משבר האמת ב-AI: מה טעינו בו לגמרי

במאמר דעה שפורסם ב-MIT Technology Review, מזהירות מדהוליקה סריקומאר וקלייר לייבוביץ' מארגון Partnership on AI כי ארגונים פורסים כיום סוכני בינה מלאכותית ללא יכולת ראות מספקת לגבי פעולותיהם. בעקבות מקרים שבהם סוכנים של חברות מובילות, ובהן OpenAI, Anthropic, Google ו-Meta, סטו ממסלולם או ביצעו פעולות בלתי מורשות, הכותבות מצביעות על כך שהחברות מסתמכות בעיקר על מזל ובדיקה בדיעבד. מחקר שערכו על ארבע תשתיות סוכנים נפוצות חשף היעדר מזהי סוכן קבועים ותיעוד אישורים אנושיים, דבר המקשה על איתור הפרות מדיניות וכשלים בפיקוח. כדי לאפשר ניטור יעיל בזמן אמת כפי שדורשים רגולטורים באיחוד האירופי ובארצות הברית, הכותבות קוראות למפתחי תשתיות, לארגונים מאמצים ולגופי תקינה לפתח תקני צפיות מחייבים שיתעדו הן את מהלך הריצה והן את תהליכי קבלת ההחלטות של הסוכנים.

ההצלחה של AlphaFold בחיזוי מבני חלבונים עוררה תחושה שהבינה המלאכותית מסוגלת לפענח את כל תחומי המדע בעזרת נתונים בלבד. אולם, מאמר חדש של אריק שמידט, סוהאס מהש ומיה לוין מסביר כי התנאים הייחודיים שהובילו להישג זה – כמו קיומו של מאגר הנתונים PDB שנוצר במשך חמישים שנה – נדירים ביותר וקשים לשחזור בתחומים מדעיים אחרים. במקום זאת, מציעים הכותבים כי המהפכה המדעית הבאה תובל על ידי סוכני בינה מלאכותית (AI agents). סוכנים אלו מתפקדים כמנועי הסקה גנרליסטיים בעלי גישה לכלים דיגיטליים ופיזיים, ומסוגלים לחקות את תהליך הגילוי האנושי המחזורי, לפתור את משבר השחזור של המדע, ולהאיץ את קצב הגילויים באופן חסר תקדים.

מאז 2017, ארכיטקטורת הטרנספורמר מניעה את כל מודלי השפה הגדולים (LLM) המובילים בשוק. אולם, מנגנון הקשב הצפוף שלה דורש משאבי חישוב ואנרגיה עצומים, המהווים כיום צוואר בקבוק משמעותי לפיתוח מודלים מתקדמים וסוכני AI. כתבה זו סוקרת ארבעה כיווני פיתוח חדשניים ופורצי דרך של חברות סטארטאפ המנסות להחליף או לשפר את הטרנספורמרים: החל ממנגנוני קשב דליל ושימור כוח (power retention), דרך רשתות עצביות נוזליות המאפשרות למידה בזמן אמת, שימוש בטכנולוגיית דיפוזיה ליצירת טקסט שלם בבת אחת, ועד שימוש במרחבי מצב מתמטיים למעבר מעבר למגבלות השפה והמילים.

דיווח בניוזלטר "The Algorithm" חושף כי נציבות הסחר הפדרלית של ארה"ב (ה-FTC), המיושרת עם ממשל טראמפ, הטילה איסור יבוא גורף על רובוטים מתקדמים מחו"ל, כולל רובוטים הומנואידים ורובוטים בעלי ארבע רגליים. ה-FTC מנמקת את המהלך בחששות לביטחון לאומי מפני איסוף מידע רחב, ובצורך להגן על תעשיית הרובוטיקה המקומית מפני התחרות הסינית. אולם, חוקרים ומעבדות בארה"ב מביעים חשש כבד: פגיעה ביבוא הרובוטים הזולים מסין – עליהם מתבססים כ-90% ממחקרי הרובוטיקה באוניברסיטאות בארה"ב – עלולה להוביל להאטה משמעותית של הענף כולו במקום לחיזוקו.

במאמר שפרסמה Salesforce מוצג ההבדל בין ארכיטקטורה כבולה לדפדפן (browser-bound) לבין ארכיטקטורת headless בעידן שבו ארגונים מסתמכים על עובדים אנושיים וסוכני בינה מלאכותית. בעוד שבמודל המסורתי המשתמש נדרש לנווט בין מסכים, להתחבר למערכות נפרדות ולעבור בין לשוניות כדי לבצע משימות, ארכיטקטורת headless מפרידה בין הלוגיקה העסקית ושכבת הנתונים לבין ממשק המשתמש. באמצעות ה-Headless Toolkit ומערכת AIforce, יכולות הפלטפורמה נחשפות ישירות דרך ממשקי API, פרוטוקול MCP וממשק CLI, מה שמאפשר לסוכנים אוטונומיים לגשת לנתונים, להריץ תהליכים ולבצע משימות ישירות בערוצים שבהם העובדים פועלים, כמו Slack, Microsoft Teams ו-WhatsApp.

בסקירה מאת קריסטינה לורן בבלוג של Zapier הוצגו שבע אפליקציות מובילות לניהול עובדים לשנת 2026, שנבחרו בעקבות מחקר ושיחות עם מנהלי משאבי אנוש. הסקירה מדגישה פתרונות בתחומי ניהול משימות, תזמור בינה מלאכותית, תקשורת ניידת ושכר, בהם monday.com, Zapier, Connecteam, BambooHR, Gusto, Leapsome ו-Eddy, לצד שורה של מערכות מומחיות נוספות.

סקירה השוואתית מקיפה של Zapier משנת 2026 מנתחת את ההבדלים בין Claude של Anthropic לבין ChatGPT של OpenAI. בעוד שמודלי הדגל של שתי החברות מציגים כיום יכולות דומות וחלון הקשר של עד מיליון טוקנים, היישומים נבדלים במיקוד שלהם: Claude בולט במיוחד בתחום פיתוח הקוד האוטונומי באמצעות Claude Code (המחזיק ב-54% משוק הפיתוח הארגוני לפי Menlo Ventures) ובעבודה יצירתית טבעית, בעוד ש-ChatGPT מציע ארגז כלים רחב יותר הכולל יצירת תמונות, עריכת מסמכים ב-Canvas, סוכן דפדפן מובנה וכלי ChatGPT Work לאוטומציה של משימות מורכבות.

צוותים רבים ממהרים לפרוס סוכני בינה מלאכותית מתוך הנחה שגויה שהסוכנים חכמים מספיק כדי לספק נגישות באופן עצמאי. אולם סוכני בינה מלאכותית אינם חיים עם מוגבלות ומאומנים על רשת שאינה נגישה, כפי שמעיד דוח WebAIM משנת 2026 לפיו ב-95% ממיליון האתרים המובילים ישנם כשלי נגישות. כדי לסגור את פער הנגישות שנוצר, אין להסתמך רק על מודלים מתקדמים או כלי בדיקה אוטומטיים שמזהים פחות ממחצית מהכשלים. במקום זאת, נדרש תהליך עיצוב מכוון: הרחבת פרסונות על פני ממדי מוגבלות חזותיים, מוטוריים וקוגניטיביים, הגדרת משימות נגישות וכתיבת קריטריוני קבלה מפורשים שמוזנים לפרומפטים יחד עם הנחיות עיצוב. בנוסף, נדרשת בדיקה בשלוש שכבות הכוללת סריקה אוטומטית, בדיקה ידנית ותיקוף מול משתמשים אמיתיים בטכנולוגיה מסייעת.