// שירות · AI במוצר, סוכנים ו-MCP
AI במוצר שלכם
שילוב, סוכנים, MCP
כולם אומרים "אנחנו עכשיו עם AI". מעטים באמת מבינים מה זה אומר.
בשנה האחרונה כל מוצר תוכנה התחיל "להציע AI". ברוב המקרים זה Wrapper של ChatGPT על UI קיים. צ'אטבוט שעונה תשובות גנריות. כפתור "סכם לי" שלא באמת מבין את המוצר. זה לא AI במוצר. זאת תפאורה.
AI אמיתי במוצר משנה את מה שהמוצר יכול לעשות. הוא מבין את ההקשר, ניגש לדאטה הנכון, מבצע פעולות אמיתיות, ומשרת את המשתמש בצורה שלא הייתה אפשרית בלעדיו.
אנחנו בונים את זה. לא Wrapper — שילוב אמיתי.
// 01 · מה אנחנו עושים
מה אנחנו עושים
משילוב AI במוצר קיים ועד סוכנים אוטונומיים ו-MCP Servers שמחברים את ה-AI לעולם שלכם.
- 01
שילוב AI במוצר קיים
לוקחים מוצר שעובד ומוסיפים יכולות AI שמשפרות אותו באמת. סיכומים, חיפוש סמנטי, אוטומציה של משימות, יצירת תוכן.
- 02
סוכני AI (AI Agents)
לא צ'אטבוטים. סוכנים שמבצעים משימות מרובות שלבים בצורה אוטונומית: שולחים מיילים, מנתחים נתונים, מעדכנים מערכות, מקבלים החלטות.
- 03
MCP Servers
בניית שרתי MCP שמחברים את ה-AI שלכם למערכות שלכם. Google Drive, Salesforce, מסד נתונים פנימי, מערכות ארגוניות. ה-AI פועל בעולם האמיתי, לא רק עונה.
- 04
RAG ומאגרי ידע
חיבור AI לידע הייעודי שלכם. תיעוד פנימי, מסמכי מוצר, חוזים, דאטה. ה-AI עונה על בסיס המידע שלכם, לא של גוגל.
- 05
עוזרי AI ב-SaaS
Copilot למוצר שלכם. מדריך משתמשים, עונה על שאלות, מבצע פעולות תוך כדי הזרימה.
- 06
AI ב-Backend
סיווג מידע, ניתוח טקסט, OCR חכם, ניתוח תמונות. AI שעובד מאחורי הקלעים.
- 07
עיבוד שפה ומסמכים
חוזים, חשבוניות, מסמכים רפואיים, אימיילים. הוצאת מידע, סיווג, חיפוש סמנטי.
// 02 · MCP
מה זה MCP ולמה זה משנה את המשחק
MCP — Model Context Protocol — הוא הסטנדרט שאנת'רופיק פרסמה ב-2024 והפך לסטנדרט תעשייתי דה-פקטו ב-2025.
הרעיון: AI הוא חכם, אבל בלי גישה לנתונים ולמערכות שלכם — הוא מוגבל. MCP הוא הפרוטוקול שמחבר את ה-AI למערכות שלכם בצורה מאובטחת ומובנית.
זה הופך אותו מ"צ'אטבוט שנותן עצות" ל"עוזר שמבצע". אנחנו בונים MCP Servers ייעודיים שמחברים את ה-AI למערכות הספציפיות שלכם.
עם MCP נכון, ה-AI יכול:
- 01
לקרוא מסמכים מ-Google Drive
- 02
לעדכן רשומות ב-CRM שלכם
- 03
לשלוח מיילים
- 04
לבצע שאילתות במסד הנתונים
- 05
להזיז משימות ב-Jira או Asana
// 03 · טכנולוגיה
הטכנולוגיות שלנו
מודלים, פריימוורקים, מאגרי וקטורים, MCP, embeddings, אורקסטרציה ו-fine-tuning. אנחנו בוחרים את הכלי הנכון לכל שילוב.
- AI Models
- Claude (Anthropic)
- GPT (OpenAI)
- Gemini (Google)
- Open Models
- Frameworks
- LangChain
- LangGraph
- LlamaIndex
- Vector DBs
- Pinecone
- Weaviate
- Qdrant
- pgvector
- MCP
- Anthropic MCP SDK
- Custom MCP Servers
- Embeddings
- OpenAI
- Cohere
- Voyage AI
- Orchestration
- Temporal
- n8n
- On-Device AI
- Core ML
- Ollama
- Fine-tuning
- OpenAI Fine-Tuning
- Hugging Face
// 04 · איך אנחנו עובדים
איך אנחנו עובדים
- 01שלב 1
הבנת המקרה העסקי
לא כל בעיה צריכה AI. ולא כל פיצ'ר נהיה יותר טוב עם AI. אנחנו מתחילים בלהבין את הבעיה — ואז מחליטים אם AI הוא הפתרון הנכון.
- 02שלב 2
בחירת המודל הנכון
Claude, GPT, Gemini, מודל פתוח, או Fine-Tuning? לכל מודל יש חוזקות. בוחרים לפי הצורך, לא לפי הטרנד.
- 03שלב 3
בניית הארכיטקטורה
איך ה-AI מתחבר למוצר? מתי הוא רץ? איזה הקשר הוא מקבל? אילו פעולות הוא מורשה לעשות? תכנון לפני בנייה.
- 04שלב 4
פיתוח ובדיקות
מפתחים את השילוב, בודקים על מקרים אמיתיים. AI שנותן תשובות לא מדויקות זה גרוע מ-AI שלא קיים.
- 05שלב 5
אופטימיזציית עלויות
קריאות API ל-AI עולות כסף. אנחנו מאופטמים: Caching של תשובות נפוצות, שימוש במודל קטן יותר כשאפשר, Prompts יעילים.
- 06שלב 6
ניטור ושיפור
AI הוא לא מושלם. אנחנו עוקבים אחר התשובות, מקבלים feedback, ומשפרים את ה-Prompts ואת הארכיטקטורה לאורך זמן.
// פיילוט לפני התחייבות
שילוב AI במוצר עם תהליך בדיקה ברור
לפני שמשלבים AI במוצר צריך לדעת שהוא עושה את המשימה ברמה שאתם צריכים — על הנתונים שלכם, לא בהדגמה. כך נראה פיילוט שאפשר לקבל ממנו החלטה, ומה נדרש כדי להפוך אותו למוצר יציב.
האם AI מתאים לצורך? ארבע שאלות לפני פיילוט
- 01
איזו פעולה משפרים?
פעולה אחת מוגדרת: מענה על שאלות מתוך ידע קיים, סיוע למשתמש במילוי או בניסוח, עיבוד מסמכים, או החלטה מוגדרת עם כללים ברורים. לא "להוסיף AI למוצר".
- 02
מה רמת האיכות הנדרשת?
האם טעות היא אי-נוחות (הצעה שהמשתמש דוחה) או נזק (פעולה שבוצעה)? ככל שהמחיר של טעות גבוה יותר, כך נדרשים יותר פיקוח אנושי ואישור לפני פעולה.
- 03
אילו נתונים קיימים?
מקורות המידע שה-AI אמור להסתמך עליהם — מסמכים, מאגר ידע, היסטוריית פניות — קיימים, מעודכנים ומותרים לשימוש? בלי זה אין מה לבדוק.
- 04
מה החלופה בלי AI?
כלל "אם-אז", חיפוש טוב יותר, טופס מובנה. אם החלופה פותרת את הבעיה — היא זולה יותר, צפויה יותר, ואנחנו נגיד את זה.
מה כולל הפיילוט
- 1
מקורות מידע מוגדרים
רשימה סגורה של מסמכים, טבלאות או מערכות שה-AI רשאי להסתמך עליהן, עם הרשאות גישה לפי מה שמותר למשתמש שמולו הוא פועל.
- 2
משתמש לדוגמה וקבוצת ניסיון
מי משתמש בפיילוט, באיזה הקשר, ובאיזה היקף — בדרך כלל קבוצה קטנה שמכירה את התחום ויכולה לשפוט תשובות.
- 3
תנאי הצלחה שנקבעו מראש
איכות (כמה מהתשובות בסט התרחישים אדם היה מאשר), זמן (לעומת התהליך הידני), שימוש (האם המשתמשים חוזרים) ועלות לכל פעולה. היעד נקבע עם בעל התהליך, לא איתנו.
איך בודקים איכות וכשלים
| בדיקה | מה עושים | מה חייב להיות מוגדר |
|---|---|---|
| סט תרחישים | אוסף של שאלות או מקרים אמיתיים (מאושרים לשימוש) עם תשובה או תוצאה שאדם היה מקבל, כולל מקרי קצה ושאלות שאין להן תשובה במקורות | מי מרכיב את הסט, מי שופט, ואיזה חלק ממנו נשמר לבדיקה סופית |
| התנהגות כשאין תשובה | המערכת אומרת שאינה יודעת, מפנה למקור או לאדם — במקום להמציא | הניסוח, מתי מסלימים לאדם, ואיך זה נמדד בסט התרחישים |
| אישור פעולות רגישות | כל פעולה שמשנה נתונים, שולחת הודעה או מחייבת כסף עוברת אישור אנושי בפיילוט | רשימת הפעולות הרגישות ומי מאשר |
| מעקב ותיעוד | כל שאלה, מקור שנשלף, תשובה ושיפוט נשמרים — כך מזהים דפוסי כשל ולא מקרים בודדים | מה נשמר, לכמה זמן, ומי רואה |
סט תרחישים
מה עושים: אוסף של שאלות או מקרים אמיתיים (מאושרים לשימוש) עם תשובה או תוצאה שאדם היה מקבל, כולל מקרי קצה ושאלות שאין להן תשובה במקורות
מה חייב להיות מוגדר: מי מרכיב את הסט, מי שופט, ואיזה חלק ממנו נשמר לבדיקה סופית
התנהגות כשאין תשובה
מה עושים: המערכת אומרת שאינה יודעת, מפנה למקור או לאדם — במקום להמציא
מה חייב להיות מוגדר: הניסוח, מתי מסלימים לאדם, ואיך זה נמדד בסט התרחישים
אישור פעולות רגישות
מה עושים: כל פעולה שמשנה נתונים, שולחת הודעה או מחייבת כסף עוברת אישור אנושי בפיילוט
מה חייב להיות מוגדר: רשימת הפעולות הרגישות ומי מאשר
מעקב ותיעוד
מה עושים: כל שאלה, מקור שנשלף, תשובה ושיפוט נשמרים — כך מזהים דפוסי כשל ולא מקרים בודדים
מה חייב להיות מוגדר: מה נשמר, לכמה זמן, ומי רואה
מה נדרש לפרודקשן
- 01
הרשאות
ה-AI רואה רק מה שהמשתמש שמולו רשאי לראות; גישה למקורות עוברת דרך אותן הרשאות כמו שאר המערכת.
- 02
ניטור
איכות התשובות, שיעור ההסלמות לאדם, זמני תגובה ושגיאות של ספק המודל — עם התראה כשמשהו חורג.
- 03
תקציב שימוש
כל קריאה למודל עולה כסף. מגדירים תקרה, מודדים עלות לכל פעולה, ומחליטים מה קורה כשמתקרבים לתקרה.
- 04
תמיכה ועדכונים
מי מטפל בתשובה שגויה שדווחה, איך מעדכנים את מקורות המידע, ומה קורה כשספק המודל משנה גרסה.
ניסיון רלוונטי — מה בדיוק בוצע
ב-OneAI, פלטפורמת Conversational AI, עבדנו במשך חמש שנים כשותף טכנולוגי — מ-APIs של Language AI, דרך סוכני צ'אט, ועד מערכת Voice AI שמנהלת שיחות עסקיות, כולל בונה תרחישי שיחה. ב-JUSK, מערכת להדרכת עובדים, בנינו יצירת הדרכות ומבחנים בסיוע AI מתוך ידע ארגוני קיים, וצ'אט AI שעונה לעובדים מתוך הנהלים והמידע של הארגון. מה בדיוק נבנה בכל מקרה מתואר בעמוד הקייס — ולא מעבר לזה.
// 05 · למי זה מתאים
למי זה מתאים
- 01
מוצרי SaaS
שרוצים להוסיף Copilot, עוזר חכם, או יכולות AI לפיצ'רים קיימים.
- 02
חברות שירות
שמקבלות הרבה פניות חוזרות — AI יכול לטפל ברוב מהן.
- 03
ארגונים עם תיעוד פנימי
מאגרי ידע, נוהלים, מסמכים. AI יכול לעזור לעובדים לנווט.
- 04
מוצרי אנליטיקה
שצריכים לעבד טקסט, להוציא תובנות, או לסכם נתונים.
- 05
עסקים שרוצים לאוטמט
שילוב MCP ו-AI לתהליכים אמיתיים — לא רק שיחות.
// 06 · למה אנחנו
למה אנחנו
- 01
בונים, לא רק מדברים
הרבה חברות מדברות AI. אנחנו עוסקים בו יום-יום.
- 02
עוקבים אחר השוק
ה-CTO שלנו מתעדכן יומית. מודלים חדשים, MCP חדש, יכולות חדשות — אנחנו מודעים.
- 03
מבינים את כל הסטאק
AI טוב צריך תשתית טובה. שאילתות מהירות, caching, אינטגרציות יציבות.
- 04
לא מאוהבים בטכנולוגיה
אם AI לא הפתרון הנכון — נגיד. לא נדחוף פיצ'ר רק כי זה טרנדי.
// 07 · שאלות נפוצות
שאלות נפוצות
01.מה ההבדל בין AI שאני יכול לחבר לבד (ChatGPT API) לבין שילוב מקצועי?
ChatGPT API נותן לכם מודל. שילוב מקצועי בונה סביבו את הכל: ארכיטקטורה, Prompts יעילים, Caching, ניהול הקשר, אינטגרציה עם הדאטה שלכם, ניטור עלויות. ההבדל הוא בין צעצוע למוצר.
02.אילו מודלים אתם משתמשים בהם?
Claude, GPT, Gemini, ומודלים פתוחים (Llama, Mistral) כשמתאים. בוחרים לפי המשימה.
03.מה זה Agent ואיך זה שונה מצ'אטבוט?
צ'אטבוט עונה על שאלה. Agent מבצע. הוא יכול לעשות משימות מרובות שלבים: "בדוק מה הלקוח הזה הזמין, שלח לו מייל סיכום, ופתח טיקט אם יש בעיה".
04.מה זה MCP בעצם?
פרוטוקול שמחבר AI למערכות חיצוניות בצורה מאובטחת. במקום שה-AI ידע רק מה שלימדו אותו — הוא יכול לקרוא מסמכים, לבצע פעולות, ולעדכן מערכות בזמן אמת.
05.כמה עולה לפתח שילוב AI?
תלוי. שילוב פשוט (צ'אטבוט עם RAG) — 30-80 אלף ₪. עוזר AI מתקדם במוצר — 80-300 אלף ₪. סוכן AI מורכב עם MCP — 150-500 אלף ₪.
06.יש גם עלויות שוטפות, נכון?
כן. כל קריאה ל-API עולה כסף. אנחנו מאופטמים כדי להוריד עלויות (Caching, מודלים יעילים, Prompts מדויקים), אבל יש עלות שוטפת. בדרך כלל אחוזים מתוך הערך שהמוצר מייצר.
07.מה לגבי פרטיות? הדאטה שלנו עוברת ל-OpenAI?
תלוי במודל ובתצורה. ל-OpenAI ול-Anthropic יש מסלולי Enterprise שלא משתמשים בדאטה לאימון. בנוסף, יש מודלים פתוחים שאפשר להריץ אצלכם פנימית. אנחנו עוזרים לבחור לפי רגישות הדאטה.
08.מה זה RAG?
Retrieval Augmented Generation. ה-AI לא רק מסתמך על מה שהוא יודע — הוא מחפש מידע במאגר הידע שלכם בזמן אמת ועונה על בסיסו. ככה הוא יכול לענות על שאלות ספציפיות למוצר שלכם.
09.אנחנו רוצים AI שמבין עברית — יש בעיה?
לא ב-2026. Claude, GPT, ו-Gemini עובדים מצוין בעברית — מבינים, כותבים, ועונים ברמה גבוהה.
10.מה לגבי AI במובייל?
שני מודלים: API חיצוני (מהיר לבנות, דורש חיבור אינטרנט) או On-Device (פרטיות מקסימלית, עובד offline). תלוי במקרה.
11.מתי לא כדאי להוסיף AI?
כשהבעיה לא דורשת אותו. אם אפשר לפתור משהו עם כלל "אם-אז" פשוט — AI הוא בזבוז. אנחנו אומרים את זה ישר.
12.אתם עושים גם Fine-Tuning?
כן. כשיש צורך אמיתי — דומיין מאוד ספציפי, פורמט תשובה מדויק, סגנון ייחודי — Fine-Tuning יכול לתת תוצאה טובה יותר ועלות נמוכה יותר.
13.אנחנו רוצים MCP Server שלנו — לחבר את הכלים הפנימיים. אתם בונים?
כן. זה אחד התחומים שאנחנו עוסקים בהם הכי הרבה. נבנה לכם MCP Server שמחבר את הכלים הספציפיים שלכם ל-AI שלכם.
14.מה ההבדל בין פיילוט AI למוצר יציב?
פיילוט בודק שאלה אחת — האם ה-AI עושה את המשימה המוגדרת ברמה שהגדרתם, על תרחישים שלכם — עם קבוצת משתמשים קטנה, מקורות מידע מוגדרים ופיקוח אנושי. מוצר יציב מוסיף את מה שפיילוט לא צריך: הרשאות לכל המשתמשים, ניטור, תקציב שימוש, תהליך לעדכון המודל והתוכן, ותמיכה. פיילוט שהצליח הוא תנאי להמשך — לא המוצר עצמו.
15.איך מגדירים הצלחה לפיילוט AI בלי להבטיח אחוזי דיוק?
היעד נקבע עם בעל התהליך לפני הפיילוט, לפי החלופה הקיימת: כמה מהתשובות בסט התרחישים צריכות להיות ברמה שאדם היה מאשר, כמה זמן זה חוסך לעומת התהליך הידני, ומה עלות השימוש לכל פעולה. אנחנו לא מתחייבים לאחוז דיוק לפני שמדדנו אותו על הנתונים שלכם — התוצאה של הפיילוט היא המספר, וההחלטה מתקבלת לפיו.
עודכן לאחרונה:
המשך הקריאה
שירות
פתרונות אוטומציה לעסקים
הצד התהליכי של אותה יכולת: אפיון ובנייה של אוטומציה לעבודה ידנית חוזרת, מחוברת ל-CRM, ל-ERP ולמערכות הקיימות.
סיפור לקוח
סיפור לקוח: OneAI — חמש שנות AI עד לרכישה על ידי monday.com
שותפות טכנולוגית ארוכת טווח: מפלטפורמת Language AI ו-APIs, דרך סוכני צ'אט, ועד מערכת Voice AI — והרכישה על ידי monday.com ב-2026.
סיפור לקוח
סיפור לקוח: Mystorya — מלווה AI שזוכר את הסיפור שלך
אפליקציית ליווי אישי מקצה לקצה: iOS, Android ו-Web, צ'אט AI שמכיר אסטרולוגיה, נומרולוגיה, טארוט וכף יד, קריאה יומית, מערכת זיכרון רב-שכבתית ומערכת ניהול.
סיפור לקוח
סיפור לקוח: Onit — תור לרופא תוך ימים, עם AI ודאטה
אפליקציית Health-Tech מקצה לקצה: iOS ו-Android, מנוע התאמת תורים, ניתוח פוליסות ביטוח, תביעות והחזרים, עוזר AI שיחתי ואנליטיקה של נתוני משתמשים.
השוואה
Vibe Coding לעומת Production Engineering — מתי כל אחד מתאים
השוואה: MVP מ-Cursor/Lovable/Bolt מול קוד מהונדס לפרודקשן. מה אפשר לעשות עם AI Tools, מתי זה מתפוצץ, ואיך עוברים בין השתיים.
סיפור לקוח
סיפור לקוח: JUSK — פלטפורמת קליטת עובדים והדרכות
מערכת HR Tech שמרכזת טפסים, חתימות דיגיטליות, הדרכות ומבחנים במסלול קליטה אחד: גישה מדורגת, תזכורות, AI ומערכת ניהול מלאה.
// 08 · בואו נדבר
AI אמיתי, לא תפאורה.
שיחת היכרות של 30 דקות, בלי התחייבות. נבין יחד אם AI הוא הפתרון הנכון — ואם כן, איך עושים את זה כמו שצריך.
ישר. לעניין. בזמן.