הדבר המטריד בהזיות של בינה מלאכותית הוא לא הטעות עצמה. הוא הטון. מודל שפה כותב תאריך שגוי, שם חוק שלא קיים או מספר שהומצא — בדיוק באותו ביטחון, באותה עברית מסודרת ובאותו מבנה משפט שבו הוא כותב דבר נכון לגמרי. אין רעד בקול, אין "אני לא בטוח", אין כוכבית קטנה. וזה בדיוק מה שהופך את זה למסוכן.
מערך הדיגיטל הלאומי, שפרסם ב-2024 את המדריך לשימוש אחראי בבינה מלאכותית במגזר הציבורי — מסמך שגובש אחרי התייעצות עם יותר מ-50 גורמים, בהם משרד המשפטים, רגולטורים, אקדמיה ותעשייה — לא כתב אותו כי מישהו חשש שהמחשב ישתלט על העולם. הוא נכתב כי מערכת שמייצרת טקסט משכנע צריכה בקרה אנושית לאורך כל מחזור החיים שלה. אותו היגיון בדיוק תקף גם לכם, מול המסך, כשאתם מבקשים מצ'אטבוט לסכם משהו לפני שאתם שולחים אותו הלאה.
בקצרה
- המודל לא בודק אמת — הוא מעריך מה המילה הסבירה הבאה. משפט שנשמע נכון ומשפט שהוא נכון הם שני דברים שונים אצלו.
- הסיכון הגבוה ביותר הוא במספרים, תאריכים, ציטוטים, שמות חוקים ומקורות — וגם בכל נושא שיש עליו מעט מידע.
- עברית מגדילה את הסיכון, כי רוב האימון נשען על אנגלית.
- שלושה צעדים לפני שימוש: לבקש מקור, להצליב מול אתר רשמי, לבדוק כל מספר ותאריך אחד-אחד.
- בבריאות, כספים ומשפט — לא להסתמך על AI לבד. נקודה.
השורש הטכני: המודל מנחש את המילה הבאה, לא את האמת
כדי להבין למה AI ממציא, צריך להבין מה הוא בעצם עושה. מודל שפה גדול הוא, בבסיסו, מנגנון סטטיסטי מתקדם מאוד שאומן על כמויות עצומות של טקסט. כשאתם מקלידים שאלה, המודל לא ניגש למאגר עובדות ולא שולף ערך מטבלה. הוא מבצע חישוב אחד, שוב ושוב: בהינתן כל מה שנכתב עד כה, מהי המילה הסבירה ביותר להופיע כעת. ואז שוב, ושוב, מילה אחרי מילה, עד שנוצרת תשובה שלמה.
תשובה של מודל AI שנשמעת סבירה, קוהרנטית ובטוחה — אבל אינה נכונה עובדתית. זו לא תקלה נדירה במערכת; זו תוצאה ישירה של האופן שבו המערכת בנויה לעבוד.
מכאן נובע הדבר החשוב ביותר בעמוד הזה: המודל אינו "מבין" את מה שהוא כותב, אין לו תודעה, ואין לו מנגנון פנימי שמסמן "רגע, את זה אני לא באמת יודע". מבחינת החישוב, המשפט "חוק הגנת הפרטיות, התשמ"א-1981" והמשפט "חוק הגנת הצרכן הדיגיטלי, התשפ"ב-2022" נראים שניהם כמו רצף מילים סביר לחלוטין. אחד מהם קיים והשני יכול להיות המצאה מלאה — אבל הסבירות הלשונית שלהם דומה, ולכן הביטחון שבו הם ייכתבו זהה.
זו גם הסיבה שהמודל כמעט אף פעם לא עונה "אני לא יודע" מיוזמתו. אימון על טקסט אנושי מלמד אותו שתשובות נכתבות בטון בטוח, כי כך אנשים כותבים. הענווה, אם היא מופיעה, היא בדרך כלל תוצאה של הנחיה מפורשת מכם — לא של ידיעה אמיתית שהוא על קרקע רעועה.
איפה זה קורה הכי הרבה: מספרים, תאריכים, מקורות ונושאים דלי-מידע
הזיות אינן מתפזרות באופן אחיד. יש סוגי מידע שבהם המודל טועה הרבה יותר, וההיגיון פשוט: ככל שהפריט ספציפי יותר, נדיר יותר וקשה יותר להסקה מהקשר לשוני — כך גדל הסיכוי שהמודל פשוט "ימלא את החסר" במשהו שנשמע מתאים.
- מספרים — אחוזים, סכומים, תקרות, ריביות. מספר הוא בדיוק סוג הפריט שאין לו "היגיון לשוני": 28% ו-38% נשמעים באותה מידה סבירים במשפט.
- תאריכים ושנים — מתי חוק נכנס לתוקף, מתי פורסם דוח, מתי הוקם גוף. סטייה של שנה או שנתיים היא הטעות הכי שכיחה, והכי קשה לתפוס בקריאה מהירה.
- ציטוטים — משפט "של" מומחה, פוליטיקאי או חוקר. המודל יודע איך נשמע ציטוט; זה לא אומר שהמשפט נאמר אי־פעם.
- שמות חוקים, תקנות וסעיפים — מבנה שמות החוקים בעברית סדיר מאוד, ולכן קל למודל לייצר שם חוק שנראה אותנטי לחלוטין ואינו קיים.
- מקורות וקישורים — כתובת URL שנראית תקינה, שם מחקר, מספר עמוד. אלה בין ההזיות הנפוצות ביותר, כי מבנה של הפניה אקדמית או ממשלתית הוא תבנית לשונית קלה לחיקוי.
- נושאים שהדאטה עליהם דל — תחום נישתי, גוף מקומי קטן, נוהל פנימי של ארגון מסוים. פחות טקסט באימון = יותר השלמות מהדמיון הסטטיסטי.
שימו לב לדפוס: ככל שאתם מבקשים תשובה ספציפית יותר, כך אתם דוחפים את המודל לאזור המסוכן. בקשה כמו "הסבר לי במילים שלך מה זה מס שבח" היא בטוחה יחסית — זה הסבר מושגי שחוזר במיליוני טקסטים. בקשה כמו "מה תקרת הפטור המדויקת השנה ומאיזה תאריך היא בתוקף" היא בקשה למספר ולתאריך, כלומר בדיוק הסוג שבו הוא עלול לטעות בביטחון מלא.
למה זה גרוע יותר כשכותבים בעברית
הנה עיקרון שכדאי לזכור: מודל סטטיסטי טוב בדיוק כמו הדוגמאות שראה. כשהאימון נשען בעיקר על טקסטים באנגלית, התשובות בעברית פחות מדויקות. זה לא כי "העברית קשה" — זה כי יש פחות ממנה במאגר, ולכן הדפוסים שהמודל למד עליה רזים יותר.
בפועל זה מתבטא בכמה דרכים מוכרות למי שעובד עם כלים אלה בעברית: תרגום סמוי של מונח מקצועי מאנגלית למשהו שנשמע כמעט נכון אבל לא הביטוי המקובל בישראל; ערבוב בין מוסדות ישראליים למקבילות אמריקאיות; והמצאה של שמות גופים בעברית שנשמעים לגמרי אמינים. התשובה בעברית לא תיראה פחות בטוחה — היא פשוט תהיה פחות מדויקת, באותו טון בדיוק.
בדומה, כשהדאטה שעליו אומן המודל אינו מייצג — התוצאה מוטה. מודל שאומן על מדגם חלקי סופג את ההטיות של אותו מדגם. זה לא רק עניין של דיוק עובדתי אלא גם של הוגנות: המלצת אונסק"ו לאתיקה של בינה מלאכותית, שאומצה ב-2021 על ידי 194 מדינות חברות, מדגישה בדיוק את הצורך בייצוגיות ובהוגנות בנתונים ובמודלים, לצד שקיפות ופיקוח אנושי. במילים אחרות: השאלה "על מה זה אומן" אינה שאלה טכנית בלבד.
רשימת הבדיקה: שלושה צעדים לפני שאתם משתמשים בתוצאה
הכלל הפשוט ביותר הוא זה: תוצר AI הוא טיוטה, לא מסמך. הנה תהליך קצר שמתאים כמעט לכל מקרה, ולוקח בדרך כלל פחות זמן ממה שנדמה.
- בקשו מקור, במפורש אחרי כל תשובה שכוללת עובדה, שאלו: "מאיפה המידע הזה? תן קישור למקור הרשמי". אם המודל מגמגם, נותן ניסוח כללי ("על פי דיווחים") או מייצר קישור — התייחסו לזה כדגל אדום, לא כאישור. קישור שהמודל כתב אינו הוכחה עד שפתחתם אותו.
- הצליבו מול האתר הרשמי פתחו את המקור בעצמכם. חוק — באתר הכנסת או במאגר החקיקה; נתון ממשלתי — באתר המשרד או הרשות; תיעוד של כלי — באתר הספק עצמו. אם הדף לא נפתח, או שהוא נפתח אבל הנתון לא מופיע בו — המידע לא אושר.
- עברו על כל מספר וכל תאריך לא "על התשובה" — על כל מספר בנפרד. סמנו אותם, ובדקו אחד-אחד. זה השלב שהכי מפתים לדלג עליו, וזה בדיוק השלב שתופס את רוב ההזיות.
שלושת הצעדים האלה מכסים את הרוב המכריע של המקרים. אבל יש קטגוריה אחת שבה הם לא מספיקים.
איך לנסח בקשה שמקטינה את הסיכוי להזיה
חלק גדול מההזיות נולד לא בגלל המודל אלא בגלל הניסוח. כשאתם שואלים שאלה שדורשת עובדה שאין לו — הוא ימלא את החסר. כשאתם מנסחים אחרת, אתם מצמצמים את המרחב שבו הוא יכול להמציא.
- תנו לו את החומר. הדביקו את הטקסט הרלוונטי ובקשו סיכום, ניסוח מחדש או חילוץ נקודות — במקום לבקש ממנו לשלוף מהזיכרון.
- הרשו לו לא לדעת. משפט כמו "אם אינך בטוח בעובדה, כתוב 'לא ידוע' במקום לנחש" משנה את התוצאה יותר משנדמה.
- הפרידו בין הסבר לבין נתון. בקשה אחת להסבר מושגי, בקשה נפרדת לנתונים — כך קל יותר לבדוק רק את מה שצריך בדיקה.
- בקשו רשימת אי-ודאויות. "סמן לי אילו פרטים בתשובה כדאי לאמת" מייצר לכם צ'קליסט אישי לצעד הבא.
- שאלו את אותה שאלה פעמיים. אם התשובות סותרות זו את זו במספרים או בתאריכים — לפחות אחת מהן שגויה, וכנראה שתיהן לא אמינות.
מה זה אומר בפועל: כלי עזר, לא תחליף לשיקול דעת
אחרי כל האזהרות, כדאי לשמור על פרופורציה. הזיות אינן סיבה לא להשתמש בבינה מלאכותית — הן סיבה להשתמש בה נכון. בישראל, כפי שמראה סקר הסוכנות לעסקים קטנים ובינוניים מ-2025, כ-28% מהעסקים משתמשים ב-AI כחלק אינטגרלי מהפעילות, ומתוך המשתמשים 63% מדווחים על חיסכון בזמן ו-50% על שיפור במוצרים. אלה לא מספרים של טכנולוגיה שלא עובדת. הם מספרים של טכנולוגיה שעובדת — כשמפעילים עליה בקרה.
ההבחנה המעשית פשוטה: המודל מצוין במשימות שבהן הניסוח הוא התוצר — טיוטת מייל, ניסוח מחדש, סיעור מוחות, סיכום טקסט שנתתם לו, תרגום גס. הוא בעייתי במשימות שבהן העובדה היא התוצר — נתון, תאריך, סעיף חוק, ציטוט. שתי המשימות נראות זהות על המסך; ההבדל ביניהן הוא מי אחראי לאמת את התוצאה.
וזו, בסופו של דבר, הנקודה. בינה מלאכותית היא כלי עזר עוצמתי, לא תחליף לשיקול דעת אנושי — ובמיוחד לא בתחומים רגישים. הביטחון שבו המודל כותב הוא תכונה של אופן הכתיבה שלו, לא של רמת הידיעה שלו. ברגע שמפנימים את ההבחנה הזו, רוב הבעיה נפתרת.
חזרה לתמונה הגדולה: איפה זה יושב בסדרה
העמוד הזה הוא תת-נושא אחד מתוך מדריך רחב יותר. אם עוד לא קראתם את הבסיס — מה בעצם עושה מודל שפה, איך הוא לומד, ומהם הכלים החינמיים שזמינים בעברית — כדאי להתחיל שם: מה זה בינה מלאכותית? מדריך פשוט בעברית + מפת הכלים החינמיים. משם אפשר להמשיך לעמוד המשלים הטבעי של זה — מה לא להעלות לכלי AI — כי אחרי שלמדתם לא לסמוך על מה שיוצא, כדאי גם לדעת מה לא להכניס פנימה.
מקורות
- OpenAI Help Center — תיעוד רשמי של ChatGPT, כולל מגבלות המודל ואמינות התשובות. נכון ל-22/08/2026.
- Google Gemini Help — תיעוד הספק הרשמי, לרבות אזהרת בדיקת מידע בתשובות. נכון ל-22/08/2026.
- Anthropic Support — תיעוד רשמי של Claude ומגבלות השימוש. נכון ל-22/08/2026.
- מערך הדיגיטל הלאומי — מדריך לשימוש אחראי בבינה מלאכותית במגזר הציבורי, גרסה 1.0 (2024). נכון ל-22/08/2026.
- UNESCO — Recommendation on the Ethics of Artificial Intelligence (2021). נכון ל-22/08/2026.