הלידים ממיינים את עצמם. מאתמול זה גם זול.
80 פניות נכנסו בלילה. קראת ארבע.
לא כי ויתרת על השאר. כי מישהו כבר עבר עליהן בשבילך. השאלות על חשבונית הלכו לשירות לקוחות, הסקרנים נכנסו לסדרת מיילים שרצה לבד, וארבע פניות סומנו "שווה שיחה היום". אתה נכנס ישר לארבע.
את התהליך הזה אפשר לבנות כבר שנתיים. הבעיה מעולם לא הייתה טכנולוגית. הוא פשוט היה יקר מכדי להריץ אותו על כל פנייה, כל הודעה וכל תגובה. אז רוב בעלי העסקים הריצו אותו על פלח קטן. או בכלל לא.
אתמול, 18 בספטמבר 2026, זה השתנה.
מה בדיוק קרה ב-18 בספטמבר
חברה בשם TypeSafe AI שחררה מודל בשם Jev. TechCrunch דיווחו עליו באותו יום, והמפתחים בעולם השתגעו. הביקוש היה כל כך גבוה שהחברה איבדה לזמן קצר את היכולת לשרת לקוחות דרך ה-API שלה.
מי שעומד מאחורי זה הוא Diogo Almeida. חוקר לשעבר ב-OpenAI, שותף לבנייה של ChatGPT, ואחד מממציאי שיטת RLHF. זו השיטה שבה מאמנים מודל על בסיס משוב אנושי, והיא אחראית פחות או יותר לכל מה שאתה מכיר היום בתור AI. לפני שנתיים הוא עזב את OpenAI והקים את TypeSafe AI יחד עם Erik Gafni ו-Sasha Sheng.
ואז בנה משהו שהוא ההפך הגמור ממה שבנה שם.
ככה אלמיידה תיאר ל-TechCrunch את המודלים הגדולים. בתרגום חופשי: יש בידינו כוח אדיר, והוא עדיין לא שימושי. ההסבר שלו פשוט עד כאב. כולם עברו אופטימיזציה לשפה אנושית. אבל מחשב לא צריך פסקה יפה. הוא צריך החלטה.
מודל שלא יודע לכתוב מילה אחת
Jev הוא לא LLM. הוא לא מייצר טקסט בכלל.
אתה נותן לו מצב, ורשימה סגורה של תשובות אפשריות. הוא מחזיר אחת מהן, עם אחוז ודאות. זהו. החברה קוראת לזה calibrated decisions, החלטות מכוילות.
הנה האנלוגיה העסקית. LLM הוא כמו יועץ מבריק שאתה שואל אותו "מה דעתך על הפנייה הזאת", והוא מחזיר לך שלוש פסקאות. אתה עוד צריך לקרוא אותן ולהבין מה הוא בעצם אמר. Jev הוא כמו איש קבלה ותיק שאתה מראה לו את אותה פנייה, והוא עונה: "לקוח רציני. 94 אחוז". מילה ומספר.
ומכאן נובע הדבר הכי חשוב לבעל עסק: המודל הזה לא מסוגל להזות. הזיה היא כשמודל ממציא תשובה שנשמעת נכון. אבל כשאתה מגדיר מראש את התשובות האפשריות, אין לו מה להמציא. הוא חייב לבחור מתוך הרשימה שנתת לו.
כל מי שניסה לבנות אוטומציה על GPT נתקל באותו קיר. ברוב המוחלט של המקרים זה עובד מצוין, ובאחוז קטן המודל מחזיר משהו יצירתי ששובר את כל התהליך. בגלל אותו אחוז קטן בעלי עסקים מוותרים על אוטומציה שהייתה חוסכת להם שעות בשבוע. מודל שמחזיר תשובה רק מתוך רשימה סגורה מוחק את הבעיה הזאת מהשורש.
המספרים שגרמו למפתחים להשתגע
הנה מה שדווח מהשטח, לא מהמצגת של החברה:
- Vercel, חברת תשתיות, הריצה בודק אוטומטי שמאשר או חוסם פקודות, באמצעות המודל ChatGPT Luna 5.6 של OpenAI. כשהחליפה אותו ב-Jev, היא קיבלה תוצאות פי 5 עד 18 מהר יותר, ועם דיוק גבוה יותר.
- Bryo AI בדקה את Jev מול Gemini על סיווג מיילים עסקיים. Gemini יצא מעט יותר מדויק, אבל יקר פי 10 עד 20. מה שעניין את ה-CTO של Bryo אפילו יותר: זה המודל היחיד שמחזיר הסתברות אמיתית, ולא ניחוש שנשמע בטוח בעצמו.
- מודל התמחור הוא הסיפור האמיתי. טוקני הפלט חינם. טוקני הקלט נמדדים במיליארדים, לא במיליונים. יחידת המדידה עצמה קפצה פי אלף.
עכשיו תחזור לתמונה מההתחלה. 80 פניות בלילה. אם סיווג של פנייה עולה שבריר ממה שהוא עלה אתמול, אין יותר שום סיבה לסנן ידנית. וזה לא נגמר בפניות. זה תגובות באינסטגרם, הודעות בוואטסאפ, מיילים נכנסים, טפסים, ביטולים.
המשאב היקר ביותר בעסק שלך הוא לא ה-AI
לפני שתמהר להחליף מודלים, כדאי לעצור על השאלה שמתחת לכל זה: איזו משימה בכלל ראויה למשאב היקר ביותר שלך. ראיתי מה קורה כשהמשאב היקר הזה הוא בן אדם.
לפני תקופה עליתי לשיחה עם יזמית.
אחרי כמה דקות של סמול טוק המילים פשוט יצאו לה לבד. היא סיפרה לי שהייתה בתוכנית ליווי אחרת, "יצאנו למלחמה" במילים שלה, והגיעה ל-200 אלף שקל בחודש. ואז קרסה מנטלית. כל האנרגיה התרוקנה לה מהגוף.
שאלתי בסקרנות: על כמה את עכשיו?
15 אלף בחודש. והיא מעדיפה ככה.
יצאתי מהשיחה בטוח שמדובר במקרה חד פעמי. מסתבר שלא. אני שומע גרסאות של הסיפור הזה שוב ושוב.
מה שקרה לה זה לא כישלון של שאיפה. היא הריצה את כל העסק על המשאב היקר ביותר שהיה לה: על עצמה. כל החלטה, כל סינון, כל כיבוי שריפה. בלי תשתית שמחליטה במקומה איפה היא בכלל נחוצה. מודל עסקי שמייצר 200 אלף בחודש ודורש שבעלת העסק תיגע בכל דבר הוא לא מודל. הוא הלוואה שאתה לוקח מעצמך.
וזה בדיוק מה שרוב בעלי העסקים עושים היום עם AI. שולחים את המודל הכי חכם, הכי יקר והכי איטי שקיים… כדי לקבל בחזרה את המילה "כן".
וזאת לא דעה של מישהו שמנסה למכור לך כלי. Gartner פרסמו תחזית באפריל 2025 שלפיה עד 2027 ארגונים ישתמשו במודלים קטנים וייעודיים למשימה פי 3 יותר מאשר במודלים גדולים כלליים. קבוצת מחקר של NVIDIA פרסמה מאמר עמדה בשם Small Language Models are the Future of Agentic AI, שטוען שברוב הפעולות במערכות אוטונומיות המודלים הקטנים חזקים מספיק, מתאימים יותר למשימה, וזולים משמעותית.
Jev פשוט לוקח את הקו הזה לקצה.
שלושת התהליכים שכדאי להוציא כבר עכשיו מהמודל היקר
אלה שלושה תהליכים שכמעט בכל עסק ישראלי רצים היום על מודל גדול, ואין להם שום סיבה לרוץ עליו:
- סינון לידים. כל פנייה שנכנסת מקבלת תווית אחת: חם, פושר, קר, לא רלוונטי. אתה לא צריך פסקה שמסבירה לך למה. אתה צריך תווית ומספר, כדי שצוות המכירות ידבר קודם עם מי שבאמת מוכן לקנות.
- ניתוב הודעות בוואטסאפ ובמייל. שאלה טכנית, בקשת ביטול, שאלה על חשבונית, פנייה חדשה, זבל. 5 קטגוריות. 5 יעדים. ברגע שזה עולה שבריר אגורה, אתה יכול להריץ את זה על 100 אחוז מהתעבורה במקום על מדגם.
- מודרציה של תגובות. אם יש לך קהל גדול, יש לך גם זבל, גם קישורים לאתרי הימורים, וגם תגובות שדורשות תשובה אנושית באותה שעה. זה סיווג טהור. הוא רץ אלפי פעמים ביום. וכשהוא רץ על מודל גדול הוא גם יקר וגם מגיע באיחור, כלומר אחרי שמאה אנשים כבר ראו את הזבל.
שים לב למכנה המשותף. בכל אחד מהשלושה, הפלט שאתה באמת צריך הוא מילה אחת. כל השאר היה בזבוז שהתרגלנו לשלם עליו.
אצלי במערכת שלושת אלה כבר רצים. בוט וואטסאפ מנתב הודעות נכנסות לפי סוג. דוח יומי אוטומטי עובר כל בוקר על חשבונות המודעות ומסמן רק את מה שחורג. והמודרציה רצה על קהל של 22,000 עוקבים באינסטגרם ורשימת תפוצה של 18,000 מנויים, כי בנפח כזה אין שום אפשרות לעבור על הכל ידנית.
ויש תהליך רביעי שכמעט אף אחד לא מריץ, ודווקא הוא שווה הכי הרבה כסף: סימון לקוחות בסיכון נטישה. במנוי חודשי, ההתנהגות של מי שעומד לבטל נראית אחרת משל מי שנשאר. פחות כניסות, פתיחת מיילים שנעצרת, שאלה על חיוב. זה סיווג לכל דבר, שצריך לרוץ על כל לקוח כל שבוע. עד היום זה לא היה שווה את העלות. עכשיו כן. וזה ההבדל בין לגלות שלקוח עזב, לבין להתקשר אליו שבוע לפני.
איך בודקים את זה בעסק שלך בלי לשבור כלום
אל תעביר את כל המערכת למודל החדש. תריץ בדיקה מקבילה על נתונים שכבר יש לך, ותשווה. את זה אפשר לעשות ב-Claude Code בלי לכתוב שורת קוד אחת, כי כל מה שצריך זה קובץ וכמה משפטים בעברית.
"עבור על 200 הפניות האחרונות בקובץ leads.csv. לכל פנייה החזר שדה אחד בלבד מתוך: חם / פושר / קר / לא רלוונטי. בלי הסברים ובלי משפטים. שמור קובץ חדש עם עמודה נוספת של רמת ודאות באחוזים. בסוף הדפס טבלה: כמה פניות בכל קטגוריה, וכמה מהן קיבלו ודאות מתחת ל-70 אחוז."
המשפט האחרון הוא הכי חשוב. הוא מראה לך בדיוק איפה המכונה מתלבטת. שם, ורק שם, בן אדם צריך להישאר בתמונה. בכל שאר המקרים אתה כבר יכול לשחרר.
אחר כך עבור על אותן 200 פניות ידנית, אתה או מישהו מהצוות, והשווה. אם ההתאמה גבוהה, יש לך תשתית. אם היא נמוכה, הבעיה כמעט תמיד בהגדרת הקטגוריות ולא במודל. בניתי ככה את כל מערכת התוכן שלי, והגעתי ל-1,500 קליקים מגוגל תוך 28 יום. אותו עיקרון בדיוק: להגדיר טוב, ואז לתת למכונה לרוץ.
למה קוראים לו דווקא Jev
השם בא מ-William Stanley Jevons, כלכלן בריטי מהמאה ה-19. הפרדוקס שנקרא על שמו אומר דבר אחד: כשמחיר של משאב יורד, לא צורכים ממנו פחות. צורכים ממנו הרבה יותר.
וזה בדיוק ההימור של אלמיידה. כשהמחיר של "אינטליגנציה" צונח, אתה לא תריץ פחות. תריץ אותה בעשרות מקומות שהיום אפילו לא עלו בדעתך, כי הם לא היו שווים את זה.
לבעל עסק זה מתורגם לשאלה מעשית מאוד: על אילו תהליכים ויתרת רק כי הם היו יקרים מדי לאוטומציה? תפתח רשימה כזאת. היא תהיה ארוכה ממה שאתה חושב, והיא בדיוק מפת הדרכים שלך לשנה הקרובה.
מה Jev לא פותר
החברה מגדירה אותו כ-System One model. במילים עסקיות: זו התגובה האינסטינקטיבית של מוכר ותיק שמסתכל על לקוח ויודע תוך שנייה אם הוא קונה. זו לא העבודה של רואה החשבון שיושב שעתיים על הדוח. שתי היכולות נחוצות. הן פשוט לא אותה יכולת.
אז Jev לא יכתוב לך מודעה, לא יבנה דף נחיתה ולא ינתח את הרווח וההפסד. לזה אתה עדיין צריך מודל גדול, ואת השיווק הדיגיטלי שלך אף אחד לא מעביר למכונת סיווג.
ארמין רונאכר, ה-CTO של Earendil, אמר ל-TechCrunch דבר שכל בעל עסק צריך לשמוע: המודל הזה מעביר את בעיית ההזיות אליך. הוא מחזיר אחוז ודאות, ואתה זה שצריך להחליט מה עושים איתו. 50 אחוז זו הטלת מטבע, ואתה פשוט מתעלם. 95 אחוז, אפשר לפעול. אם לא תגדיר את הרף הזה מראש, קיבלת אוטומציה שמרגישה בטוחה ובעצם מעבירה החלטות שגויות הלאה, בשקט.
ועוד נקודה. אלמיידה לא מגלה על מה המודל בנוי, ולפי TechCrunch משקיפים מבחוץ מעריכים שמתחתיו יושב מודל שפה פתוח-משקלים (open-weight). המודל גם אומן אך ורק על דאטה סינתטית, כלומר על נתונים שהחברה ייצרה בעצמה, בשיטה שאלמיידה מכנה reinforcement learning from calibrated decisions. זה לא אומר שהתוצאות לא נכונות. זה כן אומר שלא בונים את כל העסק על ספק אחד יומיים אחרי ההשקה.
מה לעשות עם זה בשבוע הקרוב
לא צריך להחליף שום דבר מחר בבוקר. צריך לעשות שלושה דברים קטנים:
- תמפה איפה אתה משלם על פסקה ומקבל מילה. כל מקום שבו אתה שולח פרומפט למודל גדול רק כדי לקבל "כן", "לא" או תווית. זה הכסף שאתה משאיר על השולחן.
- תגדיר קטגוריות סגורות. לא "תגיד לי מה אתה חושב על הליד". אלא 4 אפשרויות בדיוק, עם הגדרה של מה נכנס לכל אחת. רוב הכישלונות באוטומציה הם כישלון הגדרה, לא כישלון טכנולוגי.
- תקבע רף ודאות לפני שאתה מפעיל. מתחת לכמה אחוז בן אדם נכנס לתמונה. תרשום את המספר. תדבק בו.
זו לא עבודה טכנית. זו עבודה של בעל עסק שיושב ומחליט איפה הוא באמת נחוץ. את שאר הזמן, וזה מה שראיתי אצל עשרות מהיזמים בסיפורי ההצלחה שלנו, מחזירים לצמיחה ולא לתפעול.
וזה גם בדיוק מה שייעוץ עסקי נכון אמור לעשות בעידן הזה. לא להתלהב מכל כלי שיוצא, אלא לבנות תשתית מלאה: מי מייצר את הלידים, מי מסנן אותם, מי סוגר, ומה רץ לבד. זו הסיבה שאנחנו עובדים בשיטת Full Stack, עם קהילה ומנטורים בכירים שכבר בנו את התשתית הזאת בעצמם, ולא בקורס מוקלט שמשאיר אותך לבד מול המסך.
היזמית מהסיפור לא נשברה כי לא הייתה מוכשרת. היא נשברה כי הכל רץ דרכה.
רוצה שהתשתית הזאת תיבנה אצלך בעסק?
המחיר של סיווג אוטומטי צנח השבוע. מי שיבנה את התשתית עכשיו יהיה צעד לפני השוק שלו. נקסט לבל ליוותה מעל 300 יזמים, שביחד ייצרו למעלה מ-150 מיליון שקל באונליין. בשיחה נעבור על העסק שלך ונראה אילו שלושה תהליכים אפשר להוריד ממך כבר החודש. תשאיר פרטים ונבדוק ביחד אם יש התאמה.
לבדיקת התאמה ›באהבה ענקית,
יהב.
