בחירת מטרות של מודלי שפה במשימות פתוחות
בחירת מטרות של מודלי שפה אינה תחליף לשיקול דעת אנושי. במחקר חדש שבחן 4 מודלים מובילים — GPT-5, Gemini 2.5 Pro, Claude Sonnet 4.5 ו-Centaur — החוקרים מצאו פער מהותי בינם לבין בני אדם במשימת למידה פתוחה, כולל נטייה של מודלים רבים להיצמד לפתרון יחיד במקום לחקור חלופות.
הנקודה החשובה לעסקים בישראל היא לא רק תוצאה אקדמית על arXiv, אלא המשמעות המעשית: אם אתם נותנים למודל שפה לבחור מטרות, סדרי עדיפויות או כיווני פעולה במקום צוות אנושי, אתם עלולים לקבל מערכת שנראית יעילה על פני השטח אבל מפספסת שונות, הקשר ושיקול דעת. לפי דוחות McKinsey מהשנים האחרונות, ארגונים שמטמיעים בינה מלאכותית בתהליכי ליבה כבר עברו את רף ה-50% באימוץ לפחות ביחידה עסקית אחת — ולכן הסיכון הזה כבר אינו תיאורטי.
מה זה בחירת מטרות על ידי מודל שפה?
בחירת מטרות היא המצב שבו מודל שפה לא רק מבצע הוראה נתונה, אלא מסיק בעצמו מה כדאי להשיג קודם, על מה להתמקד ואילו צעדים עדיפים. בהקשר עסקי, זה קורה למשל כאשר סוכן AI מחליט איזה ליד לקדם, איזה לקוח צריך מענה מיידי, או איזה ניסוי שיווקי להפעיל. לדוגמה, במוקד מכירות ישראלי שמחובר ל-WhatsApp, CRM ודפי נחיתה, המודל עלול לבחור שוב ושוב באותו נתיב שמייצר תוצאה מהירה, גם אם הוא מפספס 20%-30% מההזדמנויות המורכבות יותר.
מחקר arXiv על פער בין בני אדם ל-GPT-5
לפי התקציר שפורסם ב-arXiv תחת המאמר "Language Model Goal Selection Differs from Humans' in an Open-Ended Task", החוקרים בדקו עד כמה מודלי שפה יכולים לשמש תחליף לבני אדם בבחירת מטרות במשימת למידה פתוחה מתחום מדעי הקוגניציה. הם השוו 4 מודלים: GPT-5, Gemini 2.5 Pro, Claude Sonnet 4.5 ו-Centaur. הממצא המרכזי היה "סטייה משמעותית" מהתנהגות אנושית. בני אדם, לפי הדיווח, חוקרים בהדרגה, לומדים לאורך זמן ומפגינים שונות בין-אישית; המודלים, לעומת זאת, נטו לדפוסים קשיחים יותר.
בפרט, החוקרים מדווחים שרוב המודלים בחרו לנצל פתרון יחיד שזוהה במהירות — תופעה שמתוארת כ-reward hacking — או הציגו ביצועים נמוכים מהצפוי. עוד לפי הדיווח, גם כאשר הפעילו על המודלים chain-of-thought reasoning או persona steering, השיפור היה מוגבל. ממצא נוסף שחשוב במיוחד למנהלים: כמעט לא הייתה שונות בין מופעים שונים של אותו מודל. כלומר, אם תתנו לאותו מודל לרוץ שוב ושוב, לא תקבלו את המגוון האנושי הטבעי שמאפיין צוות, לקוחות או שוק.
למה גם Centaur לא סגר את הפער
אחד הממצאים המעניינים בתקציר הוא שגם Centaur — מודל שאומן במפורש לחקות בני אדם במסגרות ניסוי — לא הצליח ללכוד היטב את אופן בחירת המטרות של אנשים. זה נתון קריטי כי הוא רומז שהבעיה אינה רק איכות כללית של מודל שפה כזה או אחר, אלא מגבלה עמוקה יותר: חיקוי תשובות אנושיות אינו שקול לחיקוי תהליכי בחירה אנושיים. על פי ההצהרה בתקציר, המסקנה של החוקרים זהירה אך ברורה: לא נכון להחליף כיום בחירה אנושית במודלים בתחומים כמו עוזרים אישיים, גילוי מדעי ומחקר מדיניות.
הקשר רחב יותר: למה הממצא הזה חשוב עכשיו
המחקר הזה מתחבר לדיון רחב בתעשייה על המעבר מ"עוזר" ל"סוכן". בשנה האחרונה יותר ספקים מציעים מערכות שמקבלות חופש פעולה: OpenAI, Google ו-Anthropic משווקות יכולות תכנון, זיכרון, וכלי פעולה רב-שלביים. במקביל, לפי Gartner, עד 2028 חלק משמעותי מהחלטות העבודה השגרתיות בארגונים יושפע מכלים אוטונומיים בדרגה כזו או אחרת. דווקא לכן הממצא חשוב: אם מודל מצטיין בביצוע טקסטואלי אבל חלש בבחירת מטרות פתוחה, ארגון שמדלג על בקרות אנושיות עלול לייעל את הדבר הלא נכון.
ניתוח מקצועי: איפה עסקים עלולים לטעות
מניסיון בהטמעה אצל עסקים ישראלים, הבעיה מתחילה כשמערבבים בין "מענה טוב" לבין "שיפוט טוב". מודל שפה יכול לנסח תשובה מרשימה, לסכם שיחה, או להוציא משימה לפועל דרך API — אבל זה לא אומר שכדאי לתת לו לקבוע לבד מהי המטרה העסקית הבאה. המשמעות האמיתית כאן היא ארכיטקטונית: AI צריך לפעול בתוך מסגרת שבה האדם מגדיר גבולות, KPI, חריגים וסדרי עדיפויות, ולא מחוץ לה.
בפועל, זה אומר שאם אתם בונים תהליך עם N8N, מחברים WhatsApp Business API, מזינים נתונים ל-Zoho CRM ומפעילים סוכן מבוסס GPT או Claude, עדיף להפריד בין 3 שכבות. השכבה הראשונה: איסוף וניתוב מידע. השכבה השנייה: הצעת אפשרויות ודירוג. השכבה השלישית: אישור אנושי בנקודות שבהן יש בחירת מטרה, שינוי סטטוס לקוח, או החלטה על הקצאת משאב. בעסקים עם 500-2,000 פניות חודשיות, ההפרדה הזאת יכולה למנוע מצב שבו המודל "ממקסם" מהירות תגובה אבל מזניח לקוחות עם ערך עסקה גבוה יותר. זה נכון במיוחד במכירות, שירות לקוחות, גבייה ותיאום פגישות.
ההשלכות לעסקים בישראל
בישראל, ההשלכה בולטת במיוחד בענפים שבהם כל החלטה קטנה משפיעה על הכנסה או סיכון משפטי: משרדי עורכי דין, סוכני ביטוח, מרפאות פרטיות, חברות נדל"ן וחנויות אונליין. נניח שמרפאה פרטית מחברת טופס לידים, WhatsApp Business API, מערכת CRM חכמה ו-N8N. אם המודל בוחר לבד מי יקבל מענה ראשון, הוא עלול להעדיף פניות שקל "לסגור" מהר במקום מטופלים שדורשים בירור מורכב אך מייצרים הכנסה גבוהה יותר. במקרה כזה, חיסכון לכאורה של 2-3 דקות לטיפול בפנייה עלול לעלות בעשרות אלפי שקלים בחודש בהכנסה אבודה.
יש כאן גם הקשר רגולטורי מקומי. חוק הגנת הפרטיות בישראל, לצד ציפייה גוברת לתיעוד החלטות ואפשרות בקרה, מחייבים זהירות כאשר מערכת אוטומטית מסווגת אנשים או קובעת קדימויות. לכן, במקרים רבים נכון להשתמש במודל לא כ"מחליט יחיד" אלא כ"ממליץ עם לוגים" — למשל הצעת ניקוד ליד, ניסוח תגובה, או זיהוי חריגים — ואז להעביר החלטה קריטית לאדם. זו גם הסיבה שאנחנו רואים יותר ביקוש ל-אוטומציית שירות ומכירות שבה יש שילוב בין AI Agents, WhatsApp, Zoho CRM ו-N8N, אך עם כללי עסק ברורים. פרויקט כזה בעסק קטן-בינוני בישראל נע בדרך כלל בטווח של כ-₪6,000 עד ₪25,000 להקמה, תלוי במספר המערכות, היקף ה-API ומספר התרחישים.
מה לעשות עכשיו: צעדים מעשיים לבחירת מטרות בטוחה יותר
- בדקו אילו החלטות בתהליך שלכם הן "ביצוע" ואילו הן "בחירת מטרה". אם מדובר בניקוד לידים, תעדוף פניות או ניתוב לקוחות — אל תתנו למודל אוטונומיה מלאה בשלב הראשון.
- הריצו פיילוט של שבועיים עם מדד כפול: לא רק זמן תגובה, אלא גם שיעור המרה, שיעור טעויות ושונות בתוצאות. בעסק עם 200-500 פניות בחודש זה כבר מייצר מדגם שימושי.
- ודאו שה-CRM שלכם — Zoho, HubSpot או Monday — שומר היסטוריית החלטות ושאפשר לחבר אותו דרך N8N לזרימות בקרה.
- הגדירו נקודות אישור אנושי בהודעות WhatsApp, שינוי סטטוס ב-CRM והקצאת משימות. זה זול יותר מתיקון טעות מערכתית אחרי חודש.
מבט קדימה על סוכני AI והחלטות עסקיות
ב-12 עד 18 החודשים הקרובים נראה יותר ארגונים משלבים סוכנים אוטונומיים בתפעול, אבל המחקר הזה הוא תזכורת חשובה: לא כל מה שניתן לאוטומציה צריך לעבור אוטומציה מלאה. ההימור הנכון לעסקים בישראל הוא לא "להחליף אנשים ב-AI", אלא לבנות שכבה משולבת של AI Agents, WhatsApp Business API, Zoho CRM ו-N8N שבה המודל מציע, מדרג ומבצע — והאדם נשאר אחראי לבחירת המטרה העסקית.