סקירה מדעית ומדריך מעשי לסוכני מחקר עמוק: תדריך מחקר, חיפוש רב-שלבי, איכות מקורות, בדיקת ציטוטים, Evals ותהליך עבודה ארגוני. סוכן Deep Research אינו רק מנוע חיפוש עם תשובה ארוכה. הוא מקבל שאלת מחקר, מפרק אותה לתת-שאלות, מחפש בכמה סבבים, פותח מקורות, משווה טענות ומרכיב דוח עם הפניות. היכולת יכולה לקצר עבודת רקע לשוק, למדיניות, לרכש או לאסטרטגיה, אך היא גם יוצרת סיכון חדש: דוח מלוטש שמסתיר מקור חלש, ציטוט שאינו תומך בטענה או פער שלא חיפשו. לכן התוצר אינו המחקר הסופי. הוא טיוטת ראיות שצריכה לעבור בדיקה, תיחום ושיפוט מקצועי.
הסוכן מאיץ איסוף וסינתזה; מומחה מאשר את שרשרת הראיות לפני שימוש בהחלטה.
מה סוכן מחקר עושה מעבר לחיפוש רגיל
בחיפוש רגיל המשתמש מנסח שאילתה, בוחר תוצאה וקורא. סוכן מחקר מפעיל לולאה: הוא מנסח תכנית, מחפש, קורא, מעדכן את הכיוון וממשיך עד שהגיע לתנאי עצירה. בחלק מהמערכות הוא יכול גם לעבוד עם קבצים, טבלאות וכלי קוד. הערך נוצר בחיבור בין צעדים וביכולת לשמור את שאלת המחקר לאורך התהליך.
הגמישות אינה מבטיחה כיסוי מלא. הסוכן עשוי להתכנס מהר למקורות דומים, להעדיף עמודים קלים לגישה, להחמיץ מסמך סרוק או לשלב מידע מתאריכים שונים. לכן צריך להפריד בין תכנון, איסוף, סינתזה ובדיקת ראיות. בכל שלב מגדירים מה נחשב מספיק ומה מחייב חיפוש נוסף או מומחה אנושי.
- תכנון שאלות ותתי-שאלות
- חיפוש וקריאה בכמה סבבים
- סינתזה והשוואת טענות
- ציטוטים ושרשרת ראיות
תדריך מחקר טוב קובע את איכות הדוח
הוראה כללית כמו 'חקור את השוק' משאירה למערכת להחליט מהו שוק, איזו תקופה חשובה ואילו ראיות מתקבלות. תדריך מקצועי מציין החלטה או שימוש, גיאוגרפיה, טווח זמן, הגדרות, סוגי מקורות, שאלות חובה, קבוצות להשוואה ופורמט תוצר. הוא גם מגדיר מה מחוץ לתחום כדי למנוע התרחבות בלתי נשלטת.
כדאי להגדיר היררכיית מקורות: מסמך רגולטורי או מאמר ראשוני לפני כתבת סיכום; דוח כספי לפני פוסט; תאריך אירוע לפני תאריך פרסום. כאשר אין מקור ראשוני, הדוח צריך לסמן זאת. בבקשה להשוואת מוצרים מוסיפים גם גרסה ותאריך בדיקה, משום שתכונה או מחיר יכולים להשתנות לאחר הפרסום.
- מטרת החלטה וקהל יעד
- טווח זמן וגיאוגרפיה
- היררכיית מקורות
- שאלות חובה ומידע חסר
ציטוט הוא נקודת התחלה, לא חותמת אמינות
קישור ליד משפט מוכיח רק שהמערכת הציגה מקור. הבודק צריך לפתוח אותו ולשאול ארבע שאלות: האם המקור קיים ונגיש, האם הוא סמכותי לשאלה, האם הקטע תומך בטענה המדויקת והאם הוא עדכני. לעיתים מקור אמיתי תומך בנושא הכללי אך לא במספר, בסיבתיות או בהמלצה שנכתבו בדוח.
בדיקת ציטוטים נעשית במדגם מכוון: כל מספר, טענה מפתיעה, מסקנה בעלת השפעה ומקור מרכזי נפתחים. בטבלה רושמים טענה, קישור, קטע תומך, סוג מקור, תאריך ורמת ביטחון. כאשר מסמך חשוב אינו פתוח לציבור, שומרים פרטי זיהוי מלאים ולא מציגים אותו כאילו נבדק. כך הבקרה נשארת ניתנת לשחזור.
- קיומו ונגישותו של המקור
- התאמה וסמכות
- תמיכה בטענה המדויקת
- תאריך, גרסה והסתייגות
מתי Deep Research מתאים ומתי לא
נקודת פתיחה טובה היא שאלה רחבה אך ניתנת לתיחום: מפת שוק, סקירת רגולציה, השוואת גישות, איתור מחקרים או הכנת תדריך מנהלים. במקרים אלה יש ערך לאיסוף ממקורות רבים ולגילוי נושאים שהמשתמש לא הכיר. אפשר להשתמש בסוכן גם כדי לבנות ביבליוגרפיה ראשונית או רשימת שאלות לראיון מומחה.
הוא אינו תחליף לחוות דעת משפטית, רפואית, ביטחונית או פיננסית, ואינו מוסמך לקבוע עובדה על אדם. שאלה המבוססת על מידע ארגוני חסוי דורשת סביבה והרשאות מאושרות. כאשר התוצאה מובילה לרכש, מדיניות או החלטה משמעותית, בעל המקצוע צריך לבדוק את המקורות, ההנחות והחלופות, ולא רק לערוך את הניסוח.
- מתאים למיפוי והשוואה
- שימושי לאיתור ראיות ופערים
- לא חוות דעת מקצועית מחייבת
- החלטה משמעותית נשארת אצל אדם
Workflow ארגוני שאפשר לבקר
מתחילים ב-Research Brief מאושר ובעל תוצר. הסוכן מפיק תכנית חיפוש, והמשתמש בודק אם היא כוללת נקודת מבט נגדית ומקורות ראשוניים. לאחר האיסוף מייצאים טבלת מקורות בנפרד מהדוח. מומחה תחום בודק מדגם, מחזיר שאלות ומבקש השלמה. רק אז נכתבת גרסת מנהלים עם מסקנות, אי-ודאות ותאריך עדכון.
שומרים את התדריך, רשימת המקורות, גרסת הכלי, תאריך ההרצה, בדיקות ותיקונים. אין צורך לתעד כל טוקן, אך צריך להיות מסוגלים להסביר כיצד נבחרו הראיות ומי אישר את התוצר. דוח שמתעדכן באופן קבוע מקבל בעלים ותאריך תפוגה. כאשר מקור מרכזי משתנה, פותחים מחדש את המסקנה ולא רק מחליפים קישור.
- Brief ותכנית לפני חיפוש
- טבלת ראיות נפרדת
- בדיקת מומחה ומדגם ציטוטים
- גרסה, תאריך ובעלים
GAIA: שאלות פשוטות לאדם עדיין קשות לסוכן
Benchmark GAIA נבנה כדי לבדוק עוזר כללי שצריך לחפש, להסיק ולהשתמש בכלים. הוא כולל 466 שאלות שנכתבו בידי בני אדם ודורשות שילוב של יכולות. בפרסום המקורי דיווחו החוקרים על 92 אחוז הצלחה אנושית לעומת 15 אחוז ל-GPT-4 עם תוספים בתצורת 2023. זהו נתון היסטורי של מערכת מסוימת, לא ציון למוצרים של 2026, אך הוא המחיש שהקושי נמצא בחיבור בין איתור, תכנון, כלי ואימות.
לארגון GAIA מציע עיקרון תכנון: מבחן מחקר לא צריך להיות רק שאלה שיש לה תשובה מוכרת. הוא צריך לכלול מידע מפוזר, קובץ, תאריך, מקור סותר או חישוב קטן, ולדרוש תוצר שניתן לבדיקה. כך בוחנים את התהליך ולא רק את רהיטות הסיכום.
- 466 שאלות רב-שלביות
- פער היסטורי גדול בין אדם למערכת
- בדיקת כלים ואימות
- לא מדד מוצר עדכני
BrowseComp: חיפוש קשה דורש התמדה, אבל המספר תלוי במערכת
OpenAI פרסמה ב-2025 את BrowseComp, מבחן לשאלות שקשה לפתור בחיפוש רגיל. לפי הפרסום, מערכת Deep Research השיגה 51.5 אחוז לעומת 1.9 אחוז ל-GPT-4o עם גלישה. המחברים גם מציינים שהמודל אומן על משימות דומות לאלה שב-Benchmark. לכן התוצאה מדגימה פוטנציאל של חיפוש רב-שלבי, אך אינה השוואה ניטרלית בין כלים ואינה מבטיחה ביצוע על שאלת הארגון.
BrowseComp-Plus, שפורסם ב-ACL 2026, בנה סביבת מסמכים קבועה ומאומתת כדי לצמצם בעיות של דליפת מידע ושינוי ברשת. במחקר זה GPT-5 השיג 55.9 אחוז, ושילוב Retriever מאומן העלה את התוצאה ל-70.1 אחוז בתצורה שנבדקה. ההבדל מראה שמנוע האחזור והקורפוס חשובים כמו המודל.
- 51.5 אחוז בפרסום BrowseComp המקורי
- תלות באימון ובתצורת גלישה
- קורפוס קבוע מאפשר בדיקה חוזרת
- Retriever משנה את התוצאה
DeepResearch Bench ו-DeepTRACE: בודקים דוח וציטוט בנפרד
DeepResearch Bench כולל 100 משימות ברמת מומחה מ-22 תחומים ומציע הערכה של איכות הדוח ושל הציטוטים. המבנה חשוב לארגונים משום שדוח יכול להיות מסודר ורחב אך להישען על קישורים חלשים, או להפך: מקורות טובים ללא סינתזה שימושית. לכן מפרידים בין כיסוי, ארגון, דיוק טענה ואיכות ראיות.
DeepTRACE בחן באופן ביקורתי מערכות Deep Research ודיווח על טווח של כ-40 עד 80 אחוז בדיוק ציטוטים בין המערכות והמשימות שנבדקו. אין להפוך את הטווח לדירוג קבוע, אך הוא מחזק כלל עבודה: Citation Recall, כלומר כמה טענות קיבלו מקור, אינו זהה ל-Citation Correctness, כלומר האם המקור באמת תומך בטענה. ב-Eval ארגוני בודקים את שניהם.
- 100 משימות ב-22 תחומים
- איכות דוח ואיכות ציטוט הן מדדים שונים
- כ-40 עד 80 אחוז בטווח שנבדק ב-DeepTRACE
- פותחים מקור ולא מסתפקים בקישור
מחקר עמוק נעשה רב-מודאלי וקשה יותר להערכה
MMDeepResearch-Bench מ-2026 כולל 140 משימות שנבנו בידי מומחים ב-21 תחומים ודורשות גם איתור והבנה של ראיות חזותיות. הוא מראה שמחקר ארגוני אינו רק טקסט: תרשים, צילום מסך, טבלה או עמוד PDF יכולים לשנות מסקנה. דוח שנראה מקצועי צריך להיבדק גם מול התמונה והפריסה המקורית.
AutoResearchBench מ-2026 בוחן תהליך מחקר רחב יותר, כולל ניסוח שאלות, חיפוש, ניתוח וסינתזה. המחברים מדווחים כי גם מודלים מובילים קיבלו ציונים חד-ספרתיים במדדי Deep Research Accuracy ו-Intersection over Union בתצורה שלהם. זה אינו אומר שהכלים חסרי ערך; הוא אומר שהגדרת מחקר חדש והערכת כיסוי נשארות בעיה פתוחה. ארגון צריך להתחיל ממקרה שימוש תחום ומ-Eval מקומי.
- 140 משימות ו-21 תחומים ב-MMDeepResearch-Bench
- ראיות טקסטואליות וחזותיות
- קושי גבוה במחקר פתוח מקצה לקצה
- Eval מקומי לפני שימוש בהחלטה
מדריך יישומי: כך מתחילים עם סוכני Deep Research ומחקר ארגוני
כדי להפוך את הקריאה לפעולה, בחרו יחידה אחת ומשימה אחת. תארו כיצד היא מתבצעת היום, מי מעורב, איזה מידע נדרש ומהי תוצאה טובה. לאחר מכן נסחו השערה קטנה: כיצד סוכני Deep Research ומחקר ארגוני עשוי לשפר זמן, איכות, בהירות או למידה. הימנעו מיעד כללי כמו “להשתמש יותר ב-AI”; יעד שימושי מתאר התנהגות ותוצר שאפשר לראות.
בשלב הבא מומלץ להגדיר Research Brief, היררכיית מקורות, טבלת ראיות ובדיקת ציטוטים לפני הפצת הדוח. השתמשו רק בכלי ובמידע שאושרו, הגדירו קריטריונים לפני הפעלת הכלי ושמרו גרסה של התהליך הקיים. התייחסו לניסיון הראשון כאל פיילוט ללמידה. אם התוצאה חלשה, בדקו אם הבעיה נבעה מהגדרת משימה, מקור, הרשאה, תדריך, יכולת הכלי או בקרת האדם — ולא רק אם הפרומפט היה ארוך מספיק.
- משימה אחת וקהל מוגדר
- קו בסיס של זמן ואיכות
- כלי ומידע מאושרים
- קריטריונים ותיעוד
תכנית עבודה ל-30 יום
בשבוע הראשון ממפים את המשימה, אוספים שתי דוגמאות ומגדירים כללי מידע. בשבוע השני מקיימים הדרכה ותרגול מונחה, ובונים תבנית ראשונה. בשבוע השלישי המשתתפים מפעילים את השיטה בעבודה ומתעדים תוצאה, תיקון ושאלה. בשבוע הרביעי משווים לקו הבסיס, משתפים לקחים ומחליטים אם לשפר, להרחיב או לעצור.
הקצב חשוב יותר מהיקף התוכן. עדיף ניסוי קטן עם משוב מאשר קורס רחב שאין אחריו יישום. מנהל הקבוצה צריך להקצות זמן, להסיר חסם ולהבהיר שאין להסתיר טעויות. שגריר AI או מומחה מלווה מרכז שאלות חוזרות והופך אותן לחומר למידה. כך הידע שנוצר בפיילוט הופך לנכס ארגוני.
- שבוע 1 — מיפוי וקו בסיס
- שבוע 2 — הדרכה ותבנית
- שבוע 3 — יישום ומשוב
- שבוע 4 — מדידה והחלטה
שאלות ביקורת לפני שמרחיבים
לפני הרחבה שאלו האם המשתמשים יודעים להסביר מתי להשתמש ומתי לא, האם הם פותחים מקורות, מהי עלות התיקון והאם התהליך עובד גם בקלט שאינו מושלם. בדקו מי מרוויח מהשינוי, מי נושא בעומס חדש ומה קורה כאשר הכלי אינו זמין. שאלות אלה מונעות מצב שבו הדגמה מוצלחת הופכת במהירות לסטנדרט לא יציב.
לבסוף, ודאו שקיימים בעלים, מדד וקצב עדכון. AI משתנה במהירות, אך ארגון אינו יכול לשנות נורמות מדי יום. בנו עקרונות יציבים, רשימת כלים מתעדכנת וספריית תרחישים שעוברת בדיקה. הרחיבו רק כאשר אפשר לשחזר את התהליך, להדריך עובד חדש ולהסביר את ההחלטה לגורם מקצועי או ניהולי.
- אפשר להסביר ולשחזר
- המקורות וההרשאות ברורים
- עלות התיקון סבירה
- קיימים בעלים ומנגנון עדכון
להמשיך מהידע ליכולת
מה לקחת מכאן?
- Deep Research הוא תהליך איסוף וסינתזה, לא מקור סמכות בפני עצמו
- תדריך והיררכיית מקורות חשובים מאורך הדוח
- כל טענה מרכזית צריכה לעבור בדיקת תמיכה ועדכניות
- שומרים שרשרת ראיות, תיקונים ובעלים לפני שימוש בהחלטה
המקורות שעליהם נשענת הסקירה
- Meta AI (2024), GAIA: A Benchmark for General AI Assistants
- OpenAI (2025), BrowseComp: A Simple Yet Challenging Benchmark for Browsing Agents
- Zhang et al. (2025), DeepResearch Bench
- DeepTRACE (2025), Auditing Deep Research Systems
- Li et al. (2026), MMDeepResearch-Bench
- AutoResearchBench (2026), Evaluating AI Scientists on End-to-End Research
- BrowseComp-Plus (ACL 2026), A More Reproducible Benchmark for Browsing Agents
המקורות נועדו להעמקה ואינם תחליף לייעוץ משפטי, מדעי או מקצועי המותאם לארגון.
רוצים להפוך את הידע לתכנית עבודה?
המכון הישראלי לבינה מלאכותית יבנה עבורכם הרצאת בינה מלאכותית, הרצאת AI, סדנה מעשית או סדרת 3–5 מפגשים שמותאמת לאנשים, לכלים ולמשימות בארגון.
לסדנת מחקר וניתוח מידע בעזרת AI