מה קורה כש-AI קורא כותרות: הבעיה היא לא המהירות, אלא ההקשר

הכישרון הבולט של מערכות AI כיום אינו דווקא לדעת הרבה, אלא להישמע כאילו הכול כבר ברור להן. ודווקא שם מתחילה הבעיה. כשמניחים זו לצד זו כתבת טיולים על פארק לאומי בהוואי, דיווח על תוצאות של חברות נדל”ן מסחרי, נתון חדש על שוק השכירות בישראל וסיפור מקומי על מקלט שלא נפתח לדיירים, מתקבלת תזכורת פשוטה וחדה: מידע אינו הבנה, וכותרת אינה המציאות.

כדאי לזכור את זה במיוחד עכשיו. יותר ארגונים, עורכים, מנהלי מוצר וגם משתמשים פרטיים נעזרים ב-AI כדי לסכם, להשוות, להפיק תובנות ולקבל תמונה מהירה. המודלים האלה אכן מצטיינים בזיהוי דפוסים. אבל הם פחות יציבים כשהמציאות בנויה משכבות, מחריגים ומפערים בין תמונת המאקרו למה שקורה בשטח.

הטעות הראשונה: להפוך תיאור עשיר לנתון שטוח

המדריך לפארק הלאומי Haleakalā מתאר מקום אחד שיש בו כמה עולמות בעת ובעונה אחת: פסגה געשית גבוהה, עננים, אזור יבש שכמעט מרגיש מדברי, עמקים רגישים מבחינה אקולוגית, מפלים ויער במבוק. קורא אנושי מבין מיד שאי אפשר לדחוס את המקום הזה למילה אחת. הוא לא רק יעד לזריחה, לא רק אתר טבע ולא רק מסלול טיול.

מערכת AI, מנגד, נוטה לקיצור. אם יבקשו ממנה להסביר “מה חשוב לדעת על הפארק”, היא עלולה להחזיר רשימה יעילה אבל שטוחה: גובה, מזג אוויר נוח, נקודות תצפית, מסלולים פופולריים. טכנית, זו לא טעות. ובכל זאת משהו מהותי הולך לאיבוד. ההקשר הסביבתי, ההבדלים בין האזורים, הרגישות האקולוגית והפער בין חוויית המטייל לבין ניהול של שמורת טבע אינם פרטים שוליים. הם הסיפור עצמו.

זה אחד הקשיים המובהקים של AI במצבים מורכבים: הוא יודע לדחוס היטב, אבל לא תמיד יודע מה אסור לדחוס.

הטעות השנייה: לחשוב ששני נתונים סותרים מבטלים זה את זה

שני המקורות הכלכליים מישראל מציגים, לכאורה, תמונה פשוטה. מצד אחד, חברות נדל”ן מסחרי מדווחות על תוצאות טובות, לצד ירידה קלה בפדיונות לעומת שנת שיא חריגה. מצד שני, נתוני הלמ”ס מצביעים על עלייה בהיקף הדירות המושכרות ועל שיעור שוכרים גבוה במיוחד, גם כאשר במקומות אחרים מדברים על ירידה במספר הדירות שבידי משקיעים.

מודל AI שלא קיבל הנחיה מדויקת עלול למהר “ליישב” את הנתונים. הוא עשוי לקבוע ששוק הנדל”ן חזק, או להפך, ששוק הדיור מתוח, או שיש כאן סתירה שחייבים להכריע בה. בפועל, אלה לא בהכרח טענות שמתנגשות זו בזו. הן פשוט מתארות חלקים שונים של אותה מערכת.

מסחר קמעונאי, הכנסות מנכסים, שיקום אזורים אחרי מלחמה, מלאי דירות מושכרות והרכב הבעלות על דירות אינם אותו מדד. גם אם כולם עוסקים בנדל”ן, הם פועלים בקצבים שונים ומספרים סיפורים שונים. מודל שמחפש מסקנה אחת, נקייה ומסודרת, עלול לייצר תשובה מרשימה, אבל פחות נאמנה למה שקורה באמת.

זו תופעה מוכרת בעולם ה-AI הארגוני. ארגונים מזינים למערכת דוחות, ידיעות, מצגות ונתוני שימוש, ואז שואלים: מה התמונה? אלא שלא תמיד קיימת תמונה אחת. לפעמים יש רק אוסף של מגמות חלקיות, שחלקן משלימות זו את זו וחלקן מתקיימות במקביל בלי באמת להיפגש.

הטעות השלישית: להתעלם מהפער בין מדיניות, מספרים וחוויה בפועל

הכתבה על המקלט בנתניה מדגישה סוג אחר של כשל, כזה שמערכות AI עדיין מתקשות מאוד לזהות בלי תיווך אנושי. על הנייר יש עירייה, פיקוח, פניות, תביעות, מבנה עם מקלט ותקנות שאמורות להסדיר גישה בשעת חירום. בפועל, הדיירים נשארים בלי פתרון. בין המערכת הרשמית לבין מה שקורה בבניין עצמו נפער פער עמוק.

זה חשוב גם בהקשר של AI, משום שמערכות כאלה מאומנות לא פעם על מסמכים פורמליים, נהלים, הודעות רשמיות ומאגרי מידע מסודרים. הן הרבה פחות טובות בקריאת מצבים שבהם הסיפור האמיתי נמצא דווקא בחיכוך: סירוב מתמשך, תחושת חוסר אונים, גלגול אחריות, או מצב שבו כל הגורמים קיימים לכאורה, אבל הבעיה עדיין אינה נפתרת.

במילים אחרות, AI מבין לא רע איך מערכת אמורה לעבוד. הוא הרבה פחות טוב בזיהוי המקומות שבהם המערכת נתקעת, נמרחת או פשוט לא מגיעה לשטח.

מה זה אומר על מוצרים מבוססי AI

מי שבונה היום כלים מבוססי AI לתקשורת, לנדל”ן, לתיירות או לשירות ציבורי צריך להביא בחשבון שהמגבלה המרכזית כבר אינה גישה למידע. המסמכים קיימים, הכותרות זמינות, ויכולות החיפוש השתפרו מאוד. האתגר האמיתי נמצא במקום אחר: בהיררכיית החשיבות.

מודל שיקרא את המקורות האלה יוכל כנראה לענות על שאלות בסיסיות:

• מה גובה הפסגה בפארק?
• האם הייתה ירידה מסוימת בפדיונות לעומת שנה קודמת?
• כמה דירות מושכרות יש בערך?
• מה קרה לדיירים בבניין בנתניה?

אבל כששואלים את השאלות שבאמת מעניינות מקבלי החלטות, הסיפור מסתבך:

• איזה פרט משנה את פרשנות הסיפור כולו?
• איפה נתון רשמי עלול להטעות בלי הקשר?
• איזה מקור מתאר חריג מקומי, ואיזה מקור משקף מגמה רחבה?
• מה הפער בין תפקוד המערכת על הנייר לבין התוצאה בשטח?

כאן כבר לא מספיק מנגנון סיכום טוב. נדרש עיצוב מוצר שיודע להציג אי ודאות, להבליט סתירות, לסמן פערים בין סוגי מקורות ולא למהר לנסח שורה תחתונה אחת.

הכיוון הנכון: פחות תשובה סופית, יותר מפת הקשרים

אחת ההבטחות השקטות יותר של דור ה-AI הבא כנראה לא תהיה “תשובה טובה יותר”, אלא תשובה זהירה יותר. במקום לספק ניסוח חד מדי, המערכות השימושיות באמת יצטרכו להראות לקורא איך הגיעו למסקנה, מה חסר להן ואילו פרטים עשויים לשנות את הפרשנות.

זה נכון במיוחד בסביבה הישראלית, שבה כותרת כלכלית, נתון ממשלתי ועדות מקומית יכולים להיות נכונים בעת ובעונה אחת, ובכל זאת לשרת זוויות שונות לגמרי. מי שמבקש מ-AI “להסביר מה קורה” עלול לקבל תשובה חלקה יותר מן המציאות. מי שיבקש ממנו למפות טענות, להציג הסתייגויות ולהבחין בין רמות מידע, יקבל כלי שימושי יותר.

איפה בני אדם עדיין חשובים במיוחד

למרות ההתקדמות המהירה, יש שלושה אזורים שבהם שיקול דעת אנושי נשאר קריטי:

בחירת המסגרת

האם מדובר במגמה ארוכת טווח, באנומליה זמנית, במקרה קצה או בתקלה מערכתית? מודלים יכולים להציע אפשרויות, אבל ההכרעה עצמה דורשת הבנה עריכתית ומקצועית.

זיהוי הפרט המכריע

לפעמים פרט קטן משנה את כל הסיפור: שנת שיא חריגה בגלל מלחמה, אזור גיאוגרפי שעדיין לא חזר לשגרה, או מקלט שקיים אבל אינו נגיש. בלי הפרט הזה, הסיכום אולי נראה תקין, אך מפספס את העיקר.

הבנה של כוח, אחריות ומציאות מקומית

המודל יודע לתאר. הוא פחות טוב בהבנת יחסי כוח, הזנחה, פחד או אחריות שמתפזרת בין גופים שונים. את המרכיבים האלה קשה לחלץ מהטקסט בלבד, וקשה עוד יותר לתעדף אותם באופן אוטומטי.

הלקח הרחב אינו ש-AI נכשל. להפך. הוא כבר יעיל מאוד בקריאה, במיון ובניסוח מחדש. דווקא משום כך חשוב להבחין בין שני סוגי יכולות: לאסוף את העולם, ולהבין אותו. הראשונה מתקדמת מהר. השנייה עדיין דורשת הרבה יותר הקשר, זהירות וסבלנות.

כשקוראים כמה מקורות שונים באמת, קשה לפספס את זה. המציאות לא מגיעה בטבלה. היא מגיעה עם סתירות, חריגים, גיאוגרפיה, היסטוריה ואנשים שחיים את הפער בין מה שנכתב לבין מה שקורה בפועל. אם יש שאלה שראויה לדיון בעולם ה-AI עכשיו, זו כנראה לא אם המודל קרא הכול, אלא אם הוא הבין מה בכלל חשוב.