Make

**General AgentBench הוא בנצ'מרק חדש שמראה שסוכני LLM כלליים עדיין מתקשים לעבוד בצורה אמינה בסביבה עסקית מרובת משימות.** לפי המחקר, 10 סוכנים מובילים איבדו ביצועים כשעברו ממשימות תחומיות לסביבה אחודה של חיפוש, קוד, reasoning ושימוש בכלים. המשמעות לעסקים בישראל ברורה: לא מספיק שמודל יענה יפה, הוא צריך גם לנהל תהליך עם CRM, WhatsApp ו-API בלי לייצר טעויות. לכן, במקרים רבים עדיף לבנות ארכיטקטורה מבוקרת עם N8N, Zoho CRM ו-WhatsApp Business API, שבה ה-AI מקבל תפקיד מוגדר ומפוקח. זה הכיוון הפרקטי יותר עבור חברות שרוצות להטמיע סוכנים בלי לסכן נתונים, לידים או שירות לקוחות.

**Trajectory-Dominant Pareto Optimization הוא רעיון שמגדיר אינטליגנציה כ“מסלול התפתחות” לאורך זמן ולא כתוצאה נקודתית.** לפי מחקר חדש ב-arXiv (2602.13230v1), מערכות AI יכולות להיתקע ב“מלכודות פארטו” — אזורים שנראים טובים מקומית (לא נשלטים במדדים), אך חוסמים גישה למסלולים גלובליים טובים יותר. החוקרים מציעים מדד בשם TEDI שמעריך כמה קשה לברוח מהמלכודת בגלל מרחק שינוי, אילוצים מבניים ואינרציה. לעסקים בישראל זה אומר שלא תמיד צריך עוד דאטה או מודל גדול יותר; לפעמים צריך לשנות מדדי הצלחה ותהליך. אם אתם מפעילים WhatsApp Business API עם Zoho CRM ואוטומציות ב-N8N, כדאי לבנות פיילוט 14 יום של שני מסלולי שיחה, למדוד השפעה על סגירה/נטישה, ולהגדיר “מינימום נסבל” לכל KPI כדי לאפשר שינוי מסלול.

**הערכת T‑Shirt (S/M/L) לפרויקטי LLM ומערכות רב-סוכנים נוטה להיכשל כי המאמץ והסיכון אינם ליניאריים, ניסיון עבר לא משחזר תוצאות, ו”Done” אינו דטרמיניסטי. לפי arXiv:2602.17734, חמש הנחות בסיסיות של תכנון אג’ילי נשברות ב-AI—בעיקר בגלל שיחות רב-סבביות, “צימוד הדוק” בין דאטה למודל, וריבוי נקודות אינטגרציה.** החלופה המעשית היא Checkpoint Sizing: חלוקת הפרויקט לשערי החלטה עם מדדים (למשל דיוק ≥85% על 200 שיחות), תקרת תקציב לפיילוט, ועצירה יזומה אם המדדים לא מתקיימים. לעסקים בישראל שמחברים WhatsApp Business API ל-Zoho CRM דרך N8N, השיטה מצמצמת הפתעות, מאפשרת עמידה בחוק הגנת הפרטיות, ומונעת “התחייבות מוקדמת” על בסיס S/M/L.

**CodeScaler הוא מודל תגמול ללא הרצה (execution-free) ליצירת קוד, שמחליף תלות ב-unit tests בדירוג איכות שנלמד מנתוני העדפות. לפי תקציר המאמר, הוא שיפר את Qwen3-8B-Base בממוצע ב-+11.72 נקודות בחמישה בנצ׳מרקים, ובזמן inference סיפק פי-10 פחות השהיה תוך ביצועים דומים לגישות unit test.** לעסקים בישראל זה חשוב במיוחד בפרויקטים כמו N8N, Zoho CRM ו-WhatsApp Business API, שבהם כמעט אין כיסוי בדיקות מלא אבל כל שינוי משפיע על מכירות ושירות. המשמעות המעשית: אפשר לקבל איכות גבוהה יותר ליצירת קוד/זרימות אוטומציה בלי להקים סביבות הרצה כבדות, ולהקטין סיכוני חשיפת מידע כשבודקים על דאטה רגיש.