למה "באיזה LLM אתם משתמשים?" היא השאלה הלא נכונה?

כשבוחנים כלי AI, טבעי לשאול באיזה מודל ובאיזו גרסה הוא משתמש. אבל התשובה אינה מספיקה כדי לדעת אם הכלי מתאים למשימה. צריך לבדוק גם לאילו נתונים וכלים יש לו גישה ואיך מתנהל תהליך העבודה.

בואו נערוך ניסוי. ניקח את אותו מודל — נניח, מודל הדגל של Anthropic — ונתבונן בו בתוך שני מוצרים שונים. הראשון הוא Cursor, סוכן פיתוח. מזכירים אותו ב-Slack עם משימה — הוא מרים מכונה וירטואלית, משכפל את הריפוזיטורי, כותב קוד, מריץ בדיקות ומגיש pull request. מהנדס מבריק.

השני הוא Claude Tag, "עמית לצוות לכל דבר" באותו Slack. הוא קורא את היסטוריית הערוץ, זוכר את הקשר הפרויקט, מתחבר למסמכים וליומנים שלכם. הוא יודע גם לכתוב קוד — אבל באותה קלות ינתח התכתבות עם לקוח ויציע איך לענות על בקשת ההנחה השלישית ברציפות.

בשני המוצרים עשוי לפעול אותו מודל, אך הכלים וההקשר הזמינים לו שונים. סוכן פיתוח יכול לענות גם על שאלה עסקית, אבל בלי היסטוריית הלקוחות ובלי גישה למערכות החברה, התשובה שלו תישען על מידע מוגבל יותר.

מעטפת ההפעלה, harness, כוללת את הרכיבים שמחברים את המודל למשימה ולסביבת העבודה.

שינוי הכלים, ההוראות וההקשר יכול לשנות מהותית את התנהגות המוצר גם בלי להחליף מודל. מנגד, שדרוג המודל לבדו לא בהכרח יפתור מחסור בנתונים או בכלים מתאימים.

כל זה נכון לא רק לכלים שאתם קונים, אלא גם לאופן שבו ה-AI רואה את העסק שלכם. כשלקוח פוטנציאלי שואל את ChatGPT, Claude או Perplexity "איזה שירות לבחור בשביל X", המודל לא עונה מהזיכרון. הוא עובד בתוך ה-harness של עצמו: כלי חיפוש מוצא דפים, מנתח מחלץ טקסט, ורק אז המודל מנסח תשובה. בכל שלב, האתר שלכם עובר את המסנן — או לא.

אם התוכן נטען רק בדפדפן באמצעות JavaScript, ייתכן שמערכת השליפה לא תראה אותו. גם בדף נגיש, מידע מפוזר או טענות ללא ביסוס מקשים על השימוש בו. אזכורים במקורות חיצוניים יכולים לסייע בגילוי העסק ובאימות המידע עליו.

זה בדיוק תחומו של GEO (Generative Engine Optimization): אופטימיזציה לא לאלגוריתם דירוג, אלא ל-harness של מערכות גנרטיביות — לאופן שבו סוכני AI מגלים, קוראים ומספרים מחדש את התוכן שלכם. ה-SEO הקלאסי שאל: "איך נכנסים לעשרת הקישורים הראשונים?" ה-GEO שואל: "איך נכנסים לתוך התשובה עצמה?"

כשבוחרים כלי AI, בדקו גם את התאמת מעטפת ההפעלה למשימה: האם הכלי מגיע לנתונים הנכונים, מבצע את הפעולות הדרושות ומאפשר לבדוק את התוצאה. אלה שיקולים לצד יכולות המודל.

כשבונים כלי AI בתוך החברה, הגדירו את תפקידו, את מקורות המידע שלו, את הפעולות שיוכל לבצע ואת גבולות האחריות. לאחר מכן בחרו מודל שמתאים לתהליך ובחנו אותו במשימות אמיתיות.

בעבודת GEO, בדקו אם מערכת חיצונית יכולה למצוא את הדפים שלכם, לקרוא אותם ולהבין את הטענות גם כשהן נשלפות בנפרד. זה הבסיס לשילוב מידע מהאתר בתשובות.