בקצרה: לפני שאתם בונים סוכני AI, שאלו שלוש שאלות: האם המשימה דורשת כמה החלטות ברצף, האם היא נוגעת בכמה מערכות, והאם כל החלטה חייבת להיות מתועדת בגלל רגולציה. כשהתשובה היא כן, Agentic AI מוצדק, וההטמעה לוקחת בדרך כלל 3-6 חודשים. סיווג מסמכים, סיכום תוכן, ניתוח סנטימנט ושאלות על מסמכים פנימיים נפתרים היטב גם בלי סוכנים, עם מודל מכוונן, קריאת LLM ישירה או RAG.
מתי Agentic AI הגיוני ומתי לא
היום מדביקים את המונח Agentic AI כמעט לכל דבר, מצ׳אטבוט עם כמה תוספות ועד מערכות אוטונומיות אמיתיות. אם אתם מנהלי טכנולוגיה ובודקים אם זה מתאים לפעילות שלכם, קודם כול צריך להבין מה באמת עומד מאחורי המונח.
מסגרת מעשית שאנחנו משתמשים בה ב-Globalbit כשלקוח שואל אם הוא צריך Agentic AI או משהו פשוט יותר.
שלוש שאלות להחלטה
1. האם המשימה דורשת חשיבה רב-שלבית?
אם העבודה כוללת קלט אחד שמייצר פלט אחד (לסווג מייל, לסכם מסמך), כנראה לא צריך סוכנים. מודל שפה עם הנחיה מדויקת או מסווג שעבר כיוונון עדין מטפל בזה.
Agentic AI הופך להיות רלוונטי כשמשימה דורשת שרשור של מספר החלטות: לחפש מידע במערכת A, להצליב עם מערכת B, לגבש שיקול דעת, ואז לבצע פעולה במערכת C. זה ההבדל בין סוכנים לממשקי AI רגילים.
דוגמה: אחד מלקוחות המשפט שלנו נדרש לחקור תקדימים בבסיסי נתונים ישראליים, לבנות מבני טיעון ולהצליב פסיקות קשורות. אין קריאת מודל בודדת שמטפלת ב-workflow הזה. זה דרש שלושה סוכנים מתמחים שעובדים בתיאום, וזה בדיוק מה שבנינו עם Psika.ai. התוצאה: ירידה של 40% בזמן המחקר לכל תיק.
2. האם המשימה נוגעת במספר מערכות?
אם ה-AI צריך לקרוא מ-CRM, לכתוב למערכת ניהול תיקים, ולשלוח התראות דרך פלטפורמת הודעות פנימית, צריך תשתית סוכנים. זו עבודת אינטגרציה כבדה שחורגת הרבה מעבר לממשק צ׳אט.
ראינו חברות שניסו לפתור את זה עם סקריפטים ובלי שכבת סוכנים. זה עובד לזמן מה, אבל ברגע שצריך טיפול בשגיאות, לוגיקת ניסיון חוזר ומסלולי ביקורת, הגישה קורסת.
3. האם צריך מסלולי ביקורת ועמידה ברגולציה?
לארגונים בבריאות, פיננסים או ממשל, כל החלטת AI צריכה להיות ברת מעקב. מי ביקש, לאיזה מידע ניגשו, איזו פעולה בוצעה, ולמה. אם תרחיש השימוש שלכם דורש רמת אחריותיות כזו, צריך מסגרת סוכנים עם ממשל מובנה, לא פתרון לוגים שנדבק בדיעבד.
מתי גישות פשוטות עובדות טוב יותר
הרבה הטמעות AI שוות לא דורשות סוכנים:
- סיווג מסמכים: לכוונן מודל ולפרוס אותו מאחורי API
- סיכום תוכן: קריאת LLM ישירה עם הנחיות מובנות
- ניתוח סנטימנט: צינור NLP סטנדרטי, בלי תיאום
- שאלות ותשובות על מסמכים פנימיים: RAG עם מאגר וקטורים
אלה בעיות שנפתרו. אין טעם לסבך אותן עם ארכיטקטורות סוכנים.
איך הטמעת Agentic AI באמת נראית
כשאנחנו בונים מערכת סוכנים, הארכיטקטורה הטיפוסית נראית כך:
שכבת תזמור: מפרקת בקשות משתמש לתתי-משימות, מנהלת סדר ביצוע, מטפלת בכשלונות וניסיונות חוזרים.
התמחות סוכנים: כל סוכן אחראי על יכולת ספציפית. סוכן אחד מחפש בבסיסי נתונים, אחר מייצר מסמכים, שלישי מטפל באישורים. הם לא חולקים אחריויות.
מחברי מערכות: ממשקי API מאובטחים שמאפשרים לסוכנים לתקשר עם תוכנה ארגונית קיימת. החיבורים הם דו-כיווניים: סוכנים קוראים נתונים ומחזירים החלטות למערכות שבהן הצוותים כבר עובדים.
מסגרת ממשל: מודלים של הרשאות, לוגים לביקורת, סיווג נתונים. מובנה בתשתית, לא מתווסף אחרי הפריסה.
הבנייה כולה לוקחת בדרך כלל 3-6 חודשים להטמעה ארגונית משמעותית. החודש הראשון כמעט כולו מוקדש למחקר תחומי ותכנון ארכיטקטורה. הקידוד מתחיל בערך בשבוע חמש.
מה שומר על מערכת סוכנים יציבה בפרודקשן
דמו צריך לעבוד פעם אחת. מערכת בפרודקשן צריכה לעבוד גם ב-2 בלילה, כשאף אחד לא מסתכל. שלושה דברים עושים את ההבדל.
אנשים שמכירים את התחום. צוות שבונה מערכת בריאות צריך אנשים שמבינים תהליכי עבודה קליניים ואת הכללים של מידע רפואי. צוות שבונה AI למשפט צריך ניסיון משפטי. בלי ידע תחומי, ה-AI טועה בביטחון מלא.
DevSecOps מלא. שירותי AI צריכים את אותה משמעת תפעולית כמו כל תוכנה בפרודקשן: ניטור, תגובה לתקלות ו-failover. תתייחסו אליהם כחלק מהתשתית.
שכבות של הרשאות ובקרה על המידע. רשומות רפואיות, תיקים משפטיים ועסקאות פיננסיות דורשים גישה לפי הרשאות ותיעוד מלא של כל פעולה.
דוגמה מהשטח: לחברת טכנולוגיות תנועה ישראלית בנינו מערכת AI שמנהלת רמזורים באחת הערים הגדולות בישראל. לפני שהמערכת קיבלה שליטה ברמזור אחד, היא רצה כחודש במצב צל: חישבה איזו תוכנית הייתה בוחרת ותיעדה כל החלטה, ואנחנו השווינו את ההחלטות לתזמון הקבוע. גם בשליטה חיה היא בוחרת רק מתוך 10 תוכניות שהרגולטור כבר אישר. כל החלפת תוכנית נרשמת, ומהנדסי התנועה יכולים לבדוק כל החלטה בדיעבד.
שאלות נפוצות
מה קורה כשסוכן טועה? כל פעולה של סוכן מתועדת, ואפשר לבדוק אותה בדיעבד. בהחלטות בסיכון גבוה, למשל רפואיות, משפטיות או פיננסיות, אנחנו משלבים נקודות בקרה של אדם. כשהסוכן לא בטוח, הוא מעביר את ההחלטה לאדם.
מה ההבדל בין Agentic AI לצ׳אטבוט? צ׳אטבוט מייצר תגובות טקסט. מערכת סוכנים מבצעת פעולות: היא שולחת שאילתות לבסיסי נתונים, מקבלת החלטות, מעדכנת רשומות ומתאמת תהליכי עבודה רב-שלביים. חשבו על ההבדל בין מישהו שעונה על שאלות לבין מישהו שעושה את העבודה בפועל.
אילו כישורים הצוות שלנו צריך כדי לתחזק מערכת סוכנים? צריך הנדסת ML (או גישה אליה), פיתוח backend לאינטגרציות, ומומחיות תחומית בתחום שבו הסוכנים פועלים. המומחיות התחומית היא הדבר הכי קשה לגיוס והכי חשוב.
מהו לוח הזמנים האופייני להחזר על ההשקעה? אנחנו רואים שרוב הלקוחות מגיעים ל-ROI חיובי בתוך 6-12 חודשים מהפריסה. הרווחים הבולטים ביותר מגיעים מצמצום זמני מחקר ידניים (משפט, ציות) והאצה של תהליכי עבודה עתירי מסמכים.
בוחנים אם Agentic AI מתאים לפעילות שלכם? נשמח לעבור על מסגרת ההחלטה יחד עם התרחישים הספציפיים שלכם. דברו איתנו.