סוכני AI — מהאוטומציה לאוטונומיה

1. למה זה חשוב לממשלה

עד היום, AI בממשלה אומר בעיקר: "שאל שאלה, קבל תשובה." מנהל ממשלתי מבקש סיכום, AI מייצר. פקיד מבקש ניסוח, AI כותב. זה Chat AI.

AI Agent הוא משהו שונה לגמרי. במקום לחכות לשאלה, Agent פועל: מתכנן, מריץ כלים, בודק תוצאות, ומסיים משימה מורכבת — מתחילתה ועד סופה.

דוגמה ממשלתית מוחשית: במקום שפקיד יבקש "תסכם את הדוח הזה" ויקבל טקסט — Agent לביטוח לאומי יוכל:

1. לקבל בקשת זכאות חדשה
2. לחפש אוטומטית את הנהלים הרלוונטיים במאגר
3. לבדוק את מסמכי המבקש
4. לסווג את הבקשה לקטגוריה הנכונה
5. לנסח המלצה מנומקת — ולהעביר לבדיקת פקיד

כל זה בלי שאדם יגע בכפתור. זו האוטומציה של הדור הבא.

איפה אנחנו בשנת 2025-2026?

• ממשלת בריטניה: Agent לטיפול בבקשות FOIA (חופש המידע) — קיצר זמן טיפול מ-20 יום ל-4 ימים
• סינגפור: Agent לניתוח פניות ציבור ב-CPF (ביטוח לאומי סינגפורי) — 60% קיצור בעומס
• ישראל: ניסויים בעיריות לתגובה אוטומטית לבקשות 311

2. מושגי מפתח

3. הבדל בין Chat AI לבין AI Agent

| תכונה | Chat AI (ChatGPT, Claude) | AI Agent | |--------|--------------------------|----------| | אופן פעולה | עונה לשאלה בודדת | מבצע רצף פעולות לעמידה במטרה | | יוזמה | מחכה להנחיה בכל שלב | תכנן ופועל אוטונומית | | כלים | בדרך כלל ללא גישה למערכות | כלים חיצוניים: APIs, DBs, קבצים | | זיכרון | בדרך כלל אין בין שיחות | יכול לשמור מצב ולהמשיך | | מאמץ אנושי | אדם מנחה כל שלב | אדם מגדיר מטרה, Agent מבצע | | שגיאות | שגיאה = תשובה לא מדויקת | שגיאה יכולה לגרום לפעולה שגויה | | מתאים ל | שאלות, כתיבה, ניתוח חד-פעמי | תהליכים חוזרים, עיבוד מסמכים, אוטומציה |

4. ארכיטקטורת Agent — איך זה עובד בפנים

Agent מודרני פועל בלולאה של 4 שלבים:

[1] PLANNING — קריאת המטרה וחלוקה לתת-משימות
     ↓
[2] TOOL USE — הפעלת כלי (API call, DB query, code run)
     ↓
[3] OBSERVATION — קריאת תוצאת הכלי, הבנת מה קרה
     ↓
[4] REFLECTION — "האם הגעתי למטרה? מה הצעד הבא?"
     ↓ (חוזר ל-PLANNING אם צריך)
[5] OUTPUT — תוצאה סופית + דיווח לאדם

דוגמה: Agent לטיפול בפנייה ציבורית

קלט: "אבי לוי פנה — שאל מדוע לא קיבל קצבת ילדים לחודש ינואר"

ריצת Agent:

1. PLAN: אצטרך לבדוק: (א) האם הבקשה מאושרת? (ב) האם הייתה בעיה טכנית? (ג) מה הסיבה?
2. TOOL: search_beneficiary(id="A.LEVI") → מחזיר: זכאי, תשלום מינואר לא בוצע
3. OBSERVE: יש אי-תשלום — צריך לבדוק סיבה
4. TOOL: get_payment_log(month="2025-01") → שגיאה בנתוני חשבון בנק
5. OBSERVE: הבנקbmבנק לא עודכן
6. REFLECT: יש פתרון ברור — לנסח תשובה ולהעביר לאישור פקיד
7. OUTPUT: "הפנייה טופלה. סיבה: שגיאה בנתוני חשבון בנק. פעולה נדרשת: פקיד לאשר עדכון נתונים."

זמן: 4 שניות. בלי שאיש נגע בתיק.

5. סוגי Agents

ReAct Agent (הנפוץ ביותר)

Reasoning + Acting — חושב, פועל, מתבונן, בלולאה.

• מתאים לרוב המשימות: מחקר, עיבוד מסמכים, מענה לשאלות
• קל ליישם עם LangChain, LangGraph, Claude API

Chain-of-Thought Agent

• פורט את כל שלבי החשיבה לפני שפועל
• מתאים להחלטות מורכבות עם נימוקים
• יתרון: שקיפות ואפשרות ביקורת

Multi-Agent Systems

• Orchestrator Agent: מקבל מטרה גדולה, מחלק למשימות
• SubAgents מתמחים: כל אחד מומחה בתחום (מחקר / כתיבה / בדיקות / אישור)
• דוגמה ממשלתית: Orchestrator מקבל "הכן דוח רבעוני" → מפעיל: SubAgent נתונים, SubAgent כתיבה, SubAgent עיצוב

6. כלים מרכזיים

השוואה מעשית

| כלי | מה הוא עושה | מתאים ל | עלות | |-----|------------|---------|------| | Claude Code | Agent שכותב, מריץ ומתקן קוד בטרמינל | צוותי IT, מפתחים | API usage | | Kiro (AWS) | IDE עם Agent מובנה — specs, steering, hooks | פיתוח ב-AWS, אינטגרציה ענן | חינם (preview) | | Cursor | VS Code עם Agent AI מלא | פיתוח תוכנה יומיומי | $20-40/חודש | | Windsurf | IDE AI-first מ-Codeium | פיתוח, אוטומציה | $10-20/חודש | | OpenAI Assistants API | בניית Agent מותאם עם tools | אינטגרציה ב-OpenAI | Pay-per-use | | LangChain / LangGraph | Framework Python לבניית Agents | Developers מנוסים | חינם + LLM costs | | CrewAI | Multi-Agent orchestration | צוותי agents מורכבים | חינם + LLM costs | | n8n / Make + AI | אוטומציה ויזואלית עם AI nodes | מנהלי תהליכים | $20-50/חודש |

איזה כלי לממשלה?

לצוות IT ממשלתי ללא מפתח ייעודי: n8n עם AI nodes — בניה ויזואלית, ללא קוד, אינטגרציה עם מערכות קיימות.

לצוות מפתחים: LangGraph (Python) + Claude API — גמישות מלאה, תמיכה ב-Human-in-the-Loop מובנית.

לניסוי מהיר: Claude Code ב-CLI — הגדר מטרה בעברית, תראה מה קורה.

7. MCP — Model Context Protocol

מה זה?

MCP הוא פרוטוקול פתוח שפיתחה Anthropic (ספטמבר 2024). הוא מגדיר שפה סטנדרטית לחיבור בין:

• מודל AI (Claude, GPT, Gemini)
• כלים חיצוניים (מסדי נתונים, APIs, מערכות קבצים)

לפני MCP: כל מפתח היה צריך לכתוב את האינטגרציה בעצמו. אחרי MCP: כתוב שרת MCP אחד — כל מודל שמכיר MCP יוכל להשתמש בו.

ארכיטקטורת MCP

[מודל AI] ←→ [MCP Client] ←→ [MCP Server] ←→ [מערכת חיצונית]

דוגמאות לשרתי MCP:
- mcp-server-postgres → גישה ל-DB
- mcp-server-filesystem → קריאה/כתיבה לקבצים
- mcp-server-github → ניהול קוד
- mcp-server-government-db → גישה למסד נהלים (ניתן לפתח)

למה זה חשוב לממשלה?

כל משרד יכול לפתח שרת MCP לחיבור המודל למאגרי הידע שלו — מבלי לחשוף את הנתונים לענן ציבורי. השרת פועל בתשתית הפנים-ארגונית, ה-Model מקבל גישה מוגבלת ומפוקחת.

דוגמה: שרת MCP לחיבור Claude לבסיס נהלי ביטוח לאומי. Claude יוכל לענות על שאלות זכאות בדיוק — ממסד הנתונים הרשמי — בלי להמציא.

8. יישומים ממשלתיים — 4 תרחישים

תרחיש 1: Agent לשאלות זכאות (RAG + Agent)

הבעיה: אזרחים שואלים שאלות מורכבות על זכאויות. כל שאלה לוקחת לפקיד 15-20 דקות.

הפתרון: Agent עם גישה למאגר הנהלים (RAG) שיכול:

• לחפש בנהלים הרלוונטיים
• לשלב מידע ממספר מקורות
• לנסח תשובה מדויקת ומנומקת
• לסמן אם נדרשת בדיקה אנושית

תוצאה צפויה: 70% מהשאלות — ניתנות לטיפול אוטומטי.

תרחיש 2: Agent לסיווג ועיבוד פניות ציבור

הזרימה:

פנייה נכנסת → Agent מסווג קטגוריה →
Agent בודק מסמכים מצורפים →
Agent בודק היסטוריית מבקש →
Agent מנסח המלצה →
פקיד מאשר/דוחה

Human-in-the-Loop: פקיד מאשר כל המלצה לפני שנשלחת. Agent לא שולח שום דבר ישירות.

תרחיש 3: Agent לסיכום ישיבות

קלט: קובץ תמלול ישיבה (Teams, Zoom, יומן)

ה-Agent:

1. מנתח את התמלול
2. מזהה: החלטות שהתקבלו, משימות שהוטלו, אחראים, תאריכי יעד
3. מייצר: פרוטוקול מובנה + רשימת action items עם שמות ותאריכים
4. שולח לאישור לכותב הפרוטוקול

חיסכון: מ-45 דקות לפרוטוקול ל-3 דקות בדיקה.

תרחיש 4: Agent לבדיקת עמידה ברגולציה

מה הוא עושה: בודק מסמכי מדיניות/נהלים מול רשימת דרישות רגולטוריות ומייצר: "סעיפים שמולאו ✓ / סעיפים חסרים ✗ / סעיפים שדורשים בדיקה ?"

יתרון ממשלתי: ביקורת פנימית אוטומטית לפני ביקורת חיצונית.

9. סיכונים ובקרות

הסיכונים הייחודיים ל-Agents

1. הגברת שגיאות (Amplification)

• ב-Chat AI: שגיאה = תשובה לא מדויקת
• ב-Agent: שגיאה בשלב 2 גורמת לשגיאות בשלבים 3, 4, 5
• פתרון: Checkpoints — Agent מדווח ומבקש אישור בנקודות קריטיות

2. פעולות בלתי הפיכות

• Agent שמוחק קבצים, שולח מיילים, מעדכן DB — לא ניתן לבטל
• פתרון: "Dry Run Mode" — Agent מתאר מה הוא עומד לעשות, לפני שעושה

3. Scope Creep

• Agent שפועל מחוץ לתחום המוגדר
• פתרון: Guardrails — רשימה מפורשת של מה Agent מותר ואסור לו לעשות

4. הסתמכות עיוורת

• משתמשים שמאשרים המלצות של Agent בלי לקרוא
• פתרון: הדרכה + ממשק שמדגיש "זו המלצה AI — אנושי אחראי"

מסגרת ממשלתית לפריסת Agents

| שלב | פעולה | אחראי | |-----|--------|-------| | הגדרה | מה Agent עושה ומה לא | מנהל תהליך | | Guardrails | מה מחייב אישור אנושי | צוות IT + ייעוץ משפטי | | Pilot | 50 מקרים עם מעקב צמוד | צוות מעורב | | Audit Trail | לוג של כל פעולת Agent | IT | | הערכה | דיוק, זמן, שביעות רצון | מנהל | | Scale | הרחבה אחרי אישור | הנהלה |

10. תרגילים מעשיים

תרגיל 1: הגדרת Agent לתהליך שלך

חשבו על תהליך חוזר ביחידה שלכם (עיבוד טפסים, מענה לשאלות, הכנת דוחות).

אני רוצה לבנות AI Agent שיטפל ב: [תאר את התהליך בכמה משפטים]

בבקשה עזור לי להגדיר:
1. מה בדיוק ה-Agent עושה (Input → Output)
2. אילו כלים ה-Agent יצטרך (מסד נתונים? API? קבצים?)
3. איפה צריך Human-in-the-Loop (מה ה-Agent לא יאשר לבד?)
4. מה הסיכונים העיקריים ואיך להגן מפניהם
5. איך מודדים הצלחה

הקשר: אני עובד ב[שם יחידה/משרד], התהליך מוכר לי ולוקח כ-[זמן] לכל מקרה.

תרגיל 2: הכנת System Prompt ל-Agent ממשלתי

כתוב System Prompt ל-AI Agent שעובד ביחידת [שם יחידה].

ה-Agent עוזר ב: [תאר את תפקידו]

הנחיות שחייבות להיות ב-System Prompt:
1. תחום פעולה: מה Agent מותר/אסור לעשות
2. Human-in-the-Loop: מתי לעצור ולבקש אישור
3. טון ושפה: רשמי, בעברית, ללא ז'רגון
4. מה לעשות כשאין מידע: להגיד "אינני יודע" במקום להמציא
5. פרטיות: לא לחשוף נתוני אזרחים ב-logs

בנה לי את ה-System Prompt המלא.

תרגיל 3: סיווג מקרים לטיפול Agent vs. אנושי

אני מנהל [שם תהליך] ב[שם יחידה].
הנה 10 סוגי פניות/מקרים שאנחנו מטפלים [רשום 5-10 דוגמאות]:

1. [סוג פנייה ראשון]
2. [סוג פנייה שני]
...

בבקשה סווג כל סוג לאחד מ-3 קטגוריות:
- ✅ מתאים ל-Agent: חוזר, ברור, מובנה, סיכון נמוך
- ⚠️ Agent + HITL: Agent מנסח, אדם מאשר לפני שליחה
- ❌ רק אדם: מורכב, רגיש, שיקול דעת נדרש

עבור כל סיווג — הסבר למה.

תרגיל 4: ניתוח תרחיש כישלון

תאר תרחיש Agent ממשלתי:
- Agent: מטפל ב[סוג משימה]
- כלים: [רשימת כלים שיש לו גישה אליהם]
- תהליך: [תיאור קצר של הלוגיקה]

עכשיו בצע ניתוח סיכונים:
1. מה יכול להשתבש בכל שלב?
2. מה ההשפעה אם הוא מקבל מידע שגוי מ-DB?
3. מה ההשפעה אם הוא מבצע פעולה על הרשומה הלא-נכונה?
4. מה ה-Guardrails שאתה ממליץ?
5. מה ה-Audit Trail המינימלי שחייב להיות?

תרגיל 5: פיתוח Mini-Agent עם Claude

אני רוצה שתפעל כ-Agent שמטפל בשאלות על זכאות לקצבת ילדים.

כלים שיש לך:
- search_policy(query): מחזיר קטעים רלוונטיים מנהלי ביטוח לאומי [הדמיה]
- check_eligibility(age, income, children): מחזיר האם זכאי [הדמיה]

המשימה: ענה על השאלה הבאה תוך שימוש בכלים.
פרמט כל שלב כך:
THINK: [מה אתה צריך לבדוק]
ACTION: [קריאה לכלי]
OBSERVE: [מה הכלי מחזיר]
ANSWER: [תשובה סופית]

שאלה: "אני הורה יחידני לשני ילדים, עובד חצי משרה, מרוויח 6,000 שקל בחודש. האם אני זכאי לקצבת ילדים?"

11. שאלות בדיקה

12. מה הלאה?

נתיב למי שרוצה להמשיך

שלב 1: הבנה (עכשיו)

• קרא את יחידה 11 (RAG) — כי רוב ה-Agents הממשלתיים משלבים RAG
• נסה את Claude Code בפרויקט קטן

שלב 2: ניסוי (חודש הבא)

• בחר תהליך אחד ביחידה שלך — מועמד ל-Agent
• הגדר: Input, Output, כלים, Guardrails
• שתף עם צוות IT את ההגדרה

שלב 3: פיילוט (רבעון הבא)

• צור שיתוף פעולה עם צוות IT/תמ"מ
• בנה Proof of Concept עם 20-50 מקרים
• מדוד: דיוק, זמן, שביעות רצון

משאבים להמשך

• Claude API Docs — arn.be (agent documentation, tool use)
• LangGraph — langchain-ai.github.io/langgraph — הפריימוורק המוביל לבניית Agents
• MCP Specification — modelcontextprotocol.io — הפרוטוקול הפתוח
• AI Agents in Government — OECD AI Policy Observatory