AI בעסק: למה כדאי לבקש מהמודל תוצאה ולא משימה

בקצרה: רוב העסקים משתמשים ב-AI כדי לעשות את אותה עבודה מהר יותר. לפי פליקס רייזברג, מהנדס מוביל ב-Anthropic, הערך הגדול נמצא במקום אחר: לבקש מהמודל תוצאה עסקית ולא משימה, לדרוש ממנו לעבוד בשיטות של מומחים ולבדוק אותו מבחוץ, ולהביא כמה נקודות מבט על אותה החלטה. ההחלטה עצמה נשארת אצלכם.

באמצע אוקטובר פרסם רייזברג, שהוביל את ההנדסה של אפליקציית Claude ושל Cowork, מאמר על איך לבקש מהמודלים יותר. המאמר התפשט מהר, וסרטון של RoboNuggets שסיכם אותו הגיע גם אלינו.

המאמר כתוב לכל מי שעובד עם AI, אבל הוא רלוונטי במיוחד למנהלים. הסיבה פשוטה: מנהל שמבקש מה-AI "תעדכן את הדוח" יקבל דוח מעודכן. מנהל שמבקש "תגיד לי מה צריך להחליט" יקבל משהו אחר לגמרי.

למה רוב העסקים מקבלים מ-AI רק מהירות?

רייזברג מונה ארבעה סוגי שאפתנות בעבודה עם מודלים. הראשון הוא מהירות: לעשות את מה שכבר עושים, רק מהר יותר. זה הסוג שרוב העסקים מתחילים בו, וזה בסדר. אבל הוא כמעט לא משנה את איכות ההחלטות, ולכן הוא מדלג עליו.

שלושת הסוגים האחרים, גובה, עומק ורוחב, הם מה שמבדיל בין AI שחוסך כמה דקות לבין AI שמשפיע על איך העסק עובד.

מה ההבדל בין משימה לתוצאה?

משימה היא הדרך שכבר בחרתם. תוצאה היא מה שהעסק צריך בסוף. רייזברג מציע לשאול לפני כל בקשה: מה אני רוצה שיקרה אחרי זה?

הדוגמה שלו היא סקירה רבעונית. ברוב החברות יש תבנית, וכל רבעון מעדכנים בה את המספרים. אפשר לבקש מה-AI למלא את התבנית. אבל רייזברג ממליץ לתת למודל כמה שיותר נתונים על העסק, ולבקש: "תגיד לי מה השתנה ברבעון, למה, ומה כדאי לנו לעשות עם זה". הוא מציע גם לבקש מהמודל לזהות אילו החלטות הכי דחופות, ולהכין טיעונים בעד ונגד לכל אחת.

חשוב לדעת את הגבול. לפי רייזברג, הגישה הזו עובדת הכי טוב כשיש תוצאה ברורה שאפשר למדוד, ופחות טוב בעבודה יצירתית. "תגדיל את הרווח" עדיין לא בקשה שמודל יכול לבצע לבד.

איך גורמים ל-AI לעבוד כמו מומחה?

הרבה מנהלים כותבים למודל "תתנהג כמו יועץ מומחה". לפי רייזברג זה משנה בעיקר את הניסוח. התשובה נשמעת מקצועית, אבל השיטה לא השתנתה. הוא מציע שלושה דברים במקום זה.

לדרוש את הכלים של הטובים בתחום

קחו חברה שמאבדת לקוחות כל חודש. מי שמטפל בזה ברמה הגבוהה ביותר הוא לא "עוזר כללי", אלא מנהל הצלחת לקוח, מומחה תמחור, ובחברה גדולה גם מנתח נתונים. אם המודל מחזיר טבלה פשוטה, שאלו אותו: זה באמת מה שהמומחים בתחום היו עושים? לא צריך לדעת בעצמכם את התשובה. המודל יודע.

מטרות שנשמעות לא סבירות

רייזברג ממליץ להציב יעד שנראה גבוה מדי, ולהגיד למודל שהוא פתיר. יעד צנוע מקבל פתרון צנוע.

לבדוק את הנתונים הגולמיים

במקום לעבוד מסיכום שמישהו כבר הכין, לבקש מהמודל לחזור לנתונים עצמם ולבדוק את ההנחות של העסק מולם. לפעמים ההנחה שכולם בטוחים בה לא מחזיקה.

איך יודעים שהתוצאה נכונה?

זו הנקודה שהכי חשובה למנהל. רייזברג כותב במפורש: אל תבקשו מהמודל לשפוט את העבודה של עצמו. מודלים נוטים להסכים ולהצדיק את מה שעשו. הוא מניח שזה ישתפר, אבל נכון לאוקטובר 2026 הוא מבקש להתעקש על בדיקה מבחוץ.

בעסק זה אומר לקבוע מראש מה יוכיח שהתוצאה נכונה: מספר מהמערכת, בדיקה אוטומטית שרצה אחרי כל שינוי, או אדם שבודק. רייזברג נותן למודל לשאול את זה בעצמו לפני שהוא מתחיל, בתוך פרומפט של ארבע שאלות: מה מקצוען מוביל היה עושה כאן, מאיזה חומר גלם הוא היה מתחיל, באילו שיטות וכלים הוא היה משתמש, ומה, חוץ מהמודל ומכם, יראה שהתוצאה נכונה.

למה כדאי להביא כמה נקודות מבט על אותה החלטה?

הכיוון השלישי הוא רוחב: להסתכל על העבודה דרך העיניים של כמה תחומים. היום אפשר לחלק עבודה בין כמה סוכנים במקביל, כל אחד מתפקיד אחר, כדי לגלות דברים שאף אחד לא חשב לשאול עליהם.

הטריק שרייזברג מביא: לתאר את העבודה בפועל ולא בשם עצם. בסרטון של RoboNuggets מופיעה דוגמה של מודעה לבית למכירה. כשם עצם, זו "מודעה". כפועל, זה "לעזור למשפחה לדמיין את החיים שלה בבית הזה לפני שהיא מגיעה". פתאום ברור שצריך גם מעצב פנים, גם מי שיבנה סיור תלת-ממדי, וגם מי שמכיר את השכונה.

רייזברג ממליץ להכניס לכל צוות כזה גם צוות אדום, תפקיד שכל מה שהוא עושה הוא לחפש חורים בתוכנית. זה עולה יותר, ולכן מתאים להחלטות החשובות ולא לכל עבודה שגרתית.

איפה המנהל נשאר בתמונה?

שאפתנות לא אומרת לתת ל-AI להחליט. שלושת הכיוונים מחזקים דווקא את התפקיד של המנהל:

• הגדרת התוצאה. רק אתם יודעים מה העסק צריך שיקרה.
• הגדרת ההוכחה. אתם קובעים מה ייחשב תוצאה נכונה, ומי בודק.
• ההחלטה. ה-AI מכין ניתוח, חלופות וטיעונים נגד. ההחלטה נשארת אצלכם.

יש גם שאלה של מידה. בסרטון מזכירים ששאפתנות צריכה סיבה. אם אין "למה" ברור, מגדילים את ההיקף בלי שהעסק מרוויח מזה.

איך מתחילים?

בחרו דוח או סקירה אחת שחוזרת אצלכם כל חודש או רבעון. לפני הפעם הבאה, נסחו מחדש מה אתם רוצים שיקרה אחריה, ובקשו את זה במקום לבקש לעדכן את התבנית. קבעו מראש מה יוכיח שהתשובה נכונה. משם קל לראות איפה עוד זה מתאים.

שאלות נפוצות

מה ההבדל בין לבקש מ-AI משימה לבין לבקש תוצאה?

משימה היא הדרך שכבר בחרתם, למשל לעדכן את הטבלה בדוח. תוצאה היא מה שהעסק צריך בסוף, למשל להבין מה השתנה ומה עושים עם זה. כשמבקשים תוצאה, המודל יכול להציע דרך שלא חשבתם עליה.

איך יודעים שמה שה-AI החזיר נכון?

לא סומכים על המודל שיבדוק את עצמו. קובעים מראש מה יוכיח שהתוצאה נכונה: מספרים מהמערכות שלכם, בדיקה אוטומטית, או אדם שבודק. מודלים נוטים להסכים עם עצמם.

האם צריך כמה סוכנים לכל תהליך?

לא. כמה נקודות מבט במקביל עולות יותר, ולכן הן מתאימות להחלטות חשובות. עבודה שגרתית מסתדרת בדרך כלל עם סוכן אחד ובקרה טובה.

איפה המנהל נשאר בתמונה?

בהגדרת התוצאה, בקביעת מה נחשב הוכחה, ובהחלטה עצמה. ה-AI מכין את הניתוח והחלופות, אבל ההחלטה נשארת אצלכם.

רוצים לבדוק איפה AI יכול להשפיע אצלכם? אנחנו מפתחים סוכני AI לחברות ומעבירים סדנאות לצוותים. בשיחת אפיון קצרה נבין יחד מאיפה נכון להתחיל.

המקור: המאמר של Felix Rieseberg, How to be more ambitious: a tutorial for humans with models, והסרטון של RoboNuggets שמסכם אותו, Anthropic just shared how they use Claude differently.