לא רק סוכני AI: כך בונים כוח עבודה אוטונומי לעסק הישראלי

בחודש האחרון התרחש שינוי חשוב בעולם הבינה המלאכותית. לא בהכרח נולד מודל שיודע לענות על שאלה שעוד מודל לא ידע לענות עליה. השינוי העמוק יותר הוא שהחברות הגדולות הפסיקו לדבר רק על עוזרים ועל סוכנים, והחלו לבנות מערכות שמתנהגות יותר כמו עובדים דיגיטליים.

OpenAI חיזקה את הכיוון הזה בעדכון האחרון לאפליקציית ChatGPT למחשבים. לפי מסמכי OpenAI, האפליקציה החדשה כוללת את Chat ו־Work תחת ChatGPT, ולצדם את Codex לפיתוח תוכנה על קבצים מקומיים, מאגרים, טרמינל וכלי פיתוח. כלומר, ChatGPT כבר אינו רק מקום לשיחה; הוא הופך למרחב עבודה שבו מחקר, מסמכים, קוד וכלים חיים באותה סביבת עבודה.

זה חשוב במיוחד למה שמכונה היום vibe coding, או בעברית פשוטה: פיתוח שמתחיל מכוונה, הסבר ותוצאה רצויה, ולא רק מכתיבת קוד ידנית שורה אחר שורה. כאשר Codex יושב בתוך ChatGPT, הדחיפה אינה רק לעוד צ׳אט נחמד, אלא ליכולת להפוך רעיון, קובץ, באג, תהליך או צורך עסקי לפעולת קוד, בדיקה ותוצר שאפשר להריץ. לעסק ישראלי זה אומר שהפער בין “יש לי רעיון לאוטומציה” לבין “יש לי כלי שעובד בזהירות על הנתונים שלי” מתחיל להצטמצם.

Anthropic דוחפת מודלים לעבודה עצמאית רב־שלבית. מיקרוסופט הרחיבה את Agent 365, שמאפשר לנהל זהויות, הרשאות, אבטחה ומחזור חיים של סוכנים. ServiceNow כבר משתמשת במונח כוח עבודה אוטונומי עבור מערכות שמקבלות תפקיד עסקי, הקשר והרשאות ומטפלות בתהליכים מתחילתם ועד סופם.

המעבר הזה לא נשאר ברמת הצהרות מוצר. בנק BNY עצמו מתאר יותר מ־100 “עובדים דיגיטליים” עם פרסונות, פרטי גישה ומפקחים אנושיים, ומיקרוסופט מתארת מקרה BNY שבו עובדים דיגיטליים מקבלים פרטי כניסה, אוואטר, מספר עובד וסופרוויזר שמקצה משימות ובודק תוצרים.

המשמעות העסקית פשוטה: עובד דיגיטלי אינו עוד חלון צ׳אט שמחכה לשאלה. הוא מקבל מקום בתוך תהליך העבודה, עם זהות, גבולות, אחריות ובקרה. לכן השאלה כבר אינה “איזה סוכן נוסיף לעסק?”, אלא “איזו אחריות עסקית אפשר להעביר למערכת בצורה מבוקרת?”.

מכאן מגיע השלב הבא לבעלי עסקים בישראל: לא להוסיף לעסק עוד סוכן AI, אלא להגדיר עובד אוטונומי שמקבל תחום אחריות מוגדר, עובד בתוך הנתונים האמיתיים של העסק, משתמש במערכות המורשות, מתקדם לעבר יעדים שאפשר לבדוק ומעביר לבני אדם את המקרים שבהם נדרשת החלטה רגישה.

בישראל יש בינה מלאכותית — אך השליטה בשכבת הבסיס נמצאת בחו״ל

המשפט “בישראל אין באמת בינה מלאכותית” אינו מדויק. בישראל יש חוקרים, מהנדסים, חברות AI, מרכזי פיתוח, יכולות סייבר, סטארטאפים ותשתית טכנולוגית מתקדמת. מבקר המדינה תיאר ביוני 2026 נקודת פתיחה ישראלית חזקה בתחומי המחקר, הפיתוח, ההון האנושי והחדשנות. הבעיה היא אחרת: ישראל עדיין אינה שולטת בקנה המידה הנדרש בשכבות הבסיס של המהפכה — שבבים, חוות שרתים, ענן ומודלי יסוד.

הממשלה אישרה ב־16 ביוני תוכנית לאומית חדשה לבינה מלאכותית. בדיון בכנסת ב־9 ביולי הוצג יעד של גישה לכוח מחשוב המקביל לכ־100 אלף מעבדי AI, כשהשוק הפרטי אמור להקים חלק ניכר מהתשתית והמדינה תשמש לקוח מרכזי. מדובר ביעד לאומי, לא בתיאור של יכולת שכבר קיימת כיום.

העלות האפשרית של מימוש יעד כזה עשויה להגיע לעשרות מיליארדי דולרים. מומחים הזהירו גם מפני ניסיון ישראלי להיות עצמאית בכל שכבות הטכנולוגיה בעת ובעונה אחת, והציעו להתמקד בתחומים שבהם לישראל יש יתרון אמיתי, כמו מערכות תעשייתיות, בינה מלאכותית פיזית, מערכות קצה, אמינות ובטיחות.

המסקנה העסקית אינה שישראל צריכה לוותר על תשתיות. היא חייבת להשקיע בהן. אבל עסק ישראלי אינו יכול להמתין עד שהמדינה תשלים את הקמתן, וגם אינו צריך לבנות מודל שמתחרה ב־OpenAI, ב־Anthropic או בגוגל.

המודל יכול להיות אמריקאי והענן יכול להיות בינלאומי, בעוד שהערך הכלכלי נשאר בישראל. הערך נמצא בחיבור המודל לנתונים המקומיים, לעברית, לרגולציה הישראלית, למערכות העסק, ללקוחות, לספקים, למחירון ולתהליכי העבודה. מי שמחזיק בשכבת התהליך ובהיכרות עם הלקוח יכול ליצור ערך גם כשהמודל שמתחת למערכת נבנה בחו״ל.

ישראל אינה חייבת לנצח את ארצות הברית בגודל המודל. היא יכולה להתחרות ביכולת להפוך מודלים לעבודה עסקית אמיתית.

ההייטק הישראלי אינו פשוט “צולל” — הוא מתפצל

גם ביחס למצב ההייטק נדרש דיוק. מצד אחד, במחצית הראשונה של 2026 גייסו חברות הטכנולוגיה הישראליות 7.6 מיליארד דולר — עלייה של 52% לעומת התקופה המקבילה. ברבעון השני בלבד גויסו 4.2 מיליארד דולר. חברות CoreAI, שבהן הבינה המלאכותית נמצאת בליבת המוצר, גייסו 1.6 מיליארד דולר.

מצד שני, יותר כסף מגיע לפחות חברות. מספר סבבי הגיוס ברבעון השני ירד ל־97, לעומת כ־140 סבבים ברבעון בשנים 2019–2020. חברות בשלבים מתקדמים רשמו עלייה של 70% בהיקפי הגיוס, בעוד שחברות צעירות יותר מתקשות. התמונה אינה קריסה כוללת אלא שוק ריכוזי ובררני יותר: הון רב זורם לחברות שכבר הוכיחו יכולת, בעוד סטארטאפים מוקדמים ועובדים רבים מרגישים לחץ גובר.

השינוי מופיע גם בדרישות מהמועמדים. חברות ישראליות כבר אינן מעניקות אותו יתרון למי שרק “מכיר כלי AI”. הן מחפשות אנשים שיודעים להוביל הטמעת AI, לבנות סוכנים ולתכנן ארכיטקטורות שמחברות את הטכנולוגיה לערך עסקי. מנהלים נדרשים להבין כיצד לנהל צוותים היברידיים שבהם בני אדם וסוכני AI עובדים זה לצד זה.

במילים אחרות, ידע בסיסי בכתיבת פרומפטים הופך למיומנות כללית. היתרון עובר למי שיודע לבנות מערכת עבודה.

זו גם ההזדמנות של NetanelAI: לא ללמד עוד בעל עסק כיצד לבקש מ־ChatGPT לכתוב מייל, אלא להכניס לעסק יכולת תפעולית שעובדת ברציפות.

מהו עובד אוטונומי — ומה ההבדל בינו לבין סוכן AI?

“עובד אוטונומי” עדיין אינו מונח משפטי או טכנולוגי בעל הגדרה אחידה. במאמר הזה אני משתמש בו כדי לתאר מערכת דיגיטלית שמקבלת תפקיד ארגוני מתמשך, ולא רק משימה נקודתית.

סוכן AI הוא בדרך כלל רכיב טכנולוגי. הוא מקבל מטרה, מבין את המצב, מחליט באיזה כלי להשתמש, מבצע פעולה ובודק את התוצאה.

עובד אוטונומי הוא מודל תפעולי רחב יותר. הוא יכול לכלול כמה סוכנים, מודלים שונים, אוטומציות רגילות, חיבורי API, רובוטי RPA ומנגנוני אישור אנושיים.

ההבדל מתבטא בחמישה תחומים מרכזיים:

סוכן מקבל משימה; עובד מקבל אחריות. אפשר לבקש מסוכן “בדוק את הלידים של היום”. עובד מכירות אוטונומי אחראי באופן קבוע לכך שכל ליד חדש יעבור בדיקה, סיווג, תיעוד וטיפול בתוך זמן מוגדר.

סוכן משתמש בכלים; לעובד יש זהות והרשאות. עובד אוטונומי מקבל חשבון שירות או זהות דיגיטלית, הרשאות מוגבלות ומדיניות המגדירה בדיוק לאיזה מידע הוא רשאי לגשת ומה מותר לו לשנות.

סוכן פועל בשיחה; עובד פועל ברציפות. הוא יכול להתעורר בעקבות טופס חדש, מייל, שינוי ב־CRM, תאריך יעד, ירידה במלאי או חשבונית שלא שולמה. הוא אינו זקוק לכך שמישהו יפתח בכל פעם שיחה חדשה.

סוכן נבדק לפי השלמת המשימה; עובד נבדק לפי תפוקה עסקית: זמן תגובה, שיעור סגירת לידים, מספר תקלות, גבייה שבוצעה, שיעור פתרון פניות, עלות פעולה ורמת שביעות הרצון.

סוכן עלול להיכשל; עובד בנוי להתמודד עם חריגים. הוא צריך לדעת מתי לעצור, מתי לבקש אישור, למי להעביר את המקרה וכיצד למסור לבן האדם את כל ההקשר שכבר נאסף.

לכן, כל עובד אוטונומי משתמש בסוכן אחד או יותר, אבל לא כל סוכן הוא עובד אוטונומי.

החודש האחרון הוכיח שיחידת העבודה החדשה היא מסירת משימה

נתוני השימוש הפנימיים של OpenAI ממחישים את השינוי. במאי 2026 יותר מ־70% ממשתמשי Codex ביקשו ממנו לבצע לפחות משימה אחת שהוערכה ביותר משעת עבודה אנושית. ביוני, המשתמשים הכבדים ביותר הפעילו במקביל כמות של עבודת סוכנים שהצטברה ליותר מ־60 שעות ביום. השימוש בקרב משתמשים ארגוניים שאינם מפתחים גדל פי 189 מאז אוגוסט 2025. אלה נתוני חברה ולא מדגם של הכלכלה כולה, אך הם מראים כיצד משתמשים מתקדמים עוברים מבקשת תשובה להפעלת קיבולת עבודה מקבילה.

ChatGPT Work ו־Codex ממשיכים את הכיוון הזה משני צדדים משלימים. Work מיועד למחקר, ניתוח ותוצרים מוגמרים כמו מסמכים, גיליונות, מצגות ואתרים. Codex נשאר סביב פיתוח תוכנה ועבודה טכנית: קבצים, מאגרים, טרמינל, בדיקות וכלי פיתוח. ביחד הם מסמנים מעבר מצ׳אט שמחזיר תשובה לסביבת עבודה שמקבלת משימה.

לכן החיבור בין ChatGPT, Work ו־Codex רלוונטי ישירות גם לבעלי עסקים שאינם מפתחים. הרבה עובדים אוטונומיים צריכים “קוד קטן” סביבם: מתאם ל־API, ניקוי CSV, בדיקת הרשאות, סקריפט אימות, חיבור MCP, בדיקת דפדפן או כלי פנימי שמריץ פעולה מותרת מראש. מי שיודע להגדיר תהליך עסקי, לכתוב כללי בטיחות ולתת לסוכן קוד לעבוד תחת בדיקות, הופך רעיון עסקי ליכולת תפעולית.

מחקר השימוש של Anthropic מסוף יוני מספק תובנה עמוקה אף יותר. כאשר משתמשים ביקשו ליצור מאמר באמצעות ממשק צ’אט, התהליך החציוני כלל 13 סבבים של שיחה. במשימות דומות בתוך Claude Code, התהליך החציוני התחיל מפרומפט אנושי יחיד. כשני שלישים מההבדל ברמת האוטונומיה נבעו מאופן מסירת המשימה ומהסביבה שבה המודל פעל, ולא רק מחוכמתו של המודל.

זו נקודה קריטית: מודל חכם אינו עובד אוטונומי.

כדי להפוך מודל לעובד צריך לבנות סביבו סביבת עבודה — כלים, הרשאות, זיכרון, תהליך, בדיקות איכות ויכולת לעצור. אותו מודל יכול להתנהג כמו צ’אטבוט שמחכה להנחיות, או כמו עובד שמקבל יעד ומתקדם אליו. ההבדל נמצא במערכת שמקיפה אותו.

עובד אוטונומי צריך מנהל, לא בייביסיטר

המילה “אוטונומי” עלולה ליצור רושם שהמערכת פועלת ללא בני אדם. זו אינה המטרה, ולרוב גם אינה הדרך הנכונה להטמעה.

כאן הדוגמה של BNY חוזרת להיות שימושית: היא מראה שניהול עובד דיגיטלי דומה יותר לניהול תפקיד מאשר להפעלת תוכנה. לפי מקרה הבוחן של Microsoft WorkLab על בנק BNY, העובדים הדיגיטליים פועלים בתוך מערכות הבנק עם זהות תפעולית, מקבלים משימות מסופרוויזר אנושי, ועוברים בדיקה, סקירה ובקרה. זה בדיוק ההבדל בין כלי AI נקודתי לבין קיבולת דיגיטלית שצריך לנהל.

גם Salesforce מדגישה שהסוכן צריך לקבל יעד שאפשר לבדוק, לתכנן דרך פעולה, לבדוק את עבודתו ולהשתפר מול תוצאה עסקית. לשם כך נדרשים הקשר ארגוני, מגבלות פעולה, תיעוד של הצעדים ובדיקות שמראות האם המערכת באמת קידמה את העסק.

המנהל האנושי אינו אמור לתקן ידנית כל משפט. תפקידו להגדיר את מסגרת העבודה, לאשר פעולות בעלות סיכון גבוה, לבחון חריגים, לעקוב אחר התוצאות ולשנות את הכללים כאשר המערכת אינה עומדת ביעדים.

כל עוד אדם נדרש לאשר כל פעולה פשוטה, לא נבנתה אוטונומיה אמיתית. אבל כאשר המערכת יכולה להעביר כספים, למחוק מידע, לשנות הרשאות או להתחייב בשם העסק ללא בקרה, נבנתה אוטונומיה מסוכנת.

הפתרון הוא אוטונומיה מדורגת.

כיצד עובד אוטונומי נראה בתוך עסק ישראלי?

עובד מכירות אוטונומי

הוא אינו רק כותב תשובה לליד. כמו סוכני AI למכירות, הוא עוקב באופן רציף אחר פניות מהאתר, מהמייל, מהרשתות וממערכת ניהול הלקוחות.

כאשר נכנס ליד, העובד הדיגיטלי קורא את הפנייה, מזהה את הצורך, בודק אם הלקוח מתאים לשירות, משלים מידע ממקורות מורשים, מעדכן את ה־CRM, מדרג את ההזדמנות ומחליט מה השלב הבא.

בליד רגיל הוא יכול לשלוח תגובה מותאמת ולהציע פגישה. בליד בעל ערך גבוה הוא מעביר התראה לאיש מכירות ומכין עבורו תקציר. כאשר המידע חסר הוא מבקש השלמה. כשמדובר בפנייה שאינה רלוונטית הוא מתעד את הסיבה וסוגר אותה בצורה מסודרת.

הוא נבדק לפי זמן תגובה, אחוז הלידים שטופלו, איכות הסיווג, מספר הפגישות שנקבעו ושיעור ההמרה — לא לפי מספר המיילים שכתב.

עובד שירות אוטונומי

הוא מקבל אחריות על תור הפניות, ולא רק על חלון שיחה אחד.

העובד מזהה את הלקוח, קורא את היסטוריית הרכישות והפניות, בודק הזמנה או משלוח, שולף את המדיניות המתאימה ומבצע פעולות שמותרות לו. הוא יכול לעדכן כתובת, לפתוח בקשת החלפה, לשלוח מסמך, לקבוע ביקור טכנאי או להציע פתרון על בסיס נסיבות הלקוח.

תלונה משפטית, לקוח כועס במיוחד, זיכוי חריג או מקרה שאין לו בסיס ברור מועברים לנציג אנושי. הנציג מקבל את כל ההיסטוריה, הנתונים והצעדים שכבר בוצעו ואינו מתחיל מחדש.

עובד גבייה ופיננסים אוטונומי

בכל בוקר הוא בודק אילו חשבוניות הגיעו למועד התשלום, משווה בין מערכת הנהלת החשבונות, חשבון הבנק וה־CRM, מזהה פערים ומכין סדר פעולות.

הוא יכול לשלוח תזכורות בהתאם לסוג הלקוח, לזהות הבטחת תשלום שלא קוימה, לעדכן סטטוס, ליצור משימה למנהל לקוח ולהכין תחזית גבייה. שינוי חשבון בנק, מחיקת חוב, הענקת הנחה או פעולה כספית בלתי הפיכה נשארים תחת אישור אנושי.

הערך אינו רק חיסכון בשעות. העובד האוטונומי מונע מצב שבו חשבונית אינה נגבית מפני שאיש לא שם לב אליה בזמן.

עובד תפעול ורכש אוטונומי

הוא עוקב אחר הזמנות, מלאי, מועדי אספקה והתחייבויות ספקים.

כאשר המלאי יורד מתחת לרף, הוא בודק את קצב המכירות ואת זמני האספקה, מכין המלצת רכש ופונה לספקים מורשים לקבלת זמינות ומחיר. אם אספקה צפויה להתעכב, הוא מזהה אילו לקוחות יושפעו ומציע חלופה.

הוא אינו מחליט לבדו על עסקה גדולה. הוא מבצע את איסוף המידע, התיאום, ההשוואה והתיעוד ומביא למנהל החלטה מוכנה.

עובד ניטור ותשתיות אוטונומי

דוגמה פשוטה וחזקה היא ניטור שרתים. היום עסק יכול לקבל התראה שהאתר נפל, אבל בשעה 3 בלילה ההתראה לבדה אינה מספיקה. מישהו עדיין צריך להבין אם מדובר ב־DNS, תעודת SSL, עומס, מסד נתונים, קוד שנשבר, חיבור חיצוני או בעיה אצל ספק האחסון.

כאן עובד אוטונומי אינו רק מערכת התראה שמטרידה אדם. הוא מקבל נוהל טיפול ברור וסמכויות מדורגות: מה מותר לו לקרוא, אילו בדיקות מותר לו להריץ, אילו פעולות תיקון מוגדרות מראש מותרות לו, מה אסור לו לשנות ומתי חייבים להעביר את האירוע לבן אדם אמיתי.

לפי מדריך UptimeRobot MCP הרשמי, החיבור מאפשר לבדוק מצב מוניטורים, אירועים, זמני תגובה, פרטי אירוע וערוצי התראה, וגם לנהל מוניטורים בהרשאה מתאימה. זה לא מחליף כלי שרת פנימי, אבל הוא נותן לעובד האוטונומי את נקודת הפתיחה בזמן אמת.

באמצעות UptimeRobot MCP, אפשר לתת לעובד האוטונומי הקשר חי מתוך מערכת הניטור: אילו בדיקות פעילות, מה ירד, מתי התחיל האירוע, אילו ערוצי התראה קיימים ומה קרה בזמני התגובה לפני הנפילה. את הפעולות על השרת עצמו מחברים דרך כלי ייעודי שהוכן מראש, עם הרשאות מוגבלות, תיעוד מלא וכללי עצירה. בלי ניטור בזמן אמת קשה באמת לישון בשקט; עם ניטור שמחובר לעובד אוטונומי, ההתראה הופכת להתחלה של טיפול ולא רק לרעש.

הנקודה אינה “סוכן שמתקן שרת לבד”. הנקודה היא עובד מפקח ומטפל שמחבר ניטור, בדיקות, דפדפן, כלי תפעול וכלי תיעוד לתהליך אחד. הוא יכול לצמצם אזעקות שווא, לבצע תיקון מוגדר מראש, להבין מה גרם לתקלה, לשמור היסטוריית טיפול ולוודא שבן אדם מקבל רק אירוע שמצריך שיקול דעת. גם כאן האבטחה היא תנאי בסיס: מתחילים בהרשאות קריאה בלבד, מוסיפים סמכויות פעולה רק לפי צורך, שומרים מפתחות גישה במקום מאובטח, מתעדים כל פעולה, וכל שינוי מסוכן נשאר תחת אישור אנושי.

עובד תוכן ו־SEO אוטונומי

במקום להפוך תוכן ו־SEO לעוד משימת כתיבה, ובמקום לבקש מסוכן “כתוב לי מאמר”, העובד עוקב אחרי נתוני האתר, מזהה ירידה בתנועה, מאתר דפים שהתיישנו, בודק אילו נושאים חדשים מתפתחים ומכין תוכנית עדכון.

הוא יכול לאסוף מקורות מהחודש האחרון, להבחין בין מקור רשמי לתוכן שיווקי, להכין טיוטה, לבדוק טענות, להוסיף קישורים פנימיים לפי עקרונות של קידום אתרים בישראל ולהעביר את התוכן לאישור. לאחר הפרסום הוא ממשיך לבדוק ביצועים ומציע תיקון כאשר העמוד אינו משיג את היעד.

זהו הבדל מהותי: הסוכן כתב מאמר אחד. העובד קיבל אחריות על רעננותו וביצועיו של אזור תוכן לאורך זמן.

מדוע רוב הפיילוטים עדיין אינם הופכים לעובדים אמיתיים?

דוח מבקר המדינה שפורסם ביוני בחן 70 גופים ציבוריים בישראל. נמצאו 144 פרויקטים של AI, אבל 68% מהם עדיין היו בשלבי פיתוח או פיילוט ורק 32% הוטמעו בפועל. החסמים המרכזיים היו אבטחת מידע, תקציב, מחסור בכוח אדם מיומן ונתונים ארגוניים שאינם מוכנים. רק 18% מהגופים אימצו אסטרטגיה או מדיניות ארגונית מוגדרת לבינה מלאכותית.

הנתונים עוסקים במגזר הציבורי, אך הם משקפים היטב גם את מצבם של עסקים רבים.

קל להציג הדגמה שבה סוכן מסכם מסמך או מחזיר תשובה. קשה יותר להכניס אותו לפעילות יומיומית, שבה מידע חסר, לקוחות מתנהגים באופן לא צפוי, הרשאות משתנות ומערכות שונות אינן מסונכרנות.

פיילוט בודק האם הסוכן מסוגל לבצע משימה בתנאים נקיים. סביבת ייצור בודקת מה קורה כשהוא צריך לעבוד עם כמה מחלקות, להעביר משימות בין מערכות, לנהל חריגים, לפעול תחת מדיניות ולספק תיעוד מלא.

UiPath ניסחה ביוני את הבעיה בצורה ברורה: החסם בדרך לייצור אינו תמיד יכולת המודל, אלא השכבה התפעולית שמחברת בין סוכנים, מערכות, נתונים ואנשים. ארגון זקוק לתזמור תהליכים, אבטחה, אכיפת מדיניות, טיפול בחריגים, ניטור ותיעוד — במיוחד כאשר סוכנים של כמה ספקים פועלים בתוך אותו תהליך.

שבע השכבות של עובד אוטונומי אמיתי

תפקיד מוגדר: מה מטרתו, על מה הוא אחראי ומה נמצא מחוץ לתחום אחריותו.

מקורות מידע: אילו מערכות, מסמכים ומאגרי ידע הוא רשאי לקרוא, ומהו מקור האמת כאשר קיימת סתירה.

זהות והרשאות: לעובד צריכה להיות זהות נפרדת, הרשאות מינימליות ואפשרות לבטל את הגישה באופן מיידי.

כלי ביצוע: CRM, הנהלת חשבונות, ERP, מייל, לוח שנה, מערכת שירות, דפדפן, מסדי נתונים או תוכנה ותיקה.

תזמור: החיבור בין שיקול הדעת של המודל לבין אוטומציות דטרמיניסטיות. פעולות קבועות אינן צריכות לעבור דרך מודל בכל פעם.

בקרה אנושית: הגדרה של פעולות חופשיות, פעולות שמחייבות אישור ופעולות שאסורות לחלוטין.

בדיקות הצלחה: זמן, עלות, איכות, שיעור טעויות, תוצאה עסקית, מספר מקרים שעברו לאדם ורמת שביעות רצון.

זהות דיגיטלית הפכה בחודש האחרון לאחד הנושאים החמים ביותר בתעשייה. גוגל הוסיפה אפשרות להתייחס לסוכנים כזהויות עצמאיות במדיניות הגישה שלה ולהעניק, לדוגמה, הרשאת קריאה בלי הרשאה לשלוח מייל. מיקרוסופט מרכזת ב־Agent 365 רישום, ניטור, הגנת זהויות, מניעת דליפת מידע ובקרות גישה. בישראל, חברת Oak הודיעה ביולי על גיוס של 60 מיליון דולר לפיתוח פלטפורמה לניהול זהויות והרשאות בעולם שבו לצד בני אדם פועלים גם סוכנים וחשבונות שירות.

זה אינו פרט טכני. ברגע שמערכת יכולה לקרוא מידע, לשלוח הודעה או לשנות רשומה, העסק חייב לדעת מי ביצע את הפעולה, מכוח איזו הרשאה ומי אחראי עליה.

אילו כלים מתאימים לעובדים אוטונומיים ב־2026?

אין פלטפורמה אחת שהיא “הטובה ביותר”. הבחירה תלויה במערכות שכבר נמצאות בעסק, ברגישות הנתונים, בהיקף הפעילות ובמידת ההתאמה הנדרשת.

ChatGPT Work ו־Codex בתוך ChatGPT

מתאימים לעבודה אישית ורב־שלבית וגם לפיתוח כלי עבודה קטנים סביב העסק. Work מתאים למחקר, הכנת מסמכים, ניתוח נתונים, מצגות, עבודה עם קבצים ופרויקטים שנמשכים לאורך שעות. Codex מתאים לצד הטכני: קוד, מאגרים, טרמינל, בדיקות, דיבאג וחיבור לכלי פיתוח.

החיבור ביניהם הוא איתות חשוב: פיתוח בעזרת AI כבר אינו רק “תכתוב לי פונקציה”. הוא הופך לדרך שבה עסק יכול לתאר בעיה, לתת קובץ או תהליך, לקבל כלי עובד, לבדוק אותו ולשפר אותו. עדיין צריך מומחה שמבין אבטחה, הרשאות, גיבויים ובדיקות; אבל היכולת לבנות מהר רכיבי עבודה סביב תהליך עסקי חזקה יותר מבעבר.

Make

מתאים לעסקים קטנים ובינוניים שרוצים לחבר במהירות מערכות שונות ולשלב בין לוגיקה קבועה להחלטות מבוססות AI. Make מאפשרת להגדיר נקודות אישור ידניות ותנאי עצירה, רכיבים חיוניים כאשר בונים לולאת עבודה אוטונומית.

n8n

n8n מתאימה לעסקים שזקוקים לגמישות, לפיתוח מותאם או להפעלה עצמית. היא מאפשרת לבנות זרימות עבודה סביב סוכני AI ולהגדיר אישור אנושי לפני הפעלת כלים רגישים, כמו שליחת הודעות, שינוי רשומות או מחיקת מידע.

Microsoft Copilot Studio ו־Agent 365

מתאימים במיוחד לארגונים שכבר עובדים עם Teams, Outlook, SharePoint, Dynamics ו־Microsoft 365. Copilot Studio משמש לבניית הסוכנים והתהליכים, בעוד Agent 365 מוסיף את שכבת הרישום, הזהות, האבטחה, הבקרה והניטור. מיקרוסופט אף הוסיפה דוחות שמודדים אימוץ, זמן שנחסך ותועלת כספית של סוכנים אוטונומיים.

Salesforce Agentforce

מתאימה לעסקים שבהם ה־CRM הוא מרכז הפעילות. בסוף יוני Salesforce הדגישה מעבר מסוכן שמסיים משימה לסוכן שמקבל יעד עסקי, בודק את עבודתו ומתקדם מול מדד. החברה גם השיקה לאחרונה סוכן שירות מוכן שניתן לפרוס בערוצי שירות שונים.

ServiceNow ו־UiPath

מתאימות לארגונים גדולים, לתהליכים חוצי מחלקות ולסביבות שבהן קיימות מערכות ותיקות. ServiceNow ממקמת את העובדים האוטונומיים כבעלי תפקיד, הקשר והרשאות. UiPath חזקה במיוחד בתזמור בין סוכנים, רובוטים, מערכות ובני אדם, כולל טיפול בתהליכים שבהם אין API מודרני.

מערכת מותאמת אישית

כאשר התהליך הוא חלק מהיתרון התחרותי של העסק, פתרון מותאם עשוי להיות נכון יותר מכלי מדף. OpenAI הוסיפה ב־9 ביולי תמיכה ניסיונית בתזמור של כמה סוכנים ב־Responses API, לצד Agents SDK לבניית מערכות ארוכות טווח. אפשר לשלב מודלים שונים בהתאם למשימה ולא להיות תלויים בספק יחיד.

הכלל החשוב הוא לא לבחור כלי לפני שמגדירים תפקיד.

איך מתחילים פיילוט AI עד 10 ימים?

הפיילוט הזה מתחיל בפגישת היכרות איתי, לא ברשימת כלים ולא בסיסמה שנשלחת בצ׳אט. בפגישה אני מבין את העסק, את התהליכים, את המערכות ואת המקומות שבהם זמן או כסף נשרפים. רק אחרי זה בוחרים משימה אחת או כמה משימות קטנות שאפשר לבדוק מהר ובצורה מאובטחת.

שלב ראשון: פגישה ואיסוף פרטים

לא מתחילים מפרומפט ולא מתחילים מכלי. מתחילים מהעסק. בשיחה הראשונה אני מבין מה העסק מוכר, מי הלקוחות, אילו מערכות קיימות, מי העובדים המרכזיים, איפה הזמן נשרף ואילו תהליכים כבר כואבים לבעל העסק. אם יש התאמה, קובעים יחד גבולות ברורים לפיילוט: מה מותר למערכת לקרוא, מה אסור לה לשנות, ומה חייב לעבור לאישור אנושי.

שלב שני: מחקר על העסק והנתונים

אחרי השיחה אני בודק את העסק לעומק: אתר, שירותים, תהליך מכירה, תהליך שירות, מערכת ניהול לקוחות, קבצים, דוחות, משימות יומיומיות והוצאות שחוזרות על עצמן. המטרה היא לזהות איפה העבודה באמת מתבצעת, ולא רק מה כתוב בתיאוריה.

שלב שלישי: מיפוי עובדים, הוצאות ותהליכים

כאן נכנסים לשאלה הכי חשובה: מה כל עובד עושה בפועל, מה חוזר על עצמו, איפה מידע נתקע, איפה לקוחות ממתינים, איפה כסף הולך לאיבוד ואילו פעולות אפשר להעביר למערכת בלי לפגוע בשליטה של העסק.

שלב רביעי: בונים פיילוט פשוט

הפיילוט לא חייב להיות מפלצת טכנולוגית. לפעמים מתחילים ממשימה אחת: סיווג לידים, הכנת תקצירי שירות, בדיקת חשבוניות, רענון תוכן, תיעוד שיחות או הפקת דוח יומי. במקרים אחרים בונים כמה משימות קטנות שעובדות יחד ומוכיחות מהר אם יש ערך.

שלב חמישי: בודקים ומרחיבים רק אם זה עובד

בסוף הפיילוט בודקים תוצאה אמיתית: האם נחסך זמן, האם ירדו טעויות, האם התגובה ללקוחות השתפרה, האם בעל העסק קיבל תמונת מצב טובה יותר והאם העובדים מרגישים שזה עוזר במקום להפריע. אם התשובה חיובית, מרחיבים את הפיילוט לעוד משימות, עוד מידע ועוד הרשאות בצורה מדורגת.

האבטחה היא חלק מהפיילוט, לא תוספת בסוף. מתחילים במינימום הרשאות, עדיף בהרשאות קריאה בלבד כשאפשר, בלי מחיקות, בלי פעולות כספיות ובלי שינוי הרשאות לפני שיש מדיניות ברורה ובעל עסק שמאשר את הגבולות.

דוגמה מהשטח: קובץ אחד, מערכת קיימת והרבה אחריות

בפרויקט אמיתי שביצעתי לעסק ישראלי עם מועדון לקוחות, המשימה נשמעה פשוטה: להוסיף קובץ קופונים חדש למערכת קיימת. בפועל, זו בדיוק משימה שמראה למה עובד אוטונומי אינו “בוט שעונה יפה”, אלא כוח עבודה טכני שמקבל הוראות, בודק נתונים, פועל בזהירות ומחזיר תוצאה שאפשר לסמוך עליה.

בלי לחשוף שם לקוח, קבצים פנימיים או פרטים רגישים: היה צריך להכניס כ־1,500 קופונים חדשים למערכת קיימת, בלי למחוק קופונים ישנים, בלי ליצור כפילויות, בלי לפגוע בקופונים שכבר הוקצו ללקוחות, ועם אפשרות שחזור אם משהו משתבש. זו לא משימת “העלאת CSV”. זו משימת אחריות תפעולית.

הערך כאן אינו רק “עשיתי יבוא”. הערך הוא שהעבודה בוצעה כמו פיילוט AI אמיתי: אני מגדיר גבולות, הסוכן מבצע בדיקות טכניות, המערכת פועלת רק אחרי גיבוי, התוצאה נבדקת בסוף, וכל שלב מתועד. זה בדיוק סוג העבודה שמחזק עסק: פחות פעולה ידנית מסוכנת, יותר בדיקות, יותר שליטה ופחות לחץ על בן אדם אחד.

לא כל ההבטחות על החלפת עובדים עומדות במציאות

דווקא אחרי שרואים שפיילוטים כאלה יכולים לעבוד, חשוב לא להפוך את רעיון העובדים האוטונומיים לסיסמה שיווקית נוספת.

בכתבה של גלובס על מנכ״ל Wix ואזהרת היתר סביב AI, אבישי אברהמי מצוטט כמי שאמר שהיה שמח לראות בעתיד אלף עובדים ב־Base44, אלף עובדים ב־Wix וכל השאר סוכני AI, אבל הוא לא בטוח שזה אפשרי בתוך שלוש שנים. באותו ראיון הוא הוסיף שכולנו נותנים יותר מדי קרדיט ל־AI, שהמודלים עדיין נכשלים בהרבה דברים, וש־Wix בנתה פתרון שירות בעצמה אחרי שהתאכזבה ממערכות מדף.

זו נקודה חשובה, כי היא מפרידה בין יכולת אמיתית לבין הבטחה מנופחת. עובד אוטונומי אינו עובד אנושי דיגיטלי שיודע להתמודד עם כל מצב. הוא מערכת מוגבלת שעובדת היטב בתוך תחום אחריות מוגדר, עם הרשאות, בדיקות איכות וגבול ברור שבו אדם נכנס לתמונה.

מי שמבטיח לבעל עסק “להחליף מחלקה שלמה” באמצעות פרומפט אחד, אינו בונה מערכת — הוא מוכר פנטזיה.

היעד הנכון אינו אפס עובדים. היעד הוא להוציא מבני האדם את העבודה החזרתית, האיטית והמתישה, ולאפשר להם לטפל במקרים מורכבים, במערכות יחסים, ביצירתיות ובקבלת החלטות.

מדוע הקמתי את NetanelAI

בדיוק בגלל הפער הזה הקמתי את NetanelAI.

לא כדי למכור לעסקים עוד בוט שמדבר יפה. לא כדי להתקין כלי אופנתי ולהיעלם. ולא כדי להבטיח שכל העסק יפעל מחר ללא אנשים.

המטרה היא לבנות בתוך עסקים ישראליים עובדים אוטונומיים אמיתיים: לא עוד הדגמה יפה, אלא מערכת שמתחברת לעבודה היומיומית ומורידה עומס ממקומות שבהם העסק באמת נתקע.

כל עובד כזה מקבל תיאור תפקיד, מקורות מידע, הרשאות, כלי עבודה, זיכרון, יעדי ביצוע ובדיקות איכות ומנהל אנושי. הוא פועל בתוך התהליכים והנתונים האמיתיים של העסק, ולא בתוך הדגמה מנותקת.

לפעמים העובד יהיה אחראי על לידים. לפעמים על שירות, גבייה, תפעול, רכש או תוכן. במקרים מסוימים הוא יעבוד באופן עצמאי רוב הזמן. במקרים אחרים הוא יכין את העבודה ויחכה לאישור.

אנחנו לא מתחילים בשאלה איזה מודל להשתמש. אנחנו מתחילים בשאלות אחרות:

רק לאחר שמבינים את התפקיד בוחרים את המודלים, האוטומציות והכלים המתאימים.

ישראל אינה צריכה לבנות רק AI — היא צריכה להעסיק אותו

ישראל תמשיך לרכוש חלק מכוח המחשוב, שירותי הענן והמודלים שלה מחברות אמריקאיות ובינלאומיות. גם אם התוכנית הלאומית החדשה תתקדם, הפער מול המעצמות לא ייסגר באמצעות רכישת שרתים בלבד.

אבל הכסף אינו חייב לצאת מישראל בלי להשאיר כאן ערך.

עסק ישראלי יכול להשתמש במודל אמריקאי ולבנות סביבו מומחיות ישראלית. הוא יכול להפעיל תשתית בינלאומית ולשמור אצלו את התהליך, הנתונים, הלקוחות, ההכנסה והקניין העסקי.

החודש האחרון סימן את המעבר מצ’אט לביצוע, מבקשה להעברת משימה, ומסוכן נקודתי לתפקיד מתמשך.

העסקים שירוויחו מהשינוי אינם בהכרח אלה שירכשו הכי הרבה כלי AI. אלה יהיו העסקים שידעו להגדיר עבודה בצורה מדויקת, להעניק למערכת סמכות מוגבלת, לבדוק אותה מול תוצאה אמיתית ולחבר אותה לאנשים הנכונים.

העתיד אינו עסק ללא בני אדם.

העתיד הוא עסק שבו בני האדם מפסיקים לבצע כל שלב בעצמם ומתחילים לנהל כוח עבודה משולב: עובדים אנושיים, אוטומציות ועובדים אוטונומיים.

וזו אינה שאלה של 2030.

כבר עכשיו התשתית, המודלים והכלים מתחילים להיות זמינים. השאלה שנותרה היא אילו עסקים ישראליים יהפכו אותם לעבודה אמיתית — ואילו ימשיכו להשתמש בבינה מלאכותית רק כדי לכתוב עוד פוסט.