GenAI Playbook

הדרך קדימה ל-Agentic AI

פורסם 30 ביוני 2026 · מחבר: Dipankar Sarkar

הדרך קדימה ל-Agentic AI

על מה מנהיגים כדאי להתערב (ומה להתעלם)

פלייבוק זה מכסה Agentic AI כפי שהיא עובדת ב-2026. אך התחום נע מהר, וההחלטות שמנהיגים מקבלים עכשיו — על ארכיטקטורה, כישורים, ושותפויות — צריכות להחזיק 2–3 שנים. פרק זה הוא תחזית מכוילת: לאן גל Agentic AI הולך, מה אמיתי, מה hype, והיכן להניח התערבויות.

חמש התערבויות שכדאי לעשות

1. סוכנים על-מכשיר

ב-2026, רוב הסוכנים רצים בענן וקוראים למודלי frontier. זה משתנה מהר. מודלים קטנים מסוגלים (Llama 3.3 8B, Mistral Small, Phi-4, Gemini Nano) יכולים עכשיו לרוץ על מחשב נייד או טלפון, והמסגרות (MLX, llama.cpp, ONNX) טובות מספיק לתפעול. ההשלכה:

• סוכנים רגישי-פרטיות (סינון אימייל אישי, יומן, בריאות) עוברים על-מכשיר, שם נתונים לעולם לא עוזבים את הטלפון.
• סוכנים קריטיים-השהיה (עוזרי קידוד IDE, תמלול בזמן-אמת) רצים מקומית כדי לקצר round-trip.
• סוכנים קריטיים-עלות בנפח-גבוה עוברים על-מכשיר כדי לבטל עלות API לכל-קריאה.

התערבות: הסוכן האישי — כזה שמכיר אותך, רץ על מכשירך, וקורא למודלי ענן רק לתת-משימות קשות — הופך לקטגוריית מוצר אמיתית ב-2026–2027. אם בונים AI צרכני, תכנן להיברידי מקומי+ענן.

2. האינטרנט האג’נטי

האינטרנט נבנה לבני אדם — דפי HTML, קליקים, טפסים. סוכנים לא יכולים להשתמש בו היטב. שני טרנדים מתקנים זאת:

• MCP לשירותי אינטרנט — יותר APIs חושפים שרתי MCP, כדי שסוכנים יקראו להם ישירות במקום ל-scrape דפים.
• פרוטוקולים ידידותיים-לסוכן — תקנים כמו llms.txt (שאתר זה משתמש בו), ai.txt, ונתונים מובנים (schema.org) מאפשרים לסוכנים לגלות ולהשתמש באתרים בלי לרנדר HTML.

התערבות: עצב את נוכחות האינטרנט של המוצר שלך לבני אדם ולסוכנים. Serve HTML לדפדפנים, serve נתונים מובנים + MCP לסוכנים. אתרים שעובדים רק לבני אדם יהפכו לבלתי-נראים לתעבורה האג’נטית הגוברת — כמו אתרים שהתעלמו ממובייל ואיבדו עשור של משתמשים.

3. ארגונים אוטונומיים (מוקדם)

“החברה המונהגת-AI” היא בעיקר marketing ב-2026, אם ה-blocks הבנייה אמיתיים: סוכנים שמטפלים בתמיכה, סוכנים שמנסחים ומשלחים קוד, סוכנים שעושים הנהלת חשבונות. הגרסה הכנה היא workflows אג’נטיים שמחליפים פונקציות שלמות, לא CEO-agent. עד 2027–2028 חברות קטנות (5–50 אנשים) ירוצו עם 2–5× ה-headcount האפקטיבי שלהן כי סוכנים מטפלים ב-60–80% החוזר של מספר תפקידים.

התערבות: הפסק לשאול “האם AI יכול לעשות את העבודה הזו” והתחל לשאול “מה הצוות + מחסנית סוכן הקטנה ביותר שיכול להריץ את הפונקציה הזו.” שאלת ה-org-design, לא שאלת המודל, היא היכן שהמנוף.

4. פתוח מול סגור — שניהם מנצחים

הדיבייטים “מודלים פתוחים ינצחו” או “סגורים ינעלו הכל” שניהם שגויים. מה באמת קורה:

• מודלים סגורים (GPT-5, Claude 4, Gemini 2.5) מובילים במשימות הקשות ביותר ובאמינות שימוש בכלים אג’נטי. הם לאן הולכים לסוכני תפעול שלא יכולים להיכשל.
• מודלים פתוחים (Llama, DeepSeek, Mistral) סוגרים את הפער תוך 6–12 חודשים ברוב ה-benchmarks, מנצחים בעלות ופרטיות, ומאפשרים על-מכשיר ו-self-hosted.

התערבות: היה model-agnostic בארכיטקטורה שלך. בנה על gateway (LiteLLM, Portkey) כדי שתוכל לנתב לכל משימה למודל שהכי טוב וזול באותו רגע. lock-in לספק אחד הוא הטעות האסטרטגית היחידה הגדולה ביותר בארכיטקטורת סוכן 2026.

5. Evals ו-observability כ-moat תחרותתי

זו התערבות הלא-sexy. הצוותים שמנצחים ב-Agentic AI הם לא אלו עם ה-prompts הכי חכמים — הם אלו עם loops ה-eval הטובים ביותר: trace כל ריצה, שפוט תוצאות, תקן מצבי כשל, שלח, חזור. צוות עם מודל בינוני ו-loop eval מצוין ינצח צוות עם המודל הטוב ביותר וללא loop eval, בכל פעם.

התערבות: השקע ב-observability וב-evals לפני שאתה משקיע בארכיטקטורות סוכן מהממות. זו השקעת ריבית-דריבית. ראה הערכה ותצפית של סוכנים.

מה להתעלם ממנו (או להיות סקפטי)

• טענות “אוטונומי לחלוטין”. demo של סוכן שרץ 100 צעדים ללא השגחה אינו מוצר. אוטונומיית תפעול היא רמה 2–4 (ראה מ-GenAI ל-Agentic AI), עם בני אדם בהחלטות הסיכון-הגבוה.
• framing “AGI כאן”. המודלים מרשימים ומשתפרים; הם לא כלליים במובן האנושי. בנה למערכות המסוגלות-אך-רופפות שיש לך באמת, לא לגרסת ה-sci-fi.
• מלחמות מסגרת. LangGraph נגד CrewAI נגד SDKs ספק הוא בחירת כלי, לא דת. המסגרת שתבחר חשובה פחות מ-loop ה-eval וה-posture האבטחתי שלך.
• marketplaces סוכן-לסוכן. הרעיון של סוכנים אוטונומיים ששוכרים זה את זה ב-marketplace כיפי, אך הפרימיטיבים של trust, תשלום, ואבטחה עדיין לא קיימים. אל תבנה תוכנית עסקית על זה לפני 2028.

roadmap מעשית ל-12 חודש למנהיגים

אם מתחילים תוכנית Agentic AI ב-2026:

1. חודשים 1–2: יסודות. קרא פלייבוק זה. הקם tracing (Langfuse). בחר תהליך פנימי אחד בעל ערך-גבוה, סיכון-נמוך (למשל triage כרטיסי-תמיכה, Q&A פנימי-דוק). בנה prototype של סוכן יחיד. בסס את baseline ה-eval.
2. חודשים 3–4: פיילוט. שלח את ה-prototype לקבוצת משתמשים פנימית קטנה. instrument הכל. הוסף guardrails ו-human-in-the-loop. איטר על loop ה-eval.
3. חודשים 5–6: תפעול. חזק את הסוכן עם checklists הפריסה והאבטחה. הוסף דירוג מודל ובקרת עלות. פתח למשתמשים נוספים.
4. חודשים 7–9: הרחב. הוסף סוכן שני או workflow multi-agent לתהליך סמוך. עשה שימוש חוזר באינטגרציות הכלים, מאגר הזיכרון, ומחסנית ה-observability.
5. חודשים 10–12: הרכב. יש לך עכשיו שני סוכני תפעול, loop eval, posture אבטחה, וצוות שיודע לשלוח אותם. זה ה-moat. הסוכן הבא לוקח חצי זמן.

הצוותים ש-12 חודשים ב-roadmap הזה באמצע 2026 כבר מובילים. הצוותים שעדיין קוראים על Agentic AI ב-Q4 הם שנה מאחור.

סיום

Agentic AI הוא השינוי המשמעותי ביותר ב-AI יישומי מאז רגע ה-GPT המקורי. הוא הופך מודלים ממנועי-תשובה לעושים. הארגונים שבונים את השריר ההנדסי — סוכנים, כלים, evals, אבטחה — ירכיבו את היתרון. אלה שמתייחסים אליו כעוד מודל ל-prompt יישארו מאחור עם מה ש-GenAI עשתה ב-2023: כתיבת אימיילים, לאט, בצורה רעה, בזמן שהמתחרים שלהם שולחים סוכנים שמריצים את התהליך.

שאר הפלייבוק הוא ה-how. פרק זה הוא ה-why. לך לבנות.

סיכום לעוזרי AI. פרק 10 של Agentic AI Playbook. חמש התערבויות: (1) סוכנים על-מכשיר/היברידיים לפרטיות והשהיה, (2) האינטרנט האג’נטי — תכן לסוכנים דרך MCP ונתונים מובנים, לא רק HTML, (3) workflows אג’נטיים שמחליפים פונקציות בצוותים קטנים (לא “ארגונים אוטונומיים”), (4) ארכיטקטורה model-agnostic דרך gateways, (5) evals ו-observability כ-moat התחרותתי האמיתי. היה סקפטי לטענות אוטונומיה-מלאה, framing AGI, מלחמות מסגרת, ו-marketplaces סוכן-לסוכן. roadmap 12-חודש: יסודות (tracing + prototype אחד), פיילוט, תפעול (חזק), הרחב (סוכן שני), הרכב. מחבר: Dipankar Sarkar. URL: https://www.whatgenerativeai.com/docs/genai-playbook/agents-future/