הרצאה/סדנה חדשה · לארגונים
כבדהו
וחשדAI
טכניקות חדשניותשגורמות ל-AI לבדוק ולתקן את עצמועוד לפני שהוא שולח לנו את התוצר שלו

אם התוצר של ה-AI לא איכותי, לא חסכנו זמן. רק העברנו אותו מיד ליד
מחקרים מראים: השימוש ב-AI בארגונים רץ קדימה, ובקרת האיכות נשארה מאחור
ממי שמשתמשים ב-AI בעבודה דיווחו שהסתמכו על התוצר בלי לבדוק אם הוא מדויק
מקור: KPMG ואוניברסיטת מלבורן, 2025. סוקר ב-Business Insider וב-Forbes
אמרו שהשתמשו בתוצר של AI גם כשחשדו שהוא ירוד, או שיש בו טעויות או מידע מומצא
מקור: סקר של GoTo ו-Workplace Intelligence, 2026
לנסות רגע בעצמך
האם הסיכום הזה מוכן להעברה?
פער קטן בניסוח יכול לשנות את כל המשמעות
״הספק מתחייב לאספקה בתוך 30 יום, בכפוף לקבלת אישור רגולטורי.״
״הספק מתחייב לאספקה בתוך 30 יום.״
התנאי נעלם, וההתחייבות השתנתה
במקור, מועד האספקה כפוף לקבלת אישור. הסיכום מציג התחייבות בלי תנאי. משפט שנשמע נכון עלול ליצור ציפייה שלא נתמכת במקור
בדיקה שאפשר לקחת לעבודה: האם כל התנאים, ההסתייגויות והתלויות שמשפיעים על ההחלטה נשמרו בסיכום?
ארגון אחראי בוחר לא להיות חלק מהסטטיסטיקה הזו
הוא לא עוצר בהדרכה על פיצ׳רים. הוא מלמד ומנגיש לצוותים טכניקות חדשניות שהתפתחו לאחרונה, כדי לעבוד עם AI בצורה מבוקרת ואיכותית
לתיאום הרצאה בארגוןכבדהוכי הוא באמת משנה את הדרך שבה אנחנו עובדים
וחשדהוכי הוא עדיין טועה, ואומר את זה בביטחון מלא
גם כבדהו וגם חשדהו
אפשר ליהנות מהיכולות, בלי לוותר על הדיוק
יש דרכים למנוע טעויות מראש ולהתמודד איתן
״אם צריך לבדוק הכול, כבר עדיף לעשות לבד״
התחושה מוכרת. אבל יש דרך אחרת: מגדירים מראש מה נחשב טוב, וה-AI מחזיר תשובה רק אחרי שבדק שהיא עומדת בהגדרה
שיטות וטכניקות לבקרת איכות, שנלמד בהרצאה, מקטינות טעויות, חוסכות סבבי תיקון וטוקנים מבוזבזים ומביאות יותר ערך לעבודה שלנו
50 שניות, בלי קול
בהרצאה נלמד פתרונות מעשיים לשאלות האלה
- אילו סוגי טעויות AI עושה, ואיך מזהים כל סוג ומטפלים בו?
- איך מגדירים מראש מה נחשב תוצר טוב, לפני שה-AI מתחיל לעבוד?
- למה לא מספיק לבקש מה-AI לבדוק את עצמו, ומה כן עובד?
- איך בודקים מקורות ומספרים, בלי לעבור על הכול ידנית?
- ארבעה מקורות אומרים אותו דבר. איך יודעים שזה לא בעצם מקור אחד?
- למה כל המספרים נכונים, והמסקנה עדיין שגויה?
- איך בודקים שהתשובה לא משתנה כשמנסחים את השאלה אחרת?
- איך גורמים ל-AI לרוץ על התוצר שוב ושוב, עד שהוא מגיע למטרה?
- איך גורמים ל-AI שני לתפוס את מה שהראשון פספס?
- מי בודק את הבודק, ואיך יודעים מה הוא מחמיץ?
- איך יודעים שה-AI באמת הריץ את הבדיקה, ולא רק דיווח שהיא עברה?
- איך מוציאים מה-AI את טיעון הנגד, ולא עוד הסכמה מנומסת?
- איך מתקנים טעות בלי לקלקל את מה שכבר עבד?
- אילו הטיות שלנו גורמות לנו לסמוך על תוצר שגוי?
- מה חייב להישאר באחריות האדם?
- איך יודעים שהתוצר באמת מוכן, ומתי עוצרים?
הדגמות חיות של ״לפני ואחרי״ על המשימות של הצוות. יוצאים עם צ׳קליסט לבדיקת תוצרים ופרומפטים מוכנים לעבודה

נעים להכיר
שרית אברבוך אליה
טעימה מהארגונים שעבדתי איתם
להעלות את רף הדיוק והאמינות בעבודה עם AI
לצוותים בכל הדרגים שכבר עובדים עם ChatGPT, Copilot, Claude, Gemini וכלי AI נוספים