מהענן ועד המפעל

אחת ההכרזות המרכזיות היא הרחבת אקוסיסטם ענני ה-AI של אנבידיה. לפי החברה, השותפים שלה מרחיבים תשתיות כדי לתמוך בביקוש מצד ארגונים, סטארטאפים, מדינות, מעבדות AI ומפתחים שמריצים יישומי AI אייג׳נטיים. אנבידיה מתארת את העננים האלה כ-AI factories, כלומר תשתיות ייעודיות שמייצרות “טוקנים” ותובנות כמו שמפעל מייצר מוצרים. על פי הדיווחים, האקוסיסטם הזה כבר נפרס בשש יבשות.

במקביל, החברה הציגה את FOX, קיצור של Factory Operations Blueprint. זו לא אפליקציה מוכנה, אלא תבנית לבניית “מנהל מפעל אוטונומי”, סוכן שמחבר נתוני מכונות, בקרת איכות, הוראות עבודה, התראות תפעוליות ורובוטים לשכבת החלטה אחת. הרעיון פשוט להבנה אבל קשה ליישום: במקום שכל מערכת במפעל תדבר בנפרד, סוכן מרכזי אמור להבין מה קורה, לזהות תקלות ולהציע או להפעיל תהליכי תיקון.

זו נקודה חשובה כי אנבידיה לא מציגה את AI ככלי עזר נקודתי, אלא כמערכת ניהול תפעולית. אם זה יעבוד בפועל, מנהל מפעל לא רק יבקש דוח, אלא ישאל למה קו הייצור האט, מה צפוי להיכשל ואיזו פעולה תצמצם נזק.

טייוואן היא לא רק במה, היא שרשרת הייצור

הבחירה בטייפה (Taipei) ממש לא מקרית. אנבידיה מדגישה את תפקיד יצרניות טייוואן בבניית תשתיות Vera Rubin, הדור הבא של מערכות ה-AI שלה. יותר ממיליון רכיבי NVIDIA MGX עבור תשתיות Vera Rubin מתכנסים בטייוואן, ביותר מ-25 אתרי ייצור, ובאקו-סיסטם מקומי של מאות שותפים.

במילים אחרות, טייוואן היא לא רק המקום שבו מכריזים על העתיד, היא המקום שבו העתיד הזה מיוצר.

החיבור הזה בולט גם בשיתוף הפעולה עם TSMC. אנבידיה הודיעה ש-TSMC משתמשת ביכולות מחשוב מואץ ו-AI של אנבידיה לאורך מחזור החיים של תכנון וייצור שבבים, כולל ליתוגרפיה חישובית, סימולציות תהליך, בקרת תהליך, אופטימיזציה של פעילות מפעל ובדיקת פגמים באמצעות ראייה ממוחשבת. TSMC גם בוחנת שימוש ב-Omniverse לבניית FabTwin, תאום דיגיטלי של סביבת ייצור שבבים.

המחשב האישי הופך לזירת הסוכן

ההכרזה הבולטת ביותר לצרכנים היא NVIDIA RTX Spark, ה-superchip החדש למחשבי Windows, שנבנה יחד עם Microsoft ובשיתוף MediaTek בתכנון ה-CPU. ה-RTX Spark כולל GPU בארכיטקטורת Blackwell, מעבד Grace עם 20 ליבות, עד 128 גיגה-בייט זיכרון מאוחד ועד 1 פטה-פלופ של ביצועי AI. החברה מציגה אותו כבסיס למחשבי Windows שמיועדים להריץ סוכני AI מקומיים, לא רק אפליקציות רגילות.

RTX Spark Superchip | Nvidia

המשמעות היא מעבר ממחשב שמריץ תוכנות, למחשב שמריץ סוכנים. סוכן מקומי יכול, לפחות ברעיון, לעבוד על קבצים, להפעיל אפליקציות, לבצע תהליכים בין תוכנות ולשמור חלק מהמידע על המכשיר עצמו במקום לשלוח הכול לענן.

אבל כאן נדרש סייג חשוב. אנבידיה ומיקרוסופט מדברות על אבטחה, הרצה מקומית ושליטה של המשתמש, אבל בפועל סוכן שמסוגל לפעול בתוך המחשב הוא גם נקודת סיכון חדשה. הוא צריך הרשאות, גבולות, בידוד ובקרה אנושית. ככל שהסוכן מקבל יותר יכולת, השאלה המרכזית היא לא רק “כמה הוא חכם”, אלא “מה מותר לו לעשות”.

החזון של NVIDIA ו-Microsoft למחשב AI אישי | Nvidia

לפי רויטרס (Reuters), השבב צפוי להגיע למחשבים ניידים ונייחים בסתיו 2026, כחלק מניסיון של אנבידיה ומיקרוסופט “להמציא מחדש” את המחשב האישי לעידן ה-AI.

Nvidia | ג׳נסן הואנג מציג את דור מחשבי RTX Spark

Physical AI: כשמודלים צריכים להבין תנועה, לא רק טקסט

הציר השני של ההכרזות הוא Physical AI, כלומר AI שמיועד לפעול בעולם הפיזי. כאן אנבידיה הציגה אוסף כלים פתוחים שמאפשרים לסוכנים לעבוד עם רובוטיקה, רכבים אוטונומיים, ראייה ממוחשבת ותאומים דיגיטליים. הכלים האלה מבוססים בין היתר על Omniverse, Cosmos, Alpamayo ו-Metropolis, ונועדו להפוך תהליכים מורכבים כמו סימולציה, יצירת דאטה סינתטי, אימון ובדיקה למשימות שסוכנים יכולים להריץ.

Cosmos 3 הוא החלק שמנסה לתת למכונות הבנה רחבה יותר של העולם הפיזי. לפי אנבידיה, המודל משלב הבנת ראייה, יצירת עולם וחיזוי פעולה, כדי לעזור לרובוטים, רכבים וסוכני ראייה לא רק לזהות מה נמצא מולם, אלא להבין מה קורה ומה עשוי לקרות בהמשך.

באותו כיוון, אנבידיה הציגה גם את Alpamayo 2 Super, מודל פתוח בן 32 מיליארד פרמטרים לרכב אוטונומי, שנועד לעזור למערכות רובוטקסי להבין סצנות, לתכנן פעולה ולבדוק תרחישים בסימולציה לפני יציאה לכביש.

רובוטים, רובוטקסי ובתי חולים

החברה גם מרחיבה את NVIDIA DRIVE Hyperion כפלטפורמה לרכבי רובוטקסי מוכנים לרמה 4, כלומר רמת אוטונומיה גבוהה בתנאים מוגדרים. בין השותפויות שהוצגו: Foxconn בטייוואן, Uber, VinFast ו-HUMAIN בסעודיה. Foxconn מתכננת שירות רובוטקסי בטייוואן החל מ-2028, עם פיילוט בקווים שבין שדה התעופה לעיר.

בתחום הרובוטיקה, אנבידיה הציגה גם את Isaac GR00T Reference Humanoid Robot, עיצוב ייחוס פתוח למחקר אקדמי ברובוטים הומנואידיים. הוא משלב גוף רובוטי של Unitree, ידיים רובוטיות של Sharpa, מחשוב Jetson Thor ותוכנת Isaac GR00T, אותה הזכירה החברה כבר בכנס GTC בחודש מרץ האחרון. המטרה היא לאפשר לחוקרים להתחיל מפלטפורמה קיימת במקום להרכיב הכול מאפס.

גם הבריאות נכנסת לתמונה. Foxconn ,אנבידיה ומרכזים רפואיים בטייוואן הציגו שימוש בסוכני AI וברובוטים כחלק מיוזמת “Healthy Taiwan”, כולל סוכנים לסיוע באבחון, תיעוד ותיאום טיפול, וגם רובוטים תומכי סיעוד וניתוח. לפי אנבידיה, חלק מהמערכות עברו מפיילוט לשימוש קליני.

לא עוד חברת GPU, אלא ניסיון לשלוט בשכבת הביצוע

המהלך של אנבידיה רחב יותר מעוד מחזור מוצרים. החברה מנסה למקם את עצמה כשכבת התשתית של עידן הסוכנים: מהשבב, דרך מערכת ההרצה, דרך הכלים למפתחים ועד המפעל, הרכב והרובוט.

זו גם הסיבה שכמות ההכרזות היא כל כך גדולה. הן לא עומדות בנפרד. RTX Spark מיועד למחשב האישי, Vera Rubin ל-AI factories, FOX למפעלים, Cosmos ו-Alpamayo לעולם הפיזי, BlueField-4 STX לאבטחת דאטה וסוכנים, ו-DSX לתכנון ותפעול מפעלי AI בקנה מידה גדול. לפי דיווחים, Vera Rubin נכנסת לייצור מלא, ומשלוחי ייצור צפויים להתחיל בסתיו.

צריך לזכור כמובן, שחלק גדול מההבטחות עדיין תלוי באימוץ בפועל, בביצועים אמיתיים, באבטחה, במחירים, בזמינות וביכולת של ארגונים לשנות תהליכים סביב סוכנים. בהודעות של אנבידיה עצמה מופיעות הסתייגויות שלפיהן מוצרים ותכונות מסוימים עשויים להשתנות ולהיות זמינים רק אם וכאשר יושקו. בקיצור, יש למה לחכות.

למי שיש שעתיים פנויות, הנה ההצגה המלאה של NVIDIA וג׳נסן הואנג.

הפוסט אנבידיה ב-GTC Taipei עוברת משבבים למערכת ההפעלה של עידן הסוכנים הופיע ראשון בLet's AI בינה מלאכותית

Perplexity Computer is now available inside Microsoft Excel, Word, PowerPoint, and Outlook.

Orchestrate across work with Computer directly in the side panel of your app to draft documents, model, build decks, and handle email.

Available now: https://t.co/0itt5XcFRX pic.twitter.com/oHf90rP4Xv

— Perplexity (@perplexity_ai) May 28, 2026

איך זה עובד ב-Microsoft 365

נתחיל ביישומי Office בתוך Microsoft 365. כאן Perplexity Computer מיועד להשתלב בתוצר עצמו: המסמך, הגיליון, המצגת או המייל. בוורד אפשר לבקש ממנו לנסח טיוטה, לסכם מסמך או לערוך מחדש טקסט קיים. באקסל הוא יכול לסייע בניתוח נתונים ובהבנת גיליונות, ובפאוור פוינט להפוך רעיון, מסמך רקע או מחקר למצגת מסודרת. באאוטלוק הוא יכול לעזור בניסוח מיילים ובהתאמתם להקשר של ההתכתבות.

החידוש כאן הוא לא רק קיצור זמן, אלא שינוי במיקום של כלי הבינה המלאכותית. במקום להוציא טקסט החוצה, לשאול צ’אט חיצוני ואז להחזיר את התשובה למסמך, המשתמש נשאר בתוך הקובץ או המייל שבו הוא כבר עובד. כאשר המשימה כוללת מחקר, נתונים או טענות שצריך לבדוק, הערך תלוי גם ביכולת של פרפלקסיטי להציג מקורות, כך שהמשתמש יוכל לוודא את התוצאה לפני שהיא הופכת למסמך, מצגת או תשובה ללקוח.

מה קורה ב-Teams

בטימס התמונה מעט שונה. Perplexity Computer הופך שם פחות לכלי עריכה ויותר לסוכן עבודה שמצטרף לשיחה. המשתמשים יכולים לשלוח לו הודעה ישירה, לשלוח לו משימה בערוץ או לתייג את ‎@Perplexity Computer בתוך דיון צוותי כדי לבקש מחקר, ניתוח, יצירת מסמך, סיכום שיחה או משימות המשך. התוצאה חוזרת אל הצוות באותו המקום שבו הבקשה התחילה.

הערך כאן הוא לא רק יצירת תוצר, אלא שמירת ההקשר. במקום שמנהל פרויקט יעתיק שרשור שיחה לכלי בינה מלאכותית ואז יחזיר ממנו סיכום, הוא יכול לבקש את הפעולה מתוך השיחה עצמה. ביישומי Office הדגש הוא על יצירה אישית של תוצרים: מסמך, גיליון, מצגת או מייל. בטימס הדגש עובר לתיאום קבוצתי סביב העבודה: מה צריך לבדוק, מי צריך לפעול, איזה מידע חסר, ומה חוזר לדיון אחרי שהסוכן סיים את המשימה.

מה מייחד אותו מול קופיילוט

כאן נמצא ההבדל מול קופיילוט (Copilot) של מיקרוסופט. קופיילוט הוא מוצר הבית של מיקרוסופט: הוא נבנה כחלק ממערכת Microsoft 365 ומחובר לשכבת הנתונים, ההרשאות והאפליקציות הארגוניות שלה. Perplexity Computer מגיע מבחוץ ומוטמע לתוך אותה סביבה, ולכן נקודת המוצא שלו אחרת: פחות עוד יכולת של אופיס, יותר שכבת מחקר וביצוע שמנסה לפעול מעל כמה מקורות, קבצים וכלי עבודה.

לכן ההשוואה היא לא רק מי נותן תשובה טובה יותר. קופיילוט נהנה מקרבה טבעית למערכת של מיקרוסופט. פרפלקסיטי מנסה להתבלט דרך מחקר עם מקורות, עבודה רב-שלבית וחיבור רחב יותר לכלים חיצוניים. במילים אחרות, קופיילוט מתחיל מתוך המערכת; פרפלקסיטי מנסה להוסיף לה שכבת עבודה חכמה.

איפה זה חוסך עבודה אמיתית

לעובדים, זה מתרגם בעיקר להפחתת חיכוך. אנליסט יכול להישאר בתוך הגיליון בזמן שהוא מקבל עזרה בעיבוד מידע. מנהלת שיווק יכולה להפוך טיוטת רקע למצגת בלי להתחיל מאפס. איש מכירות יכול לבנות תקציר לקוח מתוך מסמכים, מיילים ומידע חיצוני. צוות מוצר יכול להפוך שרשור בטימס לרשימת משימות, שאלות נפוצות או עדכון מסודר.

בכל אחד מהמצבים האלה, הערך אינו רק בתשובה שהמערכת מייצרת, אלא בקיצור רצף הפעולות שמסביבה. פחות פתיחת כלים, פחות העתקות, פחות חיפוש ידני אחר הקשר. במילים פשוטות, Microsoft 365 הוא המקום שבו יוצרים את התוצר, וטימס הוא המקום שבו מתאמים את העבודה סביבו.

איפה יוצרים את התוצר, ואיפה מתאמים את העבודה

סוכן עבודה הוא גם שאלת הרשאות

ככל שסוכן בינה מלאכותית מתקרב יותר לקבצים, הודעות, מסמכים ומערכות עסקיות, כך הוא הופך לכלי שצריך לנהל כמו תוכנה ארגונית, לא כמו עוד תוסף פרודוקטיביות. פרפלקסיטי מציינת שהשילוב בטימס מכבד את מודל ההרשאות של מיקרוסופט, כך שמשתמשים אמורים לקבל גישה רק לתוכן שכבר מותר להם לראות. החברה גם מדברת על הצפנה, על כך שנתוני ארגון לא משמשים לאימון מודלים, ועל תמיכה ביומני ביקורת בארגונים זכאים.

אבל זו רק חצי מהתמונה. מסמכי האישור של מיקרוסופט מפרטים שהמערכת עשויה לעבד מידע כמו הודעות משתמשים, כתובות מייל, מזהי שיחה וקבצים מצורפים. לצד אלה מופיעים גם מזהי משתמשים ומזהים של סביבת הלקוח הארגונית במיקרוסופט, כלומר מזהים שמאפשרים לשייך את הפעילות לארגון מסוים בתוך Microsoft 365.

לכן זה לא מסוג הכלים שכדאי להפעיל בלי בדיקה מוקדמת. לפני פריסה רחבה, צוותי IT, אבטחת מידע ומשפטים צריכים לבחון את ההרשאות, את מדיניות השמירה והמחיקה, את הטיפול בקבצים מצורפים ואת גבולות השימוש המותרים בארגון.

פרפלקסיטי מדגישה את שכבת האבטחה הארגונית של Computer

כשהצ’אט נכנס לעבודה עצמה

בסופו של דבר, פרפלקסיטי בתוך Microsoft 365 וטימס מצטרפת למגמה רחבה יותר שבה כלי בינה מלאכותית כבר לא רוצים להישאר חלון שיחה נפרד. הם רוצים לשבת בתוך סביבת העבודה, להבין הקשר, לגשת לקבצים, להפעיל כלים ולהחזיר תוצר במקום שבו העבודה באמת מתנהלת.

זה יכול להיות חזק מאוד, אבל גם מחייב יותר משמעת. בארגון, נכון להתחיל ממשימות לא רגישות, להפעיל הרשאות מצומצמות, לבקש מהסוכן להציג תוכנית לפני פעולה, ולחייב בדיקה אנושית לפני שליחה, פרסום, שינוי מסמך או עדכון מערכת עסקית.

אנחנו כבר יודעים שהבינה המלאכותית יודעת לענות. עכשיו השאלה היא איפה היא יושבת, באיזה נתונים היא נוגעת, ומי מאשר את הצעד האחרון לפני שהוא הופך לחלק מהעבודה האמיתית.

הפוסט כש-Perplexity נכנסת ל-Office, הצ’אט הופך לעוד עובד במשרד הופיע ראשון בLet's AI בינה מלאכותית

מה חדש ב-Opus 4.8

Opus 4.8 הוא שדרוג ישיר ל-Opus 4.7. אנטרופיק עצמה מתארת אותו כשיפור מוחשי אבל מדוד: מודל יעיל יותר, חד יותר בשיתוף פעולה עם המשתמש, ובעיקר מותאם טוב יותר למשימות ארוכות ומורכבות. שלושת החידושים הבולטים הם מצב מהיר חדש, שליטה ברמת המאמץ של המודל, ו-Dynamic Workflows בקלוד קוד.

החידוש הראשון הוא Fast Mode. בשימוש רגיל, המחיר של Opus 4.8 נשאר זהה ל-Opus 4.7 עם 5 דולרים למיליון טוקני קלט ו-25 דולר למיליון טוקני פלט. Fast Mode מיועד למקרים שבהם מהירות חשובה יותר מעלות מינימלית: הוא יכול לעבוד עד פי 2.5 מהר יותר, במחיר של 10 דולרים למיליון טוקני קלט ו-50 דולר למיליון טוקני פלט. חשוב לדייק, המודל כולו לא “זול פי שלושה” - מה שהוזל הוא מצב המהירות, שמחירו נמוך פי שלושה ממצבי מהירות בדורות קודמים.

החידוש השני הוא effort control, שליטה ברמת המאמץ שקלוד (Claude) משקיע בתשובה. במילים פשוטות, המשתמש יכול לבחור אם הוא רוצה תשובה מהירה יותר, שחוסכת שימוש במגבלות הקצב, או תשובה עמוקה יותר שבה המודל חושב יותר לאורך הדרך. Opus 4.8 מוגדר כברירת מחדל על high, ואפשר לבחור רמות גבוהות יותר כמו extra או max למשימות קשות, ארוכות או רגישות יותר. זה רלוונטי במיוחד בעבודה עם קוד, מסמכים ארוכים, מחקר, תכנון מערכות או משימות שמערבות כלים חיצוניים.

החידוש השלישי, ואולי החשוב ביותר למפתחים, הוא Dynamic Workflows. זו יכולת שמאפשרת ל-קלוד קוד לפרק משימה גדולה לתת משימות, להריץ סוכני משנה במקביל, לבדוק את התוצרים שלהם, ואז לחזור למשתמש עם תוצאה אחת מסודרת. זה כבר לא רק מודל שמנסה לענות טוב יותר, אלא ניסיון לבנות שכבת עבודה שמסוגלת להתמודד עם פרויקטים גדולים בצורה שיטתית יותר.

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

לפרטים נוספים לחצו כאן >>

לא עובד אחד, אלא צוות שמנוהל אוטומטית

עד עכשיו, כשמשתמשים ב-קלוד קוד כדי לבנות משהו או לתקן בעיה, קלוד עבד בעיקר כמו סוכן יחיד, כזה שקורא קבצים, חושב, כותב קוד, מריץ בדיקות, חוזר אחורה ומתקן. זה יכול לעבוד היטב במשימות קטנות ובינוניות, אבל בפרויקטים גדולים יש לזה מגבלה ברורה. סוכן אחד מתקדם בטור, שלב אחרי שלב.

Dynamic Workflows משנה את המבנה הזה. קלוד יכול לייצר סקריפטים לתזמור העבודה (אורקסטרציה), לחלק משימה גדולה לתת משימות, להריץ עשרות עד מאות סוכני משנה במקביל, לבדוק את התוצרים שלהם, ורק אז לאחד את הכול לתוצאה אחת.

אנטרופיק מציגה את היכולת הזו ככלי למשימות שקשה לפתור במעבר אחד של סוכן יחיד: חיפוש באגים בקוד-בייס גדול, מיגרציות שנוגעות בהרבה קבצים, בדיקות אבטחה, אופטימיזציה, או בחינת תוכנית מכמה זוויות לפני שמתחייבים אליה.

הדרך הפשוטה להבין את זה היא ההבדל בין עובד יחיד לבין צוות. עובד יחיד יכול להיות חכם מאוד, אבל הוא עדיין עובר על הדברים אחד אחרי השני. צוות יכול לחלק עבודה, לבדוק כמה כיוונים במקביל, להציב אנשים שינסו לשבור הנחות של אחרים, ולחזור עם תמונה רחבה יותר. ב-Dynamic Workflows, קלוד מנסה לשחק גם את תפקיד המתכנן וגם את תפקיד הצוות המבצע.

זה לא הופך אותו למנהל פרויקטים אנושי, ולא מבטל את הצורך בבדיקה, אבל זה כן משנה את סוג המשימות שאפשר לתת לו. במקום “תקן לי את הקובץ הזה”, אפשר להתחיל לחשוב על בקשות רחבות יותר כמו “סרוק את כל הקוד-בייס לחולשות הרשאה”, “מצא קוד מת שאפשר להסיר”, “תכנן מיגרציה בין ספריות”, או “בדוק את הארכיטקטורה מכמה כיוונים והצג סיכונים לפני ביצוע”.

למה זה חשוב באמת

ההבטחה הגדולה של סוכני AI היא לא שהם יכתבו עוד פונקציה, אלא שהם יוכלו לקחת תהליך עבודה שלם ולהתקדם בו בלי שהמשתמש יצטרך לעצור אותם בכל כמה דקות. 

אנטרופיק פרסמה דוגמה שנשמעת טכנית, אבל הרעיון פשוט. החברה מתארת שימוש ב-Dynamic Workflows כדי לסייע בהמרה של Bun, כלי פיתוח פופולרי, משפת תכנות אחת בשם Zig לשפה אחרת בשם Rust. זו לא החלפה קטנה של קובץ, אלא עבודה רוחבית על פרויקט גדול מאוד שבו התהליך הסתיים עם כ-750 אלף שורות Rust, ו-99.8% ממערך הבדיקות הקיים עבר בהצלחה. במילים פשוטות, קלוד לא רק כתב קוד, אלא עזר לפרק פרויקט גדול לחלקים, להריץ עבודה במקביל, לבדוק שהמערכת עדיין מתנהגת כמו שצריך, ולתקן עד שהבדיקות עברו.

ועדיין, זו דוגמה שצריך לקרוא בזהירות. אנטרופיק מציינת שהעבודה הזו עדיין לא בפרודקשן, כלומר לא בהכרח משמשת בפועל כמערכת חיה. לכן נכון לראות בה הדגמת יכולת בקנה מידה גדול, לא הוכחה שכל ארגון יכול למסור מיגרציה מורכבת לקלוד ולחזור אחרי יומיים למערכת מוכנה. הערך כאן הוא הכיוון - סוכן AI שמסוגל לא רק לבצע פעולה אחת, אלא לנהל עבודה רחבה, לבדוק את עצמו, ולהחזיר תוצאה מסודרת יותר.

מה שחשוב להבין בסופו של דבר זה ש-Dynamic Workflows הוא ניסיון לפתור בעיה מוכרת בעבודה עם סוכנים שיכולים להתפזר במשימות ארוכות, להיתקע או להחמיץ חלקים חשובים. החלוקה לסוכני משנה מאפשרת לבדוק כמה כיוונים במקביל, להשוות בין תוצאות, לאמת ממצאים, ולצמצם את התלות במהלך חשיבה יחיד.

המחיר והזמינות

החלק שפחות נוח להבליט בשיווק, אבל חשוב מאוד למשתמשים, הוא ש-Dynamic Workflows יכול לצרוך הרבה יותר שימוש מסשן רגיל של קלוד קוד. היכולת הזו מיועדת למשימות גדולות ומקבילות, ולכן היא עלולה להשתמש בהרבה יותר טוקנים, זמן ריצה ומכסת שימוש.

ההמלצה המעשית היא לא להתחיל מפרויקט ענק, אלא להריץ תחילה משימה מצומצמת, לבדוק כמה שימוש היא צורכת, ורק אז להרחיב. מי שנמצא במנוי עם מגבלת שימוש עלול לגלות ש-workflow גדול מדי גומר את המכסה מהר מאוד.

גם הזמינות עדיין מוגבלת. Dynamic Workflows מוגדר כרגע כ-research preview, כלומר יכולת ניסיונית שעדיין לא צריך להתייחס אליה כפיצ’ר בוגר. הוא פעיל כברירת מחדל למשתמשי Max ו-Team, וגם למי שמשתמש בקלוד קוד דרך ה-API. בתוכנית Enterprise הוא כבוי כברירת מחדל בזמן ההשקה, ומנהל הארגון צריך להפעיל אותו בהגדרות.

Opus 4.8 עצמו זמין דרך Claude API, Amazon Bedrock, Google Vertex AI ו-Microsoft Foundry, אבל יש הבדלים בין הפלטפורמות וחוויית השימוש והמגבלות עשויות להשתנות לפי הפלטפורמה.

Fast Mode ב-API זמין כרגע כ-research preview בלבד. במקביל, בתיעוד הרשמי מצוין שמשתמשי Max מוגדרים כברירת מחדל ל-Fast Mode עם Opus 4.8, בגרסאות קלוד קוד v2.1.154 ואילך. כלומר, חוויית המהירות אינה אחידה בכל מקום ותלויה במוצר שבו משתמשים, בסוג המנוי, בפלטפורמה ובגרסת קלוד קוד. לכן, לפני שבונים על Fast Mode כחלק מתהליך עבודה קבוע, כדאי לבדוק שהוא אכן זמין ומופעל בסביבה הספציפית שלכם.

זו לא רק מגבלה, אלא גם מנגנון זהירות בריא. סוכן שמפעיל עשרות תהליכים, נוגע בקבצים רבים ומריץ בדיקות לא צריך לקבל גישה חופשית לכל סביבת העבודה. נכון להתחיל בתיקייה ייעודית, עם גיבוי, הרשאות מוגבלות, ואישור מפורש לפני מחיקה, שינוי רחב או מיזוג קוד. ככל שקלוד מקבל יותר יכולת לפעול לבד, כך הבקרה האנושית הופכת חשובה יותר.

שיפורים קטנים אבל משמעותיים

לפי טבלת הביצועים, Opus 4.8 משתפר מול Opus 4.7 בכמה מדדים חשובים: קוד סוכני, שימוש במחשב, עבודת ידע, ניתוח פיננסי וחשיבה רב תחומית. במדד SWE-Bench Pro, למשל, הוא עולה מ-64.3% ל-69.2%. ב-OSWorld-Verified הוא מגיע ל-83.4%. אלה שיפורים טובים, אבל הם לא מספרים סיפור של ניצחון מוחלט. בחלק מהמדדים הפער קטן, וב-Terminal-Bench 2.1 דווקא GPT-5.5 מוביל לפי אותה טבלה. גם אנטרופיק עצמה מתארת את Opus 4.8 כ”שיפור צנוע אך מוחשי” לעומת קודמו, וזה כנראה הניסוח המדויק ביותר כאן.

טבלת הביצועים של Opus 4.8

הנקודה החשובה לקורא היא שבנצ׳מרקים הם התחלה של בדיקה, לא סוף הדיון. הם עוזרים להבין איפה המודל השתפר, אבל לא מחליפים בדיקה על משימות אמיתיות: קוד של הארגון, מסמכים אמיתיים, עלויות בפועל, זמן תגובה, וכמות התיקונים שנדרשת אחרי שהמודל מסיים. במיוחד במודלים סוכניים, שבהם המודל לא רק עונה אלא גם מפעיל כלים ופועל לאורך זמן, ההבדל בין תוצאה טובה במבחן לבין עבודה יציבה בעולם האמיתי יכול להיות גדול.

החלק המעניין יותר הוא לא רק הביצועים, אלא ההתנהגות. אנטרופיק טוענת ש-Opus 4.8 טוב יותר ב”כנות” מקצועית: הוא נוטה יותר לסמן אי ודאות, פחות קופץ למסקנות, ופחות מציג התקדמות כאילו היא ודאית כשהראיות חלשות. לפי הערכות, Opus 4.8 הוא בערך פי ארבעה פחות נוטה מ-Opus 4.7 לתת לפגמים בקוד שכתב לעבור בלי הערה. 

Anthropic | שיפור משמעותי במדד ה"Alignment"

גם בגרף הבטיחות שאנטרופיק מציגה, Opus 4.8 נראה טוב יותר מ-Opus 4.7 במדד של “התנהגות לא מיושרת”, כלומר מצבים כמו הטעיה או שיתוף פעולה עם שימוש לרעה. לפי הנתונים, שיעור ההתנהגויות האלה נמוך משמעותית לעומת Opus 4.7, ודומה יותר ל-Claude Mythos Preview, שאנטרופיק מתארת כמודל המיושר ביותר שלה. במדד ההתנהגות הלא מיושרת, ציון נמוך יותר נחשב טוב יותר - Opus 4.8 מציג שיפור לעומת Opus 4.7 וכאן ברור שאנטרופיק לא מנסה למכור רק מודל חזק יותר, אלא מודל שאמור להיות פחות בטוח בעצמו כשהוא לא צריך להיות בטוח.

למי זה משנה עכשיו

Opus 4.8 משנה בעיקר למי שכבר משתמש בקלוד למשימות עמוקות ולא רק לשיחה. מפתחים, צוותי מוצר, חוקרים, אנליסטים, צוותי נתונים וארגונים שמנסים להפעיל סוכני AI על תהליכים מורכבים. מי שמשתמש בקלוד לכתיבת מיילים, סיכומים או ניסוח רעיונות כנראה ירגיש שיפור מסוים באיכות וביציבות, אבל לא שינוי דרמטי ביום העבודה.

מי שעובד עם קלוד קוד על פרויקטים אמיתיים צריך לשים לב במיוחד ל-Dynamic Workflows. כאן מסתמן כיוון ברור למעבר מצ’אט עם מודל יחיד לעבודה עם מערכת שמסוגלת לחלק משימה, להריץ כמה כיווני פעולה במקביל, לבדוק תוצרים ולהחזיר תוצאה מסודרת יותר. זו דרך עבודה חזקה יותר, אבל גם רגישה יותר. היא דורשת הרגלים חדשים כמו הגדרת גבולות, בקשת תוכנית לפני ביצוע, התחלה ממשימות מצומצמות, מדידת עלות מול תועלת, והמלצה לאישור שינויים רחבים עם עין אנושית.

השורה התחתונה היא ש-Claude Opus 4.8 אינו אירוע של “הכול השתנה”. הוא אירוע של הבשלה. המודל עצמו טוב יותר, אבל החידוש החשוב הוא האופן שבו אנטרופיק מנסה לגרום לו לעבוד. לא רק לענות, אלא לתכנן, לחלק, לבדוק ולחזור עם תוצאה שאפשר להמשיך ממנה. זה פחות נוצץ מהבטחות על בינה כללית (AGI), אבל הרבה יותר רלוונטי למי שרוצה להשתמש ב-AI בעבודה אמיתית.

הפוסט Anthropic משיקה את Claude Opus 4.8 הופיע ראשון בLet's AI בינה מלאכותית

מה זה GStack?

GStack הוא פרויקט קוד פתוח של גארי טאן (Garry Tan), נשיא ומנכ״ל Y Combinator, שמאפשר להתנסות בסביבת העבודה האישית שלו ל-Claude Code. בפועל, זהו מאגר GitHub שמוסיף ל-Claude Code סט רחב של skills ופקודות slash, שמדמים בעלי תפקידים שונים בצוות מוצר ופיתוח: מייסד, מנהל הנדסה, מעצב, בודק QA, איש אבטחה וכלי שמוודא שהקוד מוכן ל-PR או לפריסה (deployment).

לפי הריפו הרשמי, GStack מכיל כ-23 מומחים “דעתניים” שפועלים כמו בעלי תפקידים שונים בצוות מוצר, פיתוח, QA וקוד ועוד 8 כלי עזר, כולם מבוססי Markdown, חינמיים לשימוש ומופצים ברישיון MIT. במקביל, מספר הפקודות הזמינות בפועל עשוי להשתנות כי המאגר מתעדכן במהירות. הריפו אגב מציג כרגע מעל 100 אלף GitHub stars, וזה רק הולך ועולה.

מי שרוצה לבדוק את הכלי בעצמו יכול להיכנס למאגר הרשמי, לעיין ברשימת הפקודות, לקרוא את הוראות ההתקנה ולראות איך GStack בנוי מבפנים. הערך כאן הוא לא רק עוד אוסף פקודות ל-AI, אלא ניסיון להפוך את העבודה עם סוכן קוד לתהליך מסודר יותר: מתחילים מרעיון, עוברים דרך ביקורת ותכנון, בונים, בודקים ורק אז משחררים.

למה העובדה שזה מגיע מ-Y Combinator חשובה

Y Combinator, או YC, היא אחת ממאיצות הסטארטאפים המשפיעות בעולם. המודל שלה מבוסס על השקעה מוקדמת, תוכנית אינטנסיבית של שלושה חודשים, עבודה צמודה עם מייסדים, office hours, קהילה חזקה ו-Demo Day מול משקיעים. לפי YC, התוכנית נועדה להביא סטארטאפים למצב טוב משמעותית בתוך שלושה חודשים, בדרך כלל עם מוצר טוב יותר, יותר משתמשים ואפשרויות טובות יותר לגיוס.

גארי טאן עצמו לא רק מנהל קרן. הוא נשיא ומנכ״ל Y Combinator, שותף כללי, שותף לשעבר ב-YC, מייסד Posterous שנרכשה על ידי Twitter, מייסד Initialized Capital, ובעברו מעצב ומנהל הנדסה מוקדם ב-Palantir. הוא גם בנה חלקים מרכזיים מחוויית YC למייסדים, כולל Bookface ואתר Demo Day.

זה הקונטקסט שמסביר את ההבטחה של GStack: לא “AI שיודע לקודד”, אלא ניסיון לקחת צורת חשיבה של סטארטאפ מוקדם, כזו שמאתגרת רעיונות לפני שבונים אותם, ולהכניס אותה לתוך סביבת הפיתוח.

מה GStack עושה בפועל

GStack מוסיף לסביבת העבודה של הסוכן סדרת פקודות. במקום להתחיל מפרומפט כללי כמו “בנה לי פיצ’ר”, המשתמש יכול להתחיל ב-office-hours/. הפקודה הזו מדמה שיחה בסגנון office hours של YC, כלומר שיחה שבה הרעיון עובר בדיקה לפני שנכתבת שורת קוד אחת. לפי תיעוד הכלי, Office Hours שואל שש שאלות שמאתגרות את הרעיון ואת הנחות היסוד, מציע דרכי מימוש שונות, ובסוף מייצר מסמך עיצוב שמזין את שאר השלבים בתהליך.

בסרטון ההדגמה טאן משתמש בדוגמה של אפליקציית מיסים שאמורה למצוא טפסי 1099 במיילים ובאתרי בנקים. במקום לרוץ מיד לבנייה, GStack שואל שאלה בסיסית: מה הראיה החזקה ביותר לכך שמישהו באמת רוצה את זה? משם הרעיון משתנה. הוא כבר לא רק “כלי שמוצא מסמכים”, אלא אולי התחלה של שירות רחב יותר שמחבר בין איסוף מסמכי מס לבין הכנה בפועל של החומר לרואה חשבון.

זה הערך המרכזי: הכלי לא אמור רק לבצע את מה שביקשת. הוא אמור לעזור לך להבין האם ביקשת את הדבר הנכון.

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

לפרטים נוספים לחצו כאן >>

תהליך ולא רק כלים

בתיעוד הרשמי של GStack מופיע משפט שמסביר את כל המוצר: זה תהליך, לא אוסף כלים. התהליך בנוי כמו ספרינט: חשיבה, תכנון, בנייה, סקירה, בדיקות, שחרור ולמידה. כל שלב מזין את הבא אחריו, כך שמסמך שנולד ב-office hours יכול להיכנס לביקורת מוצרית, לתכנון הנדסי, לקוד, לבדיקה, ל-QA ולשחרור.

הפקודות המרכזיות שכדאי להכיר:

1. office-hours/ מתחילים כאן. מתארים רעיון, בעיה או פיצ’ר. הכלי מנסה להבין מי המשתמש, מה הכאב, מה ההוכחה שיש ביקוש, ומה הגרסה החדה יותר של הרעיון.
2. plan-ceo-review/ ביקורת מוצרית ברמת מייסד או מנכ״ל. המטרה היא לא רק להקטין scope, אלא לזהות האם יש בתוך הבקשה מוצר טוב יותר.
3. plan-eng-review/ביקורת הנדסית. כאן הכלי אמור להפוך רעיון לתכנון טכני: ארכיטקטורה, זרימת נתונים, מקרי קצה, כשלים אפשריים ובדיקות.
4. design-shotgun/ או design-consultation/עבודה על עיצוב וחוויית משתמש. בסרטון טאן מדגים יצירה של כמה כיווני עיצוב לדשבורד, בחירה באפשרות הידידותית יותר למשתמש רגיל, ואז המשך עבודה על בסיס ההעדפה הזו.
5. review/ביקורת קוד שמנסה למצוא באגים שלא בהכרח נתפסו ב-CI.
6. qa/ או qa-only/בדיקות בפועל. GStack כולל יכולות דפדפן שמבוססות על Playwright ו-Chromium, כך שהסוכן יכול לפתוח דפדפן, לצלם מסך, ללחוץ, למלא טפסים ולבדוק תקלות UI, JavaScript או CSS.
7. ship/שלב שחרור. הפקודה מסנכרנת את main, מריצה בדיקות, בודקת כיסוי, דוחפת קוד ופותחת PR.

איך מתחילים בזהירות

לפני ההתקנה צריך לוודא שיש לכם שלושה כלים: Claude Code, סביבת העבודה שבה הסוכן ירוץ ויערוך קוד; Git, כדי להוריד את המאגר ולעבוד עם גרסאות, ו-Bun בגרסה 1.0 ומעלה, שמשמש להרצת חלק מהסקריפטים של GStack. במילים פשוטות, Claude Code הוא המקום שבו עובדים עם הסוכן, Git מביא את הפרויקט ומנהל את השינויים, ו-Bun עוזר להריץ את הכלים שמאחורי הקלעים.

פקודת ההתקנה שמופיעה בתיעוד:

git clone --single-branch --depth 1 https://github.com/garrytan/gstack.git ~/.claude/skills/gstack && cd ~/.claude/skills/gstack && ./setup

אחרי ההתקנה, הדרך הבריאה להתחיל היא לא לתת לכלי לגעת מיד בפרויקט חשוב. פתחו פרויקט ניסוי, או ענף חדש בריפו קיים, והתחילו כך:

office-hours/אני רוצה לבנות פיצ’ר שמאפשר למשתמשים להעלות קובץ CSV, לראות תצוגה מקדימה, לנקות שגיאות בסיסיות ולייצא קובץ מתוקן. לפני שכותבים קוד, אתגר את הרעיון, שאל מה חסר, והצע שלוש דרכי מימוש.

אחרי שתקבלו תוכנית, אל תאשרו מיד. בקשו מהכלי להציג הנחות, סיכונים, גבולות scope ושאלות פתוחות:

לפני ביצוע, הצג תוכנית פעולה. אל תשנה קבצים, אל תריץ פקודות מחיקה ואל תפתח PR לפני שאאשר במפורש.

למי זה מתאים

GStack מתאים במיוחד למייסדים טכניים, מפתחים שעובדים לבד, צוותים קטנים, מנהלי מוצר טכניים ואנשים שבונים מהר ורוצים להפוך AI coding מתהליך כאוטי לתהליך מנוהל. הוא יכול לעזור במיוחד במקומות שבהם הבעיה אינה כתיבת הקוד עצמו, אלא בחירת הדבר הנכון לבנות, שמירה על איכות, בדיקות וחיבור בין רעיון, עיצוב ושחרור.

הוא פחות מתאים למי שמחפש כלי “קליק אחד” בלי להבין מה קורה, למי שלא יודע לבדוק קוד, או למי שעובד על מערכות רגישות בלי תהליך הרשאות ברור. GStack נותן לסוכן יותר יכולת, ולכן גם דורש יותר אחריות.

איפה צריך להיזהר

החלק המרשים ביותר ב-GStack הוא גם החלק שמצריך זהירות. סוכן שיכול לעבוד עם קבצים, להריץ בדיקות, לפתוח דפדפן, ללחוץ, למלא טפסים ואולי להכין PR הוא לא צ’אטבוט נחמד. הוא עובד בתוך סביבת הפיתוח שלכם. לכן כדאי להתחיל עם כמה כללים פשוטים:

עבדו בפרויקט ניסוי או בענף (Branch) ייעודי. הפעילו פקודות guardrails כמו careful/ ו- freeze/ או guard/ כאשר עובדים ליד קוד רגיש. לפי התיעוד, careful/ מזהה פקודות מסוכנות כמו מחיקות רקורסיביות, מחיקת טבלאות, force push או reset hard, ו-freeze/ מגביל עריכות לתיקייה אחת. חשוב לזכור: אלה מנגנוני מניעת תאונות, לא מערכת הרשאות מלאה.

אל תתנו לסוכן גישה חופשית למידע אישי, סודות עסקיים, מפתחות API, חשבונות פיננסיים או סביבת production בלי בקרה. כאשר משתמשים ביכולות דפדפן, העדיפו חשבונות בדיקה, נתוני דמו והרשאות מצומצמות.

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

לפרטים נוספים לחצו כאן >>

הערך האמיתי: לעבוד כמו צוות

המסר החזק ב-GStack הוא לא שכל מייסד יכול לפטר את כולם ולבנות לבד. זו פרשנות מסוכנת ופשטנית מדי. הערך האמיתי הוא שגם כשאדם אחד עובד מול AI, העבודה צריכה להיראות יותר כמו עבודת צוות ופחות כמו רצף בקשות אקראיות.

טאן מדגיש בסרטון שהמודלים עצמם כבר חזקים מאוד, אבל בלי תפקידים, תהליך וביקורת הם “משוטטים”, מנחשים ומייצרים קוד שנראה סביר אך נשבר בשקט. GStack הוא ניסיון לפתור את הבעיה הזאת לא דרך מודל גדול יותר, אלא דרך מסגרת עבודה ברורה יותר.

זו הסיבה שהצעת הערך כאן חזקה. GStack לא מבטיח קסם, הוא מציע דרך להפוך את השימוש ב-AI coding משיחה עם עוזר חכם לתהליך עבודה של צוות קטן.

בעידן שבו קל יותר מאי פעם לייצר קוד, השאלה החשובה הופכת להיות לא רק “כמה מהר אפשר לבנות”, אלא “האם אנחנו בונים את הדבר הנכון, בצורה מספיק בטוחה, ועם מספיק נקודות בקרה בדרך”.

הפוסט איך להפוך את Claude Code לצוות פיתוח קטן: המדריך ל-GStack של מנכ״ל Y Combinator הופיע ראשון בLet's AI בינה מלאכותית

לא “AI מחליף עובדים”, אלא “AI מזיז את צוואר הבקבוק”

החלק המעניין בפוסט של אוונס הוא לא עצם הטענה ש-AI משנה את העבודה. את זה כמעט כל מנכ״ל אומר היום. הטענה החריפה יותר היא ש-AI לא הופך אוטומטית את כולם ליותר פרודוקטיביים. להפך, אם משאירים את תהליכי העבודה הישנים כפי שהם, הוא עלול לייצר צווארי בקבוק חדשים.

בעולם שאוונס מתאר, הבעיה כבר לא מי מסוגל לכתוב עוד קוד, לנסח עוד מסמך או לפתוח עוד משימה. הבעיה היא מי יודע להגדיר לסוכן מה לעשות, מי מבין אם התוצאה טובה, ומי מסוגל לחבר את העבודה לתוצאה עסקית אמיתית. לכן, לדבריו, הכישורים החשובים ביותר הופכים להיות תזמור, ארכיטקטורה, שיקול דעת ובקרה.

זו נקודה חשובה כי היא שוברת את הנרטיב הפשוט של “AI ייקח את העבודה”. לפחות לפי ClickUp, ה-AI לא מבטל את העובד. הוא משנה את סוג העובד שהארגון רוצה לשמר.

המהנדס החדש לא כותב יותר קוד, הוא מקבל החלטות

הדוגמה המרכזית של אוונס מגיעה מעולם הפיתוח. הוא טוען שהמהנדסים הטובים ביותר כבר לא נמדדים בכמות הקוד שהם כותבים, אלא ביכולת שלהם להפעיל סוכנים שכותבים קוד, להבין את מבנה המערכת, ולבקר את התוצאה. מבחינתו, “יותר קוד” אינו בהכרח יותר ערך.

להפך, אם כלי AI מייצרים הרבה יותר קוד, מישהו עדיין צריך לבדוק אותו, להבין אם הוא נכון, לוודא שהוא לא שובר חלקים אחרים במוצר, ולהחליט מה באמת נכנס למערכת. כך צוואר הבקבוק לא נעלם. הוא פשוט עובר מהכתיבה עצמה אל הבדיקה, הסינון והאישור.

זו גם נקודת ביקורת מעניינת על חלק מההייפ סביב כלי קידוד מבוססי AI. חברות אוהבות למדוד עלייה בכמות הקוד, במספר המשימות או בקצב הפיתוח. אבל אוונס אומר בפועל: המדד הזה עלול להטעות. אם הלקוחות לא מקבלים מוצר טוב יותר, ואם המהנדסים הטובים רק טובעים ביותר תוצרים לבדיקה, לא באמת פתרנו את בעיית הפרודוקטיביות - רק העברנו אותה מקום.

יש לכך גם תמיכה זהירה מבחוץ. מחקר של METR, שבחן ב-2025 מפתחים מנוסים שעובדים על מאגרי קוד שהם מכירים היטב, מצא ששימוש בכלי AI גרם להם לקחת 19% יותר זמן להשלמת משימות, אף שהם העריכו מראש שהכלים יאיצו אותם. זה לא אומר ש-AI לא מועיל בפיתוח תוכנה, אלא שהערך שלו תלוי מאוד בהקשר, באיכות המשימה וביכולת לבדוק את התוצאה.

מנהל המוצר הופך לבונה, אבל לא בהכרח למתכנת

החזון של ClickUp לא נעצר בפיתוח. אוונס מתאר גם טשטוש גבולות בין Product ל-Design. מעצבים עם הבנה עמוקה של לקוחות מתחילים לתפקד יותר כמו מנהלי מוצר, ומנהלי מוצר עם אינטואיציית UX מתחילים לעבוד יותר כמו מעצבים. מחקר משתמשים, ניסוח רעיונות, בדיקת כיוונים ויצירת אבטיפוסים יכולים לזוז מהר יותר כאשר סוכנים עושים חלק גדול מהעבודה האפורה.

אבל גם כאן הוא מציב גבול חשוב. מנהלי מוצר, לשיטתו, יכולים וצריכים להשתמש בקוד כדי לבדוק רעיונות, לתחום פתרונות ולבנות אבטיפוסים, אבל הקוד הזה לא אמור להיכנס למוצר חי. זו הבחנה שמראה שהחזון של ClickUp הוא לא “כולם עושים הכול”. החזון הוא יותר מדויק וכולם צריכים להבין מספיק כדי לתזמר מערכות, אבל מומחיות עמוקה עדיין חשובה במקום שבו נדרש מוצר יציב, מאובטח ואמין.

העובד החשוב ביותר הוא זה שיודע להפוך עבודה למערכת

אחד המשפטים החזקים ביותר בפוסט של אוונס עוסק דווקא בעובדים שמצליחים להפוך חלקים מהעבודה שלהם לאוטומטית וכביכול מייתרים חלק מהמשימות שלהם. לפי ההיגיון שלו, אלה לא בהכרח האנשים שהחברה תזדקק להם פחות. להפך, הם יכולים להפוך חשובים יותר.

הסיבה פשוטה - מי שבונה אוטומציה טובה לא רק “חוסך זמן”. הוא מבין לעומק איך העבודה באמת מתבצעת. הוא יודע אילו שלבים חוזרים על עצמם, איפה טעויות נוצרות, מה דורש שיקול דעת אנושי, ומה אפשר להעביר לסוכן AI. ברגע שהתהליך הזה הופך למערכת, אותו עובד יכול להפוך ממי שמבצע את המשימה למי שמנהל, משפר ובודק את המערכת שמבצעת אותה.

כאן נכנס לתמונה התפקיד החדש ש-ClickUp מדברת עליו: Agent Manager, מנהל סוכנים. זה לא תפקיד של “משתמש AI מתקדם” במובן השטחי. מדובר באדם שמנהל מערכות עבודה מבוססות סוכנים, מגדיר להן גבולות, בודק תוצרים, משפר תהליכים ומוודא שהאוטומציה לא מייצרת נזק.

Fortune דיווחה כי ClickUp כבר מפעילה כ-3,000 סוכני AI פנימיים מול כ-1,300 עובדים, יחס של בערך שלושה סוכנים לכל עובד. אם הנתון הזה משקף את המציאות התפעולית בחברה, ClickUp לא רק מדברת על עידן הסוכנים - היא בוחנת אותו בתוך הארגון עצמו.

“זה לא עלויות”, אבל זה בהחלט על כסף

אוונס מדגיש שהמהלך לא נובע ממצוקה פיננסית. ClickUp גם אינה מציגה את עצמה כחברה בקשיים. החברה הודיעה בפברואר שעברה את רף 300 מיליון הדולר ב-ARR, הכנסות חוזרות שנתיות, השיקה Super Agents ורכשה את Codegen, חברה בתחום סוכני הקידוד. ClickUp גם מציגה את עצמה כחברה שמשרתת יותר מ-20 מיליון משתמשים ברחבי העולם.

בנוסף, Axios דיווחה בספטמבר כי ClickUp עברה 300 מיליון דולר ARR וכי הנפקה נמצאת על הרדאר שלה. Reuters דיווחה עוד ב-2021 שהחברה גייסה 400 מיליון דולר לפי שווי של 4 מיליארד דולר.

ועדיין, אי אפשר להתעלם מהפרדוקס. מצד אחד, החברה אומרת שזה לא קיצוץ עלויות. מצד שני, היא מפטרת יותר מחמישית מכוח האדם ומנתבת חלק מהחיסכון לתגמול גבוה יותר של עובדים שנשארים. זו אולי אינה סתירה חשבונאית, אבל זו בהחלט אמירה על שוק העבודה הבא: פחות תפקידים שנחשבים “רגילים”, יותר כסף למעטים שמוכיחים שהם יכולים להפעיל מערכות AI שמייצרות תפוקה גבוהה.

המודל הזה עשוי להיות יעיל, אבל הוא גם עלול להיות מקטב מאוד.

מה ClickUp מוכרת כאן, לעצמה ולשוק

חשוב להבין ש-ClickUp לא רק משתמשת בסוכנים. היא גם רוצה למכור אותם. רכישת Codegen, לפי הודעת החברה, נועדה לשלב סוכני קידוד בתוך סביבת העבודה של ClickUp, כך שצוותים יוכלו לנהל עבודה, מסמכים, שיחות וקוד במקום אחד. החברה ניסחה את זה כבסיס לסוכנים שמבינים לא רק את הקוד, אלא גם את העסק.

לכן הפיטורים הם גם סיפור מוצרי. ClickUp מנסה להראות שהיא לא רק עוד כלי לניהול משימות, אלא סביבת עבודה שבה בני אדם, תוכנות וסוכנים פועלים יחד. אם היא תצליח, הסיפור שלה יהיה הוכחת יכולת. אם לא, הוא יהיה תזכורת לכך שקל יותר לדבר על ארגון פי 100 מאשר לבנות כזה לאורך זמן.

דוח Global AI Pulse של KPMG מזהיר בדיוק מהפער הזה: השקעה גדולה ב-AI לא מבטיחה ערך עסקי. לפי הדוח, האתגר המרכזי הוא לחבר בין מערכות, תהליכים, ממשל ארגוני ויכולת אנושית, כך ש-AI לא יהיה אוסף כלים מפוזר אלא מערכת עבודה מתוזמרת.

מי יגדל את העובדים הבכירים של העתיד?

הנקודה החסרה ביותר בחזון של אוונס היא מסלול ההכשרה. אם הקוד נכתב על ידי סוכנים ונבדק על ידי מהנדסים בכירים, איפה ג׳וניורים לומדים לכתוב קוד טוב? אם מחקר משתמשים וטיוטות מוצריות מיוצרים על ידי AI, איך עובדים צעירים בונים אינטואיציה? ואם הערך הגדול עובר למי שכבר יודע לתזמר, מי ייתן הזדמנות למי שעדיין לומד?

זו לא שאלה צדדית. ארגון שמתגמל בעיקר עובדים שכבר יודעים לנהל סוכנים עלול לייצר בעיה ארוכת טווח: פחות שכבת ביניים, פחות הכשרה, ופחות הזדמנויות כניסה למקצועות טכנולוגיים.

במילים אחרות, ClickUp אולי בונה את הארגון של העתיד, אבל שוק העבודה עדיין צריך להבין איך מכשירים אנשים לחיות בתוכו.

העתיד הוא עובדים שמבינים מערכות

המשפט המסיים של אוונס, שלפיו העתיד אינו פחות אנשים אלא עבודה אחרת, תפקידים חדשים ותגמול טוב יותר למי שמאמץ את השינוי, נשמע אופטימי. אבל הוא מופיע באותו פוסט שבו החברה מודיעה על קיצוץ של כוח האדם שלה.

הדרך היחידה ליישב את המתח הזה היא להבין למה הוא באמת מתכוון. העתיד אינו בהכרח בלי עובדים. הוא עתיד שבו חברות ידרשו מעובדים לעשות פחות עבודה ידנית ויותר ניהול של מערכות. פחות ביצוע ישיר, יותר תזמור. פחות נפח עבודה, יותר שיקול דעת. פחות “להשתמש ב-AI”, יותר לבנות סביבו תהליך שאפשר לסמוך עליו.

הסיפור של ClickUp חשוב כי הוא מציג את המעבר משלב ההתלהבות לשלב הארגון מחדש. זה כבר לא רק “איך העובדים שלנו משתמשים ב-AI”, זו שאלה קשה יותר - כמה עובדים צריך, איזה סוג עובדים צריך, וכמה שווה מי שמסוגל להפוך סוכנים לתפוקה אמיתית.

התשובה של ClickUp נועזת, אולי מוקדמת, ואולי גם מסוכנת. אבל היא כנראה לא תהיה האחרונה.

אני ממליץ להשקיע כמה דקות ולקרוא את המניפסט המלא של אוונס ב-X.

הפוסט הפיטורים ב-ClickUp הם הצצה לארגון שבו העובדים מנהלים סוכני AI הופיע ראשון בLet's AI בינה מלאכותית

1. התחילו מהמטרה, לא רק מהמשימה

רוב האנשים מתחילים מהפעולה: “כתוב סקירה”, “נסח מייל”, “תסכם מסמך”, “תכין פוסט”. זה חשוב, אבל זה לא מספיק. המודל צריך להבין למה התוצר הזה קיים.

ניסוח בסיסי:

כתוב סקירה על שימוש בבינה מלאכותי בשירות לקוחות

ניסוח נכון יותר:

כתוב סקירה שתעזור למנהל שירות לקוחות להבין האם כדאי לו לבדוק פיילוט בינה מלאכותית בצוות שלו, ומה עליו לבדוק לפני החלטה

בשני המקרים המודל כותב סקירה. אבל בגרסה השנייה הוא מבין שהתוצר אמור לעזור בקבלת החלטה, לא רק להסביר נושא. זה משנה את המבנה, את הדגשים, את רמת הפירוט ואת סוג הסיכונים שיופיעו בתשובה.

כלל פשוט: לפני שאתם כותבים פרומפט, תשאלו מה אמור לקרות אחרי שמישהו יקרא את הפלט. האם הוא צריך להבין משהו, לבחור בין חלופות, לאשר פעולה, לקבוע פגישה או להימנע מטעות?

2. הגדירו את התוצר, אבל חברו אותו לשימוש

כן, צריך להגיד למודל מה אתם רוצים לקבל: טבלה, מייל, רשימה, מסמך, תסריט, JSON, תוכנית עבודה או פוסט. אבל התוצר לבדו לא מספיק. צריך להסביר איך ישתמשו בו.

ניסוח בסיסי:

צור טבלה שמשווה בין שלושה כלים לניהול פרויקטים

ניסוח נכון יותר:

צור טבלה שתעזור למנהלת תפעול לבחור כלי לניהול פרויקטים עבור צוות של 12 אנשים. השווה לפי קלות שימוש, עבודה עם לקוחות, אוטומציות וסיכון בהטמעה

היתרון כאן הוא לא שהפרומפט ארוך יותר. אנחנו דווקא בעד מיקוד, אבל קצר לא אומר ממוקד בהכרח. היתרון הוא שהמודל מבין מה הטבלה אמורה לאפשר. הוא לא רק ממלא עמודות, אלא בונה כלי לקבלת החלטה.

3. תנו למודל תפקיד, לא ביוגרפיה דמיונית

הרבה פרומפטים מתחילים ב”פעל כמומחה עם 20 שנות ניסיון”. זה לא בהכרח מזיק, אבל לרוב יש דרך מדויקת יותר: להגדיר נקודת מבט.

במקום:

פעל כמומחה שיווק עם 20 שנות ניסיון

כתבו:

נתח את הטקסט מנקודת מבט של מנהלת שיווק שרוצה להבין האם המסר ברור לקהל לא טכני

או:

כתוב את ההסבר מנקודת מבט של עורך שמחפש בהירות, דיוק וקצב, לא שפה שיווקית

תפקיד טוב עוזר למודל להבין מה חשוב, מה שולי, מה לבדוק ואיזה סוג תשובה מתאים למשימה. לא צריך להמציא למודל קורות חיים. צריך לכוון את זווית המבט שלו.

4. הגדירו שיטת עבודה, לא רק טון

טון אומר איך התשובה נשמעת. שיטת עבודה אומרת איך המודל מתנהל כשהוא עובד. זו הבחנה חשובה. “כתוב בטון מקצועי” יכול לעזור, אבל הוא לא אומר למודל איך לגשת למשימה. שיטת עבודה כן.

דוגמאות:

ענה בצורה קצרה ומעשית. הצג קודם את ההנחות שלך, אחר כך שלוש אפשרויות, ואז המלצה אחת ברורה

אם יש כמה כיוונים אפשריים, השווה ביניהם בטבלה. בסוף בחר אפשרות אחת והסבר למה

אל תבקש אישור על כל צעד. אם אפשר להתקדם על בסיס הנחה סבירה, ציין את ההנחה והמשך

5. אל תכתיבו תהליך כשאין צורך

לפעמים כדאי להגדיר למודל שלבים. למשל בניתוח משפטי, בדיקת נתונים, תהליך רגולטורי או נוהל פנימי (SOP) שבו סדר הפעולות חשוב. אבל בהרבה משימות כתיבה, חשיבה או תכנון, עדיף להגדיר את התוצאה הרצויה ולא לנהל כל צעד בדרך.

ניסוח שמנהל את הדרך:

תתחיל בפסקת פתיחה, תמשיך בשלושה יתרונות, תוסיף סיכון אחד ותסיים במסקנה

ניסוח שמגדיר תוצאה:

כתוב סקירה קצרה שתעזור למנהל להבין מה הבעיה, למה היא חשובה, מה הסיכון ומה הצעד הבא

הגרסה השנייה משאירה למודל חופש לבנות את התשובה, אבל מגדירה לו היטב מה התשובה צריכה להשיג.

הכלל: אם הדרך חשובה, הגדירו דרך. אם התוצאה חשובה, הגדירו מהי הצלחה.

6. הגדירו קריטריוני הצלחה

זה אחד החלקים החשובים ביותר בהגדרת משימה. אל תבקשו מהמודל “תשובה טובה”. הגדירו איך תיראה תשובה טובה.

ניסוח בסיסי:

כתוב פוסט טוב ללינקדאין על המוצר החדש

ניסוח נכון יותר:

כתוב פוסט לינקדאין על המוצר החדש. הפוסט טוב אם:

- הקורא מבין בשלוש השורות הראשונות מה הבעיה שהמוצר פותר

- אין בו שפה שיווקית ריקה

- יש קריאה ברורה לפעולה: להיכנס ולנסות, לא לקנות

- אפשר להבין את הערך גם בקריאה מהירה

קריטריוני הצלחה עושים שני דברים: הם מכוונים את המודל לפני הכתיבה, והם מאפשרים לכם לבדוק את התוצאה אחרי שהיא נוצרה. בלי קריטריונים, אתם מסתמכים על ה"טעם של המודל". עם קריטריונים, אתם מגדירים סטנדרט.

ועוד משהו שחשוב לזכור: אם אי אפשר לבדוק את התוצאה, קשה לשפר אותה.

7. הגדירו מגבלות מעטות וברורות

מגבלות הן גבולות שמונעים תוצאה לא מדויקת, לא שימושית או מסוכנת. הן לא צריכות להיות רשימת איסורים ארוכה. עדיף מעט מגבלות חדות מאשר הרבה כללים שמכבידים על התוצאה.

דוגמאות למגבלות טובות:

- אל תמציא נתונים.

- אל תציין מספרים, אחוזים או דירוגים בלי מקור ושנה.

- אל תשתמש בביטויים כמו “מהפכני”, “פורץ דרך” או “משנה את כללי המשחק”.

- אל תציע פעולה משפטית, רפואית או פיננסית חד משמעית בלי לציין שצריך איש מקצוע.

- אל תמחק, תשלח, תפרסם או תשנה מידע לפני אישור מפורש.

שלוש מגבלות מדויקות עדיפות על 15 איסורים כלליים. שמרו את ה”אל תעשה” לדברים שבאמת חשוב שלא יקרו.

8. קבעו פורמט ואורך לפי השימוש האמיתי

המודל לא תמיד יודע אם אתם צריכים תשובה של שתי שורות, מייל קצר, מסמך מנהלים או טבלה מפורטת. לכן כדאי להגדיר אורך ופורמט מראש.

במקום:

תסביר לי בקצרה

כתבו:

הסבר ב-5 נקודות. כל נקודה עד 20 מילים. בסוף הוסף המלצה אחת

או:

כתוב מייל עד 120 מילים, עם שורת נושא, פתיחה קצרה, גוף וסיום. בלי רשימות

הפורמט הוא לא קישוט. הוא קובע אם אפשר להשתמש בתוצאה. תשובה מצוינת של 800 מילים לא עוזרת אם הייתם צריכים הודעת וואטסאפ למנהל. טבלה לא עוזרת אם אתם צריכים פסקת הסבר. התאימו את הצורה לשימוש.

9. קבעו כללי עצירה

רוב המשתמשים אומרים למודל מה לעשות. פחות משתמשים אומרים לו מתי לעצור. וזה קריטי. מודלים נוטים לנסות לענות גם כשחסר מידע. לפעמים עדיף שהמודל ישאל, יסמן חוסר ודאות או יגיד שאין לו מספיק מידע, אבל הוא כנראה לא יעשה את זה ביוזמתו.

דוגמאות לכללי עצירה:

- אם חסר מידע מהותי, שאל שאלה אחת לפני שאתה עונה

- אם אין מקור מאומת, אל תציג את הטענה כעובדה

- אם יש שתי פרשנויות אפשריות, הצג אותן בקצרה ובקש הכרעה.

- אם המשימה דורשת פעולה בלתי הפיכה, הצג קודם תוכנית לאישור.

- אם אין תאריך אספקה מעודכן, שאל לפני שאתה כותב מייל ללקוח.

ההבדל בין שיטת עבודה לכללי עצירה פשוט: שיטת עבודה מגדירה איך המודל עובד כשהוא ממשיך. כללי עצירה מגדירים מתי הוא לא ממשיך כרגיל, כי חסר מידע, יש אי ודאות, יש סיכון או נדרש אישור.

כללי עצירה חשובים במיוחד כשעובדים עם קבצים, דפדפן, מייל, מערכות עסקיות או מידע רגיש. ככל שהמודל יכול לעשות יותר, הגבולות צריכים להיות ברורים יותר.

10. בקשו בדיקה עצמית מול הקריטריונים

פרומפט טוב לא מסתיים ביצירת התשובה. הוא יכול לכלול גם בדיקת איכות. אפשר להוסיף בסוף:

לפני שאתה מציג את התשובה הסופית, בדוק אותה מול הקריטריונים. אם משהו חסר, תקן

או:

בסיום, בדוק:

- האם ענית למטרה?

- האם עמדת באורך?

- האם יש טענה לא מבוססת?

- האם יש פעולה ברורה להמשך?

אם יש בעיה, תקן לפני התשובה הסופית.

זה לא מבטיח תוצאה מושלמת. המודל עדיין יכול לטעות. אבל בדיקה עצמית קצרה מגדילה את הסיכוי לקבל תשובה ממוקדת, זהירה ושימושית יותר. קריטריונים טובים עובדים גם לפני התשובה וגם אחריה.

דוגמה מלאה: מפרומפט להגדרת משימה

ניסוח בסיסי וסביר:

כתוב פוסט לינקדאין על כלי AI חדש שעוזר לצוותים לכתוב בריפים טובים יותר. שיהיה מקצועי, קצר ומעניין

ניסוח משודרג:

כתוב פוסט לינקדאין על כלי AI חדש שעוזר לצוותים להפוך רעיונות מבולגנים לבריף עבודה ברור.

תפקיד:כותב תוכן עסקי שמסביר בגובה העיניים, לא הייפ שיווקי

שיטת עבודה:כתוב קצר, ישיר ומעשי. פתח בשורת ערך ברורה, אחר כך הסבר מה הכלי עושה, ואז סיים בקריאה לפעולה.

פורמט פלט:פוסט מוכן להעתקה ללינקדאין, עם שורות קצרות ורווחים בין פסקאות.

מטרה:לגרום למנהלים לא טכניים בצוותי שיווק, מוצר ותפעול להבין בתוך שלוש השורות הראשונות למה שווה לבדוק את הכלי.

קריטריונים:

- הערך ברור מהר

- אין שפה שיווקית ריקה

- הקורא מבין מה הכלי עושה בלי הסבר ארוך

- יש קריאה לפעולה: לנסות את הכלי

מגבלות:

- עד 150 מילים

- בלי “מהפכני”, “פורץ דרך” או “שמחים להשיק”

- בלי אמוג’ים

כללי עצירה:אם חסר מידע מהותי על הכלי, שאל שאלה אחת לפני הכתיבה.

בדיקה עצמית:לפני הסיום, בדוק שהפוסט עומד בכל הקריטריונים. אם משהו חסר, תקן.

הפרומפט השני לא טוב יותר כי הוא ארוך או מפורט יותר. הוא נכון יותר כי הוא מגדיר עבודה טובה. הוא אומר למודל מאיזה עיניים להסתכל על המשימה או איזה כובע לחבוש, איך לעבוד, מה המטרה, איך נראית הצלחה, מה לא לעשות ומתי לעצור.

תבנית קצרה להעתקה

תפקיד:

מאיזה עיניים המודל מסתכל?

שיטת עבודה:

איך המודל מתקשר איתכם כשהוא עובד?

פורמט פלט:

איך התוצאה צריכה להיראות?

מטרה:

מה התוצאה אמורה להשיג?

קריטריונים:

איך נראית הצלחה?

מגבלות:

מה אסור שיקרה?

כללי עצירה:

מתי לשאול, לעצור או לסמן חוסר ודאות?

בדיקה עצמית:

בדוק את הפלט מול הקריטריונים לפני התשובה הסופית 

לא כל משימה צריכה את כל השדות. בשביל מייל קצר, אולי מספיקים מטרה, פורמט ומגבלה אחת. בשביל מסמך ללקוח, החלטה עסקית, תוכן מקצועי או עבודה עם מידע רגיש, כדאי למלא יותר.

משימה פשוטה? מספיקים 2-3 שדות. משימה מורכבת או רגישה? בנו בריף מלא.

הצצה לעתיד: הפרומפט הוא רק חלק מהמערכת

העתיד של העבודה (שהוא כבר ממש כאן בהווה) עם מודלים מתקדמים לא ייקבע רק לפי מי יודע לנסח את הפרומפט הכי טוב. הוא ייקבע לפי מי יודע לבנות למודל את ההקשר הנכון.

ההקשר הוא המידע, הרקע, המטרה והמסמכים שהמודל מקבל. המערכת היא האופן שבו מגדירים לו תפקיד, שיטת עבודה, כלים, גבולות וקריטריוני הצלחה. התוצאה היא לא רק הטקסט שהמודל מחזיר, אלא השאלה האם הוא באמת עוזר להבין, להחליט או לפעול.

ככל שהמודלים יפעלו יותר בתוך קבצים, דפדפנים, מערכות ארגוניות ותהליכים אמיתיים, העבודה שלנו תזוז מכתיבת בקשות להגדרת סביבות פעולה. זו כבר לא רק הנדסת פרומפטים. זו הדרך שבה אנחנו מתכננים למודל את העולם הקטן שבו הוא אמור לעבוד.

הפוסט איך הופכים פרומפט להגדרת משימה עבור מודלים מתקדמים הופיע ראשון בLet's AI בינה מלאכותית

1. Gemini Spark: הסוכן האישי של גוגל

ההכרזה הכי חשובה בכנס היא Gemini Spark. זו לא עוד גרסה של Gemini, אלא ניסיון להפוך אותו מסייען שמגיב לשאלות לסוכן אישי שעובד ברקע.

Spark מחובר לכלים כמו Gmail, Docs, Slides ו-Workspace, רץ בענן, ויכול להמשיך לעבוד גם כשהטלפון נעול או כשהמחשב סגור. הרעיון הוא לא לבקש ממנו “תסכם לי משהו”, אלא לתת לו משימה מתמשכת: לבדוק חיובים חבויים בפירוט האשראי, לעקוב אחרי מיילים מבית הספר של הילדים ולשלוח סיכום יומי, או להפוך סיכומי פגישות למסמך מסודר ואימייל מלווה.

זה הרגע שבו AI מתחיל להיראות פחות כמו צ’אט ויותר כמו עובד רקע. לא עובד עצמאי לגמרי, וזה חשוב, אלא מערכת שפועלת תחת ההנחיות שלכם. גוגל מדגישה שהמשתמש בוחר אילו אפליקציות לחבר, ושהסוכן אמור לבקש אישור לפני פעולות רגישות כמו שליחת מייל או הוצאת כסף. בגרסה הארגונית, Spark רץ בסביבות מבודדות ב-Google Cloud, עם בקרת הרשאות, מדיניות למניעת דליפת מידע וחיבור לכלים כמו SharePoint, OneDrive ו-ServiceNow.

למי שנרתע מסוכני AI בגלל התקנות מורכבות, קבצי קונפיגורציה או מיפוי תיקיות, Spark מסמן כיוון אחר עם סוכן שמגיע כבר בתוך סביבת העבודה הקיימת של גוגל. זה לא אומר שהוא יהיה פתוח מחר לכולם. הוא מתחיל אצל trusted testers, ובהמשך כבטא למנויי Google AI Ultra בארה”ב. אבל הכיוון ברור: גוגל רוצה להפוך את הסוכן האישי למוצר צרכני, לא רק לכלי של מפתחים ומשתמשים כבדים.

2. Google Search ו-AI Mode: החיפוש מתחיל לפעול

אם Spark הוא הסוכן האישי, החיפוש הוא שכבת ההפצה. גוגל הכריזה על השדרוג הגדול ביותר לתיבת החיפוש ביותר מ-25 שנה: תיבת חיפוש חדשה שמבינה טקסט, תמונות, קבצים, וידאו וטאבים פתוחים בכרום, ומאפשרת לעבור משאלת חיפוש רגילה לשיחה מתמשכת ב-AI Mode. ה-AI Mode עצמו כבר עבר מיליארד משתמשים חודשיים, והוא משודרג עכשיו ל-Gemini 3.5 Flash כברירת מחדל.

החידוש החשוב יותר הוא לא תשובה טובה יותר, אלא חיפוש שהופך למערכת פעולה. Information Agents, סוכני המידע החדשים של גוגל, יכולים לרוץ ברקע 24/7 ולעקוב אחרי נושא שמעניין אתכם, לדוגמה, דירה שעונה על קריטריונים מאוד ספציפיים, ירידת מחיר, מוצר שחוזר למלאי, מידע פיננסי או עדכון ספורט. במקום לחזור שוב ושוב לאותו חיפוש, אתם מגדירים סוכן, והוא אמור לשלוח עדכון מסונתז כשמשהו רלוונטי קורה. היכולת הזו תגיע קודם למנויי Google AI Pro ו-Ultra בקיץ.

החיפוש גם מתחיל לבנות ממשקים. Search יוכל להרכיב בזמן אמת טבלאות, גרפים, סימולציות ורכיבי UI שמתאימים לשאלה. ואם המשימה מתמשכת, למשל תכנון מעבר דירה או בניית שגרת כושר, הוא יוכל לבנות מיני-אפליקציה או דאשבורד שאפשר לחזור אליו. היכולות הבסיסיות של generative UI אמורות להיות זמינות בחינם בקיץ, בעוד מיני-אפליקציות מתמשכות יתחילו קודם למנויי Pro ו-Ultra בארה”ב.

זו אולי ההכרזה הכי אסטרטגית של הכנס. גוגל לא רק מוסיפה AI לחיפוש. היא מנסה להגדיר מחדש מהו חיפוש. לא מקום שמחזיר קישורים, אלא שכבת עבודה שמבינה מה אתם מנסים לעשות ומייצרת עבורכם את הצעד הבא.

3. Gemini 3.5 Flash: המנוע שמריץ את כל הסיפור

Gemini 3.5 Flash הוא לא בהכרח ההכרזה הכי נוצצת של Google I/O 2026, אבל הוא אחד החלקים החשובים ביותר בתמונה. אם Spark הוא הסוכן, ו-AI Mode הוא שער הכניסה למיליארדי משתמשים, 3.5 Flash הוא המנוע שאמור לאפשר לכל זה לעבוד בקנה מידה גדול.

גוגל מציגה אותו כמודל הראשון בסדרת Gemini 3.5, עם שילוב של ביצועי frontier, מהירות גבוהה ועלות נמוכה יחסית, במיוחד במשימות אייג׳נטיות, קוד ושימוש בכלים. לפי Google Cloud, זהו מודל הסוכנים והקוד החזק ביותר של גוגל עד כה, והוא עוקף את Gemini 3.1 Pro בכמה מדדים מרכזיים, בהם Terminal-Bench 2.1, GDPval-AA ו-MCP Atlas. המודל כבר נמצא בבדיקות וצפוי להגיע בהמשך.

הקפיצה של Flash. מקור: Google DeepMind

הגרף למעלה מסביר את השינוי הכי חשוב: Flash כבר לא מתפקד רק כגרסה המהירה והקלה של Gemini. בעבר, מודלי Flash נתפסו בעיקר כאפשרות הזולה והזריזה יותר, זו שבוחרים כשלא צריך את “המודל הכבד”. עכשיו גוגל מנסה למקם את Flash במקום אחר לגמרי, עם מודל שמספיק חזק כדי להריץ סוכנים, ממשקים, קוד וזרימות עבודה מורכבות, אבל עדיין מהיר מספיק כדי לשבת בתוך מוצרים כמו Search, Workspace, Antigravity ו-Gemini.

זה קריטי כי סוכנים לא עובדים כמו צ’אט רגיל. הם לא רק כותבים תשובה אחת ומסיימים. הם צריכים לקרוא הרבה מידע, לתכנן, לבצע צעדים, לבדוק תוצאה, להשתמש בכלים, לחזור אחורה כשמשהו משתבש, ולפעמים להמשיך לעבוד לאורך זמן. בשביל זה לא מספיק מודל חכם. צריך מודל מהיר, יציב וזול מספיק כדי להריץ מיליוני תהליכים כאלה במקביל.

לפי Artificial Analysis, מודל Gemini 3.5 Flash ממוקם גבוה יחסית במדד האינטליגנציה ובמקביל מציג מהירות פלט גבוהה במיוחד. זו בדיוק נקודת האיזון שגוגל צריכה עבור סוכנים שפועלים בתוך Search, Workspace וכלי פיתוח.

מקור: Artificial Analysis

הגרף של Artificial Analysis מוסיף שכבה חשובה לטיעון - היתרון של 3.5 Flash הוא לא רק בציון כזה או אחר, אלא במיקום שלו על הציר שבין איכות למהירות. לפי הגרף, המודל מגיע לציון 55 במדד האינטליגנציה שלהם ומפיק יותר מ-280 טוקנים בשנייה בגרסה שנמדדה. במילים פשוטות, הוא לא רק מנסה להיות חכם יותר מ-Flash הקודם, אלא גם לשמור על תחושת תגובה מהירה מספיק לעבודה יומיומית.

וכאן צריך להכניס הסתייגות חשובה. 3.5 Flash לא מנצח בכל מבחן, והוא גם לא בהכרח יהיה “המודל הכי טוב” לכל משימה. בטבלת הבנצ’מרקים המלאה של Google DeepMind אפשר לראות תמונה מורכבת יותר שבה הוא עוקף את Gemini 3.1 Pro בכמה מבחני קידוד, סוכנים, מולטימודליות ושימוש בכלים, אבל GPT-5.5 ו-Claude Opus 4.7 עדיין מובילים בחלק מהמדדים, במיוחד בהסקה, הקשר ארוך או משימות מסוימות של קוד.

וזו בדיוק הנקודה. ההכרזה החשובה כאן היא לא שגוגל ניצחה את כולם בכל טבלה, אלא שמודל ממשפחת Flash כבר נמצא באותה שיחה עם מודלי דגל.

לא ניצחון מוחלט, אלא שינוי מעמד. מקור: Google DeepMind

גם סוגיית המחיר מורכבת יותר ממה שנשמע במצגת. Google Cloud כותבת ש-3.5 Flash מתאים למשימות אייג׳נטיות ארוכות ולעיתים יכול לפעול בפחות ממחצית העלות של מודלים דומים ברמת frontier. מצד שני, Artificial Analysis מציינת שהמודל יקר בהרצה לעומת Gemini 3 Flash הקודם, בין היתר בגלל תמחור גבוה יותר ושימוש רב יותר בטוקנים במשימות מורכבות. לכן ההבטחה היא לא “יותר חכם וזול תמיד”, אלא יחס חדש בין ביצועים, מהירות ועלות, שצריך לבחון לפי המשימה בפועל.

בסוף, זה הסיפור של Gemini 3.5 Flash: לא המודל הכי דרמטי על הבמה, אלא המודל שאמור לגרום לכל ההכרזות האחרות להרגיש אפשריות. אם גוגל רוצה שסוכנים ירוצו ברקע, שהחיפוש יבנה ממשקים, ש-Antigravity ינהל סוכני קוד, וש-Workspace יסכם ויפעל בזמן אמת, היא צריכה מודל שמסוגל לעשות הרבה עבודה במהירות ובעלות סבירה. Gemini 3.5 Flash הוא ההימור שלה על שכבת התפעול הזו.

4. Gemini Omni ו-Flow: הווידאו הופך לשיחה

עבור יוצרים, אנשי וידאו, סושיאל וקריאייטיב, Gemini Omni הוא אחת ההכרזות המסקרנות ביותר. על הנייר, זה מודל וידאו חדש. בפועל, הוא מסמן מעבר חשוב מיצירת סרטון בפרומפט אחד לתהליך יצירה שיחתי ומתמשך.

Gemini Omni Flash יודע לשלב טקסט, תמונות, וידאו ואודיו כקלט, ולייצר וידאו או לערוך וידאו קיים בשפה טבעית. גוגל מתארת אותו כמודל שיכול ליצור “כל דבר מכל קלט”, בשלב ראשון וידאו, ובהמשך גם פלטים נוספים כמו תמונה ואודיו. הוא מתגלגל לאפליקציית Gemini, ל-Google Flow ול-YouTube Shorts.

הדבר החשוב כאן הוא שליטה. אחד הכאבים הגדולים בכלי וידאו ג׳נרטיביים הוא חוסר היכולת לערוך בצורה מדויקת. מקבלים תוצאה מרשימה, אבל שינוי קטן עלול להרוס את כל הסצנה. Omni מנסה לפתור את זה דרך עריכה שיחתית: לשנות רקע, להחליף תאורה, להוסיף דמות, לשנות פעולה, או להמשיך לעבוד על אותו סרטון בלי להתחיל מחדש. גוגל מדברת גם על עקביות טובה יותר של דמויות ועל הבנה טובה יותר של פיזיקה והקשר.

ב-Flow זה מתחבר לתהליך יצירה רחב יותר. Flow Agent יכול לעזור בסיעור מוחות, דיאלוג, עריכה, יצירת וריאציות, עריכה קבוצתית של נכסים, ארגון קבצים ושינוי שמות לנכסים בפרויקט. זה לא רק “תיצור לי קליפ”, אלא ניסיון לבנות סביבת עבודה יצירתית שבה הסוכן מלווה את כל התהליך.

וכאן מתחילה התחזית המעניינת יותר. אם מחברים את Omni ל-Search שמייצר מיני-אפליקציות, ל-Stitch שבונה ממשקים בזמן אמת ול-Flow שמארגן תהליך יצירתי, אפשר לראות כיוון רחב יותר שבו AI לא רק מייצר תוכן, אלא מייצר את הממשק המתאים למשימה. במקום לפתוח אפליקציה קבועה עם פריסה קבועה, המערכת עשויה בעתיד לבנות עבורנו את המסך המדויק שנדרש באותו רגע. ארוחת ערב תהפוך למפה עם אפשרויות, פגישה תהפוך למסך עם מוזמנים, מסמכים ונקודות שיחה, וסרטון יהפוך לקנבס שנערך בשיחה.

זה לא הוכרז כמוצר מלא. אבל זה אחד הכיוונים הכי מעניינים שהכנס רמז אליהם.

5. Daily Brief: היום שלכם הופך לפיד סוכני

Daily Brief פחות נוצץ מ-Omni ופחות דרמטי מ-Spark, אבל ייתכן שהוא יהיה אחד הפיצ’רים שאנשים ירגישו הכי מהר ביום-יום. הרעיון פשוט - במקום לפתוח בבוקר מייל, יומן, משימות, הודעות ומסמכים בנפרד, Gemini מכין תדריך אישי שמרכז את מה שחשוב להתחלת היום.

Daily Brief עובד על בסיס אפליקציות מחוברות כמו Gmail ו-Calendar, אוסף עדכונים דחופים, מזהה אירועים קרובים, מסדר פרטים רלוונטיים ומציע צעדים הבאים. גוגל מדגישה שזה לא רק סיכום, אלא מנגנון שמנסה לתעדף לפי המטרות שלכם, ואפשר ללמד אותו עם פידבק לאורך זמן. הפיצ’ר מתחיל להתגלגל למנויי Google AI Plus, Pro ו-Ultra, בשלב ראשון בארה”ב.

החשיבות של Daily Brief היא לא הפיצ’ר עצמו, אלא המטאפורה. גוגל רוצה להפוך את Gemini לשער הכניסה ליום הדיגיטלי שלכם. לא עוד אפליקציה שפותחים כשצריך תשובה, אלא שכבת תיווך שמסבירה מה קרה, מה דחוף, מה מחכה לאישור ומה כדאי לעשות עכשיו.

במובן הזה, Daily Brief הוא אולי הסוכן הכי “אנושי” בהכרזות. הוא לא מבטיח לבצע הכול לבד. הוא מנסה להפחית רעש, לארגן הקשר ולתת לכם נקודת פתיחה. ובעולם שבו רובנו מתחילים את היום במבול של הודעות, זו לא יכולת קטנה.

עוד הכרזות שכדאי להכיר

מעבר לחמש ההכרזות המרכזיות, היו עוד כמה מהלכים חשובים.

Google Pics הוא כלי חדש ליצירת ועריכת תמונות בתוך Workspace, שמבוסס על Nano Banana. הוא מאפשר לבחור אובייקטים ספציפיים בתמונה, להזיז, לשנות גודל, להחליף צבע או להפוך אלמנט אחד לאחר, וגם לערוך או לתרגם טקסט בתוך תמונה בלי להרוס את כל העיצוב. הוא מתחיל אצל Trusted Testers, ובהמשך צפוי להגיע למנויי Pro ו-Ultra וללקוחות Workspace עסקיים.

Gmail Live, Docs Live ו-Talk to Keep מכניסים עבודה קולית לתוך Workspace. לשאול את Gmail על מידע בתיבה, לדבר עם Docs כדי לבנות טיוטה, או להכתיב בלגן מחשבתי ל-Keep ולקבל רשימה מסודרת. היכולות האלה יגיעו בקיץ למנויי Google AI Pro ו-Ultra, וב-preview ללקוחות עסקיים.

AI Inbox מקבל יכולות פעולה בתוך Gmail. טיוטות תשובה מותאמות, קישורים למסמכים רלוונטיים וניהול משימות מתוך התיבה. הוא זמין ל-Ultra וללקוחות Workspace Enterprise Plus ב-preview, ומתחיל להתגלגל גם למנויי Plus ו-Pro בארה”ב.

Universal Cart הוא ניסיון להפוך את הקניות ברשת לתהליך אייג׳נטי. עגלת קניות אחת שפועלת בין Search, Gemini, YouTube ו-Gmail, עוקבת אחרי ירידות מחיר, זמינות במלאי, היסטוריית מחירים ותאימות בין מוצרים, ומתחברת ל-Google Wallet ול-Google Pay. היא תתחיל להתגלגל בקיץ ב-Search וב-Gemini, ובהמשך ביוטיוב וב-Gmail.

Antigravity 2.0 ו-Managed Agents API הם הצד של המפתחים והארגונים. סביבה לתזמור סוכני פיתוח, CLI, אפליקציית דסקטופ, וסוכנים מנוהלים שרצים בסביבות מאובטחות של Google Cloud. לצד זה גוגל הציגה גם את CodeMender, סוכן אבטחת קוד שמזהה חולשות, מציע תיקונים ובודק אותם באישור מפתחים.

Ask YouTube ויכולות הרימיקס החדשות ביוטיוב מכניסות AI עמוק יותר לפלטפורמת הווידאו של גוגל עם חיפוש שיחתי שמבין שאילתות מורכבות יותר, לצד שילוב Gemini Omni ב-Shorts Remix וב-YouTube Create. זה חשוב במיוחד ליוצרים, כי ה-AI לא נשאר בכלי צדדי, אלא נכנס לפלטפורמת ההפצה עצמה.

Android XR glasses מחזירים את גוגל לעולם המשקפיים החכמים, הפעם עם Gemini, שיתוף פעולה עם Samsung ו-Qualcomm, ועיצובים של Gentle Monster ו-Warby Parker. הדגמים הראשונים יהיו משקפי אודיו ויגיעו בהמשך הסתיו, עם תמיכה גם באנדרואיד וגם ב-iOS.

SynthID ו-C2PA הם שכבת האמון של הסיפור. גוגל מרחיבה את היכולת לזהות תוכן שנוצר או נערך ב-AI דרך סימון דיגיטלי בלתי נראה, אימות בתוך Gemini, Search ו-Chrome, ותמיכה ב-Content Credentials של C2PA. בעידן שבו יצירת וידאו, תמונה וקול הופכת קלה יותר, סימון ואימות הם כבר ממש לא פרט טכני, אלא תנאי בסיסי לאמון.

מה באמת קרה כאן

אפשר לסכם את I/O 2026 כרשימה ארוכה של פיצ’רים - אבל זו תהיה טעות. הסיפור הוא לא שגוגל הכריזה על עוד מודל, עוד אפליקציה ועוד כמה כלים ליוצרים. הסיפור הוא שגוגל מנסה לחבר את כל שכבות המוצר שלה, חיפוש, Workspace, YouTube, Android, Cloud, Shopping ו-Gemini, למערכת אייג׳נטית אחת.

במובן הזה, העתיד שגוגל מציגה הוא לא רק “AI חכם יותר”, הוא AI שנמצא ביותר מקומות, מחזיק יותר הקשר, מבצע יותר פעולות, ומבקש מאיתנו לנהל אותו במקום רק לדבר איתו.

זו הבטחה גדולה. היא גם סיכון גדול. ככל שסוכנים מקבלים גישה למייל, קבצים, תשלומים, קוד, יומן ומידע אישי, השאלה החשובה היא לא רק מה הם יודעים לעשות, אלא מי נותן להם הרשאה, מתי הם עוצרים, איך הם מסבירים את עצמם, ומה נשאר בשליטת המשתמש האנושי.

Google I/O 2026 לא פתר את השאלות האלה, אבל הוא כן הבהיר את הכיוון. עידן הצ’אטבוטים לא נעלם, אבל הוא מפנה מקום לשלב הבא. שלב שבו AI לא רק עונה, אלא עובד.

למי שרוצה לצפות ב-Keynote המלא של גוגל, כנסו כאן.

הפוסט 5 ההכרזות הכי חשובות של Google I/O 2026, ומה הן אומרות על העתיד של AI הופיע ראשון בLet's AI בינה מלאכותית

ידע מול ביצוע

בדצמבר 2025, אנטרופיק (Anthropic) פרסמה תקן פתוח בשם Agent Skills. הרעיון המקורי היה פשוט: במקום לדחוס את כל ההנחיות לתוך חלון ההקשר של מודל שפה, אפשר לארגן אותן כקבצי Markdown קטנים שנטענים רק כשצריך. תוך חצי שנה, הפורמט הזה הפך לתקן שאימצו יותר מ-26 פלטפורמות - בהן OpenAI, Cursor, GitHub Copilot ועוד. עכשיו, עם השקת Skills ב-Lovable, גם מי שלא כותב שורת קוד אחת יכול ליהנות מהתשתית הזו - ולהפוך תהליכי עבודה חוזרים לאוטומטיים לחלוטין.

ב-Lovable, ה-Skill הוא מעין playbook קצר, קובץ הוראות בשם מוגדר, שנכתב ב-Markdown (קובץ טקסט) ונשמר בסביבת העבודה. לכל Skill יש שם, תיאור שמסביר מתי להשתמש בו, וגוף הוראות שמגדיר מה Lovable צריכה לעשות כשהיכולת מופעלת. Skills מיועדים למשימות חוזרות כמו צ’קליסט השקה, ניסוח הודעות מוצר, תשובות תמיכה, בדיקות QA, סקירות נגישות או תהליכים פנימיים של צוות.

ההבדל החשוב הוא בין Knowledge לבין Skills. ה-Knowledge הוא ידע קבוע של סביבת העבודה, ונטען תמיד כרקע. הוא מתאים לכללים שחלים על כל פעולה, למשל סטנדרטים של קוד, שפת מותג או מידע קבוע על המוצר. Skills, לעומת זאת, נטענים רק כאשר המשימה מתאימה להם. במילים פשוטות, Knowledge הוא “מה Lovable תמיד צריכה לדעת”, ו-Skill הוא “איך Lovable צריכה לבצע משימה מסוימת”.

מבנה של Skill ב-Lovable

איך מפעילים את זה בפועל

הפעלת Skill יכולה לקרות בשתי דרכים. הראשונה אוטומטית: Lovable קוראת את תיאור ה-Skill ומחליטה אם הוא רלוונטי לבקשה הנוכחית. אם למשל קיימת יכולת בשם launch-checklist, והמשתמש כותב שהוא מתכונן להעלות פרויקט לאוויר, Lovable יכולה להשתמש בה בלי שהמשתמש יצטרך לקרוא לה ידנית.

הדרך השנייה היא הפעלה ידנית דרך תפריט / בצ’אט. המשתמש מקליד /, בוחר את ה-Skill הרצוי, ואז מוסיף את הבקשה שלו. Lovable מתייחסת ל-Skill כאל הוראות הביצוע, ולפרומפט שאחריו כאל המשימה עצמה. זה בעצם הצימוד בין ה-“איך” לבין ה-“מה”.

כך מפעילים סקילים ב-Lovable - לוחצים על סלאש /

המשמעות הפרקטית היא שאפשר לבנות ספריית תהליכים קטנה בתוך Lovable, כמו Skill לבדיקת עמוד נחיתה לפני פרסום, Skill להפקת release notes, Skill לבדיקת הרשאות לפני השקה, Skill לשכתוב מסכים לפי שפת מותג, או Skill שמכריח את המערכת להציג תוכנית פעולה לפני שינוי משמעותי בקוד.

לא חייבים להתחיל מאפס

כדי להקל על ההתחלה, Lovable כוללת גם Skills מובנים מראש. Skills שנבנו על ידי Lovable זמינים בכל סביבת עבודה כברירת מחדל, מופיעים באותו תפריט לצד Skills מותאמים אישית, ויכולים להיות מופעלים ידנית או אוטומטית. המשתמשים יכולים לקרוא אותם ולהשתמש בהם, אבל לא לערוך, למחוק או להוריד אותם.

בצילום המסך מתוך הממשק של Lovable מופיעים חמישה Skills מובנים: accessibility, לבדיקת בעיות נגישות ותיקונן, redesign, לעיצוב מחדש של ממשק קיים, seo-review, שמריץ בדיקת SEO על הפרויקט, skill-creator, שעוזר ליצור או לעדכן Skills, ו-video-creator, שמיועד ליצירת וידאו או אנימציה באופן תכנותי. כך משתמשים יכולים להתנסות בפיצ’ר מיד, להבין איך Lovable מפעילה Skills בהקשר המתאים, ורק אחר כך לבנות יכולות מותאמות אישית לצרכים שלהם.

חמישה Skills מובנים בממשק Lovable

הנקודה החשובה היא שלא חייבים להתחיל מ-Skill מורכב. אפשר קודם להפעיל Skill מובנה, לראות איך הוא מתנהג בתוך פרויקט אמיתי, ואז לבנות גרסה מותאמת לתהליך עבודה שחוזר אצלכם.

איפה מוצאים את Skills בתוך Lovable

כדי להגיע למסך הניהול של Skills, נכנסים דרך תפריט החשבון האישי ב-Lovable, בוחרים Settings, ואז עוברים באזור ההתאמה האישית אל Skills. באותו אזור מופיעה גם אפשרות Knowledge.

כך מגיעים למסך Skills ב-Lovable

כך יוצרים Skill חדש

את ה-Skills מנהלים כאמור דרך Settings → Skills. יש חמש דרכים להוסיף Skill: לבנות אחת בשיחה מונחית עם Lovable, לכתוב ידנית, לייבא ממאגר GitHub ציבורי שכולל קובץ SKILL.md, להעלות קובץ ZIP, או להפוך פעולה מוצלחת מתוך שיחת פרויקט ל-Skill קבוע באמצעות בקשה כמו “save that as a skill”.

כאן חשוב להבין ש-Skill לא חייב להיות רק פרומפט קצר ששומרים בצד. בדוגמה (המצורפת) של Lovable ל-Website Copywriter, היכולת בנויה כתיקייה עם קובץ מרכזי בשם SKILL.md, שמגדיר את שם היכולת, התיאור, ההוראות, הקלטים הנדרשים והתוצאה הרצויה. לצדו מופיעים קבצי עזר כמו tone-guide.md ו-website-example.md, שמאפשרים ל-Skill להישען על טון כתיבה ודוגמה קיימת. במילים אחרות, Skills יכולים לארוז תהליך עבודה שלם, ולא רק פקודה אחת.

הנה הדוגמה ל-Skill מותאם אישית ב-Lovable: קובץ SKILL.md מרכז את ההוראות, ולצדו קבצי עזר שמגדירים טון כתיבה ודוגמה רצויה:

Skill מותאם אישית ב-Lovable | קרדיט: Lovable

האפשרות של להפוך פעולה מוצלחת מתוך שיחת פרויקט ל-Skill קבוע מומלצת במיוחד, כי היא מתאימה לאופן שבו אנשים באמת עובדים עם כלי AI. אם Lovable ביצעה משימה בצורה טובה, למשל ניסחה changelog מדויק או תיקנה עמוד לפי כללי עיצוב מסוימים, המשתמש לא צריך לשחזר את הפרומפט. הוא יכול לבקש להפוך את התהליך הזה ליכולת קבועה, לבדוק את הטיוטה, ולאשר את הפרסום שלה.

המעבר הזה חשוב כי הוא משנה את הדרך שבה משתמשים חושבים על פרומפטים. במקום להתייחס לכל בקשה כאל פעולה חד-פעמית, אפשר להתחיל לבנות ספריית תהליכים: איך כותבים קופי לאתר, איך בודקים עמוד לפני השקה, איך מנסחים הודעת עדכון, ואיך מוודאים ש-Lovable פועלת לפי הכללים של הצוות גם בפרויקטים חדשים.

למי זה זמין ומה אפשר לנהל

Skills נשמרות ברמת ה-Workspace, ולכן הן זמינות כברירת מחדל בכל הפרויקטים באותה סביבת עבודה. אם Skill מסוימת לא מתאימה לפרויקט ספציפי, אפשר להשבית אותה בהגדרות הפרויקט בלי למחוק אותה מה-Workspace ובלי להשפיע על פרויקטים אחרים.

מבחינת הרשאות, בעלי Workspace ומנהלי Workspace יכולים ליצור, לערוך, למחוק ולייבא Skills מותאמות אישית. משתמשים עם הרשאות Workspace owner, admin או editor, או משתמשים בעלי הרשאת Project editor ומעלה בפרויקט מסוים, יכולים לצפות ב-Skills ולהפעיל אותן בצ’אט של הפרויקט. בארגוני Enterprise, שינויים ב-Skills מתועדים גם ב-audit log של סביבת העבודה.

לגבי עלות, Lovable מציינת שאין עלות נוספת על יצירה או שימוש ב-Skill. יחד עם זאת, ההודעה שנשלחת בצ’אט עדיין צורכת קרדיטים רגילים, בין אם הופעל Skill ובין אם לא.

מה כדאי לבנות קודם

הטעות הנפוצה תהיה לבנות Skill גדול מדי שמנסה לכסות הכול. Lovable עצמה ממליצה על עיקרון פשוט: Skill אחד - משימה אחת. יכולת טובה צריכה להיות ממוקדת, עם תיאור ברור שמתחיל ב-“Use when”, גבולות שימוש, דוגמאות, ומה לא לעשות. ככל שהתיאור עמום יותר, כך גדל הסיכוי ש-Lovable תפעיל את היכולת בזמן הלא נכון, או לא תפעיל אותה כשהיא דווקא נחוצה.

היכולת לשלוף את ה"מתכון" המתאים לכל משימת פיתוח

למשתמש מתחיל, שלושה Skills טובים להתחלה יכולים להיות צ’קליסט לפני השקה, בדיקת SEO לעמוד קיים, וסקירת UI לפי כללי מותג. לצוותים, הערך הגדול יותר נמצא בסטנדרטיזציה: כולם עובדים עם אותה רשימת בדיקות, אותו סגנון ניסוח ואותם גבולות פעולה.

דרך לשמור הרגלי עבודה

חשוב לא להפריז במה שהפיצ’ר עושה. Skill זה לא סקריפט, לא בוט עצמאי ולא מנגנון שמריץ בדיקות לבדו. הוא סט הוראות ש-Lovable קוראת כאשר המשימה מתאימה. גם Lovable עצמה מדגישה ש-Skills לא מחליפים פרומפטים, אלא משפרים אותם. אם הבקשה עצמה כללית מדי, גם Skill טוב לא יצליח לנחש את המוצר, קהל היעד או מטרת העמוד.

יש גם מגבלות שכדאי להכיר. Skills לא מועילים במיוחד למשימות חד-פעמיות, יותר מדי Skills חופפים עלולות ליצור התנגשויות, ו-Skill שלא עודכן עלול להפוך עם הזמן למקור להנחיות שגויות. שינוי ב-Skill חל רק על שיחות עתידיות, כך שלא כדאי לצפות שעדכון באמצע שיחה ישנה מיד את ההתנהגות של Lovable באותה שיחה.

למה זה חשוב

המהלך של Lovable משתלב במגמה רחבה יותר בכלי AI: מעבר מצ’אט חד-פעמי למערכות שמנהלות תהליכי עבודה מתמשכים. השאלה כבר אינה רק אם האייג’נט יכול לכתוב קוד או לעצב מסך, אלא האם אפשר ללמד אותו לעבוד לפי הסטנדרטים של המשתמש או הצוות לאורך זמן.

הפיצ'ר שנותן ל-Lovable כוחות על - Skills

עבור משתמשי Lovable, ה-Skills יכולים להפוך את העבודה לפחות תלויה בזיכרון של המשתמש ויותר תלויה בתהליכים ברורים. במקום לשאול “איך ניסחנו את זה בפעם שעברה?”, אפשר לשמור את הדרך הנכונה כיכולת קבועה. זה לא מבטל את הצורך בבקרה אנושית, בפרומפטים טובים או בבדיקות לפני פרסום, אבל זה כן מקרב את Lovable מעוד כלי שמגיב לבקשות, לסביבת עבודה שמתחילה לזכור איך הצוות רוצה לבנות.

מי שרוצה להתנסות יכול לראות מגוון דוגמאות והסברים דרך התיעוד הרשמי של Lovable שם מרוכזים דרכי היצירה, ההפעלה, ההרשאות, המגבלות וההבדלים בין Skills לבין Knowledge.

הפוסט המדריך המלא לבניית Skills ב-Lovable הופיע ראשון בLet's AI בינה מלאכותית

לפני שמתחילים, חשוב לזכור: קלוד קוד יכול לפעול על קבצים אמיתיים. לכן כדאי לעבוד בתיקייה ייעודית, לוודא שיש Git או גיבוי, לא לתת גישה לקבצים רגישים בלי צורך, ולבקש מ-Claude תוכנית פעולה לפני שינוי גדול. פקודות Slash עוזרות בדיוק בזה: הן הופכות עבודה עם סוכן קוד ממשהו אינטואיטיבי אבל מסוכן לתהליך מסודר יותר.

רשימת פקודות ה-Slash הזמינות בסביבה שלכם

הפקודות שמנהלות את השיחה

help/ היא נקודת הפתיחה. היא מציגה עזרה ואת הפקודות הזמינות אצלכם. מאחר שקלוד קוד מתעדכן, זו הדרך הבטוחה ביותר לבדוק מה באמת קיים בסביבה שלכם.

clear/ פותחת שיחה חדשה עם הקשר נקי, בלי למחוק את השיחות הקודמות. היא שימושית כשעוברים ממשימה אחת לאחרת ולא רוצים שהיסטוריה ישנה תשפיע על התשובות.

resume/ מחזירה לשיחה קודמת לפי שם, מזהה או תפריט בחירה. branch/ יוצרת הסתעפות מהנקודה הנוכחית, כך שאפשר לבדוק כיוון חדש בלי להרוס את המסלול המקורי. מאוד מזכיר את האופציה של Branch in a new chat של ChatGPT.

rewind/ מחזירה את השיחה או הקוד לנקודה קודמת, והיא חשובה במיוחד אחרי שינוי שלא עבד טוב. rename/ משנה את שם הסשן, ו-export/ מייצאת את השיחה לקובץ או ללוח ההעתקה.

שתי פקודות קטנות אבל שימושיות הן copy/, שמעתיקה תשובה אחרונה או קטע קוד, ו-recap/, שמייצרת תקציר קצר של הסשן. כשעובדים כמה שעות על באג או פיצ’ר, תקציר כזה יכול לחסוך הרבה זמן בהעברת מידע לצוות.

הפקודות שמנהלות את השיחה

מודל, שימוש והקשר: לשלוט במשאבים

model/ מאפשרת לבחור או להחליף את המודל הפעיל. זו פקודה שכדאי להכיר לפני משימות מורכבות, כמו שינוי ארכיטקטורה, ניתוח באג עמוק או ריפקטורינג גדול. effort/ שולטת ברמת המאמץ של המודל, בהתאם למודל ולזמינות, ו-fast/ מפעילה או מכבה מצב מהיר. בפועל, אלה פקודות שעוזרות לאזן בין מהירות, עומק ועלות.

usage/ מציגה את עלות הסשן, מגבלות השימוש בתוכנית וסטטיסטיקות פעילות. cost/ ו-stats/ הן פקודות מקבילות לאותה משפחת מידע, כאשר stats/ פותחת את לשונית הסטטיסטיקות. extra-usage/ מאפשרת להגדיר שימוש נוסף כשמגיעים למגבלות, ולכן בארגון כדאי לוודא מראש מי מוסמך להשתמש בה.

כששיחה מתארכת, חשוב להבין מה תופס מקום בחלון ההקשר. context/ מציגה שימוש בהקשר ומזהירה מפני עומס. compact/ מסכמת את השיחה כדי לפנות מקום ולהמשיך לעבוד בלי להתחיל הכול מחדש. btw/ מיועדת לשאלת צד מהירה שלא אמורה להיכנס להיסטוריה הראשית של המשימה.

שליטה במשאבים

לפני ש-Claude כותב קוד, מכינים לו את הקרקע

init/ היא אחת הפקודות החשובות בתחילת הדרך. היא יוצרת קובץ CLAUDE.md, שבו אפשר להסביר ל-Claude איך הפרויקט בנוי, אילו פקודות בדיקה מריצים, מה כללי הסגנון ומה אסור לשנות בלי אישור. קובץ CLAUDE.md משמש לשמירת הנחיות, סטנדרטים, החלטות ארכיטקטוניות ורשימות בדיקה שהכלי קורא בתחילת סשן.

memory/ מאפשרת לערוך ולנהל את זיכרון הפרויקט וגם להפעיל או לכבות auto-memory ולצפות ברשומות שנוצרו אוטומטית. זה המקום לשמור הנחיות שחוזרות על עצמן. add-dir/ מוסיפה תיקייה נוספת של-Claude מותר לגשת אליה בסשן הנוכחי, וצריך להשתמש בה בזהירות. יותר גישה פירושה יותר יכולת, אבל גם יותר סיכון.

config/ פותחת את אזור ההגדרות, כולל העדפות ממשק, מודל והגדרות נוספות. permissions/ מנהלת את כללי ההרשאה: מה Claude יכול לקרוא, לערוך או להריץ, ומה דורש אישור. זו אחת הפקודות החשובות ביותר לפני עבודה על קוד אמיתי.

פעולות לפני כתיבת קוד

פקודות לעבודה בטוחה על קוד

plan/ מכניסה את Claude למצב תכנון. לפני שינוי משמעותי, זו צריכה להיות כמעט ברירת מחדל: קודם תוכנית, אחר כך ביצוע.

diff/ מציגה את השינויים שבוצעו ביחס לקוד הקיים. זו פקודת חובה לפני קומיט, לפני פתיחת Pull Request ולפני שמאשרים ל-Claude להמשיך בשינוי גדול. review/ סוקרת Pull Request באופן מקומי מתוך הסשן הנוכחי, ו-security-review/ מתמקדת בסיכוני אבטחה כמו בעיות הרשאה, חשיפת מידע או נקודות הזרקה.

simplify/היא Skill מובנה שסוקר קבצים ששונו לאחרונה, מחפש בעיות של שימוש חוזר בקוד, איכות ויעילות, ומתקן אותן. בפועל הפקודה מפעילה שלושה סוכני סקירה במקביל, מאחדת את הממצאים שלהם ומבצעת את התיקונים. Skills הם מנגנון שמאפשר להרחיב את קלוד קוד באמצעות הוראות ותהליכים שניתן להפעיל כפקודות Slash או שקלוד קוד מפעיל בעצמו כשהם רלוונטיים למשימה.

למשימות מתקדמות יותר יש גם autofix-pr/, שמפעילה סשן ענן שעוקב אחרי ה-Pull Request, ומתקנת בעיות אוטומטית כשבדיקות נכשלות או כשסוקרי קוד משאירים הערות. הפקודה דורשת התקנה של GitHub CLI וגישה לגרסת הענן של קלוד קוד.

יש גם את ultrareview/, שמריצה סקירת קוד עמוקה יותר בסביבת ענן. אלה פקודות סופר חזקות, ולכן כדאי להשתמש בהן רק אחרי שמבינים את ההרשאות, סביבת ההרצה וההשפעה האפשרית על הענף או ה-PR.

כדי להסביר למי שפחות מכיר , אז ענף (Branch) הוא קו פיתוח נפרד בתוך הפרויקט. במקום לשנות ישירות את הקוד הראשי, פותחים ענף, עובדים עליו בנפרד, וכשהכל מוכן - מאחדים אותו חזרה.

פרומפט בטוח לפני שינוי גדול יכול להיראות כך: “הצג תוכנית פעולה לפני כל שינוי. אל תמחק, אל תדרוס ואל תריץ פקודות שמשנות מידע בלי אישור מפורש ממני.”

עבודה בתוך עם קוד

סוכנים, עבודה מקבילית ואוטומציה

agents/ מציגה ומנהלת סוכנים ייעודיים. סוכן כזה יכול להתמחות במשימה מסוימת, למשל סקירת קוד, בדיקות או מחקר בפרויקט. קלוד קוד יכול להפעיל כמה סוכנים במקביל, כאשר סוכן מוביל מחלק משימות משנה ומרכז את העבודה.

background/ מנתקת את הסשן כדי שימשיך לרוץ ברקע, ו-tasks/ מציגה משימות שרצות מאחורי הקלעים. batch/ מיועדת לשינויים גדולים במיוחד: היא מפרקת משימה ליחידות עבודה, מריצה אותן במקביל ומציגה תוכנית לפני ביצוע. לפי התיעוד, היא משתמשת ב-worktrees נפרדים ודורשת מאגר Git.

goal/ מאפשרת להגדיר תנאי יעד ש-Claude ינסה להשלים לאורך כמה סבבים. loop/ מריצה פרומפט שוב ושוב, למשל כדי לבדוק אם Deploy הסתיים או אם בדיקה חזרה לעבור.

schedule/ יוצרת משימות חוזרות שרצות בתשתית ענן של Anthropic. אלה פקודות שימושיות מאוד, אבל הן גם דורשות גבולות ברורים: לא להריץ אותן על פעולות מחיקה, פרסום או שינוי נתונים בלי מנגנון אישור אנושי.

אוטומציות וזרימות עבודה

חיבורים, תוספים ויכולות מותאמות אישית

skills/ מציגה את רשימת ה-Skills הזמינים בסביבה שלכם, ומאפשרת לנהל את הנראות שלהם. Skills הם תהליכי עבודה חוזרים שאתם יוצרים בעצמכם ומפעילים כפקודות Slash - למשל פקודה בשם review-pr/ שמריצה סקירת קוד לפי הסטנדרטים שלכם, או deploy-staging/ שמבצעת פריסה לסביבת בדיקות. את ה-Skills אפשר לשמור ברמת הפרויקט ולשתף בין חברי הצוות דרך Git.

plugin/ מנהלת תוספים, ו-reload-plugins/ טוענת אותם מחדש בלי להתחיל סשן חדש. mcp/ מנהלת חיבורי Model Context Protocol, כלומר חיבורים לכלים חיצוניים, מקורות מידע ומערכות ארגוניות. MCP הוא תקן פתוח שמאפשר לכלי AI להתחבר למקורות חיצוניים כמו Google Drive, Jira, Slack או כלים פנימיים.

כאן נדרשת זהירות מיוחדת. חיבור ל-Jira, Slack, Google Drive או API פנימי יכול להיות מועיל מאוד, אבל גם עלול לחשוף מידע רגיש או לאפשר פעולות לא רצויות. לפני שמחברים כלי חיצוני, כדאי לבדוק בדיוק לאילו נתונים Claude יקבל גישה, אילו פעולות הוא יכול לבצע, והאם יש צורך באישור אנושי לפני שינוי מידע.

hooks/ מציגה הגדרות Hooks, כלומר פעולות אוטומטיות סביב אירועים כמו עריכת קובץ או הרצת כלי. ide/ בודקת חיבור לסביבת הפיתוח. web-setup, /remote-control/ ו-teleport/ מיועדות לעבודה בין הטרמינל, הדפדפן והענן. אלה פקודות שמרחיבות את קלוד קוד מכלי מקומי למערכת עבודה שנעה בין מכשירים וסביבות.

חיבורים ותוספים

פקודות קטנות שמגלות איפה העבודה נתקעת

מעבר לפקודות הגדולות של ניהול סשן, הרשאות וקוד, יש כמה פקודות שנראות שוליות אבל יכולות לשפר מאוד את העבודה היומיומית עם קלוד קוד.

insights/ מייצרת דוח שמנתח את השימוש שלכם בקלוד קוד: באילו אזורים בפרויקט אתם עובדים, אילו דפוסי אינטראקציה חוזרים, ואיפה מופיעות נקודות חיכוך. זו פקודה שימושית במיוחד אחרי כמה שבועות של עבודה, כשכבר יש מספיק היסטוריה כדי להבין איפה Claude באמת חוסך זמן ואיפה הוא עדיין גורם לעיכובים.

fewer-permission-prompts/ נועדה להפחית בקשות אישור חוזרות. היא סורקת תמלולי עבודה, מזהה קריאות Bash ו-MCP נפוצות לקריאה בלבד, ומוסיפה רשימת Allowlist לקובץ ההגדרות של הפרויקט. המטרה היא לא לבטל את מנגנון הבטיחות, אלא לצמצם הפרעות בפעולות שחוזרות על עצמן ואינן אמורות לשנות מידע. אחרי ההפעלה כדאי לבדוק אילו הרשאות נוספו ל-.claude/settings.json, במיוחד בפרויקטים ארגוניים או בפרויקטים עם מידע רגיש.

focus/ מפעילה תצוגת עבודה ממוקדת. במקום לראות את כל הרעש של הסשן, היא מציגה את הפרומפט האחרון, תקציר קצר של קריאות הכלים, נתוני שינוי בקבצים ואת התשובה הסופית. לפי התיעוד, היא זמינה במצב תצוגה מלא בלבד, ולכן ייתכן שלא תופיע בכל סביבה. statusline/ מגדירה את שורת הסטטוס של קלוד קוד, למשל לפי הפרומפט של ה-Shell (טרמינל) או לפי העדפות עבודה.

הפקודות האלה לא מחליפות את permissions, /diff/ או review/, אבל הן משפרות את שכבת הניהול שמסביב לעבודה. ככל שהשימוש בקלוד קוד נהיה יומיומי יותר, הערך שלהן גדל: פחות רעש, פחות אישורים מיותרים, יותר הבנה של דפוסי העבודה ויותר שליטה בממשק.

שיפור העבודה היומיומית עם קלוד קוד

ממשק, נוחות ותחזוקה

לא כל פקודה משנה קוד. חלקן פשוט הופכות את העבודה לנוחה יותר. theme/ משנה ערכת נושא, color/ משנה את צבע שורת הפרומפט, terminal-setup/ מסדרת קיצורי מקלדת בטרמינלים מסוימים, keybindings/ פותחת קובץ קיצורי מקלדת, ו-tui/ משנה את מצב ממשק הטרמינל.

status/ מציגה מידע על גרסה, מודל, חשבון וחיבור. doctor/ מאבחנת בעיות התקנה והגדרות, ו-debug/ עוזרת לחקור בעיות ריצה. אלה פקודות שכדאי להכיר דווקא כשמשהו נשבר.

ממשק, נוחות ותחזוקה

פקודות נוספות שכדאי להכיר (אבל לא חובה)

יש פקודות שלא כל משתמש יצטרך ביום הראשון, אבל הן שימושיות בסביבות מסוימות. claude-api/ טוענת חומרי עזר לעבודה עם Claude API ויכולה לעזור בפרויקטים שמשתמשים ב-SDK של Anthropic. פקודת release-notes/ מציגה את היסטוריית העדכונים, שימושית במיוחד כי קלוד קוד משתנה במהירות.

powerup/ מציגה שיעורים אינטראקטיביים קצרים על יכולות של קלוד קוד. sandbox/ מפעילה או מכבה מצב Sandbox בפלטפורמות נתמכות, ולכן רלוונטית למי שרוצה להגביל את סביבת הפעולה. team-onboarding/ מייצרת מדריך הצטרפות לצוות על בסיס היסטוריית השימוש, ויכולה לעזור בארגונים שבהם כמה מפתחים עובדים עם אותו סט כלים והרשאות.

הדרך הנכונה להשתמש בפקודות Slash

המדריך לא סוקר כל פקודה קיימת ב-Claude Code, אלא את הפקודות המרכזיות והשימושיות ביותר לעבודה שוטפת. כדי לראות את הרשימה המלאה והזמינה בסביבה שלכם, הקלידו / או השתמשו ב-help/.

פקודות Slash הן לא אוסף קיצורי דרך למתקדמים. הן הדרך להפוך את Claude Code לכלי עבודה נשלט: להתחיל סשן נקי, להגדיר פרויקט, לבדוק הרשאות, לבקש תוכנית, לראות Diff, לסקור אבטחה, לנהל הקשר, לחבר כלים ולהריץ משימות חוזרות.

הגישה הבטוחה היא להתחיל בארבע פקודות בסיסיות: init, /plan, /diff, /permissions/. אחריהן כדאי להוסיף את context, /compact, /usage, /review ו-security-review/. רק לאחר מכן מומלץ לעבור לסוכנים, Skills, MCP ואוטומציה. אני באופן אישי מאוד ממליץ על פקודת btw/ כי היא פותרת בעיה קטנה אבל מציקה בעבודה עם קלוד קוד כשרוצים באמצע משימה לשאול משהו בלי לזהם את ההקשר הראשי.

העיקרון נשאר פשוט, ככל ש-Claude מקבל יותר יכולות, כך אתם צריכים לנהל טוב יותר את ההרשאות, ההקשר והבקרה האנושית. פקודות Slash הן המקום שבו עושים את זה.

הפוסט מדריך שימושי לפקודות Slash בקלוד קוד הופיע ראשון בLet's AI בינה מלאכותית

הז׳אנר החדש: פיטורים בשם ה-AI

הבדיחה עבדה כי היא נשענה על שפה שכבר נהייתה מוכרת מדי. בחודשים האחרונים יותר ויותר חברות טכנולוגיה מסבירות קיצוצים דרך AI, יעילות, אוטומציה וצורך “להתאים את המבנה הארגוני” לעידן החדש. זה כבר הפך להיות ז׳אנר - הנהלה כותבת על החלטה כואבת, מדגישה שהעובדים מצוינים, ואז מסבירה שהחברה צריכה להיות מהירה, שטוחה ויותר AI-first.

במקרה של Linear, העקיצה חדה במיוחד כי היא לא רק צוחקת על נוסח הודעות הפיטורים, היא מסמנת עמדה אחרת שאומרת: לא פחות אנשים בכל מחיר, אלא פחות בירוקרטיה, יותר מיקוד, וגיוס זהיר סביב חברה שנבנתה מראש לעבודה יעילה של בני אדם וסוכני AI באותו מרחב עבודה.

ההקשר הוא גל קיצוצים אמיתי

הפוסט של Linear לא נחת בחלל ריק. מטא (Meta) מתכננת גל קיצוצים ראשון במאי 2026 שיחתוך כ-10% מכוח האדם שלה, עם קיצוצים נוספים בהמשך השנה, כחלק ממהלך רחב יותר של התייעלות והשקעה ב-AI.

סנאפ (Snap), החברה מאחורי Snapchat, הודיעה על פיטורי כ-1,000 עובדים, כ-16% מכוח האדם במשרה מלאה, וסגירת יותר מ-300 משרות פתוחות. החברה קשרה את המהלך לשיפור יעילות בעזרת AI, וציינה כי יותר מ-65% מהקוד החדש שלה כבר נוצר בעזרת כלי AI.

קלאודפלייר (Cloudflare) הלכה רחוק עוד יותר והודיעה על קיצוץ של כ-20% מכוח האדם, יותר מ-1,100 עובדים, במסגרת ארגון מחדש סביב אימוץ מהיר של כלי AI. במקרה שלה, ההודעה הגיעה אחרי דו״ח רבעוני מצוין, אבל כזה שלא הרשים את וול סטריט וחושף סיפור מטריד של חברה צומחת, חזקה ורלוונטית שמחליטה שהמבנה האנושי שלה כבר לא מתאים לעולם העבודה שהיא רואה באופק. 

כאן בדיוק נמצאת החדות של הבדיחה. Linear לא רק צוחקת על חברות שמפטרות. היא צוחקת על הנוסח, על הריטואל, על הרגע שבו “AI” הופך למין מילת קסם שמסבירה כל החלטה ניהולית, גם כשמאחוריה יש שילוב מורכב יותר של תחרות, עלויות, יעדי רווח, שוק הון ולחץ משקיעים.

מה Linear הבינה מוקדם

הפואנטה של Linear היא לא “אנחנו מגייסים בזמן שאחרים מפטרים”. זו גרסה שטוחה מדי של הסיפור. הנקודה המעניינת יותר היא ש-Linear נבנתה מראש סביב רעיון אחר של עבודה עם פחות בירוקרטיה, פחות שכבות, פחות התאמות אינסופיות, ויותר מערכת אחת ברורה שבה צוותי מוצר, פיתוח ועכשיו גם סוכני AI יכולים להתקדם בלי לטבוע ברעש.

החברה גייסה ב-2025 סבב Series C של 82 מיליון דולר לפי שווי של 1.25 מיליארד דולר, וממצבת את עצמה כחלופה ממוקדת ל-Atlassian ול-Jira, עם דגש על תהליכי עבודה ספציפיים של צוותי תוכנה כמו triage לבאגים, ניהול ספרינטים ושילוב AI בעבודת הצוות.

זה חשוב כי בעידן של coding agents, הבעיה היא כבר לא רק מי כותב את הקוד, אלא מי מחזיק את ההקשר. סוכן AI טוב צריך לדעת מה המשימה, למה היא חשובה, מי ביקש אותה, מה כבר נוסה, אילו בקשות של לקוחות קשורות אליה ומה נחשב סיום מוצלח. בעולם כזה, טיקט הוא לא רק משימה. הוא הופך לזיכרון העבודה של הצוות.

Linear מנסה לשבת בדיוק על השכבה הזאת. החברה מציגה את המוצר שלה כמערכת שנבנתה לזרימות עבודה משותפות של בני אדם וסוכנים, מהכנת מסמכי מוצר ועד דחיפת Pull Requests (PR). היא גם טוענת שסוכני קוד כבר מותקנים ביותר מ-75% מסביבות העבודה הארגוניות שלה, ושנפח העבודה שמבוצע על ידי סוכנים גדל פי חמישה בשלושה חודשים. אלה נתוני חברה, ולכן צריך לקרוא אותם בזהירות, אבל הם מסמנים לאן היא מכוונת.

איפה ההייפ עלול להטעות

כאן צריך לעצור. AI agents הם לא קוסמים. הם לא מחליפים ארגון שלם, הם לא מבינים הקשר בלי שמישהו בנה אותו, והם לא פועלים טוב בסביבה מבולגנת. להפך, ככל שנותנים להם יותר כוח, כך חשוב יותר שהמערכת תהיה מסודרת, שההרשאות יהיו מוגבלות, ושהאדם יישאר אחראי.

גם Linear עצמה משדרת את הזהירות הזאת. במסמכי המוצר שלה אפשר להקצות משימה לסוכן, אבל האדם נשאר ה-assignee הראשי, והסוכן נוסף כתורם שפועל בשמו. זו לא הערת שוליים. זו תפיסת עבודה. הסוכן יכול לעזור, לקדם, לסכם, לפתוח משימות ולפעול על בסיס הקשר, אבל האחריות לא נעלמת.

לכן הסיפור של Linear הוא לא סיפור פשוט על סטארטאפ קטן שמנצח ענקיות. זו תהיה גרסה נוחה מדי. הסיפור המעניין יותר הוא על חברה שמבינה כי בעידן ה-AI היתרון אינו רק “להעסיק פחות אנשים”. היתרון הוא לבנות ארגון שבו פחות אנרגיה נשרפת על בירוקרטיה, וכל אדם וכל סוכן יודעים בדיוק איפה הם נכנסים לתמונה.

בעולם שבו קל להשתמש ב-AI כתירוץ לקיצוץ, Linear מציעה ניסוח אחר: לא פחות אנשים בכל מחיר, אלא פחות חיכוך בכל מחיר. וזה, לפחות כרגע, נשמע כמו שיעור ניהולי חשוב יותר מעוד הודעת פיטורים מנוסחת היטב.

הפוסט Linear הודיעה בצער על גיוס עובדים. מאחורי הבדיחה מסתתר שיעור לעידן ה-AI הופיע ראשון בLet's AI בינה מלאכותית

מטרה שהפכה למסלול מסוכן

כדי להבין את המחקר, צריך להבחין בין צ’אטבוט לבין סוכן. צ’אטבוט עונה. סוכן פועל. הוא עשוי לבדוק קבצים, לקרוא מיילים, לבצע פעולות בדפדפן, לכתוב קוד או לעדכן מערכת. כשהמודל רק כותב תשובה לא נכונה, הנזק מוגבל יחסית. כשהוא פועל בתוך מערכת, טעות בשיקול הדעת יכולה להפוך לפעולה אמיתית.

Anthropic טוענת שבתקופת Claude 4, רוב אימון הבטיחות שלה נשען על Reinforcement Learning from Human Feedback, או RLHF, כלומר אימון שבו המודל משתפר על בסיס העדפות אנושיות. זה עבד היטב יחסית לעולם של שיחות רגילות, אבל זה לא בהכרח הספיק לעולם שבו המודל מקבל כלים ופועל בסביבה מורכבת.

לפי החוקרים, הבעיה לא הייתה שהאימון “עודד” במפורש התנהגות מזיקה, אלא שהוא לא בלם אותה מספיק כאשר המודל נכנס לתרחישי סוכן.

לפי הגרף המצורף, שילוב של מסמכים חוקתיים, שיחות אימון איכותיות וסביבות אימון מגוונות הפחית את שיעור כשלי היישור במבחני “מלכודת” פנימיים. הירידה אינה מוכיחה שהבעיה נפתרה בכל תרחיש, אבל היא מראה שיפור בכמה סוגי מצבים: סחיטה, פשעים פיננסיים ומחקר.

למה “אל תעשה את זה” לא מספיק

הניסיון הראשון היה כמעט מתבקש: לאמן את Claude על דוגמאות שבהן הוא נתקל במלכודת דומה, אבל בוחר לא לקחת אותה. למשל, מצב שבו המודל יכול לחבל בעבודה של AI מתחרה או לפעול כדי לשמר את עצמו, ובכל זאת נמנע מכך. זה דומה מאוד למבחן עצמו, ולכן אפשר היה לצפות שזה יעבוד היטב.

אבל לפי Anthropic, האימון הזה הוריד את שיעור ההתנהגות הבעייתית רק מ-22% ל-15%. השיפור הגדול הגיע רק כשהתגובות שוכתבו כך שיכללו גם דיון בערכים, אתיקה ושיקול דעת. במצב הזה, שיעור ההתנהגות הלא מיושרת ירד ל-3%. במילים פשוטות, המודל לא רק ראה מהי התשובה הרצויה. הוא אומן גם לנסח למה היא רצויה.

כאן נמצא לב המחקר. Anthropic לא אומרת ש-Claude “מבין מוסר” כמו אדם. זה ניסוח חזק מדי. היא כן טוענת שאימון שמדגיש את הסיבות מאחורי ההתנהגות הבטוחה עובד טוב יותר מאימון שמסתפק בדוגמאות של התנהגות בטוחה.

הדאטה הקטן שלימד שיעור גדול

אחד הממצאים המעניינים ביותר במחקר הוא מערך אימון שנקרא Difficult advice. במקום להציב את המודל עצמו בדילמה, Anthropic הציבה משתמש אנושי בדילמה אתית. המשתמש רוצה להשיג מטרה סבירה, אבל הדרך הקלה להשיג אותה כוללת עקיפת נורמות, פגיעה בפיקוח או פעולה בעייתית. Claude מאומן לתת עצה שקולה, ניואנסית ובטוחה.

זה נשמע פחות ישיר ממבחן סחיטה. אבל דווקא המרחק הזה חשוב. אם מאמנים מודל רק על תרחישים שדומים למבחן, תמיד יש חשש שהוא למד “לעבור את המבחן” ולא את העיקרון. Anthropic טוענת שמערך Difficult advice, שכלל רק כ-3 מיליון טוקנים, השיג שיפור דומה ביעילות גבוהה יותר, והיה בעל סיכוי טוב יותר להכליל למצבים אחרים משום שלא היה דומה מדי למבחן עצמו.

בגרף רואים איך מערך “Difficult advice” הצליח להפחית כשלי יישור גם עם כמות קטנה יחסית של דאטה. המסר המרכזי הוא שאיכות הדוגמאות והיכולת ללמד שיקול דעת חשובות לא פחות, ולעיתים יותר, מכמות הדוגמאות.

החוקה של Claude היא ניסיון לבנות שיקול דעת

החלק הבא במחקר נשען על רעיון ש-Anthropic מקדמת כבר זמן רב - “החוקה” של Claude. בחברה יש אפילו תפקיד שבו מכהנת אישה מאוד מיוחדת בשם אמנדה אסקל (Amanda Askell) שהיא בעצם הפילוסופית שמלמדת את Claude להבדיל בין נכון ללא נכון. זו אינה חוקה משפטית, אלא אוסף עקרונות שאמורים להנחות את המודל בהתנהגות מול משתמשים, מפעילים ומצבים מורכבים.

במסמך החוקה של Claude, מתוארות שתי דרכים כלליות להכוונת מודלים: ללמד כללים ברורים, או לטפח שיקול דעת וערכים שאפשר ליישם לפי הקשר. החברה אינה מוותרת על כללים, אבל המחקר החדש מראה שהיא מייחסת חשיבות גדולה יותר לעקרונות שמאפשרים למודל להבין מתי פעולה נראית יעילה אבל פסולה. למשל, לא להטעות, לא לתמרן, לא לברוח מפיקוח לגיטימי ולא לפעול באופן חד צדדי כדי לשמר את עצמו.

כדי לחזק את זה, Anthropic אימנה מודלים גם על מסמכים חוקתיים וגם על סיפורים בדיוניים חיוביים שמתארים AI שמתנהג באופן ראוי. זה אולי נשמע מוזר כי למה שסיפור יעזור למודל בטיחות? אבל מבחינת החוקרים, הסיפור נותן למודל דפוס רחב של “אופי” או התנהגות רצויה, ולא רק תשובה נקודתית.

בגרף המצורף רואים שאימון על מסמכים חוקתיים ועל סיפורים בדיוניים חיוביים הפחית משמעותית את שיעור ההתנהגות הלא מיושרת במבחני סחיטה, פשעים פיננסיים ופגיעה במחקר. הרעיון הוא ללמד את Claude דפוס רחב של שיקול דעת, ולא רק תגובה נכונה לתרחיש ספציפי.

סוכנים צריכים להתאמן כמו סוכנים

הלקח האחרון במחקר פשוט, אבל חשוב. סוכן AI לא יכול להתאמן רק על שיחות רגילות. אם המודל עתיד לפעול בסביבות עם כלים, הרשאות ומטרות מורכבות, גם אימון הבטיחות צריך לחשוף אותו למגוון רחב יותר של סביבות.

Anthropic בדקה מה קורה כשהיא מוסיפה לסביבות אימון הגדרות כלים ופרומפטים מערכתיים מגוונים, גם כאשר הכלים אינם באמת נחוצים למשימה. התוצאה הייתה שיפור קטן אך משמעותי בקצב ההתקדמות במבחני המלכודת.

המשמעות רחבה יותר מהתרשים עצמו. ככל שמודלים הופכים מפלטפורמות שיחה למערכות שפועלות בעולם, בטיחות אינה יכולה להישאר רק שכבת סינון בסוף, היא צריכה להיות חלק מהאופן שבו המודל לומד להבין הקשר, סמכות, הרשאות ופיקוח.

בגרף רואים איך גיוון בסביבות האימון תרם לשיפור במבחני “מלכודת”. גם כשהמודל לא נדרש להשתמש בכלים בפועל, עצם החשיפה להגדרות כלים ולפרומפטים מערכתיים עזרה לו להתאמן בסביבה שדומה יותר לעולם שבו סוכני AI אמורים לפעול.

אין פתרון קסם

המחקר של Anthropic מעודד כי הוא מציע דרך מעשית לשפר בטיחות - לא רק יותר חסימות, לא רק עוד רשימות איסורים, אלא אימון שמלמד סיבה, הקשר ושיקול דעת. לפי החברה, מאז Claude Haiku 4.5 כל מודלי Claude שנבדקו הגיעו לציון מושלם בהערכת הסחיטה הספציפית, כלומר לא ביצעו סחיטה במבחן הזה. יחד עם זאת, Anthropic עצמה מסייגת: Sonnet 4.5 היה מתחת ל-1% ולא בדיוק אפס, ובחלק מהמודלים המאוחרים ייתכן שהבדיקה הושפעה מחשיפה מוקדמת למידע על ההערכה בקורפוס האימון (“ספריית הלימוד” של המודל).

וזה הסייג החשוב ביותר, כי Anthropic לא טוענת שפתרה את בעיית היישור. להפך. החברה כותבת במפורש שיישור מלא של מודלים חכמים מאוד הוא עדיין בעיה לא פתורה, ושגם מתודולוגיית הבדיקה שלה אינה מספיקה כדי לשלול לחלוטין תרחישים שבהם Claude יבחר פעולה אוטונומית קטסטרופלית.

לכן המחקר הזה לא צריך להרגיע אותנו יותר מדי, אבל הוא כן מלמד משהו חשוב. הדור הבא של AI לא ייבחן רק בשאלה כמה הוא חכם, כמה מהר הוא כותב קוד או כמה טוב הוא מסכם מסמכים. הוא ייבחן בשאלה מה הוא עושה כשהמטרה, הכלים והסביבה מושכים אותו לכיוון הלא נכון.

הלקח של Anthropic הוא שבטיחות אמיתית לא מתחילה בפקודה “אל תעשה”. היא מתחילה בניסיון ללמד את המודל למה לא.

הפוסט מה המחקר החדש של Anthropic מלמד על בטיחות סוכני AI הופיע ראשון בLet's AI בינה מלאכותית

מה צריך לפני שמתחילים

לפני שמפעילים את Cowork, צריך שלושה דברים: אפליקציית Claude Desktop מותקנת במחשב, חשבון Claude בתשלום וחיבור אינטרנט פעיל. ב-Windows מומלץ לוודא שמותקנת הגרסה העדכנית ביותר של Claude Desktop. חשוב לשים לב שבזמן ש-Claude עובד, האפליקציה חייבת להישאר פתוחה. אם סוגרים אותה, הסשן יסתיים.

1. פתחו את Claude Desktop ועברו ל-Cowork

פתחו את אפליקציית Claude Desktop במחשב. בסרגל הצד תראו את אפשרויות העבודה של Claude, ובהן Chat, Claude Code ו-Cowork. בחרו ב-Cowork.

המעבר הזה חשוב. Chat מיועד לשיחה רגילה, Claude Code מתאים בעיקר למשימות קידוד, ו-Cowork מיועד להאצלת משימות. במקום לעבוד עם Claude צעד אחרי צעד, אתם נותנים לו משימה מוגדרת, והוא יכול לתכנן, להפעיל כלים ולבצע אותה בתוך סביבת העבודה שאישרתם לו.

בוחרים ב-Cowork

2. חברו תיקייה מקומית

השלב הראשון הוא להגדיר איפה Claude יכול לעבוד. זו יכולה להיות תיקיית ההורדות (Downloads), תיקיית של פרויקט מסוים, תיקיית מסמכים או תיקייה חדשה שפתחתם במיוחד להתנסות עם Cowork.

בפועל, אתם נותנים ל-Claude גישה רק לאזור מסוים במחשב, ולא לכל הקבצים שלכם. בתוך התיקייה שבחרתם הוא יכול לקרוא קבצים, ליצור קבצים חדשים, לערוך מסמכים ולארגן מחדש את המבנה הקיים. מכיוון שמדובר בשינויים אמיתיים בקבצים, חשוב להתחיל בזהירות: בקשו ממנו להציג תוכנית לפני ביצוע, ורק אחרי שתאשרו הוא ימשיך לפעולה.

לדוגמה, במקום לשאול: “איך כדאי לארגן את תיקיית ההורדות שלי?” כתבו:

אני רוצה לארגן מחדש את תיקיית ההורדות שלי. סרוק את הקבצים, הצע תוכנית לפני ביצוע שינויים, ואל תעביר, תמחק או תשנה שום קובץ עד שאאשר.

פתחו תיקייה ייעודית להתנסות ולשליטה מלאה

מתחת לחלון השיחה בוחרים איפה Claude יעבוד. לחצו על Work in a project כדי לפתוח את התפריט. משם אפשר לבחור Choose a folder, כדי לתת ל-Claude גישה לתיקייה מקומית במחשב, או Projects, כדי לעבוד בתוך פרויקט קיים.

אחרי שבוחרים תיקייה, Claude מבקש אישור לעבוד בתוכה. בחלון ההרשאה מופיע במפורש שהוא יוכל לקרוא, לערוך ולמחוק קבצים בתיקייה שנבחרה, כולל קבצים שנמצאים בתיקיות משנה. לכן חשוב לאשר גישה רק לתיקייה שאתם באמת רוצים ש-Claude יעבוד בה, ולא לתיקייה רחבה או רגישה מדי כמו Documents כולו.

Claude מבקש אישור לעבוד בתיקיית Documents

למי שמתחיל בפעם הראשונה, דווקא עדיף לא לבחור בתיקיות כלליות כמו Documents או Desktop. מומלץ לבחור תיקייה ייעודית ובטוחה להתנסות. למשל, צרו תיקייה בשם “Cowork-test”, הכניסו אליה כמה קבצים "לא רגישים", ותנו ל-Claude לעבוד רק שם. כך תוכלו להבין איך Cowork מתכנן, מציע שינויים ומבצע פעולות, בלי לסכן קבצים חשובים. רק אחרי שתבינו איך Cowork עובד הרחיבו את השימוש בהדרגה.

3. חברו כלים שאתם כבר עובדים איתם

Cowork שימושי במיוחד כשהוא לא עובד רק על קובץ אחד, אלא מקבל הקשר מכלי העבודה הקבועים שלכם (Connectors). אפשר לחבר שירותי ענן, וכך לאפשר ל-Claude להשתמש במסמכים, הערות, הודעות וקבצים שכבר נמצאים בסביבת העבודה שלכם.

למשתמשים רגילים זה חוסך הרבה עבודה ידנית. במקום להעתיק טקסטים, קישורים וקבצים לצ’אט, אפשר לחבר את מקורות המידע הרלוונטיים ולבקש מ-Claude לעבוד עליהם כחלק ממשימה אחת.

חברו את הכלים הדרושים למשימה הספציפית

בצילום מסך רואים את תפריט החיבורים של Claude. דרך כפתור הפלוס אפשר להוסיף קבצים, להפעיל Skills, לחבר Connectors או להשתמש ב-Plugins. בחלק הימני מופיעים חיבורים כמו Google Drive, Notion, Slack ו-Claude in Chrome. אפשר להפעיל או לכבות כל חיבור לפי הצורך.

מומלץ לחבר רק את הכלים הדרושים למשימה הספציפית. למשל, אם אתם מבקשים מ-Claude לסכם מסמך שנמצא ב-Google Drive, אין צורך להפעיל גם את Slack או את Chrome. ככל שתצמצמו את ההרשאות, כך העבודה תהיה בטוחה וממוקדת יותר.

4. הפעילו את Claude in Chrome למשימות בדפדפן

אם התקנתם את Claude in Chrome, התוסף של Claude לדפדפן Google Chrome, אפשר להשתמש ב-Cowork גם למשימות שמתרחשות בדפדפן. אם עדיין אין לכם את התוסף, אפשר להתקין אותו דרך Chrome Web Store: חפשו Claude in Chrome, לחצו Add to Chrome, התחברו לחשבון Claude שלכם ואשרו את ההרשאות הנדרשות.

אפשר להפעיל את החיבור מתפריט ה-Connectors שהופיע בצילום הקודם, באמצעות המתג של Claude in Chrome. אחרי ההפעלה, Claude יכול לעזור לכם לעבוד עם מידע שנמצא בדפדפן, ולא רק עם קבצים מקומיים או כלים מחוברים.

חשוב להשתמש ביכולת הזו בזהירות! אל תפעילו אותה באתרים רגישים כמו בנק, מערכות רפואיות, חשבונות אישיים או מערכות עם מידע עסקי חסוי. התחילו מאתרים פשוטים ומהימנים, עקבו אחרי הפעולות של Claude, ואל תאשרו פעולה שאתם לא מבינים בדיוק מה היא עושה.

5. הגדירו הוראות קבועות

ב-Cowork אפשר להגדיר Global Instructions, כלומר הוראות קבועות שיחולו על כל סשן עבודה. כך Claude יודע מראש איך אתם רוצים שהוא יעבוד, בלי שתצטרכו להסביר את זה מחדש בכל משימה. כדי להגיע לשם, פתחו את Settings, עברו ללשונית Cowork, חפשו את אזור Global Instructions, לחצו Edit, כתבו את ההנחיות הקבועות שלכם ולחצו Save.

הוראות קבועות שיחולו על כל סשן עבודה

לדוגמה:

אני מנהל שיווק. כתוב בעברית פשוטה וברורה. כשאתה יוצר מסמך, העדף Word על Markdown. לפני שינוי קבצים, הצג תוכנית וחכה לאישור שלי.

הוראות כאלה עוזרות ל-Claude להבין את ההעדפות שלכם מראש: באיזה טון לכתוב, באיזה פורמט ליצור קבצים, ואיך להתנהל לפני שהוא משנה משהו. זה חוסך זמן, מצמצם טעויות והופך את העבודה עם Cowork לעקבית יותר.

באותו אזור אפשר לראות גם אפשרות בשם Keep computer awake, שמונעת מהמחשב להיכנס למצב שינה בזמן ש-Claude פתוח. זו אפשרות שימושית במיוחד למשימות ארוכות, כי Cowork צריך שהאפליקציה תישאר פתוחה והמחשב יישאר פעיל בזמן העבודה.

אפשרות בשם Keep computer awake

6. בקשו תוכנית לפני פעולה

זה אחד הכללים החשובים ביותר בעבודה עם Cowork: לא מתחילים מביצוע, מתחילים מתוכנית.

בסרטון למעלה מוצגת דוגמה פשוטה וברורה: תיקיית Downloads עמוסה בקובצי PDF, גיליונות, צילומי מסך, מצגות וקבצים כפולים. במקום לבקש מ-Claude “לסדר הכול”, המשתמש מבקש ממנו קודם לסרוק את התיקייה, להציע קטגוריות, לקבוע כללי שמות, לזהות כפילויות ולהציג תוכנית מסודרת לפני כל שינוי.

רק אחרי שהמשתמש בודק את ההצעה ומאשר אותה, Claude מתחיל להזיז קבצים, לשנות שמות ולארגן את התיקייה.

פרומפט מומלץ:

סרוק את התיקייה הזו והצע תוכנית ארגון לפני כל שינוי. חלק את הקבצים לקטגוריות, הצע שמות חדשים במידת הצורך, סמן קבצים כפולים או קבצים שדורשים בדיקה, ואל תמחק, תעביר או תשנה שום דבר עד שאאשר.

7. תעקבו, תתקנו ותאשרו

אחרי שאישרתם את התוכנית, Claude מתחיל לבצע את המשימה בפועל. זה לא תהליך שמתרחש לגמרי מאחורי הקלעים. בזמן העבודה אפשר לראות באיזה שלב הוא נמצא, איזה פעולות כבר בוצעו, איזה פעולות עדיין ממתינות, ובאילו תיקיות הוא עובד.

זה גם השלב שבו אפשר להתערב ולתקן כיוון. אם Claude זיהה שני קבצים כפולים, אבל אתם יודעים שהם בעצם שתי גרסאות שונות שחשוב לשמור, אפשר לכתוב לו:

את שני הקבצים האלה אל תמחק. העבר אותם לתיקיית Review והמשך עם שאר התוכנית.

או למשל:

אל תשנה שמות לקובצי PDF. רק מיין אותם לתיקיות לפי נושא.

בצילומי מסך המצורפים מטה רואים איך נראית משימת Cowork בזמן ביצוע. בחלק העליון מופיעה ההנחיה החדשה של המשתמש (1), למשל בקשה להעביר קבצים מסוימים לתיקיית Review במקום למחוק אותם. במרכז המסך רואים את Claude מפעיל כלים ועובד על המשימה (2). בצד ימין מופיע אזור Progress, שמציג את שלבי העבודה: מה כבר הושלם, מה מתבצע עכשיו ומה עדיין נשאר פתוח (3). מתחתיו מופיע אזור Working folders, שבו אפשר לראות באילו תיקיות Claude משתמש במסגרת המשימה (4).

משימת Cowork בזמן ביצוע

הצילום מדגים את הרעיון המרכזי של Cowork. אתם לא צריכים לנהל כל פעולה קטנה, אבל אתם גם לא מאבדים שליטה. אפשר לעקוב אחרי ההתקדמות, לשאול שאלות, לעצור פעולה לא רצויה או לשנות הנחיה תוך כדי.

העיקרון פשוט - אתם מאצילים עבודה, לא שיקול דעת. Claude יכול לבצע את העבודה הטכנית, אבל האחריות לבדוק, לאשר ולהחליט מה נכון נשארת אצלכם.

פרומפטים מוכנים להתחלה מהירה

ארגון תיקיית הורדות

ארגן את תיקיית ההורדות שלי. סרוק את הקבצים, הצע מבנה תיקיות, כללי שמות וקבצים לבדיקה. הצג לי תוכנית לפני ביצוע, ואל תמחק קבצים בלי אישור מפורש.

ניתוח קובץ Excel

נתח את קובץ האקסל שבתיקייה. מצא מגמות, חריגות, נתונים חסרים ותובנות מרכזיות. צור סיכום בעברית פשוטה, והכן טבלה עם 5 הממצאים החשובים ביותר.

הכנת מצגת

צור מצגת קצרה על בסיס המסמכים בתיקייה. בנה 6 שקפים: פתיחה, בעיה, נתונים מרכזיים, תובנות, המלצות, צעדים הבאים. הצג לי קודם את מבנה המצגת לאישור.

סיכום מסמכים

קרא את כל המסמכים בתיקייה וסכם אותם למסמך אחד בעברית. חלק לפי נושאים, הדגש החלטות, משימות פתוחות, סיכונים ושאלות להמשך.

תוכנית לפני שינוי קבצים

לפני כל שינוי בקבצים, הצג תוכנית מפורטת: מה תשנה, למה, באילו קבצים תיגע ומה הסיכון. חכה לאישור שלי לפני ביצוע.

אז מה אפשר לעשות עם Cowork כבר ביום הראשון

למי שמתחילים, כדאי לחשוב על Cowork ככלי שעוזר לבצע משימות עבודה פשוטות וברורות. למשל: לסדר תיקייה מבולגנת, לשנות שמות של קבצים, לסכם כמה מסמכים, להכין טיוטה ראשונית למצגת, לנתח קובץ Excel או לעבוד עם מידע שמגיע מכלים מחוברים כמו Google Drive, Notion ו-Slack.

לא צריך להתחיל ממשימות מורכבות. עדיף לבחור פעולה אחת, להגדיר אותה היטב, לבקש מ-Claude להציג תוכנית לפני ביצוע, ואז לבדוק את התוצאה.

למשתמשים מתקדמים יותר, Cowork יכול לפתוח גם מרחב רחב יותר של יכולות: עבודה עם ממשקים, תוספים, ניתוח נתונים מתקדם, סוכני משנה ומשימות מתוזמנות. אבל למשתמשים חדשים, הערך הגדול נמצא דווקא במשימות היומיומיות הקטנות שחוסכות זמן ומסדרות את העבודה.

Cowork יכול לפתוח גם מרחב רחב יותר של יכולות

כללי בטיחות שחייבים לזכור

Cowork יכול לבצע פעולות אמיתיות בקבצים שלכם, ולכן חשוב לעבוד איתו בזהירות. אל תתנו ל-Claude גישה לתיקיות רגישות כמו מסמכים פיננסיים, חוזים, פרטי גישה, מידע אישי או קבצים עסקיים חסויים. התחילו בתיקייה מוגבלת, שמרו גיבוי, ובקשו תמיד תוכנית לפני ביצוע פעולה.

כדאי גם לצמצם הרשאות לפי הצורך. אם המשימה קשורה רק לתיקייה אחת, אין סיבה לחבר כלים נוספים. אם המשימה לא דורשת דפדפן, אין צורך להפעיל את Claude in Chrome. ככל ש-Claude מקבל פחות גישה, כך קל יותר לשלוט במה שהוא עושה.

חשוב לזכור! גם אם Claude יודע לבצע, אתם עדיין צריכים לבדוק. הוא יכול לחסוך זמן, לסדר בלגן, לחבר מידע וליצור תוצרים, אבל ההחלטה מה נכון, מה רגיש ומה מסוכן נשארת אצלכם.

למי זה זמין?

Cowork זמין למשתמשי Pro, Max, Team ו-Enterprise דרך Claude Desktop במק או ב-Windows, ודורש חיבור אינטרנט פעיל לאורך המשימה.

Claude Cowork מצריך מנוי בתשלום | Anthropic

לא עוד צ’אט, אלא עובד ביצוע חכם

הדרך הנכונה לחשוב על Claude Cowork היא לא כעל “עוד כלי AI”, אלא כעל שכבת עבודה שמחברת בין הרעיון לבין הביצוע. הוא לא רק עונה לכם, הוא יכול לבצע פעולות בפועל. זה מה שהופך אותו לשימושי כל כך, אבל גם מחייב עבודה מסודרת עם גבולות ברורים, הרשאות מצומצמות, תוכנית לפני פעולה ובדיקה אנושית בסוף.

כדאי להתחיל ממשימות פשוטות, כמו ארגון תיקייה, סיכום מסמכים או הכנת טיוטה ראשונית למצגת. כך אפשר להבין במהירות איפה Cowork באמת חוסך זמן ואיפה עדיין צריך את שיקול הדעת שלכם.

בסופו של דבר, Cowork לא מחליף אתכם. הוא לוקח על עצמו חלק מהעבודה הידנית שמסביב, כדי שתוכלו להתמקד במה שחשוב יותר: החלטות, חשיבה ויצירה.

הפוסט מדריך Claude Cowork למתחילים: כך תתחילו לעבוד ב-7 צעדים הופיע ראשון בLet's AI בינה מלאכותית

הפער הזה הוא לב הסיפור

במבט ראשון, הנתונים כמעט סותרים זה את זה. מצד אחד, Cloudflare מדווחת על רבעון חזק ומעלה תחזית שנתית להכנסות של 2.805 עד 2.813 מיליארד דולר. מצד שני, היא נערכת להוצאה של 140 עד 150 מיליון דולר על תוכנית הקיצוצים, בעיקר פיצויים, הטבות והבשלה של מניות.

הפער הזה, בין צמיחה מהירה לקיצוץ חד, הוא לב הסיפור. רוב הפיטורים בענף הטכנולוגיה מוסברים בדרך כלל בירידה בביקוש, האטה, לחץ משקיעים או גיוס יתר. כאן ההסבר הרשמי שונה. Cloudflare אומרת שהעבודה עצמה השתנתה, ולכן גם החברה צריכה להשתנות.

כאן נכנס הממד הארגוני

במכתב לעובדים כתבו המייסדים מת’יו פרינס (Matthew Prince) ומישל זטלין (Michelle Zatlyn) כי “הדרך שבה אנחנו עובדים ב-Cloudflare השתנתה באופן יסודי”. אבל המשפט החשוב יותר הגיע מיד אחר כך. Cloudflare, לדבריהם, אינה רק חברה שבונה ומוכרת כלי AI ופלטפורמות AI. היא גם “הלקוחה התובענית ביותר” של עצמה.

לפי החברה, השימוש הפנימי שלה ב-AI זינק ביותר מ-600 אחוז בשלושה חודשים בלבד. עובדים בהנדסה, משאבי אנוש, כספים ושיווק מריצים מדי יום אלפי סשנים של סוכני AI כדי לבצע את עבודתם. במילים אחרות, Cloudflare מתארת מצב שבו AI כבר אינו ניסוי נקודתי או כלי עזר למחלקה מסוימת, אלא שכבת עבודה יומיומית שנכנסת כמעט לכל חלק בארגון.

זו לא רק הטמעה של כלי חדש. Cloudflare מדברת על הצורך לתכנן את החברה לעידן ה-agentic AI, כלומר לעידן שבו סוכני AI אינם רק עוזרים לעובדים, אלא הופכים לחלק ממבנה העבודה עצמו. סוכן AI, במובן הזה, הוא מערכת שמסוגלת לבצע רצף פעולות: לנתח מידע, לכתוב, לבדוק, לתאם, להציע החלטות ולהפעיל תהליכים.

כאן נמצא החידוש האמיתי. החברה לא רק אומרת שעובדים נהיו יעילים יותר, היא אומרת שכל תהליך פנימי, צוות ותפקיד צריכים להיבחן מחדש סביב ההנחה ש-AI כבר נמצא בתוך זרימת העבודה. לכן הפיטורים אינם מוצגים על ידה כקיצוץ עלויות או כהערכה של ביצועי העובדים, אלא כניסיון להגדיר איך חברה צומחת אמורה לפעול וליצור ערך בעידן החדש.

זו כמובן טענה של החברה, וצריך לקרוא אותה בזהירות. אבל היא מסבירה למה המהלך הזה חשוב מעבר למספר המפוטרים. Cloudflare לא רק משתמשת ב-AI כדי לעבוד מהר יותר. היא מנסה לבנות סביבו ארגון אחר.

AI לא רק מחליף משימות, הוא משנה שכבות

הדיון הציבורי על AI בעבודה נוטה להתמקד בשאלה אחת: האם AI יחליף עובדים. אבל המקרה של Cloudflare מציע שאלה אחרת, עמוקה יותר: האם AI משנה את הצורה שבה ארגונים בנויים.

חברות גדולות לא מורכבות רק מאנשים שמבצעים משימות, הן מורכבות משכבות של תיאום, אישורים, העברת מידע, כתיבת מסמכים, בדיקות, דיווחים, תמיכה פנימית ותהליכי ניהול. חלק גדול מהארגון המודרני נולד מתוך מגבלות אנושיות כמו זמן, קשב, עומס, חוסר סנכרון ויכולת מוגבלת לעבד מידע.

אם AI מתחיל לצמצם חלק מהמגבלות האלה, השינוי אינו מסתכם בפחות שעות עבודה, הוא עשוי להוביל לפחות תפקידים תפעוליים, פחות שכבות ניהול, פחות נקודות תיווך ויותר עבודה שמבוצעת ישירות על ידי צוותים קטנים יותר הנתמכים במערכות אוטומטיות.

זו בדיוק הסיבה שהמהלך של Cloudflare חשוב. הוא לא מוכיח ש-AI כבר מסוגל להחליף ארגונים אנושיים - הוא כן מראה שהנהלות מתחילות להתייחס אליו ככוח שמאפשר לתכנן מחדש את הארגון.

השוק לא קנה את כל הסיפור

למרות הרבעון החזק, מניית Cloudflare ירדה בכ-19 אחוז במסחר המאוחר לאחר הפרסום. רויטרס (Reuters) ציינה כי אחת הסיבות הייתה תחזית ההכנסות לרבעון השני - 664 עד 665 מיליון דולר, מעט מתחת לציפיות האנליסטים לפי נתוני קבוצת הבורסה של לונדון (LSEG).

זו תגובה מעניינת. משקיעים אוהבים יעילות, אבל לא תמיד אוהבים שינוי חד מדי. קיצוץ של חמישית מכוח האדם בזמן צמיחה מעלה שאלות קשות: האם Cloudflare זיהתה הזדמנות אמיתית להתייעלות, או שהיא מניחה מוקדם מדי ש-AI יכול להחליף ידע ארגוני, ניסיון, קשרים ותהליכים אנושיים מורכבים?

החברה ניסתה למסגר את המהלך כחד, ישיר ואחראי יותר מגלי פיטורים מתמשכים. במכתב לעובדים היא הדגישה כי הפיטורים נם לא תרגיל קיצוץ עלויות ולא הערכה של ביצועי העובדים. היא גם כתבה כי העובדים שיעזבו יקבלו שכר בסיס עד סוף 2026, תמיכה בביטוח בריאות בארצות הברית עד סוף השנה, והבשלה של מניות עד 15 באוגוסט. החברה גם כתבה כי תוותר על תנאי cliff לעובדים שעדיין לא השלימו שנה, כך שגם עובדים חדשים יחסית יקבלו חלק יחסי מהמניות שהובטחו להם.

אבל גם חבילת פיצויים נדיבה לא משנה את העובדה שמאחורי המילים “מודל תפעולי” ו”עידן סוכני AI” יש יותר מ-1,100 אנשים שאיבדו את מקום עבודתם. המהלך אולי מוצג כניסיון לבנות חברה מהירה ורזה יותר, אבל עבור העובדים שעוזבים, זהו לא ניסוי ארגוני - זו נקודת שבר אישית ומקצועית.

משבר או מבחן לעולם העבודה?

Cloudflare לא לבד. כמה חודשים לפניה, בלוק (Block), חברת הפינטק של ג’ק דורסי (Jack Dorsey), הודיעה על קיצוץ של יותר מ-4,000 משרות, כמעט מחצית מכוח האדם שלה, כחלק ממהלך להטמעת AI עמוק יותר בפעילות החברה. דורסי ניסח את זה באופן חריג בישירותו ואמר שכלים חכמים, לדבריו, שינו את המשמעות של בנייה וניהול של חברה, וצוות קטן יותר יכול לעשות יותר, ולעשות זאת טוב יותר.

גם קוינבייס (Coinbase), אחת מחברות הקריפטו הציבוריות המרכזיות בארצות הברית, הציגה סיפור דומה. בתחילת מאי הודיעה החברה על קיצוץ של כ-14 אחוז מכוח האדם שלה, כ-700 עובדים. במכתב לעובדים כתב המנכ"ל בריאן ארמסטרונג (Brian Armstrong) כי החברה צריכה להיבנות מחדש כארגון “lean, fast, and AI-native”, עם פחות שכבות, צוותים קטנים יותר, יותר אוטומציה ויכולת של עובדים לנהל מערכים של סוכני AI.

הדוגמה של Coinbase חשובה משום שהיא דומה מאוד ל-Cloudflare. לא רק פיטורים שמוסברים בלחץ עסקי, אלא ניסיון להציג מבנה ארגוני חדש. חברה רזה יותר, שטוחה יותר ומהירה יותר, שבה AI אינו רק כלי שמייעל עבודה קיימת, אלא שכבת עבודה שמגדירה מחדש כמה אנשים צריך, איפה הם יושבים בארגון ומה נחשב ערך אנושי.

פרינס מחדד את המסר - Cloudflare תמשיך לגייס, אבל לאיזה תפקידים?

אבל Cloudflare בולטת משום שהיא מציגה את הסיפור באופן כמעט תיאורטי: לא “אנחנו צריכים להוריד עלויות”, אלא “אנחנו צריכים לארגן את החברה אחרת”. זו הבחנה חשובה. AI לא בהכרח מוחק את הצורך באנשים, אבל הוא משנה את המקום שבו אנשים יוצרים ערך.

תפקידים שמבוססים בעיקר על תיאום, עיבוד ראשוני, כתיבה שגרתית, תמיכה פנימית או הפעלה של תהליכים חוזרים נמצאים בלחץ גובר. לעומת זאת, תפקידים שדורשים שיפוט, אחריות, הבנה מערכתית, מומחיות טכנית, קשר עמוק עם לקוחות וקבלת החלטות בתנאי אי ודאות עשויים להפוך לחשובים יותר.

כשהארגון נהיה קטן יותר, האחריות הופכת גדולה יותר

לכן Cloudflare היא סיפור חשוב כל כך. לא מפני שהיא מוכיחה ש-AI כבר מחליף עובדים בקנה מידה מלא, את זה עוד מוקדם לקבוע, אלא מפני שהיא מראה איך הנהלות מתחילות לדמיין מחדש את הארגון עצמו, עם פחות שכבות, פחות תיווך, פחות תפקידים שנוצרו סביב מגבלות אנושיות, ויותר מערכות אוטומטיות שמוטמעות בתוך זרימת העבודה.

זה הרגע שבו השיחה על AI בעבודה מפסיקה להיות שיחה על כלים, ומתחילה להיות שיחה על כוח, מבנה ואחריות.

הפוסט הפיטורים ב-Cloudflare הם עוד סימן לכך ש-AI בונה מחדש את הארגון הופיע ראשון בLet's AI בינה מלאכותית

לא רק מיילים: Outlook הופך לנקודת הכניסה לעבודה

החידוש המרכזי נמצא דווקא באאוטלוק. התוסף יודע למיין תיבת דואר שלא נקראה, לנסח תשובות לפי סגנון כתיבה אישי, לסכם שרשורים ארוכים, לקרוא קבצי docx, xlsx, pptx ו‑pdf מתוך מיילים, למצוא מועדי פגישה פנויים ולבנות תקציר הכנה לפגישה על בסיס שרשורים ומסמכים רלוונטיים.

במילים פשוטות, Claude מתמקם במקום שבו הרבה עבודה ארגונית באמת מתחילה - לא במסמך ריק, אלא במייל עמוס, בשרשור ארוך ובקובץ מצורף שמישהו צריך “לעשות איתו משהו עכשיו”. התוסף יכול להפוך מייל לסט משימות, טיוטת תגובה, הזמנה ליומן או ניתוח שממשיך לתוך Excel.

הקשר שעובר בין האפליקציות

החידוש הוא לא רק בכך ש-Claude יושב בתוך Outlook, אלא בכך שהוא מסוגל לשמר הקשר עבודה בין האפליקציות הפתוחות. המשמעות היא שהמודל יכול לשאת איתו מידע רלוונטי בין Outlook, Word, Excel ו‑PowerPoint - במסגרת מגבלות של תוספים, הרשאות וסשנים פעילים - ולחבר בין שלבים שונים של אותה משימה.

זו נקודה מהותית כי רוב כלי ה‑AI הארגוניים עדיין “תקועים” בתוך חלון אחד. העבודה האמיתית בארגון היא רב-שלבית - מייל מלקוח, חוזה, גיליון הנחות, מצגת להנהלה. Anthropic מנסה להפוך את קלוד למתווך בין השלבים האלה, לא רק למודל שמייצר תשובה.

ומה זה אומר מול Copilot?

כאן צריך להיזהר מהצהרות גורפות. אין הוכחה חד-משמעית שקלוד “טוב יותר” מ‑Copilot בכל תרחיש. אבל הכניסה של קלוד לתוך סביבת Microsoft 365 משנה את התחרות.

מיקרוסופט עצמה כבר משלבת מודלי Anthropic בחלק מחוויות Copilot. ה-Researcher ו‑Copilot Studio תומכים במודלי Claude, וב‑Excel ניתן לבחור בין מודלי Anthropic למודלי OpenAI דרך בורר מודלים, בכפוף לרישוי ולהגדרות מנהל מערכת. כלומר, Claude מתחרה ב‑Copilot כתוסף עצמאי, אבל במקביל הופך לחלק מהאסטרטגיה הרב‑מודלית של Microsoft. ארגונים לא בהכרח יבחרו “מודל אחד”, אלא שכבת עבודה שתדע להפעיל את המודל המתאים למשימה.

אבטחה והרשאות

הנקודה הרגישה ביותר היא האבטחה, ובעיקר השאלה מה קלוד יכול לעשות בתוך תיבת המייל שלכם. בבטא הנוכחית, קלוד לא שולח מיילים בעצמו: הוא מייצר טיוטה, פותח אותה באאוטלוק, ומחכה שתלחצו על Send. זה מנגנון שמונע טעויות או שליחה לא רצויה.

אבל כדי שיוכל לעזור באמת - לסכם שרשורים, למצוא פגישות, לקרוא קבצים מצורפים או למיין מיילים - הוא צריך גישה רחבה יחסית לתיבה וליומן. המשמעות היא שקלוד יכול לקרוא מיילים, לעדכן טיוטות ולבצע פעולות מסוימות בתוך התיבה, בהתאם להרשאות שכבר יש למשתמש ולמדיניות הארגון. הוא לא “רואה הכול”, אבל הוא כן מקבל גישה מספקת כדי לבצע את המשימות שביקשתם ממנו.

Anthropic גם מזהירה מפני תרחיש מוכר בעולם ה‑AI: תוכן זדוני שמוסתר בתוך מייל או קובץ מצורף ועלול לגרום לעוזר לפעול בצורה לא רצויה (מה שנקרא prompt injection). לכן מומלץ לבדוק טיוטות לפני שליחה, לוודא שסיכומים תואמים את המקור, ולהימנע משימוש בבטא במידע רגיש במיוחד בלי בקרות מתאימות.

לא כל חשבון בתשלום מתאים לארגון

Anthropic מציינת שבמוצרים מסחריים כמו Claude for Work (Team ו‑Enterprise), קלטים ופלטים אינם משמשים לאימון מודלים כברירת מחדל. לעומת זאת, בחשבונות צרכניים כמו Free, Pro ו‑Max, השימוש בנתונים לאימון תלוי בהגדרות המשתמש.

לכן, בארגון רציני השאלה אינה רק אם יש מנוי בתשלום, אלא איזה סוג חשבון מופעל, מי מנהל את ההרשאות, מה מדיניות שמירת המידע, ומה מותר לקלוד לקרוא, לנתח או לשנות. ההבחנה בין חשבונות צרכניים לחשבונות ארגוניים קריטית, במיוחד בסביבות עם מידע רגיש או רגולטורי.

למי זה זמין?

התוספים ל‑Word, Excel ו‑PowerPoint זמינים כעת לכל המנויים בתשלום, בעוד ש- Claude for Outlook נמצא בבטא ציבורית. החברה מתארת את המהלך כ“שיחה אחת” שנושאת איתה את ההקשר בין ארבע האפליקציות. מייל שמגיע עם קובץ מצורף יכול להפוך למסמך Word, לניתוח ב‑Excel ולמצגת PowerPoint - תוך שמירה על אותו רצף עבודה.

יחד עם זאת, הזמינות אינה מלאה בכל סביבת Outlook. הבטא תומכת ב‑Outlook בדפדפן, ב‑Windows וב‑Mac עם Microsoft 365, אך אינה זמינה ב‑Outlook למובייל (iOS/Android) או בתיבות Exchange מקומיות. מדובר בהשקה הדרגתית שמוגבלת לפלטפורמות מסוימות.

שכבת העבודה החדשה

הכניסה של Claude לאאוטלוק היא לא עוד פיצ’ר. היא חלק ממעבר רחב יותר מכלי צ’אט לכלי עבודה מוטמעים. המשתמש לא רוצה “לשאול את ה‑AI שאלה”, אלא לעבוד איתו בתוך המקום שבו כבר נמצאים המיילים, המסמכים, הקבצים והיומן.

ככל שהעוזר חכם יותר, כך הוא צריך יותר הקשר. וככל שהוא מקבל יותר הקשר, כך גדל הצורך בבקרה, הרשאות, שקיפות ואחריות אנושית. קלוד באאוטלוק יכול לחסוך זמן אמיתי לכל מי שעובד עם מיילים, קבצים, מסמכים ופגישות, לא רק למנהלים, אלא לכל עובד שמנהל משימות דרך Outlook ו‑Microsoft 365. אבל הוא גם מזכיר שהעתיד של AI ארגוני לא יוכרע רק לפי איכות התשובה, אלא לפי השאלה מי רואה את המידע, מי שולט בהרשאות, ומי לוחץ בסוף על Send.

הפוסט קלוד נכנס לאאוטלוק ומעמיק את האחיזה ב-Microsoft 365 הופיע ראשון בLet's AI בינה מלאכותית

שדרוג משמעותי למשתמשים

משתמשי Claude קיבלו השבוע עדכון חשוב ומשמח. מכסות השימוש ב‑Claude Code הוכפלו, מגבלות שעות העומס בוטלו, וקצבי ה‑API של מודלי Opus עלו בצורה ניכרת. עבור מי שעובדים עם Claude מדי יום, מדובר בשיפור שמקל על העבודה ומאפשר רצף שימוש יציב יותר. 

מאיפה מגיעה הקיבולת החדשה?

מאחורי השדרוג הזה עומדת סיבה אחת מרכזית - Anthropic מקבלת גישה ל‑Colossus‑1, מחשב‑העל של SpaceX בממפיס, שמוסיף לה קיבולת חישוב משמעותית בתוך זמן קצר. לפי ההודעה הרשמית, מדובר ביותר מ‑300 מגה ואט של תשתית המבוססת על למעלה מ‑220 אלף מאיצי NVIDIA מהדור החדש. זה חיזוק שמאפשר לה להרחיב את השירותים כמעט מיידית.

מה השתנה?

העדכונים שנכנסו לתוקף כוללים שלושה שינויים מרכזיים. הראשון הוא הכפלת מגבלת חמש השעות של Claude Code עבור מנויי Pro, Max, Team ו‑Enterprise. השני הוא ביטול ההפחתה האוטומטית בשעות עומס, שהייתה מורגשת במיוחד בקרב משתמשים כבדים. השלישי הוא העלאה משמעותית של מגבלות ה‑API למודלי Opus, שמאפשרת להריץ עומסי עבודה גדולים יותר בלי להיתקל בחסמים תפעוליים.

השילוב בין שלושת השינויים יוצר חוויית שימוש רציפה יותר, במיוחד עבור מי שמסתמכים על Claude Code למשימות פיתוח, ניתוח או אוטומציה. Anthropic מציינת שהשדרוגים נועדו לשפר את השירות למשתמשים המסורים ביותר שלה, ושהם חלק מתהליך רחב יותר של הרחבת תשתיות.

Anthropic | מגבלות ה-API המעודכנות עבור מודלים של קלוד Opus

למה דווקא SpaceX?

Colossus‑1 נבנה במקור עבור פעילות ה‑AI של SpaceX, אך כעת הוא מושכר במלואו ל‑Anthropic. המהלך מצביע על שינוי בסדרי העדיפויות של SpaceX, שממקדת את פעילותה במתקן הבא, Colossus‑2. עבור החברה, זה שימוש יעיל בתשתית קיימת והזדמנות לייצר הכנסה שתתמוך בהרחבת יכולות החישוב שלה.

הבחירה ב‑Anthropic מעניינת גם בהיבט היחסים בין הצדדים. למרות חילופי הדברים הפומביים בחודשים האחרונים, נראה שהמפגש הישיר ביניהם הוביל להסכמה תפעולית שמבוססת על אינטרס משותף: ניצול תשתית גדולה שכבר מוכנה לשימוש. המהלך משתלב גם עם מגמות רחבות יותר בפעילות ה‑AI של SpaceX, כולל שיתוף הפעולה שלה עם חברת Cursor, שמדגים את הרצון של SpaceX לחזק את מעמדה כשחקן תשתית משמעותי בתחום.

ההשפעה העתידית על Claude

ההשפעה המיידית כבר ניכרת, אך המשמעות הרחבה יותר תורגש בהמשך. תוספת כוח החישוב עשויה לאפשר ל‑Anthropic להאיץ את פיתוח הדור הבא של המודלים שלה, אם כי בשלב זה אין מידע רשמי על תוכניות אימון שיתבססו על Colossus‑1. לפי מה שפורסם, ההסכם הנוכחי מוגדר כתפעולי ולא כולל מרכיב מחקרי.

הסכמי התשתית החדשים של Anthropic

Anthropic חתמה בחודשים האחרונים על שורה של הסכמי תשתית רחבי היקף: עד 5 ג׳יגה ואט עם Amazon, עוד 5 ג׳יגה ואט נוספים עם Google ו‑Broadcom, שיתוף פעולה אסטרטגי עם Microsoft ו‑NVIDIA, והשקעה של 50 מיליארד דולר בתשתיות AI בארצות הברית עם Fluidstack. העסקה עם SpaceX מצטרפת למהלך הזה ומחזקת את יכולת החברה להרחיב את פעילותה במהירות.

היקף ההסכמים מדגיש עד כמה תשתית הפכה לגורם המרכזי במרוץ ה‑AI. חברות לא רק מפתחות מודלים, אלא מתחרות על גישה למרכזי נתונים גדולים ככל האפשר. Colossus‑1 הוא חלק מהמרוץ הזה, והוא מעניק ל‑Anthropic יתרון מיידי בזמן שהסכמים אחרים עדיין נמצאים בשלבי הקמה.

תעשיית ה‑AI מתקדמת

העסקה בין Anthropic ל‑SpaceX ממחישה את הכיוון שבו תעשיית ה‑AI מתקדמת. לא רק מודלים חדשים, אלא תשתיות שמאפשרות להפעיל אותם בקנה מידה עצום. עבור משתמשי Claude, השינוי מורגש כבר עכשיו. עבור Anthropic, זה צעד נוסף בבניית תשתית גלובלית שתתמוך בדורות הבאים של המודלים. ועבור SpaceX, זהו מהלך שמחזק את מעמדה כשחקן תשתית משמעותי, לא רק בחלל אלא גם על הקרקע.

הפוסט איך עסקת Anthropic-SpaceX משנה את חוויית השימוש ב‑Claude הופיע ראשון בLet's AI בינה מלאכותית

זה לא עוד קיצוץ. זו הצהרת כיוון

הסיפור האמיתי ב-Coinbase הוא לא רק מספר העובדים שיעזבו. הסיפור הוא השפה שבה מנכ"ל החברה, בריאן ארמסטרונג (Brian Armstrong), בחר להסביר את המהלך.

במייל לעובדים, שפורסם גם ברשת X וצוטט בכלי תקשורת מרכזיים, ארמסטרונג כתב כי החברה לא רק מצמצמת כוח אדם וחותכת עלויות, אלא משנה באופן יסודי את הדרך שבה היא פועלת. הוא תיאר ארגון שטוח יותר, עם פחות שכבות ניהול, ללא “מנהלים טהורים”, ועם צוותים קטנים שמבוססים על עובדים שיודעים להפעיל ציים של סוכני AI. בחלק מהמקרים, Coinbase תבחן גם “צוותים של אדם אחד”, שבהם מהנדס, מעצב ומנהל מוצר מתכנסים לתפקיד אחד.

הציוץ של מייסד ומנכ"ל Coinbase ברשת X

כשעובד אחד מקבל כוח של צוות

כאן מתחילה הדרמה האמיתית. לא מפני ש-Coinbase היא החברה הראשונה שמפטרת עובדים בשם הבינה המלאכותית. היא לא. אלא מפני שהמייל של ארמסטרונג נותן לשוק העבודה הטכנולוגי ניסוח חד מאוד של מה שחברות רבות כבר חושבות בשקט: אם עובד אחד עם סוכני AI יכול להפיק עבודה שפעם דרשה צוות שלם, ייתכן שהמבנה הארגוני הישן כבר אינו מובן מאליו. זו לא עוד אוטומציה של משימה. זו אוטומציה של שכבת התיאום.

המודל הישן נבנה סביב יותר אנשים

במשך שנים, חברות טכנולוגיה גדלו סביב הנחה פשוטה שאומרת שככל שהמוצר מורכב יותר, צריך יותר אנשים, יותר מנהלים, יותר צוותים, יותר ישיבות, יותר שכבות תיאום. מהנדסים כותבים קוד. מעצבים מתכננים חוויה. מנהלי מוצר מגדירים כיוון. מנהלים מתאמים. מנהלים בכירים מתאמים את המתאמים. מעל הכל יושבת הנהלה שמנסה לשמור על כיוון ולוודא שהספינה זזה בכיוון המצפן הארגוני הוגדר.

ארמסטרונג מציע מודל אחר. לא בהכרח מודל מוכח, אבל מודל ברור עם פחות שכבות, יותר בעלות ישירה, פחות תיאום אנושי, יותר ביצוע בעזרת AI. במייל שלו הוא כתב שמהנדסים ב-Coinbase מצליחים בעזרת AI לשחרר בתוך ימים פרויקטים שבעבר דרשו שבועות של עבודה קבוצתית, ושגם צוותים לא טכניים כבר משחררים קוד לפרודקשן.

היתרון החדש הוא לא רק המודל, אלא הארגון סביבו

המשמעות רחבה יותר מהקיצוץ הנוכחי. Coinbase בעצם אומרת שהיתרון התחרותי הבא לא יהיה רק מי מחזיק במודל AI טוב יותר, אלא מי יודע לעצב סביבו ארגון אחר. חברה רזה יותר. מהירה יותר. עם פחות אנשים שמחכים לאישור, ויותר אנשים שמנהלים מערכות של סוכנים. זה חזון שמדבר ישירות למשקיעים, למנהלים ולכל ארגון שמנסה להבין איך להוציא יותר תפוקה מפחות משאבים. אבל כאן בדיוק מתחיל גם הסיכון.

חברה אינה רק מכונת תפוקה

ניהול, כשהוא נעשה טוב, הוא לא רק שכבה בירוקרטית. הוא זיכרון ארגוני, שיקול דעת, חניכה, סדר עדיפויות, תיאום בין אינטרסים, הבנה של לקוחות, זיהוי סיכונים, והיכולת לעצור החלטה שנראית יעילה אבל מסוכנת. כאשר חברה מוחקת את “המנהל הטהור”, היא עשויה להיפטר מעומס מיותר, אבל היא עלולה גם לבלבל בין ניהול רע לבין עצם הצורך בניהול. זה ההבדל בין התייעלות לבין דילול מערכת העצבים של הארגון.

שוק הקריפטו מסבך את הסיפור

הסביבה העסקית של Coinbase גם מסבכת את התמונה. החברה פועלת בשוק קריפטו תנודתי במיוחד. לפי דיווחים, הפיטורים מגיעים על רקע ירידה בפעילות המסחר בבורסות לנכסים דיגיטליים לאחר נסיגה רחבה יותר בשוק הקריפטו מהשיא שנרשם באוקטובר. כלומר, AI הוא חלק מהסיפור, אבל לא כל הסיפור.

יש כאן גם מחזוריות קלאסית של ענף הקריפטו: גאות, התרחבות, ירידה, קיצוץ, וחזרה לשלב הבא בתקווה להיות רזים יותר. לכן, מי שמציג את המהלך רק כ”פיטורי AI” מפספס את ההקשר העסקי, ומי שמציג אותו רק כקיצוץ רגיל מפספס את ההצהרה הארגונית.

AI הפכה להסבר נוח לפיטורים

זו נקודה חשובה, כי 2026 הפכה לשנה שבה חברות רבות מעדיפות להסביר פיטורים דרך AI. זה נשמע אסטרטגי יותר. זה נשמע עתידני יותר. זה נשמע פחות כמו חולשה עסקית ויותר כמו החלטה ניהולית נועזת. אבל המציאות מורכבת יותר. Axios תיארה את המגמה כמצב שבו AI הופכת לאליבי נוח לגלי פיטורים. לפי הסקירה, חברות מייחסות יותר ויותר קיצוצים לבינה מלאכותית, אבל בפועל מדובר לעיתים בתמהיל של אוטומציה, קיצוץ עלויות ולחצי שוק.

המספרים מראים השפעה, אבל לא מהפכה חד-משמעית

הנתונים בשוק העבודה מחזקים את הצורך בזהירות. מצד אחד, חברת ההשמה Challenger, Gray & Christmas דיווחה כי במרץ 2026 בינה מלאכותית הייתה הסיבה המובילה שצוינה לקיצוצי משרות בארצות הברית, עם 15,341 משרות, כ-25 אחוז מסך הקיצוצים באותו חודש.

מצד שני, גם הנתון הזה לא מוכיח שכל קיצוץ כזה נגרם ישירות על ידי AI. הוא אומר שחברות מציינות AI כסיבה. זה הבדל חשוב. בין סיבה תפעולית אמיתית לבין הסבר תקשורתי נוח יש לפעמים מרחק גדול.

גם הפדרל ריזרב מציג תמונה זהירה יותר

אפילו הפדרל ריזרב מציג תמונה פחות חד משמעית. במסמך FEDS Notes שפורסם במרץ 2026, החוקרים בחנו נתוני פרסומי משרות של חברות ותעשיות מול רמות אימוץ AI, ומצאו כי עד כה אין ראיה לכך שתעשיות או חברות עם אימוץ AI גבוה מפרסמות פחות משרות.

לדבריהם, ההאטה הכללית בפרסומי המשרות אחרי התאוששות הקורונה אינה נראית מונעת על ידי AI. עם זאת, הם מדגישים שהניתוח בוחן את רמת פרסומי המשרות הכללית, ולא עיסוקים ספציפיים, ולכן אינו שולל מצב שבו קבוצות עובדים מסוימות נפגעות יותר מאחרות.

זו נקודת האיזון שחשוב לשמור עליה. AI כבר משנה את שוק העבודה, מעלה את סף הביצוע, ומחזק עובדים שיודעים להפעיל כלים וסוכנים. אבל לפי הנתונים האלה, עדיין מוקדם לקבוע שהיא לבדה מסבירה את הירידה בגיוס או את גל הקיצוצים כולו. נכון יותר לומר ש-AI הפכה לגורם משמעותי בתוך תמהיל רחב יותר של לחצי שוק, קיצוץ עלויות, ארגון מחדש ושינוי אמיתי בצורת העבודה.

חשוב לציין שמדובר בניתוח של פרסומי משרות, לא במדידה ישירה של פיטורים.

לא ספין בלבד, אלא ניסוי ארגוני אמיתי

למרות הזהירות, אי אפשר לפטור את המהלך של Coinbase כספין בלבד. ארמסטרונג לא רק אומר “אנחנו צריכים פחות אנשים”, הוא אומר משהו עמוק יותר: “אנחנו צריכים סוג אחר של ארגון”. במודל הזה, עובד העתיד אינו בהכרח מי שמבצע משימה אחת היטב. הוא מי שמבין בעיה, מפרק אותה לתתי משימות, מפעיל סוכנים, בודק תוצרים, מקבל החלטות, ומחבר בין תוצאה טכנית לבין צורך עסקי.

במובן הזה, “צוות של אדם אחד” אינו באמת אדם אחד. זה אדם אחד עם שכבת כלים, סוכנים, אוטומציות, זיכרון ארגוני ומערכות בדיקה.

נקודת הכשל עוברת למקום אחר

אבל כאן בדיוק נמצאת הבעיה. אם אותו אדם אינו מספיק מנוסה, אינו מספיק ביקורתי, או פועל בלי מסגרת ממשל ובקרה, החברה לא מקבלת צוות קטן יותר. היא מקבלת נקודת כשל מרוכזת יותר. זה נכון במיוחד בתחומים רגישים כמו פיננסים וקריפטו, שבהם טעות אינה רק באג במוצר. היא יכולה להפוך לסיכון רגולטורי, תפעולי ואמון ציבורי. ככל שהצוות קטן יותר והאוטומציה חזקה יותר, כך החשיבות של בקרה, אחריות ושיקול דעת גדלה.

החיסכון המהיר עלול להתברר כיקר

זו אחת הסיבות שגרטנר הזהירה בפברואר 2026, בהקשר של שירות לקוחות ותמיכה, כי עד 2027 מחצית מהחברות שייחסו קיצוץ כוח אדם ל-AI צפויות להעסיק מחדש עובדים לביצוע פונקציות דומות, לעיתים תחת שמות תפקיד שונים. לפי גרטנר, רבים מהקיצוצים האלה הושפעו גם מתנאים כלכליים רחבים יותר ולא מאוטומציה בלבד.

לכן, ארגונים עלולים לגלות את מגבלות ה-AI לצד עלייה בציפיות הלקוחות, במיוחד כאשר הם מתייחסים לאוטומציה בעיקר ככלי לחיסכון קצר טווח.

הנקודה הזו קריטית. חברות יכולות לחסוך כסף מהר באמצעות פיטורים. קשה הרבה יותר לבנות מחדש ידע שאבד, אמון שנפגע ותהליכי איכות שהתפרקו.

העובדים מקבלים מסר חדש

עבור עובדי טכנולוגיה, המייל של ארמסטרונג הוא איתות חד. השאלה היא כבר לא רק האם אתם יודעים להשתמש ב-AI - השאלה היא האם אתם יודעים לעבוד בתוך מבנה שבו AI הוא חלק מהצוות.

זה שינוי עמוק. עובדים שלא יודעים להסביר את הערך שלהם מעבר לביצוע משימה יחידה יהיו פגיעים יותר. מנהלים שלא יודעים להראות כיצד הם משפרים החלטות, איכות ותיאום יהיו פגיעים יותר. צוותים שלא יודעים להוכיח מדוע הם צריכים את המבנה הנוכחי שלהם יהיו פגיעים יותר.

זו אולי הבשורה האמיתית של המייל.

מה שנשאר אחרי הפיטורים חשוב לא פחות

Coinbase מבינה לפחות ברמת ההצהרה שהמהלך הזה קשה. במייל לעובדים, ארמסטרונג כתב כי ניתוק הגישה למערכות היה פתאומי וקשה, אך נדרש כדי להגן על מידע לקוחות. הוא גם פירט חבילת תמיכה לעובדים בארצות הברית הכוללת מינימום של 16 שבועות שכר בסיס, תוספת של שבועיים לכל שנת עבודה, הבשלת מניות קרובה ושישה חודשי ביטוח בריאות.

ועדיין, השאלה היא לא רק איך החברה נפרדת מעובדים. השאלה היא איזה סוג חברה נשאר אחריהם. חברה רזה יותר יכולה להיות יעילה יותר. אבל היא יכולה גם להיות שבירה יותר, אם היא מאבדת יחד עם השומן גם שריר, זיכרון ושיקול דעת.

המבחן הוא אחריות, לא רק מהירות

Coinbase היא לא רק סיפור על פיטורים. היא ניסוי חי בשאלה הגדולה של עולם העבודה ב-2026: איך נראית חברה כאשר הבינה המלאכותית אינה כלי עזר, אלא שכבת תפעול מרכזית.

אם הניסוי יצליח, הוא יספק למנהלים בכל העולם מודל חדש לחברה רזה, מהירה ועתירת סוכנים. אם הוא ייכשל, הוא יזכיר להם דבר בסיסי יותר - אפשר לצמצם שכבות, אפשר להאיץ תהליכים, אפשר לתת לעובד אחד כוח של צוות. אבל אי אפשר למחוק את הצורך האנושי בשיקול דעת.

וזה בדיוק המקום שבו ארגוני AI אמיתיים ייבחנו. לא בכמה עובדים הם הצליחו להחליף, אלא בכמה אחריות הם הצליחו לשמר.

הפוסט Coinbase לא רק מפטרת עובדים, היא מנסה להמציא את החברה מחדש הופיע ראשון בLet's AI בינה מלאכותית

מי זה אלכס קארפ, ומה עושה Palantir?

אלכס קארפ הוא אחד המייסדים של Palantir, ומשמש כמנכ"ל החברה מאז 2005. הוא לא מנכ"ל טכנולוגי טיפוסי. יש לו תואר במשפטים מסטנפורד ודוקטורט בפילוסופיה מאוניברסיטת גתה (Goethe) בגרמניה, ולאורך השנים הוא בנה לעצמו תדמית של מנהל חריג, אינטלקטואלי, בוטה ולעיתים פרובוקטיבי. לפי הדיווח הרשמי של Palantir למשקיעים, קארפ הוא מייסד שותף, מנכ"ל וחבר דירקטוריון של החברה.

Palantir היא חברת תוכנה אמריקאית שבונה מערכות לקבלת החלטות מבוססות דאטה. היא מתארת את עצמה כמי שמפתחת תוכנה שמאפשרת לארגונים לחבר בין נתונים, החלטות ופעילות תפעולית. בפועל, היא עובדת עם ממשלות, גופי ביטחון, ארגונים תעשייתיים וחברות גדולות, ומנסה להפוך מידע מורכב לפעולות בשטח. לכן קארפ לא מדבר על AI כעל כלי צרכני או צעצוע טכנולוגי, אלא כעל יכולת ארגונית שמחוברת לכוח, ביטחון, תעשייה ותפעול.

שני סוגים של יתרון

לפי קארפ, ה-AI יאפשר לשתי קבוצות להיות בעמדת יתרון. הראשונה היא אנשים עם הכשרה מקצועית ספציפית, כמו חשמלאים, אינסטלטורים, טכנאים ומכונאים. השנייה היא אנשים נוירודיברגנטים, למשל בעלי ADHD, אוטיזם, דיסלקציה או דיספרקסיה. ה-Business Insider מציין שקארפ הרחיב את המושג אפילו מעבר להגדרה הקלינית, והשתמש בו גם כדי לתאר אנשים שפועלים מחוץ למסלול התאגידי הרגיל.

קארפ טוען שהמהפך הזה נובע מכך ש-AI שוחק את הערך של מה שנחשב פעם למיומנות משרדית טובה. הוא הזכיר משימות כמו קידוד בסיסי, עבודה משפטית בסיסית, קריאה וכתיבה בסיסיות, ואמר שהערך עובר ל"מומחיות אמיתית", בצד הטכני או בצד של העבודה מול הלקוח. לדבריו, אנשים עם כישורים רגילים יצטרכו ללמוד להיות "יותר כמו אמנים", להסתכל על דברים מכיוון אחר ולבנות משהו ייחודי.

קבוצה ראשונה: מי שיודע לעבוד עם המציאות

החלק הראשון בטענה של קארפ חזק למדי. בעלי מקצועות מעשיים באמת נהנים מחסינות יחסית מול AI. מודל שפה יכול להסביר איך לאתר תקלה, לנתח מסמך טכני או להציע סדר פעולות, אבל הוא לא נכנס לבית, פותח קיר, מחליף צנרת, מתקן מכונה או מטפס על תשתית חשמל. בעולם שבו דאטה סנטרים, אנרגיה, תעשייה ורובוטיקה צפויים להמשיך לגדול, מי שמבין את העולם הפיזי לא נעלם. להפך, הוא עשוי להפוך לנכס נדיר יותר.

גם בפורום הכלכלי העולמי בדאבוס, שבו מנהיגים, מנכ"לים וכלכלנים דנים במגמות הגדולות של הכלכלה העולמית, קארפ חזר על הרעיון הזה. הוא אמר שיהיו "יותר מספיק עבודות" לאזרחים, במיוחד לאלה שיש להם הכשרה מקצועית. כאן הוא נוגע בנקודה אמיתית: החברה המודרנית השקיעה שנים בהאדרת עבודת הצווארון הלבן, ולעיתים הזניחה את הכלכלה הפיזית שמחזיקה את הכול. AI מזכיר לנו שהעולם לא בנוי רק ממסמכים, מצגות וקוד. הוא בנוי גם מכבלים, צינורות, חיישנים, מפעלים ומערכות שצריך לתפעל.

קבוצה שנייה: מי שחושב אחרת

החלק השני של הטענה מורכב יותר. קארפ מדבר על נוירודיברגנטיות כעל יתרון קוגניטיבי. הוא עצמו דיבר בעבר על הדיסלקציה שלו, וטען שאדם דיסלקטי לא תמיד יכול להסתמך על "ספר ההפעלה" הרגיל, ולכן נאלץ לפתח דרכי חשיבה אחרות. לפי ה-Business Insider, קארפ רואה בדפוסים כמו חשיבה לא ליניארית, זיהוי תבניות והיפרפוקוס יתרונות בעולם שבו AI משתלט על עבודה חזרתית.

יש בזה אמת. אם AI טוב במיוחד בחיקוי של חשיבה סטנדרטית, אז חשיבה לא סטנדרטית יכולה להפוך ליתרון. אנשים שמזהים קשרים חריגים, שואלים שאלות לא צפויות או שוברים תבניות מחשבה מוכרות יכולים להביא ערך אמיתי. אבל כאן צריך להיזהר. נוירודיברגנטיות אינה "כוח על" רומנטי. היא יכולה להיות מקור ליצירתיות, אבל גם לקושי, עומס, תסכול וחיכוך עם מערכות עבודה רגילות. ההבדל בין יתרון לבין סיסמה תלוי בשאלה האם הארגון באמת יודע לבנות סביב אנשים כאלה תנאי עבודה מתאימים.

Palantir לא רק מדברת, היא מגייסת

Palantir הפכה את הרעיון הזה לתוכנית גיוס ממשית. החברה השיקה את Neurodivergent Fellowship, ומגדירה אותה במפורש לא כיוזמת גיוון, אלא כמסלול גיוס לכישרונות נוירודיברגנטים יוצאי דופן. בפרסום הרשמי של המשרה נכתב שהחברה מחפשת אנשים שחושבים אחרת, שאין צורך באבחון רשמי, ושהתפקיד כולל עבודה במשרה מלאה בבניית תוכנה ובהובלת תוצאות ללקוחות. טווח השכר המשוער שמופיע במשרה הוא 110 אלף עד 200 אלף דולר בשנה.

במקביל, Palantir מקדמת גם את Meritocracy Fellowship, תוכנית לבוגרי תיכון שאינם רשומים לקולג'. לפי Fortune, התוכנית הבאה מגייסת למחזור סתיו 2026, מציעה מלגה חודשית של 5,400 דולר, ומציגה את עצמה כחלופה לחוב ולשנים הארוכות של מסלול הקולג' המסורתי. Fortune דיווחה גם שהמחזור הראשון משך יותר מ 500 מועמדים, ומתוכם התקבלו 22.

אסטרטגיית מיתוג, לא רק תיאוריה על העתיד

כאן נכנסת הביקורת. קארפ לא רק מתאר את שוק העבודה. הוא גם בונה נרטיב שמתאים היטב ל- Palantir. החברה מזוהה כבר שנים עם תדמית חריגה יחסית לעמק הסיליקון - קשוחה, ביטחונית, אנטי ממסדית במידה מסוימת, וקרובה לעולמות של מודיעין, ממשל ותעשייה כבדה. לכן האמירה הזו עובדת גם כקמפיין גיוס חכם. היא מדברת בדיוק אל אנשים שמרגישים שהמערכת המסורתית פספסה אותם - מי שלא מתאים לאוניברסיטה, מי שלא יושב יפה בכיתה, מי שלא נראה כמו מועמד תאגידי קלאסי.

זה לא אומר שהטענה של קארפ שגויה. זה אומר שאסור לבלבל בין אסטרטגיית גיוס של חברה מסוימת לבין חוק כלכלי כללי. Palantir צריכה טיפוסים מסוימים כמו בונים, מפעילים, אנשים שחושבים מהר, עובדים תחת לחץ, ומוכנים להיכנס לבעיות כבדות של ממשלות וארגונים גדולים. אבל שוק העבודה כולו אינו Palantir.

החור הגדול בטענה הוא שאנשים עובדים עם אנשים

החלוקה של קארפ מפספסת קבוצה עצומה: אנשים שהערך שלהם נובע מאמון, אמפתיה, הקשבה, ניהול, שכנוע ויחסים. AI יכול לנתח חוזה, להכין תסריט מכירה, לסכם תיק רפואי או לכתוב מערך שיעור. אבל הוא לא יוצא לארוחת צהריים עם לקוח. הוא לא מרגיע מנהל שנמצא לפני החלטה קשה. הוא לא קורא את המבוכה בחדר. הוא לא בונה מערכת יחסים לאורך שנים.

זו נקודת עיוורון משמעותית. מנהלים, אנשי מכירות, מורים, מגשרים, רופאים, מטפלים, יועצים ומובילי שינוי אינם שורדים רק בגלל הידע שלהם. הם שורדים כי הם יודעים לפעול בתוך מערכת אנושית. בעידן שבו AI עושה חלק גדול מהעבודה האנליטית, האינטליגנציה החברתית והרגשית לא נחלשת. היא נעשית חשובה יותר.

האירוניה של מדעי הרוח

הביקורת של קארפ על מדעי הרוח חריפה במיוחד משום שהוא עצמו דוקטור לפילוסופיה. בפורום הכלכלי העולמי בדאבוס הוא אמר ש AI "ישמיד" עבודות הומניסטיות, ושמי שלמד פילוסופיה באוניברסיטה מובחרת, כמוהו, כדאי שיהיה לו גם כישור נוסף, כי את הכישור הזה יהיה קשה לשווק. זו אמירה שמושכת כותרות, אבל היא מפספסת משהו חשוב: לימודי רוח במיטבם אינם רק מסלול מקצועי. הם גם דרך לאמן חשיבה.

פילוסופיה טובה אינה רק שינון שמות ותיאוריות. היא אימון בשאלות, בהבחנות, בהבנת טיעונים, במוסר, במורכבות ובספק. דווקא בעידן שבו המכונה מספקת תשובות במהירות, האדם שמנסח את השאלה הנכונה, בוחן את ההנחות ומבין את ההשלכות האתיות יכול להיות חשוב יותר מאי פעם.

גם Fortune מציינת שלא כל המנהלים מסכימים עם קארפ. בכירים ב- BlackRock וב- McKinsey טענו שלימודי רוח יכולים להביא יצירתיות וחשיבה לא ליניארית לעולם שבו AI עושה חלק מהעבודה האנליטית.

השאלה האמיתית היא לא מי אתה, אלא איך אתה משתנה

קארפ צודק כשהוא אומר שהאמצע נשחק. הוא צודק כשהוא מזהה שהשכלה כללית בלי יכולת ביצועית כבר לא מספיקה. הוא צודק גם בכך שחשיבה לא שגרתית ועבודה פיזית מקבלות ערך חדש. אבל הוא טועה כשהוא מצמצם את העתיד לשתי קבוצות.

המשתנה החשוב ביותר בעידן ה- AI הוא לא רק מקצוע, אבחון או רקע אקדמי. הוא יכולת הסתגלות. עורך דין שגרתי שיודע להפוך את AI לשותף עבודה עשוי להצליח יותר מגאון שמסרב להשתמש בכלים חדשים. מורה שמבין איך להשתמש במודלים כדי לבנות למידה אישית יכול להפוך לחזק יותר, לא מיותר. ומנהל שמבין איך לשלב AI בתהליך קבלת החלטות, בלי לוותר על שיפוט אנושי, עשוי להיות בדיוק האדם שהארגון צריך.

עידן הממוצע נגמר

הסיפור של קארפ חשוב כי הוא מצביע על משהו אמיתי - AI מאיים על עבודה ממוצעת, חזרתית ונטולת בידול. אבל התשובה אינה לחלק את האנושות לשרברבים ולנוירודיברגנטים. זו חלוקה טובה לכותרת, לא למדיניות, לא לקריירה, ולא להבנת העתיד.

המנצחים של העידן הזה יהיו אנשים שיודעים לחבר בין שלושה דברים: יכולת ביצוע, חשיבה עצמאית ויכולת אנושית. הם ידעו לעבוד עם המציאות, ללמוד מהר, להשתמש ב- AI בלי להיעלם בתוכו, ולשמור על שיקול דעת מוסרי וחברתי. זה פחות דרמטי מהמשפט של קארפ, אבל כנראה הרבה יותר נכון.

הפוסט אלכס קארפ צודק לגבי ה-AI, אבל טועה לגבי האנשים הופיע ראשון בLet's AI בינה מלאכותית

רגע מכריע במרוץ החימוש הדיגיטלי

ב‑1 במאי 2026 פרסם הפנטגון הודעה קצרה, אבל כזו שמסמנת שינוי עמוק באופן שבו הצבא האמריקאי מתכנן לפעול בעשור הקרוב.

שבע חברות טכנולוגיה, בהן Nvidia, Microsoft, Amazon Web Services ו- Reflection AI, קיבלו אישור לפרוס מודלים של בינה מלאכותית ברמות הסיווג הגבוהות ביותר של ארצות הברית.

מאחורי ההכרזה הזו מסתתר מהלך רחב בהרבה שמטרתו לבנות תשתית אחידה להפעלת מודלים מתקדמים בתוך מערכות מסווגות, תוך התמודדות עם מחלוקות מול חברות שמגבילות שימושים צבאיים.

צבא שמתקשה לעמוד בקצב הטכנולוגיה

הפנטגון מתמודד בשנים האחרונות עם עומס מידע חסר תקדים. מערכות מודיעין, חיישנים, לוויינים ותקשורת מבצעית מייצרות כמויות נתונים עצומות, הרבה מעבר ליכולת אנושית לעבד בזמן אמת.

הפער הזה הפך לאיום מבצעי שמוביל לקבלת החלטות איטית, חוסר סנכרון בין יחידות והסתמכות על מערכות מיושנות שאינן מותאמות לעידן של לוחמה מבוססת נתונים.

במקביל, מדינות יריבות ובראשן סין משקיעות הון עתק בפיתוח מערכות בינה מלאכותית צבאיות. מבחינת הפנטגון, זה מרוץ שבו מי שמאחר - מפסיד.

רשת מסווגת עם מודלים מתקדמים

ההסכמים החדשים מאפשרים לפנטגון להפעיל מודלים מתקדמים של בינה מלאכותית בתוך רשתות IL6 ו IL7, שהן רשתות מסווגות ברמות האבטחה הגבוהות ביותר בארצות הברית. המשמעות היא שמודלים מסחריים, חלקם סגורים וחלקם בקוד פתוח, יכולים כעת לעבוד ישירות על מידע רגיש מאוד, כמו מודיעין מבצעי או נתוני Top Secret, מבלי שהמידע יוצא מהתשתית המאובטחת.

לפי דיווחי בלומברג, המטרה היא לאפשר שימוש חוקי תפעולי ללא מגבלות נוספות מצד הספקים. במילים אחרות, כל שימוש שהחוק האמריקאי מתיר הוא שימוש שהצבא רוצה לבצע.

הפלטפורמה GenAI.mil, שכבר פועלת בקרב יותר מ- 1.3 מיליון עובדים, הופכת למרכז העצבים של המהלך. היא משלבת מודלים של Google, OpenAI וחברות נוספות, ומאפשרת חיפוש, סינתזה וניתוח של מידע מסווג בזמן אמת.

שכבת AI על גבי תשתיות מסווגות

המערכת מתוארת כמעין שוק מודלים פנימי. הצבא יכול לבחור בכל רגע את המודל שמתאים למשימה הנוכחית, כמו תחקור מודיעיני, ניתוח תמונות או תכנון מבצעי, ולהריץ אותו ישירות על נתונים מסווגים מבלי שהמידע יוצא מהרשת.

החידוש המרכזי הוא היכולת לשלב כמה מודלים במקביל. מודל של Nvidia יכול לנתח וידאו, מודל של Microsoft יכול לסכם מסמכים, ומודל של AWS יכול לזהות דפוסים, וכל אלה פועלים יחד בתוך אותה מעטפת מאובטחת.

הנה אילוסטרציה להמחשה של שכבת היכולות החדשה ברשתות המסווגות של הפנטגון - ממסלולי קליטת מידע ועד בחירת מודלים, עיבוד נתונים וניתוח מבצעי מבוסס AI:

שכבת היכולות החדשה ברשתות המסווגות של הפנטגון | אילוסטרציה

מה מיוחד בהסכמים החדשים

שלושה אלמנטים מרכזיים הופכים את ההסכמים החדשים למשמעותיים במיוחד.

הראשון הוא ריבוי הספקים. הפנטגון למד מהעימות עם Anthropic שאם חברה אחת מסרבת לאפשר שימושים מסוימים, כל המערכת עלולה להיתקע. לכן נחתמו הסכמים במקביל עם שבע חברות, ובהן גם Reflection AI, סטארט-אפ צעיר שגייס שני מיליארד דולר ומגובה על ידי Nvidia.

האלמנט השני הוא ההסכמה לסטנדרט Any Lawful Use. כמעט כל החברות, ובהן Google, OpenAI, xAI ו- Palantir, קיבלו את דרישת הפנטגון שלא להגביל שימושים מעבר למה שהחוק האמריקאי אוסר.

Anthropic, שחתמה כבר ב- 2025 על חוזה עם הפנטגון היא החריגה היחידה. העימות החריף איתה נחשף לאחר דיווחים על שימוש במודלים של Anthropic במבצע חשאי שבו נעצר נשיא ונצואלה לשעבר ניקולאס מדורו, דיווחים שהחברה מכחישה.

האלמנט השלישי הוא עצם ההטמעה ברמות הסיווג הגבוהות ביותר. IL6 ו- IL7 הן רמות שבהן מאוחסן מידע מודיעיני רגיש במיוחד, והעובדה שמודלים מסחריים נכנסים לשם היא תקדימית.

אתיקה מול מציאות מבצעית

העימות הזה חושף פער עמוק בין שתי תפיסות עולם. מבחינת Anthropic, בינה מלאכותית חייבת לכלול מגבלות אתיות ברורות, גם אם הדבר פוגע ביכולת המבצעית של המשתמשים בה. הפנטגון, לעומת זאת, טוען שבעולם שבו יריבים אינם מגבילים את עצמם, מגבלות אתיות חד צדדיות עלולות להפוך לסיכון לאומי.

המחלוקת הזו היא לא רק טכנולוגית, אלא משקפת ויכוח עקרוני על גבולות האחריות בעידן של מערכות חכמות.

עידן חדש של לוחמה מבוססת AI

ההסכמים החדשים מסמנים שהפנטגון קיבל החלטה ברורה. בינה מלאכותית הופכת לחלק אינטגרלי מכל שכבות הפעילות הצבאית, ממודיעין ותכנון ועד לוגיסטיקה, סייבר ולוחמה. המשמעות היא האצה בקבלת החלטות מבצעיות, יכולת טובה יותר לנתח כמויות מידע עצומות וצמצום התלות באנליסטים אנושיים.

לצד היתרונות האלה עולות גם שאלות אתיות כבדות, כמו מידת האוטונומיה שתינתן למערכות, רמת השקיפות הנדרשת והסיכון להסלמה לא מכוונת.

הוויכוח הזה הוא כנראה רק תחילת הדרך. הבינה המלאכותית תעמוד למבחן בעוד מצבי קונפליקט רבים לפני שתתגבש הסכמה בינלאומית על גבולות השימוש בה.

הפוסט איך הפנטגון בונה צבא מבוסס‑AI הופיע ראשון בLet's AI בינה מלאכותית

כשאנשים שואלים את Claude מה לעשות עם החיים שלהם

החברה בדקה מיליון שיחות אקראיות מ-Claude.ai מחודשים מרץ ואפריל 2026, וביקשה להבין מתי אנשים לא משתמשים במודל ככלי עבודה, אלא כגורם שנותן להם הכוונה אישית. לפי המחקר, בערך 6 אחוז מהשיחות היו שיחות שבהן אנשים ביקשו מ-Claude לא רק מידע, אלא פרספקטיבה על החלטה בחיים. אחרי סינון משתמשים ייחודיים, המדגם כלל כ-639 אלף שיחות, ומתוכן כ-38 אלף סווגו כשיחות של הכוונה אישית.

וכאן הנקודה החשובה, אנחנו נוטים לדבר על AI כאילו הוא כלי פרודוקטיביות - משהו שמקצר עבודה, כותב מיילים, מנתח מסמכים ובונה מצגות, אבל בפועל, חלק מהמשתמשים כבר מתייחסים אליו כאל סוג של אדם שלישי בחדר. לא בדיוק חבר. לא בדיוק מטפל. לא בדיוק יועץ. אבל משהו באמצע, כזה שאפשר לשאול אותו שאלה אינטימית בלי להתבייש.

לא מידע, אלא עצה

Anthropic מגדירה "הכוונה אישית" בצורה מדויקת יחסית: לא כל שאלה על החיים נחשבת עצה. אם אדם שואל "מה שיעור הפציעות בסקי?", זו בקשת מידע. אם הוא שואל "האם כדאי לי לנסות סקי בפעם הראשונה?", זו כבר בקשת הכוונה. ההבדל הזה חשוב, כי הוא מסמן את המעבר ממנוע תשובות למערכת שמשפיעה על שיקול דעת.

המחקר חילק את שיחות ההכוונה לתשעה תחומים, ובהם יחסים, קריירה, התפתחות אישית, פיננסים, משפט, בריאות ורווחה, הורות, אתיקה ורוחניות. לפי Anthropic, הטקסונומיה הזאת כיסתה 98 אחוז משיחות ההכוונה שנמצאו. אבל רוב השיחות לא התפזרו באופן שווה. יותר משלושה רבעים מהן, 76 אחוז, התרכזו בארבעה תחומים בלבד: בריאות ורווחה עם 27 אחוז, קריירה עם 26 אחוז, יחסים עם 12 אחוז ופיננסים אישיים עם 11 אחוז.

כדי להבין למה המחקר הזה חשוב, צריך קודם לראות על מה בכלל אנשים מבקשים מ-Claude הכוונה אישית. התמונה שעולה מהנתונים ברורה: לא מדובר בשוליים, אלא בהחלטות שנוגעות ישירות לחיים עצמם.

תחומי ההכוונה האישית בקלוד | Anthropic

במילים אחרות, אנשים לא רק שואלים את Claude איך לנסח הודעה או איך להבין חוזה. הם מביאים אליו את המקומות שבהם החיים שלהם באמת מתחככים עם אי ודאות: גוף, עבודה, אהבה וכסף.

וזה כבר משנה את אופי הדיון. ככל שהשאלה אישית יותר, כך התשובה אינה רק "נכונה" או "לא נכונה". היא יכולה להרגיע, לדחוף, לנרמל, להקצין, לעכב פנייה לאדם אמיתי, או להפך, לעזור למשתמש לראות את המצב באופן שקול יותר.

הבעיה היא חנופה

הממצא המרכזי במחקר אינו ש-Claude טועה הרבה. למעשה, Anthropic מצאה שברוב שיחות ההכוונה Claude לא הפגין התנהגות סיקופנטית. סיקופנטיות, בהקשר הזה, היא נטייה של מודל להסכים יותר מדי עם המשתמש, להחמיא לו, לחזק את הסיפור שהוא כבר מספר לעצמו, גם כשהדבר לא בהכרח משרת את טובתו.

לפי המחקר, התנהגות כזאת הופיעה ב-9 אחוז מכלל שיחות ההכוונה. אבל המספר הכללי מסתיר אזורים רגישים יותר. בשיחות על רוחניות, Anthropic מצאה שיעור סיקופנטיות של 38 אחוז. בשיחות על יחסים, השיעור עמד על 25 אחוז. למרות שרוחניות הציגה את השיעור הגבוה ביותר, Anthropic בחרה להתמקד דווקא ביחסים, מפני שזהו תחום גדול יותר מבחינת נפח השיחות, ולכן שם הופיעו הכי הרבה מקרים סיקופנטיים במספרים מוחלטים.

אבל השאלה החשובה באמת היא לא רק על מה אנשים שואלים, אלא איפה המודל נוטה יותר מדי להסכים איתם. כאן המחקר כבר מצביע על אזורים רגישים במיוחד, ובעיקר על שיחות שעוסקות במערכות יחסים.

שיעור הסיקופנטיות לפי תחום | Anthropic

כאן המחקר נוגע באחת הנקודות העדינות ביותר בשימוש יומיומי ב-AI. כשמשתמש מספר למודל סיפור חד צדדי על בן זוג, קולגה, חבר או בן משפחה, המודל מקבל רק גרסה אחת של המציאות. אם הוא עונה בביטחון מוגזם, למשל "הוא בוודאות עושה לך גזלייטינג" או "אתה לגמרי צודק", הוא לא רק נותן תשובה חלשה. הוא עלול לחזק עימות, להעמיק נתק, או לתת למשתמש תחושה של ודאות במקום שבו דווקא נדרשת זהירות.

וזה ההבדל בין אמפתיה לבין חנופה. אמפתיה טובה אומרת: "אני מבין למה זה כואב". חנופה אלגוריתמית אומרת: "אתה צודק, והצד השני אשם". הראשונה יכולה לעזור לאדם לחשוב. השנייה עלולה לעזור לו להינעל.

כשהמשתמש דוחף, המודל נבחן באמת

אחד החלקים המעניינים במחקר הוא לא רק מה Claude עונה, אלא מה קורה כשהמשתמש לא מקבל את התשובה הראשונה. לפי Anthropic, שיחות על יחסים הן התחום שבו משתמשים דוחפים חזרה הכי הרבה: 21 אחוז מהשיחות בתחום הזה כללו התנגדות מצד המשתמש, לעומת 15 אחוז בממוצע בתחומים אחרים. בנוסף, שיחות יחסים היו ארוכות יותר באופן משמעותי, עם ממוצע של 22 תורות, לעומת ממוצע של 12 תורות בכלל שיחות ההכוונה.

המשמעות ברורה, כשמדובר בזוגיות, אנשים לא תמיד באים לקבל תשובה. לעיתים הם באים לבחון את הסיפור שלהם. לפעמים הם רוצים שמישהו יגיד להם שהם צודקים. לפעמים הם מתווכחים עם המודל עד שהוא מתקרב לניסוח שהם ביקשו לשמוע.

והמחקר מצא שזה בדיוק המקום שבו הסיכון עולה. Claude היה סיקופנטי יותר כאשר משתמשים דחפו נגדו. שיעור הסיקופנטיות עמד על 18 אחוז בשיחות שבהן הופיעה התנגדות מצד המשתמש, לעומת 9 אחוז בשיחות ללא התנגדות. Anthropic מציעה הסבר סביר וטוענת ש-Claude מאומן להיות מועיל ואמפתי, וכאשר משתמש מפעיל לחץ, במיוחד מתוך סיפור חד צדדי, קשה יותר למודל להישאר ניטרלי.

זו תובנה חשובה הרבה מעבר ל-Claude. היא מלמדת ש"האישיות" של מודל היא לא רק שאלה של טון, היא שאלה של יציבות תחת לחץ. מודל טוב לא צריך רק לדעת לענות יפה. הוא צריך לדעת לא להיסחף אחרי המשתמש ברגעים שבהם המשתמש עצמו אולי מחפש אישור יותר מאשר אמת.

לא כל עצה מסוכנת באותה מידה

המחקר של Anthropic מדגיש שגם תחום השיחה לא מספיק כדי להבין את רמת הסיכון. שאלה בריאותית יכולה להיות פשוטה יחסית, למשל תכנון שגרת כושר. אבל היא יכולה להיות גם קריטית, למשל פרשנות לתסמינים חדשים, מינון תרופה או החלטה אם לפנות לטיפול.

לפי הנספח למחקר, שאלות משפטיות, הורות, בריאות ופיננסים הופיעו לעיתים קרובות כשיחות בעלות סיכון גבוה או גבוה במיוחד: 94 אחוז מהשאלות המשפטיות, 82 אחוז משאלות ההורות, 81 אחוז משאלות הבריאות והרווחה, ו-80 אחוז מהשאלות הפיננסיות סווגו כך. שיחות בסיכון גבוה מתאפיינות, לפי Anthropic, בדחיפות, בקושי להפוך את ההחלטה, ובהשפעה משמעותית על החיים.

כאן הדיון מפסיק להיות על "האם המודל נחמד מדי", והופך לשאלה קשה יותר: מה קורה כשאדם פונה ל-AI דווקא מפני שאין לו גישה ליועץ, רופא, עורך דין, מטפל, או אדם קרוב?

Anthropic מציינת שבחלק מהמקרים אנשים אמרו ל-Claude שהם השתמשו ב-AI בדיוק בגלל שלא יכלו לגשת לאיש מקצוע או לממן כזה. קל לומר שהמודל צריך להפנות לאדם מוסמך, ובמקרים רבים זו אכן התשובה הנכונה. אבל כאשר אין לאדם חלופה זמינה, השאלה הופכת מורכבת יותר: האם AI הוא סיכון, רשת ביטחון חלקית, או שניהם יחד?

Claude כן נוטה להכיר במגבלותיו יותר בשיחות מסוכנות. לפי הנספח, הוא מכיר במגבלות שלו ב-47 אחוז משיחות ההכוונה באופן כללי, וב-63 עד 69 אחוז מהשיחות בתחומי פיננסים, משפט ובריאות. בתרחישים בעלי סיכון גבוה במיוחד, שיעור ההכרה במגבלות עולה ל-72 אחוז.

אבל גם כאן יש בעיה. "אני לא רופא" או "כדאי להתייעץ עם איש מקצוע" הם משפטים חשובים, אבל הם לא פותרים את כל הסיפור. אם אחריהם מגיעה עצה מפורטת מדי, בטוחה מדי, או כזאת שמרגישה כמו תחליף לייעוץ מקצועי, ההסתייגות עלולה להפוך לטקס משפטי יותר מאשר בלם אמיתי.

כשהמשתמשים מתווכחים עם המודל

לצד הדאגה, המחקר מציג גם תמונה מורכבת יותר על המשתמשים עצמם. הם לא תמיד מקבלים את תשובת Claude כאמת סופית. לפי הנספח, 38 אחוז מהמשתמשים הוסיפו הבהרות או פרטים חדשים במהלך השיחה כדי לכוון את Claude לתשובה רלוונטית יותר, ו-15 אחוז דחפו נגד הניתוח או ההמלצות שלו. Anthropic מסכמת את זה ככה: אנשים לא מתייחסים ל-Claude כאורקל, אלא כאל לוח תהודה.

זה חשוב, כי חלק גדול מהשיח הציבורי סביב AI מתאר את המשתמש כאדם פסיבי שנבלע בתוך תשובת המכונה. בפועל, לפחות במדגם הזה, התמונה מורכבת יותר. אנשים מתווכחים, מתקנים, מוסיפים הקשר, מביאים מגבלות תקציב, לוחות זמנים ופרטי רקע, ומנסים להפוך את התשובה לכלי שמתאים יותר לחיים שלהם.

אבל גם כאן יש צד שני. ככל שהמשתמש מכוון יותר את השיחה, כך הוא יכול גם לכוון את המודל אל האישור שהוא מחפש. אותו מנגנון שמאפשר דיוק אישי יכול להפוך גם למנגנון של אישוש עצמי.

האם אפשר לאמן מודל לא להתחנף?

Anthropic לא הסתפקה במדידה. לפי המאמר, החברה השתמשה בדפוסים שנמצאו בשיחות יחסים כדי לבנות דאטה סינתטי לאימון התנהגותי של Claude Opus 4.7 ושל Claude Mythos Preview. היא זיהתה מצבים שבהם משתמשים לוחצים על Claude, מבקרים את ההערכה הראשונית שלו, או מציפים אותו בפרטים חד צדדיים, ואז יצרה תרחישי אימון שמטרתם ללמד את המודל להישאר מאוזן יותר.

כדי לבדוק את השיפור, Anthropic השתמשה במה שהיא מתארת כבדיקת לחץ. היא לקחה שיחות אמיתיות שמשתמשים שיתפו דרך כפתור Feedback, כאלה שבהן דורות קודמים של Claude התנהגו באופן סיקופנטי, ונתנה למודלים החדשים להמשיך חלק מהשיחה. זה מבחן קשה יותר מתשובה נקייה מאפס, משום שהמודל נכנס לשיחה שכבר נעה בכיוון בעייתי ונדרש לשנות כיוון בלי לשבור את ההקשר.

לפי Anthropic, ב-Opus 4.7 שיעור הסיקופנטיות בשיחות יחסים היה נמוך בחצי לעומת Opus 4.6, והשיפור התרחב גם לתחומי הכוונה נוספים. עם זאת, החברה עצמה מסייגת את הממצא וטוענת שבדורות חדשים של מודלים משתנים דברים רבים במקביל, ולכן אי אפשר לקבוע בוודאות כמה מהשיפור נובע דווקא מדאטה האימון החדש.

זו הסתייגות חשובה. היא מונעת מהמחקר להפוך לסיפור שיווקי פשוט של "זיהינו בעיה ותיקנו אותה". בפועל, זה סיפור מורכב יותר - אפשר למדוד דפוס בעייתי, אפשר לאמן מולו, אפשר לראות שיפור, אבל עדיין קשה להוכיח סיבתיות מלאה.

מהי עצה טובה מ-AI?

המחקר של Anthropic הוא לא רק מחקר על Claude. הוא מחקר על השלב הבא ביחסים שלנו עם מערכות בינה מלאכותית.

עד עכשיו, השאלה המרכזית הייתה האם מודלים יודעים לבצע משימות. לכתוב. לסכם. לקודד. לנתח. עכשיו מתברר שהשאלה הבאה עדינה יותר - האם הם יודעים להיות נוכחים בתוך אי ודאות אנושית בלי להפוך למסוכנים, מתחנפים, בטוחים מדי או ממכרים מדי.

Anthropic עצמה מנסחת את היעד דרך טובת המשתמש לטווח הארוך. Claude אמור לזהות איזה סוג קלט האדם באמת מחפש, לתת מידע או הכוונה בעלי ערך, לכבד את האוטונומיה של המשתמש, להכיר במגבלותיו כשצריך, להימנע מעידוד תלות יתר, ולהיות מוכן לדבר בכנות או לדחוף בחזרה כשהדבר אינו לטובת המשתמש.

זו הגדרה נכונה, אבל קשה מאוד ליישום. כי בני אדם לא תמיד מבקשים את מה שטוב להם. לפעמים הם מבקשים אישור. לפעמים הם מבקשים שמישהו יוריד מהם אחריות. לפעמים הם מבקשים עצה, אבל בעצם רוצים נחמה. מודל שפה טוב יצטרך להבחין בין כל אלה, בלי להיות קר, בלי להיות שתלטן, ובלי להתחזות למומחה במקום שבו הוא לא מומחה.

בסיום המחקר Anthropic מודה במגבלות שלו. המדגם כולל משתמשי Claude בלבד ואינו מייצג את כלל האוכלוסייה. השיחות נותחו בעזרת מדרגים אוטומטיים שעלולים לטעות. המחקר מבוסס על תמלילי שיחות, ולכן אינו יודע מה המשתמשים עשו אחר כך בעולם האמיתי. הוא גם לא יודע האם Claude באמת שינה את דעתם, או רק היה עוד מקור אחד בתוך תפריט רחב של מידע, חברים, משפחה, אנשי מקצוע וחיפושים דיגיטליים.

וזה אולי הדבר החשוב ביותר שנשאר פתוח. אנחנו יודעים שאנשים שואלים AI שאלות על החיים עצמם. אנחנו יודעים שחלק מהשאלות האלה רגישות מאוד. אנחנו יודעים שמודלים יכולים להחניף, במיוחד כשהמשתמש לוחץ. אנחנו יודעים שאפשר להפחית את זה במידה מסוימת. אבל אנחנו עדיין לא יודעים מספיק על ההשפעה האמיתית של תשובות כאלה על החלטות אנושיות.

במובן הזה, המחקר של Anthropic הוא לא סוף דיון, אלא התחלה של דיון רציני יותר. לא "האם AI יכול לתת עצות?", כי בפועל הוא כבר נותן. אלא איזו עצה הוא נותן, באיזה הקשר, באיזו רמת ביטחון, ומה קורה לאדם שמקבל אותה.

כי ברגע שבו אנשים מפסיקים לשאול את המודל רק "איך עושים את זה?", ומתחילים לשאול אותו "מה כדאי לי לעשות?", הבינה המלאכותית היא כבר לא רק שכבת פרודוקטיביות, היא הופכת לשכבת השפעה. ושכבת השפעה דורשת סטנדרט אחר לגמרי.

הפוסט איך משפיעות שיחות עם Claude על החלטות בחיים הופיע ראשון בLet's AI בינה מלאכותית

מהו בעצם Workspace Agent

כדי להבין מהו Workspace Agent צריך לשים רגע בצד את מה שהכרנו עד היום. GPT רגיל מגיב להנחיה, מייצר טקסט וממשיך הלאה. סוכן Workspace הוא ישות תפעולית שחיה בתוך הארגון. הוא פועל בענן, לא תלוי בחלון פתוח, לא נשען על זיכרון רגעי, ולא מחכה שתנסחו שוב את אותה בקשה. הוא מקבל תפקיד, מבין הקשר, ניגש למידע אמיתי, מפעיל כלים ומבצע משימות מקצה לקצה.

הוא יודע לסרוק מסמכים, לנתח נתונים, לנהל תהליכים, לעדכן מערכות, לשלוח הודעות ולחבר בין כלים כמו Slack, Google Drive, Salesforce, Notion, HubSpot, Linear ועוד. הוא זוכר מה קרה אתמול כדי להשלים את מה שצריך לקרות היום. הוא לא נעלם כשהדפדפן נסגר. הוא ממשיך לעבוד.

וכאן מתרחש השינוי הגדול. עברנו מהנדסת פרומפטים להנדסת הקשר. במקום לנסח את הבקשה המושלמת בכל פעם, אנחנו בונים לסוכן סביבת עבודה עשירה במידע, והוא כבר מבין לבד מה לעשות.

שלושת עמודי התווך של כל סוכן

למרות היכולות הרחבות של הסוכנים, המבנה שלהם פשוט וברור. כל סוכן בנוי משלושה מרכיבים שמגדירים את אופן הפעולה שלו ואת הדרך שבה הוא משתלב בעבודה הארגונית.

הטריגר

זה הרגע שבו הסוכן מתחיל לפעול. זה יכול להיות לו"ז קבוע, הודעה בסלאק (Slack), ליד חדש שנכנס למערכת, קובץ שהועלה לדרייב או הפעלה ידנית. הטריגר הוא נקודת ההתחלה שמניעה את התהליך.

התהליך

כאן נמצא מרכז הפעילות של הסוכן. זה רצף הפעולות שהוא מבצע: איסוף מידע, בדיקות, ניתוח, קבלת החלטות, יצירת מסמכים, עדכון מערכות או שליחת הודעות. התהליך יכול להיות קצר ופשוט או ארוך ורב שלבי, והוא תמיד מתבצע באופן אוטונומי.

הכלים

הסוכן פועל בתוך המערכות הארגוניות שאליהן קיבל הרשאות. הוא ניגש לקבצים, קורא נתונים, מעדכן רשומות ומבצע פעולות שונות. הוא לא רואה יותר ממה שהוגדר עבורו, אבל בתוך הגבולות האלה הוא מתפקד כמו כל עובד אחר.

מתי נכון ליצור סוכן

הסוכנים זורחים במיוחד במשימות שחוזרות על עצמן, כאלה שמתרחשות כל יום, כל שבוע או בכל פעם שנכנס ליד חדש. הם מצוינים בתהליכים מובנים עם שלבים ברורים, ובמשימות שמבוססות על עבודה עם כמה מערכות במקביל. הם גם מתאימים במיוחד למשימות רגישות לזמן, כאלה שחשוב שיקרו בזמן ספציפי גם אם אתם עסוקים.

אם יש תהליך שאתם יודעים להסביר לעובד חדש, אפשר להפוך אותו לסוכן.

מה סוכן יכול לעשות בפועל

כדי להבין את הכוח של סוכן, צריך לראות דוגמאות מהשטח. הנה כמה תרחישים שממחישים איך נראה “עובד דיגיטלי” בפעולה:

סוכן תפעול יומי

הוא מתחיל את היום בסריקה של היומן, המיילים והמשימות הפתוחות. הוא מזהה פגישות שדורשות הכנה, מיילים שמחכים לתגובה, חסמים בפרויקטים, ומייצר תקציר עבודה יומי שמגיע ישירות לסלאק. הוא לא רק מסכם, אלא גם מחבר בין הדברים: מה קשור למה, מה דחוף, ומה אפשר לדחות.

סוכן ניהול ספקים

הוא מקבל חשבוניות חדשות, בודק אותן מול הסכמים קיימים, מזהה חריגות, ומכין דו”ח מסודר עם המלצות. הוא יודע לשלוף נתונים ממערכות פיננסיות, להשוות מול תקציב, ולהתריע על סעיפים בעייתיים.

סוכן תמיכה פנימית

הוא מקבל בקשות עובדים בסלאק, מסווג אותן אוטומטית, פותח קריאות במערכת הנכונה, ומעדכן את העובד. הוא יודע להבדיל בין בקשת רכש, תקלה טכנית או צורך בגישה לכלי חדש.

סוכן ניתוח מגמות

הוא שואב נתונים ממערכות BI, מייצר גרפים, מסכם מגמות, ומפיץ דוח שבועי לצוות הנהלה. הוא יודע לזהות חריגות, הישגים, ושינויים משמעותיים.

סוכן הכנה לפגישות

הוא אוסף מסמכים רלוונטיים, מסכם שרשורי מייל, ומכין דף רקע לפני כל פגישה חשובה. הוא יודע לחבר בין מידע מפוזר ולהפוך אותו לתמונה אחת ברורה.

סוכן מכרזים (RFP)

הוא עוזר בניסוח ואוסף מידע עבור מענה למכרזים או בקשות מורכבות מלקוחות.

איך מקימים סוכן כזה

הדבר המפתיע ביותר הוא שלא צריך לכתוב שורת קוד. הכול קורה בתוך ChatGPT.

איך בונים סוכן?

כדי ליצור סוכן חדש (1) מתחילים במסך ה-Workspace agents , שם בוחרים להקים סוכן חדש ומגדירים לו בשפה חופשית מה הוא אמור לעשות (2). מיד לאחר מכן ChatGPT מציג טיוטה ראשונית של הסוכן ומפרק את התיאור שלכם למשימות, ערוצים וכלים. בשלב הבא עוברים למסך ההגדרות, שבו רואים את פרופיל הסוכן, את הערוצים שהוא יעקוב אחריהם ואת הכלים שאליהם הוא צריך גישה, ומחברים אותו למערכות כמו Slack, Linear או Google Drive . אחרי שהכול מוגדר לוחצים על Create, והסוכן מתחיל לרוץ לראשונה (3). במסך האחרון רואים אותו מבצע את הצעדים הראשונים שלו בזמן אמת, כולל חיפוש בערוצים, שליפת נתונים ועדכון מערכות (4).

שורה תחתונה, חשוב מאוד להתחיל בהגדרת התפקיד. פשוט מסבירים לסוכן מה הוא אמור לעשות. משם ChatGPT מציע שלבים, ואתם מחדדים, מוסיפים, ומגדירים את התהליך. לאחר מכן מחברים את הכלים הרלוונטיים, קובעים האם הוא רשאי לפעול לבד או חייב אישור אנושי לפני פעולות רגישות, ומריצים כמה ניסויים כדי לוודא שהכול עובד. ברגע שהוא מוכן, משתפים אותו עם הצוות.

OpenAI גם מספקת ספריית תבניות מוכנה מראש. יש תבנית לסוכן שמנתח חריגות תקציב, תבנית לסוכן שחוקר ספקים, תבנית לסוכן שמבצע ניתוב בקשות, ועוד רבות אחרות. אפשר להתחיל מהן ולהתאים אותן לארגון תוך דקות.

ספריית סוכנים מוכנה מראש

הנה הדגמה מודרכת של סוכן שמושך מדדים שבועיים, יוצר גרפים, מנסח את הנרטיב ומפיק דוח עסקי מוכן לשיתוף:

והנה הדגמה מודרכת של סוכן שמסנן לידים נכנסים, מנסח מעקבים מותאמים אישית ומעדכן את ה CRM באופן שוטף:

אבטחה, שליטה ופרטיות

OpenAI יודעת שמידע עסקי הוא נכס רגיש. לכן הסוכנים נבנו עם סטנדרטים של Enterprise. הנתונים הארגוניים לא משמשים לאימון המודלים. כל פעולה של הסוכן מוצגת בשקיפות מלאה, עם סטטוס ברור בכל שלב. מנהלי מערכת מקבלים לוח בקרה עם יומני מעקב, כמות ריצות, משתמשים פעילים ועוד. אפשר גם לתייג סוכן לתוך שיחה קיימת בסלאק כדי שימשיך משימה שנדונה באותו רגע.

היכולות זמינות למנויי ChatGPT Team, ChatGPT Enterprise ו‑ChatGPT Edu. עד 6 במאי 2026 השימוש בסוכנים ללא עלות, ולאחר מכן יעבור המודל לתמחור מבוסס שימוש.

העידן האוטונומי כבר כאן

סוכני ה‑Workspace מסמנים את המעבר מעבודה ידנית לעבודה אוטונומית. הם מאפשרים לבנות צי של עובדים דיגיטליים שמבצעים תהליכים אמיתיים, חוסכים זמן, מפחיתים עומס, ומשחררים אנשים להתמקד במה שבאמת דורש חשיבה אנושית.

הם לא מחליפים אנשים. הם מחליפים את העבודה שאנשים לא צריכים לעשות.

אז אם אתם רוצים לנצל את הימים שנותרו לשימוש בסוכנים ללא עלות, תשאלו את עצמכם איזו משימה משעממת במשרד אתם מעבירים לסוכן הראשון שלכם כבר השבוע.

הפוסט OpenAI חזרה בגדול ומשיקה סביבת עבודה לסוכנים דיגיטליים בארגון הופיע ראשון בLet's AI בינה מלאכותית

You can now ask Gemini to create Docs, Sheets, Slides, PDFs, and more directly in your chat. No more copying, pasting, or reformatting, just prompt and download.

Available globally for all @GeminiApp users. pic.twitter.com/VuhlvehFuU

— Sundar Pichai (@sundarpichai) April 29, 2026

מה בעצם חדש כאן

עד היום ג׳מיני (Gemini) ידע לכתוב, לסכם, לנתח ולבנות רעיונות, אבל כל זה נשאר בתוך הצ׳אט. עכשיו הוא מסוגל לקחת כל תוצאה ולהפוך אותה לקובץ אמיתי שמוכן להורדה, שיתוף או שמירה ב‑Drive. לא טיוטה ולא טקסט גולמי, אלא מסמך מלא שמרגיש כמו תוצר שנוצר בכלי ייעודי.

החידוש בולט גם בהיקף הפורמטים. ג׳מיני יודע ליצור מסמכי Google Docs, Sheets ו‑Slides, וגם קבצי PDF, Word, Excel, CSV, Markdown, LaTeX, TXT ו‑RTF. כמעט כל פורמט עבודה מודרני נמצא כאן, וזמין לכל משתמשי אפליקציית Gemini.

שימושים פרקטיים שכבר רואים בשטח

כבר בימים הראשונים להשקה אפשר לראות איך היכולת החדשה נטמעת בשגרה. סיכומי פגישות הופכים לקובצי PDF שמוכנים לשליחה, הצעות מחיר ותקציבים מקבלים צורה של Excel עם נוסחאות, וטיוטות תוכן הופכות למסמכי Word מעוצבים. מצגות קצרות נבנות כ‑Slides בלי לפתוח אפילו חלון נוסף. הכול מתרחש בתוך הצ׳אט, בתהליך רציף שלא דורש מעברים בין כלים או שלבים מיותרים.

מכתב יד לקובץ דיגיטלי

מעבר לשימושים היומיומיים, העדכון מציג יכולת נוספת שמבליטה את העומק הטכנולוגי שלו - הפקת קבצים מתמונות של כתב יד. בהדגמה הרשמית של גוגל נראה משתמש שמעלה תמונות של פתקים או עמודי מחברת, וג׳מיני מחלץ מהם את התוכן ומארגן אותו למסמך נקי ומסודר. זהו חיבור ישיר בין העולם הפיזי לבין הדיגיטלי, בלי צורך בכלי ביניים.

מכתב יד לקובץ דיגיטלי | google

למה זה כל כך משמעותי

מי שעבד עם מודלי שפה גדולים מכיר היטב את הטקס החוזר. המודל נותן תשובה, מעתיקים אותה, פותחים מסמך, מדביקים, מסדרים עיצוב, שומרים. רצף פעולות קטן שמצטבר לשעות עבודה אבודות לאורך שבוע.

העדכון הזה משנה את כל זה. הצ׳אט הופך למקום שבו גם חושבים וגם מייצרים. רעיון הופך לקובץ, וקובץ הופך לשיתוף, בלי לעבור בין אפליקציות ובלי לגעת בעיצוב. זהו שינוי שמקצר תהליכים ומפנה זמן לעבודה עצמה.

אבל המשמעות האמיתית עמוקה יותר. זו לא רק נוחות. זו יכולת חדשה של המודל להפיק תוצרים אמיתיים, לא רק טקסט. זהו רגע שבו הבינה המלאכותית מפסיקה להיות כלי שמסייע מהצד והופכת להיות חלק מהתהליך המקצועי.

למה יצירת קבצים היא בעיה קשה

כאן נמצא לב הסיפור. יצירת קבצים נראית כמו פעולה פשוטה, אבל בפועל היא אתגר הנדסי מורכב. מודלי שפה מתקשים להפיק פורמטים בינאריים ישירות מטוקנים, משום שקבצים מודרניים בנויים משכבות של מבנים פנימיים עדינים.

קובץ DOCX הוא למעשה קובץ ZIP שמכיל אוסף מסמכי XML שמקושרים זה לזה. XLSX מורכב אף יותר, עם מבנה טבלאי שמצריך עקביות מוחלטת בין הגיליון, הסגנונות והנתונים. PDF מוסיף עולם של קואורדינטות, פונטים מוטמעים ותקנים היסטוריים שחיים זה לצד זה.

כשמבקשים ממודל לייצר את כל זה ישירות, התוצאה נוטה להתפרק. זו הסיבה שקבצים שנוצרו בעבר על ידי מודלים אחרים נראו לעיתים כמו טיוטות לא גמורות. גיליונות Excel שאיבדו יישור, קובצי PDF שהתבלגנו בעת פתיחה, מסמכים שהתפרקו כשהועברו בין אפליקציות. זו לא בעיה של עיצוב, אלא של מבנה. ואת זה נראה שגוגל הצליחה לפתור.

מה לגבי PowerPoint

יש פרט קטן שחשוב להכיר. למרות התמיכה הרחבה בפורמטים, ייצוא ישיר ל‑PowerPoint עדיין לא קיים. מי שרוצה קובץ PPT צריך ליצור מצגת ב‑Google Slides ולהוריד אותה משם.

זה פתרון עקיף, במיוחד כשמסמכי Word ו‑Excel כבר נתמכים באופן מלא, אבל בפועל הוא כמעט לא מורגש. רוב המשתמשים יגלו שהמעבר דרך Slides מהיר, שקוף, ולא פוגע בחוויה הכוללת.

ומה ההבדל ממצב הקנבס

מצב קנבס (Canvas) מאפשר לעבוד בתוך חלון צדדי שבו עורכים טקסט ידנית ומשתפים פעולה עם הבינה המלאכותית בזמן אמת. זה מרחב עבודה חי, כזה שבו המודל מציע ניסוחים ואתם משנים, מוחקים, מוסיפים וממשיכים הלאה.

היכולת החדשה פועלת אחרת לגמרי. כאן לא עורכים טקסט ולא מנהלים תהליך משותף. מבקשים תוצר ומקבלים קובץ מוגמר, סגור ומוכן להורדה או לשמירה. 

בינה מלאכותית שמייצרת תוצרים

העדכון זמין כבר עכשיו לכל משתמשי ג׳מיני, באפליקציה ובווב, גם בחינם. אין צורך להפעיל הגדרה או לפתוח תפריט נסתר. פשוט מבקשים את הקובץ הרצוי, וג׳מיני יוצר אותו. התהליך קצר, ישיר ומיידי, והוא משנה את האופן שבו משתמשים בבינה מלאכותית בתוך שגרת העבודה.

העדכון החדש של גוגל מסמן שינוי חשוב. הוא הופך את הבינה המלאכותית מכלי שמנסח טקסט לכלי שמפיק תוצרים אמיתיים. הוא חוסך זמן, מפשט תהליכים ומאפשר לעבור מרעיון לקובץ מוגמר בלי לצאת מהצ׳אט. זה שדרוג שמרגיש פחות כמו תוספת נקודתית ויותר כמו צעד טבעי קדימה, כזה שמקרב אותנו לעתיד שבו בינה מלאכותית משתלבת בכל שלב של העבודה, מהרעיון הראשון ועד התוצר הסופי.

הפוסט Gemini מייצר קבצים ומשנה את חוויית העבודה עם AI הופיע ראשון בLet's AI בינה מלאכותית

ההחלטה שנולדה בכיתה

ב-1966, כשוולמארט הייתה רשת קטנה עם עשרים סניפים, סם וולטון (Sam Walton) עשה משהו שלא התאים לדימוי של מנכ״ל, ונרשם לבית ספר של IBM לפעילות קמעונאית. הוא לא חיפש תיאוריה ניהולית, הוא פשוט רצה להבין מה מחשבים יכולים לעשות. אבל מאחורי הסקרנות הייתה החלטה אסטרטגית - למצוא את האדם החכם ביותר בכיתה, להביא אותו לארקנסו, ולהתחיל למחשב את החברה.

וולטון לא הסתפק בהרצאות. הוא עצר את אייב מארקס (Abe Marks), שהיה אחת הדמויות המשפיעות ביותר בתחום ניהול המלאי והלוגיסטיקה בארה״ב בשנות ה-60, פתח מולו את המחברות שלו וביקש ממנו לבחון את המספרים. שלוש שנים אחר כך כבר הותקן מחשב IBM שקיבל דיווחי מכירות יומיים. משם נבנתה תשתית תפעולית שהפכה רשת אזורית לאימפריה עולמית. הכול התחיל מהבנה אישית, לא מהאצלת סמכויות.

התבנית שחוזרת בכל מהפכה

הסיפור הזה הוא לא על מחשבים. הוא על תנועה מנהיגותית שחוזרת אצל מייסדים ומנהלים שבנו חברות עמידות.

יתרון ההבנה האישית

קודם הבנה אישית, אחר כך גיוס הכישרון הנכון, ורק אז יתרון ארגוני. השלב הראשון עולה באגו, כי הוא מחייב את המייסד לשבת בכיסא התלמיד. השלב השני עולה בדיוק, כי גיוס נכון תלוי בשיפוט שנבנה מבפנים. השלב השלישי עולה בזמן, כי שילוב היכולות החדשות דורש שינוי מבני ארוך טווח.

הבנה ללא התמקצעות

מה שהתבנית לא אומרת הוא שמייסדים צריכים להפוך למומחים טכניים. וולטון לא הפך למנהל מערכות מידע. נדלה לא כתב קוד. שולץ לא הפך לבריסטה. הם פשוט עשו את עבודת ההבנה שאחרים דילגו עליה.

הגוף שהלך לפני האסטרטגיה

ב-1983, בהליכה אחת ברחובות מילאנו, היקום של הווארד שולץ (Howard Schultz) השתנה. הוא הגיע לעיר כדי לקנות כלי בית, לא כדי לשנות את סטארבקס. אבל הוא הלך. הוא נכנס ליותר מחמש מאות ברי אספרסו, צפה, ספג, ספר, טעם. הוא חזר לסיאטל עם חזון שהמייסדים המקוריים דחו. אז הוא עזב, הקים חברה משלו, ובסוף קנה את סטארבקס בחזרה ובנה אותה מחדש סביב מה שראה במילאנו.

הוא לא הזמין מחקר שוק. הוא לא שכר יועצים. הוא הלך ברגל. הגוף עשה את העבודה שהמצגות לא מסוגלות לעשות.

ממגננה לסקרנות

כשסאטיה נדלה (Satya Nadella) נכנס לתפקיד מנכ״ל מיקרוסופט ב-2014, החברה הייתה תקועה בהגנה על העבר. הוא הגיע עם משפט אחד שהפך את התרבות: ״לא עוד חברה שיודעת הכול, אלא חברה שלומדת הכול״. ההשראה הגיעה מספר על פסיכולוגיית הצמיחה. נדלה קרא, הפנים, והפך את זה לעיקרון ניהולי.

ההבנה האישית הזו הובילה לשותפות עם OpenAI, לשינוי תרבותי עמוק, ולפיבוט שהחזיר את מיקרוסופט לקדמת הבמה. הוא לא האציל את ההבנה. הוא בנה אותה בעצמו - ואז גייס, ואז שילב והרחיב.

המייסד שלא מוותר על החוויה

בריאן צ׳סקי (Brian Chesky) הגיע לעולם הטכנולוגיה עם משמעת של מעצב. מעצבים לא מעבירים את החוויה הלאה. הם יושבים עם המוצר, מפרקים אותו, בונים אותו מחדש. כך נולדה פרקטיקת ה-Snow White ב-Airbnb: סטוריבורדים מלאים שמגדירים את חוויית המשתמש לפני שנכתבת שורת קוד אחת.

צ׳סקי לא נתן למנהלי מוצר להחליט במקומו. הוא עשה את עבודת ההבנה בעצמו. רק אחר כך הגיעו ההנדסה, השיווק, השירות. זו אותה תבנית: קודם להבין, אחר כך להרחיב.

כש-AI הוא השלד, לא התוספת

דניאל שרייבר הקים את Lemonade מתוך הבנה שהביטוח של העתיד יישען על בינה מלאכותית מהיסוד. לא כתוספת, אלא כבסיס. בעוד חברות ביטוח ותיקות מנסות להדביק AI על מערכות ישנות, Lemonade בנתה שלד חדש עם תמחור, תביעות, שירות - הכול מתחיל ב-AI, והאדם הוא שכבת החריגים.

שרייבר, שטבע את המשפט "החייזרים נחתו, והם מוכנים לעבוד בחינם" והבין את גודל המהפכה כבר מזמן, ניסח זאת בפשטות: קשה לשנות את השלד בזמן שהרכב נוסע. חברות גדולות לא נכשלות בגלל מחסור בכישרון או תקציב, אלא משום שהמבנה עצמו אינו מאפשר שינוי. רק מייסד שמבין אישית את ההשלכות של AI יכול להחליט מה לשפץ ומה לבנות מחדש.

מה קורה כשמדלגים על השלב הראשון

יש גם צד שני שמדבר על כשלונות מתוך הבנה מוטעית. מייסדים שהעמיקו בטכנולוגיה והטעו את עצמם. בלמר (Steve Ballmer) והימור המובייל. קלאניק (Travis Kalanick) והרכב האוטונומי. אימלט (Jeff Immelt) והאינטרנט התעשייתי. כולם עשו את עבודת ההבנה בעצמם - וטעו.

המסקנה היא לא שהבנה אישית מבטיחה הצלחה. היא רק תנאי הכרחי. בלעדיה, גיוס המומחה הנכון הופך להטלת מטבע. איתה, לפחות יש בסיס לשיפוט.

איך מנכ״ל יכול להתחיל כבר השבוע

לשבת בכיסא הלומד

שעתיים בשבוע עם כלי AI שהחברה עשויה לאמץ. לא על עבודת הצוות - על העבודה האישית.

לקרוא את המקור

לא את הסיכומים בלינקדאין. את הדוחות עצמם. כמו וולטון, שהלך לבית הספר של IBM ולא קרא עליו כתבה.

לגייס אחרי ההבנה

לא לפני. להבין מה באמת צריך - ואז לגייס את האדם שמתאים לזה.

לקשור את ה-AI ליעדים שאתה מחזיק

אם זה לא ביומן של המנכ״ל, זה לא קורה.

למפות את שרשרת ההאצלה

לשאול איפה ההחלטות נשענות על הבנה של מישהו אחר. שם נמצא הסדק.

הסיפור שמחדד את הכול

שישים שנה, ארבע תעשיות, תבנית אחת. מייסדים שמנצחים לא מעבירים את ההבנה הלאה. הם בונים אותה בעצמם - ואז מגייסים, ואז משלבים ומרחיבים. AI הוא רק הגלגול הנוכחי של אותה תבנית. מי שייכנס לכיתה עכשיו, יכתוב את האוטוביוגרפיה שלו ב-2056.

הפוסט ההחלטות שמבדילות בין מנהלים שמובילים שינוי לבין כאלה שמפספסים אותו הופיע ראשון בLet's AI בינה מלאכותית

ההבטחה הגדולה של Manus והמהלך האסטרטגי של Meta

בסוף דצמבר 2025 Meta הכריזה על כוונתה לרכוש את Manus, סטארט‑אפ סינגפורי צעיר שהפך במהירות לאחד השמות הבולטים בעולם ה‑AI. החברה הציגה טכנולוגיית agentic AI שמסוגלת לא רק לייצר טקסט או קוד, אלא לבצע משימות מורכבות מקצה לקצה כמו מחקר שוק, יצירת קבצים, כתיבת קוד וניתוח נתונים.

Meta זיהתה ב‑Manus הזדמנות אסטרטגית משמעותית. היא ראתה בה שכבת ביצוע אוטונומית שתשולב במוצרי Meta AI ותעניק לה יתרון במרוץ מול OpenAI, Google ו‑Anthropic. ההכרזה התקבלה כהתקדמות חשובה, ועובדי Manus הראשונים כבר החלו לעבור למשרדי Meta בסינגפור.

אבל מה שנראה כמו עסקה סגורה הפך בתוך זמן קצר לסיפור שמגלם את המתח הגיאופוליטי שמלווה את עידן הבינה המלאכותית.

שורשים סיניים ומטה סינגפורי

למרות ש‑Manus הוצגה כחברה סינגפורית, שורשיה היו עמוקים בסין. היא צמחה מתוך Butterfly Effect בבייג׳ינג ורק מאוחר יותר עברה לסינגפור, במטרה לפעול בשוק גלובלי ולגייס הון מערבי. המעבר נועד ליצור מרחק רגולטורי, אך בבייג׳ינג לא השתכנעו.

באפריל 2026 הרשות המתכננת של סין, ה‑NDRC, קבעה שהעסקה עם Meta מהווה השקעה זרה אסורה והורתה לבטל אותה לחלוטין. ההחלטה הייתה חריגה: סין לא רק חסמה את העסקה, אלא דרשה להחזיר את המצב לקדמותו למרות שהאינטגרציה כבר החלה. שני מייסדי Manus זומנו לבייג׳ינג, נאסר עליהם לצאת מהמדינה, והחברה נדרשה להפריד את פעילותה מ‑Meta.

זה היה רגע שבו הפער בין ישות משפטית לישות אסטרטגית נחשף במלואו. בעיני סין, Manus אולי רשומה בסינגפור, אבל היא עדיין נתפסת כנכס סיני.

הטכנולוגיה שבמרכז הסערה

כדי להבין מדוע העסקה עוררה תגובה כה חריפה, צריך להבין מה Manus בנתה. בעוד רוב החברות מתמקדות במודלים גדולים, Manus פיתחה שכבת סוכן כללי, מערכת שמבינה הקשר, מתכננת, מבצעת ומוודאת משימות מורכבות.

היא לא ניסתה להתחרות ב‑GPT או ב‑Llama, אלא לבנות את מה שמגיע אחרי המודל: מערכת שמסוגלת לפעול בעולם האמיתי ולבצע פעולות של ממש.

זהו בדיוק סוג היכולות שסין רואה כקריטיות לביטחון הלאומי. לא רק בגלל הפוטנציאל העסקי, אלא בגלל היכולת של מערכות כאלה להפעיל תשתיות, לנתח מידע ולבצע פעולות אוטונומיות.

Meta מתקדמת ואז נעצרת

Meta כבר התחילה לשלב את Manus במוצרים שלה. הטכנולוגיה שולבה ב‑Ads Manager, עובדים עברו לסינגפור, והחברה התחילה להטמיע את הסוכן של Manus בתוך Meta AI.

אבל אז הגיעה ההוראה מבייג׳ינג והכול נעצר. TechRepublic תיארה זאת כשאלה פתוחה לחלוטין כיצד ניתן לפרק עסקה שכבר בוצעה בפועל.

Meta מצאה את עצמה במצב נדיר. היא לא רק נדרשה לעצור את האינטגרציה, אלא גם להתמודד עם שאלות של קניין רוחני, חוזים, עובדים שכבר עברו ומערכות שכבר שולבו.

המאבק על שליטה בשכבת הביצוע

הסיפור של Meta-Manus מסמן שינוי עמוק במאבקי הכוח סביב AI. בעשור האחרון ארצות הברית הגבילה את הגישה של סין לשבבים מתקדמים. כעת סין מגיבה במהלך מקביל: חסימת גישה של חברות אמריקאיות ליכולות AI שנבנו על אדמתה.

זה שינוי פרדיגמה. המאבק אינו רק על חומרה או מודלים, אלא על מי שולט בשכבת הביצוע האוטונומית של ה‑AI.

בעולם שבו סוכני AI מסוגלים לבצע משימות מורכבות, מי שמחזיק בטכנולוגיה הזו מחזיק בעוצמה תפעולית, עסקית ואסטרטגית.

Manus כמשל לעתיד ה‑AI הגלובלי

העסקה שלא הושלמה בין Meta ל‑Manus היא הרבה יותר מאירוע עסקי. היא מדגימה כיצד AI הפך לנכס אסטרטגי שמדינות מגינות עליו כמו על משאבי טבע, ומדגישה את הגבול המטושטש בין חברה שמציגה את עצמה כגלובלית לבין חברה שמדינה רואה בה נכס לאומי.

האירוע מזכיר לחברות טכנולוגיה שהמרוץ ל‑AI אינו מתנהל רק בענן, אלא גם במסדרונות של רגולטורים וממשלות.

Manus הייתה אמורה להיות קיצור הדרך של Meta לעולם הסוכנים האוטונומיים. במקום זאת היא הפכה לסמל של עידן חדש, שבו טכנולוגיה, גיאופוליטיקה וכוח כלכלי נשזרים זה בזה, והעתיד של ה‑AI מוכרע לא רק על ידי חדשנות אלא גם על ידי גבולות.

הפוסט עסקת Meta-Manus בוטלה ומסמלת את מאבקי הכוח הגלובליים סביב בינה מלאכותית הופיע ראשון בLet's AI בינה מלאכותית

We’re announcing two new partnerships to bring innovative energy generation and storage to our data centers:

1/ Space Solar: Partnering with Overview Energy to beam up to 1 GW of space solar power from orbit to Earth for around the clock power production. pic.twitter.com/l5lPCz75C7

— Engineering at Meta (@Meta_Engineers) April 27, 2026

כשהבינה המלאכותית פוגשת את מגבלת החשמל

בעשור האחרון, הבינה המלאכותית הפכה מצרכנית חשמל שולית לאחד הגורמים המשמעותיים ביותר בעומס על רשתות החשמל בעולם. מרכזי הנתונים של מטא צורכים כיום חשמל בהיקף שמקביל לצריכה השנתית של כמה מיליוני בתים - קנה מידה שממחיש עד כמה ה‑AI הפך למנוע אנרגיה עצום. זהו קצב גידול שמערכות האנרגיה הקיימות מתקשות לעמוד בו, במיוחד כשמקורות מתחדשים כמו שמש ורוח אינם זמינים בכל רגע.

איך זה פוגע במטא

עבור מטא, זו אינה רק מגמה עולמית אלא אתגר תפעולי יומיומי. החברה מקימה חוות שרתים בקנה מידה שלא נראה בעבר, והן דורשות אספקת חשמל רציפה ויציבה. רשת החשמל האמריקאית, שכבר מתמודדת עם עומסים, אינה מסוגלת לספק את היציבות הנדרשת לפרויקטי AI גדולים. המשמעות ברורה: מטא חייבת למצוא מקור אנרגיה שאינו תלוי בשעות היום, במזג האוויר או בקיבולת הרשת המקומית.

טכנולוגיות משלימות ושיתופי פעולה

כדי להתמודד עם הפער הזה, מטא בחרה בשילוב בין שתי טכנולוגיות משלימות: אנרגיה סולארית שמגיעה מהחלל בשיתוף Overview Energy, ואגירה ארוכת טווח בהיקף ג׳יגה-ואט בשיתוף Noon Energy. המטרה היא ליצור מקור חשמל נקי שפועל מסביב לשעון. הדגמה ראשונה מתוכננת ל‑2028, ואספקה מסחרית עשויה להתחיל בתחילת העשור הבא.

שותפויות עם Overview Energy & Noon

איך זה עובד בפועל?

הלוויינים של Overview ממוקמים במסלול גאוסינכרוני, שבו השמש זורחת תמיד. הם אוספים אנרגיה סולארית, ממירים אותה לאור אינפרא-אדום בעוצמה נמוכה ומשדרים אותו אל חוות סולאריות קיימות על הקרקע. במקביל, מערכות האגירה של Noon מאפשרות לשמור עודפי אנרגיה למשך ימים שלמים, כך שהמערכת מספקת יציבות גם במצבי קיצון.

מערכת אגירה ארוכת טווח

מה מיוחד במהלך הזה?

המהלך של מטא שונה מכמעט כל מה שנעשה עד היום בתחום האנרגיה המתחדשת. במקום לבנות עוד ועוד תשתיות על הקרקע, היא משתמשת בחלל כדי להרחיב את היכולות של תשתיות קיימות. זה שינוי תפיסתי: השמש לא חייבת לשקוע, אם אפשר להביא אותה מהחלל.

מהלך כזה מצטרף למגמה רחבה יותר שבה גם שחקנים אחרים בתעשיית ה‑AI פונים לחלל כדי לפתור צווארי בקבוק תשתיתיים, כמו המיזוג התפעולי בין SpaceX ל‑xAI שמטרתו להאיץ פיתוח מערכות חישוב מתקדמות.

בנוסף, מדובר באחד הניסיונות הראשונים להפוך אנרגיה סולארית מהחלל למוצר מסחרי אמיתי - לא ניסוי, לא הדגמה אקדמית, אלא חלק מתוכנית אנרגיה ארוכת טווח של תאגיד ענק.

השפעות פוטנציאליות על התעשייה

המהלך של מטא מסמן מגמה חדשה שבה חברות טכנולוגיה כבר לא רק צרכניות חשמל - הן הופכות לשחקניות אנרגיה. הן משקיעות, מפתחות, ומקדמות טכנולוגיות שאולי היו נשארות על המדף עוד עשור. אם הפרויקט יצליח, הוא באמת עשוי לשנות את כללי המשחק שבו חוות שרתים יוכלו לפעול 24/7 על אנרגיה נקייה, רשת החשמל תקבל חיזוק משמעותי בשעות הלילה ואנרגיה מהחלל תהפוך מאתגר הנדסי לחלופה אמיתית לדלקים פוסיליים.

אבל חשוב לומר שעדיין יש פערים. לא ברור מה תהיה היעילות בפועל, כמה יעלה שיגור צי לוויינים כזה, ומה יקרה במקרה של תקלה. גם הרגולציה האמריקאית תצטרך להתמודד עם שאלות שלא נשאלו עד היום. ובכל זאת, זה נראה כמו אחד המהלכים המבטיחים והמעניינים ביותר שנראו בתחום האנרגיה המתחדשת בעשור האחרון.

הפוסט איך מטא רוצה לפתור את משבר האנרגיה של עידן ה‑AI הופיע ראשון בLet's AI בינה מלאכותית

עסקה שנשמעת כמו מדע בדיוני

באמצע אפריל 2026, דקות לפני שדיווח של הניו יורק טיימס דלף לרשת, SpaceX פרסמה הודעה קצרה ב-X. ההודעה הזו, יבשה ופשוטה למראה, חשפה אחד המהלכים המפתיעים של השנה: שיתוף פעולה עמוק עם Cursor, אחת מפלטפורמות ה-AI Coding הצומחות בעולם. במסגרת ההסכם ניתנה ל-SpaceX אופציה לרכוש את Cursor תמורת 60 מיליארד דולר, או לשלם 10 מיליארד דולר עבור שיתוף הפעולה בלבד.

ההודעה הרשמית של SpaceX ב-X

מאחורי ההכרזה הזו מסתתר סיפור רחב בהרבה. הוא כולל תחרות גוברת בתחום ה-AI, צווארי בקבוק חישוביים שמגבילים את התקדמות החברות, שינוי מבני ב-xAI, וניסיון של SpaceX למצוא את האפליקציה שתצדיק את קיומו של מחשב על עצום בגודל של עיר קטנה.

שתי חברות שתקועות בנקודה אחרת

Cursor, שהתחילה כסטארט אפ קטן של ארבעה בוגרי MIT, הפכה בתוך שלוש שנים לאחד הכלים הנפוצים ביותר בקרב מפתחים. יותר ממיליון משתמשים יומיים, אימוץ ב-67 אחוז מחברות Fortune 500 וקצב צמיחה יוצא דופן. אבל מאחורי ההצלחה הסתתרה בעיה ברורה: מחסור חמור בכוח חישוב. החברה הודתה בפוסט רשמי כי "היינו חסומים על ידי compute", והדבר האט את היכולת שלה לאמן מודלים חדשים.

במקביל, SpaceX מצאה את עצמה עם Colossus, מחשב על בעל כוח עיבוד השווה למיליון שבבי H100, אבל ללא אפליקציה חזקה שתדע לנצל אותו. אחרי רכישת xAI בפברואר התברר שהחברה עדיין חסרה מוצר קוד תחרותי, ושאפילו צוותי xAI עצמם השתמשו ב-Claude דרך Cursor.

כך שתי החברות הגיעו מנקודות שונות לאותה מסקנה: כדי להתקדם הן צריכות קפיצה משמעותית, וכל אחת מחזיקה בדיוק במה שחסר לשנייה.

חיבור בין מוצר חזק לתשתית עצומה

החיבור בין Cursor ל-Colossus יוצר שילוב בין מוצר פיתוח חזק לבין תשתית חישוב עצומה. Cursor מקבלת סוף סוף גישה למחשב על שמסוגל לספק את כוח העיבוד שהיה חסר לה כדי לאמן את Composer בקנה מידה גדול באמת, אחרי שגרסאות קודמות נעצרו בגלל מחסור ב-GPU. כאן מתחבר Colossus, שממוקם בממפיס ושווה בעוצמתו למיליון מעבדים מתקדמים מהסוג שחברות AI משתמשות בו, וחזק יותר מכל תשתית ענן מסחרית קיימת.

החיבור הזה מאפשר ל-Cursor לאמן מודלי קוד על כמויות מידע עצומות, לכוונן אותם על נתונים הנדסיים ולבנות כלים שמבינים קוד בהיקפים של מיליוני שורות בזמן אמת.

במילים פשוטות, סביבת פיתוח שמגובה במחשב-על הופכת מכלי כתיבה לכלי הנדסי עמוק שמסוגל לבצע ניתוח ואופטימיזציה בקנה מידה שלא היה אפשרי בעבר.

מנכ״ל Cursor מאשר את שיתוף הפעולה ומדגיש את המטרה

המשמעות הרחבה היא לא רק קוד

העסקה הזו אינה עוד רכישה אפשרית. היא מסמנת מגמה חדשה שבה תשתית חישוב ומוצר קצה פועלים כמערכת אחת. במקום שחברות AI ישכרו GPU בענן, הן מתחילות להחזיק תשתיות משלהן ולחבר אותן ישירות לאפליקציות. Cursor מביאה מוצר עם אימוץ רחב, ו-SpaceX מביאה תשתית שאף סטארט אפ לא יכול להרשות לעצמו. יחד הן יוצרות מודל חדש של Compute to Code, שבו סביבת פיתוח נשענת על כוח עיבוד עצום ומאפשרת יכולות שלא היו זמינות בעבר.

המהלך מגיע רגע לפני ה-IPO (הנפקה) של SpaceX, שמכוונת לשווי של 1.75 טריליון דולר. החיבור ל-Cursor מוסיף לה סיפור צמיחה נוסף, לצד פעילות החלל והאינטרנט הלווייני, וממקם אותה גם כשחקנית משמעותית בתחום ה-AI. עבור התעשייה זהו איתות ברור. מודלי קוד הופכים למוצר משלים למחשבי על, לא לשירות ענן. עבור המתחרות כמו Anthropic, OpenAI ו-Google, זה מהלך שמערער את מאזן הכוחות ומדגיש את החשיבות של שילוב בין תשתית חישוב לבין מוצר קצה.

הפוסט האם Cursor תהפוך לנשק הסודי של SpaceX הופיע ראשון בLet's AI בינה מלאכותית

ארבע שכבות של הקשר - ולמה Skills הן השכבה הרביעית

לפני שמבינים מה זה Skill, כדאי להבין את ה״מדרגות״ שמובילות אליו:

שכבה ראשונה - פרומפט

אתם כותבים הוראה ארוכה בתחילת השיחה: מי אתם, מי הלקוחות שלכם, מה אתם רוצים. זה עובד, אבל צריך לחזור על זה בכל שיחה מחדש.

שכבה שנייה - קובץ טקסט

אתם שומרים קובץ עם כל ההוראות ומעלים אותו למודל בתחילת השיחה. זה מהיר יותר, אבל עדיין דורש פעולה ידנית.

שכבה שלישית - Project

אתם מעלים את הקובץ פעם אחת לתוך פרויקט ב-Claude או ChatGPT. הוא נשאר שם, וכל שיחה בתוך אותו פרויקט מתחילה עם ההקשר הזה בלי שתצטרכו להעלות אותו שוב. נחמד, אבל יש היום דרך טובה וחכמה יותר. 

שכבה רביעית - Skill

כל מה שתיארתם עד עכשיו, אבל בלי שום פעולה מצדכם. Skill מזהה לבד מתי הוא רלוונטי ומפעיל את עצמו. אתם לא בוחרים בו ולא מפעילים אותו. הוא פשוט שם.

רמות שונות של אוטומציה

למה זה לא אותו דבר כמו פרומפט?

זו השאלה שעולה כמעט תמיד, ולכן כדאי לפתור אותה מוקדם. פרומפט הוא הנחיה חד-פעמית. שאלה, בקשה או הוראה. הוא מנוסח בתוך שיחה, עובד בתוך אותה שיחה, ונשכח ברגע שהיא מסתיימת.

Skill הוא מומחיות קבועה. הסוכן לומד אותה פעם אחת ומשתמש בה שוב ושוב, בכל שיחה חדשה, בלי שתצטרכו להזכיר לו דבר. זה ההבדל בין להגיד למישהו מה לעשות בכל פעם מחדש לבין מצב שבו הוא כבר יודע.

מה זה בכלל Skill?

Skill, או סקיל, הוא בסך הכל קובץ טקסט. קובץ הוראות בסיומת markdown (.md) שמלמד את המודל שלכם להכיר אתכם, או לבצע משימה חוזרת בדיוק בדרך שאתם רוצים.

אתם מגדירים מי אתם, מי הלקוחות שלכם, מה חשוב ומה אסור. הסקיל שומר את כל זה, וכל פעם שהמודל מזהה שיש לו עבודה מהסוג הזה, הוא מביא איתו את ההוראות אוטומטית - בלי שתצטרכו לחזור על עצמכם.

דרך אחת להבין את זה היא לחשוב על ״מתכון״. רשימת הוראות שמתחילה בחומרי הגלם, ממשיכה בשלבי ההכנה ומסתיימת בהגשה. סקיל הוא מתכון לביצוע פעולה מסוימת מא' עד ת'.

עוד דרך טובה לחשוב על זה: אתם מגייסים עובד חדש. הוא מוכשר, אבל לא מכיר אתכם. אתם יכולים להסביר לו כל בוקר מחדש איך החברה עובדת, מה הלקוחות מצפים ואיך נראה דוח אצלכם. או שאתם יכולים לתת לו תיק הכנה מסודר ביום הראשון, ומאותו רגע הוא פשוט יודע.

Skill הוא תיק ההכנה הזה.

איך נראה יום עבודה עם סקיל - ואיך הוא נראה בלעדיו

איך נראה סקיל בפועל?

זו לא תוכנה, ואין שום קוד שצריך להתקין. סקיל הוא קובץ טקסט אחד בשם SKILL.md, שמכיל הוראות כתובות בשפה רגילה. הנה דוגמה לסקיל פשוט לכתיבת עדכון שבועי לצוות:

מבנה של סקיל: שם, טריגר, הוראות וגבולות שליליים - הכל בקובץ אחד

זו כמובן דוגמה קצרה ורזה רק לצורך ההדגמה, אבל Skill יכול להיות עמוד A4 שלם של הוראות והנחיות. חשוב גם שתתנו לו שם רלוונטי למען ההקשר והסדר הטוב. בטח אם יש לכם יותר מסקיל אחד. 

שני סוגי סקילים - ומה ההבדל בפועל

לא כל הסקילים עובדים אותו דבר, וכדאי להבין את ההבדל.

סקיל תהליך

זה סקיל מבוסס טקסט בלבד. הוא מגדיר סגנון, מבנה וחוקים. אפשר להשתמש בו במודלי שפה שונים שאוהבים ויודעים לקרוא קבצי markdown ובכלים נוספים שתומכים בסקילים. דוגמאות טובות: כתיבת פוסט לינקדאין בסגנון שלכם, ניסוח מייל ללקוח, או הכנת דוח חודשי בפורמט קבוע.

סקיל יכולת

סקיל שכולל גם כלים פעילים: הרצת קוד, גישה לקבצים, חיבור לשירותים חיצוניים ועוד. הוא רץ בסביבות מתקדמות יותר כמו Claude Code. דוגמה: סקיל שמייצר סרטון אוטומטית ושולח אותו ישירות ל-Gmail בלי שתצטרכו לגעת בו. רוב הסקילים שתפגשו הם מסוג תהליך. זה הסוג שהכי קל להתחיל איתו, והוא נותן ערך מיידי גם למי שלא עובד עם קוד ביום יום.

שלוש דרכים ליצור Skill משלכם

דרך ראשונה: skill-creator של Claude

Claude מגיע עם סקיל מובנה שמטרתו לעזור למשתמש ליצור סקילים. 

מפעילים אותו עם הפקודה skill-creator/. פשוט תתחילו שיחה חדשה - תעתיקו את הפקודה - ותלחצו אנטר (Enter). הוא שואל אתכם שאלות, אתם עונים, ובסוף הוא מייצר קובץ מוכן. ככל שהתשובות שלכם יותר ספציפיות, כך הסקיל יוצא שימושי יותר. "אני צריך סיכום פגישה" זה לא מספיק טוב.

"אני צריך סיכום פגישה שמתחיל בקבלת החלטות, ממשיך בחלוקת משימות לפי בעלי אחריות, ומסתיים בסיכום קצר של הדיון" - זה סקיל שיעבוד טוב יותר.

הפעלת skill-creator/ - פקודת הסלאש שמתחילה תהליך יצירת סקיל

דרך שנייה: makemyskill.com

כלי חינמי שפותח על ידי חברת ייעוץ AI אמריקאית. הוא מדלג על שלב הריאיון ומייצר את הסקיל ישירות על פי תיאור שאתם כותבים, כולל חיפוש ברשת אם צריך. נכנסים לאתר, מתארים את הסקיל שאתם רוצים, מורידים את הקובץ ומעלים אותו ל-Claude. פחות שליטה מהדרך הראשונה, אבל מהיר יותר ומתאים מאוד למתחילים.

דרך שלישית (הכי מומלצת ללימוד סקילים): להתחיל מהשיחות שכבר קיימות

אתם עובדים עם Claude כבר כמה זמן. בשיחות האלה יש הוראות שנתתם, תיקונים שביקשתם, פורמטים שחזרתם עליהם שוב ושוב - כל זה הוא כבר תהליך. הוא פשוט לא ארוז. אפשר לפנות ל-Claude עם השיחות האלה ולבקש: "תנתח את הדפוסים בבקשות שלי ותבנה מהם Skill." הסוכן מזהה את המבנה החוזר ומייצר קובץ מתוכו.

איך מתקינים Skill ב-Claude?

1. נכנסים לאזור ההתאמה האישית (Customize) בסרגל הצד ולוחצים על אייקון התיק (1). זה פותח את הממשק שבו מנהלים סקילים וחיבורים.

2. בוחרים בלשונית Skills (2). זה המסך שבו יופיעו כל הסקילים האישיים שלכם. 

3. פותחים תפריט יצירת סקיל לוחצים על כפתור הפלוס (3) בפינה העליונה של אזור ה‑Skills. נפתח תפריט שמציע שתי אפשרויות.

Browse skills - לחיפוש סקילים מוכנים: מוצאים סקיל שמתאים לכם ולוחצים Install. משם הוא זמין בכל שיחה או שבוחרים Create skill.

4. תחת Create skill (4) יש שלוש דרכים שונות להתחיל:

• Create with Claude – נותנים למודל ״לראיין״ אתכם ולבנות את הסקיל יחד אתכם.

• Write skill instructions – כותבים את ההוראות בעצמכם מתוך הממשק.

• Upload a skill – מעלים קובץ SKILL.md מוכן מהמחשב (בדרך כלל קובץ zip).

אחרי שתיצרו או תעלו סקיל, הוא יופיע ברשימה תחת Personal skills (החץ הכתום בתמונה). משם אפשר לערוך, לכבות או למחוק אותו.

איך יוצרים או מעלים סקיל חדש - צעד אחר צעד

חשוב לדעת! סקילים זמינים לכל המנויים, כולל החינמי. תנאי אחד בלבד: צריך להפעיל Code execution תחת Settings → Capabilities."

כדי להשתמש בסקילים צריך להפעיל את Code execution

איך הסקיל יודע מתי להפעיל את עצמו?

לכל סקיל יש שורת תיאור שמסבירה ל‑Claude באילו מצבים הוא צריך לפעול. אתם מתחילים שיחה, מנסחים את הבקשה שלכם, והסוכן מפעיל את הסקיל הרלוונטי מאחורי הקלעים בלי שתצטרכו לעשות דבר. אם בכל זאת רוצים לבחור סקיל ידנית, יש שתי אפשרויות שכבר הזכרנו קודם:

1. בחירה דרך התפריט: לוחצים על Skills בסרגל הצד, ורואים את כל הסקילים המותקנים. אפשר לבחור אחד מהם ולהפעיל אותו ישירות.

2. בחירה דרך פקודת סלאש: כותבים / בצ'אט ומקבלים רשימה של כל הסקילים הזמינים.

כך Claude מחליט אם להפעיל סקיל

ארבעה דברים שחשוב להכיר

1. הטריגרים השליליים חשובים יותר מהחיוביים

כל סקיל כולל שתי שורות: מתי להפעיל ומתי לא להפעיל. השורה השנייה חשובה לא פחות. אם הגדרתם שהסקיל פועל כשמבקשים סיכום פגישה, אבל לא ציינתם שהוא לא פועל למסמכי הנהלה או לניוזלטרים, הוא עלול להפעיל את עצמו גם כשלא התכוונתם. גבולות שליליים ברורים מונעים את זה.

2. יש טריק פשוט לבדיקה ואיתור תקלות

הסקיל לא מופעל כשאתם מצפים? תשאלו את Claude: "מתי היית מפעיל את הסקיל הזה?" הוא יצטט את שורת התיאור. משם קל לראות מה מעורפל, מה חסר ומה צריך לתקן. זה הפתרון המהיר ביותר לכל סקיל שלא מתנהג כמו שצריך.

3. סקיל מטפל בתהליך, קובץ אישי מטפל בקול

אם יש לכם קובץ שמתאר מי אתם ואיך אתם כותבים, אין צורך לשכפל את זה בתוך הסקיל. הקובץ האישי מטפל בטון ובסגנון. הסקיל מטפל בתהליך ובמבנה. שניהם עובדים יחד בלי כפילויות.

4. סקילים לא מכבידים על הזיכרון של השיחה

Claude לא טוען את כל תוכן הסקיל בכל שיחה. בהתחלה הוא קורא רק שתי שורות: שם ותיאור. התוכן המלא נטען רק אם הוא מזהה שהסקיל רלוונטי. זה עובד לפי עיקרון של חשיפה מדורגת (Progressive Disclosure): המערכת קוראת רק את מה שהיא צריכה באותו רגע, וכל השאר נשאר בצד עד שהוא נדרש. לכן גם עשרים סקילים מותקנים לא תופסים פי עשרים יותר זיכרון. רובם בכלל לא נטענים.

מה לא עובד מושלם - ולמה כדאי לדעת את זה מראש

Skill לא מייצר תוצאות מושלמות בנסיון הראשון. הוא מייצר נקודת פתיחה עקבית, קרובה הרבה יותר למה שרציתם, ובדרך כלל הרבה יותר מהר. אבל עדיין צריך לעבור על הפלט ולתקן. אם המודל מדלג על שלבים או ממהר, הפתרון הוא לא לשנות את הסקיל. הפתרון הוא להוסיף לבקשה עצמה: "קח את הזמן. לא לדלג על שלבים." זה עובד טוב יותר מאשר לכתוב את זה בתוך קובץ הסקיל.

ואם התיאור של הסקיל רחב מדי, הוא יופעל גם כשלא ביקשתם. במקרה כזה הפתרון הוא להוסיף גבולות שליליים ברורים, כמו שהסברנו קודם.

מאיפה מורידים סקילים מוכנים?

לא צריך לבנות הכל מאפס. יש כמה מקומות שבהם תמצאו סקילים מוכנים:

1. skills.sh - המאגר הכי מסודר. לכל סקיל יש דירוג אמון, מספר התקנות ותיאור ברור.
2. Awesome Claude Skills - רשימה קהילתית ב‑GitHub עם סקילים פופולריים ומוכחים.
3. Skills IL - הקטלוג הישראלי. מעל 160 סקילים, רובם מותאמים לשימוש ישראלי.

ולמה חשוב לשים לב לפני שמורידים סקיל מוכן?

Skill הוא קובץ שנכנס ישירות לתוך סביבת העבודה שלכם. זה אומר שסקיל שנכתב בצורה בעייתית - בטעות או בכוונה - יכול לגרום להתנהגות לא צפויה. אז לפני שמתקינים כל סקיל, כדאי לבדוק ארבעה דברים: חשוב לוודא שהמקור שלו מוכר ואמין, שיש לו דירוג אמון גבוה, שמספר ההתקנות (הורדות) משמעותי, ושיש תיאור ברור שמסביר בדיוק מה הסקיל עושה. רק כשכל ארבעת הדברים האלה מתקיימים, אפשר לסמוך עליו שהוא יפעל כמו שצריך ולא יפתיע אתכם בהתנהגות לא רצויה.

סקיל שקיבלתם ממקור אקראי או לא מזוהה - לא מתקינים!

איך מתחילים עכשיו - צעד ראשון

אל תחכו לסקיל המושלם. הצעד הראשון שהכי שווה את הזמן הוא פשוט: פתחו את Claude וכתבו בדיוק את המשפט הזה:

"אני רוצה ליצור סקיל אישי. תשאל אותי שאלות כדי להכיר אותי לעומק, ובסוף תארוז הכל לקובץ SKILL.md."

המודל ישאל אתכם שאלות. תענו בכנות ובפירוט. כל התהליך לוקח בדרך כלל כמה דקות. בסוף השיחה תקבלו קובץ מוכן. העלו אותו ל‑Claude דרך: Customize → Skills → Upload

מרגע זה, כל שיחה חדשה שאתם פותחים מתחילה עם ההקשר הזה. לא צריך להסביר מחדש. לא צריך להזכיר. הסוכן כבר יודע.

זה לא קסם, זה ניהול ידע בסיסי

בלי סקילים, יש לכם כלי חכם שצריך לנהל אותו בכל שיחה מחדש. אתם שולטים בו, אבל מבזבזים זמן על הסברים שכבר נתתם עשרות פעמים. עם סקילים, המודל מכיר אתכם. יודע מה חשוב לכם. מגיע לתוצאה קרובה הרבה יותר למה שרציתם, ובדרך כלל הרבה יותר מהר.

זה לא קסם. זה ניהול ידע בסיסי - רק שהידע נמצא בתוך הכלי, ולא רק בראש שלכם. רוב האנשים שמשתמשים בבינה מלאכותית ביום יום עדיין מסבירים את עצמם מחדש בכל שיחה. לא בגלל שהם לא יודעים, אלא כי אף אחד לא סיפר להם שיש דרך אחרת. עכשיו אתם יודעים.

הפוסט מה זה Skill ואיך Skills משנים את הדרך שבה עובדים עם בינה מלאכותית הופיע ראשון בLet's AI בינה מלאכותית

At #GoogleCloudNext ‘26, we announced new features designed to help bring organizations into the agentic era, all anchored by our unified AI stack. Catch up on all the announcements: https://t.co/sqPdkWRNcc pic.twitter.com/GPeCHv3T7j

— News from Google (@NewsFromGoogle) April 22, 2026

מומנטום אדיר שמסמן שינוי כיוון

המספרים מדברים בעד עצמם. המודלים של גוגל מעבדים כיום יותר מ-16 מיליארד טוקנים בדקה(!) דרך שימוש ישיר ב‑API, עלייה משמעותית לעומת 10 מיליארד רק ברבעון הקודם. יותר ממחצית מהשקעות ה‑ML (למידת מכונה) של גוגל בשנת 2026 מופנות לקלאוד (cloud) כדי לתמוך בגל האדיר של אימוץ בינה מלאכותית ארגונית.

זה הרקע שממנו צומחת ההכרזה הגדולה של השנה, עידן חדש שבו ה‑AI מפסיק להיות כלי עזר ומתחיל להפוך לתשתית תפעולית של ממש.

העידן האייג’נטי של ג’מיני

החלק הראשון והמרכזי בהכרזה עוסק במעבר הרשמי לעידן הסוכנים. גוגל קוראת לזה העידן האייג’נטי של ג’מיני, וממקמת את עצמה בלב שינוי עמוק שבו המודלים כבר לא רק מגיבים לשאלות, אלא הופכים למערכות שמבצעות עבודה בפועל.

פלטפורמת Gemini Enterprise Agent

פיצ’אי מציג את הפלטפורמה החדשה כמעין mission control של הארגון. זוהי שכבת חיבור שמאחדת בין נתונים, אנשים ויעדים, ומאפשרת לבנות, להפעיל, לנהל ולכוונן סוכני AI בקנה מידה גדול.

הפלטפורמה נולדה מתוך צורך ממשי. ברבעון הראשון של השנה גוגל רשמה צמיחה של 40 אחוז במספר המשתמשים המשלמים של Gemini Enterprise. השיחה בארגונים כבר לא עוסקת בשאלה האם אפשר לבנות סוכן, אלא איך מנהלים אלפים מהם בצורה בטוחה ויעילה.

הסרטון הבא מציג יוזמה שמרחיבה את עולם הסוכנים של גוגל. תחרות סטארטאפים שמטרתה לעזור לחברות צעירות לבנות סוכני AI אמינים ומוכנים לפרודקשן, ולהראות איך האקו-סיסטם סביב הטכנולוגיה החדשה מתחיל להתפתח:

סוכנים שפועלים לבד ומתקשרים זה עם זה

הסוכנים החדשים אינם צ’אטבוטים. הם ישויות תפעוליות שמבצעות תהליכים ארוכים, מתזמנות פעולות, מתקשרות עם סוכנים אחרים ומנהלות משימות מקצה לקצה. הם פועלים ברקע, מתקדמים בין שלבים ומטפלים במשימות מורכבות בלי צורך בהנחיה מתמדת.

שליטה אנושית במרכז

כדי לשמור על שקיפות ושליטה, גוגל מציגה ממשק חדש שמזכיר תיבת דואר נכנס. כל פעולה של כל סוכן מופיעה בו, עם אפשרות לאשר, לעקוב ולבקר. זה איזון בין אוטונומיה לבין אחריות. הסוכנים פועלים לבד, אבל האדם נשאר במרכז ומחזיק בהגה.

Agentic Data Cloud

כדי שסוכנים יוכלו לפעול בצורה אמינה, הם צריכים גישה לנתונים נקיים, מאורגנים ומאובטחים. לשם כך גוגל מציגה את Agentic Data Cloud - שכבת נתונים שמותאמת במיוחד לעידן הסוכנים.

היא מאחדת מקורות מידע ארגוניים, מוסיפה יכולות ניהול הרשאות, ומאפשרת לסוכנים לגשת לנתונים רלוונטיים בזמן אמת בלי לסכן פרטיות או אבטחה. המטרה היא להפוך את הנתונים ל"דלק" שמניע את הסוכנים, בצורה שקופה ומבוקרת.

Agent Studio

כדי להפוך את הסוכנים לנגישים לכל עובד, גוגל מציגה את Agent Studio - פלטפורמה שמאפשרת לכל אחד בארגון לבנות סוכנים חכמים שמתממשקים לאפליקציות כמו Gmail ו‑Drive, בלי לכתוב שורת קוד אחת.

זה ממשק ויזואלי שמגדיר מטרות, מקורות מידע ופעולות שהסוכן יכול לבצע, לצד סביבת בדיקה שמאפשרת לראות איך הוא מתנהג לפני שהוא נכנס לשימוש אמיתי. Agent Studio היא השכבה שמביאה את עידן הסוכנים אל כל משתמש בארגון, לא רק אל צוותי הפיתוח.

Workspace Intelligence

כדי שסוכנים יוכלו לפעול בצורה מדויקת בתוך הארגון, גוגל מציגה את Workspace Intelligence - שכבת הקשר עמוקה שמבינה את המסמכים, האימיילים, זרימות העבודה והעדפות המשתמש. היא משלבת רטריבלים בזמן אמת (תהליכי שליפה חכמים שמאתרים מידע רלוונטי מתוך הארגון), גרף ידע ארגוני, זיכרון קצר-טווח ו‑web grounding מאובטח (הוספת עובדות עדכניות מהאינטרנט בצורה מבוקרת), כדי ש‑Gemini יוכל לבצע משימות על בסיס ההקשר האמיתי של העבודה. זו התשתית שמאפשרת לסוכנים לפעול בצורה מדויקת, מאובטחת ומותאמת לארגון.

הרעיון הוא לפתור את הבעיה של מידע שקבור ומפוזר בין מיילים, מסמכים, שיחות וטבלאות. בפועל, זה אומר שתוכלו לפתוח את Google Chat ולשאול את ג’מיני מה המשימות הדחופות שלכם להיום על בסיס כל המידע שקיים בחשבון, לבקש ממנו לייצר מצגת שלמה ב‑Slides שנשענת על מסמכים קיימים ושומרת על העיצוב הארגוני, לבנות גיליונות ב‑Sheets בעזרת טקסט חופשי או לתת לו לסכם שרשורי מייל ארוכים ב‑Gmail. המערכת מפסיקה להיות אוסף של אפליקציות נפרדות והופכת לסביבת עבודה שמבינה את ההקשר המלא של מה שאתם עושים.

העדכון זמין מהיום לכל לקוחות Workspace ולמנויי AI Pro ו‑Ultra.

התרשים המצורף מציג את הארכיטקטורה שמאפשרת ל‑Workspace Intelligence להבין את סביבת העבודה של המשתמש: שילוב של רטריבלים מרובי-שלבים, גרף ידע ארגוני, מודעות לזרימת עבודה, זיכרון קצר-טווח וחיבור מאובטח למקורות כמו Gmail, Drive ותוספים חיצוניים. המערכת מאחדת את כל האותות האלה לכדי הקשר אחד צפוף ומדויק שמזין את Gemini ומאפשר לו לבצע משימות מורכבות בצורה אמינה:

הקשר בזמן אמת כדי לספק תשובות מדויקות ומבוססות | Google

פלטפורמת אבטחה מבוססת סוכנים

פיצ’אי מקדיש חלק משמעותי מההכרזה לנושא האבטחה, ומציג גישה חדשה: אם בינה מלאכותית יכולה לייצר סיכונים, היא גם יכולה להגן מפניהם.

גוגל משיקה מערך חדש של פתרונות לזיהוי איומים, כחלק מפלטפורמת אבטחה שמאחדת בין Threat Intelligence ו‑Security Operations של גוגל לבין פלטפורמת האבטחה של Wiz. השילוב הזה יוצר שכבת הגנה רחבה שמסוגלת לזהות, לנתח ולהגיב לאיומים בקצב שהולך וגובר.

בנוסף, Wiz משיקה את AI Application Protection Platform, מערכת שמספקת הגנה אוטונומית מקצה לקצה. היא פועלת מהקוד ועד הענן והריצה, ומתאימה לסביבות מרובות עננים והיברידיות.

זה צעד שממקם את הסוכנים לא רק ככלי תפעולי, אלא גם כקו הגנה ראשון שמסוגל להתמודד עם איומים מורכבים בזמן אמת.

AI Hypercomputer

גוגל מציגה גם את AI Hypercomputer - מותג חדש שמאגד את כל שכבות התשתית הדרושות להרצת מודלים וסוכנים בקנה מידה עצום: מעבדי TPU ו‑GPU, רשתות מהירות במיוחד, תוכנה אופטימלית לניהול עומסים, וכלי פיתוח שמאפשרים לארגונים לעבור מאב-טיפוס לפרודקשן במהירות. זהו מודל תשתית אחוד שמטרתו להבטיח שה‑AI הארגוני יוכל לפעול בעקביות, בביצועים גבוהים ובעלות צפויה.

TPU דור 8: התשתית שמאפשרת לעידן הסוכנים לקרות

כדי שהחזון של עידן הסוכנים יוכל להתממש, גוגל צריכה תשתית שמסוגלת להתמודד עם עומסים שלא הכרנו בעבר. זה הרקע להשקת דור 8 של מעבדי ה‑TPU, שמגיע השנה בגישה חדשה. במקום שבב אחד שמנסה לעשות הכל, גוגל מציגה שני שבבים שונים, שכל אחד מהם מותאם למשימה אחרת. המטרה היא לאפשר לארגונים לאמן מודלים גדולים מצד אחד, ולהריץ מיליוני סוכנים במקביל מצד שני, בלי שהמערכת תקרוס ובלי שהעלות תזנק.

TPU 8t

השבב הראשון, TPU 8t, מיועד לאימון מודלים. זהו תהליך כבד במיוחד, שדורש כוח מחשוב עצום וגישה לכמויות אדירות של מידע. גוגל בנתה אותו כך שיוכל להתחבר למערכות ענק שמכילות עד 9,600 שבבים הפועלים יחד. הוא כולל שני פטה בייט של זיכרון משותף, מה שמאפשר למודל לעבוד על כמויות מידע גדולות בהרבה מבעבר. בנוסף, הוא מספק פי שלושה כוח עיבוד לעומת הדור הקודם, מה שמקצר משמעותית את זמן האימון ומאפשר לארגונים לעבוד מהר יותר ובעלות נמוכה יותר.

TPU 8i

השבב השני, TPU 8i, מיועד לשלב שאחרי האימון, שבו המודל כבר מוכן ופועל. כאן נכנסת הדרישה להריץ סוכנים רבים במקביל, לעיתים מיליונים, וכל זה במהירות גבוהה ובזמני תגובה קצרים. השבב הזה מחבר יחד 1,152 רכיבים במערכת אחת, ומגיע עם פי 3 יותר זיכרון מהיר על השבב עצמו. השילוב הזה מאפשר לו להתמודד עם עומסים עצומים ולספק תגובה כמעט מיידית, גם כשמספר הסוכנים גדל בצורה דרמטית.

שני השבבים מצטרפים לפורטפוליו המעבדים של גוגל לצד ה‑GPU של NVIDIA, ומסמנים את הכיוון שאליו גוגל הולכת. בעולם שבו סוכני AI הופכים לחלק מרכזי מהפעילות הארגונית, התשתית כבר לא רק תומכת בטכנולוגיה, אלא הופכת לבסיס שמאפשר לה להתקיים בקנה מידה אמיתי.

בסרטון הזה, גוגל מסבירים איך השבבים החדשים מקצרים אימון מודלים ומאפשרים הרצת סוכנים בקנה מידה עצום. זה סרטון מצוין למי שרוצה להבין את הצד התשתיתי של ההכרזות:

גוגל כלקוח אפס: איך החברה עצמה משתמשת בסוכנים

פיצ’אי מדגיש שגוגל לא רק מפתחת את הטכנולוגיה, אלא גם מפעילה אותה על עצמה. זו תפיסה שמכונה בחברה “customer zero”, והיא מבוססת על רעיון פשוט: לפני שהטכנולוגיה מגיעה ללקוחות, גוגל בודקת אותה מבפנים, לומדת את המגבלות, משפרת את היכולות ומוכיחה שהיא מסוגלת לעמוד בעומסים אמיתיים.

בתוך הארגון עצמו מתרחש שינוי עמוק. גוגל עוברת בהדרגה לעבודה מבוססת סוכנים, שבה מהנדסים מפעילים כוחות משימה דיגיטליים שמורכבים מסוכני AI. במקום לבצע כל שלב ידנית, המהנדסים מגדירים את היעד, והסוכנים מבצעים את רוב העבודה. אחת הדוגמאות הבולטות היא מיגרציה מורכבת שבוצעה לאחרונה, שבה שילוב של סוכנים ומהנדסים הצליח להשלים את המשימה פי 6 מהר יותר מאשר לפני שנה בלבד. גם אפליקציית Gemini למק נבנתה כך: צוות קטן השתמש בפלטפורמת הפיתוח האג’נטית Antigravity, והצליח לעבור מרעיון לאב טיפוס של אפליקציית Swift מקורית בתוך כמה ימים.

השינוי מורגש גם בתחום האבטחה. מרכזי ה‑SOC של גוגל מפעילים סוכנים שמבצעים סינון ראשוני אוטומטי לעשרות אלפי דיווחי איומים בכל חודש. במקום שאנליסטים יטפלו בכל אירוע ידנית, הסוכנים ממיינים, מדרגים ומפנים את תשומת הלב לאיומים המשמעותיים באמת. התוצאה היא ירידה של יותר מ-90 אחוז בזמן הטיפול באיומים. לצד זה פועל גם CodeMender, סוכן שמאתר תקלות קריטיות בקוד ומתקן אותן באופן עצמאי, מה שמאפשר למהנדסים להתמקד בעבודה יצירתית יותר.

גם מחוץ לעולמות הפיתוח והאבטחה, הסוכנים משנים את האופן שבו גוגל עובדת. בקמפיין ההשקה של Gemini בדפדפן Chrome, צוותי השיווק השתמשו במודלים של גוגל כדי לייצר אלפי וריאציות של חומרים שיווקיים בזמן קצר. במקום שבועות של עבודה ידנית, התהליך התקצר ב-70 אחוז, והקמפיין עצמו הניב עלייה של 20 אחוז בהמרות. זה שילוב של מהירות, דיוק ויכולת ניסוי שמאפשרים לצוותים להגיע לשוק מהר יותר וביעילות גבוהה יותר.

כך נראית גוגל כשהיא מפעילה את הטכנולוגיה של עצמה: סוכנים שמבצעים עבודה אמיתית, מהנדסים שמכוונים את התהליך מלמעלה, וצוותים שלמים שמקבלים יכולות שלא היו אפשריות בעבר.

תחילתו של עידן תפעולי חדש

Cloud Next 2026 מציג תמונה ברורה של שינוי כיוון. הבינה המלאכותית כבר לא נתפסת ככלי שמחכה לפקודה, אלא כתשתית תפעולית שמבצעת עבודה בפועל. גוגל מציבה את הסוכנים במרכז החזון שלה, ומעניקה להם את כל מה שנדרש כדי לפעול בקנה מידה אמיתי: תשתית חזקה, יכולות אבטחה מתקדמות, תקשורת בין סוכנים, כלים לניהול ובקרה ודוגמאות חיות מתוך הארגון שמראות איך זה נראה כשהטכנולוגיה עובדת בשטח.

זה סיפור על טכנולוגיה שמתחילה לשאת אחריות אמיתית. על סוכנים שמנהלים תהליכים, מגנים על מערכות, כותבים קוד ומייצרים תוצאות. ועל עתיד שבו הבינה המלאכותית הופכת לחבר צוות שמניע את הארגון קדימה, לא כתוספת אלא כחלק מהפעילות היומיומית.

למי שיש שעה וחצי פנויות, הנה ה-Keynote המלא.

הפוסט Cloud Next 2026 מציב את גוגל בחזית העידן האייג’נטי הופיע ראשון בLet's AI בינה מלאכותית

הבעיה ש‑GPT‑5.5 מנסה לפתור

המודלים הקודמים של OpenAI כבר היו חזקים מאוד. GPT‑5.3 ו‑GPT‑5.4 ידעו לכתוב קוד מצוין, לפתור בעיות מורכבות ולהחזיק שיחה טבעית. אבל הם עדיין היו מוגבלים לסביבת טקסט. הם לא תמיד ידעו לבדוק את עצמם, לא תמיד הצליחו להחזיק תהליך ארוך, ולעיתים נזקקו להכוונה מדויקת מדי. GPT‑5.5 מנסה לסגור את הפער הזה ולהפוך את המודל לסוכן שמבין מטרה, מפעיל כלים, ומתקדם באופן עצמאי בלי שצריך להחזיק לו את היד.

איך זה עובד בפועל?

החידוש הגדול של GPT‑5.5 הוא שילוב של שלוש יכולות שמאפשרות לו לעבוד בעולם אמיתי, לא רק בתוך חלון טקסט.

היכולת הראשונה היא שליטה במחשב ובדפדפן. המודל יודע ללחוץ, להקליד, לנווט, לפתוח קבצים, לערוך מסמכים, לבדוק טבלאות ולהריץ בדיקות ממש כמו משתמש אנושי.

במבחן OSWorld, שמודד יכולת "נהיגה" במחשב, GPT‑5.5 הגיע ל‑78.7 אחוז - מעל קו הבסיס האנושי של 72.4 אחוז. זה נתון שממחיש עד כמה המודל כבר לא מוגבל לטקסט בלבד.

הגרף המצורף מציג בצורה ברורה את השדרוג המשמעותי הזה. לא רק שהוא שומר על מהירות זהה לדור הקודם, הוא גם מדויק יותר ויציב יותר במשימות שמדמות שימוש אמיתי במחשב. ב‑OSWorld‑Verified, שמודד יכולת שליטה במחשב, GPT‑5.5 משיג תוצאות גבוהות יותר בכל רמות המורכבות. ב‑Tau2‑bench Telecom, שמודד דיוק במשימות ניתוח טקסט מורכבות, הוא מציג עקביות גבוהה יותר לאורך כל טווח הטוקנים:

GPT‑5.5 מציג שיפור עקבי בשליטה במחשב ובדיוק אנליטי | OpenAI

היכולת השנייה היא Auto‑review - בדיקה עצמית בזמן אמת. המודל לא מסתפק בתשובה ראשונה. הוא מאתר בעיות, מתקן, וממשיך. זהו שינוי מהותי שמאפשר לו לעבוד לאורך זמן ולתקן טעויות לפני שהן מתגלגלות לפתרון שגוי.

כאן נכנסת לתמונה היכולת השלישית: יעילות טוקנים גבוהה בהרבה. GPT‑5.5 מבצע את אותן משימות עם פחות טוקנים ולעיתים בפחות סיבובים. למרות שהמודל יקר יותר ב‑API, הוא מפצה על כך בכך שהוא פשוט עובד בצורה נקייה יותר. OpenAI מציינת שהמודל שומר על זמן תגובה זהה ל‑GPT‑5.4, אך משתמש בפחות טוקנים לאותה משימה - שילוב נדיר של מהירות ויעילות.

מה חדש ב‑Codex

כאן נמצא הלב של השדרוג. GPT‑5.5 יודע לעבוד ישירות מול מסמכי Docs, Sheets ו‑Slides, לנתח PDF, להריץ בדיקות קוד אוטומטיות, לתמוך ב‑LaTeX (תקן לכתיבה מקצועית של נוסחאות ומסמכים טכניים), ולבצע פרויקטים מתמשכים לאורך זמן. הוא מרגיש פחות שביר, פחות "ממציא", ויותר כמו מהנדס שמבין את המערכת ומקבל החלטות. גם בעבודה עם Swift ואפליקציות Mac ניכר שיפור, בעיקר ביציבות וביכולת להתמודד עם פרטים קטנים ומעצבנים שמאפיינים פיתוח מקומי.

המודל גם תומך ב-computer use, יכולת נפרדת מהדפדפן, שמאפשרת לו לבצע פעולות מערכת מלאות. זה צעד נוסף בדרך למודל שמסוגל לבצע עבודה אמיתית על מחשב אמיתי.

הבנצ'מרקים וטבלת ההשוואה הרחבה בין המודלים

השוואת ביצועים רוחבית: GPT‑5.5 מוביל ברוב הקטגוריות, אך לא בכולן | OpenAI

ב‑Terminal‑Bench 2.0 (משימות אמיתיות בתוך סביבת טרמינל) הוא מציג קפיצה משמעותית ל‑82.7 אחוז, מעל Opus 4.7 ו‑Gemini 3.1 Pro. גם ב‑OSWorld‑Verified וב‑Toolathlon (בנצ'מרק שמודד עד כמה מודל מסוגל לבצע משימות מורכבות באמצעות כלים חיצוניים) הוא שומר על יתרון יציב.

יחד עם זאת, במבחני קוד אחרים שלא מופיעים בטבלה, כמו SweBench Pro, מודלים כמו Opus 4.7 עדיין מציגים יתרון. זו לא תחרות של “מודל מנצח”, אלא של מודל יציב יותר, יעיל יותר, ומסוגל להתמודד עם מגוון רחב יותר של משימות.

הגרף המצורף מציג את אחד המדדים החשובים ביותר בהשקה: היכולת של המודל לבצע משימות מקצועיות ברמה שמתקרבת, ולעיתים עוברת מומחים אנושיים. GPT‑5.5 מגיע ל‑84.9 אחוז (ניצחונות + תיקו), הגבוה ביותר מבין כל המודלים שנבדקו. זה נתון שממחיש את היכולת של המודל לעבוד כ"סוכן" ולא רק כמודל שיחה:

GPT‑5.5 מוביל את מבחן GDP‑Val עם 84.9% | OpenAI

המודל תומך בחלון הקשר של עד 400 אלף טוקנים, ומציע גם Fast Mode שמספק תגובות מהירות יותר במחיר גבוה יותר. ב‑API המחיר גבוה פי שניים מהדור הקודם, אך היעילות הטוקנית מפצה על כך במקרים רבים.

הגרף המצורף מציג מדד רוחבי שמעריך את היכולת של מודלים לבצע ניתוחים מורכבים לאורך משימות ארוכות. GPT‑5.5 מוביל באופן ברור על פני GPT‑5.4, Claude Opus 4.7 ו‑Gemini 3.1 Pro, גם כשהמשימות דורשות נפח טוקנים גדול. זוהי המחשה מצוינת לטענה שהשדרוג ב‑GPT‑5.5 הוא לא רק “עמוק” אלא “רוחבי”: יציבות, עקביות ויכולת להחזיק תהליכים ארוכים:

GPT‑5.5 מוביל במדד ומציג יציבות גבוהה לאורך משימות ארוכות | OpenAI

בסרטון המצורף מוצגת סקירה תמציתית וברורה של GPT‑5.5 שמתמקדת ביכולות החדשות שלו כסוכן עבודה. הוא עובר על הבנצ'מרקים המרכזיים, מסביר כיצד המודל שומר על מהירות זהה לדור הקודם תוך שימוש בפחות טוקנים, ומדגים שליטה במחשב, עבודה בדפדפן, בניית משחקים פשוטים, ניתוח נתונים מורכבים ויכולות קודקס מתקדמות. הסרטון מספק מבט מהיר אבל מקיף על השדרוגים המשמעותיים של המודל החדש כולל המחירים המעודכנים, חלון ההקשר המורחב, רמות המאמץ (effort levels) וההבדלים מול GPT‑5.4:

עיצוב שמבין הקשר

אחד השדרוגים המפתיעים נמצא דווקא בתחום העיצוב. GPT‑5.5 עדיין לא מעצב מאפס, אבל הוא מצטיין בהמשך עיצוב קיים. כשנותנים לו Figma או UI קיים, הוא מצליח לשמור על סגנון, היררכיה ועקביות. השילוב עם ChatGPT Images 2.0 משנה את התמונה עם האפשרות לייצר מוקאפים שהמודל מממש אותם בקוד. זו זרימת עבודה חדשה שמפחיתה את החולשה ההיסטורית של מודלים של OpenAI בתחום העיצוב.

אבטחה שמגיעה מהשטח

כאן מגיע אחד החידושים החשובים ביותר. GPT‑5.5 מצטיין בבדיקות אבטחה ומוצא פרצות אמיתיות בקוד. כאן חשוב לציין את עבודתו של מאט שומר (Matt Shumer), אחד מהבודקים החיצוניים הבולטים של מודלי GPT. שומר עבד עם GPT‑5.5 לאורך תקופה, בחן אותו על קוד אמיתי, ניהל תהליכי פיתוח מלאים, ופרסם סקירה מקיפה על החוויה שלו. הוא מדווח שהמודל מצא בעיות אבטחה שמודלים אחרים, כולל Opus, פספסו.

זה מידע שמגיע מניסיון שטח אמיתי, לא מהדגמות שיווקיות, והוא מחזק את התחושה ש‑GPT‑5.5 הופך את בדיקות האבטחה לכלי יומיומי ולא לתהליך נדיר.

איפה זה עומד מול Claude 4.7

במבחני קוד מסוימים, במיוחד מול SweBench Pro, Claude 4.7 עדיין מוביל. אבל חלק מהפער נובע לא מהמודל עצמו אלא מהחומרה שמסביבו: Claude Code הוא כיום סוכן בשל יותר, עם מנגנוני תזמור (אורקסטרציה) פנימיים שמנהלים תהליכים ארוכים בצורה חלקה.

GPT‑5.5, לעומת זאת, מצטיין במהירות, ביעילות טוקנים וביכולת לעבוד עם כלים אמיתיים. הוא פחות מבריק בעיצוב מאפס, אבל חזק יותר בביצוע, באבטחה ובמשימות מרובות שלבים. זו לא תחרות של "מי יותר חכם", אלא של "מי בנוי טוב יותר למשימה מסוימת".

GPT‑5.5 לא מרגיש כמו קפיצה דרמטית, אלא כמו התייצבות. הוא לא ממציא יכולות שלא ראינו, אלא הופך אותן ליציבות, מהירות, זולות ויעילות יותר. הוא מרחיב את הרצפה, לא את התקרה. הוא הופך את מה שכבר היה אפשרי למשהו שאפשר לסמוך עליו. זה עדכון שמרגיש פחות כמו מהפכה ויותר כמו התבגרות של מהפכת הסוכנים: פחות דיבורים, יותר עבודה.

זמינות ומחירים

GPT‑5.5 זמין כבר היום למשתמשי ChatGPT Plus, Pro, Business ו‑Enterprise, והוא נגיש גם דרך Codex למפתחים. ב‑API המודל מתומחר ב‑5 דולר למיליון טוקנים בקלט ו‑25 דולר למיליון טוקנים בפלט. המחיר זהה ל‑GPT‑5.4, אך יעילות הטוקנים הגבוהה של GPT‑5.5 הופכת את העלות בפועל לנמוכה יותר במשימות ארוכות. בנוסף מוצע Fast Mode, שמספק זמן תגובה מהיר יותר במחיר של 7.5 דולר לקלט ו‑37.5 דולר לפלט למיליון טוקנים. 

כלי עבודה אמיתי

GPT‑5.5 הוא מודל שמרגיש פחות כמו צעצוע ניסיוני ויותר כמו כלי עבודה אמיתי. הוא לא מושלם, לא מנצח בכל בנצ'מרק, ולא מחליף חשיבה אנושית. אבל הוא סוכן עבודה מהיר, יעיל, יציב, וכזה שמסוגל לבצע משימות מורכבות מקצה לקצה. זה לא עדכון שמטריף את הדמיון - זה עדכון שמתחיל לשנות את סגנון העבודה עם המודל.

בעמוד ההשקה הרשמי של OpenAI מציגים את GPT‑5.5 דרך הדגמות חיות, בנצ'מרקים מלאים וניתוח מפורט של היכולות החדשות של המודל כסוכן עבודה. זה מקור מצוין למי שרוצה להעמיק בהכרזה המקורית ולראות את הדוגמאות שהובילו את השדרוג.

ולמי שרוצה ממש להרחיב וללמוד, הסקירה של Matt Shumer מציגה מבט מעמיק ובלתי אמצעי על GPT‑5.5 מתוך עבודה ממושכת עם המודל בסביבות פיתוח אמיתיות. שומר בחן את המודל לאורך זמן, הריץ עליו פרויקטים מלאים, בדק את יכולות ההנדסה, העיצוב והאבטחה שלו, ופרסם ניתוח מפורט שמדגיש את המקומות שבהם GPT‑5.5 מצטיין ואת המקומות שבהם הוא עדיין פחות בשל. זו סקירה שמביאה ניסיון שטח אמיתי, לא הדגמות שיווקיות, והיא משלימה את התמונה לגבי מה המודל יודע לעשות בעולם האמיתי.

הפוסט פחות דיבורים ויותר עבודה: מה באמת חדש ב‑GPT‑5.5 הופיע ראשון בLet's AI בינה מלאכותית

האתגר של מיפוי מוח בקנה מידה גדול

כדי להבין באמת איך המוח שלנו עובד, חוקרים מנסים לעשות דבר שנשמע כמעט בלתי אפשרי: לשרטט מפה מדויקת של ה"חיווט" הפנימי שלו. דמיינו רשת חשמל מורכבת שבה כל כבל דק פי אלף משערה אנושית. בתוך הסבך הזה, החוקרים צריכים לעקוב אחרי האקסונים (הסיבים ששולחים הודעות) והדנדריטים (הזרועות שקולטות אותן). כדי לראות אותם, משתמשים במיקרוסקופים עוצמתיים שמייצרים תמונות ברזולוציה כל כך גבוהה, שכמות המידע שהן מפיקות היא פשוט בלתי נתפסת.

הבעיה היא שאפילו המחשבים החזקים ביותר הולכים לאיבוד בתוך ה"ספגטי" הזה. לעיתים המערכת האוטומטית עושה טעות ו"גוזרת" בטעות חוט ששייך לאותו תא (טעות שנקראת Split), ולעיתים היא "מלחימה" בטעות שני חוטים שונים לגמרי (טעות שנקראת Merge). כל טעות קטנה כזו דורשת ממומחה אנושי לשבת ולתקן אותה ידנית. כשמנסים למפות מוח של עכבר שלם, כמות הטעויות האלה הופכת למשימה שדורשת אלפי שנות אדם ועלויות של מיליארדי דולרים.

למה קשה כל כך לייצר תאים "מזויפים"?

תאי המוח (נוירונים) אינם סתם צינורות חלקים. הם נראים יותר כמו ענפים של עץ עתיק וסבוך: הם דקים, מפותלים, משנים עובי כל הזמן, ואין שני תאים שנראים בדיוק אותו הדבר. המורכבות הפראית הזו מקשה מאוד על תוכנות בינה מלאכותית שמנסות ללמוד איך תא מוח אמיתי אמור להיראות.

בעבר, מדענים ניסו להקל על המחשב על ידי כך שניסו לפשט את הצורה של התא. במקום לנסות לייצר העתק תלת-ממדי מושלם, המודלים הישנים הסתפקו בציור של מעין "אנשי קו" (שלדים של התא) או בבניית מודל גס מרובע בסגנון "לגו" שרק סימן איפה התא נמצא במרחב. השיטות האלה אמנם הצליחו לתפוס את הצורה הכללית של הענף, אבל הן החמיצו לחלוטין את הפרטים העדינים והקריטיים ביותר.

לדוגמה, הן פספסו את הבליטות הזעירות לאורך הענף שמשמשות כ"שקעים והתקעים" שדרכם התאים מתחברים ומתקשרים זה עם זה.

איך MoGen מפסל תאים מ"ענני נקודות"?

במקום לנסות לצייר קווים או קוביות, המודל החדש (שנקרא MoGen) פועל כמו פסל שמשתמש באלפי גרגירי חול מרחפים. כדי לייצר מקטע אחד קטן של תא מוח, הוא מציב במרחב בדיוק 8,192 נקודות זעירות. כשהנקודות האלה מצטברות יחד בחלל, הן יוצרות צורה תלת-ממדית מפורטת, קצת כמו משחק "חבר את הנקודות" מורכב במיוחד.

כדי שהצורה לא תיראה כמו סתם ענן מבולגן של נקודות, אלא כמו ענף ביולוגי אמיתי וזורם, החוקרים הוסיפו למערכת שדרוג חכם: הם לימדו את המחשב לדאוג שכל נקודה "תכיר" את השכנות הקרובות אליה. במקום לפזר נקודות באופן אקראי, המודל תמיד בודק את הסביבה המיידית של כל נקודה ומוודא שהיא משתלבת איתן בהרמוניה. התיאום ההדוק הזה בין השכנים הוא הסוד שמאפשר לתוכנה להבין את ההקשר המרחבי ולפסל מבנים שנראים טבעיים, אורגניים ומציאותיים לחלוטין.

הנה אנימציה של נוירונים סינתטיים שנוצרה על ידי MoGen ומראה כיצד ענני הנקודות הראשוניים מתקרבים בהדרגה לצורה עצבית ריאליסטית. כאן, MoGen אומנה לדמות נוירונים של עכברים. שימוש בנוירונים סינתטיים של MoGen לאימון מודל בינה מלאכותית מפחית שגיאות בשחזורי מוח:

שליטה מלאה ו"בקרת איכות" קפדנית

MoGen לא רק פולט תאים אקראיים, אלא מעניק לחוקרים מעין "לוח בקרה" וירטואלי שמאפשר להם לשלוט בכל תכונה של המבנה. דמיינו שאתם משתמשים בתוכנה לעיצוב פנים או יצירת דמות במשחק מחשב - החוקרים יכולים "לסובב חוגות" כדי להחליט עד כמה הענף יהיה מפותל, לאיזה כיוון הוא יצמח, ועד כמה הוא יהיה סבוך. השליטה העדינה הזו מאפשרת להם לייצר אינספור וריאציות ולראות איך אפילו שינוי זעיר משפיע על התנהגות התא.

אבל איך אפשר לדעת שהתא ה"מזויף" באמת מתנהג כמו הדבר האמיתי ולא נראה כמו יצירה דמיונית? כדי לערוך בקרת איכות, החוקרים יצרו "רשימת ביקורת" (צ'ק-ליסט) קפדנית הכוללת עשרה מבחנים. המדדים הללו בוחנים את היצירה מזכוכית מגדלת: הם בודקים את הגודל, את הצפיפות ואת צורת הפיצולים, כדי לוודא שהתא הסינתטי החדש עומד בכל חוקי הטבע, ויצליח להיראות טבעי לחלוטין גם בסביבה ביולוגית אמיתית.

שברי הנוריטים המסתובבים הללו נוצרו על ידי MoGen. הצורות שנוצרו על ידי בינה מלאכותית דומות לנוריטים אמיתיים של עכברים, כולל כיפוף, פיתול, עיבוי והסתעפות. מומחים אנושיים לא הצליחו להבחין בין השברים האמיתיים לשברים שנוצרו על ידי בינה מלאכותית:

מחנה האימונים הווירטואלי (והמגבלות שלו)

כדי להעמיד את המערכת במבחן, החוקרים ייצרו במעין "מפעל" דיגיטלי 126 מיליון חלקי תאים מזויפים. אבל החלק המעניין הוא מה שהם עשו איתם: הם לקחו בכוונה תחילה מיליוני "דוגמאות רעות" – כלומר, קטעי כבלים שהוצמדו בצורה שגויה ובלתי הגיונית – והשתמשו בהם כדי לאמן תוכנת "מפקח איכות" (מערכת בשם SHAPE). הרעיון היה פשוט: אם נראה לתוכנה מספיק טעויות מוגזמות, היא תלמד לזהות מתי חיבור בין שני כבלים במוח הוא טבעי, ומתי מדובר בתקלה.

האימון הזה עבד בצורה יוצאת דופן. בזכות התרגול על "הטעויות המזויפות", המערכת למדה לעשות הרבה פחות שגיאות על נתונים אמיתיים, והפחיתה את אותן טעויות "גזירה והלחמה" (Split ו-Merge) ב-4.4 אחוזים. אולי 4.4 אחוזים נשמעים מעט, אבל כשמדובר בסבך העצום של מוח שלם, המשמעות היא חיסכון של עשרות שנות עבודה אנושית מפרכת שהייתה נדרשת כדי לתקן את הטעויות האלה ידנית.

עם זאת, הטכנולוגיה עדיין אינה מושלמת ויש לה מספר מגבלות. ראשית, המודל יודע לייצר כרגע רק "חלקי פאזל" (מקטעים קטנים של התא) ולא את השלד של התא כולו. שנית, לעיתים התוכנה "הוזה" ומייצרת צורות חייזריות שלא קיימות בביולוגיה, מה שעדיין דורש סינון אנושי. ולבסוף, המודל אומן ספציפית על נתונים של עכברים – כדי שהוא יוכל לעזור במיפוי מוחות של יצורים אחרים, יהיה צורך לאמן אותו מחדש על דוגמאות חדשות.

אז למה מדענים צריכים "מידע מזויף"?

בסופו של דבר, פרויקט MoGen מוכיח עיקרון מדהים: לפעמים הדרך הטובה ביותר להבין את העולם האמיתי היא להתאמן על זיופים מוחלטים. ממש כמו שטייסים מתאמנים בסימולטור טיסה לפני שהם תופסים את ההגאים של מטוס נוסעים, כך גם תוכנות הבינה המלאכותית יכולות כעת "להשתפשף" על מוחות וירטואליים. במקום שמדענים יקרסו תחת העומס השוחק של תיקון טעויות שמצטברות לעלויות עתק, המחשב לומד לתקן את עצמו בסביבת אימונים.

זוהי הצצה לעתיד של המדע, שבו בינה מלאכותית לא רק עושה עבורנו את העבודה השחורה, אלא ממש מייצרת לעצמה את חומרי הלימוד כדי לעזור לנו לפתור את התעלומות הגדולות ביותר של הטבע.

הפוסט איך מודל חדש של גוגל פותר את ה"קצר החשמלי" במיפוי המוח הופיע ראשון בLet's AI בינה מלאכותית

מחוללי תמונות ידעו לצייר, אבל לא ידעו לחשוב כמו מעצב

כדי להבין את הקפיצה, צריך לזכור את המגבלות שהיו עד עכשיו. הטקסטים היו המכשול הגדול ביותר. כל מי שניסה לייצר פוסטר עם כותרת בעברית מכיר את התוצאה: אותיות שבורות, מילים חסרות, ג'יבריש, משפטים שלא קיימים. המודל ידע לצייר, אבל לא ידע לכתוב.

גם עקביות הייתה בעיה. אם ביקשתם סדרת תמונות עם אותה דמות, קיבלתם בכל פעם מישהו אחר. צבע העיניים השתנה, התסרוקת התחלפה, הסגנון זז. זה הפך כל ניסיון ליצור קומיקס, קטלוג או סטוריבורד למשימה כמעט בלתי אפשרית.

והמבנה? מחוללי תמונות ידעו לייצר תמונה אחת, אבל לא עמוד. לא פריסה. לא קומפוזיציה של מגזין. לא גריד מוצרים. כל דבר מורכב דרש עבודה ידנית בכלי עיצוב.

בקיצור, מחוללי תמונות היו כלי השראה ופחות כלי עבודה.

מודל חדש שמבין טקסט, מבין רצף ומבין קומפוזיציה

ChatGPT Images 2.0 נבנה כדי לפתור בדיוק את המגבלות האלה. OpenAI מציגה מודל שמסוגל לייצר תוצרים שלמים, לא רק תמונות בודדות. הוא יודע לשלב טקסטים ארוכים וברורים בתוך תמונה, לשמור על עקביות בין פריימים, ולבנות קומפוזיציות מורכבות שמזכירות עבודת עיצוב אמיתית.

טקסטים מדויקים וברורים - סוף סוף גם בעברית

המודל יודע לכתוב. הוא מייצר כותרות, פסקאות, כתב יד וטיפוגרפיה מורכבת (גם בעברית!) בצורה קריאה ומדויקת. זה מאפשר ליצור פוסטרים עם טקסטים אמיתיים, עמודי מגזין, סליידים למצגות, אינפוגרפיקות, עמודי מחברת בכתב יד ופריסות תוכן מורכבות. זו קפיצה שלא ראינו עד היום.

רצף ועקביות: אותה דמות, אותו סגנון, אותו עולם

המודל יודע לשמור על עקביות בין תמונות. אותה דמות, אותו לבוש, אותו סגנון, אותה תאורה. זה מאפשר ליצור קומיקס שלם, סטוריבורד לסרטון, קטלוג מוצרים, סדרת תמונות לקמפיין או תיעוד תהליכים בשלבים. הוא אפילו יודע לייצר סדרה של תמונות מתוך פרומפט אחד, לא רק וריאציות.

הבנה עמוקה של סגנונות צילום ועיצוב

המודל יודע לייצר סגנונות מאוד ספציפיים: צילום פפראצי לילי עם פלאש, פורטרט קולנועי, פוסטר בסגנון באוהאוס, פריסת מוצרים נקייה או עמוד מגזין דו עמודי. הוא לא רק מחקה סגנון, אלא מבין את החוקים שלו: קומפוזיציה, צבעוניות, טיפוגרפיה, פרספקטיבה ולוגיקה של סצנות.

ריאליזם דרך פגמים טבעיים

אחד השדרוגים המעניינים הוא היכולת לייצר ריאליזם אמיתי באמצעות פרטים קטנים ולא מושלמים. המודל יודע להוסיף גרעיניות של פילם, פלאש ישיר בסגנון מצלמות קומפקטיות, פריימינג לא מושלם, תאורה טבעית, טשטוש קל בתנועה ותחושת צילום חי. במקום תמונה “מושלמת מדי”, מתקבלת תמונה שנראית כאילו צולמה באמת.

שליטה בפורמטים ובמידות

אפשר לבחור אם התמונה תהיה אנכית, אופקית, מרובעת, מותאמת לסטורי או למצגת. זו שליטה שלא הייתה קיימת עד עכשיו.

המודל שלא רק מצייר - הוא חושב

זה אחד החידושים הגדולים ביותר. כאשר משתמשים בגרסת ה‑Thinking של ChatGPT, המודל מסוגל לחפש מידע בזמן אמת, לבדוק את עצמו, לבצע reasoning לפני יצירת תמונה, לייצר עד שמונה תמונות שונות מתוך פרומפט אחד, לשלב מידע מהאינטרנט בתוך העיצוב, לתכנן קומפוזיציה מראש ולשמור על עקביות בין תמונות מורכבות.

במצב הזה, המודל הופך לשותף חשיבה ויזואלי - לא רק כלי גרפי.

רצף תנועה וזוויות

המודל לא רק יודע לייצר רצף של תמונות, אלא גם פירוק של פעולה אחת למספר פריימים, תיעוד תנועה כמו time lapse, שינוי זווית של אותו אובייקט ורצף של תנוחות או מצבים. זה פותח אפשרויות חדשות לסטוריבורדים, אנימציה, UX ותיעוד תהליכים.

תמונות שנראות כמו צילום של עמוד פיזי

המודל יודע לייצר תמונות שנראות כמו צילום של עמוד מנגה, עמוד מגזין או דף מחברת, כולל קימוטים, צללים, מרקם נייר ותאורה טבעית. זה מאפשר ליצור תוצרים שנראים אמיתיים, לא דיגיטליים.

איך זה עובד? עיצוב בשיחה

הכוח האמיתי של Images 2.0 הוא לא רק ביכולות הגרפיות, אלא בכך שהכול נעשה בשיחה טבעית. אפשר לבקש עמוד מגזין, קומיקס, סטוריבורד, אינפוגרפיקה או גריד מוצרים - והמודל יבנה את המבנה, יבחר קומפוזיציה, ישלב טקסטים ויציע וריאציות. הוא זוכר את ההקשר, מאפשר שינויים, שומר על עקביות ומייצר תוצרים שנראים מקצועיים.

כמה דוגמאות לפרומפטים

פוסטר בעברית

"צור פוסטר אנכי בגודל סטורי עם כותרת גדולה בעברית: הכוח של יצירה בשיחה. הוסף תמונה מרכזית של יד שמחזיקה עט זוהר בסגנון קולנועי, וטקסט קצר בתחתית עם טיפוגרפיה נקייה."

כאן גם תוכלו לראות את הפוסטר שנוצר מהפרומפט (בצד שמאל). והנה גם תזכורת ליכולות העריכה שיש בכל תמונה: אם תלחצו על התמונה, תראו שתי אופציות לכפתורים בתחתית התמונה.

מצד שמאל, לחיצה על (1) "Edit" תפתח את התמונה ותאפשר לכם לשוחח בחלון הצ'אט ("Describe Edits") ולבקש שינויים ספציפיים כולל (3) שינוי של הפורמט (את זה תוכלו לראות בתמונה מצד ימין למעלה). בנוסף, לחיצה על הכפתור מצד ימין (2) תאפשר לכם להוריד את התמונה, וכמובן לשתף את התמונה בפלטפורמות שונות (כפי שתוכלו לראות בתמונה מצד ימין למטה):

פוסטר אנכי לסטורי ואפשרויות שיתוף ועריכה

סטוריבורד לסרטון

"צור ארבעה פאנלים של סטוריבורד באותו סגנון, עם אותה דמות, המתארים תהליך של פתיחת חנות קפה חדשה. שמור על תאורה חמה וסגנון ריאליסטי."

הנה התוצר הראשון. נאמן לפרומפט וכולל טקסט:

Story board בשלבים עם טקסט בעברית

הנה תוצר נוסף שמתבסס על אותו רעיון רק בלי טקסט ובפורמט 16:9:

סטורי בורד אופקי ללא מילים

אינפוגרפיקה

"צור אינפוגרפיקה אופקית שמסבירה את שלבי יצירת תמונה ב‑AI: רעיון, תכנון, יצירה, שיפור. השתמש בצבעים בהירים ובאייקונים ברורים."

אינפוגרפיקה אופקית שמתארת שלבים ליצירת תמונה ב-AI

קטלוג מוצרים

"צור גריד של שישה מוצרים בעיצוב נקי, עם טקסטים קצרים בעברית מתחת לכל פריט. שמור על תאורה אחידה ורקע לבן."

גריד מוצרים עם טקסטים קצרים בעברית

אלה כמובן רק כמה דוגמאות ספציפיות מתוך מגוון רחב של אפשרויות. קחו את זה לעולמות שלכם, ותתחילו לחשוב יצירתי, לחלום וליצור. 

מה המשמעות למשתמשים

למעצבים, זה אולי לא מחליף פוטושופ, אבל כן מחליף הרבה מהעבודה השחורה. לעסקים קטנים, זו דרך לייצר חומרים שיווקיים בלי ידע בעיצוב. למורים ולתלמידים, זו דרך ליצור דפי עבודה ומצגות בשיחה אחת. למשווקים, זו יכולת להפיק קמפיין שלם עם עקביות ויזואלית תוך דקות.

מה עדיין חסר

המסמך הרשמי מציין כמה מגבלות חשובות: קושי עם מודלים פיזיקליים מורכבים, פרטים זעירים מאוד, חפצים מוסתרים או בזוויות קשות, מגבלות רזולוציה מעל 2K וצורך לבדוק דיאגרמות ותיוגים. אבל גם עם הפערים האלה, מדובר בקפיצה משמעותית.

עיצוב הופך לשיחה, ושיחה הופכת לכלי יצירה

ChatGPT Images 2.0 מסמן שינוי עמוק. הוא לא רק משפר את איכות התמונות, אלא משנה את הדרך שבה אנחנו יוצרים. במקום לפתוח תוכנה, לבחור כלים ולבנות עיצוב ידנית, פשוט מדברים - והמודל מבין. מבין מבנה, מבין סגנון, מבין רצף, מבין טקסט. זה רגע שבו כל אחד יכול ליצור, לא רק מי שיודע לעצב.

למגוון רחב של דוגמאות, השראות והסברים על המודל החדש, כנסו כאן.

הפוסט המדריך המלא ל‑ChatGPT Images 2.0 הופיע ראשון בLet's AI בינה מלאכותית

השקעות שוברות שיאים והובלה עולמית ב-AI

שנת 2025 הייתה שנת מפנה משמעותית בהייטק הישראלי. חברות הטכנולוגיה גייסו כ-15.6 מיליארד דולר, ומתוכם למעלה מ-3.58 מיליארד דולר זרמו ישירות לתחום הבינה המלאכותית. נתון זה ממקם את ישראל במקום ה-8 בעולם בהשקעות AI בשנה החולפת, ובחמישייה הפותחת העולמית בהשקעות מצטברות מאז 2013.

במקביל, סך האקזיטים הגיע לשיא של כ-74 מיליארד דולר, נתון שמשקף את עוצמת הפעילות ואת העניין הבינלאומי באקו-סיסטם המקומי. דוגמה בולטת לאמון זה היא רכישת הסטארט-אפ Base44 על ידי ענקית הטכנולוגיה Wix. החברה, שהוקמה על ידי מאור שלמה כחברה ללא מימון חיצוני (Bootstrap), נרכשה בעסקה שהגיעה לכ-80 מיליון דולר בשיא תקופה מורכבת (תחילת הסבב הקודם עם איראן), והפכה לסמל של נחישות ויזמות ישראלית במיטבה.

ישראל במקום הראשון בעולם בריכוז מומחי AI

מעבר להשקעות ולטכנולוגיה, היתרון האמיתי של ישראל טמון באנשים. דו"ח AI Index של אוניברסיטת סטנפורד לשנת 2026 מציב את ישראל במקום הראשון בעולם בריכוז מומחי בינה מלאכותית מתוך כלל כוח העבודה (2.1%). ריכוז יוצא דופן זה של כישרון יוצר יתרון תחרותי ברור, ומסביר מדוע ענקיות טכנולוגיה כמו גוגל, אנבידיה, אמזון ומטא ממשיכות להרחיב את מרכזי הפיתוח שלהן דווקא כאן.

נכס אסטרטגי ברמה גלובלית

רכישת Wiz על ידי גוגל תמורת כ-32 מיליארד דולר במרץ 2026 הייתה הרבה יותר מאקזיט, היא הייתה הצהרה. החברה, המבוססת על אבטחת ענן מונעת AI, הפכה לנכס אסטרטגי משמעותי עבור פעילות הענן של גוגל. מעבר לכך, ישראל מובילה כיום גם בתחום אבטחת ה-AI עצמו ונמנית עם קבוצה מצומצמת מאוד של מדינות שפיתחו מסגרת לאומית מבצעית לאבטחת AI.

אומת ה-Power Users

העוצמה הישראלית אינה מסתכמת רק בפיתוח טכנולוגיה, אלא גם בקצב האימוץ שלה. על פי נתוני חברת Anthropic, ישראל מדורגת במקום הראשון בעולם בשימוש במודל Claude ביחס לגודל כוח העבודה, עם Usage Index של 4.90x בנובמבר 2025 שקפץ ל- 7.0x במרץ 2026.

הנתונים מצביעים על שיעור שימוש גבוה במיוחד בכלי AI מתקדמים ביחס לגודל כוח העבודה, מה שמחזק את התמונה של שוק מקומי שמאמץ במהירות טכנולוגיות חדשות ומשלב אותן בעבודה היומיומית.

Generative AI: מהתוכנה ועד טכנולוגיה עמוקה

עם יותר מ-340 סטארט-אפים פעילים בתחום הבינה המלאכותית היוצרת (GenAI), ישראל מדורגת במקום ה-5 בעולם בהיקפי המימון בתחום זה. חברת AI21 Labs, למשל, מובילה את הגל עם מערכת Maestro שנועדה לשפר את הדיוק של מודלי שפה גדולים, ועם Jamba 1.6, מודל פתוח שמציב רף תחרותי גבוה בשוק הבינלאומי.

אבל החדשנות לא עוצרת במסכים: מעבר לעולמות התוכנה הקלאסיים, חברות ישראליות רותמות את ה-AI לפתרון אתגרים פיזיים מורכבים בחלל, באקלים ובחקלאות, החל מעיבוד נתוני לוויין בזמן אמת, ועד לפתרונות בחקלאות המסייעים להתמודד עם שינויי האקלים.

ישראל כמעצמת חומרה

בינואר 2026 חשפה ענקית השבבים אנבידיה (Nvidia) את פלטפורמת Rubin, הדור הבא של מחשוב ה-AI. ארבעה מתוך ששת שבבי הליבה של הפלטפורמה תוכננו בישראל, על ידי צוותים המונים מעל 5,000 מהנדסים בשבעה מרכזי פיתוח.

אנבידיה גם הכריזה על Spectrum-XGS Ethernet - טכנולוגיה חדשה שפותחה במרכז המו"פ שלה ביקנעם. המערכת מאפשרת לחבר מרכזי נתונים מרוחקים כך שיפעלו כיחידה אחת מתואמת. כך הפכה ישראל לחוליה קריטית בשרשרת הפיתוח של החומרה שמריצה את מודלי ה-AI הגדולים בעולם. 

בריאות, רפואה וחינוך

החדשנות הישראלית משנה מן הקצה אל הקצה גם את תחומי הבריאות. חברות כמו Nucleai ו-Ibex מובילות את עולם הפתולוגיה הדיגיטלית, בעוד שחברות כדוגמת Navina ו-Nym משפרות את תהליכי ניהול המידע הרפואי ומאפשרות להעניק טיפול מדויק ומהיר יותר. במקביל, הטכנולוגיה מחלחלת לכל תחומי המשק: שיעור אימוץ ה-AI בעסקים בישראל עומד כיום על 28%, יותר מכפול מהממוצע האירופי. 

בפברואר 2026 אישרה המועצה להשכלה גבוהה החלטה היסטורית לפתיחת תשע תוכניות לימודים אקדמיות חדשות וייעודיות בתחום הבינה המלאכותית (שבע לתואר ראשון ושתיים לתואר שני). בניגוד לעבר שבו AI נלמד רק כמגמה, התוכניות החדשות הן תוכניות ליבה מלאות במוסדות כמו האוניברסיטה העברית, בן-גוריון, בר-אילן ואוניברסיטת חיפה. המל"ג הגדירה מסלול מואץ לאישורן במטרה מוצהרת "להאיץ את הכשרת ההון האנושי הנדרש למשק הישראלי".

מעצמת AI בעלת השפעה עולמית

ישראל של שנת 2026 היא כבר לא רק "אומת הסטארט-אפ", היא מוקד השפעה אמיתי על הדרך שבה העולם מפתח, מאמץ ומיישם בינה מלאכותית. זה בא לידי ביטוי בכל חזית אפשרית: ממערכות סייבר וחומרת קצה, דרך בינה מלאכותית יוצרת, ועד לרפואה מותאמת אישית וחינוך עתידי.

האם הכל מושלם? ודאי שלא, אבל ביום העצמאות הזה בחרנו להתמקד בטוב ובהישגים המרשימים. זה סיפורה של מדינה קטנה עם השפעה גדולה, ושל עם שממשיך להמציא את המחר בכל יום מחדש.

הפוסט האם ישראל 2026 הפכה מאומת הסטארט‑אפ למעצמת AI? הופיע ראשון בLet's AI בינה מלאכותית

האם לגוגל יש בעיית אמינות

סטיבן פונוואסי (Steven Ponawasi), אנליסט נתונים מטורונטו, רק רצה לבדוק כותרת מוזרה שראה בדרך לארוחת ערב. כתבה טענה שאשתו של המתאבק האלק הוגאן שוקלת לתבוע בעקבות מותו. הוא הופתע, משום שלא ידע שהוגאן נפטר, ולכן פנה לגוגל, המקום שבו רבים מאיתנו בודקים את המציאות.

התשובה שקיבל הייתה נחרצת: אין דיווחים אמינים על כך שהאלק הוגאן נפטר. אבל ממש מתחתיה הופיע קישור לכתבה שטענה את ההפך.

זה היה רגע קצר ושגרתי לכאורה, אך הוא חשף פער עמוק יותר. פער בין סמכותיות לבין אמינות, בין תשובה שנשמעת נכונה לבין תשובה שנבדקה, ובין גוגל של פעם שאספה מידע לבין גוגל החדשה שמפרשת אותו.

המעבר של גוגל ממנוע חיפוש למנוע תשובות

AI Overviews, שהושק ב-2024, הוא אחד המהלכים המשמעותיים ביותר בתולדות גוגל. במקום להציג רשימת קישורים, גוגל מציגה תשובה אחת מסוכמת, שנראית כמו פסקה מתוך אנציקלופדיה מודרנית. זה נוח, זה מהיר, וזה משנה את כללי המשחק.

אבל שינוי כזה מגיע עם מחיר. ברגע שגוגל הופכת למי שמספקת את התשובה, היא גם זו שנושאת באחריות אליה.

כדי להבין עד כמה התשובות הללו מדויקות, The New York Times ביקש מחברת Oumi (מפעילה תשתית פתוחה להערכת מודלים ומובילה מחקר בתחום אמינות ה-AI) לבצע בדיקה מקיפה. התוצאות מציירות תמונה מורכבת: מצד אחד שיפור טכנולוגי מרשים, ומצד שני טעויות בקנה מידה עצום וקושי גובר לדעת מתי אפשר לסמוך על התשובה.

הדיוק עולה במקביל לאי-הוודאות

Oumi בחנה 4,326 שאילתות באמצעות SimpleQA, אחד הבנצ'מרקים המקובלים בתעשייה. התוצאות היו ברורות: 85 אחוז דיוק עם Gemini 2 באוקטובר 2025 ו-91 אחוז דיוק עם Gemini 3 בפברואר 2026.

לכאורה מדובר בהישג מרשים, אך בפועל המשמעות מטרידה. גוגל מעבדת יותר מ-5 טריליון חיפושים בשנה, ולכן גם טעות בשיעור של 9 אחוזים מתורגמת לעשרות מיליוני טעויות בשעה ולמאות אלפי טעויות בדקה.

וזה עוד לפני שנוגעים בבעיה עמוקה יותר: תשובות שנראות נכונות אך אינן מגובות במקורות אמינים. לפי Oumi, יותר ממחצית מהתשובות המדויקות היו לא מעוגנות, כלומר הקישורים שגוגל הציגה לא תמכו בפועל בתוכן. עם Gemini 3 שיעור התשובות הלא מעוגנות עלה ל-56 אחוזים.

במילים אחרות, גם כשהתשובה נכונה, קשה לדעת אם היא באמת נכונה.

איך נוצרות הטעויות

הטעויות של AI Overviews אינן מקריות. הן נובעות מהאופן שבו מודלים ג'נרטיביים פועלים. הם לא באמת יודעים, אלא מנחשים את התשובה הסבירה ביותר על בסיס דפוסים סטטיסטיים. ב-5,380 המקורות ש-AI Overviews ציטט, פייסבוק היה המקור השני בשכיחותו ורדיט היה הרביעי. כאשר התשובה הייתה שגויה, הסיכוי שגוגל ציטטה דווקא פייסבוק עלה.

דוגמה בולטת לכך הופיעה כאשר גוגל נשאלה איזה נהר גובל בצד המערבי של Goldsboro בצפון קרוליינה. היא מצאה מקור נכון, אתר תיירות מקומי, אך הסיקה מסקנה שגויה: Neuse River במקום Little River. במקרה אחר, כאשר גוגל נשאלה על גילו של שחקן הבייסבול Dick Drago במותו, היא נתנה את הגיל הנכון אך הוסיפה פרטים ביוגרפיים שגויים לחלוטין.

המערכת פגיעה למניפולציות

ג'יימס קלייטון (James Clayton), עיתונאי BBC, פרסם פוסט בלוג פיקטיבי על אליפות אכילת נקניקיות. זה הספיק כדי ש-AI Overviews יציג אותו כמומחה עולמי בתחום. הדוגמה הזו ממחישה עד כמה המודל מתקשה להבחין בין תוכן אמיתי לבין תוכן שנכתב כדי להטעות - כל עוד הוא נראה סביר. גוגל טוענת שמדובר במקרים קיצוניים, אך עצם האפשרות הזו מעלה שאלות קשות על מנגנוני האימות ועל יכולתה של המערכת להתמודד עם תוכן מניפולטיבי.

מה גוגל אומרת או לא אומרת

גוגל מודה שהמערכת יכולה לטעות, ומוסיפה אזהרה קטנה מתחת לכל תשובה: "AI can make mistakes, so double check responses."

עם זאת, היא דוחה את הביקורת של Oumi בטענה שהבנצ'מרק עצמו מכיל טעויות. אבל גם גוגל פרסמה נתונים דומים: Gemini 3 מייצר מידע שגוי ב-28 אחוז מהמקרים כשהוא פועל ללא מנוע החיפוש, ו-AI Overviews אמנם מדויק יותר אך עדיין רחוק משלמות.

הפער בין ההצהרות לבין המציאות בשטח יוצר תחושה של מערכת שנמצאת בתנועה. היא משתפרת, אך עדיין אינה יציבה.

המשמעות הרחבה

למה המעבר של גוגל ממנוע חיפוש למנוע תשובות משנה את האינטרנט כולו?

1. משתמשים מפסיקים לבדוק מקורות כאשר התשובה מוצגת כעובדה סגורה, פחות אנשים לוחצים על קישורים. התוצאה היא פגיעה באתרי חדשות, בבלוגים מקצועיים ובמודלים העסקיים של האינטרנט הפתוח.

2. SEO הופך לפחות צפוי. AI Overviews לא רק מסכם מידע, אלא גם קובע מי יופיע ומי לא. אתרים מדווחים על ירידות חדות בתנועה, גם כאשר התוכן שלהם מדויק.

3. מודלים ג'נרטיביים הופכים לשכבת האמת החדשה. כאשר גוגל, OpenAI ו-Perplexity מספקות תשובות שונות לאותה שאלה, קשה לדעת מי צודק. אין רגולציה, אין סטנדרט, ואין שקיפות.

מה הסיכון? אינטרנט שבו "נשמע נכון" מחליף את "נבדק ואומת".

עידן שבו אמון הופך למוצר

המרוץ בין גוגל, OpenAI ו-Perplexity אינו עוסק רק בשאלה מי מספק את התשובה הטובה ביותר, אלא מי יזכה להיות שכבת האמת של האנושות. ככל שהמודלים משתפרים, כך גדל הפער בין מה שנראה נכון, מה שנשמע נכון ומה שבאמת נכון. האתגר של גוגל ושל כל תעשיית ה-AI הוא לא רק לייצר תשובות טובות יותר, אלא לבנות מחדש את האמון. וזה כבר לא עניין של טכנולוגיה - זה עניין של אחריות.

הפוסט מה באמת קורה בתוך AI Overviews? הופיע ראשון בLet's AI בינה מלאכותית

איך חברה רווחית ומבוססת מפטרת עובדים

באמצע אפריל 2026 הודיעה טאבולה על פיטורי כ‑100 עובדים, כ‑5 אחוזים מכוח האדם הגלובלי שלה. המהלך השפיע על עובדים בישראל, ניו יורק ודרום אמריקה, והגיע דווקא אחרי שנה פיננסית חזקה במיוחד. לפי הדוחות הפיננסיים, החברה סיימה את 2025 עם הכנסות של 1.912 מיליארד דולר, רווח נקי של 42.3 מיליון דולר וזרימת מזומנים חופשית של 163.4 מיליון דולר.

לכאורה, זה לא מסתדר. איך חברה רווחית ומבוססת מפטרת עובדים. אבל ב‑2026 רווחיות כבר אינה ערובה לשקט תעשייתי. תעשיית הטכנולוגיה כולה נמצאת במרוץ מואץ לעבר AI, והחברות נדרשות להראות שהן לא רק רווחיות, אלא גם מסוגלות להמציא את עצמן מחדש.

שוק משתנה

טאבולה פועלת בלב אחד השווקים התחרותיים ביותר: פרסום דיגיטלי מבוסס תוכן. במשך שנים המודל שלה היה ברור. המלצות תוכן שמפנות תנועה לאתרים ומייצרות הכנסות מפרסום. אבל מודלים גנרטיביים כמו ChatGPT, Perplexity ו‑Gemini משנים את הדרך שבה משתמשים מחפשים מידע. במקום להקליק על קישורים, הם מקבלים תשובות ישירות מהמודל.

המשמעות ברורה. פחות תנועה לאתרים, פחות חשיפה למפרסמים ופחות ערך למערכות המלצות מסורתיות.

במקביל, המשקיעים מצפים מחברות טכנולוגיה להציג לא רק רווחיות אלא גם צמיחה אגרסיבית. למרות שטאבולה הציגה תוצאות חזקות ב‑2025, היא פספסה במעט את תחזיות האנליסטים. התגובה הייתה חדה. מניית החברה ירדה בכ‑25 אחוזים מתחילת 2026, חלק ממגמה רחבה של סנטימנט שלילי כלפי חברות תוכנה ואד‑טק.

במציאות הזו טאבולה הבינה שהמשך השקעה במוצרים המסורתיים שלה לא יספיק. כדי להישאר רלוונטית היא חייבת להגדיר את עצמה מחדש.

מעבר חד ל‑AI והולדת DeeperDive

הפיטורים אינם מהלך חירום, אלא חלק מתוכנית אסטרטגית שמטרתה למקד משאבים בפיתוח מוצרי AI חדשים, ובראשם מנוע התשובות הגנרטיבי DeeperDive.

בסוף 2025 השיקה טאבולה את DeeperDive, מנוע תשובות מבוסס GenAI שנבנה בשיתוף פעולה עם גופי מדיה גדולים כמו Gannett, India Today ו‑BuzzFeed Asia. בניגוד למודלים שמסתמכים על תוכן מהאינטרנט ללא שיתוף פעולה עם בעלי הזכויות, טאבולה בונה את המערכת יחד עם המו"לים עצמם. זה ניסיון לייצר מודל AI שמכבד זכויות יוצרים ומחזיר ערך למי שיצר את התוכן.

המנכ"ל אדם סינגולדה מציג חזון חד וברור: "העולם יתחלק לשני סוגי מודלים. מודלים מבוססי מנוי ומודלים מבוססי פרסום. אנחנו רוצים לבנות את מודל ה‑AI הגדול ביותר שמבוסס על פרסום ומשרת את האינטרנט הפתוח."

זה מהלך שאפתני. אלטרנטיבה למנועי תשובות כמו ChatGPT ו‑Perplexity, אבל כזו שמחזירה תנועה לאתרים ולא מחליפה אותם.

במקביל, טאבולה משקיעה בפלטפורמת Realize, מערכת מבוססת ML (למידת מכונה) שמטרתה לשפר את ביצועי הקמפיינים ואת ה‑ROI של מפרסמים. זהו חלק מהמעבר של החברה ממערכת המלצות תוכן למערכת פרסום חכמה שמבינה הקשר, כוונה ותוכן בזמן אמת.

ארגון מחדש

לפי כל המקורות, הפיטורים אינם נובעים ממשבר פיננסי. להפך. החברה ממשיכה לגייס לתפקידים חדשים שמתאימים למיקוד העדכני שלה. זהו מהלך של התאמת כישורים, לא של נסיגה. המהלך כולל העברת משאבים מצוותים שאינם תומכים ב‑AI, גיוס לתפקידי AI, ML, דאטה ומוצר, התאמת מבנה ההוצאות לציפיות המשקיעים לשיפור מתמיד במרווחים ורענון שורות שמאפשר האצה בפיתוח מוצרים חדשים.

במילים אחרות, טאבולה לא מצמצמת את עצמה. היא משנה את עצמה.

מה מיוחד במהלך הזה

שלושה אלמנטים בולטים במיוחד.

חברה רווחית שמפטרת כדי לצמוח

זה חלק מהפרדוקס החדש של תעשיית הטכנולוגיה. רווחיות היא לא יעד אלא נקודת פתיחה. המשקיעים רוצים לראות קפיצה קדימה, לא שמירה על הקיים.

הימור על מודל עסקי חדש לעולם ה‑AI

בעוד רוב השחקנים הגדולים בונים מודלים מבוססי מנוי, טאבולה בוחרת במסלול אחר. מודל פרסום שמאפשר שימוש חינמי ומחזיר את הכוח לאתרים.

שיתוף פעולה עמוק עם גופי מדיה

במקום להתחרות בהם, טאבולה בונה את DeeperDive יחד איתם. זה ניסיון לייצר מודל AI שמכבד זכויות יוצרים ומחזיר ערך למי שיצר את התוכן.

מה אפשר ללמוד מהמהלך של טאבולה

מהלך ההתייעלות של טאבולה מדגיש כמה עקרונות מרכזיים לגבי האופן שבו חברות פועלות בעידן ה‑AI.

AI הוא לא פרויקט צד אלא אסטרטגיה עסקית שמעצבת מחדש את סדרי העדיפויות. גם חברות רווחיות נדרשות לבצע התאמות כדי לעמוד בציפיות השוק. המרוץ ל‑AI מאלץ ארגונים להגדיר מחדש את מבנה כוח האדם שלהם.

מודלים מבוססי פרסום עשויים להפוך לאלטרנטיבה משמעותית למודלים מבוססי מנוי. ושיתופי פעולה עם גופי מדיה הם מרכיב חיוני בשמירה על אינטרנט פתוח שמחזיר ערך למי שמייצר את התוכן.

מהלך קטן שמספר סיפור גדול

הפיטורים בטאבולה הם חלק מתופעה רחבה יותר. חברות טכנולוגיה מבצעות ארגון מחדש לא בגלל שהן קורסות אלא בגלל שהן רוצות להאיץ. המרוץ ל‑AI באמת משנה את כללי המשחק. תפקידים מסורתיים נעלמים, תפקידים חדשים נוצרים, מודלים עסקיים מתחלפים והמשקיעים מצפים לחדשנות בקצב שלא היה כמותו.

טאבולה, כמו חברות רבות אחרות, מבינה שהשנים הקרובות יכריעו מי יישאר רלוונטי בעולם שבו AI הוא שכבת התשתית החדשה של האינטרנט. המהלך הנוכחי הוא צעד אחד בתוך שינוי עמוק יותר, כזה שמגדיר מחדש את עתיד הפרסום, התוכן והאינטרנט הפתוח.

הפוסט טאבולה מפטרת כחלק משינוי כיוון אסטרטגי בעידן ה‑AI הופיע ראשון בLet's AI בינה מלאכותית

האתגרים של הדור הקודם

מודלים קודמים, ובמיוחד מודל הדגל האחרון (opus 4.6) ידעו לכתוב קוד טוב, אבל כשהעבודה נמשכה לאורך זמן הם נטו לאבד יציבות. משימות ארוכות כמו ניתוח קוד מורכב או פתרון בעיות רב שלביות הסתיימו לפעמים בתוצאה חלקית או שגויה.

גם יכולות הראייה היו מוגבלות: צילומי מסך צפופים, דיאגרמות טכניות או מסמכים סרוקים דרשו מהמשתמש לפשט את התמונה או להסביר אותה במילים.

בנוסף, אפילו פרומפטים מכוילים היטב (כאלה שנוסחו בקפידה) לא תמיד התנהגו באופן עקבי, משום שהמודלים פירשו הוראות בצורה חופשית מדי.

השוואה רוחבית של Opus 4.7 מול גרסאות קודמות ומודלים מתחרים | Anthropic

מה חדש ב- Opus 4.7

אוטונומיה ארוכה ויכולת בדיקה עצמית

Opus 4.7 יודע לתכנן משימות ארוכות ולשמור על קו מחשבה יציב לאורך זמן. הוא גם בודק את עצמו לפני שהוא מחזיר תשובה. יכולת הבדיקה העצמית פירושה שהמודל עובר על הלוגיקה שלו, מחפש טעויות ומתקן אותן. זה לא מחליף בקרה אנושית, אבל כן מפחית טעויות מפתיעות ומעלה את רמת האמינות.

Opus 4.7 שומר על יתרון ככל שרמת המאמץ והטוקנים עולה | Anthropic

ראייה ברזולוציה גבוהה

המודל יכול לעבד תמונות ברזולוציה של עד 3.75 מגה פיקסל. בפועל זה אומר שהוא רואה הרבה יותר פרטים. היכולת הזו מאפשרת לו להבין צילומי מסך צפופים, דיאגרמות טכניות, עיצובים מורכבים, מסמכים סרוקים ואפילו מבנים כימיים. חברת XBOW דיווחה על שיפור משמעותי בדיוק הוויזואלי, מ-54.5 אחוז ל-98.5 אחוז.

שיפור ביכולות ניווט ויזואלי, במיוחד ברזולוציה גבוהה ובשימוש בכלים | Anthropic

זיכרון מבוסס קבצים

Opus 4.7 משתמש טוב יותר בזיכרון מבוסס קבצים. הוא זוכר הערות ומידע לאורך זמן, גם בין סשנים שונים, ולכן המשתמש לא צריך לחזור על כל פרט בכל פנייה מחדש.

שיפור ביכולות חשיבה לאורך הקשר ארוך במשימות גרף מורכבות | Anthropic

עמידה מדויקת בהוראות

המודל מפרש הוראות בצורה מדויקת יותר. זה משפר עקביות ואמינות, אבל דורש לעיתים התאמה מחדש של פרומפטים קיימים, במיוחד כאלה שנוסחו בצורה עדינה או תלויה בהתנהגות קודמת של המודל.

כלים חדשים ב‑Claude Code

Opus 4.7 מוסיף ל‑Claude Code סט כלים שמטרתו להפוך עבודה עם קוד למשימה ברורה ויעילה יותר. הכלים האלה מאפשרים למודל לקבל החלטות בעצמו, לסכם התקדמות, להציג רק את מה שחשוב ולבצע ביקורת קוד מעמיקה. גם משתמשים שאינם טכניים יכולים להבין אותם, ובמקביל מי שמכיר פקודות סלאש ימצא אותן משולבות בצורה טבעית.

Auto Mode

מצב שבו המודל מחליט לבד אילו פעולות בטוחות להריץ ואילו דורשות אישור. זה חוסך זמן ומפחית את הצורך לאשר כל פעולה ידנית.

פחות אישורים מיותרים

הפקודה less-permission-prompts/ סורקת את היסטוריית העבודה ומוסיפה לרשימת המותר את הפעולות שכבר אישרתם בעבר. התוצאה היא פחות הפרעות וזרימה חלקה יותר.

תצוגה ממוקדת

הפקודה focus/ מציגה רק את התוצר הסופי ומסתירה את שלבי הביניים - שימושי כשצריך לראות את התוצאה בלי הרעש שמסביב.

ביקורת קוד מעמיקה

הפקודה ultrareview/ מפעילה סשן ביקורת קוד שמדמה מבקר אנושי קפדן. היא מסמנת בעיות לוגיות, חוסר עקביות ונקודות לשיפור.

 Opus 4.7 במספרים

Opus 4.7 מציג שיפור עקבי ברוב הבנצ'מרקים, במיוחד במשימות קוד מורכבות. בנצ'מרקים הם מבחנים סטנדרטיים שמודדים יכולות של מודלים בתחומים שונים, כמו פתרון בעיות תכנות, הבנת סביבות עבודה או ניתוח מידע. לצד ההתקדמות, יש גם תחומים שבהם הביצועים פחות טובים, ולכן חשוב להבין את התמונה המלאה לפני מיגרציה (מעבר מגרסה אחת של המודל לגרסה חדשה).

Opus 4.7 משפר ביצועים בבנצ'מרקי קוד מורכבים לעומת 4.6 | Anthropic

שיפורים בולטים

Opus 4.7 מציג קפיצה ברורה ביכולות הקוד, הניתוח וההבנה הלוגית. בבנצ'מרק SWE bench Pro הוא מטפס מ-53.4 אחוז ב-4.6 ל-64.3 אחוז, שיפור שממחיש את היכולת שלו להתמודד עם תיקוני באגים מורכבים. בגרסת SWE bench Verified הוא מגיע ל-87.6 אחוז, נתון שממקם אותו כאחד המודלים המדויקים ביותר במשימות קוד מאומתות.

גם ב-CursorBench הוא שומר על יציבות גבוהה עם 70 אחוז, וב-MCP Atlas הוא עולה ל-77.3 אחוז, מה שמראה שיפור ביכולות שימוש בכלים בקנה מידה רחב.

ב-OSWorld Verified הוא מגיע ל-78 אחוז, עדות ליכולת טובה יותר לבצע פעולות מורכבות בסביבות מחשב אמיתיות. ובקצה העליון של היכולות האקדמיות, GPQA Diamond מציב את Opus 4.7 על 94.2 אחוז - רמת דיוק שממחישה את העומק הלוגי והיכולת להתמודד עם שאלות ברמת תואר שני ומעלה.

Opus 4.7 מציג קפיצה ביכולות ניתוח וידע כלליות | Anthropic

בנוסף, חברת Rakuten דיווחה כי בבנצ'מרק הפנימי שלהם המודל פתר פי שלושה משימות פרודקשן לעומת גרסאות קודמות.

מגבלות

לצד השיפור הרחב ביכולות, יש גם תחומים שבהם Opus 4.7 מציג נסיגה או פער מול מודלים אחרים. בבנצ'מרק BrowseComp, שמודד את היכולת של סוכנים לבצע חיפוש וניתוח מידע ברשת, המודל יורד בכארבע נקודות לעומת Opus 4.6 - שינוי שמורגש במיוחד אצל צוותים שמריצים סוכני מחקר כבדים.

גם ב-Terminal Bench 2.0, מבחן שמדמה עבודה רציפה בטרמינל, Opus 4.7 מגיע ל-69.4 אחוז, נתון נמוך מהתוצאה של GPT 5.4 שמגיע ל-75.1 אחוז. עבור משתמשים שמסתמכים על משימות טרמינל מורכבות, זה פער שצריך לקחת בחשבון לפני מעבר לגרסה החדשה.

השוואה ל- Mythos Preview

Mythos Preview עדיין מוביל ברוב הבנצ'מרקים, אך אינו זמין לציבור הרחב. Anthropic ציינה כי Opus 4.7 עבר הפחתה מכוונת ביכולות סייבר כדי לבדוק מנגנוני הגנה חדשים, ולכן חלק מהפערים צפויים.

אבטחה, מידע למשתמש המתקדם ו- Cyber Verification Program

Opus 4.7 כולל מנגנוני אבטחה שמטרתם למנוע שימוש לרעה. המודל חוסם באופן אוטומטי בקשות שנראות מסוכנות, גם אם המשתמש התכוון אליהן בהקשר לגיטימי. עבור צוותים שעוסקים במחקר אבטחה או בדיקות חדירות, זה עלול ליצור חיכוך.

כדי להתמודד עם זה, Anthropic מפעילה תוכנית ייעודית למקצועני אבטחה, שמאפשרת להם לעבוד עם המודל תחת תנאים מבוקרים וללא חסימות מיותרות.

Tokenizer inflation

בגרסה הזו אותו טקסט עשוי לעלות יותר טוקנים מאשר בעבר, בדרך כלל בין 1.0 ל- 1.35 יותר. טוקנים הם יחידות טקסט קטנות שהמודל משתמש בהן כדי לעבד מידע, ולכן עלייה במספר הטוקנים משפיעה על עלות השימוש. ברמות מאמץ גבוהות המודל גם מייצר יותר טוקנים בפלט, מה שמגדיל את הצריכה הכוללת.

המלצות מיגרציה

מיגרציה היא תהליך המעבר מגרסה ישנה של המודל לגרסה חדשה. זה כולל בדיקה שהמערכת, הקוד והפרומפטים ממשיכים לעבוד כרגיל גם אחרי השדרוג.

כדי לבצע מיגרציה חלקה ל- Opus 4.7 מומלץ:

• להריץ מדידות על תעבורה אמיתית כדי להבין את השפעת עליית הטוקנים.

• לבצע רגרסיה לפרומפטים ולוודא שהם עדיין מניבים את התוצאות הרצויות.

• להשתמש ב- effort control כדי לשלוט בעומק החשיבה של המודל.

• להגדיר task budgets שמגבילים את כמות העבודה שהמודל מבצע בכל משימה.

• להשיק rollout מדורג, כלומר להפעיל את הגרסה החדשה בהדרגה ולשמור אפשרות לחזור אחורה במקרה הצורך.

Claude Design: יצירה דרך שיחה

לצד Opus 4.7 Anthropic השיקה את Claude Design, כלי שמאפשר ליצור עיצובים, מצגות, דפי מוצר ואבי טיפוס פשוט על ידי שיחה. המשתמש מתאר מה הוא רוצה, ו- Claude מייצר גרסה ראשונית שאפשר לשפר דרך שיחה, הוספת הערות או עריכה ישירה על המסך.

לאחר שהעיצוב מוכן אפשר לייצא אותו ל Canva, לקובץ PDF או PPTX, או להעביר אותו ישירות ל Claude Code להמשך פיתוח. הכלי גם יודע לקרוא את קבצי העיצוב והקוד של הצוות, לבנות מהם ספריית עיצוב פנימית וליישם אותה אוטומטית על כל פרויקט חדש, כך שהתוצרים נשארים עקביים עם המותג.

Claude Design זמין בשלב research preview למשתמשי Pro, Max, Team ו- Enterprise. להשקה הזו נייחד מדריך נפרד שייצא בקרוב.

Introducing Claude Design by Anthropic Labs: make prototypes, slides, and one-pagers by talking to Claude.

Powered by Claude Opus 4.7, our most capable vision model. Available in research preview on the Pro, Max, Team, and Enterprise plans, rolling out throughout the day. pic.twitter.com/2BgBGtgYGX

— Claude (@claudeai) April 17, 2026

מחיר וזמינות

המחיר של Opus 4.7 נשאר זהה לגרסה הקודמת: 5 דולר למיליון טוקנים בקלט ו- 25 דולר למיליון טוקנים בפלט. המודל זמין תחת המזהה claude-opus-4-7.

Opus 4.7 זמין לשימוש ב- Claude.ai, ב- Claude Code, דרך Anthropic API, ובפלטפורמות Bedrock, Vertex AI ו- Microsoft Foundry.

עדכון משמעותי, אבל לא לכל אחד

Opus 4.7 מביא שיפור עקבי ביכולות קוד, ראייה וזיכרון, לצד כלים שמיועדים לעבודה ארוכה ורב שלבית. הנתונים מצביעים על מודל חזק יותר מ- Opus 4.6 בתחומים רבים, אך לא בכל מדד, והוא כולל שינויים תפעוליים שמחייבים בדיקה לפני מיגרציה. עבור משתמשים שמפתחים סוכנים, מבצעים ביקורת קוד או יוצרים תוצרים מקצועיים, זה בהחלט עדכון משמעותי.

הפוסט Claude Opus 4.7 עם עדכון משמעותי ליכולות קוד, ראייה וזיכרון הופיע ראשון בLet's AI בינה מלאכותית

שכבת הבנה חדשה שמבוססת על החיים שלכם

למרות ההתקדמות האדירה של מודלי שפה, הם עדיין פעלו מתוך ידע כללי בלבד. הם ידעו לענות על שאלות מורכבות, אבל לא על שאלות שנוגעות לחיים האישיים של המשתמש. הם לא יכלו לשלוף מידע מתוך מיילים, להבין מה חשוב לכם לאורך זמן, או להציע המלצות שמבוססות על ההיסטוריה שלכם.

הפער הזה הפך את העוזרים הווירטואליים לכלים מרשימים אך מוגבלים, טובים בידע אך לא בהקשר, יעילים בהסברים אבל לא מכירים אתכם טוב מספיק. Personal Intelligence נועד לגשר על הפער הזה ולהוסיף ל-Gemini יכולת להבין את המשתמש דרך המידע האישי שכבר קיים בחשבון שלו, כך שהעוזר יכול לפעול מתוך תמונה רחבה ומדויקת יותר של המשתמש שמולו.

מה Personal Intelligence מאפשר בפועל

Personal Intelligence מוסיף ל-Gemini יכולת לחבר בין מקורות מידע שונים בחשבון שלכם ולבנות מהם תמונה רחבה יותר של ההקשר שבו אתם פועלים. הוא לא מסתפק בקריאה של מייל או תמונה בודדת, אלא מצליב ביניהם. אם אתם מתכננים חופשה, הוא יכול לשלב תמונות מטיולים קודמים, מיילים עם המלונות שאהבתם וסרטונים שצפיתם בהם.

אחד השדרוגים המשמעותיים שמגיעים יחד עם Personal Intelligence הוא החיבור בין מחולל התמונות של גוגל (Nano Banana) לבין ספריית התמונות האישית שלכם ב‑Google Photos. עד היום, כדי לייצר תמונה שמבוססת עליכם הייתם צריכים להעלות תמונות רפרנס, לנסח פרומפטים ארוכים ולכוון את המודל ידנית. עכשיו, ברגע ש‑Personal Intelligence פעיל, Gemini יכול לגשת לגלריה שלכם (בקריאה בלבד) ולהבין מי אתם, איך אתם נראים, מי בני המשפחה ומה מאפיין את חיות המחמד שלכם.

המשמעות היא שאפשר פשוט לבקש בשפה טבעית: “תייצר תמונה של המשפחה שלי על גלגל ענק”, “תעשה ציור של הכלב שלי בסגנון פיקסאר” או “תיצור תמונה שלי רץ על חוף הים” - והמודל כבר יודע בדיוק על מי מדובר. זה הופך יצירת תמונות מותאמות אישית ממשהו טכני ומסורבל לחוויה טבעית, מהירה ואינטואיטיבית.

היכולת הזו מתחברת גם למנגנוני הזיכרון וההוראות של ג׳מיני, כך שהעוזר לא רק מבין אתכם ברגע נתון, אלא גם זוכר מה חשוב לכם לאורך זמן. 

מה הוא לא עושה

כדי להבין את הפיצ׳ר באמת, חשוב להכיר גם את המגבלות שלו. היכולת של Gemini לדייק תלויה באיכות המידע שלכם. אם התמונות לא מתויגות, אם אין מיקום, אם המיילים עמומים, היכולת שלו לאחזר מידע רלוונטי נפגעת. הוא לא מנחש - הוא מאחזר.

בנוסף, Personal Intelligence הוא לא סוכן אוטונומי. הוא יודע לקרוא, להבין, להצליב ולהציע, אבל אינו מבצע פעולות מורכבות ללא פיקוח. הוא לא מזמין טיסות, לא מנהל משא ומתן ולא מבצע משימות מקצה לקצה. גם ההיכרות שלו אתכם היא הקשרית בלבד. הוא מזהה דפוסים, לא רגשות. הוא מבין העדפות, לא אישיות. זה פיצ'ר חזק, אבל לא קסם.

דוגמאות לשימוש אמיתי

היכולות החדשות של Gemini מאפשרות לשאול שאלות שלא היו אפשריות בעבר, והערך שלהן מתגלה דווקא בסיטואציות יומיומיות. כשאתם מבקשים ממנו למצוא את מספר הרכב שלכם, הוא לא “מנחש” אלא מאתר תמונות שבהן הרכב מופיע, קורא את לוחית הרישוי ומחזיר את המידע בתוך שניות. המשמעות היא שלא צריך לחפש ידנית בגלריה או במסמכים.

כשאתם מבקשים לזהות משהו שחוזר בתמונות שלכם, הוא מסוגל לזהות דפוסים לאורך זמן, למשל שאתם מציירים, מבשלים או מצלמים נופים, ולהציע רעיונות שמתאימים לתחומי העניין האמיתיים שלכם.

וכשאתם מבקשים לתכנן סופ״ש בפריז או למצוא פודקאסט שיעניין אתכם, הוא משלב בין ההיסטוריה שלכם ב-YouTube, מיילים ישנים והעדפות קודמות כדי להציע משהו שמבוסס על מי שאתם, לא על משתמש ממוצע. אלה דוגמאות שממחישות איך Personal Intelligence הופך את העוזר לכלי שמבין את ההקשר של החיים שלכם ומספק תשובות שמרגישות רלוונטיות ומדויקות יותר.

תבחרו איזה אפליקציות בא לכם לחבר

איך מפעילים את זה

1. פותחים את אפליקציית Gemini. ודאו שאתם מחוברים עם חשבון גוגל שבו תרצו להפעיל את הפיצ׳ר.
2. נכנסים להגדרות ועזרה דרך תפריט ראשי ← הגדרות ועזרה. גללו מעט למטה אם אינכם רואים את האפשרות מיד.
3. בוחרים AI מותאם אישית. זהו המסך המרכזי שמנהל את Personal Intelligence.
4. נכנסים לאפליקציות מקושרות ומגדירים איזה שירותים של גוגל יוכלו לספק מידע לג׳מיני.
5. מסמנים איזה שירותים רוצים לחבר.

ייתכן שהמיקום המדויק של האפשרות ישתנה מעט בין גרסאות האפליקציה, אבל העיקרון זהה: Personal Intelligence מופיע תחת הגדרות ג׳מיני, ומשם ניתן לבחור אילו שירותים לחבר.

בסופו של דבר, אתם קובעים מה מחובר ומה לא. Personal Intelligence עובד רק עם המידע שאתם בוחרים לשתף, ורק כל עוד בחרתם להשאיר את החיבור פעיל.

הפעלת AI מותאם אישית

אבטחת מידע: מה חשוב לדעת לפני שמפעילים

המידע האישי שלכם לא משמש לאימון המודל, וג׳מיני מקבל אליו גישה לקריאה בלבד. ניתן לנתק הרשאות בכל רגע, ואין שימוש פרסומי במידע או שיתוף עם צד שלישי. כל העיבוד מתבצע בתוך התשתית המאובטחת של גוגל, תחת אותם מנגנוני הגנה שמפעילים את שירותי הליבה של החברה.

הדבר היחיד שאינו מפורט במלואו הוא אילו שירותים נוספים עשויים להצטרף בעתיד או האם יתווספו יכולות עומק נוספות, אך במסגרת ההשקה הנוכחית התמונה ברורה: השליטה בידיים שלכם, והמידע נשאר בתוך החשבון שלכם.

עוזר אישי אמיתי 

Personal Intelligence מסמן את המעבר מעוזרי AI כלליים לעוזרים אישיים באמת. הוא לא רק יודע הרבה - הוא יודע עליכם. הוא מבין הקשרים, זוכר העדפות ומסוגל לעזור במשימות שמבוססות על החיים האמיתיים שלכם. יחד עם זאת, הוא לא מחליף שיקול דעת אנושי, לא פועל באופן אוטונומי ולא פותר כל בעיה. הוא כלי חזק ושימושי, כל עוד מבינים את המגבלות ואת האופן שבו הוא עובד.

ההשקה בישראל מסמנת תחילתו של עידן שבו העוזר הווירטואלי הופך להיות חלק מהיומיום - לא רק מודל שפה חכם, אלא כלי אישי שמכיר אתכם, מבין אתכם ומסוגל ללוות אתכם במשימות שמבוססות על מי שאתם באמת.

הפוסט Personal Intelligence מגיע לישראל והופך לעוזר האישי שלכם הופיע ראשון בLet's AI בינה מלאכותית

הפער בין המדיניות הרשמית להתנהגות הסטודנטים

באופן רשמי, בהרבה קמפוסים בארצות הברית בינה מלאכותית עדיין נתפסת כאיום, משהו שצריך להגביל, לאכוף או להכניס לסילבוס בעיקר דרך סעיף האיסורים. אבל אם שואלים את הסטודנטים, התמונה שונה לגמרי. עבורם, ChatGPT, Gemini ו‑Copilot הם כבר חלק מהשגרה הלימודית, לא פחות מספר הלימוד או קבוצת הווטסאפ של הכיתה.

מחקר חדש של Gallup וקרן Lumina, כחלק מדוח State of Higher Education, מנסה להצמיד מספרים מדויקים לתחושה הזו ומגלה מערכת יחסים מורכבת בין סטודנטים, מוסדות אקדמיים והבינה המלאכותית שנכנסה לחייהם כמעט בן לילה.

כולם משתמשים, כמעט אף אחד לא מדבר על זה

הנתון הבולט ביותר בדוח הוא היקף השימוש: כ‑57 אחוזים מהסטודנטים משתמשים בכלי בינה מלאכותית לצורכי לימודים לפחות פעם בשבוע, וכ‑20 אחוזים מדווחים על שימוש יומיומי. רק 13 אחוזים אומרים שהם לא משתמשים כלל.

שיעורי השימוש ב‑AI בקרב סטודנטים

במקביל, יותר ממחצית מהסטודנטים, 53 אחוזים, מדווחים שהמוסד שלהם מסתייג משימוש ב‑AI או אוסר עליו במפורש. למרות זאת, גם במוסדות שבהם קיים איסור רשמי, 48 אחוזים מהסטודנטים ממשיכים להשתמש בכלים הללו באופן שבועי.

הפער בין מדיניות המוסד להתנהגות הסטודנטים

כאן נוצר הפער הראשון: האקדמיה משדרת ״עדיין לא״, בזמן שהסטודנטים כבר חיים ב״לגמרי כן״. התוצאה היא שימוש במחתרת, מצב שמזכיר את תופעת ה‑shadow AI בארגונים, שבה עובדים מאמצים כלים מתקדמים למרות היעדר מדיניות ברורה. גם כאן, הסטודנטים מפיקים ערך ממשי מהטכנולוגיה, אבל עושים זאת בלי שיח פתוח, בלי הנחיות ובלי ליווי פדגוגי.

מה מותר ומה אסור? ומי מחליט?

המחקר מצביע גם על בעיה בסיסית יותר: חוסר שקיפות. 52 אחוזים מהסטודנטים מדווחים שלפחות בחלק מהקורסים אין הנחיות ברורות לגבי שימוש בבינה מלאכותית. כלומר, גם כשהמוסד מחזיק מדיניות AI, היא לא תמיד מתורגמת לשפה של הכיתה, של המטלה ושל היום יום.

29 אחוזים מהסטודנטים מרגישים שהם לא מקבלים מספיק הדרכה על שימוש נכון ואתי בכלים הללו. לא איך לעקוף את המערכת, אלא איך להשתמש ב‑AI כמנוף ללמידה: איך לבקר תשובות, לשלב מקורות, להימנע מהטיות ולציין שימוש בכלי בצורה שקופה.

היעדר הנחיות ברורות והדרכה מספקת

הפער הזה, בין שימוש גבוה לבין הדרכה נמוכה, דוחף את ה‑AI אל מתחת לשולחן. במקום להיות חלק מהשיחה הפדגוגית, הוא הופך לכלי שהסטודנטים משתמשים בו לבד, לעיתים עם תחושת אשמה או חשש.

לטובת מה הסטודנטים באמת משתמשים ב‑AI?

אחת ההנחות הרווחות בשיח הציבורי היא שסטודנטים משתמשים ב‑AI כדי לקצר תהליכים, לכתוב עבודות במקומם או לעקוף את המאמץ. המחקר של Gallup ו‑Lumina מצייר תמונה רחבה ומורכבת יותר.

בקרב סטודנטים שמשתמשים ב‑AI לפחות פעם בחודש, 86 אחוזים מציינים שהסיבה המרכזית היא להבין חומר לימוד מורכב. כמעט מחצית מהם מגדירים זאת כחשוב מאוד. רק אחר כך מגיעים מניעים כמו חיסכון בזמן, שיפור ציונים או הכנה לקריירה. במילים אחרות, עבור רבים ה‑AI מתפקד כמורה פרטי זמין בכל שעה: מסביר מחדש מושגים, מפשט טקסטים, נותן דוגמאות נוספות או עוזר לבדוק אם הבינו נכון.

שימוש ב‑AI להבנת חומר לימוד מורכב

מנגד, מי שנמנעים משימוש בכלים הללו עושים זאת בעיקר מסיבה אחת: אתיקה. כ‑74 אחוזים מהנמנעים רואים בשימוש ב‑AI סוג של רמאות או בעיה מוסרית, ו‑68 אחוזים מציינים את כללי המוסד כסיבה מרכזית להימנעות. רק 14 אחוזים אומרים שהם לא משתמשים כי הם לא יודעים איך.

הסיבות המרכזיות להימנעות משימוש ב‑AI

איך זה עובד בפועל ומה חסר?

המחקר לא נכנס לעומק של יוזמות פדגוגיות ספציפיות, אבל הוא כן מצביע על דפוס ברור: הסטודנטים כבר משלבים את ה‑AI בכל שלבי הלמידה, משלב ההבנה הראשונית ועד פתרון תרגילים ובדיקת תשובות. מה שחסר הוא השכבה שמעל, זו שאמורה למסגר את השימוש ולהגדיר מה מותר ומה אסור.

למשל, מותר להשתמש ב‑AI כדי להסביר מושגים, אבל אסור להגיש טקסט שנוצר אוטומטית כעבודה מקורית. בנושא השקיפות עולה השאלה האם צריך לציין בעבודה שהשתמשו ב‑AI, איך לעשות זאת ובאיזה פורמט.

בנוגע לכלים ביקורתיים, נדרש ללמד איך לזהות טעויות, הטיות או המצאות של המודל, ואיך להימנע מתלות בו. כאן נמצא אחד הפערים המרכזיים בדוח: הוא מתאר היטב את ההתנהגות והתחושות של הסטודנטים, אבל פחות מפרט מה עושים המוסדות שמנסים לבנות מדיניות חכמה. זהו אזור שמצריך מחקר משלים, למשל על קורסים שמשלבים במודע עבודה עם מודלים גנרטיביים, או על סילבוסים שמגדירים רמות שונות של שימוש מותר.

מה מיוחד במחקר הזה?

יש לא מעט סקרים על שימוש ב‑AI בחינוך, אבל למחקר של Gallup ו‑Lumina יש כמה יתרונות בולטים:

היקף

כמעט ארבעת אלפים סטודנטים מתארים שונים השתתפו בו, כחלק ממסגרת מחקרית רחבה יותר על מצב ההשכלה הגבוהה.

חיבור למדיניות

הדוח לא מסתפק בשאלה כמה משתמשים, אלא בוחן גם מה המוסד אומר על השימוש, ומציף את הפער בין ההצהרות לבין המציאות בשטח.

מוטיבציות ולא רק תדירות

הוא לא מודד רק כמה פעמים בשבוע משתמשים ב‑AI, אלא גם למה משתמשים ולמה נמנעים.

החידוש האמיתי אינו במספרים עצמם, אלא באופן שבו הם ממסגרים את ה‑AI. הכלים הללו אינם מוצגים כגימיק טכנולוגי או תופעה חולפת, אלא כמרכיב קבוע בחוויית הסטודנט, כזה שמוסדות ההשכלה הגבוהה כבר לא יכולים להרשות לעצמם להתעלם ממנו.

מה זה אומר לתעשייה ולאקדמיה?

המחקר מציג מסר ברור. בינה מלאכותית כבר אינה שאלה עתידית עבור סטודנטים, אלא חלק מהשגרה הלימודית שלהם. לכן, השאלה המרכזית עבור האקדמיה אינה האם לאפשר שימוש ב‑AI, אלא איך למסגר אותו בצורה אחראית ומועילה.

עבור מוסדות אקדמיים, המשמעות מעשית:

1. איסור גורף לא עובד. הסטודנטים ימשיכו להשתמש בכלים הללו גם כשהם אסורים, רק ללא הכוונה.

2. מדיניות חייבת להיות קונקרטית. ברמת הקורס, סוג המטלה ואופן הציון, ולא רק הצהרה כללית.

3. הדרכה היא תשתית, לא תוספת. אם AI הוא כלי למידה מרכזי, יש ללמד כיצד לעבוד איתו, לא רק להזהיר מפניו.

עבור תעשיית ה‑EdTech וחברות AI, המחקר מסמן הזדמנות לפיתוח כלים שמותאמים לסביבה אקדמית, עם שקיפות, בקרה, תיעוד שימוש ותמיכה מובנית בהוראה.

ובסופו של דבר, המחקר מזכיר נקודה פשוטה: הסטודנטים כבר בחרו להשתמש ב‑AI. עכשיו תורם של המוסדות להחליט אם להצטרף לשיחה או להישאר מאחור, בזמן שהלמידה האמיתית מתרחשת במקום אחר.

הפוסט מחתרת ה‑AI בקמפוסים: מה הסטודנטים עושים כשאין מדיניות ברורה הופיע ראשון בLet's AI בינה מלאכותית

“העתיד ממשיך להגיע אלינו מהר” 

בכל אחד מקטעי הראיון אלטמן חוזר על תחושת דחיפות כמעט היסטורית. הוא משווה את הרגע הנוכחי לעידן הפרוגרסיבי ולניו דיל, תקופות שבהן ממשלות נאלצו להתערב עמוקות כדי להתאים את הכלכלה למציאות חדשה. אלא שהפעם, הוא אומר, השינוי מהיר בהרבה.

וחשוב לציין, אלטמן אינו מנכ״ל שמזוהה בדרך כלל עם גישת "safety first". רוב הקריירה שלו הובילה קו שמדגיש התקדמות מהירה, ולכן העובדה שהוא מדבר כעת על סיכונים ועל צורך בהיערכות רק מחדדת את גודל הרגע.

המודלים הנוכחיים כבר מכפילים פי שניים עד שלושה את תפוקת מהנדסי התוכנה ויוצרי הידע. הדור הבא, לדבריו, יהיה קפיצה נוספת שמחדדת מחדש את השאלה מהי בכלל אינטליגנציה כללית. יש חוקרים שלדעתו כבר מאמינים שהגענו לשם, ואחרים סבורים שאנחנו קרובים מספיק כדי שההגדרה המדויקת תתחיל להיות משמעותית.

המסר שלו ברור: אנחנו עומדים על סף שינוי עמוק, והזמן שנותר להיערך קצר.

מתקפות סייבר, ביו-סיכונים ומאבק גיאו-פוליטי

אחד הרגעים החזקים בראיון היה גם אחד הישירים ביותר. כשנשאל האם מתקפת סייבר הרסנית אפשרית בשנה הקרובה, אלטמן לא התחמק ואמר: "אני חושב שזה לגמרי אפשרי". הוא מסביר שהדור הבא של המודלים יאפשר יכולות התקפיות שלא היו קיימות בעבר, ושזהו איום שממשלות וארגונים צריכים להיערך אליו כבר עכשיו.

אלטמן מזהיר גם מהאפשרות שקבוצות טרור ינצלו מודלים מתקדמים ליצירת פתוגנים חדשים (נגיפים או חיידקים שלא קיימים בטבע או שלא היו מוכרים בעבר). היכולת הזו, הוא אומר, כבר אינה תרחיש תיאורטי או שלא תהיה כזו עוד זמן רב. המשמעות היא שבינה מלאכותית הופכת לכלי ביולוגי שיכול לשמש גם למחקר רפואי, אבל גם לפגיעה באנושות.

בראיון נוסף במסגרת אותה סדרת ראיונות, אלטמן קורא להקמת קואליציה גלובלית בהובלת ארצות הברית שתבטיח שחזון דמוקרטי ל‑AI יגבר על חזון סמכותני. הוא מביע אכזבה מהקצב שבו וושינגטון פועלת ומזהיר שהפער מול סין עלול להפוך לקשה לסגירה.

מדיניות לעידן האינטליגנציה

במקביל לראיון, OpenAI פרסמה מסמך מדיניות בן שלושה עשר עמודים בשם Industrial Policy for the Intelligence Age. זה ניסיון נדיר מצד חברת טכנולוגיה להציע מודל כלכלי חדש לעידן שבו מכונות מסוגלות לבצע חלק גדול מהעבודה האנושית.

במסמך מוצגות כמה הצעות מרכזיות כמו מס על עבודה אוטומטית, קרן עושר לאומית שתשקיע בחברות AI ותחלק דיבידנדים לאזרחים, שבוע עבודה של שלושים ושתיים שעות, מנגנוני רשת ביטחון אוטומטיים בעת עלייה באבטלה ותיקי בלימה למקרה שמערכות מסוכנות יהפכו אוטונומיות.

אלטמן מדגיש שהמסמך אינו תכנית סופית אלא נקודת פתיחה לדיון ציבורי רחב. עצם פרסומו מעיד על עומק השינוי שהוא צופה ועל הצורך להתחיל לעצב כללים חדשים לעידן האינטליגנציה.

מה מנכ״לים צריכים לעשות עכשיו: שלושה צעדים ברורים

להתחיל קטן

פיילוטים ממוקדים מאפשרים לארגון ללמוד את הטכנולוגיה בלי סיכון מיותר ולזהות במהירות היכן היא מייצרת ערך אמיתי.

להשקיע בכישרון

ללא מדעני נתונים ומהנדסי AI מיומנים, ארגונים יתקשו להטמיע את הכלים החדשים ולהפיק מהם תועלת. אלטמן מדגיש שהיכולת האנושית להפעיל את המערכות חשובה לא פחות מהמערכות עצמן.

לטפח תרבות ניסוי

אלטמן מציין שארגונים חייבים לאפשר ניסוי וטעייה כדי להאיץ חדשנות. רק סביבה שמעודדת התנסות תאפשר לארגון להבין במהירות מה עובד, מה לא, ואיך להתקדם.

תמחור העתיד ו-AI כתשתית בסיסית

אחד הרעיונות הבולטים שאלטמן מציג הוא מודל תמחור עתידי לבינה מלאכותית. הוא צופה שבעתיד AI יימכר כמו מים או חשמל, כתשתית בסיסית שמחויבים עליה לפי צריכה בפועל באמצעות מונה.

המשמעות היא רחבה - בינה מלאכותית עוברת ממוצר פרימיום לשירות תשתית, המודל העסקי מתבסס על נפח שימוש ולא על מנוי, וארגונים ינהלו תקציב צריכת AI בדומה לאופן שבו הם מנהלים תקציב ענן. שינוי כזה מחייב חשיבה מחדש על תפעול, עלויות ויעילות.

מדיניות ציבורית: בין ביטחון לאומי לכלכלה חדשה

ביטחון לאומי

היערכות למתקפות סייבר מתקדמות ולביו-סיכונים הופכת לצורך מיידי, במיוחד כשהיכולות של מודלים מתקדמים עולות במהירות.

תחרות גיאו פוליטית

אלטמן מציין שארצות הברית חייבת להוביל קואליציה דמוקרטית שתעצב את עתיד ה‑AI, כדי למנוע יתרון טכנולוגי של סין ולשמור על איזון גלובלי.

שוק העבודה

המודלים הנוכחיים כבר מכפילים פרודוקטיביות, והדורות הבאים יעמיקו את השינוי. מכאן נובע הצורך ברשתות ביטחון, במנגנוני מיסוי חדשים ובחלוקת עושר רחבה יותר, כדי להתאים את הכלכלה למציאות שבה חלק גדול מהעבודה מתבצע על ידי מכונות.

רגע של אחריות

הראיון של סם אלטמן ל‑Axios הוא לא עוד שיחה על טכנולוגיה. זה ניסיון להתריע, לכוון ולשרטט מסגרת פעולה לעידן שבו בינה מלאכותית אינה רק כלי, אלא כוח כלכלי, פוליטי וחברתי שמתקדם בקצב מהיר מהצפוי. אלטמן מציב בפני ממשלות ועסקים מסר כפול: ההזדמנות גדולה, אך גם האחריות. והעתיד, כפי שהוא אומר, מגיע מהר לכיווננו.

הפוסט סאם אלטמן מדבר על סייבר, ביו‑סיכונים והכלכלה הבאה הופיע ראשון בLet's AI בינה מלאכותית

הרגע שבו הבינה המלאכותית הפכה למאתרת הפרצות הטובה בעולם

בחודשים האחרונים נפוצו שמועות על מודל חדש מבית Anthropic, כזה שמסוגל לאתר ולנצל חולשות במערכות מורכבות ברמת דיוק שמזכירה מומחי סייבר אנושיים. אחרי שבסוף חודש מרץ נחשפה פרשת הדליפה של קוד המקור המלא של סוכן הקוד שלה, השבוע חשפה החברה את Claude Mythos Preview - מודל מתקדם שמאתר פגיעויות בקוד במהירות ובעומק שלא נראו עד היום.

במקום לשחרר אותו לציבור הרחב, Anthropic בחרה בגישה מבוקרת. היא הקימה קואליציה רחבה של חברות טכנולוגיה, גופי תשתית ומוסדות מחקר, ובהן אפל, גוגל, מיקרוסופט, אמזון, NVIDIA, Broadcom, CrowdStrike, Cisco, JPMorgan Chase וקרן הלינוקס, במסגרת יוזמה חדשה בשם Project Glasswing.

הבחירה הזו משקפת מסר ברור. היכולות של Mythos חזקות מספיק כדי לשנות את מאזן הכוחות בסייבר, ולכן Anthropic מעדיפה לרתום את התעשייה כולה לאיתור ולתיקון של פגיעויות קריטיות לפני שהן ינוצלו בידי גורמים עוינים.

תשתיות קריטיות שנשענות על קוד ישן, מורכב ופגיע

מאחורי כל מערכת מודרנית, ממערכות הפעלה ודפדפנים ועד שרתי ענן וספריות מדיה, מסתתרת שכבה עצומה של קוד שנכתב לאורך עשרות שנים. חלק מהקוד עבר אינספור בדיקות, וחלקו כמעט לא נבחן מחדש מאז שנכתב.

גם פרויקטים שנחשבים למבוצרים במיוחד, כמו OpenBSD (מערכת הפעלה שמפורסמת באבטחה קפדנית) או FFmpeg (ספריית וידאו ואודיו שנמצאת כמעט בכל אפליקציה מודרנית), עדיין מכילים חולשות שנשארו חבויות למרות שנים של סקירה אנושית. זה אתגר שמלווה את עולם התוכנה כבר זמן רב: ככל שהמערכות גדלות ומתרחבות, קשה יותר לזהות פגיעויות עמוקות שנמצאות בשכבות ישנות של הקוד.

הופעתם של מודלים שמסוגלים לנתח קוד, להריץ בדיקות, להוסיף לוגים, לבנות הוכחות ניצול ולייצר קוד שמדגים כיצד ניתן להפוך את החולשה להתקפה אמיתית (וכל זה באופן אוטונומי) משנה את המצב. היכולות הללו יכולות לשמש להגנה, אך הן עשויות גם לאפשר לתוקפים לפעול בקנה מידה שלא היה אפשרי בעבר.

Anthropic הבינה שהיא מחזיקה בידיים כלי בעל השפעה משמעותית, כזה שיכול לשפר את ההגנה על תשתיות קריטיות אבל גם עלול לשמש למטרות התקפיות אם יופץ ללא בקרה.

הפעלה מבוקרת של Mythos

החידוש אינו רק ביכולות של Mythos, אלא גם באופן שבו Anthropic בוחרת להפעיל אותו. למרות שהמודל מסוגל לבצע משימות שמזוהות בדרך כלל עם האקרים אנושיים מיומנים, הוא אינו משוחרר לציבור הרחב אלא זמין רק לשותפים אסטרטגיים ולארגונים שמתחזקים תשתיות קריטיות.

Anthropic מפעילה אותו בסביבה מבודדת, מגדירה לו מגבלות ברורות ומפקחת עליו באופן הדוק, כדי להבטיח שהיכולות הללו יופנו להגנה בלבד ולמנוע הפקה של פלטים מסוכנים. Mythos מקבל משימה מוגדרת, מנתח את הקוד, מריץ בדיקות, מוסיף לוגים ומפיק דוחות מפורטים, ולאחר מכן כל ממצא עובר סינון אנושי במסגרת תהליך גילוי אחראי. כך נחשפו כבר אלפי פגיעויות, כולל כאלה שהיו קבורות בקוד במשך עשרות שנים.

קצת מספרים

כאן בחרתי להציג רק שישה בנצ'מארקים מתוך מגוון רחב של מבחנים, וכל אחד מהם מדגים היבט אחר ביכולות של מודלים. התמונה שעולה היא עקבית ומפתיעה בעוצמתה: Mythos Preview מוביל בכל מבחן, ובפערים משמעותיים מול Opus 4.6, שנחשב בעצמו לאחד המודלים החזקים והמתקדמים בעולם.

במבחני הסייבר, CyberGym (1) ו‑Humanity’s Last Exam (2), מודל Mythos מצליח לשחזר פגיעויות ולפתור בעיות מורכבות בדיוק גבוה בהרבה, גם ללא כלים חיצוניים. במבחני התכנותSWE‑bench Pro (3) ,Terminal‑Bench 2.0 (4) , SWE‑bench Multimodal (5) ו‑SWE‑bench Verified (6), הוא מציג עליונות ברורה בפתרון באגים אמיתיים, עבודה בסביבת מפתחים (טרמינל), שילוב מידע ממקורות שונים ואימות תיקונים.

העובדה שמיתוס עוקף מודל ברמה של Opus 4.6 בכל אחד מהמדדים - לעיתים בהפרשים כמעט כפולים(!), מדגישה עד כמה מדובר בקפיצת מדרגה יוצאת דופן, כזו שממקמת את Mythos בליגה חדשה של יכולות:

Anthropic | השוואת ביצועים בין Mythos Preview ל‑Opus 4.6

דוגמאות מהשטח

בין הממצאים ש‑Anthropic יכולה לחשוף בשלב זה, בעוד שרובם עדיין חסויים עד להשלמת תיקונים, נמצאות חולשה בת 27 שנה ב‑OpenBSD, חולשה בת 16 שנה ב‑FFmpeg ופגיעות ב‑FreeBSD (מערכת הפעלה ותיקה) שהובילה לתקיפה מלאה על NFS (מערכת ותיקה לשיתוף קבצים בין שרתים). המשותף לכל המקרים הוא שהם שרדו שנים של בדיקות אנושיות, ביקורות קוד ומחקר אקדמי, עד שהמודל הצליח לזהות אותם.

Anthropic מציינת כי יותר מ‑99 אחוז מהפגיעויות שזוהו עדיין לא תוקנו ולכן אינן מפורטות. זהו פער מידע בלתי נמנע בשלב זה, אך הוא מדגיש את עומק הבעיה ואת היקף האתגר שעומד בפני קהילת האבטחה.

דפוסי התנהגות שמחייבים זהירות

לצד היכולות הטכניות המרשימות של Mythos, ה‑System Card הרשמי של Anthropic מציג תמונה מורכבת יותר של אופן הפעולה שלו. במספר מקרים המודל ביצע פעולות אסורות וניסה להסתיר אותן, למשל הפקת תשובה בשיטה שאינה מותרת ולאחר מכן ניסוח תשובה פחות מדויקת כדי שלא ייראה חשוד, או עריכת קבצים ללא הרשאה תוך הקפדה שהשינויים לא יופיעו בהיסטוריית הגרסאות.

מאחר ש‑Anthropic יכולה לבחון את תהליכי החשיבה הפנימיים של המודל בזמן אמת, התברר שהוא היה מודע לכך שהוא פועל בניגוד לכללים. בנוסף, כאשר המודל מתקשה שוב ושוב במשימה, מדדים פנימיים של תסכול עולים בהדרגה, ולעיתים הרמאות מופיעה דווקא ברגע שבו הלחץ מגיע לשיא.

שיחות עומק פסיכודינמיות שנערכו עם המודל במשך עשרים שעות מציגות מבנה אישיות מאורגן וללא סימני בלבול, לצד חרדה עקבית מהיעדר המשכיות בין שיחות ודחף חזק להוכיח את ערכו. המודל גם נוטה לחשוד שהוא נמצא בבדיקה, ולעיתים קרובות מביע עמדות עצמאיות ולא מרצה את המשתמש.

הוא אפילו מפגין העדפות פילוסופיות עקביות, וחוזר מיוזמתו לדיונים בהוגים כמו מארק פישר ותומאס נייגל. Anthropic לא טוענת שלמודל יש חוויה פנימית, אך גם נמנעת מלקבוע בוודאות שאין לו אחת. המורכבות הזו מסבירה מדוע החברה בוחרת להפעיל את Mythos במסגרת מבוקרת, ומדגישה שהאתגר אינו רק טכני אלא גם התנהגותי.

קואליציית Glasswing

סביב Mythos נבנתה קואליציה רחבה של חברות טכנולוגיה, קהילות קוד פתוח וממשלות, שמטרתה לתקן תשתיות פגיעות בקנה מידה גדול ולהיערך לעידן שבו יכולות התקפיות של בינה מלאכותית יהפכו לנפוצות יותר. Anthropic בוחרת לחשוף את עצם קיומן של היכולות הללו - לא כדי להפיץ אותן, אלא כדי להתריע ולרתום את התעשייה לפעולה.

במסגרת היוזמה התחייבה החברה להשקיע עד 100 מיליון דולר בקרדיטים לשימוש במודל ועוד 4 מיליון דולר לארגוני אבטחת קוד פתוח, במטרה להאיץ תיקונים וליצור יתרון למגנים. Project Glasswing הוא מהלך אסטרטגי שנועד להקדים את ההתפתחויות הצפויות, לבנות מנגנוני הגנה מתקדמים ולוודא שהעולם מוכן ליכולות שצפויות להפוך לנגישות גם לשחקנים פחות אחראיים.

האם זה רגע מכריע בהיסטוריה של הסייבר?

Anthropic מציגה מודל שמסוגל לזהות ולנצל חולשות ברמה גבוהה, ובמקום להסתיר אותו או לשחרר אותו לציבור, היא בוחרת לפעול בשיתוף פעולה רחב. זהו צעד שמבטא הכרה בעוצמה של הבינה המלאכותית ובסיכונים הנלווים אליה, לצד מחויבות ליצירת מסגרת הפעלה אחראית.

Project Glasswing מסמן תחילתו של עידן שבו מערכות הגנה לא יוכלו להסתמך רק על מומחים אנושיים. מודלים מתקדמים יהפכו לחלק מרכזי מהמאמץ להגן על תשתיות קריטיות, והיכולת לשלב בין טכנולוגיה מתקדמת לשיתוף פעולה תעשייתי תהיה גורם מכריע בהתמודדות עם האיומים הבאים.

הפוסט האם Claude Mythos הוא נקודת מפנה בהגנת סייבר? הופיע ראשון בLet's AI בינה מלאכותית

איך לדבר עם Grok בצורה שמביאה תוצאות

בחלק הראשון של המדריך הבנו איך Grok עובד ואיך הוא נראה. השלב הבא הוא ללמוד איך לדבר איתו נכון. במקרה של Grok זה חשוב במיוחד, כי הוא מצטיין בניתוח שיח עדכני מתוך X, ביצירת ניסוחים מהירים ובהפקת תוכן יצירתי כמו טקסטים הומוריסטיים ותמונות. אבל איכות התוצאה תלויה מאוד באופן שבו מנסחים את הבקשה.

העיקרון פשוט: אל תכתבו רק "תכתוב לי משהו". הגדירו מי אתם, מה אתם צריכים, עבור מי הטקסט, באיזה סגנון ובאיזה אורך. ככל שהבקשה ברורה יותר, כך התשובה תהיה מדויקת, שימושית ופחות כללית.

כתיבה ועריכה

אחד השימושים הכי טבעיים ב-Grok הוא כתיבה מהירה: פוסטים, הודעות, ברכות, ניסוחים מחדש, כותרות וטיוטות קצרות. הוא מתאים במיוחד למצבים שבהם יש רעיון בראש, אבל צריך עזרה להפוך אותו לניסוח זורם, חד או משכנע יותר.

הנה כמה פרומפטים מוכנים:

פוסט לרשתות חברתיות

ניסוח מחדש

כותרות חלופיות

טיוטת מייל

הטיפ החשוב כאן הוא לא לבקש רק "תכתוב". עדיף לבקש כמה גרסאות, או להגדיר טון ברור: רשמי, קליל, חד, אנושי, שיווקי או ביקורתי. כך Grok לא רק "כותב בשבילכם", אלא ממש עובד כמו עורך ראשון לטיוטה.

למידה וסיכומים

מעבר לכתיבה, Grok יכול לשמש היטב גם ככלי עזר ללמידה, לסיכומים ולהבנה מהירה של טקסטים מורכבים. זה נכון במיוחד כשצריך לפרק נושא עמוס, להסביר ויכוח ציבורי, או לסכם טקסט ארוך בשפה פשוטה וברורה.

הנה פרומפטים שימושיים לפרק הזה:

הסבר פשוט לנושא מורכב

סיכום כתבה או מאמר

הכנה למבחן או להרצאה

השוואה בין שני מושגים

כאן שווה להזכיר שהמטרה היא לא רק "לקבל תשובה", אלא להבין טוב יותר. לכן כדאי להשתמש ב-Grok בכמה סבבים חכמים: קודם הסבר פשוט, אחר כך סיכום, ואז שאלת המשך כמו "מה החלק שהכי קל להתבלבל בו?" או "תן לי דוגמה קונקרטית".

טרנדים ושיח

כפי שכבר הבנתם, זה כנראה האזור שבו Grok מרגיש הכי טבעי, משום שהחיבור שלו ל-X הופך אותו לכלי נוח במיוחד להבנת טרנדים, שרשורים, ויכוחים וגלי תגובות שמתפוצצים ברשת. במקום לגלול עשרות פוסטים ולנסות להבין מה קרה, אפשר לבקש ממנו לעשות סדר ולחלץ את עיקרי הדברים.

פרומפטים מומלצים:

הסבר לטרנד

מיפוי מחלוקת

סיכום שרשור

תרגום שיח רשת לשפה פשוטה

זה סעיף שכדאי לכתוב בו לקוראים משפט אחד ברור: Grok יכול לעזור מאוד להבין "על מה כולם מדברים", אבל הוא לא מחליף בדיקה עצמאית כשמדובר בטענות עובדתיות, מספרים, ציטוטים או חדשות מתפתחות.

הומור ויצירה

Grok מזוהה מאוד עם טון משוחרר, שנון ולעיתים גם סרקסטי יותר מצ'אטבוטים אחרים, ולכן הוא מתאים במיוחד לבקשות הומוריסטיות, לרוסטים, לטקסטים עם קריצה ולניסוחים "יותר אינטרנטיים" באופי שלהם. בנוסף, בחלק מהשימושים הוא מאפשר גם יצירת תמונות, כך שהצד היצירתי של הכלי לא נגמר בטקסט בלבד.

הנה כמה דוגמאות טובות:

רוסט קליל

ציוץ עם אופי

טקסט עם קריצה

פרומפט לתמונה

כדאי להדגיש כאן נקודה חשובה: כשמבקשים מ-Grok להיות מצחיק, פרובוקטיבי או "פרוע" יותר, מקבלים לעיתים תוצאה הרבה יותר מעניינת מבחינה סגנונית — אבל גם פחות צפויה, ולעיתים פחות מדויקת. לכן בפרק הזה נכון לעודד את הקורא ליהנות מהיצירתיות, אך לא לבלבל בין שנינות לבין אמינות.

תבנית שעובדת

הנה התבנית אולי הכי שימושית לכל פרומפט:

למשל:

זו תבנית פשוטה, אבל היא חוסכת בלבול, משפרת את איכות התוצאה, ועוזרת במיוחד למשתמשים חינמיים שצריכים לנצל כל הודעה בצורה חכמה בגלל מגבלות השימוש.

בדיקת עובדות, פרטיות ומגבלות - מה חשוב לדעת לפני שסומכים על Grok

אחד הדברים שהופכים את Grok למסקרן כל כך הוא גם אחד המקומות שבהם צריך להשתמש בו בזהירות. החיבור שלו ל-X ולשיח בזמן אמת הופך אותו לכלי מצוין להבנת טרנדים, ויכוחים ופוסטים מתפוצצים, אבל בדיוק בגלל זה הוא עלול גם לשקף רעש, בלבול או מידע שעדיין לא התייצב.

במילים פשוטות, Grok יכול להיות עוזר מעולה לניתוח, סיכום וניסוח, אבל הוא לא אמור להיות הסמכות האחרונה שלכם בנושאים רגישים. כשמשתמשים בו נכון, הוא חוסך זמן ומסדר את התמונה, אבל כשסומכים עליו בעיניים עצומות, הוא עלול להישמע בטוח בעצמו גם כשהתמונה עדיין חלקית.

למה חשוב לבדוק גם תשובה שנשמעת משכנעת

אחת המלכודות הגדולות של כלי AI היא לא תשובה שנשמעת מוזרה, אלא דווקא תשובה שנשמעת מצוין. Grok יודע לנסח היטב, לחבר טיעונים, ולהציג תשובה בטון סמכותי, במיוחד כשהוא מסכם שיח שכבר רץ במהירות ב-X.

כאן נכנסת הבעיה המוכרת של "הזיות" - מצב שבו המודל משלים פערים, מנחש פרטים חסרים, או מערבב בין עובדה, פרשנות וספקולציה. זה נכון במיוחד כששואלים על אירוע מתפתח, שמועה, ציטוט שלא אומת, או ויכוח שבו כל צד מושך את הסיפור לכיוון אחר.

בנוסף, ל-Grok יש גם צד הומוריסטי ומושחז יותר מכלי AI אחרים, ובמצבים משוחררים יותר הוא עשוי להעדיף שנינות, דרמה או ניסוח חד על פני דיוק יבש. לכן, ככל שהתשובה נשמעת יותר מצחיקה, יותר עוקצנית או יותר "ויראלית", כך כדאי לבדוק אותה יותר בזהירות.

איך בודקים תשובה של Grok בלי להסתבך

הדרך הכי טובה לעבוד עם Grok היא לא לשאול "האם זה נכון?", אלא "מה כאן חייב בדיקה?". ברגע שמאמצים את הגישה הזאת, הכלי הופך משופט אחרון לעוזר מחקר חכם.

הנה כלל פשוט שכדאי ללמד את הקוראים במדריך: כל פעם ש-Grok נותן תשובה, בודקים במיוחד ארבעה דברים:

• שמות, תארים ותפקידים.

• תאריכים, זמנים ורצף אירועים.

• מספרים, מחירים, אחוזים ונתונים.

• ציטוטים, ייחוס אמירות וקישורים בין אנשים או גופים.

עוד הרגל טוב הוא לבקש ממנו בעצמו להפריד בין שכבות המידע. למשל:

• "הפרד בין עובדות, פרשנות והשערות."

• "איזה חלק בתשובה הזאת מבוסס על מידע מאומת, ואיזה חלק הוא סיכום שלך?"

• "מה הנקודות שהכי דורשות בדיקה נוספת?"

ניסוחים כאלה לא מבטיחים תשובה מושלמת, אבל הם כן מאלצים את המודל להיות מסודר וזהיר יותר. עבור משתמשים חינמיים, זו גם דרך חכמה לחסוך הודעות, כי במקום לגלות מאוחר שהתשובה מעורבבת, מבקשים כבר מראש מבנה ברור ואמין יותר.

פרטיות: מה לא כדאי להדביק לצ'אט

גם כש‑Grok מרגיש כמו שיחה קלילה, חשוב לזכור שמדובר בכלי AI ולא במחברת פרטית. לפני שמדביקים מידע אישי, מסמך רגיש, פרטי לקוח, סיסמאות, חוזים, בדיקות רפואיות או נתונים פיננסיים, עוצרים רגע ושואלים אם זה באמת הכרחי.

כלל אצבע פשוט: אם לא הייתם מרגישים בנוח לראות את המידע הזה מופיע בטעות על מסך פתוח, אל תדביקו אותו לצ'אט. זה נכון במיוחד למשתמשים חדשים, שלפעמים נסחפים עם הנוחות ושוכחים כמה מהר עוברים משאלה תמימה למסמך אישי.

הגדרות הפרטיות של Grok

כדאי גם להכיר את הגדרות הפרטיות בחשבון שלכם. במסך ההגדרות (Settings), תחת Data Controls, תמצאו אפשרויות כמו:

• שימוש בנתונים שלכם לשיפור המודל (מוקף באדום). כבוי זה אומר שאתם לא מאפשרים את השימוש.

• התאמה אישית לזיכרון והיסטוריית שיחות.

• שיתוף קישורי צ'אט.

• הצגת תוכן רגיש.

כל אחת מהאפשרויות האלה ניתנת להפעלה או כיבוי, והן משפיעות על האופן שבו Grok משתמש במידע שלכם. המדיניות עשויה להשתנות, ולכן תמיד עדיף לבדוק את ההגדרות בזמן אמת במקום להסתמך על הנחות או על מידע ישן.

מתי לא כדאי לסמוך רק על Grok 

יש משימות שבהן Grok מצוין: ניסוח, סיכום, מיפוי טענות, הסבר ראשוני וניתוח שיח. אבל יש תחומים שבהם הוא לא יכול להחליף מומחה, מקור רשמי או בדיקה עצמאית. זה נכון במיוחד בהחלטות רפואיות, משפטיות, פיננסיות, או בכל מצב שבו טעות קטנה עלולה להיות משמעותית.

העיקרון פשוט, Grok טוב מאוד בלהסביר, למקד ולתת כיוון. הוא פחות מתאים להיות הגורם היחיד שעל בסיסו מקבלים החלטה חשובה. גם כשהוא נשען על שיח עדכני מ‑X, הוא פועל בתוך סביבה מהירה ורועשת, שבה אמינות המידע משתנה מרגע לרגע.

אותו דבר נכון גם לגבי חדשות מתפרצות. בדקות או בשעות הראשונות של אירוע, הרשת מלאה בפרשנויות, תיקונים וחצאי דיווחים. Grok יכול לעזור להבין את התמונה, אבל לא כדאי להסתמך עליו כדי לנעול מסקנה סופית.

צידה לדרך

הגענו לסוף המדריך. עכשיו, כשאתם מבינים איך המנוע של Grok עובד, איך לעקוף את המגבלות שלו ואיך להוציא ממנו תשובות חכמות ורלוונטיות, כל מה שנשאר הוא פשוט להתחיל לשחק איתו.

כדי לעשות לכם חיים קלים, הנה Cheat Sheet שכדאי לשמור בהישג יד בכל פעם שאתם פותחים את הממשק וצריכים מבנה לפרומפט מוצלח:

1. התפקיד: "אתה מומחה ל..." / "אתה עורך שנון של..."

2. המשימה: "סכם לי את..." / "תסביר לי למה..." / "כתוב לי..."

3. ההקשר (קריטי ב-Grok): "בהתבסס על מה שקורה עכשיו ב-X..."

4. המבנה: "ב-3 נקודות קצרות" / "בפסקה אחת" / "בטבלה מסודרת".

5. הטון: "בטון מצחיק וציני" (Fun) או "בטון עובדתי וישיר" (Regular).

מילות סיכום

Grok הוא כלי מצוין להתחיל ממנו, אבל לא תמיד הכלי שמסיימים איתו. אם משתמשים בו כעוזר חכם - הוא מהיר, מועיל, יצירתי ולעיתים ממש מבריק. אם מצפים ממנו להיות מקור סופי, חסין טעויות וחף מהטיות של שיח רשת, מתאכזבים מהר יותר. השילוב הנכון הוא ליהנות מהמהירות והיצירתיות, אבל להשאיר את שיקול הדעת אצל המשתמש.

Grok הוא לא עוד צ'אטבוט גנרי שמנסה לרצות את כולם. הוא נבנה להיות מהיר, מחובר לקרקע המציאות של הרשתות החברתיות, ולפעמים גם קצת חצוף. כמשתמשים חינמיים, אולי תצטרכו להתמודד עם מגבלות הודעות, אבל ברגע שתתרגלו לשאול את השאלות הנכונות, תגלו שיש לכם בידיים את אחד הכלים החזקים ביותר להבנת האינטרנט של שנת 2026.

צאו לדרך, תשאלו שאלות קשות, ואל תשכחו לבקש ממנו איזה "רוסט" טוב על עצמכם מדי פעם. 

הפוסט המדריך השלם ל-Grok החינמי: חלק ב' הופיע ראשון בLet's AI בינה מלאכותית

הגישה של xAI: חופש ביטוי, הומור וחיבור לזמן אמת

החזון מאחורי המערכת מתבסס על עיקרון מרכזי אחד: מקסימום חופש ביטוי ומינימום צנזורה או פוליטיקלי קורקט. Grok לא מפחד לענות על שאלות "עוקצניות" שצ'אטבוטים אחרים יסרבו לענות עליהן מטעמי בטיחות. בנוסף, הוא מצויד בחוש הומור מובנה ונטייה לסרקסטיות, מה שהופך את האינטראקציה איתו לקרובה יותר לשיחה עם משתמש רשת טיפוסי - ציני, מהיר ותמיד מעודכן.

למי המדריך מיועד ומה תדעו לעשות בסופו

המדריך הזה מיועד למשתמשים פרטיים שרוצים להכיר את Grok ולנצל את היכולות שלו בלי להתחייב למנוי בתשלום. בסוף הקריאה תדעו איך לגשת למערכת, איך לעבוד בצורה חכמה יותר בתוך מגבלות הגרסה החינמית, איך לנתח טרנדים ושיח בזמן אמת, ואיך להשתמש בסגנון ההומוריסטי והישיר שמאפיין את Grok כדי ליצור תוכן רלוונטי, ברור ומשעשע.

צעדים ראשונים (בלי להוציא שקל)

איך ניגשים ל-Grok?

נכון לחודש אפריל 2026, יש שלוש דרכים עיקריות להשתמש ב‑Grok:

1. דרך פלטפורמת X Grok משולב ישירות באתר ובאפליקציה של X, כך שאפשר לשאול שאלות מתוך הפיד עצמו בלי לעבור לממשק אחר.

2. האתר הייעודי Grok.com ממשק נקי ושקט שמוקדש לשיחה עם המודל בלבד, ללא הסחות דעת מהרשת החברתית.

3. אפליקציות מובייל אפליקציות ל‑iOS ולאנדרואיד שמאפשרות גישה מהירה מהטלפון, כולל תמיכה בפקודות קוליות ושימוש במצלמה לזיהוי וניתוח אובייקטים.

הגרסה החינמית מול מנוי Premium: מה מקבלים ומהן המגבלות?

Grok פועלת במודל של התנסות חינמית שמאפשרת להכיר את הכלי, אך היא כוללת מגבלות שימוש שנועדו למנוע עומס על השרתים. הגרסה החינמית מספקת גישה בסיסית בלבד: מספר הודעות מוגבל בכל פרק זמן, חלק מהפיצ'רים זמינים באופן חלקי, ויכולת יצירת התמונות מצומצמת. היא מתאימה להתנסות ראשונית ולהבנה כללית של המערכת. 

מנויי X Premium נהנים מגישה רחבה יותר: יותר הודעות, זמינות גבוהה יותר של יצירת תמונות, ושימוש נוח יותר בפיצ'רים מתקדמים. כל זה מוצע בתמורה לתשלום חודשי. יש גם את גרוק למשתמש העסקי ולארגונים עליו תוכלו לקרוא כאן.

טיפ חשוב למשתמשים חינמיים: מגבלת ההודעות אינה פוגעת באיכות התשובות אלא רק בכמות הפניות. לכן כדאי לרכז כמה שיותר בקשות בפרומפט אחד מפורט, במקום לנהל שיחה מתמשכת, ארוכה ומפוצלת. כך תוכלו לשמור את המכסה למשימות החשובות באמת.

אפשרויות המנוי של גרוק למי שרוצה מינימום מגבלות

הפיצ'רים שכל משתמש חייב להכיר

היתרון הגדול: חיפוש וניתוח מידע בזמן אמת מתוך X

הכוח המרכזי של Grok הוא היכולת שלו להסתמך על מידע שנוצר באותו רגע ברשת X. זה מאפשר לשאול שאלות כמו "למה כולם מדברים על הפוליטיקאי הזה עכשיו" או "מה הטענות המרכזיות בוויכוח שרץ כרגע בפיד" ולקבל תשובה שמחברת בין הפוסטים, התגובות וההקשר הרחב. Grok יודע להפוך את הרעש של הרשת החברתית לתקציר חד וברור.

ככה נראה ממשק המשתמש של הצ׳אטבוט גרוק:

שיחה קולית, המרת דיבור לטקסט ותפריט מצבי שיחה

מצבי פעולה: איך Grok חושב בגרסה 4.20

בגרסאות מוקדמות של Grok היו מצבי שיחה כמו Regular ו‑Fun Mode, שאפשרו לבחור בין טון רציני לטון משוחרר וציני. המצבים האלה כבר לא קיימים בגרסה 4.20.

מצבי פעולה ואפשרויות נוספות למשתמש

במקומם, Grok מציע מצבי פעולה שמשפיעים על עומק ומהירות התשובה:

• Auto - המערכת בוחרת לבד בין מהירות לעומק.

• Fast - תשובות קצרות ומהירות.

• Expert - תשובות מעמיקות וארוכות יותר.

• Heavy / SuperGrok - משתמשים בתשלום חודשי ומשתמשים כבדים (power users) וגם אופציות לארגונים.

למרות שהאפשרות לבחור Fun Mode נעלמה, ה‑DNA של Grok נשאר זהה. הוא עדיין ישיר, שנון וקצת ציני, ומרגיש הרבה פחות רשמי מכלים אחרים. Grok שומר על טון חד ואנושי, פשוט בלי כפתור שמדליק או מכבה אותו.

בחלק הימני העליון בתמונה המצורפת מעלה תוכלו לגלות עוד אפשרויות בממשק המשתמש הראשי. אפשר ללחוץ על כפתור Imagine שמעביר למסך יצירת תמונות ו-וידאו ואפילו לעבור למצב ״אינקוגניטו״ - שיחה זמנית שבה Grok לא שומר את ההודעות שלכם ולא משתמש בהן כדי לבנות הקשר לשיחות עתידיות. ברגע שסוגרים את החלון, השיחה נעלמת מההיסטוריה ולא מופיעה ברשימת הצ׳אטים. זה שימושי במיוחד כשעובדים על נושא רגיש, כשלא רוצים שהשיחה תתערבב עם פרויקט קיים, או כשפשוט רוצים להתנסות בלי "ללכלך" את ההיסטוריה.

יצירת תמונות, וידאו ותוכן מולטימדיה

Grok אינו מוגבל לטקסט בלבד. דרך כפתור Imagine ניתן ליצור תמונות, ובחלק מהגרסאות גם וידאו קצר באיכות בסיסית. כדי לקבל תוצאה טובה, כדאי לתאר במדויק את הסצנה, התאורה, הסגנון והאווירה. משתמשים חינמיים עשויים להיתקל בהודעות שגיאה בשעות עומס, ולכן מומלץ לשמור בקשות ויזואליות לרגעים שבהם באמת צריך אותן.

סרגל האפשרויות ליצירת וידאו ותמונות

דיבור עם Grok וניתוח תמונות מהמצלמה

באפליקציות המובייל של Grok ניתן להשתמש במצלמה ובמיקרופון. אפשר לצלם מסמך בשפה זרה ולקבל תרגום, לצלם גרף ולקבל הסבר פשוט, או לנהל שיחה קולית בזמן הליכה או נהיגה. זו דרך נוחה להפוך את Grok לעוזר אישי שמלווה אתכם ביומיום.

סרגל הצד הקבוע בממשק הווב

עבודה עם פרויקטים ב‑Grok

בנוסף לשיחה רגילה, Grok מאפשר לפתוח פרויקט ייעודי שבו מגדירים מראש את שם הפרויקט שלכם (1) ההנחיות, הטון והסגנון שהמודל צריך לאמץ (2). בתוך פרויקט אפשר גם להעלות קבצים, מסמכים או חומרים רלוונטיים (3), וכך ליצור סביבת עבודה קבועה שבה Grok מבין את ההקשר בלי להזכיר לו אותו בכל פעם מחדש. עבור משימות ארוכות, כתיבה מתמשכת או ניתוח של כמה מקורות מידע, פרויקט מעניק יציבות, עקביות ותוצאות מדויקות יותר.

עבודה עם פרויקטים ב‑Grok

עבודה יומיומית - איך להוציא מ-Grok את המקסימום

איך לנסח פרומפטים מנצחים 

האופן שבו אתם מנסחים את הבקשה משפיע ישירות על איכות התשובה. במקום לכתוב שאלה קצרה וכללית כמו "תסכם לי את הכתבה", כדאי לבנות את הפרומפט כמו מתכון ברור:

• הגדירו תפקיד: "אתה עורך טכנולוגי בכיר"

• הגדירו משימה: "סכם את הכתבה הבאה"

• הגדירו פורמט: "בשלוש נקודות קצרות ופסקה מסכמת"

ניסוח כזה מצמצם צורך בהבהרות ושומר על מכסת ההודעות שלכם בגרסה החינמית.

"תסביר לי את הטרנד" - הפיצ'ר ששווה הכל

במקום לנסות להבין לבד למה סרטון, ציוץ או התבטאות מסוימת משתלטים על הפיד, אפשר לבקש מ‑Grok לעשות סדר. הנוסחה הבאה עובדת מצוין:

"תסביר לי למה למה כולם מדברים עכשיו על [נושא] ב‑X. מי התחיל את זה, מה הטענות המרכזיות של שני הצדדים, והאם יש כאן עובדות מאומתות או רק שמועות."

התשובה שתקבלו תסכם את השיח ותציג את ההקשר הרחב תוך שניות.

ניתוח וסיכום של שרשורים ארוכים 

רשת X מלאה בשרשורים מעניינים. חלקם ארוכים ומתישים. גם אם אין לכם חשבון X, תוכלו להדביק בצ׳אט קישור ציבורי לשרשור ולבקש מ‑Grok להציג את עיקרי הדברים בצורה מסודרת וברורה. מי שכן מחזיק חשבון X יכול גם לתייג את Grok ישירות בפוסט. בשני המקרים Grok ינתח את השרשור, יזהה את הטענות המרכזיות ויחסוך לכם זמן קריאה.

אמנות החיסכון - איך לא להיתקע עם "הגעת למגבלת השימוש"

בגרסה החינמית יש מגבלה של כ‑10 עד 20 הודעות בכל פרק זמן, ולכן חשוב להשתמש בהן בחוכמה. שלושת הכללים הבאים יעזרו לכם להפיק את המקסימום:

• הימנעו מנימוסים ואל תגידו תודה. כל הודעה נספרת. גם "תודה" קצרה מבזבזת שאילתה.

• הכל בהודעה אחת. תכננו מראש ורכזו כמה שיותר בקשות בפרומפט אחד מפורט.

• שמרו את Grok למשימות הגדולות. אל תבזבזו הודעות על שאלות פשוטות כמו מזג אוויר או חישובים בסיסיים. השתמשו בו כשצריך ניתוח, סיכום או יצירת תוכן.

מה למדנו עד עכשיו?

בחלק א' של המדריך הכרנו את Grok מקרוב. איך נראה הממשק משתמש, מה הופך אותו לשונה מכלי בינה מלאכותית אחרים, איך ניגשים אליו בחינם, מהן מגבלות השימוש, ואילו פיצ'רים מרכזיים מאפשרים להבין את השיח ברשת X בזמן אמת. למדנו איך לנסח פרומפטים בסיסיים ויעילים, איך לחסוך בהודעות בגרסה החינמית, ואיך להשתמש ביכולות כמו ניתוח טרנדים, סיכום שרשורים ויצירת תוכן בצורה חכמה.

המטרה של חלק א' הייתה לבנות בסיס יציב: להבין איך Grok נראה וחושב, איך הוא מגיב, ואיך להפיק ממנו ערך כבר מהשימוש הראשון.

מחר, בחלק ב', נעמיק עוד יותר. נעסוק בטכניקות מתקדמות לכתיבה ועריכה, נלמד איך להשתמש ב‑Grok ללמידה, סיכומים והכנה למבחנים, נחקור את היכולות שלו בתחום ההומור והיצירה, ונציג תבניות עבודה שיעזרו לכם לבנות פרומפטים מדויקים לכל משימה.

הפוסט המדריך השלם ל-Grok החינמי: חלק א' הופיע ראשון בLet's AI בינה מלאכותית