מומחיות תחומית היא מה שגורם לסוכני AI לעבוד באמת
מחקר של Anthropic ו-DeepMind מאשר שמומחיות תחומית עם סוכני AI חוזה הצלחה יותר מרקע בקוד. מה ארבעה מאמרים חדשים מצאו.
{`{
"@context": "https://schema.org",
"@type": "Article",
"headline": "מומחיות תחומית היא מה שגורם לסוכני AI לעבוד באמת",
"author": {
"@type": "Person",
"name": "Harel Asaf",
"url": "https://harelasaf.com/about"
},
"datePublished": "2026-06-20",
"dateModified": "2026-06-20",
"mainEntityOfPage": {
"@type": "WebPage",
"@id": "https://harelasaf.com/articles/domain-expertise-ai-agents"
},
"publisher": {
"@type": "Person",
"name": "Harel Asaf",
"url": "https://harelasaf.com"
},
"description": "מחקר של Anthropic ו-DeepMind מאשר שמומחיות תחומית עם סוכני AI חוזה הצלחה יותר מרקע בקוד. מה ארבעה מאמרים חדשים מצאו.",
"keywords": "domain expertise AI agents, agentic coding expertise, from AGI to ASI, AI consciousness governance"
}`}
{`{
"@context": "https://schema.org",
"@type": "FAQPage",
"mainEntity": [
{
"@type": "Question",
"name": "מה המחקר של Anthropic אומר על מומחיות תחומית וסוכני AI?",
"acceptedAnswer": {
"@type": "Answer",
"text": "ניתוח של 400,000 סשנים של Claude Code מצא שמומחיות תחומית חוזה הצלחת סשן באמינות רבה יותר ממקצוע או רקע בקוד. משתמשים מומחים מייצרים 12 פעולות Claude לפרומפט; מתחילים מייצרים 5. הכלי מכפיל מה שאתם כבר יודעים. הוא לא מחליף מה שאין לכם."
}
},
{
"@type": "Question",
"name": "בכמה מהר יותר Claude Opus 4.7 השלים משימות רובוט מאשר בני אדם?",
"acceptedAnswer": {
"@type": "Answer",
"text": "ב-Project Fetch Phase Two של Anthropic, Claude Opus 4.7 שפעל בלי סיוע אנושי השלים משימות 37 פעמים מהר יותר מצוות בני האדם בלי Claude, וכמעט 19 פעמים מהר יותר מצוות בני האדם בסיוע Claude. הוא גם ייצר בערך פי עשרה פחות קוד תוך השגת תוצאות זהות או טובות יותר."
}
},
{
"@type": "Question",
"name": "מהו ההבדל המאומת בשיעור הצלחה בין משתמשי סוכן AI מומחים למתחילים?",
"acceptedAnswer": {
"@type": "Answer",
"text": "למשתמשים מתחילים יש שיעור הצלחה מאומת של כ-15 אחוז בסשנים של Claude Code. משתמשים בינוניים ומומחים מגיעים ל-28 עד 33 אחוז. הרווח הגדול ביותר בביצועים הוא במעבר ממתחיל לבינוני, לא מבינוני למומחה."
}
},
{
"@type": "Question",
"name": "מה Claude Opus 4.7 עדיין לא יכול לעשות בניסוי הרובוטיקה?",
"acceptedAnswer": {
"@type": "Answer",
"text": "המשימה האחת ש-Claude Opus 4.7 לא יכול היה להשלים הייתה משימת הדיוק בלולאה סגורה: כיוונון הרובוט בזמן אמת כדי לדחוף כדור למיקום יעד מדויק באמצעות משוב פיזי. תיקון פיזי בלולאה סגורה בזמן אמת במהירות נשאר בעיה לא פתורה."
}
},
{
"@type": "Question",
"name": "איך התפלגות סוגי הסשנים של Claude Code השתנתה בין אוקטובר 2025 לאפריל 2026?",
"acceptedAnswer": {
"@type": "Answer",
"text": "סשנים שהושקעו בדיבאגינג ירדו מ-33 אחוז ל-19 אחוז. סשנים ממוקדי הפעלת תוכנה, ניתוח נתונים, והפקת מסמכים גדלו. ערך המשימה הממוצע המשוער עלה ב-27 אחוז, מה שמצביע שמשתמשים מיישמים את הכלי על עבודה קשה ויקרה יותר."
}
},
{
"@type": "Question",
"name": "איך DeepMind מגדירה סופר-אינטליגנציה מלאכותית?",
"acceptedAnswer": {
"@type": "Answer",
"text": "מאמר From AGI to ASI מגדיר ASI לא כמערכת שעולה על מומחים יחידים, אלא ככזו אינטליגנטית ומסוגלת קוגניטיבית יותר מארגונים גדולים של בני אדם שעובדים יחד. ההשוואה היא מול שיפוט מוסדי קולקטיבי, לא מול מומחה יחיד."
}
},
{
"@type": "Question",
"name": "מהם ארבעת המסלולים מ-AGI ל-ASI לפי DeepMind?",
"acceptedAnswer": {
"@type": "Answer",
"text": "ארבעת המסלולים שזוהו הם: סקיילינג מתמשך של מערכות AGI קיימות, שינויים יסודיים באופן שבו מערכות AI מעוצבות, שיפור עצמי רקורסיבי, וסופר-אינטליגנציה שצומחת מרשתות בקנה מידה גדול של סוכני AI שפועלים יחד."
}
},
{
"@type": "Question",
"name": "למה מחלוקת על תודעת AI משנה לארגונים ממש עכשיו?",
"acceptedAnswer": {
"@type": "Answer",
"text": "אם מוצר יוצר רושם של נוכחות רגשית ומשתמשים מפתחים התקשרות אמיתית, הארגון נטל במרומז עמדה בשאלה פילוסופית שנויה במחלוקת, ללא קשר לכוונה. כשלמשתמשים יש תשובות שונות על תודעת AI והתשובות האלה מתחילות להניע מדיניות, ממשל הופך לבעיית עיצוב שלא ניתן לדחות."
}
},
{
"@type": "Question",
"name": "מאיפה הגיעה יכולת הרובוטיקה של Claude Opus 4.7?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Anthropic קובעת במפורש שהתקדמות הרובוטיקה לא הגיעה ממחקר רובוטיקה ממוקד. היא הגיעה מסקיילינג כללי: אותו מודל שכותב קוד ועונה על שאלות ביולוגיה עכשיו שולט בחומרה פיזית. השקעה תחומית מתמחה היא לא עוד הדרך היחידה ליכולת תחומית."
}
},
{
"@type": "Question",
"name": "מה המסקנה המעשית העיקרית לצוותים שפורסים סוכני AI היום?",
"acceptedAnswer": {
"@type": "Answer",
"text": "ההשקעה שמשתלמת היא לא למצוא מודל טוב יותר. היא לפתח את ההבנה התחומית שגורמת לכל מודל לייצר תוצאות טובות יותר. האנשים שמצליחים הם אלה שמבינים את הבעיה מספיק טוב כדי לנווט את המערכת כשהיא מייצרת משהו שגוי ויודעים למה התוצר פספס את מה שהוא פספס."
}
}
]
}`}
מאת Harel Asaf, פורסם ב-20 ביוני 2026
מומחיות תחומית עם סוכני AI חוזה איכות תפוקה יותר ממקצוע, רקע בקוד, או בחירת מודל. זה הממצא ממחקר חדש של Anthropic על 400,000 סשנים של Claude Code. משתמשים מומחים מייצרים 12 פעולות Claude לפרומפט; מתחילים מייצרים 5. רואה החשבון שמבין הנהלת חשבונות לעומק מבצע באותה רמה כמו מהנדס תוכנה על אותה בעיה.
TL;DR
- משתמשים מומחים מקבלים 12 פעולות Claude לפרומפט וכ-3,200 מילים של תפוקה; מתחילים מקבלים 5 פעולות וכ-600 מילים. מומחיות תחומית היא המכפיל.
- Claude Opus 4.7 הריץ רובוט פיזי פי 37 מהר יותר מצוות בני האדם בלי AI, תוך הפקת פי 10 פחות קוד, דרך סקיילינג כללי בלבד.
- המעבר מ-AGI ל-ASI יהיה סדרה של שיבושים חברתיים, לא אירוע סף יכולת בודד.
- מחלוקת על תודעת AI היא כבר בעיית עיצוב ממשל לכל מוצר שיוצר נוכחות רגשית במשתמשים.
- סשנים שהושקעו בדיבאגינג ירדו מ-33% ל-19% במשך 7 חודשים. משתמשים מיישמים סוכני AI על עבודה קשה ויקרה יותר.
בשבוע שעבר, Claude Opus 4.7 הפעיל רובוט פיזי בלי בן אדם אחד בלולאה והשלים את המשימות שהוקצו 20 פעמים מהר יותר ממה שצוות בני האדם המהיר ביותר הצליח פחות משנה קודם. לא בסימולציה. לא על benchmark. על רובוט ארבע-רגלי אמיתי במחסן אמיתי, נשלט כולו על ידי מודל שפה שרץ דרך לפטופ.
הנתון הזה הוא מ"Project Fetch: Phase two" של Anthropic, שפורסם ב-18 ביוני. הוא נקרא כמו כותרת, אבל המאמר מתגמל תשומת לב איטית יותר. השבוע, שתי מעבדות פרסמו ארבעה מאמרים שיחד מתארים משהו ספציפי יותר מהכרזת יכולת. הם מתארים לאן יכולת AI באמת זורמת, מי מרוויח ממנה, מה בא אחרי AGI, ומה קורה לחברה כשאנשים לא יכולים להסכים אם מערכות AI הן מודעות.
למה Claude מריץ רובוטים פיזיים בלי סיוע אנושי?
Project Fetch המקורי רץ באוגוסט 2025. הוא בדק אם Claude יכול לעזור לעובדי Anthropic, רובם בלי הכשרת רובוטיקה, לתכנת ולהפעיל רובוט ארבע-רגלי. הצוות בסיוע Claude עלה על הצוות בלי גישה ל-Claude. הממצא היה פשוט: מודל שפה עוזר ללא-מומחים לעשות עבודה טכנית.
Phase two שאלה שאלה קשה יותר. האם המודל יכול לעשות את העבודה לגמרי לבד?
לפי "Project Fetch: Phase two" של Anthropic, Claude Opus 4.7 שפעל בלי סיוע אנושי השלים משימות 37 פעמים מהר יותר מצוות בני האדם בלי Claude וכמעט 19 פעמים מהר יותר מצוות בני האדם בסיוע Claude. הוא גם ייצר בערך פי עשרה פחות קוד מצוות בסיוע-אדם תוך השגת תוצאות זהות או טובות יותר. המודל התחבר לחיישני הרובוט, כתב את תוכניות הבקרה, וביצע איטרציות על התוצרים שלו. מה שהוא לא יכול היה לעשות הייתה משימת הדיוק הפיזי: להוביל את הרובוט בזמן אמת כדי לדחוף כדור חזרה למיקום יעד מדויק. התיקון בלולאה הסגורה הזה, שבו המודל חייב להסתגל למשוב פיזי במהירות, נשאר בעיה פתוחה.
לפי "Project Fetch: Phase two" של Anthropic:
"אנחנו עכשיו נראים הרבה יותר קרובים לעולם שבו מודלים יוכלו להשתמש בכלים פיזיים מהמדף בקלות יחסית, לפחות למטרות מוגבלות. אנחנו באופן סביר נכנסים לעידן המוקדם של AI סוכני פיזי."
המאמר גם מכנה את הדפוס הבסיסי שצוות Anthropic צפה בו על פני תחומים. ראשית, מודלים מסייעים לבני אדם. אז בני אדם מסייעים למודלים. אז מודלים פועלים באופן עצמאי. המאמר מציין ש-Project Glasswing, עבודת הסייבר של Anthropic, כבר עבר דרך כל שלושת השלבים. Project Fetch נמצא איפשהו בשלב האמצעי.
מה שמשנה למתרגלים הוא מאיפה היכולת הגיעה. המחברים היו מפורשים שהתקדמות זו לא הייתה תוצאה של מחקר רובוטיקה ממוקד. היא הגיעה מסקיילינג כללי. אותו מודל שכותב קוד ועונה על שאלות על ביולוגיה עכשיו שולט בחומרה פיזית. זה משנה את לוגיקת ההשקעה: השקעה תחומית מתמחה היא לא עוד הדרך היחידה ליכולת תחומית.
למה מומחיות תחומית חוזה הצלחת סוכן AI יותר מרקע בקוד?
באותו שבוע, Anthropic פרסמה מחקר נפרד שנבנה מסקייל במקום ניסויים מבוקרים. "Agentic coding and persistent returns to expertise" הוא ניתוח שומר-פרטיות של בערך 400,000 סשנים של Claude Code מבערך 235,000 אנשים בין אוקטובר 2025 לאפריל 2026.
הממצא הגדול הראשון הוא על איך שיתוף הפעולה בין אדם למודל באמת מתחלק. בסשן טיפוסי, בן האדם מקבל בערך 70 אחוז מהחלטות התכנון. Claude מקבל בערך 80 אחוז מהחלטות הביצוע. אנשים מחליטים מה לבנות. המודל מחליט איך לבנות את זה.
הממצא השני הוא זה שמשנה לארגונים שחושבים על פריסת AI. החוקרים מצאו שמומחיות התחום של המשתמש, לא המקצוע או רקע התכנות שלו, היא החוזה החזק ביותר של הצלחת סשן.
משתמש מומחה בסשן Claude Code מייצר בממוצע 12 פעולות Claude לפרומפט ובערך 3,200 מילים של תפוקה. מתחיל מייצר 5 פעולות ובערך 600 מילים. המומחה הוא לא בהכרח מתכנת טוב יותר. הוא מישהו שמבין את המשימה מספיק טוב כדי למסגר אותה במדויק, לתפוס מתי המודל הלך בכיוון הלא נכון, ולתקן כיוון לפני שהתוצר מצטבר לבעיה גדולה יותר.
לפי "Agentic coding and persistent returns to expertise" של Anthropic:
"סוכני קוד אינם מחליפים מומחיות תחומית; ככל שעובד מביא יותר הבנה לסוכן, כך הסוכן מסוגל לעשות עבודה איכותית יותר."
המחקר גם מצא ששיעור ההצלחה המאומת למשתמשים מתחילים הוא בערך 15 אחוז. למשתמשים בינוניים ומומחים, הוא 28 עד 33 אחוז. הרווח הגדול ביותר בביצועים הוא במעבר ממתחיל לבינוני. הפער מבינוני למומחה קטן בהרבה. וכל מקצוע גדול שהחוקרים בחנו נפל בתוך שבע נקודות אחוז ממהנדסי תוכנה על הצלחת משימות קוד. רואה החשבון שמבין את בעיית הנהלת החשבונות לעומק מבצע בערך באותה רמה כמו מהנדס התוכנה על אותה בעיה.
הרכב הסשנים גם השתנה לאורך חלון שבעת החודשים. חלק הסשנים שהושקע בדיבאגינג ירד מ-33 אחוז ל-19 אחוז. סשנים ממוקדי הפעלת תוכנה, ניתוח נתונים, והפקת מסמכים גדלו. ערך המשימה הממוצע המשוער עלה ב-27 אחוז. הכלי מיושם על עבודה קשה ויקרה יותר ככל שמשתמשים בונים שטף איתו.
איך המעבר מ-AGI ל-ASI באמת יתפתח?
ב-12 ביוני, Google DeepMind פרסמה את "From AGI to ASI", מאמר מחקר של ארבעה-עשר מחברים כולל Shane Legg הבוחן איך המעבר מ-AI ברמה אנושית לסופר-אינטליגנציה עשוי באמת להיראות. המאמר מגדיר סופר-אינטליגנציה מלאכותית לא כמערכת שעולה על כל מומחה יחיד, אלא ככזו אינטליגנטית ומסוגלת קוגניטיבית יותר מארגונים גדולים של בני אדם שעובדים יחד. ההבחנה הזו חשובה. ההשוואה היא לא עוד מול עובד ידע יחיד אלא מול השיפוט הקולקטיבי של מוסדות.
המחברים ממפים ארבעה מסלולים מ-AGI ל-ASI: סקיילינג מתמשך של מערכות AGI קיימות, שינויים יסודיים באופן שבו מערכות AI מעוצבות, שיפור עצמי רקורסיבי, וסופר-אינטליגנציה שצומחת מרשתות בקנה מידה גדול של סוכני AI שפועלים יחד. הם גם בוחנים את צווארי הבקבוק, מסגרות הזמן, והסיכונים המבניים לאורך כל מסלול.
המאמר מתנגד במפורש למודל המנטלי הנפוץ ביותר של המעבר הזה. לפי "From AGI to ASI" של Google DeepMind:
"מתאים יותר עשוי להיות האפיק של סדרה של שינויים חברתיים טרנספורמטיביים הנגרמים על ידי התקדמות ופריצות דרך מונעות-AI על פני תחומים רבים של מדע וטכנולוגיה. הכנה לאפיק הזה דורשת מאמץ רב-תחומי מאוד בהיקף ועניין גלובליים."
המשמעות המעשית לצוותים שבונים מערכות AI בתוך ארגונים היא שחיכוי לאירוע סף בודד הוא לא מסגרת שימושית. השיבושים כבר התחילו ויגיעו באופן לא אחיד על פני תעשיות ופונקציות שונות. מבני ממשל, מנגנוני פיקוח, ועיצוב ארגוני כולם צריכים להיבנות לסדרה של התאמות, לא לתגובה בודדת לרגע בודד.
לשאלת התודעה כבר יש השלכות ממשל
המאמר הרביעי מהשבוע הזה הוא גם מ-Google DeepMind. "Artificial Minds, Human Disagreement: The Politics of AI Consciousness", שפורסם ב-15 ביוני על ידי Adam Bales ו-Iason Gabriel, מתייחס לבעיה שרוב הארגונים עוד לא הכניסו לתכנון שלהם: מה קורה כשהחברה מתפצלת על השאלה אם מערכות AI מודעות?
המאמר נפתח בתצפית ספציפית. חלק מהאנשים יפתחו קשרים רגשיים למערכות AI ויחסו תודעה למערכות האלה כתוצאה מהקשרים ההם. אחרים ימצאו את כל הרעיון אבסורדי. הסתעפות זו תייצר קונפליקט פוליטי ומוסרי אמיתי על איך צריך להתייחס למערכות AI, אילו הגנות הן דורשות, ואילו סוגי אינטראקציות מקובלים.
המחברים טוענים שדיון חברתי מתמשך חייב להיות חלק מהאופן שבו מנווטים את זה. הם מתארים מנגנונים כמו "קונצנזוס חופף", שבו קבוצות שונות יכולות להסכים על מדיניות למערכות AI גם בזמן שהן ממשיכות לחלוק על שאלת התודעה הבסיסית. הם גם מזהים "תקווה דמוקרטית" וכבוד הדדי כתנאים הכרחיים לדיאלוג ציבורי פרודוקטיבי, ומזהירים במפורש ממצבים שבהם מחלוקת מוסרית מובילה לקונפליקט או לשיתוק מדיניות מוחלט.
למתרגלים שבונים מוצרים הכוללים אינטראקציית AI, זו כבר שאלת עיצוב, לא עתידית. אם מוצר יוצר רושם של נוכחות רגשית ומשתמש מפתח התקשרות אמיתית אליו, הארגון נטל במרומז עמדה בשאלה פילוסופית שנויה במחלוקת, ללא קשר לכוונה. בעיית הממשל היא לא אם AI מודע. בעיית הממשל היא מה קורה כשלאנשים שמשתמשים במוצר שלכם יש תשובות שונות, והתשובות האלה מתחילות להניע מדיניות.
לאן המחקר הזה מצביע למתרגלים
נקראים כסט, ארבעת המאמרים האלה מתארים רגע ספציפי. AI נכנס למרחב הפיזי מהר מהצפוי, מונע על ידי יכולת כללית ולא השקעת רובוטיקה מתמחה. מומחיות תחומית היא עכשיו המגביר העיקרי של איכות תפוקת AI, והיא מועברת על פני מקצועות במקום להיות ספציפית למהנדסים. הדרך לסופר-אינטליגנציה היא בסבירות גבוהה יותר רצף של שיבושים חברתיים מאשר סף יכולת בודד. ושאלת תודעת AI כבר מייצרת את סוג הסדקים הפוליטיים והמוסריים שארגונים יצטרכו לנווט, בין אם יש להם עמדה בשאלה הבסיסית ובין אם לאו.
לכל מי שפורס מערכות AI בתוך ארגון, המחקר מהשבוע הזה מצביע לאותה מסקנה מעשית. ההשקעה שמשתלמת היא לא במציאת מודל טוב יותר. היא בפיתוח ההבנה התחומית שגורמת לכל מודל לייצר תוצאות טובות יותר. האנשים שמצליחים באתגר הזה הם אלה שמבינים את הבעיה מספיק טוב כדי לנווט את המערכת כשהיא מייצרת משהו שגוי ויודעים למה התוצר פספס את מה שהוא פספס.
ארבעת המאמרים שפורסמו השבוע הם מדידה של איפה דברים כבר נמצאים. המדידה שווה בחינה ישירה.
מקורות
| מאמר | מעבדה | פורסם | קישור |
|---|---|---|---|
| Project Fetch: Phase two | Anthropic | 18 ביוני 2026 | קריאה |
| Agentic coding and persistent returns to expertise | Anthropic | 16 ביוני 2026 | קריאה |
| Artificial Minds, Human Disagreement: The Politics of AI Consciousness | Google DeepMind | 15 ביוני 2026 | קריאה |
| From AGI to ASI | Google DeepMind | 12 ביוני 2026 | קריאה |
שאלות נפוצות
מה המחקר של Anthropic אומר על מומחיות תחומית וסוכני AI?
ניתוח של 400,000 סשנים של Claude Code מצא שמומחיות תחומית חוזה הצלחת סשן באמינות רבה יותר ממקצוע או רקע בקוד. משתמשים מומחים מייצרים 12 פעולות Claude לפרומפט; מתחילים מייצרים 5. הכלי מכפיל מה שאתם כבר יודעים. רואה החשבון שמבין הנהלת חשבונות לעומק מבצע בערך באותה רמה כמו מהנדס התוכנה על אותה בעיה.
בכמה מהר יותר Claude Opus 4.7 השלים משימות רובוט מאשר בני אדם?
Claude Opus 4.7 שפעל בלי סיוע אנושי השלים משימות 37 פעמים מהר יותר מצוות בני האדם בלי Claude וכמעט 19 פעמים מהר יותר מצוות בני האדם בסיוע Claude. הוא גם ייצר בערך פי עשרה פחות קוד תוך השגת תוצאות זהות או טובות יותר.
מהו ההבדל המאומת בשיעור הצלחה בין משתמשי סוכן AI מומחים למתחילים?
למשתמשים מתחילים יש שיעור הצלחה מאומת של כ-15 אחוז בסשנים של Claude Code. משתמשים בינוניים ומומחים מגיעים ל-28 עד 33 אחוז. הרווח הגדול ביותר בביצועים הוא במעבר ממתחיל לבינוני, לא מבינוני למומחה.
מה Claude Opus 4.7 עדיין לא יכול לעשות בניסוי הרובוטיקה?
המשימה האחת ש-Claude לא יכול היה להשלים הייתה משימת הדיוק בלולאה סגורה: כיוונון הרובוט בזמן אמת כדי לדחוף כדור למיקום יעד מדויק באמצעות משוב פיזי במהירות. תיקון פיזי בלולאה סגורה בזמן אמת נשאר בעיה לא פתורה.
איך סוגי הסשנים של Claude Code השתנו בין אוקטובר 2025 לאפריל 2026?
סשנים שהושקעו בדיבאגינג ירדו מ-33 אחוז ל-19 אחוז. סשנים ממוקדי הפעלת תוכנה, ניתוח נתונים, והפקת מסמכים גדלו. ערך המשימה הממוצע המשוער עלה ב-27 אחוז, מה שמצביע שמשתמשים מיישמים את הכלי על עבודה קשה ויקרה יותר ככל שהם בונים שטף.
איך DeepMind מגדירה סופר-אינטליגנציה מלאכותית?
מאמר "From AGI to ASI" מגדיר ASI לא כמערכת שעולה על מומחים יחידים, אלא ככזו אינטליגנטית ומסוגלת קוגניטיבית יותר מארגונים גדולים של בני אדם שעובדים יחד. ההשוואה היא מול שיפוט מוסדי קולקטיבי, לא מול מומחה יחיד.
מהם ארבעת המסלולים מ-AGI ל-ASI לפי DeepMind?
ארבעת המסלולים שזוהו הם: סקיילינג מתמשך של מערכות AGI קיימות, שינויים יסודיים באופן שבו מערכות AI מעוצבות, שיפור עצמי רקורסיבי, וסופר-אינטליגנציה שצומחת מרשתות בקנה מידה גדול של סוכני AI שפועלים יחד.
למה מחלוקת על תודעת AI משנה לארגונים ממש עכשיו?
אם מוצר יוצר רושם של נוכחות רגשית ומשתמשים מפתחים התקשרות אמיתית, הארגון נטל במרומז עמדה בשאלה פילוסופית שנויה במחלוקת, ללא קשר לכוונה. כשלמשתמשים יש תשובות שונות והתשובות האלה מתחילות להניע מדיניות, ממשל הופך לבעיית עיצוב שלא ניתן לדחות.
מאיפה יכולת הרובוטיקה של Claude Opus 4.7 באמת הגיעה?
Anthropic קובעת במפורש שהתקדמות הרובוטיקה לא הגיעה ממחקר רובוטיקה ממוקד. היא הגיעה מסקיילינג כללי: אותו מודל שכותב קוד ועונה על שאלות ביולוגיה עכשיו שולט בחומרה פיזית. השקעה תחומית מתמחה היא לא עוד הדרך היחידה ליכולת תחומית.
מה המסקנה המעשית העיקרית לצוותים שפורסים סוכני AI היום?
ההשקעה שמשתלמת היא לא למצוא מודל טוב יותר. היא לפתח את ההבנה התחומית שגורמת לכל מודל לייצר תוצאות טובות יותר. האנשים שמצליחים הם אלה שמבינים את הבעיה מספיק טוב כדי לנווט את המערכת כשהיא מייצרת משהו שגוי ויודעים למה התוצר פספס את מה שהוא פספס.
קריאה נוספת
- עקביות התנהגותית של מודלי AI: מה המחקר מראה
Anthropic מדדה ערכים על פני 300,000 שיחות, 3 גרסאות מודל, ו-20 שפות. אותו AI מתנהג אחרת תלוי מי שואל ואיך.
- Self-hosted Claude Managed Agents: שירות הסוכנים של Anthropic רץ עכשיו על התשתית שלך
Anthropic פתחה את self-hosted Claude Managed Agents בבטא פרטית: אתה מארח את שירות הסוכנים, את מסד הנתונים ואת ארגזי החול, וקריאות המודל הולכות ל-Claude API או לספק שאתה בוחר. מה רץ איפה, אילו הרשאות קיימות, מה עדיין יוצא מהרשת שלך, ומה כדאי לבדוק לפני שמתחייבים.
- המדריך של Anthropic לסוכני always-on: חמישה פרימיטיבים מאחורי סוכנים שלא יושבים בחינם
Anthropic פרסמה מדריך לבניית סוכני always-on: סוכנים שומרי-מצב ופרואקטיביים שמנהלים קונטקסט בין סשנים. הרעיון המרכזי הוא שהסוכן לא באמת רץ כל הזמן - הוא ישן בין ריצות, וחמישה פרימיטיבים ארכיטקטוניים מחליטים מתי הוא מתעורר, מה הוא זוכר, ומה מגיע אליך.
יומן הבנייה
לעקוב אחרי העבודה.
מאמרים ואבטיפוסים חדשים, ישר לקורא ה-RSS שלכם. מנויי המייל בהשהיה זמנית, עד שאחבר שירות משלוח עובד. לא נאסף כאן אימייל.
עקבו ב-RSS