מיקרוסופט סגרה את סקייפ ב-5 במאי 2025. כמעט שנה וחצי לאחר מכן, 4 כלי בינה מלאכותית עדיין המליצו על המוצר כאילו היה חי וקיים.
בניסוי שבוצע בתחילת יולי 2026, נשלחו 50 שאלות / פרומפטים ל-15 כלי AI מובילים (ביניהם גם צ'ט ג'יפיטי, קלוד, ג'מיני, גוגל AI Mode, קופיילוט, פרפלקסיטי וגרוק).
ארבעה מתוכם המשיכו להמליץ על סקייפ בכל פעם, למרות שהמוצר כבר לא קיים. מעבר לכך, הכלים נשאלו שאלות נוספות אודות נושאים אחרים וגם שם היו טעויות.
אז מה בעצם קורה כאן, למה מנועי AI נוטים לכל כך הרבה שגיאות / הזיות ואיך מתקנים את זה?
תחרות בין נתונים סותרים
במשך כמה עשורים, מנועי חיפוש מסורתיים (ובראשם גוגל) למדו לסנן החוצה נתונים שגויים. אומנם גם הם עשויים לטעות עדיין, אבל לרוב הם מסוגלים להציג את התמונה הנכונה אודות העסק או הפרסונה המדוברת. האלגוריתמים המתקדמים שלהם יודעים ממה צריך להתעלם.
לעומת זאת, מנועי ה-AI החדשים עובדים בצורה אחרת. הם לא שומרים מידע באינדקס משלהם, אלא ניגשים שוב ושוב למבחר מקורות בהתאם לחיפוש / פרומפט. אפשר להגיד שמנועי הבינה המלאכותית של ימינו, דומים למה שהיו פעם מנועי החיפוש כשהיו צעירים: הם לא תמיד מסוגלים להבין מה הקונצנזוס האמיתי, ומתי עובדה היא לא נכונה.
במצב כזה, אפילו פרט שולי זניח משנת 2006 עשוי לצוף מעלה בתשובות הבינה המלאכותית - גם אם הוא שגוי לחלוטין. אם אנחנו לא נוודא שהמידע עלינו זהה ועדכני בכל המקומות האפשריים ברשת, הבינה המלאכותית תמלא את החסר בעצמה עם נתונים מכל מקור אחר שיהיה מספיק קרוב, לדעתה.
עשור של תכנים מנצח שנה אחת של שינוי
המנגנון שגורם להזיות AI הוא ברובו פשוט מאוד.
אם נמשיך את הדוגמה של המלצות על סקייפ לאחר שהמוצר כבר מת, נוכל לראות שיש אינספור חומרים אודות המוצר הזה בכל פינה ברשת: הדרכות, דפי עזרה, ביקורות, דיוני פורומים, פוסטים של אנשים המדריכים איך לבצע X עם סקייפ וכן הלאה.
לעומת זאת, סגירת המוצר פורסמה מספר פעמים בחדשות - וזהו. מעבר לכך לא היו אזכורים נוספים לכך שהמוצר הזה כבר לא קיים. אז מה לדעתכם ינצח: אלפי עמודי אינטרנט עם מוצר חי וקיים לאורך עשור, או כמה עשרות מאמרים בודדים במשך שנה שמציינים את מותו?
צפיפות התוכן (מספר המאמרים ותדירותם) לאורך הזמן הנתון, משפיעה בצורה קריטית. זה קצת כמו תחרות אגרוף בין מי ששוקל 90 קילוגרם ומי ששוקל 70 קילוגרם.
ההסבר לכך הוא שמודל שפה (LLM) מתאר אתכם לפי מה שכלל הרשת אומרת עליכם, לא לפי מה שכתוב רק בכמה אתרים פה ושם (כולל האתר הראשי שלכם). המודל מחפש קונצנזוס והוא מייצר אותו מכל מקור שנראה לו רלוונטי.
אלא שלא כל מקור הוא רלוונטי, כך מסתבר, אבל חלק מהמודלים עדיין לא יודעים את ההבדל. לפיכך מי שמתואר בצורה הכי מדויקת בתשובות ה-AI, הוא מי שמשקיע בניסוח אחיד של מסר ברור ועקבי לאורך זמן.
כלומר: אותם משפטי תיאור של המותג ומה הוא עושה, צריכים לחזור על עצמם שוב ושוב בכל רחבי הרשת. אם תשנו את המסרים שלכם, אתם עלולים לשבור את הסיגנל העיקרי שמעיד על קיומכם ועל מה שאתם עושים. ברגע שהמסר שבור, מודל השפה עובר למקור הבא שמציע את הנרטיב הקרוב ביותר.
מנוע חיפוש מסורתי (גוגל)
- מנגנון אחזור: סריקה מוקדמת, שמירה באינדקס והגשה עתידית.
- הערכת איכות: תוכן, קישורים נכנסים, זמן שהייה, שיעור הקלקה (CTR).
- מבנה אידיאלי: תוכן קל לסריקה ודירוג.
מנועי תשובות (AI / LLMs)
- מנגנון אחזור: קריאת מסמכי מקור והרכבת תשובה בזמן אמת (חישוב יקר).
- הערכת איכות: צפיפות מידע (אות מול רעש) וקלות חילוץ הטקסט.
- מבנה אידיאלי: קשרים ישירים, עובדות ברורות, רשימות וטבלאות נטולות "אוויר חם".
זהו בעצם מנגנון הפעולה של מודלי שפה, כאשר הם נתקלים ב"חור" במידע או בטקסט קטוע. כאשר הרצף הלוגי או המבנה של המסר נשבר, המודל לא באמת "חושב" איך לתקן אותו, אלא מחפש את ההסתברות הסטטיסטית הבאה הגבוהה ביותר (הנרטיב הבא), כדי להמשיך לייצר טקסט שנשמע הגיוני.
התהליך בקצרה:
- חיזוי המילה הבאה: מודלי שפה פועלים על בסיס סטטיסטיקה. אם קלט (Prompt) מסוים חלקי או שבור, המודל ישלים אותו לפי תבניות הנרטיב השכיחות ביותר שעליהן הוא התאמן.
- הזיות: כשאין למודל מספיק נתונים רציפים, הוא "עובר למקור הבא" - משמע, הוא ממציא חיבור נרטיבי שנראה נכון מבחינה לשונית, גם אם הוא שגוי לחלוטין עובדתית.
- הטיית האישור (Confirmation Bias): אם המשתמש מציג מסר שבור או חצי אפוי, המודל נוטה לזרום עם כיוון המחשבה של המשתמש (מקור הנרטיב) במקום לתקן אותו, כדי לספק את התשובה הצפויה ביותר.
מודל BLUF
למה מודלי שפה מתנהגים בצורה כזו אקראית? גם מכיוון שכך הם בנויים, כפי שראינו בפסקאות הקודמות, וגם כי כל סריקה של AI עולה כסף. אם דף מסוים דורש 500 טוקנים כדי לחלץ את המידע, ה-AI עשוי להעדיף את הדף שבו נדרשים רק 50 טוקנים כדי למצוא את המידע.
זה כביכול סותר את מה שאנחנו נדרשים לעשות בתחום ה-SEO - ליצור עמודים מעמיקים של 1,500 מילים בנושא האמור. אבל אם מודל השפה צריך לקרוא אלף מילים כדי למצוא את התשובה, הוא יעדיף לעבור למתחרה שנותן את התשובה ב-100 המילים הראשונות.
אז מה עושים? תוכן מעמיק, ארוך ואיכותי חשוב כיום יותר מאי פעם, אבל עם שינוי: התשובה לשאלה העיקרית חייבת להיות מוצגת כבר בהתחלה. בתחום העיתונות זה נקרא BLUF - קיצור של Bottom Line Up Front. כלומר: מציגים את השורה התחתונה כבר בהתחלה, רצוי ב-100 המילים הראשונות.
הנדסת נרטיב: קידום במנועי בינה מלאכותית
היום כבר לא מספיק לקבל ציטוט, אזכור או המלצה במנועי AI. צריך גם לוודא את ההקשר ואת העובדות, אחרת המנוע ימליץ על משהו לא רלוונטי בעליל ויקשור אותו אליכם.
רוב בעלי העסקים חושבים שאם המידע קיים במקום כלשהו ברשת, ה-AI ידע לאסוף ולחבר את כל הנקודות בעצמו כדי ליצור את התשובה הנכונה והמדויקת. בפועל, כפי שראינו, זה לא תמיד המצב. כמה עובדות חדשות לא יהרגו שנים של יצירת תוכן עם עובדות סותרות.
כשהסיגנלים שלכם חלשים או מפוזרים, מודלי השפה נשענים על ברירת המחדל - קונצנזוס של מקורות צד-שלישי, גם אם המידע שגוי. סטייה קטנה וניסוח מטעה מצטברים לאורך זמן לשחיקה משמעותית באמון הלקוחות.
כדי לשלוט במקורות שבונים את תשובת ה-AI, תצטרכו להיות פרואקטיביים. אומנם אנחנו לא יכולים לכתוב את התשובה עצמה, אבל אנחנו כן יכולים לשלוט במקורות שמזינים את המידע. המשמעות היא שאתם חייבים להפוך את הקשרים האלה למדויקים עבור הבינה המלאכותית:
הגדירו מי אתם
בכל הנכסים הנמצאים בבעלותכם או כאלה שהשגתם דרך צד שלישי, בדגש על אתר הבית והפרופילים החברתיים, נסחו במדויק מי העסק, מה הוא עושה ומי קהל היעד. בעת כתיבת ההגדרות הללו, הימנעו משימוש בטקסט שיווקי או מעורפל. לדוגמה: חברת X מספקת מערכות CRM לעסקים קטנים ובינוניים בישראל.
בנוסף צרו עמודים עם טבלאות מחיר מסודרות, מפרטים מדויקים, תיוגים סמנטיים (סכמה) ותשובות של משפט אחד שאי אפשר לפרש בצורה שגויה.
הגדירו את המיצוב שלכם
הרשת זוכרת הכל, ואלמנטים שכבר לא קיימים עלולים לצוץ בחזרה. אם המיצוב שלכם השתנה, גם המידע שלכם חייב להשתנות בהתאם כדי להגדיר את הקטגוריה העדכנית שבה אתם פועלים. שאלו את ה-AI מה הוא יודע על החברה, מה החסרונות מול המתחרים וכן הלאה. בדקו את מקורות המידע ואת נכונות המידע, ואם צריך גשו למקורות הללו לצורך תיקון.
השתמשו בעובדות
כל טענה צריכה ראיות או עובדות שיתמכו בה. הוסיפו מקרי בוחן, מחקרים מקוריים, הצלחות, תוכן השוואתי לעומת מתחרים ועוד. נסחו את הקשר בין העסק לעובדות הללו בצורה פשוטה וקלה לעיבוד על ידי בינה מלאכותית: חברת X עזרה ללקוח Y להשיג תוצאה Z. ככל שתהיו יותר ספציפיים בתיאורי המקרים והעובדות, כך לבינה המלאכותית יהיה יותר מידע מעודכן לעיכול.
רגע לפני סיום
כפי שכולנו יודעים, הרשת זוכרת הכול. זה היה כך מאז היווסדם של מנועי החיפוש המסורתיים, ומקבל חשיבות גבוהה אף יותר כאשר מדובר בכלי בינה מלאכותית.
עובדות ישנות ולא רלוונטיות ממשיכות לחיות בפינות נסתרות ברשת, והן עלולות לצוף בכל פרומפט או חיפוש. עשרות עמודים עם עובדה ישנה ינצחו עמוד אחד עם עובדה מעודכנת.
אם לא תהיו פרואקטיביים בכל הנוגע למידע שמוצג עליכם ברחבי הרשת, מנועי החיפוש וה-AI עלולים להשלים את התמונה עבורכם - ולא תמיד זה יהיה לטובתכם.