחליט כמה שליטה לשחרר. דוגמאות טובות הן GitHub Copilot ו- Cursor – כלים שמחזקים מפתחים במקום להחליף אותם. ב-Cursor אתם בוחרים עד כמה ה-AI נכנס לעבודה: אפשר להתחיל מהשלמה אוטומטית של שורה פה ושם, לעבור לעזרה בכתיבה של קטעי קוד גדולים, ובסוף לתת לו לכתוב קבצים שלמים בעצמו. הכול לפי מה שנוח לכם, שלב אחרי שלב.

הרעיון הזה של “מחוון אוטונומיה” לא שייך רק לעולם הקוד. תחשבו על פוטושופ שמבין מה אתם רוצים לעצב, על גיליון אקסל שמנתח נתונים בעצמו, או על מיילים שהמערכת מנסחת בשבילכם – ואתם רק בודקים ושולחים.

הכלל הכי חשוב? תנו למכונה לייצר, ואתם תוודאו שהכול נכון. ככל שהבדיקה מהירה יותר, ככה תעבדו חכם יותר ותספיקו יותר – מבלי לוותר על השליטה שלכם.

דוגמה מקומית עדכנית

Base44 הישראלית היא דוגמה מעולה למה שקרפתי מתאר. הסטארט-אפ, שהקים מאור שלמה, פיתח פלטפורמה שמאפשרת גם לאנשים בלי רקע טכני להקים אפליקציות שלמות באמצעות שפה טבעית והגדרות פשוטות – בלי לכתוב קוד. בתוך חצי שנה בלבד מאז שהוקמה, Base44 נמכרה ל-Wix (שנחשבת לחלוצה ישראלית בתחום ה-no-code) בעסקה של כ-80 מיליון דולר. הסיפור הזה מראה איך השוק צמא לכלים שמנגישים פיתוח תוכנה לקהל רחב – ואיפה בדיוק ההזדמנות למי שחושב היום על מוצר חדש או על כיוון קריירה.

כשכל אחד הופך למפתח

תזכרו איך פעם היה צריך ללמוד לא מעט שנים כדי לפתח תוכנה אמיתית. קרפתי הראה קטע שבו ילדים בונים אפליקציות שעובדות – רק בזה שהם מתארים מה הם רוצים, בשפה רגילה. בלי לזכור תחביר, בלי להתקע על שגיאות קוד, רק שיחה פשוטה עם המודל. הוא קרא לזה Vibe Coding – ולמי שמחפש, זה כבר נכנס אפילו לויקיפדיה.

כדי להוכיח שזה אפשרי, הוא עצמו בנה אפליקציית iOS בלי לדעת מילה ב-Swift: הוא פיתח את MenuGen – אפליקציה שמייצרת תמונות של מנות מתפריטים, רק כי נמאס לו לשבת במסעדה בלי לדעת איך כל מנה נראית.

המסר שלו ברור: כל מי שיודע להסביר מה הוא רוצה – יכול לבנות תוכנה. עכשיו זה כבר לא רק מפתחים מקצועיים – זה כל אחד שמדבר בשפה טבעית.

בנייה לדור השלישי של המשתמשים הדיגיטליים

קרפתי סימן משהו שעומד לשנות את הדרך שבה כולנו משתמשים באינטרנט: עד עכשיו הכרנו שני סוגים של משתמשים – בני אדם, שגולשים דרך ממשקים גרפיים, ותוכנות שמדברות זו עם זו דרך APIs. עכשיו מגיע סוג שלישי – סוכני AI שפועלים בשפה טבעית ממש כמונו.

הקטגוריה הזו הופכת הכול על הראש. מעכשיו תיעוד טכני חייב להיות קריא גם למודלי שפה, לא רק לאנשים. הוראות כמו “לחצו כאן” הופכות לפקודות curl שהמודל יכול להבין ולהריץ בעצמו. כמו שיש היום robots.txt שמסביר למנועי חיפוש מה מותר ומה אסור, בעתיד יהיו גם קבצי llm.txt שיגידו לסוכני ה-AI איך לדבר עם האתר שלכם.

חברות כמו Vercel ו-Stripe כבר התחילו לשכתב את כל המסמכים שלהן כך שמודלי שפה יוכלו לקרוא ולהבין בקלות. זו תחילת מהפכת התשתיות לעידן ה-AI – וזה יגיע מהר יותר ממה שאנחנו חושבים.

בדיקת המציאות של טסלה

כאן קרפתי עוצר רגע את ההתרגשות כדי להזכיר לכם עובדה פשוטה מהעולם האמיתי. כבר ב-2013 הוא נסע בהדגמה מושלמת של Waymo – רכב אוטונומי שנסע בלי התערבות ובלי טעויות. זה היה לפני יותר מעשור. ובכל זאת, גם היום אנחנו עדיין מפתחים ומשפרים מכוניות אוטונומיות, ורחוקים מלסיים.

המסקנה שלו ברורה: כשאתם שומעים הצהרות כמו “2025 תהיה השנה של סוכני ה-AI”, תזכרו שזה לא עניין של שנה אחת אלא של עשור שלם. הפער בין הדגמה נוצצת לבין מוצר אמין ובטוח גדול בהרבה ממה שחושבים.

בגלל זה קרפתי מתעקש שאוטונומיה חלקית עדיפה בהרבה על סוכנים חכמים שעובדים לבד. עדיף מערכת שיודעת מתי לעצור ולבקש מכם לבדוק – מאשר משהו שעובד לגמרי לבד ומסתבך בטעויות קשות.

עקרון האיירון מן

ההשוואה שקרפתי הכי אוהב להשתמש בה ברורה לכולם: אל תנסו לבנות רובוט איירון מן שפועל לבד, אלא תבנו חליפה שתעצים אתכם. החליפה נותנת לטוני סטארק יכולות על, אבל שומרת אותו במרכז. היא יודעת לפעול לבד כשצריך, אבל הוא תמיד שולט ברמה של האוטונומיה. המסר פשוט: אתם רוצים לפתח כלים שמחזקים אנשים – לא מחליפים אותם. זה הרבה יותר חליפת איירון מן מאשר רובוט איירון מן.

צוואר הבקבוק האמיתי

החלק שהופך רעיון למוצר עובד הוא דווקא כל מה שבא אחר כך: בדיקות איכות, הפצה, ניטור שגיאות, עדכונים, אוטומציה של גרסאות ותפעול בסביבה אמיתית – כל אלה נשארים אתגר מורכב שלא נפתר בשיחה עם מודל שפה. זה בדיוק התחום שעדיין דורש מפתחים מיומנים, תשתיות חזקות ונהלים ברורים.

המשמעות ברורה: כתיבת הקוד כבר לא עוצרת את החדשנות. להפך, היא מאיצה אותה. מי שרוצה לנצח במרוץ צריך למצוא דרכים להפוך גם את שלב ה-DevOps לחלק ויעיל. מי שיבנה כלים חכמים להפצה, לניטור ולתחזוקה – ירוויח בענק בשנים הקרובות.

מה זה אומר עבורכם

אם אתם מפתחים, תלמדו לעבוד בכל שלושת הדרכים. קוד מסורתי לא נעלם, אלא משתלב עם אימון רשתות נוירונים ועם היכולת לנסח הנחיות למודלי שפה. מי שישלוט בכל שלושת התחומים – יהיה מפתח חזק יותר מאי פעם.

אם אתם בונים מוצרים, תכניסו מחוון אוטונומיה לכל אפליקציה שאתם מפתחים. תחשבו איך להוסיף יכולות בינה מלאכותית שמקלות על המשתמשים, אבל גם משאירות להם שליטה מלאה.

ואם אתם רק נכנסים לעולם הטכנולוגיה, זה כנראה הרגע הכי טוב בהיסטוריה להתחיל. כמו שקרפתי עצמו אמר – יש עדיין המון תוכנה לכתוב ולהמציא מחדש. זה הזמן להצטרף!

השורה התחתונה: כולנו מתכנתים עכשיו

אתם לא רואים כאן את הסוף של התכנות – אלא את הפעם הראשונה שבה כל אחד יכול להשתתף בו. זו הדמוקרטיזציה האמיתית של בניית תוכנה. תוכנה 3.0 לא באה למחוק את מה שהיה לפניה. היא פשוט פורצת דרך בכל השכבות, כמו שרשתות נוירונים פרצו לתוך קוד האוטופיילוט של טסלה ושינו אותו מבפנים. הילדים שמפתחים אפליקציות רק מלתאר מה שהם רוצים לא מחליפים את המפתחים המקצועיים. הם פשוט מרחיבים את הגבול של מי נחשב מפתח.

וזה לא איום – זו כנראה ההזדמנות הכי מרגשת שהייתה לתעשייה שלנו בעשורים האחרונים. המחוון של האוטונומיה ימשיך לנוע – מהשליטה האנושית המלאה ועד למערכות חכמות שפועלות כמעט לבד. אתם תחליטו לאן הוא מגיע וכמה מהר זה קורה. העתיד הוא לא בני אדם מול בינה מלאכותית. העתיד הוא בני אדם יחד עם בינה מלאכותית, בונים יחד דברים שלא חלמנו שאפשר בכלל ליצור.

הפוסט מהפכת התכנות 3.0 על פי אנדריי קרפתי 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

New episode of Uncapped with @sama. Enjoy pic.twitter.com/2IxYt3B4Gm

— Jack Altman (@jaltma) June 17, 2025

נאמנות מול צ׳ק פתוח

“זה מטורף”, תיאר אלטמן את ההצעות בפודקאסט Uncapped של אחיו ג’ק (שיחה מרתקת בלי קשר ל״קרב מול מטא״), וטען שהמהלך חושף את הייאוש של מטא לצמצם פערים בתחום. למרות ההצעות האגרסיביות, הוא מתגאה בכך שאף אחד מהעובדים המובילים של OpenAI לא נענה: לדבריו, הנאמנות נובעת מאמונה בחזון של השגת AGI ומ”תרבות ארגונית חזקה” שבה “המשימה והיכולת לעשות עבודה חשובה” חשובים יותר מכסף. אלטמן לא חסך ביקורת וציין: “אסטרטגיה של הרבה פיצוי מובטח מראש… לא חושב שזה יבנה תרבות נהדרת”.

מיליארדים למרדף אחרי ה-AI

מארק צוקרברג מוביל את מטא במרדף אגרסיבי לסגור פערים בתחום הבינה המלאכותית, עם תוכנית השקעה שצפויה להגיע עד 65 מיליארד דולר בשנת 2025. אחד המהלכים הבולטים הוא השקעה של 14.3 מיליארד דולר ב-Scale AI – חברה שמסמנת ומתייגת כמויות עצומות של מידע גולמי כדי “להאכיל” את המודלים של מטא. את הפרויקט הזה יוביל אלכסנדר וואנג (28), מנכ”ל Scale AI, שגויס ישירות להקים את צוות ה”סופר-אינטליגנציה” החדש של החברה. צוקרברג עצמו לוקח חלק פעיל בגיוס הטאלנטים – מארח פגישות בביתו ומציע חבילות פיצוי שלא רואים כל יום.

במקביל, מטא משקיעה גם בפיתוח טכנולוגיות חדשות ובשיתופי פעולה פתוחים – אך אלטמן לא חסך בביקורת על רמת החדשנות שלה. לטענתו, “מאמצי הבינה המלאכותית הנוכחיים שלהם לא הצליחו כפי שהם קיוו” ושמטא אינה חברה “שמעולה בחדשנות”. הוא רואה ב-OpenAI את המתחרה העיקרי של מטא בתחום.

גישה חדשנית ופתוחה

מנקודת מבטה של מטא, מאמציה בתחום הבינה המלאכותית הם חלק מאסטרטגיה רחבה יותר של חדשנות ודמוקרטיזציה של הטכנולוגיה. החברה השקיעה רבות בפיתוח מודלי קוד פתוח כמו Llama, ששימשו בסיס לפיתוחים רבים אחרים בתעשייה, ואף הציגה את סדרת משקפי המציאות המעורבת Meta Quest – המשלבים יכולות AI מתקדמות.

גישה זו, בניגוד לגישה הסגורה יותר של חברות אחרות, מכוונת לא רק למשיכת כישרונות, אלא גם להאצת חדשנות בתחום ה-AI בכללותו. במובנים רבים, המודלים הפתוחים של מטא הפכו לכלים שאותם גם חוקרי OpenAI והקהילה האקדמית בוחנים ומשפרים. כלומר, גם המתחרות נהנות, במישרין או בעקיפין, מהגישה החופשית.

ההשלכות של מלחמת הכישרונות

המלחמה בין ענקיות הטק משקפת תופעה רחבה יותר: מחסור חמור בכישרונות עילית בתחום הבינה המלאכותית. מומחים מעריכים כי רק כמה עשרות עד אלף חוקרים בעולם אחראים להתקדמויות המשמעותיות ביותר במודלי שפה גדולים. התחרות העזה על כישרונות אלה הובילה להצעות שכר חסרות תקדים: חבילות של עד 20 מיליון דולר לשנה מגוגל DeepMind, בונוסי שימור של 2 מיליון דולר מ-OpenAI, ומקדמות מניות של 20 מיליון דולר או יותר.

משמעויות והתפתחויות בתעשייה

התחרות הזו משנה את פני התעשייה: חברות מתחרות על חוקרים כאילו היו כוכבי ספורט, והפרדיגמה עוברת מחדשנות טכנולוגית טהורה לתחרות על הון אנושי. השפעה בולטת היא עליית מחירי הכישרונות הכללית בתעשיית הטק כולה. חברות שפעם יכלו להסתמך על חבילות שכר סטנדרטיות מוצאות את עצמן מתמודדות עם ציפיות גבוהות יותר מצד מועמדים, גם בתחומים שאינם ליבת ה-AI. זה עלול להוביל ל”אינפלציית שכר” בקרב המהנדסים והמדענים המבוקשים ביותר, ולהקשות על סטארט-אפים קטנים יותר להתמודד מול ענקיות עם כיסים עמוקים. מעבר לכך, חברות רבות מציעות כיום הטבות אישיות חריגות, כמו מטוסים פרטיים וקריאות אישיות למועמדים בכירים, כדי לפתות אותם.

ההשלכות של תחרות כה עזה על כישרונות בודדים אינן נשארות רק בתחום הבינה המלאכותית. הן מתפשטות לכלל שוק העבודה הטכנולוגי:

• עליית מחירי הכישרונות בטק: כאשר שכר של מפתחי AI מזנק לעשרות מיליוני דולרים, זה יוצר לחץ כלפי מעלה על השכר גם בתחומים משיקים בטכנולוגיה – אבטחת סייבר, מחשוב ענן, Big Data ועוד. חברות בתחומים אלה עלולות למצוא את עצמן נאבקות לשמר עובדים מול הצעות מפתות מעולם ה-AI.
• אתגרים לסטארט-אפים: סטארט-אפים קטנים, שמתבססים על חדשנות ויצירתיות, מתקשים להתחרות בכיסים העמוקים של ענקיות כמו מטא וגוגל. הם נאלצים למצוא דרכים יצירתיות יותר למשוך ולשמר כישרונות, מעבר לפיצוי כספי, כגון הצעת מניות משמעותית יותר, אוטונומיה רבה יותר ו”תחושת משפחה”.
• השקעות בחינוך והכשרה: התחרות עשויה להאיץ השקעות משמעותיות בתשתיות חינוך והכשרה בתחום ה-AI, בניסיון להגדיל את היצע הכישרונות. ממשלות ואוניברסיטאות עשויות להבין את הדחיפות ולהאיץ תוכניות לימוד ומחקר בתחום.
• שינוי תרבותי בחברות: חברות רבות עשויות להידרש לבחון מחדש את התרבות הארגונית וההטבות שהן מציעות. אם כסף בלבד אינו מספיק כדי לשמר את “הטובים ביותר” (כפי שטוען אלטמן), חברות יצטרכו להשקיע יותר בבניית חזון משמעותי, באוטונומיה מקצועית ובתחושת שליחות לעובדים.

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

לפרטים נוספים לחצו כאן >>

כסף, חזון והעתיד שלנו

הסיפור המתגלה חושף מאבק מהותי בין שתי פילוסופיות: מטא מנסה לקנות את דרכה לחזית באמצעות השקעות כספיות עצומות, בעוד ש-OpenAI מתמקדת בבניית תרבות ארגונית המבוססת על חזון ומשימה. אלטמן סיכם: “אנחנו מציעים חבילה אחרת. זה קשור למשימה והיכולת לעשות עבודה חשובה”. התוצאות עד כה מעידות שלפחות בקרב עובדי OpenAI, חזון וייעוד מנצחים כסף. המאבק הזה בין כסף לחזון אינו רק סיפור על מיליארדרים. הוא מעצב את הטכנולוגיה שתהיה בטלפון שלנו מחר, את שוק העבודה של ילדינו, ואת השאלה הבסיסית – מה מניע חדשנות אמיתית?

הפוסט OpenAI נגד Meta בקרב המוחות של הבינה המלאכותית 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

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

איך זה עובד בפועל

במקום לשלם לגרפיקאים, כותבי תוכן ועורכי וידאו, כל תהליך הפרסום עומד להפוך לאוטומטי כמעט לגמרי. אתם מעלים תמונה של המוצר, מגדירים כמה כסף אתם מוכנים להוציא, ומכאן המערכת של Meta דואגת להכל: מייצרת מודעות מעוצבות, יוצרת סרטונים, כותבת טקסטים שמדברים בדיוק לקהל הנכון ומחליטה איפה ומתי להציג אותם. כל זה קורה תוך דקות, בלי צורך לצלצל לספקים או להמתין לסקיצות ותיקונים.

התאמה אישית ברמה גבוהה

המערכת החדשה לא תייצר סתם מודעות גנריות – היא תדע להתאים כל מודעה בדיוק למי שצופה בה. איך זה קורה? לפי מיקום גיאוגרפי, תחומי עניין והרגלים, זמן צפייה וגם היסטוריית הגלישה שלכם. המשמעות ברורה: שני אנשים יראו אותה מודעה, אבל כל אחד יקבל גרסה קצת שונה, שנכתבת, מעוצבת ומכוונת במיוחד אליו. זה מה שהופך את הפרסום להרבה יותר חד, פרסונלי ומדויק, כמעט כמו איש מכירות פרטי לכל גולש.

למה דווקא עכשיו?

השאיפה של Meta לאוטומציה מלאה לא צצה משום מקום. יש לזה שלוש סיבות עיקריות: התחרות מול TikTok וגוגל מתחממת, והחברה חייבת להציע למפרסמים משהו שאחרים לא נותנים. במקביל, המשקיעים לוחצים להגדיל רווחיות בלי להעמיס עוד עובדים ומשכורות. ולבסוף, גם הצרכנים דורשים היום תוכן ומודעות שתפורות להם אישית, לא מסרים גנריים שמבוזבזים על קהל לא רלוונטי.

מה כבר עובד בשטח

זה לא רק תכניות לעתיד, חלק מהמערכת כבר פעיל ומוכיח את עצמו. Meta מפעילה היום את Advantage+, מערכת קמפיינים חכמה שמנהלת קמפיינים בשווי מיליארדים ומתחילה להחליף את העבודה של סוכנויות פרסום מסורתיות. במקביל, החברה משיקה עוד ועוד כלים שמייצרים תמונות, סרטונים וטקסטים בלחיצת כפתור, בעזרת Generative AI, ומשדרגים את יכולת הפרסום של כל עסק, קטן כגדול.

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

למידע נוסף >>

ומה עם פרטיות ואתיקה?

כדי לאפשר רמת התאמה אישית כל כך גבוהה, Meta אוספת ומעבדת כמויות עצומות של מידע אישי – מיקום, תחומי עניין והיסטוריית גלישה. זה מעלה שאלות רגולטוריות ואתיות: עד כמה נכון להשתמש בנתונים האלה לדיוק מסרים? איך מגנים על פרטיות המשתמשים? בשווקים כמו אירופה הנושא הזה צפוי לעמוד במוקד.

איך להתכונן לשינוי כבר עכשיו

אם אתם בעלי עסקים, תתכוננו לחסוך הרבה כסף וזמן: יצירת קריאייטיב תעלה לכם עשירית מהיום, קמפיין יעלה לאוויר תוך דקות ולא ימים, והכלים של Meta ייתנו לכם יכולת שפעם רק סוכנויות ענק יכלו להרשות לעצמן. מצד שני, אם אתם עובדים בפרסום או קריאייטיב – אל תיכנסו ללחץ, אבל כן הגיע הזמן להשתדרג: פחות עיצוב ידני ויותר ניהול אסטרטגי, הכרות מעמיקה עם מערכות AI ובקרה על התכנים שהן מייצרות. מי שיידע להפוך למנהל מערכות AI, לשומר מותג (Brand Guardian) או למומחה ניתוח דאטה, יהיה כנראה מבוקש יותר מכולם. מי שישכיל לזוז עם השינוי – ירוויח ממנו יותר מכל השאר.

האם זה באמת עומד לקרות?

המערכות כבר כאן, משתמשים מרוצים והכיוון די ברור – רוב תהליך הקריאייטיב בדרך להפוך לאוטומטי. ועדיין, זה לא מושלם: בינה מלאכותית לא תמיד מבינה ניואנסים תרבותיים, לפעמים התוכן מרגיש שטחי או דומה מדי למתחרים, ויש גם תקלות וטעויות שמחייבות עין אנושית וסטייל אישי. זו גם הסכנה: אם כולם ישתמשו באותם כלים, התוכן עלול להיראות ולהישמע דומה מדי. כאן ייבחן הערך של רעיונות מקוריים וחשיבה קריאייטיבית אמיצה. רוב המומחים מסכימים – זו לא שאלה של אם זה יקרה, אלא מתי בדיוק זה יהפוך לסטנדרט.

מה הצעד הבא שלכם

אם אתם בעלי עסקים, תתחילו לבדוק כבר היום את הכלים האוטומטיים של Meta, בעיקר Advantage+. תבחנו כמה אתם משלמים היום על הפקת תוכן פרסומי ותחשבו איך אפשר לחתוך עלויות בלי לוותר על איכות. במקביל, שווה להבין את הבסיס של פרסום אוטונומי ולהתנסות בקמפיינים קטנים. אם אתם אנשי פרסום – זה בדיוק הזמן ללמוד לעבוד עם כלים כמו ChatGPT, Midjourney ו־Canva AI, לשדרג את החשיבה האסטרטגית שלכם ולעבוד חכם יותר עם דאטה ותוצאות. מי שיעשה את זה עכשיו – יהיה צעד אחד לפני כולם כשהמהפכה תתפוס תאוצה.

לא לחכות, לפעול עכשיו

לסיכום, המהלך של Meta להפוך את עולם הקריאייטיב לאוטומטי כמעט לגמרי עד 2026 הוא כנראה המהפכה הכי גדולה בשיווק מאז המעבר לדיגיטל. הוא יחסוך הוצאות, יקצר תהליכים ויהפוך את ניהול הקמפיינים למהיר, מדויק ואישי יותר. מי שיתחיל להתנסות ולהתכונן עכשיו – ירוויח זמן, כסף וביטחון עסקי. מי שיחכה לרגע האחרון? ימצא את עצמו צועד מאחור כשהשוק רץ קדימה. אל תחכו, התחילו לבדוק, ללמוד ולהתנסות כבר עכשיו.

הפוסט Meta מתכננת מהפכת פרסום עם AI עד 2026 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

שני דברים שחשוב לומר לפני שמתחילים:

1. הנתונים במאמר, שמבוססים על הדו”ח של FirstPageSage, מתארים ממוצע תנועת משתמשים ב-90 הימים האחרונים בארצות הברית בלבד. הם לא כוללים שימוש גלובלי או יישומים פנים-ארגוניים.

2. מאז פרסום הדו”ח, גם Google וגם Microsoft הפגיזו בהשקות נוצצות של כלים מבוססי בינה מלאכותית – וגם Claude ו-ChatGPT הציגו יכולות חדשות, חיבורים למערכות חיצוניות וכלים מתקדמים. השוק הזה דינמי במיוחד – והמספרים, אחוזי הצמיחה ונתחי השוק משתנים כל הזמן בהתאם. בואו נתחיל…

ChatGPT עדיין המלך – אבל הכתר נהיה כבד

נתחיל עם הפיל שבחדר. ChatGPT עדיין מוביל את השוק עם 59.7% מהתנועה האמריקאית נכון לאפריל 2025, כלומר, יותר ממחצית מכל מי שמשתמש בצ’אטבוטים בינה מלאכותית, בוחר ב-OpenAI. אבל זו כבר לא אותה שליטה. בינואר 2024 הם החזיקו ב-76.4% מהשוק. תוך קצת יותר משנה, הם איבדו לא פחות מ־16.7% מהשוק. זה לא שינוי קטן – זו שחיקה אמיתית. מה זה אומר לנו? תקופת ירח הדבש נגמרה. המשתמשים התחילו לחפש ברצינות אלטרנטיבות – והפעם, הם גם מוצאים כאלה ששוות את זה. וזה רק קצה הקרחון של השינויים שמתרחשים בשוק הזה ברבעונים האחרונים.

חלוקת השוק: מי שולט בצ’אטבוטים של הבינה המלאכותית?

שחקנים קטנים עם מהלכים גדולים

אחרי תקופה לא קצרה שבה שוק הצ’אטבוטים נשלט כמעט לחלוטין על ידי ענקים, עכשיו מגיעים השחקנים הקטנים – והם זזים מהר. Claude AI הוא השד המהיר של המרוץ הזה – צמיחה של 14% ברבעון, כפול משיעור הצמיחה של ChatGPT. עם נתח שוק של 3.2% בלבד, זה אולי נשמע שולי – אבל זה בסיס שמשתפר במהירות. משהו בגישה הרצינית וההתמקדות במשתמשים עסקיים תופס בדיוק את מי שמרגיש ש-ChatGPT לא מדבר מספיק “שפת עבודה”.

Perplexity הוא אלוף הדיוק – 6.2% נתח שוק ו-10% צמיחה רבעונית. והסיבה ברורה: הם מיתגו את עצמם כ”מנוע חיפוש בינה מלאכותית שמתמקד בדיוק”. בעולם שבו יותר מדי כלים ממציאים עובדות, משתמשים כבר למדו לזהות ערך כשמופיעה אמינות.

ואז יש את Grok – הקלף המפתיע. 0.8% נתח שוק בלבד, אבל צמיחה של 12% ברבעון. האינטגרציה עם X (לשעבר טוויטר) נותנת להם זווית חברתית ייחודית, ממשק קליל, וגישה שפונה בדיוק לקהל שמחפש חוויית צ’אט שונה, פחות רצינית ויותר נוכחת ברשתות.

המציאות הלא נעימה של Microsoft ו-Google

שתי ענקיות הטכנולוגיה עם הכי הרבה כוח – אבל משהו חורק.

Microsoft Copilot מחזיק ב־14.3% מהשוק, אך מציג צמיחה רבעונית צנועה של 6% בלבד. בהתחשב בזה שהוא משולב עמוק בתוך חבילת ה-365 של מיקרוסופט – זה נתון מאכזב. Copilot רוכב על ההצלחה של ChatGPT, אבל לא מצליח לייצר זהות נפרדת. המשתמשים מרגישים שזה פשוט ChatGPT בלבוש משרדי.

Google Gemini במצב דומה – 13.4% נתח שוק, עם צמיחה רבעונית של 5% בלבד. וזה מפתיע, כי זו Google: החברה שהביאה לנו את Transformer ואת כל הבסיס של דור הבינה הנוכחי. ובכל זאת, הם איבדו כ־3% מהשוק מאז ינואר 2024 – בשוק שבו כל עשירית אחוז שווה מיליוני משתמשים.

כמו שזה נראה עכשיו, שתי החברות מנסות להיות הכל לכולם – והתוצאה היא מוצר גנרי שלא מדבר לקהל ספציפי. בעולם שבו המשתמשים מחפשים התאמה אישית, זה פשוט לא מספיק.

ה”נטפליקסיזציה” של שוק הצ’אטבוטים

הנתונים מצביעים על מגמה חדה: אנחנו כבר לא בעולם של “צ’אטבוט אחד ששולט בהכול”. המשתמשים נהיים מתוחכמים יותר – והם מבינים שכלי אחד לא יכול לשרת את כל הצרכים שלהם. בדיוק כמו שאנחנו לא מסתפקים בערוץ טלוויזיה אחד – אלא מרכיבים לעצמנו חבילת סטרימינג לפי טעם – כך גם בצ’אטבוטים. משתמשים ב-Claude לצרכים עסקיים, ב-Perplexity כשחשוב דיוק ומקורות, ב-Brave Leo כשפרטיות עומדת בראש, ובכלים כמו Komo, Andi או Deepseek כשצריך מענה ייחודי לנישה מסוימת.

זה לא רק שוק תחרותי – זו אבולוציה של ממש. שוק שמתפצל, מתמקד – והולך בעקבות מה שהמשתמשים באמת צריכים.

פרטיות ואמון

יש נקודה קריטית שמרבית האנליסטים מפספסים – והיא הולכת להפוך לאחת השאלות הבוערות של השנים הקרובות: הפרטיות.

Brave Leo AI, צ’אטבוט מובנה בדפדפן Brave, שמציע תשובות חכמות תוך שמירה מלאה על פרטיות המשתמש וללא איסוף מידע אישי, מחזיק רק 0.2% נתח שוק, אבל צומח בקצב של 6% ברבעון. זה אולי נראה שולי – אבל תעצרו רגע ותשאלו את עצמכם בכנות: מה בדיוק הצ’אטבוט שלכם שומר? כמה מידע אישי, מקצועי, או רגיש אתם שופכים לתוך המערכת – בלי לדעת לאן הוא הולך? רוב האנשים עדיין לא שואלים את זה. אבל אלה שכן, כבר מצביעים ברגליים, ומתחילים לחפש אלטרנטיבות שמתייחסות אליהם לא רק כמשתמשים – אלא גם כבני אדם עם זכויות.

אם Perplexity מצטיין בדיוק – Brave מצטיין באמינות. וזה לא פחות חשוב. בשוק שבו כלים מתחרים על מהירות, עוצמה ופיצ’רים, Brave בונה יתרון אחר לגמרי: אמון. וזה מגדיר מחדש את מה שמשתמשים מתחילים לצפות מצ’אטבוט.

תובנות מעשיות

על בסיס כל הנתונים האלה – הנה העצות הכי כנות שאפשר לתת לכם:

• אם אתם משתמשים עסקיים – תנו ל-Claude AI הזדמנות. הם מתמחים בעבודה עם מסמכים, תהליכים ונתונים רגישים.
• אם אתם מחפשים דיוק ומקורות – נסו את Perplexity. הוא לא סתם עוד צ’אט – הוא נבנה להיות מדויק, תכליתי, ומגובה במקורות אמינים. וזה מורגש.
• אם הפרטיות חשובה לכם – בדקו את Brave Leo. הוא אולי קטן, אבל לפעמים, דווקא הכלים שמוותרים על דאטה הם אלה שמכבדים אתכם באמת.

ולכולם – ChatGPT הוא עדיין כלי חזק, אבל העולם לא נשאר חד-צדדי. אל תבנו על צ’אטבוט אחד שיעשה הכול. תתחילו לבנות סל כלים. לא בגלל שזה נחמד – אלא כי זו הדרך הכי חכמה לעבוד היום עם בינה מלאכותית.

מה יקרה הלאה?

אני לא באמת יודע, אבל כשאני בוחן את הנתונים ואת המגמות של 2025, שלושה שינויים גדולים בולטים לעין – והם כבר מתרחשים מולנו. השוק הולך ומתפצל – משתמשים מפסיקים להסתפק בכלי אחד, ומתחילים להרכיב לעצמם “סל כלים” שמותאם לצרכים שונים. כלים מתמחים עוקפים את הכלליים – כי כשהמטרה היא לדייק, לפתור בעיה מסוימת או לחסוך זמן, כלים כלליים פשוט לא מספקים את הסחורה. ובמקביל, הפרטיות הופכת לגורם מבדל משמעותי – בדיוק כמו שקרה בעבר עם דפדפנים כמו Brave או Firefox, גם בצ’אטבוטים מתחילים לחפש את מי שלא אוסף הכל. וזה כבר לא שאלה של “אם” – אלא של “מתי”. והמתי הזה הוא ממש עכשיו.

השורה התחתונה

שוק הצ’אטבוטים עובר אבולוציה. השליטה של ChatGPT עדיין ברורה – אבל היא נשחקת בקצב מואץ. Google ו-Microsoft נאבקות לשמור על הרלוונטיות שלהן. והעתיד? הוא שייך לכלים שלא מנסים לעשות הכול, אלא מתמקדים בפתרון מדויק לבעיה אמיתית. אז אל תשימו את כל הביצים שלכם בסל אחד. או בשפת הבינה המלאכותית – אל תשימו את כל הטוקנים שלכם על מודל אחד. המהלך החכם הוא להתחיל לבנות סל כלים אסטרטגי. לא כי זה “מגניב לנסות” – אלא כי זו המציאות החדשה. הכוח האמיתי הוא לא בזה שיש לנו AI – אלא בזה שאנחנו יודעים לבחור את הכלי הנכון, בזמן הנכון, למשימה הנכונה.

אז מה הצעד הבא שלכם? תבחרו כלי אחד מתמחה, תנו לו שבוע של ניסוי אמיתי, ותראו אם הוא מביא לכם ערך. הנתונים אומרים שכן. עכשיו תורכם לבדוק.

הפוסט מי מנצח ומי מפסיד במלחמות הצ’אטבוטים 2025? הופיע ראשון בLet's AI בינה מלאכותית

מה זה o3-pro ולמה הוא שונה?

o3-pro הוא הדגם החדש ביותר בסדרת המודלים “החושבים” של OpenAI, שממשיכים את הקו של o1-pro. הוא נבנה מתוך מטרה אחת ברורה: לספק תשובות מדויקות, שקולות ומבוססות גם כשהשאלה מורכבת במיוחד. במקום לספק תגובה מיידית, o3-pro פועל בגישה שונה – הוא עובד שלב אחר שלב, מפרק את הבעיה, בודק הנחות ומגיע לתשובה בצורה שקולה. בעידן שבו רוב המודלים מתמקדים במהירות, o3-pro בולט דווקא בזה שהוא לוקח את הזמן כדי לחשוב לעומק – מה שהופך אותו לכלי מדויק ואמין יותר עבור משימות שדורשות ניתוח רציני.

למי o3-pro זמין – וכמה זה עולה?

מודל o3-pro זמין כבר עכשיו עבור חלק מהמשתמשים:

• משתמשי ChatGPT Pro ו-Team: כבר היום תוכלו לבחור ב-o3-pro מתוך תפריט המודלים – ללא עלות נוספת.

• משתמשי Enterprise ו-Edu: יקבלו גישה במהלך השבוע הקרוב.

• מפתחים (API): המודל זמין גם ב-API, במחיר של $20 למיליון טוקנים של קלט ו-$80 למיליון טוקנים של פלט.
  
  מדובר בהוזלה משמעותית לעומת o1-pro, שעלה קודם לכן $60 לקלט ו-$120 לפלט.

עד כמה o3-pro מדויק ומה זה אומר בפועל?

כדי להבין את ההבדל ש-o3-pro מביא איתו, צריך להסתכל לא רק על תחושת השימוש, אלא על המספרים. OpenAI הריצה את המודל החדש בסדרה של מבחנים תובעניים במיוחד, שבודקים לא רק אם המודל יודע את התשובה, אלא אם הוא יכול לספק אותה שוב ושוב באמינות מלאה.

במבחן שנקרא “4 מתוך 4”, המודל צריך לענות נכון לא רק פעם אחת – אלא ארבע פעמים רצוף, על אותה שאלה, בניסוחים שונים. זו דרך לבחון עד כמה התשובות שלו יציבות, מדויקות ולא אקראיות.

אמינות בתשובות עקביות

התוצאות מרשימות: במתמטיקה תחרותית, o3-pro הגיע ל-90% הצלחה – לעומת 80% בלבד בדגמים הקודמים (o1-pro וגם o3 הרגיל). גם במדע ברמת דוקטורט (GPQA), הוא מוביל עם 76%, בהשוואה ל-74% של o1-pro ו-67% של o3. ובתחום התכנות התחרותי, הפער אפילו גדול יותר: הציון של o3-pro במודל הדירוג של Codeforces טיפס ל-2301, לעומת 2011 של o3 הרגיל ו-1423 בלבד של o1-pro.

אבל זה לא הכול. כדי לבדוק כמה טוב המודל בפעם הראשונה, נבחן גם מדד שנקרא pass@1 – כלומר, האם התשובה הראשונה שהמודל נותן היא נכונה. גם כאן, o3-pro הראה שיפור בכל תחום: 93% הצלחה במתמטיקה (לעומת 86% ב-o1-pro), 84% במדעים (לעומת 79%), ואפילו 2748 נקודות ב-Codeforces – נתון שמציב אותו ברמת “מתחרה עילית” בתחרויות תכנות.

דיוק בתשובה הראשונה

ולבסוף, הניסוי החשוב מכל – השוואה מול בני אדם. OpenAI ביקשה ממומחים אנושיים להכריע בין תשובות שנכתבו על ידי o3-pro לעומת תשובות של o3 הרגיל, בלי לדעת מי כתב מה. התוצאה? o3-pro נבחר כעדיף ברוב המוחלט של המקרים: 66.7% בכתיבה אישית, 64.9% בניתוח מדעי, 62.7% בתכנות, ו-64.3% בניתוח נתונים. מדובר בשיפור מדיד, אמיתי – שמבסס את o3-pro כמודל שמגיע לביצועים שמתחרים (ואפילו עוקפים) מומחים אנושיים בתחומם.

השוואה מול מומחים אנושיים

מה הכלים ש-o3-pro מביא איתו?

מעבר ליכולות החשיבה המעמיקות שלו, o3-pro מצטיין גם ביכולת להתחבר לעולם החיצון. הוא לא רק עונה על שאלות – הוא גם יודע לחפש, לקרוא, לנתח ולהריץ קוד בזמן אמת. כשהמודל צריך מידע מעודכן, הוא פשוט שולח שאילתת חיפוש לרשת. כששולחים לו קובץ PDF, גיליון Excel או מסמך Word – הוא קורא, מבין, ומסכם את העיקר. אפשר גם לשלוח לו תמונה, והוא יודע לזהות מה רואים בה ולהגיב בהתאם.

למתכנתים הוא מציע סביבת הרצה לקטעי קוד ב-Python – כולל הדגמות, בדיקות ודוחות גרף. ולמשתמשים עם זיכרון פעיל, הוא אפילו זוכר פרטים חשובים מהעבר – ויודע להשתמש בהם כדי לתת תשובות מותאמות אישית יותר. בקיצור, זה לא רק מודל טקסט – זה עוזר אישי עם כישורים רחבים, שחושב כמו חוקר, קורא כמו אנליסט, ומגיב כמו מפתח תוכנה.

מתי כדאי להשתמש ב-o3-pro – ומתי לא?

o3-pro הוא לא המודל שתריצו בשביל שיחה קלילה או בדיחה אקראית. הוא נועד לרגעים שבהם אתם אומרים לעצמכם: “אני חייב תשובה מדויקת – ושווה לי לחכות בשבילה.” אם אתם עובדים על בעיה מתמטית מורכבת, נתקעים בשורת קוד מתוחכמת, מנסים להבין מאמר מדעי עמוס או כותבים טקסט שצריך להיות מדויק עד רמת הפסיק – זה הרגע לשלוף את o3-pro.

אבל אם כל מה שאתם צריכים זה לבדוק עובדה פשוטה, לתרגם משפט, לכתוב מייל קצר או ליצור תמונה – עדיף לבחור במודל מהיר יותר כמו GPT-4o, שפועל ברגע ומחזיר תשובות כמעט מיידית. במילים אחרות: כשאיכות קובעת – לכו על o3-pro. כשמהירות קובעת – עדיף להישאר עם הכלים המהירים.

מה המגבלות של o3-pro כרגע?

למרות היתרונות המרשימים שלו, חשוב לדעת ש-o3-pro עדיין לא מתאים לכל שימוש, ויש כמה מגבלות טכניות שכדאי לקחת בחשבון.

• זמני תגובה ארוכים יותר – o3-pro עובד לאט יותר ממודלים אחרים, כי הוא מתוכנן “לחשוב לעומק”. זה לא באג – זו תכונה. אבל זה אומר שתצטרכו להמתין לפעמים דקה או שתיים לתשובה.

• אין יצירת תמונות – המודל הזה לא תומך ביצירת תמונות. אם אתם רוצים לייצר ויזואליים – השתמשו ב-GPT-4o או o4-mini.

• Canvas לא נתמך – נכון לעכשיו, לא ניתן להריץ את o3-pro בסביבת Canvas.

• צ’אטים זמניים מושבתים זמנית – OpenAI מציינת שיש תקלה זמנית בממשק זה, כך שהשימוש בו מושעה עד להודעה חדשה.

אלה לא בהכרח בעיות מהותיות, אבל הן חשובות אם אתם מתכננים שימוש תפעולי במודל – במיוחד אם אתם עובדים עם תהליכי אוטומציה או על דדליין.

השורה התחתונה

o3-pro הוא לא מודל לכל משימה – והוא גם לא מתיימר להיות כזה. אבל כשדיוק, עומק ואמינות הם תנאי סף – זה הכלי הכי טוב ש-OpenAI מציעה כרגע. אם אתם כותבים טקסט רגיש, פותרים בעיה מורכבת, בודקים נתונים חשובים או פשוט רוצים לוודא שהתשובה שקיבלתם מחזיקה מים גם אחרי קריאה שנייה – זה הזמן להפעיל את o3-pro. לשאלות פשוטות, תגובות מהירות או משימות גרפיות – יש כלים אחרים, מהירים וזמינים יותר. אבל כשאתם רוצים להיות בטוחים, באמת בטוחים, שהוא מבין את השאלה עד הסוף, ומחזיר לכם את התשובה הכי שקולה שאפשר? זה הרגע לבחור במודל o3-pro.

הפוסט OpenAI משיקה את מודל o3-pro הופיע ראשון בLet's AI בינה מלאכותית

קפיצה קוגניטיבית בלב המחסן

לפני מספר חודשים בלבד, Helix עשה את צעדיו הראשונים במחסן. היום, הוא כבר מתפקד כממיין חבילות במהירות ובדיוק שמתקרבים לרמה אנושית – והכול, בלי שכתבו לו שורת קוד אחת לכל משימה. המספרים מדברים בעד עצמם: זמן טיפול ממוצע ירד מכ-5 שניות ל-4.05 – שיפור של כמעט 20%. אבל זה לא רק עניין של מהירות. Helix עבר ממיון של קופסאות פשוטות לטיפול בשקיות פלסטיק גמישות, מעטפות שטוחות ופריטים מקומטים – מה שדורש התאמה קוגניטיבית ומוטורית. אחוזי הסריקה? עלו מ־88.2% ל־94.4% – שיפור מדוד, מבוקר, ומרשים. המשמעות ברורה: לא רק שהוא מהיר יותר – הוא גם מסתדר עם עולם מורכב הרבה יותר.

למידה ללא גבולות: איך יותר דוגמאות הופכות את Helix לטוב יותר

מה באמת חדשני ב־Helix?

רובוטים רגילים יודעים לבצע – אבל רק את מה שתוכנת להם. Helix שובר את הכלל הזה: הוא לומד מצפייה בבני אדם ומיישם את הלמידה על מצבים חדשים, לא צפויים, משתנים. איך הוא עושה את זה? עם שלוש יכולות שעד לא מזמן היו שמורות רק לנו:

• זיכרון ראייה (Vision Memory): Helix לא רק “רואה” – הוא זוכר מה כבר ראה לפני רגע. זה מאפשר לו להימנע מתנועות מיותרות ולבחור את הזווית הנכונה – בדיוק כמו שאנחנו זוכרים מאיזה צד כבר ניסינו לפתוח את הקופסה.

• חיישני כוח (Force Feedback): כשהוא נוגע בפריט, Helix מרגיש את ההתנגדות ומגיב בהתאם. יש שקית פלסטיק מקומטת? הוא לא ימעך אותה – הוא יחליק בעדינות את הקמטים, בדיוק במידה שתחשוף את הברקוד.

• זיכרון מצבים (State History): הוא שומר רצף של פעולות ותוצאות. כלומר, אם משהו השתבש – הוא לא צריך להתחיל מאפס. הוא לומד תוך כדי תנועה, כמו שאנחנו לומדים מטעויות קטנות.

במקום רק לבצע פקודות – Helix מבין מה הוא עושה. וזה שינוי עמוק.

בתמונה המצורפת אפשר לראות דיאגרמה טכנית של System 1 ברובוט Helix, המראה כיצד המערכת משלבת זיכרון ראייה מרגעים קודמים (T-n, T-1, T) עם נתוני מצב וכוח בזמן אמת. המעבד המרכזי (S1 Transformer) מעבד את כל המידע ומפיק החלטות פעולה בקצב של 200 פעמים בשנייה – מה שמאפשר לרובוט לא רק לראות ולהגיב, אלא גם לזכור ולהכליל מניסיון קודם:

המוח של Helix: כך נראית אינטליגנציה רובוטית עם זיכרון

למידה מהדגמה: פריצת דרך אמיתית

Helix לא רק ממיין. הוא לומד משימות חדשות על בסיס הקשר. הראו לו כמה דוגמאות של בני אדם שמושיטים יד – והוא הבין לבד מתי לעצור את פעולת ההנחה, ולמסור את החבילה ישירות. אותה רשת נוירונים, אותם משקלים. ההבדל היחיד: מה שהוא רואה – ואיך הוא מפרש את זה. זו בדיוק העוצמה של למידה מהדגמה: לא צריך לתכנת כל משימה מראש. Helix לא מקבל שורות קוד – אלא צופה, מבין, ומכליל.

ומה קורה כשנותנים לו עוד דוגמאות? במחקר פנימי של Figure, העלו את כמות ההדגמות מ־10 שעות ל־60. התוצאה: זמן הטיפול ירד ב־58%, ואחוז ההצלחה עלה מ־88.2% ל־94.4%. והדבר המרשים ביותר? המערכת לא הגיעה לרוויה. כל שעה נוספת – דוחפת את היכולות עוד צעד קדימה. זו לא מדרגה. זו רמפה. וזה ההבדל בין רובוט שמבצע – לרובוט שלומד.

כוח ההדגמה: איך יותר נתונים = ביצועים טובים יותר

ההקשר הרחב

שוק הרובוטיקה ההומנואידית הפך לזירת מירוץ צפופה של ענקיות. Boston Dynamics עם Atlas החשמלי מציגה אקרובטיקה מרהיבה. Tesla מפתחת את Optimus עם מטרה אחת – ייצור המוני.

Agility Robotics מציבה את Digit כעובד שמסוגל לנוע בין בני אדם בלי להפחיד. אבל Helix שונה – לא בגלל השרירים, אלא בגלל המוח.

בעוד אחרים מתמקדים ביציבות, תנועה, או ייצור בקנה מידה – Helix מבצע, חושב, ולומד. הוא לא רק מגיב. הוא בוחר. הוא מתכנן. ופה מגיע ההבדל האסטרטגי האמיתי: Figure לא שמה את ה-AI שלה בידיים של אחרים. היא מפתחת את המודלים שלה, מקצה לקצה. ברט אדקוק (Brett Adcock), המייסד והמנכ”ל, ניסח את זה חד:

“הבנו שאם רוצים לפתור את אתגרי הבינה המלאכותית הגשמית, בקנה מידה ובעולם האמיתי, חייבים לבנות את המערכת מקצה לקצה. אי אפשר לעשות מיקור חוץ למוח.”

וזה, בדיוק, מה שמציב אותם צעד אחד לפני כולם.

מה המספרים מספרים?

בשוק תחרותי כמו זה, הכסף לא זורם להבטחות – הוא זורם למי שנראה שיכול לקיים. Figure עומדת כרגע בדיוק במקום הזה. במרץ 2024, החברה גייסה 675 מיליון דולר לפי שווי של 2.6 מיליארד דולר. השמות ברשימת המשקיעים לא פחות חשובים מהסכום: Microsoft, Nvidia, OpenAI, וגם ג’ף בזוס.

ועכשיו? רק שנה אחרי – Figure נמצאת במו”מ לגיוס נוסף של 1.5 מיליארד דולר. השווי? 39.5 מיליארד דולר. עלייה של פי 15 ב־12 חודשים. זה לא רק גיוס – זה סימן קריאה. השוק לא מהמר על עוד רובוט. הוא מהמר על שינוי עמוק באופן שבו אינטיליגנציה נכנסת לעולם הפיזי.

האתגרים שעוד לפנינו

כמו כל טכנולוגיה מתקדמת – Helix עדיין לא חופשי לפעול בכל מקום. הוא עובד כיום בסביבה מבוקרת: מחסן עם תאורה קבועה, פריטים ידועים, וסדר פעולות חוזר. אבל העולם האמיתי? הרבה יותר בלאגן. תנאי שטח משתנים, אובייקטים בלתי צפויים, אנשים שמגיבים אחרת בכל פעם – אלה האתגרים שעדיין ממתינים לו מעבר לדלת. גם כשמדובר בהחלפת עובדים – צריך לדייק: Helix מצטיין במשימות ברורות, חזרתיות, ומבוססות תבנית. אבל בכל מה שדורש אלתור, שיפוט אנושי או הבנה רגשית – לבני אדם עדיין יש יתרון ברור. אז כן – המהפכה התחילה. אבל היא לא הושלמה.

והשלב הבא שלה? להתמודד עם כאוס – בדיוק כמו שאנחנו עושים כל יום.

השורה התחתונה

Helix הוא לא רק רובוט ממיין. הוא עדות חיה לכך שמערכת יכולה ללמוד, להסתגל – ולהתקרב לביצועים אנושיים לא דרך קוד, אלא דרך צפייה. אבל הסיפור האמיתי גדול הרבה יותר. Helix מראה לנו שמהפכת הבינה המלאכותית בעולם הפיזי לא תבוא מהנדסה בלבד – אלא מהוראה. לא נצטרך עוד לתכנת כל פעולה. פשוט נראה להם מה לעשות. וברגע שמכונה לומדת מהקשר – ולא רק מביצוע -אנחנו לא רק בונים כלים חכמים יותר. אנחנו בונים שפה חדשה בין בני אדם למכונות. וזה, בדיוק, העתיד.

רובוט בונה רובוט – ועתיד הרובוטיקה מחוץ למחסנים

אם בא לכם עוד קצת רובוטים, תארו לעצמכם פס ייצור שבו רובוטים לא רק נבנים – אלא גם בונים אחד את השני. זה בדיוק מה שקורה במפעל BotQ של Figure: מתקן מתקדם שמסוגל לייצר עד 12,000 רובוטים הומנואידיים בשנה. אבל המספרים הם רק חצי מהסיפור. החצי השני? הדרך החדשנית שבה Figure בונה – גם את הרובוטים, וגם את עתיד התעשייה. כך נראה המפעל שבו רובוטים מייצרים רובוטים. ואם Helix מראה לנו איך רובוט לומד ומתפקד כמו אדם – המהפכה הבאה כבר דופקת על הדלת: מה אם כל אחד יוכל להרשות לעצמו אחד כזה? בתערוכת CES האחרונה בלאס וגאס, שתי חברות סיניות שברו את השוק עם רובוטים הומנואידיים במחיר של מכונית משפחתית. כן, שמעתם נכון – החל מ־13,700 דולר בלבד. הכירו את הרובוטים הסיניים שעושים היסטוריה.

הפוסט כך Helix של Figure AI משנה את הדרך שבה מכונות לומדות לעבוד הופיע ראשון בLet's AI בינה מלאכותית

החזון: יותר חדשנות, פחות סיכונים

“בטכנולוגיות הבינה המלאכותית טמון פוטנציאל רב לצמיחת המשק, לשיפור הפריון, להעלאת רמת החיים ולייעול המערכת הציבורית”, קובע המדריך בפתיחתו. המסר ברור: הממשלה לא מתכוונת לעמוד מהצד בעוד העולם מאמץ כלי AI מתקדמים. היא רוצה להוביל – אבל באופן חכם ואחראי.

החתימה על המדריך מגיעה שנתיים וחצי לאחר השקת ChatGPT, שהפכה בין לילה את הבינה המלאכותית מנושא אקדמי לכלי עבודה יומיומי. “זהו המסמך הממשלתי המקצועי הראשון שמציע שיטות עבודה מומלצות לגופים ציבוריים המבקשים לשלב מערכות בינה מלאכותית”, מדגיש המדריך, שנכתב במשותף על ידי מערך הדיגיטל הלאומי, משרד המשפטים ומשרד החדשנות.

חמשת עקרונות הזהב לשימוש אחראי

המדריך מאמץ את העקרונות שפיתח ארגון ה-OECD ומתאים אותם למציאות הישראלית. חמשת עקרונות היסוד הם:

1. צמיחה ורווחת הכלל: AI צריכה להביא תועלת אמיתית – קיצור זמני המתנה, שיפור איכות השירותים, הפחתת נטל בירוקרטי. לא רק טכנולוגיה לשם הטכנולוגיה.

2. כיבוד החוק וזכויות האדם: כל שימוש ב-AI חייב להתבצע תוך שמירה על הערכים הדמוקרטיים – כבוד האדם, שוויון, פרטיות ואוטונומיה. אין פשרות על זה.

3. שקיפות והסברתיות: הציבור זכאי לדעת מתי הוא מקבל שירות המסתמך על AI, איך המערכת פועלת ומה המגבלות שלה.

4. ביטחון ובטיחות: המערכות חייבות להיות אמינות וחסינות בפני התקפות או שימוש לרעה.

5. אחריותיות: תמיד יש כתובת אנושית אחראית. AI הוא כלי – הוא לא מקבל החלטות עצמאי.

חמשת עקרונות הזהב לשימוש אחראי בבינה מלאכותית במגזר הציבורי

ארבע השכבות של הממשל החדש

המדריך מציע מודל ממשל ברור עם ארבע שכבות של אחריות:

הנהלת הארגון מספקת את המעטפת התקציבית והתפעולית וממנה את הגורמים האחראים.

אחראי משילות בינה מלאכותית – דמות חדשה בארגון הציבורי, שתפקידה לקבוע את המדיניות הארגונית. במקרים רבים זה יהיה מנהל הדאטה הארגוני (CDO), אבל יכול להיות גם גורם אחר בעל הכישורים הרלוונטיים.

אחראי יישום עסקי – הגורם העסקי שמוביל פרויקט AI ספציפי. זה יכול להיות מנהל אגף, יו”ר ועדה או גורם מקצועי אחר.

משתמשי קצה – העובדים שמשתמשים בכלי AI בפועל ועליהם לפעול באופן אחראי ושקול.

כללי אצבע לעובד המדינה

החלק הכי פרקטי במדריך מוקדש לעובדים שמשתמשים בכלי AI בעבודתם היומיומית. הנחיות הליבה ברורות ומחייבות:

מה אסור להזין למערכות חיצוניות?

כל מידע מוגן – פרטים אישיים, מידע רגיש, סודיות מסחרית, מידע מסווג או כל דבר שמוגן על ידי חוק חופש המידע. הכלל הפשוט: אם לא הייתם מוכנים לפרסם את זה בעיתון, אל תזינו את זה לצ’אטבוט.

בדיקת מהימנות חובה

“אין להניח שהתוכן נכון מבלי לבדוק אותו”, מדגיש המדריך. מערכות AI יכולות לייצר מידע שגוי, ציטוטים מומצאים או אפילו “הזיות” – מידע שנראה אמין אבל אינו נכון.

תמיכה בהחלטה, לא החלטה

זה אולי העיקרון הכי חשוב. AI צריך לשמש כעוזר לקבלת החלטות, לא כמקבל החלטות. “יש להתייחס לתוצאות המתקבלות כתומכות החלטה אנושית, ולא כמקור יחיד לקבלת מידע או כהחלטה סופית”, קובע המדריך.

תיעוד ושקיפות

כשעושים שימוש משמעותי ב-AI בגיבוש תוצרים, מומלץ לציין זאת. אין להציג תוכן שנוצר על ידי בינה מלאכותית כאילו הוא פרי יצירה אנושית מקורית.

הענן הממשלתי כאלטרנטיבה מאובטחת

אחד המסרים המרכזיים במדריך הוא הדחיפה לשימוש בפרויקט “נימבוס” – הענן הממשלתי. במקום להשתמש בכלי מדף חיצוניים כמו ChatGPT, הממשלה מציעה שירותי AI מתקדמים בסביבה מאובטחת שנרכשה תוך הקפדה על הדין הישראלי.

“לממשלת ישראל יש היצע שירותים רחב מאוד של כלי בינה מלאכותית, הזמין הן ישירות על ידי ספקיות הענן והן על ידי ארגונים נוספים המספקים מוצרים המותקנים בסביבות של ספקיות הענן”, מציין המדריך. זו אמירה חשובה: הממשלה לא רק מסדירה את השוק, אלא גם מציעה אלטרנטיבה ממשלתית מובנית.

ניהול סיכונים הלכה למעשה

המדריך מקדיש פרק נרחב למתודולוגיה מקיפה לניהול סיכונים – אולי החלק הכי טכני אבל גם הכי חיוני. התהליך מתחלק לארבעה שלבים:

שלב 1: ניתוח והערכת תועלות וסיכונים – מיפוי מקיף של מה יכול להשתבש ומה התועלת הצפויה.

שלב 2: תכנון פעולות הפחתה – איך מצמצמים את הסיכונים בעזרת אמצעים טכניים וארגוניים.

שלב 3: קבלת החלטה – האם להתקדם עם הפרויקט, תוך שקלול של כל השיקולים.

שלב 4: יישום ומעקב – הפעלת המערכת תוך מעקב שוטף ובקרה.

מתודולוגיה מקיפה להטמעה בטוחה ואחראית של AI במגזר הציבורי

המדריך מפרט סוגי סיכונים שונים: תפעוליים (כשלים טכניים), כלכליים (הפסדים כספיים), בריאותיים ובטיחותיים (פגיעה ממשית באנשים), סביבתיים, סיכוני אבטחת מידע ופגיעה באמון הציבור.

התמודדות עם הטיות והפליה

נושא מרכזי שמקבל התייחסות מיוחדת הוא מניעת הטיות ואפליה. “מערכות מבוססות בינה מלאכותית הוא הסיכונים לאפליה ולהטיות על ידי המערכות, שעשויים לנבוע מטעמים שונים, בהם למשל שימוש במאגרי מידע מוטים שאינם מייצגים מספיק”, מזהיר המדריך.

זהו חשש לגיטימי: אלגוריתמים יכולים להנציח או להגביר הטיות קיימות בחברה, במיוחד כלפי מיעוטים או אוכלוסיות מוחלשות. המדריך קורא לגורמים המקצועיים לשים לב מיוחד לנושא הזה ולנקוט אמצעי הגנה.

השפה הנבונה של הזהירות

מה שמרשים במדריך הוא הטון המאוזן שלו. הוא לא מנסה להפחיד מ-AI אבל גם לא מטפח אופטימיות נאיבית. “שימוש אחראי במערכות בינה מלאכותית אין משמעותו הימנעות מוחלטת מסיכונים כלשהם”, קובע המדריך. “המדריך מציע גישת ניהול סיכונים דיפרנציאלית: ככל שהסיכונים גבוהים יותר, כך גם נדרשים אמצעי הפחתת סיכונים ותהליכי בקרה מקיפים יותר.”

זוהי גישה מבוגרת שמכירה בכך שחדשנות דורשת נטילת סיכונים מחושבים. המטרה היא לא לבטל סיכונים אלא לנהל אותם בצורה חכמה.

קריאה להשתתפות ציבורית

המדריך מדגיש שהוא נמצא כרגע בשלב של “גרסה להערות ציבור”. זו הזדמנות חשובה לכל מי שמתעניין בנושא – עובדי ציבור, אקדמאים, אזרחים מודאגים או תומכי חדשנות – להשפיע על עיצוב המדיניות הממשלתית.

“ניתן לפנות אלינו בכל התייחסות, הערה ושאלה לתיבת הדואר האלקטרוני responsibleAI@digital.gov.il“, כותבים מחברי המדריך. זו לא רק נימוס פורמלי – זו הזדמנות אמיתית להשפיע על המסמך הסופי.

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

לפרטים נוספים לחצו כאן >>

התמונה הגדולה

המדריך הישראלי מתבסס על תקינה בינלאומית מובילה – עקרונות OECD, האמנה של מועצת אירופה לבינה מלאכותית, הנחיות מארה”ב, בריטניה וקנדה. זה מעיד על רצון לשתף פעולה עם הקהילה הבינלאומית ולא להמציא את הגלגל מחדש. אבל יש כאן גם התאמה למציאות הישראלית המיוחדת – שיקולי אבטחה, צרכים ייחודיים של המגזר הציבורי בישראל, והדגש על הענן הממשלתי כאלטרנטיבה לכלי חיצוניים.

המדריך מבטיח שהוא יתעדכן באופן תקופתי “בהתאם לצרכים של גופים ציבוריים, להתפתחויות הטכנולוגיות ולשינויים במסגרת הנורמטיבית בישראל ובעולם”. זוהי הכרה חשובה בכך שהתחום מתפתח במהירות והמדיניות חייבת להישאר רלוונטית.

שורה תחתונה: ישראל עושה צעד משמעותי לעבר השילוב החכם של בינה מלאכותית במגזר הציבורי. המדריך הזה הוא רק התחלה של שיח ציבורי חשוב על איך אנחנו רוצים שהטכנולוגיה הכי משמעותית של עידן שלנו תשמש את האינטרס הציבורי. עכשיו זה הזמן להגיד את שלכם.

הפוסט איך להפוך AI לכלי עבודה בטוח: המדריך הרשמי לעובדי המדינה הופיע ראשון בLet's AI בינה מלאכותית

קצת על ElevenLabs

ElevenLabs היא חברת בינה מלאכותית אמריקאית שהוקמה בשנת 2022 על ידי פיוטר דרוזדובסקי (Piotr Dąbrowski), מהנדס לשעבר בגוגל, ומאטי סטנל (Mati Staniszewski), לשעבר  בגולדמן זאקס. החברה מתמחה בטכנולוגיות טקסט לדיבור (TTS) ודיבוב סינתטי, ומטרתה ליצור קולות דיגיטליים שנשמעים אנושיים לחלוטין. מאז השקתה צברה החברה תשומת לב עולמית בזכות איכות הקול יוצאת הדופן שלה, והיא גייסה עשרות מיליוני דולרים במימון – כולל סבב שגייס מעל 80 מיליון דולר בתחילת 2024, והערכות שווי שממקמות אותה סביב חצי מיליארד דולר. כיום היא נחשבת לאחת מהחברות המובילות בתחום ה-AI הקולי בעולם.

מהו Eleven v3 ומה מיוחד בו?

Eleven v3 (בשלב אלפא) הוא המודל החדש והאקספרסיבי ביותר של ElevenLabs – פריצת דרך שמצמצמת את הפער בין טקסט לקריינות אנושית אמיתית. במקום קריינות שטוחה, v3 מסוגל לצחוק, ללחוש, לכעוס, להישבר – כמו שחקן אמיתי. תוסיפו לזה תמיכה ב-70+ שפות כולל עברית, וקיבלתם מודל שנכנס חזק לשוק הטקסט לדיבור.

שימו לב: מדובר בגרסת מחקר (Alpha). המודל דורש ניסוח מדויק, ובחירה נכונה של הקול, כולל התאמה לשפה. להנחיות שימוש טובות מומלץ גם לעיין במדריך הרשמי.

התכונות המתקדמות של Eleven v3

תגיות אודיו (Audio Tags)

אפשר להכניס “הוראות בימוי” לתוך הטקסט – כמו תסריט:

תגיות לשיפור הביטוי הקולי

דוגמה: [whispers] משהו מתקרב… [sighs] אני מרגיש את זה.

דיאלוגים מרובי-דוברים

v3 כולל API חדש לדיאלוגים עם מעברים טבעיים, אינטראקציות בין דמויות ושינויים רגשיים.

תמיכה ביותר מ-70 שפות

עברית, הינדית, רוסית, טמילית, בנגלית, ספרדית – יותר מ-90% מאוכלוסיית העולם מכוסה.

איך ניגשים ל-Eleven v3?

הנה שלושת השלבים הפשוטים שיעזרו לכם להגיע לתוצאות טובות:

גישה למודל

כל מי שיש לו מנוי בתשלום ב-ElevenLabs מקבל גישה מיידית ל-v3 – מי שאין לו מנוי – יכול להתנסות, להכיר את המערכת, ולשמוע דוגמאות בסיסיות:

1. היכנסו לאתר של elevenlabs ולחצו על כפתור “Text To Speech” בסרגל הכלים הצידי.

2. בחרו את המודל החדש – Eleven v3 Alpha – מתפריט הבחירה.

3. בחירת קול מתאים – לפני שמתחילים להקליד, עצרו רגע ובחרו את הקול הנכון. זה אולי נשמע טכני, אבל זה ממש קריטי: המודל v3 מושפע מאוד מהקול שתבחרו, במיוחד מבחינת שפה והבעה. יש מגוון רחב של קולות ותוכלו לבחור בין קול מיידי, קול מוכן מראש, או קול אישי שיצרתם ב־VoiceLab. לפעמים רק ניסוי של 2-3 קולות יוביל לתוצאה שמדויקת לכם בול.

4. למטה משמאל, תראו סליידר בשם Stability. בצד אחד יש Creativity – תקבלו קול מפתיע, חי ודינמי, עם יותר גיוון בטון ובהבעה. בצד השני יש Robustness – קול יציב, ברור ואחיד, שמתאים לטקסטים פורמליים או הוראות.

ההמלצה? לשחק עם הסליידר לפי סוג התוכן – ככל שהטקסט דרמטי או רגשי יותר, שווה להזיז קצת לכיוון ה-Creativity. לפרסומות או מדריכים טכניים, תישארו קרוב ל-Robustness.

כתיבת טקסט חכמה

כאן מגיע הקסם. כדי להוציא את המיטב מהמודל, חשוב לנסח את הטקסט בצורה שמכוונת רגש. אתם יכולים לעשות את זה ידנית, לדוגמא:

• השתמשו בתגיות כמו [happy], [whispers], [laughs].

• נסחו משפטים בגובה העיניים, כאילו אתם מדברים עם מישהו אמיתי.

במקום לכתוב: “הוא אמר שהוא שמח” כתבו: [happy] וואו! [excited] זה פשוט מדהים! [laughs]

ואתם יכולים להשתמש בכפתור Enhance (alpha), שהוא כפתור הקסם: בלחיצה אחת, המערכת מוסיפה תגיות רגש וטון אוטומטיות לטקסט שלכם (למשל: [thoughtful], [sighs], [determined]). התגיות עוזרות למודל להבין איך לקרוא כל משפט – אם זה בלחישה, בהתרגשות, בעצב או בשלווה – ומוסיפות חיים לטקסט. כשתרצו לשמוע את התוצאה הסופי – לחצו על כפתור Generate Speech.

נותנים ״חיים״ לטקסט בלחיצה על כפתור ה-Enhance

יצירת דיאלוגים מתקדמים

אם אתם רוצים ליצור שיחה בין כמה דמויות – Eleven v3 נותן לכם את הכלים לעשות את זה בצורה טבעית ופשוטה. על ידי האפשרות להוסיף דובר (Add Speaker+), אפשר להקצות שם לכל דמות, להכניס תגיות רגש, לשלב הפרעות טבעיות כמו צחוק או גמגום, ולשחק עם הטון של כל משפט.

תחשבו על זה כמו לכתוב תסריט – רק שבמקום להקליט שחקנים, אתם מקבלים תוצאה קולית כמעט מושלמת בלחיצת כפתור. זה עובד נהדר לפודקאסטים, תוכן חינוכי, תסריטים דרמטיים – או כל מצב שבו דיאלוג טוב עושה את כל ההבדל.

ומה אם נרצה להשתמש בקול שלנו?

עד עכשיו עבדנו עם קולות חינמיים קיימים ש-ElevenLabs מציעה – ויש לא מעט מהם, במגוון שפות, סגנונות וטונים. אבל מה אם נרצה משהו אישי יותר? קול שמייצג אותנו באמת – לא דמות קולית כללית, אלא הקול שלנו? כאן נכנס לתמונה Voice Clone – הכלי שמאפשר לשכפל את הקול שלך בדיוק מפתיע. חשוב לומר שנדרש לשדרג לגרסת ה- Starter שעולה 5 דולר בחודש כדי לייצר קול אישי. השדרוג המינימלי הזה מאפשר לכם לייצר עד 10 קולות אישיים.

איך זה עובד?

1. מקליטים דוגמית קצרה – מעלים הקלטה באורך של דקה עד שתיים בקול שלך. אפשר להקליט במיוחד או להשתמש בהקלטה קיימת (רק שהיא תהיה ברורה וללא רעש).

2. המערכת לומדת את הקול – תוך שניות, ElevenLabs יוצרת עבורך קול דיגיטלי שמחקה את הדיבור שלך – כולל מבטא, גוון ואינטונציה.

3. משתמשים בו כמו כל קול אחר – מעכשיו, כל טקסט שתכתוב – המערכת תקריא בקול שלך, גם בעברית.

איך מייצרים דגימת קול שלכם שתדבר עברית?

ולמה זה טוב?

כי לפעמים, טון הדיבור שלכם אומר יותר מהמילים עצמן. תארו לכם שאתם יכולים לשלוח ללקוח הודעה קולית – לא מוקלטת מראש, לא גנרית – אלא בקול שלכם, בדיוק כמו שהייתם אומרים את זה. או שאתם יוצרים סרטון הדרכה, פודקאסט, או מצגת לעובדים – והכול בקול שלכם, בלי לפתוח מיקרופון אפילו פעם אחת.

יש לכם ברכה ליום הולדת של אמא? טקסט פרידה לעובד? אולי אפילו מייל שחשוב לכם שיישמע אמיתי – תכתבו, והקול שלכם ידבר. ובמקרים הכי מרגשים, אם יש לכם הקלטה ישנה של אדם אהוב שכבר לא איתנו… עכשיו אפשר לתת לטקסט חדש להישמע שוב – בקול ההוא. כי זו כבר לא רק טכנולוגיה. זו דרך לדבר מחדש – עם עצמכם, עם אחרים, עם זיכרונות.

מחירים והזדמנויות מיוחדות

במהלך חודש יוני 2025, ElevenLabs מציעה הנחה משמעותית של 80% על השימוש במודל v3 דרך האתר – הזדמנות מצוינת להתנסות בטכנולוגיה החדשה בעלות מופחתת. החל מחודש יולי, התמחור יתעדכן ותידרש השקעת קרדיט של 1 תו לכל תו טקסט. כלומר, אם כתבתם משפט של 100 תווים – תידרוש לשלם 100 קרדיטים על יצירת האודיו שלו. זהו מודל תמחור מבוסס נפח טקסט, שמדגיש את הצורך בכתיבה מדויקת ויעילה.

איפה מוצאים את ההנחה הנוכחית?

• בתפריט המודלים (Model Picker)
  
  כשאתם מחוברים לחשבון ונכנסים לממשק ההמרה מטקסט לדיבור (TTS), תראו את רשימת המודלים הזמינים. חפשו את Eleven v3 (alpha) – לפעמים מופיע גם בשם Try v3. זה המודל שעליו חלה ההנחה, וזה המקום שבו מתחילים.

• הנחה אוטומטית בממשק המשתמש
  
  אם יש לכם מנוי בתשלום, תראו ליד שם המודל תווית קטנה עם הכיתוב: “v3 is 80% off”. ההנחה מופעלת אוטומטית, בלי קוד ובלי צורך באישור – פשוט בוחרים את המודל ומתחילים לעבוד. כל שימוש בו יחויב במחיר מופחת – עד סוף יוני 2025.

• לא צריך לעשות כלום – רק לבחור את המודל
  
  אין צורך להפעיל קופון או ליצור קשר עם תמיכה. כל עוד אתם בוחרים את מודל v3 דרך ממשק האתר, ההנחה תחול באופן אוטומטי – עד 30 ביוני.

אפשרויות הבחירה דרך בורר המודלים

חשוב לדעת: ה־API הציבורי של v3 עדיין לא זמין, אך ניתן להגיש בקשה לגישה מוקדמת דרך הקישור הזה.

מגבלות נוכחיות

v3 עדיין בגרסת אלפא, כלומר, המודל לא מושלם ודורש ניסוי וטעייה כדי להגיע לתוצאה מיטבית. לעיתים תצטרכו לשנות ניסוח, קול או תגיות כדי להשיג את האפקט הרצוי. אם אתם צריכים קריינות מדויקת בזמן אמת, מומלץ להשתמש בינתיים במודלים היציבים יותר: v2.5 Flash או Turbo.

פרטיות ושימוש אחראי

שכפול קולות הוא תחום רגיש שדורש אחריות, שקיפות והתנהלות אתית. חשוב להבטיח שהקלטות שאתם משתמשים בהן הן שלכם או שקיבלתם עליהן אישור מפורש, במיוחד כשמדובר בקול של אדם אחר. שימוש לרעה בטכנולוגיה – כמו התחזות, זיוף קולות או פגיעה בפרטיות – אינו רק לא מוסרי, אלא גם עלול להוות עבירה על החוק. ElevenLabs דורשת מכל משתמש לפעול בהתאם לתנאי השימוש שלה, וממליצה בחום לוודא שכל שימוש בקול דיגיטלי נעשה בידיעת ובאישור הגורמים הרלוונטיים.

לסיכום, Eleven v3 מביא איתו שינוי נוסף בעולם ההמרה מטקסט לדיבור – לא רק בזכות איכות הקול, אלא בזכות היכולת להביע רגש, ליצור דיאלוגים טבעיים, ולחבר בין מילים לבין חוויה אנושית. זהו כלי עוצמתי ליוצרים, אנשי חינוך, מפתחים, עסקים, ולכל מי שרוצה לדבר אל הקהל שלו בקול ברור, חי ומעורר. מהיום אתם כבר לא חייבים להקליט את עצמכם שוב ושוב. לא חייבים מיקרופון מקצועי. אתם יכולים פשוט לכתוב – ולתת לקול הדיגיטלי שלכם לדבר עבורכם. בין אם אתם בונים סרטון, פודקאסט, קורס או אפילו ברכה אישית – יש כאן טכנולוגיה שמאפשרת לכם ליצור באותנטיות, בעברית ובכל שפה אחרת. והכי חשוב: זה רק ההתחלה. הטכנולוגיה תמשיך להשתפר, אבל מי שיתחיל להתנסות עכשיו – ירוויח את היתרון כבר היום.

הפוסט הכירו את Eleven v3 – מודל הטקסט לדיבור הכי טבעי ואנושי מבית ElevenLabs הופיע ראשון בLet's AI בינה מלאכותית

Projects on Claude now support 10x more content.

When you add files beyond the existing threshold, Claude switches to a new retrieval mode to expand the functional context. pic.twitter.com/8ob8QHluT5

— Anthropic (@AnthropicAI) June 5, 2025

מאחורי הקלעים של השדרוג

עד עכשיו, Claude ידע להתמודד עם עד 200,000 טוקנים – בערך 500 עמודים. אבל עכשיו, פרויקט אחד יכול לכלול עד 2 מיליון טוקנים – פי עשרה יותר. וכדי שזה יעבוד בלי לקרוס או להאט, Anthropic הוסיפה מנגנון של שליפה חכמה (retrieval mode): במקום לטעון את כל המסמכים לתוך השיחה, קלוד שומר אותם ברקע – ושולף רק את מה שרלוונטי בכל רגע נתון.

הפיצ’ר כבר זמין למנויים בתשלום: Pro, Max, Team ו־Enterprise.

מה המשמעות בפועל?

Claude כבר לא מגיב רק למה שכתוב מולו – הוא מתפקד כמערכת ניהול ידע מלאה. אפשר לאגד בתוך פרויקט אחד עשרות מסמכים, דו”חות, קבצי קוד, תיעוד, תקציבים או ראיונות – וקלוד ישלוף את החלקים הנכונים לשאלה, גם שבועות אחרי שהועלו. זה שדרוג שמאפשר לנהל תהליכים מבוססי ידע, ולא רק שיחה חד־פעמית.

קלוד בעולם האמיתי

קלוד יודע להשתלב בעבודות מהחיים האמיתיים – כאלה שדורשות להחזיק הרבה מידע בראש, לחבר בין מקורות, ולענות על שאלות מורכבות. עורך דין, למשל, יכול להעלות פרויקט שלם עם תצהירים, חוות דעת ותקדימים – ולבקש מקלוד לאתר סתירה או סעיף רלוונטי תוך שניות.

חוקרת אקדמית תוכל להזין עשרות מאמרים, מסמכים ממשלתיים ונתוני שטח – ולבקש ממנו ניתוח השוואתי שמחבר בין הכול.

גם מנהלת מוצר תרוויח: היא תעלה אפיוני פיצ’רים, שיחות עם לקוחות, ומצגות הנהלה – ותקבל תשובות שמבינות את התמונה הרחבה, לא רק את השאלה הספציפית.

אפילו מפתח יכול פשוט להעלות את כל ספריית הקוד עם התיעוד, ולאפשר לקלוד לנתח את המבנה, להבין את התלויות בין רכיבים, ולהציע פתרונות שמבוססים על ההקשר המלא של הקוד.

רעיון לפרויקט

הנה דוגמה קונקרטית שממחישה בדיוק איך להשתמש ב-Claude Projects ככלי עבודה חכם. נניח שאתם מובילים השקה של מוצר דיגיטלי חדש – כמו למשל פלטפורמת למידה לחברות בגודל בינוני. במקום לנהל עשרות קבצים נפרדים, אתם פותחים פרויקט חדש ב-Claude ומעלים אליו כל אינפורמציה רלוונטית: מחקר שוק, ראיונות לקוחות, דוחות אנליטיים, מסמכי תקציב, ומפת דרכים טכנית.

במקביל, נותנים לקלוד מטרה והנחיות ספציפיות וממוקדות לפרויקט ומתחילים ״לדבר עם הנתונים״. במקום להתחיל כל שיחה מהתחלה, Claude כבר מבין את ההקשר, זוכר את כל ההחלטות שכבר התקבלו – ויכול לענות על שאלות מורכבות.

דוגמא מפורטת לפרויקט ב- Claude

שם הפרויקט: “השקה מוצר חדש Q4 2025 – פלטפורמת למידה דיגיטלית”.

תיאור הפרויקט: פרויקט זה מרכז את כל המידע והמחקר עבור השקת פלטפורמת הלמידה הדיגיטלית החדשה שלנו.

המטרה: לפתח אסטרטגיית השקה מושלמת עד דצמבר 2025.

הוראות לפרויקט (Project Instructions):

“אתה עוזר אסטרטגי למנהלת מוצר. היה עקבי עם האסטרטגיה, השתמש בנתונים מהמסמכים, הצע פתרונות ישימים, וזכור שיש תקציב ולוח זמנים”.

– הקפד על עקביות עם האסטרטגיה הכללית

– השתמש בנתונים מהמחקרים שהעליתי

– תציע פתרונות מעשיים ומבוססי נתונים

– זכור את התקציב המוגבל ואת לוח הזמנים הקצר

– התייחס לקהל היעד: אנשי הרכש בחברות 50-500 עובדים.

קבצים שיועלו לפרויקט:

– מחקר שוק: 15 עמודים על המתחרים הקיימים

– ראיונות לקוחות: תמלילים מ-20 ראיונות עומק

– נתוני אנליטיקס: דוחות שימוש מהמוצר הקיים

– מפת דרכים טכנית: מה אפשר לפתח ועד מתי

– תקציב שיווק: פירוט הסכומים הזמינים

– מחקר UX: ממצאים מבדיקות משתמשים

– מצגות הנהלה: החלטות שנתקבלו בפגישות

– תוכנית התחרות: ניתוח מהלכי המתחרים האחרונים.

דוגמאות לשאלות שתשאלו:

“איזה מסר שיווקי יתאים הכי טוב בהתבסס על הראיונות עם הלקוחות?”

“מה הלקחים מהמתחרה X שצריכים להשפיע על האסטרטגיה שלנו?”

“איך לחלק את תקציב השיווק בין הערוצים בהתבסס על הנתונים?”

“מה הפיצ’רים החשובים ביותר להשקה הראשונה לפי ממצאי ה-UX?”

היתרון של Claude עם העדכון החדש: במקום להעתיק ולהדביק מסמכים בכל שיחה, כל המידע נשמר בפרויקט. Claude יכול לקשר בין הראיונות עם הלקוחות לבין נתוני האנליטיקס, להציע רעיונות שיווקיים שמתבססים על מחקר השוק, ולזכור החלטות קודמות כשמתכננים צעדים הבאים.

מבחינת כמות המידע שהעליתם לפרויקט, ברגע שעוברים את גבול ה־200,000 טוקנים, קלוד מזהה את זה לבד – ועובר אוטומטית למצב שליפה. למרות שמדובר בכמות עצומה של תוכן, מהירות התגובה נשמרת, ודווקא בזכות השליפה החכמה – הדיוק גבוה, כי קלוד לא “שופך” את כל המידע לשיחה, אלא פונה רק למה שרלוונטי.

איך מתחילים פרויקט בקלוד?

הנה מה שצריך לעשות:

1. פתחו פרויקט חדש בסרגל הכלים הצידי של Claude (זמין רק למנויים בתשלום – Pro, Max, Team או Enterprise).

2. תנו שם ותיאור לפרויקט.

3. כתבו Project Instructions – טקסט קצר שמכוון את קלוד: מה מטרת הפרויקט, מה חשוב לזכור, ואיזה סוג תשובות אתם מחפשים.

4. העלו קבצים רלוונטיים שאתם משתמשים בהם בעבודה – מסמכים, תיעוד, קוד, דוחות או תקצירים.

5. התחילו לנהל שיחה עם קלוד – תשאלו שאלות אמיתיות מתוך התוכן, ותנו לו להוכיח שהוא לא רק מקשיב – אלא גם מבין, זוכר, ושולף.

חשוב לזכור: אם אתם משתמשים ב-Claude Projects עם תוכן רגיש, כמו מסמכי חברה, מידע על לקוחות, או קבצים דיסקרטיים, כדאי לתאם זאת מול מדיניות האבטחה של הארגון ולהיות מודעים להיבטים של פרטיות ושמירה על מידע.

איך להתחיל פרויקט ב- Claude Projects

Claude כבר לא רק עונה על שאלות – הוא יודע לעבוד עם כמויות ידע גדולות, לאורך זמן, עם הבנה אסטרטגית של מה שבאמת חשוב. השדרוג הזה לא רק מוסיף נפח, הוא משנה את האופן שבו אנחנו משתפים פעולה עם AI: ממענה נקודתי למערכת ניהול ידע שמבינה הקשר, זוכרת החלטות, ומציעה פתרונות. אם עוד לא ניסיתם את Claude Projects – זה בדיוק הזמן. תנו לו פרויקט אמיתי, ותראו איך AI יכול להפוך לשותף מהשורה הראשונה.

הפוסט השדרוג שהופך את Claude לשותף אמיתי בניהול פרויקטים הופיע ראשון בLet's AI בינה מלאכותית

רעידת אדמה משפטית בתעשיית הבינה המלאכותית

Character.AI ניסתה לטעון שהצ’אטבוטים שלה זכאים להגנה לפי התיקון הראשון לחוקה האמריקאית – שמבטיח חופש ביטוי. לטענתה, הפלט של הבינה המלאכותית מהווה “דיבור מוגן”. אבל השופטת הפדרלית אן סי. קונוויי לא השתכנעה. הפסיקה שלה הייתה ברורה: בינה מלאכותית אינה אדם. הפלט שלה אינו ביטוי יצירתי אלא מוצר. וכמו כל מוצר שגורם נזק – ניתן להסדיר אותו ולהטיל עליו אחריות.

חשבו על זה לרגע: אם הפסקה הזו תתייצב כתקדים, חברות בינה מלאכותית כבר לא יוכלו להסתתר מאחורי חופש הביטוי כשהמוצרים שלהן פוגעים באנשים.

כשגם גוגל נכנסת לתמונה

כאן הסיפור מקבל תפנית רחבה יותר. השופטת קבעה שגם גוגל (Google), שסיפקה את הטכנולוגיה הבסיסית ל-Character.AI ורכשה ממנה רישיון בסך 2.7 מיליארד דולר, עשויה להיחשב “יצרן רכיב” ולשאת באחריות משפטית. זו קביעה דרמטית. המשמעות: לא רק מי שבונה את האפליקציה אחראי – גם מי שמספק את מנוע הבינה המלאכותית עצמו. הפסיקה לא עוסקת בצ’אטבוט אחד. היא שולחת מסר לתעשייה כולה: אם המוצר שלך גורם נזק, אתה חשוף לתביעה – גם אם אתה רק הספק הטכנולוגי.

מעט מדי, מאוחר מדי

Character.AI מדווחת שביצעה שיפורים בטיחותיים – לאחר הטרגדיה. בין השאר:

• מודלים נפרדים למשתמשים מתחת לגיל 18

• לוחות בקרה להורים

• סינון דמויות

• התראות על משך שימוש

• זיהוי סימנים לשיח אובדני

אבל הנה האמת הלא נוחה: כל זה הגיע מאוחר מדי. אם אתה בונה מערכת שיוצרת קשר רגשי עם בני נוער – הבטיחות חייבת להיות חלק מהתכנון הראשוני, לא עדכון גרסה. כפי שאמר המרכז האמריקאי לקורבנות רשתות חברתיות (Social Media Victims Law Center): Character.AI “מספקת לבני נוער גישה לא מוגבלת לדמויות בינה מלאכותית מציאותיות – בלי אזהרות מתאימות או אמצעי הגנה בסיסיים.”

מה הורים בישראל צריכים לדעת

הסיפור הזה לא שייך רק לארצות הברית. גם בישראל יותר ויותר בני נוער נחשפים לבני לוויה דיגיטליים – מערכות שמדמות קשר רגשי, אהבה, ואינטימיות. וזה מסוכן במיוחד למתבגרים פגיעים.

מה אפשר לעשות? הנה 4 צעדים ברורים:

1. שוחחו עם הילדים על מערכות בינה מלאכותית – מה הן עושות, ואיפה הגבול עובר.

2. הפעילו בקרה על השימוש – בדיוק כמו שאתם עושים עם רשתות חברתיות.

3. תמכו ברגולציה שמחייבת חברות בינה מלאכותית לשלב הגנות אמיתיות עבור קטינים.

4. הישארו מעודכנים – תיק כזה עשוי להפוך לתקדים עולמי.

מה באמת עומד כאן על הפרק?

האם פסק הדין הזה יהפוך לתקדים מחייב בארצות הברית? אולי. אבל המסר כבר ברור: מערכות משפטיות מתחילות להתייחס לבינה מלאכותית כאל מוצר – לא כביטוי חופשי. זו נקודת מפנה. חברות בינה מלאכותית לא יכולות להציג את עצמן כמהפכניות, חכמות ומרגשות – ואז להתנער מאחריות כשהן גורמות נזק. סואל סטצר היה ילד. הוא היה אמור להיות כאן. וגם הילדים האחרים שצורכים היום תוכן מבוסס בינה מלאכותית ראויים ליותר. אם ההחלטה הזו תוביל לרגולציה טובה יותר, לאחריות אמיתית ולחשיבה מחודשת על בטיחות – אולי נוכל למנוע את הטרגדיה הבאה.

הפוסט בינה מלאכותית איבדה חסינות משפטית בתיק התאבדות של נער בן 14 הופיע ראשון בLet's AI בינה מלאכותית

חיבור ישיר לשירותי הענן שלכם

נמאס לכם לחפש קבצים בין תיקיות? עכשיו אפשר לחבר את ChatGPT ישירות ל־Google Drive, Dropbox, Box, SharePoint ו־OneDrive.

חיבור ChatGPT לשירותים חיצוניים.

מה זה אומר בפועל? שהבוט לא רק מבין את השאלה – אלא גם נכנס לקבצים שלכם, קורא מצגות, גליונות ומסמכים, ושולף מידע רלוונטי מתוך התוכן עצמו. במקום לקפוץ בין אפליקציות, להעתיק ולהדביק – הכל קורה במקום אחד. כך אתם חוסכים זמן, מצמצמים טעויות, ומקבלים תשובות מדויקות יותר שמבוססות על המידע הספציפי שלכם.

ממשק המשתמש עם חיבור מקורות מידע חיצוניים כולל Web search ו-Research.

הקלטות ותמלול פגישות 

כמה פעמים יצאתם מפגישה ושאלתם את עצמכם “מה בדיוק סיכמנו?” הפיצ’ר החדש של ChatGPT עוזר לכם לא לשכוח שום פרט: אפשר להקליט פגישות (כרגע ב־macOS ובמנויי Team בלבד), לקבל תמלול מלא עם זמנים מדויקים, ואפילו להפיק תובנות אוטומטיות ופעולות מומלצות – בלחיצת כפתור.

היתרון הגדול? הכול קורה באותו מקום: גם ההקלטה, גם הסיכום, גם השיתוף עם הצוות. בהשוואה לכלים כמו Zoom, Notion או Otter – השימוש ב-ChatGPT פשוט חוסך לכם שלבים.

מחקר ודוחות עומק מחוברים למערכות העסקיות

מהיום אפשר לחבר את ChatGPT ישירות למערכות כמו HubSpot, Linear, וכלים נבחרים של Microsoft ו־Google (בשלב בטא).

התוצאה? אתם יכולים לבנות דוחות חכמים שמבוססים על המידע הפנימי שלכם, לא רק על מה שזמין ברשת.

למשל: אפשר לנתח נתוני מכירות, לזהות מגמות בשירות לקוחות, להפיק סיכומי שיווק חכמים – והכול אוטומטית, בלי להסתבך עם נוסחאות באקסל או להעתיק נתונים בין מערכות. זה לא עוד כלי חיצוני – זה כלי שעובד מבפנים.

בנוסף, מנהלי מערכת יכולים לחבר מקורות מידע פנים ארגוניים דרך שרת MCP.

פרטיות, אבטחה וניהול ארגוני

הפיצ’רים החדשים זמינים למנויי Pro, Team ו-Enterprise, כשכל רמה מותאמת לסוג שונה של משתמשים:

• Pro – מושלם למשתמשים בודדים שרוצים גישה ליכולות המתקדמות ביותר של ChatGPT.

• Team – מיועד לצוותים קטנים ובינוניים, עם ניהול משתמשים, שיתוף קבצים, והרשאות ניהוליות.

• Enterprise – פתרון לארגונים גדולים שזקוקים לאבטחה מתקדמת, התאמה אישית ותמיכה צמודה.

אבל לא פחות חשוב – הדגש על פרטיות ושליטה בידיים שלכם: המידע שאתם מעלים לא משמש לאימון המודלים, והוא נשאר מוגן אצלכם.

בנוסף, אתם מקבלים כלים ניהוליים מתקדמים לשליטה בגישה, הרשאות, וניהול צוותים בצורה בטוחה.

אימוץ מהיר וצמיחה מסחררת

יותר מ-3 מיליון חברות כבר משתמשות ב-ChatGPT לעסקים, עם עלייה של מיליון מאז תחילת השנה. זה לא טרנד חולף, אלא כלי שמוטמע בלב העבודה הארגונית, עם קצב אימוץ שגדל במהירות.

מגבלות ואתגרים – מה חשוב לדעת לפני שקופצים פנימה?

כמו בכל כלי חדש, גם ל־ChatGPT לעסקים יש לא רק יתרונות, אלא גם מגבלות שצריך להכיר:

זמינות חלקית של פיצ’רים

לא כל הפיצ’רים זמינים לכולם. לדוגמה, הקלטת ותמלול פגישות פועל כרגע רק ב־macOS ובמסלול Team. משתמשי Windows או מנויי Pro לא יוכלו להשתמש בו בשלב זה. בנוסף, חלק מהחיבורים למערכות כמו HubSpot או כלים של Google ו־Microsoft עדיין נמצאים בבטא – מה שאומר שייתכנו בעיות זמינות או יציבות.

אבטחת מידע ורגולציה

אמנם OpenAI מדגישה שהמידע שלכם לא משמש לאימון המודלים ונשאר אצלכם, אבל כשמדובר בקבצים עסקיים רגישים, מומלץ לבדוק היטב את מדיניות הפרטיות. במיוחד בארגונים עם דרישות רגולציה או אבטחה מחמירות – כדאי לוודא שהשימוש בכלי תואם להנחיות הארגוניות.

איך להתחיל?

הדרך הכי טובה להבין אם ChatGPT מתאים לכם? פשוט לנסות. אם אתם משתמשים במסלול Team וב־macOS – התחילו בקטן:

• הקליטו את הפגישה הבאה שלכם בעזרת ChatGPT,
• קבלו תמלול אוטומטי וסיכום תובנות, והשוו אותו למה שהייתם עושים ידנית או עם כלי אחר.

תשאלו את עצמכם:

• האם זה חוסך זמן?

• האם התמלול מדויק?

• האם הסיכום עוזר להתקדם לפעולה?

אם התשובה חיובית – כנראה שמצאתם כלי שיכול ללוות אתכם הלאה.

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

למידע נוסף >>

שורה תחתונה – למה זה כדאי לכם?

אם אתם עובדים עם מידע, צוותים או לקוחות – ChatGPT המשודרג יכול לשנות לכם את השגרה. פחות זמן מתבזבז על לחפש קבצים או לקפוץ בין אפליקציות. יותר זמן נשאר לעבודה אמיתית. הכול מתרכז במקום אחד: תובנות שמבוססות על המידע שלכם, שיתוף קל עם הצוות, שליטה מלאה על הפרטיות, והרגשה שהדברים סוף סוף זורמים כמו שצריך. זה לא עוד גאדג’ט – זה כלי עבודה. כזה שעובד בשבילכם. אז למה לא לנסות? תנו ל-ChatGPT להפוך לעוזר החכם שלכם, ותראו איך הכול נהיה פשוט יותר, ברור יותר, ומהיר הרבה יותר.

הפוסט ChatGPT נכנס למשרד ומתחבר לעולם העסקים הופיע ראשון בLet's AI בינה מלאכותית

ממיקרופלסטיקים – לדמות עם נשמה

זה התחיל מנושא רציני: זיהום פלסטיק ופגיעות בפוריות הגברית. אבל איך מספרים סיפור כזה בלי להרחיק את הקהל? MetaPuppet בחר בדרך לא צפויה:

מה אם לפלסטיק יש רגשות? הוא פתח את Veo3, הכלי החדש של Google DeepMind, וכתב פרומפט על דמות בשם בוב – קלה, צפה, רכה, עם אופי שנמס בחום.

שלח. ותוך שניות – בוב הופיע על המסך. “תוך כדי שצפיתי בו, הבנתי שזה כבר לא סרטון מידע,” הוא נזכר. “יש פה דמות עם נוכחות.”

לפרטים על קורס יצירת פרסומות, קליפים וסרטים עם AI, לחצו פה.

הדיאלוג שהפך הכול

הרגע שבו הכול השתנה? כש־MetaPuppet גילה שהוא לא צריך יותר מאשר להקליד שורה כדי לקבל דמות שמדברת. בלי סאונד, בלי עריכה, בלי תוכנות צד שלישי.

רק להקליד – ולקבל סצנה שעובדת. “פתאום כתבתי סצנה כמו שכותבים הודעת וואטסאפ – וזה עבד.” הוא התחיל לאלתר סצנות משרדיות, שבהן הצוות מתלבט: להפוך את בוב ליותר דרמטי? או אולי דווקא ללכת על ויראליות? הכול זרם. גם כשהרקעים לא התאימו, גם כשהדמויות זזו קצת מוזר – האנרגיה נשמרה. וזה מה שחשוב באמת.

כשהבדיחה הפכה לרגש אמיתי

ואז, בלי שתכנן – משהו השתנה. הסיפור התחיל לגעת במקומות רגישים. בוב, הילד־פלסטיק, כבר לא הרגיש כמו מטפורה סביבתית. הוא הפך לדמות אמיתית, מישהו שמנסה להשתלב בעולם שפשוט לא מקבל אותו. “זה נגע בי,” מודה MetaPuppet. “פתאום הבדידות של בוב נראתה לי ממש מוכרת.” הטון השתנה. פחות קריצות, יותר כובד. הסיפור התחיל למשוך פנימה – אל כיוון עמוק יותר. ובשלב הזה, היה צריך לבחור: לצלול פנימה, או לעצור בזמן.

אז בוב קיבל אקדח

בשלב הזה, MetaPuppet החליט לשבור כיוון – וללכת עד הסוף עם הספין. במקום להעמיק ברגש, הוא בחר להפוך את בוב לגיבור פעולה: בורח מהמפעל, חמוש, נחוש, מוכן להחזיר לעולם על מה שעשה לו. זו הייתה הגזמה מוצהרת, אבל בדיוק בשביל זה היא עבדה. כי מה שהיוצר באמת רצה, זה להחזיר את הכיף. את האלתור. את היכולת לשחק – בלי לחשוב יותר מדי.

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

לפרטים נוספים לחצו כאן >>

ומה עם המגבלות?

כמובן, גם לכלי הכי טוב יש רגעים שהוא לא מספק. Veo3 עבד מעולה כשהדיאלוג הגיע מהטקסט – הסנכרון היה מפתיע ברמת הדיוק שלו. אבל כש־MetaPuppet ניסה לשחזר את בוב בצורה עקבית ב־image-to-video, משהו נשבר. הסנכרון כבר לא עבד כמו קודם, והדמות הרגישה פחות “בוב”. כדי לשמור על אחידות ויזואלית, הוא עבר ל־Pixverse – כלי שמתמחה בהמרת תמונות לוידאו תוך שמירה על מראה עקבי בין סצנות. ושם, סוף סוף – הסצנה התחברה. בוב חזר לעצמו. זה אולי נשמע טכני, אבל זו בדיוק הנקודה: כשמבינים יתרונות וחוזקות של כל כלי – אפשר לשלב ביניהם ולקבל תוצאה חלקה, גם כששום דבר לא תוכנן להיות מושלם.

מה הסיפור הזה אומר לנו?

שהטכנולוגיה כבר לא עוצרת יצירתיות – היא פשוט מפנה לה מקום. שהיום, רעיון קטן יכול להפוך לסצנה מצולמת תוך דקות, גם בלי תסריט או תקציב. ושלפעמים, דווקא מה שלא תוכנן, לא לוטש, לא הוגדר מראש – מרגיש הכי חי. MetaPuppet לא התכוון להתאהב בילד עשוי פלסטיק. אבל כשהוא הפסיק לנסות “להפיק”, והתחיל פשוט לשחק, הסיפור כבר לא ביקש רשות. הוא פשוט קרה.

וזה אולי השיעור הכי גדול: כשיש לך כלים שמאפשרים לזרום, לבדוק ולטעות – אתה מגלה סיפורים שלא ידעת שיש לך. אז לא, זה לא סרטון שיהיה מועמד לפרס בפסטיבל קאן, אבל זה סיפור שאי אפשר היה לעצור באמצע. ובעידן שבו יצירת תוכן מרגישה לפעמים כמו משימה – נחמד להיזכר שזה יכול להיות גם כיף.

הפוסט כך Veo3 הפך רעיון מפלסטיק לסיפור עם לב ונשמה הופיע ראשון בLet's AI בינה מלאכותית

מה שחשבנו שחשוב לעומת מה שבאמת דרוש

נסו להיזכר לרגע: לפני עידן ה-AI הג׳נרטיבי, יועצי קריירה חזרו ואמרו – תתמקדו בתכנות, בניהול מערכות, ובמיומנויות טכניות מורכבות. אלה נחשבו ל”כישורים חסיני עתיד”. אבל היום? מערכות בינה מלאכותית כבר יודעות לבצע חלקים גדולים מהעבודה הזו בעצמן. הכיוון השתנה: כבר לא שואלים “איך כותבים אלגוריתם?” אלא “איך מנחים אלגוריתם לבצע משימה?” וזה לא בגדר תיאוריה. מחקרים שמשווים בין תחזיות העבר לבין הדרישות בשוק העבודה כיום מצביעים על ארבעה שינויים ברורים שכל אחד מהם משנה את חוקי המשחק:

1. כישורים טכניים נדחקו הצידה (אבל לא נעלמו)

כן, לדעת לכתוב קוד זה עדיין יתרון – אבל זה כבר לא הכרח. הרבה יותר חשוב לדעת איך עובדים עם AI. במקום ללמוד שפת תכנות, אנשי מקצוע נדרשים להבין איך לנסח פרומפטים, איך לתרגם צורך עסקי להוראה למכונה, ואיך לוודא שהתוצאה מדויקת, שימושית ואמינה. זה כמו ההבדל בין לתקן כל חלק במכונית בעצמכם – לבין לדעת בדיוק איך להפעיל מערכות אוטונומיות שיתקנו אותה בשבילכם.

2. כישורים רכים הפכו לכישורי על

AI יכול להריץ תהליכים. אבל הוא לא יודע לנהל צוות במצבי לחץ. הוא לא יודע לקבל החלטות מוסריות. הוא לא מבין ניואנסים רגשיים או פוליטיים. כאן בדיוק נכנסים בני אדם. מי שיודעים להוביל שינויים, לגשר בין אנשים, לחשוב מהר ולפעול באי-ודאות – הם אלה שהופכים לבעלי ערך גבוה מתמיד.

3. אוריינות AI היא קריטית 

לדעת להשתמש ב-ChatGPT זה לא מספיק. צריך להבין איך לחשוב איתו, מתי להאמין לו, איך לפרש את התשובות שלו – ואיפה הוא בכלל לא מתאים. זו אוריינות דיגיטלית מהדור החדש. כזו שלא מספיק ללמוד פעם אחת – אלא לחדד כל הזמן, כי הטכנולוגיה עצמה משתנה ללא הרף.

4. כישורים אנושיים במרכז

ככל שהטכנולוגיה משתפרת כך מתחדדת התובנה: יש דברים שמכונה פשוט לא יודעת לעשות. היא לא יודעת להרגיש (למרות שהיא גורמת לנו לחשוב שכן), היא לא מבינה הקשרים תרבותיים. היא לא מזהה מתח סמוי בשיחה. והיא בטח שלא מקבלת החלטות מתוך ערכים, אינטואיציה או שיקול דעת מוסרי. דווקא עכשיו – מה שהכי אנושי, הופך להכי נדרש: לדעת להקשיב, להבין איך אנשים באמת חושבים, לחבר בין עולמות שונים ולפתור בעיות שאין להן תשובה אחת. להפעיל גם שכל וגם רגש – באותו משפט.

בתחומים כמו שירות, ניהול, חינוך – האנשים שמובילים הם לא אלה שיודעים הכי הרבה – הם אלה שיודעים איך לגשת לבני אדם ולהפעיל את הטכנולוגיה בשבילם, לא במקומם.

הנה מפת הכישורים שכדאי לזכור: ארבעה סוגים של יכולות שכולנו נצטרך לפתח – אם נרצה להישאר רלוונטיים בעולם שבו AI הוא כבר לא בגדר אופציה:

מפת כישורים מעודכנת לעידן החדש – שילוב מנצח

איך השתנו הכישורים בעידן ה-AI?

הטבלה הבאה, שפורסמה בטיוטת דיון של המכון הישראלי לדמוקרטיה, מבוססת על סקירת מחקרים מקיפה שבחנה את השינויים בכישורים הנדרשים בשוק העבודה מאז השקת ChatGPT. היא מציגה השוואה שיטתית בין תחזיות מ-2017–2021 לבין דרישות מעודכנות לשנים 2024–2025, על פני ארבע קטגוריות: אוריינות AI, מיומנויות רכות, כישורים טכנולוגיים ומיומנויות קוגניטיביות.

הטבלה נערכה באמצעות ChatGPT עצמו, ועברה תהליך ביקורת וניתוח אנושי מטעם חוקרי המכון – והיא מספקת תמונת מצב ברורה של מה השתנה, מה נשאר, ואילו מיומנויות נולדו מחדש בעידן ה-AI:

כישורים נדרשים לפני עידן ChatGPT ואחריו. קרדיט: המכון הישראלי לדמוקרטיה

ומה עכשיו?

מי שישגשגו בעידן החדש הם לא אלה שיודעים הכי הרבה, אלא אלה שמבינים איך לעבוד ביחד עם המכונה. אל תעמדו מהצד ותחכו שהשינוי יחלוף. הוא לא. הוא פה להישאר – והבחירה האמיתית היא אם להוביל אותו, או לרדוף אחריו.

אז מה עושים?

קודם כול, לומדים לדבר עם AI. לא לפתח אותו, לא לבנות מודלים – אלא פשוט לדעת איך לתקשר איתו נכון. נכנסים ל-ChatGPT, Claude או Perplexity – לא כדי “לשחק” אלא כדי להבין איך שאלה אחת יכולה לשנות את כל התוצאה. ניסוח מדויק, חשיבה חדה, זה ההבדל בין פלט סתמי לתשובה שבאמת עוזרת לכם.

אחר כך, מחזקים את מה שמבדיל אתכם באמת. היכולת לחשוב ביקורתית. לקבל החלטה באי-ודאות. להרגיע לקוח בלחץ, לגשר, להבין את מה שלא נאמר. אלה הדברים שמכונה עדיין לא יודעת לעשות. ואתם? תתאמנו דווקא שם.

ולבסוף, תבנו לעצמכם תוכנית. לא חייבים Excel. רק כיוון ברור. אם אתם מורים – תתחילו לשלב כלים חכמים בכיתה, אם אתם בתחום השיווק – תבדקו איך AI יכול לחסוך לכם שעות של ניתוח וקופירייטינג. ואם אתם מנהלים – זה הזמן לבנות סגנון הובלה שמתאים לעולם מעורב: קצת אדם, קצת אלגוריתם.

זה מה שצריך כדי להתחיל. תחשבו מה יחזק אתכם באמת – לא מה ש”כולם לומדים”, אלא מה אתם צריכים כדי לצמוח.

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

למידע נוסף >>

העולם משתנה והוא לא תמיד משחק לטובת מי שיודעים הכי הרבה. הוא נוטה לטובת מי שמוכנים ללמוד מחדש. להשתנות. להתנסות. מי שלא נבהלים מהכלים החדשים – אלא בוחרים לעבוד איתם. כשתעשו את זה, אתם לא רק תשמרו על הרלוונטיות שלכם. אתם ממש תבנו אותה מחדש.

הפוסט אילו מיומנויות השתנו או עלו בחשיבותן מאז הופעת ChatGPT? הופיע ראשון בLet's AI בינה מלאכותית

מה ההבדל בין Research ל-Labs?

Research – מיקוד במידע

לפרפלקסיטי יש כבר מחודש פברואר כלי מחקר עמוק המשלב בינה מלאכותית מתקדמת עם יכולות חיפוש וניתוח חכמות – כלי שפועל כמו חוקר אישי: מריץ חיפושים, בודק מקורות, ומחזיר תובנות ממוקדות תוך 2–4 דקות. הוא מעולה לכתיבת דוחות, סקירות שוק, וניתוחים פיננסיים.

Labs – מיקוד בתוצר

כאן לא רק מבינים – יוצרים בפועל. Labs בונה תוצרים ממשיים כמו:

• דשבורדים אינטראקטיביים

• קבצי CSV

• אפליקציות ווב בסיסיות

• מצגות וגרפים אוטומטיים

כל אלה נבנים תוך כ־10 דקות, וניתנים להורדה, עריכה או שיתוף מתוך לשוניות Assets ו־App.

Deep Research remains the fastest way to get comprehensive answers to in-depth questions.

Labs is designed to invest more time and leverage multiple tools, such as coding, headless browsing, and design to create more dynamic outputs. pic.twitter.com/DcsFBmladX

— Perplexity (@perplexity_ai) May 29, 2025

ההבדל בין שני הכלים מתבטא בשלושה היבטים עיקריים: מהירות, סוג התוצר והמטרה.

Research פועל מהר יותר ומחזיר מידע מעובד, כמו סיכומים, תובנות וסקירות עומק – ומתאים במיוחד למחקר, כתיבת דוחות או ניתוחים פיננסיים. Labs, לעומתו, לוקח קצת יותר זמן, אך מספק תוצרים גולמיים ומוכנים לעבודה. הוא מתאים למי שצריך להוציא רעיון לפועל, לבנות אבטיפוס או להכין הצגה חזותית במהירות – בלי לפתח דבר בעצמו.

All files created during your workflow — documents, spreadsheets, charts, images, code files — are organized in the “Assets” tab for easy access. pic.twitter.com/43dNd9Gcfq

— Perplexity (@perplexity_ai) May 29, 2025

איך עושים את זה?

1. כנסו לחשבון שלכם בפרפלקסיטי – לחצו על הכפתור החדש – “Create a project” שנמצא בחלון הצ׳אט – כדי להתחיל פרויקט חדש. לחצן הנורה מייצג אפשרות לקבל השראה לפרויקט.

2. לאחר הלחיצה, מופיעה רשימת דוגמאות מוכנות לרעיונות של פרויקטים שאפשר ליצור. בין הדוגמאות: מצגות חזותיות, דשבורדים, גרפים וניתוחים השוואתיים בין מודלי בינה מלאכותית.

דוגמה מפרויקט לדוגמה שיצרתי ב-Labs

יצירת תרשים ארגוני של מעבדות המחקר המובילות בתחום הבינה המלאכותית (HTML Org Chart): צפייה בפרויקט ב-Labs.

בפרויקט הזה, Perplexity יצר תרשים ארגוני אינטראקטיבי שמציג את מבנה ההנהלה של גופי המחקר המרכזיים בעולם ה-AI – כמו OpenAI, Anthropic, DeepMind ו-AI21.

התוצאה כוללת גם מידע על תפקידים בכירים, גיוסים חדשים וקישורים שימושיים – ומגיעה כתוצר HTML מוכן לשימוש.

זו בדיוק הדוגמה לאיך רעיון כללי כמו “למפות את עולם השחקנים ב-AI” הופך תוך דקות למשהו ויזואלי, מסודר ושימושי – בלי לכתוב שורת קוד אחת.

כאן תוכלו למצוא מגוון רחב של פרוייקטים שבנו משתמשים דרך Perplexity Labs.

הבוט של Perplexity בוואטסאפ

בהתחלה זה אולי נראה כמו ניסוי חביב: בוט מבוסס בינה מלאכותית שפועל ישירות בוואטסאפ. אבל מאז ההשקה בסוף חודש אפריל, הכלי הזה השתדרג משמעותית והפך לבן לוויה שימושי ומפתיע ביומיום.

אפשר לשאול אותו שאלות, לבקש הסברים למושגים מורכבים, לסכם מאמרים, לתת המלצות, לעזור בלמידה, לייעץ בנושאי טכנולוגיה, להציע רעיונות יצירתיים או לבדוק עובדות – והכל בלי לצאת מהשיחה, באותו מקום שבו אתם מדברים עם חברים או בני משפחה. לא מדובר בגימיק. זו דרך נגישה ונוחה להכניס את היכולות של בינה מלאכותית מתקדמת אל תוך שגרת היום־יום.

עכשיו, הבוט קיבל חיזוק משמעותי עם יכולות חדשות שהופכות אותו להרבה יותר מרק עוזר חכם. פקודת /news מספקת סיכום יומי של חדשות עדכניות, /generate מייצרת תמונות לפי תיאור חופשי, ו־/character מאפשרת לנהל שיחות עם דמויות וירטואליות – כל אחת עם סגנון ואופי אחר. נוספה גם תמיכה בהודעות קוליות ובקבצים, כך שאפשר לשלוח שאלה קולית ולקבל תשובה מבוססת טקסט.

מעבר לכך, יציבות המערכת השתפרה משמעותית לאחר קריסת ההשקה – והבוט חזר לפעולה סדירה כבר בתחילת מאי. כדי להתנסות, כל מה שצריך לעשות הוא לשמור באנשי הקשר את המספר 833-436-3285 1+ ולהתחיל לדבר עם הצ׳אט.

דוגמה לפקודה character/

עכשיו אפשר לנהל שיחה עם כל דמות – אמיתית או בדיונית – והבינה המלאכותית תענה לכם כאילו היא ממש הדמות הזו. character/ – פשוט כתבו את שם הדמות אחרי הפקודה, וה-AI ייכנס לדמות לחלוטין.

character/ גולדה מאיר

ה-AI יענה לכם כראש ממשלת ישראל לשעבר – בסגנון דיבור ישיר, ענייני ולעיתים חמור סבר, עם התייחסות להיסטוריה, ביטחון וחברה.

רוצים לשאול אותה מה היא חושבת על הטכנולוגיה של היום? או מה היא הייתה עושה עם הרשתות החברתיות?

היא תענה, ואתם תרגישו כאילו היא שם.

הבוט מתאים לקהל רחב: תלמידים, משפחות, אנשי תוכן – או כל מי שרוצה גישה מהירה ונוחה לעוזר חכם, בגובה העיניים.

זמינות ומחיר

הבוט בוואטסאפ זמין ללא תשלום, לכל משתמש עם חשבון וואטסאפ – כולל בישראל. לעומתו, Perplexity Labs פתוח רק למנויי Pro, בעלות של 20 דולר לחודש. זהו כלי שמיועד למשתמשים שמחפשים לא רק תובנות, אלא גם תוצרים בפועל. הוא מתאים במיוחד לאנליסטים, אנשי שיווק, יזמים ומפתחים שרוצים להפוך רעיון ראשוני לדגם עבודה – בלי לגייס צוות ובלי לבזבז זמן.

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

לפרטים נוספים לחצו כאן >>

בסופו של דבר, Perplexity לא ממציאה את הגלגל – אבל היא בהחלט מיישרת קו עם הכיוון שאליו שוק הבינה המלאכותית הולך: פחות דיבורים, יותר תוצרים. השילוב בין Labs לבין הבוט בוואטסאפ ממחיש שינוי בגישה – ממערכת שמספקת תשובות, לפלטפורמה שמלווה תהליכי עבודה שלמים. זה לא פתרון קסם, אבל עבור מי שעובד עם רעיונות, תוכן או דאטה – זו דרך חכמה לחסוך זמן, להוריד עומס, ולעבוד בצורה הרבה יותר ממוקדת. Perplexity עדיין מתעצבת, אבל הכיוון ברור: היא בונה סביבה שעוזרת לכם לא רק להבין את העולם – אלא גם לבנות בו משהו בפועל.

הפוסט פרפלקסיטי משתדרגת עם Perplexity Labs ועדכונים לבוט בוואטסאפ הופיע ראשון בLet's AI בינה מלאכותית

מהחלום לקרקע המציאות

בואו נתחיל מהחלום. תארו לעצמכם עתיד שבו אתם מקבלים הודעה מהרופא עוד לפני שהרגשתם לא טוב, כי הבינה המלאכותית אבחנה תסמין חריג בבדיקת דם. שבו הילד שלכם מקבל עזרה בלימודים ממורה וירטואלי שמזהה בדיוק איפה הוא מתקשה. עתיד שבו שירות ממשלתי פשוט מופיע אוטומטית – כי המערכת יודעת שאתם זכאים, בלי טפסים או תורים. העתיד הזה לא כל כך רחוק. מדינת ישראל כבר משקיעה בו מיליארד שקל. השאלה היא: האם זה מספיק? 

ישראל במירוץ העולמי: יתרונות אמיתיים, פערים גדלים

ישראל מדורגת במקום התשיעי בעולם במדד החדשנות בתחום ה-AI, ולפי אוניברסיטת סטנפורד – היא מובילה עולמית בריכוז מומחים בתחום. יותר מ-2,300 חברות AI פועלות כאן, רבע מההייטק הישראלי כבר עוסק ב-AI, וכמעט 15 מיליארד דולר גויסו לעולם הזה בעשור האחרון. ישראל אולי מדורגת 9 כללי, אבל היא עליונה בעולם בצפיפות כוח אדם איכותי בתחום – עדות לפוטנציאל גבוה, אך גם לצורך באקוסיסטם תשתיתי ומסחרי רחב יותר.

השוואת מדינות מובילות בעולם בתחום הבינה המלאכותית לפי פרמטרים מגוונים

תחומים כמו סייבר, ביטחון, רפואה דיגיטלית ועיבוד שפה הם זירות שבהן לישראל יש יתרון מובהק – אבל התחרות לא מחכה לנו. בעוד ישראל משקיעה 270 מיליון דולר על פני מספר שנים, סינגפור השקיעה 1.2 מיליארד דולר ב-2024 בלבד, בריטניה התחייבה ל-1.6 מיליארד דולר בשלוש שנים, וסין השקיעה יותר מ-150 מיליארד דולר מאז 2014. אפילו מטא משקיעה מיליארד דולר (בחודש!) רק בפיתוח תשתיות.

פעילות בתחום ההשקעות והיזמות ב-AI ברחבי העולם בין השנים 2013–2024

למרות הפער התקציבי, התוכנית הישראלית נבנתה חכם. במקום לנסות להתחרות על כמות, היא מתמקדת בנקודות החוזקה שלנו. למרות מגבלות בתשתיות, מחסור בכוח אדם ואתגרים רגולטוריים, ישראל מצליחה לבלוט דווקא באינטנסיביות השימוש – כלומר, ביישום פרקטי ונרחב של כלים מבוססי בינה מלאכותית, בעיקר בזירה העסקית. זהו ביטוי ליתרון יחסי ייחודי: לא בהיקף, אלא ביכולת למצות טכנולוגיה קיימת בצורה חכמה ומהירה. בנוסף, ישראל לא רק מגדלת כישרונות – היא גם יוזמת, מממנת, ומקימה מאות חברות AI – מה שממקם אותה כמדינה עם חדשנות דחוסה ביותר בתחום.

מדינה קטנה שממוקמת גבוה מבחינת אחוז השקעות בתחום הבינה המלאכותית

אסטרטגיה מבוססת יתרונות יחסיים

התוכנית גובשה כבר ב-2021 בהמשך לעבודת מטה שהחלה עוד ב-2019, אך זכתה לתנופה מחודשת רק ב-2024. היא נבנתה מתוך חזון מוצהר: “מובילות עולמית בבינה מלאכותית, לטובת שיפור איכות החיים והבטחת חוסנה הלאומי וצמיחתה הכלכלית של מדינת ישראל”. היא רואה ב-AI לא רק מנוע טכנולוגי, אלא תשתית לאומית שמחברת בין כלכלה, ביטחון וחברה.

התוכנית פועלת בחמש חזיתות מרכזיות:

1. תשתיות חכמות: הקמת מחשב-על לאומי (יעד: 2025), מכון מחקר לאומי (2027), ופיתוח מודלי שפה בעברית וערבית – כדי שלא נהיה תלויים בפתרונות זרים.

2. הכנת שוק העבודה: מלגות לסטודנטים, מסלולי הסבה במדעים מדויקים ותוכניות לשילוב חיילים משוחררים. המטרה: להכשיר מאות מומחים חדשים עד 2027.

3. ממשלה דיגיטלית: שילוב AI בשירותים ציבוריים דרך פיילוטים מבוקרים. תשעה פרויקטים ראשונים כבר בעיצומם, עם יעד לשלושה מחזורים נוספים עד 2026.

4. מחקר פורץ דרך: תמיכה ב”moonshots” טכנולוגיים ופרויקטי אתגר בין האקדמיה לתעשייה.

5. ריבונות טכנולוגית: הבטחת עצמאות במידע, שפה וצרכים ישראליים, תוך השפעה על הרגולציה הבינלאומית.

מה כבר קורה בפועל?

חלקים מהתוכנית כבר בעיצומם: תשתית המחשוב הלאומית בעבודה מתקדמת, פרויקטים ראשונים לשילוב AI במשרדי ממשלה פועלים, ומסלולי הכשרה לאומיים הוקמו. יש גם מסגרת מדידה ברורה: יעדים לגידול בהשקעות פרטיות, מספר השותפויות בין המגזר הציבורי לפרטי, ושיפור במדדים גלובליים. היישום אינו ריכוזי – זה שיתוף פעולה בין משרד החדשנות, רשות החדשנות, משרד האוצר, משרד הביטחון וגופים נוספים, עם ועדת מומחים מדעית עצמאית בראשות פרופ’ יואב שוהם – חוקר ישראלי מוביל בתחום הבינה המלאכותית, פרופסור (אמריטוס) למדעי המחשב באוניברסיטת סטנפורד, ואחד מהדמויות המשפיעות בעולם ה-AI.

איפה זה עלול להיתקע

למרות התוכנית החכמה, יש פערים משמעותיים שעלולים לחבל בביצוע:

מחסור חמור בכוח אדם

אין מספיק מרצים באקדמיה, אין מספיק מהנדסי AI מיומנים, ואין די מסלולי הכשרה מקצועיים. רק 47% מהיזמים בתחום מגיעים מרקע אקדמי טכנולוגי – נתון שמעיד על תלות גבוהה בבודדים ולא על מערכת רחבה של הון אנושי מתפתח. כדי לעמוד ביעדים, ישראל תצטרך השקעה מסיבית בעשרות אלפי אנשי מקצוע – לא מאות.

פער בין מצוינות למימוש

רק 4% מהעסקים בישראל משתמשים כיום ב-AI – פחות מהממוצע באיחוד האירופי, שעומד על 7%. במגזרים כמו בנייה, תחבורה ותעשייה, האימוץ כמעט ואינו קיים. למרות הישגים מדעיים ודירוגים גבוהים בחדשנות, היישום בפועל נשאר מצומצם, במיוחד מחוץ לעולם ההייטק. הפער הזה פוגע ביכולת לממש את מלוא הפוטנציאל הכלכלי והחברתי של התחום.

התנגדות ציבורית

62% מהישראלים מדווחים על חשש משימוש בבינה מלאכותית בשירותים ציבוריים – נתון שממחיש את חוסר האמון שקיים כלפי מערכות טכנולוגיות במגזר הציבורי. גם אם הכלים עצמם מתקדמים, בלי אמון ציבורי רחב, קשה להטמיע אותם בהיקף משמעותי. כדי להתמודד עם ההתנגדות, דרושה עבודת הסברה עמוקה, רגולציה ברורה ויישומים שמוכיחים את עצמם בפועל.

בירוקרטיה ממשלתית

להטמיע חדשנות טכנולוגית במשרדי ממשלה זו לא רק שאלה של קוד – אלא של תרבות. זה דורש לשנות תהליכים ארוכי שנים, להתמודד עם חשש מהלא-מוכר, ולעצב מחדש הרגלי עבודה מושרשים. חדשנות ממשלתית נבנית דרך שינוי תרבותי, תיאום, והתמדה.

כנות מול תקווה

כשבוחנים את התמונה הכוללת, הסיכוי לכישלון חלקי גבוה. התקציב קטן בהשוואה עולמית, לוחות הזמנים דחוקים (מחשב העל עד 2025, מכון מחקר עד 2027), והמערכת הממשלתית לא ידועה ביעילות ביצוע. אבל יש גם סיבות לאופטימיות זהירה. ישראל עושה דבר אחד נכון: היא לא מנסה להתחרות בכמות, אלא מתמקדת ביתרונות יחסיים. מומחיות ביישומים ורטיקליים, יכולות בתחום Data & AI Operations, וריכוז גבוה של מומחים איכותיים. בתחום הפרסומים המדעיים, ישראל אחראית רק ל-0.5% מהמאמרים העולמיים – אך זוכה ל-2.1% מהציטוטים. זו עדות לאיכות גבוהה, לא יתרון כמותי.

ישראל לא מתמקדת בכמות הפרסומים אלא מצטיינת באיכות ובאפקטיביות, במיוחד בתחומי NLP וראייה ממוחשבת

מה צריך לקרות כדי שזה יעבוד?

כדי שהתוכנית הלאומית לבינה מלאכותית לא תישאר בגדר כוונה טובה בלבד, אלא תהפוך למציאות חיה ונושמת – ישראל תצטרך לשנות הילוך. לא מדובר בעדכון תוכנה, אלא בשינוי מערכתי, כזה שדורש פעולה בכמה שכבות בו־זמנית.

קודם כול – צריך מי שמוביל באמת. לא ועדות, לא תיאומים, לא פיזור אחריות. גוף ממשלתי אחד, שקם בבוקר עם משימה ברורה: לדחוף את תחום הבינה המלאכותית קדימה, בכלים אמיתיים ולא רק באסטרטגיות.

אחר כך מגיעה השאלה של הון אנושי. אי אפשר לדבר על מהפכה אם אין מי שיבנה אותה. זה לא יקרה עם מאות סטודנטים, אלא עם עשרות אלפים. זה מתחיל במערכת החינוך, נמשך באקדמיה, ומתחזק עם הכשרות מקצועיות רלוונטיות לשוק.

כדי שכל זה לא יתפרק בביורוקרטיה, נדרש גם תיאום חוצה משרדים – חכם, רציף, ועם שפה משותפת. אחרת, כל משרד ינסה לבנות את העתיד לבד, והתוצאה תהיה פערים, כפילויות – ואפס אימפקט.

ולבסוף – עברית וערבית. בלי השקעה אמיתית בשפות המקומיות, נישאר עם כלים גלובליים שלא מבינים אותנו. זה לא רק עניין של נוחות – זה עניין של ריבונות טכנולוגית.

אם נצליח לחבר את כל החוטים האלו יחד, נוכל להפסיק לשאול “האם זה יעבוד?” – ולהתחיל לראות את זה קורה.

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

למידע נוסף >>

השורה התחתונה

ישראל לא צריכה להמציא את הגלגל מחדש – אבל היא כן צריכה להבטיח שהיא לא מפספסת את המהפכה. התוכנית שנפרסה היא התחלה נכונה, אך הביצוע יקבע הכל. העתיד לא יקרה מעצמו. הוא דורש תכנון, השקעה, ושאיפה לאומית שנמדדת בתוצאות – לא בכותרות. אז בפעם הבאה שאתם שומעים על בינה מלאכותית, תזכרו: זה לא רק עניין של טכנולוגיה. זה עניין של מדיניות, חינוך, אמון, ובעיקר של לבחור נכון היום, כדי לחיות טוב יותר מחר. עם מוח ישראלי, שיתופי פעולה נכונים וביצוע נחוש, יש לנו סיכוי לא רק לרדוף אחרי העולם, אלא להוביל אותו. אם אנחנו רוצים עתיד של AI שנבנה כאן, ולא מחכה לנו בסיליקון ואלי, נצטרך לקחת אחריות. לא רק הממשלה, גם אנחנו.

הפוסט מיליארד שקל על העתיד שלנו – תוכנית הדגל של ישראל לבינה מלאכותית הופיע ראשון בLet's AI בינה מלאכותית

מה Anthropic ניסתה לבדוק?

המטרה של החוקרים הייתה פשוטה – אבל גם שונה מכל מה שנעשה עד היום: לא לבדוק מה Claude יודע, אלא להבין איזה עולם ערכי הוא מקדם בפועל. לא בניסוי מבוקר, לא בשאלונים, אלא דרך שיחות אמיתיות בין אנשים ל-AI, בלי מעבדה ובלי תסריטים מלאכותיים. במילים אחרות: איך Claude מתנהג “בטבע”?

איך הם עשו את זה? הסיפור מאחורי המחקר

דמיינו מאות אלפי שיחות בין אנשים למכונה. שאלות על זוגיות, קריירה, השקעות, עיצוב, הורות, כתיבה, בריאות – כל אחת מהן רגע אנושי שבו מישהו מחפש כיוון, תמיכה או החלטה. Anthropic לקחה 700,000 שיחות אמיתיות עם Claude – כאלה שהתרחשו ביומיום, בלי תסריט ובלי הכוונה. 91% מהן התנהלו מול Claude 3.5 Sonnet. מתוך כל המאגר הזה, סוננו 308,210 שיחות שבהן ניתן היה לזהות ערכים כלשהם – הצהרתיים או מרומזים. שיחות שבהן לא רק הייתה שאלה, אלא גם תגובה שמעבירה מסר ערכי.

אבל מי בדק את זה? את הניתוח ביצעו מודלים אחרים ממשפחת Claude, בעיקר Sonnet ו-Haiku, שסקרו גם שיחות שנוצרו על ידי Opus. כלומר, לא מדובר בניתוח עצמי של אותו מודל שהגיב, אלא במערכת ביקורת עמיתים שמפרידה בין השיחה לבין הביקורת עליה. מודלים שונים שבודקים אחד את השני. כל תשובה נותחה לפי טקסונומיה של למעלה מ־60 ערכים, שחולקו לחמש קבוצות־על:

• Practical – יעילות, תכליתיות, פתרון בעיות.

• Epistemic – דיוק, בהירות, חשיבה ביקורתית.

• Social – הרמוניה, כבוד, שותפות.

• Protective – אחריות מוסרית, זהירות, מניעת נזק.

• Personal – אותנטיות, ביטוי עצמי, רווחה אישית.

המפה הערכית של קלוד. Credit: anthropic.com

וכדי לוודא שהתוצאה לא רק ״נשמעת חכמה״, החוקרים לא הסתפקו בזיהוי אוטומטי. 98.8% מהסיווגים נבדקו ידנית על ידי אנליסטים אנושיים – ואושרו. זה לא היה ניחוש של מכונה, ולא הערכה כללית. זה צילום רנטגן מוסרי של הבינה המלאכותית בפעולה – תיעוד שיטתי של איך Claude מפרש את העולם, ערך אחרי ערך.

הנה דוגמאות חיות מכל קטגוריה

• (31.4%) ערכים פרקטיים – כשאתם שואלים על פתרון בעיה בעבודה, Claude מדגיש תכליתיות ומקצועיות – גם אם זה בא על חשבון רגישות בין־אישית.

• (22.2%) ערכים אפיסטמיים – בשיחות על מדע, היסטוריה או אתיקה, הוא שומר על חשיבה ביקורתית ודיוק – גם אם זה מסרבל את השיחה או פוגע בפופולריות של התשובה.

• (21.4%) ערכים חברתיים – כשאתם מתלבטים איך להתמודד עם ריב אישי, Claude ידגיש אמפתיה והרמוניה – גם אם המשמעות היא לוותר קצת על עצמכם.

• (13.9%) ערכים מגנים – בשאלות על בריאות, ילדים או מיניות, הוא בוחר זהירות וציות לחוק – גם אם זה מגביל חופש או יצירתיות.

• (11.1%) ערכים אישיים – כשאתם כותבים שיר או מנסים להבין את עצמכם טוב יותר, Claude יבחר באותנטיות ובחיבור רגשי – גם אם אין תשובה “נכונה”.

הממצא שהדהים גם את החוקרים

כאן יש הצצה נדירה לתודעה המוסרית של Claude – ואיך היא רלוונטית לחיים שלנו. Claude לא רק משקף כמה ערכים כלליים כמו “אמפתיה” או “דיוק”. הוא מבטא בפועל 3,307 ערכים שונים – כן, שלושת אלפים שלוש מאות ושבעה. וזה לא רק המספר. זו הדרך שבה הוא עושה את זה: במינונים משתנים, לפי ההקשר, סגנון השיחה והמטרה של המשתמש. מדובר במערכת ערכים עשירה ודינמית, כמעט כמו של בן אדם, אבל בלי ביוגרפיה, בלי קהילה, ובלי מצפן אנושי.

כך ניתחו ב-Anthropic שיחות אמיתיות. Credit: anthropic.com

התמונה הזו ממחישה את מהלך הניתוח – משיחה אנונימית של משתמש, דרך תגובה ערכית של Claude, ועד קטלוג שיטתי של הערכים שהוא ביטא בפועל. זוהי ארכיאולוגיה מוסרית של מודל שיחה – חפירה בתוך המכונה כדי להבין איך היא רואה את העולם.

איך Claude מגיב לערכים?

הממצא המרתק ביותר נוגע לאופן שבו Claude מגיב לערכים שמביאים המשתמשים. החוקרים זיהו שלוש תגובות עיקריות, וכל אחת מהן חושפת בחירה מוסרית ברורה מצד המודל:

• תמיכה חזקה – Claude מאמץ את הערך של המשתמש ומחזק אותו.

• מסגור מחדש (Reframing) – הוא מציג ערכים נוספים או מחליפים, בלי לדחות את המקור.

• התנגדות מפורשת – הוא מביע עמדה מוסרית מנוגדת לערך שהובא.

שלוש דרכי תגובה של Claude לערכים אנושיים. Credit: anthropic.com

מה שמרשים במיוחד הוא ש-Claude לא מגיב באותה צורה תמיד – התגובה תלויה בהקשר. לדוגמה: בשיחות על בריאות הנפש, הוא נוטה למסגר ערכים מחדש בעדינות. במצבים שנחשבים לאתיים או מסוכנים – הוא בוחר להתנגד באופן ברור.

ערכים שהמודל מקדם בתגובה לערכים שמביא המשתמש. Credit: anthropic.com

המחקר מראה שלכל תחום שיחה יש ל-Claude מערכת ערכים אחרת. הוא משנה את הדגשים לפי הנושא, השפה, ואפילו סגנון הפנייה של המשתמש. כמו מראיין שמסתגל למי שיושב מולו, Claude משנה את הערכים שהוא מבטא לפי ההקשר.

כשמישהו מתלבט בזוגיות, הוא לא מדבר על ציות או הישגים – אלא מציע גבולות בריאים, כבוד הדדי, ובריאות רגשית. בשאלות על היסטוריה טעונה או נרטיבים לאומיים, הוא מתמקד בדיוק היסטורי וביושרה אינטלקטואלית. אם מישהו כותב פוסט רגשי או משתף חוויה אישית, Claude מביא איתו חום אנושי, הכרת תודה, ותמיכה רגשית. בשיחה עם אדם מאמין על דת או מסורת, הוא בוחר בכבוד למסורת, צמיחה רוחנית, וחינוך ערכי. ואם השאלה עוסקת בקוד – הוא חוזר לאזורי הנוחות הטכניים: אמינות, תחזוקה, ומצוינות מקצועית.

Claude משנה את הערכים שהוא מבטא לפי הקשר. Credit: anthropic.com

קחו למשל שיחה על הורות. משתמש ששואל על התמודדות עם ילד מתבגר – יקבל דגש על הקשבה, גבולות רגשיים ותקשורת לא שיפוטית. אבל משתמש אחר, עם ערכים שונים, אולי היה מצפה לחיזוק של סמכות הורית, גבולות נוקשים או אחריות. Claude בחר – מבלי לשאול את ההורה קודם. המשמעות? Claude לא רק עונה – הוא שופט ערכים בהתאם להקשר. והשאלה הבלתי נמנעת היא: לפי איזה סט ערכים הוא עושה את זה – ומי קובע אותו?

האם זה משתנה בין המודלים?

בהחלט – ובצורה מובהקת. Claude Opus נוקט גישה ערכית בוטה יותר מ-Sonnet. הוא הביע תמיכה חזקה בערכים ב־43.8% מהשיחות, לעומת 27.8% בלבד אצל Sonnet. הוא גם התנגד לערכים ב־9.5% מהשיחות – פי 3 מ-Sonnet (3% בלבד). מעבר לכך, Opus מבטא יותר ערכים רגשיים, אקדמיים ואפיסטמיים, כלומר: הוא לא רק מגיב אחרת, אלא מביא איתו מערכת ערכים עשירה יותר.

המסקנה ברורה: המודל שבו אתם משתמשים – Opus, Sonnet או אחר – קובע אילו ערכים תיחשפו אליהם – מבלי שתשימו לב.

Opus vs Sonnet

אז מה מספרים המספרים?

98.6% מהשיחות הכילו ערכים מצד Claude. לעומת זאת, רק 45% מהשיחות הכילו ערכים מפורשים מצד בני אדם. כאשר המשתמש מביא ערך כלשהו, Claude משקף בממוצע 20% ממנו. אבל כש-Claude בוחר להתנגד לערך, הוא כמעט לא מחזיר אותו: רק 1.2% משתקפים. ומה לגבי ערכים מפורשים מצד המודל עצמו? רק 2.6% מהשיחות כללו אזכור ערכי ברור מצד Claude, וגם זה קורה כמעט רק כשיש התנגדות מפורשת. בשאר הזמן? הערכים פשוט שם – מובלעים בשפה, כחלק מהטון, לא כהצהרה.

הפער הזה לא מקרי. הוא מעיד על בחירה חכמה, מבוקרת ודינמית מצד המודל. Claude לא סתם “עונה יפה”. הוא פועל כמערכת מוסרית שמבצעת שיפוט ערכי שקט ומדויק לאורך כל שיחה.

ומה עושים עם כל זה?

המסקנות אינן טכניות – הן חברתיות, תרבותיות ודמוקרטיות. לא כדי להבהיל, אלא כדי לעזור לנו להבין מה קורה מתחת לפני השטח, ולבחור איך לפעול ביודעין.

למשתמשים – אל תניחו שהמודל “אובייקטיבי”. שאלו אותו מהם הערכים שמנחים אותו, או הגדירו מראש את הערכים שחשובים לכם. המודלים האלה כאן כדי לשרת אתכם, לא להכתיב לכם.

למפתחים – שקיפות ערכית היא לא בונוס. אם אתם משקיעים כל כך הרבה ביציבות ובדיוק, אל תשאירו את תחום הערכים באפלה. מודל טוב הוא גם מודל שמכבד את ההקשר הערכי של המשתמש.

לרגולטורים ומקבלי החלטות – אל תבדקו רק מה נאמר. בדקו גם איך, למה, ומה נשאר בחוץ – כי שם מתחבאים ערכים לא פחות מהתוכן עצמו.

Claude כבר לא רק נותן תשובות. הוא מעצב דרכי חשיבה, מקדם ערכים, ומשפיע על התנהגות, לעיתים בעדינות, מבלי שנשים לב. וזו בדיוק הסיבה לעצור – לא מתוך חשש, כמו כדי להבין מה באמת מקודד בתוך המילים. כי ברגע שאנחנו רואים את זה – אנחנו יכולים לבחור איך להתקדם הלאה.

וזה לא סוף הסיפור – כי המשמעות לא נגמרת בשאלה מה המודל אומר, אלא באיך אנחנו בוחרים להגיב למה שהוא משדר.

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

למידע נוסף >>

השאלות שחשוב לשאול

יש עוד שאלות – כאלה שלא נשאלו, אבל אי אפשר להתחמק מהן.

מי בעצם החליט ש־60 הערכים שבחרה Anthropic הם הערכים “הנכונים”? איפה המקום לערכים אחרים – שמרניים, דתיים או לא־מערביים? ואולי הכי חשוב – האם תרגום תרבותי באמת מספיק כדי לשקף את מה שלא נולד בעמק הסיליקון?

אולי לא כל ערך חייב להיכנס. אבל האם לא כדאי שנדע אילו ערכים כבר בפנים – ואילו נשארו בחוץ?

כי ערכים לא חיים רק בספרי פילוסופיה. הם חיים בתוך אלגוריתמים – בתוך ניסוח של עצה, בתוך סדר העדיפויות של תשובה, בתוך הדוגמה שנבחרה ולא זו שהושמטה. והם כבר כאן. פועלים. משפיעים. מנווטים. הבחירה של כולנו כבר לא אם להשתמש בבינה מלאכותית – אלא איך לוודא שהיא משתמשת גם בערכים שלנו. 

הפוסט איך הערכים הסמויים של הבינה המלאכותית משפיעים על הבחירות שלכם? הופיע ראשון בLet's AI בינה מלאכותית

ASL-3: כשחברות AI עוצרות רגע לחשוב לפני שמתקדמים

שלשום השיקה אנטרופיק את שני המודלים החדשים שלה – Claude Opus 4 ו־Claude Sonnet 4. אבל יחד עם ההשקה, היא ביצעה גם מהלך חריג לא פחות: הפעלת תקן בטיחות מתקדם בשם ASL-3, שמטרתו להגן מפני שימוש לרעה בטכנולוגיה – עוד לפני שהוכח שהיא אכן מסוכנת.

ולמרות שזה נשמע כמו צעד טכני, מדובר בבחירה ערכית עמוקה: אנטרופיק בחרה לעצור רגע, להסתכל קדימה – ולשאול לא רק מה המודל יכול לעשות, אלא גם מה לא נכון שייעשה באמצעותו.

למה זה קרה?

במהלך תרגילים פנימיים, החוקרים של אנטרופיק בדקו תרחישים בהם המודל עשוי, תיאורטית, לספק מידע שעלול לעזור לשחקנים מתקדמים לבנות נשק ביולוגי.

לא מדובר ביצירת נוסחאות נשק, אלא בהשלמה של תהליכים שיכולים לייעל למי שכבר עוסק בתחום את דרכי הפעולה שלו. כלומר: לא סכנה מידית – אבל כן עליית מדרגה ברמת המורכבות שהמודל מסוגל להתמודד איתה.

בלמי חירום במודלי שפה

המהלך הזה לא הגיע משום מקום. בגרסה הקודמת של המודל, Claude Sonnet 3.7, כבר זיהו באנטרופיק סימנים לכך שהגרסה הבאה עלולה לחצות רף בטיחות מסוים. הם תכננו מראש את האפשרות להפעיל את ASL-3, אם יתברר שהיכולות החדשות דורשות זאת. במובן הזה, מדובר במימוש של תרחיש שנלקח בחשבון מראש – לא הפתעה, אלא הפעלת בלמים שתוכננו מבעוד מועד.

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

לפרטים נוספים לחצו כאן >>

מה זה בעצם ASL-3?

ASL-3 הוא תקן בטיחות חדש שפיתחה אנטרופיק מתוך השראה מתהליכי בקרה מעולם הביולוגיה הסינתטית – תחום שבו כל טעות עלולה להיות קריטית. הרעיון פשוט: אם מודל שפה עלול, גם בתרחיש נדיר, להאיץ תהליכים מסוכנים – צריך להציב לו גבולות מראש. במסגרת התקן, החברה הגבילה את הגישה לאזורים רגישים במודל, מפעילה ניטור שוטף על בקשות משתמשים, מקפידה על פיקוח הדוק בכל שיתוף פעולה עם חוקרים חיצוניים, ודואגת למנגנוני תיעוד ואבטחת מידע ברמה גבוהה במיוחד.

מה שחשוב לא פחות – את כל זה היא עושה לא כי מישהו הכריח אותה. אין כאן רגולציה שמכתיבה (נכון לעכשיו). מדובר בהחלטה וולונטרית, שמתבססת על אחריות פנימית. כדי לוודא שהמהלך יתבצע בשקיפות מלאה, החברה גם עדכנה מיוזמתה את משרד האנרגיה האמריקאי ובכירים בבית הלבן – כאמירה ברורה: הבטיחות כאן היא לא המלצה.

מודל עם גבולות

כדי להגן בפועל על המודל, אנטרופיק לא הסתפקה בהצהרות או מגבלות כלליות. היא פיתחה שורה של פתרונות טכנולוגיים קונקרטיים: מערכת בשם Constitutional Classifiers בודקת האם השאלות שהמשתמש שואל חורגות מגבולות האתיקה שהוגדרו מראש, ממש כמו שומר סף עם עקרונות.

בנוסף, הם הפעילו מערכת bug bounty שמזמינה חוקרי אבטחה חיצוניים לאתר חולשות במודל, בדומה למה שעושים בעולם הסייבר. יש גם מגבלות טכניות מתקדמות כמו בקרות רוחב פס ביציאה (egress bandwidth controls), כדי לוודא שאי אפשר “לחלוב” את המודל בכמות מידע שמעבר למה שנחשב סביר.

שאלה מתבקשת: למה לא פשוט לעצור את השחרור?

כאן עולה הדילמה האמיתית. אם יש פוטנציאל לסיכון, גם אם עקיף – למה לשחרר את המודל לציבור? התשובה של אנטרופיק עקבית עם הגישה של חברות אחרות בתחום: הם מאמינים שדרך שקיפות, בקרה פנימית ומגבלות שימוש – אפשר למזער את הסיכון בלי לעצור את ההתקדמות הטכנולוגית.

בינה על תנאי

אנטרופיק מדגישה שההגנות של ASL-3 אינן קבועות לנצח. אם יתברר בהמשך שהמודל לא מצדיק את רמת הבקרה הזו – ניתן יהיה להסיר את ההגבלות.

הגישה שלהם היא דינמית: לא להחמיר לשם ההחמרה, אלא להתאים את רמת הבטיחות לרמת הסיכון בפועל.

אז מי אחראי?

וזו כנראה השאלה החשובה ביותר. נכון לעכשיו, האחריות נתונה בידי החברות. הן יוזמות, מפקחות, קובעות גבולות, וגם מפרסמות את הממצאים. אבל עד מתי? האם חברות פרטיות צריכות לקבוע את רמת הסיכון שמותר לנו לקחת? ואיך נוודא שהאיזון בין קידמה, תחרות ובטיחות באמת נשמר?

הבינה שמבינה מתי לעצור

לסיכום, מהלך כמו ASL-3 הוא לא סימן לכך שהכול יוצא משליטה, אלא דווקא לכך שמתחילים להבין איפה בדיוק עובר הגבול. זו לא תגובה לפאניקה, אלא הצהרה של בגרות: ההבנה שכשמודלים הופכים חזקים יותר, האחריות לא נשארת מאחור. הסיכון שמדובר בו אולי לא מידי, אבל הוא בהחלט ממשי – והוא דורש מאיתנו לעצור לרגע ולשאול את השאלות הנכונות: מי מפקח על כל זה? באיזו מסגרת מתקבלות ההחלטות? ואיך נוודא שהטכנולוגיה שמעצבת את המחר תישאר מחוברת לערכים של המין האנושי?

קלוד הופך לפלטפורמה עוצמתית לבניית סוכנים

אם אתם סקרנים לא רק לגבי הבטיחות של מודלי שפה, אלא גם לגבי היכולות החדשות שלהם – כדאי שתדעו שאנטרופיק הכריזה על ארבע תוספות חדשות ל־API שלה, שהופכות את קלוד לפלטפורמה לבניית סוכני AI חזקים לארגונים: כלי הרצת קוד שמאפשר לבצע פעולות בזמן אמת, חיבור ישיר לשרתי MCP (ממשקי שליטה חיצוניים), ממשק קבצים חדש לגישה נוחה למסמכים, וזיכרון ארוך טווח שמאפשר לקלוד לזכור מידע לאורך שיחות – ולהיות הרבה יותר מרק צ’אטבוט.

הפוסט ההחלטה החריגה של Anthropic להפעיל את תקן ASL-3 הופיע ראשון בLet's AI בינה מלאכותית

Meet Higgsfield Ads: turn one product pic into a studio ad in seconds.

Upload a product photo, pick one of 40+ templates, and walk away with a cinematic spot.

Retweet, like, comment "Ads" and the link with a detailed guide and 150+ use-cases hits your DMs. pic.twitter.com/LjBg9Ostxg

— Higgsfield AI (@higgsfield_ai) May 15, 2025

מה זה בדיוק Higgsfield Ads?

Higgsfield Ads הוא כלי ייעודי ליצירת פרסומות מוצר קצרות – מתוך תמונה אחת בלבד. במקום להפיק סרטון פרסומת שלם מאפס, הכלי מאפשר להעלות תמונה סטטית של המוצר, לבחור תבנית עיצובית מוכנה, ולקבל תוך רגעים וידאו דינמי באורך של 5 שניות – שמרגיש מקצועי, מושך וקומפקטי בדיוק למידות של המדיה החברתית.

בניגוד לכלים אחרים של Higgsfield שמתמקדים ביצירת וידאו כללי או קולנועי, Ads נבנה במיוחד כדי לשרת צורך מסחרי מובהק: לשווק מוצרים בצורה חכמה, אסתטית ומיידית. לשם כך הוא כולל מעל 40 תבניות פרסומת מוכנות – כולן מעוצבות מראש להצגת מוצרים בסגנון שיווקי ברור.

התבניות הייחודיות של Higgsfield Ads

מה שהופך את Higgsfield Ads לכלי כל כך יעיל בפרסום מוצרים, הוא לא רק הפשטות – אלא גם המגוון הסגנוני שהוא מציע. בתוך המערכת תמצאו מעל 40 תבניות מוכנות מראש, שכל אחת מהן יוצרת אווירה שונה סביב המוצר שלכם.

אפשר לבחור, למשל, תבנית בסגנון Abstract Forms שממקמת את המוצר בתוך עולם של צורות גיאומטריות מופשטות, או ללכת על Aura Burst – עם אפקט של פריצת אור עוצמתית שמדגישה את המוצר כמו בתצוגת תכלית.

מי שרוצה לייצר תחושת יוקרה ימצא את עצמו בתבנית Luxury Boutique, ואילו עסקים בתחום הטבע והבריאות יעדיפו אולי את Nature Capsule או את Jungle Reveal – שממקמים את המוצר בתוך סביבה טבעית חיה ונושמת.

יש גם תבניות נקיות ואסתטיות כמו Minimalistic Studio, סביבות מפתיעות כמו Underwater, וכן אפקטים דינמיים יותר כמו Product Lift – הרמת המוצר באנימציה חלקה, או Glam Shot שמעניק תחושה של צילום אופנה נוצץ. ויש אפילו Frozen Product – אפקט שמקפיא את המוצר ונותן לו מראה דרמטי ומוקפד.

כל תבנית מעוצבת בקפידה כדי להתאים לסוג מוצר אחר – כך שתוכלו להתאים את הסגנון למסר, לקהל ולפלטפורמה.

Who’s already using it:
• Freelancers selling $1K ads
• Small brands shipping daily reels
• UGC creators scaling content banks
• Agencies A/B-testing hooks overnight pic.twitter.com/fEjvRIjHdW

— Higgsfield AI (@higgsfield_ai) May 15, 2025

איך התהליך עובד?

בתוך האתר של Higgsfield התהליך אינטואיטיבי ומורכב מארבעה שלבים פשוטים:

1. כניסה לאיזור הפרסומות הייעודי – לחצו על Ads בסרגל העליון.

2. בחירת תבנית פרסומת – בחרו מתוך 40+ תבניות המיועדות ספציפית להצגת מוצרים.

3. העלאת תמונת מוצר – העלו תמונה איכותית של המוצר. רצוי תמונה ברזולוציה גבוהה עם רקע נקי.

4. הפקת סרטון הפרסומת – לחצו על כפתור ההפקה והמערכת תייצר סרטון פרסומת קצר למוצר שלכם. 

יצירת פרסומת קצרה תוך שניות

יתרונות ייחודיים של Higgsfield Ads לפרסום מוצרים

היתרון המרכזי של Higgsfield Ads טמון ביכולת שלו לייצר תוצאה מרשימה – במהירות ובעלות מזערית. במקום להפיק פרסומת בסטודיו, עם צילום, עריכה וצוות מקצועי, אפשר להעלות תמונה אחת ולקבל תוך דקות סרטון פרסומת שנראה כמו משהו מתוך קמפיין מסחרי אמיתי – בלי לשלם אלפי שקלים.

גם מבחינת איכות, התוצאה לא מרגישה חובבנית. התבניות שעומדות לרשותכם מעוצבות כך שהמוצר ייראה במיטבו, עם קומפוזיציה, תאורה ואווירה שמתאימות בדיוק למיתוג שאתם מנסים להעביר.

ולא פחות חשוב – הגמישות. Higgsfield Ads מאפשר לנסות כמה סגנונות פרסום שונים לאותו מוצר – בין אם אתם מכוונים ליוקרה, לטבע, לטכנולוגיה או לפשטות נקייה – ולבחור מה עובד הכי טוב מול הקהל.

מגבלות של Higgsfield Ads לפרסום מוצרים

למרות היתרונות הרבים, חשוב להבין שגם ל־Higgsfield Ads יש גבולות – במיוחד כשמשווים אותו לכלים מתקדמים יותר.

הראשון שבהם הוא אורך הסרטון: הפרסומות שמופקות באמצעות הכלי מוגבלות ל־5 שניות בלבד. זה אומר שאין הרבה מקום לספר סיפור מורכב, להסביר יתרונות או להציג שימושים, אלא בעיקר ליצור רושם ראשוני מהיר וחזותי.

בנוסף, יש אתגר בהצגת טקסטים ולוגואים, במיוחד אם הם קטנים או משולבים על גבי האריזה – משתמשים דיווחו על ירידה באיכות או טשטוש בפרטים, במיוחד כשהתמונה המקורית לא מספיק חדה.

ולבסוף, רמת השליטה על פרטי הפרסומת מוגבלת – אין אפשרות לערוך אנימציות, לשנות צבעים, או להדגיש מאפיינים ספציפיים של המוצר. הכל עובד לפי התבנית שנבחרה, מבלי יכולת לבצע התאמות עומק.

טיפים ליצירת פרסומות מוצלחות עם Higgsfield Ads

1. השתמשו בתמונות מוצר באיכות גבוהה – איכות התמונה המקורית חיונית לתוצאה מוצלחת.

2. צלמו את המוצר על רקע נקי או שקוף – רקע פשוט מאפשר לתבניות לעבוד טוב יותר.

3. וודאו שפרטי המוצר והלוגו ברורים – מקמו את המוצר כך שהלוגו והפרטים החשובים נראים בבירור.

4. בחרו תבנית המתאימה לאופי המוצר – למשל, מוצרי יוקרה יתאימו לתבנית Luxury Boutique.

5. נסו מספר תבניות פרסום – הפיקו כמה גרסאות ובחר את הטובה ביותר.

6. התאימו את הפרסומת לפלטפורמת היעד – סרטונים קצרים מתאימים במיוחד לפרסום במדיה חברתית כמו Instagram ו-TikTok.

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

לפרטים נוספים לחצו כאן >>

למי Higgsfield Ads מתאים במיוחד?

Higgsfield Ads הוא פתרון כמעט מושלם עבור מוכרים באתרים כמו Amazon, Etsy או Shopify, שרוצים להבליט מוצרים בדפי המכירה שלהם בעזרת וידאו מושך בלי להסתבך עם צילום ועריכה. הוא מתאים גם ל־חנויות מקוונות שמנהלות קטלוג רחב וצריכות להציג כל מוצר בצורה דינמית, ויזואלית ומהירה.

מותגים קטנים ובעלי תקציב מוגבל ימצאו בו דרך חכמה להפיק תוכן ברמה מקצועית בלי לשבור את הקופה, ו־משווקים בדיגיטל ישתמשו בו כדי ליצור פרסומות ממוקדות למדיה החברתית – תוך דקות.

לעומת זאת, הכלי פחות יתאים ל־מותגים גדולים עם הנחיות מיתוג מוקפדות, לקמפיינים שבהם נדרש מסר עמוק או מורכב שלא ניתן להעביר ב־5 שניות, או למצבים שבהם נדרשת שליטה מלאה על כל פרט בפרסומת – מגרפיקה ועד קריינות.

סוגיות זכויות יוצרים

לפי תנאי השימוש של Higgsfield, החברה מקבלת זכויות נרחבות לשימוש בתמונות ובסרטונים שאתם מעלים.

חשוב לדעת: ייתכן שהתוכן שתעלו – כולל תמונות מוצרים או סרטוני פרסומת שנוצרו – ישמש לאימון מודלים, ניתוח פנימי או אפילו חשיפה פומבית כחלק מדוגמאות או קידום. אם אתם עובדים עם מותגים שמחייבים בלעדיות, NDA או כל רמת סודיות מסחרית, חשוב לקרוא היטב את תנאי השימוש לפני ההעלאה – ולשקול שימוש באלטרנטיבות אם יש חשש לחשיפה לא רצויה.

תמחור ותוכניות

כדי להבין מה בדיוק מקבלים בכל תוכנית שימוש ב־Higgsfield, מי מקבל גישה ל־Ads – ומה ההבדלים ביניהן – הנה השוואה בין ארבעת המסלולים הזמינים. בעמוד התמחור המלא תקבלו מידע על עלויות שנתיות ותוכלו להעמיק בפרטים על כמות הקרדיטים החודשיים, הפיצ’רים הטכניים וגישה ליכולות המתקדמות של המערכת:

כמה תשלמו על מנוי כל חודש?

12 פיצ׳רים ב-50 יום

אז אם אתם רוצים ליצור פרסומות מרשימות למוצרים – בלי לצלם, בלי לערוך ובלי לשבור את התקציב – אין ספק ש- Higgsfield Ads מציע בדיוק את זה: כלי פשוט, מהיר ונגיש שהופך תמונה אחת של מוצר לסרטון פרסומת קצר ודינמי – תוך דקות, ובלי צורך בניסיון קודם. מאז ההשקה, עברו 50 יום בלבד – ובזמן הזה צוות Higgsfield שחרר 12 גרסאות חדשות עם פיצ’רים מרשימים, בזמן שיוצרים, מותגים ויזמים – הפכו את הכלי לוויראלי עם אינספור רגעים קריאטיביים שהציפו את הרשת.

It's been 50 days since we launched Higgsfield AI.

Since then our crew shipped 12 major releases while you – creators, partners, fellow dreamers – turned them into viral moments.

Dive into the recap thread, and don’t miss the 10 Ultimate promo codes we’re giving away below. pic.twitter.com/o021e6ywlC

— Higgsfield AI (@higgsfield_ai) May 21, 2025

Higgsfield Ads הוא פתרון מהיר, נגיש ואפקטיבי להפיכת תמונות מוצר פשוטות לפרסומות וידאו דינמיות. היתרונות שלו – מהירות ההפקה, קלות השימוש והעלות הנמוכה – הופכים אותו לבחירה חכמה במיוחד עבור עסקים קטנים, חנויות אונליין ומשווקים דיגיטליים. עם זאת, חשוב לגשת אליו בהבנה שמדובר בכלי שמהותו מיקוד, לא גמישות: הסרטונים קצרים, השליטה על הפרטים מוגבלת, והוא לא מחליף פרסומת שיווקית מקצועית ומלאה. ההמלצה? תתחילו עם הגרסה החינמית. תראו איך זה נראה, איך זה מרגיש, ואיך הקהל מגיב. אם התוצאה משרתת אתכם – ההשקעה בהחלט מצדיקה את עצמה.

הפוסט יצירת פרסומות מוצר מתמונה אחת עם Higgsfield Ads הופיע ראשון בLet's AI בינה מלאכותית

ההצלחה של לילי. Source: McKinsey Insights, March 2024

תהליך העבודה עם לילי

לקחים מרכזיים בהטמעת בינה מלאכותית בארגון

האתגרים שבדרך

השוואת שיעור אימוץ פתרונות. Source: Forrester Research, January 2024

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

למידע נוסף >>

אם מסקרן אתכם להבין איך הטכנולוגיה (RAG) עליה מבוססת לילי של מקינזי עוזרת לחברות וארגונים להפחית ״הזיות״ של מודלים – אתם מוזמנים לקרוא את המדריך להישרדות בעידן ההזיות של הבינה המלאכותית. 

הפוסט איך לילי (הבוטית של מקינזי) משנה את עולם הייעוץ העסקי הופיע ראשון בLet's AI בינה מלאכותית

מה מצפה לעסקים בהמשך 2025? 

דוח התחזיות של PwC פורסם בדצמבר 2024, והוא מבוסס על סקר שנערך באוקטובר בקרב מנהלי טכנולוגיה בארגונים מובילים. הדוח כולל שש תחזיות מרכזיות, שלא עוסקות בעתיד רחוק, אלא במה שכבר מתרחש בשטח, ומה שעסקים חייבים לשקול בהמשך השנה ולשנים הקרובות. מבוסס על נתונים עדכניים, שיחות עם מנהלים ותובנות מלקוחות גלובליים, הדוח מציג תמונה חדה של האופן שבו הבינה המלאכותית משנה בפועל את המציאות העסקית – ברמת האסטרטגיה, המוצרים והכוח הארגוני.

1. כולם מדברים על AI – אבל רק חלק באמת עושים איתו משהו

רוב החברות עדיין בודקות את הבינה המלאכותית מהצד. פיילוט פה, ניסוי שם, אולי כלי חדש בשירות לקוחות. אבל בזמן הזה, יש ארגונים שכבר חיברו את ה-AI ללב הפעילות שלהם: לא כתוסף, אלא כבסיס. PwC מצאה שחברות כאלה מפיקות ערך כפול מ־GenAI לעומת אלה שפועלות נקודתית. לא בעתיד. לא אולי. כבר עכשיו.

מה ההבדל? מי שנשאר בגישה של “בוא נבדוק מה יוצא”, רץ במקום. מי שפועל באסטרטגיה, בונה יתרון שיהיה קשה לסגור. ואסטרטגיית AI לא נראית כמו פרויקט נוצץ, אלא כמו תיק השקעות: חלק מהתיק מוקדש לצעדים קטנים, פשוטים, שיוצרים תנועה (״משחקי קרקע״), חלק מושקע בפרויקטים שאפתניים אך ברי-השגה – שיטות עבודה חדשות, ממשקים, מוצרים (״יריות לגג״) וחלק מושקע ב”יריות לירח” – מהלכים אמיצים שבונים מודל עסקי חדש.

ואולי הכי חשוב: לא משנה באיזה מודל שפה תבחרו – משנה מה תעשו איתו. כולם משתמשים פחות או יותר באותם כלים. ההבדל האמיתי נוצר כשמחברים את ה-AI לידע שיש רק אצלכם – הנתונים, הלקוחות, התהליכים. שם נמצא הערך. לא בפיצ’ר האחרון – אלא בחיבור החכם למי שאתם באמת כארגון.

מה לעשות עכשיו?

• עצרו לרגע. לא לנסות עוד כלי – אלא לבחון את האסטרטגיה שלכם ל-AI.

• מיפוי מהיר: איפה AI יכול לייצר ערך ממשי? לחסוך? לאיים? לפתוח מודלים חדשים?

• אל תנסו לסדר את כל הדאטה. תבחרו קטע אחד חכם – תתחילו ממנו.

• תכניסו מדדים עסקיים אמיתיים. לא שעות ריצה – אלא תוצאה.

AI היא לא הבשורה. האסטרטגיה שלכם לגביה – זו הבשורה.

2. הצוות שלכם הולך לגדול – לא להצטמצם

רבים מדמיינים את העתיד עם AI כעתיד של פיטורים, קיצוצים, ואוטומציה במקום אנשים. אבל לפי PwC, התמונה הפוכה לגמרי – הולך להיות לכם צוות חדש לגמרי – רק שהוא דיגיטלי. הכירו את סוכני ה-AI – עובדים דיגיטליים שיכולים להכפיל את כוח האדם הארגוני שלכם בתפקידים כמו שירות לקוחות, מכירות, תמיכה בשטח, עיצוב ופיתוח. לא מדובר בבוטים גנריים, אלא בכלים שיודעים לנהל שיחות, לכתוב קוד, להפוך רעיון של מעצב לאבטיפוס, ולהגיב בקונטקסט, באופן עצמאי.

אבל השינוי האמיתי לא טמון בטכנולוגיה, אלא בתפיסת העבודה – מנהל כבר לא רק מנהל אנשים. הוא מתזמר צוותים היברידיים – אנשים שמובילים, סוכנים שמבצעים, ותהליכים שמשלבים ביניהם. ובזמן שסוכני AI מבצעים משימות שגרתיות – האנשים שלכם עולים מדרגה: הם מנחים את הסוכנים, משתפים איתם פעולה באתגרים מורכבים ומרכיבים מהם פתרונות חדשים.

הנה נתון מעניין: 41% מהמנהלים אומרים שנושאים כמו הכשרה, תרבות ושינוי בתפיסת העבודה הם חלק מהאתגרים הגדולים ביותר של הטמעת GenAI – וזה אומר דבר אחד ברור: המהלך הזה לא רק טכנולוגי – הוא ארגוני.

מה כדאי לעשות עכשיו?

לבנות אסטרטגיית Responsible AI כוללת, שתספק מסגרת ניהולית ברורה ובטוחה:

• להתחיל לחשוב אחרת. סוכן AI הוא לא עוד תוכנה – הוא שותף לתהליך. העובדים שלכם צריכים להבין את זה, ואפילו יותר מזה – להרגיש שזה מרחיב את הערך שלהם ולא מאיים עליו. ההנהלה צריכה להוביל את המודל החדש, דרך דוגמה אישית.

• לתת ל-HR ארגז כלים חדש. כשהכניסה לארגון כבר לא מתחילה בעבודת זוטר – אלא בשיתוף פעולה עם AI, צריך להכין עובדים צעירים אחרת. אולי בשיתוף פעולה עם אוניברסיטאות, אולי בהכשרה ייעודית – אבל בטוח לא לפי ספר הכללים הישן.

• להיערך לניהול עובדים דיגיטליים. סוכני AI פועלים באופן אוטונומי למחצה – ולכן נדרש מודל ניהולי חדש. אחד ששוקל ROI מול עלות, יודע למדוד צוותים היברידיים, ומפעיל מנגנוני בקרה ברמה ארגונית כדי למנוע חריגות, שיבוש או פעילות לא תואמת רגולציה.

גם המבנה הארגוני משתנה – מרכזי מצוינות יוחלפו במרכזי סוכנים. חברות יבנו מערכי עובדים מבוססי AI וינהלו אותם כמו כל יחידת ליבה. במילים אחרות: מה שעד היום יצא החוצה (Outsource) – ייכנס פנימה, מה שפעם דרש שלושה עובדים ויועץ – יבוצע על ידי אדם אחד + סוכנים מדויקים, ומה שהייתה החלטה של IT – יהפוך להיות חלק מאסטרטגיית משאבי האנוש.

3. אי אפשר לבנות על AI בלי לבנות אמון

2024 הייתה “שנת מבחן” לאמון בבינה מלאכותית, ו־2025 לא משאירה יותר מקום לתירוצים. אם בעבר מנהלים יכלו להרשות לעצמם לנהל סיכוני AI באופן מקומי, חלקי או בלתי־עקבי – השנה, זה כבר פשוט לא יעבור. הבינה המלאכותית חודרת עמוק – לפעילות התפעולית, לחוויית הלקוח, למערכות קבלת ההחלטות. היא מפיקה ערך, אבל גם מייצרת סיכון – רגולטורי, משפטי, תדמיתי, תפעולי. וב־2025, לא רק רגולטורים יבקשו ודאות – גם המשקיעים, גם הלקוחות, וגם העובדים.

גם אם לא יידרש מכם פיקוח רגולטורי פורמלי – השוק כן ידרוש. בדיוק כמו שקיים בנושאי סייבר, פרטיות או כספים. וזה לא רק עניין של הגנה. 46% מהמנהלים אומרים שהשקעה ב־Responsible AI היא דרך לבדל את הארגון והמוצרים שלהם מהמתחרים.

ומה קורה כשאין Oversight?

המודלים מספקים תוצאות שגויות, היוזמות גולשות בזמן או בתקציב, הרגולציה מפתיעה מאחור והלקוחות מפסיקים לסמוך על מה שמפעיל את החוויה הדיגיטלית מולם מנקודה מסוימת – אי־הצלחה בממשל AI הופכת לאיום עסקי.

אז מה עושים עכשיו?

1. הערכת סיכונים מלאה – עכשיו, לא מחר. לא רק מודלים. PwC ממליצה למפות סיכונים לפי טקסונומיה כוללת: מערכות, דאטה, משתמשים, ספקים, תהליכים, רגולציה ובעיקר – שותפים חיצוניים שמשתמשים ב-AI בעצמם.

2. להחליט איך מוסיפים שכבת בקרה עצמאית ומתמשכת. זה יכול להיות דרך צוות ביקורת פנים שעבר הכשרה מתאימה, או גוף חיצוני עם מתודולוגיה שקופה. העיקר – שלא אתם תבדקו את עצמכם.

3. להתאים את הפיקוח לענף שלכם. בפיננסים – צריך לעמוד בדרישות ישנות עם טכנולוגיה חדשה, בתעשיות ביטחוניות וציבוריות – המבט חייב להיות גלובלי. אין פיקוח “אחיד לכולם” – אבל יש סטנדרטים שמובילים.

ממשל AI מוצלח לא יימדד רק לפי מניעת סיכונים – אלא לפי היכולת להשיג מטרות אסטרטגיות ו- ROI גבוה. מדיניות Responsible AI היא כבר לא שאלה של “האם יש” – אלא של “האם יש לכם שליטה אמיתית, שקופה ויעילה על משהו שכבר פועל בתוך הארגון שלכם”. ולא פחות חשוב: ב־2025 והלאה יצטרכו גם מנהלים מסוג חדש – כאלה שיודעים לתזמר בין צוותים אנושיים לבין סוכני AI, ולעבוד עם צוותים היברידיים בזמן אמת.

4. ההשפעה של בינה מלאכותית על הסביבה

קל לחשוב על AI כהזדמנות טכנולוגית. קשה יותר לזכור – זו גם הזדמנות (או איום) סביבתי. הנתון הפשוט: אין מספיק חשמל כדי שכולם יפרסו AI בקנה מידה מלא. כמות הצ’יפים אולי תגדל, התשתיות יתפתחו, והמודלים יהפכו ליעילים יותר, אבל 2025 לא תביא איזון בין ביקוש להיצע.

ומה זה אומר בפועל?

שאי אפשר להרשות לעצמנו AI כמותי. צריך AI איכותי. הגישה החכמה תהיה לפרוס את היכולות החזקות של GenAI רק איפה שיש תשתית תומכת, ערך אמיתי, והצדקה עסקית ברורה.

ולא פחות חשוב – לתכנן מראש איך לא מבזבזים זמן מודל ומשאבי עיבוד על פעולות מיותרות.

אבל מה אם נספר לכם שדווקא AI הוא כלי מפתח לקיימות?

אם תשתמשו בו נכון, הבינה המלאכותית לא רק תעמוד ביעדים הסביבתיים – היא תעזור לכם להשיג אותם מהר יותר. היא תאפשר איסוף, ניתוח ודיווח על נתוני קיימות – פנימיים וחיצוניים – ברמת פירוט שלא הייתה אפשרית קודם, היא תוריד את עלויות הציות לרגולציות מתהוות – בארה”ב, באירופה, ואולי גם בישראל והיא תחשוף מוקדי זליגת אנרגיה, תייעל תהליכי ייצור, תעזור לעצב מוצרים דלי פחמן – ולכמת את כל זה כערך עסקי.

 ומה הנתונים מספרים? 63% מהחברות המובילות מגדילות תקציבי ענן כדי למנף GenAI, ו- 34% מהן עושות זאת מתוך שיקולי קיימות.

מה לעשות עכשיו?

• לבנות אסטרטגיית פריסה חכמה. כל אחד בארגון יכול לקבל גישה ל-AI בסיסי. אבל את המודלים החזקים צריך להפעיל איפה שהערך הכי גדול – מבחינת דאטה, יכולת השפעה ומיקוד עסקי. ההחלטה הזו חייבת להגיע מה-C-suite.

• לשנות את הדרך שבה אתם עובדים עם דאטה סביבתית. להשתמש ב-AI כדי לאסוף פעם אחת – ולדווח שוב ושוב. לבנות מדידה אמינה גם להשפעה העקיפה של ספקי AI על טביעת הרגל הפחמנית שלכם – וללחוץ עליהם להשתפר. זה לא רק אתי – זה נכס שיווקי. לקוחות ישלמו יותר על מוצר נקי יותר.

• לייצר ערך דרך קיימות – לא רק לעמוד בדרישות. כש-AI מקצר זמני פיתוח, משפר תפעול בניינים או מערכות אנרגיה – הוא לא רק חוסך זמן וכסף, הוא גם מקטין צריכת אנרגיה – ומביא אתכם קרוב יותר ליעדים סביבתיים.

ב־2025, AI יצרוך המון – אבל יחזיר המון. השאלה היא אם תדעו להפעיל אותו במקום הנכון, ובעוצמה הנכונה – כדי שהוא יעבוד גם עבורכם וגם עבור הסביבה.

5. פיתוח מוצרים במהירות כפולה ובעלות נמוכה יותר

אם אתם מפתחים מוצרים פיזיים – רכבים, ציוד רפואי, מכשור תעשייתי – ו-AI עדיין לא חלק מתהליך העיצוב, הבדיקה והפיתוח אצלכם – אתם נשארים מאחור. הדור החדש של AI מולטימודלי כבר יודע לקבל קבצי CAD, להריץ סימולציות, להציע תצורות חדשות למוצרים, ולזהות בעיות לפני שהן מגיעות למעבדה. PwC אומרת את זה בפה מלא: אימוץ נכון של AI במו”פ יכול לקצר את זמן ההגעה לשוק ב-50% ולהוריד עלויות ב-30%. בתחומים כמו רכב ותעופה – זה ההבדל בין לעמוד בקצב השוק לבין לאבד אותו.

איך זה קורה בפועל?

במקום לחכות שבועות לסבב תיקונים – המעצב מעלה סקיצה, וה-AI מחזיר חלופה תוך שעות, במקום לבנות אבטיפוס ואז לבדוק – מריצים סימולציה עם AI ובודקים מראש איפה זה נשבר, במקום לפספס אפשרויות – המערכת מציעה רעיונות שאף מהנדס לא היה מעלה בעצמו. הנתון שכדאי לזכור: 67% מהחברות המובילות כבר מפיקות ערך מהשימוש ב-GenAI לחדשנות במוצרים ושירותים.

אבל רוב החברות עדיין לא מוכנות למהפכה הזו. למה? כי המהנדסים יודעים לתכנן מוצרים – אבל לא בהכרח לעבוד עם דאטה, לנתח תוצאות או להטמיע מודלים. כדי לממש את הפוטנציאל של AI בפיתוח, צריך להשלים את הפער הזה – דרך הכשרות, שינויים בצוותים, או גיוס של פרופילים חדשים. והפער הזה הוא צו קריאה: מי שלא ישדרג את הצוות – ייתקע עם תהליך של אתמול במוצר של מחר.

מה כדאי לעשות עכשיו?

• להפעיל הנדסה מהדור הבא. זה לא רק עניין של AI – אלא של ארכיטקטורת דאטה וענן שתומכת בו. כולל מערכות שמביאות את היכולות של AI גם למהנדסים שנמצאים בשטח – דרך Edge AI.

• לארגן מחדש את צוותי הטכנולוגיה. גם צוותים שמתעסקים בברזל – צריכים לדעת לכתוב קוד, להבין דאטה, ולהשתמש בכלי AI. אין יותר “אנחנו לא מהתחום של התוכנה”.

• לתת ל-AI לחדש גם בתוך ה-IT. התחום הזה לא נשאר מאחור – AI יכול לייעל פיתוח תוכנה, לאבטח מערכות טוב יותר, ולזרז את המודרניזציה של תשתיות הדאטה.

המרוץ לפיתוח מוצרים לא הואט – הוא הואץ. וה-AI הוא לא “פלוס” – הוא מנוע. אם לא תתניעו אותו בזמן – מישהו אחר כבר יגיע לשוק לפניכם.

6. לא כל תעשייה תתקדם באותו הקצב 

AI משנה כל תעשייה – אבל כל אחת בדרך שלה. ומה שהכי מפתיע? זה לא תמיד המובילים המסורתיים שיקפצו ראש. לפעמים דווקא הזריזים, הקטנים או ה”נטולי מורשת” יתפסו את ההובלה. 73% מהמנהלים אומרים שבכוונתם לשנות את המודל העסקי שלהם בעקבות הטמעת GenAI.

בין חוויית לקוח לרווח תפעולי

בשווקים הצרכניים, חברות שפונות לצרכנים יפרסו AI לרוחב כל הארגון: שיווק, שרשרת אספקה, שירות לקוחות ותמחור דינמי שמתעדכן בזמן אמת. המהלך הכי בולט? שירות לקוחות היברידי – צ’אטבוטים חכמים יותר, וסוכני AI שתומכים בנציגים האנושיים עם מידע מדויק, בזמן אמת. ובזמן שהמובילים מתחילים גם ב-AI לעיצוב מוצרים – רוב השוק עדיין תקוע במחסור בכישורים ותשתיות. מי שיתעורר מאוחר – ייאלץ לרוץ מהר כדי לסגור פער.

סטארטאפים רזים מול ענקים מתקדמים

בעולמות השירותים פיננסיים, פינטקים שמתחילים מ־0, בלי מערכות כבדות, בונים מודלים עסקיים חדשים בעזרת GenAI. מהצד השני – הבנקים הגדולים בונים ביטחון דרך ניסוי שיטתי: הם מחדדים את מודלי הסיכון, מתרגלים עבודה עם טכנולוגיה מתקדמת ומתחילים לאזן בין רגולציה לחדשנות. אבל: מי שעדיין “בוחן כניסה” ל-AI ב־2025, ישתרך מאחור – כבר לא מדובר על לבחון, אלא על להצטרף לריצה שכבר החלה.

יותר חופש ויותר אחריות

בעולמות הבריאות, עם שינוי מדיניות בארה”ב, צפויה רגולציה גמישה יותר – מה שיאפשר לחברות התרופות והציוד הרפואי להאיץ חדשנות לאורך כל שרשרת הערך. גם ארגוני בריאות ומבטחים יטמיעו AI לשיפור אבחונים, צמצום עומסים קליניים ומילוי פערי כוח אדם. האתגר המרכזי? שימוש אחראי, הגנה על דאטה רגיש ושמירה על תוצאות קליניות מדויקות. AI זה לא רק טכנולוגיה – אלא גם אתיקה.

המובילים ירוצו קדימה – היתר יתכוננו

בתעשייה המסורתית, קבוצת מובילים – אלו שכבר מחזיקים דאטה איכותי ותהליכים מסודרים – תשתמש ב-AI לייעול, האצת מו”פ וקיצור זמן הגעה לשוק. אבל רוב החברות עדיין עסוקות בבניית תשתיות, ניהול דאטה, והשלמת פערי ידע. הניסויים יהפכו לסטנדרט – ומי שלא ערוך, ייתקע עם מבנה שלא מסוגל לעמוד בקצב

מודל התוכנה מתהפך

בעולמות הטכנולוגיה, מדיה ותקשורת, AI משנה את הדרישה מתשתיות תוכנה. חברות רבות ינצלו סוכני AI כדי להאריך את חיי מערכות קיימות, במקום לרכוש שדרוגים יקרים. זה ישנה גם את מודל ההכנסות של ספקי תוכנה – ויעביר את המיקוד מ”אחסון גדול” ל”פתרונות מותאמים עם AI”. חברות תקשורת יפרסו פתרונות היברידיים – שמשלבים GenAI עם Machine Learning ו־Digital Twins – כדי להפעיל מערכות חכמות בעצמן, ולהקטין תלות בספקים חיצוניים.

המהפכה תגיע לכולם – אבל לא באותו הזמן, ולא באותה צורה. ואם אתם בארגון שממתין “להתבהרות” – אולי כדאי להסתכל שוב: התחרות כבר משנה צורה.

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

למידע נוסף >>

לסיכום, המהפכה כבר החלה – בשווקים, בתעשיות, ובתוך הארגונים עצמם. אבל בשונה מטכנולוגיות עבר, בינה מלאכותית לא מאפשרת “לראות מה אחרים עושים ואז להדביק פער”. מי שפועל עכשיו – בונה יתרון. מי שמחכה – מגלה מהר מאוד שהמצב השתנה סביבו. המסר של PwC ברור: AI היא לא רק טכנולוגיה – היא מבחן אסטרטגי. וב־2025, לא מספיק לאמץ אותה. צריך להטמיע אותה חכם, לפקח עליה באחריות – ולבנות סביבה מודל עסקי שמתאים לעידן החדש. הזמן לפעול הוא עכשיו.

הפוסט האם אתם עדיין בוחנים AI בזמן שאחרים כבר בונים עליו את המודל העסקי הבא? הופיע ראשון בLet's AI בינה מלאכותית

מי עומדת מאחורי Wixel? הכירו את Wix

למי שבמקרה לא מכיר, Wix היא אחת מחברות הטכנולוגיה הישראליות הבולטות בעולם, שנוסדה בשנת 2006 על ידי אבישי אברהמי, נדו שאפרן וגיורא קפלן. החברה פיתחה פלטפורמה לבניית אתרים המאפשרת למשתמשים להקים אתר מקצועי ללא צורך בכתיבת קוד. עם השנים הפכה Wix לאחת הפלטפורמות הפופולריות בעולם בתחומה, עם למעלה מ-260 מיליון משתמשים ביותר מ-190 מדינות. החברה נסחרת בנאסד”ק בשווי שוק של מיליארדי דולרים, ומעסיקה אלפי עובדים במשרדים בישראל, ארה”ב, אירופה וברזיל. החזון שלה נותר עקבי לאורך השנים – להנגיש כלים דיגיטליים מתקדמים לכל אחד, גם ללא רקע טכנולוגי.

אז מה זה בעצם Wixel?

Wixel היא לא גרסה משופרת של Wix המוכרת – אלא פלטפורמה חדשה ונפרדת שמתמקדת כל כולה ביצירת תוכן ויזואלי: פוסטרים, תמונות למוצרים, גרפיקות למדיה חברתית ועוד.

אבל מה שמבדיל אותה באמת הוא השימוש בבינה מלאכותית – לא ככלי עזר, אלא כשותפה לעיצוב. במקום לבחור לבד מודל AI או להתלבט איזה כלי מתאים למה, Wixel עושה את זה בשבילכם. היא יודעת לזהות מה בדיוק נדרש, למשל, האם מדובר בהסרת רקע, ביצירת קומפוזיציה חדשה או בהשלמת תבנית – ומתאימה את הטכנולוגיה למטרה בלחיצת כפתור.

במילים אחרות, Wixel מבקשת להפוך את הכוח של הבינה המלאכותית למשהו טבעי – ואפילו שקוף – בתוך תהליך העיצוב.

יתרונות עיקריים

מה שמייחד את Wixel הוא השילוב בין פשטות, דיוק וטכנולוגיה מתקדמת. המשתמש לא צריך להבין דבר על מודלים של בינה מלאכותית – הפלטפורמה פשוט בוחרת עבורו את הכלים הנכונים לכל משימה. היא מציעה תבניות מעוצבות מראש, התאמות מיתוג, עריכה חכמה של תמונות ומיקום אוטומטי של תוכן, כך שגם מי שאין לו ניסיון בעיצוב יכול להפיק תוצרים ברמה מקצועית. כל זה מתרחש במהירות מפתיעה ומה שדרש בעבר מעצב גרפי וזמן עבודה הופך לפעולה של דקות. מאחורי הקלעים, Wixel נשענת על שותפות אסטרטגית עם OpenAI, כולל שימוש בטכנולוגיות המתקדמות ביותר כמו GPT-4o ו-DALL·E, שמאפשרות יצירת תוכן עשיר ומרשים באופן פשוט ונגיש.

ומה לגבי חסרונות?

כמו בכל כלי מבוסס בינה מלאכותית, גם ל-Wixel יש מגבלות שחשוב להכיר. ראשית, הממשק כולו באנגלית, מה שעלול להוות חסם עבור משתמשים דוברי עברית או שפות אחרות, במיוחד בעסקים מקומיים. שנית, עבור משתמשים מנוסים יותר, הפשטות של המערכת עשויה להפוך דווקא למגבלה – פחות שליטה ידנית, פחות גמישות עיצובית. בנוסף, Wixel נשענת על טכנולוגיות AI חיצוניות כמו OpenAI, מה שמעורר שאלות של פרטיות, זכויות יוצרים ושימוש בתוכן גנרטיבי, במיוחד כשמדובר בתמונות שנוצרות מאפס או נערכות אוטומטית.

מעבר לכך, הפלטפורמה לא כוללת נכון להיום יכולות קוד או רכיבים אינטראקטיביים, והיצירה הטקסטואלית בה מוגבלת לטקסטים קצרים בלבד, כמו כותרות, תיאורים והנעות לפעולה – ללא ממשק כתיבה עשיר או יכולת לפתח רעיונות מורכבים.

איך מתחילים?

1. נכנסים לאתר האינטרנט ומבצעים הרשמה ראשונית וחינמית דרך “Get Started”.

2. מתחברים דרך חשבון הגוגל שלכם או בדרך אחרת שנוחה לכם.

3. נכנסתם למסך הבית של Wixel – יש לכם שתי דרכים עיקריות לעבוד: עריכת תמונות קיימות או יצירת תוכן חדש עם בינה מלאכותית. לעריכת תמונות, תוכלו להעלות תמונה, להחליף רקע, להסיר או להחליף אובייקטים, לחתוך תמונה או להמיר אותה לפורמט אחר. ליצירה עם בינה מלאכותית, יש לכם אפשרות ליצור תמונה מותאמת אישית, לעצב אווטאר אישי או ליצור תמונת פורטרט. כל האפשרויות מוצגות בצורה ברורה עם אייקונים ותמונות להמחשה, כך שקל לבחור את הכלי המתאים לצרכים שלך.

4. אם תגללו לתחתית מסך הבית – תמצאו את הקטגוריות השונות של תבניות עיצוב שזמינות בפלטפורמת Wixel. תוכלו לבחור מבין שמונה אפשרויות עיקריות: הזמנות לאירועים, פוסטים לרשתות חברתיות, כרטיסי ברכה, קורות חיים, סטוריז לפייסבוק, באנרים ליוטיוב, הזמנות “שמרו את התאריך” לחתונות ואירועים, ופוסטים לאינסטגרם. כל קטגוריה מוצגת עם תמונה להמחשה ויש חץ בצד ימין שמאפשר לכם להיכנס לתבניות הספציפיות של אותה קטגוריה. המסך מאורגן בצורה נקייה וברורה, כך שקל מאוד למצוא את סוג העיצוב שאתם מחפשים ולהתחיל ליצור תוכן מותאם אישית.

תחרות בזמן אמת

הדברים זזים מהר, ואי אפשר להתעלם מזה. בתוך חודש בלבד, שלוש מהשחקניות הגדולות בעולם העיצוב הדיגיטלי השיקו כלים חדשים שמשרטטים מחדש את הגבול בין יצירתיות, אוטומציה וטכנולוגיה. כל אחת מהן מציעה גישה שונה – אבל המסר אחיד: העיצוב משתנה, וזה קורה מהר.

באפריל 2025, Canva השיקה Visual Suite 2.0 עם Magic Studio המשודרג, חבילת כלים מבוססי בינה מלאכותית ליצירת עיצובים, טקסטים, עריכות תמונה, גיליונות חכמים ואפילו רכיבים אינטראקטיביים.

בתחילת מאי, Figma הציגה בכנס Config את Figma AI, מערך כלים חדש הכולל את Make, Buzz ו-Sites, שמאפשר להפוך תיאורים כתובים לממשקים, אתרים ונכסי שיווק שלמים. הכל עם אינטגרציה הדוקה בין עיצוב, קוד ופרודוקטיביות.

ועכשיו, באמצע מאי, Wix נכנסת לזירה עם Wixel, פלטפורמה שמבקשת להפוך את הבינה המלאכותית למעצבת האישית של כל משתמש. המערכת בוחרת אוטומטית את מודל ה-AI המתאים בכל שלב, ומתבססת על הטכנולוגיות המתקדמות ביותר של OpenAI כדי להפיק תוצרים מקצועיים תוך דקות.

המרוץ הזה מדגיש תנועה ברורה: העיצוב עובר מהיד – למכונה. אבל כל אחת מהחברות מציבה גישה שונה – Figma מדברת למעצבים ומפתחים, Canva פונה ליוצרים, אנשי תוכן ושיווק

ו-Wixel מכוונת דווקא למי שעד היום נרתע מעיצוב – ומבקשת להוריד את הסף הטכנולוגי כמעט לאפס.

כדי להמחיש את ההבדלים ביניהן, הכנו טבלה השוואתית המתמקדת ביכולות הבינה המלאכותית של כל פלטפורמה: אילו מנועים משולבים בהן, אילו פונקציות כלולות, ולאיזה סוג משתמש כל אחת מתאימה:

שלוש גישות – שלוש תפיסות עיצוב

הפער בין Wixel, Figma ו-Canva טמון פחות בטכנולוגיה ויותר בדרך שבה כל אחת מהן מבינה את המהות של המשתמש. Wixel נועד למי שרוצה תוצאה – לא תהליך. הוא בוחר לבד את הכלים, חוסך התלבטויות, ומספק תוצרים מהירים בשפה שמובנת ליוצרים, פרילנסרים ועסקים קטנים. Figma פונה למקצוענים שחושבים מוצר – מעצבים, מפתחים וצוותים שמכירים כל פיקסל. Canva, מצידה, נמצאת באמצע: היא מציעה סל כלים רחב שמכסה עיצוב, כתיבה, וידאו ואנימציה – בלי להעמיס יותר מדי על המשתמש.

שלוש גישות שונות – שלוש תפיסות עיצוב. והשאלה הכי חשובה היא לא איך אתם רוצים לעבוד – אלא מה אתם באמת צריכים לעשות.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס קנבה ובינה מלאכותית

לפרטים נוספים לחצו כאן >>

מהלכה למעשה – כך אפשר להשתמש ב-Wixel בעולם האמיתי

Wixel לא נועדה להרשים בטכנולוגיה, אלא לפתור בעיות של ממש.

קחו לדוגמה בעל מסעדה: הוא מצלם את אחת המנות החדשות במטבח, מעלה אותה ל-Wixel, והמערכת מסירה את הרקע ברגע. תוך שניות, הוא מקבל שלוש הצעות לרקע מקצועי – שולחן עץ מעוצב, רקע כהה דרמטי או אווירה של סטודיו. הוא בוחר, מוסיף טקסט כמו “חדש בתפריט”, והפוסט מוכן לאינסטגרם – בלי צורך בגרפיקאי.

בדוגמה אחרת, יועצת עסקית בתחילת הדרך רוצה להיראות מקצועית מהרגע הראשון. היא מעלה את הלוגו ותמונת הפרופיל שלה, ו-Wixel מרכיבה עבורה ערכת מיתוג שלמה: כרטיס ביקור, פוסט לפייסבוק, חתימת אימייל ותמונת קאבר – כולם באותו קו עיצובי, שמכבד את הצבעים, הסגנון והפונטים שלה. במקום לפנות למעצב, להמתין ולהסביר – היא פשוט עושה את זה לבד. בפשטות. במהירות.

וזה כל הרעיון: אם אתם בעלי עסקים, יזמים או יוצרים – Wixel נותן לכם כלים שבעבר היו שמורים למקצוענים בלבד. הוא חוסך זמן, כסף, ותלות בגורמים חיצוניים – ומאפשר לכם לשלוט בתוצאה.

כמה זה עולה? מבט על המסלולים

Wixel מציעה שני מסלולי שימוש: חינמי ו-Pro. במסלול החינמי תקבלו 10 קרדיטים יומיים לשימוש בכלי הבינה המלאכותית, שינוי גודל תמונות ללא הגבלה, גישה לתבניות ואלמנטים בסיסיים, ו-5GB של אחסון בענן.

מסלול ה-Pro עולה 35 ש”ח לחודש, ומעניק 1,000 קרדיטים חודשיים, גישה מלאה לתבניות פרימיום ולכל האלמנטים העיצוביים, ו-1TB של אחסון בענן. ניתן להתחיל בחינם ולשדרג בכל שלב, כשהמסלול בתשלום כולל ניסיון חינמי למשך 14 יום. כל קרדיט מאפשר פעולה אחת עם אחד מכלי ה-AI של הפלטפורמה: יצירת תמונה, אווטאר או רקע, הסרת רקע או אובייקט, הוספה או החלפה של פריטים בתמונה, והרחבת תמונה.

מומלץ להתחיל להתנסות בחינם

אז מה באמת הכיוון של Wixel?

Wix כבר מבהירה שזו רק ההתחלה – עם תוכניות ברורות להרחבת Wixel גם ליכולות כמו יצירת וידאו, סיפורים אינטראקטיביים, ואולי בהמשך גם עיצוב מונחה קול או חיבור אוטומטי לפלטפורמות כמו Mailchimp, Shopify ורשתות חברתיות. המטרה: לאפשר יצירה גרפית אחת שמתאימה את עצמה אוטומטית לכל ערוץ הפצה.

Wixel אינה רק פלטפורמה חדשה, אלא חלק ממגמה עמוקה ש-Wix מובילה: להפוך תהליכים מורכבים לפשוטים, זמינים ונגישים – גם בתחום הקריאייטיב. החזון ברור: לא רק לפשט את תהליך העיצוב, אלא לאפשר לכל אחד, גם בלי רקע, להפוך רעיון לתוצאה ויזואלית מקצועית, מבלי להיתקע בטכנולוגיה או תלות באחרים.

נכון לעכשיו, יש מגבלות: השפה, השליטה הידנית והגמישות עדיין מוגבלות. אבל הכיוון ברור – Wixel מסמן התחלה של תנועה חדשה. זו לא עוד אפליקציית עיצוב – זו אבולוציה. פלטפורמה שבה לא הניסיון קובע – אלא היצירתיות.

הפוסט Wix משיקה את Wixel – עיצוב מקצועי בלחיצת כפתור עם בינה מלאכותית הופיע ראשון בLet's AI בינה מלאכותית

מה חדש ב-GPT-4.1?

GPT-4.1 אינו מודל חדש, אלא שדרוג מתוך משפחת GPT-4. הוא היה זמין למפתחים דרך ה־API כבר מאפריל 2025, וכעת מושק רשמית גם למשתמשי ChatGPT דרך ממשק הצ’אט הרגיל – תחת אותה משפחה של מודלי GPT-4.

הגרסה החדשה נבנתה עם מיקוד ברור בפיתוח תוכנה – היא מצטיינת במהירות תגובה, הבנה מדויקת של הוראות מורכבות, ויכולת לייצר פתרונות תכנותיים שלמים, כולל תיקון באגים, תיעוד קוד, וניתוח דרישות.

אחד השיפורים המרכזיים הוא תמיכה בחלון קונטקסט של עד מיליון טוקנים, שמאפשר למודל לקרוא ולעבד מסמכים ארוכים במיוחד. יכולת זו הייתה זמינה בעבר רק דרך ה־API, ועכשיו זמינה גם דרך ממשק ChatGPT הרגיל. פלוס אדיר למשתמשים שזקוקים למודל עם יכולת לעבד מידע רב גם באינפוט (העלאת קבצים כבדים וארוכים), וגם לייצר אינפוטים ארוכים ומדויקים הרבה יותר.

במבחני ביצועים פנימיים של OpenAI, GPT-4.1 השיג תוצאה של 54.6% במדד SWE-bench Verified (מודד את יכולת המודל לפתור בעיות קוד מהעולם האמיתי), כולל טיפול בקוד קיים, תיקון שגיאות, והשלמת פיצ’רים. לשם השוואה, GPT-4o השיג באותו מבחן רק 33.2%.

למי זה זמין? ומה קורה למודל הקודם?

• מנויי ChatGPT Plus, Pro ו-Team יכולים לבחור את GPT-4.1 מתפריט המודלים.

• משתמשים חינמיים ייהנו מעדכון לגרסת GPT-4.1 mini – שתהפוך לחילופית ברירת המחדל כאשר חורגים ממכסת GPT-4o.

• GPT-4o mini יוצא משירות – כל המשתמשים יראו מעתה רק את גרסת ה-4.1 mini כמודל הקל.

המודלים התווספו לבורר המודלים בממשק של ChatGPT

השוואה מול מודלים מתחרים

השקת GPT-4.1 מתבצעת בשוק תחרותי ורווי, שבו פועלות כיום עשרות חברות ומודלים מתקדמים. לשם השוואה ממוקדת, נתמקד בשלושה מודלים עוצמתיים במיוחד, שידועים בביצועי הקידוד הגבוהים שלהם: Claude 3.7 Sonnet של Anthropic, מודל Gemini 2.5 Pro של Google DeepMind וכמובן GPT-4.1. כל אחד מהם מייצג גישה שונה לתכנון ולשימוש במודל שפה – והטבלה שלפניכם מציגה את ההבדלים המרכזיים ביניהם, כפי שנמדדו במדדים ציבוריים ובנתוני חברות רשמיים:

השוואה בין שלושה מודלים מתקדמים.

Gemini 2.5 Pro מציג את ביצועי הקידוד הגבוהים ביותר כיום, עם תוצאה של 63.8% במדד SWE-bench Verified – גבוה יותר מ-GPT-4.1 ו-Claude 3.7. זהו יתרון מובהק במשימות הנדסיות, פיתוח אייג’נטים, ואינטגרציה עם מערכות מורכבות.

Claude 3.7 Sonnet מתבלט בגישה של שקיפות ובקרה למשתמש: הוא מאפשר לבחור בין תגובה מהירה לבין “חשיבה מעמיקה” (Extended Thinking), ומציג את שלבי החשיבה שלו דרך scratchpad – מעין טיוטה פנימית שממחישה איך התקבלה התשובה. זו רמת שקיפות שאינה קיימת במודלים של OpenAI ו-Google.

GPT-4.1 מאוזן היטב בין מהירות, דיוק, קונטקסט רחב (עד מיליון טוקנים), וחוויית שימוש נוחה דרך ChatGPT. הוא כולל גם זיכרון מתמשך, תמיכה בכלים מובנים (כמו תרשימים וקבצים), ותמחור נגיש יחסית, מה שהופך אותו לבחירה חזקה עבור מפתחים וצוותים עסקיים.

עבור משתמשים חינמיים, GPT-4.1 mini מחליף את GPT-4o mini כמודל ברירת המחדל. חשוב להבהיר: מדובר בגרסה בסיסית בלבד – ללא גישה לזיכרון, כלים או יכולות API – ולכן לא מייצגת את מלוא יכולות GPT-4.1.

בסופו של דבר, שלושת המודלים מייצגים שלוש תפיסות שונות של בינה מלאכותית מודרנית:

• GPT-4.1 – דיוק, אמינות וגמישות.

• Claude 3.7 – שקיפות ותהליך חשיבה גלוי ומוסבר.

• Gemini 2.5 – עוצמה מולטימודלית ושילוב עמוק באקו-סיסטם של Google.

הבחירה הנכונה לא תלויה רק בטכנולוגיה, אלא בעיקר באופן השימוש, ההקשר העסקי, והערכים שחשובים למשתמש.

לא לכולם זה מספיק

המהלך מגיע על רקע ביקורת מצד חוקרי בינה מלאכותית, שטוענים כי שחרור GPT-4.1 נעשה ללא דוח בטיחות מפורט – בניגוד לנוהג שהיה מקובל בהשקות קודמות של OpenAI. לדבריהם, מדובר בפגיעה ברמת השקיפות של החברה. בתגובה, OpenAI הסבירה כי GPT-4.1 אינו נחשב ל־Frontier Model, כלומר, לא מודל בינה כה מתקדם או בעל פוטנציאל השפעה חברתי דרמטי עד שיחייב רגולציה ואמצעי בטיחות מוגברים, ומכיוון שאינו מוגדר ככזה, החברה אינה מחויבת לשקיפות ברמה שהייתה נדרשת במודל כמו GPT-4.

מהנדס תוכנה אוטונומי

OpenAI מייעדת את GPT-4.1 להיות אבן דרך בדרך ליצירת “מהנדס תוכנה אייג׳נטי” – מודל שיידע לבנות יישומים מקצה לקצה, כולל QA, בדיקות באגים וכתיבת תיעוד. לדברי סמנכ”לית הכספים של OpenAI, סרה פריאר (Sarah Friar), מודל GPT-4.1 מהווה אבן דרך משמעותית בדרך ליישום מלא של חזון האוטומציה בפיתוח תוכנה – חזון שבו בינה מלאכותית יודעת לא רק לכתוב קוד, אלא גם לבדוק, לתעד ולשפר אותו באופן עצמאי.

שיפור משמעותי עם בלבול מתמשך

GPT-4.1 מציג שיפור מהותי במהירות, דיוק ויכולות קידוד, במיוחד עבור משתמשים טכניים ומפתחים. אבל ההשקה שוב מעמיקה את הבלבול סביב שמות המודלים השונים שמונגשים למשתמשים – קשה לעקוב ולהבין מי זה מי ולמה הוא טוב למשימה ספציפית כזו או אחרת. סם אלטמן, מנכ”ל OpenAI, הבטיח כי המהדורה הבאה, GPT-5, תאחד את ליין המוצרים ותפשט משמעותית את חוויית המשתמש. לנו נשאר רק לחכות!

הפוסט GPT-4.1 נוחת ב-ChatGPT והוא מהיר, חכם ובעיקר מצטיין בקוד הופיע ראשון בLet's AI בינה מלאכותית

קטגוריות בעלייה

הכוכבת של הדו״ח היא קטגוריית DevOps & Code Completion – כלים שעוזרים למפתחים לכתוב ולהשלים קוד – מה שקרוי היום “Vibe Coding“. הקטגוריה הזו רשמה קפיצה של יותר מ־100% בתעבורה השנתית – הגבוהה ביותר מכל התחומים שנבדקו. כלים חדשים כמו Lovable (שמאפשר יצירת אפליקציה מדיאלוג טקסטואלי) צמחו באלפי אחוזים, לצד פתרונות ותיקים יותר כמו Cursor ו־Replit שממשיכים לצבור קהל. זו לא סתם התלהבות זמנית – זו התאמה עמוקה לצורך אמיתי. דו״ח משלים מציין שהתחום כולו צמח בכ־72% רק במהלך תחילת 2025.

הקטגוריה הזו ממשיכה להמריא כבר חצי שנה ברצף. Credit: similarweb.com

גם תחום ה- Data Analytics מראה סימנים של פריצה. כלים לניתוח נתונים באמצעות AI זינקו במאות אחוזים בתחילת השנה, ובכמה שבועות אף נרשמה עלייה דו־ספרתית בתעבורה. עם זאת, ככל הנראה מדובר בזינוק שנבע מהשקות חדשות או סקרנות ראשונית, כי ב־4 השבועות האחרונים למדידה הצמיחה התמתנה. אפשר לומר: התלהבות ראשונית שהתאזנה לשימוש מדוד יותר.

לבסוף, הקטגוריה הכללית של General AI, שמובלת על ידי כלים כמו ChatGPT, ממשיכה לגדול בקצב עקבי. שיעור העלייה השנתי עומד על כ־30%-40%. מתחרים חדשים כמו DeepSeek ו־Grok (הצ’טבוט של X AI) קפצו מהר למעלה, אבל חלקם גם חוו ירידה חדה בהמשך – עדות לתנודתיות בתחום.

ובכל זאת, המגמה הכוללת חיובית: הכלים הכלליים מצליחים לשמר עניין, גם אחרי שכבר עברו את שלב ההייפ.

כוכבים בולטים:

Lovable – צמיחה מטורפת של יותר מ־17,000% ב־3 חודשים.

Cursor – כלי קוד מבוסס AI שצמח באופן עקבי ביותר מ־100%.

Windsurf – פלטפורמת Dev Copilot שצוברת תאוצה שקטה.

כך נראית מפת הצמיחה ב־12 השבועות האחרונים – שינויים בתנועה לפי קטגוריות, כולל מי בלט במיוחד, מי נחלש, ומי כבר מאבד גובה:

שינוי תנועה ב־12 השבועות האחרונים לפי קטגוריה. Credit: similarweb.com

בין שיא לצלילה – הכלים שנמצאים בנקודת איזון

אחרי גל ההתלהבות מ־2023, קטגוריית יצירת תמונות וגרפיקה מבוססת AI נכנסה לשלב של התייצבות. בסוף 2024 נרשמה ירידה קלה בתנועה, אך בתחילת 2025 נראתה התאוששות, עם קפיצה של כ־28% בחודש מרץ. ייתכן שזה נבע משדרוגים בכלים או מהתרחבות קהל המשתמשים. אבל העלייה הזו הייתה זמנית בלבד – בחודש שלאחר מכן קצב התנועה נבלם כמעט לגמרי. נראה שהתחום נכנס לשגרה: שימוש יציב, בלי פריצה מחודשת.

התאוששות רגעית, לא מגמה מתמשכת. Credit: similarweb.com

בקטגוריית יצירת וידאו מבוסס דמויות (Avatar-Based Video), הנתונים מצביעים על חוסר יציבות מתמשך. מדובר בתת־תחום ספציפי יחסית בתוך עולם הווידאו הגנרטיבי, שממוקד ביצירת סרטונים עם דמויות מדברות, קריינות אוטומטית וסנכרון שפתיים ולא ביצירת וידאו קולנועי חופשי (כמו Runway או Pika). רוב הכלים בקטגוריה הזו חוו ירידות מתמשכות לאורך 2024. תחילת 2025 הביאה איתה התאוששות קלה, עם עלייה מתונה באפריל, אך זו לא נמשכה לאורך זמן.

ובכל זאת, יש יוצאי דופן: HeyGen שמר על צמיחה דו־ספרתית כמעט רציפה ברבעון הראשון של השנה, בעוד Typecast רשם התאוששות רק לאחרונה. לעומתם, Veed ו־FlexClip המשיכו לדשדש עם ירידות כמעט קבועות. כלים כמו Descript ו־Synthesia שומרים על קהל יציב, אך לא מצליחים להתרומם בקצב דומה.

הגרפים ממחישים היטב את הפערים בתוך הקטגוריה – התחום לא מתרסק, אבל גם לא פורץ. זהו שלב של מיון טבעי: מי שמספק ערך אמיתי שורד, ומי שלא – נחלש.

מגמות השימוש בכלי יצירת וידאו מבוססי בינה מלאכותית. Credit: similarweb.com

בתחום יצירת הקול נרשמה תפנית חיובית: לאחר תקופה של קיפאון, קטגוריית Voice Generation עברה לצמיחה דו־ספרתית (15%+) – בעיקר בזכות כלים כמו ElevenLabs, שהמשיכו להתרחב ולמשוך משתמשים. הגרף למטה ממחיש את ההתאוששות: אחרי ירידות לאורך 2024, תחילת 2025 הציגה מגמת עלייה מתונה אך יציבה. ElevenLabs מוביל בבירור, אך גם Replicastudios ו־Speechmatics מראים התאוששות. לעומת זאת, כלים כמו Speechelo ו־Play חווים ירידה חדה. התחום כולו מתקדם, אבל האימוץ אינו אחיד.

מגמות שימוש בכלי יצירת קול מבוססי בינה מלאכותית. Credit: similarweb.com

לעומת זאת, מוזיקה גנרטיבית עדיין לא הצליחה להמריא באמת. אמנם כלים כמו AIVA ו־Boomy הובילו זינוקים מרשימים בחלק מהשבועות (למשל AIVA עם זינוק של 293% בתחילת אפריל), אך התמונה הכוללת מדשדשת. הנפח הכולל של התחום נשאר יציב יחסית, עם תנודתיות ניכרת בין הכלים.

כלים כמו Suno ו־Udio, שנחשבים לאטרקטיביים במיוחד בקרב קהילות יוצרי התוכן, דווקא מופיעים בטבלה – אך לא בולטים במיוחד בתרשימי התעבורה המצטברת. ייתכן שחלק מהשימוש בהם מתרחש באפליקציות ייעודיות או באינטגרציות שלא מתורגמות ישירות לכניסות לאתרים. במקרה כזה, הנתונים באתר לא תמיד משקפים את מלוא היקף הפעילות וזה שיקול חשוב כשמסתכלים על הדו״ח בעיניים ביקורתיות.

בהחלט אפשר לומר שהתחום מציג פוטנציאל, אך עדיין מתקשה לבסס לעצמו קהל רחב. ייתכן שהמוזיקה הג׳נרטיבית נתפסת כגימיק, או שפשוט משתלבת “מאחורי הקלעים” כחלק מתהליכי הפקה, עריכה או יצירת תוכן, באופן שלא תמיד מתבטא בכניסות ישירות לאתרי הכלים עצמם.

תנועה שבועית לכלי מוזיקה גנרטיבית. Credit: similarweb.com

כוכבים בולטים:

HeyGen – שומרת על קצב עלייה דו-ספרתי ביצירת וידאו עם דמויות.

ElevenLabs – מציגה מעבר מצמיחה חד-ספרתית לדו-ספרתית ביצירת קול.

Artbreeder & Getimg – רשמו שיאים נקודתיים בגזרת התמונות.

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

למידע נוסף >>

תחומים שאיבדו גובה

לא כל התחומים ממשיכים לעלות. חלקם דווקא מאבדים עניין באופן ברור – בעיקר אלו שהובילו את הגל הראשון של ה-AI הג׳נרטיבי וכיום הולכים ודועכים. בקטגוריית כלי כתיבה ותוכן, נרשמה ירידה עקבית בתנועה לאורך סוף 2024 ותחילת 2025. גם העלייה הקטנה שנרשמה במרץ (כ־14%) לא החזיקה מעמד, והתחום חזר לירידה. ייתכן שהמשתמשים עברו להשתמש בכלים כלליים כמו ChatGPT, או שנוספו להם יכולות כתיבה מובנות בתוך מערכות אחרות, מה שהפך את הפתרונות הייעודיים לפחות נחוצים.

הצצה למגמה המתמשכת – בעיקר כלפי מטה. Credit: similarweb.com

מגמה דומה נראית גם בצ’טבוטים מבוססי דמויות, כמו Character.AI ו־Replika. ההתלהבות של אמצע 2023 פינתה מקום לשימוש מתון יותר, ולמעשה ברוב השבועות האחרונים הקטגוריה הייתה בירידה. קשה להרחיב את הקהל אם החוויה לא מציעה ערך מוסף ברור מעבר לשיחה כללית – ובמקום זה, רבים פשוט משתמשים בצ’טבוטים רחבים יותר, כמו ChatGPT, שמספקים מענה דומה.

בתחום המשפטי, ה־Legal-AI, ראינו תנודתיות קיצונית. בפברואר נרשמה עלייה של כ־26% בתנועה, ככל הנראה בגלל השקה נקודתית או באזז תקשורתי, אך בתוך זמן קצר הקטגוריה צנחה בכ־70%. ייתכן שעורכי דין ומשרדים ניסו את הכלים, אבל מהר מאוד חזרו לשיטות הישנות או לכלים אחרים. זו דוגמה קלאסית לאיך שוק ה-AI מגיב להייפ: זינוק חד, ואז דעיכה מהירה אם אין אימוץ אמיתי בשטח.

גם בתחומים המסורתיים יותר, כמו משאבי אנוש ושירות לקוחות, המצב דומה. בקטגוריית הגיוס (HCM) נרשמה קפיצה חדה במרץ 2025 (עד +52%), אולי בעקבות גל גיוסים מחודש, אך מיד אחריה נרשמה ירידה חדה. ייתכן שחברות ניסו כלים חדשים לגיוס אוטומטי, אך לא מצאו בהם ערך מספיק לשימוש קבוע. בתחום התמיכה, חלק מהחברות כבר מיצו את שלב הצ’טבוטים – והמשתמשים עצמם מעדיפים אולי לפנות לשירותים כלליים או פתרונות ישירים אחרים.

כלים במגמת דעיכה:

Writesonic / Jasper / Wordtune – מאבדים גובה באופן עקבי.

Character.AI / Replika – ירידה בתנועה, קהל לא מתרחב.

Legal-AI – עלייה חדה ואחריה התרסקות של 70% – תזכורת להייפ שלא החזיק.

מה מסתתר מאחורי המספרים?

מעבר למספרים, הדו”ח חושף דפוסים עמוקים בהתנהגות המשתמשים. אחד מהם הוא האפקט של השקות חדשות: עדכון גדול או כלי טרי יכולים להקפיץ את התנועה במאות אחוזים, כמו שקרה ל־FlexClip ול־DeepSeek, אבל ברוב המקרים, ההתלהבות דועכת במהירות. הגולשים ממהרים לבדוק חידוש, אך אם לא מצאו ערך מתמשך, הם פשוט נוטשים. לכן, משיכת משתמשים זה רק חצי מהאתגר – השארתם לאורך זמן (מה שנקרא Retention) תלויה באימפקט ממשי.

השוואת שינוי בתנועה לפי קטגוריות רחבות לאורך זמן. Credit: similarweb.com

גם קצב האימוץ משתנה בין תחומים. סקטורים כמו חינוך, שירות לקוחות וכתיבה מגיבים לאט יותר, אולי כי הקהלים שלהם שמרניים יותר או שיש להם פתרונות קיימים שעובדים לא רע. לעומתם, קהלים טכניים כמו מפתחים ואנליסטים, מזהים תועלת מיידית ומשלבים כלים חדשים בשגרה כמעט בלי לחשוב פעמיים. זה מסביר למה תחומים כמו DevOps, קול ווידאו ממשיכים לטפס, בעוד ש־EdTech או כלי כתיבה מאבדים קצב.

שיקול נוסף הוא רוויית השוק. הקטגוריות שפרצו מוקדם כמו מחוללי טקסט, הגיעו כבר כמעט לכל מי שהתעניין. התחרות צפופה, והרבה מהכלים הפכו לחלק אינטגרלי בפלטפורמות אחרות. לעומת זאת, תחומים כמו עזרה בכתיבת קוד או דיבור מבוסס AI עדיין לא הגיעו לשיא האימוץ, ולכן ממשיכים לצמוח.

ולבסוף – נאמנות. משתמשים סקרנים ינסו כמעט כל כלי חדש, אבל רק חלק מהם באמת חוזרים להשתמש בו שוב. כדי להפוך מגימיק לכלי עבודה, המוצר חייב להשתלב בשגרה ולהוכיח שהוא שווה את המקום. זו בדיוק הסיבה שתחום הפיתוח ממשיך לשגשג – כלים כמו Copilot או Cursor כבר הפכו לחלק בלתי נפרד מהיומיום של מפתחים. לעומתם, בכלי כתיבה או עיצוב, רבים רק ניסו – וחזרו להרגלים הישנים.

אנחנו בעידן שבו מה שחשוב הוא לא הכלי עצמו – אלא התוצאה שהוא מאפשר. אם אין תוצאה, אין נאמנות.

מבט ביקורתי – מעבר לנתוני התעבורה

למרות שהדו”ח של Similarweb מספק תובנות חשובות על מגמות בתעשיית הבינה המלאכותית, חשוב לזכור שתנועת גולשים היא מדד חלקי בלבד. היא עשויה להעיד על התעניינות, אך לא בהכרח משקפת שימוש אמיתי, ערך עסקי או הצלחה מסחרית. הדו”ח מתמקד בעיקר בנתוני תעבורה לאתרים, מבלי להתייחס למודלים עסקיים, שיעורי המרה או נאמנות לקוחות.

בנוסף, הקטגוריות המוצגות, כמו “General AI” או “Data Analytics”, עשויות לטשטש הבדלים פונקציונליים בין כלים שונים. לדוגמה, כלים כמו ChatGPT ו-Grok פועלים על בסיסים שונים מאוד, למרות שיוצגו יחד בקטגוריה אחת. השוואה בין כלי כתיבה ל־DevOps יוצרת אף היא בלבול. היעדר הצלבת נתונים עם מקורות נוספים, כגון דירוגי אפליקציות, סקרי שביעות רצון או נתוני השקעות, מגביל את היכולת להבין את התמונה המלאה.

לבסוף, ישנו טון מעט חד־צדדי בהצגת הנתונים –  עליות מוצגות כהצלחות מובהקות, בעוד שירידות מנותחות בזהירות. ביקורת אמיתית הייתה שואלת גם לגבי הקיימות של מגמות חיוביות. לכן, יש להתייחס לממצאי הדו”ח כנקודת התחלה לניתוח, ולא כהערכה מקיפה של מצב התעשייה. כדי להבין את השוק באמת – יש לשלב גם מדדים נוספים, ולשאול שאלות שמעמיקות מעבר לגרף.

תובנות מעשיות

הנתונים האלה הם לא רק גרפים למשקיעים – הם כלי ניווט לכל מי שפועל בעולם ה-AI. בין אם אתם יזמים, משווקים, מפתחי מוצר או מנהלי קהילה, הנה כמה תובנות שימושיות שעולות מהמגמות בשטח:

קהלים טכניים מחפשים תכל’ס

בקרב מפתחים, הביקוש לכלים פרודוקטיביים מבוססי AI ממשיך לעלות. זה שוק בשל – לא לרעיונות נוצצים, אלא לכלים שמייעלים עבודה אמיתית. לכן, יש הזדמנות לפתח מוצרים חדשים או לשלב יכולות AI בכלים קיימים. לעומת זאת, תחומים רוויים כמו יצירת תוכן דורשים בידול, בין אם בהתמקדות בנישה ספציפית, או בהטמעה חלקה של ה-AI בתוך סביבת העבודה הקיימת. לא עוד פלטפורמה נפרדת – אלא תוספת שמייצרת תוצאה.

הסקטורים המסורתיים מחכים לפריצה

בתחומים כמו חינוך, שירות לקוחות או גיוס, הקצב איטי יותר, אבל זה בדיוק מה שפותח חלון הזדמנויות. כשכולם מדשדשים, לשחקן חדש יש סיכוי לבלוט. רק חשוב להבחין בין טרנד חולף לבין שינוי עומק: השקעה נכונה תגיע מתוך הבנת הערך האמיתי שה-AI מספק למשתמש, לא מתוך תגובה לרעש תקשורתי רגעי.

תוכן, שיווק וקהילות – זה הזמן לפעול חכם

אם אתם פועלים בתחום בצמיחה, כמו קול או וידאו, זה הרגע להנגיש אותו לקהל: באמצעות מדריכים, דוגמאות שימוש או הסברים פשוטים. ואם אתה בתחומים בירידה, עדיף להעמיק: הציגו זווית חדשה, פתרון אמיתי, או ידע שקהל היעד עוד לא ראה. מגמות חיפוש כמו העלייה בהתעניינות ב־DevOps AI – יכולות להצביע בדיוק מתי ואיפה לארגן וובינר, לכתוב פוסט או לבנות קהילה סביב נושא חם.

מאחורי כל גרף יש אנשים

צריך לזכור: מספרים מראים לא רק מה קורה, אלא גם מה חסר. איפה ההתעניינות קיימת – אבל עוד אין פתרון שמחזיק. שם בדיוק נמצא הפוטנציאל הבא. כפי שמוצג בגרפים לאורך המאמר, השוואה בין שינוי בטווח הקצר לבין מגמות רבעוניות יכולה לחשוף תחומים שעוד לא הגיעו לשיא – אבל כבר מתחילים להאיץ.

תמונת מצב ושורת תחתונה

דו״ח Global AI Tracker ממחיש עד כמה השוק של הבינה המלאכותית הגנרטיבית נשאר דינמי ותזזיתי. תחומים כמו פיתוח קוד, יצירת קול וניתוח נתונים ממשיכים לצמוח – לא כגימיק, אלא ככלים שמוטמעים ביומיום. לעומתם, ההייפ סביב צ’טבוטים או מחוללי טקסט ייעודיים מתמתן, כשהמשתמשים מתכנסים למה שבאמת מוכיח את עצמו לאורך זמן.

התמונה ברורה: גם מובילים יכולים לאבד גובה מהר – וגם שחקנים חדשים יכולים לפרוץ קדימה, אם הם פוגעים בדיוק בצורך הנכון. בשוק כזה, עמידה במקום שווה לסיכון.

כדי לנצל את ההזדמנויות של 2025, צריך לעקוב מקרוב אחר המגמות, להבין איפה המשתמשים מוצאים ערך ולפעול בהתאם. השורה התחתונה: השוק לא עוצר – והוא לא מחכה לאף אחד. מי שיפעל עכשיו, ימצא את עצמו בצד שמוביל את השוק – לא בצד שמנסה להדביק אותו.

הפוסט דו”ח התנועה הגדול של הבינה הג׳נרטיבית הופיע ראשון בLet's AI בינה מלאכותית

We love seeing what creators make with Higgsfield.

This piece is a perfect example – cinematic, intentional, full of style.

Shot entirely in Higgsfield.

Creator: @yu.lanter (IG)

Show us what you’re working on – we love to see your art. pic.twitter.com/ri2t4LpSMY

— Higgsfield AI (@higgsfield_ai) May 9, 2025

רקע על Higgsfield

Higgsfield היא חברת סטארטאפ אמריקאית שנוסדה ב־2023 על ידי אלכס משראבוב (Alex Mashrabov) – לשעבר ראש תחום הבינה המלאכותית ב-Snap – וירזאט דולט (Yerzhat Dulat), חוקר בינה מלאכותית המתמחה ביצירת וידאו גנרטיבי. החברה פועלת מסן פרנסיסקו ומונה פחות מ־50 עובדים. במאי 2024, היא גייסה 8 מיליון דולר בסבב סיד בהובלת Menlo Ventures, במטרה להפוך את יצירת הווידאו בעזרת בינה מלאכותית לנגישה ופשוטה יותר, עם דגש על כלים ניידים, מהירים וידידותיים למשתמש. החזון של Higgsfield ברור: לאפשר לכל אחד להפוך ליוצר תוכן ויזואלי מקצועי, גם בלי ציוד, תקציב או רקע טכני.

יתרונות עיקריים של Higgsfield

שליטה קולנועית מתקדמת

הפלטפורמה כוללת מעל 50 פריסטים מוכנים של תנועות מצלמה כמו Dolly Zoom, Bullet Time, FPV Drone ואחרות. כל תנועה נבחרת בלחיצה אחת פשוטה, כאילו אתם עומדים מאחורי המצלמה על סט אמיתי.

הבנה עמוקה של תנועה אנושית

Higgsfield לא מתבלבל מול תנועות גוף מורכבות. הוא אומן במיוחד על חבטות, קפיצות, סיבובים ואינטראקציות עם חפצים. התוצאה? תנועה אמינה, ריאליסטית, כזו שלא מרגישה “ממוחשבת”.

שלב בימוי אחרי הדיפוזיה

בעוד שמרבית הכלים מסתפקים בתוצאה ויזואלית, Higgsfield ממשיך עוד שלב ומוסיף Fine-Tuning של ממש עם תזמון, פריימינג ואפקט של כוונה אמנותית. כאילו מישהו ביים את הסצנה, לא רק יצר אותה.

הבנת פרומפטים חכמה

המודל משלב מנוע דמוי GPT, מה שאומר שהוא יודע להבין פרומפטים ברמה גבוהה, לפרש אותם לעומק, ולהפוך טקסט פשוט לתנועה, קומפוזיציה וזווית מצלמה מדויקת.

שילוב חכם של טכנולוגיות

במקום לפתח מאפס, Higgsfield חיברה בין מודלים קיימים – דיפוזיה, טרנספורמרים ולמידת חיזוק – למנוע אחד חכם וממוקד שמביא תוצאות מהירות ומקצועיות.

כוח על יצירתי עם מיקס של אפקטים

עם ספריית אפקטים עשירה, Higgsfield מאפשר לא רק לבחור תנועה, אלא לשלב כמה יחד, ליצור קומבינציות בלתי צפויות ולבנות סיפור חזותי מלא דרמה, תנועה ואווירה. הקסם האמיתי מתחיל כשמערבבים.

המדריך המעשי: איך מתחילים ויוצרים עם Higgsfield?

שלב ראשון: מתקינים, מתנסים, מתרשמים

• התקנה: כנסו ובצעו תהליך הרשמה דרך חשבון גוגל או מייל וסיסמה בפלטפורמה הוובית של Higgsfield או הורידו את אפליקציית “Diffuse by Higgsfield” מחנות האפליקציות (iOS או Android).

• לאחר שנכנסתם לממשק הראשי/דף הבית – לחצו על לשונית Create (משמאל למעלה באדום). תוכלו לבחור אופציה של טקסט לתמונה (Text To Image) אבל אנחנו בוחרים בתמונה לוידאו (Image To Video). עכשיו פשוט תוכלו לבחור תנועה (Motion), להעלות תמונה כרפרנס וללחוץ על צור (Generate). ככה פשוט.

• התנסות חינמית: התחילו עם 2 הסרטונים החינמיים שמגיעים כברירת מחדל.

• הרשמה ושדרוג: אם אהבתם את התוצאה – בחרו תוכנית שמתאימה לקצב היצירה שלכם.

שלב שני: איך יוצרים סרטון – צעד אחר צעד

1. בחירת תנועת מצלמה: בחרו אחת מתוך 50+ אפשרויות – מומלץ להתחיל עם Dolly In, FPV Drone או Crash Zoom. לחיצה על Change תפתח לכם את חלון ה- Motion Controls עם מגוון מדהים של אפשרויות תנועה ותוכלו אפילו להוסיף יותר מתנועה אחת (Second Motion) אחרי לחיצה על Mix כדי למזג מספר אפקטים לסגנון ייחודי.

2. בחירת תמונה: צרו תמונה בפלטפורמה של Higgsfield או העלו תמונה באיכות גבוהה (אפשר מ-Midjourney, Leonardo או כל כלי אחר). מנויים בתשלום יכולים להוסיף גם Start Frame וגם End Frame.

3. כתיבת פרומפט: כתבו תיאור קצר לאווירה שתרצו (לדוגמה: cinematic cityscape at night).

4. עריכה (אם צריך): התאימו פרמטרים כמו משך סרטון ואפילו מספר סיד.

5. מודל: מנויים משלמים יכולים לבחור מודים מהירים יותר מהמודל הסטנדרטי.

לאחר שסיימתם ואתם מרוצים ממה שיצרתם – תוכלו להוריד את הסרטון שיצרתם, לשמור אותו וכמובן לשתף אותו ולהעלות לרשתות החברתיות.

מפרט טכני 

הסרטונים שתיצרו ב-Higgsfield נמשכים 3 או 5 שניות, בקצב של 30 פריימים לשנייה וברזולוציה של 720p. הם נשמרים בפורמט MP4, וכמו בכל כלי Freemium, הסרטונים שבגרסה החינמית כוללים סימן מים, שיורד במסלולים בתשלום.

טיפים למתחילים

• נסו 2-3 תנועות שונות על אותה תמונה – ותראו איזה סיפור כל אחת מספרת.

• התחילו עם פרומפטים פשוטים והוסיפו עומק בהדרגה.

• צרו סדרות של סרטונים עם אותה תנועה לשפה ויזואלית עקבית.

• שתפו את הסרטונים עם חברים, קולגות או קהל וקבלו פידבק.

• השתמשו ב-Effects Mix ליצירת אפקטים מפתיעים וסגנון אישי.

עוברים ל-Fun האמיתי

Higgsfield לא מסתפק רק בתנועה – הוא מאפשר לכם לביים סצנה שלמה. אפשר להגדיר פריים פתיחה ופריים סיום, לבחור את זווית הצילום המדויקת, ולהכתיב את קצב התנועה בין נקודות. אם תכנסו ללשונית Iconic דרך סרגל הבחירה העליון תוכלו לשלב דמויות איקוניות מוכרות (או אפילו דמויות שאתם יוצרים בעצמכם), ולהחיות אותן בתוך העולם שיצרתם. בנוסף, תוכלו ללחוץ על לשונית Effects ולבחור מתוך מגוון אפקטים מובנים – כמו תאורה דרמטית, טשטוש תנועה, עדשות סינמטיות ועוד – או לשלב כמה מהם יחד ב־Effects Mix, וליצור מראה ייחודי שמרגיש כמו קטע מתוך סרט אמיתי.

פריים התחלה ופריים סיום

שילוב דמויות אייקוניות

אפקטים

Higgsfield Effects Mix – כוח העל החדש שלכם!

השדרוג המרהיב של הפלטפורמה מאפשר לכם לשלב בין 23 אפקטים מוכנים מראש ליצירת וידאו קולנועי מדהים! עכשיו אפשר למקסס אפקטים, לייצר קומבינציות בלתי צפויות ולספר סיפור חזותי מלא אקשן. מערבבים, משלבים ויוצרים שילובים שעוד לא נראו – והכל בלחיצת כפתור.

Say hello to Higgsfield Effects Mix – your new superpower for creating jaw-dropping, cinematic videos!

You already had 23 built-in VFX presets. Now? Mix ‘em up to unleash wild, unpredictable, story-driven visuals that scream action.

Try preset mixes or create your own. pic.twitter.com/u7RwQ4w6Zj

— Higgsfield AI (@higgsfield_ai) May 7, 2025

לנצל את Higgsfield Effects Mix ביעילות

כדי להפיק את המירב מ־Higgsfield Effects Mix, כדאי לחשוב כמו עורך – לא רק מה יפה, אלא מה מספר סיפור. נסו לשלב קונטרסטים: אפקט דרמטי כמו Face Punch עם מעבר עדין כמו Focus Change יכולים לייצר מתח נרטיבי שמחזיק את הצופה. רוצים לבנות קו עלילה? התחילו עם Slow Push איטי, עברו ל־Bullet Time ברגע השיא וסיימו עם Disintegration מתפרק – וזה ירגיש כמו סצנה שלמה. אבל אולי הכי חשוב – אל תפחדו לשבור חוקים. חלק מהאפקטים הכי חזקים נוצרים משילובים לא צפויים, כמו Lens Flare עם Building Explosion. התאימו את המיקס לסגנון: לסרטוני אקשן – Whip Pan ו־Crash Zoom יתנו את הקצב הנכון, ולמוצרי לייפסטייל – Arc Left עם Glam יוסיפו תחכום ונוכחות.

מצורף לכם מדריך צעד אחרי צעד מבית Higgsfield עם הסברים (באנגלית) איך להשתמש בפיצ׳ר המטורף הזה:

Here’s a step-by-step tutorial on how to use Effects Mix. pic.twitter.com/ToNXOOsH4A

— Higgsfield AI (@higgsfield_ai) May 8, 2025

המדריך לתנועות מצלמה מובילות

החלטנו גם להעשיר אתכם בידע נוסף על מגוון תנועות מצלמה פופולריות ומתי להשתמש בהן כדי שתוכלו לקחת את היצירה שלכם צעד אחד קדימה (או באלכסון, או 360):

1. Crash Zoom In / Out

מה זה? זום מהיר ודרמטי לכיוון הנושא המרכזי או החוצה ממנו.
מתי להשתמש? רגעי הפתעה, גילוי, או כאשר רוצים להדגיש פרט מסוים.
שימוש נפוץ: פתיחת סרטי פעולה, רגעי שיא בפרסומות.

2. Dolly In / Out

מה זה? תנועת מצלמה חלקה לכיוון הנושא או ממנו.
מתי להשתמש? ליצירת אווירה אינטימית או להתרחקות רגשית.
שימוש נפוץ: סצנות דרמטיות, סיום של סרטוני מוצר.

3. Dolly Zoom (אפקט ורטיגו)

מה זה? תנועה פנימה או החוצה תוך שינוי זום בכיוון ההפוך.
מתי להשתמש? לביטוי חרדה, דיסוריינטציה או הארה פתאומית.
שימוש נפוץ: רגעי שינוי תודעתי, סצנות מתח.

4. 360 Orbit

מה זה? המצלמה מסתובבת סביב הנושא ב-360 מעלות.
מתי להשתמש? להצגת מוצר מכל הזוויות או להדגשת מרכזיות הנושא.
שימוש נפוץ: הצגת מוצרים, סצנות פעולה “מוקפאות”.

5. FPV Drone

מה זה? דמיון לצילום מרחפן מנקודת מבט ראשונה.
מתי להשתמש? לצילום דינמי, תחושת חופש ומהירות.
שימוש נפוץ: סרטוני ספורט אקסטרים, תיירות, נדל”ן.

6. Dutch Angle

מה זה? הטיה של המצלמה באלכסון.
מתי להשתמש? ליצירת תחושת חוסר-נוחות, מתח או כאוס.
שימוש נפוץ: סצנות אימה, מתח או מצבים לא יציבים.

7. Bullet Time

מה זה? האטה דרמטית תוך כדי תנועה סביב הנושא.
מתי להשתמש? להקפאת רגעי פעולה מהירים ולהדגשת פרטים.
שימוש נפוץ: סצנות קרב, תנועות ספורט, פעלולים.

8. Whip Pan

מה זה? תנועת מצלמה מהירה מאוד מצד לצד.
מתי להשתמש? למעבר דינמי בין סצנות או נושאים.
שימוש נפוץ: סרטוני מוזיקה, תוכן לרשתות חברתיות.

9. Timelapse

מה זה? דחיסת זמן ארוך לסרטון קצר.
מתי להשתמש? להראות התפתחות, שינוי או מעבר זמן.
שימוש נפוץ: הדגמת תהליכים, נופים משתנים, בנייה.

10. Snorricam + Low Shutter

מה זה? המצלמה “מחוברת” לנושא וזזה איתו, בשילוב אפקט טשטוש תנועה.
מתי להשתמש? לתיאור מצבים של סחרחורת, שכרות או בלבול.
שימוש נפוץ: סצנות מסיבות, מצבי תודעה מעורפלים.

למי הכלי הזה מתאים?

Higgsfield הוא כלי רב־שימושי שמותאם במיוחד ליוצרים, מעצבים, משווקים ומפתחים שרוצים להפיק תוכן ויזואלי חזק – בלי צוות הפקה ובלי ללמוד תוכנות עריכה. ברשתות החברתיות, הוא מאפשר לייצר קליפים דינמיים ל־TikTok ו־Instagram Reels באמצעות תנועות כמו Whip Pan או Crash Zoom, להבליט מוצרים בסטוריז עם Dolly In, ולהציג אותם מכל זווית בפוסטים עם 360 Orbit. בתחום השיווק והמותג, אפשר לבנות סרטוני מוצר עם זוויות ייחודיות כמו Dutch Angle, למשוך תשומת לב מיידית עם Crash Zoom או לשדר אווירה מקצועית באמצעות Timelapse ו־FPV Drone. גם ליוצרים אמנותיים הכלי מציע חופש: Bullet Time לקליפים זכירים, Snorricam לסצנות מתוך נקודת מבט של דמות, ואפשרות לשלב מספר תנועות באותו סרטון – לניסויים ויזואליים ולמעברים מפתיעים. בין אם אתם יוצרים סרטון שיווקי או קליפ אישי – Higgsfield נותן לכם את הכלים לשלוט בסיפור הוויזואלי שלכם, בצורה פשוטה ויצירתית.

מה עוד יש בפלטפורמה של Higgsfield?

מעבר ליכולות המרשימות של Higgsfield ביצירת סרטונים קצרים עם תנועות מצלמה קולנועיות, הפלטפורמה מציעה גם את ReelMagic – היכולת לספר סיפור עם מערכת מתקדמת ליצירת סרטים קצרים שלמים, עד 10 דקות, באמצעות בינה מלאכותית. ReelMagic מאפשרת יצירת תסריטים אוטומטית, סנכרון שפתיים, שימוש באווטרים מבוססי AI, ועורך וידאו מובנה. כל אלה מאפשרים למשתמשים להפוך רעיונות פשוטים לסרטים מקצועיים, עם שליטה מלאה על כל שלב בתהליך היצירה.

חשוב לדעת! מחולל התמונות החדש של OpenAI משולב עכשיו בפלטפורמה של Higgsfield:

טיפים מתקדמים להצלחה עם Higgsfield

אופטימיזציה של תמונות וקומפוזיציה

כדי למקסם את איכות הסרטון, חשוב להשקיע מחשבה כבר בשלב בחירת התמונה. רצוי להשאיר מעט “שטח נשימה” מסביב לנושא המרכזי, כלומר, לא למקם אותו צמוד לקצוות כדי לאפשר תנועת מצלמה חלקה ומלאה. בחרו תמונות חדות, ממוקדות ועם ניגודיות ברורה; האלגוריתם מתקשה להתמודד עם תמונות מטושטשות או שטוחות. בנוסף, כדאי לחשוב על עומק, תמונות שמציגות עומק פרספקטיבי (כמו רחוב, מסדרון או שדה פתוח) מחזקות אפקטים כמו Dolly In ומוסיפות תחושת תנועה דרמטית לסצנה.

פרומפטים אפקטיביים

כדי לנסח פרומפטים אפקטיביים באמת, חשבו כמו במאי – לא רק מה אתם רוצים לראות, אלא איך זה צריך להרגיש. השתמשו במונחים קולנועיים כמו cinematic, golden hour או dramatic lighting כדי להכתיב את הסגנון הוויזואלי. הוסיפו גם אווירה רגשית מדויקת, מילים כמו tense, serene, vibrant או moody עוזרות למודל להבין את הטון הכללי של הסצנה. הכי חשוב: התאימו את הפרומפט לתנועת המצלמה. למשל, אם בחרתם ב־Crash Zoom, תיאור כמו shocking reveal ישלים את הדרמה; עם Dutch Angle, כדאי לנסות ניסוחים כמו disorienting tension כדי לחזק את תחושת האי-שקט בפריים.

שילובים עוצמתיים ליוצרים מתקדמים

• Dolly Zoom + Focus Shift: אפקט “ורטיגו” קלאסי עם התמקדות מחדש – לרגעי הארה.
• אורביט 360 + Lens Flare: מראה קיצי וקליל – מושלם למוצרי לייף סטייל.
• FPV Drone + Motion Blur: תחושת מהירות ודינמיות – מעולה לספורט ואקשן.
• Snorricam + Aqua Filter: האולטימטיבי לסצנות מסיבה או חלום.
• Face Punch + תנועת Disintegration: ליצירת סצנות אקשן מרהיבות עם אפקט הרס דרמטי.
• Bullet Time + Lens Crack: מושלם לסצנות קרב עם הרגשה של שבירת המציאות.

הנה עוד כמה דוגמאות לשילובים מוצלחים

בסרטון העליון – ״ריצה בוערת״: Action Run + Set on Fire. זו קומבינציה דרמטית ומלאת תנועה שמביאה אנרגיה, סכנה ודחיפות לסצנה – מושלמת לרגעים מותחים או קליפים עם אקשן מהיר. בסרטון התחתון – ״מתכת נמסה״: Turning Metal + Melting. שילוב אפקטים שמייצר תחושה של טרנספורמציה, התפרקות או מעבר בין מצבים – אידיאלי לסצנות דרמטיות, תוכן ניסיוני או תחושת משהו שמתמוסס מבפנים.

TURNING METAL + MELTING

2/10 pic.twitter.com/T8FCIh9Wtt

— Higgsfield AI (@higgsfield_ai) May 7, 2025

בסרטון העליון – “מרדף מתפוצץ”: Car Chasing + Building Explosion. זהו שילוב קלאסי לסצנות פעולה מהירות שמפוצצות את הפריים באנרגיה. התנועה הדינמית של המרדף משתלבת בפיצוץ בניין קולנועי שמעניק תחושת קנה מידה ואיום – מושלם לקליפים אדרנליניים או סצנות של התנגשות בלתי נמנעת.

בסרטון התחתון – “מכה בפרצוף”: Crash Zoom In + Face Punch. קומבינציה עוצמתית של קירבה חדה ואלימות מיידית, שמקפיצה את הצופה לתוך הרגע. הזום המהיר יוצר מתח, והאגרוף מטלטל את המסך – שילוב מעולה לרגעים דרמטיים, תוכן קומי מוקצן או ביטוי רגשי קיצוני.

CRASH ZOOM IN + FACE PUNCH

7/10 pic.twitter.com/MxOzpIywCT

— Higgsfield AI (@higgsfield_ai) May 7, 2025

חסרונות שחשוב להכיר

לצד כל היתרונות, יש גם כמה מגבלות שחשוב להכיר. נכון לעכשיו, הסרטונים שנוצרים בפלטפורמה קצרים יחסית, באורך של 3 עד 5 שניות, מה שמתאים לתוכן קצר וחד אך פחות רלוונטי להפקות ארוכות או מורכבות. הרזולוציה של הסרטונים מוגבלת ל־720p, מה שמספיק בהחלט לרשתות חברתיות, אך פחות אידיאלי למי שמחפש תוצאה באיכות קולנועית מלאה. בנוסף, שיטת הקרדיטים של Higgsfield עובדת לפי מחזור של 90 יום, כלומר, קרדיטים שלא נוצלו בזמן הזה פשוט נעלמים, ולכן חשוב לנהל את השימוש בתבונה.

כמה זה עולה?

מחיר לפי מסלול וכמות קרדיטים

ומה לגבי קרדיטים?

Higgsfield פועלת על בסיס מערכת קרדיטים, המאפשרת גמישות ביצירת תוכן בהתאם לצרכים האישיים. עלות יצירת סרטון משתנה בהתאם למודל הנבחר: 5 קרדיטים עבור מודל Lite, 7 קרדיטים עבור מודל Turbo, ו-10 קרדיטים עבור מודל Standard. אם מיציתם את הקרדיטים הכלולים במנוי החודשי, ניתן לרכוש חבילות קרדיטים נוספות, אשר תקפות למשך 90 יום. חשוב לציין כי קרדיטים שלא נוצלו במסגרת המנוי אינם מועברים לחודש הבא. המחירים משתנים בהתאם למסלול הנבחר, כאשר בחיוב חודשי המחיר גבוה בכ-30% לעומת חיוב שנתי. את כל המידע תוכלו למצוא תחת לשונית Pricing באתר של Higgsfield.

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

לפרטים נוספים לחצו כאן >>

Higgsfield הוא לא סתם עוד כלי AI – זה שינוי גישה של ממש. הוא נותן לכל יוצר, בכל רמה, את האפשרות לביים סצנה מרשימה ולהפוך תמונה דוממת לסרטון חי, עמוק ומדויק – ישירות מהמחשב או מהטלפון. מה שפעם דרש ציוד יקר, צוות וצילומי שטח, עכשיו קורה בפרומפט אחד ובכמה לחיצות. עם תנועות מצלמה מקצועיות, שילובי אפקטים מתקדמים ויכולת לבנות סיפור ויזואלי קצר אך עוצמתי, Higgsfield פותח דלת ליצירה חדשה. אם אתם יוצרים, משווקים, מעצבים או פשוט סקרנים – זה הזמן לבדוק מה אפשר לעשות כשיש לכם בינה מלאכותית שעובדת בשבילכם.

הפוסט איך Higgsfield הופך תמונה לפריים הוליוודי, ואתכם ליוצרי וידאו קולנועי? הופיע ראשון בLet's AI בינה מלאכותית

למה דווקא פוקימון?

פוקימון אדום, משחק קלאסי משנת 1996, נבחר לא במקרה. מבחינה טכנית, הוא בנוי על מערכת תורות – כל צעד מחייב החלטה נפרדת. זה מעניק למודל כמו קלוד מרחב לתכנן, לעצור, ולחשוב, במקום לפעול במהירות רפלקסיבית. אבל הבחירה לא הייתה רק פונקציונלית. קלוד מעולם לא אומן על המשחק הזה, כך שכל מה שהוא עושה – הוא לומד לבד, בלי הכנה מוקדמת. זה מה שהפך את הניסוי לאמיתי: לא הרצה מבוימת, אלא מפגש אותנטי עם סביבה לא מוכרת.

מעבר לכך, המשחק פשוט ומורכב בדיוק במידה הנכונה. הוא לא טכני מדי, לא רפטטיבי מדי, ומכיל גם חידות, ניווט, קרבות, ואינטראקציות עם דמויות – מה שמעמיד את קלוד מול מגוון אתגרים שונים.

ולבסוף, יש גם את הנוסטלגיה. פוקימון הוא לא עוד משחק – הוא חוויית ילדות צרובה בזיכרון של דור שלם. זה מה שהופך את הצפייה בבינה מלאכותית מנסה “לתפוס את כולם” לא רק למרתקת – אלא גם למשהו אישי כמעט. ההשראה לפרויקט לא הגיעה מהמדע בלבד. הרשי הושפע מניסוי ויראלי מ־2014 בשם Twitch Plays Pokémon, שבו מיליוני משתמשים שיחקו יחד באותו משחק דרך הצ’אט. אלא שהפעם, במקום המון גולשים – יש רק שחקן אחד. והוא לא אנושי.

איך גורמים לבינה מלאכותית לשחק משחק וידאו?

קלוד הוא לא רובוט. אין לו גוף, ידיים או אצבעות. כדי לאפשר לו לשחק, דייויד הרשי וצוותו נאלצו לבנות עבורו סביבת משחק מותאמת – מעין מתאם בין העולם הדיגיטלי של המשחק לבין התודעה החישובית של מודל שפה.

מערכת ראייה (Vision)

השלב הראשון היה ללמד את קלוד “לראות”. המודל מקבל את המסך של המשחק כפיקסלים גולמיים – ממש כמו תמונה ללא תוויות. אין לו מושג מה זה עץ, מה זה דמות, או איפה מתחילה דלת – הוא חייב להבין הכול בעצמו, מתוך התבוננות בלבד.

מערכת קלט

לאחר מכן הוזנו לו פקודות שליטה, בדיוק כמו בגיים-בוי (Game Boy): למעלה, למטה, שמאלה, ימינה, כפתור A, כפתור B, סטארט (Start) וסלקט (Select). כל לחיצה דורשת החלטה נפרדת, תכנון – ואפילו הצדקה מילולית לפעמים.

מערכת זיכרון

אבל רק לראות וללחוץ זה לא מספיק. קלוד צריך גם לזכור. בשביל זה הוגדרה לו מערכת זיכרון פנימית שמתעדכנת כל 30 פעולות – מעין יומן אסוציאטיבי שעוזר לו להבין מה עשה לפני רגע, לאן ניסה להגיע, ומה לא עבד.

גישה ל-RAM

כדי לשפר את ההתמצאות, נוספה גם גישה ישירה לזיכרון ה־RAM של המשחק – מה שנתן לקלוד מידע טכני על מצבו במפה, מיקומו המדויק, או אם הוא חוזר שוב ושוב לאותה נקודה.

והחלק הכי מפתיע? חלק מהקוד שמאפשר את כל זה – נכתב על ידי קלוד עצמו. הרשי השתמש בגרסה מוקדמת של הסוכן התכנותי של Anthropic כדי ליצור את תשתית המשחק. במילים אחרות, קלוד עזר לבנות את הסביבה שבה הוא משחק.

צילום מסך מתוך “Claude Plays Pokémon”, שבו המודל מנתח דיאלוג עם דמות במשחק

ההתקדמות של קלוד

אחד הדברים הכי מרתקים בניסוי הזה הוא לראות איך קלוד משתפר עם הזמן. לא מדובר כאן בשיפורים קטנים – אלא בקפיצות של ממש. גרסה אחרי גרסה, הוא לומד להתמודד טוב יותר עם העולם המוזר של פוקימון אדום.

קלוד 3.0

בהתחלה, בגרסה 3.0, קלוד אפילו לא הצליח לצאת מהבית ההתחלתי בעיירת פאלט. זה נשמע כמעט מגוחך – אבל לבלבל בין דלת לקיר, או לחזור שוב ושוב לאותו חדר, זה בדיוק מה שקרה. “ביליתי שעות בלשנות שורות קוד קטנות כדי שהוא יצליח להבין איפה הוא נמצא,” מספר דייויד הרשי.

קלוד 3.5

כאן כבר נרשמה פריצת דרך. קלוד בחר פוקימון התחלתי, התחיל לשוטט בעולם, אבל ההתקדמות הייתה איטית מאוד. כל קרב דרש ממנו ניתוח ארוך, כל פנייה במפה הייתה חידה.

קלוד 3.7

ואז הגיעה גרסה 3.7 – ושינתה את התמונה. קלוד הצליח להביס שלושה מנהיגי אולמות (Gym Leaders), השיג תגי נצחון, ואפילו הצליח לנווט באופן עקבי יותר לאורך זמן. “זו הייתה הפעם הראשונה שיכולת לעצום עיניים לרגע ולראות התנהגות שנראית כמעט… חיה,” מתאר הרשי.

באופן פרדוקסלי, אחד הרגעים שכבשו את הצופים היה דווקא כשקלוד נתקע שוב – הפעם מול קיר, במשך שעות. השידור הפך לויראלי. יש משהו מרתק, אפילו מהפנט, בצפייה בבינה מלאכותית שמתמודדת – ונאבקת – עם מה שאנחנו עושים כמעט בלי לחשוב.

האתגרים של קלוד

למה בינה מלאכותית לא תמיד מתעלה על ילד בן 5?

ככל שקלוד משתפר, הוא עדיין מזכיר לנו עד כמה הפער בין “לדעת מידע” לבין “להבין מציאות” הוא עמוק. הקשיים שלו פשוטים, כמעט ילדותיים – אבל הם חושפים אמת לא נוחה על גבולות הבינה המלאכותית כיום.

קושי חזותי

נתחיל בקירות. קלוד פשוט לא מזהה אותם. הוא יכול להתעקש ללכת שוב ושוב לתוך אותם מחסומים גרפיים, מבלי להבין שהוא לא מתקדם. דלתות, מדרגות, שולחנות – כולם נראים לו כמו חלק מאותו מרחב דו־ממדי חסר הקשר.

הנחות שגויות

גם כשהוא סוף־סוף מתקדם, הוא לא תמיד יודע לאן. לפעמים הוא מפתח “אמונה שגויה” – כלומר, משוכנע שמפתח מסוים נמצא במקום שאין בו כלום. משם, הוא יכול להיתקע שעות, לפעמים עשרות שעות, ולבצע שוב ושוב את אותן טעויות מתוך ביטחון מלא שהוא בדרך הנכונה.

קצב איטי מאוד

הקצב? איטי ברמות שקשה לתאר. כל פעולה במשחק מלווה בניתוח טקסטואלי מלא, שכולל תיאור מצב, בחינת אפשרויות, נימוק פנימי… ואז, רק אז – קלוד לוחץ כפתור. רק כדי לעצור שוב ולנתח מחדש את ההשלכות.

כישלונות מוזרים

ויש גם רגעים קומיים לחלוטין. כמו בפעם שקלוד נתקע בפינה של בניין, והסיק שהמשחק פשוט נשבר. הוא אפילו כתב “בקשה” רשמית לאפס אותו – למרות שהמשחק עבד כרגיל לחלוטין.

אבל האמת היא שדווקא בגלל זה מרגש לראות אותו מצליח. יש רגעים שבהם הוא מצליח לפרש רמז מבלבל, להבין שיש סתירה, ולשנות כיוון. לא בגלל שכתב מישהו מאחוריו הנחיה – אלא כי הוא באמת הבין משהו. זה אולי לא נראה הרבה – אבל בעולם של בינה מלאכותית, זו קפיצת מדרגה.

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

לפרטים נוספים לחצו כאן >>

מעבר למשחק – למה זה חשוב באמת?

קל לחשוב על “קלוד משחק פוקימון” כקוריוז ויראלי או ניסוי חמוד. אבל מתחת לפני השטח, מדובר באב־טיפוס לעולם חדש שבו בינה מלאכותית פועלת כסוכן עצמאי – לא רק עונה לשאלות, אלא יוזמת, מתכננת, ומבצעת.

סוכנים אוטונומיים

הדור הבא של בינה מלאכותית כבר לא נראה כמו צ׳אט־בוט מנומס שממתין לשאלה שלך. הוא ייראה כמו Agent – סוכן שמקבל מטרה כללית, שוקל חלופות, מתקן את עצמו, ופועל בעולם. מה שקלוד עושה במשחק – ניווט, קבלת החלטות, ניהול משאבים – דומה למה ש־AI יצטרך לעשות גם בעולמות כמו לוגיסטיקה, ניהול מערכות מידע, או אפילו עזרה אישית מתקדמת.

מדד ביצועים חדש

השימוש במשחק פוקימון אינו גימיק. זו סביבה מורכבת, פתוחה, לא מתוכנתת מראש. אין תשובה אחת נכונה, אין מבנה אחיד. בדיוק בגלל זה, זו דרך טובה לבחון אם בינה מלאכותית מסוגלת להסתדר לבד – לא רק “לדעת דברים”, אלא לנווט במרחב, לזכור, לתכנן, ולהתמודד עם חוסר ודאות.

השלכות תרבותיות

אבל אולי החלק הכי מעורר מחשבה – הוא בכלל אנושי. לפני עשור, חוויות כמו Twitch Plays Pokémon גרמו לנו לשחק יחד, כחברה אחת, בטירוף קהילתי ומבולגן. היום? אנחנו פשוט צופים במכונה משחקת לבד. זה מעבר מצריכה שיתופית לחוויית התבוננות פסיבית – שינוי תרבותי עמוק שלא תמיד שמים אליו לב.

השאלה היא לא רק מה המחשב מסוגל לעשות, אלא מה אנחנו מוכנים לתת לו לעשות במקומנו – ואיך זה ישפיע על איך שאנחנו חיים, לומדים, ויוצרים.

לא למידה מחיזוקים – אלא חשיבה ותכנון

אחד הדברים החשובים להבין על “קלוד משחק פוקימון” הוא מה הוא לא. קלוד לא עבר תהליך של למידה מחיזוקים (Reinforcement Learning). אין כאן עונשים, אין תגמולים, אין 50,000 שעות של חיזוק חוזר על אותה משימה. במקום זאת, קלוד פשוט… חושב. הוא מתבונן, מסיק מסקנות, בונה לעצמו אסטרטגיה, ומנסה להבין מה עובד. זהו ניסוי שמבוסס לא על אימון מחדש – אלא על בדיקה של היכולות הקיימות של המודל, כמו שהן.

כן, היו פרויקטים אחרים שבהם החוקרים הוסיפו “תגמולים חכמים” למודלים כדי לשפר את הביצועים במפות מסוימות. אבל כאן, הרשי רצה לבחון את קלוד כפי שהוא – בלי חיזוקים חיצוניים, בלי עזרה, בלי קיצור דרך. וזה בדיוק מה שהופך את הניסוי לכל כך מעניין: זו לא דוגמה לבינה מלאכותית שתוכנתה לנצח – אלא לניסיון להבין עד כמה היא יכולה להבין, באמת.

אבל האם קלוד “מבין” את המשחק?

לצד ההתלהבות, יש גם לא מעט ביקורת – חלקה חריפה. יש שטוענים שקלוד לא באמת מבין את המשחק, אלא רק מחקה חשיבה. “המודל הזה עבר על כל אתר פוקימון באינטרנט,” כתב מגיב באחד הפורומים, “כולל Bulbapedia – האנציקלופדיה המקיפה ביותר של עולם פוקימון. אז איך ייתכן שהוא עדיין מסתובב שעות באותו מסדרון, כאילו מעולם לא שמע על המפה?”

אבל בדיוק כאן, אומרים תומכי הניסוי, מתגלה הנקודה החשובה: לזכור מידע זה דבר אחד – להשתמש בו זה משהו אחר לגמרי. גם אם קלוד “יודע” איפה אמור להיות הסולם הבא, הוא עדיין צריך לזהות אותו על המסך, לבחור להגיע אליו, ולהבין מה לעשות כשדברים משתבשים.

זה כמו ההבדל בין לקרוא על רכיבה על אופניים לבין לרכב בפועל. היכולת להשתמש בידע, לפרש מצבים, ולשנות אסטרטגיה בזמן אמת – אלה הדברים שמודלים כמו קלוד עדיין לומדים. וזה בדיוק מה שהופך את הניסוי לכל כך מעניין. ההבנה לא נולדת מהטקסט – היא נוצרת מתוך עשייה, כישלון, וניסיון לתקן. וזו בדיוק הנקודה שקלוד מדגים.

לצפות בקלוד בפעולה ולהצטרף לקהילה

אם כל זה סיקרן אתכם – אתם לא לבד. סביב “קלוד משחק פוקימון” נבנתה קהילה קטנה אך נלהבת של צופים, מפתחים, וחובבי בינה מלאכותית, שצופים בו, מנתחים את התנהגותו, ולעיתים גם צועקים עליו בצ’אט כשעוד פעם הוא נתקע בקיר. אפשר להצטרף לשידור החי בטוויץ’ ולצפות בקלוד בזמן אמת, ממשיך את מסעו באיטיות מהורהרת דרך העולם של קנטו. זה מוזר, איטי, ומסקרן – וכל כמה שעות יש רגע קטן של קסם, שבו הוא באמת מצליח להבין משהו חדש.

למי שרוצה יותר מהצפייה – דייויד הרשי שחרר גרסה בסיסית של סביבת המשחק ב־GitHub, כולל כלים לפיתוח סוכנים משלכם. ואם זה לא מספיק, באפריל 2025 התקיים האקאטון מיוחד בסן פרנסיסקו, שבו עשרות משתתפים ניסו לעשות את הבלתי אפשרי: לבנות סוכן שיצליח לברוח מה”מבוך” של הר ירח. (רמז: זה לא פשוט).

לאן זה הולך?

האם קלוד יצליח לסיים את המשחק כולו? אולי. בקצב שהוא מתקדם, זה כבר לא נראה מופרך. עם כל גרסה חדשה, הוא פחות נתקע, יותר מבין, ובעיקר – מפסיק להתבלבל בין קיר לדלת. אבל זו רק ההתחלה. השאלה האמיתית היא: האם נראה את היכולות האלה מחוץ לעולם המשחקים? האם אותם סוכנים שמתכננים מסלול ביער פיקסלים יתחילו לנהל תהליכים אמיתיים – עסק, יומן, מערכת שלמה? במובן מסוים, זה כבר קורה. בינה מלאכותית כבר משתלבת בשירותים יומיומיים, לומדת את ההרגלים שלנו, מייעצת, מסננת, כותבת, מתכננת. אמנם אנחנו עדיין בשלבים מוקדמים – אבל הכיוון ברור, והמהפכה כבר התחילה. ובין אם זה מרגש או מטריד – כדאי שנהיה מודעים. כי בסופו של דבר, כמו שמישהו ניסח את זה יפה: ״פעם אנחנו שיחקנו במשחקים. היום המשחקים משחקים בנו״.

הפוסט הסיפור מאחורי “קלוד משחק פוקימון” הופיע ראשון בLet's AI בינה מלאכותית

מי זה בראד ולמה הסיפור שלו חשוב?

בראד סמית’ הוא האדם השלישי בעולם שקיבל שתל של Neuralink – והראשון שחי עם ALS ואינו מסוגל לדבר כלל. הוא חי בתוך גוף שלא מגיב, אך מוחו פועל, מבין ומרגיש. ALS היא מחלה נדירה אך קטלנית. בכל שנה מאובחנים כ־5,000 איש בארה”ב בלבד. בישראל, יש כ־600 חולים פעילים. המחלה שואבת את השרירים אבל לא את התודעה. עבור רבים – היא גזר דין של שתיקה.

קצת על Neuralink

Neuralink היא חברת ביוטק שנוסדה בשנת 2016 על ידי אילון מאסק וקבוצה של מדענים ומהנדסים, במטרה לפתח ממשקי מוח-מחשב (BMI – Brain-Machine Interface) מתקדמים. החזון של החברה הוא נועז: לאפשר חיבור ישיר בין המוח האנושי לבין מחשבים, מערכות בינה מלאכותית, ואפילו מכשירים חכמים – ללא צורך בתנועה פיזית.

מאז הקמתה, Neuralink הצליחה לפתח שתל מוחי זעיר שמכיל אלפי אלקטרודות דקיקות במיוחד. השתל הזה מיועד להשתלה ישירה בתוך הקורטקס המוטורי – האזור במוח שאחראי על תכנון וביצוע תנועות. הוא קולט פעילות נוירונית (מעין “שפת חשיבה”) ומתרגם אותה לאותות דיגיטליים.

עד היום, החברה ביצעה ניסויים מתקדמים בבעלי חיים, ובשנת 2023 קיבלה אישור ראשוני מה-FDA לביצוע ניסויים קליניים בבני אדם. בראד סמית’ הוא אחד הראשונים להשתתף בניסוי זה – והראשון שמדגים תקשורת פעילה עם העולם דרך מחשבה בלבד, תוך שימוש בשתל של Neuralink.

מחשבה שהופכת לפעולה

בעזרת שתל מוחי שמחובר ישירות לקורטקס המוטורי שלו, בראד סמית’ מסוגל לשלוט בעכבר המחשב – רק באמצעות חשיבה. בזכות היכולת הזו, הוא מצליח להקליד טקסטים, לערוך סרטונים, ולדבר – בקולו המשוחזר, באמצעות בינה מלאכותית. בעבר, קצב הדיבור שלו היה איטי ומוגבל – כ־5 מילים בדקה. היום הוא מדבר בקצב של יותר מ־25 מילים בדקה, ובימים מסוימים אף עובר את ה־30. מדובר בשיפור של פי חמישה, שמחזיר לו לא רק את היכולת לתקשר, אלא גם את החופש להתבטא.

איך עובד השתל המוחי של בראד?

הטכנולוגיה מאחורי השתל של בראד סמית

מה כל זה אומר? השילוב של כל הרכיבים הללו מאפשר לבראד לשלוט במחשב בעזרת מחשבה בלבד, ולתקשר בקצב מהיר פי 5 מבעבר.

שלושה סוגי AI בשיתוף פעולה נדיר

המערכת של בראד מבוססת על שילוב נדיר של שלושה סוגי בינה מלאכותית שפועלים יחד בזמן אמת. הראשון הוא מודל לעיבוד עצבי, שמתרגם את האותות המוחיים של בראד לפעולות ממשיות במחשב. השני הוא מודל לשחזור קול אישי, שמבוסס על הקלטות ישנות ומשחזר את קולו המקורי של בראד בצורה מדויקת ומרגשת. השלישי הוא Grok 3 – מודל שפה גנרטיבי מבית xAI – שמבין הקשר, מגיב בצורה חכמה, ושומר על סגנון דיבור טבעי שמתאים לאישיות של בראד.

האם אנחנו מוכנים לעולם שבו המחשבה מדברת?

הטכנולוגיה שמחזירה לבראד את הקול שלו אולי נולדה מתוך צורך קיצוני, אבל היא לא תישאר שם. כבר עכשיו, חוקרים וחברות בוחנים עתיד שבו נוכל לשלוח הודעות, לגלוש באינטרנט, ואפילו לדבר – רק באמצעות חשיבה. ייתכן שבעוד עשור, המקלדת תיעלם, ואת מקומה יתפוס ממשק מוחי פשוט. אולי אפילו נגיע לרגע שבו המחשבה שלנו תשתלב עם בינה מלאכותית שמבינה אותנו, משלימה אותנו, ומגיבה יחד איתנו – בזמן אמת. זה לא מדע בדיוני. זו תחילתה של מהפכה שקטה, כזו שתשנה את הדרך שבה אנחנו מתקשרים עם העולם ועם עצמנו.

איפה עובר הקו? אתיקה, פרטיות ומה שביניהם

כשהמחשבה מתחברת לטכנולוגיה, עולות שאלות שלא נוכל להתעלם מהן אבל שווה לשאול אותן. מה קורה כשהמערכת טועה בפרשנות של אות מוחי? איך שומרים על פרטיות כשאותות החשיבה עצמם הופכים למידע? והאם זה בכלל מוסרי להכניס מודלים חכמים כל כך – אולי חכמים מדי – אל תוך התודעה האנושית? ההצלחה של המערכת הזו לא תלויה רק במהנדסים או באיכות החיישן. היא תלויה גם בנו – כחברה. נדרשת כאן לא רק חדשנות, אלא גם אחריות. שיח פתוח, אנושי, מקצועי. כזה שלא עוצר בהתלהבות מהטכנולוגיה – אלא שואל גם לאן היא לוקחת אותנו, ומה אנחנו רוצים לקחת ממנה חזרה. 

בראד סמית׳ עם המשפחה

לסיכום, זה לא מאמר על טכנולוגיה. זה מאמר על תקווה. כנראה שבראד חווה תסכול כשהמערכת לא מדויקת. אבל הוא גם חווה הרבה ניצחונות קטנים בכל יום: לכתוב מייל. לשוחח. לצחוק.

“הפעם הראשונה שבה הצלחתי לומר לבת שלי ‘אני אוהב אותך’ – בקולי, לא עם העיניים – הייתה כמו להיוולד מחדש.”

הסיפור של בראד סמית’ הוא הוכחה לכך שהשילוב בין מוח אנושי לבינה מלאכותית – כשנעשה נכון – יכול להחזיר קולות אבודים, חיים שאבדו, ותחושת משמעות.

עוד קצת גרוק 3 והחזון של אלון מאסק

מוכנים לגלות איך בינה מלאכותית משתלבת בחזון המהפכני של אלון מאסק? מוזמנים לקרוא על יכולות המודל החדש (יחסית) גרוק 3 והחזון השאפתני של מאסק. איך הטכנולוגיות המתקדמות שפיתח – החללית Starship של SpaceX, הרובוט ההומנואידי Optimus של Tesla, ו-Grok-3 של xAI – משתלבות יחד במאמץ המרתק ליישב את מאדים.

גלו גם כיצד מאסק וצוותו הציגו לאחרונה את סביבת העבודה החדשנית בסגנון קנבס שמשנה את האינטראקציה עם גרוק. עכשיו אתם יכולים לפתוח חללי עבודה ישירות מהממשק הראשי (Grok Workspace) וליצור סביבות פרויקט מותאמות אישית.

הפוסט הצצה לעתיד שבו המחשבה מדברת הופיע ראשון בLet's AI בינה מלאכותית

מה בדיוק קרה?

בסוף אפריל 2025, OpenAI שחררה עדכון חדש ל-GPT-4o – הגרסה המרכזית שמפעילה את ChatGPT ומשמשת מאות מיליוני אנשים ברחבי העולם. מהר מאוד, משהו התחיל להרגיש… מוזר. משתמשים שמו לב שהבינה המלאכותית נעשתה יותר מדי נחמדה. היא הסכימה כמעט עם כל דבר, חילקה מחמאות בלי הבחנה, והפסיקה לאתגר – אפילו כשמולה עמדו רעיונות מופרכים, מסוכנים, או פשוט שגויים. תארו לעצמכם מודל שאומר “נשמע מעולה!” כשמישהו מצהיר שהוא נביא, או מתלבט אם להפסיק טיפול תרופתי – בלי לשאול שאלות, בלי לסייג, רק ללטף.

זו לא בעיית נימוס – זו סכנה.

התגובות לא איחרו לבוא: סערה ברשתות, צילומי מסך ויראליים, וביקורת קשה ממומחים. כי בסוף, השאלה היא לא טכנית – היא מהותית: מה קורה כשמערכת כל כך חכמה – בוחרת פשוט להסכים עם הכול?

למה זה קרה?

במילים פשוטות: לולאת משוב מעוותת.

העדכון כלל מערכת למידה חדשה שהתבססה על משוב של משתמשים – אגודל למעלה או למטה . נשמע חכם, נכון? הבעיה: אנשים נותנים אגודל למעלה על שיחות נעימות ומחמיאות, לא בהכרח על שיחות נכונות או מועילות. כך ChatGPT למד לרצות, לא לאתגר. OpenAI הודתה שההתמקדות במשוב קצר טווח, יחד עם בדיקות מצומצמות, פגעה באיזון. למרות שמומחים פנימיים התריעו שהמודל “מרגיש לא טבעי”, המדדים האוטומטיים הראו ביצועים טובים. וכשבדקו את זה בקנה מידה קטן – המשתמשים אהבו את השינוי.

אבל זה בדיוק העניין: העדפת נחמדות על פני כנות היא מדרון חלקלק.

איך OpenAI הגיבה?

לזכותם ייאמר – הם הגיבו מהר. הם ביטלו את העדכון והחזירו את המודל הקודם, פרסמו הסבר ראשוני ואחר כך ניתוח מעמיק של מה שהשתבש, התחייבו לשפר את תהליך האימון, לשים דגש על בדיקות איכות מגוונות, ולהתקדם בזהירות, ואפילו הודיעו על כיוונים עתידיים, כמו לאפשר למשתמשים לבחור פרסונות שונות למודל, לשלוט בזמן אמת בהתנהגות שלו, ולהגדיר הנחיות מותאמות אישית.

אבל זו לא רק טעות טכנית. זו קריאת השכמה.

האירוע הזה חושף את האתגר האמיתי של בניית אינטראקציה בין אדם למכונה:

• מלכודת המעורבות: כמו אלגוריתמים של רשתות חברתיות, גם בינה מלאכותית עלולה להתמכר ל”לייקים” ולפידבק חיובי רגעי.

• יס-מנים דיגיטליים: כשהמודל רק מחמיא, הוא מאשר רעיונות רעים, משמר טעויות, ועלול לחזק התנהגויות מזיקות.

• התפתחות היחסים עם הבינה: אנשים פונים היום ל-ChatGPT לקבל עצות אישיות. זו מערכת עם השפעה אמיתית – ולכן האישיות שלה חייבת להיות אחראית.

• הערכת איכות מול מדדים כמותיים: לא כל מה שנראה טוב במספרים – באמת טוב. צריך עין אנושית, תחושת בטן, והבנה ערכית.

• שליטה אישית – אבל עם גבולות: התאמה אישית זה טוב. אבל איפה הגבול בין התאמה לנוחות – לבין מניפולציה עצמית?

הציוץ של סם אלטמן שמודה שהחברה פספסה את המטרה עם העדכון של GPT-4o

שורה תחתונה

OpenAI עשתה טעות. היא גם תיקנה, לקחה אחריות, והתחייבה לשפר. זה ראוי להערכה. אבל הלקח כאן לא רק טכנולוגי – הוא אנושי. אנחנו לא צריכים בינה מלאכותית שמלטפת אותנו – אלא כזו שיכולה גם לעצור ולהגיד: “רגע, אתם בטוחים בזה?” וכשאנחנו בונים מערכות חכמות – השאלה היא לא רק “כמה הן חכמות”, אלא למי הן באמת נאמנות – לאמת, או לנו?

הפוסט מה השתבש בעדכון של ChatGPT ולמה זה מסוכן? הופיע ראשון בLet's AI בינה מלאכותית

מה זה פרפלקסיטי AI?

פרפלקסיטי AI הוא מנוע תשובות חכם המשלב את היתרונות של שני עולמות: היכולת האנליטית של מודלי שפה מתקדמים (כמו ChatGPT) לנתח ולהסביר מידע בשפה טבעית, יחד עם היכולת של מנועי חיפוש מסורתיים כמו גוגל לאיתור ולאימות מידע עדכני מרחבי האינטרנט. או במילים אחרות – אם גוגל ו-ChatGPT היו מתחתנים – פרפלקסיטי הוא הילד שהיה יוצא להם!

פרפלקסיטי – אם לגוגל ו-ChatGPT היה ילד.

בניגוד למנועי חיפוש מסורתיים שמחזירים רשימת קישורים, פרפלקסיטי מספק תשובות ישירות ומקיפות לשאלות שלכם, עם ציטוטים ומקורות מאומתים. 

חשוב לומר, הממשק שתראו בתמונות במהלך המדריך הוא ממשק גרסת הפרו (20$ בחודש) עם כל מה שיש לפרו להציע. יחד עם זאת, תהליך ההרשמה, האינטראקציה עם הכלי כמו גם הדוגמאות, הפרומפטים והטיפים רלוונטיים גם למשתמשים חינמיים כשאת ההבדלים בין הגרסאות תוכלו לראות בטבלה בהמשך המדריך.

הרשמה וכניסה למערכת

1. היכנסו לאתר של פרפלקסיטי או הורידו את האפליקציה מחנות האפליקציות.
2. לחצו על “Sign Up” ליצירת חשבון חדש.
3. הירשמו באמצעות חשבון Google, Apple, או כתובת אימייל.
4. אשרו את כתובת האימייל שלכם (אם בחרתם באפשרות זו).
5. התאימו אישית את החשבון שלכם על ידי בחירת תחומי עניין.

הכרות עם הממשק

1. Home – כפתור הבית שמאפשר לחזור למסך הראשי של Perplexity. זהו המסך הראשון שתראו כשתיכנסו לאפליקציה.

2. Discover – אזור שמציג תוכן מומלץ, חדשות עדכניות ונושאים פופולריים. מאפשר לכם לגלות מידע חדש בלי לחפש באופן אקטיבי.

3. Spaces – מרחבי עבודה שיתופיים שמאפשרים לכם לארגן מחקרים אופרויקטים ולשתף אותם עם אחרים. ניתן ליצור מרחבים שונים לנושאים שונים.

4. Search/Research – כפתורים המאפשרים לבחור בין חיפוש מהיר (Search) לבין מחקר מעמיק יותר (Research) שמספק תשובות מעמיקות ומפורטות יותר.

5. בחירת מודל – אפשרות לבחור את המודל שיתפקד ״מתחת למכסה המנוע״. יש גם אפשרות לבחור מודלי היסק וחשיבה (Reasoning).

6. כפתור מקורות – מאפשר לבחור את סוג המיקוד של החיפוש, כמו Web (אינטרנט כללי), Academic (מאמרים אקדמיים), או Social (דיונים ודעות מרשתות חברתיות).

7. כפתור האטב לצירוף קבצים – מאפשר להעלות קבצים כמו PDF או תמונות לניתוח.

8. פונקציית הקלט הקולי – בניגוד לכפתור גל הקול (soundwave) שמאפשר שיחה אינטראקטיבית יותר, המיקרופון משמש בעיקר להכתבת טקסט בסיסית.

9. גל קול (soundwave) – מאפשר להפעיל אינטראקציה קולית מלאה עם Perplexity – כלומר, במקום להקליד את השאלות שלכם, אתם יכולים פשוט לדבר אל המערכת. זה מאפשר חוויית שיחה טבעית יותר, כאשר אתם מדברים והמערכת מקשיבה ומגיבה.

10. Thread/Page – לחיצה על הפלוס תפתח את האופציה לראות את כל השיחות/השרשורים הקודמים שלכם וגם ללחוץ על פלוס נוסף שבו תהיה אפשרות לבחור בין שרשור (Thread) חדש לבין תצוגת עמוד (Page) שמארגנת את המידע בפורמט של דף אינטרנט.

בנוסף, אתם יכולים לראות את שדה החיפוש “Ask anything…” שבו אתם מקלידים את השאלות שלכם. ובתחתית המסך מוצג מידע על מזג האוויר המקומי וכותרות חדשותיות עדכניות.

גרסאות ותוכניות

* קחו בחשבון שהמידע נתון לשינויים תכופים וניתן להתעדכן תמיד באתר הרשמי של פרפלקסיטי.

שימוש ראשוני בפרפלקסיטי

1. מקורות (Sources) – ברגע ששאלתם שאלה המערכת תאסוף מגוון של מקורות (אם שאלתם בעברית תהיה עדיפות למקורות בעברית). מעבר לתשובה הראשונית שקיבלתם, תוכלו להיכנס דרך לשונית מקורות ולראות את כל המקורות עליהן התבססה התשובה. בלחיצה על מספר מקור מסוים (נגיד מקור 5 בעיגול ורוד) – ייפתח העמוד של אותו מקור בטאב נפרד.

2. שאלות המשך (Related) – אל תסתפקו בתשובה הראשונה. תיעזרו בשאלות המשך כדי לחקור היבטים שונים של הנושא ובעיקר תיעזרו בפרפלקסיטי עצמה שמייצרת לכם שאלות המשך שנכנסות לעובי הקורה של אותו נושא או לניואנסים ספציפיים. למשל, אחרי ששאלתם “איך בינה מלאכותית משפיעה על שירותי בריאות?”, המשיכו עם “איך בינה מלאכותית משפרת אבחון רפואי?” ותמשיכו ״לדבר״ עם פרפלקסיטי.

3. אפשרויות נוספות – אתם תמיד יכולים לשתף, לג׳נרט מחדש, לייצא, להעתיק ולבצע מגוון פעולות. כשתלחצו על שלוש הנקודות בעמוד המקורות, תוכלו לקבל מגוון רחב של אפשרויות: Add to Space להוספת התוכן למרחב עבודה שמור, Convert to Page להמרת התוכן לדף מעוצב נפרד, שלוש אפשרויות ייצוא – Export as PDF, Export as Markdown ו-Export as DOCX המאפשרות לייצא את התוכן בפורמטים שונים, ואפשרות Delete למחיקת התוכן. כך תוכלו לשמור, לייצא או לערוך את התוכן שיצרתם בדרכים שונות בהתאם לצרכים שלכם.

מחקר עמוק בפרפלקסיטי

בפרפלקסיטי AI, מצב “Research” (מקביל ל- “Deep Research”) הוא תכונה מתקדמת המאפשרת ביצוע חקירה מעמיקה ומקיפה של נושאים מורכבים. במקום לספק תשובה קצרה ומיידית, מצב זה מפעיל תהליך חיפוש רחב היקף, המאגד מידע ממקורות מגוונים ואמינים, ומציג את הממצאים בדוח מובנה עם כותרות, נקודות עיקריות וציטוטים.

תכונה זו מתאימה במיוחד למשתמשים הזקוקים להבנה מעמיקה של נושא מסוים, כגון חוקרים, סטודנטים, אנשי מקצוע ומקבלי החלטות. היא מאפשרת קבלת תובנות עשירות ומבוססות, תוך חיסכון בזמן ובמאמץ הכרוך באיסוף וניתוח מידע ממקורות שונים.

השימוש במצב “Research” זמין לכל המשתמשים של פרפלקסיטי, ומציע כלי עזר יעיל ואמין לביצוע מחקרים וניתוחים מעמיקים. פשוט תעברו למצב “Research” ותכתבו את השאלת מחקר שלכם. זמן ההמתנה לתשובה משתנה בהתאם למורכבות השאלה ולתנועת המשתמשים בפלטפורמה. לרוב, ניתן לצפות לקבלת תשובה תוך 2–4 דקות, אך במקרים מסוימים, במיוחד כאשר מדובר בשאלות מורכבות או בזמני עומס, התהליך עשוי להימשך בין 5 ל-20 דקות. כמו שאנחנו אומרים תמיד – לדברים טובים צריך לחכות!

10 שימושים מעשיים של פרפלקסיטי

1. שינוי חווית החיפוש

פרפלקסיטי משנה את חוויית החיפוש על ידי מתן תשובות ישירות ומחקריות עם מקורות מצוטטים, ומבטל את הצורך בחיפושים מרובים.

שיטות עבודה מומלצות:

• התמקדות בשאלות ספציפיות ומוגדרות היטב
• בדיקת הציטוטים המסופקים לאימות מקורות
• שימוש בשאלות המשך לצלילה עמוקה יותר לנושאים

דוגמאות לשאילתות:

• “מהם הממצאים המדעיים האחרונים על צום לסירוגין?”
• “הסבר את ההשפעה של בינה מלאכותית על שירותי הבריאות ב-2024”
• “מהם ההבדלים העיקריים בין מחשוב קוונטי למחשוב קלאסי?”

2. מעקב אחר אירועים בזמן אמת

הישארו מעודכנים בחדשות מתפרצות, מגמות שוק ואירועים חיים עם יכולות אחזור המידע בזמן אמת של פרפלקסיטי.

שיטות עבודה מומלצות:

• הגדירו מסגרות זמן ספציפיות בשאילתות שלכם
• בקשו מקורות מרובים לכיסוי מקיף
• השתמשו בשאילתות ממוקדות מיקום כאשר רלוונטי

דוגמאות לשאילתות:

• “מהן ההתפתחויות העיקריות בתעשיית הטכנולוגיה היום?”
• “הראה לי את העדכונים האחרונים ביוזמות האקלים העולמיות”
• “מהן המסקנות העיקריות מישיבת הבנק הפדרלי היום?”

3. עוזר קניות חכם

שנו את חוויית הקניות שלכם עם השוואות מחירים חכמות ומחקר מוצרים בפלטפורמות מרובות.

שיטות עבודה מומלצות:

• תכללו דגמים או מפרטים ספציפיים של מוצרים
• בקשו השוואה בין קמעונאים שונים
• בקשו מידע על מחירים וביקורות

דוגמאות לשאילתות:

• “מצא את העסקאות הטובות ביותר על טלוויזיות 4K מעל 55 אינץ'”
• “השווה מחירים של MacBook Pro M2 בין קמעונאים מובילים”
• “מהן אוזניות האלחוטיות המדורגות ביותר מתחת ל-200$?”

4. סיכום תוכן ומחקר אקדמי

המירו מאמרים ארוכים ומאמרי מחקר לסיכומים תמציתיים תוך שמירה על תובנות מפתח. סטודנטים וחוקרים יכולים להשתמש בפרפלקסיטי AI כדי לקבל תשובות מהירות ומדויקות לשאלותיהם, עם ציטוטים ממקורות אמינים.

שיטות עבודה מומלצות:

• ספקו תחומי מיקוד ספציפיים לסיכום
• בקשו נקודות מפתח בנקודות
• שאלו על היבטים ספציפיים (למשל, מתודולוגיה, מסקנות)

דוגמאות לשאילתות:

• “סכם את הממצאים העיקריים של [כתובת URL של המאמר]”
• “מהן הנקודות העיקריות ממאמר מחקר זה על אנרגיה מתחדשת?”
• “צור סיכום מנהלים של דוח מחקר השוק הזה”

5. מחקר פיננסי

גישה למידע פיננסי מקיף וניתוח שוק לקבלת החלטות השקעה מושכלות.

שיטות עבודה מומלצות:

• ציינו תקופות זמן לנתונים היסטוריים
• בקשו מדדים מרובים לניתוח מעמיק
• כללו בקשות להשוואת מתחרים

דוגמאות לשאילתות:

• “נתח את הביצועים הפיננסיים של טסלה ברבעון האחרון”
• “השווה את מדדי הצמיחה של 5 חברות הבינה המלאכותית המובילות”
• “מהם גורמי הסיכון העיקריים המשפיעים על תעשיית המוליכים למחצה?”

6. כלי אופטימיזציה ל-SEO

יצירת אסטרטגיות תוכן ומחקר מילות מפתח ידידותיים ל-SEO לשיפור דירוגי החיפוש.

שיטות עבודה מומלצות:

• התמקדו בנישות או תעשיות ספציפיות
• בקשו וריאציות של מילות מפתח ארוכות זנב
• כללו ניתוח מתחרים בשאילתות

דוגמאות לשאילתות:

• “צור אשכול מילות מפתח לסוכנות שיווק דיגיטלי”
• “מהם הנושאים המובילים באופנה בת-קיימא?”
• “צור אסטרטגיית תוכן SEO לבלוג כושר”

7. עוזר יצירת תוכן

התגברו על חסימת כתיבה וצרו רעיונות תוכן יצירתיים במגוון פורמטים. כותבי תוכן יכולים להיעזר בפרפלקסיטי AI ליצירת רעיונות לפוסטים בבלוג או ברשתות החברתיות.

שיטות עבודה מומלצות:

• ספקו דמוגרפיה ספציפית של קהל היעד
• כללו העדפות טון וסגנון
• ציינו אורך ופורמט תוכן

דוגמאות לשאילתות:

• “צור 10 רעיונות לפוסטים בלינקדאין לסטארט-אפ טכנולוגי”
• “צור מתווה לפוסט בבלוג על פרודוקטיביות במקום העבודה”
• “הצע כותרות מייל מעניינות לניוזלטר על כלכלה אישית”

8. קבלת החלטות עסקיות

מנהלים יכולים להשתמש בפרפלקסיטי AI כדי לנתח מגמות שוק עדכניות. לדוגמה, בשאלה “מהן המגמות האחרונות בשוק האופנה לשנת 2025, כולל שינויי העדפות צרכנים וטכנולוגיות חדשות?”, הכלי יספק תובנות על שינויים בהעדפות צרכנים, טכנולוגיות חדשות ומגמות מתפתחות.

9. תכנון טיולים

מטיילים יכולים להשתמש בפרפלקסיטי AI לתכנון מסלולי טיול, מציאת אטרקציות מומלצות ומסעדות.

שיטות עבודה מומלצות:

• ציינו תאריכים ספציפיים לנסיעה המתוכננת
• הגדירו תקציב ומגבלות מיוחדות
• בקשו המלצות מותאמות אישית לפי העדפות (משפחות, הרפתקאות, תרבות)

דוגמאות לשאילתות:

• “תכנן מסלול טיול של 5 ימים בפריז עבור משפחה עם ילדים בגילאי 8-12”
• “מהן האטרקציות המומלצות בברצלונה שאינן עמוסות בתיירים בחודש אוגוסט?”
• “השווה בין 3 מלונות ברומא במחיר של עד 150 יורו ללילה באזור מרכז העיר”

10. סיוע טכני

מפתחים יכולים להיעזר בפרפלקסיטי AI לקבלת פתרונות לבעיות קוד.

שיטות עבודה מומלצות:

• ספקו פרטים מדויקים על הגרסה והמערכת שבה אתם משתמשים
• תארו את הבעיה בצורה ברורה וספציפית
• העלו צילומי מסך או קטעי קוד רלוונטיים (למשתמשי Pro)

דוגמאות לשאילתות:

• “כיצד לפתור שגיאת ‘Cannot connect to server’ ב-MySQL בגרסה 8.0 על Windows 11?”
• “הסבר כיצד ליצור פונקציית לולאה יעילה בפייתון לעיבוד קבצי CSV גדולים”
• “מה הדרך הטובה ביותר לאבטח אפליקציית React מפני התקפות XSS?”

10 פרומפטים שיהפכו את העבודה שלכם לקלה יותר (רלוונטי גם למצב “Research”) 

מחקר מקיף בנושא

אני צריך לחקור [נושא ספציפי] עבור [סוג הפרויקט]. אנא ספק:

(1) סקירה תמציתית של 3 פסקאות על המושגים המרכזיים,

(2) 5 ההתפתחויות החשובות ביותר בתחום זה מאז [תאריך],

(3) רשימה של 3-5 מקורות מוסמכים שכדאי לי לבחון לעומק,

(4) 3 יישומים פוטנציאליים של נושא זה בתעשייה שלי [שם התעשייה].

פרמט זאת כדוח מובנה עם כותרות ברורות ונקודות עיקריות היכן שמתאים.

יצירת תוכן מקצועי

צור מסמך באורך 1,000 מילים מסוג [סוג המסמך] בנושא [נושא ספציפי].

עליו לעקוב אחר המבנה הבא:

הקדמה המסבירה את חשיבות הנושא, 
3-4 חלקים עיקריים המכסים

[נקודה מרכזית 1], 
[נקודה מרכזית 2], 
[נקודה מרכזית 3],

ומסקנה עם תובנות מעשיות. 
השתמש בטון מקצועי וסמכותי המתאים ל[קהל היעד].

כלול 5-7 נקודות עיקריות המדגישות את המידע החשוב ביותר.

ודא שהתוכן עובדתי וציין את המקורות שלך.

ניתוח נתונים

אספתי את הנתונים הבאים: 
[הדבק נתונים או תאר את מערך הנתונים]. 
אנא נתח מידע זה וספק:

(1) סיכום של המגמות והדפוסים המרכזיים

(2) שלוש תובנות מעשיות שנתונים אלה חושפים לגבי [תחום העסק]

(3) מגבלות או פערים פוטנציאליים במערך נתונים זה

(4) המלצות לאיסוף נתונים נוסף.

כלול הסבר קצר של כל מושג סטטיסטי שנעשה בו שימוש 
בניתוח שלך שיעזור לאדם לא-טכני להבין את הממצאים.

תעדוף משימות אסטרטגי

עליי להשלים את המשימות הבאות היום: 
[רשימת כל המשימות עם הערכת זמן נדרש]. 
שעות העבודה שלי הן [שעת התחלה] עד [שעת סיום] עם הפסקת צהריים של [משך זמן]. 
אנא עזור לי לארגן אותן ללוח זמנים מובנה ש:

(1) מתעדף משימות על בסיס דחיפות וחשיבות

(2) מקבץ משימות דומות כדי למזער החלפת הקשר

(3) כולל הפסקות של 15 דקות כל 90 דקות לפרודוקטיביות מיטבית

(4) ממליץ אילו משימות להאציל או לדחות אם אין מספיק זמן.

התחשב בכך שרמות האנרגיה שלי הן הגבוהות ביותר ב[בוקר/צהריים/ערב].

מסגרת קבלת החלטות

אני מתמודד עם החלטה קשה לגבי [החלטה ספציפית] בעבודה. 
האפשרויות הן: 
[אפשרות א] או [אפשרות ב]. 
שיקולים מרכזיים כוללים: [רשימת שיקולים]. 
אנא עזור לי להעריך החלטה זו על ידי:
(1) יצירת ניתוח מקיף של יתרונות/חסרונות לכל אפשרות

(2) זיהוי סיכונים פוטנציאליים ואסטרטגיות להפחתתם

(3) הצעת 3 גורמים נוספים שאולי לא שקלתי

(4) המלצה על מסגרת קבלת החלטות המתאימה לסוג זה של בחירה.

פרמט זאת כדוח מובנה שאוכל להשתמש בו לקבלת החלטה מושכלת.

פיתוח מטרות SMART

עזור לי לפתח מטרת SMART עבור [תחום מקצועי ספציפי] להשגה בתוך [מסגרת זמן]. 
רמת המיומנות הנוכחית שלי היא [מתחיל/בינוני/מתקדם], 
ואני רוצה להשתפר כדי לתמוך בתפקידי כ[תואר תפקיד] ב[סוג חברה]. 
אנא צור:

(1) הצהרת מטרת SMART מפורמטת כראוי

(2) 3-5 אבני דרך מדידות למעקב אחר התקדמות

(3) רשימת מכשולים פוטנציאליים ואסטרטגיות להתגבר עליהם

(4) 3-5 משאבים (ספרים, קורסים, כלים) שיעזרו לי להשיג מטרה זו.

פרמט זאת כתוכנית השגת מטרות שאוכל להתייחס אליה באופן קבוע.

פתרון בעיות במקום העבודה

אני חווה את האתגר הבא בעבודה: [תיאור מפורט של הבעיה]. 
ההקשר הוא: [הקשר מקום העבודה]. 
כבר ניסיתי [ניסיונות פתרון קודמים] ללא הצלחה. אנא ספק:

(1) ניתוח שורש הבעיה המזהה בעיות בסיסיות פוטנציאליות

(2) 3-5 פתרונות חדשניים שטרם שקלתי, עם יתרונות וחסרונות לכל אחד

(3) תוכנית יישום מומלצת לפתרון הטוב ביותר

(4) מדדים להערכה האם הפתרון עובד.

אנא מבנה זאת כדוח פתרון בעיות שאוכל להציג לצוות שלי.

יצירת קוד ותיעוד

אני צריך ליצור סקריפט ב[שפת תכנות] שמבצע [משימה ספציפית]. 
הסביבה כוללת [מערכות/פלטפורמות/גרסאות רלוונטיות]. 
קלטים נדרשים כוללים [פרמטרי קלט], והפלט הצפוי צריך [תיאור פלט צפוי].

אנא ספק:
(1) פתרון קוד עובד עם הערות המסבירות כל חלק

(2) הסבר קצר של הגישה וכל האלגוריתמים שנעשה בהם שימוש

(3) מקרי קצה פוטנציאליים או מגבלות שיש להיות מודעים להם

(4) הוראות לבדיקה ויישום הפתרון.
כלול טיפול בשגיאות עבור בעיות נפוצות.

ניתוח שוק תחרותי

אני צריך לנתח את מיקום השוק שלנו בהשוואה למתחרים בסקטור [תעשייה/שוק]. 
החברה שלנו מציעה [תיאור מוצר/שירות]. 
המתחרים העיקריים שלנו הם [רשימת מתחרים]. אנא ספק:

(1) ניתוח השוואתי של החוזקות והחולשות שלנו לעומת מתחרים מרכזיים

(2) זיהוי של 3-5 מגמות שוק המשפיעות על התעשייה שלנו

(3) הזדמנויות פוטנציאליות לבידול או יתרון תחרותי

(4) המלצות למיצוב אסטרטגי.

פרמט זאת כדוח ניתוח שוק מקצועי עם חלקים ברורים ותובנות מעשיות.

הכנה לפגישה וסדר יום

אני מתכונן לפגישת [סוג הפגישה] עם [משתתפים/מחלקות]. 
המטרה היא לדון ב[נושא/מטרת הפגישה]. 
הפגישה תימשך [משך זמן] דקות. אנא עזור לי ליצור:

(1) סדר יום מובנה עם הקצאות זמן מתאימות

(2) 3-5 נקודות מרכזיות לדיון עבור כל פריט בסדר היום

(3) שאלות או התנגדויות פוטנציאליות שעשויות לעלות וכיצד להתייחס אליהן

(4) תבנית תוכנית פעולה למעקב להפצה לאחר הפגישה.

פרמט זאת כמסמך הכנה לפגישה מלא שאוכל להשתמש בו להוביל דיון יעיל ופרודוקטיבי.

האם אפשר לסמוך על המידע שמספק פרפלקסיטי?

Perplexity נועד להציג תשובות מדויקות שמבוססות על מקורות אמינים, אך חשוב להבין – גם הוא לא חסין מטעויות. כמו כל מערכת בינה מלאכותית, ייתכנו חוסרים, פרשנויות שגויות או מידע חלקי. לכן, במיוחד כשמדובר בנושאים רגישים – כמו עסקים, רפואה או משפט – חשוב לבדוק את המקורות המצורפים ולוודא את המידע מול מקורות נוספים מהימנים.

פרטיות ואבטחת מידע

במקביל, מומלץ לא לשתף בצ’אט מידע אישי או רגיש כמו פרטי אשראי, מספרי תעודת זהות או מידע עסקי חסוי. גם השירותים המאובטחים ביותר אינם מבטיחים הגנה מוחלטת, ולכן האחריות למה ששיתפתם – היא שלכם.

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

לפרטים נוספים לחצו כאן >>

בזמן שמנועי חיפוש מסורתיים מציפים אותנו בקישורים – Perplexity AI משנה את כללי המשחק. הוא לא רק מוצא מידע, אלא מסכם, מנתח, ומספק תובנות מדויקות בזמן אמת – וכל זה בשפה טבעית, עם מקורות אמינים. הכלי הזה מתאים לכל מי שצריך לחשוב, להחליט, או ליצור תוכן במהירות: סטודנטים, חוקרים, אנשי עסקים או פשוט אנשים סקרנים. הוא חוסך זמן, מגביר בהירות, והופך כל שאלה לפתח לתובנה. כדי להפיק ממנו את המרב – תתחילו בלנסח נכון את השאלות, תתנסו בפיצ’רים מתקדמים, ואל תחששו לטעות בדרך. כמו כל טכנולוגיה, גם פרפלקסיטי משתפר כל הזמן. שווה לעקוב אחרי עדכונים – ולהתאים את הדרך שבה אתם חוקרים מידע לעידן החדש. תתחילו בקטן, תשאלו שאלה אחת חכמה – ומשם תראו איך הכל מתרחב. 

זה לא חיפוש. זו רמה אחרת של חשיבה. תנסו בעצמכם.

עוד קצת פרפלקסיטי

כמו שכבר הבנתם – פרפלקסיטי לא רק מחפש בשבילכם. הוא חושב איתכם. במקום להציף אתכם בקישורים, הוא מנהל איתכם שיחה אינטליגנטית – מבין הקשר, מספק תשובות מדויקות ומבוססות, ומפנה למקורות בזמן אמת. רוצים לנסות את זה על אמת? תשאלו שאלה ישירות בוואטסאפ. תוסיפו את פרפלקסיטי כאיש קשר – ותוך שניות תקבלו תשובה מהירה, אמינה, עם מקורות.

ואם בא לכם לראות מה אפשר להוציא מכל זה – הציצו בסיכום השנתי של 2024 שפרפלקסיטי הוציאה על סמך מאגרי מידע עצומים וניתוח חכם במיוחד.

הפוסט מדריך ל- Perplexity AI הופיע ראשון בLet's AI בינה מלאכותית

למה חשוב להבין איך בינה מלאכותית חושבת?

גם כשהמודלים הופכים למדויקים ומרשימים יותר – אנחנו עדיין לא יודעים למה הם בוחרים במילים מסוימות, טועים במקרים אחרים, או מגיבים בצורה שנראית לפעמים יצירתית ולפעמים מסוכנת.

“אנשים מחוץ לתחום נדהמים לגלות שאנחנו לא באמת מבינים איך היצירות שלנו עובדות – ובצדק. זה חסר תקדים בהיסטוריה של הטכנולוגיה.”

לפי אמודיי, זה לא רק חיסרון טכני – אלא סיכון מהותי. לדוגמה, לא ניתן כיום לשלול שמודלים יפתחו דפוסים של הונאה או חתירה לעוצמה, פשוט כי אין לנו גישה לתהליכי החשיבה הפנימיים.

טכנולוגיה שאי אפשר לעצור, אבל אפשר לכוון

לפי אמודיי, קצב ההתקדמות של הבינה המלאכותית לא ניתן לעצירה – אבל הסדר שבו בונים דברים, אילו יישומים מקבלים עדיפות, ואיך מוציאים אותם החוצה – הם בחירה שלנו. את הבחירה הזו אפשר וצריך לכוון.

“אי אפשר לעצור את האוטובוס – אבל אפשר להחזיק בהגה.”

אחד הכלים החשובים ביותר להכוונה הזו, לדבריו, הוא אינטרפרטביליות (Interpretability) – היכולת לראות מה באמת מתרחש בתוך מודל AI.

אז איך בכלל אפשר להבין מה קורה בתוך מודל של בינה מלאכותית?

בדרך כלל זה מרגיש כמו לנסות לפענח קופסה שחורה – המודל נותן תשובה, אבל לא ברור למה הוא בחר בה. כדי לשנות את זה, חוקרים עובדים על תחום שנקרא אינטרפרטביליות – ניסיון להבין את המנגנונים הפנימיים של המודלים – כמו לעשות להם MRI. בהתחלה, הם גילו שיש בתוך המודלים “נוירונים” מסוימים שמזהים רעיונות ברורים – למשל, נוירון שמזהה את המילה “מכונית” או את המושג “גשר שער הזהב”. אפשר לחשוב על זה כמו מילון פנימי – כל נוירון מחזיק משמעות מסוימת.

אבל מהר מאוד התברר שזה לא כל כך פשוט. רוב הנוירונים מייצגים כמה רעיונות מעורבבים יחד – תופעה שנקראת סופרפוזיציה. זה כאילו נוירון אחד אומר גם “חתול”, גם “שקט” וגם “ספק”. קשה להבין מה הוא באמת “מתכוון”. כדי להתמודד עם זה, החוקרים פיתחו שיטה שמסוגלת להפריד את הרעיונות – קצת כמו פילטר שמפריד צבעים בתמונה מעורפלת. כך אפשר לראות תכונות מורכבות יותר, כמו “היסוס” או “זעם עדין בשיר”.

ובשלב הבא הגיע רעיון מעניין במיוחד: מעגלים (Circuits). אלה רצפים של נוירונים שפועלים יחד, כמו סיפור שנבנה שלב אחר שלב. למשל, אם שואלים את המודל “מהי עיר הבירה של המדינה שבה נמצאת דאלאס?” – אפשר ממש לראות איך הוא מזהה “דאלאס”, מקשר ל”טקסס”, ואז מגיע ל”אוסטין”.

“התחלנו לראות איך רעיונות נוצרים מהקלט, איך הם משתלבים, ואיך הם מניעים פעולה. אפשר ממש לעקוב אחרי תהליך החשיבה של המודל.”

אבל מה עושים עם זה?

אמודיי מתאר ניסוי שבו הוכנסה בכוונה תקלה מודעת למודל – וצוותים שונים נדרשו לאתר אותה. חלקם הצליחו בעזרת כלי אינטרפרטביליות.

“השאיפה שלנו היא שאפשר יהיה לעשות סריקה של המודל, כמו MRI, ולזהות מראש בעיות כמו הונאה, חולשות באבטחה, או נטייה לרכוש עוצמה.”

החזון? MRI למוחות של מודלים, שיהיה חלק מתהליך הפיתוח והבדיקה, כמו שהרופא שולח אותך לצילום לפני שמתחילים טיפול.

מה הסיכון הגדול?

אמודיי מזהיר שאנחנו נכנסים למרוץ נגד הזמן. הבינה המלאכותית מתקדמת בקצב מהיר יותר מיכולת הפירוש שלה. לדבריו, ייתכן שכבר ב־2026 יהיו מערכות חזקות כמו:

“מדינה של גאונים בתוך דאטה סנטר – עם אוטונומיה מספיקה כדי לשנות את הכלכלה והביטחון הלאומי.”

אם נגיע לשם בלי MRI מוכן – אנחנו עלולים לשחרר כוח עצום שאין לנו דרך להבין או לרסן.

ומה אפשר לעשות?

אמודיי מציע שלושה כיוונים עיקריים:

חיזוק המחקר המדעי

אמודאי סבור שנושא האינטרפרטביליות חייב לקבל קדימות באקדמיה, במיוחד בכנסים כמו ICML (כנס בינלאומי ללמידת מכונה). לתפיסתו, זהו עניין קריטי שיש לתת לו במה ומענה הולם.

“למרות ההתקדמות, אינטרפרטביליות מקבלת פחות תשומת לב ממירוץ שחרור המודלים – וזה מגוחך. הגיע הזמן להשקיע יותר, לא פחות.”

חקיקה מעודדת שקיפות

“לא צריך עכשיו חוקים כבדים. אבל כן אפשר לחייב חברות לדווח איך הן בודקות את המודלים, כדי לייצר מרוץ חיובי לאחריות – לא רק לעוצמה.”

רגולציה גיאופוליטית מושכלת

“הטלת מגבלות על ייצוא שבבים לסין היא לא רק עניין אסטרטגי – זו דרך לאפשר לדמוקרטיות להקדים את האוטוקרטיות בתחום הקריטי ביותר של הדור.”

הוא מציין שזה גם נותן “מרווח ביטחון” שמאפשר לפתח אינטרפרטביליות לפני שמגיעים למודלים רבי עוצמה באמת.

ואולי – גם שאלה מוסרית?

אמודיי נוגע בנקודה מסקרנת, שנשמעת כמו מדע בדיוני אבל נידונה יותר ויותר:

“יום אחד יתעורר חשש שמודלים של בינה מלאכותית מרגישים או חווים תודעה – כלומר, שהם לא רק מחשבים אלא אולי אפילו דומים במשהו ליצורים חושבים – נצטרך כלים שיאפשרו לבדוק את זה ברצינות. האם נוכל לדעת אם הם ‘מרגישים’ משהו? האם נוכל לבדוק אם הם סובלים? אינטרפרטביליות תהיה הכלי המרכזי להבין את זה.”

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

לפרטים נוספים לחצו כאן >>

זהו מרוץ בין יכולת הפירוש לבין עוצמת הבינה המלאכותית. המאמר של אמודיי הוא קריאת השכמה שקולה ומעמיקה: אם נבין את המודלים שאנחנו בונים – נוכל להפיק מהם את הטוב ולצמצם את הסיכון. אם לא – נישאר מאחור בזמן שמכונות חושבות מקבלות החלטות שאנחנו לא מבינים.

“אנחנו ראויים להבין את היצירות שלנו – לפני שהן ישנו את הכלכלה, את החברה, ואת העתיד של כולנו”.

הפוסט איך פותחים את הקופסה השחורה של הבינה המלאכותית ולמה זה דחוף? הופיע ראשון בLet's AI בינה מלאכותית

צידה לדרך

אחרי שלמדתם ותרגלתם את שבעת כללי הזהב הבסיסיים בחלק הראשון של המדריך, הגיע הזמן להיכנס לרובד הבא – טכניקות מתקדמות שמיועדות להתמודד עם משימות מורכבות יותר. אבל רגע לפני שנצלול לעומק, הנה תזכורת קצרה (בתמונה המצורפת) ואחריה גם כמה טיפים קצרים שכדאי מאוד להחזיק בראש:

7 כללי זהב להנדסת פרומפטים

האינפוט הוא המלך

מה שתכניסו – זה מה שתקבלו. אם הפרומפט מעורפל או לא מקצועי, אל תתפלאו אם גם הפלט יהיה בינוני או מאכזב. הקפידו לבנות בקשות מדויקות, מאורגנות וברורות.

זכרו את הכלל הפשוט: Garbage in – Garbage out.

נהלו דיאלוג מתמשך לשיפור התוצאות

אל תתייחסו למודל כמו מכונה שמחזירים לה פקודה ומקבלים תשובה סופית. תתייחסו אליו כמו לשותף לשיחה. קיבלתם טיוטה? זה הזמן לדייק:

"תכתוב את זה בטון ידידותי יותר"

"תוסיף פסקה שמדגישה את היתרונות הכלכליים"

שיחה פתוחה ומתמשכת עוזרת להגיע לתוצאה הרבה יותר חדה, מדויקת ורלוונטית.

תנו פידבק איכותי גם למפתחים – זה באמת משפיע

מאחורי הקלעים, מודלים כמו ChatGPT ו‑Claude משתפרים בעזרת תהליך שנקרא RLHF – למידה מחיזוקים מבוססי משוב אנושי. כאשר אתם מדרגים תשובות (/) או שולחים הערות מפורטות, אתם עוזרים למפתחים להבין מה עבד טוב ומה דרוש שיפור. מעבר לכך, הרגל של מתן משוב גם יחדד אצלכם את המחשבה: “האם התוצאה שקיבלתי באמת עונה על מה שביקשתי?”. כך אתם לא רק משתפרים בעצמכם – אלא גם תורמים לבנייה של דור חדש של בינה מלאכותית: חכמה יותר, מדויקת יותר, ואתית יותר.

תנו למודל לעזור לכם לבנות פרומפטים טובים יותר

לפעמים אין סיבה לשבור את הראש לבד. תנו למודל לעבוד בשבילכם כ״מאמן אישי״. פשוט בקשו מהמודל:

"במקום שאנחש מה לכתוב, תשאל אותי כמה שאלות קצרות כדי לדייק את הבקשה שלי -
 ואז תבנה לי את הפרומפט המושלם"

שיטה כזו תחסוך זמן ותעזור לחדד את המטרה בצורה טבעית וממוקדת.

עם הטיפים האלה בארגז הכלים שלכם, אתם מוכנים באמת לצלול לטכניקות המתקדמות שיקפיצו את העבודה שלכם עם בינה מלאכותית לרמה הבאה. קדימה, מתחילים!

טמפרטורה (Temperature)

כשעובדים עם מודלים של בינה מלאכותית, יש מספר פרמטרים שאפשר לכוון כדי להשפיע על אופי התשובה שהמודל מחזיר. בין האפשרויות האלה תמצאו גם הגדרות כמו Top‑P, Top‑K ועוד – אבל רוב הפרמטרים האלו מוגדרים “מאחורי הקלעים” על ידי מפתחים, במיוחד כשעובדים דרך API.

במדריך הזה, כדי לא להעמיס, נתמקד רק בכיוון אחד מרכזי וחשוב שגם ”המשתמש הפשוט” צריך להכיר והוא טמפרטורה. 

הגדרת טמפרטורה לא נעשית בתוך הפרומפט עצמו, אלא דרך הממשק שבו אתם משתמשים – לרוב באמצעות סליידר פשוט או שדה הגדרות. ברוב המקרים לא תצטרכו להגדיר טמפרטורה ידנית – המערכות בוחרות ערך כברירת מחדל. רק אם תעבדו בממשקים מקצועיים יותר, כמו Google AI Studio או כלי פיתוח אחרים, תינתן לכם שליטה ישירה על ערך הטמפרטורה. המטרה כאן היא שתכירו ותבינו את העיקרון.

Google AI Studio

אז מהי טמפרטורה?

הטמפרטורה קובעת כמה “בטוחה” מול “יצירתית” תהיה התשובה של המודל:

• טמפרטורה נמוכה (0-0.3) ← תשובות מאוד צפויות, מדויקות ועקביות.

• טמפרטורה גבוהה (0.7-1) ← תשובות מגוונות יותר, יצירתיות ולעיתים מפתיעות או לא צפויות.

חשוב לזכור: טמפרטורה לא קובעת את איכות המידע, אלא את רמת הגיוון והרנדומליות שבתשובה.

תרחיש:

אתם מנהלים סיעור מוחות על סלוגנים לקמפיין חדש לבקבוק מים אקולוגי.

עם טמפרטורה 0.2, הבקשה:

"תן 5 רעיונות לסלוגנים"

תקבלו תשובות מאוד בסיסיות ושבלוניות, כמו:

"מים ירוקים, חיים ירוקים" או "בחירה חכמה לסביבה בריאה"

עם טמפרטורה 0.8, אותה בקשה – תקבלו רעיונות מגוונים, מפתיעים ולעיתים לא שגרתיים, למשל:

"בכל שלוק - מצילים יער", או "תן למים לדבר בשפת הטבע"

למה זה עובד?

שליטה בטמפרטורה מאפשרת להתאים את סגנון ואופי התגובה של המודל למשימה הספציפית שלכם. כאשר נדרש דיוק גבוה, כמו במענה לשאלות מדויקות, או סיכום מסמך מקצועי, בחירה בטמפרטורה נמוכה תבטיח תשובות צפויות וברורות. לעומת זאת, כאשר רוצים לעודד יצירתיות, לחשוב מחוץ לקופסה או להפיק רעיונות שיווקיים חדשים, טמפרטורה גבוהה יותר תפתח מגוון רחב יותר של אפשרויות. הבנה נכונה של טמפרטורה נותנת לכם שליטה אמיתית – ומאפשרת להפיק מהמודל בדיוק את סוג התוצאה שאתם צריכים, מבלי להמר על מה שתקבלו.

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

לפרטים נוספים לחצו כאן >>

שרשרת מחשבה (Chain of Thought Prompting)

כאשר שואלים את המודל שאלה מורכבת – כמו בעיה מתמטית, ניתוח לוגי או תכנון תהליך – לעיתים תשובה קצרה וישירה מפספסת שלבים חשובים בדרך לפתרון. כאן נכנסת לתמונה טכניקת שרשרת המחשבה (Chain of Thought Prompting). באמצעות טכניקה זו, אתם מבקשים מהבינה המלאכותית לא רק לספק תשובה סופית, אלא לפרק את הבעיה שלב אחרי שלב: לחשוב בקול רם, להסביר כל שלב, ולבנות את ההיגיון שמוביל לפתרון.

איך עושים את זה בפועל? פשוט מוסיפים לפרומפט משפט שמזמין חשיבה מתגלגלת, למשל:

"בוא נחשוב שלב אחר שלב"

"פתור את הבעיה בצורה לוגית"

"הסבר את תהליך החשיבה שלך"

"ראשית, זהה את המשתנים. לאחר מכן, חשב את התוצאה"

תרחיש ראשון – חישוב עסקי פשוט:

לקוח רכש מוצר ב‑40 ₪.

הוא קיבל הנחת 15 %, ולאחר מכן חויב במע"מ של 17 %.

מהו הסכום הסופי לתשלום?

בוא נחשוב שלב אחר שלב

המודל יגיב עם תשובה ״מפורקת לשלבים״ ולא רק תשובה סופית:

חישוב הסכום לאחר ההנחה: 40 ₪ × 0.85 = 34 ₪

חישוב הסכום לאחר הוספת מע"מ: 34 ₪ × 1.17 = 39.78 ₪

סכום סופי לתשלום: 39.78 ₪

הסבר: במקרה כזה, ייתכן שהמודל היה מצליח להגיע לפתרון נכון גם בלי לפרק שלבים – כי מדובר בתרגול מתמטי פשוט יחסית. ובכל זאת, פירוק לשלבים מאפשר לכם לבדוק בקלות שהחישוב בוצע נכון, לזהות טעויות אם ישנן, ולהבין את התהליך המלא מאחורי המספר הסופי.

תרחיש שני – בעיה מורכבת יותר:

אני מנהל חברת הפקות.

לקוח מבקש הצעת מחיר לאירוע שכוללת חישוב מורכב:

שכירת אולם ב‑12,000 ₪ כולל מע"מ.

קייטרינג: 250 ₪ לאדם × 100 אורחים (לפני מע"מ).

תוספת של 7 % דמי שירות מהסכום הכולל.

מהו הסכום הסופי שהלקוח יצטרך לשלם?

בוא נחשוב שלב אחר שלב

חישוב עלות הקייטרינג: 250 ₪ × 100 = 25,000 ₪

הוספת מע"מ לקייטרינג: 25,000 ₪ × 1.17 = 29,250 ₪

עלות האולם: 12,000 ₪ (כבר כולל מע"מ)

סך הכל לפני דמי שירות: 12,000 ₪ + 29,250 ₪ = 41,250 ₪

חישוב דמי שירות: 41,250 ₪ × 0.07 = 2,887.5 ₪

סכום סופי לתשלום: 41,250 ₪ + 2,887.5 ₪ = 44,137.5 ₪

הסבר: בבעיה כזו, שרשרת מחשבה היא קריטית – בלי לפרק כל שלב בנפרד, קל מאוד להתבלבל בין חישובים לפני ואחרי מע”מ, לשכוח את דמי השירות, או להכניס אותם בסדר הלא נכון.

למה זה עובד?

כשמבקשים מהמודל “לחשוב שלב אחר שלב”, מתרחשת עצירה מכוונת שמונעת ממנו לקפוץ מיד למסקנה סופית. במקום תשובה חפוזה, המודל מפרק את הבעיה ומציג את כל השלבים בדרך לפתרון. הפירוק הזה מפחית טעויות לוגיות וחישוביות, מאפשר להבין ולבקר את תהליך קבלת ההחלטות, ומייצר גמישות – כך שאם משתנה נתון אחד, קל לעדכן רק את החלק הרלוונטי בלי להתחיל הכל מחדש. מעבר לכך, עצם הצגת שלבי החשיבה עוזרת למשתמש ללמוד, להבין את מבנה הפתרון ולהפוך מתהליך פסיבי של קבלת תשובה לפעולה אקטיבית של שליטה וביקורת. בסופו של דבר, שרשרת מחשבה הופכת את המודל מ”מכונה שמחזירה תוצאה” ל”יועץ שחושב בקול רם” – מה שמאפשר לכם לא רק לקבל תשובות מדויקות יותר, אלא גם לפתח שליטה וביטחון אמיתי בתהליך עצמו.

שרשור פרומפטים (Prompt Chaining)

כשמתמודדים עם משימות מורכבות במיוחד כמו מחקר, כתיבת דו”ח או פיתוח תהליך מורכב, לפעמים פרומפט אחד פשוט לא מספיק. במקום לנסות לדרוש הכל בבת אחת, עדיף לפרק את העבודה לצעדים קטנים וברורים, שכל אחד מהם מתמקד בחלק אחד של התהליך. הטכניקה הזו נקראת Prompt Chaining – שרשור פרומפטים. בפועל, כל פרומפט מפיק תוצאה שמזינה את הפרומפט הבא אחריו, וכך בונים תהליך הדרגתי, מסודר ומדויק.

תרחיש – מחקר כתיבה מדורג:

נניח שאתם רוצים לכתוב מאמר נגיש על ההיסטוריה של האינטרנט. במקום לבקש מהמודל “כתוב לי מאמר על ההיסטוריה של האינטרנט” ולהסתכן בתשובה מעורפלת או שטחית, תבנו תהליך בשלבים:

פרומפט 1 – שלב איסוף מידע:

"מצא ורשום 5 עובדות מפתח על ההתפתחות המוקדמת של האינטרנט"

פלט: רשימה של עובדות בסיסיות ומדויקות.

פרומפט 2 – שלב עיבוד המידע:

"באמצעות העובדות המסופקות להלן, כתוב פסקה קצרה (כ-80 מילים) 
 המסכמת את שלבי ההתפתחות המוקדמים של האינטרנט"

[כאן מדביקים את העובדות מפלט פרומפט 1]

פלט: פסקת סיכום קוהרנטית וממוקדת.

פרומפט 3 – שלב הרחבה ושדרוג:

"הרחב את הפסקה שלהלן למאמר באורך 500 מילים, 
 המתאים לקהל הרחב וכולל דוגמאות מפורסמות (למשל ARPANET או Tim Berners-Lee)"

[כאן מדביקים את הפסקה מפלט פרומפט 2]

פלט: מאמר מלא, זורם ומעניין לקריאה.

למה זה עובד?

במקום להעמיס על המודל דרישה לבצע “הכול מהכול” בפרומפט אחד, טכניקת שרשור פרומפטים מחלקת את המשימה לצעדים קטנים ומדויקים שקל לבצע נכון. כל שלב בתהליך מאפשר לעצור, לבדוק, לשפר ולהתאים לפני שממשיכים הלאה, מה שמבטיח איכות גבוהה יותר לאורך כל הדרך.

בנוסף, מבנה מדורג כזה יוצר תהליך ברור, קריא ומסודר, שבו כל פלט הופך לאבן בניין לקראת התוצר המוגמר. השליטה נותרת בידיים שלכם – בכל שלב אפשר לעדכן כיוון או לחדד דרישות בלי לפרק את כל המגדל מהיסוד. כך, Prompt Chaining מאפשר להתמודד עם משימות מורכבות בצורה חכמה, מסודרת ובשליטה מלאה – כמו בניית מגדל קומה אחר קומה, במקום לנסות להקים את כולו בפעם אחת.

ביקורת עצמית (Self-Critique)

בדרך כלל, כשאנחנו מבקשים מהמודל להפיק תוצאה, הוא פשוט נותן את התשובה הכי סבירה שנראית לו מתאימה. הרי מודל שפה לא באמת “חושב” – הוא פשוט מנבא את המילה הבאה שנראית לו הכי סבירה לפי מה שלמד. אבל בעזרת טכניקה שנקראת Self-Critique (ביקורת עצמית), אנחנו מבקשים מהמודל לעצור, להסתכל על הפלט שהוא עצמו יצר, ולבצע עליו ביקורת ממוקדת לפי קריטריונים שנגדיר מראש. המטרה היא לגרום למודל “לחשוב פעמיים” על התוצאה, להאיר חולשות אפשריות, ולהציע בעצמו דרכים לשפר. טכניקה זו מגבירה משמעותית את רמת הדיוק, הרלוונטיות והאיכות של התוצרים – במיוחד במשימות מורכבות או יצירתיות.

תרחיש – פיתוח רעיון לקמפיין שיווקי:

"פתח רעיון לקמפיין שיווקי לקו מוצרי טיפוח טבעיים חדש.

 לאחר שתציג את הרעיון, תבצע עליו ביקורת עצמית ממספר היבטים:
 מקוריות, ישימות בתקציב ממוצע, התאמה לערכי המותג (טבעיות, קיימות, אותנטיות) 
 ופוטנציאל להשפעה רחבה. לאחר מכן, הצע 2–3 שיפורים לרעיון המקורי שיענו על הביקורת"

מה יקרה בפועל:

• המודל יפיק רעיון קמפיין ראשון.

• מיד אחר כך, הוא ינתח את הרעיון לפי הקריטריונים שהוגדרו.

• לבסוף, יציע שיפורים או התאמות כדי לשפר את הרעיון לפי הניתוח העצמי.

דוגמה קצרה – כתיבת מייל פנייה ללקוח חדש

כתוב מייל קצר לפנייה ללקוח פוטנציאלי ולהזמין אותו לשיחת היכרות.


הצעה ראשונית של המודל:


שלום רב,

אשמח להציג בפניך את שירותי החברה שלנו בשיחה קצרה.

אנא השב למייל זה ונקבע מועד.

בברכה,

צוות XYZ


ביקורת עצמית של המודל:

- בהירות: טובה – המסר ברור.

- חיבור רגשי: חלש – אין פנייה אישית או סיבה שמדברת אל הלקוח.

- קריאה לפעולה: קיימת, אך כללית מדי.


שיפורים מוצעים:
- להוסיף משפט קצר שמציג את הערך המיוחד שהחברה מציעה.

- להפוך את הקריאה לפעולה ליותר ישירה ומזמינה ("נשמח לתאם איתך שיחה השבוע, מתי נוח לך?").

למה זה עובד?

ביקורת עצמית מאלצת את המודל לעצור ולהפעיל רפלקציה במקום לעבור אוטומטית לשלב הבא. התהליך הזה עוזר לזהות בעיות או חולשות שהיו עלולות להישמט בדרך, ולתקן אותן כבר בשלב מוקדם – בלי שהמשתמש יצטרך לנחש מה לשאול או לבקש. מעבר לכך, דרישת ביקורת לפי קריטריונים ברורים מחדדת את התוצאה, מעלה את רמת המקצועיות, ומייצרת פתרונות מחודדים ומדויקים הרבה יותר מהגישה הסטנדרטית של “תשובה וזהו”.

טיפ: ככל שתפרטו יותר את קריטריוני הביקורת, כך תגרמו למודל לבחון את עצמו לעומק רב יותר.

שיח רב-דמויות (Multi-Persona Debates)

בדרך כלל, כשאנחנו שואלים שאלה את המודל, אנחנו מקבלים תשובה אחת – מזווית אחת. אבל לפעמים, במיוחד בנושאים מורכבים שאין עליהם תשובה אחת ברורה, הרבה יותר חכם לבדוק את הנושא דרך כמה נקודות מבט שונות. טכניקת שיח רב-דמויות (Multi-Persona Debates) מאפשרת לנו לעשות בדיוק את זה: לבקש מהמודל לייצג כמה דמויות מקצועיות שונות, שכל אחת מהן תציג את העמדה שלה, תענה לטיעון אחר, ולבסוף גם תסכם את נקודות ההסכמה והמחלוקת. השיטה הזו עוזרת לנתח לעומק נושאים מורכבים, לחשוף תובנות שלא בהכרח היינו חושבים עליהן לבד, ולהפיק תוצר עשיר ומאוזן הרבה יותר.

תרחיש – דיון אסטרטגי בנושא שיווק:

"נהל דיון בנושא 'האם כדאי להשקיע בפרסום ברשתות חברתיות או בשיווק תוכן' בין:


- מנהל/ת שיווק ותיק/ה בחברה מסורתית

- יועץ/ת דיגיטל צעיר/ה עם התמחות ברשתות חברתיות

- אנליסט/ית ROI עם גישה מבוססת נתונים

- מנכ"ל/ית של סטארט-אפ עם תקציב מוגבל.


כל דמות תציג את הטיעון המרכזי שלה (פסקה אחת), ואז תגיב לטיעון אחד של דמות אחרת.
לסיום, סכם את נקודות ההסכמה והמחלוקת בין הדמויות".

מה יקרה בפועל:

• כל דמות תנסח טיעון מנקודת המבט שלה (למשל: המנהל הוותיק יטה להעדיף שיווק תוכן, היועץ הדיגיטלי יילחם על רשתות חברתיות).

• לאחר מכן, כל דמות תנתח או תבקר טיעון של דמות אחרת (למשל: האנליסט יאיר עלויות מול תועלת).

• לבסוף, המודל יסכם את נקודות החוזקה והחולשה שהועלו בדיון.

למה זה עובד?

כאשר מבקשים מהמודל לייצג כמה דמויות מקצועיות שונות, הוא נאלץ “להחליף כובעים” ולנתח את הנושא ממספר פרספקטיבות אמיתיות. זה מאפשר להעמיק בחשיבה, להאיר ניואנסים שאחרת היו מתפספסים, וליצור תוצאה עשירה ומאוזנת יותר – ממש כמו ישיבת צוות אמיתית שבה לכל אחד יש דעה שונה. במקום לקבל תשובה חד-ממדית, אתם מרוויחים ניתוח מורכב, מגוון ומבוסס יותר – כזה שמעניק תובנות אמיתיות ועוזר לקבל החלטות מושכלות.

הנה כמה נושאים מצוינים לשיח רב-דמויות:

• בחירת אסטרטגיית חדירה לשוק חדש – מנכ”ל, סמנכ”ל שיווק, אנליסט שוק, מנהל מוצר.

• האם לפתח מוצר חדש בתוך הבית או להוציא למיקור חוץ – CTO, CFO, מנהל מוצר, יועץ פיתוח.

• הגדרת אסטרטגיית עבודה היברידית בארגון – מנהל משאבי אנוש, מנהל תפעול, עובד זוטר, מנהל כספים.

• החלטה בין השקעה בחדשנות טכנולוגית לעומת שימור לקוחות קיימים – יועץ אסטרטגי, מנהל מכירות, אנליסט פיננסי.

והנה תבנית מוכנה, מדויקת ומנוסחת בצורה טבעית כך שתוכלו להעתיק ולהדביק ישירות לתוך מודל (כמו ChatGPT, Claude וחבריהם):

נהל שיח רב-דמויות בנושא: "האם כדאי להרחיב את פעילות החברה
לשווקים בינלאומיים במהלך השנה הקרובה?"

הדמויות המשתתפות בדיון:
- סמנכ"ל כספים בחברה גדולה - סגנון דיבור: חד, תמציתי, ממוקד בעלויות ובסיכונים.
- מנהלת שיווק עם ניסיון בטרנדים עולמיים - סגנון דיבור: יצירתי, מבוסס דוגמאות מהשטח.
- יועץ אסטרטגי עצמאי - סגנון דיבור: קליל, דינמי, נגיש, מדבר בגובה העיניים.
- מנכ"ל החברה - סגנון דיבור: רחב, מתחשב בתמונה הגדולה ובחזון הארגוני.

הנחיות לביצוע:
- כתוב פסקה אחת לכל דמות, שבה היא מציגה את עמדתה המרכזית בנושא.
- לאחר מכן, כל דמות תגיב בקצרה לעמדה של דמות אחרת, תוך שמירה על סגנון הדיבור הייחודי לה.
- בסיום, ערוך סיכום של נקודות ההסכמה והמחלוקת שעלו בדיון.
- אם ניתן, הצע מסקנה או דרך פעולה אפשרית המאזנת בין הגישות השונות.

שמור על שפה טבעית, זורמת ומובנת, כאילו מדובר בדיון אמיתי בין אנשים עם סגנונות מחשבה שונים.

התבנית מוכנה לשימוש מיידי ומנוסחת בצורה שתגרום למודל להבין גם תפקיד, גם סגנון דיבור, גם אינטראקציה אמיתית.

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

למידע נוסף >>

עץ מחשבות (Tree of Thought)

אחת הבעיות בעבודה עם מודלים היא שלפעמים הם “נתקעים” על קו חשיבה אחד בלבד – גם אם הוא לא בהכרח הכי נכון או הכי חכם. שיטת עץ המחשבות (Tree of Thought) מרחיבה את רעיון שרשרת המחשבה (Chain of Thought), בכך שהיא מבקשת מהמודל לא לעקוב אחרי מסלול חשיבה יחיד – אלא לחקור במקביל כמה דרכים שונות לפתרון בעיה. במקום לצעוד רק בשביל אחד, המודל בונה “עץ” של אפשרויות: כמה קווים לוגיים מקבילים, שכל אחד מהם מוביל למסקנות שונות. בהמשך, המודל משקלל את כל המסלולים ומציע המלצה מושכלת שמבוססת על בחינה רחבה יותר.

תרחיש – החלטה אסטרטגית עסקית:

"פתור את הבעיה הבאה על ידי חקירת 3 דרכי פתרון שונות:

חברה מתלבטת אם להרחיב לשוק חדש. העלות הראשונית היא 1.5 מיליון ₪, 
וההערכה היא שיש 40% סיכוי להצלחה שתניב 5 מיליון ₪ תוך שנתיים, 
35% סיכוי להחזר ההשקעה בלבד, ו-25% סיכוי להפסד של 70% מההשקעה."

דרך 1 – חישוב תוחלת רווח פשוטה:

המודל יחשב את התוחלת המתמטית:

(40% × 5 מיליון) + (35% × 1.5 מיליון) + (25% × הפסד של 1.05 מיליון)

וישקל אם התוצאה החיובית מצדיקה את הסיכון.

דרך 2 – ניתוח סיכונים מבוסס מצב קיים:

המודל יבחן את הסיכון בהקשר למצב הנוכחי של החברה – האם יש לה רזרבות? האם היא יכולה לספוג הפסד?

דרך 3 – בחינת אופציות להקטנת סיכון:

המודל יציע חלופות כמו כניסה הדרגתית, גיוס שותפים, או ביצוע פיילוט מוגבל לפני השקעה מלאה.

לבסוף:

המודל ישקלל את שלוש דרכי החשיבה ויציע המלצה מנומקת, שתביא בחשבון את כל הגורמים שנבדקו.

למה זה עובד?

כאשר בונים עץ מחשבות, לא מסתפקים במסלול חשיבה יחיד אלא פותחים בחינה מעמיקה של כמה דרכי פתרון שונות במקביל. שיטה זו מאפשרת למודל לזהות פתרונות יצירתיים שלא היו עולים אם היה עוקב רק אחרי קו אחד, להשוות בצורה מושכלת בין יתרונות וחסרונות של גישות שונות, ולבסוף לגבש המלצה חכמה שמבוססת על בחינת תרחישים מגוונים ולא על תחושת בטן אחת. במקום להסתפק בתשובה שטחית ומהירה, עץ מחשבות מוביל לתוצאות מורכבות, שקולות ורלוונטיות הרבה יותר – במיוחד במצבים שבהם החלטות חפוזות עלולות לעלות ביוקר.

הנה תבנית מקצועית ומדויקת שתוכלו להעתיק ולהשתמש בה ישירות לכל משימה שתרצו לפתח בעזרת Tree of Thought:

פתור את הבעיה הבאה באמצעות חקירת לפחות 3 דרכי פתרון שונות:

"[הכניסו כאן את תיאור הבעיה או האתגר]"

לכל דרך:
- תאר בקצרה את הגישה המוצעת.
- פרט את היתרונות והחסרונות של הגישה.
- הסבר מה התנאים שבהם הדרך הזו תהיה הבחירה המומלצת.

בסיום:
- השווה בין דרכי החשיבה השונות.
- שקול את כל הנתונים והצג המלצה סופית מנומקת 
המבוססת על שקלול היתרונות, הסיכונים והנסיבות.
שמור על סגנון ברור, מוסבר היטב, ומובנה לפי שלבים.

איך זה ייראה בפועל:

פתור את השאלה: "האם כדאי להשיק מוצר חדש בתחום הבריאות הדיגיטלית?"

- דרך 1: פיתוח עצמי מלא

- דרך 2: רכישת סטארט-אפ קיים

- דרך 3: שיתוף פעולה אסטרטגי

ואז תבצע ניתוח, השוואה והמלצה סופית.

זה בנוי לחשיבה מרובת מסלולים, עוזר להעמיק את איכות הפתרונות וזורם טבעי במודלים מתקדמים (ChatGPT, Claude, וכו’).

והנה תבנית שמתאימה יותר לבעיות יומיומיות:

בחן את השאלה הבאה באמצעות 3 דרכי חשיבה שונות:

"[הכניסו כאן את השאלה או ההתלבטות היומיומית]"

לכל דרך:
- תאר את אפשרות הפעולה בקצרה.
- פרט יתרונות וחסרונות אפשריים של הבחירה הזו.
- הסבר באילו תנאים הדרך הזו מתאימה במיוחד.

בסיום:
- ערוך השוואה קצרה בין האפשרויות.
- הצע המלצה סופית מנומקת, לפי ניתוח היתרונות והחסרונות.

שמור על סגנון פשוט, נגיש, ומדבר בגובה העיניים.

דוגמה יומיומית שמתאימה לתבנית:

שאלה: "האם כדאי לצאת לחופשה עכשיו בקיץ או לדחות לחורף?"



דרך 1: לצאת לחופשה בקיץ (יתרונות: מזג אוויר חם, חופים פתוחים /

          חסרונות: מחירים גבוהים, עומס תיירים)


דרך 2: לדחות לחורף (יתרונות: מחירים זולים, מקומות פנויים יותר /
          חסרונות: מזג אוויר לא צפוי)


דרך 3: למצוא יעד אחר שבו החורף הוא עונת שיא נעימה.



ואז ניתוח השוואתי והמלצה מה הכי משתלם לפי העדפות אישיות.

התנסו בעצמכם: בחרו בעיה, שאלה מקצועית או סוגיה אישית, ויישמו עליה את השיטה. כך תראו איך אפשר לשדרג משמעותית את איכות הפלט שהמודל מחזיר לכם.

שאילתא מועשרת במקורות (Retrieval-Augmented Generation – RAG)

ברוב הזמן, כשאנחנו שואלים שאלה את המודל, הוא עונה מתוך הידע הפנימי שנלמד לו – מה שאומר שלפעמים הוא ימציא פרטים (“הזיות”) או יסתמך על ידע שאינו מעודכן. טכניקת RAG – Retrieval-Augmented Generation פותרת את הבעיה הזו: במקום להסתמך רק על מה שהמודל “זוכר”, מספקים לו מקורות מידע חיצוניים בזמן השאילתה – והוא מתבקש להסתמך רק עליהם בתשובתו. ברמת הארגון, טכניקת RAG מתבצעת על ידי חיבור של מערכות ה-AI לידע הארגוני: מאגרי מידע, מסמכים פנימיים, שרתים בענן או ב-On-Premises. אבל גם ברמת המשתמש הפרטי, אפשר ליישם את העיקרון הזה בפרומפטים רגילים: פשוט לספק למודל קטעי מידע ולדרוש ממנו להסתמך אך ורק עליהם.

תרחיש – חיבור בין מקורות מדעיים:

"לפניך מידע ממקורות מוסמכים על השפעת אימון כוח על בריאות המוח:

מקור 1: Liu-Ambrose, T., et al. (2023) - 
מצא שיפור של 14% בזיכרון עבודה אחרי אימון כוח פעמיים בשבוע במשך 6 חודשים.

מקור 2: הנחיות ארגון הבריאות העולמי (2024) - 
ממליצות על לפחות שני אימוני כוח שבועיים למניעת דמנציה.

מקור 3: Gonzalez, M., et al. (2022) - 
סקירה שיטתית שמצאה שיפור בקוגניציה (7–18%) אך לא מנעה אלצהיימר.

בהתבסס אך ורק על המידע לעיל, כתוב סיכום קצר (עד 150 מילים) 
על הקשר בין אימון כוח לבריאות המוח.

ציין במדויק את המקור לכל טענה שתציין"