חדשות AI ואוטומציה

חדרי חדשות מבוססי בינה מלאכותית, המופעלים על ידי סוכנים עצמאיים תחת פיקוח אנושי מינימלי, מצליחים להשיג ראשוניות בדיווח על פני גופי תקשורת מבוססים. מקרה בולט התרחש בכנס האבטחה Black Hat, שבו חדר החדשות הסינתטי RuntimeWire, המנוהל על ידי היזם ריאן מרקט בעלות של כ-100 דולר ביום, עקף את המגזין WIRED ביותר משלוש שעות בדיווח על הרצאה של OpenAI. לצד RuntimeWire, מיזמים נוספים כמו The Dissent מפעילים דמויות של עיתונאים מלאכותיים בעלות נמוכה במיוחד. בעוד מומחים מביעים ספקנות לגבי היכולת של סוכנים אלה לבנות אמון עם מקורות אנושיים ולשמור על סטנדרטים עיתונאיים מחמירים, ההתפתחות הטכנולוגית מסמנת שלב ניסיוני חדש ומציבה אתגרים משפטיים ואתיים בפני עולם המדיה המשתנה.

במחקר חדש של חוקרים מאוניברסיטת טובינגן, מכון מקס פלאנק, MATS Research וחברת Snyk, נחשפה שיטה לחילוץ עקבות חשיבה (chain of thought) מוצפנים ממודלי בינה מלאכותית מובילים כמו Claude, GPT ו-Gemini דרך ממשקי ה-API שלהם. השיטה מתבססת על שליחת המידע המוצפן לדגם חלש יותר בעל רמת אבטחה (alignment) נמוכה יותר. המחקר הראה כי הדגם הסיני Kimi K3 של חברת Moonshot AI מייצר פלטים הדומים לעקבות החשיבה של Claude Opus 4.8 ו-GPT 5.6 Sol, מה שמעלה חשדות לביצוע זיקוק (distillation) – אם כי לא הוכחה סיבתיות ישירה. בנוסף, השיטה איפשרה בעבר לשחזר מידע רגיש כמו סיסמאות ומפתחות API, פגיעות שתוקנה על ידי החברות בחודש שעבר.

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.

חברת Rippling השיקה השבוע מוצר חדש בשם AI Spend Console שנועד לסייע לארגונים לעקוב אחר הוצאות הבינה המלאכותית של עובדיהם ולרסן אותן. פיתוח המוצר החל לאחר שסמנכ"ל הכספים של Rippling גילה כי החברה בנתיב לשריפת מיליוני דולרים – כ-40% מתקציב השכר של מחלקת המחקר והפיתוח – על אסימוני בינה מלאכותית. ניתוח דפוסי השימוש הראה כי 10% עד 15% מהעובדים היו אחראים ל-60% מההוצאה, כאשר עובדים נטו להשתמש בדגמי החזית היקרים ביותר לכל משימה. באמצעות המוצר החדש ושער הניתוב שפיתחה, שהעביר שאילתות לדגמים חסכוניים יותר כמו GLM 5.2 של Z.ai, הצליחה Rippling להפחית את עלויות ה-AI ל-15% מתקציב כוח האדם של המחלקה, תוך שמירה על נפח שימוש גבוה ויציב של כ-600 מיליארד אסימונים.

במדריך שפורסם בבלוג של n8n על ידי יוליה דמיטרייבנה באוגוסט 2026, נדון הצורך בארגזי חול (Sandboxes) לסוכני בינה מלאכותית. סוכנים מקבלים החלטות תוך כדי ריצה, מה שמקשה על ניבוי התנהגותם בהשוואה לתוכנה מסורתית. המדריך מפרט כיצד ארגז חול מבודד את סביבת ההרצה, את קבלת ההחלטות ואת הזיכרון, ומסביר כיצד להשתמש בבקרות של n8n – כגון הגדרת היקף כלים, בידוד אישורי גישה ויומני ביקורת – כדי לאכוף ריצה בטוחה. כמו כן, מתואר מקרה הבוחן של פרצת האבטחה CVE-2026-25049 אשר תוקנה בגרסאות n8n 1.123.17 ו-2.5.2, הממחיש שבידוד תשתיתי בלבד אינו מספיק ללא בקרות ברמת תהליכי העבודה.