מה בינה מלאכותית עדיין לא מבינה על מקום

אחת הטעויות השקטות של עידן ה-AI מתחילה באופן שבו מערכות מתייחסות למקום: כאילו מדובר בשכבת נתונים שטוחה. כתובת, נקודה על המפה, צילום לוויין, מחירי נדל”ן, תנועת מבקרים. מבחינת המערכת, התמונה נראית מסודרת. מבחינת בני אדם, זה כמעט אף פעם לא מספיק.

מקום הוא לא רק גיאוגרפיה. הוא גם תחושת מרחק, שייכות, עומס, חלום, מגבלה, חיכוך בירוקרטי, ולפעמים אפילו השאלה מי מרגיש שם בבית ומי רק חולף דרכו.

על פניו זו נשמעת הבחנה פילוסופית. בפועל, זו בעיה טכנולוגית מאוד. ככל שמערכות AI נכנסות עמוק יותר לתכנון ערים, לניהול תיירות, לשיווק נדל”ן, להתאמת שירותים ואפילו לקבלת החלטות ציבורית, כך מתברר עד כמה הן מצטיינות במבט על המרחב מלמעלה, ועד כמה הן מתקשות להבין איך הוא נחווה מבפנים.

מפה טובה לא מספרת את כל הסיפור

מערכות חיזוי מודרניות יודעות להעריך עומסי מבקרים, לזהות אזורים מתפתחים ולבנות מודלים של ביקוש. בפארקים, באתרי טבע וביעדי תיירות זה אפילו נראה כמו התאמה כמעט מושלמת: אם יש מספיק נתונים, אפשר לכוון אנשים למסלולים פחות עמוסים, לחזות צווארי בקבוק ולשפר את החוויה.

אבל גם כאן יש מגבלה שחוזרת שוב ושוב. המערכת רואה זמני נסיעה, מזג אוויר, כניסות ויציאות. מה שלא תמיד נקלט הוא הערך של מקום שמבוקש דווקא מפני שהוא מרוחק, קשה להגעה ולא יעיל.

יש אתרים שהקסם שלהם טמון במאמץ שהם דורשים. הדרך הארוכה, המרחב הפתוח, השקט, החושך בלילה, התחושה שלא הכול מונגש עד הסוף. קשה להכניס את הדברים האלה לטבלה. לכן AI עלול להציע אופטימיזציה שמפספסת את לב העניין: להפוך מקום מיוחד לנוח יותר, ואז גם לדחוס יותר, צפוי יותר, ודומה לעוד מקום.

זו נקודה חשובה במיוחד בעולם שבו כל פלטפורמה רוצה להמליץ, לדרג ולהכווין תנועה. לפעמים, ברגע שמערכת מצליחה “לחשוף” פנינה נסתרת לקהל רחב, היא כבר משנה את האופי של המקום. האלגוריתם לא רק מתאר את המציאות. הוא גם משתתף בעיצוב שלה.

המרחב הוא גם שאלה של שייכות

במקומות מגורים הפער הזה בולט אפילו יותר. AI יודע לנתח דירות, תחבורה, מחירים ורמת שירותים עירוניים. אבל סביבת מגורים טובה אינה רק אוסף של מדדים. היא קשורה גם לשאלה אם אדם יכול לבנות שם זהות, לנהל חיים עצמאיים, להרגיש חלק מהסביבה ולא חריג בתוכה.

כאן נכנסת שכבה שמודלים רבים עדיין מתקשים למדוד: עיצוב חברתי. לא רק אם דירה נגישה, אלא אם היא בנויה כך שתאפשר חיים משותפים בכבוד. לא רק אם יש מעלית ורמפה, אלא אם השכונה עצמה מייצרת מפגש רגיל בין אוכלוסיות שונות, בלי לסמן קבוצה אחת כחריגה שצריך “למקם” עבורה מקום ייעודי.

זה הבדל עמוק. מערכות המלצה עובדות היטב כשהמטרה ברורה ומדידה. אם רוצים לקצר מרחקים או להוזיל עלויות, הן יכולות להיות יעילות מאוד. אבל כשמנסים להבין איך סביבת מגורים משפיעה על תחושת שייכות, על עצמאות או על זהות, הנתונים נעשים עדינים בהרבה. חלקם בכלל לא מופיעים במסד נתונים. הם עולים דרך הקשבה, תצפית, והבנה שנדל”ן הוא לא רק תשתית פיזית אלא גם תשתית רגשית.

מכאן עולה לקח רחב יותר על AI. כשמערכת לומדת מקום רק דרך נתונים פיזיים, היא עלולה להחמיץ את החלק האנושי ביותר שלו. ואז ההחלטות שהיא מייצרת אולי ייראו חכמות על הנייר, אבל בשטח ירגישו זרות מאוד.

AI נמשך לסיפורים נוצצים, בדיוק כמו משקיעים

יש עוד שכבה שהטכנולוגיה מתקשה להתמודד איתה: הדמיון. שוקי נדל”ן, תיירות ופיתוח עירוני לא נעים רק על בסיס עובדות קשיחות. הם מונעים גם על ידי סיפורים. חזון על יעד בתולי, חלום על שכונה שתתעורר, הבטחה לא רשמית לגל עליית ערך. זו שפה של פוטנציאל, לא רק של מצב קיים.

מודלים גנרטיביים ומנועי חיפוש מבוססי AI נוטים לעבד היטב את השפה הזאת, ולעתים גם לחזק אותה. הם מזהים דפוסים של עניין, עוקבים אחרי מה שמסקרן משתמשים, ויודעים לייצר נרטיב משכנע סביב אזורים, ערים או פרויקטים. הבעיה היא שנרטיב כזה עלול להחליק מעל שאלות קריטיות: רגולציה, סיכוני מיסוי, תשתיות חסרות, מרחק אמיתי משירותים, או שונות גדולה בין מקרה למקרה.

במילים אחרות, AI יודע לסכם את החלום במהירות. הרבה פחות בטוח שהוא יודע לפרק אותו לגורמים. במקום שבו בני אדם נמשכים להבטחות על “המקום הבא”, גם אלגוריתמים עלולים להפוך ממערכת ניתוח למכונת הגברה של ציפיות. לא מפני שהם טועים בכוונה, אלא מפני שהם מאומנים על שפה שמתגמלת ביטחון, חדות וסיפור ברור.

לכן, בשימושי AI סביב השקעות, תכנון או בחינת אזורים מתפתחים, כדאי להיזהר במיוחד מתשובות שנשמעות מסודרות מדי. בשטח, לא פעם מה שקובע הוא דווקא המסמך שלא נחתם, הדרך שעדיין לא נסללה, או ההנחה האופטימית מדי שהשתרבבה למודל.

רגולציה משנה מרחב מהר יותר ממה שמודלים מתעדכנים

יש תחום נוסף שמערכות AI מתקשות לעכל בזמן אמת: שינויי חקיקה ומדיניות. לפעמים די בתיקון חוק אחד, במסלול תכנון מקוצר, בשינוי בהיטלים או בהחלטה תקציבית חדשה כדי להפוך פרויקט שעמד במקום לכזה שמתחיל לזוז. ולהפך.

זו לא מגבלה שולית אלא מהותית. חלק גדול מההבטחה של AI בעולם התכנון והנדל”ן נשען על היכולת לחזות זמנים, עלויות וסבירות למימוש. אלא שכשהסביבה הרגולטורית משתנה במהירות, תחזית יכולה להתיישן עוד לפני שהדשבורד הבא נטען.

במקרים של שיקום אזורים שנפגעו, למשל, יש לעתים פער חד בין כוונת המחוקק לבין קצב היישום ברשויות המקומיות. המערכת יכולה לזהות שעל הנייר החסם הוסר, אבל בשטח עדיין ייתכנו עיכובים, מחסור בכוח אדם או שונות גדולה מעיר לעיר.

וכאן חוזרת אותה תובנה בסיסית: AI מבין מרחב טוב יותר כשהוא יציב. בני אדם, לעומת זאת, חיים בדרך כלל במרחב שמשתנה תוך כדי תנועה. חוק חדש, פרויקט חירום, שכונה שמשנה אופי, זרם מבקרים שמכפיל את עצמו. המודלים מנסים להדביק את הקצב, אבל לא תמיד בזמן, ולא תמיד עם עומק ההבנה שנדרש.

אז מה כן צריך לדרוש ממערכות AI שעובדות עם מקום

לא פחות טכנולוגיה, אלא טכנולוגיה צנועה יותר. כזאת שיודעת לסמן גבולות, לא רק לייצר תשובות.

• להבחין בין נתון פיזי להקשר אנושי. מרחק נסיעה אינו בהכרח חוויית נגישות, ומחיר למ”ר אינו בהכרח איכות חיים.

• להציג אי ודאות באופן ברור, במיוחד בתחומים שמושפעים מרגולציה, מתכנון או ממידע חלקי.

• לשלב מקורות איכותניים, לא רק מספריים: ראיונות, צרכים של קהילות, דפוסי שימוש בפועל ותצפיות מהשטח.

• להיזהר מהגברת נרטיבים. מקום “מתפתח” אינו קטגוריה אובייקטיבית לחלוטין, ולעתים זהו סיפור שעדיין מחפש הוכחה.

• להבין שאופטימיזציה יכולה לשנות את היעד עצמו. כשמפנים יותר מדי תשומת לב למקום מסוים, עצם ההמלצה משנה את החוויה בו.

המשמעות המעשית ברורה. מי שבונה מוצרים מבוססי AI למרחב פיזי לא יכול להסתפק במפות יפות ובתחזיות חלקות. הוא צריך לחשוב גם כמו מתכנן, גם כמו עובד קהילה, ולפעמים גם כמו סוציולוג. אחרת, המערכת תדע כמעט הכול על המקום, חוץ מהדבר העיקרי: איך באמת חיים בו.

בסופו של דבר, מקום אינו רק נקודה על הציר שבין חיפוש, המלצה והמרה. הוא מערכת יחסים. בין אנשים לסביבה, בין תכנון למציאות, בין חלום למגבלה. בינה מלאכותית כבר יודעת לזהות תבניות במרחב. האתגר הבא שלה יהיה להבין שמרחב הוא לא רק השאלה איפה משהו נמצא, אלא גם מה הוא מאפשר, למי, ובאילו תנאים. זו משימה מורכבת יותר. וגם מעניינת יותר.