למה הבינה המלאכותית ממציאה דברים על העסק שלכם

כי מודל שפה לא "יודע" עובדות, הוא מנחש את המילה הבאה. כשאין לו מידע ברור ועקבי עליכם ברשת, הוא ממלא את החורים בניחוש שנשמע הגיוני. ככה נולד מחיר שמעולם לא גביתם, או משפט כמו "החברה נוסדה ב-2015" כשנוסדתם ב-2019.

הבעיה מחמירה אצל עסקים קטנים. למותג גדול יש אלפי אזכורים עקביים ברשת, אז הניחוש של המודל בדרך כלל מדויק. לעסק קטן יש מעט מקורות, ולפעמים הם סותרים זה את זה. אתר אחד אומר מחיר X, פרופיל ישן אומר Y, והמודל בוחר באקראי או ממציא שלישי.

כמה נפוץ מידע שגוי בתשובות AI

כ-2% מהתשובות על מותגים מכילות טעות עובדתית. זה נשמע מעט, עד שמכפילים במספר השאלות. פרפלקסיטי וגוגל מדווחים על מאות מיליוני שאילתות ביום. 2% מתוך זה הם מיליוני תשובות שגויות בחודש, חלקן על העסק שלכם.

הסוגים הנפוצים:

  • מחיר שגוי: המודל שולף מחיר ישן מעמוד שלא עדכנתם, או ממציא טווח.
  • מייסד או בעלות שגויים: שם של אדם אחר, או "לא ידוע" כשהמידע קיים אבל מפוזר.
  • פיצ'ר שלא קיים: המודל "משלים" יכולת שנשמעת סבירה לקטגוריה שלכם, גם אם אין לכם אותה. זה הכי מסוכן, כי לקוח מגיע עם ציפייה שלא תוכלו לעמוד בה.

איך מזהים הזיות על העסק שלכם

הדרך הכי פשוטה: תשאלו את המנועים עליכם, כמו שלקוח היה שואל. פתחו ChatGPT, Gemini, Claude ו-Perplexity, ותכתבו שאלות אמיתיות.

  • שאלו שאלת זיהוי בסיסית. "מה זה [שם העסק]?", "מי הקים את [שם]?", "כמה עולה [המוצר שלכם]?". רשמו כל תשובה.
  • הצליבו מול האמת. סמנו כל פרט שגוי: מחיר, תאריך, שם, פיצ'ר, תחום פעילות.
  • חזרו על זה בכל מנוע בנפרד. כל מודל נשען על מקורות שונים, אז ההזיה של Gemini לא בהכרח זהה לזו של ChatGPT.

דוגמה מהשטח. סטודיו פילאטיס בשם "נשימה" בהרצליה גילה ש-ChatGPT ממליץ עליהם עם מחיר של 180 שקל לשיעור בודד. המחיר האמיתי הוא 90. מאיפה זה הגיע? מפוסט פייסבוק ישן של מנוי חודשי, שהמודל פירש בטעות כמחיר לשיעור. לקוחות התקשרו, שמעו 90, וחשבו שמנסים לעבוד עליהם. הפער בין מה שה-AI אמר למה שהסטודיו גבה פגע באמון עוד לפני הפגישה הראשונה.

איך מתקנים הזיות AI

התיקון הוא לא לפנות לChatGPT ולבקש שיתקן. אין כפתור כזה. התיקון הוא לשנות את מה שהמודל קורא: המידע עליכם ברשת. שלושה מהלכים:

מידע עקבי בכל מקום. אותו מחיר, אותו שם מייסד, אותה שנת הקמה, בכל פלטפורמה. אתר, גוגל ביזנס, לינקדאין, פרופילים חברתיים. סתירה בין מקורות היא הזמנה להזיה.

עמוד "אודות" ברור ומפורש. כתבו במילים פשוטות מי הקים, מתי, מה אתם מוכרים, ומה אתם לא מוכרים. המודלים אוהבים עובדות מנוסחות ישר, כמו "נוסדה ב-2019 על ידי דנה לוי". משפט כזה קל להם לצטט נכון.

נתונים מובנים (Schema). זה קוד נסתר באתר שאומר למנועים במפורש "זה המחיר, זה השם, זה המוצר". במקום שהמודל ינחש מהטקסט, הוא מקבל את העובדה מסומנת. זה מקטין דרמטית את מרחב הניחוש.

מה זה לא

נתקן את הציפיות. גם אחרי שתעשו הכול נכון, לא תשלטו ב-100% מהתשובות. מודל שפה הוא הסתברותי, ולפעמים ייתן תשובה מוזרה גם כשהמידע ברשת מושלם. המטרה היא לא שליטה מוחלטת, היא הקטנת הסיכוי לטעות והחזרת העקביות.

זה גם לא מיידי. המנועים מתעדכנים בקצב שלהם, ולפעמים לוקח שבועות עד שתיקון באתר מחלחל לתשובות. וזה לא חד-פעמי. המידע עליכם ברשת זז כל הזמן, אז בדיקה תקופתית היא חלק מהעבודה, לא משימה שסוגרים פעם אחת.

שורה תחתונה

הבינה המלאכותית כבר הפכה למדריך הקניות של לקוחות רבים, והיא מדברת עליכם בין אם ביקשתם ובין אם לא. כש-2% מהתשובות על מותגים שגויות, השאלה היא לא "אם" יש הזיה עליכם, אלא כמה ומה היא אומרת. הדרך לצמצם אותה ברורה: מידע עקבי, עמוד אודות מדויק, ונתונים מובנים שמוסרים למנועים את העובדות במקום להשאיר אותם לנחש.