במאמר הזה
בקצרה: כשעובד שולח PDF לכלי AI, המודל קורא כל עמוד גם כטקסט וגם כתמונה. זה עולה יותר, ומשאיר פחות מקום לשאלה עצמה. המרה מראש לטקסט מסודר, למשל עם הכלי החינמי MarkItDown של מיקרוסופט, יכולה להוזיל ולחדד את התשובות. היא לא מתאימה למסמכים שבהם המראה הוא חלק מהתוכן.
קל מאוד שזה יקרה בלי שמישהו החליט על זה. עובד מעלה חוזה ל-Claude כדי למצוא סעיף, מנהלת כספים שולחת דוח רבעוני ומבקשת סיכום, מישהו במכירות מעלה מחירון ושואל שאלה.
השאלה שמנהלים שואלים היא בדרך כלל "האם המידע בטוח". זו שאלה נכונה. אבל יש עוד שאלה, פחות מדוברת: האם המסמך מגיע למודל בצורה שהוא יכול לעבוד איתה טוב.
למה הפורמט משנה את החשבון?
PDF נבנה כדי להיראות טוב בהדפסה, לא כדי שמכונה תקרא אותו. לפי התיעוד של Anthropic, Claude מעבד כל עמוד PDF פעמיים: הוא מחלץ את הטקסט, והופך את העמוד לתמונה ומסתכל עליה. הטקסט לבד עולה 1,500 עד 3,000 טוקנים לעמוד, והתמונה מתומחרת בנפרד.
בשימוש של עובד אחד זה זניח. כשמסמכים הופכים לחלק קבוע מתהליך, למשל עשרות מסמכים ביום שעוברים דרך מודל, זה כבר שורה בתקציב, והיא גדלה עם כל תהליך נוסף שעובר דרך AI.
האם זה משפיע גם על הדיוק?
כן, בעקיפין. לכל שיחה עם מודל יש גבול של כמה מידע הוא מחזיק בבת אחת. מסמך כבד ממלא את המקום הזה בעיצוב, בכותרות שחוזרות בכל עמוד ובטבלאות שנשברו. נשאר פחות מקום לשאלה, להקשר ולתשובה.
טקסט מסודר בפורמט Markdown, שבו ברור מה כותרת, מה סעיף ומה שורה בטבלה, הוא פורמט שמודלי שפה מכירים היטב. מאותו מסמך המודל מקבל פחות רעש ויותר מבנה.
מה זה MarkItDown, במשפט אחד?
כלי קוד פתוח של מיקרוסופט, ברישיון MIT, שממיר מסמכים לטקסט Markdown לפני שהם נשלחים למודל. הוא מקבל PDF, וורד, אקסל, פאוורפוינט, HTML, CSV, תמונות, אודיו ועוד. ההמרה רצה על המחשב או על השרת שלכם.
הוא לא הכלי היחיד שעושה את זה, אבל הוא דוגמה טובה לעיקרון: מכינים את המסמך לפני ששולחים אותו, במקום לשלם על הבלגן בכל פעם מחדש.
איפה זה לא מתאים?
| סוג מסמך | המרה לטקסט |
|---|---|
| חוזים, נהלים, מדיניות | מתאימה. התוכן הוא הטקסט |
| מחירונים וטבלאות באקסל | מתאימה, כדאי לבדוק שהטבלה יצאה שלמה |
| דוחות עם גרפים | חלקית. הגרף עצמו הולך לאיבוד |
| סריקות, טפסים, חשבוניות | זהירות. המיקום על הדף אומר משהו, וזיהוי הטקסט לא תמיד נקי |
איפה האדם נשאר בתמונה?
המרה היא שלב טכני, אבל ההחלטה אילו מסמכים עוברים למודל ובאיזו צורה היא החלטה ניהולית. מישהו צריך לקבוע אילו סוגי מסמכים ממירים, לבדוק מדגם של התוצאות, ולוודא שמה שהגיע למודל הוא באמת מה שהיה במקור.
ויש גם שאלת אבטחה. לפי הריפו, MarkItDown קורא קבצים עם ההרשאות של מי שמריץ אותו, ושרת ה-MCP שלו מיועד לשימוש מקומי בלבד ובלי הזדהות. כלים כאלה לא פותחים לרשת, ולא מריצים על תיקייה שיש בה יותר ממה שצריך.
מה לשאול לפני שמסמכים נכנסים לעבודה קבועה עם AI?
- אילו מסמכים יוצאים מהחברה? רשימה פשוטה של סוגי המסמכים שעובדים כבר שולחים לכלי AI היום, גם בלי אישור מסודר.
- באיזו צורה הם נשלחים? קובץ מקורי, צילום מסך או טקסט. כל צורה עולה אחרת ונותנת דיוק אחר.
- כמה פעמים אותו מסמך נשלח שוב? מחירון שעולה לכלי AI עשר פעמים ביום הוא מועמד טוב להכנה מראש, פעם אחת.
- מי בודק את התוצאה? כשמסמך עובר המרה, צריך מישהו שמוודא מדי פעם שלא נעלמה שורה בטבלה או סעיף בחוזה.
איך מתחילים?
בחרו סוג מסמך אחד שעובר אצלכם ל-AI באופן קבוע, למשל חוזים או דוחות חודשיים. בקשו ממי שעובד איתם לשאול את אותה שאלה פעמיים: פעם על הקובץ המקורי ופעם על גרסת טקסט. תשוו את התשובות ואת השימוש. התוצאה תגיד לכם אם שווה להפוך את זה לשלב קבוע בתהליך.
שאלות נפוצות
למה PDF עולה יותר מטקסט רגיל?
לפי Anthropic, Claude קורא כל עמוד PDF גם כטקסט וגם כתמונה. הטקסט לבד הוא 1,500 עד 3,000 טוקנים לעמוד, והתמונה מתומחרת בנפרד.
ההמרה לטקסט שולחת את המסמכים שלנו לעוד מקום?
MarkItDown רץ אצלכם. ההמרה לא שולחת את הקובץ לשירות חיצוני, אלא אם בוחרים במפורש בתוספות של שירותי ענן.
זה מתאים לכל סוגי המסמכים?
לא. גרפים, סריקות, טפסים וחשבוניות עלולים לאבד מידע. שם עדיף לתת למודל את הקובץ המקורי.
מה משפיע על העלות של עבודה עם מסמכים ב-AI?
מספר העמודים, הצפיפות שלהם, כמה פעמים אותו מסמך נשלח שוב, והאם הוא נשלח כקובץ מקורי או כטקסט נקי.
מכניסים מסמכים לעבודה עם AI ורוצים לעשות את זה נכון מההתחלה? דברו איתנו.
קרדיט: הרעיון הגיע מריל של Roman Knox באינסטגרם. העובדות מהתיעוד של Anthropic ומהריפו של MarkItDown.
ספרו לנו על תהליך אחד בשיחה של 30 דקות. נגיד לכם בכנות אם סוכן יכול לעשות אותו.
