הסייבר לא מת — הוא הופך למערכת החיסון של הרפואה המתוכנתת

השנה היא 2034. המרשם כבר אינו רק פיסת נייר

התרחיש הבא אינו תיאור של מוצר שקיים כיום, אלא ניסיון לצייר באופן מפוכח לאן כמה טכנולוגיות קיימות עשויות להתחבר.

מטופלת נכנסת למרפאה לאחר שהשעון שלה זיהה שינוי עקבי בדופק, באיכות השינה ובדפוסי הנשימה. בדיקות דם מהירות מצטרפות למידע גנטי, להיסטוריה הרפואית ולתגובות קודמות לתרופות. מערכת בינה מלאכותית אינה מסתפקת בסיכום התיק. היא מריצה מודל חישובי של המטופלת, משווה בין חלופות טיפוליות ומציעה מינון שאינו נמצא באף קופסה סטנדרטית בבית המרקחת.

סוכן אחד בוחן אינטראקציות בין תרופות. סוכן שני משווה את ההצעה לנתונים קליניים ולכללי הרגולציה. סוכן שלישי מתכנן את צורת הטבלייה ואת קצב שחרור החומר הפעיל. סוכן רביעי מנסה למצוא סיבות לפסול את ההמלצה. הרופאה רואה לא רק תשובה, אלא גם את הראיות, את ההסתייגויות ואת רמת אי־הוודאות.

לאחר האישור, ההוראה אינה נשלחת למפעל תרופות בצד השני של העולם. היא מגיעה למיקרו־מפעל מורשה בבית החולים או בבית מרקחת מרכזי. המכונה מאמתת שהמרשם חתום, שהחומרים הגיעו מאצוות מאושרות, שהמתכון מתאים למכשיר ושלא בוצע שינוי בקוד. לאחר מכן היא מייצרת מנה אישית, סורקת אותה בחיישנים, בודקת את משקלה ואת פיזור החומר הפעיל ומצרפת אליה תעודת ייצור דיגיטלית.

החלק המרשים בתרחיש אינו המדפסת.

החלק המרשים הוא שרשרת האמון המחברת בין נתונים רפואיים, החלטה קלינית, תוכנה, סוכני AI, חומרים כימיים, רובוטיקה, בקרת איכות וזהות המטופל. כל חוליה יכולה לשפר את הטיפול. כל חוליה יכולה גם להפוך לנקודת כשל.

מכאן מגיעה הטעות בשיח על כך ש"הסייבר מת" ושכולם עוברים עכשיו לרפואה, ביולוגיה ורובוטיקה. תעשיות טכנולוגיות אינן מתחלפות כמו ערוצים בטלוויזיה. הן נערמות זו על זו.

הרפואה המתוכנתת לא תחליף את הסייבר. היא תהפוך אותו לחשוב יותר מאי פעם.

הטעות הראשונה: לחשוב שהסייבר הוא תעשייה נפרדת

כשאנשים אומרים שהסייבר מת, הם בדרך כלל מתכוונים לאחד משלושה דברים: כלי AI מבצעים יותר משימות אבטחה באופן אוטומטי; שוק הסייבר מרגיש פחות חדשני לעומת רובוטיקה וביוטכנולוגיה; או שההזדמנויות הגדולות הבאות יעברו מעולם המידע לעולם הפיזי.

יש גרעין אמת בטענה האחרונה. הבינה המלאכותית אכן יוצאת מהמסך.

מודל שפה שמסכם מסמך הוא תוכנה. סוכן שמזמין ניסוי, שולח פקודות לזרוע רובוטית ומשנה את הפרמטרים של התהליך הבא הוא כבר מערכת תפעולית. כשהמערכת הזאת מחוברת למעבדה, למכשור רפואי, למפעל או לרובוט דמוי אדם, שגיאת תוכנה מפסיקה להיות רק תוצאה לא מוצלחת על המסך.

היא יכולה להפוך לחומר הלא נכון, למינון הלא נכון, לניסוי מבוזבז, להחלטה רפואית שגויה או לתהליך ייצור שנראה תקין אך אינו עומד בדרישות האיכות.

בעולם הפרסום הדיגיטלי, מתקפה יכולה לפגוע בהכנסות. בעולם של רפואה אוטונומית, מתקפה יכולה לשנות את הקשר בין מרשם לתרופה. לכן הסייבר אינו נעלם; הוא משנה את מיקומו בשרשרת הערך. במקום להיות מוצר צדדי שמגן על מחשבים, הוא הופך לחלק ממערכת האיכות של המוצר עצמו.

גם OpenAI אינה מתארת את GPT-5.6 כמערכת שהופכת את אבטחת הסייבר למיותרת. לפי מסמכי החברה, הדגמים החדשים חזקים יותר באיתור בעיות, בניתוחן ובתיקונן, אך אינם מתוארים כמערכות שמבצעות באופן עצמאי מתקפות מקצה לקצה נגד יעדים מוקשחים. דווקא משום שהיכולות גדלות, חלק מיכולות הסייבר המתקדמות יותר ניתנות דרך מסלולי גישה המבוססים על אימות זהות ואותות אמון.

המשמעות אינה ש"מקצועות הסייבר נגמרים". המשמעות היא שהעבודה השגרתית תעבור אוטומציה, בעוד שהערך יעבור כלפי מעלה: תכנון מערכות עמידות, אבטחת סוכנים, אימות שרשראות אספקה, ניהול זהויות של מכונות, בקרת הרשאות, הוכחת מקור הנתונים והפרדה בין פעולה הפיכה לפעולה שעלולה לגרום נזק פיזי.

הסייבר של העשור הבא לא יגן רק על קבצים.

הוא יגן על מינונים, מולקולות ותאים.

זה ממשיך קו שפתחתי במאמר הסייבר הבא הוא רפואה, אבל כאן הדגש עובר מהזירה הישראלית והעסקית אל השאלה המערכתית: איך נראית שרשרת אמון כאשר AI כבר לא רק מנתח מידע רפואי, אלא מפעיל תהליכים שמשפיעים על חומר פיזי.

Optimus אינו ההוכחה שהרובוטים כבר השתלטו על השוק — הוא ההוכחה שכוח המחשוב מחפש גוף

Tesla Optimus הוא אחד הסמלים החזקים ביותר של המעבר מתוכנה למכונות פיזיות. הוא גם אחת הדוגמאות הטובות ביותר לפער שבין הדמיה עתידית לבין קצב הייצור בעולם האמיתי.

נכון ליולי 2026, Tesla דיווחה כי היא מתקינה קווי ייצור לדור הראשון של Optimus ומכינה את אתר המפעל המיועד לו. במקביל, דיווחי רויטרס הצביעו על כך שהעלייה בהיקף הייצור צפויה להיות איטית מאוד בתחילתה, וכי ייצור בהיקפים משמעותיים אינו צפוי לפני החלק האחרון של 2026. לכן הטענה שרובוטי Optimus "עומדים להציף את השוק" היא בשלב זה תחזית אגרסיבית, לא עובדה מבוססת.

גם הכינוי "הרובוט המתקדם ביותר בעולם" דורש זהירות. רובוט דמוי אדם יכול להיות מרשים מבחינת תנועה, תפיסה חזותית וגמישות, אך במפעלים ובמעבדות פועלות כבר שנים מערכות רובוטיות המתעלות עליו בדיוק, במהירות ובאמינות במשימות מסוימות. זרוע רובוטית שנבנתה להעברת נוזלים אינה צריכה ללכת במדרגות. מערכת שמעבירה דגימות אינה זקוקה לפנים אנושיות. מכונת ייצור תרופות אינה צריכה להיראות כמו עובד.

Optimus חשוב מסיבה אחרת: הוא מייצג את השאיפה לייצר גוף כללי, שאפשר ללמד אותו משימות רבות באמצעות אותה שכבת בינה. במקום לבנות מכונה נפרדת לכל פעולה, בונים פלטפורמה פיזית, ואז "מתכנתים" התנהגויות.

זאת אותה תפיסה שמאחורי המודל הכללי בעולם התוכנה. מודל שפה אחד יכול לכתוב, לנתח, לתכנת ולתכנן. החזון הרובוטי הוא שגוף אחד יוכל לשאת ארגז, לחבר חלקים, לסדר מחסן, להביא ציוד למעבדה ואולי בעתיד לבצע פעולות מורכבות יותר.

אלא שבתחום התרופות, הרובוט דמוי האדם לא בהכרח יהיה הגיבור הראשי. בטווח הקרוב, המהפכה צפויה להגיע דווקא ממכונות פחות זוהרות: מערכות נוזלים אוטומטיות, זרועות מדויקות, קוראי ספקטרום, מיקרוסקופים חכמים, אינקובטורים מחוברים, מערכות ראייה ממוחשבת ומדפסות המייצרות צורות מינון מותאמות.

הרובוט דמוי האדם מוכר את העתיד לציבור. הרובוט המתמחה עשוי לבנות אותו בפועל.

כשהבינה המלאכותית מקבלת ידיים

עד השנים האחרונות, חלק גדול מהדיון ב־AI התמקד ביכולת לענות. השלב הבא מתמקד ביכולת לפעול.

יש הבדל מהותי בין צ'אטבוט שמציע רעיון לניסוי לבין מערכת שמסוגלת לקרוא מאמרים, לבחור חומרים, להזמין משאבים, לכתוב פרוטוקול, לתרגם אותו לפקודות מכונה, להפעיל ציוד, לנתח את התוצאות ולהחליט מה יהיה הניסוי הבא.

סוכן AI לבדו הוא יועץ. סוכן שמחובר למכשיר מדידה, לזרוע רובוטית, ללוח זמנים ולתקציב ניסויים הוא כבר מפעיל מערכת.

המעבר הזה יוצר לולאה חדשה:

הגדרת מטרה → תכנון → פעולה פיזית → מדידה → למידה → תכנון מחדש.

כל עוד האדם מבצע כל שלב בנפרד, התהליך מתקדם בקצב אנושי. כשהמערכת סוגרת את הלולאה בעצמה, היא יכולה להריץ ניסויים מסביב לשעון, להתאים את השאלות לתוצאות ולבחון מרחב אפשרויות שאף צוות אנושי לא היה מספיק לעבור עליו.

אבל "אוטונומי" אינו אומר "חופשי לעשות הכול". הדרך הנכונה לחשוב על זה היא מסילות פעולה: המערכת מקבלת חופש רחב בחיפוש, סימולציה וניסויים בעלי סיכון נמוך, ונעצרת כאשר היא מתקרבת להחלטה בלתי הפיכה כמו שינוי חומר פעיל, מעבר לניסוי בבעלי חיים, מתן תרופה לאדם או שינוי מינון.

דוגמה פשוטה: סוכן יכול לבחור איזה שילוב מולקולות לבדוק מחר בבוקר במעבדה, אבל הוא לא יכול להחליט לבד שהשילוב הזה מוכן למטופל. זו לא מלחמה בין אדם למכונה, אלא חלוקת סמכויות: המכונה מחפשת, מתעדת ומודדת; האדם מגדיר מטרה רפואית, שוקל תועלת מול סיכון ונושא באחריות הקלינית.

ככל שהמערכת הופכת לפעילה יותר, השאלה המרכזית אינה רק "כמה היא חכמה?". השאלות החשובות הן: באילו כלים היא מורשית להשתמש? איזה מידע היא רשאית לשנות? מי מאשר את הפעולה? מה קורה כשהסוכנים אינם מסכימים? כיצד עוצרים את התהליך? ואיך מוכיחים בדיעבד מה בדיוק קרה?

אלו שאלות של אוטומציה, אך גם של סייבר, רגולציה ואיכות. במאמר אוטומציה אוטונומית: AI כבר לא רק עונה — הוא מבצע פירקתי את אותו מעבר בעולם העסקי; כאן אותו עיקרון מגיע לסביבה רגישה בהרבה.

העתיד אינו סוכן אחד — אלא ארגון שלם של סוכנים

אחת הטעויות הנפוצות היא לדמיין "רופא AI" יחיד או "מדען AI" אחד שיודע הכול. מערכות מורכבות יותר צפויות להיראות דווקא כמו ארגון דיגיטלי: מספר סוכנים המתמחים בתפקידים שונים, מבקרים זה את זה ומשתפים מידע.

במערכת לפיתוח תרופות אפשר לדמיין סוכן אחד שאוסף ספרות רפואית וממפה את חוזק הראיות. סוכן אחר מנתח מטרות ביולוגיות. שלישי מציע מולקולות או שימוש חדש בתרופות קיימות. רביעי בוחן רעילות ואינטראקציות. חמישי מתכנן ניסוי. שישי מתקשר עם מערכת המעבדה. שביעי מנתח את התוצאות הסטטיסטיות. שמיני מתפקד כיריב ביקורתי ומנסה להפריך את המסקנות. תשיעי בוחן את ההתאמה לדרישות רגולטוריות. עשירי מנהל הרשאות, רישום ובקרת סיכונים.

הם לא צריכים "לדבר" רק באמצעות טקסט חופשי. בעולם רפואי, שיחה יפה בין סוכנים אינה מספיקה. התקשורת צריכה לעבור דרך מבנים קשיחים: זהויות חד־משמעיות לחומרים, יחידות מדידה מוגדרות, גרסאות של פרוטוקולים, רמות ודאות, מקורות ראיה, מגבלות שימוש וחותמות זמן.

בלי שפה משותפת כזאת, סוכן אחד יכול לכתוב "ריכוז גבוה", סוכן שני לפרש זאת אחרת, והמכונה לבצע פעולה שלישית.

מחקר שפורסם ב־Nature Communications כבר הדגים חיבור בין שתי מערכות מעבדה רובוטיות בקיימברידג' ובסינגפור באמצעות גרף ידע ואונטולוגיות משותפות. המערכות שיתפו נתונים על ניסוי כימי הרלוונטי לתעשיית התרופות וחיפשו יחד איזון בין עלות לתפוקה בתוך שלושה ימים. זאת עדיין אינה רשת עולמית של מעבדות אוטונומיות, אך היא מדגימה את העיקרון: מעבדות יכולות להעביר ביניהן לא רק קבצים, אלא ידע תפעולי מובנה, עם תיעוד של מקור הנתונים והקשרם.

כאן מתחיל להיווצר משהו גדול יותר מסוכן בודד: מערכת עצבים ארגונית.

סוכן אחד מבחין בבעיה. אחר מציע פעולה. מערכת מדיניות בודקת את ההרשאה. רובוט מבצע. חיישן מאמת. סוכן ביקורת משווה את התוצאה לציפייה. וכל האירוע נרשם כך שניתן יהיה לחקור אותו.

במערכת כזאת, החוכמה אינה נמצאת רק במודל. היא נמצאת בתיאום.

המעבדות האוטונומיות כבר אינן מדע בדיוני

החזון של מעבדה שמנהלת חלק גדול מהמחקר בעצמה כבר קיבל מספר הוכחות ממשיות.

מערכת Coscientist, שתוארה ב־Nature, שילבה מספר מודלי שפה עם חיפוש ברשת, קריאת תיעוד, כתיבת קוד וגישה לממשקי תכנות של ציוד רובוטי. המערכת תכננה ניסויים כימיים והפעילה מערכות לטיפול בנוזלים ומעבדה בענן. החשיבות שלה אינה רק בכך שהצליחה לבצע משימות, אלא בכך שהיא חיברה בין ידע מילולי לבין פעולה פיזית.

בפרויקט A-Lab, מעבדה אוטונומית לחקר חומרים ביצעה 353 ניסויים בתוך 17 ימים ופעלה בלולאה של תכנון, ביצוע, ניתוח וקבלת החלטה. המערכת ניסתה לייצר 57 חומרים יעד והצליחה להגיע ל־36 מהם. לא מדובר בפיתוח תרופות, והפער בין חומר אי־אורגני לתרופה בטוחה לבני אדם עצום, אך הניסוי מדגים עד כמה חיפוש מדעי יכול להשתנות כשהמערכת אינה מחכה לבוקר הבא כדי להתחיל את הסבב הבא.

גם הכישלונות ב־A-Lab חשובים. הם מזכירים שאוטונומיה אינה קסם. חלק מהמתכונים לא פעלו. ידע מהספרות לא תמיד עבר בצורה נקייה אל העולם הפיזי. חומרים, ציוד ותנאים מקומיים יצרו הפתעות. דווקא כאן נמצאת אחת התובנות החשובות לעתיד התרופות: המודל אינו מחליף את הניסוי. הוא מגדיל את מספר ההשערות שאפשר לבחון ומקצר את הזמן בין תוצאה לשאלה הבאה.

ב־2026 פורסמו מערכות נוספות המראות כיצד המבנה נעשה מורכב יותר. מערכת Co-Scientist רב־סוכנית יצרה השערות מחקריות, הפעילה תהליכי דיון וביקורת בין סוכנים והובילה לבדיקת חלק מהרעיונות בניסויי מעבדה, לרבות הצעות לשימוש מחדש בתרופות ושילובים בתחום הלוקמיה המיאלואידית החריפה. גם כאן חשוב לדייק: אימות בתאים במעבדה אינו שקול להצלחה קלינית בבני אדם. אך הוא מצביע על מעבר מ־AI שמסכם מחקר ל־AI שמשתתף ביצירתו.

מי שרוצה את הזווית המדעית הרחבה יותר יכול לקרוא גם את המאמר על מחשוב קוונטי ופיתוח תרופות. שם המוקד הוא סימולציה וחיפוש מולקולרי; כאן המוקד הוא מה קורה כשהחיפוש הזה מתחבר למעבדה, רובוטיקה וייצור.

מערכת AutoLabs שפורסמה ב־Scientific Reports ב־2026 הדגימה תרגום של הוראות בשפה טבעית לפרוטוקולים ניתנים להרצה בציוד לטיפול בנוזלים. היא כללה מספר סוכנים שבדקו חישובים סטוכיומטריים, מגבלות חומרה ותקינות הפקודות לפני הפעלת המכשיר. זהו פרט קריטי: היכולת החשובה אינה רק לתת הוראה לרובוט, אלא לבדוק שההוראה ניתנת לביצוע ושאינה חורגת מהגבולות.

כל אלה הם חלקים ראשוניים של אותה מערכת עתידית: תוכנה שמסוגלת לקרוא, לחשוב, לתכנן, לבצע ולמדוד.

אלא שבביולוגיה, גם מערכת שסוגרת את כל הלולאה אינה מקבלת שליטה מלאה.

"לתכנת תרופה" יכול להיות ארבעה דברים שונים

הביטוי "לתכנת תרופות" נשמע כאילו בעתיד נכתוב הוראה ונקבל טיפול שעובד, כפי שאנו כותבים קוד ומריצים תוכנה. זה דימוי מועיל, אבל גם מסוכן אם לוקחים אותו באופן מילולי.

למעשה, הביטוי מערבב ארבע שכבות שונות.

השכבה הראשונה היא בחירת המטרה הביולוגית. איזה חלבון, גן, מסלול תאי או מנגנון מחלה אנחנו רוצים להשפיע עליו? כאן AI יכול לחבר בין ספרות, נתונים גנטיים, מידע קליני ותוצאות ניסויים. אבל קשר סטטיסטי אינו תמיד קשר סיבתי, ומטרה שנראית מבטיחה במודל יכולה להתגלות כחסרת חשיבות בגוף האנושי.

השכבה השנייה היא תכנון ההתערבות. אפשר לתכנן מולקולה קטנה, חלבון, נוגדן, רצף RNA, מערכת עריכת גנים או תא מהונדס. במובן הזה הביולוגיה כבר נעשית דומה יותר להנדסה: אפשר לייצג מבנים דיגיטלית, לחזות אינטראקציות ולהציע שינויים. אך התוצאה עדיין תלויה בקיפול מולקולרי, בפיזור בגוף, במערכת החיסון, במטבוליזם ובהבדלים בין מטופלים.

השכבה השלישית היא הפורמולציה. אותו חומר פעיל יכול להינתן במינונים שונים, בצורות שונות ובקצב שחרור שונה. אפשר לשנות את הגאומטריה של הטבלייה, לשלב חומרים, להתאים ציפוי או לייצר מנה המתפרקת באזור מסוים. זו השכבה שבה הדפסה תלת־ממדית עשויה להגיע לשימוש רחב מוקדם יחסית.

השכבה הרביעית היא תהליך הייצור. כאן ה"מתכון" הופך לקוד מכונה: איזה חומר נכנס, באיזו כמות, באיזו טמפרטורה, באיזה לחץ, באיזה סדר ובאיזו מהירות. תהליך כזה יכול להיות אוטומטי ומדויק מאוד, אך הוא חייב להישאר קשור לחומרים מאומתים, לציוד מכויל ולבקרת איכות.

ארבע השכבות מתקדמות בקצבים שונים. קל יותר לייצר בטבלייה אישית מינון של תרופה שכבר נבדקה ואושרה מאשר להמציא מולקולה חדשה, להוכיח שהיא בטוחה ולהעביר אותה דרך ניסויים קליניים. קל יותר לשנות את צורת המנה מאשר לערוך תא חי בתוך הגוף.

לכן הדרך לרפואה מתוכנתת לא תהיה קפיצה אחת. היא תהיה רצף של אוטומציות.

הטבלייה האישית עשויה להגיע לפני התרופה האישית. המיקרו־מפעל המורשה עשוי להגיע לפני מדפסת ביתית. והיכולת להציע מועמדים חדשים תתקדם מהר יותר מהיכולת להוכיח שהם בטוחים.

ביולוגיה היא מידע, אבל היא אינה רק מידע. היא חומר חי, תלוי הקשר, רועש ולעיתים בלתי צפוי.

בקוד תוכנה אפשר לעיתים לחזור לגרסה קודמת. בביולוגיה אין תמיד Ctrl+Z.

מה באמת אומרת הגישה המוגבלת ל־GPT-5.6?

ההתייחסות ל־GPT-5.6 Sol ולכתובת chatgpt.com/cyber מחברת בין שני מנגנוני גישה שונים, ולכן כדאי לדייק.

OpenAI מתארת את GPT-5.6 Sol, Terra ו־Luna כבעלי יכולות גבוהות בתחומים ביולוגיים, כימיים וסייבר, אך לא ברמת "Critical" לפי מסגרת ההיערכות שלה. החברה מציינת כי הדגמים זמינים באופן רחב עם אמצעי הגנה בסיסיים, בעוד שיכולות רגישות יותר עשויות להיות נגישות דרך מסלולים ייעודיים למשתמשים או לארגונים שעברו אימות.

בביולוגיה קיים מסלול Trusted Access for Biology Research, המיועד לארגונים שנבדקו ושיש להם מטרות מחקר לגיטימיות. מסלול הסייבר הוא מסלול נפרד, המבוסס בין היתר על אימות זהות ועל הערכת ההקשר שבו המשתמש מבקש להפעיל יכולות מתקדמות. הכתובת chatgpt.com/cyber מתייחסת למסלול הסייבר, ולא לשער כללי שדרכו מקבלים יכולות לפיתוח תרופות.

ההבחנה הזאת חשובה יותר מהשם של המודל.

היא מראה שחברות AI מתחילות להבין שמודל כללי יכול להפוך לחלק מתשתית מדעית. ברגע שמערכת יכולה לעזור בתכנון ניסויים, בחיפוש מסלולים כימיים, בניתוח מידע ביולוגי ובהפעלת כלים, אי אפשר לנהל את הסיכון רק באמצעות סינון של משפטים.

צריך לדעת מי מפעיל את המערכת, באיזה ארגון, עם אילו כלים, תחת איזו סמכות ולשם איזו מטרה.

זאת עשויה להיות אחת מאבני היסוד של כלכלת הסוכנים: לא כל סוכן יקבל אותן הרשאות. בדומה לעובדים בארגון, סוכן יצטרך זהות, תפקיד, תקציב פעולה, רשימת כלים מורשים וגבולות ברורים.

סוכן מחקר יכול לקרוא מאמרים ולבנות השערות. סוכן מעבדה יכול לשלוח פקודות רק למכשירים מסוימים. סוכן ייצור יכול להשתמש רק במתכונים חתומים. סוכן רפואי יכול להציע שינוי במינון, אך לא לאשר אותו. סוכן ביקורת יוכל לעצור את התהליך גם אם יתר הסוכנים מסכימים.

האבטחה לא תהיה שכבה שמוסיפים לאחר שהמערכת מוכנה. היא תהיה מנגנון חלוקת הסמכות שבתוכו המערכת מסוגלת לפעול.

פיתוח תרופות באמצעות AI: ההתקדמות אמיתית, אך הכותרות מקדימות את המציאות

במשך שנים חברות הציגו את הבינה המלאכותית כדרך לקצר את פיתוח התרופות מעשור למספר חודשים. בפועל, AI יכול לקצר שלבים מסוימים, אך אינו מבטל את הצורך להוכיח שהתרופה מגיעה לרקמה הנכונה, משפיעה על המנגנון הנכון, אינה רעילה ועובדת באוכלוסייה אנושית מגוונת.

אחת הדוגמאות המסקרנות היא rentosertib, תרופה מועמדת לפיברוזיס ריאתי אידיופתי, שהגיעה לניסוי שלב 2a. במחקר שכלל 71 משתתפים, קבוצת המינון הגבוה הציגה שיפור ממוצע במדד תפקוד ריאתי מסוים, בעוד שבקבוצת הפלצבו נרשמה ירידה. החוקרים הדגישו כי מדובר במחקר מוקדם, קטן יחסית, וכי נדרשים ניסויים גדולים וארוכים יותר.

הערך של המקרה אינו בכך שהוא מוכיח ש־AI "פתר" את פיתוח התרופות. הוא מוכיח שמערכת מבוססת AI יכולה להשתתף ביצירת מועמד שמתקדם עד למחקר קליני בבני אדם. זהו הבדל עצום ביחס למודל שמסתפק בניבוי על מסך, אך עדיין רחוק מאישור תרופה ושימוש שגרתי.

סקירה שפורסמה ב־Nature ב־2026 ציינה שמולקולות שנוצרו או זוהו באמצעות AI אכן מגיעות לבדיקות בבני אדם, אך אימות רחב, הבנה מכניסטית והתאמה לדרישות הרגולציה נותרו חיוניים.

מעניין שבחלק מחברות התרופות, התועלת המיידית ביותר מ־AI אינה מגיעה עדיין מהמצאת מולקולות, אלא מהמשימות ה"אפורות": בחירת אתרי ניסוי, איתור מטופלים מתאימים, ניסוח מסמכים רגולטוריים, ניתוח מידע ותיאום תהליכים. רויטרס דיווחה בינואר 2026 כי Novartis קיצרה תהליך בחירת אתרי ניסוי שנמשך בעבר ארבעה עד שישה שבועות לדיון של כשעתיים, וכי חברות נוספות, ובהן Teva, מטמיעות AI לאורך תהליכים שונים.

זה אינו פחות מהפכני מפיתוח מולקולה חדשה. תעשיית התרופות בנויה מאלפי צווארי בקבוק. אם AI חוסך שבועות בעשרות שלבים, ההשפעה המצטברת יכולה להיות עצומה.

המגבלה המרכזית מתחילה להשתנות. בעבר היה קשה להציע מספיק רעיונות. בעתיד יהיה קל לייצר מיליוני רעיונות, והקושי יהיה להחליט אילו מהם ראויים לניסוי.

צוואר הבקבוק עובר מיצירה לאימות.

וזה בדיוק המקום שבו רובוטיקה, מעבדות אוטונומיות, נתונים איכותיים ורגולציה מתחברים.

האם כבר אפשר להדפיס תרופות?

כן, אך לא במובן שבו כל אדם מוריד קובץ ומדפיס בבית כל חומר שירצה.

רשות המזון והתרופות האמריקאית מתארת הדפסה תלת־ממדית כאמצעי שיכול לייצר מוצרים רפואיים בצורות, בחוזקים ובמבנים שונים, לרבות התאמה לצורכי מטופלים. התרופה הראשונה לבני אדם שיוצרה בהדפסה תלת־ממדית קיבלה אישור בארצות הברית כבר ב־2015.

ההתפתחות החשובה ב־2026 מגיעה גם מאירופה. במסמך שאלות ותשובות שפרסמה סוכנות התרופות האירופית במרץ 2026, הדפסה תלת־ממדית הוגדרה כטכנולוגיה מתפתחת לייצור צורות מינון מוצקות המותאמות למטופל. המסמך מצביע על אפשרויות להתאים חוזק, צורה, צבע, טעם, קצב שחרור ואף שילוב של מספר חומרים, עם שימושים אפשריים ברפואת ילדים, גריאטריה, מחלות נדירות ומטופלים הנוטלים מספר תרופות.

אבל אותו מסמך מדגיש את הצד שפחות מופיע בסרטוני ההדגמה: המכונה צריכה להיות מאומתת ומתוחזקת; החומרים צריכים להגיע במחסניות או במזרקים המכילים "דיו פרמצבטי" מתאים; יש לבצע כיול; ויש לבקר את הייצור באמצעות מדידות כמו משקל, לחץ, ספקטרוסקופיית NIR או Raman. מנה שאינה עומדת בתנאים צריכה להיפסל בזמן אמת.

כלומר, הדפסת תרופה אינה מקבילה להדפסת צעצוע מפלסטיק. המדפסת אינה מקבלת אבקה גנרית וממציאה ממנה תרופה. היא מבצעת תהליך מוגדר באמצעות חומרי מוצא מאושרים, תחת תנאים שנבדקו מראש.

בארצות הברית, תוכנית FRAME של ה־FDA עוסקת בין היתר בייצור מבוזר ובאפשרות להציב יחידות ייצור באתרים שאינם מפעלי תרופות מסורתיים, כגון מוסדות רפואיים. ביולי 2026 פורסמה גם הצעה רגולטורית נוספת בנושא.

בבריטניה נכנסה ב־2025 מסגרת רגולטורית שנועדה לתמוך בייצור בנקודת הטיפול, לרבות מוצרים מודפסים בתלת־ממד ומיקרו־מפעלים ניידים. המסגרת אף מתייחסת לאפשרות עתידית של ייצור בבית בשליטה מרחוק, אך לא כפעילות חופשית: הייצור אמור להישאר תחת רישוי, פיקוח ודרישות בטיחות, איכות ויעילות הדומות לאלו המוטלות על מוצרים המיוצרים במפעל מרכזי.

מכאן עולה מסקנה ברורה: מדפסת התרופות אינה רעיון דמיוני. אך המוצר המסחרי הסביר אינו "מדפסת לכל אחד".

המוצר הוא תשתית ייצור מבוזרת ומפוקחת.

הרעיון הגדול אינו לבנות מדפסת — אלא לבנות קומפיילר לתרופות

במחשוב, קומפיילר לוקח כוונה שנכתבה בשפה גבוהה ומתרגם אותה לפקודות שהמכונה יכולה לבצע. ברפואה עתידית יהיה צורך בשכבה דומה: מערכת שמקבלת כוונה טיפולית מאושרת ומתרגמת אותה לתהליך ייצור מדויק, מוגבל וניתן לביקורת.

אפשר לקרוא לה "קומפיילר פרמצבטי".

הקלט אינו פקודה פשוטה כמו "תייצר לי תרופה ללחץ דם". הקלט צריך לכלול מרשם חתום, זהות מטופל, חומר פעיל מאושר, טווח מינון מותר, פורמולציה מאומתת, מידע על אלרגיות ואינטראקציות, מאפייני המכשיר וכללים רגולטוריים.

הפלט אינו רק קובץ להדפסה. הוא תוכנית ייצור חתומה הכוללת את זהות חומרי הגלם, הכמויות, צורת המנה, פרמטרים למכונה, בדיקות איכות וקריטריונים אוטומטיים לפסילה.

בין הקלט לפלט פועלת מערכת של סוכנים, אך אף אחד מהם אינו מקבל כוח בלתי מוגבל.

סוכן אחד בודק שהמרשם נמצא בטווח שאושר. סוכן אחר מוודא שהפורמולציה מתאימה לחומר הפעיל. סוכן שלישי משווה לגרסת המתכון הרשומה. מערכת אבטחה בודקת את החתימות הדיגיטליות. מודל פיזיקלי מעריך כיצד הגאומטריה תשפיע על ההתפרקות. מערכת בקרת איכות מגדירה מראש אילו סטיות יגרמו לעצירת הייצור.

ההזדמנות העסקית האמיתית אינה למכור קופסה עם מנוע וראש הדפסה. חומרה לבדה תהפוך עם הזמן לסחורה.

הערך נמצא בשכבת התרגום, האימות והאמון.

מי שיחזיק ברישום המתכונים המאושרים, בממשקים לחברות התרופות, בזהויות של חומרי הגלם, בנתוני התהליך, בבקרת הציוד ובתיעוד הרגולטורי עשוי לבנות פלטפורמה. המדפסת תהיה נקודת הקצה הגלויה. מערכת ההפעלה תהיה העסק.

איך מכונה כזאת צריכה לעבוד בפועל?

המכונה לא צריכה להתחיל בהבטחה לייצר כל תרופה. להפך. מערכת בטוחה צריכה להתחיל ממספר מצומצם של תרופות, צורות מינון ותהליכים שעברו אימות מעמיק.

השלב הראשון הוא קשירת המרשם למטופל. המערכת מאמתת את זהות הרופא, המטופל, בית המרקחת והמכשיר. המרשם אינו מסמך שאפשר להעתיק; הוא הוראה חתומה, מוגבלת בזמן, בכמות ובמיקום.

השלב השני הוא מנוע מדיניות. לפני שהמודל מציע דבר, מנוע קשיח בודק האם האתר מורשה לייצר את המוצר, האם המפעיל מוסמך, האם קיימת פורמולציה מאושרת, האם החומר זמין והאם המנה נמצאת בתוך טווח מוגדר. המודל אינו יכול לשכנע את מנוע המדיניות לחרוג מהכללים באמצעות ניסוח יצירתי.

השלב השלישי הוא תרגום למתכון מכונה. הקומפיילר מתרגם את ההוראה הרפואית לפקודות שתואמות לדגם המדפסת, לגרסת הקושחה ולמחסניות הספציפיות. כל שינוי בפרמטרים נרשם ונבדק.

השלב הרביעי הוא תאום דיגיטלי. לפני הייצור, המערכת מריצה סימולציה של התהליך ושל המוצר. היא בודקת האם צורת הטבלייה, מבנה השכבות וכמות החומר צפויים לעמוד בטווח המותר. הסימולציה אינה מחליפה בדיקה פיזית, אך היא יכולה לפסול תכנון בעייתי עוד לפני בזבוז החומר.

השלב החמישי הוא אימות חומרי הגלם. לכל מחסנית יש זהות קריפטוגרפית, מספר אצווה, תאריך תפוגה והיסטוריית אחסון. המכונה מסרבת לעבוד עם מחסנית לא מזוהה, עם חומר שאוחסן בטמפרטורה לא מתאימה או עם אצווה שנקראה להחזרה.

השלב השישי הוא ייצור תחת חישה רציפה. מצלמות, מאזניים, חיישני לחץ וכלים ספקטרוסקופיים מודדים את התהליך. במקום לבדוק רק מדגם בסוף יום העבודה, המערכת יכולה לבחון כל מנה. חריגה אינה גוררת ניסיון "לתקן לבד" אלא עצירה במצב בטוח.

השלב השביעי הוא שחרור המוצר. סוכן ביקורת עצמאי משווה את הנתונים לטווחים המאושרים. במוצרים רפואיים, רצוי שהשחרור הסופי יכלול גם איש מקצוע מוסמך. רק לאחר מכן נוצרה תעודה דיגיטלית המקשרת בין המרשם, האצווה, המתכון, המכונה, החיישנים והמוצר הפיזי.

השלב השמיני הוא מעקב לאחר השימוש. אם מתגלה בעיה, ניתן לאתר לא רק את אצוות החומר, אלא גם את גרסת התוכנה, מצב המדפסת והפרמטרים של כל מנה. כך משוב קליני יכול לחזור למערכת מבלי לטשטש בין התאמה אישית לבין ניסוי לא מפוקח.

המבנה הזה אולי נשמע פחות מרגש מהכותרת "כל אחד ידפיס תרופה בבית". אבל הוא הרבה יותר קרוב למוצר שאפשר לבנות, לבטח, לרשיין ולהכניס למערכת הבריאות.

היכן נכון להתחיל?

לא מכל התרופות יש סיכוי שווה לעבור לייצור מבוזר.

הכניסה הסבירה ביותר תהיה במוצרים מוצקים הניטלים דרך הפה, שבהם אפשר לשלוט בצורה, בגודל, במינון ובקצב השחרור ללא צורך בסביבה סטרילית מורכבת. זריקות, חיסונים, תרופות ביולוגיות וטיפולים תאיים דורשים תנאי ייצור ובקרה מורכבים בהרבה.

תחום ראשון הוא רפואת ילדים. לעיתים המינון הדרוש לילד אינו תואם לטבלייה סטנדרטית, וההורים נאלצים לחצות, לרסק או למדוד נוזל. ייצור מנה מדויקת בצורה שקל יותר לבלוע יכול לייצר ערך מיידי.

תחום שני הוא גריאטריה וריבוי תרופות. מטופל מבוגר עשוי לקחת מספר כדורים בזמנים שונים. שילוב מספר חומרים במנה אחת אינו פשוט ודורש בדיקת התאמה, אך במקרים המתאימים הוא עשוי להפחית טעויות ולשפר היענות.

תחום שלישי הוא מחלות נדירות. כאשר מספר המטופלים קטן, מפעל מרכזי מתקשה להצדיק סדרת ייצור גדולה. רשת מיקרו־מפעלים יכולה לייצר כמויות קטנות לפי צורך, בתנאי שהמתכון והחומרים מאושרים.

תחום רביעי הוא אספקה לניסויים קליניים. מחקרים דורשים לעיתים מספר מינונים, פלצבו, שינויים בפורמולציה ואספקה לאתרים רבים. ייצור מבוזר ומבוקר עשוי לקצר זמני הכנה ולהפחית מלאי מבוזבז.

תחום חמישי הוא מחסור בתרופות. במקום להמתין למשלוח בין־יבשתי של מוצר מוגמר, מערכת בריאות עשויה להחזיק מלאי דיגיטלי של מתכונים וחומרי מוצא מאושרים. ה־FDA מתייחס לרעיון של "מלאי דיגיטלי" כחלק מהפוטנציאל של ייצור מתקדם ומבוזר.

האסטרטגיה הנכונה אינה להתחיל בצרכן הפרטי. היא להתחיל בבתי חולים, בתי מרקחת מורשים ואתרי ניסוי שבהם כבר קיימים אנשי מקצוע, מערכות איכות ופיקוח.

לאחר שהמערכת מוכיחה את עצמה באלפי או במיליוני מנות, ניתן להרחיב את מגוון המוצרים ואת רמת ההתאמה.

רפואה אישית אינה חייבת להתחיל מתרופה שהומצאה עבור אדם אחד. היא יכולה להתחיל ממינון וצורת מתן שמותאמים לו טוב יותר.

המודל העסקי: החומרה היא רק שכבה אחת

חברה שתיכנס לתחום יכולה לבנות מספר מקורות הכנסה, אך היא צריכה להימנע מהמלכודת של מכירת מדפסת חד־פעמית.

החומרה יכולה להימכר כשירות: התקנה באתר רפואי, תחזוקה, כיול, החלפת חלקים ומעקב אחר תקינות הציוד. ההכנסה החוזרת תגיע מדמי שימוש, מניהול צי המכונות ומייצור כל מנה.

שכבה נוספת היא מחסניות החומר. חברת הפלטפורמה אינה חייבת לייצר בעצמה כל חומר פעיל, אך יכולה להפעיל מערכת אימות המאפשרת ליצרנים מורשים לספק "דיו פרמצבטי" תואם. כל מחסנית מזוהה, נבדקת ומקושרת למתכונים שבהם מותר להשתמש בה.

שכבת הערך הגבוהה ביותר היא רישום המתכונים. חברות תרופות יוכלו לרשום פורמולציות דיגיטליות, להגדיר באילו מכשירים ובאילו שווקים מותר להשתמש בהן ולקבל תמלוג עבור כל מנה שיוצרה. כך המערכת אינה מתחרה בהכרח בחברות התרופות; היא יכולה להפוך לערוץ הייצור וההפצה שלהן.

אפשר להוסיף לכך מערכת תיעוד רגולטורית: יצירת דוחות, מעקב אחר גרסאות, ניהול חריגות, היסטוריית כיול, חקירת תקלות והפקת חומר להגשות לרשויות.

החפיר העסקי לא יהיה "המודל שלנו חכם בארבעה אחוזים יותר". מודלים משתפרים ומתחלפים.

החפיר יהיה היכולת להוכיח, עבור כל מנה: מי אישר אותה, איזה חומר נכנס, איזה מתכון הופעל, איזו גרסת תוכנה הייתה בשימוש, מה המכונה עשתה, מה החיישנים מדדו ומדוע המוצר שוחרר.

נתוני התהליך המצטברים יכולים להפוך לנכס נוסף. לא מידע אישי שנאסף ללא גבול, אלא חתימות ייצור אנונימיות: אילו תנאים מנבאים סטייה, כיצד מכשיר מתיישן, באילו פורמולציות קיימת רגישות לטמפרטורה ואילו מדידות מזהות תקלה מוקדם.

הפלטפורמה הטובה ביותר לא תהיה זו שמבטיחה חופש מוחלט. היא תהיה זו שמאפשרת התאמה אישית בתוך גבולות שניתן להוכיח.

כאן הסייבר חוזר למרכז הבמה

דמיינו תוקף שאינו מנסה לגנוב מאגר לקוחות, אלא לשנות את הקשר בין מינון למטופל.

הוא יכול לנסות להחליף מתכון חתום, לזייף זהות של מחסנית, לשנות את נתוני החיישנים, להחזיר את המכונה לגרסת תוכנה פגיעה, לגרום לסוכן לחשוב שהבדיקה הושלמה או להחדיר הוראה דרך מסמך שהמערכת קוראת.

המתקפה אינה חייבת ליצור מנה רעילה באופן ברור. שינוי קטן וקשה לזיהוי יכול להיות מסוכן יותר: סטייה בקצב השחרור, הפחתת כמות חומר פעיל, החלפת אצווה או יצירת תוצאות שנראות תקינות למערכת הבקרה.

לכן הפלטפורמה צריכה להתבסס על מספר עקרונות.

כל סוכן וכל מכשיר חייבים לקבל זהות נפרדת. אין "משתמש מערכת" אחד עם הרשאה מלאה. סוכן שקורא ספרות אינו יכול להפעיל מדפסת. סוכן שמפעיל מדפסת אינו יכול לשנות את המתכון המאושר. מערכת הביקורת אינה מקבלת את נתוני הייצור רק מאותו סוכן שביצע אותם.

זה מתחבר ישירות למה שכתבתי על משבר הזהויות של סוכני AI: ברגע שסוכן פועל בשם ארגון, מכונה או רופא, הזהות שלו אינה פרט טכני. היא קובעת מה מותר לו לעשות, מי אחראי עליו ואיך חוקרים אירוע בדיעבד.

שינויים קריטיים דורשים אישור כפול. שינוי מינון, מעבר לחומר חדש או עדכון של מתכון אינם יכולים להתבצע על בסיס החלטת מודל יחיד.

המערכת צריכה לפעול בשיטת fail closed: כשאין ודאות שהכול תקין, היא אינה מייצרת. היא אינה משלימה ערכים חסרים באמצעות ניחוש ואינה מפרשת חריגה כ"המלצה".

גם סביבת הרשת צריכה להיות מופרדת. בפרויקט A-Lab, רשת המעבדה עצמה בודדה, ורק מחשב הבקרה קיבל גישה לאינטרנט. זהו פרט תכנוני קטן אך משמעותי: מערכת אוטונומית אינה חייבת לתת לכל ציוד פיזי חיבור חופשי לרשת.

בפברואר 2026 פרסם ה־FDA הנחיות מעודכנות לאבטחת סייבר במכשירים רפואיים, עם דגש על תכנון עמיד, תיעוד לפני שיווק, ניהול סיכונים ויכולת להתמודד עם איומים לאורך חיי המוצר. אף שמדפסת תרופות אינה בהכרח מסווגת תמיד באותה דרך כמו מכשיר רפואי, העקרונות רלוונטיים: האבטחה צריכה להיות חלק מהתכנון ומהראיות הרגולטוריות, לא תיקון שמוסיפים לאחר החדירה הראשונה.

במובן הזה, הסייבר הופך למערכת החיסון של המפעל האוטונומי.

הוא אינו מונע כל טעות, כפי שמערכת חיסון אינה מונעת כל מחלה. הוא מזהה חריגות, מגביל התפשטות, מבודד רכיבים, שומר זיכרון של אירועים ומאפשר למערכת להמשיך לפעול מבלי לתת לכל תקלה להפוך לאסון.

סוכן שמדבר עם סוכן אינו בהכרח סוכן שאפשר לסמוך עליו

החזון של אלפי סוכנים שמנהלים ביניהם משא ומתן נשמע יעיל, אבל הוא יוצר סוג חדש של סיכון.

סוכנים יכולים להעביר זה לזה טעות עד שהיא נראית כמו הסכמה. סוכן אחד מסיק מסקנה חלשה. השני מצטט אותו. השלישי מזהה שתי "עדויות" שאינן אלא אותה הנחה ממוחזרת. בתוך מערכת גדולה נוצר קונצנזוס מדומה.

לכן אסור למדוד איכות לפי מספר הסוכנים שהסכימו. יש למדוד את עצמאות המקורות, את איכות הניסוי ואת יכולת המערכת לייצר טענות שניתנות להפרכה.

בעיה נוספת היא בלבול סמכויות. סוכן תכנון עשוי להציע שינוי שנראה הגיוני, וסוכן ביצוע עלול להתייחס להצעה כאישור. הדרך למנוע זאת היא להבדיל ברמת הפרוטוקול בין "רעיון", "המלצה", "בקשת אישור", "הוראה מאושרת" ו"תוצאה שנמדדה".

גם זיכרון הסוכנים חייב להיות מבוקר. מערכת שלומדת מכל אירוע עלולה לאמץ הרגל שגוי בעקבות נתון מזוהם או תקלה זמנית. עדכון מודל אינו צריך להשתלב אוטומטית בייצור. גרסת מודל חדשה חייבת לעבור בדיקות, והשפעתה צריכה להיות ניתנת להשוואה לגרסה הקודמת.

כאן חוזר אותו עיקרון, אבל מזווית אחרת: לא מספר הסוכנים חשוב, אלא ההפרדה בין רעיון, המלצה, בקשת אישור, הוראה מאושרת ותוצאה שנמדדה.

לכן המערכת יכולה לקבל חופש רחב בתוך אזור שבו התוצאות הפיכות או ניתנות לבדיקה. לדוגמה, היא יכולה לבחור את סדר הניסויים במעבדה או להציע גאומטריות שונות לטבלייה. היא אינה יכולה להרחיב בעצמה את טווח המינון או להחליט שפורמולציה חדשה שקולה למוצר שכבר אושר.

ככל שהסוכן מתקרב לגוף האנושי, הגבולות צריכים להיות קשיחים יותר.

הטכנולוגיה לא תתקדם רק בזכות סוכנים שיודעים לעשות יותר. היא תתקדם בזכות מערכות שיודעות גם מתי לא לעשות.

הסכנות אינן סיבה לעצור — הן דרישות התכנון

כל טכנולוגיה שמחברת בין AI לביולוגיה תצטרך להתמודד עם מספר סיכונים במקביל.

יש סיכון של הזיה. מודל יכול להמציא מקור, לבלבל בין יחידות או להציע מנגנון שנשמע משכנע אך אינו נתמך. במערכת מחקר אפשר לגלות זאת בניסוי. במערכת טיפולית אין מקום להסתמך על ניסוח משכנע.

על הסכנה הזאת כתבתי בנפרד במאמר ההזיה האמיתית של AI: כשהמודל כבר לא רק כותב אלא עובד. שם הבעיה היא סוכן שמבצע פעולה עסקית שגויה; כאן אותה בעיה הופכת חריפה יותר כי הפעולה יכולה להגיע למעבדה או לתהליך ייצור.

יש סיכון של נתונים מוטים. מערכת שנבנתה על אוכלוסיות מסוימות יכולה לטעות באוכלוסיות אחרות. רפואה אישית המבוססת על נתונים לא מייצגים עלולה להפוך את חוסר השוויון למדויק יותר במקום לצמצם אותו.

יש סיכון של אופטימיזציה למטרה הלא נכונה. סוכן עשוי לשפר מדד מעבדתי שאינו משקף תוצאה קלינית. הוא יכול למצוא טיפול שמכווץ גידול בתאים אך פוגע בגוף כולו, או פורמולציה שנראית יציבה במכשיר אך מתפרקת אחרת אצל המטופל.

יש סיכון משפטי של אחריות מפוצלת. מי אחראי כאשר הרופא אישר המלצה של מודל, הפורמולציה נכתבה בידי חברת תרופות, המדפסת יוצרה בידי חברה אחרת, הסוכן עודכן בענן והמנה נוצרה בבית מרקחת?

יש סיכון של שימוש כפול. אותה מערכת שמסייעת לפתח טיפול יכולה לעזור לחפש מסלולים מסוכנים. מסלולי הגישה המאומתים שמפעילות חברות AI אינם פותרים את הבעיה, אך הם מסמנים את המעבר מגישה אחידה למודל של הרשאות המבוססות על זהות, תפקיד ומטרה.

ויש סיכון חברתי: מערכת יעילה עלולה לעודד רפואה מופרזת. כשהייצור זול ומהיר, קל יותר להפוך כל סטייה במדד למוצר. רפואה אישית אינה בהכרח רפואה טובה יותר אם היא מייצרת יותר התערבויות ללא תועלת מוכחת.

התגובה לכל אלה אינה להימנע מאוטומציה. היא להפוך את הבטיחות למוצר.

מערכת שתוכננה נכון תציג אי־ודאות, תאפשר ביקורת חיצונית, תפריד בין חיפוש לביצוע, תדרוש ראיות חזקות יותר ככל שהפעולה מסוכנת יותר ותשמור על אפשרות אנושית לעצור.

החברה שתדע לבנות אמון עשויה לנצח חברה שבונה הדגמה מרשימה יותר.

ישראל יכולה להיות מעבדת הניסוי של הרפואה האוטונומית

לישראל יש שילוב נדיר של יכולות בסייבר, בינה מלאכותית, מכשור רפואי, ביולוגיה חישובית ומערכות בריאות בעלות נתונים ארוכי טווח. אין בכך הבטחה להצלחה. קיימים פערים במימון, בתשתיות ייצור, ברגולציה ובהעברת מחקר לחברה מסחרית. אבל מבחינת נקודת פתיחה, קיימת כאן התאמה מעניינת במיוחד לתחום שבו תוכנה פוגשת ביולוגיה.

באפריל 2026 דיווחה רשות החדשנות כי ישראל השקיעה כ־900 מיליון שקל בתחום הביו־קונברג'נס בשלוש השנים האחרונות. לפי הרשות, מספר החברות הפעילות בתחום הגיע ל־186, לעומת כ־90 בשנת 2019. ההשקעה כוללת תשתיות מולטי־אומיקס, מאגדים ותוכניות בתחומים כמו עריכת גנים, אורגנואידים וביו־שבבים.

מיפוי של תחום ה־AI בבריאות בישראל זיהה יותר מ־600 חברות המשלבות בין בריאות לבינה מלאכותית. כ־380 מהן הוגדרו כבעלות אוטומציה חלקית וכ־80 כמערכות המשפיעות על קבלת החלטות. רוב המוצרים שנבדקו נמצאו ברמת סיכון רגולטורית בינונית או גבוהה — נתון שממחיש מדוע אי אפשר לפתח את התחום באמצעות חדשנות טכנולוגית בלבד.

ביולי 2026, ימים ספורים לפני כתיבת המאמר, הודיעו רשות החדשנות ומשרד הבריאות על הקמת ארגז החול הרגולטורי הראשון בישראל לבינה מלאכותית בבריאות. התוכנית מיועדת לבחון מערכות בעלות רמת אוטונומיה גבוהה בסביבה מפוקחת, ובשלב הראשון משתתפות בה Pulsenmore, Cordio ו־Simahawk.

הצעד הזה חשוב יותר מעוד מענק לחברה בודדת. כדי לבנות רפואה אוטונומית, חברות צריכות מקום שבו אפשר לבדוק לא רק דיוק של אלגוריתם, אלא התנהגות מערכתית: מה קורה כשהמודל מתעדכן, כיצד צוות רפואי מפקח עליו, אילו נתונים נשמרים, מי מוסמך לעצור ומה נחשב אירוע בטיחות.

זה גם המשך טבעי למאמר רגולציה ואסדרת AI בישראל 2026: ברפואה אוטונומית, רגולציה אינה טופס שממלאים בסוף. היא חלק מהארכיטקטורה של המערכת.

גם תשתיות הנתונים מתחילות להתפתח. בסוף 2025 הוכרזה יוזמה בהיקף של 44 מיליון שקל להקמת שישה נכסי נתונים לאומיים, בין היתר בבריאות ובחקלאות, תוך יצירת גישה מוסדרת למידע ממוסדות רפואיים ואקדמיים.

לישראל לא בהכרח יש יתרון בבניית מפעלי ענק המתחרים בשרשראות הייצור של חברות הפארמה הגדולות. היתרון האפשרי הוא בשכבת השליטה: אבטחת סוכנים, תזמור מערכות, ניתוח מידע רפואי, חיישנים, רובוטיקה, תוכנה רגולטורית ומיקרו־ייצור.

אפשר לדמיין את ישראל כמדינת התייחסות למערכת הפעלה רפואית: מקום שבו מתכון דיגיטלי עובר מחברת תרופות למוסד רפואי, מיוצר במכונה מאומתת ונבדק תחת מסגרת רגולטורית רציפה.

הייצוא לא יהיה רק תרופה. הוא יהיה הפרוטוקול שמאפשר לייצר אותה בבטחה.

למה דווקא מומחי AI צריכים להבין את העולם הפיזי

במשך שנים היה אפשר לבנות חברת AI מצליחה מבלי להבין לעומק את המערכת שבה המודל פועל. אספנו נתונים, אימנו מודל, חיברנו ממשק ושיפרנו מדד.

בעולם הפיזי זה לא מספיק.

מודל עשוי להיות מדויק מאוד בממוצע ולהיכשל בדיוק במצב הנדיר שבו נדרשת זהירות. חיישן יכול לצאת מכיול. חומר גלם יכול להשתנות בין אצוות. זרוע רובוטית יכולה להחליק. טמפרטורת החדר יכולה להשפיע על הצמיגות. פקודה תקינה יכולה להגיע למכשיר הלא נכון.

מומחה AI ברפואה אוטונומית צריך לחשוב כמו ארכיטקט מערכות. לא רק על המודל, אלא על המסלול כולו: מאיפה הגיע המידע, כיצד הוא עבר נרמול, איזה סוכן פירש אותו, באיזו גרסת מודל, אילו כללים הגבילו את הפעולה, מה המכונה ביצעה, כיצד נמדדה התוצאה ומי אישר את השלב הבא.

זה גם משנה את האופן שבו מודדים הצלחה.

בצ'אט אפשר למדוד איכות תשובה. במעבדה אוטונומית צריך למדוד את שיעור הניסויים התקינים, את זמן ההתאוששות מתקלה ואת יכולת השחזור. במיקרו־מפעל לתרופות צריך למדוד חריגות, פסילות, עקביות בין מכונות, יציבות לאורך זמן ואיכות התיעוד.

המודל הוא רכיב אחד בתוך מערכת סוציו־טכנית הכוללת בני אדם, ארגונים, רגולציה וציוד.

מנקודת המבט הזאת, המומחיות החשובה ביותר בעידן הבא לא תהיה רק אימון מודלים. היא תהיה היכולת לחבר בין סוכנים חכמים לבין מגבלות אמיתיות — ולגרום למערכת לפעול באופן צפוי גם כשהעולם אינו צפוי.

מפת זמן אפשרית: מה יכול לקרות בעשור הקרוב?

אין דרך לדעת בוודאות כיצד השוק יתפתח, ולכן החלוקה הבאה היא תרחיש סביר, לא תחזית מובטחת.

2026–2028: הסוכנים נכנסים לתהליכים, לא מחליפים את הרופא

בשנים הקרובות נראה יותר סוכנים שמסכמים ספרות, מתכננים ניסויים, כותבים מסמכים רגולטוריים, מאתרים מטופלים למחקרים ומפעילים ציוד מעבדה מוגדר. המעבדות האוטונומיות יתרחבו באקדמיה ובחברות תרופות, בעיקר בסביבות שבהן ניתן למדוד תוצאה במהירות.

בהדפסת תרופות, סביר שנראה יותר ניסויים בבתי חולים, בתי מרקחת ואתרי מחקר. המיקוד יהיה במינונים מותאמים, מוצרים פומיים ומנות לניסויים קליניים.

הרובוטים דמויי האדם יתחילו לצבור ניסיון במפעלים ובמחסנים, אך חלק גדול מההשפעה בפארמה יגיע ממערכות מתמחות.

2028–2032: מיקרו־מפעלים מורשים

אם הפיילוטים יוכיחו עקביות, ייתכן שיופיעו רשתות של יחידות ייצור קטנות בבתי חולים ובמרכזים לוגיסטיים. הן ייצרו מספר מוגבל של מוצרים מתוך קטלוג מאושר, באמצעות מחסניות חתומות ומתכונים המופצים דיגיטלית.

חברות תרופות עשויות להתחיל להתייחס לפורמולציה דיגיטלית כמוצר קנייני. במקום לשלוח לכל מקום רק טבליות מוגמרות, הן ישלחו גם זכות לייצר מנה בתנאים מוגדרים.

מערכות סוכנים ינהלו חלק גדול מהתפעול, אך החלטות קריטיות יישארו תחת אחריות מקצועית.

2032–2037: לולאה סגורה בין המטופל לייצור

במספר תחומים עשוי להיווצר חיבור רציף בין מדדים ביולוגיים, החלטה קלינית וייצור מנה. לדוגמה, מינון שישתנה בתוך טווח מאושר לפי תפקודי כליה, רמות תרופה בדם או נתונים פיזיולוגיים.

ההתאמה לא תהיה בהכרח "תרופה חדשה לכל אדם". היא תהיה שינוי מבוקר של מינון, שילוב, צורה או קצב שחרור.

מעבדות אוטונומיות במספר מדינות עשויות לשתף ידע וניסויים בזמן אמת. סוכן יציע השערה במדינה אחת, רובוט יבדוק אותה באתר בעל ציוד מתאים, ומערכת שלישית תאמת את המסקנה בשיטה אחרת.

מעבר ל־2037: תכנות ביולוגי עמוק יותר

טיפולים מבוססי RNA, תאים ועריכת גנים עשויים להפוך מותאמים ומהירים יותר, אך הם יישארו מורכבים בהרבה מטבליות מודפסות. ייצור בנקודת הטיפול עשוי להתרחב לחלק מהמוצרים הביולוגיים, אך ידרוש רמות פיקוח, סטריליות ובקרת איכות גבוהות מאוד.

החזון של "תרופה לפי פקודה" יתקרב למציאות רק בחלק מהתחומים. גם אז, הקוד לא יחליף את הגוף. הוא ינהל אינטראקציה עם מערכת חיה שתמיד שומרת לעצמה מידה של הפתעה.

החברה שתנצח לא בהכרח תמציא את התרופה

כשמסתכלים על המהפכה הזאת, קל להניח שהמנצחת תהיה החברה שתפתח את המודל הביולוגי החזק ביותר או את הרובוט המרשים ביותר.

ייתכן שהחברה החשובה ביותר תהיה דווקא זו שתבנה את שכבת התיאום.

מערכת שמקבלת החלטה רפואית מאושרת, מתרגמת אותה למתכון, בוחרת מכונה, מאמתת חומרי גלם, מנהלת סוכנים, מפקחת על הייצור, בודקת את המוצר ושומרת ראיות יכולה להפוך לתשתית שעליה חברות אחרות פועלות.

זה דומה למערכת הפעלה. המשתמש אינו חושב בכל רגע על ניהול הזיכרון, ההרשאות והחומרה, אך בלעדיהם היישומים אינם יכולים לפעול.

כך גם ברפואה המתוכנתת. חברת התרופות תביא את החומר הפעיל ואת הידע הקליני. יצרן הציוד יביא את המכונה. בית החולים יביא את המטופל ואת אנשי המקצוע. חברת AI תביא מודלים. אבל מישהו צריך לוודא שכל החלקים מדברים באותה שפה ושאף חלק אינו מקבל סמכות מעבר למה שניתן לו.

הזדמנות כזאת יכולה להתחיל ממוצר צר: תוכנת תיעוד ובקרת איכות למדפסות תרופות. משם היא יכולה להתרחב לניהול מתכונים, למחסניות מאומתות, לרשת מכשירים, לסוכני תכנון ולשוק של פורמולציות דיגיטליות.

היתרון אינו רק טכנולוגי. הוא רגולטורי ורשתי. ככל שיותר יצרנים, בתי חולים ומכשירים משתלבים בפלטפורמה, גדלה היכולת שלה להגדיר תקן.

במקום לשאול "איך אבנה מכונה שכולם ידפיסו דרכי תרופות?", כדאי לשאול:

איך אבנה את רשת האמון שבלעדיה אף מכונה לא תהיה מורשית להדפיס תרופה?

זו שאלה גדולה יותר, אך גם עסק גדול יותר.

המהפכה אינה המעבר מסייבר לרפואה — אלא המיזוג ביניהם

Optimus מקבל את הכותרות משום שקל להבין רובוט שנראה כמו אדם. GPT-5.6 מושך תשומת לב משום שקל לראות שיפור בתשובות. מדפסת תרופות מספקת דימוי עתידני שאפשר להמחיש בסרטון.

אבל המהפכה העמוקה יותר מתרחשת בין המוצרים.

היא נמצאת בחיבור בין מודל שמבין הוראות, סוכן שמקבל החלטות, רובוט שמבצע, חיישן שמודד ומערכת אבטחה שמחליטה למי מותר לעשות מה.

היא נמצאת במעבר ממסמך מדעי לתוכנית עבודה, מתוכנית עבודה לניסוי, מניסוי לנתונים, מנתונים להחלטה ומהחלטה למוצר פיזי.

הביולוגיה אכן נעשית ניתנת יותר לתכנון. אפשר לייצג חלבונים, רצפים, מולקולות ותאים כמידע. אפשר לחפש במרחבי תכנון עצומים. אפשר להפעיל מעבדות מהר יותר ולייצר פורמולציות מותאמות.

אבל ככל שאנו הופכים חומר חי לתכנותי יותר, עלינו להפוך את התוכנה לאחראית יותר.

בשלב הראשון, AI עזר לנו לכתוב. בשלב השני הוא עזר לנו להחליט. בשלב הבא הוא יפעיל מערכות שמשנות את העולם הפיזי.

שם כבר לא יהיה מספיק שהמודל "בדרך כלל צודק".

נצטרך לדעת שהוא קיבל את המידע הנכון, פעל במסגרת ההרשאות הנכונה, השתמש במתכון הנכון, שלח פקודה למכונה הנכונה וקיבל תוצאה שנבדקה באופן עצמאי.

לכן הסייבר אינו מת. הוא מתמזג עם רגולציה, בקרת איכות, הנדסת מערכות ורפואה.

הרפואה האוטונומית עשויה להיות המוצר הגדול הבא. הרובוטים יהיו הידיים שלה. הסוכנים יהיו מערכת העצבים. המודלים הביולוגיים יהיו שכבת התכנון.

והסייבר יהיה מערכת החיסון.

המדפסת תהיה רק החלק שאפשר לראות.

החברה שתשלוט בעתיד עשויה להיות זו שתבנה את הדרך הבטוחה מכוונה רפואית למנה מאומתת — ותוכל להוכיח, בכל פעם מחדש, שלא רק ייצרנו תרופה, אלא ייצרנו את התרופה הנכונה, לאדם הנכון, בזמן הנכון ובתנאים הנכונים.