מטרה, הקשר, תפקיד, פורמט וביקורת - חמש אבני הבניין של הנחיה מקצועית. פרומפט טוב אינו משפט קסם. הוא תדריך עבודה. ככל שהמשימה חשובה יותר, כך כדאי להגדיר למודל מה המטרה, מה עליו לדעת, איך לעבוד ואיך נבדוק את התוצאה.
חמש אבני הבניין
המסגרת הפשוטה שלנו כוללת מטרה, הקשר, תפקיד, תהליך ופורמט. מתחילים במה רוצים להשיג, מוסיפים מידע רלוונטי, מגדירים את נקודת המבט, מבקשים דרך עבודה ומסיימים בצורת התוצר.
אין צורך להשתמש תמיד בכל הרכיבים. למשימה פשוטה מספיק משפט. למסמך הנהלה, מחקר או החלטה כדאי לבנות תדריך מלא ולעבוד בכמה סבבים.
- מטרה - מה צריך לקרות
- הקשר - למי ולמה
- תפקיד - איזו מומחיות נדרשת
- תהליך - באילו שלבים לעבוד
- פורמט - איך תיראה התשובה
דוגמה: מהנחיה כללית לתדריך מקצועי
במקום לכתוב 'כתוב מייל ללקוח', אפשר להגדיר: נסח מייל קצר ללקוח ותיק שמבקש דחייה, שמור על קשר חיובי אך הצג שני מועדים חלופיים, אל תבטיח דבר שלא אושר, וסיים בשאלה אחת ברורה. התוצאה אינה טובה רק בגלל האורך, אלא משום שהקריטריונים ברורים.
אפשר גם לתת דוגמה לטון רצוי או לצרף חומר מקור. כאשר מצרפים מסמך, מסבירים מה מותר להסיק ממנו ומה לעשות כשמידע חסר.
- ציינו קהל וטון
- הגדירו מגבלות
- בקשו לציין חוסרים
- תנו דוגמה קצרה כשנדרש
עבודה בשלבים
במשימה מורכבת לא מבקשים הכול בבת אחת. תחילה מגדירים את הבעיה, אחר כך מבקשים שאלות הבהרה, בונים מתווה, בודקים אותו ורק אז יוצרים תוצר מלא. השיטה מצמצמת טעויות ומאפשרת לאדם להישאר בתהליך.
מומלץ להפריד בין יצירה לביקורת. לאחר טיוטה מבקשים מהמודל לזהות חולשות, הנחות וחוסרים לפי קריטריונים. לאחר מכן האדם מחליט אילו שינויים לקבל.
- שאלות לפני תשובה
- מתווה לפני מסמך
- טיוטה לפני גרסה סופית
- ביקורת לפי קריטריונים
פרומפט אינו מקור אמת
גם פרומפט מצוין יכול להפיק מידע שגוי. מודלים מייצרים תשובות סבירות לפי דפוסים, ולא תמיד יודעים להבחין בין עובדה להשלמה. לכן במשימות עם סיכון בודקים מקורות, מספרים, שמות ותאריכים.
אפשר לבקש מהמודל להפריד בין עובדות, הנחות ושאלות פתוחות, אך אין בכך תחליף לבדיקה. ככל שההשפעה של הטעות גבוהה יותר, רמת הבקרה צריכה לעלות.
- בדיקת מקורות
- אימות מספרים
- שמירה על מידע רגיש
- אישור אנושי לפני שימוש
בנו ספריית פרומפטים חיה
במקום שכל עובד יתחיל מאפס, מתעדים תדריכים שעבדו, מסבירים לאיזו משימה הם מתאימים ומוסיפים דוגמה לתוצר טוב. הספרייה אינה אוסף משפטים להעתקה, אלא נקודת פתיחה שניתנת להתאמה.
אחת לחודש בודקים מה השתנה בכלים ומה למדנו. כך הידע הופך לנכס צוותי ולא נשאר בשיחות פרטיות.
- שם משימה ברור
- מתי להשתמש
- אילו פרטים להחליף
- קריטריונים לתוצאה
המחקר: AI משנה את חלוקת העבודה, לא רק את מהירותה
ניסויים מבוקרים בעבודת ידע מראים שמודלי שפה יכולים לקצר זמן ולשפר את איכות הטיוטה, במיוחד במשימות כתיבה, סיכום ויצירת חלופות. אולם השיפור אינו נובע רק מהפקת טקסט מהירה. המשתמש מפנה חלק מעבודת הניסוח למערכת ומשקיע יותר זמן בהגדרת המטרה, בבחירה ובעריכה. במילים אחרות, המיומנות המקצועית אינה נעלמת; היא משנה מקום בתוך התהליך.
השינוי הזה מחזק מיומנויות מטה: ניסוח בעיה, פירוק משימה, שיפוט, התאמה לקהל ואחריות. אדם שאינו יודע מהו מסר טוב יתקשה להעריך הצעה של AI; מנהל שאינו יודע מה הופך החלטה למנומקת עלול להתרשם מתשובה רהוטה. לכן סדנאות מיומנויות עם AI צריכות ללמד בו-זמנית את עקרונות המקצוע ואת דרך שיתוף הפעולה עם הכלי.
- הגדרה וביקורת חשובות כמו יצירה
- מומחיות נדרשת כדי להעריך תוצר
- AI משנה Workflow ולא רק זמן
AI Fluency: ארבע יכולות לשיתוף פעולה
מסגרת AI Fluency של Anthropic והחוקרים Joseph Feller ו-Rick Dakan מציעה ארבעה ממדים: Delegation — מה נכון להעביר לכלי; Description — כיצד לתאר מטרה והקשר; Discernment — כיצד להעריך את התוצאה; Diligence — כיצד לפעול באחריות. המסגרת מועילה משום שהיא מעבירה את השיחה מפרומפט יחיד למערכת של החלטות לפני השימוש, במהלכו ואחריו.
בתרגול מקצועי אפשר להפוך את ארבעת הממדים לצ'קליסט. לפני המשימה שואלים אם AI מתאים ומה אסור למסור. בזמן העבודה מספקים מקורות וקריטריונים. לאחר קבלת התוצאה בודקים עובדות, התאמה וטון, מתעדים שינוי ומחליטים מי מאשר. כך אוריינות AI הופכת למיומנות עבודה שניתן לצפות בה, לתרגל ולשפר.
- Delegation — בחירת חלוקת העבודה
- Description — תדריך והקשר
- Discernment — הערכה ואימות
- Diligence — אחריות ושקיפות
הסיכון של Automation Bias
מחקר קלאסי על שימוש באוטומציה מתאר Automation Bias: נטייה לקבל המלצה של מערכת גם כאשר קיימים סימנים סותרים. מודל שפה מגביר את האתגר מפני שהוא מציג תשובה רהוטה, מלאה ובטוחה. המשתמש עלול להחליף בדיקה בתחושת נוחות. הסיכון גבוה במיוחד כאשר המשימה עוסקת באנשים, כסף, בריאות, זכויות, מוניטין או החלטה ניהולית משמעותית.
הפתרון אינו איסור גורף, אלא עיצוב נקודות עצירה. מבקשים מהמשתמש לציין מה הוא יודע לפני שהוא פונה לכלי, להגדיר קריטריונים, להשוות חלופות ולחפש ראיה שסותרת את ההמלצה. אפשר גם להפריד בין שלב יצירת הרעיון לשלב השיפוט, או להקצות בודק נוסף כאשר ההשפעה גבוהה.
- כתבו עמדה ראשונית לפני התייעצות
- חפשו ראיה נגדית
- הפרידו יצירה משיפוט
- הוסיפו בודק במשימה רגישה
מיומנויות אנושיות נעשות מדידות
מושגים כמו תקשורת, יצירתיות או חשיבה ביקורתית נשמעים לעיתים מופשטים, אבל אפשר להפוך אותם להתנהגות. בתקשורת מודדים בהירות, התאמה לקהל וקריאה לפעולה. בקבלת החלטות בודקים חלופות, הנחות ומקורות. ביצירתיות בוחנים מגוון רעיונות, קשר לצורך וניסוי. AI מאפשר לייצר חומר לתרגול במהירות, אך המדד נקבע על ידי המיומנות האנושית.
זהו גם יתרון של סדרת מפגשים. המשתתף מביא תוצר ראשון, מקבל משוב לפי רובריקה, מתרגל בעבודה וחוזר עם גרסה משופרת. כך הארגון אינו מסתפק בתחושת מסוגלות אלא רואה התקדמות. השוואה לפני ואחרי יכולה להתייחס לאיכות המסר, לזמן ההכנה, למספר הסבבים או לביטחון של המשתתף להסביר את הבחירה שלו.
- הגדירו רובריקה לפני תרגול
- השוו גרסה ראשונה ומשופרת
- מדדו גם הסבר ושיקול דעת
העתיד הוא Human + AI
הראיות תומכות בגישה משלימה: AI טוב בהרחבת אפשרויות, ניסוח, ארגון ודפוסים; אדם מביא הקשר, ערכים, אחריות, יחסים והבנה של התוצאה הרצויה. חלוקה זו אינה קבועה. ככל שהכלים משתפרים, גם התפקיד האנושי משתנה — אך הצורך להחליט, לבדוק ולשאת באחריות אינו נעלם.
עבור ארגונים, מסקנת הפעולה היא לבנות קטלוג מיומנויות שמשלב AI בתוך עולמות העבודה: ניהול פרויקטים, תקשורת, זמן, פרזנטציה, שירות, מכירות ומנהיגות. כך ההדרכה אינה רודפת אחרי כל כפתור חדש; היא מפתחת עובדים שיודעים להתאים כלי למשימה ולהפיק תוצאה מקצועית גם כאשר הממשק משתנה.
- למדו מיומנות וכלי יחד
- בנו תרגול סביב משימה אמיתית
- השאירו החלטה ואחריות אצל האדם
מדריך יישומי: כך מתחילים עם כתיבת פרומפטים מקצועית
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 כתיבת פרומפטים מקצועית 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 להפוך משימה לתדריך, לעבוד בסבבים ולבדוק תוצאה. 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?
- כתבו תדריך ולא מילת קסם
- עבדו בשלבים
- הפרידו יצירה מביקורת
- בדקו כל תוצר לפי רמת הסיכון
המקורות שעליהם נשענת הסקירה
- Noy & Zhang (2023), Experimental Evidence on the Productivity Effects of Generative AI, Science
- Parasuraman & Riley (1997), Humans and Automation: Use, Misuse, Disuse, Abuse
- Anthropic, AI Fluency: Framework & Foundations
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 Prompt Engineering