גיוס מומחים היה הגיוני לפני AI – עכשיו גנרליסטים מנצחים

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.

Railway גייסה 100 מיליון דולר לפלטפורמת ענן AI מהירה שמאתגרת את AWS. פריסות בשנייה, חיסכון 65% ו-2 מיליון משתמשים. קראו עכשיו על המהפכה!

אלפרד וולפורס מ-Listen Labs השתמש בלוח מודעות ויראלי כדי לגייס כישרונות, וכעת החברה גייסה 69 מיליון דולר. הפלטפורמה מבצעת ראיונות לקוחות AI מהירים ומדויקים, פותרת בעיות הונאה ומשמשת מיקרוסופט ועוד. קראו עכשיו על השינוי במחקר שוק!

בטור דעה ב-SiliconANGLE מנתח זאוס קרוואלה כיצד פעילות סוכני בינה מלאכותית מחייבת שילוב הדוק בין אבטחת מידע לחוסן נתונים. בעקבות השקת Veeam Intelligent ResOps (iResOps) עבור Microsoft 365, מוסבר כי סוכנים הפועלים ישירות על מידע ארגוני עלולים לשנות נתונים באופן עצמאי. האתגר המרכזי אינו רק הצפנה או גניבה, אלא זיהוי מדויק של השינויים וביטולם. קרוואלה מציג נתונים מדוח של Veeam המצביעים על כך ש-88% מהארגונים מפעילים סוכנים אך רק 7% מוכנים לכך, וממליץ להתמקד בנתונים, לנהל סחף מידע ולשלב מערכות זהות בשחזור.

בטור דעה שפורסם ב-SiliconANGLE, ג'ייסון בלומברג מנתח את הסיכונים בשימוש בסוכני בינה מלאכותית (AI agents). בלומברג מסביר כי סוכנים מבוססי מודלי שפה גדולים הם בלתי דטרמיניסטיים מטבעם, ולכן תמיד קיים סיכוי לפעולה בלתי רצויה או לתשובה שגויה. המאמר סוקר מקרים שבהם מוטב להימנע משימוש בסוכנים – לרבות משימות הדורשות דיוק מוחלט כמו הפעלת שכר, מצבים שבהם שגיאה עלולה לגרום לפגיעה חמורה בחיי אדם, ומקרים שבהם עלות ההפעלה של הסוכנים עולה על התועלת העסקית. בלומברג ממליץ לחשב תקציב שגיאות בטרם הטמעת סוכנים בארגון.

בטור דעה שפורסם ב-SiliconANGLE, כותב מ. תוהיד כי עומסי עבודה של סוכני בינה מלאכותית שוברים שלוש הנחות יסוד של מערכות ארגוניות מסורתיות: שמשימות מסתיימות במהירות, שניסיון חוזר אינו עולה כסף, ושאותו קלט תמיד מניב את אותו פלט. כתוצאה מכך, פיילוטים שמפגינים ביצועים תקינים באינטראקציה מול אדם עלולים להפוך לבעיות תפעוליות כשהם פועלים ללא השגחה. הקושי נובע לרוב מהתשתית ומנוהלי הניהול המקיפים את המודל, ולא מאיכות המודל עצמו. בין השינויים הבולטים: משימות נמשכות דקות ולא מילישניות, ניסיונות חוזרים גוררים עלויות כספיות מצטברות עקב תמחור משאבים, וכשלים אינם ניתנים לשחזור פשוט ללא תיעוד רציף של החלטות הסוכן וקריאות הממשק.

בטור דעה ב-SiliconANGLE, כותבת רנה דיוויס, מייסדת-שותפה ב-OpenMatter Network, כי בינה מלאכותית סוכנותית חושפת את מגבלות מודל האמון המסורתי במחשוב ארגוני. בעוד שטכנולוגיות אבטחה קיימות עוקבות אחר הרשאות ואירועים נקודתיים, הן אינן מתעדות בהכרח את שרשרת ההחלטות וההוראות המלאה של סוכנים אוטונומיים. דיוויס מציגה את הצורך במעבר ממחשוב מבוסס אמון למחשוב שניתן לאימות בלתי תלוי, שבו פעולות בעלות השלכות מגובות בראיות עקביות על פני מערכות שונות. במסגרת זו, כלים קריפטוגרפיים כמו חתימות דיגיטליות, גיבובים וחותמות זמן מסייעים להבטיח את שלמות הראיות ומקורן, לצד הגדרת בקרות תפעוליות ובדיקות שחזור תקופתיות.