בניתם כלי AI שאמור לחסוך לכם זמן, ואחרי שבוע אתם שוב מקלידים לו את אותו הסבר מההתחלה. זו לא תקלה טכנית. זו כמעט תמיד אחת מעשר טעויות שחוזרות על עצמן אצל כמעט כל מי שמתחיל בתחום — וכולן ניתנות לתיקון תוך דקות, בלי לבנות שום דבר מחדש.
מדובר כאן ב"כישור" (Skill): תהליך שעשיתם ידנית כמה וכמה פעמים, שהופך להוראה קבועה שכלי ה-AI שומר ומריץ בעצמו. סיכום פגישה בפורמט אחיד, הצעת מחיר, טיוטת תשובה ללקוח — אלה בדיוק סוג המשימות שמתאימות. במקום לפתוח כל שיחה מאפס, פותחים את הכישור, וההקשר כבר שם. הכשל השכיח הוא לבנות כישור פעם אחת, לקבל תוצאה חלשה, ולזנוח אותו — במקום לאתר בדיוק היכן זה נשבר.
להלן עשר הסיבות שהופכות כישור AI לחסר תועלת, בסדר שבו הן בדרך כלל מתגלות.
1. כישור אחד שמנסה לכסות שלוש משימות
כשאותו כישור אמור לענות גם על הודעות לקוחות, גם לנסח פוסטים וגם לסכם ישיבות — הוא בעצם שלושה תפקידים שנדחסו לתיבה אחת. לכל תפקיד קהל שונה, רמת פורמליות שונה, ולעיתים גם מאגר מידע נפרד שהוא צריך כדי לענות נכון.
ברגע שהכל מעורבב, הכלי לא תמיד יודע לברור מה רלוונטי לבקשה הנוכחית, והתוצאה יוצאת בינונית בכל התחומים גם יחד — במקום טובה באחד מהם. מבחן פשוט: אם התיאור של הכישור כולל את המילה "וגם", כנראה מדובר בשני כישורים, לא באחד.
הפיצול לא תמיד אומר להכפיל את הזמן שמושקע בבנייה. לרוב מדובר בהעתקת אותו כישור ושינוי שני משפטים בו — התיאור והדוגמה — כך שכל גרסה ממוקדת במשימה אחת בלבד. שני כישורים ממוקדים, שכל אחד מהם עובד היטב, שווים יותר מכישור אחד רב-תכליתי שאף פעם לא בדיוק פוגע במטרה.
2. תיאור חלש, גם כשההוראות מצוינות
יש נטייה טבעית להשקיע את רוב הזמן בגוף ההוראות של הכישור, ולזרוק שורת תיאור אחת חפוזה בסוף. אלא שהתיאור הוא בדיוק מה שהכלי בודק ראשון, כדי להחליט אם בכלל להפעיל את הכישור הזה על הבקשה שעכשיו קיבל.
תיאור עמום פשוט לא "יתפוס" את הבקשות שהוא אמור לענות עליהן — גם כשמה שכתוב בפנים מנוסח היטב. הדרך הפשוטה לתקן: תיאור שאומר בשורה או שתיים למי הכישור מיועד ומה הוא מפיק בסוף, בלי להיכנס לאיך.
3. תסריט קשיח במקום יעד ברור
נטייה נפוצה נוספת היא לכתוב לכלי תסריט מדויק — קודם תעשה X, אחר כך Y, ואז Z — בדיוק כמו מתכון. הבעיה מתגלה ברגע שמשהו משתנה: קובץ שונה, לקוח אחר, נתון שחסר. כל התסריט הקשיח כבר לא רלוונטי, והכישור פשוט לא יודע להתאים את עצמו.
עדיף להגדיר שלושה דברים בלבד, ולתת לכלי חופש להגיע אליהם בדרך שלו:
- מה היעד הסופי, בפועל
- אילו גבולות אסור לחצות בשום מקרה
- מה מבדיל תוצאה מוצלחת מכישלון
דוגמה מהשטח: כישור שנועד להכין תקציר ישיבה, בלי הגדרת יעד ברורה, לפעמים יחזיר תקציר של עמוד שלם ולפעמים שלוש שורות — תלוי איך ניסחתם את הבקשה באותו יום. אותו כישור עם יעד מוגדר ("תקציר בן חצי עמוד, עם רשימת החלטות ומשימות בסוף") מפיק תוצאה עקבית, בלי קשר לניסוח המקרי של הבקשה.
4. "תהיה מקצועי" זו לא הוראה
ניסוחים כלליים כמו "תכתוב יפה" או "תהיה אדיב" נשמעים כמו הנחיה, אבל הם לא נותנים לכלי שום דבר קונקרטי לפעול לפיו. לעומת זאת, הנחיה כמו "השווה בין שני מקורות לפחות, תן עדיפות למקור הרשמי, וסמן במפורש אם יש ביניהם סתירה" ניתנת לביצוע ישיר. ההבדל הוא בין תוצאה שאפשר לקבל בלי לבדוק, לתוצאה שדורשת בקרה בכל פעם מחדש.
5. אין הגדרה של "תוצר גמור"
בלי הגדרה מפורשת של מה חייב להיכלל בפלט, מה אסור שיופיע בו, ואיזו צורה הוא אמור לקבל — הכלי פשוט ממלא את החלל בניחוש. לפעמים הניחוש מסתדר, לפעמים לא, ואין דרך לצפות מראש איזה מהם יקרה.
למשל: כישור שנועד להוציא הצעת מחיר בלי לפרט את המבנה שלה יחזיר פעם עם טבלה ופעם בלי. אותו כישור עם משפט אחד שמגדיר את הפורמט המדויק — למשל שלוש עמודות קבועות של שירות, מחיר ולוח זמנים — יפיק בעקביות את אותה תוצאה, בלי הפתעות.
6. שום קובץ לדוגמה
פסקה ארוכה שמתארת איך תוצאה טובה נראית פחות אפקטיבית מקובץ אחד קונקרטי שמראה אותה. אחרי שהכישור בנוי, כדאי לצרף קובץ שממחיש איך התוצר הסופי אמור להיראות בפועל. הכלי לומד מהדוגמה עצמה, לא רק מהתיאור המילולי שלה, וההבדל ניכר כבר בהפעלה הראשונה.
7. פרומפט-ענק במקום כמה שאלות פתיחה
הניסיון לכתוב מראש פרומפט שמכסה כל תרחיש אפשרי הוא משימה בלתי אפשרית — תמיד יישאר משהו בחוץ. פתרון פשוט הרבה יותר: להגדיר שהכישור עצמו יפתח בשתיים־שלוש שאלות קצרות לפני שהוא מתחיל לעבוד. תשובות קצרות בהתחלה חוסכות סבב תיקונים שלם בסוף.
8. אין הגדרה של מתי לא להשתמש בו
כישור שהוגדר רק לפי "מתי כן להפעיל אותו" נוטה להתעורר גם כשהוא לא רלוונטי בכלל — כישור לכתיבת שיווקי שקופץ גם על שאלה שקשורה לתמיכה טכנית, למשל. הוספת גבול הפוך — מתי בהחלט לא להפעיל את זה — חוסכת הפעלות מיותרות ומבלבלות.
9. בלי בדיקה עצמית בסוף
שתי שאלות קצרות שהכישור שואל את עצמו לפני שהוא מגיש את הפלט — האם כל פרט נדרש נמצא בפנים, האם הטון תואם — תופסות טעויות לפני שהן מגיעות אליכם בכלל. בלי הבדיקה הזו, כל טעות שהתפספסה חוזרת אליכם ישירות, ומבטלת חלק ניכר מהסיבה שבשבילה בניתם את הכישור מלכתחילה.
10. שמות מודלים ותפריטים שיתיישנו מהר
כשההוראות מזכירות שם מודל ספציפי או מיקום מדויק בתפריט, הכישור נשען על פרט שיזוז תוך כמה שבועות — הממשקים של קלוד, צ'אט GPT וג'ימיני משתנים כל הזמן. התוצאה: הכישור מפסיק לתפקד נכון בלי שום הודעת שגיאה, סתם באיזשהו יום. ניסוח כללי יותר — "המודל המתקדם ביותר שזמין כרגע" במקום שם ספציפי — שורד את השינויים האלה בקלות.
שיפור מהיר של כישור שכבר קיים
שלוש פעולות שמשפרות כישור קיים בלי לבנות אותו מחדש:
- מצרפים לו קובץ דוגמה של תוצר טוב, גם אם הוא נוצר מזמן
- כשלא ברור מה בכלל שווה להפוך לכישור, שואלים את הכלי עצמו — הוא כבר מכיר את התהליכים שחוזרים אצלכם מהשיחות הקודמות, ויכול להציע מועמדים
- כשמתקבלת תשובה טובה במיוחד בשיחה רגילה, מבקשים מהכלי לשמור אותה כתבנית לכישור, במקום לפתוח דף חלק
מה כישורים לא פותרים
כישור לא מפצה על חוסר בהירות אצלכם לגבי מה שאתם רוצים מהתהליך — אם זה לא ברור, שום ניסוח לא יתקן את זה. וכישור שנבנה סביב כלי מסוים לפעמים דורש התאמות כשמעבירים אותו לכלי אחר, גם אם באופן עקרוני קובץ כישור עובר בין קלוד, צ'אט GPT וג'ימיני בלי בעיה טכנית.
שאלות שחוזרות
כמה זמן לוקח לבנות כישור ראשון? בדרך כלל רבע שעה, אם ברור מראש איזה תהליך רוצים להפוך לכישור. רוב הזמן הולך על ניסוח התיאור וההוראות, לא על שום דבר טכני.
צריך רקע טכני? לא. הבנייה עצמה מתבצעת בשיחה רגילה, באותה שפה שבה כבר משוחחים עם הכלי בכל יום.
מה עושים כשכישור שעבד מצוין מתחיל להתנהג מוזר? קודם בודקים אם הממשק השתנה (הסיבה העשירית ברשימה). רק אם זה לא ההסבר, חוזרים לנסח מחדש את ההוראות.
כמה כישורים כדאי להחזיק במקביל? אין מספר קסם, אבל כלל אצבע שימושי: אם קשה לזכור בעל פה מה כל כישור עושה, כנראה יש יותר מדי, או שכמה מהם חופפים אחד לשני ואפשר לאחד אותם.
אין צורך שהכישור הראשון שלכם יהיה מושלם. הוא צריך לפתור בעיה אחת, קטנה וברורה. תבחרו משימה אחת שחוזרת אצלכם כל שבוע בדיוק באותה צורה, ותנסו לבנות סביבה כישור יחיד — לא שלושה בבת אחת, ולא מושלם, רק אחד שבאמת מתפקד.
אהבתם? שתפו את המאמר
קרן שחר – מרצה ומדריכה על בינה מלאכותית – GEN AI
