נוף 2026 — מי עושה מה (Codex, Claude, Atlas, Gemini, Antigravity, Copilot)

הספקטרום היציב — 5 קטגוריות שמחזיקות גם כשהמוצרים מתחלפים

אם תפתחו את האתר של כל ספק ב-2026, תקבלו רשימת מוצרים שמשתנה כל חודש. Project Mariner של גוגל נסגר ב-4 במאי 2026, Atlas ו-ChatGPT desktop הוכרזו כמתמזגים ל"desktop superapp" אחד, Codex for Chrome הושק ב-7 במאי 2026 ולא זמין באירופה בהשקה. אם תלמדו שמות מוצרים — תהיו מיושנים תוך 6 חודשים. אם תלמדו קטגוריות — תוכלו להחליט בכל רגע נתון, גם כשהמוצר הבא יושק.

חמש הקטגוריות מבוססות על שלוש שאלות פשוטות: איפה הסוכן רץ (ב-Chrome שלי, בדפדפן נפרד, בענן של הספק, על הדסקטופ שלי, או בקוד שלי), מי מחזיק את ה-credentials (אני, הספק, או אף אחד), ומה ה-blast radius כשמשהו נשבר. הסדר בספקטרום הוא מ-blast radius גדול ל-blast radius קטן, ומקל להגדרה לגמיש:

• Chrome extension — סוכן שרץ בתוך ה-Chrome שלכם, עם הפרופיל המחובר שלכם. ה-credentials שלכם, הסשנים שלכם, ההרשאות שלכם. דוגמאות: Codex for Chrome, Claude in Chrome.
• Agentic browser — דפדפן שלם שמגיע עם agent mode מובנה. אתם נכנסים אליו במקום ל-Chrome, ויש לו הרשאות משלו. דוגמה: ChatGPT Atlas.
• Hosted agent — סוכן שרץ בענן של הספק על מכונה וירטואלית מרוחקת. אתם רק נותנים הוראה ורואים תוצאה. דוגמה: OpenAI Operator.
• Desktop agent app — אפליקציה עצמאית על המחשב שלכם שמסוגלת להפעיל תוכנות מקומיות, לא רק דפדפן. דוגמה: Google Antigravity 2.0.
• Computer-use API — לא מוצר אלא רכיב. אתם מפעילים מודל בקוד שלכם, ומספקים לו תשתית דפדפן (Playwright, Browserbase) או דסקטופ (VM). דוגמאות: Gemini 2.5 Computer Use (API), Anthropic Computer Use (API), OpenAI CUA (דרך Responses API).

למה החלוקה הזו מעשית

ההבחנה לא תיאורטית. כל קטגוריה נותנת לכם שליטה אחרת על ארבעה דברים: לאן הסוכן רשאי ללכת, מה הוא רשאי לגעת בו, איפה הנתונים שלכם נמצאים פיזית, ומה קורה כשהוא נשבר. ב-Chrome extension השליטה היא הכי ישירה — אתם רואים כל קליק בזמן אמת, והמשמעת של ה-per-site confirmation prompt נמצאת ממש מתחת לאצבע שלכם. ב-Hosted agent ההפך — הסוכן רץ ב-VM בענן, אתם רק רואים צילום-מסך שלו, ואם משהו נשבר הנזק כבר קרה הרחק מכם.

זה גם ההסבר לכך שאין "מוצר שמנצח". כל קטגוריה מתאימה לסוג אחר של משימה. Chrome extension מצטיין כשאתם צריכים לפעול בתוך סשנים מחוברים קיימים (Gmail, CRM, פורטל ספק) — הוא לא דורש לבנות תשתית חדשה, רק גישה. API מצטיין כשאתם רוצים שליטה מלאה, אינטגרציה לתוך pipeline קיים, או volume גבוה עם עלות נמוכה. Desktop app מצטיין כשהמשימה נוגעת בתוכנה מקומית שאין לה גישת web (Photoshop, Excel עם macros, IDE).

המלכודת הראשונה — להתייחס לקטגוריות כאילו הן תחליפיות

אחת הטעויות הנפוצות ביותר היא לחשוב ש-Codex for Chrome "מתחרה ב-Atlas". הם לא. Codex for Chrome רץ ב-Chrome שלכם ומשתמש בסשנים שלכם. Atlas הוא דפדפן אחר לגמרי. Operator רץ בענן של OpenAI. Gemini 2.5 Computer Use הוא API שדורש מכם להביא דפדפן. אלה לא חלופות זה לזה — אלה חלופות למשימות שונות. הבחירה צריכה להיות "איזו קטגוריה מתאימה לעבודה שלי", לא "איזה מוצר הכי טוב".

OpenAI — שלושה מוצרים, שלוש הבטחות שונות

OpenAI היא החברה היחידה שיש לה ב-2026 שלוש הצעות נפרדות בקטגוריה הזו — ולכן גם המקום שבו הבלבול הכי גדול. זה לא שלוש גרסאות של אותו דבר; זה שלוש קטגוריות שונות לחלוטין, כל אחת עם מודל הרשאות, סשן, ותמחור משלה. בואו נפרק אחת-אחת.

Codex for Chrome — extension ב-Chrome שלכם

Codex for Chrome הוא extension שמותקן ב-Chrome שלכם (גרסת macOS או Windows, לא Edge/Brave/Arc/Opera למרות שהם מבוססי Chromium) ומאפשר ל-Codex להפעיל את ה-Chrome שלכם בפועל. הוא הושק ב-7 במאי 2026, מותקן מתוך תפריט Codex Plugins, ופועל עם הפרופיל המחובר שלכם — מה שאומר שאם אתם מחוברים ל-Gmail, ל-Salesforce, ל-LinkedIn, הסוכן נכנס לאותם סשנים בלי צורך למסור credentials.

המודל של ההרשאות הוא per-site confirmation by default — בכל פעם שהסוכן רוצה לפעול באתר חדש, אתם מקבלים prompt עם שלוש אופציות: "Allow this chat" (אישור חד-פעמי לאתר), "Always allow host" (אישור קבוע לאותו host), או "Decline" (דחייה). בנוסף, בהגדרות Computer Use יש allowlist ו-blocklist גלובליים. זה הגבול האבטחתי האמיתי, לא הגדרה נסתרת — ולכן הוא זכה לתשומת-לב רבה בפרק 6.

Codex עצמו עבר לדווח על 4M משתמשים פעילים שבועית (8x growth ב-2026), אבל זה לא אומר שה-extension זמין לכם. Codex for Chrome לא זמין ב-EU או UK בהשקה, ולא ידוע מתי יגיע לאזורים האלה. משתמש ישראלי ב-IP מקומי נכנס לקטגוריית "אמתו מול החשבון שלכם" — לרוב זמין, אבל לא מובטח, וזה ישתנה. זמן הריצה האמיתי של משימה גבוה משמעותית ממה שאתם רגילים — כל 8-15 סיבובים של הלולאה לוקחים דקות, לא שניות.

ChatGPT Atlas — agentic browser שלם

Atlas שונה מ-Codex for Chrome באופן מהותי: הוא לא extension, הוא דפדפן שלם שמבוסס על Chromium ויש לו ChatGPT מובנה כ-sidebar. הושק ב-אוקטובר 2025 והיה זמין תחילה רק ל-macOS; הגרסאות ל-Windows, iOS ו-Android היו "coming soon" בהשקה, ובמרץ 2026 OpenAI הכריזה ש-Atlas יתמזג עם ChatGPT desktop ועם Codex לאפליקציית-על אחת — מהלך שעדיין מתבצע. הדפדפן עצמו חינמי; ה-agent mode (שמשלים משימות מקצה-לקצה, כמו "תכין לי תוכנית ארוחות ותוסיף לעגלת קניות") זמין רק ל-Plus, Pro, Business.

היתרון של Atlas הוא ה-sidebar המובנה — אתם רואים את ChatGPT לאורך כל הגלישה, יכולים לשאול שאלות על מה שאתם רואים, ויכולים להפעיל agent mode לפי דרישה. החיסרון: זה דפדפן אחר, לא ה-Chrome הרגיל שלכם. אם אתם משתמשים בכל הסשנים שלכם (Gmail, CRM, בנק) ב-Chrome, מעבר ל-Atlas פירושו להיכנס שוב לכל החשבונות, ואז להחליט איזה פרופיל שייך לאיזה סוכן. ה-agent mode הוא preview — זה אומר ש-OpenAI מודה בעצמה שהוא עדיין טועה ב-workflows מורכבים. לא production-grade.

מה שמעניין ב-Atlas הוא הhardening המכוון נגד prompt injection. OpenAI פרסמה engineering blog ייעודי שמתאר את ההגנות שלהם מפני הזרקת הוראות זדוניות דרך תוכן שהסוכן קורא. זה לא מבטיח בטיחות — זה מבטיח שהם מודעים ועובדים על זה. נחזור לזה בפרק 6.

Operator (CUA) — hosted agent בענן

Operator הוא המוצר ההראשון של OpenAI בקטגוריה, הושק בינואר 2025, ועד היום הוא היחיד שרץ ב-VM מרוחק של OpenAI. אתם נותנים הוראה, Operator פותח חלון דפדפן משלו, רואה צילום-מסך שלו, מחליט פעולה, ומבצע. אתם יכולים לראות streaming של מה שהוא עושה, ויש לכם pause ו-take-over.

המודל המקורי (Computer-Using Agent, CUA) קלע 38.1% על OSWorld ו-87% על WebVoyager. ב-2026, היכולת הזו זרמה גם ל-GPT-5.4, שמגיע ל-75% על OSWorld (מעל ה-baseline האנושי שעומד על 72.4%). זה שיפור אדיר תוך שנה, וזה מה שמאפשר ל-Operator להתמודד עם משימות שדרשו אנושי לפני שנה. אבל 75% לא אומר "אמין" — 1-מ-4 נכשל, ובמשימה ארוכה הכשלים מצטברים (פרק 7).

התמחור הוא החלק הכי תובעני: Operator נעול מאחורי ChatGPT Pro ב-$200 לחודש. ב-9 באפריל 2026 OpenAI הוסיפה tier חדש של $100, שמיועד לפרילנסרים ולעצמאיים, ועדיין לא כולל את Operator במלואו. ה-meaning: אם אתם לא משלמים $200, אתם לא מקבלים גישה מלאה ל-Operator ב-2026. עדיין אין מסלול חינמי.

הטבלה המסכמת — שלושת מוצרי OpenAI

• Codex for Chrome: קטגוריה = Chrome extension. סשן = שלכם. תמחור = כלול ב-ChatGPT Plus/Pro/Business. זמינות = לא EU/UK. חוזק = סשנים קיימים, חולשה = תלוי Chrome הרשמי.
• ChatGPT Atlas: קטגוריה = agentic browser. סשן = של הדפדפן החדש. תמחור = דפדפן חינם, agent mode = Plus/Pro. זמינות = macOS בהשקה, שאר ה-platforms בהדרגה. חוזק = sidebar מובנה, חולשה = לא ה-Chrome שלכם.
• Operator: קטגוריה = hosted agent. סשן = VM מרוחק של OpenAI. תמחור = $200/חודש (Pro), $100 tier חדש. זמינות = גלובלית ל-Pro. חוזק = אפס צורך בתשתית שלכם, חולשה = הכי יקר + preview.

Anthropic — Claude in Chrome וה-Computer Use API

Anthropic ניגשת לקטגוריה הזו משני כיוונים במקביל — extension למשתמש הקצה (Claude in Chrome), ורכיב API למפתחים (Computer Use tool). המודל הבסיסי זהה (Claude Opus 4.6 / 4.8), אבל אריזת המוצר שונה לחלוטין. בניגוד ל-OpenAI, אין ל-Anthropic דפדפן משלהם — הם משתפים פעולה עם Chrome.

Claude in Chrome — extension עם ידע מובנה על אפליקציות

Claude in Chrome הוא extension של Anthropic שפועל ב-Chrome שלכם ומאפשר ל-Claude לנווט, לקרוא, ללחוץ, למלא טפסים, ולנהל טאבים מרובים. ההבדל המעשי מ-Codex for Chrome הוא הידע המובנה: ל-Claude in Chrome יש אינטגרציות מובנות עם Slack, Google Calendar, Gmail, Google Docs ו-GitHub — מה שאומר שהוא יודע לבצע פעולות ספציפיות באפליקציות האלה בצורה יציבה יותר מאשר agent גנרי שרואה צילום-מסך וצריך להבין הכל מאפס.

ה-extension עבר שלבים: research preview באוגוסט 2025, ובדצמבר 2025 נפתח לכל ה-plans בתשלום (Pro, Max, Team, Enterprise). אין גישה חינמית, ואין גרסת Safari רשמית נכון ל-2026. היכולת המעניינת ביותר היא build-test-verify loop בשילוב Claude Code: אתם כותבים קוד ב-terminal, מריצים בדיקות, ואז Claude in Chrome פותח את הדף שרץ בדפדפן, רואה את ה-console וה-network, ומאמת שהכל עובד. זה loop שלא קיים ב-OpenAI באותה צורה.

המידע האבטחתי ש-Anthropic פרסמה הוא קריטי: הם מדדו attack-success-rate של prompt injection ב-autonomous mode. בלי מיטיגציות, 23.6% מהתקיפות הצליחו. אחרי הוספת הגנות, זה ירד ל-11.2%. זה עדיין 1-מ-9 הצלחה — לא הצלחה של 0%, לא "הוגן". זה מספר שאתם חייבים לדעת, ולא להתעלם ממנו. ה-extension שימושי מאוד — אבל הוא לא "בטוח by default", והוא דורש פיקוח אנושי (פרק 6).

Computer Use API — הרכיב שמאחורי הקלעים

ב-API של Anthropic יש כלי בשם "computer use" שמקבל צילום-מסך של כל שולחן העבודה, מחזיר פעולה (קליק/הקלדה/גלילה), ומחכה לצילום הבא. זה הרכיב ש-Claude in Chrome משתמש בו מתחת לפני השטח. אבל הוא גם זמין לכם ישירות — וזה אומר שאתם יכולים לבנות harness משלכם, להריץ על מכונה שלכם, ולהחליט איפה הסוכן פועל.

זה ההבדל בין "extension" ל"API": ה-extension אורז את ה-API בממשק נוח ומוגבל. ה-API נותן לכם גישה גולמית — אתם בונים את ה-loop, אתם בוחרים את ה-VM, אתם מחליטים אילו הגבלות להטיל. ה-API הוא גם הדרך הזולה ביותר להריץ משימות חוזרות ב-volume, כי אתם לא משלמים על ממשק נוח — רק על tokens. ה-API לא מתאים למי שלא כותב קוד. למי שכן — זה הכלי הכי גמיש בקטגוריה.

Google — Gemini, Antigravity 2.0, וסגירת Project Mariner

גוגל ב-2026 היא דוגמה לפיבוט אסטרטגי: הם סגרו את Project Mariner (ה-extension הדפדפני שלהם) ב-4 במאי 2026, וקיפלו את היכולת לתוך Gemini API/Agent/Chrome. במקביל, ב-I/O 2026 ב-19 במאי, הם השיקו את Antigravity 2.0 — אפליקציית desktop agent עצמאית. ו-Gemini 2.5 Computer Use יושב ב-API כ-preview.

Gemini 2.5 Computer Use — API preview במחיר תחרותי

Gemini 2.5 Computer Use הוא מודל ב-API, לא מוצר consumer. זה אומר שאתם צריכים לכתוב קוד שמשתמש בו, להריץ אותו על תשתית שלכם (Playwright לדפדפן, או VM לדסקטופ), ולשלם רק על tokens. התמחור הוא $1.25 ל-1M tokens על input ו-$10 ל-1M tokens על output, עם 131K context — זה משמעותית זול יותר מ-Anthropic ו-OpenAI על אותו שימוש. החיסרון הוא שהוא ב-preview, מה שאומר שהוא צפוי להשתנות, ושאין התחייבות ל-backward compatibility.

למי שכן כותב קוד, זה ההזדמנות לבנות agent ב-volume בלי להיות תלוי ב-extension של אף אחד. המודל מקבל צילום-מסך + רשימת פעולות, מחזיר פעולה הבאה, ואתם מבצעים אותה בתשתית שלכם. הגמישות היא מקסימלית, וזה גם המקום שבו הכי קל לפתח harness מתקדם עם supervision מובנה.

Antigravity 2.0 — אפליקציית desktop agent

Antigravity 2.0 הוא קונספט חדש בקטגוריה: אפליקציית desktop עצמאית שיכולה להפעיל תוכנות מקומיות, לא רק דפדפן. היא הושקה ב-I/O 2026 (19 במאי), והיא מאופיינת בכמה יכולות ייחודיות:

• Multi-agent orchestration — היא יכולה לתאם כמה סוכנים שעובדים במקביל על תת-משימות שונות. לדוגמה: סוכן אחד מושך נתונים מ-Salesforce, סוכן שני מעבד אותם ב-Excel, סוכן שלישי מכין מייל מסכם.
• Scheduled background tasks — אתם יכולים להגדיר משימה שרצה כל בוקר ב-9:00, או כל יום שישי בסוף היום. זה מאפשר workflow אמיתי-חוזר בלי להריץ ידנית.
• Voice interface — אפשר לדבר אליה, לא רק להקליד. שימושי כשאתם רוצים לבקש משהו בלי לעצור את העבודה הזרה.
• Default model: Gemini 3.5 Flash — המודל המובנה הוא הגרסה הקלה של Gemini, שמהירה וזולה יותר מ-Pro, אבל פחות מדויקת במשימות מורכבות.

זה לא Chrome extension, וזה לא agentic browser. זה מוצר שעומד בפני עצמו ויכול להפעיל את כל המחשב, לא רק חלון אחד. המשמעות: אתם נותנים ל-Antigravity גישה למחשב שלכם, והוא יכול לפתוח אפליקציות, לעבוד עם קבצים מקומיים, ולבצע פעולות שאינן web-based. ה-blast radius גדול משמעותית — זה לא "בתוך Chrome", זה "בתוך המחשב".

סגירת Project Mariner — הסיפור שמאחורי הפיבוט

Project Mariner היה ה-extension של גוגל שנועד להיות התשובה שלהם ל-Codex for Chrome. הוא הושק ב-2024, היה זמין למשתמשי Gemini Advanced, ועבר כמה איטרציות. ב-4 במאי 2026 גוגל סגרה אותו וקיפלה את היכולת לתוך Gemini API (למפתחים), Gemini Agent (למשתמשי Gemini), ו-Chrome (ב-Google I/O 2026 הוכרז שיכולות מסוימות ישולבו ב-Chrome עצמו).

הsignal האסטרטגי של הסגירה הזו חשוב: גוגל הגיעה למסקנה שה-API-first approach (אתם בונים, אתם משלמים על tokens, אתם שולטים) עדיף על extension נפרד. זה גם מה שמסביר למה Antigravity 2.0 הוא desktop app ולא extension. המסר לכם: אל תבנו את כל ה-workflow שלכם על מוצר אחד. בנו אותו על capability (יכולת), ותוכלו לעבור כלי כשמוצר נסגר.

Google ADK — רכיב למפתחים

Agent Development Kit (ADK) של גוגל הוא framework לבניית agents. הוא לא מוצר consumer, הוא כלי למי שכותב קוד ורוצה לבנות agent מותאם. זה לא חלק מהקורס ברמת הבסיס, אבל כדאי לדעת שהוא קיים — ולמי שרוצה להתקדם, זה הכלי של גוגל לבניית agents מתקדמים.

Microsoft — Copilot Studio ו-Agent 365 לעסקים

מיקרוסופט נכנסה לקטגוריה הזו מהצד הenterprise — לא מהצד הצרכני. שני המוצרים שלהם, Copilot Studio Computer-Using Agents ו-Agent 365, מיועדים לארגונים שצריכים לאוטמט תהליכים עסקיים על מערכות ללא API. אם אתם עצמאיים או פרילנסרים, ייתכן שהמוצרים האלה לא בשבילכם — אבל אם אתם בארגון, זה הכיוון.

Copilot Studio Computer-Using Agents (GA, מאי 2026)

Copilot Studio הוא low-code platform של מיקרוסופט לבניית agents. הוא קיים מ-2024, אבל הוספת היכולת Computer-Using Agents (CUA) במאי 2026 היא החידוש: ה-agent יכול עכשיו להפעיל אתרים ו-desktop apps למערכות שאין להן API ציבורי. זה אומר שתהליך עסקי שדורש אינטראקציה עם מערכת legacy (למשל: תוכנת ERP ישנה, ממשק פנימי שלא נחשף דרך API) יכול להיות אוטומטי בלי לכתוב אינטגרציה.

היכולת הadaptive interface recovery היא הפיצ'ר המעניין: אם הממשק משתנה (redesign, עדכון UI), ה-agent מנסה להתאים את עצמו אוטומטית. זה לא מושלם — אבל זה מפחית תלות בקביעות מול הממשק. ה-GA (General Availability) מסימן שהמוצר אמור לעבוד ב-production, אבל זה לא אומר שהוא מתאים לכל תהליך עסקי — צריך לבדוק פר-מקרה.

Agent 365 (GA, 1 במאי 2026) — שכבת governance

Agent 365 הוא לא agent — הוא control plane לניהול agents בארגון. תחשבו על זה כמו Active Directory, אבל לסוכנים: registry של כל ה-agents שרצים, identity לכל אחד, monitoring ו-audit logs, והרשאות גלובליות. אם יש לכם 50 agents שרצים בארגון על מערכות שונות, אתם צריכים דרך לדעת מי עושה מה, ולהגביל מי רשאי לפעול איפה.

המשמעות לקורס שלנו: גם אם אתם לא ארגון enterprise, העקרונות של Agent 365 רלוונטיים. רישום של כל ה-agents שאתם מריצים, הרשאות מינימליות לכל אחד, ו-audit log של כל פעולה — זה לא רק "לעסקים גדולים", זה הסטנדרט של פיקוח שעליו נדבר בפרק 6. אם אתם מריצים סוכן על המחשב האישי שלכם, תנהגו כאילו יש לכם Agent 365 — רישום, הרשאות, audit.

איך לקרוא טענת-אמינות: OSWorld מול WebVoyager

אחת המיומנויות הכי חשובות ב-2026 היא לקרוא טענות-שיווק של ספקים בספקנות. כש-OpenAI אומרת "Operator עכשיו 75% על OSWorld" או כש-Google אומרת "Gemini 2.5 Computer Use מוביל ב-WebVoyager", זה אומר משהו — אבל לא בהכרח מה שאתם חושבים. ההבנה של איזה benchmark נמדד, איזה גרסה, ועל איזה סוג משימות, היא ההבדל בין קבלת החלטה טובה לבין קבלת החלטה יקרה.

OSWorld — המבחן הקשה

OSWorld הוא benchmark של משימות דסקטופ מלא. ה-agent צריך לפתוח קבצים ב-File Explorer, לערוך מסמכים ב-Word, לנהל גיליונות ב-Excel, להגדיר הגדרות מערכת, לעבוד עם אפליקציות native. הוא נחשב המבחן הקשה ביותר כי הוא דורש מהמודל להבין ממשקים מורכבים, dropdowns, modals, וזרימות עבודה של desktop. ה-baseline האנושי ב-OSWorld עומד על 72.4% — כלומר אנושי ממוצע פותר 72.4% מהמשימות.

הציונים העדכניים ב-OSWorld (יוני 2026): GPT-5.4 מגיע ל-~75% (מעל ה-baseline האנושי), Claude Opus 4.6 עומד על ~60.7%, ו-Operator המקורי (CUA) קלע 38.1% בעת ההשקה. זה אומר שהמודל המוביל כיום טוב יותר מהממוצע האנושי במשימות דסקטופ — אבל זה עדיין 25% כשל. והמשימות שהוא נכשל בהן הן בדיוק המשימות הלא-סטנדרטיות: עיצובים חדשים, modals מורכבים, multi-step workflows.

WebVoyager — המבחן הקל

WebVoyager הוא benchmark של משימות web בלבד: קניות באמזון, חיפוש טיסות, מילוי טפסים באתרים ידועים, אינטראקציה עם SaaS נפוץ. הוא נחשב המבחן הקל יחסית כי הממשקים יציבים יותר, הזרימות סטנדרטיות יותר, וה-training data של המודלים מכיר אותם טוב יותר. הציונים שם גבוהים משמעותית: Gemini 2.5 Computer Use מגיע ל-~88.9%, ו-Claude Opus 4.6 ל-~87-89%.

המשמעות: אם ספק אומר "אנחנו 88% ב-WebVoyager", זה לא אומר שהוא אמין ב-88% בחיים האמיתיים. הוא אמין ב-88% במשימות web סטנדרטיות, בממשקים מוכרים, בזרימות שהוא ראה ב-training. הוא יכול להיות 40-50% במשימות דסקטופ, או בממשקים ישראליים בעברית/RTL, או ב-portal פנימי של חברה שהמודל מעולם לא ראה.

הכלל: תמיד לבדוק גרסה, סוג משימה, וגודל מדגם

לפני שאתם מסיקים מסקנות מטענת-אמינות, ענו על 3 שאלות:

• איזה גרסה של המודל? הציון של Claude Sonnet 4.5 לא רלוונטי ל-Claude Opus 4.8. תאריך הציון חשוב — אם הוא מלפני 6 חודשים, זה עולם אחר.
• איזה benchmark? OSWorld (קשה) או WebVoyager (קל)? או benchmark אחר שלא שמעתם עליו? כל benchmark מודד משהו אחר.
• איזה סוג משימות ספציפית? האם הציון הוא על "משימות קצרות" או "multi-step workflows"? האם זה על אתרים ידועים או על long-tail?

והכי חשוב: הציון לא אומר "ייכשל ב-X% מהמקרים". הוא אומר "במדגם הזה של משימות, הצליח ב-Y%". ההפצה של ההצלחה לא אחידה — יש משימות שהוא פותר תמיד, יש משימות שהוא נכשל בהן תמיד, ויש משימות שתלויות בעיצוב הספציפי של היום. תמיד תבדקו בעצמכם על המשימה שלכם, לא תסמכו על ציון ספק.

המתמטיקה מאחורי ה-headline — למה 75% הוא לא מספיק טוב

עכשיו, אחרי שאנחנו יודעים לקרוא ציוני benchmark, הגיע הזמן להבין למה אמינות גבוהה לא שווה workflow יציב. הסיבה היא מתמטית פשוטה: כשלים מצטברים לאורך סיבובי הלולאה.

המתמטיקה — דוגמה מספרית

נניח שהסוכן שלכם מצליח בכל סיבוב של הלולאה (screenshot→reason→act) ב-95%. זה נשמע מצוין. עכשיו, משימה של "הורד חשבונית" דורשת 10 סיבובים. ההסתברות שכל 10 הצליחו: 0.95^10 ≈ 0.598, כלומר 60%. זה על 95% per-step, שזה גבוה מאוד ביחס לעולם האמיתי. בואו נראה מה קורה עם 75% per-step, שזה הציון של GPT-5.4 על OSWorld: 0.75^10 ≈ 0.056, כלומר 5.6%. המשימה נכשלת ב-94% מהמקרים.

זו הסיבה ש"best in class" עדיין נכשל. ה-75% של GPT-5.4 על OSWorld הופך לכשל 1-מ-4 בכל סיבוב, ועל משימה של 10 סיבובים, הופך לכשל 94%. המספר הזה לא תיאורטי — הוא מה שאתם תראו אם תריצו את הסוכן 20 פעמים על אותה משימה. רק 1-2 מתוך 20 יצליחו, והשאר ייכשלו באיזשהו סיבוב.

המשמעות לבחירת workflow

המתמטיקה הזו אומרת שככל שהמשימה ארוכה יותר, כך הסיכוי להצלחה קצר יותר. משימה של 5 סיבובים ב-90% per-step = 59% הצלחה. משימה של 20 סיבובים ב-90% per-step = 12% הצלחה. זו הסיבה שהקורס מלמד אתכם לקצר צעדים — לפרק משימה ארוכה לכמה קצרות, או להשתמש ב-deterministic steps (פרק 4) עבור הצעדים הצפויים.

זה גם המקום שבו מתמטיקת העלות נכנסת: כל סיבוב = צילום-מסך + reasoning. עלות per-step משתנה בין ספקים, אבל הסדר גודל הוא $0.01-$0.10 לסיבוב. משימה של 10 סיבובים = $0.10-$1.00. 10 הרצות = $1-$10. 100 משימות = $10-$100. אם אתם בונים workflow על 1,000 משימות בחודש, אתם כבר ב-$100-$1,000 — וזה לפני שדיברנו על צעדים שנכשלים וצריך לחזור עליהם.

זמינות אזורית ו-browser blockers — למה לאמת לפני שבונים

לפני שאתם בונים workflow שלם על מוצר, תאמתו שיש לכם גישה אליו. זה נשמע טריוויאלי, אבל זו הטעות שעולה הכי הרבה זמן. Codex for Chrome לא זמין ב-EU וב-UK בהשקה; הוא Chrome-only (לא Edge, לא Brave, לא Arc, לא Opera, למרות שהם מבוססי Chromium); ויש הבדל בין "ראיתי demo" ל"יש לי גישה אמיתית".

מה צריך לאמת

• זמינות אזורית: האם המוצר זמין בארץ שלכם? Codex for Chrome הוא דוגמה קלאסית — לא ב-EU/UK בהשקה. משתמש ישראלי לרוב בסדר, אבל לא תמיד — תלוי בגרסה ובחשבון. בדקו עם החשבון שלכם ומה-IP שלכם לפני שאתם מתכננים.
• Browser compatibility: האם הוא עובד ב-Chrome הרשמי בלבד, או גם ב-Edge/Brave/Arc/Opera/Chromium forks אחרים? Codex for Chrome הוא Chrome-only בהשקה. אם אתם משתמשים ב-Brave כי הוא חוסם מודעות בצורה טובה יותר — אתם לא יכולים להריץ את ה-extension הזה.
• Platform: macOS, Windows, Linux? חלק מהמוצרים זמינים רק במק (Atlas בהשקה, חלק מיכולות Antigravity).
• Plan tier: האם המוצר כלול ב-Plus שלכם, או דורש Pro/$200? Operator הוא דוגמה — הוא ב-Pro בלבד, לא ב-Plus.
• Preview vs GA: האם המוצר הוא research preview, agent mode ב-preview, או production-grade? זה משפיע על הציפיות שלכם מהמוצר — preview = טועה יותר, GA = צפוי לעבוד.

הבדיקה עצמה היא 5 דקות: פתחו את החשבון שלכם, חפשו את המוצר, נסו להתקין או להפעיל. אם יש הודעה "not available in your region" — עצרו. אל תבנו workflow על מוצר שלא בדקתם. העלות של בדיקה מוקדמת היא אפס; העלות של גילוי מאוחר היא ימי עבודה.

מסגרת ההחלטה — איזה כלי לאיזו משימה

עכשיו, אחרי שמיפינו את הנוף, הגיע הזמן להפוך את המידע להחלטה מעשית. המסגרת שלמטה מבוססת על שילוב של קטגוריית המוצר, סוג המשימה, וה-blast radius. זו המסגרת שנחזור אליה בפרק 4 ובפרק 7, אבל כבר עכשיו היא נותנת לכם כלי לבחור.