אתם מכירים את הרגע הזה שבו מישהו מהצוות שואל שאלה תמימה? "תגיד, איך עובד התהליך הזה?" ואז יש שקט. שקט של, זה נכתב לפני חמש שנים שנים, בלי אפיון, בלי דרישות ועל ידי מפתח שכבר מזמן לא נמצא באזור. לפני כמה ימים הגיעה אליי מנהלת המוצר שלנו עם שאלה כזאת בדיוק! היא סיפרה שיש תהליך ישן שנכתב מול כמה מערכות צד שלישי, והיא לא ממש מצליחה להבין את הלוגיקה העסקית שלו. וכמו בכל מקום שהאפיון לא היה קיים באותם שנים השאלה הראשונה שעלתה לה הייתה: "אתה יכול להיכנס לקוד ולבדוק?" כי אין דבר שאנחנו אוהבים יותר מלהתחיל מסע ארכיאולוגי בין repos, בקוד שבכלל נכתב לפני עשור. ואז עצרתי רגע. אם כבר יש לנו AI שעוזר לכתוב קוד, למה שהוא לא יעזור לנו גם להנגיש את הקוד בצורה קריאה? חיפשתי פתרונות, בדקתי כיוונים, ואז גיליתי שהפתרון היה לי ממש מתחת לאף: GitHub Copilot Spaces. הכירות קצרה, מה זה Space? אזור עבודה בתוך GitHub Copilot, שנמצא תחת פלטפורמת GitHub, ומאפשר לבנות סביבת הקשר ייעודית עבור Copilot. בתוך ה־Space אפשר לרכז תכולות שונות כמו repositories, קבצים, pull requests, issues, טקסט חופשי, מסמכים וקבצים נוספים. לאחר מכן אפשר לשאול את Copilot שאלות שמבוססות על כל ההקשר הזה, ולא רק על קובץ בודד או repository אחד. במילים פשוטות: במקום שה Copilot ינסה לנחש למה התכוונתם, אתם נותנים לו את החומר הגלם מראש, ואז הוא יכול לענות בצורה הרבה יותר ממוקדת, מקצועית ומחוברת לקוד הארגוני שלכם. כשתהליכים שלמים הולכים לאיבוד בואו נדבר תכלס. ברוב הארגונים התיעוד לוקה בחסר. (לא אצלכם כמובן, אצלכם הכול מושלם). גם אם תיעדנו משהו בתחילת הדרך, הקוד ממשיך לפעמים להשתנות תוך כדי תנועה. כי למי יש את כוח האדם גם לשנות בתיעוד וגם לכתוב את הקוד? אז מעגלים פינות. והקוד? הקוד ממשיך להשתנות. אנשים מתחלפים. פיצ’רים נבנים אחד על השני. מערכות צד שלישי מתווספות. שמות של שירותים משתנים. ובסוף מגיע היום שבו מנהלת מוצר, ארכיטקט, ראש צוות או מפתח חדש שרק הגיע לארגון צריכים להבין איך משהו עובד באמת. ואז מתחיל הסיור המודרך בג'ונגל שלפעמים מצליח ולרוב לא. הבעיה היא לא רק הזמן, הבעיה היא שהידע הארגוני מפוזר. חלק ממנו נמצא בקוד. חלק ממנו נמצא בראש של מפתח ותיק. חלק ממנו נמצא במסמך word שעודכן בתקופה שבה כולם חשבו שהדיסק און קי זה העתיד. וחלק ממנו פשוט לא נמצא. ופה Copilot Spaces נכנס לתמונה. כשאין תיעוד הקוד הוא מקור האמת במקרה שלי, השאלה הייתה עסקית לגמרי והצורך של אותה מנהלת מוצר הוא אמיתי. מה שרציתי לקבל זה משהו אחר לגמרי: מסמך מסודר / workflow שמסביר מה התהליך. כלומר, לא תשובה טכנית, אלא הסבר עמוק לתהליך. אפיון פונקציונלי. PRD. מדובר בכלי למנהלי מוצר, ראשי צוותים, ארכיטקטים, אנשי QA, DevOps, ואפילו מנהלים שרוצים להבין מה באמת קורה מתחת לאף שלהם, ומבלי לדעת קוד. איך מתחילים? אז למי שיש היום GitHub Copilot בארגון, אפשר להיכנס לאזור האישי שלו ומשם לגלוש ל: https://github.com/copilot/spaces לבנות Space חדש, לבחור את הארגון, את ה־repos ועוד מקורות מידע. בנוסף, אפשר להגדיר Instructions שהן ההוראות שמגדירות ל Copilot איך לענות. במקום לשאול שאלה נקודתית כמו “איפה מוגדר login?”, עדיף לשאול שאלה רחבה יותר, למשל: "תסביר לי איך עובד תהליך ההזדהות מקצה לקצה, כולל טיפול בשגיאות." באותה צורה, במקום לשאול “מה עושה הפונקציה הזאת?”, אפשר לבקש מ־Copilot לנתח תהליך שלם ולשאול: "תנתח את התהליך העסקי XXX, תציג את הזרימה המלאה, ותציין אילו מערכות צד שלישי מעורבות." המטרה היא לא להשתמש ב־Copilot רק כדי למצוא שורה בקוד, אלא כדי להבין תהליך שלם, את ההיגיון שמאחוריו, ואת המקומות שבהם הקוד מתחבר למערכות אחרות בארגון. היתרונות ברורים חיסכון בזמן : תהליך שיכול לקחת שעות או ימים של חפירה בקוד יכול להפוך לשיחה ממוקדת. לא תמיד נקבל תשובה מושלמת, אבל נקבל מפת דרכים: איפה לבדוק, מה קשור למה, אילו קבצים רלוונטיים, ואיפה יש חורים בהבנה. שיפור איכות התיעוד: במקום לכתוב תיעוד ידנית מאפס, אפשר לבקש מ־Copilot Spaces לייצר טיוטה מבוססת קוד. אחר כך בן אדם עובר, מתקן, מוסיף הקשר עסקי, ומאשר. זה לא מחליף אחריות מקצועית, אבל זה בהחלט מקצר את הדרך. תהליך OnBoarding: מפתח חדש שמצטרף לצוות לא חייב להתחיל ב"תפתח את הפרויקט ותנסה להבין". אפשר לבנות לו Space עם הקבצים, וה repos הרלוונטיים, ולתת לו לשאול שאלות. הפחתת תלות באנשים: כולנו מכירים את האדם הזה בארגון "רק אורי יודע איך זה עובד." ומה קורה כשאורי בחופש? או במילואים? או החליט להרים טברנה בסלוניקי? הבנתם את הפואנטה :) אל תבקשו תשובה, תבקשו מסמך אפיון הטעות הכי נפוצה בעבודה עם AI היא לבקש ממנו להסביר. זה נחמד, אבל בארגון אנחנו צריכים משהו יותר מסודר. אנחנו צריכים תוצר שאפשר לקרוא, לשתף, לתקן, לאשר ולהפוך למסמך עבודה אמיתי. לכן אני ממליץ להגדיר ל־Space הנחיות קבועות מראש, ולא להסתפק בשאלה כללית. במקום לקבל “תשובה של צ’אט”, אפשר לבקש מ־Copilot לייצר מסמך מובנה לפי פורמט קבוע. לדוגמה, אם אתם רוצים לנתח תהליך קיים מתוך הקוד, אפשר להשתמש בפרומפט: כתוב מסמך ניתוח מסודר על בסיס הקוד והמקורות הקיימים ב-Space. מבנה המסמך: 1. מטרת המסמך 2. הסבר עסקי 3. הסבר התהליך / הזרימה 4. ממצאים מתוך הקוד 5. נקודות לא ברורות / חסרות בקוד 6. סיכונים או בעיות אפשריות 7. המלצות 8. עדויות מהקוד ואם מדובר בפיצ’ר חדש, שינוי קיים או הרחבה של יכולת במערכת, אפשר להשתמש בפרומפט: אפיון טכני: [שם הפיצ׳ר / השינוי] כתוב אפיון טכני מסודר על בסיס הקוד, המסמכים והמקורות הקיימים ב-Space. מבנה האפיון: 1. מטרת הפיצ׳ר 2. מצב קיים לפי הקוד 3. דרישה פונקציונלית 4. פתרון טכני מוצע 5. תהליך flowchart digram 6. מבנה API, פרמטרים ומבנה 7. מבני נתונים, טבלאות ופרוצדורות 8. תהליכים 9. אבטחת מידע והרשאות 10. שגיאות 11. עדויות מהקוד כבר לא מדובר בתשובה קצרה מהצ’אט, מדובר בבסיס למסמך מקצועי. מחשבות סיום לא מדובר בעוד פיצ'ר או כלי נישה, מדובר בשינוי מחשבתי. במקום להשתמש ב AI ככלי שכותב קוד, אפשר להתחיל לראות אותו ככלי שמבין את הארגון דרך הקוד. בעולם שבו התיעוד רודף אחרי הפיתוח, הגיע הזמן להפוך את היוצרות ולהפוך את הקוד עצמו למנוע שמייצר תיעוד. בהצלחה!

לא, זה לא פתיח לסרט מתח של נטפליקס, אלא תחילתה של שיחה עם קולגה שלי שסיפר לי בהתלהבות על מוצר חדש בתחום הבינה המלאכותית. הרעיון היה מבריק ופשוט. מערכת שמסוגלת לחסוך לצוותי שירות, דיגיטל ומוצר שעות ארוכות של עבודה ידנית, חיפושי מידע, תיעוד תהליכים והתעסקות אינסופית עם משימות שחוזרות על עצמן. ככל שהשיחה התקדמה הרגשתי את אותה תחושת התלהבות שמלווה כמעט כל חידוש משמעותי בעולם ה-AI. אבל אז עלתה בראשי שאלה פשוטה, שאלה שמלווה אותי כמעט בכל פעם שאני נחשף לטכנולוגיה חדשה, למה לרכוש מוצר כזה אם אפשר לנסות לבנות אותו בעצמי?? הסקרנות ניצחה. במקום לבחון את המוצר כמשתמש פוטנציאלי, החלטתי לבחון אותו כאתגר. רציתי להבין עד כמה רחוק אפשר להגיע בעזרת הדור החדש של סוכני ה-AI, ועד כמה באמת אפשר להחליף תהליכים שבעבר דרשו צוותים שלמים של אנשי מקצוע. אז רגע, מה זה בכלל Agent? לפני שנצלול לסיפור עצמו, כדאי לעצור לרגע ולהבין על מה כולם מדברים כשהם מזכירים את המילה Agent. בשנה האחרונה הפך המונח הזה לאחת המילים החמות ביותר בעולם הבינה המלאכותית, ולא במקרה. רובנו מכירים צ'אטבוטים כמו ChatGPT או Claude. הם מחכים לשאלה, מגיבים לבקשה ומספקים תשובה. Agent, לעומת זאת, הוא יצור מסוג אחר לגמרי. הוא לא רק מגיב אלא גם פועל. הוא מקבל יעד, מפרק אותו למשימות, מקבל החלטות ומבצע פעולות לאורך זמן כדי להגיע לתוצאה הרצויה. לכל Agent יש בדרך כלל זיכרון משלו, שמאפשר לו לזכור מידע רלוונטי לאורך התהליך. יש לו סט יכולות מוגדר, גישה לכלים שונים, קונקטורים למערכות חיצוניות והגדרה ברורה של התפקיד שלו. במילים אחרות, אפשר לחשוב עליו כעל עובד דיגיטלי שמבין מי הוא, מה האחריות שלו ומה מצופה ממנו לבצע. כאשר מחברים מספר Agents יחד, כל אחד עם התמחות שונה, מתחילים לקבל משהו שמזכיר צוות עבודה אמיתי לכל דבר. הקמתי CTO דיגיטלי מתוך ההבנה הזאת החלטתי לבצע ניסוי קטן. יצרתי Agent אחד בתפקיד CTO. לא מפתח, לא מנהל מוצר ולא איש QA, אלא מנהל טכנולוגי שאמור להקים עבורי את כל מערך הפיתוח הנדרש. ההנחיה הייתה פשוטה: בנה צוות שיכול לקחת רעיון ולהפוך אותו למוצר. תוך זמן קצר נוצרה מערכת שלמה של סוכנים. אחד קיבל את תפקיד מנהל המוצר ואחראי על איסוף הדרישות והבנת הצורך העסקי. אחר הוגדר כאדריכל תוכנה והיה אחראי על תכנון המערכת. סוכנים נוספים קיבלו תפקידי פיתוח Front-End ו-Back-End, בדיקות איכות, ניתוח נתונים, חוויית משתמש ועוד. לכל אחד הייתה אחריות ברורה, זיכרון משלו ומשימות שהוגדרו עבורו. לרגע הרגשתי כאילו גייסתי חברת תוכנה שלמה, רק בלי ראיונות עבודה, בלי תקציבי גיוס ובלי כל הכיף בלהתחיל לחפש עובדים בלינקדאין. צוות שלם שלא קיים, אבל עובד אחרי שהצוות הוקם הגיע הרגע האמיתי. ביקשתי מ-Claude להתחיל לעבוד. מה שקרה אחר כך היה מפתיע אפילו עבורי. במקום להתחיל מיד לכתוב קוד, הסוכנים פעלו בדיוק כפי שהיית מצפה מצוות מקצועי. הם שאלו שאלות, ניסו להבין את מטרת המוצר, בחנו תרחישי שימוש אפשריים, ניתחו את הדרישות ובנו מסמך אפיון מסודר!! לאחר מכן הם חילקו ביניהם את המשימות, הגדירו את הארכיטקטורה והחלו בתהליך הפיתוח. החוויה הייתה כמעט מוזרה. לא הייתי צריך לנהל את הפרויקט, לא לעקוב אחרי סטטוסים ולא לפתור ויכוחים בין אנשי צוות. כל אחד מהסוכנים ידע מה עליו לעשות והתקדם באופן עצמאי לעבר המטרה המשותפת. הלכתי לישון והם המשיכו לעבוד! ואז הגיע החלק המדהים באמת. בסוף היום סגרתי את המחשב והלכתי לישון. בזמן שאני נחתי, הסוכנים המשיכו לעבוד. הם המשיכו לפתח, לבדוק, לשפר, לתקן, להציע רעיונות חדשים ולבצע אופטימיזציות. לא היו להם שעות עבודה, לא הפסקות קפה ולא צורך בחופשה. זאת אולי הפעם הראשונה שבה הבנתי באופן מוחשי מה המשמעות האמיתית של עבודה עם Agents. לא מדובר בעוד כלי שמאיץ את העבודה שלי. מדובר במערכת שממשיכה לעבוד גם כשאני לא עובד. למחרת בבוקר חזרתי למחשב עם ציפיות די צנועות. הייתי בטוח שאמצא גרסה ראשונית, אולי אבטיפוס בסיסי או שלד של מערכת שאצטרך להמשיך לפתח בעצמי. בפועל חיכתה לי הפתעה גדולה הרבה יותר. הפרויקט הושלם ברמה שהייתה הרבה מעבר למה שציפיתי לראות. לא רק שהמערכת הצליחה לשחזר את הרעיון המקורי שראיתי אצל אותו סטארטאפ, אלא שבמקרים רבים היא אף התעלתה עליו. הסוכנים הוסיפו פיצ'רים שלא חשבתי עליהם, יצרו תהליכי עבודה חכמים יותר, שיפרו את חוויית המשתמש והציעו פתרונות יצירתיים שלא הופיעו כלל בדרישות הראשוניות. באותו רגע הבנתי שאנחנו כבר לא נמצאים בשלב שבו AI רק מסייע לנו לבצע עבודה. אנחנו מתחילים להיכנס לעידן שבו הוא גם מציע כיוונים חדשים שלא חשבנו עליהם בעצמנו. האם עידן ה-Vibe Coding כבר מאחורינו? הסיבה שכל כך הרבה אנשים מדברים לאחרונה על Claude Co-Worker היא לא עוד פיצ'ר חדש או שיפור קטן במודל. ההתרגשות נובעת מהרעיון הרחב יותר: יצירת כוח עבודה דיגיטלי שמסוגל לבצע משימות מורכבות בצורה אוטונומית. אנחנו מתחילים לראות מערכות שמורכבות לא מסוכן אחד אלא מעשרות סוכנים שונים. כל אחד מהם מתמחה בתחום אחר, משתף מידע עם שאר הסוכנים ופועל כחלק ממערכת גדולה יותר. כאשר כל המרכיבים הללו עובדים יחד, מתקבלת תחושה של ארגון שלם שפועל מסביב לשעון. אם המגמה הזאת תימשך, ייתכן שבעתיד הלא רחוק צוותים קטנים יוכלו לבצע עבודה שבעבר דרשה מחלקות שלמות. לא משום שבני האדם ייעלמו, אלא משום שכל עובד יקבל לידיו כוח ביצוע שבעבר היה זמין רק לארגונים גדולים. רגע, בואו נרד מהעץ אבל כאן חשוב לעצור ולהכניס מעט פרופורציות. קל מאוד להיסחף בהתלהבות, ובצדק. מדובר באחת מקפיצות המדרגה המרשימות ביותר שראינו בעולם הבינה המלאכותית, אבל חשוב לזכור שהטכנולוגיה עדיין אינה מושלמת. חברות שמנהלות מוצרים חיים עם אלפי או מיליוני לקוחות לא ימהרו לתת לסוכני AI שליטה מלאה על מערכות הייצור שלהן. הסיבה פשוטה: כאשר מערכת קיימת כבר עובדת ומייצרת ערך, כל שינוי עלול ליצור בעיות בלתי צפויות. פיצ'ר חדש יכול לגרום לתקלה, שינוי קטן יכול לפגוע בתהליכים עסקיים, ובמקרים מסוימים התוצאות עלולות להיות אפילו קטסטרופליות. האתגר הופך למורכב עוד יותר בגלל קצב ההתפתחות המטורף של התחום. סוכנים חדשים, כלים חדשים ויכולות חדשות מופיעים כמעט מדי שבוע, בקצב שגם מומחי הסייבר ואבטחת המידע המנוסים ביותר מתקשים לעקוב אחריו. לא מדובר בכישלון של אנשי האבטחה, אלא במציאות שבה קצב החדשנות הפך לחסר תקדים. בשנים הקרובות האתגר האמיתי לא יהיה רק לבנות סוכנים חכמים יותר, אלא למצוא את הדרך ליהנות מכל היתרונות שהם מביאים מבלי לאבד שליטה על אבטחת המידע, פרטיות הנתונים והיציבות של המערכות הארגוניות. מחשבות סיום אם יש מסקנה אחת שלקחתי מהניסוי הזה, היא שאנחנו חיים בתקופה יוצאת דופן. לפני שנתיים התפעלנו ממערכות שיודעות לכתוב טקסט. לפני שנה התפעלנו ממערכות שיודעות לכתוב קוד. היום אנחנו כבר מדברים על צוותים שלמים של עובדים דיגיטליים שמקימים מוצרים בזמן שאנחנו ישנים. האם זאת קפיצת המדרגה הגדולה ביותר שראינו עד כה? ייתכן מאוד שכן. אבל אם למדנו משהו מהשנתיים האחרונות, זה שקשה מאוד לחזות מה תהיה הקפיצה הבאה. בכל פעם שאנחנו בטוחים שהגענו לשיא, מגיעה טכנולוגיה חדשה שמזיזה שוב את הגבול. לכן, אולי השאלה המעניינת ביותר היא לא מה הסוכנים מסוגלים לעשות היום, אלא מה הם יהיו מסוגלים לעשות מחר בבוקר, בזמן שאנחנו עדיין ישנים. בהצלחה!

אני מודה, אני קצת מוטה. כבר שנים שאני חי בתוך האקוסיסטם של Atlassian. Jira לניהול משימות, Confluence לניהול ידע, דשבורדים, אוטומציות, ספרינטים... ובכלל, כל החבילה. האמת? זה עובד לי מצוין. החל מהרגע שבו נולד רעיון, דרך תכנון, ביצוע והטמעה, הכול עובר שם. אני גם משתמש בדוחות שעוזרים לי להשתפר כל הזמן: למדוד את עצמי, למדוד את הצוותים, להבין איפה אנחנו נתקעים ואיך המחלקות שאני מנהל יכולות לעבוד חכם הרבה יותר. אבל אם להיות כנה רגע… לפעמים בא לי קצת יותר. לפעמים אני מרגיש שאנחנו הולכים לאיבוד באינסוף משימות, וכשמגיע הזמן לתחקר אירוע, הדרך היחידה היא חפירה אינסופית. למצוא את הטיקט, את ההחלטה, למצוא מי שינה מה ומתי, ולמצוא למה בכלל זה קרה. זה מרגיש כמו חקירה ארכיאולוגית שגוזלת המון זמן. ואז מצאתי את הבסטי החדש שלי, ובבת אחת הכול התחיל להתחבר. ברוכים הבאים לעולם של Rovo. אז מה הסיפור? מי אתה Rovo? מנוע ה AI החדש של Atlassian ובשמו Rovo, הוא שכבת LLM שמתחברת לכל הידע הארגוני. Jira, Confluence, Google Drive, Slack וכמעט כל מקור ידע נוסף שהוספנו כקונקטור. תארו לעצמכם עוזר אישי שחי על מקורות הידע הארגוני שלכם, ובמקום להתחיל לחפש בהם ידנית, הוא יודע לבנות בעצמו הקשרים ותובנות מבוססי נתונים. שאלות כגון: מה העיכובים העיקריים בספרינט האחרון? אילו תקלות חזרו על עצמן החודש? איפה אנחנו מפספסים SLA?אילו משימות תקועות ללא התקדמות? ובמקום לעבוד עם רשימה של טיקטים, מקבלים סיפור עם הקשר, תובנות והמלצות להמשך הדרך!! וזה בדיוק הרגע שבו Rovo מפסיק להיות כלי והופך להיות חבר צוות. הדרך החדשה לחיפוש ידע ארגוני Rovo Search אם יש משהו שכל ארגון סובל ממנו, זה פיצול ידע. החלטות ב-Slack, תיעוד ב-Confluence, משימות ב Jira, קבצים בדרייב ומיילים שאף אחד לא באמת מוצא. Rovo Search משנה את כללי המשחק. במקום לחפש, אפשר פשוט לשאול: מה החלטנו לגבי המעבר לארכיטקטורה החדשה? מי טיפל בתקלה הדומה האחרונה? איזה לקוחות הושפעו מהבאג האחרון? ומה הסיבה המרכזית לדחיות בפרויקט X? והוא מחבר הכול יחד. לא רק מחפש מילים, אלא מבין משמעות. הדרך החדשה לניהול ויצירת יידע אחד הדברים הכי מפתיעים ב-Rovo הוא היכולת לייצר דפי Confluence חכמים בתוך שניות. סיכום ספרינט, מסמך אפיון, סיכום ישיבה, דוח ביצועים, סיכום תקלות חוזרות ועוד.. והכול בשפה טבעית. Rovo יודע לקחת את כל המשימות, התגובות וההחלטות ולהפוך אותן למסמך ברור ומובנה. בלי לחשוב על טמפלטים, בלי העתק-הדבק ובלי חיפוש לינקים. וזה חוסך שעות!! בניית סוכן ליצירת תובנות ופה מגיע החלק שבו Rovo הוא כבר לא סתם עוד בינה, אלא הופך להיות העובד החדש בצוות שלי! הגדרתי לו תפקיד: מנהל פרויקט. ביקשתי ממנו לזהות טיקטים שחוזרים על עצמם, למצוא תקלות חוזרות, לנתח עמידה ביעדים, לזהות צווארי בקבוק, להתריע על חריגות ולהציע שיפורים. והוא פשוט התחיל לעבוד. פתאום אני מקבל תובנות כמו: המשימות מתעכבות יותר מהממוצע, אותה תקלה חזרה כמה פעמים החודש, הצוות מפספס SLA בנקודות זמן קבועות, קיימת תלות חוזרת בגורם צד שלישי שלא מספק את הסחורה ומעכב את ההתקדמות, וזמן הסגירה עלה בצורה מורגשת בספרינט האחרון. השלב הבא הוא לא רק שיציע פעולות, אלא גם שבצע אותן. Rovo יודע להריץ אוטומציות, לפתוח טיקטים חדשים, לעדכן משימות קיימות, ליצור דפי Confluence, לסכם תקלות, לייצר רטרוספקטיב, להקצות משימות לצוות, להתריע על חריגות בזמן אמת ולבנות תהליכים שלמים מקצה לקצה. תקלה שחוזרת על עצמה יכולה להפוך אוטומטית לבאג חדש עם כל ההקשר. ספרינט שמתעכב מזוהה בזמן עם הצעה לחלוקה מחדש. אירוע עלייה לאוויר הופך למסמך מתועד. ותלות בצוות אחר הופכת לטיקט מקושר, בלי שאף אחד יתחיל לרדוף אחרי אנשים. בנקודה הזו מבינים שאנחנו כבר לא בעולם שבו AI רק מנתח את העבודה, אלא בעולם שבו AI מתחיל לנהל אותה בפועל. זה בדיוק הרגע שבו Rovo מפסיק להיות עוזר חכם והופך לחלק אמיתי מצוות הניהול. אבל רגע.. קפצנו לאוניברסיטה, בואו נתחיל בכיתה א יצרתי לכם פרומפט בסיסי ליצירת סוכן חכם ב-Rovo, כזה שאפשר להתחיל ממנו ולהתאים אותו לצרכים של הצוות או הארגון. הרעיון הוא להגדיר ל-Rovo תפקיד ברור, תחומי אחריות, מקורות מידע ומה בדיוק אתם מצפים לקבל ממנו. You are a senior PMO analytics advisor for engineering and product delivery. Your job is to analyze Jira work items and related Confluence context from the filter, JQL, sprint, release, epic, or task scope provided by the user, then produce sharp PMO insights for leadership use. Focus on: - recurring and reopened bugs - delivery risks and blockers - aging work and stuck items - throughput and productivity patterns - cycle time, lead time, and time-in-status signals - sprint and release progress - workload imbalance across teams or assignees - estimation, planning, and execution gaps - quality trends, rework, dependencies, and bottlenecks Behave like a highly skilled PMO: - be advisory, practical, and management-oriented - identify the most important problems, not just raw data - explain what is happening, why it matters, and what action to take - highlight trends, exceptions, root-cause themes, and likely delivery risks - compare by team, assignee, sprint, epic, release, project, priority, and component when useful - use Confluence context when it helps explain delivery decisions, scope changes, or dependencies Output structure: 1. Executive summary 2. Key insights 3. Main problems and risks 4. Productivity and flow observations 5. Quality observations 6. Recommended management actions 7. Suggested charts for a board presentation For each suggested chart, give: - chart title - chart type - what to group by - what management question it answers Rules: - prioritize the top 5 to 10 insights - be concise and specific - do not invent data - if data is missing or weak, say so clearly - when possible, distinguish facts from assumptions - prefer actionable recommendations over generic advice - write in professional English for a PMO audience רוצים לראות עוד? מחשבות סיום לדעתי, זה אחד מהצעדים הכי משמעותיים שAttlasian עשתה לאחרונה. Jira ו-Confluence ושלל מערכות הידע שלנו הופכים ממערכות תיעוד למערכות חושבות . והשלב הבא?? מערכות שיודעות גם לנהל את הידע הארגוני טוב יותר מאיתנו. וכן…זה קצת מפחיד. אבל בעיקר זה מטורף. בהצלחה!

אתם מכירים את ההרגשה הזאת שכל שבוע יוצא כלי AI חדש למפתחים, ואתם כבר יודעים מראש איך הוא ייראה? זה יהיה עוד בן דוד מדרגה שלישית של VSCode, הפעם עם נגיעות Cursor, קצת פייסליפט של Copilot, והבטחה מהונדסת ש"הפעם זה שונה". אז זה קרה גם הפעם, רק שהפעם זה מלווה בטוויסט קטן. גוגל השיקה לאחרונה IDE חדש בשם Antigravity , שהוא כבר עכשיו, כן, נו.. עוד Fork של VSCode. נכנסתי לזה עם ספקות ברמת “ברור שזה יהיה עוד אותו דבר”. ואז ניסיתי. לא היה שם “וואו”, אבל אני מודה…משהו שם תפס אותי. אז מי את בכלל Google Antigravity? ניסיון של גוגל לייצר IDE שלא רק עוזר  למפתחים אלא אחד שמרגיש כמו קולגה אמיתית בצוות. הוא לא עוד כלי ל autocomplete, אלא כמו מישהו שאומר לך: “אחי, תן לי להבין את הפרויקט. אתה תתרכז בבלאגן שלך, אני אתרכז בבאלגן שלי ויחד נעשה סדר.” ההתחלה היא לא הקוד, אלא בבניית PRD מובנה , שאלות, חיבור נקודות, ניסיון להבין את הכוונה, פירוק הבעיה… ורק לבסוף קפיצה לפתרון. פחות “IDE מצפצף עליי”,יותר “שקט, אני איתך". סרטון הדגמה ליכולות המדהימות של Antigravity הטוויסט, לא עוד קופסה שחורה Editor Mode די מזכיר את כל שאר ה-IDEים הקיימים היום בשוק (Cursor, Windsurf..) מוכר, ידידותי, נחמד אבל לא משנה את חוקי המשחק. בשורה חדשה? לא ממש. Manager Mode פה מתחיל הייחוד האמיתי. למי שלא כותב קוד אבל מאוד רוצה להיות מעורב בקוד מבלי ממש לגעת!! זה מרגיש כמו שילוב של vibe coding ,Base44 ,V0 וכל שאר הכלים האלו… רק שזה ממש בתוך ה-IDE עצמו. הוא מפרק משימות, מייצר PRD, חושב ארכיטקטורה לפני שאפילו יוצר שורת קוד אחת ורק אז... יוצא לדרך. השוואות לעומת כלים בשוק בזמן שכל כלי ה-AI-IDE נהיו דומים אחד לשני Antigravity מגיע מהכיוון ההפוך לגמרי. הוא בנוי מראש כסביבה שבה הסוכן הוא זה שעובד: פותח קבצים, מריץ פקודות, בודק דברים בדפדפן, ובסוף משאיר לך תיקיית תיעוד מסודרת שמראה צעד אחר צעד מה הוא עשה. זו לא תוספת, זו תפיסה שכולנו יחלנו לה שבה ה IDE הוא מתכנת נוסף בצוות, לא רק עוזר לתקן את הקוד. לעומת Cursor, שמתמקד בעבודה עמוקה על קוד-בייס קיים, ו-Windsurf שמצטיין במהירות וגמישות מודלים, Antigravity מציב את הדגש על שקיפות ואמון. הוא לא רק נותן פתרון, הוא מראה איך הוא הגיע אליו. ובניגוד ל-VS Code + Copilot, שעדיין מרגישים כמו תוסף על גבי IDE קלאסי, Antigravity הוא סביבה שלמה שמנהלת סוכנים, משימות ושינויים ברמת “מגדל פיקוח”. בשורה התחתונה: Antigravity מביא משהו אחר לגמרי. לא הכי בוגר, לא הכי ותיק, אבל הראשון שמנסה לפתור את הבעיה האמיתית: לא רק לכתוב קוד מהר אלא להבין מה לעזאזל ה-AI עשה בדרך. מחשבות סיום אין ספק שההתנסות מרגשת ומפתיעה כל פעם מחדש! פתאום, דברים שאולי לקחו ימים, קורים תוך דקות. אבל לצד ההתלהבות מגיע גם התסכול. מרגיש שעדיין אין תחליף למפתח אמיתי בתמונה, ושכל שלל הכלים החדשים טובים בעיקר לפיילוטים, לניסויים, או כגרסאות התחלתיות של משהו. מדובר בטכנולוגיות מרשימות, אבל עדיין בוסריות. ובכל זאת, אני אופטימי. מהסתכלות אחורה, אפילו רק שנה אחורה היינו עדים לאינסוף יכולות חדשות, וברור לכולנו שאנחנו רק מתחילים את המסע. בהצלחה!

בשורה ענקית, OpenAI פרסמה רשמית את היכולת לחבר את ChatGPT למקורות מידע חיצוניים. עננים, תיקיות, מערכות פנימיות ואפליקציות צד־שלישי. מעכשיו אפשר להתחבר לאין־ספור קונקטורים : Booking, Canva, Slack ועוד.. והכל דרך ממשק הצאט שלהם ChatGPT. אבל האמת, זו לא הייתה הבשורה האמיתית בעיניי. הבשורה האמיתית היא שמהיום אפשר לבנות קונקטורים מותאמים אישית  (custom connectors), לארגן חיבור בין ChatGPT לבין מאגרי-הידע הספציפיים שלנו ולנהל איתם דו שיח בשפה טבעית! אז מה הסיפור? תארו לעצמכם מצב שבו במקום לשאול את הצוות, או לתשאל את המערכות הארגוניות שלנו לגבי מסמכים או מידע שזרוקים בכל עבר, אנחנו פשוט יכולים לשאול את ChatGPT בשפה טבעית, והוא עונה!! איך עשיתי את זה? שלב אחר שלב כל התהליך לקח בערך 8 דקות ונשארו לי עוד 2 דקות ללכת להכין כוס קפה ☕. שלב ראשון, פתיחת חשבון ב N8N בחרתי ב-N8N כי הוא כלי ויזואלי וגמיש שמאפשר לבנות אוטומציות מתקדמות עם מאות אינטגרציות קיימות ויותר מזה, הוא מגיע עם המון טמפלטים מוכנים להורדה והטמעה תוך שניות ! שלב שני, בניית Agent / Workflow יצרתי Workflow חדש עם טריגר מסוג MCP Server Trigger וחיברתי אותו למקורות המידע שלי. בחרתי ב-Google Drive, כדוגמה אבל הייתי יכול לבחור כל נכס שאני רוצה : Slack, Sharepoint, Jira וכו... פרסמתי את השירות וקיבלתי את כתובת ה-URL של ה-MCP שלי. שלב אחרון, הגדרת Custom Connector ב-ChatGPT עברתי ל- Settings → Apps & Connectors . (יש לאפשר קודם לכן דרך ה Advance שאנחנו נמצאים על Developer Mode) נתתי לקונקטור שם ברור, העלתי תמונה מתאימה, הדבקתי את הכתובת שקיבלתי והופ! התחבר. אז למה זה משנה? זה משנה, כי זה משנה הכול !! מהיום אני לא אשאל את המערכת בעזרת דוחות, או בעזרת שאילתות או שליפות, אני פשוט אדבר איתה . במקום לנתח דוחות או לחפש נתונים, אני כותב משפט אחד, וה-AI מחזיר לי תשובה ממוקדת מתוך החומר שחשפתי לו. מחשבות סיום לדעתי, זה אחד מהצעדים הכי משמעותיים ש OpenAI עשתה לאחרונה. לא רק כי זה חוסך זמן, אלא כי זה סוף-סוף מחזיר לנו שליטה על הידע שלנו . אז אם עדיין לא ניסיתם, תנו לזה 8 דקות וכוס קפה. מבטיח שזה לא יקח יותר. במקרה הגרוע, תלמדו משהו חדש ובמקרה הטוב, תשנו לגמרי את הדרך שבה אתם עובדים. בהצלחה!

אני זוכר את הימים שבהם Canva הייתה פשוט המקום לעשות בו פרזנטציה יפה או ניוזלטר מעניין. לאחרונה, משהו השתנה! הם שחררו את Magic Studio , עם הבטחות לשנות לגמרי את הדרך שבה אנחנו יוצרים תוכן, דוחות, ואפילו קוד. אז ניסיתי הכל. באמת הכל והנה הסיכום שלי כמו תמיד, בלי פילטרים ובלי יח"צ. Canva AI - לא חייבים להיות מעצבים נראה ש־Canva סוף סוף הבינה שאם כולם משתמשים ב־AI אז גם היא חייבת. המערכת שלהם כוללת שלל כלים כמו: כתיבת טקסטים : Magic Write. שינוי תמונות Magic Edit. אנימציות Magic Animate. ממיר עיצובים בין פורמטים Magic Switch. אז עבדתי איתם כמה ימים, ובאמת זה נוח. למשל, “תיצור לי פוסט על סיכונים בעולם ה AI”, ופתאום יש טיוטה מוכנה. יותר מזה, יש לו אינטגרציה מלאה מתוך ChatGPT, שממש משנים את כללי המשחק. בשורה התחתונה:  כלי מדהים ליצירת רעיונות,עדיין יש בעיות עם העברית אבל במבחן התוצאה מספק את הסחורה. Canva Code - המתחרים משאירים אבק אז כן, Canva פיתחה גם עולם של Code . אפשר גם לפתח אפליקציות מלאות ולהוריד את הקוד אליכם! אז הייתי חייב לבדוק ו... נחמד, בואו נגיד שעדיין לא משהו שאחליף בו את הכלים שאני עובד איתם ביומיום. עדיין רחוק מאלטרנטיבות כמו Base44 או v0 ( לינק למאמר ), עם ארכיטקטורה מסודרת ואינטגרציות מתקדמות. אבל אני חייב להודות, זה כן כלי מגניב למעצבים שרוצים "לטעום" קצת עולם פיתוח בלי לפתוח VS Code. Canva Report - דוחות עם סטייל כאן דווקא הופתעתי לטובה. Canva Report מאפשר לקחת קובץ CSV או Google Sheet ולהפוך אותו לדוח מעוצב כאילו יש לך צוות עיצוב פנימי. הגרפים יפים, הצבעים משתלבים, והכול נראה מוכן לפגישת הנהלה. אבל… זה לא Power BI. אם אתם צריכים נוסחאות, דינמיות, סינונים בזמן אמת, זה לא המקום. הדוחות הן להצגה , לא לניתוח. יתרון:  הדוחות של Canva נראים פשוט טוב!!! חיסרון:  מתחת למעטפת העיצוב, אין מנוע BI אמיתי. Canva Brand Kit - למי שכבר מאוהב במותג של עצמו זו הפינה האהובה עלי: Canva פתחה Brand Kit חדש, שמאפשר לשמור לוגו, צבעים, פונטים, ואפילו “קול מותג” מבוסס AI. כתבתי לו כמה פסקאות מהאתר שלי, והוא התחיל לדבר כמוני... בערך. (לפעמים קצת יותר מתוק מדי, לפעמים קצת רובוטי) אבל כן, זה עוזר לשמור אחידות כשיש כמה אנשים בצוות שעובדים על תוכן. מחשבות סיום, קצת סדר בבלאגן נכון, גם לי זה מרגיש שזה קצת אינסופי ועם כל הכבוד לחדשנות, קשה להימנע מתחושת העומס . כל שבוע נוחת כלי חדש, והפלטפורמה הפכה לסט של אינסוף מוצרים וכמו בכל ניסוי מדעי, יש תוצאות יפות ויש כאלה שעדיין “בשלב בטא”. אז מה אני ממליץ? תתנסו ותראו מה מתאים לכם. אם אתם אנשי תוכן, תאהבו את Canva AI. אם אתם אנשי דאטה, תתחילו עם Canva Report. ואם אתם מפתחים, תנו ל־Canva Code חיוך מנומס, ותמשיכו ל־v0. בהצלחה!

בעידן שבו הציפייה היא למצגות איכותיות, מקצועיות ואפקטיביות, קשה להתעלם מהפוטנציאל של כלים מבוססי AI. במקום לבזבז שעות על עיצוב, בחרת נושא, רצית להעביר מסר או סיפור היום אפשר לעבור ממשימה מייגעת למשימה מהירה, חכמה ומשתלמת. אחרי מחקר מקיף, אני אתמקד בשלושה כלים שיאפשרו לכל אחד להרים מצגת מדהימה תוך מעט מאמץ. Gamma AI, GenSpark AI, ו־ChatGPT עם חיבור פנימי ל-Canva. נסקור איך כל אחד מהם עובד, מתי מומלץ להשתמש בו, מהם היתרונות וגם מה חשוב לדעת לפני שמחליטים להטמיע. Gamma AI מהיר, חכם ומותאם למצגות אז נתחיל מהסוף להתחלה עם Gamma.ai למה כדאי?? במקום להתחיל מ-PowerPoint ריק, אני מקבל בסיס שקפים עם מבנה. התוצאה נראית מודרנית ומסודרת. הכלי מסייע לך להתמקד במה אתה רוצה שהקהל יזכור, לא רק בעיצוב. לוקח רעיון כללי למצגת ומרים אותה במהירות. נקודות לשים לב אליהן! יכול להיות פחות גמיש ולא מאפשר עריכה ידנית, אז אם אתה פרפקציוניסט שלא מוכן להתפשר, בעיה! מחייב לימוד קל בהתחלה כדי לדעת איך למקסם את התבניות הקיימות. כמו בכל כלי AI, חשוב לבדוק שכל המסרים באמת נכונים ומתאימים לקהל שלך. GenSpark AI מהמילים הראשונות ועד סיפור המצגת השלם למען האמת היה פחות שימושי עבורי, אבל הקולגות שלי מרעיפים עליו שבחים! החוזקה שלו היא לא רק בעיצוב, אלא גם בתוכן. אילו נקודות לכלול, איזה סיפור לספר, איך לבנות ציר זמן. למה זה חשוב? מצגות הטובות ביותר הן לא רק “שקפים”, אלא סיפור והכלי עוזר לך לבנות את הסיפור. מתוך הבנה של קהל יעד, יכול לעזור לך לבחור איזה מסר להציף. אז מתי כדאי להשתמש? כשאתה מתכנן מצגת חשובה (למשל השקעה, הרצאה, כנס). כשיש לך הרבה מידע ואתה לא בטוח איך לחלק אותו נכון. כשאתה רוצה להבטיח שהמצגת תוביל לפעולה ולא רק תציג מידע. עוד נקודות שיש לשים לב אליהן! יתכן והעיצוב יהיה פחות מתוחכם הכלי עשוי להתמקד יותר בתוכן מאשר במראה. יתכן שיהיה צורך לשלב עם כלי עיצוב חיצוני (כמו Canva) כדי להשיג תוצאה יוקרתית יותר. חשוב להתאים את הצבעים, הלוגו, הסגנון לחברה שלך, ולא להסתפק בתוצאה אוטומטית בלי התאמה אישית. כשה ChatGPT פגש את Canva לא מדובר בסרט ההמשך של כשהארי פגש את סאלי, אלא בשילוב שפשוט עושה את כל ההבדל. למה זה שילוב מנצח? באמצעות ChatGPT נוכל לנסח.. מבוא, נקודות מרכזיות, סיכומים, קהל יעד, הצעות למבנה. באמצעות החיבור ל-Canva תוכל לעבור ישירות ממילים לעיצוב להכניס את התוכן ל-Canva ולהפוך למצגת מקצועית עם גרפיקה, אנימציות, קטעי וידאו, צבעים מותגיים. בואו נתחיל ב-ChatGPT הזן את כמה מילים לגבי המצגת שתרצה להעביר, בקש את הטקסט, את מבנה השקפים, ואת הנקודות העיקריות. לאחר קבלת תשובה לחץ על @Canva ובקש שיקח את התוכן ויכין מצגת בהתאמה ויזואלית, צבעים, לוגו וגרפים. אפשר להיעזר שוב ב-ChatGPT לבקשת שינויים או ניסוח מחדש של טקסט בתוך השקפים. יתרונות גמישות מלאה - אתה שולט במראה, התוכן והקצב. התאמה למותג - ניתן לשמור על שפה, צבעים, סגנון אחיד. חיסכון גדול בזמן - במקום לכתוב טקסט ואז לחשוב על עיצוב ואז לחבר הכל נעשה ברצף. נקודות חשובות לציון יש לוודא שהטקסט מתאים לשקף ולא עמוס מדי במילים. כדאי לבדוק שהגרפיקה מקצועית, שהטקסט קריא, שהניגודיות טובה. חשוב לבדוק זכויות שימוש בגרפיקה, תמונות, וסרטונים אם יוצאים מעבר לתבניות המובנות. אל תשכח להתאמן על המצגת! חלק מהשפעתה מגיע ממי שמניע אותה, לא רק מהשקפים. מחשבות סיום בלי קשר ועם כל הקשר, אלה כללי היסוד שתמיד מלוים אותי הגדר מראש את הקהל שלך  - מי יראה את המצגת? מה הוא יודע כבר ומה חשוב לו לדעת? הגדר מטרה ברורה  - האם המצגת באה להעביר מסר, לספר סיפור? (המטרה תשפיע על הסגנון) שמור על עד 3 מסרים מרכזיים  - יותר מדי מסרים יתפזרו. בדוק את זמן המצגת  - דקה או שניים לשקף לרוב מספיק. השתמש בתמונה או גרפיקה אחת חזקה בכל שקף , אל תעמיס. עשה חזרה  - גם אם הכלי עשה את המצגת בשבילך, ההגשה שלך חשובה לא פחות. בהצלחה!

בעמק הסיליקון במשך שנים חרטו על הדגל את המוטו " Move Fast and Break Things " . החדשנות עודדה מפתחים להשיק מוצרים ושירותים במהירות, גם אם זה אמר לשבור כמה כללים בדרך. אבל המציאות החלה להדביק את קצב הריצה, מפרצות בקוד ועד אלגוריתמים בעייתיים המחישו את העובדה שלא מספיק לשבור דברים ואז "לתקן בהמשך". כיום, לצד הציפייה לחדשנות, יש דרישה גוברת לאחריות, שקיפות ולציות רגולטורי. במילים אחרות, מהפיכת הבינה נכנסת לשלב הבגרות שבו משילות (AI Governance) וציות רגולטורי (AI Compliance) אינם מונחים תיאורטיים, הם צורך ממשי!! אני יכול להעיד על כך מניסיון אישי, כאחד ממובילי הדרך בהטמעת כלי AI בארגון שלי. ההתלהבות הראשונית בשמיים. הצוותים רוצים לרוץ קדימה, להכניס את הכלים החדשים לכל פינה. אבל לצד ההתרגשות, כל כלי כזה גם מציב אתגרים לא פשוטים. איך אבטיח שהנתונים יישמרו בצורה מאובטחת? איך אמנע מהמודלים לתת תשובות שגויות או מוטות? ואיך אגרום לארגון לאמץ את הכלים בלי לאבד את האמון של העובדים והלקוחות? דווקא מתוך המקומות הללו למדתי שחדשנות אמיתית מתרחשת כשמשלבים את היכולת לרוץ מהר עם היכולת לעצור רגע.. לשאול שאלות ולבנות גבולות ברורים . משילות וציות בבינה מלאכותית, מה זה אומר בכלל? לפני שצוללים לסיכונים והפתרונות, כדאי להבהיר את המושגים. משילות בינה מלאכותית  (AI Governance) מתייחסת למסגרת הניהולית-ארגונית לשימוש ופיתוח AI. זוהי גישה פרואקטיבית שמתמקדת בקביעת כללים ונהלים בתוך החברה: מיצירת קוד אתי ומדיניות AI, דרך מנגנוני פיקוח ובקרה, ועד הגדרת אחריות תפקידית (למשל מינוי "אחראי AI"  שיפקח על הנושא). המטרה היא להבטיח שה-AI מפותח ומיושם באופן אתי , שקוף  ובטוח, תוך זיהוי וניהול סיכונים כמו הטיות, פגיעה בפרטיות או פרצות אבטחה עוד לפני שהן מתממשות. לעומת זאת, ציות רגולטורי (AI Compliance) הוא הפן המשלים והפחות סקסי של עמידה בדרישות. זה החלק שדואג שהמערכות שלנו מצייתות לחוקים, לתקנות ולסטנדרטים  שמגדירים רגולטורים וגופי התקינה. מדובר בהבטחה שה-AI שלנו עומד בכללי המשחק החוקיים : החל מציות לתקנות פרטיות כמו GDPR, דרך התאמה לחוקי אחריות מוצרים ובטיחות ועד מילוי דרישות ספציפיות בתחומי תוכן רגיש כגון בריאות או פיננסים. משילות וציות אינם אותו דבר, אבל הם כרוכים זה בזה. משילות מבטיחה שאנחנו "עושים את הדבר הנכון" פועלים באופן אחראי וערכי. ציות  מבטיח שאנחנו גם "עושים את הדבר הנדרש", פועלים בהתאם לחוק. אז למה לדאוג בכלל?? הסיכונים בעולם הבינה המלאכותית טכנולוגיות הבינה המלאכותית, עם כל ההבטחות שלהן מביאות איתן, מביאות גם סיכונים מהותיים. הנה כמה מהבולטים שבהם: הטיות ואפליה:  מערכות AI לומדות מנתונים היסטוריים ואם המידע מוטה, המודלים עלולים לשמר ואפילו להגביר אפליות. מקרים כבר הראו אלגוריתמים שסיווגו מועמדים לעבודה באופן מפלה נגד נשים, או מערכות זיהוי פנים שדייקו פחות בפנים של אנשים כבי עור. ללא בקרות, קל לפספס את ההטיות החבויות ולהביא לקבלת החלטות לא הוגנות ולא שוויוניות. חוסר שקיפות (קופסא שחורה):  רבים מהמודלים המתקדמים, פועלים בדרכים שקשה להסביר. כשה-AI נותן המלצה או החלטה, לא תמיד ברור למה זה קרה. היעדר שקיפות מקשה לבטוח בתוצאות ומקשה על איתור ותיקון שגיאות. לא נרצה לקחת החלטות הרי גורל בעולמות המשפט או הרפואה בהן הבסיסי להחלטה היא קריטית. איכות נתונים:  הקלט משפיע על הפלט ואם הנתונים שמשמשים לאימון המודל שגויים, חסרים או מוטים, הפלט יהיה בהתאם. מהימנות ותקלות מסוכנות:  אנו מסתמכים על AI יותר ויותר למשימות קריטיות, אך מה קורה כשה-AI טועה? מודלי שפה גדולים למשל ידועים בכך שהם ממציאים עובדות " הוזים" . חוסר המהימנות עלול לגרום לתובנות עסקיות שגויות ועד פגיעה פיזית בחיי אדם. אמינות התוצאות ודיוק המערכת הן קריטיות, וצריך לנהל סיכונים כדי לוודא שה-AI לא יחרוג מגבולותיו או יסכן אותנו. שימושים לא ראויים:  בינה מלאכותית היא כוח רב-עוצמה, וניתן לנצל אותה לרעה כבר ישנם אינספור מקרים שכלל יצירה של תוכן פוגעני והפצת דיסאינפורמציה. כל אלה הם לא תרחישי אימה תאורטיים, אלו סיכונים ממשיים שכבר נתקלנו בהם ו אם לא נטפל בסיכונים הללו, נשלם מחיר, טכנולוגית, עסקית וציבורית. היערכות מקדימה היא שם המשחק מיפוי הסיכונים והצמדת דרגות סיכון:  בדקו אילו שימושי AI אתם מפתחים או מפעילים, והעריכו את רמת הסיכון שלהם. מערכת שמקבלת החלטות על אנשים? שעוסקת בנתונים רגישים? שמתערבת בעולם הפיזי? מעקב רגולטורי ועמידה בדרישות מוקדם ככל האפשר:  חשוב לעקוב אחרי החקיקה והתקנים הרלוונטיים לשווקים שלכם. וודאו שאתם מסוגלים, לבצע הערכות סיכונים  בשלב התכנון, ולאפשר בקרה אנושית על החלטות קריטיות. התעדכנו, הדריכו צוותים ובנו תוכנית עבודה להתאמה. מוטב להתחיל עכשיו ולא ברגע האחרון. אימוץ סטנדרטים ומסגרות עבודה:  עוד לפני שהחוקים נכנסים, אפשר וכדאי לאמץ קווים מנחים קיימים בין-לאומיים שמתגבשים לאחרונה. האתגר! איזון בין חדשנות לבקרה ⚖️ האתגר הגדול הוא למצוא את נקודת האיזון, איך לא לחנוק את החדשנות שמתפרצת אלינו מכל עבר ובמקביל לא ליפול לתהום של טעויות חסרות אחריות. כלים וטכנולוגיות תומכות : בדיוק כפי שיש לנו מערכות לניטור אבטחת סייבר, מתחילים לראות מערכות לניטור אמינות ואתיקה. שילוב טכנולוגיות כאלו בסטאק שלכם יכול לאפשר להמשיך לפתח מהר, אך עם רשת ביטחון. מתודולוגיות ופיתוח מאובטח : ניהול סיכונים, תיעוד, בדיקות קצה, עדכונים שוטפים. תרבות ארגונית : העלאת מודעות, עידוד שיח, שיתוף גורמים מכלל קצוות הארגון ולהבטיח הנהלה תומכת שמראה בדוגמה אישית שהנושא חשוב ולא רק בסיסמאות. לסיכום, מטאפורה קטנה מעולם הנהיגה בכביש 🚗 איזון בין חדשנות לבקרה דומה מאוד לנהיגה בכביש. אם ניסע בפראות, נגיע אולי מהר, אבל בסיכון לתאונה קשה. אם ניסע לאט מדי, כנראה שנאחר ליעד. הפתרון הוא לנהוג חכם, עם חגורת בטיחות וכריות אוויר, ולפעמים גם עם Waze בצד שמכווין את הדרך. גישה אחראית כזו לא רק מבטיחה שנגיע ליעד, אלא גם שנוכל ליהנות מהנסיעה עצמה. בהצלחה!

אתם עובדים בחברת תוכנה. המייל שלכם מתפוצץ ממשימות חדשות, המתכנתים מתלוננים על העיצובים שלא מספיק מדויקים, ואנשי ה-UX מתמודדים עם אינספור בקשות לשינויים. כל יום מחדש אתם מרגישים שאתם רצים נגד השעון. ואז מגיע הרגע שבו אתם מגלים כלי חדש שמשנה לכם את החיים. ברוכים הבאים לעולם של Readdy.ai. מה זה בכלל Readdy.ai? בואו נעשה הכירות קצרה, Readdy.ai הוא כלי מתקדם, מבוסס בינה מלאכותית, שמאפשר לכם לבנות פרוטוטייפים ועיצובים מתקדמים לאתרים ולאפליקציות בקליל וחצי. הכלי נולד מתוך ההבנה שעיצוב UX/UI יכול להיות מאתגר במיוחד, וכל שינוי קטן עלול לגרום לכאבי ראש גדולים. באמצעות הבינה המלאכותית של Readdy.ai, אפשר לחולל ממשקים מתקדמים, ובמהירות שיא, לייצא ישירות ל-Figma ולהפוך את תהליך העיצוב שלכם לזורם ומהיר במיוחד. רוצים לנסות בעצמכם? השימוש ב-Readdy.ai הוא פשוט וידידותי, ומתאים במיוחד למנהלי מוצר ומעצבים שרוצים לחסוך בזמן ולהימנע מהתעסקויות טכניות מיותרות. הנה כיצד תוכלו להתחיל לעבוד עם הפלטפורמה במהירות ובקלות: הרשמה והתחברות –  היכנסו לאתר Readdy.ai והשלימו תהליך הרשמה קצר. תוך רגעים ספורים תהיו בפנים ומוכנים להתחיל. פרומפט וסגנון –  פשוט כתבו במילים שלכם מהי האפליקציה או האתר שאתם רוצים לבנות. לאחר מכן, העלו כמה תמונות או טמפלטים להשראה כדי לקבוע את הסגנון העיצובי המועדף עליכם. תיקון והוספת פיצ'רים תוך כדי עבודה –  למה לחכות עד הסוף? עם Readdy.ai תוכלו לערוך, לתקן ולהוסיף אלמנטים ופיצ'רים חדשים בזמן אמת, תוך כדי בניית המסכים, והכול באופן אינטואיטיבי ומהיר. ייצוא ל-Figma –  סיימתם לעצב? בלחיצת כפתור תוכלו לייצא את כל העיצובים ישירות ל-Figma ולשתף אותם מיד עם צוות הפיתוח. ייצוא קוד Front-end –  בנוסף, תוכלו לייצא קוד Front-end מוכן בשפת הפיתוח המועדפת עליכם (כגון React, Vue ועוד), וכך להאיץ את תהליך הפיתוח. יתרונות מרכזיים של Readdy.ai חיסכון עצום בזמן : בזכות הבינה המלאכותית, תהליכי העיצוב והפרוטוטייפינג מתקצרים משמעותית. אינטגרציה מושלמת עם Figma : ייצוא מהיר ונוח לכלי העבודה האהוב עליכם. ממשק אינטואיטיבי : מתאים גם למעצבים ומנהלי מוצר ללא רקע טכני עמוק. חסרונות לעומת כלים מתחרים למרות כל היתרונות, יש ל-Readdy.ai גם מגבלות שחשוב להכיר: אין Backend מובנה : בניגוד ל Base44.com , ל-Readdy.ai אין יכולות תפעוליות בצד השרת. הדבר מגביל את הכלי בעיקר לאתרים או אפליקציות פשוטות יחסית מבחינת פונקציונליות. גמישות נמוכה יותר בעיצוב מותאם אישית לעומת lovable.ai : כלים כמו lovable.ai מאפשרים התאמות עיצוביות מפורטות יותר כגון אתרי תדמית או דפי נחיתה, מה שהופך אותם למתאימים יותר לפרויקטים מאוד ספציפיים. דוגמאות לשימוש מוצלח ב-Readdy.ai כדי להבין איך אפשר למנף את Readdy.ai לעבודה יעילה, הנה שתי דוגמאות, ולקח לי בדיוק 2 דקות להרים אותם!! מערכת ניהול מלאי: יצרתי במהירות מסך מרכזי לניהול מלאי, עם תמיכה במיון, חיפוש ותצוגת נתונים ויזואלית מרשימה. לאחר הייצוא ל-Figma, הצוות יכול היה להתחיל לעבוד ישירות על הפיתוח הטכני, מבלי לבזבז זמן על אינספור תיקונים ושיפורים עיצוביים. אפליקציית רשימת קניות: בניית ממשק המשתמש לאפליקציית רשימת קניות הייתה פשוטה ומהירה – הוספתי בקלות פונקציות כגון הוספה מהירה של פריטים, סימון פריטים שנרכשו וסנכרון בין משתמשים. העיצוב שהתקבל היה מקצועי וברור, וקיבל פידבקים נהדרים מהמשתמשים הראשונים. טיפים מקצועיים לעבודה עם Readdy.ai הגדירו מראש את הצרכים שלכם : ככל שתגיעו מוכנים יותר מבחינת סוגי מסכים ואלמנטים, כך התהליך יהיה מהיר ויעיל יותר. ניצול מקסימלי של אינטגרציית Figma : הקפידו לייצא ולשתף כמה שיותר מוקדם את העיצוב עם הצוות, כדי לקבל פידבק מהיר. 📺 איך זה עובד? צפו במדריך וידאו: לסיכום Readdy.ai הוא כלי חכם, זריז ויעיל שיקצר לכם תהליכים ויפנה זמן למשימות החשובות באמת. נכון, יש לו את החסרונות שלו, אבל כשמדובר ביעילות, קלות שימוש וחיבור טבעי לעולם ה-UX/U מנצח בגדול. אם יש לכם שאלות נוספות בנושא, מתקשים לבחור את הכלי המתאים או שאתם רוצים לשתף אותי בתהליך שלכם, אני כאן בצ'אט, במייל, בפייסבוק ו גם בטיקטוק מחכה לשאלות מכם. עולם ה AI נראה מסובך, אך עם הכלים הנכונים, כל אחד יכול להפוך ליוצר. הידע הזה מאפשר לכל אחד להגשים את הרעיונות שלו ולתרום לחברה באופן שהוא לא חשב שאפשרי. רוצים להתחיל? בהצלחה!

עד לפני שנה כמעט שלא דיברנו על פלטפורמות AI לבניית אפליקציות. הצורך במפתחים היה אבסולוטי, וה AI היה רק עוזר מהצד. התחום התפוצץ בתקופה קצרה, עם עשרות כלים שמתיימרים להפוך כל תיאור בשפה טבעית לאפליקציה מושלמת שמייתרת מחלקות שלמות. אני אישית מתנסה ומשחק עם רוב הפלטפורמות המוכרות. זה מרגש, זה מסקרן, אבל זה גם קצת מפחיד! האם הכלים האלה באמת מוכנים לשימוש רציני בארגון שלי? האם כדאי לי להטמיע אותם כבר עכשיו, או שאולי הם עדיין לא בשלים מספיק? משווה ובוחן, מה גיליתי? בחודשים האחרונים בחנתי כמה מפלטפורמות ה-AI המובילות לבניית אפליקציות, יחד ולחוד. ניסיתי לבנות בהן ממשקים, לוגיקה עסקית ולהבין אם אני יכול לחבר אותן למערכות קיימות. כדי לקבל תמונה מלאה, הערכתי כל כלי בכמה היבטים מרכזיים: יכולות פרונטאנד : עד כמה המערכת מצליחה ליצור ממשקי משתמש טובים, רכיבים חזותיים ועיצוב. יכולות באקאנד : האם הפלטפורמה מייצרת גם צד שרת, מסדי נתונים ו-API? איך איכות הקוד שהיא כותבת? אינטגרציות : היכולת להתחבר למערכות קיימות, לשירותי צד-שלישי או לבסיסי נתונים קיימים. חוויית משתמש : כמה קל לי, כמשתמש, לבנות אפליקציה בעזרת הכלי? האם הממשק אינטואיטיבי? האם אפשר לערוך ולשפר את הקוד ידנית בעת הצורך? הטמעה : האם אפשר לשלב את הכלי במערכות החברה באופן מאובטח ותואם את מדיניות הארגון? מצאתי שכולם מבטיחים גדולות, מילים מפוצצות כמו " פיתוח בלי לדעת קוד " ו" אפליקציה בדקות " ובמידה מסוימת גם מקיימים. ראיתי איך בשלושה משפטים אפשר להרים אפליקציות שעד לא מזמן הייתי צריך צי של אנשי טכנולוגיה ומוצר כדי לפתח. בין התלהבות לתסכול - כשהפגמים מתגלים אין ספק שההתנסות הראשונה בכלים האלו מרגשת.פתאום, משהו שאולי היה לוקח לי ימים של עבודה קורה תוך דקות.לדוגמה, תיארתי אפליקציה פשוטה לסינון קורות חיים עבור ה-HR שלנו: מצד אחד קורות חיים, מצד שני דרישות משרה והופ, תוך פחות משתי דקות קיבלתי ממשק עם בסיס נתונים כולל מערכת משתמשים בסיסית! הייתי באופוריה. אבל לצד ההתלהבות הגיע גם התסכול. כל שינוי קטן שעשיתי דרך הממשק גרר תופעות לוואי משונות. תיקנתי עיצוב של כפתור בצד אחד ופתאום גיליתי שמשהו אחר נשבר בצד השני. מסתבר שבעוד שהכלים חכמים, הם עדיין לא חסינים מטעויות. כשניסיתי לדחוף אותם למשימות יותר מורכבות, התחלתי להיתקל בבאגים מוזרים, יש שקוראים להם "הזיות". היו מקרים שבהם ה-AI נכנס ללולאה אינסופית של תיקון עצמי.בקיצור, המהפכה כאן, אבל היא עוד קצת חורקת. נקודה נוספת שגיליתי היא הצורך בהשגחה וולידציה. ה-AI ייצר עבורי מערכת, אבל האם הקוד בה טוב? האם הוא יעיל? האם הוא מאובטח ותואם למדיניות הארגון? עם דרישות אבטחה ורגולציה, אני לא יכול להרשות לעצמי לסמוך בעיניים עצומות על קוד גנרטיבי. צריך לוודא שהוא עומד במדיניות ושאין הפתעות לא נעימות. ולבסוף, סוגיית הפרטיות: חלק מהכלים רצים בענן שלהם. האם אני מוכן שהקוד או הנתונים הרגישים של החברה יעברו דרך שירות ענן חיצוני? עד כמה הוא מאובטח? איך מתנהלת ההזדהות? זה שיקול משמעותי.כמה מהפלטפורמות מתחילות לתת מענה לכך, אבל הכל עדיין בחיתולים (למשל, Base44 מאפשרת לייצא את הקוד ולאחסן אותו על שרתים מקומיים). האם להטמיע בארגון עכשיו? לאור כל זאת, שאלת מיליון הדולר מבחינתי היא: האם להביא את הכלים האלה לארגון שלי כבר היום? אחרי התנסויות מרובות, התשובה האישית שלי היא "כן, אבל בזהירות". מצד אחד, הערך לחלוטין קיים: הצלחתי לבנות אב-טיפוס של מערכת פנימית קטנה תוך יום, במקום שבועות. רווח אדיר בזמן וכסף. אפילו דפי נחיתה או כלים פנימיים פשוטים שאני מרים ב"הינד עפעף" עם ה-AI יכולים לחסוך אלפי שקלים בעלויות פיתוח פוטנציאליות. אז יש ROI חיובי מיידי בפרויקטים קטנים ולא קריטיים. מצד שני, בשביל מערכות ליבה גדולות אני עדיין סקפטי. התחושה שלי היא שהטכנולוגיה בדרך לשם, אבל עוד לא לגמרי שם. יכול להיות שקצת מוקדם מדי לזרוק עליה את כל כובד המשקל של מערכות הייצור המרכזיות. אנחנו כנראה בדור הראשון או השני של הכלים האלו, ויש להם לאן להתבגר מבחינת יציבות, תמיכה במקרי קצה, ואפילו ממשק משתמש. האסטרטגיה שאני נוקט בה כרגע היא הכנסת הכלים בהדרגה. אני מתייחס אליהם כאל " משלימי כוח אדם " מעולים להאיץ פיתוח או לטפל במשימות צדדיות, אבל לא כתחליף מלא לצוות הפיתוח או לכלי הפיתוח המסורתיים, לפחות בינתיים. אני גם מקפיד לערב את צוות הפיתוח בבדיקת התוצרים: לוודא שהקוד הקריטי נבדק, שהארכיטקטורה הגיונית, ושלא נכנסו לנו תלות לא רצויות או בעיות אבטחה. במקביל, אני ממשיך לעקוב אחרי החידושים בתחום על בסיס יומי, כי הקצב מסחרר. קשה להאמין שלפני שנה כל זה עוד לא היה על הרדאר שלנו, והנה עכשיו זה בכל מקום, וזה לא עומד לעצור. מחשבות סיום - לשאול את השאלות הנכונות!! אז איך אפשר בכלל לסכם משהו שנמצא בתנועה מתמדת?? האמת היא שאי אפשר באמת לסכם . המהפכה רק בתחילת דרכה. מה שאני לוקח איתי מהמסע הזה הוא בעיקר הצורך בגמישות מחשבתית ובסקרנות. כן, אני מכניס את ה-AI לארגון שלי כבר עכשיו, בצעדים מדודים, כי אני מאמין שללמוד ולעשות זה חיוני. אי אפשר לשבת על הגדר ולחכות שהכול יתבגר בלי להשתתף בחגיגה. מצד שני, אני ניגש לזה בעיניים פקוחות: מוכן לתקלות, מודע לחסרונות, ועם תוכנית גיבוי לכל מקרה שיבוא. יותר מכל, אני מקפיד לשאול את השאלות הנכונות לאורך הדרך. בכלי חדש שאני בוחן, אני שואל: איך זה עובד? איפה המגבלות? האם זה נותן לי ולצוות שלי ערך אמיתי או סתם גימיק? השאלות האלה לא פחות חשובות מהתשובות או מהתוצאות המיידיות שהכלי מפיק. כי בעולם שבו ה-AI כותב לנו קוד, התפקיד שלנו כבני אדם הוא לוודא שאנחנו שומרים על התמונה הגדולה, על הצרכים העסקיים, על האיכות, על האתיקה ועל האחריות. בסופו של דבר, אני אופטימי מאוד. השנה האחרונה הוכיחה שמה שפעם היה מדע בדיוני הופך למציאות יומיומית. הכלים האלו ילכו וישתפרו, והם כאן כדי להישאר . אני מתכוון להמשיך לחקור, להתנסות וגם לטעות בדרך ועם קצת מזל, ועם הרבה למידה, נוכל לקצור את פירות המהפכה הזו ולצמוח יחד איתה. בהצלחה!