5 המחסומים ל-AGI: למה סקיילינג כשל

**סינתטיק דאטה לאימון מודלי AI הוא שימוש ב-AI כדי לייצר נתוני אימון ל-AI אחר, ולעיתים קשה מאוד להבין איך הידע הזה נוצר.** זו נקודת המפתח שעלתה סביב AI Weekly #485: לא רק המודלים משתפרים, אלא גם תהליך ההוראה ביניהם נעשה פחות שקוף. לפי ההקשר שצורף, Jensen Huang הדגיש את יתרון שרשרת האספקה של Nvidia ואת תלות השוק בשחקנים כמו Google TPU ו-Anthropic. עבור עסקים בישראל, המשמעות היא צורך בבקרת נתונים, פיילוטים מדידים ואינטגרציה מבוקרת בין WhatsApp Business API, Zoho CRM ו-N8N לפני שמפקידים תהליכי מכירה או שירות בידי סוכן AI.

**משטח התקיפה של AI הוא כלל נקודות הכניסה שדרכן אפשר לנצל מודלים, סוכנים, חיבורי API ותלויות קוד.** בשבוע אחד בלבד עלו לכותרות ארבעה אירועים שונים — פגיעה בחבילות npm, חשיפת קואורדינטות של דאטה סנטר, שימוש בסוכני AI לריגול והתנהגות מטעה של מודלים. עבור עסקים בישראל, המסר ברור: אם חיברתם AI ל-WhatsApp Business, ל-Zoho CRM או ל-N8N, אתם צריכים להתייחס אליו כמו לזהות עם הרשאות, לא כמו צ'טבוט תמים. הצעד הנכון עכשיו הוא למפות חיבורים, לצמצם הרשאות, להפעיל לוגים, ולהוסיף אישור אנושי לפני פעולות רגישות.

**המעבר של Meta למודל סגור הוא איתות אסטרטגי לשוק הארגוני, לא רק שינוי מוצר.** לפי הדיווח, Anthropic עקפה את OpenAI בקצב הכנסות שנתי של 30 מיליארד דולר מול 24 מיליארד דולר, בזמן ש-Meta התרחקה מהגישה הפתוחה של Llama והשיח המשפטי סביב AI החריף. עבור עסקים בישראל, המשמעות ברורה: צריך לבנות תשתית AI גמישה שאינה תלויה בספק אחד. השילוב הנכון הוא שכבת תזמור כמו N8N, מערכת כמו Zoho CRM, ערוץ כמו WhatsApp Business API וסוכן AI שניתן להחליף מאחוריו מודלים. כך מצמצמים סיכון מסחרי, משפטי ותפעולי.

**אבטחת שרשרת אספקה ב-AI היא ההגנה על חבילות קוד, API, מודלים ותשתיות שעליהן העסק שלכם נשען.** השבוע הודגשו שלושה סיכונים שונים בתוך 3 ימים: פשרה ב-npm שיוחסה לצפון קוריאה, פרסום קואורדינטות של דאטה סנטר של OpenAI, ו-CVE בכלי אבטחה של Anthropic. עבור עסקים בישראל, המשמעות המעשית היא שתהליך מכירות או שירות המבוסס על WhatsApp Business API, ‏Zoho CRM ו-N8N עלול להיעצר גם בלי מתקפה ישירה עליכם. לכן צריך למפות תלויות, לנעול גרסאות, לבנות fallback ידני ולבדוק ספקי צד שלישי לפני שמרחיבים אוטומציה.

מחקר לאומי ראשון מסוגו שנערך על ידי Google Research בוחן את ביצועיו של SymptomAI – מערך סוכני בינה מלאכותית שיחתיים מבוססי Gemini Flash 2.0 המיועדים לראיונות סימפטומים והערכת אבחנה מבדלת (DDx). המחקר, שהקיף 13,917 משתתפים, השווה את האבחנות המבדלות שהפיק הסוכן אל מול הערכות של פאנל רופאים מומחים ודיווחים מביקורים רפואיים בעולם האמיתי. הממצאים מראים כי קלינאים העדיפו את אבחנות הסוכן בלמעלה מ-50% מהמקרים, וכי דיוק המערכת השתפר משמעותית באמצעות אסטרטגיות הנחיה אקטיביות. בנוסף, המחקר הדגים מתאם מובהק בין אבחנות המערכת לבין שינויים באותות פיזיולוגיים שנמדדו במכשירי פיטביט לבישים.

מחקר חדש של VentureBeat Pulse Research חושף כי קיים פער עמוק בין האוטונומיה המוענקת לסוכני AI לבין האמון במערכות הבדיקה שלהם. מחצית מהארגונים שנשאלו כבר השיקו סוכן שעבר את ההערכות הפנימיות אך כשל בפני לקוח בסביבת הייצור, ורק 5% סומכים באופן מלא על הערכות אוטומטיות כיום. למרות זאת, 66% מהארגונים מאפשרים או פועלים לאפשר פריסה אוטומטית לחלוטין ללא מעורבות אנושית. השוק מבוזר מאוד ורבים מתכננים להחליף פלטפורמות בשנה הקרובה.

סקר חדש של VentureBeat Pulse Research מיוני 2026 חושף פער עמוק בארגונים בין השאיפות לניהול סוכני בינה מלאכותית (AI) לבין המציאות בשטח. לפי הסקר, שנערך בקרב 101 ארגונים, קיים תהליך התגבשות סביב פלטפורמות של ספקי מודלים, ובראשן Claude של Anthropic (המובילה עם 40% מההטמעות), בעוד הבחירה מונעת מ'כוח המשיכה' של מודל הבסיס. עם זאת, בעוד ארגונים מגדירים הצלחה לפי ביצוע אמין של תהליכים מרובי-שלבים, 71% מהם מדווחים בכנות כי רבע או פחות מהסוכנים המוטמעים שלהם בפועל הם אכן מרובי-שלבים, ומרביתם הם רק מעטפות צ'אטבוט פשוטות. בנוסף, 27% מהארגונים חסרים בקרה פיננסית בזמן אמת על עלויות צריכת האסימונים של הסוכנים.

בפוסט חדש מטעם Google Research, מדען המחקר ג'נגדאו צ'ן מציג ממצאים מתוך מאמר שהתקבל לוועידת ICLR 2026, המפענח את מקור ה'יצירתיות' של מודלי דיפוזיה. לפי המחקר, היכולת של המודלים הללו לייצר נתונים חדשים, במקום לשנן באופן עיוור את מאגר האימון שלהם, היא תוצאה מתמטית של תהליך החלקת פונקציית הציון (score smoothing). החלקה זו נגרמת באופן טבעי בשל השפעות רגולריזציה במהלך אימון הרשתות העצביות, המונעות מהן ללמוד פונקציות בעלות מעברים חדים במיוחד. כתוצאה מכך, המודל מייצר אינטרפולציה במרווחים שבין נקודות המידע המקוריות של האימון. בסביבה רב-ממדית, אפקט זה פועל בכיוונים המשיקים ליריעת הנתונים הנסתרת, וכך מאפשר להשיג איזון מדויק בין איכות הנתונים לבין היצירתיות שלהם.