הזיות של בינה מלאכותית: איך תופסים מספר שגוי בניתוח מניה

אתם מבקשים מהמודל את ההכנסות של חברה ברבעון האחרון. תוך שתי שניות חוזרת תשובה מסודרת: מספר, אחוז צמיחה, ומשפט הסבר שנשמע כמו אנליסט. הכול נראה נכון. המספר עצמו שגוי, ואין בתשובה שום סימן לכך. זה בדיוק המקום שבו הזיות של בינה מלאכותית פוגשות משקיע פרטי.

הזיה, במובן הזה, היא תשובה שהמודל מייצר בביטחון מלא בלי בסיס בנתון אמיתי. הזיות של בינה מלאכותית אינן הודעת שגיאה ואינן סימן שאלה. הן נראות בדיוק כמו תשובה נכונה, ובניתוח פיננסי זה ההבדל בין החלטה מבוססת להחלטה שנשענת על אוויר.

המאמר הזה לא מסביר איך להפסיק להשתמש במודל. הוא מחלק מחדש את העבודה בינו לביניכם, ובונה שלב אימות קבוע שלוקח דקות. הבסיס האקדמי כאן מגיע ממאמר שפורסם ב-arXiv. זה מידע כללי בלבד ואינו ייעוץ השקעות.

הזיות של בינה מלאכותית במספרים

לפני ההסברים, מה שבאמת אומת. כל שורה בטבלה מגיעה ממקור ראשוני אחד ולא מסיכום של מישהו אחר, ובדקנו את כל העמודים האלה ב-20 בספטמבר 2026.

השורה האחרונה חשובה לא פחות מהראשונה. ברשת מסתובבים אחוזים מרשימים של הזיות של בינה מלאכותית לכל מודל, ורובם מגיעים מבלוגים ולא ממדידה. העדפנו לכתוב בלי המספר הזה מאשר לצטט מספר שאיננו יכולים להצביע על מקורו.

מה זה בעצם הזיה, ולמה זו לא תקלה טכנית

מודל שפה אינו מנוע חיפוש ואינו מסד נתונים. הוא מייצר את המילה הבאה לפי מה שמתאים סטטיסטית להמשך המשפט. כשהוא כותב “ההכנסות הסתכמו ב”, הוא ממשיך במספר שמתאים למשפט כזה, גם כשהמספר הנכון חסר לו.

לכן הזיות של בינה מלאכותית אינן באג שמישהו ישכח לתקן. הן תוצאה ישירה של אופן הפעולה. גרסאות חדשות משפרות את התוצאה, והן לא מבטלות את המנגנון.

ההבדל בין טקסט למספר הוא מה שמעניין אותנו כאן. טעות בטקסט בולטת מיד: משפט שלא מסתדר, שם חברה שלא קיים, טענה שסותרת את עצמה. מספר שגוי אינו מספק אף אחד מהסימנים האלה.

למה דווקא מספר פיננסי הוא המקרה המסוכן

מספר פיננסי שגוי עובר שלושה מבחנים שהקורא מפעיל באופן לא מודע, וצולח את כולם.

• הוא נראה סביר. המודל מייצר ערך בסדר גודל נכון, ולא מספר אבסורדי שקופץ לעין.
• הוא בפורמט הנכון. שתי ספרות אחרי הנקודה, סימן אחוז במקום הנכון, מטבע צמוד למספר.
• הוא יושב בהקשר הגיוני. המשפט סביבו מסביר את המספר, ולפעמים אפילו מנמק אותו.

שלושת המבחנים האלה הם מה שמסנן שטויות בקריאה רגילה. מול הזיות של בינה מלאכותית הם חסרי ערך, כי המודל טוב במיוחד בייצור טקסט שעומד בהם.

נוסיף לזה שהמספר לרוב נכנס ישר לחישוב הבא. מי שלוקח נתון הכנסות ומחלק אותו בשווי השוק כבר בנה מכפיל על בסיס שגוי, והטעות מסתתרת עכשיו בתוך תוצאה חדשה. משם הדרך להחלטה קצרה מאוד.

הממצא האקדמי שמסביר את הכישלון המספרי

המאמר Agent Trading Arena, שהחוקרים הגישו ב-arXiv ב-25 בפברואר 2025 ועדכנו בגרסה שנייה ב-2 בספטמבר 2025, בדק הבנה מספרית של סוכנים מבוססי מודלי שפה. בדקנו את עמוד המאמר ב-20 בספטמבר 2026.

שתי הקביעות בתקציר עצמו נוגעות ישירות לכל מי שמנתח מניה. הראשונה: המודלים מתקשים בהסקה מספרית כשהנתונים מגיעים אליהם כטקסט רגיל. השנייה: הם נוטים להתאמת יתר לדפוסים מקומיים ולערכים אחרונים.

תרגמו את זה למה שקורה על המסך שלכם. אתם מדביקים שלושה עמודי טקסט מתוך דוח ומבקשים שיעור צמיחה. המודל לא מבצע חישוב, הוא מייצר תשובה, והמספר האחרון שהוא ראה מושך אותו אליו.

המאמר מנגיד את ההגשה הטקסטואלית עם הגשה מבוססת תרשימים. המסקנה המעשית עבורנו: צורת ההגשה משפיעה על הזיות של בינה מלאכותית בנתונים מספריים יותר מניסוח יפה של הבקשה.

הכלל שנגזר מזה: אל תיתן למודל לחשב

זה הכלל היחיד שצריך לזכור מהמאמר: תנו למודל לאתר, ותחשבו בעצמכם.

איתור הוא מה שהמודל עושה מצוין. למצוא באיזה עמוד יושב סעיף ההכנסות, לזהות איפה ההנהלה דנה במרווח הגולמי, לשלוף את המשפט שבו החברה מסבירה ירידה בתזרים. אלה משימות של קריאה וסיווג, ושם הוא מהיר ועקבי הרבה יותר מאיתנו.

חישוב הוא מה שמחשבון עושה מצוין. חלוקה, אחוז שינוי, ממוצע, יחס. פעולות שלוקחות שניות בגיליון אלקטרוני ונותנות תוצאה שאין לגביה ספק.

החלוקה הזו אינה פשרה אלא ההגנה הפשוטה ביותר מפני הזיות של בינה מלאכותית. את הנוסחאות עצמן תמצאו בדף היחסים הפיננסיים, ומה שנשאר הוא להזין לתוכן מספרים שנשלפו מהדוח ולא מספרים שנוצרו בשיחה.

חמישה סוגי הזיות של בינה מלאכותית שתפגשו בפועל

לא כל טעות נראית אותו דבר, ולכן לא כל טעות נתפסת באותה בדיקה. חמשת הסוגים הבאים מתארים את סוג הכשל, ולא פלט אמיתי של מודל כלשהו.

מספר שהמודל שאב מרבעון אחר

הסוג הנפוץ ביותר. שאלתם על הרבעון האחרון, וקיבלתם נתון נכון לחלוטין של רבעון קודם. המספר אמיתי, הוא פשוט שייך לתקופה אחרת.

זה הכשל שהכי קשה לתפוס, כי הוא עומד בכל בדיקת סבירות. הדרך היחידה היא להצמיד לכל מספר את התקופה שלו ולוודא שזו התקופה שביקשתם.

מספר נכון שהמודל שייך לחברה אחרת

קורה בעיקר כששואלים על כמה חברות באותה שיחה, או על חברה שיש לה מתחרה ישירה בולטת. הנתון קיים, הוא מדויק, והוא של מישהו אחר.

הכשל הזה פוגע במיוחד בהשוואות. מי שבונה טבלה בין שלוש חברות מקבל טבלה מסודרת שבה שורה אחת מתארת חברה לא נכונה, והמבנה המסודר מסתיר את זה.

מיליון מול מיליארד: הזיות של בינה מלאכותית ביחידות

דוחות אמריקאיים כותבים סכומים באלפים או במיליונים, ולעיתים מציינים את היחידה פעם אחת בראש הטבלה. כשהמודל קורא רק את גוף הטבלה, היחידה נעלמת.

התוצאה היא טעות פי אלף שנראית תמימה לגמרי. היא הקלה ביותר לתפיסה מבין החמישה, כי סדר הגודל קופץ לעין ברגע שמשווים לשווי השוק.

נתון שהיה נכון פעם ואינו נכון היום

מודל בלי חיבור לנתונים חיים עונה מתוך מה שהוא למד, ומה שהוא למד עוצר בתאריך מסוים. מחיר מניה, מספר מניות במחזור, דירוג אשראי ושיעור דיבידנד משתנים אחרי התאריך הזה.

מבין כל הזיות של בינה מלאכותית זו הערמומית, כי התשובה הייתה נכונה פעם ולכן היא תואמת כל מקור ישן שתבדקו מולו. רק בדיקה מול המקור העדכני תופסת אותה.

חישוב שהמודל ביצע על נתון חלקי

הדבקתם חלק מטבלה, או שהמודל קרא רק את מה שנכנס לו בחלון. הוא מחשב סכום או ממוצע על מה שיש לו, ומציג אותו כסכום המלא.

כאן אין שום סימן חיצוני. הנתון עקבי מבפנים, והוא פשוט מתייחס לקבוצה קטנה יותר מזו שהתכוונתם אליה.

איך תופסים כל סוג שגיאה בפחות מדקה

לכל סוג כשל יש בדיקה אחת שמתאימה לו, והטבלה מסדרת אותן לפי מה שבאמת לוקח זמן.

ארבע מתוך חמש הבדיקות אינן דורשות ידע חדש, הן דורשות את הדוח פתוח במקביל. מי שעדיין לא בטוח איפה יושב כל סעיף ימצא את המפה במדריך קריאת דוח שנתי ובמדריך מעשי לניתוח דוח כספי.

למה הביטחון בניסוח מסתיר הזיות של בינה מלאכותית

מודל שמנסח היטב כותב תשובה שגויה באותו טון שבו הוא כותב תשובה נכונה. אין לו מנגנון שמסמן לכם “כאן אני פחות בטוח”. הביטחון בניסוח הוא תכונה של הטקסט, לא מדד לאמינות הנתון.

גרוע מזה: בקשה להסבר מייצרת לרוב הסבר משכנע לנתון השגוי. המודל יבנה נימוק סביר סביב המספר שכבר כתב, כי זו בדיוק המשימה שנתתם לו.

יש כאן קשר ישיר לממצא מניסוי אחר. בניסוי שתועד ב-arXiv 2604.07355, שנמשך 57 ימים בין 12 בינואר ל-9 במרץ 2026, נפח המחקר שהמודל ביצע לא הראה שום מתאם לתוצאה. החוקרים ערכו את הניסוי ההוא בשוקי ניבוי, Kalshi ו-Polymarket, ולא בשוק המניות.

שני הכיוונים מובילים לאותה מסקנה: כמות הפלט אינה עדות לאיכותו, לא באורך התשובה ולא ברמת הפירוט.

מה המודל עושה טוב, ואיפה כמעט אין הזיות של בינה מלאכותית

עצירה כאן תיצור רושם שאסור להשתמש בכלי. הוא לא. הזיות של בינה מלאכותית אינן סיבה לוותר עליו, הן סיבה לתת לו את התפקיד שהוא טוב בו.

שלוש השורות הראשונות הן עבודה שחורה שמשקיע פרטי לרוב מוותר עליה מחוסר זמן, ושם הרווח האמיתי. סקירה רחבה של הכלים מופיעה במדריך בחירת כלי AI, ומי שמחפש כלים חינמיים ימצא אותם בגיטהאב למשקיעים.

נקודה כלכלית שנוטים לפספס: חלק גדול מהעלות אינו הכלי אלא הזמן שהולך על תיקונים. הדיון על החזר ההשקעה בבינה מלאכותית מראה למה ספירת עלות ישירה מפספסת את התמונה.

איך מנסחים בקשה שמצמצמת הזיות של בינה מלאכותית

פרומפט, כלומר הבקשה שאתם כותבים למודל, לא מבטל את הבעיה. הוא כן משנה כמה קל לתפוס אותה. שלושה שינויים עושים את רוב העבודה: בקשו ציטוט מילולי ולא סיכום, דרשו שכל מספר יגיע עם תקופה ויחידה ומיקום בדוח, ואסרו במפורש על חישוב.

קרא רק את הקובץ שצירפתי. עבור כל נתון שאתה מחזיר, ציין ארבעה דברים: המספר כפי שהוא מופיע, היחידה המדויקת, התקופה שאליה הוא מתייחס, והעמוד או שם הסעיף שממנו לקחת אותו. אל תבצע שום חישוב, אל תחשב אחוזי שינוי ואל תשווה בין תקופות. אם נתון כלשהו אינו מופיע בקובץ, כתוב “לא נמצא בקובץ” ואל תשלים אותו ממידע אחר.

המשפט האחרון הוא החשוב. מודל שקיבל רשות מפורשת לכתוב “לא נמצא” ישתמש בה. מודל שלא קיבל אותה ימלא את החסר, כי זו ברירת המחדל שלו.

מי שרוצה בסיס פרומפטים מוכן יכול להתחיל מ10 הפרומפטים לניתוח מניות ומהפרומפטים שבונים צוות אנליסטים, ולהוסיף לכל אחד מהם את שלוש הדרישות שלמעלה.

חיבור לנתונים חיים מצמצם הזיות של בינה מלאכותית ולא מבטל אותן

מודל עם חיבור למקור נתונים חי, או כזה שקורא קובץ שצירפתם, טועה פחות בנתוני בסיס. הסיבה פשוטה: הוא מעתיק במקום לייצר. זה מטפל בכשל הרביעי ברשימה, זה שבו הנתון היה נכון פעם.

שני הכשלים האחרים נשארים על כנם. גם מול קובץ אמיתי המודל עשוי לקחת שורה מהטבלה הלא נכונה ולחשב על נתון חלקי. חיבור לנתונים משפר את המקור, הוא לא משפר את החשבון.

הדרך לבדוק היא אותה דרך: פתחו את המקור הראשוני. עבור חברה אמריקאית, חיפוש הטקסט המלא של EDGAR מאפשר לחפש ביטוי בתוך דיווחים, ודף חיפוש החברות ב-EDGAR מוביל לרשימת הדיווחים של חברה מסוימת. בדקנו את שתי הכתובות ב-20 בספטמבר 2026.

שאלה חוזרת למודל מייצרת תשובה חדשה, לא אימות.

כמה זמן באמת עולה שלב האימות

ההתנגדות הנפוצה לכל דיבור על הזיות של בינה מלאכותית היא שהאימות מבטל את החיסכון. במספרים זה לא מה שקורה.

הזמנים בטבלה הם הערכה מעשית שלנו לניתוח של חברה אחת, ולא נתון מדוד. הנקודה אינה הדיוק שלהם אלא היחס: שלב האימות הוא החלק הקצר בתהליך, והוא זה שקובע אם כל השאר שווה משהו.

מי שמכיר את דוח המאזן, את דוח רווח והפסד ואת דוח תזרים המזומנים יודע בדיוק לאן להסתכל, ואצלו האימות מהיר אף יותר.

לכן המאמר הזה אינו מסתיים ב”אל תשתמשו”. כלי שחוסך שעה ודורש חמש דקות בדיקה הוא עסקה טובה. אותו כלי בלי הבדיקה הוא הימור.

המקרה שמפיל הכי הרבה קוראים: המספר הסביר

מספר אבסורדי לא מזיק לאף אחד. מי שקורא ששווי השוק של חברה בינונית הוא שלושה טריליון דולר עוצר מיד. רוב הזיות של בינה מלאכותית נוחתות בדיוק בטווח שאתם מצפים לו, ולכן הן עוברות.

הטיית ההתאמה לערכים אחרונים, זו שהמאמר ב-arXiv מתאר, דוחפת בדיוק לשם. המודל מושך לעבר מה שראה לאחרונה, וזה בדרך כלל ערך קרוב לנכון. קרוב לנכון הוא המצב הגרוע ביותר, כי הוא לא מפעיל שום אזעקה.

הדרך היחידה היא כלל קשיח ולא שיפוט: כל מספר שנכנס להחלטה עובר הצלבה מול המקור, גם כשהוא נראה נכון, ובמיוחד כשהוא נראה נכון. זה קרוב בהיגיון לסינון רעש פיננסי, רק שכאן הרעש מגיע בצורת נתון מסודר.

שאלות נפוצות

האם הזיות של בינה מלאכותית נעלמות במודל חדש יותר?

לא. הן מתמעטות, והן לא נעלמות, כי המנגנון שמייצר אותן הוא אותו מנגנון שמייצר את התשובות הנכונות. לא מצאנו מקור ראשוני מדיד ועדכני שמכמת את השיעור אצל מודל מסוים, ולכן איננו נוקבים במספר. מה שכן מאומת הוא הקושי בהסקה מספרית מטקסט רגיל, והוא אינו מוגבל לדור אחד של מודלים.

איך אדע שמספר שגוי אם הוא נראה הגיוני לגמרי?

לא תדעו, וזו בדיוק הסיבה שהטיפול בהזיות של בינה מלאכותית הוא כלל ולא תחושה. אתם מצליבים כל מספר שנכנס לחישוב או להחלטה מול הדוח המקורי. שלושה מספרים לבדיקה בכל ניתוח מספיקים ברוב המקרים, כי טעות אחת בדרך כלל מגיעה עם עוד אחת לידה.

האם בקשה לציין מקור לכל נתון פותרת את הבעיה?

חלקית. זה עוזר מאוד כשהמודל קורא קובץ שצירפתם, כי אז הוא מצביע על עמוד אמיתי. זה עוזר הרבה פחות כשהוא עונה מהזיכרון, כי אז גם שם המקור עשוי להיות חלק מהתשובה שהוא ייצר. בדקו את המקור עצמו, לא את ההפניה אליו.

מה עושים כשאין גישה נוחה לדוח המקורי?

מורידים את הרף. אם אי אפשר לאמת, המספר נשאר בגדר השערה ואינו נכנס להחלטה. אפשר להמשיך לעבוד עם המודל על הצד האיכותני, כלומר על הבנת המודל העסקי ועל השוואת ניסוח, ולהשאיר את הכמותי למועד שבו הדוח זמין.

שורה תחתונה

הבעיה אינה שהמודל טועה לפעמים. הזיות של בינה מלאכותית מגיעות בצורת מספר מסודר, בפורמט נכון, בתוך משפט משכנע, בלי שום סימן ויזואלי. טעות בטקסט בולטת, טעות במספר לא.

הממצא האקדמי נותן לזה בסיס: מודלים מתקשים בהסקה מספרית כשהנתונים מגיעים אליהם כטקסט רגיל, והם נוטים להתאמת יתר לערכים אחרונים. מכאן עולה חלוקת עבודה אחת ופשוטה. המודל מאתר ומתמצת, אתם מחשבים ומחליטים.

מי שמיישם את החלוקה הזו מקבל כלי שחוסך שעות בלי להכניס סיכון חדש לתהליך. מי שמדלג על האימות מקבל ניתוח שנראה מקצועי ונשען על נתון שאיש לא בדק. את ההבדל סוגרים בחמש דקות, וזו גם אחת ממיומנויות הבסיס בקריאת דוח כספי.

פרוטוקול בשישה שלבים נגד הזיות של בינה מלאכותית

שישה משפטים, כל אחד שלב אחד. אפשר להדפיס את הרשימה ולהצמיד אותה ליד המסך, ולעבור עליה בכל פעם שמספר עובר מהשיחה אל הגיליון.

• שלב 1. צרפו את הדוח עצמו כקובץ, ואל תסתפקו בהדבקה של קטע ממנו.
• שלב 2. בקשו מספרים גולמיים בלבד, ואסרו במפורש כל חישוב, אחוז או השוואה.
• שלב 3. דרשו שכל מספר יגיע עם יחידה, עם תקופה ועם שם הסעיף שממנו הוא הגיע.
• שלב 4. הצליבו שלושה מספרים מול הדוח המקורי, ובהם תמיד אחד שנראה לכם סביר לגמרי.
• שלב 5. בצעו כל חישוב בגיליון אלקטרוני, והזינו לתוכו רק מספרים שראיתם בדוח במו עיניכם.
• שלב 6. החזירו למודל את התוצאה שחישבתם, ובקשו ממנו לפרש אותה ולא לאמת אותה.

השלב השישי הוא זה שהכי קל לשכוח. בקשת אימות מהמודל מייצרת עוד תשובה, ולא בדיקה.

איך רוכשים את המיומנות שהפרוטוקול מניח

הפרוטוקול עובד רק אם אתם יודעים לפתוח את הדוח ולמצוא בעצמכם את השורה שאתם מצליבים. מי שרוצה לרכוש את המיומנות הזו יכול לקבוע שיעור אחד על אחד בזום על הצלבת נתונים מול הדוח. השיעור מלמד איפה יושב כל סעיף, מה צריך להסתדר עם מה, ואילו אפשרויות קיימות כשמספר לא מסתדר. ההחלטות עצמן נשארות אצלכם, וכך גם האחריות עליהן.

המאמר הוא מידע כללי בלבד ואינו ייעוץ השקעות, שיווק השקעות או ייעוץ מס. הממצאים האקדמיים מצוטטים מתקצירי המאמרים ב-arXiv כפי שהופיעו בבדיקה שלנו ב-20 בספטמבר 2026. לא ציטטנו שיעור הזיות של מודל כלשהו, מפני שלא מצאנו לכך מקור ראשוני מדיד ועדכני. יכולות המודלים משתנות במהירות, וכל מה שכתוב כאן נכון למועד הבדיקה.