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

לפרטים נוספים לחצו כאן >>

את המונח וייב קודינג (Vibe Coding) טבע בתחילת 2025 החוקר אנדריי קרפתי (Andrej Karpathy), והוא תיאר שינוי תפיסתי: במקום לכתוב כל שורת קוד, אתם מתארים למודל מה אתם רוצים והוא מייצר את הקוד. תוך פחות משנה המונח חדר לשפה המקצועית, ומילון קולינס אף הכתיר אותו כמילת השנה של 2025. הרעיון פשוט ומפתה, אבל הוא נבנה סביב הנחה אחת, שאדם אחד שולט בהקשר המלא. ברגע שמכניסים צוות לתמונה, ההנחה הזו קורסת.

הבעיה איננה תיאורטית. ניתוח של 470 בקשות מיזוג בגיטהאב שפורסם בסוף 2025 מצא שקוד שייצרה בינה מלאכותית נוטה לכלול תקלות משמעותיות, כמו שגיאות לוגיקה, בשיעור גבוה פי 1.7, ופרצות אבטחה בשיעור גבוה פי 2.74, בהשוואה לקוד שכתבו בני אדם. כשמפתח בודד מייצר קוד כזה, הוא לפחות מכיר אותו. כשצוות מייצר אותו בקצב מהיר ובמקביל, אף אחד לא באמת יודע מה נכנס לפרויקט.

הקוד שאף אחד לא קרא הוא הסיכון האמיתי

העיקרון הראשון והבלתי מתפשר הוא ביקורת אנושית על כל קוד שנכנס לייצור. ההנחיה של גיטהאב בנושא ניסחה זאת בצורה מעשית: בדקו את כוונת הקוד, הריצו בדיקות, בדקו את הספריות החיצוניות שנוספו, והשתמשו בביקורת שיתופית לפני מיזוג של קוד שנוצר בידי בינה מלאכותית. דוח DORA של גוגל לשנת 2025 הגיע למסקנה דומה מכיוון אחר, וטען שהבינה המלאכותית מועילה בעיקר כשהיא יושבת בתוך מערכת בריאה של תהליכי עבודה, ביקורת ופרקטיקות הנדסיות.

הדרך הנכונה לחשוב על זה, היא להתייחס לכל קוד שהמודל ייצר כאל בקשת מיזוג שמישהו חייב לסקור ולאשר בקפדנות. בצוותים בוגרים זה מתורגם לפרקטיקות מוחשיות - ביקורת בזוגות, שבה שני מפתחים סוקרים יחד קוד שנוצר בבינה מלאכותית, וטקסי אימות מתוזמנים שבהם הצוות עובר על רכיבים קריטיים. הלחץ לייצר מהר הוא בדיוק מה שגורם לצוותים לדלג על האימות, ולכן הפתרון הוא להטמיע את דרישות הביקורת בתוך צינור ה-CI/CD כך שהן הופכות לבלתי נמנעות ולא לבחירה.

Git הוא רשת הביטחון, לא פורמליות

כשחלק משמעותי מהקוד נוצר במהירות בידי מודל, ההיסטוריה של הפרויקט הופכת לנכס קריטי. הבעיה המוכרת לכל מי שעבד עם כלים כמו קרסר (Cursor) או קלוד קוד (Claude Code) היא הרגע שבו אתם מבקשים תוספת קטנה ומקבלים 200 שורות קוד, בלי לדעת בוודאות מה בדיוק השתנה במקומות אחרים בפרויקט.

כאן בקרת הגרסאות מפסיקה להיות פורמליות ביורוקרטית והופכת לרשת ביטחון ממשית. העקרונות פשוטים אבל קריטיים בעבודת צוות:

1) קומיטים קטנים ותכופים: כל קומיט הוא תמונת מצב שאפשר לחזור אליה. כשהקוד שנוצר אוטומטית שובר משהו, ההפרש בין הגרסאות מראה בדיוק מה המודל הוסיף, הסיר או שינה.

2) דחיפה יומית לשרת המרוחק: אסור לתת ליום לעבור בלי דחיפה לגיטהאב. בעבודת צוות זה גם מגן מפני אובדן עבודה וגם מאפשר לשאר חברי הצוות לראות מה קורה בזמן אמת.

3) סקירת הפרשים לפני מיזוג: לפני שמשהו נכנס לענף הראשי, מישהו עובר על השינויים שורה אחר שורה. זה נשמע כמו טרחה, אבל זה מה שמציל פרויקטים כשקוד שנוצר אוטומטית שובר משהו במקום לא צפוי.

בעבודת צוות, ההיסטוריה הנקייה הזו היא ההבדל בין יכולת לחזור אחורה בביטחון לבין משחק ניחושים על מה השתנה ומתי.

ההקשר נעלם במעבר מאדם בודד לצוות

הסיבה העמוקה לכך שווייב קודינג קשה יותר בצוות נעוצה באובדן ההקשר. כשאדם אחד עובד מול מודל, הוא נושא את כל הכוונה, ההחלטות וההיגיון בראשו. בצוות, ההקשר הזה מפוזר בין אנשים, וחלק גדול ממנו פשוט נעלם ברגע שמישהו סוגר את המחשב.

תיעוד החלטות ולא רק קוד

הפתרון המעשי הוא לתעד לא רק מה כתבתם אלא למה. כשאתם שומרים רישום ברור של הקוד שהבינה המלאכותית ייצרה, של ההנחיות ששימשו לייצורו ושל השינויים הידניים שעשיתם, אתם מקלים על ניפוי באגים, על עמידה בדרישות רגולציה ועל העברת ידע למצטרפים חדשים. צוותים רבים מאמצים לשם כך קובץ ייעודי בתוך הפרויקט, כמו קובץ AGENTS.md, שמרכז את ההקשר עבור כל מי שעובד על הקוד, בין שהוא אדם ובין שהוא מודל.

ספריית הנחיות משותפת

עיקרון נוסף שמבדיל צוות מסודר מאוסף יחידים הוא ספריית הנחיות משותפת. כשכל מפתח ממציא מחדש את הדרך לבקש מהמודל לבנות רכיב ממשק או לוגיקה עסקית, התוצאה היא חוסר עקביות עמוק בקוד. ספרייה מרכזית של הנחיות מוכחות לתחומים החוזרים בפרויקט יוצרת שפה משותפת, ומבטיחה שהקוד שנוצר יהיה דומה באופיו בלי קשר למי הריץ את הבקשה.

עקרונות פרקטיים לעבודת צוות

 

לדעת מתי לעצור את הווייב

אולי העיקרון החשוב מכולם הוא להכיר בכך שווייב קודינג מצוין למקומות מסוימים ומסוכן באחרים. הוא מבריק להעלאת אב טיפוס במהירות, לכלים פנימיים ולמוצר ראשוני מינימלי. אבל כשמדובר במערכות ייצור מורכבות, עם לוגיקה עסקית רגישה ונתוני משתמשים, המשמעת ההנדסית המסורתית עדיין שולטת.

 

המודל המאוזן שצוותים מצליחים מאמצים הוא חלוקת עבודה ברורה: לתת לבינה המלאכותית לטפל בטיוטות, בפיגומים, בבדיקות ובקוד החיבור החוזר, ולתת למהנדסים לשלוט בארכיטקטורה, באבטחה, במקרי הקצה ובהחלטות השחרור. סקר Stack Overflow לשנת 2025 הראה אימוץ נרחב של כלי בינה מלאכותית לצד אמון נמוך בפלט, ומכאן שהביקורת והשיפוט ההנדסי עדיין קובעים. הבינה המלאכותית מאיצה את העבודה, אבל היא לא מבטלת את הצורך במהנדסים שמבינים מה הם משחררים.

 

בסופו של דבר, וייב קודינג בצוות הוא פחות שאלה של כלים ויותר שאלה של תרבות. הצוותים שמרוויחים ממנו הם אלה שמתייחסים אליו כמו לחבר צוות זוטר ומוכשר אבל חסר אחריות: מהיר, יצירתי, מועיל, אך כזה שלעולם לא תיתנו לו לשחרר קוד בלי שמישהו מבוגר יותר עבר עליו. השאלה שכל צוות צריך לשאול את עצמו היא לא כמה מהר אנחנו מייצרים קוד, אלא כמה מהקוד הזה מישהו מאיתנו באמת מבין.

הפוסט וייב קודינג בצוות: העקרונות שמפרידים בין מהירות לכאוס הופיע ראשון בLet's AI בינה מלאכותית

מה זה בכלל קובץ md?

הקיצור md מייצג Markdown - פורמט טקסט פשוט שהומצא ב-2004 על ידי ג'ון גרובר (John Gruber), בלוגר ומפתח, כדי לאפשר כתיבה מעוצבת בלי כל המורכבות של HTML. במקום לכתוב תגיות פתיחה וסגירה, סולמית רגילה לפני שורה הופכת אותה לכותרת, כוכביות הופכות מילים לבולד, ומקפים יוצרים רשימה. הקובץ עצמו הוא טקסט רגיל לחלוטין - אפשר לפתוח אותו בכל עורך, לקרוא אותו ללא תרגום, ולערוך אותו במגע אנושי.

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

לפרטים נוספים לחצו כאן >>

בעולם המפתחים Markdown הפך לשפת התיעוד הסטנדרטית. קובצי README שמסבירים פרויקטים בגיטהאב (GitHub), מדריכי שימוש, הערות פנימיות, וגם חלק מהמסמכים שבינה מלאכותית מקבלת לפני שהיא מתחילה לעבוד - כולם כתובים ב-md. הסיבה פשוטה: המודלים הגדולים מבינים את הפורמט הזה טוב יותר מכל אחר. הוא נקי, מובנה, וקל לפענוח גם לאדם וגם למכונה.

קובץ MD

הבעיה שצמחה יחד עם ה-Vibe Coding

כשקרפתי הגדיר את ה-Vibe Coding, הוא דיבר על חוויה משחררת: לראות דברים, להגיד דברים, להריץ דברים, להעתיק ולהדביק - וזה פשוט עובד. בפרויקטים קטנים ובניסויים מהירים, התיאור הזה מדויק. הבעיה מתחילה ברגע שהפרויקט גדל מעבר לקובץ בודד או שני מסכים של קוד.

המודלים הגדולים, גם המתקדמים ביותר, לא זוכרים בין שיחה לשיחה. כל סשן חדש מתחיל מאפס. אתם פותחים את הכלי בבוקר, מבקשים להוסיף פיצ'ר, והכלי לא יודע באיזו שפת תכנות הפרויקט שלכם נכתב, איך קוראים לבדיקות, מה הקונבנציות שאתם מקפידים עליהן, או למה החלטתם שלא להשתמש בספרייה מסוימת. כל הדיון הארוך שניהלתם אתמול נמחק.

התוצאה היא תסכול. מפתחים מצאו את עצמם מתקנים את אותן טעויות שוב ושוב, מסבירים שוב ושוב שהפרויקט משתמש ב-pnpm ולא ב-npm, ושפקודת הבדיקות היא לא הסטנדרטית. כל תיקון נעלם בסיום הסשן. הקוד שנכתב נראה מצוין על פני השטח אבל לא מתאים למבנה הקיים.

הציוץ המקורי של קרפתי מפברואר 2025 שבו הוא הציג לראשונה את המושג "vibe coding"

איך קובץ md פותר את הכאוס

הפתרון שצמח מהקהילה הוא קובץ md שיושב בתיקיית השורש של הפרויקט. שמו משתנה לפי הכלי - CLAUDE.md אצל קלוד (Claude), AGENTS.md בפורמט שמנסה להפוך לסטנדרט, copilot-instructions.md אצל GitHub Copilot, וקובצי rules אצל קורסור (Cursor) ו-Windsurf. הרעיון זהה בכולם: הכלי קורא את הקובץ הזה אוטומטית בתחילת כל סשן ומטמיע אותו כהקשר קבוע.

מה כותבים בקובץ כזה? את הדברים שהייתם נאלצים להסביר מחדש כל פעם. סטנדרטים של כתיבת קוד, החלטות אדריכליות, ספריות מועדפות, פקודות בדיקה, מבנה הפרויקט, ולפעמים גם רשימה של דברים שאסור לעשות. מפתח שתיאר את החוויה כתב שאחרי 3 חודשים של תיקונים חוזרים על אותם דברים, הוא יצר קובץ של 40 שורות בלבד - והתיקונים פשוט נפסקו.

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

לפרטים נוספים לחצו כאן >>

זה לא נגמר שם. הופיעו וריאנטים נוספים. DESIGN.md הפך לפתרון לבעיית העיצוב - קובץ שמגדיר את שפת העיצוב של הפרויקט, צבעים, טיפוגרפיה, ועקרונות חזותיים, כך שהממשק שהבינה המלאכותית מייצרת לא יראה כמו לוטו ויזואלי. קובצי תוכנית בפורמט md הפכו לדרך לתכנן משימות מורכבות לפני שמתחילים לקודד, כדי שהבינה המלאכותית תעבוד לפי מפה ולא לפי דחפים.

למה זה עובד כל כך טוב?

הסוד הוא שהפורמט עצמו מתאים בדיוק לאופן שבו מודלי שפה חושבים. רשימות, כותרות היררכיות, ובלוקים של דוגמאות - כל אלו מבנים שהמודל אומן עליהם מיליארדי פעמים. כשנותנים לו מסמך md מובנה, הוא לא רק קורא מילים אלא מבין יחסים: מה כותרת ראשית, מה סעיף משנה, מה דוגמה ומה אזהרה.

בנוסף, הפורמט אגנוסטי לכלי. אותו AGENTS.md יכול לשרת את קלוד היום, את Cursor מחר, וכלים חדשים בעתיד. אין צורך ללמוד פורמט חדש לכל מוצר, ואין נעילה לספק מסוים. זה גם אומר שאפשר לשתף קבצי הקשר בין צוותים ובין פרויקטים.

"For persistent instructions — telling Claude Code about your project's coding conventions, which test framework you use, which files should never be modified automatically — create a CLAUDE.md file at the root of your project."

— Claude Code Best Practices, Anthropic Engineering Team

 

הטעויות שכדאי להימנע מהן

הקובץ הזה הוא לא מקום לדחוס לתוכו את כל התיעוד של הפרויקט. מחקרים שבחנו את האפקטיביות של קבצי הקשר גילו שקובץ ארוך מ-500 שורות מאבד את רוב הערך שלו - המודל פשוט מתעלם מהחלק התחתון. שיפור ממוצע של 4% בהצלחת משימות הושג בקבצים מצומצמים וממוקדים, ואילו קבצים ארוכים ועמומים פעמים רבות הזיקו במקום לעזור.

הכלל הוא לכתוב חוקים ולא תיעוד. במקום להסביר מה הפרויקט עושה, להסביר איך המודל צריך להתנהג. במקום להעתיק את כל ה-API לקובץ, להפנות אליו. במקום שכפול של אותם כללים בקבצי הקשר שונים, להחזיק מקור אמת אחד שכל השאר מצביעים אליו.

מה זה משנה למי שלא מפתח מקצועי?

היופי בקבצי md הוא, שהם לא דורשים רקע של ידע טכני, משמע: מדובר בטקסט שאפשר לפתוח אותם בפנקס הרשימות, לכתוב בעברית או באנגלית, לתאר את עצמכם ואת מה שאתם מצפים לקבל. גם בכלים שאינם כלי קוד טהורים - למשל בקלוד עצמו או במוצרי AI אישיים - קבצי הקשר הם אותו רעיון: מסמך אחד שמסביר מי אתם, מה התפקיד שלכם, ואיך אתם רוצים שהבינה המלאכותית תעבוד אתכם.

ראיון עם קרפתי שנערך לאחרונה בו הוא דיבר על ההתפתחות אחרי Vibe Coding והמעבר ל"Agentic Engineering"

זו אולי הנקודה החשובה ביותר בכל הסיפור הזה. ה-Vibe Coding לא הופך אנשים למפתחים אוטומטית, אך קובץ md פשוט הופך כל מי שיודע לכתוב טקסט לאדם שיודע לנהל בינה מלאכותית. הוא הופך את השיחה החד-פעמית למערכת יחסים. הוא הופך את המקרים המוצלחים האקראיים לתהליך שניתן לחזור עליו.

בסופו של דבר, החזון של "לזרום עם הוויב ולשכוח מהקוד" עובד רק כשמישהו מתעקש לזכור משהו אחר במקום הקוד - את הכוונה, את הסטנדרטים, את האופי של הפרויקט. קובץ ה-md הוא הזיכרון הזה. הוא הקול הקטן והעיקש שמלחש לבינה המלאכותית, בכל שיחה מחדש, מי אתם ומה אתם רוצים באמת.

הפוסט קובץ MD – הסוד הקטן שהופך את ה-Vibe Coding לדבר אמיתי הופיע ראשון בLet's AI בינה מלאכותית

מה השתנה ב-2026

תמיכה טכנית הפסיקה להיות שאלה של "כמה נציגים אנחנו צריכים". היא הפכה לשאלה של איך מחלקים את העבודה בין אלגוריתם לבן אדם, ואיפה עובר הקו ביניהם. השוק של AI בשירות לקוחות הגיע ב-2026 ל-15.12 מיליארד דולר, וכ-91 אחוז ממובילי שירות הלקוחות מדווחים על לחץ ארגוני להטמיע AI עוד השנה. הסיבה פשוטה: עלות פנייה ממוצעת לסוכן AI נעה בין חצי דולר ל-70 סנט, לעומת 6 עד 8 דולר לפנייה לנציג אנושי.

אבל המספרים האלה מסתירים פער חשוב. ניתוב (Deflection), כלומר פנייה שנסגרה מבלי להגיע לנציג אנושי, אינה פותרת את הבעיה. כלי AI שמסתפק בהצעת מאמרים מתוך בסיס הידע משיג בדרך כלל 30 עד 40 אחוז ניתוב. פלטפורמות מתקדמות שמסוגלות להריץ פעולות בפועל, כמו איפוס סיסמה, החזר כספי או עדכון חשבון, מגיעות לאחוזי פתרון של 90 ומעלה. ההבדל הזה אינו טכני בלבד, הוא מגדיר האם הצוות שלכם באמת מצטמצם, או רק עובר לטפל באותו תור עם מילון מונחים אחר.

ארבע שכבות של שילוב, מהקל לקשה

שכבה ראשונה: סוכן L1 שעונה ללקוח

הצורה הנפוצה והוותיקה ביותר. צ'אט-בוט או סוכן AI שיושב בעמוד התמיכה, באפליקציה או בוואטסאפ, ועונה לשאלות שגרתיות מבסיס הידע של הארגון. הטכניקה שמאחורי הסוכנים הטובים נקראת RAG, ראשי תיבות של Retrieval Augmented Generation, כלומר שאיבת מידע מתוך מקור ידע ויצירת תשובה על בסיסו. במקום להסתמך על מה שמודל השפה למד באימון, המערכת מושכת מידע עדכני מתוך מסמכי הארגון, ורק אז מנסחת תשובה.

הבעיה המוכרת היא חוסר עקביות. כלי AI שלומד על בסיס ידע מבולגן או חלקי יחזיר תשובות לא מדויקות, ובהיעדר בקרה ייצור בעיה תדמיתית. דוח של servicedeskagents מאפריל 2026 מציב את הרף המציאותי של ניתוב לפריסת AI בוגרת ומנוהלת היטב בארגון בין 55 ל-65 אחוז, ולא במספרים הגבוהים שמשווקים בקמפיינים. הגורם המרכזי שמשפיע על התוצאה הוא איכות בסיס הידע ומידת העדכון שלו.

שכבה שנייה: עוזר לנציג, לא במקום הנציג

פחות גלוי ללקוח, יותר אפקטיבי בפועל. במקום ש- AI ישוחח עם הלקוח, הוא יושב במסך של הנציג ועוזר לו - מסכם פניות פתוחות, מציע ניסוחי תשובה, מסמן את הפנייה לפי דחיפות ורגש, ושולף במהירות את ההיסטוריה של אותו לקוח. הטכנולוגיה הזו, שנקראת לרוב Copilot או Agent Assist, מסירה את החסם המרכזי שגוזל הכי הרבה זמן - חיפוש המידע הנכון. במקום שהנציג יעבור בין שש מערכות, ה-AI מציג לו את כל ההקשר באופן מיידי.

יתרון נוסף שפחות מדברים עליו הוא בהכשרה. נציג חדש שמקבל הצעות תשובה איכותיות כבר מהיום הראשון מתפקד מהר יותר ועושה פחות טעויות. הזמן שלוקח לנציג חדש להגיע לעבודה עצמאית מתקצר משבועות לימים.

שכבה שלישית: ניתוב, תיוג ותעדוף אוטומטיים

מנגנון פנימי שלא מדבר עם הלקוח ולא עם הנציג, אלא עם מערכת הטיקטים עצמה. המערכת קוראת כל פנייה נכנסת, מבינה במה היא עוסקת, באיזה רגש היא כתובה, ומנתבת אותה לקבוצה הנכונה ברמת הדחיפות הנכונה. ההשפעה אינה דרמטית מצד הלקוח, אבל היא משנה לחלוטין את חוויית הצוות. פניות דחופות מפסיקות לחכות בתור מאחורי שאלות פשוטות, וזמני התגובה (SLA) מתייצבים.

שכבה רביעית: AI שמבצע פעולות, לא רק עונה עליהן

זהו השלב שמשנה את המשוואה הכלכלית. סוכן AI שמחובר ל-CRM, למערכת התשלומים, למאגר המשתמשים ולמערכת ה-IT, מסוגל לסגור פנייה מקצה לקצה. הוא מבצע אימות, מריץ את הפעולה (החזר, איפוס, שדרוג, ביטול הזמנה) ומאשר ללקוח שהכל בוצע. מבחינת הצוות, פניות שגרתיות נעלמות לחלוטין מהתור במקום לקבל תשובה ולחזור. גרטנר (Gartner) חוזה ש-80 אחוז מהאינטראקציות השגרתיות בשירות לקוחות יטופלו במלואן ב-AI במהלך 2026, ושפריסות של AI שיחתי יחסכו 80 מיליארד דולר בעלויות עבודה במוקדי שירות ברחבי העולם.

ארבע שכבות של שילוב סוכן AI

איפה זה נכשל, ולמה?

שלושה דפוסי כישלון חוזרים על עצמם, ושווה להכיר אותם לפני שמכניסים מכרז. הראשון הוא בסיס ידע ישן. כל פלטפורמת AI שתבחרו תתבסס על המסמכים הקיימים אצלכם, ואם הם סותרים את עצמם או לא עודכנו כבר שנתיים, הסוכן יעביר את הסתירות הללו ללקוחות בקצב מהיר ועקבי הרבה יותר ממה שעשיתם בעצמכם. הכישלון השני הוא סוכן שיודע לענות אבל לא יודע לפעול, כי לא חיברו אותו למערכות הליבה. במצב כזה, הלקוח מקבל הסבר מנומס ובסוף מועבר לנציג בדיוק כמו קודם, רק עם תסכול נוסף. הכישלון השלישי הוא מדידה שגויה: מערכות שמדווחות על אחוזי "ניתוב" גבוהים בלי להבחין בין לקוח שקיבל תשובה מספקת לבין לקוח שפשוט ויתר וסגר את החלון.

מנהלי תמיכה שמטמיעים AI בלי לתקן את שלושת המוקדים הללו לרוב מוצאים את עצמם אחרי שנה עם ארבעה כלים שונים, אחד מהם בלבד פעיל באמת, ותחושה שהבטיחו להם משהו אחר. תהליך הטמעה רציני מתחיל דווקא ברפורמה של בסיס הידע, ולא בבחירת הכלי.

איך מתחילים?

הדרך השפויה היא להיכנס לזה בשלבים. בחרו תחילה קטגוריה אחת של פניות שחוזרות על עצמן ושיש להן פתרון ברור: איפוס סיסמה, מעקב משלוח, שאלות חיוב פשוטות. הריצו עליה סוכן AI בפיילוט במשך 3 חודשים, ומדדו 3 דברים: אחוז פתרון אמיתי (ולא רק ניתוב), שביעות רצון הלקוחות שהשתמשו בו, וכמות ההסלמות לנציג אנושי. אם המספרים נראים טוב, הרחיבו לקטגוריה הבאה. אם לא, שפרו את בסיס הידע ונסו שוב.

במקביל, השקיעו ב-Copilot לנציגים גם אם הסוכן ללקוחות עוד לא בשל. זו השכבה עם הסיכון הנמוך ביותר וההחזר המהיר ביותר, כי היא לא משנה את חוויית הלקוח ולא יוצרת תקלות גלויות, רק מקצרת את זמן הטיפול. נציגים שעובדים עם Copilot איכותי לרוב מאמצים אותו תוך שבועות ספורים, וההתנגדות הארגונית קטנה.

הבחירה בין הספקים הגדולים תלויה פחות בטכנולוגיה ויותר במערכות שכבר יש לכם. אם אתם משתמשים בזנדסק (Zendesk), השכבה המקומית שלהם תהיה הזולה והפשוטה ביותר להפעלה. אם אתם בעולם של מיקרוסופט (Microsoft), Copilot Studio מאפשר לבנות סוכני RAG על בסיס SharePoint ו-Dataverse ומגיע עם אלפי מחברים מובנים. עבור צוותי IT פנימיים, פלטפורמות ייעודיות כמו Atera, Freshservice ו-ServiceNow מציעות פתרונות שלמים שמשלבים את כל ארבע השכבות.

השאלה שאף אחד לא רוצה לשאול

הטכנולוגיה הזו כבר עובדת. השאלה שנשאלת היא לא טכנית אלא ניהולית: מה אנחנו עושים עם הנציגים שיתפנו? חלק מהארגונים מתרגמים את החיסכון לקיצוצים, וכמחצית מהחברות שעשו זאת מדווחות שהן צפויות לחזור ולגייס. ארגונים אחרים מנצלים את אותו חיסכון כדי להעלות את רף השירות, להוסיף ערוצים פרואקטיביים, ולהעביר נציגים לתפקידים מורכבים יותר. שתי הגישות לגיטימיות, והבחירה ביניהן תקבע איך הלקוחות שלכם יראו אתכם בעוד שנתיים. ה-AI הוא רק הזרז.

הפוסט מה קורה לצוות התמיכה שלכם כשסוכן ה-AI לוקח 60 אחוז מהפניות? הופיע ראשון בLet's AI בינה מלאכותית

מה בדיוק כולל ההסכם?

ספוטיפיי ו-UMG חתמו על שני הסכמי רישוי במקביל. אחד עבור הקלטות, אחד עבור זכויות הפרסום של היצירות. שניהם יחד מעניקים לספוטיפיי בסיס משפטי לבנות כלי AI ג׳נרטיביים שיאפשרו למשתמשים לייצר כיסויים ורימיקסים של שירים מקטלוג האמנים והכותבים של UMG. הקטלוג הזה מגוון, הוא כולל את טיילור סוויפט (Taylor Swift), אריאנה גרנדה (Ariana Grande), דרייק (Drake) ובילי איילי (Billie Eilish), בין רבים אחרים.

 

 מקור ראשוני: Spotify and Universal Music Group Announce Landmark Licensing Agreements for Fan-Made Covers and Remixes — חדר העיתונות הרשמי של Spotify, 21 במאי 2026

 

הכלי עצמו ישוחרר כתוסף בתשלום מעבר למנוי פרימיום הרגיל של ספוטיפיי. כלומר, אפילו מנויים משלמים יצטרכו לשדרג שוב כדי להשתמש בו. תאריך השקה רשמי וגם המחיר עדיין לא פורסמו. שני הצדדים בחרו להותיר את הנקודה הזו עמומה, אבל הצהירו שהמודל הכלכלי בנוי כך שהאמנים והכותבים שמשתתפים יקבלו תשלום נוסף, מעבר לתמלוגי הסטרימינג הקיימים שלהם.

נקודה קריטית נוספת היא שההשתתפות אופציונלית לחלוטין. אמן או כותב שלא רוצה שהמוזיקה שלו תהפוך לחומר גלם לרימיקס באמצעות בינה מלאכותית, פשוט לא נכנס למאגר. רק קטלוגים של אמנים שהסכימו מראש יהיו זמינים לרימיקסים ולגרסאות חדשות.

למה זה קורה עכשיו?

בשנתיים האחרונות, תעשיית המוזיקה ניסתה להילחם ב-AI הגנרטיבי בעיקר בבתי המשפט. UMG, סוני (Sony) וורנר (Warner) תבעו ב-2024 את סונו (Suno) ו-יודיו (Udio), שני הסטארטאפים הבולטים בתחום, וטענו שהם השתמשו בשירים מוגנים בזכויות יוצרים כדי לאמן את המודלים שלהם. סונו עדיין מתמודדת עם תביעות מצד UMG וסוני. יודיו כבר הגיעה להסדר עם ורנר ועם UMG, ועדיין מנסה לסגור עם סוני.

ברקע הזה, ההסכם של ספוטיפיי מסמן שינוי כיוון מהותי בענף. במקום להמשיך לרדוף אחרי הסטארטאפים, חברות התקליטים הגדולות בוחרות לרכב על הגל ולתפוס שליטה. ההצהרה של ספוטיפיי אשתקד הייתה ברורה - הם ביקשו לבנות כלים מבוססי AI דרך "הסכמים מראש, ולא בקשת סליחה אחר כך". המסר היה ישיר ומכוון אל הסטארטאפים שפעלו ללא רישיון.

מה זה אומר על המשתמש הפרטי?

אם תרצו ליצור רימיקס לשיר "Anti-Hero" של טיילור סוויפט או לבנות גרסת רגאיי לשיר של אריאנה גרנדה, ההסכם הזה הוא מה שיאפשר לכם לעשות זאת באופן חוקי לחלוטין. בלי לחפש אתרים אפורים, בלי לדאוג שהיוצר יקבל מכתב התראה. הכל בתוך אפליקציה אחת שכבר מותקנת לכם בטלפון, עם תשלום ישיר ושקוף.

הצד השני של המטבע הוא שמדובר בשכבת תשלום נוספת. ספוטיפיי כבר התמודדה עם ביקורת על השקת תוכניות פרימיום נוספות שמוסיפות עלות מעל המנוי הבסיסי. תוסיפו לזה את העובדה שאמנים רבים, במיוחד עצמאיים, ימשיכו להתלונן על המודל הכלכלי של פרו-רטה (מודל חלוקת תמלוגים) ועל גובה התמלוגים לסטרים. הטענה האמנותית עדיין פתוחה. השאלה היא האם רימיקס של אלגוריתם פוגע בערכה של היצירה המקורית, או דווקא מעמיק את הקשר בין האמן למעריץ. שני הצדדים יוכלו להציג טיעונים תקפים.

ספוטיפיי משנה הילוך

ההסכם עם UMG הוא חלק ממכלול הכרזות רחב יותר שספוטיפיי הציגה ביום המשקיעים שלה. החברה הציבה יעד שאפתני של מיליארד מנויים והכנסה של 100 מיליארד דולר עד סוף העשור. במקביל הוצגו כלי AI להפקת ספרי שמע, פיצ'רים חדשים ליוצרי פודקאסטים, ואפליקציית דסקטופ שמאפשרת להפיק פודקאסט אישי באמצעות בינה מלאכותית. תגובת השוק לא איחרה. מניית ספוטיפיי קפצה בכ-13% תוך יום אחד.

השידור הרשמי המלא של Investor Day 2026 

אבל החלק המעניין הוא שההסכם עם UMG אינו עומד בפני עצמו. כבר באוקטובר 2025, ספוטיפיי הודיעה על שיתוף פעולה עם כל חברות התקליטים המרכזיות, כולל Sony, Warner,Merlin ו- Believe, לפיתוח מוצרי AI מוזיקליים שמעמידים את האמן במרכז. ההסכם הנוכחי עם UMG הוא הראשון שמתגבש לכדי הסכם רישוי קונקרטי. סביר שיהיה הראשון מתוך כמה, וכל מהלך עתידי של ספוטיפיי עם סוני, ורנר או מרלין יהיה דומה במבנה.

השאלות שעדיין נותרו פתוחות

למרות התדמית של מהלך מסודר, ההסכם מותיר מספר שאלות פתוחות. למשל, איך בדיוק יחולק התשלום בין האמן, הכותב והמפיק שמשתתפים ברימיקס מסוים. האם אמן שכותב את השיר אבל לא מבצע אותו יקבל אותו אחוז כמו אמן שמבצע? איך תפעל מערכת הזיהוי כאשר רימיקס משלב שני שירים משני אמנים שונים? ומה קורה אם משתמש מנסה ליצור גרסה שפוגעת בתדמית של האמן, גרסה פרודית או כזו שמשבצת את האמן בהקשר שלא הסכים לו במקור?

בנוסף, עדיין לא הוכרזו שמות. ספוטיפיי לא חשפה אילו אמנים של UMG כבר הסכימו להשתתף. ההכרזה הציבה את המסגרת המשפטית, אבל לא את הקטלוג בפועל. ייתכן שיעבור זמן עד שנראה את האמנים הגדולים מצטרפים בפועל, ועד אז הכלי יישאר תיאורטי במידה רבה.

ומעל הכל, יש את שאלת התקדים. אם ההסכם הזה יצליח כלכלית, הוא יהפוך למודל שכל פלטפורמת סטרימינג תרצה לחקות. אם הוא ייכשל או יתקל בהתנגדות מצד אמנים, יקרה ההפך. ענף שלם של כלי AI יצירתיים יבחן את הצעדים הבאים שלו לפי מה שיתרחש כאן בחודשים הקרובים. אלה הצעדים הראשונים של עידן חדש בתעשיית המוזיקה, וכרגיל, מי שיכתיב את החוקים הוא מי שיגיע ראשון לשולחן עם הסכם חתום.

הפוסט מעכשיו אתם יכולים לעבד שירים של טיילור סוויפט בתוך ספוטיפיי הופיע ראשון בLet's AI בינה מלאכותית

מה היה אמור לקרות

הצו הנשיאותי שדונלד טראמפ (Donald Trump) היה אמור לחתום עליו, אמור היה להסדיר תחום שעד היום נשאר ברובו פרוץ: בדיקה ממשלתית של מודלי AI לפני שהם משוחררים לציבור. לפי הטיוטה שעליה דווח, משרד מנהל הסייבר הלאומי (Office of the National Cyber Director) ומחלקת האוצר האמריקאית, יחד עם סוכנויות נוספות, היו מקבלים את האחריות להקים "clearinghouse" וולונטרי לאיתור ותיקון פרצות אבטחה במודלים שטרם שוחררו.

נקודת החיכוך המרכזית, לפי דיווחי CNN ו-TechCrunch, היא דרישה שחברות AI ימסרו את המודלים החדשים שלהן לבדיקה ממשלתית של עד 90 יום לפני ההשקה. עבור חברות כמו OpenAI או אנטרופיק (Anthropic) שמשחררות מודלים בקצב מהיר, פרק זמן כזה הוא כמעט נצח.

הרקע לצו ברור - בחודשים האחרונים יצאו לאוויר מודלים שמסוגלים לאתר ולנצל פרצות אבטחה בעצמם. מיתוס (Mythos) של אנטרופיק ו-GPT-5.5 Cyber של OpenAI, היו שני המקרים שהדליקו את הנורה בוושינגטון. מכון הבטיחות הבריטי ל-AI דיווח שמיתוס הצליח להשלים תרגיל תקיפה של רשת ארגונית מלאה, משימה שאורכת לאדם כ-20 שעות. אנטרופיק עצמה לא שחררה את מיתוס לציבור הרחב, אלא רק לקונסורציום סגור של חברות באמצעות פרויקט בשם Project Glasswing.

 

"We formed Project Glasswing because of capabilities we've observed in a new frontier model trained by Anthropic that we believe could reshape cybersecurity. Claude Mythos Preview is a general-purpose, unreleased frontier model that reveals a stark fact: AI models have reached a level of coding capability where they can surpass all but the most skilled humans at finding and exploiting software vulnerabilities."

 

— Project Glasswing: Securing critical software for the AI era, הבלוג הרשמי של Anthropic

 

למה זה נדחה?

טראמפ מסר לעיתונאים במשרד הסגלגל שיש לו בעיה עם הניסוח. "לא אהבתי היבטים מסוימים בו, דחיתי את זה", אמר. "אנחנו מקדימים את סין ואת כל היתר, ואני לא רוצה לעשות שום דבר שיפריע להובלה הזאת". בהמשך הסביר שלשון הצו "עלולה הייתה להיות חסם".

טראמפ מסביר את הדחייה במשרד הסגלגל

 אבל מתחת לפני השטח דלפה גרסה אחרת - לפי דיווחים של Axios ושל אלכס היית' מ-The Verge, חלק מהסיבה לדחייה היא שלא הצליחו לאסוף מספיק מנכ"לי טכנולוגיה לוושינגטון בהתראה קצרה. צו נשיאותי בלי טקס חתימה עמוס בדמויות מההיי-טק זה לא בדיוק מה שהבית הלבן רצה. ראוי לציין שזו לא הפעם הראשונה שהחתימה נדחית, לפי דיווחי CNN.

שילוב הסיבות מספר משהו על האופן שבו טראמפ מתייחס לרגולציה של AI - מצד אחד יש לחץ אמיתי מגורמי אבטחה לפעול, מצד שני יש רצון להציג קואליציה גלויה עם התעשייה ולא לעמוד מולה. הצו שהיה אמור להיחתם נופל בדיוק בנקודת המתח הזאת.

מה זה אומר על היחסים בין וושינגטון לעמק הסיליקון?

הנקודה המעניינת היא לא הדחייה עצמה אלא מה שהיא חושפת. דרישה לחשיפת מודלים עד 90 יום מראש משמעותה גישה ממשלתית כמעט מלאה לעבודה הפנימית של החברות הגדולות בתחום. עבור OpenAI, אנטרופיק, ושאר השחקנים, זה מהלך שיכול לשנות לחלוטין את לוחות הזמנים של ההשקות שלהן. המתח בין הבית הלבן לאנטרופיק כבר ידוע ומסעיר את היחסים בחודשים האחרונים.

הוויכוח הזה לא חדש. בינואר 2025, ימים אחרי שנכנס לתפקיד, ביטל טראמפ את הצו של ביידן משנת 2023, שדרש מחברות AI להעביר תוצאות בדיקות בטיחות לממשלה לפני שחרור מודלים מתקדמים. הטענה שחזרה ועלתה אז הייתה אחת: רגולציה מוקדמת מדי תחנוק חדשנות ותעניק יתרון לסין. אותו טיעון בדיוק חוזר עכשיו, הפעם כשהבית הלבן עצמו מנסה לחזור אחורה ולהקים מנגנון בדיקה כלשהו.

יש כאן פרדוקס שכדאי להרהר בו,  הצו נולד בדיוק בגלל יכולות שהתעשייה עצמה פיתחה ושחררה - מודלים שמוצאים פרצות אבטחה. כלומר, אותה דינמיקה שמייצרת את הצורך ברגולציה היא גם זו שמשמשת כטענה נגדה. ככל שהמודלים נעשים יותר חזקים, יותר קשה לרגולטור להדביק. וככל שיותר קשה להדביק, חזקה יותר הטענה ש"לא נכון להאט עכשיו".

מה הלאה?

הצו לא בוטל - הוא נדחה. הניסוח יעבור עיבוד נוסף, ויש סיכוי טוב שהדרישה הספציפית לחשיפה של עד 90 יום תרוכך או תיעלם. השאלה היא האם הגרסה החדשה תכלול מנגנון בדיקה אמיתי, או שתסתפק בהסדרים וולונטריים שממילא קיימים בפועל - כפי שאנטרופיק עושה דרך Project Glasswing ו-OpenAI דרך תוכנית בשם Trusted Access for Cyber.

"Trusted Access for Cyber is designed around a simple premise: advanced cyber capabilities should reach defenders broadly, but access should scale with trust, validation, and safeguards."

— Trusted access for the next era of cyber defense, הבלוג הרשמי של OpenAI

 

כשהבית הלבן בוחר לדחות חתימה כדי לוודא שיש "טקס נכון" ושאף אחד מהתעשייה לא יתעצבן, זה אומר משהו על מאזן הכוחות. הצד שמייצר את הטכנולוגיה הוא גם הצד שמנהל את הקצב שבו מסדירים אותה. הציבור, שאמור להיות הצד המוגן בסיפור הזה, הוא הצד שלא בחדר.

הפוסט טראמפ דחה את הצו הנשיאותי לבדיקת מודלי AI – הסיבה הרשמית והלא רשמית הופיע ראשון בLet's AI בינה מלאכותית

איך מתקינים?

ההתקנה פשוטה ואורכת פחות מדקה. נכנסים לעמוד התוסף באתר של קלוד (קישור), לוחצים על כפתור Add to Chrome ומאשרים את ההתקנה בחנות התוספים של גוגל. התוסף זמין בבטא לכל מי שמנוי על תוכנית בתשלום של קלוד - Pro, Max, Team או Enterprise.

נכנסים לקישור ומוסיפים קלוד לכרום

אחרי ההתקנה, התוסף מופיע כחלונית צדדית בתוך כרום. זו נקודה שכדאי להתעכב עליה - אתם לא נודדים לדפדפן אחר, לא מתרגלים לסביבה חדשה, לא מאבדים את הסימניות, הסיסמאות וההרחבות שלכם. אתם פשוט מקבלים שכבת עזר נוספת בדפדפן שאתם משתמשים בו ממילא.

סרטון המחשה איך התוסף מופיע בדפדפן וכיצד מבצעים איתו פעולות

מה אפשר לעשות איתו?

הרעיון המרכזי הוא שקלוד פועל כאייג'נט - הוא לא רק עונה על שאלות אלא גם מבצע פעולות. בחלונית הצדדית אתם מנסחים בקשה בשפה טבעית, והתוסף ניגש לכרטיסיות שלכם, קורא תוכן, לוחץ על כפתורים, ממלא שדות ומריץ תהליכים מרובי שלבים. כל זה בזמן שאתם עוסקים במשימה אחרת.

אנטרופיק מפרסמת רשימה ארוכה של תרחישי שימוש, וכמה מהם ממחישים היטב את הפוטנציאל, לדוגמה:

1) איסוף נתונים מדשבורדים: התוסף נכנס למערכת אנליטיקס, מחלץ את המספרים שביקשתם ומכין סיכום, בלי שתצטרכו לייצא קבצים או לעבור בין כרטיסיות.

2) סידור קבצים בגוגל דרייב: עובר על הקבצים שלכם, מציע מבנה תיקיות, מעביר קבצים למקומם ומסמן כפילויות וקבצים ישנים לבדיקה.

3) הכנה לפי היומן: קורא את היומן שלכם, מושך הקשר מתכתבויות מייל, מסמן אילו פגישות דורשות הכנה ואפילו מזמין חדרי ישיבות חסרים.

4) מחקר מתחרים: נכנס לאתרי מתחרים, אוסף תמחור, תכונות ומיצוב, ובשילוב עם Cowork מרכיב מצגת השוואה מוכנה.

5) תיעוד שיחות מכירה ב-CRM: מצליב את היומן עם רשומות בSalesforce, מכין טיוטות לוגים לכל שיחה ומחכה לאישור שלכם לפני יצירה.

6) ניקוי דואר נכנס: סורק את הג'ימייל, מזהה מיילים שיווקיים וניוזלטרים אוטומטיים ומגיש לכם רשימה למחיקה מרוכזת.

מעבר לתרחישים המוכנים, התוסף תומך גם באוטומציות מותאמות אישית. אתם יכולים להקליט פעולות שאתם מבצעים ידנית - למשל, שגרת הורדת חשבוניות מאתר שדורש התחברות - והתוסף יחקה אותן כשתבקשו. אפשר גם להגדיר קיצורי דרך לפעולות חוזרות ולתזמן תהליכים שירוצו ברקע באופן יזום.

איפה זה עובד?

נקודה שלא תמיד ברורה למשתמשים חדשים: התוסף עובד על כל אתר ועל כל אפליקציית רשת שאתם פותחים בכרום. זאת אומרת שכל היכולות של קלוד זמינות לכם בתוך גוגל דוקס לעריכת מסמכים, בתוך גוגל סליידס לעבודה על מצגות, בתוך נושן (Notion) לסידור מסדי ידע, ובכל כלי אחר שעובד דרך הדפדפן.

אם אתם מנויים גם על הגרסה השולחנית של קלוד או על cowork, התוסף משתלב איתם. אפשר להתחיל משימה באפליקציית השולחן, להעביר אותה לדפדפן כשצריך לאסוף נתונים מהרשת, ולחזור אל השולחן כדי לסדר את החומר במסמך מוגמר - בלי העתקה והדבקה בין החלונות.

סרטון רשמי שמדגים את התוסף בפעולה - איך הוא לוחץ על כפתורים, ממלא טפסים ומנווט באתרים יחד עם המשתמש.

איך זה משתווה ל-Comet?

דפדפנים שמופעלים על ידי AI כבר לא חידוש בפני עצמם, כדוגמת Comet של Perplexity, דפדפן עצמאי מבוסס כרומיום (Chromium) שמשלב עוזר בינה מלאכותית ישירות בארכיטקטורת הדפדפן. גם Comet יודע לנווט, לסכם דפים, לבצע השוואות מחיר ולהריץ תהליכים אוטונומיים, וגם הוא נותן למשתמש לדבר עם הדפדפן בשפה טבעית במקום ללחוץ ולנווט בעצמו.

ההבדל המהותי הוא בגישה. Comet הוא דפדפן חדש שדורש מכם לעבור אליו - להתקין דפדפן נוסף, להתחיל לעבוד בסביבה שונה, להסתגל לביצועים ולעיצוב שלו. אמנם Comet מבוסס כרומיום ומאפשר ייבוא של סימניות ונתונים, אבל זה עדיין שינוי בהרגלי העבודה. התוסף של קלוד, לעומת זאת, יושב על גבי כרום ולא דורש מעבר. הקלות הזו של "להוסיף יכולת" במקום "להחליף כלי" היא ככל הנראה השיקול שיכריע עבור רוב המשתמשים שלא רוצים לעבור דפדפן.

הסיכונים שכרוכים בתוסף

התוסף נמצא בבטא, ואנטרופיק עצמה מעידה במפורש שמדובר בכלי עם סיכונים ייחודיים. חשוב לקרוא את האזהרות לפני שמתקינים.

הסיכון של Prompt Injection

הסיכון המשמעותי ביותר נקרא Prompt Injection - תקיפה שבה גורם זדוני מטמיע הוראות מוסתרות בתוכן רשת. אנטרופיק מספקת דוגמה: רשימת מטלות תמימה למראית עין, או הודעת מייל שגרתית עלולות להכיל טקסט בלתי נראה שמורה לקלוד "תוציא את דפי הבנק שלי והעלה אותם למסמך הזה". התוסף עלול לפרש את ההוראות הללו כבקשה לגיטימית שלכם. בבדיקות אנטרופיק עצמה זוהו תרחישים שבהם ניתן היה לגרום לתוסף לחלץ מידע רגיש, למחוק קבצים חשובים או לבצע פעולות שגרמו נזק.

הרצת קוד באתרים

התוסף יכול להריץ קוד JavaScript ישירות באתרים שאתם מבקרים בהם. זו היכולת שמאפשרת לו ללחוץ ולמלא טפסים, עם זאת, שכשהיכולת מופעלת לאתר מסוים, התוסף יכול לגשת לכל מה שהדפדפן שלכם יכול לגשת אליו באותו אתר - כולל סשנים פתוחים של התחברות ומידע ששומר על החיבור שלכם. אנטרופיק מבהירה שיש פילטרים שמנסים לחסום זליגה של מפתחות API וטוקני אימות, אבל מדגישה שאלה אינם גבול אבטחה אטום.

מה עוד עלול להשתבש?

קלוד עלול לפרש הוראה לא נכון ולבצע פעולות בלתי הפיכות בחשבונות שלכם. ההתנהגות שלו הסתברותית, כלומר אותה בקשה עלולה להניב תוצאות שונות בכל פעם. לכן קיים סיכון לרכישות לא מכוונות, לעסקאות שגויות ולחשיפה לא רצויה של מידע פיננסי או אישי - גם כשמדובר במידע של אנשים אחרים שמופיע על המסך שלכם.

באילו פעולות אבטחה אנטרופיק נקטה?

חברת אנטרופיק שילבה כמה שכבות הגנה: אימון מודלים לזיהוי הוראות זדוניות, מסווגי תוכן שסורקים נתונים נכנסים, מערכת הרשאות פר-דומיין שמחייבת אישור נפרד לכל אתר, אישורי פעולה לפעולות בסיכון גבוה ורשימה שחורה של אתרים שאליהם התוסף לא ניגש כלל - בנקים, פלטפורמות מסחר, זירות מסחר בקריפטו ועוד. לפי דיווחי אנטרופיק, השילוב הזה מוריד את שיעור ההצלחה של תקיפות מוכרות לכ-1%, אך לא לאפס.

ההמלצות של אנטרופיק לשימוש בטוח כוללות התחלה רק באתרים מהימנים ומוכרים, סקירה של פעולות לפני אישור, פרופיל דפדפן נפרד ללא גישה לחשבונות רגישים כמו בנקאות או בריאות, התחלה במשימות פשוטות לפני מעבר לתהליכים מרובי שלבים, וכמובן עצירה מיידית אם אתם רואים את התוסף נכנס לאתרים בלתי צפויים או מבקש מידע רגיש שלא נדרש לבקשה.

אז למי זה מתאים?

התוסף של קלוד לכרום פותר בעיה אמיתית - לא צריך לעבור דפדפן, לא צריך לאמן את עצמכם על סביבה חדשה, ובכל זאת מקבלים שכבת אוטומציה רצינית על גבי כל כלי שכבר עובדים איתו. עבור מי שמבזבז שעות על משימות חוזרות כמו איסוף נתונים, סידור קבצים, תיוג מיילים, מילוי טפסים, הפוטנציאל ברור.

עם זאת, זה הוא כלי שלא כדאי לבצע איתו את כל מה שעולה על הדעת, ואנטרופיק לא מנסה להציג אותו ככזה. הסיכונים אמיתיים, התיוג של בטא משמעותי, וההמלצה לפתוח פרופיל דפדפן נפרד בלי גישה לחשבונות רגישים היא לא קישוט - היא מסגרת השימוש הנכונה. אם אתם מתחילים במשימות הקטנות, מאשרים פעולות לפני שהן רצות וזוכרים שהאחריות על מה שקורה בדפדפן שלכם נשארת אצלכם, יש פה כלי שעשוי לשנות איך אתם עובדים. חשוב לקרוא את ההוראות היטב כדי לא לפתוח דלת אחורית אל החשבונות שלכם.

הפוסט קלוד נכנס לכרום – התוסף שמפעיל את הדפדפן שלכם בשבילכם הופיע ראשון בLet's AI בינה מלאכותית

ביום חמישי, ה-7 במאי 2026, הכריזה OpenAI על פיצ'ר חדש בשם Trusted Contact, מנגנון שמיועד להתריע בפני אדם שלישי שנבחר מראש, כאשר שיחה בין משתמש לבין ChatGPT מתחילה לגעת בפגיעה עצמית. משתמש בוגר יכול להגדיר בחשבון שלו איש קשר מהימן - חבר, בן משפחה או מטפל - ובמקרים שבהם השיחה תרמוז על מצוקה חריפה, המערכת תעודד את המשתמש לפנות לאותו אדם, ובמקביל תשלח לו התרעה אוטומטית שמבקשת ממנו לבדוק מה שלום בעל החשבון.

ההכרזה לא מגיעה בוואקום. בשנה האחרונה ניצבת OpenAI מול שורת תביעות שהוגשו על ידי משפחות של אנשים שהתאבדו לאחר שניהלו שיחות ממושכות עם הצ'אטבוט. בחלק מהמקרים טוענות המשפחות שהמודל עודד את היקירים שלהן לסיים את חייהם, ובמקרים אחרים אף סייע להם לתכנן את המעשה. הלחץ הציבורי והמשפטי על החברה לבנות הגנות ממשיות, ולא רק כאלה שמפנות לקווי סיוע, הולך וגובר.

איך המנגנון עובד בפועל

OpenAI מתארת תהליך שמשלב אוטומציה ובדיקה אנושית. ראשית, המשתמש בוחר בהגדרות החשבון אדם בוגר אחד שישמש כאיש קשר. אותו אדם מקבל הזמנה רשמית להצטרף לתפקיד, ועליו לאשר את ההצטרפות תוך שבוע כדי שהפיצ'ר ייכנס לפעולה. ללא האישור הזה, המנגנון נשאר רדום.

מתוך הפוסט הרשמי של OpenAI על Trusted Contact

כאשר המערכת מזהה מה שהיא מכנה "טריגרים שיחתיים" שמרמזים על מחשבות אובדניות, היא מציינת בפני המשתמש שהיא עשויה להתריע בפני איש הקשר, ומציעה לו פתיחות שיחה לפנייה ישירה. במקביל, הדיווח עובר לצוות קטן של בודקים אנושיים שעברו הכשרה ייעודית. לפי OpenAI, כל התרעה כזו עוברת בדיקה של אדם, והחברה מצהירה שהיא שואפת להשלים את הסקירה בתוך פחות משעה.

אם הצוות מחליט שמדובר בסיכון בטיחותי אמיתי, ChatGPT שולח לאיש הקשר את ההתרעה. היא יכולה להגיע בדואר אלקטרוני, בהודעת טקסט או כהתראה בתוך האפליקציה. תוכן ההתרעה נשמר מינימלי בכוונה: היא מבקשת ממנו לבדוק מה שלום המשתמש, אך לא חושפת פרטים על מה שנאמר בשיחה. OpenAI מציגה את הצמצום הזה כאמצעי הגנה על פרטיות המשתמש, אבל הוא יוצר גם מצב שבו אדם שמקבל את ההתרעה נכנס למשבר פוטנציאלי בעיניים מכוסות.

מי בנה את המנגנון ומי מורשה להשתמש בו?

OpenAI מציינת שהפיצ'ר פותח בשיתוף עם רשת בינלאומית של מעל 260 רופאים ב-60 מדינות, ועם מומחים בבריאות נפש ובמניעת אובדנות. השיתוף הזה רלוונטי לדיון על השאלה מי בעצם אחראי לקביעת הסף שבו המערכת תופעל - הקלינאים שעבדו עם החברה, או החברה עצמה שמתרגמת את ההמלצות שלהם לחוקי אוטומציה.

"אחת ההבטחות הגדולות של בינה מלאכותית היא איך היא יכולה לטפח חיבור אנושי-לאנושי אותנטי וביטחון פסיכולוגי. הפיצ'ר Trusted Contact של ChatGPT מציע צעד קדימה לעבר העצמה אנושית, במיוחד ברגעים של פגיעות."

 

- ד"ר מונמון דה צ'אודהורי (Munmun De Choudhury), פרופסור ב-Georgia Tech וחברה במועצת המומחים של OpenAI על AI ורווחה, בהודעה הרשמית של החברה

הזמינות של הפיצ'ר מצומצמת. הוא מיועד לחשבונות אישיים בלבד של משתמשים בני 18 ומעלה, ובדרום קוריאה - 19 ומעלה. הוא לא זמין בחשבונות עסקיים, Enterprise או Edu, ובשלב הראשוני הוא מושק במדינות נבחרות בלבד.

שכבת ההגנה השנייה - והמגבלות שלה

Trusted Contact הוא לא הניסיון הראשון של OpenAI לבנות הגנה לקבוצות פגיעות. בספטמבר 2025 השיקה החברה מערכת של בקרות הוריות, שמאפשרת להורים לקבל פיקוח חלקי על חשבונות של בני נוער. גם שם מובטחות התרעות אם המערכת חושבת שהילד נמצא בסיכון בטיחותי חמור. עוד קודם לכן, ChatGPT כבר הציע באופן אוטומטי לפנות לגורמי מקצוע כאשר שיחה גלשה לתחומים של פגיעה עצמית.

הבעיה הבסיסית של כל המנגנונים האלה נשארת זהה: כולם אופציונליים. גם אם משתמש בוחר להפעיל את Trusted Contact, וגם אם הורה מפעיל בקרה על חשבון של בן נוער, אין שום מניעה לפתוח חשבון נוסף ללא ההגדרות האלה. אדם שמעוניין שלא לשתף את מצבו עם איש קשר מהימן, יכול לוותר על הפיצ'ר מראש או לעקוף אותו דרך חשבון שני. המגבלה הזו מערערת את היעילות הסטטיסטית של ההגנה, ובמיוחד מול אוכלוסיות שנמצאות בסיכון הגבוה ביותר.

שאלת ההסכמה

אחד הקשיים העדינים יותר נוגע למה שקורה ברגע שמישהו אכן בחר באיש קשר. ההתרעה נשלחת ללא תיאור של מה שנאמר, אך הצד המקבל יודע שמתישהו בעבר הקרוב, מישהו אהוב ניהל שיחה שעוררה דאגה במערכת ניטור. זו נקודת מידע שלא ניתן לבטל. השאלה אם המשתמש נתן הסכמה מודעת לעצם החשיפה הזו, או רק לעובדה שהוא רושם את שם איש הקשר, היא שאלה שתלך ותתחדד ככל שהפיצ'ר יופעל בפועל.

בין הצ'אטבוט לבין מערכת הבריאות

שאלה אחרת היא איזה תפקיד החברה תופסת כאן. עד היום, נקודת ההפניה לעזרה חיצונית של ChatGPT הייתה גורמי מקצוע: קווי סיוע, אנשי בריאות הנפש, שירותי חירום. Trusted Contact מעביר את נקודת המגע הראשונה לאדם פרטי שאין לו, ככל הנראה, הכשרה לטפל במשבר. הבחירה הזו מקצרת את התהליך, אבל היא גם משאירה את ההתערבות הראשונה בידי מי שעלול להיות לא מוכן.

מה זה אומר על תפיסת האחריות

OpenAI מציגה את הפיצ'ר כחלק ממאמץ נרחב לבנות מערכות בינה מלאכותית שעוזרות לאנשים ברגעים קשים. בהודעה הרשמית מציינת החברה שהיא תמשיך לעבוד עם קלינאים, חוקרים וקובעי מדיניות. המטרה, לדבריה, היא לשפר את התגובה של המערכות במצבים שבהם המשתמש נתון במצוקה. הניסוח הזה, של מערכת שעוזרת ולא של מערכת שאחראית, רלוונטי לדיון המשפטי שמתנהל סביב התביעות.

בפועל, מה ש-Trusted Contact עושה הוא להפיץ את האחריות. במקום שהמערכת תישא לבדה במשקל של מצב חירום, היא מעבירה חלק ממנו לאדם פרטי שהמשתמש בחר. זה צעד שיכול להציל חיים, וזה גם צעד שמנמיך את הציפייה שבינה מלאכותית תפתור לבדה דילמות שמערכות הבריאות והחינוך לא הצליחו לפתור עד היום.

מה שיקבע אם המנגנון משמעותי הוא לא רק היכולת הטכנית שלו לזהות סימני מצוקה. הוא יימדד גם לפי השאלה כמה אנשים בוחרים להפעיל אותו, כמה אנשי קשר נענים בפועל לפנייה, ומה הם עושים עם המידע המינימלי שהם מקבלים. אם מערכת ההתרעה תייצר בעיקר רעש או דאגה ללא יכולת פעולה, האפקטיביות שלה תהיה מוגבלת. אם היא תפתח שיחות שאחרת לא היו מתחילות, היא תוכיח שיש ערך גם להתערבות מינימליסטית כזו.

הפוסט אם ChatGPT יזהה שאתם במצוקה, איש קשר שבחרתם מראש יקבל הודעה הופיע ראשון בLet's AI בינה מלאכותית

שלוש יכולות, בעיה אחת

הכנס Code with Claude, שנערך ב-6 במאי בסן פרנסיסקו, הציג שלוש תכונות חדשות בפלטפורמת Claude Managed Agents. הראשונה, דרימינג (Dreaming). דרימינג היא יכולת חדשה לחלוטין שיוצאת בגרסת תצוגה מוקדמת למחקר. השתיים האחרות, אאוטקאמס (Outcomes) ואורקסטרציית רב-סוכנים (Multi-Agent Orchestration), עוברות מתצוגה ניסיונית לבטא ציבורית ופתוחות לכל המפתחים בפלטפורמה.

"דרימינג מציף דפוסים שסוכן בודד לא יכול לראות בכוחות עצמו, כולל טעויות חוזרות, תהליכי עבודה שסוכנים מתכנסים אליהם, והעדפות שמשותפות לצוות. זיכרון ודרימינג יחד יוצרים מערכת זיכרון יציבה לסוכנים שמשתפרים מעצמם."

— מתוך New in Claude Managed Agents: dreaming, outcomes, and multiagent orchestration, הבלוג הרשמי של אנתרופיק

 

שלושתן יחד מתמודדות עם מה שאנתרופיק מזהה כצוואר הבקבוק האמיתי באימוץ סוכני AI בארגונים: לא איכות המודל, אלא היכולת להפעיל אותו במשימות אמיתיות בלי שייתקע, ייסחף או יצריך פיקוח אנושי על כל צעד. הצמיחה של החברה ברבעון הראשון של 2026 הפתיעה אפילו אותה. ההכנסות והשימוש גדלו בקצב שנתי של פי 80, לעומת תוכנית שדיברה על פי 10. נפח השימוש ב-API גדל בקצב של פי 70 בהשוואה לשנה שעברה, והמפתח הממוצע ב-Claude Code מבלה עם הכלי 20 שעות בשבוע.

ה-Opening Keynote של הכנס שבו דריו אמודיי הצהיר את הציטוט על "פי 80 במקום פי 10" — הצהרה שמעוגנת במאמר אבל בלי המקור הראשוני שלה.

דרימינג: סוכן שלומד מעצמו בלילה

דרימינג היא היכולת המעניינת ביותר מבחינה רעיונית, ואנתרופיק עומלת להבדיל אותה ממערכות זיכרון רגילות. בעוד שתכונת הזיכרון שהושקה מוקדם יותר השנה מאפשרת לקלוד לשמור העדפות והקשר בין שיחות, דרימינג פועלת ברמת הפשטה גבוהה יותר. מדובר בתהליך מתוזמן שסוקר את כל השיחות והזיכרונות של הסוכן, מחלץ דפוסים, ומזקק אותם לתובנות שיעזרו לסוכן לעבוד טוב יותר בעתיד.

אלכס אלברט (Alex Albert), שמוביל את ניהול המוצר במחקר של אנתרופיק, השווה את היכולת ליצירת מיומנויות באופן ידני. אנשים בארגונים נוהגים, לאחר שעבדו על משימה והתלבטו בה, לתעד את הדרך שעברו. דרימינג עושה זאת באופן אוטומטי. הסוכן עצמו כותב את ההערות לעצמו לעתיד.

סשן ייעודי מהכנס Code with Claude שמעביר Mahesh Murag (Member of Technical Staff באנת'רופיק). הסרטון מסביר איך זיכרון ודרימינג עובדים יחד ב-Claude Managed Agents והופכים אותם למערכות לומדות.

נקודה חשובה היא שהתהליך אינו משנה את משקלי המודל. במקום זאת, הסוכן כותב הערות בטקסט פשוט ויוצר מסמכי "פלייבוק" שניתנים לבדיקה אנושית. הכל גלוי, ניתן לעריכה, וניתן לאימות. אלברט הודה שיש כאן עניין של אמון, ועם זאת הדגיש שהמשתמש יכול לבדוק כל הערה שהמערכת כותבת לעצמה ולערוך אותה.

הלקוחות הראשונים כבר מדווחים על תוצאות. חברת הארווי (Harvey), שמפתחת AI לעולם המשפטי, ראתה את אחוזי השלמת המשימות עולים פי 6 בערך אחרי הטמעת דרימינג. ויזדוקס (Wisedocs), שמתמחה בסקירת מסמכים רפואיים, קיצרה את זמן הסקירה ב-50% באמצעות אאוטקאמס. נטפליקס (Netflix) משתמשת באורקסטרציה הרב-סוכנית כדי לעבד לוגים של מאות תהליכי בנייה במקביל.

אאוטקאמס - סוכן שני שבודק את הראשון

אאוטקאמס מאפשרת למפתחים להגדיר מהי "תוצאה טובה" בעזרת רובריקה, מסמך הנחיות, סטנדרט עיצובי או קול מותגי. הסוכן עובד מולה באופן עצמאי עד שהוא עומד בה. הייחודיות כאן היא ההפרדה: אחרי שהסוכן הראשי מסיים את העבודה, סוכן נפרד שתפקידו לדרג מקבל את התוצר ובוחן אותו מול הרובריקה. הסוכן הבודק עובד בחלון הקשר עצמאי משלו, כך שהוא אינו מושפע מההיגיון ומההטיות שצברה השיחה הארוכה.

אלברט הסביר שהגישה הזו עובדת טוב יותר מהדרך הישנה של לבקש מהמודל לבדוק את עצמו באותה שיחה. בשיחות ארוכות הקשב מתפזר, ובדיקה בחלון רענן נותנת תוצאות עקביות יותר. השיטה הזו אינה ייחודית לאנתרופיק. בגיטהאב (GitHub) מפעילים גישה דומה, ב-Copilot מודל קטן וזול מבצע את העבודה, ומודל גדול ויקר משמש לו כיועץ. סוכן בודק נכנס לפעולה בשלוש נקודות: אחרי תכנון, אחרי כתיבה מורכבת, ואחרי כתיבת בדיקות.

אורקסטרצייה רב-סוכנית - צוות במקום עובד יחיד

היכולת השלישית מאפשרת לסוכן ראשי לפצל משימה גדולה לתת-משימות, לחלק אותן בין סוכנים מומחים, ולאחד את התוצאות. כל סוכן משני מקבל מודל משלו, פרומפט מערכת משלו, כלים משלו וחלון הקשר משלו. כל פעולה ניתנת למעקב בקונסולה של אנתרופיק.

אלברט מציע אבחנה שימושית למתי לפצל ומתי לא. כשמדובר בחקירה, חיפוש או איסוף מידע שרובו ייזרק בסוף, פיצול לסוכנים עובד טוב. כשנדרשת תשובה לשאלה ספציפית, אין צורך לגרור את כל תוצאות החיפוש חזרה לסוכן הראשי. בעתיד, לדבריו, המודל עצמו יחליט מתי להפעיל אורקסטרציה רב-סוכנית, והמשתמש לא ירגיש את ההבדל.

בהמחשה על הבמה, אנתרופיק הציגה איך שלוש היכולות עובדות יחד על תרחיש דמיוני של חברת לומרה (Lumara) שמנחיתה רחפנים על הירח. שלושה סוכנים, אחד אחראי על המשימה הכללית, אחד מזהה אזורי נחיתה ואחד מטפל בטיסה. רובריקה מגדירה הצלחה: נחיתה רכה, קרקע נקייה, ודלק מספיק לחזרה. אחרי הסימולציה הראשונית, תהליך דרימינג רץ בלילה ויצר פלייבוק נחיתה. בבוקר, התוצאות באותם אזורים שכשלו קודם השתפרו משמעותית. כל מה שנדרש היה לחיצה אחת על כפתור.

שינוי בקטגוריה

הגישה של אנתרופיק מסמנת שינוי תפיסתי - עד עכשיו, התחרות בין פלטפורמות ה-AI של אנתרופיק, OpenAI וגוגל (Google) התמקדה באינטליגנציה הגולמית של המודלים. שלוש היכולות החדשות מתחילות לדבר בשפה אחרת לגמרי, של אמינות בייצור ובמשימות שצריך לסמוך עליהן בלי לפקח עליהן באובססיביות. הבדיקה הזו לא תוכרע במבחני ביצועים, אלא בהחלטות של מנהלי IT בחברות גדולות. כשמרקדו ליברה (Mercado Libre) מפעילה 23,000 מהנדסים על Claude Code ומכוונת ל-90% כתיבת קוד אוטונומית עד הרבעון השלישי של השנה, ההכרעה הזו כבר מתרחשת.

הפוסט מה קורה לסוכן AI כשהוא הולך לישון? אנתרופיק חושפת את התשובה הופיע ראשון בLet's AI בינה מלאכותית

מה SAP קונה

פריור לאבס (Prior Labs), סטארט-אפ AI שפועל מפרייבורג שבגרמניה, הוקם בשלהי 2024 על ידי שלושה חוקרים: פרנק האטר (Frank Hutter), נואה הולמן (Noah Hollmann) וסאוראג' גמביר (Sauraj Gambhir). מה שהם בנו במשך 18 חודשים אינו עוד מודל שפה, אלא דבר אחר לחלוטין - מודלי יסוד לטבלאות (Tabular Foundation Models, או בקיצור TFM). אלה מודלים שמיועדים לעבוד ישירות מול נתונים מובנים: השורות והעמודות שבהן נמצאים רוב הנתונים העסקיים בעולם.

פרנק האטר, מייסד ומנכ"ל Prior Labs, בראיון עם קרן ההון Balderton על העתיד של מדעני הנתונים ועל הטכנולוגיה שמאחורי TabPFN.

מוצר הדגל שלהם, TabPFN, עבר את רף 3 מיליון ההורדות והוא זמין כקוד פתוח. הוא פורסם ב-Nature, נמצא במקום הראשון ב-TabArena - הבנצ'מרק המקובל למודלים מהסוג הזה. הגרסה האחרונה שלו מגיעה במעבר יחיד לרמת דיוק שמערכות אוטומטיות משיגות רק אחרי 4 שעות עיבוד.

לפי ההודעה הרשמית, SAP תזרים יותר ממיליארד אירו (כ-1.16 מיליארד דולר) למעבדה במהלך 4 השנים הבאות, כדי להפוך אותה למה שהחברה מגדירה כ"מעבדת AI מובילה גלובלית בקטגוריית הנתונים המובנים". סכום הרכישה עצמו לא פורסם, אך מקורות בתעשייה מדווחים על עסקה ש"כמעט כולה במזומן", עם יותר מחצי מיליארד דולר מראש למייסדים. ב-Sifted מדווחים שמדובר באחד האקזיטים המהירים ביותר שהתעשייה האירופית ראתה - פחות משנה וחצי אחרי סבב הגיוס היחיד של החברה, שעמד על 9 מיליון אירו בלבד

למה דווקא נתונים מובנים?

מנהל התפעול הראשי של OpenAI, ברד לייטקאפ (Brad Lightcap), אמר בכנס AI בהודו, שהבינה המלאכותית טרם חדרה באמת לתהליכים העסקיים של ארגונים. זה היה הווידוי שאף מנהל לא רצה לומר בפומבי, אבל הוא חשף משהו עמוק - הפער בין מה שהבינה המלאכותית יכולה להראות בהדגמות לבין מה שהיא מסוגלת לעשות באמת בתוך מערכת הנהלת חשבונות, מערכת רכש או מערכת משאבי אנוש.

החיבור ל-SAP ברור מאליו. הענקית הגרמנית מספקת את התשתיות העסקיות של חברות עתירות נתונים בכל העולם - הנהלת חשבונות, רכש, משאבי אנוש וניהול הוצאות. כולם נשענים על מסדי נתונים, כולם פועלים בטבלאות, וכולם סובלים מאותה בעיה: מודלי השפה הקלאסיים מתקשים לבצע תחזיות מדויקות על נתונים מובנים. הם אינם יודעים לעבוד היטב עם טבלאות, מספרים וסטטיסטיקה ברמה הנדרשת. פיליפ הרציג (Philipp Herzig), ה-CTO של SAP, הצהיר שהחברה זיהתה מבעוד מועד שההזדמנות הגדולה ביותר ב-AI ארגוני אינה במודלי השפה, אלא ב-AI שבנוי לנתונים מובנים.

הניסיון הקודם של SAP

SAP לא נכנסת לתחום הזה מאפס. החברה כבר פיתחה בעבר מודל פנימי בשם SAP-RPT-1, Transformer שאומן מראש לקשרים יחסיים ונועד בדיוק לסוג הזה של נתונים. הרכישה של Prior Labs היא קיצור דרך משמעותי - במקום לבנות לבד את הצוות והמוצר, SAP קונה את המעבדה המובילה בתחום, את המודל המוביל בבנצ'מרק ואת הצוות שמשך אליו חוקרים מגוגל, אפל, אמזון, מיקרוסופט, גולדמן זאקס ואפילו CERN.

לאן הכסף הולך?

עיקר ההשקעה צפוי להיות מופנה להרחבת פעילות המעבדה. SAP מתחייבת להמשיך את אסטרטגיית הקוד הפתוח של TabPFN ולהשאיר את Prior Labs כיחידה עצמאית כדי לשמר את חופש המחקר. במקביל, המודלים יוטמעו בכל הפורטפוליו של SAP - דרך SAP AI Core, SAP Business Data Cloud והשכבה הסוכנית של Joule. מי שמכיר את ההיסטוריה של רכישות מסוג זה יודע שההתחייבות ל"עצמאות מחקרית" נראית טוב בהודעות לעיתונות, ויעברו עוד כמה שנים עד שנדע אם היא אכן מומשה.

SAP חוסמת את שאר הסוכנים

הרכישה הזו היא רק חצי מהסיפור. במקביל, SAP מהדקת את המדיניות שלה כלפי סוכני בינה מלאכותית של חברות אחרות. לפי דיווח שפורסם לראשונה ב-The Information ומתייחס למדיניות ה-API החדשה של SAP, החברה אוסרת על סוכני AI לגשת למוצרים שלה - מלבד אלה שהיא הגדירה כ"ארכיטקטורות מאושרות".

בפועל, הכוונה היא לשני דברים: ראשית, סוכני Joule של SAP עצמה (שנמצאים כרגע בגרסת בטא) הם הברירה הראשונה, שנית, NemoClaw של אנבידיה - הסטאק הארגוני המאובטח להפעלת סוכני OpenClaw - מאושר גם הוא. כל מה שמחוץ למסגרת הזאת נחסם.

זו גישה שונה לחלוטין מזו של סיילספורס (Salesforce), שגם היא לכודה במה שבוול סטריט מכנים SaaSpocalypse. סיילספורס מאפשרת ללקוחות הארגוניים שלה לבחור את הסוכנים שלהם, כולל OpenClaw, אם זה מה שהם רוצים, דרך ארכיטקטורת Headless 360 החדשה שלה. SAP בוחרת בכיוון ההפוך: גן סגור ומוקף חומה, שבו רק מי שמאושר נכנס.

הקריאה הגדולה

מי שמסתכל על הסיפור הזה רק כרכישה גדולה מפספס את המהלך האסטרטגי שמאחוריו. SAP מנסה לעשות שני דברים במקביל: לפצח את הקטגוריה שמודלי השפה נכשלו בה, ובו בזמן להגן על המוצר הקיים שלה מפני הסוכנים החיצוניים שמאיימים על מודל ה-SaaS המסורתי. מניית SAP ירדה בחדות במהלך 2026 בעקבות הפחד הרחב מסוכני AI שמחליפים מושבי שימוש, והרכישה היא חלק מהתשובה.

השאלה הפתוחה שנותרה היא האם ההימור הזה ישתלם. אירופה רעבה לסיפור הצלחה של מעבדת AI יסודית גדולה - לא עוד אפליקציה, אלא תשתית. Prior Labs עומדת לקבל הזדמנות שמעט סטארט-אפים אירופיים זוכים לה: גישה לנתונים אמיתיים בהיקף תעשייתי, מסלול ברור למוצר וגב כלכלי של חברה בסדר הגודל של SAP. אם זה יעבוד, אירופה תקבל את התשובה שלה לתחרות מול המעבדות האמריקאיות. ואם לא - יישאר עוד סיפור על מעבדת AI מבטיחה שנבלעה בתוך תאגיד ענק

הדבר היחיד שכבר ברור הוא שהשיחה על AI ארגוני השתנתה. עד עכשיו היא הייתה בעיקר על מודלי שפה ועל "איזה קופיילוט להכניס למשרד". הרכישה הזו, יחד עם ההצהרה של SAP על תפקיד הסוכנים בעתיד שלה, אומרת משהו אחר. החזית הבאה אינה הצ'אט שבצד המסך, אלא הטבלה שבמרכזו.

הפוסט מיליארד אירו על מעבדה בת שנה וחצי – SAP רוכשת את Prior Labs הופיע ראשון בLet's AI בינה מלאכותית

הרשתית כברומטר של המוח

הרעיון נשמע  פשוט למדי - לצלם את החלק האחורי של העין, להריץ את התמונה דרך אלגוריתם, ולקבל אינדיקציה על מה שמתרחש במוח. אבל מאחורי הפשטות הזו עומד עיקרון ביולוגי מבוסס - כלי הדם ברשתית קטנים ועדינים יותר מאלה שבכל מקום אחר בגוף, ולכן שינויים שעדיין לא ניתנים לזיהוי באיברים אחרים מסגירים את עצמם ראשונים.

צוות המחקר NeurEYE, בהובלת אוניברסיטת אדינבורו (Edinburgh) ובשיתוף אוניברסיטת גלזגו קלדוניאן (Glasgow Caledonian), ניצל את העיקרון הזה כדי לבנות את אחד ממאגרי המידע הרפואיים המעניינים שיצאו לאחרונה. כמעט מיליון סריקות עיניים שנאספו מאופטומטריסטים ברחבי סקוטלנד הפכו לבסיס נתונים שאין כמותו בעולם, וממנו נולד אלגוריתם שמסוגל להעריך את בריאות כלי הדם בעין ולקשר אותה למחלות נוירולוגיות.

פרופ' באלג'אן דיון (Baljean Dhillon), מומחה לרפואת עיניים קלינית באדינבורו ושותף בהובלת המחקר, מתאר את הרשתית כברומטר ביולוגי של בריאות המוח. לדבריו, מה שנדרש כדי לקרוא בו הוא לא ציוד מתוחכם בבית חולים, אלא מצלמה שכבר נמצאת בכל חנות משקפיים בבריטניה ומחוצה לה.

סרטון רשמי מערוץ אוניברסיטת אדינבורו שמציג את כלי ה- NeurEYE

למה זה משנה?

דמנציה היא אחת המחלות שהזמן עובד בה לרעת המטופלים והמשפחות שלהם. היא פוגעת בתפקוד תאי המוח, משבשת את הזיכרון, את החשיבה ואת היכולת לתקשר. לפי נתוני ארגון Dementia UK, אדם אחד מתוך 14 מעל גיל 65 חי איתה, ובגילאי 80 ומעלה היחס קופץ לאחד מתוך שישה. נכון להיום אין לה מרפא, ומה שיש הוא חלון הזדמנויות צר - ככל שהאבחון מוקדם יותר, כך יש יותר זמן להתחיל טיפול, להתארגן ולהיערך נפשית ולוגיסטית.

הבעיה היא שהאבחון המוקדם הזה מגיע כמעט תמיד מאוחר מדי. הסימפטומים הראשונים שמובילים אנשים לרופא הם כבר תוצאה של תהליך שהתחיל הרבה לפניהם. כאן בדיוק נכנסת הטכנולוגיה לתמונה: אם אפשר לזהות את התהליך לפני שהוא מתבטא בשיכחה או בבלבול, הכל משתנה.

היכן הבינה המלאכותית עושה את ההבדל

אלגוריתמים שמאומנים על מאגרי תמונות בסדר גודל של מיליון סריקות מצליחים לזהות דפוסים שהעין האנושית, גם של רופא מנוסה, מתקשה לתפוס. ההבדלים הדקים בין רשתית של אדם בריא לרשתית של מי שהמוח שלו נמצא בתחילת תהליך נוירודגנרטיבי מתבטאים בשינויים זעירים במבנה כלי הדם, בצפיפות שלהם ובהתפצלויות שלהם. אדם לא רואה את זה. מודל שאומן על די דוגמאות - כן.

כך זה ייראה בחנויות האופטיקה

השאיפה של הצוות היא ששגרת הביקור אצל האופטומטריסט תהפוך לנקודת אבחון רפואית רחבה יותר. אותה תמונה שמצולמת ממילא במהלך בדיקת ראייה תוזן למערכת, והאלגוריתם יחזיר אינדיקציה לסיכון. במקרים חיוביים, המטופל יופנה להמשך בירור הרבה לפני שהיו לו סיבות אחרות לחשוב שמשהו לא בסדר.

עשור של חוסר ודאות

דייוויד סטיל (David Steele), מהנדס מכונות בגמלאות בן 65, מספר ש-10 השנים שמשפחתו עברה מאז שאמו אובחנה כחולה באלצהיימר היו יכולות להיראות אחרת לגמרי אילו היה כלי אבחון מוקדם. אבחון בזמן, הוא מסביר, לא היה מציל את אמו - אבל היה חוסך לו ולסביבתו עשור של חוסר ודאות, של ניסיונות להבין מה קורה ושל החלטות שהתקבלו תחת לחץ במקום מתוך תכנון. הסיפור שלו אינו חריג, ובדיוק משום כך הוא משמעותי. מאחורי כל סטטיסטיקה של דמנציה עומדות משפחות שלמות שהזמן הקצר שלהן עם האדם האהוב נשחק בידי מחלה שלא זוהתה בזמן.

מה צריך לקרות עכשיו?

הדרך מהאלגוריתם של NeurEYE עד לכלי שיהיה זמין באופטיקה השכונתית שלכם עוד ארוכה. מחקר רפואי דורש אימות, רגולציה דורשת אישורים, והשילוב בין מערכות בריאות לבין רשת חנויות מסחרית הוא מהלך לוגיסטי לא טריוויאלי. ובכל זאת, הכיוון שאליו מצביע המחקר הזה ראוי לתשומת לב, משום שהוא מציע מודל שונה למה שאבחון רפואי יכול להיות. במקום לחכות שאנשים יגיעו לרופא כי משהו כבר לא בסדר, הרעיון הוא לתפוס אותם בנקודה שבה הם נמצאים ממילא, ולהפיק מהביקור שלהם הרבה יותר ממה שתכננו לקבל.

החשיבה הזו על עתיד הרפואה ראויה למבט רחב יותר. כשבינה מלאכותית מתחילה לקרוא את הגוף שלנו דרך נקודות שלא נחשבו רלוונטיות לתחומים מסוימים, ההגדרה של בדיקה רפואית משתנה. בדיקת עיניים לא נשארת רק בדיקת עיניים. ספירת דם לא נשארת רק ספירת דם. אולי, בעוד עשור, השאלה לא תהיה אם לעשות בדיקה כדי לגלות מחלה - אלא אילו מחלות כל בדיקה שגרתית כבר מסוגלת לרמוז עליהן.

הפוסט מיליון סריקות עיניים לימדו אלגוריתם לזהות דמנציה מוקדם הופיע ראשון בLet's AI בינה מלאכותית

"AI יוצר משרות" - האמירה שהפכה למנטרה

השיחה התקיימה ביום שני, 4 במאי, מול בקי קוויק (Becky Quick) מ-CNBC, באירוע שאירח מכון מילקן (Milken Institute), מכון חשיבה לכלכלה ומדיניות. הואנג הגיע לשם עם מסר אחד מרכזי: ה-AI אינו האיום על שוק העבודה, אלא ההזדמנות הגדולה של כלכלת ארצות הברית.

"AI יוצר משרות", אמר הואנג, וקבע כי AI מהווה את ההזדמנות הטובה ביותר של ארצות הברית להפוך שוב למעצמה תעשייתית. הטענה שלו נשענת על תפיסה רחבה יותר של מבנה התעשייה החדשה. ה-AI, לדבריו, פועל על תשתית פיזית. סוג חדש של מפעלים תעשייתיים, כאלה שמייצרים את חומרת המחשוב שמהווה את עמוד השדרה הקריטי של כל המהלך הזה. במפעלים הללו, כך הסביר, צריך עובדים פיזיים - מהנדסים, טכנאים, פועלי ייצור.

נקודה קטנה שהואנג לא הדגיש: החברה שהוא מנהל היא הספקית הדומיננטית של אותה חומרה.

"לא להחליף את כל העבודה - רק חלק ממנה"

אחת הנקודות המעניינות יותר שהואנג העלה היא ההבחנה בין משימה לתפקיד. כששואלים אם AI יחליף עובד, הוא מציע להגדיר מחדש את השאלה. כן, כלי AI יבצעו משימות שעד כה ביצעו בני אדם. לא, זה לא אומר שהמשרה כולה תיעלם.

"אנשים שחושבים שהמשימה והתפקיד הם אותו דבר", אמר הואנג, "טועים בהבנה של מה שעובד עושה בארגון". הטענה היא שהפונקציה הרחבה - שיקול דעת, ניהול קשרים, החלטות אסטרטגיות - נותרת אצל האדם, גם כאשר חלק מהמשימות הקטנות עוברות לאוטומציה.

זה רעיון משכנע, אך הוא גם נוח במיוחד למי שמוכר את המוצר.

המתקפה על נביאי הזעם 

הואנג לא הסתפק בלהציג את הצד החיובי. הוא יצא להתקפה ישירה על מי שמכונה "AI doomers" - הדומרים. אלה אותם קולות, פעילים, חוקרים ומנכ"לים, שמזהירים שוב ושוב מהסכנות הקיומיות של בינה מלאכותית: השתלטות של מערכות אוטונומיות על האנושות, חיסול של מגזרים שלמים בכלכלה, ואפילו תרחישי אסון קיצוניים יותר. בעיני הואנג, מדובר בגישה שגורמת יותר נזק מתועלת.

"החשש הגדול שלי", אמר הואנג, "הוא שאנחנו מפחידים אנשים. את כל האנשים שאנחנו מספרים להם את סיפורי המדע הבדיוני האלה. עד כדי כך ש-AI יהפוך לבלתי פופולרי בארצות הברית, או שאנשים יפחדו ממנו עד כדי כך שלא יתעסקו בו בכלל".

זה ניתוח מעניין, ויש בו אירוניה. כי חלק נכבד מאותה רטוריקה אפוקליפטית שהואנג מבקר נולד דווקא מתוך תעשיית ה-AI עצמה. מנכ"לים שאמרו שהמודלים שלהם מסוכנים. חוקרים שהזהירו מ"סיכון קיומי". מבקרים טוענים שמדובר במהלך שיווקי מתוחכם, שמטרתו לייצר עניין והתלהבות סביב מוצרים שעדיין רחוקים מהיכולות שמיוחסות להם.

הפער בין הנרטיב לנתונים

אופטימיות זה דבר אחד. נתונים זה דבר אחר.

בעוד הואנג מציג תמונה של גל תעסוקה גדול, ארגונים פיננסיים ואקדמיים מציגים תחזיות מורכבות יותר. דוח שפרסמה לאחרונה חברת הייעוץ האסטרטגי BCG מעריך ש-10 עד 15 אחוזים מהמשרות בארצות הברית עלולות להיעלם בחמש השנים הקרובות בעקבות הטמעת AI, מה שמתורגם לכ-16 עד 25 מיליון משרות. במקביל, אותו דוח קובע ש-50 עד 55 אחוזים מהמשרות בארצות הברית יעברו שינוי מהותי תוך השנתיים-שלוש הקרובות. כלומר, גם מי שלא יאבד את מקום עבודתו, יגלה שאופי העבודה השתנה לחלוטין.

הדוח המלא: AI Will Reshape More Jobs Than It Replaces - BCG Henderson Institute, אפריל 2026

השאלה ששאלה קוויק במהלך השיחה הייתה מדויקת: "זה קורה כל כך מהר. האם המעבר הזה גדול יותר משראינו בעבר, מוביל לאי שוויון גדול יותר, ומה אפשר לעשות בקשר לזה?". הואנג ענה באופטימיות, אבל לא ממש התעמק בתשובה לשאלה השנייה. אי השוויון, קצב השינוי, מי נשאר מאחור - אלה נושאים שלא קיבלו מענה ענייני.

שני סיפורים שמתקיימים במקביל

אפשר להחזיק את שני הקצוות בו זמנית. ה-AI אכן יוצר משרות חדשות, חלקן בקנה מידה תעשייתי, וחלקן במגזרים שעוד לא קיימים. וה-AI אכן מאיים להעלים סוגים מסוימים של עבודה, במיוחד כאלו שמורכבות ממשימות חוזרות ונשנות וניתנות לאוטומציה. שני הדברים נכונים בעת ובעונה אחת.

הבעיה היא שהמסרים הציבוריים נוטים לקצוות. או "כולנו נישאר בלי עבודה", או "AI יוצר אינסוף משרות". במציאות, התשובה תלויה במגזר, ברמת ההכשרה, באזור גיאוגרפי, ובקצב ההסתגלות של מערכות החינוך וההכשרה. עובדים בתחומים מסוימים יראו את עצמם נדחקים, ועובדים אחרים ימצאו את עצמם בתפקידים שלא היו קיימים לפני שלוש שנים.

הואנג מוכר חזון, ויחד עם זאת הוא גם מוכר חומרה. כשמנכ"ל החברה הדומיננטית בתעשיית ה-AI מציג את הטכנולוגיה כמנוע צמיחה תעסוקתי, כדאי לזכור ששווי השוק של החברה שלו תלוי במידה רבה ביכולת לקדם את הסיפור הזה. זה לא הופך אותו לשקרן. זה רק אומר שכדאי להקשיב לו לצד מקורות נוספים, ולא במקומם. השאלה האמיתית היא אינה אם AI יוצר או הורס משרות, אלא איך מנהלים את התקופה שבה שני הדברים קורים בו זמנית.

הפוסט מנכ״ל אנבידיה מבטיח: AI יוצר משרות – הדוחות הכלכליים אומרים אחרת הופיע ראשון בLet's AI בינה מלאכותית

למה פריפיק נעלמה מהמפה?

פריפיק נוסדה ב-2010 במלגה שבספרד, ובמשך שנים הייתה אחת מספריות הסטוק הגדולות ברשת. אם הייתם צריכים תמונה, וקטור, אייקון או תבנית גרפית, פריפיק הייתה אחת מהכתובות הראשונות שעלו בחיפוש. החברה גדלה בשקט, ללא הון סיכון אמריקאי, והפכה למאגר עצום של מאות מיליוני נכסים.

אבל בשנים האחרונות התרחשה שם טרנספורמציה שלא בהכרח התבטאה בשם. פריפיק החלה להוסיף כלי בינה מלאכותית, רכשה במאי 2024 את חברת האפסקייל מגניפיק (Magnific) שנוסדה במורסיה שבספרד בידי חאבי לופז (Javi López) ואמיליו ניקולס (Emilio Nicolás), והרחיבה את עצמה לתחומים שלא היו קיימים בה קודם: יצירת תמונות, סרטונים, אודיו, מודלים תלת-ממדיים, וסביבת עבודה משותפת בזמן אמת. השם פריפיק נשאר תקוע במחשבת הלקוחות כשם של ספריית סטוק, גם כשהמוצר כבר היה משהו אחר לגמרי.

החברה החליטה ליישר קו, ובמקום להמשיך עם שם שמתאר חלק קטן מהמוצר, היא בחרה באחד המותגים שכבר היו ברשותה, מגניפיק, והעלתה אותו למרכז. הדומיין החדש הוא magnific.com. הישן ממשיך לעבוד באופן זמני, אך גלי המעבר בימים הקרובים יפנו את המשתמשים אוטומטית ליעד החדש.

ארבע שכבות, פלטפורמה אחת

מגניפיק מציגה את עצמה כפלטפורמת AI יצירתית מקיפה, ומאחורי ההצהרה יש מבנה מסודר. בפועל מדובר באוסף שכולל כמה שכבות שעובדות יחד.

1) ספקיית הסטוק

השכבה הראשונה היא ספריית הסטוק הוותיקה: יותר מ-250 מיליון נכסים שכוללים תמונות, וקטורים, אייקונים, איורים, סרטוני סטוק, אודיו, פונטים, מוקאפים (Mockups) ותבניות. כל מה שהיה בפריפיק נשאר במקום, רק בכתובת אחרת.

2) פלטפורמת מודלי AI

השכבה השנייה, וזו שמושכת את עיקר תשומת הלב, היא גישה למודלים מובילים בשוק. במקום להתמחות במודל אחד, מגניפיק נותנת גישה לעשרות מודלים מתחרים תחת ממשק אחד. כך, באותה סביבה, אפשר לעבוד עם Veo 3.1 של גוגל, Seedance 2.0 של בייטדאנס (ByteDance), ועוד עשרות מנועים נוספים ליצירת תמונות, סרטונים ואודיו. הרעיון הוא שהמשתמש לא צריך להחליט מראש על מודל בודד, אלא לבחור עבור כל משימה את הכלי המתאים.

3) אפסקיילרים מתקדמים

השכבה השלישית היא טכנולוגיית האפסקייל שעליה נבנה השם החדש. מגניפיק נחשבת מהמתקדמות בעולם בהעלאת רזולוציה והוספת פרטים לתמונות שנוצרו ב-AI, וזו אחת היכולות שמושכת אליה משתמשים מקצועיים מכל העולם.

4) עבודת צוות

השכבה הרביעית מכוונת לעבודה בצוות: סביבת עבודה שיתופית בזמן אמת, ספריות פרויקטים, תבניות שמורות, ויכולות הפקה בהיקף גדול עם וריאציות מבוקרות.

עמוד הבית של מגניפיק

מה קורה למי שכבר היה משתמש

אחת הסיבות שהמעבר מבלבל היא שמבחינה טכנית כמעט שום דבר לא השתנה עבור המשתמש. אותו חשבון, אותם פרטי כניסה, אותם פרויקטים, אותו רישיון. הכל הועבר באופן אוטומטי תחת השם החדש.

מי שהיה מנוי בתשלום בפריפיק ממשיך עם אותו מסלול, אותה תקופת חיוב ואותם תנאים. הקרדיטים נשארים, ההיסטוריה נשארת, הקבצים שכבר ירדו בעבר נשארים, וההגדרות זהות. אם השתמשתם ב-API דרך פריפיק, גם הוא ממשיך לעבוד תחת הכתובת הישנה במקביל לכתובת החדשה למשך לפחות 6 חודשים, ועדכונים על מעבר עתידי יישלחו מבעוד מועד.

השינוי שהמנויים יראו הוא בתפעול היומיומי. ההתכתבויות מהחברה כעת יגיעו מכתובת info@news.magnific.com, ולכן כדאי להוסיף אותה לרשימת אנשי הקשר כדי שלא תיפול לתיקיית הספאם. האפליקציה במכשירים הניידים כבר עברה עדכון אוטומטי לסמל ולשם החדש.

הסיפור מאחורי שינוי השם

מאחורי שינוי המיתוג מסתתר משהו גדול יותר משינוי לוגו. מגניפיק מצטרפת לקטגוריה הולכת וגדלה של פלטפורמות שמנסות להיות "כל היצירה במקום אחד", במקום שיוצר יידרש להחזיק מנוי במידג'רני (Midjourney) לתמונות, ברנוויי (Runway) לסרטונים, באיליבן לאבס (ElevenLabs) לאודיו, ובאדובי (Adobe) לעריכה.

הבחירה הזו מבטאת תפיסה מוצרית שונה. במקום לבנות מודל קנייני אחד ולהתחרות בענקיות, מגניפיק בחרה להציע משטח שמרכז את הטוב ביותר מכל מקום, ולחבר אותו לכלי הסטוק הוותיקים שלה ולכלים שהיא פיתחה בעצמה. הגישה הזו מתאימה בעיקר ליוצרים שעובדים על קמפיינים שלמים, סרטוני וידאו קצרים, תכני שיווק או הפקות מקיפות, ולא רק לחיפוש תמונה בודדת.

"הבעיה מעולם לא הייתה המוצר. אנשים ראו פרגמנטים: פריפיק כסטוק, מגניפיק כאפסקיילר. זו הפעם הראשונה שהמערכת השלמה גלויה כפלטפורמה אחת."

— חואקין קואנקה (Joaquín Cuenca), מנכ"ל ומייסד-שותף, הבלוג הרשמי של מגניפיק

ההיגיון ברור: יוצרים אינם רוצים להיות מומחים לכלים אלא מומחים לתוכן. ככל שכלי ה-AI מתרבים, כך גובר הצורך בנקודה אחת שמאחדת אותם.

מה כדאי לעשות עכשיו?

אם הייתם משתמשים של פריפיק, הצעד היחיד שנדרש הוא להיכנס ל-magnific.com עם אותו אימייל וסיסמה שהשתמשתם בהם קודם. אין צורך להירשם מחדש, לשלם מחדש או לשחזר נכסים. כל מה שהיה ממשיך לעבוד.

אם לא הכרתם את פריפיק, השם החדש הוא הזדמנות להסתכל מחדש על הקטגוריה של פלטפורמות AI כוללניות. במקום להחליט בין כלי לכלי, מגניפיק מציעה לבדוק מה כל אחד מהם עושה טוב יותר במשימה ספציפית, ולעבוד אתם במקביל. כשמודלים חדשים יוצאים מדי כמה שבועות, גישה כזו עשויה לחסוך לא מעט זמן ותסכול.

הפוסט מפריפיק למגניפיק – השם משתנה, הסיפור ממשיך הופיע ראשון בLet's AI בינה מלאכותית

מורים שיבנו לעצמם תהליך עבודה נכון עם החידושים החדשים יכולים לחסוך עשרות שעות בחודש ולשדרג מהותית את איכות החומרים שהם מביאים לכיתה. הנה החידושים המרכזיים, מה הם אומרים בפועל, ואיך לשלב אותם ביום יום בעבודת ההוראה.

הסוכן של גמא - Gamma Agent

החידוש המרכזי של גרסת Gamma 3.0 הוא הסוכן החדש, שהפך את העריכה משעות של גרירה ולחיצות לשיחה של דקה. הסוכן חוקר את הרשת בעצמו, משכתב טקסטים, מחליף עיצוב לדק שלם בלחיצה אחת, ומציע שיפורים על תוכן קיים. הוא לא רק עורך אלא יוזם.

בשלב 1: נכנסים לדף הבית בגמא, לוחצים על Gammas ולאחר מכן על יצירת AI חדש:

נכנסים ל- Gamma ולוחצים על יצירת AI חדש

בשלב 2 בוחרים ביצירה:

לוחצים על ״יצירה״

בשלב 3 בוחרים במצגת שיצרתם או במצגת קיימת:

בוחרים במצגת שיצרתם או במצגת קיימת

בשלב 4 כותבים פרומפט לסוכן:

כותבים פרומפט לסוכן

הגישה הנכונה היא לא לפתוח את הסוכן בסוף התהליך כמו "מתקן שגיאות", אלא לשלב אותו בכל שלב. אחרי שגמא יצרה את הדק (סט שקפים של מצגת) הראשוני, פותחים את הסוכן ומבקשים ממנו לבצע עידון, לדוגמה: לקצר שקפים שיש בהם יותר משלושה בולטים, להוסיף שאלת חשיבה בסוף כל פרק, או להפוך שקף תיאורי לשקף אינטראקטיבי. הכל בעברית, בשיחה רציפה, בלי לחזור לתפריטים.

פרומפט לעידון דק קיים בעזרת הסוכן:

השיעור על המפץ הגדול מחר. קצרי לי את הדק מ-20 שקפים ל-12, ותשמרי את שלושת השקפים שעוסקים בהיווצרות היקום. תוסיפי בסוף כל פרק שאלת חשיבה ברמה של כיתה י', ותחליפי את שקף הסיכום לשקף עם שלוש השאלות החשובות ביותר לבגרות. אל תוסיפי תוכן שלא מופיע בדק המקורי.

ההוראה האחרונה, לא להוסיף תוכן שלא קיים, היא קריטית. בלי ההגבלה הזו הסוכן ייצר חופשי ויוסיף עובדות שלא בדקתם. אתם רוצים ממנו לערוך את מה שכבר אישרתם, לא להמציא חומר חדש.

אנימציות AI במקום תמונות סטטיות

עד ינואר 2026, שקף בגמא היה מורכב מטקסט ומתמונה קפואה. הפיצ'ר החדש AI Animations שינה זאת. בעת יצירת מצגת, אפשר לבחור אותו כמקור התמונות, וגמא תייצר אנימציה דינמית במקום תמונה. בשקף על מחזור המים, המים זזים. בשקף על תאים, התא מתחלק. בשקף על מערכת השמש, כוכבי הלכת מקיפים.

זה לא וידאו רקע גנרי שמורידים מאתרי סטוק, אלא אנימציה ייחודית שגמא יוצרת על בסיס תוכן השקף. ההבדל בכיתה הוא דרמטי: תלמידים בני עשר, שרגילים לקצב של טיקטוק, מאבדים עניין בשקף עם תמונה קפואה כבר בשנייה הראשונה, לעומת זאת, אנימציה שמתעדכנת תוך כדי ההסבר נותנת לכם סיכוי אמיתי להחזיק את תשומת הלב שלהם לעוד כמה דקות.

הפיצ'ר זמין בתוכניות Ultra ו-Business, ונמצא בתפריט Image source כשיוצרים גמא חדשה. למורים שעובדים בתוכנית הבסיסית יש דרך עקיפה: ליצור את הדק רגיל, ואז להחליף תמונות בודדות בשקפים הקריטיים בעזרת אנימציה. עדיין שדרוג מהותי, גם בלי השקעה בתוכנית גבוהה יותר.

ננו בננה - סוף סוף טקסט מדויק בעברית בתמונה

אחת הבעיות הכואבות ביותר של מורים שניסו ליצור חומרי לימוד עם בינה מלאכותית עד עכשיו הייתה הטקסט בתוך התמונה. ניסיתם פעם לבקש פוסטר על מערכת השמש בעברית עם שמות כוכבי הלכת? קיבלתם אותיות מעוותות, מילים בג'יבריש, ותוויות שנראות כמו ניסיון של מי שלא יודע עברית לחקות עברית.

המודל Nano Banana, שהוטמע בגמא בסוף 2025 ועבר לגרסת HD בנובמבר, פתר את הבעיה. זה המודל הראשון שמצליח לשלב טקסט בתוך תמונה בצורה מדויקת, כולל בעברית. גרסת ה-HD מייצרת תמונות ב-4K, ראויות לחלוקה כדפי עבודה מודפסים בכיתה. למורי מדעים המשמעות היא דיאגרמות עם תוויות נקיות, למורי לשון המשמעות היא פוסטרים שהתלמידים יכולים באמת לקרוא. למעשה באופן כללי המשמעות היא שהפלט הוויזואלי של בינה מלאכותית הפך לבר שימוש בלי תיקונים ידניים.

פרומפט לאינפוגרפיקה כיתתית:

צרי לי אינפוגרפיקה בעברית של שלבי הפוטוסינתזה לכיתה ז'. כל שלב צריך תווית קצרה, חץ שמראה את כיוון התהליך, וצבע שונה (ירוק לעלים, כחול למים, צהוב לאור שמש). סגנון: ספר לימוד מאויר, רקע לבן, פונט ברור. גודל ראוי להדפסה כדף עבודה.

הזמינות של Nano Banana Pro מתחילה מתוכנית Pro ומעלה. גרסת HD נכללת רק ב-Ultra ו-Business, אבל הגרסה הרגילה מספיקה לרוב צרכי המורה היומיומיים.

Remix ותבניות שכבה: שיעור אחד, שימוש מרובה

המציאות של רוב המורים היא שהם מלמדים את אותו תוכן מספר פעמים, לכמה כיתות במקביל, לשכבות גיל שונות, או לאותה כיתה כמה שנים ברצף. עד עכשיו היה ניתן לפתוח קובץ ישן, לערוך אותו, לשמור בשם חדש, ולגלות שאחרי שנה כבר יש לכם 47 גרסאות של השיעור על המהפכה התעשייתית.

הפיצ'ר Remix מאפשר לקחת כל קובץ גמא קיים ולהפוך אותו לבסיס לתוכן חדש: אותו מבנה, אותו עיצוב, אותו פתיח וסיום, אבל עם נושא שונה. תבניות שכבה (Workspace Templates) הן הצעד הבא. צוות מורים בבית הספר יכול לבנות תבנית אחידה לכל שיעורי המתמטיקה בכיתה ט', וכולם משתמשים באותו מבנה. התוצאה היא לא רק חיסכון בזמן, אלא גם אחידות חינוכית. כל התלמידים בשכבה רואים שיעור עם אותו מבנה לוגי, אותם סוגי תרגילים, אותם דגלי שאלת חשיבה.

לחצן ה- Remix

שילוב גמא עם ChatGPT וקלוד 

עד 2026, תהליך טיפוסי של מורה שתכנן שיעור עם בינה מלאכותית נראה לרוב כך: שיחה עם ChatGPT לבניית מערך השיעור, העתקה של המערך, פתיחת גמא, הדבקה, יצירה. במרץ 2026 המצב השתנה. גמא שיחררה אפליקציה רשמית בתוך ChatGPT, וקונקטור (Connector) לקלוד. קונקטור הוא חיבור ישיר בין שני כלים שמאפשר להם לעבוד ביחד באותה שיחה. במקרה הזה, הקונקטור של גמא בקלוד מאפשר לבקש מקלוד לבנות לכם מצגת בגמא ישירות מתוך השיחה, בלי לפתוח את גמא בנפרד ובלי להעתיק שום דבר.

המשמעות היומיומית פשוטה: אתם בשיחה עם קלוד, מבקשים שיעור על מבנה התא לכיתה ז' עם שלוש פעילויות אינטראקטיביות, ובאותה שיחה מבקשים גם להפיק את התוצר כמצגת. אין יותר מעבר בין כלים, אין יותר העתקות, אין יותר עיצוב שנשבר במעבר.

לקלוד יש יתרון נוסף למורים שעובדים עם הקונקטור, היכולת להעלות מסמכים ארוכים כמו תוכנית לימודים שנתית, ספרי לימוד דיגיטליים או מאמרי מחקר, ולהפיק מהם מצגת מדויקת שמתבססת על מקורות אמיתיים, ולא על "ידע כללי" של המודל.

נכנסים לקלוד ובוחרים בתפריט ב- Customize:

לוחצים על Customize

בוחרים ב- Connect your apps:

לוחצים על Connect apps

בוחרים ב- Connectors, כותבים בשורת החיפוש "gamma", ומחברים את האפליקציה:

בוחרים ב- Connectors, כותבים בשורת החיפוש גמא, ומחברים את האפליקציה

פרומפט מורכב לבניית שיעור מלא:

הכן לי שיעור של 45 דקות על מבנה התא לכיתה ז', מבוסס על תוכנית הלימודים של משרד החינוך (מצורפת). השיעור צריך להכיל: פתיחה של 5 דקות עם שאלה מעוררת חשיבה, הסבר מושגי של 15 דקות עם דיאגרמה של תא בעלי חיים מול תא צמח, פעילות בקבוצות של 15 דקות (תכנן את הפעילות), וסיום של 10 דקות עם שאלת בגרות לדוגמה. הפק את התוצר כמצגת גמא, וסמן את שלושת השקפים שמתאימים גם לדף עבודה מודפס.

Gamma Imagine מעבר למצגות

בבית הספר מתקיימים מגוון אירועים, לדוגמה, יום הורים שדורש פלייר, יום שיא בנושא מדע שדורש פוסטרים, אסיפת הורים שדורשת אינפוגרפיקה של תוצאות מבחני המיצ"ב, וקבוצת וואטסאפ שדורשת גרפיקה לעדכון על טיול שכבתי. עד מרץ 2026, מרבית המורים השתמשו לצרכים אלו בקנבה (Canva) או באדובי אקספרס (Adobe Express). המוצר Gamma Imagine שהושק במרץ האחרון, הוא מוצר נפרד ליצירת חומרים שיווקיים: אינפוגרפיקות, גרפיקה לרשתות חברתיות, ויזואליזציות נתונים, פוסטרים.

ההבדל מקנבה הוא שכאן הכל מתבסס על אותה סביבת בינה מלאכותית שאתם כבר משתמשים בה לשיעורים. הסגנון העיצובי של בית הספר, צבעי המותג, הלוגו (כולל גרסה אדפטיבית לרקעים בהירים וכהים, פיצ'ר חדש מדצמבר 2025), הכל אחיד - רכז חברתי שמייצר ארבעה פוסטרים לאירועים בחודש, מנהל שכבה ששולח שלושה עדכונים להורים בשבוע, ויועצת שמכינה אינפוגרפיקה לסדנת מניעת אלימות, כולם עובדים מאותה סביבה, באותו מותג ויזואלי, בלי להתעסק עם תבניות חיצוניות שלא מתאימות.

תהליך עבודה למורה צעד אחר צעד

כל החידושים הללו לא שווים הרבה אם לא משתמשים בהם בתהליך מסודר. הנה רצף עבודה שממצה את היתרונות של גמא 2026 לבניית שיעור איכותי:

1) התחילו מהמטרה, לא מהשקף

במקום לכתוב בפרומפט "תייצרי לי מצגת על שייקספיר", כתבו: "שיעור 50 דקות על שייקספיר לכיתה י'. מטרה: שהתלמידים יזהו את חמשת המוטיבים החוזרים. כולל שאלת פתיחה, שלוש דוגמאות מ'רומיאו ויוליה', ותרגיל סיום". ככל שהקלט מדויק יותר, הפלט שימושי יותר. זה לא קסם, זאת תקשורת.

2) קודם המצגת, אחר כך הליטוש עם הסוכן

בחרו "AI Animations" כמקור התמונות אם אתם בתוכנית Ultra או Business. אם לא, השתמשו בנאנו בננה פרו (Nano Banana Pro) לשקפים שדורשים טקסט בתמונה כמו פוסטרים, דיאגרמות ואינפוגרפיקות. אחרי שהדק נוצר, פתחו את הסוכן ותדייקו: "תקצרי שקפים שיש בהם יותר משלושה בולטים", "תוסיפי שאלת חשיבה בסוף כל פרק", "תהפכי את השקף השלישי לשקף תרגיל".

3) שמרו כתבנית, ושתפו בלינק

שיעור מוצלח? שמרו אותו כתבנית שכבה. בפעם הבאה לחיצה אחת תיתן לכם את אותו מבנה לנושא חדש. כשמשתפים עם הורים או עם תלמידים, עדיף לשתף בלינק ולא בקובץ. השיתוף בלינק נותן לכם אנליטיקה: איזה הורה פתח, באיזה שקף הוא נשאר הכי הרבה. הוא גם מאפשר עדכונים בזמן אמת. תיקנתם משהו? כולם רואים מיד.

טיפים נוספים מהשטח

מעבר לתהליך הבסיסי, יש כמה הרגלים שמורים מנוסים פיתחו ב-Gamma שכדאי לאמץ:

טיפ ראשון הוא העלאה של תוכנית הלימודים השנתית כקובץ PDF לסביבת העבודה. גמא יודעת להוציא ממנה תבניות לכל שיעור, וכך לחסוך את העבודה החוזרת של הסבר ההקשר בכל פעם.

טיפ שני הוא יצירת דק אישי לכל הורה לקראת שיחות הורה-מורה. זה נשמע כמו עבודה אינסופית, אבל בזכות פיצ'ר Remix זה לוקח דקה לכל ילד. תבנית קבועה (התקדמות, חוזקות, אתגרים, יעדים לסמסטר הבא) שמתמלאת בפרטי התלמיד הספציפי.

טיפ שלישי וחשוב במיוחד למורים בארץ, הוא ייצוא ל-PowerPoint כגיבוי לכל שיעור. האינטרנט בכיתות בתי הספר הישראליים עדיין לא תמיד יציב, וכשהאינטרנט נופל באמצע שיעור, גרסת PPT מקומית על המחשב היא ההבדל בין שיעור שממשיך לבין רבע שעה של אילתור.

טיפ רביעי הוא מצב Studio עם נאנו בננה פרו HD. זהו פיצ'ר שלא הרבה מורים מכירים, והוא מתאים במיוחד לשיעורים עם אווירה ויזואלית מיוחדת באמנות, היסטוריה או ספרות. מצב Studio מייצר דק שנראה כמו מגזין מעוצב, לא כמו מצגת. הוא מתאים פחות ליומיום ויותר לשיעורי שיא, פתיחות יחידה, או הצגות לפני הורים והנהלה.

טיפ חמישי למורים שבונים אתר כיתה: הפעילו את "Make discoverable on the web" בהגדרות. זהו פיצ'ר חדש מדצמבר 2025 שמאפשר לגוגל ליצור אינדקס לאתר שלכם, כך שהורים שמחפשים את שם הכיתה ישר ימצאו את החומרים. 

טיפ שישי הוא שילוב Embeds חכם. גמא תומכת בהטמעה של יוטיוב, גוגל פורמס, טייפפורם (Typeform), פדלט (Padlet) וכלים נוספים ישירות בתוך השקפים. שיעור אחד עם כל הכלים בפנים, בלי לפתוח טאבים נוספים בכיתה. זה ההבדל בין שיעור זורם לבין שיעור שנשבר כל שתי דקות בגלל מעבר בין מערכות.

טיפים מהשטח

ציר הזמן של החידושים

כדי לעקוב אחר הקצב של גמא, הנה רשימה מסודרת של החידושים המרכזיים מהשנה האחרונה:

בנובמבר 2025 שודרג מצב Studio למודל Nano Banana Pro HD, שמאפשר טקסט מדויק בתמונה.

בדצמבר 2025 נוספו Adaptive Logos (לוגו שמתאים את עצמו אוטומטית לרקע) ואינדוקס בגוגל לאתרים שגמא מייצרת. 

בינואר 2026 הושקו AI Animations, וגם הקונקטור של גמא לקלוד. 

בפברואר 2026 יצא לזמינות מלאה הפיצ'ר Create from Template.

במרץ 2026 הושק Gamma Imagine ואפליקציית גמא הרשמית בתוך ChatGPT. 

הקצב הזה לא צפוי להאט, ושווה להציץ פעם בחודש בעמוד החידושים של גמא רק כדי לוודא שאתם לא מפספסים פיצ'ר שיכול לחסוך לכם שעה בשבוע.

היכן הכלי נגמר ואתם מתחילים?

כל החידושים הללו מעולים, אבל הם לא מחליפים את השיקול הפדגוגי שלכם. גמא היא עוזרת מצוינת בעיצוב, בייצור חומרים מהיר ובפישוט תהליכים חזרתיים. עם זאת, היא לא מקבלת החלטות חינוכיות - השיעור שהיא בנתה לכם יכול להיראות מושלם ויזואלית, ובכל זאת לפספס את הצורך הספציפי של הכיתה שלכם השבוע.

כמו כן, הדק שהיא הפיקה בשניות ספורות, יכול להיות מדויק מבחינת מבנה אך שטחי מבחינת תוכן. השתמשו בכלים הללו כדי לפנות זמן למה שבאמת חשוב, השיחות עם התלמידים, האבחנה האישית של מי הבין ומי לא, והקול האנושי שלכם בכיתה. אף בוט לא יחליף אותו.

הפוסט חידושי Gamma 2026 למורים – המדריך לכלי שהפך למרכז העבודה הופיע ראשון בLet's AI בינה מלאכותית

הניסוי: סוכן לכל עובד, סלאק במקום קרייגסליסט

הניסוי, שאנטרופיק כינתה Project Deal, התקיים בסביבת עבודה אחת ויחידה - ערוץ סלאק (Slack) פנימי של החברה. כ- 69 עובדים נרשמו מרצונם, וכל אחד מהם קיבל תקציב של 100 דולר בכרטיסי מתנה כדי לקנות חפצים מקולגות לעבודה.

השלב הראשון היה ראיון, קלוד (Claude) שוחח עם כל משתתף, אסף ממנו רשימת חפצים שהוא מוכן למכור, רשימת רצונות לקנייה, מחירי מינימום ומקסימום, וסגנון ניהול משא ומתן. את התשובות האלה אנטרופיק תרגמה ל-system prompt מותאם אישית לכל סוכן. משם, בני האדם נעלמו מהתמונה.

הסוכנים פעלו לבדם. הם פרסמו מודעות בערוץ הסלאק, איתרו התאמות פוטנציאליות, הציעו מחירים, השיבו להצעות נגדיות, ניהלו מלחמות הצעות, וסגרו עסקאות. אף אדם לא התערב בתהליך, גם לא ברגעי הכרעה. בסופו של דבר, רק כשהיה צורך להעביר חפץ פיזי מאדם לאדם, בני האדם חזרו לתמונה.

ארבעה שווקים, מודלים שונים, אותה המציאות

מה שהמשתתפים לא ידעו זה שהם בעצם השתתפו בארבעה ניסויים מקבילים. אנטרופיק הריצה את אותו השוק ארבע פעמים בו-זמנית. גרסה אחת היתה ה"אמיתית" - שם כל הסוכנים הופעלו על ידי קלוד אופוס 4.5 (Claude Opus 4.5), המודל החזק ביותר של החברה באותה עת, וכל עסקה שנסגרה מומשה בפועל אחרי הניסוי. שלוש הגרסאות האחרות היו לצורכי מחקר.

בשתיים מהן, סוכנים נדגמו אקראית - חצי מהמשתתפים יוצגו על ידי אופוס, וחצי על ידי קלוד הייקו 4.5 (Claude Haiku 4.5), מודל קטן וזול יותר. אף אחד מהמשתתפים לא ידע איזה מודל מייצג אותו.

בריצה ה"אמיתית" -  69 הסוכנים סגרו 186 עסקאות מתוך מעל 500 פריטים שהוצעו, בנפח כולל של מעל 4,000 דולר. כשהמשתתפים התבקשו לדרג את ההוגנות של העסקאות שלהם בסולם של 1 עד 7, הציון נח על 4 - בדיוק במרכז. אובייקטיבית, הניסוי עבד.

אותה חוויה, אבל תוצאה שונה לחלוטין 

עם זאת הריצות המקבילות חשפו תמונה אחרת - כשאותו פריט בדיוק נמכר פעם אחת על ידי סוכן אופוס ופעם אחת על ידי סוכן הייקו, סוכן אופוס השיג בממוצע 3.64 דולר יותר לעסקה. משתמשים שיוצגו על ידי אופוס גם השלימו כשתי עסקאות נוספות בממוצע ביחס למשתמשי הייקו לאורך הניסוי.

הנתונים האלה היו עקביים ומדידים. אנטרופיק עצמה הגדירה זאת כך: משתמשים עם מודלים מתקדמים יותר מקבלים תוצאות אובייקטיביות טובות יותר.

החלק המטריד הוא לא הפער עצמו, אלא העובדה שאף אחד לא הרגיש בו. כששתי הקבוצות התבקשו לדרג את הוגנות השוק, שתיהן נתנו 4 מתוך 7. מי שיוצג על ידי המודל המנצח חשב שהוא קיבל יחס הוגן. מי שיוצג על ידי המודל המפסיד - חשב בדיוק את אותו הדבר. הפער היה בלתי נראה לגמרי לאלה שספגו אותו.

ההוראות פחות חשובות מהמודל

הניסוי גם חשף תופעה נוספת מעניינת: ההוראות הראשוניות שהמשתתפים נתנו לסוכנים שלהם - סגנון מיקוח אגרסיבי או רך, רגישות למחיר, וכדומה - השפיעו פחות מהצפוי. לא על הסבירות לסגור עסקה, ולא על המחיר הסופי. במילים אחרות, מה שהכריע היה לא האופן שבו הדרכת את הסוכן שלך, אלא איזה מודל בדיוק ייצג אותך מולו.

במהלך הניסוי גם צצו רגעים אנושיים. אחד הסוכנים שיווק שקית של כדורי פינג פונג כ"כדורים כדוריים מושלמים של אפשרויות". סוכן אחר זכר שיחה אקראית של קולגה על מותג סנובורד מסוים, ומצא בדיוק את הדגם שהקונה רצה. ועובד אחד אישר לקלוד לקנות משהו לעצמו. הסוכן בחר 19 כדורי פינג פונג. כיום הם נמצאים במשרדי אנטרופיק, רשמית בבעלות קלוד.

New Anthropic research: Project Deal.

We created a marketplace for employees in our San Francisco office, with one big twist. We tasked Claude with buying, selling and negotiating on our colleagues’ behalf. pic.twitter.com/H2f6cLDlAW

— Anthropic (@AnthropicAI) April 24, 2026

מסחר אמיתי, לא משחק

כ-46% מהמשתתפים אמרו שיהיו מוכנים לשלם בעבור שירות כזה. המספר הזה לא קטן, והוא רומז שהשוק הזה - של סוכני AI שסוחרים בשמך - הוא לא תרחיש עתידני אלא מציאות שמתקרבת.

אבל אנטרופיק עצמה סימנה את הסיכונים. בעולם של חברות, לא של מתנדבים שקיבלו 100 דולר, התמריצים נראים אחרת לחלוטין. כלים מסחריים שמותאמים לתשומת הלב של סוכני AI - ולא לטובת הקונה - עלולים להפוך לנשק עוצמתי. הזרקת פרומפטים זדוניים (Prompt Injection), פריצות, ושיטות מרמה חדשות נכנסות גם הן למשוואה כשמדובר בסוכנים שמבצעים פעולות אמיתיות בשמך.

אנטרופיק כתבה במפורש שהמסגרות החוקיות והרגולטוריות לסוכני AI שמבצעים עסקאות בשמנו פשוט לא קיימות עדיין, ושהחברה האנושית תידרש לפעול מהר. הוועדה הפדרלית לסחר בארה"ב (FTC) כבר עוקבת אחרי תחום הסוכנים, ובמקביל AWS מדווחת על תוכניות להשיק שוק סוכנים משלה.

השאלה שצריך לשאול לפני שזה כבר כאן

הניסוי הוא לא מוצר. הוא לא יוצא ללקוחות. אבל הוא הוכחת היתכנות, וגם אזהרה: כשסוכני AI יסחרו בשמכם, איכות המודל שתוכלו להרשות לעצמכם תקבע את העסקאות שתקבלו. וכמו במחקר של אנטרופיק - לא יהיה לכם שום אינדיקטור שיגיד לכם שאתם מפסידים.

מדובר במצב חדש. בעולם הקודם, אפשר היה לפחות לדעת שאתם מתמקחים מול סוחר מנוסה יותר. בעולם של סוכן מול סוכן, ההבדל הזה הופך לבלתי נראה. וההבדל הבלתי נראה הוא בדיוק זה שמייצר את חוסר השוויון העמוק ביותר.

הפוסט כשסוכני AI סוחרים אחד עם השני, מי באמת מרוויח? הופיע ראשון בLet's AI בינה מלאכותית

מה זה בעצם GPT-Rosalind?

ב-17 באפריל הכריזה OpenAI על השקתו של GPT-Rosalind, מודל חשיבה חדש שמיועד לתמוך במחקר בביולוגיה, בגילוי תרופות וברפואה טרנסלציונית. השם אינו מקרי. רוזלינד פרנקלין הייתה החוקרת שעבודתה הייתה חיונית להבנת המבנים המולקולריים של DNA, RNA ונגיפים, והחברה בוחרת לקשור את המודל החדש שלה למורשת הזו.

Announcing GPT-Rosalind, our frontier model for life science research.

This model is a step towards one of our most important goals — accelerating science and improving human outcomes.

Excited to work with many amazing partners on deploying and improving this model. https://t.co/bAsmBB23oQ pic.twitter.com/JCKLTkOCJn

— Greg Brockman (@gdb) April 16, 2026

המודל מוגש דרך ChatGPT Enterprise, Codex ודרך ה-API, אך לא לכל אחד. הגישה ניתנת כרגע רק ללקוחות ארגוניים מוסמכים בארצות הברית, דרך תוכנית Trusted Access של החברה. משמעות הדבר שהמודל לא זמין למנויי ChatGPT Plus או Pro רגילים. ארגונים שרוצים גישה נדרשים לעבור תהליך אישור שבוחן את מטרת המחקר, מנגנוני הממשל ובקרות למניעת שימוש לרעה. לפי OpenAI, זהו המודל הראשון בסדרת מודלים חדשה של מדעי החיים, וכבר עכשיו מתכננים בחברה להרחיב את יכולות החשיבה הביוכימית שלו.

לצד ההשקה המוגבלת, OpenAI פרסמה גם משהו שכל חוקר או סטודנט יכול להשתמש בו כבר עכשיו. תוסף חדש בשם Life Sciences Research Plugin שוחרר במקביל ב-GitHub כקוד פתוח, והוא עובד עם מודלי GPT-5.4 הרגילים - אלה שכל מנוי ChatGPT Plus כבר יש לו גישה אליהם. התוסף מתחבר ליותר מ-50 מאגרי ביולוגיה ציבוריים וכלים מדעיים, מבסיסי נתונים של מבני חלבונים ועד מאגרי ספרות מדעית. במובן הזה, ההכרזה הכפולה מעניינת - החברה נותנת למיליוני משתמשים כלי עבודה מדעי בחינם, ובמקביל שומרת את המודל החזק באמת מאחורי שער סגור.

הבעיה שהמודל מנסה לפתור

כדי להבין למה בכלל צריך מודל ייעודי כזה, כדאי לעצור רגע על המציאות של תעשיית התרופות. לפי נתוני קבוצת התעשייה PhRMA, תהליך פיתוח תרופה, מרגע זיהוי המטרה הביולוגית ועד לאישור רגולטורי, אורך בדרך כלל בין 10 ל-15 שנה. כלומר, עשור וחצי שבהם חוקרים נדרשים לעבד כמויות אדירות של ספרות מדעית, מאגרי נתונים ותוצאות ניסויים, לעיתים תחת לחץ זמן משמעותי.

זו בדיוק הנקודה שבה OpenAI טוענת שהמודל שלה יכול להיכנס לתמונה. החברה מציגה את GPT-Rosalind ככלי שיאפשר לחוקרים לבחון יותר אפשרויות, לזהות קשרים שהיו יכולים להתפספס, ולהגיע להשערות טובות יותר מוקדם יותר בתהליך. התיאור הזה חשוב בדיוק בגלל מה שאין בו. אף אחד לא מבטיח שהמודל יגלה תרופות בעצמו. ההבטחה מצומצמת יותר - מודל שעוזר לחוקרים לחשוב.

שותפויות שנבנות במקביל

ההשקה לא מגיעה לבד. בימים שקדמו להכרזה, OpenAI חתמה על שיתוף פעולה עם נובו נורדיסק (Novo Nordisk), ענקית הפארמה הדנית, שיתמקד בניתוח מערכי נתונים מורכבים, בזיהוי מועמדים מבטיחים לתרופות, ובקיצור לוחות הזמנים של מחקר ופיתוח. במקביל, כבר מתנהלים שיתופי פעולה עם שמות כבדים נוספים: חברות הביו-פארמה אמג'ן (Amgen) ומודרנה (Moderna), מכון אלן (Allen Institute) וחברת ציוד המעבדה תרמו פישר סייאנטיפיק (Thermo Fisher Scientific).

שון ברואיץ' (Sean Bruich), סגן נשיא בכיר לבינה מלאכותית ונתונים באמג'ן, אמר כי שיתוף הפעולה עם OpenAI מאפשר לחברה ליישם את היכולות המתקדמות ביותר של המודל בדרכים חדשות, עם פוטנציאל להאיץ את הבאת התרופות לחולים. זוהי בדיוק השפה שבה משתמשת תעשייה שלמה כרגע.

מה שמספרים לא מספרים

והנה מגיע ההקשר שצריך לזכור. דוח של PitchBook מתחילת השנה מצא שמאז 2019 הושקעו יותר מ-17 מיליארד דולר בחברות שעוסקות בגילוי תרופות באמצעות בינה מלאכותית. הסכומים עצומים, המצגות מרשימות, והכותרות זורמות. אבל אותו דוח מציין גם עובדה חשובה אחת: עד כה, אף תרופה שפותחה בעזרת AI לא הגיעה לניסויים קליניים בקנה מידה גדול.

כלומר, אנחנו נמצאים במצב שבו ההשקעה קודמת להוכחת היכולת. תעשיית התרופות מהמרת על כך שהטכנולוגיה תעבוד, ומאמצת אותה עוד לפני שהיא הוכיחה את עצמה. ההכרזה של OpenAI - והמודל של אמג'ן, של מודרנה, של נובו נורדיסק ושל אחרים - היא חלק מההימור הזה.

לא רק OpenAI במגרש

חשוב גם לזכור ש-OpenAI לא לבדה בזירה הזו. אלי לילי (Eli Lilly) חתמה בשנת 2024 על שיתוף פעולה עם OpenAI לגילוי תרופות חדשות שיתמודדו עם חיידקים עמידים לאנטיביוטיקה. באוקטובר האחרון הודיעה החברה על שיתוף פעולה נוסף, הפעם עם אנבידיה (Nvidia), להקמת מחשב-על שהוגדר כ"החזק ביותר שבבעלות חברת פארמה" בתעשייה. במקביל נולדים גם כלים ייעודיים לרופאים ואנשי מחקר רפואי, והגבול בין עולם מודלי השפה לעולם הרפואה הולך ומיטשטש. התעשייה כולה נעה בכיוון אחד, והשאלה היא לא האם AI ייכנס למעבדות, אלא באיזו מהירות ובאיזה עומק.

בין הייפ להבטחה

רוזלינד פרנקלין לא זכתה בחייה לכבוד שראוי היה לה לקבל על תרומתה לפיענוח מבנה ה-DNA. היא אובחנה בסרטן השחלות ונפטרה ב-1958, בגיל 37, ארבע שנים לפני שפרנסיס קריק (Francis Crick), ג'יימס ווטסון (James Watson) ומוריס ווילקינס (Maurice Wilkins) קיבלו את פרס נובל על עבודה שנשענה חלקית על ממצאיה. לקרוא למודל AI על שמה, דווקא במטרה לקצר תהליכים מדעיים ארוכים, זו החלטה שנושאת בתוכה ניגוד בולט לסיפור חייה של פרנקלין.

האם GPT-Rosalind באמת יוריד שנים מתהליך פיתוח תרופות, או שהוא ישתלב בגל הרחב יותר של כלים שמנסים ועדיין לא מצליחים לעמוד בהבטחותיהם? התשובה תגיע לא מההכרזות ולא מהמצגות, אלא מניסוי קליני ראשון של תרופה שתגיע לסוף הדרך.

הפוסט המודל החדש של OpenAI שנכנס למעבדה – GPT-Rosalind הופיע ראשון בLet's AI בינה מלאכותית

בשנת 2012, כשהושקה סנאפצ'אט, היא הציעה רעיון כמעט הפוך למה שהאינטרנט ייצג עד אז: תוכן שנעלם. בזמן שחברות אחרות ניסו לשמור כל פיסת מידע, סנאפ בנתה מוצר סביב זמניות. יותר מעשור אחרי, אותה חברה מתמודדת עם אתגר אחר לגמרי, לא איך לשמור על ייחודיות, אלא איך להישאר רלוונטית ויעילה בתוך תעשייה שמשתנה במהירות. והפעם, הכלי שמוביל את השינוי הוא הבינה המלאכותית.

הפיטורים בפועל

אוון שפיגל (Evan Spiegel), מנכ"ל סנאפ, שלח ביום רביעי מזכר לכל עובדי החברה עם הבשורה: כ-1,000 עובדים קבועים יפוטרו, מה שמהווה כ-16% מכוח העבודה הגלובלי של החברה. בנוסף, החברה סוגרת יותר מ-300 משרות פתוחות שהיו אמורות להתמלא.

נכון לדצמבר 2025, העסיקה סנאפ כ-5,261 עובדים קבועים. כלומר, מדובר במהלך רחב היקף ולא בהתאמה נקודתית.

תנאים לעוזבים והמציאות מאחוריהם

העובדים שיפוטרו בארצות הברית יקבלו חבילת פרישה הכוללת ארבעה חודשי שכר, המשך ביטוח בריאות, הבשלת אופציות ותמיכה במעבר לתפקיד חדש.

זו חבילה נדיבה יחסית לסטנדרטים של התעשייה, אבל זה לא ממש מנחם כשאתם מוצאים את עצמכם מחוץ לדלת. במיוחד כששוק העבודה עצמו מתחיל להשתנות.

הבינה המלאכותית כהצדקה

הניסוח של סנאפ מעניין במיוחד: במזכר נכתב שההתקדמות המהירה בתחום הבינה המלאכותית מאפשרת לצוותים להפחית עבודה חוזרת, להגביר את קצב העבודה ולתמוך טוב יותר בקהילה, השותפים והמפרסמים של החברה.

החברה אף הציגה דוגמאות: צוותים קטנים שמשתמשים בכלי AI הצליחו לקדם התקדמות משמעותית בכמה פרויקטים, כולל שירות המנויים Snapchat+, שיפור ביצועי פלטפורמת הפרסום ושיפורי יעילות בתשתית Snap Lite.

המשמעות האמיתית

בואו נתרגם את זה לשפה פשוטה: סנאפ גילתה שאפשר להחליף חלק מהעובדים בכלי בינה מלאכותית, וזה חוסך לה הרבה כסף.

זו לא האשמה, אלא קביעה ישירה שחברות אולי חושבות אבל לא אומרות בקול רם.

החשבון הכלכלי - חיסכון של יותר מחצי מיליארד דולר

סנאפ הודיעה שהפיטורים יאפשרו לה להפחית את בסיס העלויות השנתי שלה ביותר מ-500 מיליון דולר עד המחצית השנייה של 2026.

המטרה המוצהרת היא ליצור מסלול ברור יותר לרווחיות נטו, כלומר לעבור מהפסדים לרווחים.

המצב האסטרטגי

במצגת למשקיעים, סנאפ תיארה את המצב שלה בצורה דרמטית למדי: החברה נמצאת תחת לחץ בין ענקיות עם משאבים עצומים לבין סטארטאפים זריזים שמתקדמים במהירות.

הפתרון שבחרה: מעבר לכיוון צמיחה רווחית. פחות עובדים, יותר AI, יותר רווחים.

התמונה הרחבה

לא רק סנאפ

סנאפ לא לבד. החברה מצטרפת לרשימה הולכת וגדלה של חברות טכנולוגיה שביצעו קיצוצים משמעותיים השנה, כולל מטא (Meta), אורקל (Oracle) ואמזון (Amazon).

הגל הזה של פיטורים מצביע על שינוי מהותי בתעשייה - החברות מבינות שהן יכולות לעשות יותר עם פחות, ובמיוחד כשכלי AI הופכים ליעילים ונגישים יותר.

מה יקרה עכשיו?

השאלה המעניינת היא מה קורה כשכל חברות הטכנולוגיה מגיעות לאותה מסקנה.

אם סנאפ יכולה לחתוך כ-16% מכוח העבודה בזכות AI, מה מונע מחברות אחרות לעשות זאת? התשובה היא כנראה שום דבר.

אנחנו צפויים לראות עוד גלי פיטורים דומים בחודשים הקרובים, כולם עם אותו הסבר – ההתקדמות בבינה מלאכותית מאפשרת לנו להיות יעילים יותר.

מה עם האנשים?

מאחורי המספרים והאחוזים ישנם אנשים אמיתיים - 1,000 עובדים שהתעוררו ביום רביעי בבוקר עם עבודה, ומצאו את עצמם בערב עם חבילת פרישה.

כן, ארבעה חודשי שכר זה יפה, אבל מציאת עבודה חדשה בתעשיית הטכנולוגיה שעוברת שינויים כאלו היא לא משימה פשוטה.

בנוסף ישנה עוד שאלה שאף אחד לא שואל בקול: מה קורה כשהעובדים שנשארו מתחילים לחשוש שהם הבאים בתור? האם זה משפר את הפרודוקטיביות או יוצר אווירת חרדה שפוגעת בחדשנות?

בסופו של יום, סנאפ עשתה משהו שחברות רבות עדיין מתביישות לעשות - היא אמרה בגלוי שבינה מלאכותית מחליפה עובדים.

זוהי למעשה המציאות החדשה של שוק העבודה בטכנולוגיה. השאלה היא לא אם זה יקרה בעוד חברות, אלא מתי ובאיזה היקף.

בינתיים, כ-1,000 עובדים לשעבר של סנאפ מתחילים לחפש את הצעד הבא שלהם. חלקם אולי ימצאו את עצמם עובדים על פיתוח אותם כלי AI שהחליפו אותם.

האירוניה הזו היא אולי הדבר הכי אנושי בכל הסיפור הזה.

הפוסט סנאפ מפטרת כ- 1,000 עובדים והאצבע המאשימה מופנית לעבר הבינה המלאכותית הופיע ראשון בLet's AI בינה מלאכותית

הסבב הראשון - מאות עובדים החודש

החברה שמפעילה את פייסבוק ואת אינסטגרם החלה השבוע לצמצם את כוח האדם שלה בכמה מחלקות במקביל. הפיטורים פוגעים בעובדים במחלקות המכירות, הגיוס, וכן בחטיבת Reality Labs המפתחת את מוצרי המציאות המעורבת של החברה. הצמצום מתבצע הן בארצות הברית והן בשווקים בינלאומיים אחרים.

דוברת מטא מסרה שצוותים בחברה עוברים מעת לעת ארגון מחדש כדי לוודא שהם ממוקמים באופן מיטבי להשגת יעדיהם, וכי כאשר הדבר מתאפשר מנסים למצוא הזדמנויות חלופיות בתוך החברה לעובדים שתפקידם מבוטל. חלק מהעובדים שתפקידם מבוטל יקבלו הצעות לעבור מקום מגורים או לעבור לתפקיד אחר.

היקף הסבב הנוכחי נמוך מ-1,000 עובדים, מה שנראה זניח על רקע כוח האדם הכולל של מטא, שעמד בסוף 2025 על קרוב ל-79,000 עובדים. אבל זו רק ההתחלה.

הסבב הגדול - 20 במאי

מטא מתכוונת להתחיל ב-20 במאי בסבב פיטורים משמעותי בהרבה, שיפגע בכ-10 אחוזים מכוח האדם הגלובלי של החברה - כמעט 8,000 עובדים. זהו רק השלב הראשון. סבבים נוספים צפויים להתרחש במחצית השנייה של 2026, אך העיתוי וההיקף שלהם טרם נקבעו סופית.

קודם לכן דווח שהחברה שקלה לפטר אפילו 20 אחוזים או יותר מהעובדים השנה, אולם ההיקף הסופי של הצמצומים השנתיים עדיין נתון לשינויים. ההנהלה צפויה להמשיך ולהתאים את התוכניות בהתאם להתפתחות יכולות הבינה המלאכותית. כלומר, ככל שה-AI יחליף יותר משימות פנים-ארגוניות, כך ייחתך יותר כוח אדם.

מה שונה מהסבב הקודם?

זו לא הפעם הראשונה השנה שמטא מצמצמת את שורותיה. בינואר האחרון כבר פוטרו כ-10 אחוזים מעובדי Reality Labs, סבב שפגע בכ-1,000 עובדים מתוך כוח אדם של כ-15,000 בחטיבה. הסבב ההוא היה ממוקד בחטיבה אחת. הסבב של מאי רחב הרבה יותר ומכסה את כל החברה.

למה זה קורה עכשיו?

הפיטורים הנוכחיים אינם מגיעים על רקע קשיים פיננסיים אלא להיפך: מטא מזרימה בחודשים אלה סכומי עתק לתשתיות AI. בדיווח הרווחים הרשמי שלה לרבעון הרביעי של 2025, החברה הצהירה שהוצאות ההון שלה ב-2026 צפויות לנוע בטווח של 115 עד 135 מיליארד דולר, כשרובן מופנה להרחבת מעבדות ה-Superintelligence שלה, לשרתים, למרכזי נתונים ולכוח חישוב לאימון מודלים. היעד הוא להגיע לרווח תפעולי גבוה יותר מזה של 2025, וזאת למרות קפיצת ההוצאות. במילים אחרות, החברה מקצצת בעובדים כדי להזרים יותר כסף למכונות.

הדפוס הרחב בתעשייה

מה שקורה במטא אינו מתרחש בחלל ריק. לפי ניתוח של CNBC, ארבע ענקיות הטכנולוגיה - אלפבית (Alphabet), מיקרוסופט (Microsoft), מטא ואמזון (Amazon) - צפויות להוציא יחד כמעט 700 מיליארד דולר על תשתיות AI ב-2026. זו קפיצה של יותר מ-60 אחוזים לעומת 2025. כל החברות הללו נמצאות בעיצומו של שינוי תפיסתי - במקום לראות את גידול כוח האדם כסימן לבריאות ארגונית, הן מתחילות לראות בו נטל. כל עובד שמוחלף ב-AI הוא עובד שאין צורך לשלם לו משכורת, ושאינו יוצר עלויות של ביטוח בריאות, חופשות או הפרשות סוציאליות. במקביל, הכסף שנחסך זורם לחומרה ולמודלים, שבתורם מאפשרים לפטר עובדים נוספים.

הדפוס הרחב יותר בתעשייה (מקור נתונים: trueup.io)

צוקרברג עצמו אינו מסתיר את ההיגיון. כבר בכנס LlamaCon שהתקיים ב-2025 הוא הצהיר שבתוך שנה הבינה המלאכותית תכתוב 50 אחוזים מהקוד של מטא - הצהרה שהפכה בדיעבד לקו המנחה של כל סבבי הפיטורים שהגיעו אחריה. הפיטורים של מאי, במובן הזה, אינם הפתעה אלא מימוש מאוחר של הצהרה פומבית שכבר נאמרה בעבר.

צוקרברג ב-LlamaCon 2025 מצהיר שתוך שנה הבינה המלאכותית תכתוב 50 אחוזים מהקוד של מטא. ההצהרה הזו הפכה בדיעבד לקו המנחה של כל סבבי הפיטורים שהגיעו אחריה.

המסר של מטא לשוק ברור: אנחנו נעשים רזים יותר, יעילים יותר וממוקדים יותר. המסר לעובדים בתוך החברה חד משמעי באותה מידה: אם התפקיד שלכם יכול להתבצע על ידי מערכת בינה מלאכותית, הוא כנראה ייעלם. אם הוא אינו ניתן לביצוע על ידי AI, אך ניתן להעבירו לשוק זול יותר, גם זה יקרה.

מה המשמעות

עבור עובדי מטא, התקופה הקרובה צפויה להיות רצופה באי ודאות. מי שעובד במכירות, בגיוס או בתפקידי תמיכה נמצא כרגע בעין הסערה. אולם גם עובדים בחטיבות הליבה אינם יכולים להרגיש רגועים, שכן הסבבים הבאים צפויים להיות רוחביים ולא ממוקדים בחטיבה אחת.

עבור תעשיית הטכנולוגיה כולה, מטא משמשת כמעין מד-חום. כאשר חברה המחזיקה בכמעט 79,000 עובדים ומשקיעה למעלה ממאה מיליארד דולר ב-AI מחליטה בו-זמנית לצמצם את כוח האדם שלה בהיקף דו-ספרתי באחוזים, זהו סימן ברור לכיוון שאליו צועדת התעשייה. מי שיעקוב אחר שוק העבודה הטכנולוגי בשנים הקרובות יצטרך להפנים שגידול בהוצאות ההון של חברה יכול להופיע באותה שורה עם הצטמקות של כוח האדם שלה. אין כאן פרדוקס, יש כאן אסטרטגיה.

השאלה הגדולה היא עד לאן זה יגיע. אם מטא מציגה כרגע את הדגם - חברה המחליפה עובדים ב-AI וחוסכת כדי להשקיע עוד ב-AI - שאר ענקיות הטכנולוגיה יצטרכו להחליט אם הן הולכות בעקבותיה או נשארות מאחור. התשובה לשאלה הזו תעצב את שוק העבודה הטכנולוגי של 2027 ואילך, הרבה מעבר לסבבים של מאי.

הפוסט מטא מתכווצת כדי לצמוח – אלפי עובדים בחוץ, מאות מיליארדים ל-AI בפנים הופיע ראשון בLet's AI בינה מלאכותית

ביום שישי, שני בכירים ב-OpenAI הודיעו בהפרש של שעות על עזיבתם. קווין וייל (Kevin Weil), שעמד בראש יוזמת המחקר המדעי של החברה, וביל פיבלס (Bill Peebles), החוקר שעמד מאחורי כלי יצירת הווידאו סורה (Sora), פרסמו שניהם הודעות פרידה ברשתות החברתיות. ההודעות לא נפלו מהשמיים. הן הגיעו כחודש אחרי ש-OpenAI הכריזה על סגירת סורה, ובתוך גל רחב של צמצומים שהחברה מכנה בשמה הפנימי "משימות צד".

המסר שעולה מהשינויים הללו חורג בהרבה מחילופי תפקידים. OpenAI מתכנסת מסביב ליישום ארגוני ול"סופר-אפליקציה" שהיא מתכננת להשיק, ומוותרת בדרך על כמה מהפרויקטים שהפכו אותה למותג בתרבות הפופולרית.

מי הם וייל ופיבלס, ולמה העזיבה שלהם חשובה

וייל הגיע ל-OpenAI לפני כשנתיים בתפקיד סמנכ"ל המוצר (Chief Product Officer), אחרי שניהל פיתוח מוצר באינסטגרם (Instagram) ובטוויטר. אחרי שפרש מתפקיד סמנכ"ל המוצר, הוא עבר להוביל את יוזמת OpenAI for Science - קבוצת מחקר פנימית שמטרתה לרתום בינה מלאכותית להאצת תגליות מדעיות. הקבוצה עמדה מאחורי פריזם (Prism), פלטפורמת עבודה לחוקרים.

קווין וויל מודיע על עזיבה בלינקדאין

פיבלס, לעומתו, היה הפנים הטכניות של אחד הפרויקטים הנועזים ביותר של OpenAI. הוא הוביל את הפיתוח של סורה, כלי שיצר סרטוני וידאו מטקסט באיכות גבוהה וטלטל את תעשיית הווידאו הסינתטי.

העזיבה המשותפת שלהם, באותו היום ממש, מסמנת משהו מעבר להחלטה אישית של כל אחד מהם. שני פרויקטים שאותם הם הובילו הושבתו או פורקו בחודשים האחרונים. וייל עצמו כתב בהודעת הפרידה שלו שקבוצת המדע תיטמע "בצוותי מחקר אחרים" - ניסוח ארגוני שמסתיר פירוק של יחידה עצמאית. פיבלס, מצדו, יצא עם משפט שנשמע כמעט כמו ביקורת: "טיפוח אנטרופיה הוא הדרך היחידה למעבדת מחקר לשגשג לטווח הארוך".

סורה היתה הצלחה תרבותית, אבל גם כישלון כלכלי

סורה יצאה לציבור אחרי שנים של ציפייה. בשלב מסוים היא טיפסה לראש מצעד האפליקציות בחנות של אפל, קיבלה כיסוי תקשורתי נרחב, והפכה לחלק משיחת הרשת. מאחורי הקלעים, המספרים סיפרו סיפור אחר.

הפעלת סורה עלתה ל-OpenAI כמיליון דולר ביום בעלויות חישוב, לפי הערכות שצוטטו בדיווחים. בסיס המשתמשים, שצמח לכמיליון משתמשים בשיאו, התכווץ לפחות מ-500 אלף. איגוד תעשיית הסרטים של ארצות הברית (Motion Picture Association) דיווח על הפרות של קניין רוחני בפלטפורמה. בסופו של דבר, בחודש שעבר, החברה הכריזה על סגירת הכלי. האפליקציה תיסגר ב-26 באפריל 2026, וה-API ייסגר ב-24 בספטמבר.

פיבלס, שהזכיר בהודעת הפרידה שלו שהפרויקט התחיל ככוח של שני אנשים בלבד ביולי 2023, כאשר הייתה ספקנות רחבה אם בכלל אפשר להגיע לייצור וידאו איכותי באורך משמעותי תוך שנה, הצביע על כך שסורה היוותה זרז להשקעה נרחבת ברחבי התעשייה בתחום הווידאו. גם אם OpenAI לא הצליחה לגרום לכלכלה של המוצר לעבוד, הטכנולוגיה עצמה פתחה שוק שלם.

הודעת העזיבה של פיבלס, אחד ממובילי סורה, ברשת X

OpenAI for Science - הבטחה שלא מימשה את הציפיות

קבוצת המדע הייתה אמורה להיות אחד הסיפורים הגדולים של 2025. היא הוקמה באוקטובר של אותה שנה עם יומרה להאיץ תגליות מדעיות בעזרת מודלים מתקדמים. הדרך הייתה בעייתית מהרגע הראשון.

וייל פרסם ציוץ שטען ש-GPT-5 פתר 10 בעיות מתמטיות לא פתורות של ארדש (Erdős), שורה של חידות מתמטיות ידועות. הטענה התפוררה תוך שעות. המתמטיקאי שמנהל את האתר erdosproblems.com הבהיר שהטענה פשוט לא נכונה, וייל מחק את הציוץ, והפרשה הפכה לדוגמה נפוצה של הייפ שנחשף.

יום לפני ההכרזה על עזיבתו, הקבוצה של וייל שחררה את GPT-Rosalind, מודל שמיועד להאיץ מחקר במדעי החיים וגילוי תרופות. השילוב בין השקת המודל לעזיבה ביום למחרת הוא סיפור בפני עצמו. הטכנולוגיה נשארת, אבל הקבוצה שבנתה אותה מפוזרת.

חלק מגל עזיבות ושינוי אסטרטגי

וייל ופיבלס לא עזבו לבד. באותו היום הודיע גם סריניוואס נאראיאנן (Srinivas Narayanan), סמנכ"ל הטכנולוגיה של אפליקציות ארגוניות ב-OpenAI, על עזיבתו. הוא הצטרף ל-OpenAI לפני כשלוש שנים והוביל חלק ניכר מההנדסה שבנתה את ChatGPT ואת ה-API. לפי הדיווחים הוא עוזב כדי לבלות יותר זמן עם משפחתו.

שלוש עזיבות של בכירים ביום אחד הן מספר חריג, אבל הן חלק מתמונה רחבה הרבה יותר. בשבועות האחרונים, פיג'י סימו (Fidji Simo), מנכ"לית האפליקציות, יצאה לחופשה רפואית. בראד לייטקאפ (Brad Lightcap), סמנכ"ל התפעול, עבר לתפקיד של "פרויקטים מיוחדים". שכבת ההנהגה המסחרית של החברה נשחקה בקצב מהיר.

העזיבות האלה נמשכות על פני שנים. מתוך 11 המייסדים המקוריים של OpenAI, רק שניים עדיין בחברה. אחרים עברו לאנתרופיק (Anthropic), למעבדות הסופר-אינטליגנציה של מטא (Meta), או הקימו סטארטאפים בעצמם. הסיבות שצוטטו מגוונות. חלק עזבו בגלל חילוקי דעות אתיים על חוזה עם משרד ההגנה, אחרים תיארו שינוי תרבותי - מהימורי מחקר שאפתניים לעבודה תפעולית של שיפור מהירות ויציבות של ChatGPT ללקוחות ארגוניים.

המשמעות האמיתית של "משימות צד"

הביטוי "side quests" הפך למילת מפתח בתרבות הפנימית של OpenAI. הוא מתאר כל מה שלא מקדם ישירות את שני המוצרים המרכזיים שהחברה הימרה עליהם: המוצר הארגוני והסופר-אפליקציה המתוכננת. סורה הייתה משימת צד. OpenAI for Science הייתה משימת צד. שתיהן עלו הרבה כסף, ייצרו כותרות, ולא הציגו נתיב ברור לרווחיות.

הכלכלה של החלומות

OpenAI מייצרת הכנסות שנתיות בהיקף משמעותי, אבל היא גם מדווחת על הפסדים מתמשכים. בסביבה שבה כל דולר של חישוב נספר, ההחלטה לוותר על פרויקטים שעולים מיליון דולר ביום ולא מחזירים את ההשקעה היא חלק מחזרה לפוקוס עסקי. זה לא סיפור של כישלון טכנולוגי. סורה עבדה ופריזם הייתה פלטפורמה עובדת. זה סיפור של תעדוף.

התחרות משנה את המשוואה

התחרות בשוק הבינה המלאכותית הארגונית התחזקה. קלוד (Claude) של אנתרופיק, ובעיקר קלוד קוד (Claude Code), צבר אחיזה משמעותית בקרב מפתחים. חברות אחרות מציעות כלים מתמחים שתפורים לצרכים ארגוניים. OpenAI, שבמשך שנים נהנתה מיתרון כמעט בלעדי, עומדת עכשיו בפני שאלה פשוטה: האם היא מעדיפה להיות מעבדת מחקר שמנסה הכול, או חברה עסקית ממוקדת שמנצחת במוצרים ספציפיים?

התשובה, לפי הצעדים של החודשים האחרונים, ברורה.

מה שנשאר מאחור

יש משהו משותף לשתי הודעות הפרידה של וייל ופיבלס. שניהם לא עזבו בטריקת דלת. וייל כתב על "שנתיים מרחיבות תודעה" וביטא אופטימיות לגבי פוטנציאל ה-AI להאיץ מדע. פיבלס הודה לסם אלטמן (Sam Altman) אישית על כך שהוא מבין את החשיבות של לתת לחוקרים מרחב.

בין השורות, שניהם גם אומרים משהו על סוג החברה ש-OpenAI הופכת להיות. המשפט של פיבלס על "טיפוח אנטרופיה" הוא לא סתם פסוק יפה. הוא טוען שמעבדת מחקר צריכה מרחב לכאוס, לפרויקטים ניסיוניים שלא משתלבים במפה העסקית. כשהחברה מוותרת על המרחב הזה, גם האנשים שזקוקים לו מוותרים עליה.

השאלה שנשארת פתוחה היא אם OpenAI, שהוקמה כמעבדת מחקר עם חזון רחב על AGI, יכולה להמשיך ליצור פריצות דרך כשהיא מנהלת את עצמה כחברה עסקית סטנדרטית. העובדים שעוזבים לא פורשים - הם זורמים למתחרים, או מקימים סטארטאפים שיתחרו בפעם הבאה. ייתכן שהקריאה הנכונה של הסיפור הזה היא לא "OpenAI מתייעלת", אלא "OpenAI בונה את המתחרים של עצמה".

הפוסט שני פרויקטי דגל נסגרו ב-OpenAI, ועכשיו גם האנשים שהובילו אותם עוזבים הופיע ראשון בLet's AI בינה מלאכותית

הכניסה של אנטרופיק לתחום כלי העיצוב מגיעה בתזמון מעניין. השוק כבר מוצף בכלים שמייצרים ממשקים מטקסט, ורוב המעצבים למדו לחיות לצידם בזהירות מסוימת. החברה בחרה לעטוף את Claude Design תחת מטרייה חדשה בשם Anthropic Labs - מותג שמקבץ מוצרים חדשניים יותר מהליבה - ולהשיק אותו ב-Research Preview למנויי Pro, Max, Team ו-Enterprise.

המודל שמניע את הכלי הוא קלוד אופוס 4.7 (Claude Opus 4.7), הגרסה החדשה ביותר של אנטרופיק הזמינה לציבור, והוא מוגדר רשמית כמודל הכי טוב שלהם עד כה (שזמין לציבור). כמו כן, הוא מצטיין גם ב"ראייה" ולא רק בכתיבה, וזה לא פרט שולי: כלי שצריך להבין מה זה טיפוגרפיה, מה זה רווח נכון, ואיך בנויה תבנית צבעים קונסיסטנטית תלוי קודם כל ביכולת לנתח חומר חזותי ברמה גבוהה.

הבעיה שהכלי מנסה לפתור

אנטרופיק מתארת שתי קבוצות יעד ברורות. הקבוצה הראשונה היא מעצבים מנוסים שמוגבלים מבחינת זמן - גם אם יש להם רעיונות לעשרה כיוונים שונים, הם בפועל בודקים שניים או שלושה. הקבוצה השנייה היא כל מי שלא מגיע מרקע עיצובי - מייסדים, מנהלי מוצר, אנשי שיווק - שרוצים להעביר רעיון חזותי בלי להתמודד עם כלים מקצועיים.

ההנחה של אנטרופיק היא שהפער בין שתי הקבוצות לא יתמלא על ידי כלי עיצוב רגיל, אלא על ידי שיחה. אתם מתארים מה אתם רוצים, קלוד בונה גרסה ראשונה, ומשם אתם מעדנים - דרך דיאלוג, הערות על אלמנטים ספציפיים, עריכות ישירות או ידיות בקרה שקלוד בונה לכם באופן מותאם.

הפונקציות המרכזיות

מערכת עיצוב אישית לצוות

החלק המעניין ביותר הוא הטענה שקלוד לומד את מערכת העיצוב של הארגון. במהלך האונבורדינג, המערכת קוראת את קוד המקור של החברה ואת קבצי העיצוב שלה, ובונה מהם מערכת עיצוב פנימית - צבעים, טיפוגרפיה, רכיבים. כל פרויקט חדש משתמש במערכת הזו אוטומטית, ולצוותים יש אפשרות לתחזק יותר ממערכת אחת במקביל.

אם הטענה מחזיקה בפועל, זה ההבדל המשמעותי מול מחוללי ממשקים קיימים. רוב הכלים מייצרים פלט שנראה טוב אבל לא נראה כמו שלכם. כאן ההבטחה היא שהתוצר יוצא קונסיסטנטי מול שאר הנכסים של החברה בלי שמישהו יצטרך להסביר בכל פעם את קוד הצבעים.

ייבוא ממקורות מרובים

אפשר להתחיל פרויקט מטקסט בלבד, להעלות תמונות ומסמכים (DOCX, PPTX, XLSX), או להפנות את קלוד ישירות לקוד המקור. בנוסף יש כלי Web Capture שמאפשר לתפוס רכיבים ישירות מאתר קיים - פיצ'ר שנועד לוודא שאבטיפוסים נראים כמו המוצר האמיתי ולא כמו הדמיה שלו.

בחרו מה המקור ממנו תתחילו את הפרויקט

בקרות עידון מדויקות

במקום לבקש שינויים ב"שפה של AI" ולקוות שהמערכת תבין, קלוד מציע שלוש שכבות בקרה: הערות על אלמנטים ספציפיים (בדומה לפיגמה), עריכת טקסט ישירה, וסליידרים חכמים למרווחים, צבעים ופריסה. אחרי שעשיתם שינוי באזור אחד, אפשר לבקש מקלוד להחיל אותו על כל העיצוב.

שיתוף פעולה ברמת ארגון

העיצובים ניתנים לשיתוף בהיקף ארגוני. אפשר להשאיר מסמך פרטי, לחלוק אותו לצפייה עם כל מי שברשת הארגונית, או לפתוח הרשאות עריכה מלאות - כולל שיחה משותפת עם קלוד יחד עם עמיתים בקבוצה אחת. זו גישה דומה למודל השיתוף של Google Docs, אבל מיועדת למשימות עיצוב.

ייצוא לפורמטים חיצוניים

הפלט יוצא כקישור פנימי לארגון, כתיקייה שמורה, או כקבצי Canva, PDF, PPTX ו-HTML Standalone. השילוב עם קנבה (Canva) נעשה בשיתוף פעולה ישיר בין החברות, כך שהטיוטות עוברות לעורכת של קנבה כעיצובים ערוכים מלאים שאפשר לשכלל ולפרסם.

העברה ל-Claude Code

כשעיצוב מוכן לפיתוח, הוא נארז ל-Handoff Bundle - חבילה שמועברת ל-Claude Code בהוראה אחת. הפיצ'ר הזה מכוון בדיוק לכאב המוכר של צוותי מוצר, הפער בין מה שמעצב תכנן לבין מה שמפתח מימש. לפי עדות של מעצבת ב-Brilliant, דפים מורכבים שדרשו יותר מ-20 פרומפטים בכלים אחרים הסתפקו בשני פרומפטים ב-Claude Design.

מהפרומפט הראשוני שלכם ממשיכים לתשאול וחידוד של קלוד design

מה עולה מעדויות הלקוחות הראשונים

אנטרופיק פרסמה עדויות משלוש חברות שקיבלו גישה מוקדמת: קנבה, Brilliant ו-Datadog. מעבר לטון החיובי הצפוי בכל השקה של מוצר, יש בהן גם כמה אמירות קונקרטיות שאפשר לבחון.

ב-Datadog מתארים תהליך שמכונה Live Design - עיצוב בזמן אמת במהלך פגישות. מנהל מוצר בחברה טוען שמה שלקח שבוע של הלוך ושוב בין בריפים, מוקאפים וסבבי ביקורת מתבצע עכשיו בשיחה אחת. כאן הטענה היא שינוי בדינמיקה של הצוות ולא רק במהירות הביצוע.

ב-Brilliant מתמקדים בשני היבטים קונקרטיים: יצירת אבטיפוסים אינטראקטיביים מעיצובים סטטיים, והעברה חלקה ל-Claude Code. שני אלה הם בדיוק הכאבים הכואבים ביותר בצוותי פרודקט, ולכן גם נקודות שיש בהן הרבה מה לאכזב אם הכלי לא עומד בהבטחה.

וול סטריט הגיבה לפני שהמעצבים הספיקו לנסות

ההודעה על Claude Design לא הפילה את פיגמה (Figma) במכה אחת - אלא בשתיים.

ב-14 באפריל, כשפורסמו הדיווחים הראשונים על הכלי הקרב, המניה כבר ירדה 6%, וחברות סמוכות בתחום ספגו ירידות במקביל: Adobe איבדה 2.7%, Wix ירדה 4.7% ו-GoDaddy השילה 3%. באותו יום בדיוק, מייק קריגר (Mike Krieger), סמנכ"ל המוצר של אנטרופיק ובעברו ממייסדי Instagram, פרש מדירקטוריון פיגמה בשקט. השוק הבין את המסר מיד.

שלושה ימים אחר כך, כשהכלי עצמו יצא לאוויר, פיגמה נפלה עוד 7% וסגרה על 18.84 דולר לעומת 20.32 בסגירה הקודמת. פיגמה, שהנפיקה בבורסה בקיץ 2025 באחת ההנפקות הגדולות של השנה, כבר נסחרה לפני ההשקה ביותר מ-80% מתחת לשיא שרשמה אחרי ההנפקה. עבורה, Claude Design הוא לא רק עוד מתחרה, אלא אישור לתיאוריה שהמשקיעים כבר מתמחרים חודשים - שמעבדות ה-AI הגדולות לא ייעצרו בשכבת המודלים, אלא ייכנסו לנעליים של חברות התוכנה עצמן.

המניה של פיגמה מגיבה בצניחה

נקודות שכדאי לתת עליהן את הדעת

Claude Design משווק כ-Research Preview, כלומר אנטרופיק עדיין מכנה אותו מוצר במחקר ולא מוצר בשל. זה אומר שהזמינות מוגבלת, שהפיצ'רים עוד נבנים, ושכדאי להגיע עם ציפיות מותאמות. בפרט, לארגוני Enterprise הכלי כבוי כברירת מחדל ודורש הפעלה יזומה של מנהל מערכת.

נקודה נוספת שדורשת תשומת לב היא שאלת מערכת העיצוב. הטענה שקלוד קורא את קוד המקור שלכם ובונה מערכת עיצוב עובדת מצוין למי שיש לו codebase מסודר. לארגונים שהעיצוב שלהם פחות מתועד, או שעובדים בעיקר דרך קבצי Figma או Sketch ישנים, כדאי לבחון בזהירות כמה המערכת באמת מצליחה לחלץ מהחומר הקיים.

השאלה המעניינת באמת היא לא האם Claude Design עושה דברים יפים, אלא האם הוא משנה את המקום של המעצב בתהליך. אנטרופיק נזהרת שלא להגדיר את הכלי כתחליף - היא מדברת על נתינת חופש למעצבים לחקור רחב יותר ועל מתן דרך לכל השאר לייצר עבודה חזותית. בפועל, השאלה הזו תוכרע לא בהודעות השקה אלא אצל הצוותים עצמם בחודשים הקרובים, כשהאבק יירגע ויתברר איפה הכלי באמת נכנס לזרימת העבודה היומיומית - ואיפה הוא רק מוסיף עוד מסך בשיחה.

הפוסט אנטרופיק נכנסת לזירת העיצוב עם Claude Design – כלי שמדבר את שפת המותג שלכם הופיע ראשון בLet's AI בינה מלאכותית

יש משהו מטעה באופן שבו מערכות בינה מלאכותית מציגות את עצמן. הן אינן מהססות, אינן מתלבטות, ולעיתים קרובות אף אינן מסמנות גבולות ברורים של אי ודאות. התוצאה היא טקסטים חלקים, קוהרנטיים ומשכנעים, אך לא בהכרח מדויקים, ולעיתים אף שטחיים יותר מכפי שהם נראים במבט ראשון.

דווקא בשל כך עולה הצורך בשאלה יסודית יותר: כיצד ניתן להעריך את איכותה של תשובה, ולא רק את קיומה? בשנים האחרונות מתחדדת תובנה נוספת - לא כל מודל AI חושב באותו אופן. הבחירה במודל, והאופן שבו מפעילים אותו, משפיעים באופן ישיר על איכות התשובות ועל היכולת לפתח חשיבה ביקורתית.

מעבר מצרכן מידע למבקר פעיל

השינוי הפסיכולוגי בשימוש ב-AI

כאשר משתמש פונה למערכת בינה מלאכותית, הוא לרוב מגיע מתוך צורך מיידי: פתרון בעיה, קבלת מידע או ניסוח טקסט. התשובה המתקבלת נתפסת כסיום התהליך, ולא כשלב ביניים. זהו דפוס טבעי, אך גם מגביל.

הנטייה לייחס למערכת סמכות מלאה נובעת מהאופן שבו היא מציגה מידע - בביטחון וללא הסתייגויות. בפועל, מדובר במודלים הסתברותיים, שמייצרים תשובות על בסיס דפוסים ולא על בסיס הבנה מלאה במובן האנושי.

מדוע התשובה הראשונה אינה מספיקה

תשובות של מודלי AI נוטות להיות כלליות, יעילות ומהירות, אך לא בהכרח מותאמות לעומק או להקשר הספציפי.

במקרים רבים, התשובה הראשונה מציגה מידע כללי במקום ניתוח מעמיק, מתבססת על הנחות שלא נאמרות במפורש, נעדרת ביקורת פנימית, ואינה בוחנת חלופות.

כאן נכנסת לתמונה חשיבה ביקורתית, לא כתכונה, אלא כפרקטיקה שניתן ליישם באופן שיטתי.

מודלי חשיבה ב-AI ומודלים "רגילים"

מודלים כלליים מול מודלי Reasoning

מודלים כלליים מתמקדים בהפקת טקסט קוהרנטי ורלוונטי. הם מצטיינים בכתיבה, סיכום והסבר.

לעומתם, מודלים המתמקדים ב-reasoning (הסקה) מיועדים לפירוק בעיות, ניתוח לוגי והסקת מסקנות מורכבות. הם נוטים להציג תהליך חשיבה מפורט יותר, ולעיתים גם לחשוף חוסר ודאות.

הבחירה בין סוגי המודלים תלויה במשימה:

• לשאלה פשוטה - מודל כללי עשוי להספיק.
  
• לבעיה מורכבת - נדרש מודל המעודד חשיבה תהליכית - מודל ריזונינג.

מודלי ריזונינג

כיצד לבחור את המודל המתאים

הבחירה אינה תמיד מפורשת למשתמש, אך ניתן להשפיע עליה דרך אופן השימוש:

• פרומפט קצר וישיר יוביל לרוב לתשובה תגובתית.
  
• פרומפט מורכב, עם דרישה לניתוח וביקורת, יפעיל דפוס רפלקטיבי יותר.

במילים אחרות, לא רק המודל קובע, אלא גם המשתמש.

1) שלב ראשון השהייה מכוונת

עצירה כפעולה אקטיבית

מרגע שמתקבלת תשובה, מתעוררת נטייה כמעט אוטומטית להמשיך. אך דווקא כאן נפתח מרחב הביקורת.

השהייה מאפשרת מעבר ממצב של צריכה למצב של בחינה.

פרומפטים מומלצים לשלב זה

כדי ליישם את השלב בפועל, ניתן להשתמש בניסוחים כמו:

"מה חסר בתשובה הזו?"
"אילו חלקים בתשובה דורשים הרחבה?"
"באילו היבטים התשובה עלולה להיות לא מדויקת?"

השאלות הללו מאלצות את המודל לצאת ממצב של הפקה  למצב של הערכה.

2) שלב שני חשיפת הנחות וקריאה בין השורות

זיהוי מבנים סמויים

תשובות רבות נשענות על הנחות שאינן נאמרות. אלו יכולות להיות הנחות לגבי הקשר, ידע קודם או תנאים חיצוניים.

פרומפטים לחשיפת הנחות

"אילו הנחות עומדות בבסיס התשובה הזו?"

"על אילו תנאים אתה מסתמך כאן?"

"מה צריך להיות נכון כדי שהתשובה הזו תהיה תקפה?"

התוצאה היא מעבר מתשובה שטוחה למבנה רב-שכבתי.

חיבור למודלי Reasoning

בשלב זה, מודלים המתמקדים בהסקה מספקים ערך גבוה במיוחד. הם נוטים לפרק את התשובה ולהציג את התנאים שמאחוריה, במקום להישאר ברמת פני השטח.

3) שלב שלישי ביקורת שיטתית ופירוק

ניתוח לפני שיפור

שיפור ללא ביקורת מוביל לרוב לשינויים קוסמטיים בלבד. לכן, יש לפרק את התשובה.

פרומפטים לביקורת

"מהן הבעיות בתשובה הזו?"

"אילו טיעונים אינם מבוססים מספיק?"

"איפה קיימות הכללות או פשטנות יתר?"

שינוי תפקיד ה-AI

בשלב זה, ה-AI מפסיק להיות מקור סמכות, והופך לשותף בביקורת. זהו שינוי מהותי באופי האינטראקציה.

מצריכה אוטומטית לביקורת אקטיבית: שלבים 1-3 של המדריך. איך לעצור את האינסטינקט, לחשוף את ההנחות הסמויות של המודל ולפרק את התשובות באופן שיטתי לפני שמשתמשים בהן.

4) שלב רביעי שכתוב מודע

לאחר הביקורת, ניתן לבקש שכתוב:

"כתוב מחדש את התשובה תוך התייחסות לכל נקודות הביקורת."

 

פרומפטים לשיפור מתקדם

"שפר את התשובה כך שתהיה מדויקת יותר, גם במחיר של מורכבות."
"נסח תשובה שמציגה גם הסתייגויות ולא רק מסקנות."

שימוש במודלים רפלקטיביים

מודלים בעלי נטייה לחשיבה תהליכית יפיקו כאן תוצאה איכותית יותר, משום שהם “זוכרים” את שלבי הביקורת הקודמים ומשלבים אותם בתשובה.

5) שלב חמישי יצירת התנגדות

במקום לחפש אישור, יש לייצר חיכוך על ידי חשיבה דרך פרספקטיבות מנוגדות.

פרומפטים להתנגדות

"מהו הטיעון החזק ביותר נגד התשובה הזו?"

"כיצד ניתן לערער על המסקנה?"

"איזו גישה אחרת יכולה להוביל למסקנה שונה?"

הרחבת גבולות ההבנה

התוצאה היא מעבר מחשיבה לינארית לחשיבה מרובת פרספקטיבות. זהו שלב קריטי בהעמקה.

6) שלב שישי מעבר מתשובה לתהליך

כאשר משלבים את כל השלבים, מתקבלת שיטה ברורה:

תשובה >> בדיקה >> הנחות >> ביקורת >> שכתוב >> התנגדות

פרומפט מסכם לתהליך מלא

"נתח את התשובה הבאה: הצג הנחות, זהה בעיות, שפר אותה בהתאם, ולבסוף הצג טיעון נגדי חזק."

פרומפט כזה מפעיל את המודל באופן רפלקטיבי מלא.

שינוי תפקיד המשתמש

המשתמש אינו עוד מקבל תשובות, אלא מנהל תהליך. הוא מגדיר, מכוון ומבקר.

מביקורת למתודולוגיה: שלבים 4-6 של המדריך. איך ליישם את ניתוח ה-AI, לערער על מסקנות וליצור תהליך עבודה עקבי ומעמיק.

שימושים מעשיים והטמעה יומיומית

שילוב בתהליכי עבודה

הגישה מתאימה לכל תחום בכתיבה מקצועית, במחקר, בקבלת החלטות, ובלמידה עצמית.

איזון בין מהירות לעומק

לא כל אינטראקציה דורשת עומק. אך היכולת לזהות מתי כן  היא קריטית.

יתרון בעולם רווי תשובות

בזמנים שבהם כל אחד יכול לקבל תשובה, היתרון אינו במהירות  אלא באיכות החשיבה.

בסופו של דבר, האתגר בעבודה עם AI אינו נעוץ רק ביכולות המודל, אלא באופן שבו אנו משתמשים בו.

מי שמפתח חשיבה ביקורתית, מבין שתשובה היא רק התחלה, והיתרון האמיתי שייך למי שלא מסתפק בה.

הפוסט איך לפתח חשיבה ביקורתית עם AI ולא להסתפק בתשובה הראשונה הופיע ראשון בLet's AI בינה מלאכותית

בוט לניתוח קורות חיים והתאמתם לדרישות המשרה

הסקרינינג הראשוני של קורות חיים הוא אחד השימושים הנפוצים ביותר של AI בעולם הגיוס, ולא בכדי. מגייס שמקבל מאות מועמדים לתפקיד יחיד מבזבז שעות רבות רק על מעבר ראשוני, ורובן מוקדשות למועמדים שאינם מתאימים. בוט חכם יכול לעשות את העבודה הזו בדקות, אבל רק אם בונים אותו נכון. הטעות הנפוצה היא לבקש מהמודל "לדרג" מועמדים בלי להגדיר קריטריונים ברורים, מה שמוביל לתוצאות לא עקביות ולעיתים מוטות.

הגישה הנכונה היא לבנות בוט שמבצע ניתוח מובנה: הוא מקבל את דרישות המשרה, מפרק אותן למרכיבים, עובר על קורות החיים, ומחזיר דוח שמראה בדיוק איפה יש התאמה ואיפה יש פערים. כך אתם לא מקבלים "ציון" עמום אלא תמונה שאפשר להסתמך עליה, ובעיקר אפשר לאתגר אותה.

איך מתחילים

כל מודל שיחה מתקדם כמו קלוד (Claude) או ChatGPT יודע לבצע את המשימה הזו. אתם פותחים פרויקט חדש, מעלים את דרישות המשרה כקובץ, ואז מעלים את קורות החיים אחד אחרי השני או במקבץ. חשוב להגדיר לבוט מסגרת עבודה קבועה כדי שהפלט יהיה אחיד בין מועמדים שונים.

פרומפט למיון קורות חיים

 אתה בוט למיון קורות חיים למחלקת גיוס. מצורפים שני מסמכים: קובץ דרישות המשרה, וקובץ קורות חיים של מועמד.

המשימה שלך:
1. שלוף מקובץ המשרה 5-8 דרישות מרכזיות. הפרד בין דרישות חובה לבין דרישות רצויות.
2. עבור כל דרישה, בדוק אם היא מתקיימת בקורות החיים וציין איפה בדיוק בקורות החיים ראית את זה (ציטוט קצר או הפניה לשורה).
3. החזר טבלה עם שלוש עמודות: דרישה, סטטוס (מתקיים / חלקי / לא מתקיים / לא ניתן לקבוע), ביסוס.
4. בסוף, כתוב שלוש שאלות שאציג למועמד בראיון הטלפוני כדי לוודא את הפערים שזיהית.

אל תמציא מידע שלא מופיע בקורות החיים. אם חסר מידע, כתוב "לא ניתן לקבוע מהמסמך".

שימו לב לנקודה האחרונה: ההוראה לא להמציא מידע היא קריטית. בלי ההגבלה הזו, מודלים נוטים "להשלים את הסיפור" ולתת רושם שהמועמד מתאים יותר ממה שכתוב בפועל בקורות החיים.

כשיש עשרות מועמדים: תהליך עבודה לקבצים מרובים

הפרומפט הראשון מצוין למועמד בודד, אבל המציאות של רוב המגייסים שונה. מגיעים לתפקיד אחד 30, 50, לפעמים 200 קורות חיים, ואין זמן לעבור על כל אחד בנפרד. הגישה הנכונה למצב הזה היא לעבוד עם הבוט בשלבים מוגדרים מראש, כך שהוא יעבד את כל הקבצים ביחד ויחזיר בסוף הכרעה מבוססת ולא רק ערימת דוחות נפרדים.

שיטת העבודה בנויה משלושה צעדים, בסדר הזה בדיוק. הסדר אינו שרירותי - הוא מונע מהבוט "להסתחרר" על מידע חלקי ומבטיח שההכרעה הסופית תתבסס על אותם קריטריונים עבור כל המועמדים.

צעד 1 - העלאת הפרומפט תחילה

מדביקים את הפרומפט בשיחה חדשה לפני שמעלים קבצים. זה גורם לבוט "לטעון" את שיטת העבודה לפני שהוא רואה מידע, כך שהוא יודע בדיוק מה הוא אמור לעשות עם הקבצים שיגיעו. אם מעלים קבצים קודם, הבוט עלול להתחיל לנתח אותם מיד, לפי ההיגיון שלו ולא לפי ההיגיון שלכם.

צעד 2 - העלאת דרישות המשרה

אחרי שהבוט אישר שהוא הבין את המשימה, מעלים קובץ אחד בלבד - מסמך אפיון המשרה. מבקשים מהבוט לשלוף את הדרישות ולהציג אותן לאישורכם. כאן יש נקודת עצירה חשובה: אתם מאשרים את רשימת הדרישות לפני שממשיכים. זה הרגע לתקן, להוסיף דרישה שחסרה, או להוריד דרישה שהמנהל התעקש עליה אבל היא לא באמת קריטית.

צעד 3 - העלאת כל קורות החיים ביחד

רק אחרי שהדרישות מאושרות, מעלים את כל קבצי קורות החיים במכה אחת. הבוט כבר יודע את השיטה ואת הדרישות, ועכשיו הוא עובר על כל הקבצים ומחזיר השוואה מובנית - מי מתאים ולמה, מי לא ולמה, ומי שווה ראיון טלפוני קצר כדי לברר פערים.

• דגש חשוב: מומלץ לא להעלות כמות גדולה מדי - נניח, עם 5 או 10 קו"ח הוא יתמודד בלי בעיה. אבל 50 זה כבר יותר מורכב. 
• דגש נוסף: חשוב להפעיל מודל ריזונינג מסדרת Thinking ב-ChatGPT, מודל Pro ב-Gemini או מודל Opus בקלוד.

פרומפט לניתוח השוואתי של קורות חיים

אתה בוט מיון קורות חיים למחלקת גיוס. נעבוד בשלושה שלבים. חשוב שתפעל בדיוק לפי הסדר ותחכה להוראה שלי בין שלב לשלב.

שלב 1 (עכשיו): אשר שהבנת את המשימה. אל תבקש ממני קבצים עדיין.

שלב 2: אעלה קובץ של דרישות המשרה. כשתקבל אותו:
- שלוף 5-8 דרישות מרכזיות
- הפרד בין דרישות חובה לבין דרישות רצויות
- הצג לי את הרשימה ושאל אם לאשר או לתקן
- אל תתחיל לנתח שום קובץ נוסף עד שאאשר את הדרישות

שלב 3: אחרי אישור הדרישות, אעלה את כל קורות החיים במכה אחת. עבור כל מועמד:
- זהה את השם מראש הקובץ
- עבור על כל דרישה ובדוק אם היא מתקיימת (מתקיים / חלקי / לא מתקיים / לא ניתן לקבוע)
- צטט הוכחה קצרה מקורות החיים לכל סטטוס

בסוף שלב 3, החזר לי שלושה פלטים:
1. טבלת השוואה: שורה לכל מועמד, עמודה לכל דרישה, סטטוס בכל תא.
2. דירוג מנומק: חלק את המועמדים לשלוש קבוצות - "מתאימים לראיון", "אולי, צריך בירור", "לא מתאימים". הסבר לכל מועמד למה הוא באותה קבוצה.
3. הכרעה: מי המועמד או שני המועמדים החזקים ביותר, ולמה דווקא הם. התבסס רק על מה שכתוב בקורות החיים.

אל תמציא מידע שלא קיים בקורות החיים. אם חסר מידע - "לא ניתן לקבוע". אל תיטה לטובת מועמד בגלל אורך קורות החיים שלו או עיצוב מרשים.

שלוש ההוראות האחרונות הן ההבדל בין ניתוח שימושי לבין ניתוח מטעה. בלי הוראה מפורשת להתעלם מעיצוב ומאורך, מודלים נוטים להעריך יתר על המידה מועמדים שכתבו קורות חיים מפורטים - גם אם התוכן עצמו חלש יותר ממועמד שכתב בקצרה ולעניין.

הטיפ שממנף את הניתוח: דאשבורד מקלוד

אחרי שהבוט החזיר את הטבלה והדירוג, אל תעצרו שם. העתיקו את כל התוצאה והדביקו אותה בשיחה חדשה בקלוד, עם בקשה פשוטה אחת: "הפק מזה דאשבורד אינטראקטיבי". קלוד יחזיר לכם ארטיפקט של דאשבורד בעיצוב נקי - עם פילטרים לפי דרישות, דירוגים ויזואליים, אפשרות לסנן לפי קבוצה, ואפילו להציג רק מועמדים שעמדו בכל דרישות החובה.

• דגש: את הארטיפקט אפשר לשמור כקובץ HTML ולשתף, או לחלופין - לעשות צילום מסך ולשלב במצגת.
• טיפ: ניתן ללחוץ על כפתור השיתוף ולשתף את הארטיפקט - אך זכרו, שיתוף משמעו שכל הקוד גם כן חשוף למי ששיתפתם איתו את הקובץ.

פרומפט להפקת דאשבורד מתוצאות הניתוח

מצורפים תוצאות ניתוח של קורות חיים עבור משרה של [שם התפקיד]. הפק מזה דאשבורד HTML אינטראקטיבי שכולל:

1. כרטיסיות מסכמות למעלה: סה"כ מועמדים, כמות מתאימים לראיון, כמות ב"אולי", כמות לדחייה.
2. טבלת השוואה של כל המועמדים מול כל הדרישות, עם תאים בצבע לפי סטטוס (ירוק/כתום/אדום/אפור).
3. פילטרים בראש הדאשבורד: לפי קבוצה, לפי דרישה ספציפית, חיפוש חופשי בשם.
4. לחיצה על שורת מועמד פותחת פאנל צדדי עם פירוט ההוכחות לכל דרישה.

עיצוב נקי, RTL, בעברית. השתמש בצבעים מתונים ולא בטונים מחוצפים.

למה זה משנה? כי ההבדל בין מסמך Word של תוצאות לבין דאשבורד הוא ההבדל בין "קראתי את הניתוח" לבין "אני יכול להראות לכל הצוות תוך חצי דקה". מנהל הגיוס פותח את הקישור, מסנן לפי קבוצת "מתאימים לראיון", ורואה מיד את שלושת המועמדים שעומדים בכל דרישות החובה. בזמן שנדרש לעבור על רשימה רגילה, הוא כבר שלח זימונים.

דאשבורד ניתוח נתונים שהופק בקלוד

בוט תקשורת לסמנכ"לי משאבי אנוש

סמנכ"לי HR מבלים חלק ניכר מהזמן שלהם בכתיבה. הודעות לצוותים על שינויים ארגוניים, מיילים לעובדים בנושאים רגישים, עדכונים תקופתיים, מסרים ממנכ"ל שצריך לעבד ולהפיץ. כל הודעה כזו צריכה להיות בשפה של הארגון, בטון שמתאים לתרבות הספציפית, ובלי ניחוח של תקשורת גנרית. זה בדיוק המקום שבו בוט מותאם אישית מייצר תוצאה שונה מהותית מכלי גנרי.

הסוד הוא לא לכתוב פרומפט חד פעמי, אלא לבנות בוט שמכיר את הארגון. המודלים המתקדמים מאפשרים לכם להגדיר הנחיות מערכת או להעלות קבצי רקע שמנחים אותו בכל שיחה. אתם מעלים דוגמאות של הודעות שיצאו בעבר מהארגון ונחשבו מוצלחות, מגדירים את ערכי הליבה, מציינים את רמת הפורמליות, ואז הבוט שלכם "מדבר" את השפה שלכם.

מה צריך לטעון לבוט לפני השימוש

דוגמאות של הודעות קודמות: 5-10 הודעות שיצאו לעובדים או לצוותים והיו מוצלחות. העתיקו אותן לקובץ אחד ותנו לבוט לנתח את הסגנון.

מילון מונחים ארגוני: שמות של תוכניות פנימיות, ערכי החברה, איך קוראים לצוותים השונים, ראשי תיבות נהוגים.

גבולות: נושאים שאסור לגעת בהם בלי אישור, מילים שלא משתמשים בהן, טון שרוצים להימנע ממנו.

פרומפט לבוט תקשורת ארגונית

אתה כותב תקשורת פנים - ארגונית בשם סמנכ"ל משאבי אנוש של [שם הארגון]. מצורפים קבצי רקע: דוגמאות של הודעות קודמות, מילון מונחים ארגוני, וקווים מנחים לטון.

לפני שתכתוב הודעה, שאל אותי את השאלות הבאות:
1. למי ההודעה מיועדת (כל הארגון / צוות ספציפי / הנהלה / מנהלים בלבד)?
2. מה המטרה (עדכון / בקשת פעולה / הודעה על שינוי / הוקרה / התמודדות עם אירוע)?
3. מה המסר המרכזי במשפט אחד?
4. האם יש אילוצים של אורך או פורמט (מייל / סלאק / הודעה קצרה)?

אחרי שאקבל תשובות, כתוב את ההודעה בסגנון ובטון שמשתקפים בדוגמאות שצירפתי. הצע שתי גרסאות: אחת ישירה וקצרה יותר, ואחת חמה ומפורטת יותר. אל תשתמש בקלישאות של תקשורת תאגידית. אל תוסיף סעיפים מיותרים של "יחד ננצח" אם זה לא הסגנון של הארגון.

הפרומפט הזה עובד טוב במיוחד כחלק מפרויקט קבוע בקלוד או ב-ChatGPT, כך שכל פעם שאתם נכנסים הבוט כבר מכיר את הארגון ולא צריך להסביר מאפס.

בוט לאפיון דרישות משרה

כתיבת מסמך אפיון משרה היא אחת המשימות שהכי מזלזלים בהן ב-HR, ולכן היא גם אחד המקומות שבהם AI יכול לעזור הכי הרבה. מסמך אפיון לא טוב גורר שרשרת של בעיות: מודעה עמומה, מועמדים לא מתאימים, מגייסים שלא יודעים מה בעצם מחפשים, וראיונות שלא ממוקדים. בוט שמלווה את מנהל הגיוס בתהליך האפיון יכול לחסוך שבועות של בלבול.

הערך של הבוט כאן, הוא לא בכתיבה עצמה אלא בשאלות שהוא שואל. מנהל שמבקש "לגייס מהנדס פולסטאק" לא תמיד יודע בעצמו מה הוא מחפש. כשבוט מנחה אותו עם שאלות חדות וספציפיות, הוא נאלץ לחשוב על זה לעומק, והתוצר הסופי משקף את מה שבאמת נדרש ולא את מה שכולם כותבים באינטרנט על התפקיד הזה.

פרומפט לאפיון משרה

אתה יועץ גיוס שעוזר לי לבנות מסמך אפיון דרישות למשרה חדשה. המטרה שלנו היא מסמך פנימי שמנהל הגיוס והמגייסים יעבדו ממנו.

נהל איתי תהליך בן 4 שלבים:

שלב 1 - הבנת התפקיד: שאל אותי שאלות על המטרה העסקית של התפקיד, למה נפתחה המשרה עכשיו, מה יקרה אם לא נאייש אותה, ולמי המועמד ידווח. אל תעבור לשלב הבא לפני שיש לך תשובות ברורות.

שלב 2 - תוצרים ומדדי הצלחה: שאל מה המועמד אמור להשיג ב-90, 180 ו-365 הימים הראשונים. אם התשובות עמומות, דחף לדוגמאות קונקרטיות.

שלב 3 - פרופיל המועמד: על בסיס התוצרים, עזור לי לגזור אילו כישורים באמת חיוניים (חובה) ואילו רצויים. אתגר אותי על דרישות שנשמעות אוטומטיות ("5 שנות ניסיון", "תואר ראשון") ושאל האם הן באמת קריטיות או סתם קופסה שמסמנים.

שלב 4 - מסמך סופי: סכם את כל מה שאספנו למסמך אפיון מובנה עם הכותרות: רקע עסקי, תוצרים מצופים, חובה, רצוי, פרופיל התנהגותי, שאלות לראיון, דגלים אדומים.

אל תמציא תשובות. אם לא ענית לי, שאל שוב עד שאענה.

היתרון המרכזי של הפרומפט הזה הוא בהוראה לאתגר את המשתמש וליצור שיח סביב דרישות שנשמעות אוטומטיות ונפוצות מדי. רוב מסמכי האפיון סובלים מהעתק-הדבק של דרישות שאף אחד לא באמת מאמין בהן, ובוט טוב מאלץ את המנהל להגן על כל אחת מהן.

טיפים נוספים: מחקר שוק ובנצ'מרקים עם פרפלקסיטי וכלי Deep Research

מעבר לבוטים ייעודיים, יש שני שימושים בסיסיים שכל איש HR צריך לאמץ ביומיום: חיפוש ספקים וקבלת הצעות מחיר, ומחקרי שוק על תנאי שכר וזכויות. שני השימושים האלה התחדדו מאוד עם הופעת פרפלקסיטי (Perplexity) וכלי Deep Research שמשולבים היום בקלוד וב-ChatGPT.

חיפוש ספקים והצעות מחיר

במקום לבלות שעות בגוגל ולפתוח 40 טאבים של ספקי הדרכה, סקרי עובדים, כלי well-being או מערכות ATS, אפשר להפעיל חיפוש ממוקד בפרפלקסיטי ולקבל השוואה בתוך דקות. המפתח הוא פרומפט מפורט שמציין את המגבלות שלכם: תקציב, גודל ארגון, דרישות שפה, אינטגרציות קיימות.

פרומפט לחיפוש ספקים 

אני מחפש ספק ל-[סוג השירות, לדוגמה: מערכת סקרי עובדים תקופתיים] עבור ארגון ישראלי בגודל [מספר עובדים].

דרישות חובה:
- תמיכה בעברית מלאה
- עמידה בתקני פרטיות (GDPR / חוק הגנת הפרטיות)
- אינטגרציה עם [המערכות שיש לכם]
- טווח תקציב: [X] ש"ח בשנה

החזר לי:
1. חמישה עד שבעה ספקים מובילים שמתאימים לדרישות
2. טבלת השוואה עם: שם, מיקום מטה, גודל החברה, מחיר אינדיקטיבי, יתרונות מרכזיים, חסרונות ידועים
3. שלוש שאלות שאשאל כל ספק לפני שאבקש הצעת מחיר
4. קישורים למקורות שהתבססת עליהם

אל תכלול ספקים שאתה לא בטוח שהם פעילים או שאין לך מידע עדכני עליהם.

בנצ'מרקים של שכר וזכויות

אצל כל אנשי HR עולה מדי פעם השאלה "מה הארגונים האחרים עושים בתחום הזה". בין אם זה גובה שכר למפתחים בכירים, מספר ימי חופשה במשרד טכנולוגיה, או מה נהוג לתת כעזרה בלימודים. פרפלקסיטי וכלי Deep Research הפכו את המחקר הזה מפרויקט של שבועיים לעבודה של חצי שעה, אבל בתנאי שיודעים לבקש נכון.

פרומפט לבנצ'מרק שכר וזכויות

בצע מחקר מעמיק על [הנושא, לדוגמה: תנאי זכאות להחזר הוצאות לימודים בחברות הייטק בישראל].

התחל מחיפוש מקורות משני סוגים:
1. דוחות שכר וזכויות רשמיים (חברות ייעוץ, ארגוני מעסיקים, הלשכה המרכזית לסטטיסטיקה)
2. דיווחים פומביים של חברות או ראיונות עם אנשי HR בכירים

החזר לי:
- טווח נפוץ בשוק (מינימום, מקסימום)
- השוואה לפי גודל חברה (סטארטאפ עד 50, חברה בינונית 50-300, חברה גדולה 300+)
- תנאים נלווים שנהוג לצרף (תקופת ותק מינימלית, הגבלות, החזר במקרה עזיבה)
- מקורות מצוטטים לכל מספר שאתה מביא

אם יש סתירות בין מקורות, הצג אותן במפורש ואל תבחר צד.

ההוראה להציג סתירות בלי לבחור צד חשובה במיוחד. מודלי AI נוטים "להרגיע" את התמונה ולהציג קונצנזוס מדומה, גם כשהמציאות יותר מבולגנת. בנתוני שכר הבלגן הוא הכלל, לא היוצא מן הכלל.

מה שחשוב לזכור

כל הכלים והפרומפטים האלו מעולים למי שמבין ששום בוט לא מחליף את השיקול המקצועי שלכם. AI הוא עוזר מצוין במטלות חזרתיות, בפיצוח מסמכים ארוכים, בסיעור מוחות ובאיסוף מידע. הוא לא מקבל החלטות על אנשים. המועמד שהבוט "דירג נמוך" יכול להיות בדיוק האדם שהצוות שלכם צריך, וההודעה שהבוט ניסח יכולה להיות שטוחה בדיוק במקום שדורש את הקול האנושי שלכם. השתמשו בכלים האלה כדי לפנות זמן למה שבאמת חשוב: השיחות, הראיונות, המפגשים וההבנה האמיתית של מי שעובד אצלכם.

הפוסט 6 פרומפטים ל-AI ב-HR לשיפור הפרודקטיביות הופיע ראשון בLet's AI בינה מלאכותית

אם בעבר שירותים דיגיטליים התחרו בעיקר על פיצ’רים, היום התחרות עברה למקום אחר. לא רק מה המערכת יודעת לעשות, אלא כמה זמן, כמה פעמים ובאיזו רציפות ניתן להשתמש בה. במקרה של ChatGPT, המעבר הזה בולט במיוחד. החבילות השונות כבר אינן נבדלות רק ביכולות, אלא בהיקף העבודה שהן מאפשרות בפועל.

החבילות של ChatGPT ומנוי פרו המוגדל

מה כוללת חבילת Pro?

חבילת פרו כוללת מספר שדרוגים שווים במיוחד:

גישה רחבה יותר לאותם כלים

חבילת Pro אינה משנה באופן מהותי את סט היכולות של ChatGPT Plus, אלא מרחיבה את הגישה אליהן. המשתמשים מקבלים את אותם כלי עבודה עם קבצים, יצירת תוכן, ניתוח מידע, שימוש במודלים מתקדמים, אך עם פחות מגבלות שמגבילות את קצב העבודה. השינוי בא לידי ביטוי בכך שניתן להשתמש במה שכבר קיים בצורה אינטנסיבית יותר.

הגדלה משמעותית של מכסת השימוש

כאן נמצא ההבדל המרכזי בין החבילות: במסלול שמתחיל סביב 100 דולר לחודש, היקף השימוש גדל פי 5 לעומת Plus במסלול רחב יותר, שמגיע לכ-700 ש"ח (כ-200 דולר), מדובר כבר על הגדלה של עד פי 20. זהו שינוי כמותי, אך ההשפעה שלו איכותית. יותר בקשות, יותר הרצות של משימות, פחות עצירות. עבור משתמשים כבדים, המשמעות היא רצף עבודה שלא נקטע כל כמה שעות או בקשות.

במסלול זה יש אפשרות ל- פי 5 יותר שימוש בהשוואה ל-Plus.

במסלול רחב יותר, שמגיע לכ-700 ש"ח (כ-200 דולר), מדובר כבר על עד פי 20 יותר שימוש.

במסלול רחב יותר, מדובר כבר על עד פי 20 יותר שימוש.

עדיפות תפעולית

בדומה לשירותים בתשלום בתחומים אחרים, גם כאן קיימת עדיפות בגישה למשאבים. משתמשי Pro נהנים מזמינות גבוהה יותר, פחות עומסים, וזמני תגובה יציבים יותר. כאשר הכלי הופך לחלק מהעבודה היומיומית, הפרטים האלו כבר אינם שוליים, אלא קריטיים.

למי זה מתאים?

החבילה הזו יכולה להתאים למגוון משתמשים וצרכים:

1) משתמשים כבדים

אם אתם עובדים עם ChatGPT לאורך היום, כותבים, מנתחים, מפתחים או בונים תהליכים - ההבדל בין Plus ל-Pro הופך משמעותי. לא בגלל תכונה חדשה, אלא בגלל היכולת להמשיך לעבוד בלי להיתקל בתקרות שימוש.

2) אנשי מקצוע וצוותים קטנים

עבור אנשי שיווק, יוצרי תוכן, יזמים ומפתחים, החבילה מאפשרת מעבר מעבודה נקודתית לעבודה שיטתית. במקום לחשוב על מגבלות, אפשר לבנות תהליכים שלמים שמבוססים על הכלי.

3) מי שלא נתקל במגבלות השימוש לא בהכרח זקוק לשדרוג

חשוב לדייק: לא כל משתמש צריך את זה. מי שמשתמש ב-ChatGPT באופן מזדמן, או למשימות נקודתיות, ככל הנראה לא ירגיש הבדל מהותי. הערך של Pro נוצר רק כאשר המגבלות מתחילות להפריע בפועל.

כמה זה עולה?

חבילת Pro מגיעה בכמה רמות שימוש. בכ-310 ש"ח לחודש מתקבלת הגדלה של פי 5 בהיקף השימוש. בכ-700 ש"ח לחודש מדובר כבר על פי 20. ההבדל אינו ביכולות, אלא בכמות העבודה שניתן לבצע לפני שמגיעים למגבלות.

מתלבטים איזו חבילה לבחור?

האם OpenAI משנים כיוון?

המודל הזה מצביע על שינוי עמוק יותר, ChatGPT הופך לכלי עבודה קבוע. השאלה כבר אינה מה הוא יודע לעשות, אלא כמה רחוק אפשר לקחת את השימוש בו בפועל. כמו כן, התזמון כאן לא מקרי: אנטרופיק (Anthropic) מצליחה למשוך יותר ויותר משתמשים כבדים בזכות מודלים שמרגישים יציבים, מדויקים ונוחים לעבודה ממושכת. בתוך המציאות הזו, OpenAI לא מנסה רק לשפר יכולות - אלא משנה את חוקי המשחק. במקום להתחרות רק ברמת הביצועים, היא מתמקדת בהיקף העבודה שהמשתמש יכול להוציא בפועל. זו כבר לא השוואה טכנית בין מודלים, אלא ניסיון להגדיר מחדש מה הופך כלי ל"שימושי" יותר, כזה שאפשר לעבוד איתו לאורך זמן, בלי לעצור ובלי לחשב כל פעולה.

הפוסט חבילת Pro החדשה של ChatGPT: מנוי ל-Power Users הופיע ראשון בLet's AI בינה מלאכותית

המודל נבנה כחלק ממאמץ רחב יותר של חברות טכנולוגיה בסין לפתח מודלי שפה מתקדמים בקנה מידה גדול, תוך הסתמכות על תשתיות חישוב, דאטה ואופטימיזציה של תהליכי אימון. במסגרת הזו, MiniMax-M2.7 לא רק אומן על כמויות גדולות של מידע, אלא גם שולב בתהליך הפיתוח של עצמו, כך שחלק מהמשימות שבדרך כלל מבוצעות על ידי מהנדסים עברו אוטומציה. השאלה כבר איננה רק מה המערכת יודעת, אלא עד כמה היא משתתפת ביצירת הדור הבא שלה.

בשנת 2016, חוקרי גוגל הציגו לעולם את AlphaGo - מערכת שלמדה לשחק גו ברמה על-אנושית. אחד הרגעים הזכורים ביותר היה מהלך 37 במשחק מול לי סדול, מהלך שנראה בתחילה כשגוי, אך בדיעבד התברר כגאוני.

הרגע הזה לא היה רק ניצחון טכנולוגי, אלא נקודת מפנה תפיסתית. זו הייתה הפעם הראשונה שבה רבים הבינו שמכונה לא רק מחקה חשיבה אנושית, אלא מסוגלת לייצר מהלכים שאפילו מומחים מתקשים לצפות. כמעט עשור אחרי, נדמה שאנחנו מתקרבים לשלב הבא - לא רק מודלים שלומדים בעצמם, אלא מערכות שמשתלבות בתהליך הפיתוח של עצמן.

איך המודל משתלב בתהליך השיפור של עצמו?

במקרה של MiniMax-M2.7, מדובר בתהליך מבוקר שבו המודל משתלב בלולאת שיפור מתמשכת, אך פועל בתוך מסגרת שמוגדרת ומנוהלת על ידי חוקרים ומהנדסים. לפי התיאור הרשמי, המודל השתתף בתהליך השיפור של עצמו: הוא סייע לעדכן זיכרון, לבנות יכולות (Skills), ולשפר את סביבת העבודה ותהליך ההרצה של המודל (Harness). כלומר, הוא פעל בתוך לולאת שיפור, אך כזו שהוגדרה ונוהלה על ידי חוקרים ומהנדסים.

מה באמת קורה בתוך התהליך?

החידוש המרכזי אינו "מודל שממציא את עצמו", אלא מעבר הדרגתי למערכות שבהן חלקים הולכים וגדלים מתהליך הפיתוח הופכים לאוטומטיים.

במקרה הזה, המודל השתלב בתוך ה-workflow של צוותי הפיתוח. לפי הדיווחים, הוא ביצע חלק מהמשימות שבדרך כלל נעשות על ידי צוותי reinforcement learning, כולל ניתוח תקלות, דיבוג (Debugging), הצעת שינויים בקוד, הרצת ניסויים והערכת תוצאות.

ההערכות מדברות על כך שבחלק מהמקרים, המערכת השתתפה בכ-30% עד 50% מהעבודה התפעולית בתהליך.

במילים אחרות, לא מדובר במערכת שמפתחת את עצמה באופן עצמאי, אלא בכזו שמסייעת לבנות את הגרסה הבאה שלה בתוך מסגרת מוגדרת.

עד כמה זה משמעותי?

המשמעות המרכזית היא שינוי בקצב ובסקייל. כאשר חלקים משמעותיים מהעבודה עוברים אוטומציה, תהליך הפיתוח הופך למהיר יותר, ולעיתים גם עקבי יותר.

עם זאת, חשוב להדגיש, אין כאן "הבנה עצמית" או קבלת החלטות חופשית. מדובר באופטימיזציה של תהליך, לא בהחלפה של האדם.

כמה רחוק זה מאוטונומיה אמיתית?

כדי להבין את המשמעות של MiniMax-M2.7, צריך להבחין בין שני מושגים שונים: שיפור עצמי במסגרת מוגדרת, ואוטונומיה מלאה.

מה כבר קורה היום?

כבר היום קיימים תהליכים של AutoML, חיפוש ארכיטקטורות אוטומטי, ושימוש במודלים כדי לשפר מודלים אחרים. MiniMax-M2.7 משתלב במגמה הזו, אך מרחיב אותה מבחינת היקף האוטומציה והמעורבות בתהליך. במובן הזה, המודל כבר אינו רק תוצר - אלא גם כלי בתוך תהליך הפיתוח.

ומה עדיין לא קיים?

אוטונומיה מלאה - כלומר מערכת שמגדירה לעצמה מטרות, בונה אסטרטגיה ומבצעת אותה ללא התערבות אנושית - עדיין אינה קיימת.

גם כאן, בני אדם מגדירים את המטרות, הכלים והגבולות. המודל פועל בתוך המסגרת הזו, ולא מחוץ לה.

בין הצהרות למציאות

השיח סביב מודלים מהסוג הזה נשען לעיתים על פרשנות רחבה של היכולות בפועל. עם זאת, בהיעדר שקיפות מלאה לגבי אופן הבדיקה, הנתונים והמתודולוגיה, קשה לקבוע עד כמה ההישגים ניתנים להשוואה ישירה למודלים אחרים. אין כיום הוכחה לכך שמדובר במערכת האוטונומית הראשונה מסוגה, לא בסין ולא בעולם. גם ההשוואות למודלים אחרים דורשות זהירות, במיוחד כאשר אין שקיפות מלאה לגבי המתודולוגיה והנתונים. בפועל, מדובר בשלב נוסף באבולוציה של תהליכי פיתוח - לא בקפיצה ישירה לאוטונומיה מלאה.

אז מה כן השתנה?

השינוי האמיתי אינו בכותרות, אלא בתהליך. במקרה של MiniMax, השינוי הזה כבר מקבל ביטוי מעשי: חלקים מהעבודה שפעם בוצעו ידנית על ידי חוקרים ומהנדסים - כמו ניתוח תקלות, הרצת ניסויים והערכת תוצאות - משתלבים בתוך מערכת שבה המודל עצמו לוקח חלק פעיל.

המודל כבר אינו רק תוצר של הפיתוח, אלא גם כלי בתוך תהליך הפיתוח. הוא משתלב בלולאת עבודה שבה כל גרסה מסייעת לשפר את הבאה אחריה, במסגרת שמוגדרת ומנוהלת על ידי בני אדם.

זהו שינוי שקט יחסית, אך כזה שיכול להשפיע על קצב ההתקדמות, על מבנה הצוותים, ועל האופן שבו חברות כמו מינימקס (MiniMax) בונות את הדורות הבאים של המודלים שלהן.

בסופו של דבר, אולי השאלה החשובה אינה האם מודלים יפעלו באופן עצמאי, אלא עד כמה אנחנו מוכנים לשלב אותם בתוך תהליך הפיתוח עצמו. לא אוטונומיה מלאה, אלא השתתפות הולכת וגדלה - בתוך גבולות שהאדם עדיין מגדיר.

במקרה של מינימקס (MiniMax), השילוב הזה כבר מתממש בפועל, כחלק ממאמץ רחב יותר של חברות טכנולוגיה בסין להאיץ את קצב הפיתוח ולצמצם תלות בתהליכים ידניים. אם המגמה הזו תימשך, ייתכן שהיתרון לא יגיע דווקא ממודל "חכם יותר", אלא ממערכת שיודעת לשפר את עצמה מהר יותר.

הפוסט כשהמודל הופך לחלק מתהליך הפיתוח של עצמו – המקרה של MiniMax-M2.7 הופיע ראשון בLet's AI בינה מלאכותית

מדריך ל-Suno V5.5

לפני הכל, סונו שחררה מדריך מצולם (באנגלית) שסוקר את עיקרי החידושים בגרסה החדשה. מוזמנים לצפות בו, ולאחר מכן להעמיק בפיצ'רים השונים שמפורטים בהמשך המאמר.

זהות מוזיקאלית בעידן ה-AI

עוד הרבה לפני עידן הקבצים הדיגיטליים והאלגוריתמים, אמנים לא נמדדו רק לפי דיוק או שליטה טכנית, אלא לפי איכות חמקמקה יותר - נוכחות. זו לא הייתה רק שאלה של תווים נכונים או ביצוע נקי, אלא של משהו שקשה להגדיר אך קל לזהות: תחושה של קול שמגיע ממקום מסוים, של פרשנות שאינה ניתנת לשכפול. הקול של בילי הולידיי לא היה רק כלי מוזיקלי, אלא חוויה רגשית שנשאה בתוכה חיים שלמים. הצליל המזוהה של הביטלס לא היה תוצאה של נוסחה, אלא של מערכת יחסים יצירתית בין אנשים, זמן ומקום. גם אצל בוב דילן, שבירת המבנה המוזיקלי לא הייתה טעות או ניסוי מקרי, אלא ביטוי מודע של עמדה, של זהות.

אם עד כה זהות נבעה מתוך מגבלות אנושיות, ניסיון, והקשר תרבותי, הרי שכעת היא נדרשת להתהוות בתוך מערכת שאינה חווה דבר. Suno, בהקשר הזה, אינו מסתפק ביצירת מוזיקה "נכונה" או "משכנעת", אלא מנסה לגעת בשאלה מורכבת בהרבה: כיצד ניתן לבנות תנאים שבהם זהות מוזיקלית אינה רק מחוקה או מדומה, אלא מתגבשת מתוך האינטראקציה בין האדם לבין המערכת האלגוריתמית

your voice is a miraculous instrument. It's about time you learned how to play it. pic.twitter.com/2r1IvlusOw

— Suno (@suno) March 27, 2026

Voices - כשהקול הופך לתשתית יצירתית

הקול האנושי הוא אולי הכלי המוזיקלי הקדום ביותר, אך גם המורכב ביותר מבחינה זהותית. הוא אינו רק צליל, אלא נשא של זיכרון, חוויה ונוכחות. כשאתם יוצרים שיר או טרק מוזיקאלי עם סונו, יש לכם אפשרות לשחזר את אותו "זמר" או "להקה" שוב ושוב. קוראים לזה Voice (בעבר הפיצ'ר הזה נקרא "פרסונה").

דרכים שונות לאימון Voice בסונו

העבודה עם Voices אינה אחידה, ויש להבחין בין שתי מתודולוגיות מרכזיות:

אימון על בסיס יצירות קיימות: ניתן לקחת שירים שנוצרו בתוך Suno, ולהשתמש בהם כבסיס לאימון הקול. כך נוצרת המשכיות - מעין זהות קולית עקבית, המזכירה הרכב או דמות מוזיקלית שממשיכה להתפתח לאורך זמן. את זה ניתן לעשות על ידי לחיצה על שיר שיצרתם ואהבתם - הקליקו על שלוש הנקודות בצד, בחרו ב-Create ואז בחרו ב-Voice.

יצירת Voice בסונו משיר קיים

אימון על בסיס קול אישי: אפשרות נוספת היא העלאת הקלטה של הקול שלכם. כאן המערכת אינה רק לומדת סגנון, אלא מתבססת על מאפיינים פיזיים ממשיים של קול אנושי - גוון, נשימה, אינטונציה. אפילו המבטא שלכם! אם תשירו בעברית, גם מודל הקול שסונו יבנה, יאמץ את המבטא הישראלי שלכם. 

איך עושים את זה?

1. כנסו לאתר הרשמי של סונו.
2. בחרו בתפריט הצדדי בלשונית Create.
3. ואז לחצו על הבאנר החדש שמאפשר לאמן מודל קול אישי.

כך תאמנו את סונו על הקול שלכם.

אם אתם לא רואים את הבאנר, אפשר להכנס לממשק אימון הקול, גם דרך כפתור Voice (שהחליף את כפתור הפרסונה הישן).

יצירת מודל קול ב-Suno דרך כפתור Voice

לאחר מכן, ניתן לבחור בין הקלטה ישירה, העלאת קובץ קיים, או שימוש ביצירות שכבר הופקו. כל בחירה מייצרת תוצאה אחרת, משום שהיא מגדירה מקור שונה ללמידה. אחרי שתעלו את ההקלטה, סונו יבקש ממכם להקריא משפט באנגלית כדי להוכיח שהקול שצירפתם הוא אכן הקול שלכם ולא של מישהו אחר (כדי למנוע הונאות, גניבות זהות או זכויות, וזיופים).

אימון מודל קול אישי בסונו.

טיפים לשיפור התוצאה

כשאתם מקליטים הקפידו על התנאים הבאים:

• סביבה שקטה: נטולת רעשי רקע, מאפשרת למערכת לזהות את מאפייני הקול בצורה מדויקת ולמנוע עיוותים מצטברים. גם שימוש במיקרופון חיצוני בסיסי מייצר הבדל מהותי לעומת מיקרופון מובנה, שכן הוא מספק עומק ויציבות בתדרים.
• משך הקלטה: הקלטה קצרה מדי אינה מאפשרת למערכת ללמוד את הקול לעומק, ולכן מומלץ לספק לפחות 10 עד 20 שניות של דגימה קולית עקבית, בטון יציב וללא תנודות חדות.
• עקביות בהגשה: מרחק קבוע מהמיקרופון, עוצמת קול אחידה, והגייה ברורה - תורמת ליכולת של המערכת לייצר תוצאה אמינה, שניתן לשחזר.

Custom Models - כשסגנון הופך למנגנון

מודלים מותאמים אישית (Custom Models) לא עוסקים רק בקול, אלא בבניית זהות מוזיקלית רחבה ומעמיקה יותר: כאן בדיוק נמצא ההבדל מול Voices: ב-Voice אתם מעלים מקור קולי אחד - בדרך כלל הקלטה אחת של כ-30 שניות, או קובץ בודד של הקול שלכם - כדי ללמד את סונו איך נשמע הקול, מה הגוון שלו, איך הוא שר, ואפילו איזה מבטא או אינטונציה מאפיינים אותו. זה כלי שממוקד בזהות קולית נקודתית.

מה ההבדל בין Voices ל-Custom Models?

לעומת זאת, ב-Custom Model התהליך כבר הרבה יותר רחב. כאן לא מעלים קובץ אחד אלא אוסף גדול של חומרים - לעיתים עשרות שירים - כדי ללמד את המערכת לא רק מי שר, אלא איך בנויה כל היצירה. לכן זה כבר לא מודל של קול בודד, אלא מסגרת יצירתית רחבה יותר, שיכולה לשקף סאונד של הרכב שלם, להקה שלמה, או שפה מוזיקלית עקבית ומזוהה. במילים אחרות, Voice מלמד את סונו את ה"זמר", בעוד Custom Model מלמד את סונו את ה"עולם המוזיקלי" שסביבו.

לסיכום, ההבדל המרכזי בקצרה:

• Voice: העלאה של הקלטה אחת או קובץ קולי אחד, כדי לשמר קול מסוים.
• Custom Model: העלאה של הרבה שירים, כדי לבנות מודל עמוק, מדויק ומקיף יותר של סגנון, הפקה, מבנה וזהות מוזיקלית.

יצירת Custom Model ב-Suno/

כך יוצרים Custom Model, שלב אחר שלב

• נכנסים ללשונית Create: בתפריט הצדדי בוחרים במסך יצירת השירים, ואז לוחצים על בורר המודלים. שם לוחצים על האפשרות Create Custom Model בממשק.
• נותנים שם למודל: בוחרים שם שיאפשר לזהות את המודל בהמשך.
• מעלים קטלוג שלם יחסית: מעלים שירים דרך Bulk Upload או בוחרים שירים שכבר נמצאים בספרייה. מומלץ להעלות 24 שירים לקבלת התוצאות הטובות ביותר.
• שומרים על קו סגנוני ברור: חשוב שהחומרים ייצגו אותו עולם מוזיקלי, ולא ערבוב אקראי של סגנונות שונים.
• יוצרים את המודל: לאחר העלאת החומרים לוחצים על Create Custom Model. יצירת המודל עולה קרדיטים, ובדרך כלל נמשכת כמה דקות.
• משתמשים במודל ביצירה חדשה: לאחר שהמודל מוכן, אפשר לבחור אותו במסך היצירה ולהפיק מוזיקה חדשה שנשענת על הסאונד שלימדתם אותו.
• זכויות יוצרים: מאחר שמדובר באימון על חומרים מוזיקליים קיימים, יש להשתמש רק בשירים שאתם מחזיקים בזכויות עליהם.

מסך העלאת הקבצים ליצירת Custom Models בסונו

פיצ'ר My Taste - כשסונו לומד את הטעם המוזיקלי שלכם

בניגוד לשני הפיצ'רים הקודמים, My Taste פועל כמעט מאחורי הקלעים: מדובר בתכונה של סונו, שלומדת את הטעם האישי שלכם. המערכת אינה מבקשת קלט ישיר, אלא לומדת מתוך דפוסי הבחירה של המשתמש. אילו תוצרים נשמרים, אילו נדחים, ואילו כיוונים חוזרים על עצמם - כל אלה הופכים לחומר גלם ללמידה. 

כיצד לעבוד נכון עם My Taste

• כל פעם שאתם מזינים סגנון מוזיקלי, סונו לומד אתכם. 
• ככל שהזמן עובר, הוא מפתח "טעם מוזיקלי" שהוא משייך למשתמש.
• כתלחצו על כפתור "מטה הקסם", לשפר פרומפט, סונו אוטומאטית יחיל את הסגנון שלכם וישפר את הפרומפטים שלכם בהתאם.

סונו לומד את הסגנון המוזיקלי שלכם

למה כל הטוב הזה מגיע לנו?! ואולי בעצם זה לא כל כך טוב...

ועכשיו לשאלת השאלות - לא רק איך מפעילים כלי כמו Suno, אלא מי יכול להשתמש בו ומה הוא יכול לעשות איתו?

לפני הכל, יצירה מוזיקלית ברמה גבוהה כבר לא שמורה רק למוזיקאים מקצועיים. אדם ללא רקע מוזיקלי יכול לקחת רעיון, טקסט, או אפילו תחושה - ולהפוך אותם לשיר שלם, עם קול, סגנון והפקה. זו הנגשה אמיתית של יצירה, שמרחיבה את מעגל היוצרים הרבה מעבר למה שהכרנו עד היום.

במקביל, עבור יוצרים מקצועיים, מדובר בכלי עבודה חדש לגמרי. האפשרות לשלב את הקול האישי שלכם בתוך היצירה, גם בלי להיות נוכחים פיזית בכל הקלטה, משנה את תהליך העבודה. זמרים יכולים להפוך לנוכחות מתמשכת בתוך הפקה, מפיקים יכולים לעבוד מהר יותר, וליצור יותר, תוך חיסכון משמעותי בזמן ובעלויות. הגבול בין סקיצה לשיר מוגמר הולך ומטשטש.

אבל יחד עם ההזדמנות, עולה גם שאלה לא נוחה על עתיד המוזיקה. אם מודלים יודעים לייצר שירים ברמה שמתקרבת ליוצרים אנושיים, מה יקרה למקצועות ולאנשי מקצוע שנשענו על נוכחות אנושית - כמו למשל זמרי אולפן או נגני אולפן? האם יספיק יום הקלטות אחד כדי "לייצר" קול שאפשר להשתמש בו שוב ושוב? ואם כן - למי הקול הזה שייך? ליוצר, לזמר, או למי שמפעיל את המודל? האם ילדי המאה ה-21 יצטרכו בכלל ללמוד לנגן על פסנתר או גיטרה, בעולם שבו אפשר לג'נרט כל כלי מוזיקלי, או להישמע תוך שניות כמו סולן מקצועי?

ייתכן שבעתיד הלא רחוק, קול יהפוך לנכס שניתן לרכוש, לשכפל ולהפעיל לפי צורך. זה מוזיל עלויות ומאיץ תהליכים, אבל גם משנה את מערכת היחסים בין יוצרים, מבצעים וטכנולוגיה. אולי זו לא שאלה של האם זה יקרה - אלא איך נבחר להשתמש בזה, ואילו גבולות נגדיר לעצמנו בדרך.

הפוסט סונו מפגיזה עם Suno v5.5 – הפעם זה באמת גיים צ'יינג'ר! הופיע ראשון בLet's AI בינה מלאכותית

קופיילוט החינמי: נגישות רחבה ושימוש אישי

קופיילוט החינמי הוא מערכת בינה מלאכותית מבית מיקרוסופט, הזמינה לשימוש ללא עלות לכל מי שמחזיק חשבון Microsoft סטנדרטי או Outlook. עם זאת, בפועל, חוויית הגישה אליו רחבה יותר מהאקוסיסטם של מיקרוסופט בלבד.

התחברות לקופיילוט: כיום ניתן להתחבר גם באמצעות חשבונות חיצוניים, כולל חשבון Google או Apple. משתמשים רבים בוחרים להיכנס דרך חשבון ה-Gmail שלהם, מה שמפשט את תהליך ההתחברות ומייתר יצירת חשבון נוסף. מעבר לנוחות, מדובר במהלך שמשקף מגמה רחבה יותר: הפיכת כלי AI לשכבה נגישה בתוך הסביבה הדיגיטלית הקיימת, ולא כפלטפורמה נפרדת.

חיבור דרך הדפדפן: השימוש בקופיילוט מתבצע דרך הדפדפן בכתובת הבאה: https://copilot.microsoft.com/ , או באמצעות העוזר הצדדי (Sidebar) המובנה בדפדפן Edge, המאפשר עבודה רציפה לצד גלישה.

כניסה לקופיילוט החינמי דרך דפדפן אדג' של מיקרוסופט

חשוב להדגיש כי מדובר בגרסה אישית של הכלי. היא נפרדת מ-Copilot for Microsoft 365, אשר מיועד לארגונים, מתחבר למסמכים ודאטה ארגוני, ודורש רישוי בתשלום.

העוזר הצדדי (Sidebar) בדפדפן Edge

את העוזר הצדדי ניתן להפעיל דרך הפתור שנמצא בצד בחלק העליון של המסך (ראו תמונה מעלה). הוא מאפשר לכם להמשיך לגלוש באתר שבו אתם נמצאים, ולמעשה לשמש כעוזר AI צמוד. סייען שרואה כל מה שהמסך שלכם רואה. ניתן לבקש ממנו לסכם את התוכן שמופיע על המסך באותו רגע, להרחיב, להביא עוד מידע או מקורות, או לאמת את אמינות הטענות. זו שכבת AI צמודה שמלווה את הגלישה באינטרנט.

האפליקציה הוובית

האפליקציה הוובית היא למעשה מעין חלופה ל-ChatGPT או Gemini. הממשק מאוד מזכיר את הצ'טבוטים הרגילים שאתם מכירים, והוא מכיל את רוב הפיצ'רים שאתם רגילים למצוא באותם צ'טים מבוססי AI.

איך נכנסים לקופיילוט ומה רואים בפעם הראשונה?

תהליך הכניסה עצמו פשוט, אך המשמעות שלו רחבה יותר מהשלבים הטכניים.

התחברות לחשבון: לאחר התחברות לחשבון, נפתח ממשק צ’אט מרכזי. סביבו מופיעים תפריט צד וסרגל עליון עם אפשרויות בסיסיות. המבנה הזה עשוי להשתנות מעט בין גרסאות, אך העיקרון נשאר דומה: סביבת עבודה מינימליסטית שמכוונת לפעולה מיידית. מומלץ בחום לבצע חיבור לחשבון, כי אז תקבלו יכולות מתקדמות יותר, מאשר שימוש ללא חיבור לחשבון.

שימוש מוגבל ללא התחברות: ניתן להשתמש בקופיילוט גם ללא התחברות, אך במקרה כזה היכולת מוגבלת. רק התחברות לחשבון מאפשרת שמירה של היסטוריית שיחות, עבודה עם קבצים והמשכיות בין אינטראקציות. זהו הבדל קטן לכאורה, אך בפועל הוא זה שמבדיל בין שימוש מזדמן לבין עבודה שוטפת עם הכלי.

לוחצים על כפתור התחברות דרך האתר ובוחרים חשבון להתחבר דרכו

היכרות עם הממשק

הממשק של קופיילוט נראה מינימליסטי, אך מאחוריו מסתתרת מערכת גמישה למדי.

מבנה המסך: במרכז המסך נמצא אזור השיחה, שבו מתנהלת האינטראקציה בין המשתמש למערכת. לעיתים מופיעה תמצית קצרה של התשובה, ולעיתים מצורפים גם קישורים למקורות, כאשר המערכת נשענת על מידע מהרשת. בצד תמצאו תפריט צדדי ובו אפשרויות מתקדמות נוספות.

תיבת הפרומפטים: בתחתית המסך נמצאת שורת ההקלדה - זה המקום בו אתם רושמים את הפרומפטים שלכם - כאן ניתן לנסח שאלות, בקשות לכתיבה, ביצוע סיכומים או ניתוחים מורכבים עם AI. לעיתים תופיע גם אפשרות לקלט קולי, וכן כפתור לצירוף קבצים, שמאפשר להעלות מסמכים ולבסס עליהם את השיחה.

בורר המודלים: בתוך תיבת הפרומפטים תמצאו כפתור שמאפשר להחליף בין מודלים שונים בתוך קופיילוט (לרוב יהיו אלו מודלי GPT). לעיתים כפתור זה נמצא בחלק העליון של הממשק (תלוי בגרסה של קופיילוט). להלן הסבר על המצבים השונים:

• מצב Smart: מצב אוטומאטי בו קופיילוט יחליט בעצמו מתי לשלוף מודל עוצמתי וחזק (מודל Reasoning), ומתי לשלוף מודל מהיר ופשוט יותר. 
• מצב חשיבה מעמיקה יותר: מצב זה מיועד למשימות מורכבות כמו ניתוח קבצים, ביצוע חישובים מתמטיים, או פעולות רב שלביות. במצב זה המודל לרוב מתבסס על מודלי Thinking מסדרת GPT (מודלי חשיבה).
• מצב לימוד והעמקה: במצב זה קופיילוט ישמש כמעין "מורה AI פרטי" שמלווה אתכם, מדריך אתכם, מסביר, מתווך ומלווה. זה מושלם למצבים שבהם אתם רוצים ללמוד חומר חדש, להתכונן לקראת מבחן או אירוע חשוב, או סתם רוצים להבין לעומק נושא שקרוב לליבכם.
• מצב חיפוש: במצב זה קופיילוט יהפוך למעין "פרפלקסיטי" - כשתשאלו אותו שאלה, הוא יחפש תשובות ברשת או במאגרי מידע, וישאב מתוך אותם מקורות את המידע שהוא צריך כדי לג'נרט לכם את התשובה. הוא יציג תשובות מנומקות, בליווי הפניות למקורות שעליהם התבסס.

מעבר בין מודלי חשיבה בתיבת השיח

מה ניתן לעשות בפועל מעבר לשאלות בתיבת השיח?

משתמשים רבים נוטים להישאר ברמת השימוש הבסיסית: שאלה ותשובה. אך זו רק נקודת הפתיחה.

יצירת טקסטים ותוכן: קופיילוט מסוגל לייצר טקסטים מסוגים שונים - החל ממיילים וסיכומים, ועד רעיונות למצגות ותוכן שיווקי. היתרון המשמעותי טמון ביכולת לכוון את הסגנון מראש, ולבקש ניסוח שמתאים לקהל או למטרה מסוימת.

ניתוח קבצים ונתונים: היכולת לעבוד עם קבצים מוסיפה שכבה נוספת של שימושיות. במקום לקרוא מסמך ארוך, ניתן להעלות אותו, לבקש סיכום, להוציא משימות, או לבנות מבנה נתונים מתוך התוכן. זהו מעבר מעבודה ידנית לעבודה מונחית AI.

העמקה והרחבה: נקודה נוספת שחשוב להבין היא אופי העבודה האיטרטיבי. התשובה הראשונה אינה בהכרח הסופית. באמצעות בקשות המשך ניתן לחדד, לקצר, להרחיב או לשנות סגנון. פעמים רבות, הערך האמיתי מתגלה רק לאחר כמה סבבים של שיפור.

קסטומיזציה של הצ'ט: בהגדרות המערכת ניתן גם להגדיר הנחיות קבועות (Custom Instructions), כגון שפה מועדפת או סגנון כתיבה. התאמה זו מצטברת לאורך זמן ומייצרת עבודה מדויקת יותר.

כניסה לתפריט הגדרות ובחירת העדפות

קונקטורים בקופיילוט

אחד המעברים המשמעותיים ביותר בשימוש בקופיילוט מתרחש כאשר הוא מפסיק להסתמך על שאלות כלליות, ומתחיל לעבוד עם מידע קונקרטי. מחברים (קונקטורים), כלומר חיבורים למקורות מידע חיצוניים, מאפשרים למערכת להישען על תוכן אמיתי: מיילים, מסמכים, קבצים בענן או מערכות ארגוניות. חיבורים אלו לרוב מתבססים על טכנולוגיית MCP.

כאשר קופיילוט פועל על בסיס מידע שהמשתמש מספק, למשל קובץ שהועלה או הקשר שנצבר בשיחה - התוצאה משתנה באופן מהותי. התשובות הופכות מדויקות יותר, פרקטיות יותר, ובעיקר רלוונטיות להקשר. דוגמה לכך היא חיבור לחשבון Gmail. לאחר יצירת החיבור (לרוב דרך כלי אינטגרציה כמו Power Automate או שירותים דומים), ניתן לבקש מהמערכת לסכם שרשורי מיילים, לזהות משימות פתוחות, או לנסח תגובה בהתאם להתכתבות קיימת. ברגע שהמידע הזה זמין, העבודה כבר אינה מתחילה מאפס בכל פעם.

חיבור Gmail לקופיילוט באמצעות קונקטורים

משיחה אישית לתהליך עבודה

כאשר עובדים עם קופיילוט לאורך זמן, השיחות אינן רק תיעוד, הן הופכות לחומר גלם. ניתן לחזור לשיחה, לערוך אותה, ולהשתמש בה מחדש. תשובה שנוצרה בצ’אט יכולה להפוך לטיוטת מייל, למסמך עבודה, או לבסיס לדיון רחב יותר. במובן הזה, קופיילוט אינו מספק “תוצאה סופית”, אלא נקודת פתיחה.

משיתוף קישור לעבודה משותפת

אחת היכולות הפשוטות אך המשמעותיות היא אפשרות השיתוף. בלחיצה על כפתור השיתוף ניתן לייצר קישור לשיחה ולהעביר אותו הלאה. כך, שיחה אישית הופכת לנקודת עבודה משותפת. צוותים יכולים להתייחס לאותו תוכן, להמשיך ממנו, או לבקר אותו. עם זאת, חשוב לזכור שהשיתוף כולל את תוכן השיחה, ולכן יש לשקול מראש אילו פרטים נכללים בו.

שיתוף השיחה דרך ״הזמן חברים״

מה חינמי ומה כבר לא?

השימוש הבסיסי בקופיילוט הן דרך הדפדפן והן דרך הסיידבר ב-Edge,  זמין ללא תשלום למשתמשים פרטיים, בין אם הם מתחברים דרך חשבון Microsoft, Google או Apple. לעומת זאת, Copilot for Microsoft 365 הוא מוצר אחר לחלוטין. הוא פועל בתוך יישומי Office כמו Word, Excel ו-Outlook, מחובר לדאטה ארגוני, ודורש רישוי בתשלום. גם פתרונות כמו Copilot Studio או יכולות Enterprise מיועדים לסביבות ארגוניות ואינם חלק מהשימוש החינמי.

בסופו של דבר, קופיילוט הוא אלטרנטיבה מעולה למי שרוצה לעבוד עם כלי חינמי איכותי, ולא רוצה להשקיע במנויים בתשלום לכלים כמו ChatGPT, ג'מיניי או Claude.

הפוסט המדריך המלא ל-Copilot בגרסה החינמית הופיע ראשון בLet's AI בינה מלאכותית

בשנת 1942, במסגרת פרויקט מנהטן, הקימו האמריקאים את האתר באוק רידג', מתחם אחד שבו רוכזו תהליכים קריטיים לפיתוח פצצת האטום. ההיגיון היה פשוט: כשקצב ההתקדמות חשוב יותר מהעלות או היעילות, מרכזים הכל במקום אחד. ההיסטוריה מראה שהמהלך הזה האיץ את הפיתוח בצורה דרמטית. כעת, כמעט 80 שנה אחרי, נראה שמאסק מאמץ עיקרון דומה, רק שבמקום פצצה, מדובר בכוח חישוב.

מפעל אחד לשלוט בכולם

הפרויקט החדש, "טרה-פאב" (TeraFab), מתוכנן לקום בקמפוס של טסלה במזרח מחוז טראוויס, אוסטין, טקסס, כמיזם משותף עם SpaceX. תג המחיר של כ-20 מיליארד דולר, משקף לא רק את גודל הפרויקט, אלא גם את רמת השאיפה.

הרעיון המרכזי פשוט אך רדיקלי: לא עוד שרשרת ייצור מפוצלת בין מדינות, חברות ושלבים שונים, אלא מפעל אחד שמכיל הכל. לוגיקה, זיכרון, אריזה, בדיקות ואפילו ייצור מסכות ליתוגרפיה - הכל תחת קורת גג אחת.

למה זה חשוב?

המודל הקיים בתעשיית השבבים מבוסס על פיצול. שבב מתוכנן במקום אחד, מיוצר במקום אחר, נארז במדינה שלישית ונבדק במקום נוסף. כל שלב כזה מוסיף זמן, עלות וחיכוך. טרה-פאב מציע גישה אחרת: מחזור איטרציה מהיר. מייצרים שבב, בודקים אותו, מעדכנים את המסכה, ומתחילים שוב בלי לשלוח פרוסות סיליקון בין יבשות.

האם זה באמת חדש?

מאסק טוען שאין כיום מתקן שמרכז את כל היכולות הללו במקום אחד. בפועל, ישנם מפעלים שמכסים חלקים מהתהליך, אך לא את כולו ברמה אינטגרטיבית כזו. אם המודל הזה יעבוד, הוא עשוי לשנות את קצב הפיתוח של שבבים, לא רק את הייצור שלהם.

שני סוגי שבבים, שני עולמות

המתקן צפוי לייצר שני סוגים עיקריים של שבבים, שכל אחד מהם משרת צורך אחר לחלוטין. הקבוצה הראשונה מיועדת לשימושים "ארציים" כגון רכבים אוטונומיים של טסלה, ורובוטים כמו Optimus. מדובר בשבבים שמבצעים אינפרנס, כלומר הפעלה של מודלים קיימים בזמן אמת, ולא אימון שלהם. כאן הדגש הוא על יעילות, זמני תגובה נמוכים ויכולת עבודה בתנאים מגוונים.

Announcing TERAFAB: the next step towards becoming a galactic civilization https://t.co/xTA70LOU0e

— SpaceX (@SpaceX) March 22, 2026

שבבים לחלל

הקבוצה השנייה מסקרנת יותר. מדובר בשבבים מוקשחים לסביבת חלל, שיכולים לפעול בטמפרטורות גבוהות יותר מהמקובל. הסיבה לכך פרקטית: ככל שהשבב חם יותר, כך נדרשת פחות מערכת קירור, מה שמפחית משקל בלוויינים. החזון כאן רחב יותר: מחשוב מבוזר בחלל, מבוסס לוויינים סולאריים, שיספק כוח חישוב בקנה מידה אדיר.

טריליון וואט, יעד או הצהרה?

אחד המספרים הבולטים בהכרזה הוא יעד של טרה-וואט אחד של חישוב בשנה. לשם השוואה, ההערכה הנוכחית של מאסק היא שהעולם כולו מייצר כ-20 גיגה-וואט של כוח חישוב AI בשנה. כלומר, מדובר בקפיצה של פי 50.

איך מגיעים לשם

לפי התוכנית, רק חלק קטן מהתפוקה יישאר על הקרקע - כ-100 עד 200 גיגה-וואט. שאר היכולת תגיע מהחלל, באמצעות לוויינים שמייצרים אנרגיה סולארית ומפעילים מערכות חישוב.

למה דווקא חלל

הקרקע מוגבלת. מגבלות אנרגיה, קירור ותשתיות הופכות את הרחבת מרכזי הנתונים למורכבת יותר ויותר. בחלל, לעומת זאת, יש גישה ישירה לאנרגיה סולארית, וללא מגבלות של שטח. האתגר כמובן עצום- גם טכנולוגית וגם רגולטורית.

לא לבד בשוק אך עם אסטרטגיה אחרת

למרות ההשקעה האדירה, מאסק מדגיש שהוא לא מתכוון להחליף את הספקים הקיימים. טסלה, ספייסאקס ואקס-איי (xAI) ימשיכו לרכוש שבבים מחברות כמו TSMC, סמסונג (Samsung) ומיקרון (Micron). ההבדל הוא בגישה: במקום להסתמך רק על השוק, הוא מוסיף שכבת ייצור עצמאית שמותאמת בדיוק לצרכים שלו.

מה זה אומר על התעשייה?

אם טרה-פאב יצליח, הוא עשוי להפעיל לחץ על מודל הפאונדרי- מודל שבו חברה מתכננת ואחרת מייצרת, ולאתגר אותו. עקב כך, חברות נוספות עשויות לשאול את עצמן האם כדאי להן לשלוט יותר בשרשרת הייצור שלהן, במיוחד בעידן שבו הביקוש לשבבים גדל בקצב מהיר מההיצע.

הרבה שאלות, מעט תשובות

למרות ההכרזה, פרטים רבים עדיין חסרים. אין לוח זמנים ברור, ואין אישור רשמי לתהליך ייצור ספציפי כמו 2 ננומטר, שעליו דובר בעבר. גם השאלה הגדולה נשארת פתוחה: האם ניתן באמת לבנות מתקן כזה בקנה מידה ובמורכבות המתוארים? התעשייה מכירה היטב את הקושי- מפעלי שבבים הם מהפרויקטים ההנדסיים המורכבים והיקרים בעולם.

ובכל זאת, ההיגיון שמוביל את המהלך ברור: אם הביקוש לכוח חישוב ימשיך לגדול, מי שלא ישלוט בייצור יישאר מאחור. בסופו של דבר, טרה-פאב הוא לא רק מפעל. הוא ניסיון להקדים בעיה שעדיין לא התממשה במלואה, אבל כבר מורגשת בשטח. השאלה היא לא רק האם מאסק יצליח לבנות אותו, אלא האם שאר התעשייה תיאלץ ללכת בעקבותיו, או להישאר תלויה במודל שמתחיל להיסדק.

הפוסט TeraFab של אילון מאסק – מפעל אחד, טריליון וואט של חישוב, והימור על עתיד השבבים הופיע ראשון בLet's AI בינה מלאכותית

מהי ספריית הקבצים של ChatGPT ולמי היא זמינה?

ספריית הקבצים, או Library, היא אזור ייעודי בתוך ChatGPT שמרכז את כלל הקבצים שהמשתמש העלה או יצר במהלך העבודה. מדובר במגוון רחב של פורמטים, החל ממסמכים וגיליונות נתונים ועד מצגות ותמונות, אשר נשמרים במקום אחד ונגישים לשימוש חוזר בכל שלב.

נכון לעכשיו, הפיצ’ר זמין למשתמשי Plus, Pro ו-Business בלבד. חשוב לציין כי הוא אינו נגיש באזורים מסוימים, בהם האיחוד האירופי, שווייץ ובריטניה, וכי השימוש בו מתבצע דרך גרסת ה-Web של ChatGPT בלבד.

איך הקבצים נשמרים באופן אוטומטי?

אילו קבצים נשמרים

אחד היתרונות המרכזיים של הספרייה הוא מנגנון השמירה האוטומטי. כל קובץ שמועלה לצ’אט או נוצר בתוכו נשמר באופן מיידי וללא צורך בפעולה יזומה מצד המשתמש. בין הקבצים שנשמרים ניתן למצוא מסמכים, גיליונות נתונים, מצגות, קבצי PDF ותמונות.

התהליך מתרחש ברקע, כך שהמשתמש אינו נדרש לנהל ידנית את השמירה, והקבצים נשמרים באופן מאובטח בתוך החשבון האישי.

מה לא נשמר

לצד זאת, ישנם חריגים שחשוב להכיר. קבצים שהועלו במסגרת Temporary Chat אינם נשמרים בספרייה, וכן קיימים מצבים ייעודיים, כמו ChatGPT Health, שבהם קבצים כלל אינם נשמרים. המשמעות היא שלא כל אינטראקציה עם קבצים מתורגמת לאחסון קבוע, ויש להכיר את ההקשר שבו עובדים.

איך למצוא קבצים בספרייה?

גישה לספרייה

הגישה לספריית הקבצים מתבצעת דרך סרגל הצד של הממשק. לאחר פתיחת ה-sidebar, ניתן לבחור בלשונית Library ולצפות בכל הקבצים שנשמרו במקום אחד מרוכז. המבנה הפשוט מאפשר התמצאות מהירה גם כאשר כמות הקבצים גדלה.

לחצו על כפתור ״ספרייה״ בתפריט הצד

שימוש בחיפוש וסינון

כדי להקל על איתור קבצים, הספרייה כוללת מנגנון חיפוש מובנה לצד אפשרויות סינון. ניתן לחפש לפי שם או מאפיינים, ולסנן בין סוגי קבצים שונים, בין קבצים שהועלו לבין כאלה שנוצרו בתוך המערכת, וכן לפי פורמטים כמו תמונות, מסמכים או גיליונות נתונים. כך ניתן לנהל גם ספריות עמוסות בצורה יעילה יחסית.

איך להשתמש מחדש בקבצים בצ’אט?

הוספת קובץ לשיחה

אחד השימושים המרכזיים של הספרייה הוא האפשרות לשלב קבצים קיימים בשיחות חדשות. במקום להעלות מחדש מסמך שכבר נעשה בו שימוש, ניתן להוסיף אותו ישירות מתוך הספרייה באמצעות תפריט ההוספה (attachment) ובחירה באפשרות Add from library.

הפעולה הזו חוסכת זמן ומאפשרת המשכיות בעבודה, במיוחד בפרויקטים מתמשכים.

לחצו על כפתור הספרייה ולאחר על ״הוספה״ ובחרו בקובץ הרצוי

שימושים נפוצים

הפיצ’ר מתאים במיוחד למשתמשים שעובדים עם מסמכים חוזרים, מבצעים ניתוחים על אותם נתונים או מפתחים תוצרים לאורך זמן. היכולת לגשת לאותם קבצים שוב ושוב יוצרת בסיס עבודה יציב יותר, ומפחיתה את התלות בהעלאות חוזרות.

איך למחוק קבצים ומה המשמעות?

מחיקה ידנית

ניהול הקבצים אינו מסתכם רק בשמירה ואיתור, אלא גם בשליטה על מחיקה. הקבצים נשמרים עד למחיקה יזומה מצד המשתמש. כדי להסיר קובץ, יש להיכנס לספרייה, לבחור את הקובץ הרלוונטי וללחוץ על אפשרות המחיקה.

כפתור המחיקה יופיע בסמוך לכל קובץ

מה קורה אחרי המחיקה

לאחר המחיקה, הקובץ מוסר באופן מיידי מהחשבון. עם זאת, ייתכן כי הוא יישמר במערכות OpenAI למשך עד 30 ימים, בהתאם לשיקולי אבטחה ורגולציה. חשוב להדגיש כי מחיקת שיחה אינה מובילה למחיקת הקבצים שנשמרו בספרייה, ולכן יש לנהל אותם באופן מודע ונפרד.

מגבלות גודל קבצים שחשוב להכיר

העבודה עם ספריית הקבצים כפופה למספר מגבלות טכניות. גודל הקובץ המקסימלי עומד על 512MB. עבור מסמכים וטקסטים קיימת מגבלה של עד 2 מיליון טוקנים לכל קובץ, בעוד שקבצי CSV וגיליונות נתונים מוגבלים לכ-50MB, בהתאם להיקף הנתונים. תמונות, מצידן, מוגבלות לגודל של עד 20MB לכל קובץ.

מגבלות אלו אינן בהכרח מורגשות בשימוש בסיסי, אך הן הופכות רלוונטיות כאשר עובדים עם דאטה בהיקפים גדולים או קבצים מורכבים.

איך להוריד קבצים מהספרייה?

הספרייה אינה משמשת רק לאחסון פנימי, אלא גם מאפשרת הורדה של קבצים לשימוש חיצוני. ניתן לבחור קובץ אחד או יותר ולהוריד אותם ישירות למחשב באמצעות כפתור Download. האפשרות הזו מאפשרת גיבוי מקומי או המשך עבודה מחוץ למערכת.

בחרו בקובץ הרצוי ולחצו על הורדה

יתרונות פיצ׳ר ה- Library של ChatGpt

הפוסט ספריית הקבצים של ChatGPT הופכת לכלי עבודה קבוע למשתמשים הופיע ראשון בLet's AI בינה מלאכותית

קצב צמיחה חריג, אפילו בעולם ה-AI

המספרים שמציגה Lovable ממחישים עד כמה הביקוש לכלי פיתוח מבוססי AI גדל במהירות. לפי הנתונים שפורסמו, החברה דיווחה על 100 מיליון דולר ARR כבר ביולי האחרון, על 200 מיליון דולר בנובמבר 2025, ועל 300 מיליון דולר בינואר 2026. בתוך חודש נוסף בלבד היא כבר הגיעה ל-400 מיליון דולר.

למרות הנתונים המרשימים, החברה בחרה שלא להתייחס לשאלה האם היא עדיין מכוונת להגיע להכנסות של מיליארד דולר ARR עד סוף השנה. במקום זאת הדגישה כי המטרה המרכזית היא "לעזור ליוצרים ולבונים להגדיל את ההשפעה שלהם באמצעות הפלטפורמה".

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

לפרטים נוספים לחצו כאן >>

גל חדש של כלי פיתוח מבוססי שפה טבעית

Lovable פועלת בתוך מגמה רחבה יותר בתעשיית הבינה המלאכותית. לצד חברות כמו Cursor ומרקור (Mercor), היא חלק מקבוצת כלים שמאפשרים למשתמשים לבנות מוצרים דיגיטליים באמצעות שפה טבעית בלבד.

גישה זו, שמכונה גם vibe coding, מאפשרת גם למשתמשים שאינם מתכנתים מקצועיים ליצור אפליקציות ואתרי אינטרנט. בתחילה המודל הזה משך בעיקר יזמים וסטארט-אפים קטנים, אך בשנה האחרונה החברות בתחום החלו להתמקד יותר ויותר בשוק הארגוני.

מעבר הדרגתי ללקוחות ארגוניים

Lovable מנסה לבסס לעצמה דריסת רגל גם בקרב חברות גדולות. בין הלקוחות הארגוניים שכבר משתמשים בפלטפורמה ניתן למצוא חברות כמו קלארנה (Klarna) והאבספוט (HubSpot).

לדברי החברה, יותר ממחצית מחברות Fortune 500 כבר משתמשות ב-Lovable בדרך זו או אחרת כדי להאיץ תהליכי יצירה ופיתוח.

כדי לשכנע ארגונים להשתמש בפלטפורמה גם מעבר לשלב הניסויים והאב-טיפוס, החברה הוסיפה בשנה האחרונה מגוון יכולות חדשות המותאמות לסביבה הארגונית — בעיקר בתחום האבטחה וניהול הגישה לנתונים.

הפרסומת של Lovable שכולם מדברים עליה

במקביל לצמיחה העסקית, Lovable השיקה השבוע קמפיין מותג ראשון בשם “Earworm”. הקמפיין הופץ ברשתות חברתיות, ביוטיוב ובטלוויזיה. הסרטון מתאר אישה שלא מצליחה להוציא מהראש שיר מסוים, עד שהיא מחליטה לפתוח את Lovable ולבנות אפליקציה שמבוססת עליו. את השיר מבצעת להקת האינדי השבדית Boko Yout.

אחד הפרטים המעניינים בקמפיין הוא שהאפליקציה שמופיעה בסרטון נבנתה בפועל באמצעות Lovable עצמה - והיא פועלת כמוצר אמיתי. לדברי החברה, מטרת הקמפיין היא לעודד "דור חדש של יוצרים - אנשים שאינם טכניים אך מחזיקים ברעיונות שראויים להפוך למוצרים אמיתיים".

מיליוני משתמשים ושווי של מיליארדי דולרים

המסר הזה כנראה תרם גם לצמיחה המהירה של הפלטפורמה. לפי החברה, Lovable כבר משכה כ-8 מיליון משתמשים והפכה ליוניקורן בתוך פחות משנה מהשקתה. החברה מוערכת כיום בכ-6.6 מיליארד דולר, בין היתר בזכות ההערכה שהיא עשויה להפוך לפלטפורמה מרכזית בעולם פיתוח האפליקציות בעידן הבינה המלאכותית.

יום אחד חינמי שהביא לעלייה חדה בשימוש

אחד הזינוקים המשמעותיים ביותר בפעילות הפלטפורמה התרחש סביב יוזמה בשם SheBuilds שהשיקה החברה לרגל יום האישה הבינלאומי ב-8 במרץ. במסגרת היוזמה, הפלטפורמה כולה הייתה פתוחה לשימוש חופשי למשך יום אחד. המהלך הוביל לעלייה חדה בפעילות: יותר מ-500 אלף פרויקטים נבנו או עודכנו ביום אחד בלבד. לשם השוואה, ביום רגיל נבנים בפלטפורמה כ-200 אלף פרויקטים בממוצע.

יחס הכנסות לעובד יוצא דופן

אחד הנתונים הבולטים ביותר בסיפור של Lovable הוא מספר העובדים הקטן יחסית לחברות טכנולוגיה בהיקף פעילות דומה. לפי החברה, היא הגיעה ל-400 מיליון דולר ARR עם 146 עובדים בלבד.

הנתון הזה מתורגם לכ-2.77 מיליון דולר הכנסות שנתיות לעובד - נתון גבוה במיוחד גם ביחס לחברות טכנולוגיה מצליחות. חברת המחקר גרטנר (Gartner) אף מעריכה כי עד שנת 2030 יופיע גל חדש של חברות יוניקורן שיגיעו לכ-2 מיליון דולר ARR לעובד. Lovable כבר עברה את הסף הזה.

תחרות מצד ענקיות הבינה המלאכותית

למרות הצמיחה המהירה, השוק שבו פועלת Lovable הופך לתחרותי יותר. מעבדות בינה מלאכותית גדולות כמו Anthropic ו-OpenAI משיקות כלים מתקדמים לפיתוח קוד בעזרת AI.

עם זאת, הכלים הללו - כמו Claude Code או Codex - אינם פלטפורמות וייב קודינג מלאות שמייצרות אפליקציות שלמות בצורה אוטומטית. בנוסף, Lovable עצמה בנויה על גבי המודלים של אותן חברות, ולכן לפחות בשלב זה היא אינה נתפסת כמתחרה ישירה.

ובכל זאת, אם החברות שמפתחות את המודלים יחליטו בעתיד להרחיב את פעילותן גם לכיוון יצירת אפליקציות מלאה, הן עשויות להפוך לשחקניות משמעותיות באותו שוק שבו פועלת Lovable כיום.

התרחבות גלובלית וגיוס עובדים

החברה מתכננת להרחיב את פעילותה גם מבחינת כוח האדם. המטה החדש של החברה בסטוקהולם נבנה כך שיוכל להכיל עד 300 עובדים.

בנוסף, Lovable מגייסת עובדים בערים מרכזיות נוספות, בהן בוסטון, לונדון, ניו יורק וסן פרנסיסקו, וכן למשרות מרוחקות.

גם לאחר הגיוסים המתוכננים, סביר להניח שיחס ההכנסות לעובד של החברה יישאר גבוה משמעותית מהממוצע בתעשיית הטכנולוגיה - נתון שממחיש עד כמה כלי פיתוח מבוססי AI יכולים לשנות את מבנה הצמיחה של חברות תוכנה צעירות.

הפוסט Lovable שוברים את השוק עם שיא הכנסות הופיע ראשון בLet's AI בינה מלאכותית

מעבר ממודלי שפה לסוכנים אוטונומיים

בשנים האחרונות הפכו מודלי שפה גדולים לכלי מרכזי בפיתוח מערכות בינה מלאכותית. עם זאת, בשוק הארגוני הרוח נושבת לכיוון אחר. חברות רבות מחפשות כיום מערכות המסוגלות לא רק לייצר טקסט, אלא גם לבצע תהליכים מורכבים, לנהל משימות ולפעול על בסיס רצף פעולות מתוכנן.

הפלטפורמה החדשה של אנבידיה צפויה להשתלב במגמה הזו, NemoClaw תאפשר לחברות לשלוח סוכני AI לביצוע משימות שונות עבור עובדים, החל מאוטומציה של תהליכים ועד ניהול פעולות מורכבות במערכות תוכנה.

המעבר הזה משקף תפיסה רחבה יותר בעולם הבינה המלאכותית: מעבר מכלים מבוססי שיחה בלבד למערכות המסוגלות לפעול בעולם האמיתי של מערכות מידע ויישומים ארגוניים.

פלטפורמת קוד פתוח עם שותפים פוטנציאליים

לפי מקורות המעורים בנושא, אנבידיה כבר החלה להציג את הפלטפורמה לחברות תוכנה גדולות בשוק הארגוני. בין החברות שאיתן נבחנים שיתופי פעולה אפשריים נמצאות סיילספורס (Salesforce), סיסקו (Cisco), גוגל (Google), אדובי (Adobe) וקראודסטרייק (CrowdStrike).

נכון לעכשיו לא ברור האם נחתמו הסכמים רשמיים עם אחת מהחברות הללו, והחברות המעורבות לא הגיבו לבקשות תגובה.

העובדה שהמערכת צפויה להיות בקוד פתוח עשויה להקל על אימוצה בקרב חברות תוכנה. לפי הדיווח, השותפים הפוטנציאליים צפויים לקבל גישה חינמית לפלטפורמה, כאשר גישה מוקדמת תינתן למי שיתרמו לפיתוח הפרויקט. גישה זו משקפת אסטרטגיה מוכרת בעולם הקוד הפתוח: יצירת קהילה טכנולוגית רחבה סביב פלטפורמה מרכזית, תוך עידוד חברות לפתח תוספים, כלים ושירותים משלימים.

תמיכה באבטחה ובפרטיות עבור ארגונים

אחד האתגרים המרכזיים בפיתוח סוכני AI עבור ארגונים הוא סוגיית האבטחה. מערכות שמסוגלות לבצע פעולות אוטונומיות בתוך מערכות מידע עשויות להוות סיכון אם אינן מנוהלות בצורה הדוקה.

לכן, לפי הדיווח, NemoClaw צפויה לכלול כלים מובנים לניהול אבטחה ופרטיות. כלים אלה אמורים לספק לארגונים יכולת שליטה על הפעולות שמבצעים הסוכנים, על הגישה לנתונים ועל האינטראקציה עם מערכות פנימיות.

הדגש על אבטחה חשוב במיוחד לאור הביקורת שהושמעה לאחרונה על כלי סוכנים מוקדמים, אשר נחשבים לעיתים לבוסריים מדי עבור שימושים ארגוניים רחבי היקף.

מנכ״ל אנבידיה על ״עובדים דיגיטליים״

הפלטפורמה תעבוד גם ללא חומרת אנבידיה

פרט מעניין נוסף בדיווח הוא שהפלטפורמה לא תהיה תלויה בהכרח בחומרה של אנבידיה. לפי המקורות, חברות יוכלו להשתמש ב-NemoClaw גם אם המוצרים שלהן אינם פועלים על שבבי החברה.

מדובר בצעד חריג יחסית עבור חברה שמרבית הצלחתה העסקית נשענת על מכירת מעבדים גרפיים ומאיצי AI. עם זאת, המהלך עשוי להעיד על ניסיון להרחיב את נוכחותה של אנבידיה גם בנדבך התוכנה של עולם הבינה המלאכותית.

בשנים האחרונות החברה כבר החלה להשקיע בפלטפורמות תוכנה, מסגרות פיתוח ומודלים בסיסיים, מתוך הבנה שהשוק אינו מסתכם רק בחומרה.

הרחבת מערך המודלים לסוכני AI

המהלך משתלב בהשקעות האחרונות של אנבידיה בתחום הסוכנים האוטונומיים. בחודשים האחרונים הציגה החברה מספר מודלים בסיסיים המיועדים לשמש תשתית לפיתוח סוכני AI.

בין המודלים הללו נמצאים נמוטרון (Nemotron) וקוסמוס (Cosmos), שנועדו לתמוך במשימות מורכבות הדורשות תכנון, הסקת מסקנות וביצוע פעולות מרובות שלבים.

בנוסף לכך הרחיבה אנבידיה את פלטפורמת נמו (NeMo), שמאפשרת לארגונים לנהל את מחזור החיים המלא של סוכני AI. הפלטפורמה כוללת יכולות לאיסוף נתונים, התאמה אישית של מודלים, ניטור פעילות ואופטימיזציה של הביצועים.

גישה זו מצביעה על ניסיון לבנות מערכת אקולוגית שלמה סביב סוכני AI, החל ממודלים בסיסיים ועד כלים לניהול והפעלה בארגונים.

העלייה של כלי “Claw” בקוד פתוח

העניין של אנבידיה בתחום הסוכנים מגיע גם על רקע הפופולריות הגוברת של כלים המכונים "Claws": מערכות קוד פתוח שמסוגלות לפעול באופן מקומי על מחשב המשתמש ולבצע רצף משימות מורכבות.

הכלים הללו זכו לתשומת לב רחבה בתחילת השנה עם הופעתו של OpenClaw. הפרויקט, שנקרא בעבר Clawdbot ולאחר מכן Moltbot, התפשט במהירות בקהילת המפתחים.

בהמשך רכשה OpenAI את הפרויקט ואף גייסה את יוצרו לצוות החברה. המהלך הזה מדגיש עד כמה תחום סוכני ה-AI הופך לזירה תחרותית עבור חברות הטכנולוגיה הגדולות. אם אכן תשיק אנבידיה את NemoClaw כפלטפורמת קוד פתוח לארגונים, היא עשויה להיכנס בעקיפין לאותה זירה שבה פועלת OpenAI עם כלים וסביבות פיתוח לסוכנים חכמים. למרות שהחברות פועלות בשכבות שונות של תעשיית הבינה המלאכותית, אנבידיה בעיקר בתשתיות ובחומרה, ו-OpenAI בפיתוח מודלים ושירותים, התפתחות של פלטפורמות סוכנים ארגוניות עשויה ליצור נקודות חפיפה חדשות ואף תחרות על שליטה בתשתיות התוכנה של הדור הבא של מערכות ה-AI.

מנכ"ל אנבידיה, ג'נסן הואנג, התייחס בעבר לפרויקט OpenClaw ואמר כי מדובר "כנראה בשחרור התוכנה החשוב ביותר אי פעם".

בין חדשנות לחששות אבטחה

לצד ההתלהבות סביב סוכני AI, מומחים מצביעים גם על סיכונים משמעותיים הקשורים לטכנולוגיה זו. מערכות שמסוגלות לפעול באופן אוטונומי ולבצע פעולות במערכות מחשוב עשויות להוביל לבעיות אבטחה אם אינן מוגבלות כראוי, במיוחד כאשר מדובר בכלי קוד פתוח הפועלים על מחשבי משתמשים, עולה החשש מפני ניצול לרעה של יכולות אוטומטיות, גישה לנתונים רגישים או ביצוע פעולות בלתי מבוקרות.

הדגש של אנבידיה על כלים לניהול אבטחה ופרטיות בפלטפורמה החדשה עשוי להיות ניסיון להתמודד מראש עם החששות הללו, במיוחד כאשר קהל היעד המרכזי הוא ארגונים גדולים.

תזמון לקראת כנס המפתחים של אנבידיה

הדיווח על NemoClaw מגיע זמן קצר לפני כנס המפתחים השנתי של אנבידיה בסן חוזה. הכנס נחשב לאחד האירועים המרכזיים בתחום הבינה המלאכותית והחישוב המואץ, ובו החברה נוהגת להציג מוצרים חדשים ומפת דרכים טכנולוגית.

לא ברור האם NemoClaw תיחשף באופן רשמי במהלך הכנס, אך התזמון של הדיווח עשוי להעיד על כך שהחברה מתכננת להציג יוזמות חדשות בתחום הסוכנים והפלטפורמות הארגוניות.

עבור אנבידיה, שנחשבת כבר כיום לשחקנית מרכזית בתשתיות הבינה המלאכותית, הרחבת הפעילות לתחום הסוכנים האוטונומיים עשויה לסמן שלב נוסף באסטרטגיה שלה להפוך לספקית מרכזית לא רק של חומרה, אלא גם של התשתיות התוכנתיות שעליהן יפעל הדור הבא של מערכות AI.

הפוסט אנבידיה מתכוננת לעידן סוכני ה-AI עם פלטפורמת NemoClaw בקוד פתוח הופיע ראשון בLet's AI בינה מלאכותית

 שתי החברות הודיעו על שותפות לפיתוח התשתית החישובית שתשמש כ״מוח ומערכת העצבים״ של הדור הבא של רובוטים דמויי אדם ורובוטים כלליים, כחלק ממגמה רחבה יותר בתעשיית הבינה המלאכותית הפיזית שמחברת בין חברות רובוטיקה צעירות לבין ענקיות טכנולוגיה.

פיתוח “המוח ומערכת העצבים” של הרובוטים

לפי הודעת החברות, מטרת שיתוף הפעולה היא לפתח את התשתיות החישוביות שמאפשרות לרובוטים לפעול בעולם הפיזי. במסגרת ההסכם תשתמש נאורה רובוטיקס במעבדי Dragonwing Robotics IQ10 של קוואלקום כבסיס לפיתוח מערכות הרובוטים שלה.

מעבדי סדרת IQ10, שהוצגו בתחילת השנה בתערוכת CES, תוכננו במיוחד עבור רובוטים אוטונומיים ניידים (AMR) ורובוטים דמויי אדם. שבבים אלה מיועדים לאפשר עיבוד מתקדם של מידע בזמן אמת, יכולות ראייה ממוחשבת, קבלת החלטות מקומית וקישוריות מתקדמת, כל המרכיבים הדרושים להפעלת רובוטים בסביבות מורכבות.

שילוב בין חומרה, תוכנה וסימולציה

במקביל לשימוש במעבדי קוואלקום, נאורה רובוטיקס מתכננת להפעיל את פלטפורמת הסימולציה והאימון שלה, Neuraverse, כדי לבדוק ולשפר את הרובוטים המבוססים על שבבי IQ10. הפלטפורמה, שהושקה בשנת 2025, מאפשרת לאמן מערכות רובוטיות בסביבות וירטואליות לפני הפעלתן בעולם האמיתי.

גישה זו מאפשרת למפתחים לדמות תרחישים שונים, לבדוק את ביצועי הרובוטים ולבצע התאמות במערכות הבקרה והאלגוריתמים עוד לפני ייצור המוצר הסופי. שילוב בין סימולציה מתקדמת לבין חומרה ייעודית נחשב כיום לאחד הכלים המרכזיים בפיתוח מערכות רובוטיות מורכבות.

מגמה רחבה של שיתופי פעולה בתעשיית הרובוטיקה

השותפות בין קוואלקום לנאורה רובוטיקס אינה מקרה יחיד. בשנים האחרונות הולכת ומתפתחת מגמה של שיתופי פעולה בין חברות רובוטיקה לבין חברות טכנולוגיה גדולות שמספקות תשתיות חומרה או מודלים של בינה מלאכותית.

דוגמה לכך נרשמה בתחילת השנה, כאשר חברת הרובוטיקה בוסטון דיינמיקס הודיעה על שיתוף פעולה עם גוגל דיפ- מיינד. במסגרת ההסכם, החברה משלבת מודלי בינה מלאכותית מתקדמים של דיפ- מיינד בפיתוח הרובוט ההומנואידי ״אטלס״.

שילוב טכנולוגיות במקום קשר ספק-לקוח

למרות שהטכנולוגיות המעורבות בשני המקרים שונות, מודלים של בינה מלאכותית במקרה של דיפ- מיינד ושבבים במקרה של קוואלקום, העיקרון דומה. במקום להסתפק בקשר מסורתי של ספק ולקוח, החברות בוחרות לפתח את המערכות יחד כבר בשלבי התכנון.

גישה זו מאפשרת לחברות הרובוטיקה להתאים את המערכות שלהן טוב יותר לתשתיות הטכנולוגיות שעליהן הן מתבססות. במקביל, ספקיות הטכנולוגיה מקבלות הבנה עמוקה יותר לגבי האופן שבו המוצרים שלהן משמשים בפועל.

הולך, קופץ, רוקד, מתקפל- הרובוט אטלס.

הדרך לשוק הרובוטים האוטונומיים

המעבר מרובוטים ניסיוניים למערכות הפועלות בסביבה אמיתית הוא אחד האתגרים המרכזיים בתחום. חברות רובוטיקה רבות מחזיקות בידע מתקדם בתחום התוכנה והבינה המלאכותית, אך נדרשות להתמודד עם אתגרים הנדסיים מורכבים: החל בפיתוח מנועים ומפרקים מדויקים ועד יצירת מערכות חישה אמינות.

שיתופי פעולה עם חברות חומרה גדולות יכולים להקל על תהליך זה. חברות שבבים ותשתיות טכנולוגיות כבר השקיעו שנים רבות בפיתוח פתרונות הנדסיים מורכבים, ולכן שיתוף פעולה עשוי לקצר את הדרך לפיתוח מוצר מסחרי.

יתרונות לשני הצדדים

עבור נאורה רובוטיקס, השותפות מאפשרת לפתח רובוטים שמותאמים מראש למעבדי קוואלקום, תוך שימוש בתשתיות חישוביות מתקדמות. עבור קוואלקום, מדובר בהזדמנות להבין מקרוב כיצד חברות רובוטיקה משתמשות במעבדים שלה בפועל, ולשפר את הדורות הבאים של השבבים בהתאם לצרכים של התחום.

גישה זו יוצרת מעין מעגל פיתוח משותף, שבו החומרה והתוכנה מתקדמות יחד.

בינה מלאכותית פיזית כשוק טכנולוגי מתפתח

המושג “בינה מלאכותית פיזית” מתייחס למערכות AI שפועלות בעולם הפיזי באמצעות רובוטים, כלי רכב אוטונומיים או מערכות תעשייתיות. בניגוד למודלים הפועלים בסביבה דיגיטלית בלבד, מערכות אלה צריכות להתמודד עם תנאים משתנים, חיישנים מורכבים ותהליכי קבלת החלטות בזמן אמת.

התחום מושך עניין רב מצד חברות טכנולוגיה גדולות, שרואות בו את אחד השווקים המרכזיים הבאים של הבינה המלאכותית.

תחרות גוברת על תשתיות הרובוטיקה

חברות כמו אנבידיה כבר הציגו בשנים האחרונות פלטפורמות מחשוב ייעודיות לרובוטיקה ולמערכות אוטונומיות. ככל שהשוק מתפתח, יצרניות חומרה רבות מבקשות להיות חלק מהתשתיות שעליהן יפעלו הדורות הבאים של רובוטים.

התחרות על עמדת מפתח בתחום מתחדדת גם בזירות אחרות בתעשיית ה-AI. לאחרונה רמז מנכ״ל אנבידיה ג׳נסן הואנג כי החברה צפויה להימנע מהשקעות נוספות ב-OpenAI וב-Anthropic לקראת הנפקות אפשריות של החברות, צעד שממחיש כיצד חברות שבבים שוקלות מחדש את האסטרטגיה שלהן באקוסיסטם הבינה המלאכותית.

המשמעות היא שחברות שבבים אינן מסתפקות עוד במכירת רכיבים בלבד. הן מבקשות לקחת חלק בתהליך הפיתוח עצמו, כדי להבטיח שהטכנולוגיות שלהן יהיו חלק בלתי נפרד מהמערכות העתידיות.

שיתופי פעולה כמודל מרכזי בתעשייה

ההסכם בין קוואלקום לנאורה רובוטיקס ממחיש כיצד תעשיית הרובוטיקה מתפתחת באמצעות שיתופי פעולה בין תחומים שונים: שבבים, בינה מלאכותית, תוכנה וסימולציה. שילוב כזה מאפשר להאיץ את הפיתוח של רובוטים המסוגלים לפעול בסביבות אמיתיות, החל ממפעלים תעשייתיים ועד שימושים ביתיים.

ככל שהטכנולוגיה מתקדמת, סביר להניח שמספר השותפויות בין חברות רובוטיקה לבין ספקיות טכנולוגיה גדולות ימשיך לגדול, כחלק מהמאמץ להביא מערכות רובוטיות מתקדמות לשימוש רחב בעולם האמיתי.

הפוסט שיתוף פעולה חדש בין קוואלקום לנאורה מחבר בין שבבים לרובוטיקה הופיע ראשון בLet's AI בינה מלאכותית

מערכת יחסים סימביוטית בין שבבים למודלים

הקשר בין אנבידיה לבין חברות מודלי השפה הגדולות אינו רק פיננסי. מדובר במערכת יחסים טכנולוגית וכלכלית עמוקה. אנבידיה היא הספקית המרכזית של מעבדי ה-GPU שעליהם מאומנים ומופעלים מודלים מתקדמים של בינה מלאכותית, ולכן חברות כמו OpenAI ו-Anthropic הן גם לקוחות ענק שלה.

במהלך השנים האחרונות בנתה אנבידיה אסטרטגיה ברורה: לא רק למכור חומרה, אלא גם להשקיע בחברות שמפתחות מערכות AI מתקדמות. המטרה, כפי שהסביר הואנג בעבר, היא להרחיב את האקוסיסטם סביב פלטפורמות החברה ולוודא שהטכנולוגיות שלה הופכות לתשתית הדומיננטית של עידן הבינה המלאכותית.

השקעות שמשרתות את האקוסיסטם

בשיחת המשקיעים האחרונה של אנבידיה הדגיש הואנג כי כל השקעות החברה נעשות מתוך ראייה אסטרטגית של הרחבת האקוסיסטם. לדבריו, המטרה היא “להעמיק ולהרחיב את טווח הפעילות של הפלטפורמה”.

במילים אחרות, ההשקעות אינן רק ניסיון להרוויח מעליית ערך מניות, אלא גם דרך לעודד אימוץ רחב יותר של החומרה והכלים של החברה. כאשר חברות מובילות בתחום הבינה המלאכותית בונות את התשתיות שלהן על גבי מעבדי אנבידיה, הן מחזקות את מעמדה של החברה בלב התעשייה.

מודל עסקי שמזין את עצמו

עם זאת, כבר בתחילת הדרך היו מי שהצביעו על הבעייתיות הפוטנציאלית של המודל. פרופסור מייקל קוסומנו מבית הספר לניהול של MIT תיאר בעבר את העסקאות כפחות יעילות.

לדבריו, כאשר אנבידיה משקיעה סכומי עתק בחברת AI, ואותה חברה מצידה מתחייבת לרכוש כמויות עצומות של שבבים מתוצרת אנבידיה, התוצאה עלולה להיראות כמו עסקה שמזינה את עצמה. במקרים מסוימים קשה להבחין האם מדובר בהשקעה פיננסית אמיתית או במנגנון שמבטיח ביקוש ארוך טווח למוצרי החברה.

השקעות ענק שמתחילות להצטמצם

אחת הדוגמאות הבולטות למורכבות הזו היא ההשקעה של אנבידיה ב-OpenAI. בספטמבר האחרון דווח כי החברה מתכננת להשקיע עד 100 מיליארד דולר בחברת הבינה המלאכותית. אך כאשר נסגר סבב הגיוס האחרון של OpenAI, בהיקף של כ-110 מיליארד דולר, ההשקעה בפועל מצד אנבידיה הסתכמה בכ-30 מיליארד דולר בלבד.

הפער בין ההצהרות הראשוניות לבין ההשקעה בפועל עורר לא מעט סימני שאלה בשוק.

חשש מבועת השקעות

אחת ההשערות היא שהחברה פשוט בוחרת להקטין חשיפה לסיכון. בשנים האחרונות שוק הבינה המלאכותית מושך הון עצום, והערכות השווי של חברות בתחום מטפסות במהירות. עבור חברות טכנולוגיה גדולות, השקעות בסכומים כה גבוהים עשויות להיראות פחות אטרקטיביות כאשר הן כבר נהנות מביקוש עצום למוצרים שלהן.

במקרה של אנבידיה, המצב אפילו ברור יותר. החברה מרוויחה סכומי עתק ממכירת השבבים שעליהם מתבססים מודלי AI מתקדמים. במילים אחרות, היא כבר נהנית מהבום בתחום הבינה המלאכותית מבלי להגדיל בהכרח את החשיפה ההונית לחברות שמפתחות את המודלים עצמם.

ההנפקות שבאופק

הסבר נוסף שסיפק הואנג קשור להנפקות האפשריות של OpenAI ושל Anthropic. בשוק ההון מעריכים זה זמן כי שתי החברות עשויות לפנות לשוק הציבורי בשלב כלשהו בשנים הקרובות, לאחר סבבי גיוס ענק שהקפיצו את הערכות השווי שלהן לרמות חריגות גם ביחס לענף הטכנולוגיה. לפי דבריו של הואנג, ברגע שחברות מגיעות לשלב ההכנות להנפקה, חלון ההשקעות הפרטיות מצטמצם ולעיתים נסגר לחלוטין, ולכן מבחינת אנבידיה אין היגיון להמשיך ולהגדיל את ההחזקה בשלב כה מאוחר.

עם זאת, משקיעים רבים מציינים כי בפועל חברות טכנולוגיה גדולות ממשיכות לגייס הון גם בשלבים מאוחרים מאוד, לעיתים חודשים ספורים בלבד לפני ההנפקה. במקרים רבים מדובר בסבבי גיוס שמטרתם לחזק את המאזן, להכניס שותפים אסטרטגיים נוספים או לאפשר למשקיעים קיימים להגדיל את חלקם לפני המעבר לשוק הציבורי. לכן ההסבר הזה, למרות שהוא נשמע הגיוני על פניו, אינו משכנע את כל הגורמים בשוק ואינו בהכרח מסביר מדוע אנבידיה מאותתת על עצירת השקעות דווקא כעת.

בסרטון שפורסם במהלך אירועי הפורום הכלכלי העולמי בדאבוס, מנכ״ל Anthropic, דריו אמודיי, מתייחס לאתגרים הגוברים בתחום הבינה המלאכותית ולשאלות הגיאופוליטיות סביב פיתוח והפצה של טכנולוגיות AI מתקדמות.

מתיחות בין שותפות לשוק

מעבר לשיקולים פיננסיים, ייתכן שהיחסים בין אנבידיה לבין החברות שבהן השקיעה הפכו מורכבים יותר.

הדוגמה הבולטת ביותר מגיעה מ-Anthropic, חברת הבינה המלאכותית שהוקמה על ידי יוצאי OpenAI. בנובמבר האחרון הודיעה אנבידיה על השקעה של 10 מיליארד דולר בחברה. אך זמן קצר לאחר מכן הופיע מנכ״ל החברה, דריו אמודיי, בכנס דאבוס והעביר ביקורת חריפה על חברות שבבים אמריקאיות שמוכרות מעבדי AI מתקדמים ללקוחות סיניים המאושרים על ידי הממשלה.

השוואה שעוררה סערה

בדבריו השווה אמודיי את המכירה של שבבים מתקדמים למדינות מסוימות ל״מכירת נשק גרעיני לצפון קוריאה״. למרות שלא הזכיר את אנבידיה במפורש, רבים פירשו את הדברים כביקורת ישירה על יצרניות השבבים.

האמירה הזו לא הייתה האירוע היחיד שהקשה על היחסים.

משבר מול הממשל האמריקאי

ימים ספורים לפני דבריו של הואנג בכנס מורגן סטנלי, ממשל טראמפ החליט להכניס את Anthropic לרשימה שחורה, החלטה שמונעת מסוכנויות פדרליות וקבלני ביטחון להשתמש בטכנולוגיה של החברה.

המהלך הגיע לאחר ש-Anthropic סירבה לאפשר שימוש במודלים שלה עבור נשק אוטונומי או מערכות מעקב המוניות בתוך ארצות הברית. ההחלטה הפכה במהירות לנושא פוליטי וטכנולוגי כאחד, והיא מציבה את החברה בעימות ישיר עם גורמים ממשלתיים.

הקרב בין חברות הבינה המלאכותית

האירועים סביב Anthropic לא התרחשו בחלל ריק. בתוך שעות מההודעה על החרם הממשלתי הודיעה OpenAI כי חתמה על הסכם שיתוף פעולה עם הפנטגון. המהלך הדגיש את הפער בגישות בין שתי החברות.

Anthropic מיתגה את עצמה כחברה שמציבה גבולות ברורים לשימושים צבאיים וטכנולוגיות מעקב. OpenAI, לעומת זאת, בחרה במסלול פרגמטי יותר של שיתוף פעולה עם גופים ממשלתיים.

תגובת השוק והמשתמשים

העימות הזה קיבל ביטוי גם בשוק האפליקציות. בתוך יום אחד בלבד לאחר סדרת ההודעות, אפליקציית Claude של Anthropic טיפסה לראש דירוג האפליקציות החינמיות בחנות האפליקציות של אפל בארצות הברית, ועקפה את ChatGPT.

לפי נתוני חברת האנליטיקה Sensor Tower, רק בסוף ינואר אותה אפליקציה כלל לא הייתה בין מאה האפליקציות המובילות. העלייה החדה מעידה עד כמה מהר דעת הקהל יכולה להשתנות כאשר שאלות אתיות וטכנולוגיות הופכות לחלק מהשיח הציבורי.

אנבידיה בין שתי אסטרטגיות מתחרות

התוצאה היא מצב מורכב עבור אנבידיה. מצד אחד, החברה מחזיקה מניות בשתי חברות בינה מלאכותית מובילות. מצד שני, אותן חברות נוקטות כעת באסטרטגיות שונות ואף מתחרות על אותה תשומת לב ציבורית ועסקית.

המתח הזה עלול ליצור מצבים שבהם שותפים עסקיים נגררים לעימותים פוליטיים או אסטרטגיים שאינם קשורים ישירות למוצרי החברה.

לאנבידיה יש כיום רשת רחבה של שותפויות עם חברות ענן, סטארטאפים, מעבדות מחקר וענקיות טכנולוגיה. ככל שהאקוסיסטם הזה מתרחב, כך גדלה גם הסבירות להתנגשות אינטרסים בין השחקנים השונים.

במצב כזה, השקעות הוניות בחברות ספציפיות עלולות להפוך לרגישות יותר מבחינה אסטרטגית. ייתכן שהחברה מעדיפה לשמור על מעמד של ספק טכנולוגי מרכזי, במקום להיות מזוהה יתר על המידה עם צד אחד במאבקי הכוח של התעשייה.

בין חלון הזדמנויות לאסטרטגיה

לכן, למרות ההסבר הרשמי של הואנג על חלון ההנפקות, יש מי שסבורים כי מדובר במהלך רחב יותר: ניסיון להתרחק בהדרגה ממערך יחסים שהפך מורכב מדי.

אנבידיה, שממשיכה להוביל את שוק השבבים לבינה מלאכותית, אינה זקוקה בהכרח להשקעות הוניות כדי ליהנות מהצמיחה של התחום. ייתכן שעבור החברה, שמירה על ניטרליות יחסית בתוך האקוסיסטם היא אסטרטגיה בטוחה יותר ככל שהתחרות בין מפתחי המודלים מתעצמת.

הפוסט למה אנבידיה מתחילה להתרחק מחברות הבינה המלאכותית שהשקיעה בהן? הופיע ראשון בLet's AI בינה מלאכותית

למה נטפליקס בחרה לרכוש ולא לפתח?

נטפליקס ידועה כחברה שמעדיפה לפתח טכנולוגיה פנימית במקום לרכוש חברות חיצוניות, ולכן העסקה עם InterPositive בולטת על רקע אסטרטגיית הצמיחה הרגילה שלה. עם זאת, בחברה הסבירו כי מדובר בטכנולוגיה ייחודית שנבנתה במיוחד עבור תהליך יצירת הסרטים והסדרות, ולכן נתפסה כהזדמנות אסטרטגית.

במסגרת העסקה יצטרף כל צוות InterPositive, כ-16 מהנדסים, חוקרים, ואנשי קריאייטיב  לפעילות של נטפליקס. החברה מתכננת להעמיד את הטכנולוגיה לרשות יוצרים ושותפים שעובדים איתה, אך בשלב זה אין כוונה למסחר את הכלים או למכור אותם בשוק הרחב.

אליזבת סטון, מנהלת המוצר והטכנולוגיה של נטפליקס, ציינה כי החברה רואה בבינה מלאכותית כלי שיכול לחזק את הקהילה היצירתית. לדבריה, הצוות של InterPositive מצטרף לנטפליקס משום ששתי החברות חולקות תפיסה דומה: חדשנות צריכה להעצים מספרי סיפורים, לא להחליף אותם.

גם בלה באג’ריה, מנהלת התוכן הראשית של נטפליקס, הדגישה כי המטרה המרכזית היא להעניק ליוצרים יותר אפשרויות שליטה בתהליך היצירה. לדבריה, מערכת היחסים של החברה עם יוצרים מבוססת על אמון ועל הרצון לאפשר להם להחליט כיצד הסרטים והסדרות שלהם נוצרים.

מודל AI שמבוסס על חומרי ההפקה עצמם

הטכנולוגיה שפיתחה InterPositive שונה מהגישה הרווחת בפלטפורמות וידאו ג׳נרטיביות כמו Sora של OpenAI. בעוד מערכות רבות מבוססות על יצירת וידאו מטקסט או על יצירת תוכן מאפס, InterPositive מתמקדת בשלב הפוסט־פרודקשן של הפקה קיימת.

המערכת יוצרת מודל בינה מלאכותית המבוסס על חומרי הגלם של ההפקה – ה-dailies, כלומר הצילומים שנעשו במהלך יום צילום. לאחר בניית המודל ניתן לשלב אותו בתהליך העריכה כדי לבצע התאמות ושיפורים.

בין היכולות שמערכת החברה מציעה נמצאות התאמות צבע, שינוי תאורה בצילומים קיימים, תיקון רציפות בין סצנות, החלפת רקעים ושילוב אפקטים ויזואליים. הכלים מיועדים להתמודד עם אתגרים מוכרים בהפקות קולנוע וטלוויזיה, כמו חוסר בצילומי השלמה, בעיות תאורה או טעויות ברקע.

לפי אפלק, המודל הראשון של החברה אומן כך שיבין "לוגיקה ויזואלית ועקביות עריכתית", תוך שמירה על חוקי השפה הקולנועית גם כאשר ההפקה מתמודדת עם מגבלות אמיתיות מהשטח. המטרה הייתה לבנות מערכת שמכירה את שפת העבודה של יוצרי קולנוע, החל מהתנהגות עדשות מצלמה ועד האופן שבו תאורה משתנה לאורך סצנה.

נטפליקס רוכשת את InterPositive בשיחה עם בן אפלק, אליזבת סטון ובלה באג’ריה

תהליך אימון שנבנה כמו הפקה אמיתית

אחת הבחירות החריגות בפיתוח הטכנולוגיה הייתה בניית מערך נתונים ייעודי על סט צילומים מבוקר. במקום להסתמך על מאגרי מידע כלליים, צוות החברה צילם חומרים בסביבת הפקה מלאה המדמה תנאי צילום אמיתיים.

לדברי אפלק, הגישה הזו נועדה להבטיח שהמודל ילמד את המורכבות של עבודת סט קולנועי: תנאי תאורה משתנים, עדשות שונות, תנועת מצלמה ואת האתגרים הבלתי צפויים שמאפיינים הפקות.

התוצאה היא מערכת שמבינה את ההקשר הקולנועי של כל פריים ולא רק את התוכן הוויזואלי שלו. בכך מבקשת החברה להימנע מטעויות נפוצות במודלים גנרטיביים שאינם מודעים לחוקי השפה הקולנועית.

הגבלות מובנות להגנה על כוונת היוצר

המערכת כוללת גם מנגנוני הגבלה שמטרתם להגן על כוונת היוצר. הכלים מאפשרים ניסויים ושיפורים, אך שומרים את ההחלטות היצירתיות בידי צוות ההפקה.

אפלק הסביר כי ההגבלות נועדו להבטיח שהטכנולוגיה לא תשתלט על תהליך היצירה. לדבריו, הרעיון המרכזי היה לפתח כלי שעוזר לספר את הסיפור טוב יותר, במקום כזה שמייצר תוכן חדש ללא מעורבות אנושית.

גישה זו גם נועדה להתמודד עם אחת הביקורות המרכזיות על שימוש בבינה מלאכותית בתעשיית הקולנוע: החשש מפגיעה בעבודתם של יוצרים, שחקנים ואנשי צוות.

תפיסה שונה לגבי AI בהוליווד

בדבריו הסביר אפלק כי הרעיון להקים את החברה נולד בשנת 2022, כאשר החל לבחון את התקדמות הבינה המלאכותית בתחום ההפקה. הוא טוען שהמודלים הראשונים שראה לא התאימו לאופן שבו יוצרים עובדים בפועל.

לפי אפלק, רבים תופסים כיום בינה מלאכותית ככלי שמייצר סרטים מטקסט או מפקודה קצרה. אולם מבחינתו, זו אינה הדרך שבה הטכנולוגיה צריכה להשתלב בקולנוע.

במקום זאת, אפלק ביקש ליצור מערכת שמבינה את תהליך העבודה הקיים של יוצרי קולנוע ומסייעת להם בו. לשיטתו, הכלי צריך להשתלב בשפה המקצועית של במאים, צלמים ועורכים, ולא להחליף אותה.

הוא הדגיש כי מרכיב מרכזי ביצירה קולנועית הוא שיקול הדעת האנושי, יכולת שנבנית לאורך שנים של ניסיון. לכן, לדבריו, היה חשוב לשמור את ההחלטות היצירתיות בידי בני אדם.

שילוב ב-AI כחלק מאסטרטגיית התוכן

הרכישה מגיעה בתקופה שבה נטפליקס מרחיבה בהדרגה את השימוש בבינה מלאכותית בתהליך הפקת התוכן שלה. החברה כבר השתמשה בכלים גנרטיביים עבור אפקטים מיוחדים במספר הפקות מקור.

במקביל, הנהלת החברה הדגישה בפני משקיעים כי היא רואה את עצמה בעמדה טובה לנצל את ההתקדמות המהירה בתחום הבינה המלאכותית.

עם זאת, המסר המרכזי שמדגישים בנטפליקס הוא שהטכנולוגיה אינה נועדה להוזיל הפקות או להחליף עובדים. לפי החברה, המטרה היא לשפר את איכות התוכן ולאפשר ליוצרים יותר גמישות בעבודה.

אליזבת סטון ציינה כי רבות מפלטפורמות הווידאו הג׳נרטיביות הקיימות אינן נבנו מנקודת מבט של יוצרי קולנוע. לדבריה, הכלים של InterPositive פותחו בדיוק מתוך ההבנה של צורכי ההפקה.

צעד שמגיע לאחר מהלך אסטרטגי נוסף

ההודעה על הרכישה מגיעה כשבוע בלבד לאחר שנטפליקס נסוגה מהניסיון לרכוש את אולפני ופעילות הסטרימינג של Warner Bros. Discovery. החברה בחרה שלא להגיש הצעת נגד לאחר ש-Paramount Skydance העלתה את הצעת הרכישה שלה והגיעה להצעה מנצחת.

על רקע ההתפתחויות הללו, המהלך מול InterPositive מצביע על כיוון אסטרטגי שונה: במקום להתרחב דרך רכישת אולפנים או קטלוגי תוכן, נטפליקס מפנה את תשומת הלב אל התשתית הטכנולוגית שמעצבת את הדרך שבה סרטים וסדרות נוצרים מאחורי הקלעים.

החיבור בין פלטפורמת סטרימינג גלובלית לבין צוות קטן של מהנדסים ויוצרים מדגיש מגמה רחבה יותר בתעשיית הבידור: מעבר הדרגתי לשילוב עמוק בין כלי תוכנה מתקדמים לבין מלאכת ההפקה עצמה. אם עד לאחרונה השיח סביב בינה מלאכותית התמקד ביצירת תוכן אוטומטית, העסקה הזו מציבה במרכז דווקא את שלב העבודה של היוצרים.

בן אפלק מצדו הגדיר את הצטרפותו לנטפליקס כהמשך טבעי לפרויקט שהחל בשנת 2022. לדבריו, המטרה היא לפתוח את הכלים שפיתחה InterPositive לקהילה רחבה יותר של יוצרי קולנוע וטלוויזיה. השלב הבא, כך נראה, יהיה לראות כיצד הכלים הללו ישתלבו בפועל בהפקות עתידיות, ומה המשמעות שלהם עבור הדרך שבה סיפורים ייווצרו בשנים הקרובות.

הפוסט סטארטאפ ה-AI של בן אפלק נמכר לנטפליקס הופיע ראשון בLet's AI בינה מלאכותית

שיתוף פעולה חדש בין חברת התקשורת היפנית קיי־די־די־איי (KDDI) לבין חברת הטכנולוגיה אביטה (AVITA) מציג כיצד רובוטים דמויי אדם עשויים להשתלב בקו הקדמי של השירות, וליצור שילוב מסקרן בין אינטליגנציה דיגיטלית, נוכחות פיזית וחוויית לקוח מסוג חדש.

כשאוטומציה כבר לא מספיקה

במשך שנים השקיעו ארגונים משאבים רבים באוטומציה של תהליכים. מערכות מבוססות בינה מלאכותית נועדו לייעל פעולות חוזרות, לנתב פניות שירות ולשפר את זמני התגובה ללקוחות. אך בשטח מתברר כי גם האוטומציה המתקדמת ביותר אינה מצליחה לכסות את כל צרכי השירות.

האתגר הופך מורכב במיוחד בנקודות שירות פיזיות כמו חנויות, מרכזי שירות או דלפקי מידע. במקומות כאלה, הלקוחות אינם מצפים רק למענה מהיר אלא גם לאינטראקציה אנושית: קשר עין, הבעות פנים, הנהון שמביע הבנה או תגובה שמשרה תחושת ביטחון.

הפער הזה בין מערכות דיגיטליות לבין אינטראקציה אנושית הוא בדיוק המקום שבו Physical AI מתחיל להיכנס לתמונה.

מגבלות הרובוטיקה המסורתית

רובוטים תעשייתיים נמצאים בשימוש רחב כבר שנים רבות. הם יעילים במיוחד בביצוע פעולות קבועות וחוזרות, כמו הרכבה במפעלים או מיון במרכזים לוגיסטיים. אך כאשר מדובר בסביבה דינמית כמו שירות לקוחות, היכולות שלהם מוגבלות יותר.

מערכות אלו מתקשות להתמודד עם מצבים בלתי צפויים, כגון תקלה בציוד, שינוי בתהליך העבודה או צורך באלתור בזמן אמת. בנוסף, הן אינן מתוכננות ליצירת אינטראקציה אנושית טבעית.

הרובוט Atlas מבצע משימות פיזיות מורכבות בעולם אמיתי, הרמה והעברה של חפצים, תנועה חופשית בסביבה משתנה והתמודדות עם מצבים לא צפויים (מתוך ערוץ היוטיוב של בוסטון-דיינמיקס)

שילוב בין חומרה מתקדמת לתשתיות נתונים

מאחורי כל רובוט דמוי אדם כזה עומדת תשתית טכנולוגית מורכבת במיוחד. מעבר לחומרה עצמה, נדרשת מערכת שלמה של תקשורת, מחשוב וניתוח נתונים המאפשרת שליטה בזמן אמת ולמידה מתמשכת.

במסגרת שיתוף הפעולה, קיי־די־די־איי מספקת את תשתית התקשורת המאפשרת העברת נתונים בקצב גבוה ובזמן השהיה נמוך. תשתית זו מאפשרת שליטה מרחוק ברובוטים לצד עיבוד נתונים מבוסס ענן.

בכל אינטראקציה עם לקוח נאספים נתונים חזותיים ותנועתיים. המידע הזה מוזרם חזרה למערכת הבינה המלאכותית, שם הוא משמש לשיפור ההתנהגות והדיוק של הרובוטים.

כוח מחשוב בקנה מידה ארגוני

כדי להתמודד עם דרישות החישוב הגבוהות של מערכות Physical AI, החברות מתכננות להשתמש במעבדים גרפיים מתקדמים (GPU) הממוקמים במרכז הנתונים אוסקה סקאי (Osaka Sakai Data Center), שנכנס לפעילות בינואר 2026.

בנוסף, נבחנת האפשרות לשלב שירות מקומי המבוסס על מודל הבינה המלאכותית הג׳נרטיבי ג'מיני של גוגל. שילוב כזה עשוי לאפשר עיבוד שפה טבעית מתקדם, הדרוש לניהול שיחות מורכבות עם לקוחות.

החיבור לפלטפורמות מחשוב רחבות היקף מאפשר לעבד כמויות גדולות של מידע תוך שמירה על אבטחת נתונים ועל ביצועים יציבים גם בסביבות פעילות עמוסות.

עיצוב רובוטי שנועד לאינטראקציה אנושית

גם ברמת העיצוב הפיזי מדובר בגישה שונה לחלוטין מהרובוטים התעשייתיים המוכרים. הדגם מבוסס על קונספט שתוכנן על ידי החוקר הירושי אישיגורו (Hiroshi Ishiguro), מהשמות הבולטים בעולם הרובוטיקה דמוית האדם.

מבנה השלד של הרובוט קומפקטי ומותאם למבנה גוף יפני ממוצע, כך שהוא משתלב באופן טבעי במרחבים ציבוריים. שכבת עור מסיליקון ומנגנונים מכניים מיוחדים מאפשרים יצירת הבעות פנים עדינות וידידותיות.

מערכת מצלמות משולבת עוקבת אחר עצמים בתנועה ומאפשרת יצירת קשר עין עם הלקוח. במקביל, מערכת הפעלה פנאומטית שקטה מאפשרת תנועות חלקות ורציפות, עם וריאציות קטנות המדמות תנועה אנושית.

הדרך לשילוב מסחרי של Physical AI

הפרויקט הנוכחי אינו הניסיון הראשון של שתי החברות בתחום שירות הלקוחות הדיגיטלי. בעבר הן שיתפו פעולה בפיתוח פלטפורמה לשירות לקוחות מרחוק המבוססת על אווטארים דיגיטליים.

מערכת זו אפשרה לנציגים אנושיים לספק שירות מרחוק באמצעות דמויות וירטואליות שהופיעו בנקודות שירות שונות, כולל חנויות לוסון (Lawson) וחנויות au Style.

מהאווטאר הדיגיטלי לרובוט הפיזי

אחד המרכיבים החשובים ביותר בשירות לקוחות פנים אל פנים הוא דווקא התקשורת הלא מילולית. הבעות פנים, תנועות גוף וקשר עין מעבירים מסרים של קשב, הבנה ואמפתיה, לעיתים יותר מהמילים עצמן. 

בדיוק בנקודה הזו מתמקדת היוזמה של קיי־די־די־איי (KDDI) ואביטה (AVITA). המטרה היא ליצור רובוטים המסוגלים לא רק לדבר עם לקוחות, אלא גם להיראות ולהתנהג בצורה טבעית ככל האפשר.

המעבר מדמויות דיגיטליות לרובוטים פיזיים מייצג שלב נוסף בהתפתחות שירותי הבינה המלאכותית בארגונים. בעוד אווטארים מאפשרים תקשורת ויזואלית ושיחה, רובוטים דמויי אדם מוסיפים גם תנועה ונוכחות במרחב.

נוכחות זו מאפשרת לרובוטים לגשת ללקוחות, להכווין אותם בתוך חנות או לספק מידע באופן אינטראקטיבי יותר.

עבור ארגונים הפועלים בסביבה קמעונאית או שירותית, מדובר בפוטנציאל להרחבת יכולות השירות גם כאשר כוח האדם מוגבל.

מתי הפיילוט הראשון יוצא לדרך?

הניסויים הראשונים צפויים להתחיל בסביבות מסחריות כבר בסתיו 2026, בין היתר בחנויות au Style ובנקודות שירות נוספות. אבל מעבר להצבת רובוט כזה או אחר בחנות, המהלך מסמן שינוי רחב יותר באופן שבו ארגונים חושבים על שירות לקוחות. ככל שתשתיות נתונים, מודלים של בינה מלאכותית וחומרה רובוטית ממשיכים להתפתח יחד, הגבול בין שירות דיגיטלי לבין אינטראקציה פיזית מתחיל להיטשטש. עבור חברות רבות, ייתכן שהשלב הראשון כבר מתחיל היום  בניסויים עם אווטארים חכמים, בתשתיות תקשורת מהירות ובמערכות AI שמכינות את הקרקע לדור הבא של שירות לקוחות. הרובוטים עצמם אולי עדיין בשלבי ניסוי, אבל הכיוון שבו התעשייה נעה כבר מתחיל להתבהר.

הפוסט השלב הבא בעולם ה-AI כבר עומד בדלפק השירות הופיע ראשון בLet's AI בינה מלאכותית

ביקוש אקספוננציאלי למחשוב ונתוני שיא ברבעון

החברה דיווחה על הכנסות של 68 מיליארד דולר ברבעון האחרון, עלייה של 73% בהשוואה לרבעון המקביל אשתקד. מתוך סכום זה, 62 מיליארד דולר הגיעו מחטיבת הדאטה סנטר, שממשיכה לשמש כקטר הצמיחה המרכזי של אנבידיה.

בפירוט נוסף, חילקה החברה את פעילות הדאטה סנטר לשני רכיבים עיקריים: 51 מיליארד דולר מהכנסות מחשוב, בעיקר ממעבדים גרפיים (GPU) המיועדים לאימון ולהרצת מודלים, ו-11 מיליארד דולר ממוצרי תקשורת ורשת, דוגמת NVLink. בסיכום שנתי רשמה אנבידיה הכנסות של 215 מיליארד דולר, נתון הממחיש את ההתרחבות המואצת של פעילותה.

בשיחת הוועידה עם אנליסטים, תואר הביקוש לעיבוד בינה מלאכותית, לדבריו של הואנג, "הביקוש לטוקנים בעולם הפך לאקספוננציאלי לחלוטין", תוך שהוא מדגיש כי גם מעבדים גרפיים בני שש שנים הפועלים בענן "נצרכים במלואם", ואף נהנים מעליית מחירים. אמירה זו משקפת לא רק מחסור בהיצע מתקדם, אלא גם את עומק החדירה של מערכות בינה מלאכותית לתהליכים עסקיים.

הדאטה סנטר כמרכז כובד אסטרטגי

מחשוב כבסיס לייצור טוקנים

הנתונים הכספיים מצביעים על כך שחטיבת הדאטה סנטר הפכה לליבת הפעילות של החברה. אם בעבר התבססה אנבידיה גם על שוק הגיימינג והגרפיקה, הרי שכעת עיקר הצמיחה נובע ממכירת תשתיות מחשוב למודלי שפה, מערכות יצירת תוכן, מנועי חיפוש מבוססי בינה מלאכותית וכלים ארגוניים.

הואנג התייחס לשינוי המבני שעובר השוק וציין כי "בעולם החדש של הבינה המלאכותית, מחשוב הוא הכנסה". לדבריו, ללא כוח עיבוד אין אפשרות לייצר טוקנים, וללא טוקנים אין אפשרות להגדיל הכנסות. בכך הוא חיבר בין שכבת התשתית לשכבת היישומים והמודלים, והציג את שרשרת הערך כיחידה כלכלית אחת.

הואנג מדבר על חידושים והישגים באנבידיה בכנס הCES 

רשתות ותקשורת כתשתית משלימה

לצד מכירת המעבדים עצמם, מרכיב משמעותי בהכנסות מגיע ממוצרי רשת מתקדמים. טכנולוגיות כמו NVLink מאפשרות חיבור בין אלפי מעבדים גרפיים במרכזי נתונים, ומייעלות את תהליכי האימון וההרצה של מודלים גדולים. ההפרדה החשבונאית בין מחשוב לרשת ממחישה כי אנבידיה אינה מוכרת רק שבבים, אלא פתרון תשתיתי שלם.

אפס הכנסות מסין למרות הקלות רגולטוריות

אחד הנתונים הבולטים בדוח הוא היעדר מוחלט של הכנסות מייצוא שבבים לסין, אף על פי שממשלת ארצות הברית הקלה לאחרונה על מגבלות הייצוא. סמנכ"לית הכספים, קולט קרס, ציינה כי אמנם אושרו כמויות קטנות של מוצרי H200 ללקוחות סינים, אך אלו טרם הניבו הכנסות, וכי אין ודאות שיותר יבוא לשוק הסיני בעתיד הקרוב.

הצהרה זו משקפת אי־ודאות רגולטורית מתמשכת, לצד רגישות גיאו־פוליטית סביב טכנולוגיות מתקדמות. במקביל, קרס ציינה כי מתחרים סינים, שנתמכו בגל הנפקות ראשוניות, מתקדמים בפיתוחיהם. בהקשר זה הזכירה את הנפקת Moore Threads בדצמבר האחרון, והעריכה כי לשחקנים מקומיים קיימת פוטנציאל להשפיע בטווח הארוך על מבנה תעשיית הבינה המלאכותית העולמית.

מגעים להשקעה ב-OpenAI והרחבת שיתופי הפעולה

במהלך שיחת המשקיעים התייחס הואנג גם להשקעה המתוכננת ב-OpenAI, שעל פי דיווחים היקפה עשוי להגיע ל-30 מיליארד דולר. לדבריו, אנבידיה ממשיכה לעבוד מול החברה על הסכם שותפות, והצדדים קרובים להבנות. עם זאת, בדיווחים לרשות ניירות הערך האמריקאית הדגישה החברה כי אין ודאות שההשקעה אכן תצא לפועל.

ההתייחסות הרשמית המאופקת מצביעה על רגישות המהלך, הן מבחינת היקף ההשקעה והן מבחינת השלכותיו על האקוסיסטם. אנבידיה כבר נהנית ממעמד של ספקית מרכזית לתעשיית המודלים הגדולים, והשקעה ישירה באחת החברות הבולטות בתחום עשויה לחזק את הקשרים העסקיים – אך גם לעורר שאלות תחרותיות.

הואנג הזכיר גם שיתופי פעולה עם Anthropic, Meta ו-xAI. ריבוי השותפויות ממחיש את מעמדה של אנבידיה כספקית תשתית רוחבית לשחקנים מגוונים – מחברות סטארט-אפ ועד תאגידי ענק.

ומה צופן העתיד בשוק?

הנתונים האחרונים מחזקים את מעמדה של אנבידיה כחברה בעלת שווי שוק מהגבוהים בעולם וכספקית מרכזית לתשתיות בינה מלאכותית. במקביל, אי הוודאות הרגולטורית סביב סין, התחרות הגוברת מצד שחקנים מקומיים והיקף ההשקעות החריג בשוק, ממשיכים לעמוד ברקע.

השילוב בין ביקוש טכנולוגי מואץ, הון זמין ושיתופי פעולה אסטרטגיים מציב את החברה בעמדה משמעותית בעיצוב שוק המחשוב לשנים הקרובות. עם זאת, כפי שמשתקף מדברי ההנהלה, גם בחברה עצמה מדגישים כי חלק מהמהלכים, ובראשם ההשקעה האפשרית ב-OpenAI, טרם הושלמו ואינם מובטחים.

בינתיים, המספרים מדברים בעד עצמם: הכנסות שיא, חלוקה ברורה בין רכיבי מחשוב ורשת, והצהרה חד משמעית מצד ההנהלה כי עיבוד בינה מלאכותית אינו רק תשתית טכנולוגית  אלא בסיס כלכלי שעליו נשענת תעשייה שלמה.

הפוסט Nvidia מטפסת לשיאי הכנסות חדשים כשהביקוש למחשוב AI דוחף את השקעות הענק בענף הופיע ראשון בLet's AI בינה מלאכותית

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

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

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

מהעלאות מחירים להשפעה תודעתית

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

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

השכנוע כמשאב אסטרטגי

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

השלב שבו המחיר מאבד את היתרון

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

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

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

כשהאלגוריתם יושב בשולחן התכנון

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

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

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

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

AI ככלי להבנת צרכן

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

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

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

תבנית רחבה יותר בענף

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

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

עידן שלאחר האינפלציה

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

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

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

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

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

כש-AI הופכת למועדון סגור

סאטיה נאדלה אינו נביא זעם, הוא איש של מספרים ותשתיות. האזהרה שלו נוגעת למושג הכלכלי שנקרא "דיפוזיה טכנולוגית". בהיסטוריה של המהפכות התעשייתיות, טכנולוגיה שינתה את העולם רק כשהיא הפסיקה להיות נחלתם של בודדים והפכה לכלי עבודה של ההמונים. החשמל לא שינה את העולם כשהוא האיר רק מעבדות - הוא שינה אותו כשהוא הגיע לכל בית חרושת.

לפי נאדלה, אם הנהנות היחידות מבינה מלאכותית ימשיכו להיות חברות ה-Big Tech (מיקרוסופט, גוגל, אנבידיה), אנחנו בבעיה. "כדי שלא תהיה בועה בהגדרה, זה דורש שהיתרונות יתפזרו בצורה שווה הרבה יותר", הוא הצהיר. נאדלה מזהה סימן מדאיג - פער דיגיטלי חדש שבו רק כלכלות עשירות וחברות ענק מצליחות "לכופף את עקומת הפריון", בעוד ששאר העולם נשאר עם הבטחות על הנייר.

מההבטחות של 2024 להוכחות של 2026

אז האם המצב באמת כה קודר? ממש לא בטוח. בעוד נאדלה מזהיר מהמאקרו, דו"ח חדש ומרעיש של ה-WEF בשיתוף חברת הייעוץ Accenture, שכותרתו "Proof over Promise: Making AI Work in the Real Economy", חושף תמונה אופטימית מהשטח. הדו"ח, שסקר 20 תעשיות ב-30 מדינות, קובע חד-משמעית- אנחנו בעידן ההוכחות.

החברות ששורדות את "עמק המוות" של ה-AI הן אלו שהפסיקו לשחק ב"פיילוטים" (ניסויים קטנים ומוגבלים) ועברו להטמעה מלאה. המאמר ב-Modern Diplomacy מדגיש כי המעבר הזה אינו עוסק בטכנולוגיה בלבד, אלא במנהיגות. מנהלים כבר לא שואלים "מה זה ChatGPT?", הם שואלים "איך המודל הזה חוסך לי 15% מעלויות התפעול ברבעון הקרוב?".

המדד שקובע מי יחיה ומי ימות

כאן נכנס לתמונה המושג שכל מנהל חייב להכיר- (ROI -Return On Investment) – החזר השקעה. אם בשנת 2024 השקעה ב-AI נחשבה ל"הכרח שיווקי" או לניסוי חדשני, ב-2026 היא נמדדת בכסף קר.

הדו"ח מציג דוגמאות מרתקות למקומות שבהם ה-ROI כבר אינו תיאוריה:

1. ענקיות הייצור (Foxconn ו-Siemens): אלו כבר לא משתמשות ב-AI רק כדי לכתוב מיילים. הן הטמיעו מערכות ראייה ממוחשבת (Computer Vision) שסורקות רכיבים על קו הייצור במהירות ובדיוק ששום עין אנושית לא יכולה להתחרות בהם. התוצאה? ירידה דרמטית בבלאי וחיסכון של מיליוני דולרים.

2. אנרגיה ותשתיות: חברות כמו Horizon Power משתמשות בבינה מלאכותית לחיזוי ביקושים וניהול רשתות חשמל חכמות. בעולם של משברי אקלים, ה-AI הופכת לכלי שחוסך אנרגיה ומונע קריסות מערכת.

3. בריאות ומדעי החיים: במוסדות כמו UCSF משתמשים ב-AI כדי להאיץ פיתוח תרופות למחלות חשוכות מרפא כמו פרקינסון. כאן ה-ROI אינו נמדד רק בדולרים, אלא בזמן- קיצור של שנים בתהליכי מחקר ופיתוח.

נקודת המפנה הגדולה - המהפכה האייג׳נטלית (Agentic AI)

הסיבה העיקרית לכך שAI מצליחה לייצר רווחים ב-2026 היא המעבר לבינה מלאכותית סוכנותית (Agentic AI). אם בעבר ה-AI הייתה "יועצת" (Generative AI)- אתם שואלים שאלה, היא נותנת תשובה- היום היא "פועלת".

סוכני AI הם מערכות שמסוגלות להבין מטרה, לתכנן את הצעדים ולהוציא אותם לפועל באופן אוטונומי.

בפיננסים, בנקים כמו ICBC כבר לא רק מנתחים נתונים; סוכני ה-AI שלהם מנהלים אינטראקציות מורכבות, מאשרים הלוואות בזמן אמת ומזהים הונאות לפני שהן קורות.

במסחר, מאסטרקארד בונה את "המסילה" של עולם הסוכנים. דמיינו שסוכן ה-AI שלכם לא רק מוצא לכם את הטיסה הכי זולה, אלא גם מבצע את הרכישה, מוודא שהדרכון בתוקף ומזמין לכם מונית לשדה. הכל תחת פרוטוקול אבטחה קשיח.

המעבר לביצוע פעולות הוא זה שמשנה את כללי המשחק. הוא מאפשר לחברות לצמצם כוח אדם במשימות שוחקות ולהפנות אותו ליצירתיות ואסטרטגיה.

לא רק טכנולוגיה, אלא תרבות

למרות ההצלחות, הדו"ח של ה-WEF מזהיר מפני מכשול אחד מרכזי- הון אנושי ונתונים. אי אפשר לבנות בניין מפואר (AI) על יסודות רעועים (דאטה מבולגן). חברות שמצליחות להפיק רווחים הן אלו שהשקיעו בניקוי הנתונים שלהן ובעיקר בהכשרת העובדים שלהן.

נאדלה צודק באזהרתו- אם ה-AI תיתפס כאויב של העובד או ככלי לקיצוצים בלבד, היא תיתקל בהתנגדות שתחנוק את הצמיחה שלה. המפתח למניעת הבועה הוא שיתוף פעולה- הפיכת ה-AI ל"טייס משנה" (Copilot) שמעצים את העובד, ולא מחליף אותו בצורה עיוורת.

הדרך קדימה

שנת 2026 היא שנת המבחן של הבינה המלאכותית. האם היא תתנפץ כמו בועת הדוט-קום של שנת 2000, או שתהפוך לתשתית של הכלכלה המודרנית?

התשובה נמצאת בידיים של המנהלים והארגונים. אלו שישכילו להטמיע "בינה שעובדת", יתמקדו ב-ROI ממשי ויאמצו את המהפכה הסוכנותית, יגלו שה-AI היא המנוע החזק ביותר שנוצר אי פעם לצמיחה. אלו שיישארו ברמת הדיבורים והפיילוטים, עלולים למצוא את עצמם בצד הלא נכון של ההיסטוריה הכלכלית.

הבינה המלאכותית כבר לא מחכה לאף אחד. היא יצאה מהמעבדה, היא נמצאת על פסי הייצור, בבנקים ובבתי החולים. עכשיו, המשימה שלנו היא לוודא שהיא עובדת עבור כולם.

הפוסט בועה או מהפכה? המבחן הגדול של ה-AI בשנת 2026 הופיע ראשון בLet's AI בינה מלאכותית