הבינה המלאכותית הפכה בתוך שנתיים מכלי ניסיוני שמתקשה בזיהוי מטרות לחלק מרכזי מעבודת המודיעין והפיקוד של צבא ארצות הברית. בניתוח שפרסמה רויטרס ביום שישי, 30 באוקטובר 2026, מתוארת התרחבות השימוש במערכת Maven במלחמה מול איראן, שבה מוזרמים נתוני מודיעין רבים אל מערכות שיכולות לסייע בזיהוי דפוסים ובתעדוף מידע. לצד היתרון במהירות יש גם סכנות: נתונים שגויים, זיהוי מוטעה, תלות בספקי תוכנה והחלטות שמתקבלות מהר מכפי שאפשר לבדוק אותן.
הסיפור אינו שמערכת אחת מנהלת לבדה את המלחמה או בוחרת מטרות ללא אישור אדם. הוא כיצד מערכות ניתוח משתלבות בתהליך שבו תוצר טכנולוגי משפיע על שיקול דעת אנושי – ולעתים קשה להבחין מתי הצעה ממודל הפכה להנחת עבודה.
תמונה ראשית: צילום המחשה של חדר שרתים; אינו מציג מערכת מסווגת של צבא ארה״ב. צילום: Tyler / Unsplash.
חמש נקודות מרכזיות
- Maven: מערכת המשלבת מודיעין ומקורות מידע, עם תשתיות שמספקת בין היתר פלנטיר.
- היקף שימוש: בכיר דיגיטל ו־AI בפנטגון תיאר פריסה רחבה במיוחד במהלך המבצע מול איראן.
- מודלים רבים: לצד פלנטיר שולבו לאורך הזמן מערכות ויכולות של חברות מודלי AI שונות; אין להניח שכולן ממלאות אותו תפקיד.
- טעויות אפשריות: ניתוח שגוי של מטען באוניית סוחר או נתוני מפה ישנים עלולים להשפיע על החלטות מסוכנות.
- מבחן האחריות: מי בודק את התוצר, מי מאשר פעולה, ומי אחראי כאשר מידע שהתקבל עלול לפגוע באזרחים?
מהי מערכת Maven?
Maven היא תוכנית של משרד ההגנה האמריקאי שנועדה לעזור לאנליסטים לעבוד עם כמויות עצומות של מידע מצילומים, חיישנים, דוחות ומקורות אחרים. היא אינה מודל שפה יחיד, אלא מסגרת המשלבת מקורות נתונים, מערכות ניתוח ותצוגה. לפי הפרסום ברויטרס, פלנטיר מספקת חלק מרכזי מתשתית השילוב והעיבוד, ומערכות AI אחרות פועלות מעליה או לצדה.
המטרה היא לאפשר לאדם לזהות מהר יותר מידע רלוונטי בתוך זרם נתונים גדול, ולראות תמונה רחבה יותר של התפתחויות בשטח. אבל ככל שהתהליך מהיר יותר, כך עולה החשיבות של יכולת להסביר כיצד הושגה מסקנה ומאיזה מקור הגיעה ההערכה.
מה השתנה מאז 2024?
ברויטרס מתואר כיצד בשנת 2024 בכירים בצבא האמריקאי עדיין התייחסו לזיהוי מבוסס AI כאל תהליך שדורש אימון ותיקון חוזרים. ב־2026, לפי ראש מערך הדיגיטל וה־AI בפנטגון קמרון סטנלי, השימוש במהלך המלחמה מול איראן הגיע להיקף שהעמיס מאוד על יכולת המחשוב המסווגת.
המעבר הזה קשור לא רק לשיפור המודלים אלא גם לשילובם בסביבת עבודה שמכילה יותר נתונים, יותר משתמשים וממשקים נוחים יותר. פלנטיר, שעסקיה מתמקדים גם בתוכנה לניתוח נתונים עבור גופי ממשל וצבא, נהנית מהעניין במערכות כאלה. אבל אין להסיק מכך שכל חוזה או הכנסה של החברה מגיעים מאותו שימוש צבאי.
איפה נכנסים מודלי שפה כמו Claude ו־ChatGPT?
לפי הניתוח, יכולות של חברות AI מובילות החלו להשתלב בסביבות מסווגות לצד מערכות מודיעין מסורתיות. בין החברות שהוזכרו במקורות נמצאות אנתרופיק, OpenAI, גוגל ומיקרוסופט. חשוב להבין שלא כל גרסה צרכנית של מוצר מסוים היא אותו כלי שמופעל בסביבה מסווגת, ולא כל חברה מספקת בהכרח יכולת זיהוי מטרות.
מודלים יכולים לעזור בסיכום מסמכים, בשילוב נתונים ובהצגת אפשרויות, אך הם גם עלולים להפיק הערכות שגויות שנראות בטוחות. הפיקוח האנושי צריך להתאים לסוג ההחלטה ולחומרתה, במיוחד כאשר מדובר בהחלטות עם פוטנציאל לפגיעה בחיי אדם.
שתי דוגמאות שממחישות את הסיכון
לפי דיווח CNN שהוזכר ברויטרס, כוחות אמריקאיים כמעט ביצעו השתלטות על אוניית סוחר סינית בעקבות הערכת AI שגויה לגבי מטען רגיש. זו דוגמה לכך שדיוק סטטיסטי גבוה ברוב המקרים אינו מספיק כאשר תוצאה חריגה עלולה להביא לעימות בינלאומי. לעומת זאת, לגבי הפגיעה הקשה בבית ספר באיראן, גורמים אמריקאיים ייחסו לפי הדיווחים את השגיאה לנתוני מפות ישנים, ולא בהכרח למודל AI שפעל לבדו. אין לייחס למערכת Maven אחריות ישירה לתקיפה מסוימת ללא ממצאי חקירה.
לשתי הדוגמאות יש מאפיין משותף: גם מודל מדויק עלול להיכשל כאשר הנתונים שגויים, כאשר ההקשר אינו שלם או כאשר ההמלצה אינה נבדקת. מי שמחליט זקוק לאימות עצמאי ולא להנחה שהמערכת יודעת יותר משום שהיא פועלת מהר.
התלות בחברות טכנולוגיה ובמדיניות שלהן
רכישת מערכת צבאית מספק מסחרי אינה תלויה רק במחיר או בדיוק. יש לשאול מי יכול לעדכן את התוכנה, להפסיק שירות, להגביל סוגי שימוש ולבדוק שהמערכת מתפקדת גם כשהספק או המדינה שממנה היא פועלת אינם זמינים. העימות הפומבי בין אנתרופיק לממשל האמריקאי על הגבלות השימוש במודלים הוא דוגמה לאופן שבו חילוקי דעות על מדיניות יכולים להפוך לשאלה מבצעית.
הנושא חשוב גם לבעלות ברית של ארה״ב. מערכות מודיעין משותפות עשויות לשפר את זיהוי הסיכונים, אך הן גם מגדילות תלות בטכנולוגיה ובמדיניות אמריקאית. חלק מהמדינות בוחנות חלופות או מנסות להגביל את השפעת הספק על החלטות רגישות.
הזווית הישראלית: מה ניתן ללמוד מהדיון?
הכתבה של רויטרס מזכירה גם את המחלוקת סביב כלים מבוססי AI ששימשו לפי דיווחים את ישראל במלחמה בעזה, לרבות מערכת Lavender. ישראל הדגישה בהחלטות שונות שהאדם נשאר גורם מכריע, אך דיון ציבורי ומקצועי ממשיך להתקיים סביב איכות המידע, אופן הבקרה והאחריות לפגיעה באזרחים. אי אפשר לקבוע מה עושה מערכת מסווגת מסוימת רק על סמך שמה.
הנושא רלוונטי גם למעקב אחר חברות טכנולוגיה: במדריך מניית פלנטיר מוסבר מה החברה מוכרת ומהם הסיכונים בהכנסות מממשלה וביטחון. בכתבה על התרעה שגויה של AI וכמעט עימות עם סין אפשר לקרוא על אחד המקרים המדווחים שממחישים מדוע בקרה נדרשת.
מה אפשר ומה אי אפשר להסיק מהניסיון במלחמה באיראן?
אפשר להסיק שהפנטגון השקיע רבות באינטגרציה של AI ושבכירים בו מייחסים לה שיפור בקצב עיבוד מידע. אי אפשר להסיק מכך שהטכנולוגיה הבטיחה הצלחה אסטרטגית או שאין טעויות. התקיפות, השימוש בחימוש מדויק והמשך המלחמה מלמדים שגם מודיעין מהיר אינו מחליף החלטה מדינית, ניהול משאבים או בחינה של תוצאות בשטח.
האצה טכנולוגית היא הזדמנות, אך ככל שהחלטות מתקבלות מהר יותר חשוב לתכנן את יכולת ההסבר, הבדיקה והתיקון של טעויות. הדגש הוא לא רק על יעילות אלא על מדדי בטיחות ואחריות.
איך מתרחש המעבר ממידע גולמי להמלצה מבצעית?
במערכות מודיעין מודרניות אין בדרך כלל נתון אחד שמכריע. תצלומים, דיווחי שטח, אותות ממערכות חישה ומידע ממקורות אנושיים מגיעים בזמנים שונים ובאיכות שונה. מערכת ניתוח יכולה לקשר בין פריטים, לזהות שינוי ולהציג למשתמש אפשרויות. אך כאשר שני מסמכים מתייחסים לאותו אירוע, חיבורם עלול להיראות כמו שתי עדויות עצמאיות אף שמקורם משותף. זו דוגמה לסיכון שאינו נעלם אפילו כאשר ממשק המערכת נוח ומתקדם.
המשתמש צריך לדעת מה מקור המידע ומהי רמת הביטחון בהערכה. רצוי שיהיה אפשר לחזור מן התוצאה אל החומר שעליו היא נשענת, להשוות להערכה של אנליסט אחר ולהבין האם הנתון מעודכן. מסקנה שנראית ודאית על המסך אינה הופכת לאמיתית רק משום שהמערכת הציגה אותה באחידות גרפית.
מה פירוש פיקוח אנושי אמיתי?
קל לכתוב שהאדם אחראי להחלטה הסופית, אבל השאלה היא איזה מידע מוצג בפניו וכמה זמן ניתן לו לבקר את ההערכה. פיקוח משמעותי דורש הרשאה לעצור תהליך, להצליב מידע ממקורות שאינם תלויים זה בזה ולתעד מתי הוחלט לפעול בניגוד להמלצת המערכת. בלי אלה, האדם עלול להפוך לגורם שרק מאשר אוטומטית המלצה שהתקבלה לפניו.
בעיה נוספת היא הטיית אוטומציה – נטייה של אנשים לתת משקל מוגזם לפלט של מערכת טכנולוגית. היא עשויה להיות מסוכנת במיוחד כאשר המערכת מצליחה פעמים רבות ברצף, ואז טעות חריגה מקבלת פחות תשומת לב. לכן מבחני איכות חייבים לבחון לא רק אחוזי דיוק כלליים אלא גם טעויות בעלות השלכות קשות, את היכולת של משתמשים לזהותן ואת תפקוד המערכת תחת עומס.
איך מזהים דיון מבוסס לעומת הבטחות של ספק?
| טענה נפוצה | מה חשוב לשאול? |
|---|---|
| ״המערכת מהירה פי כמה״ | בהשוואה לאיזה תהליך, ובאיזה סוג מידע? |
| ״יש פיקוח אנושי״ | מי מאשר, מהו שלב הבקרה והאם ניתן לעצור? |
| ״אחוז הדיוק גבוה״ | מהו שיעור הטעויות החמורות במצבים נדירים? |
| ״הנתונים מעודכנים״ | מי אימת אותם ומתי? |
שאלות אלה נכונות גם למי שמנסים להעריך חברות טכנולוגיה בבורסה. היכולת הטכנולוגית עשויה להעניק יתרון מסחרי, אבל הכנסות ורווחים תלויים בחוזים, בעלויות מחשוב, בתחרות ובהסכמי שירות. אין לקבוע שפרסום על מערכת צבאית מתקדמת מצדיק כשלעצמו מחיר מניה.
שאלות נפוצות
האם מערכת Maven היא מודל שפה של פלנטיר?
לא. מדובר במערכת שילוב וניתוח נתונים רחבה, שבה משולבים כלים ותשתיות ממספר ספקים.
האם AI בוחר לבד מטרות לתקיפה?
אי אפשר לקבוע כך באופן גורף. מודלים מסייעים בניתוח, אבל נהלים, רמת אוטונומיה והחלטות סופיות תלויים במערכת ובפעולה. יש צורך בפיקוח אנושי מתאים.
האם הטכנולוגיה הזו מוכיחה שמניית פלנטיר תעלה?
לא. עניין צבאי מוגבר אינו תחליף לניתוח הכנסות, שולי רווח, חוזים ותמחור המניה.
אחרי מה לעקוב?
לדוחות של משרדי הגנה על היקף שימוש ב־AI, לתקני פיקוח ובקרה, לחקירות של אירועים שבהם עלו טענות לטעויות, ולשאלת השליטה של ספקי הטכנולוגיה על מערכות רגישות.
מקור מרכזי: ניתוח של פיטר אפס ברויטרס, 30 באוקטובר 2026. הפרסום משלב דברי בכירים, דיווחים עיתונאיים ופרשנות; יש להבחין בין הטענות לפי מקורן.
