אליסיט / Elicit

מה זה אליסיט ואיך הוא שונה ממנוע תשובות?

אליסיט הוא כלי מחקר אמריקאי שהושק בשנת 2021 מתוך מעבדה ללא כוונת רווח, ונבנה כדי לקצר את החלק המשעמם בסקירת ספרות מדעית. הוא אינו מחפש באינטרנט אלא במאגר של יותר ממאה ועשרים מיליון מאמרים אקדמיים, וזו ההבחנה הראשונה שצריך להבין לפני שמשווים אותו לכל דבר אחר.

הרצף המרכזי מתחיל בשאלה מנוסחת, למשל האם התערבות מסוימת משפרת תוצאה מסוימת. הכלי מחזיר רשימת מחקרים רלוונטיים, ולא כתשובה אלא כשורות בטבלה. אפשר להוסיף עמודות לפי מה שמעניין אתכם: גודל המדגם, משך המעקב, השיטה שננקטה ומה נמצא בפועל, והמערכת ממלאת אותן מכל מאמר בנפרד.

הרובד השני הוא מה שהופך את זה לכלי ולא לצעצוע. כל תא בטבלה מקושר למאמר שממנו הוא נלקח, ואפשר לראות את המשפט המדויק שממנו חולץ הנתון. המשמעות היא שאפשר לבדוק, ובדיקה היא ההבדל בין מידע לבין ניחוש מנוסח היטב. במודל שפה רגיל הבדיקה הזאת בלתי אפשרית כי אין למה לחזור.

הרובד השלישי הוא סיכום מעל הטבלה. אפשר לבקש תמצית של מה שעולה מכל המחקרים יחד, כולל היכן הם מסכימים והיכן הם סותרים זה את זה. החלק האחרון הזה חשוב במיוחד, כי בשאלות אמיתיות התשובה כמעט אף פעם אינה חד משמעית, וכלי שמציג רק את הצד שמסכים הוא מסוכן יותר מכלי שלא עונה כלל.

הפיצ'רים המרכזיים של אליסיט

שש יכולות מרכיבות את הכלי. השנייה היא הסיבה האמיתית להשתמש בו, והחמישית היא זו שמונעת ממנו להטעות אתכם.

ארבע הערות שקובעות אם זה הכלי שלכם. הראשונה, והיא החשובה ביותר: הוא עונה רק על שאלות שיש עליהן מחקר. שאלה כמו איזה צבע כפתור ממיר טוב יותר באתר ישראלי לא תקבל כאן תשובה, כי לא נכתב עליה מאמר. שאלה על השפעת שינה על ריכוז או על יעילות שיטת אימון תקבל עשרות מחקרים. ההבחנה הזאת חוסכת שעה של תסכול.

השנייה: המאגר אנגלי כמעט לחלוטין, וזה מובן מאליו בעולם האקדמי ולכן אינו חיסרון של הכלי. השאלות נשאלות באנגלית והתוצאות באנגלית, ומי שאינו קורא אנגלית מקצועית לא יפיק מכאן ערך. אפשר לתרגם את התמצית, ולא כדאי לסמוך על תרגום כשמדובר בניסוח של ממצא מחקרי.

השלישית: הכלי אינו שופט איכות מחקר בשבילכם. מאמר עם שלושים משתתפים ומאמר עם שלושת אלפים מופיעים כשתי שורות שוות בטבלה, ורק אם הוספתם עמודה של גודל מדגם תראו את ההבדל. זו למעשה ההגדרה הראשונה שכדאי לעשות בכל שאילתה, והיא משנה את המסקנה יותר מכל דבר אחר.

הרביעית: חילוץ הנתון מדויק ולא מושלם. לפעמים הכלי שולף מספר מהמקום הלא נכון במאמר, למשל מתוך סקירת ספרות בפתיחה ולא מתוך התוצאות. בגלל זה קיים הקישור למקור, והוא לא נועד לקישוט. הכלל המעשי הוא לפתוח ולבדוק כל נתון שאתם מתכוונים לפרסם, וזה עדיין מהיר פי עשרה מלקרוא את המאמרים מההתחלה.

כמה זה עולה?

התמחור בנוי על נקודות שנצרכות לפי עומק החיפוש ומספר המאמרים שמעובדים, והוא נמוך משמעותית מרוב הכלים שסקרנו בחודש הזה.

המחיר כאן נמוך ביחס לערך במקרים שבהם הוא מתאים, וזה בעצם כל הסיפור. שאילתה אחת שמחליפה יום של קריאה מחזירה את המנוי השנתי, והבעיה היא שרוב העסקים לא נתקלים בשאלה כזאת יותר מכמה פעמים בשנה. לכן ההמלצה שלי כמעט תמיד היא להתחיל בחבילה החינמית ולראות כמה שאילתות אמיתיות בכלל עולות בחודש.

ההשוואה הכלכלית הנכונה כאן אינה מול כלי אחר אלא מול הזמן של מי שיודע לקרוא מחקר. סקירה ידנית של עשרים מאמרים, כולל איתור, סינון וחילוץ נתונים, היא יומיים של עבודה למי שמיומן, ושבוע למי שלא. הכלי מוריד את זה לשעתיים ולעוד שעה של בדיקה. היחס הזה מצדיק את המנוי בקלות, אצל מי שבאמת עושה את זה.

יש כאן גם ערך שקשה לתמחר והוא מניעת טעות. טענה שמפרסמים בחומר שיווקי ומתברר שאין מאחוריה מחקר היא בעיה מול לקוחות, ובתחומים מסוימים בישראל, כמו בריאות ותוספי תזונה, היא גם בעיה רגולטורית של ממש. עלות של טענה אחת שגויה בעמוד מכירה גבוהה בהרבה ממנוי שנתי, וזה בדיוק המקום שבו כלי כזה מרוויח את מקומו בעסק שאינו אקדמי.

העלות שאינה במחירון היא היכולת לקרוא מחקר, וזו עלות אמיתית. הכלי מביא את המאמרים ומחלץ את הנתונים, והוא אינו יודע לומר לכם שהמחקר נעשה על אוכלוסייה שאינה דומה ללקוחות שלכם, שהמימון הגיע מגורם מעוניין, או שהתוצאה מובהקת סטטיסטית ולא משמעותית בפועל. שלושת אלה הם ההבדל בין שימוש נכון לשימוש מסוכן, והם דורשים אדם. מי שאין לו את הידע הזה בצוות צריך להשתמש בכלי כדי לאתר מקורות ולהעביר את השיפוט למי שמבין, ולא כדי להסיק לבד.

אליסיט מול מנועי תשובות ומול מודלים כלליים

ארבע דרכים עומדות בפני מי שצריך תשובה מבוססת: לשאול מודל שפה, להשתמש במנוע תשובות שמחפש ברשת, לעבוד בכלי מחקר על מאגר אקדמי, או לקרוא בעצמכם. ההבדל ביניהן אינו בדיוק התשובה אלא במה שאפשר לעשות אתה אחר כך.

מול מודל שפה כללי, ההבדל הוא בין ניסוח לבין ראיה. מודל השפה ChatGPT יענה על אותה שאלה בפסקה קולחת ומשכנעת, והוא יערבב בין מה שהוא למד לבין מה שהוא משלים, ואין דרך להפריד בין השניים בדיעבד. כשהתשובה משמשת אתכם פנימית זה מספיק, וכשהיא הופכת לטענה שמפרסמים זה לא. אותו הבדל קיים גם מול מודל השפה Claude ומול כל מודל אחר, והוא אינו עניין של איכות המודל אלא של סוג הכלי.

מול מנוע תשובות שמחפש ברשת, ההשוואה מעניינת יותר. מנוע התשובות Perplexity מחזיר מקורות אמיתיים ומקשר אליהם, וזה כבר קפיצה גדולה מעל מודל רגיל. ההבדל הוא באיכות המקור: שם מקבלים כתבות, פוסטים ואתרי חברות שכולם ניתנים לציטוט ולא כולם ניתנים לאמון. כאן מקבלים מאמרים שעברו שיפוט עמיתים. לשאלות עסקיות ושוקיות המנוע מהיר וטוב יותר, ולשאלות שדורשות ראיה הוא אינו מספיק.

מול עבודה על מסמכים שלכם, אלה שני שלבים באותו תהליך ולא מתחרים. אחרי שאספתם את המאמרים הרלוונטיים, אפשר להעלות אותם לסביבת המחקר NotebookLM ולשאול שאלות רק עליהם, וזו הדרך הטובה ביותר לקרוא לעומק קבוצה קטנה של מקורות. החלוקה שעובדת היא איתור וחילוץ כאן, וקריאה לעומק שם.

יש כאן חיבור שאני רואה כחשוב במיוחד לעסקים בשנה האחרונה, והוא לאופן שבו מנועי חיפוש מבוססי בינה מלאכותית בוחרים את מי לצטט. עמוד שמנסח טענה עם מקור בדוק ומקשר אליו נבחר לציטוט הרבה יותר מעמוד שכתוב יפה ואינו מבסס דבר. זו אחת הנקודות המרכזיות בעבודת אופטימיזציה למנועי AI שאני מבצע, והכלי הזה הוא הדרך המהירה למצוא את המקורות האלה. אפשר גם לשאול את מודל השפה Gemini לנסח את הפסקה סביב הממצא, ובלבד שהממצא עצמו הגיע ממקור אמיתי ולא מהמודל.

נקודה אחרונה שנוגעת לשימוש נכון: הכלי מצוין באיתור ובינוני בשיפוט. הוא ימצא לכם עשרים מחקרים רלוונטיים בשתי דקות, והוא לא יסמן שאחד מהם נערך על שלושים סטודנטים ואחר על שלושת אלפים מטופלים לאורך חמש שנים. ההבדל הזה קובע את המסקנה יותר מכל דבר אחר, ולכן עמודת גודל המדגם היא ההגדרה הראשונה שאני מוסיף בכל שאילתה. מי שמדלג עליה מקבל רשימה שנראית מרשימה ומסיק ממנה בביטחון מופרז.

המסקנה מהשטח: זה כלי צר ומצוין, ורוב העסקים יצטרכו אותו כמה פעמים בשנה ולא כל יום. בדיוק בגלל זה שווה להכיר אותו, כי הפעמים האלה הן בדרך כלל הפעמים שבהן טעות עולה הכי הרבה.

הפיצ'ר שעושה את ההבדל: פנקס טענות עם דירוג חוזק

הערך של כלי כזה לעסק אינו במחקר עצמו אלא במה שקורה אחריו. כל טענה שמופיעה באתר, בעמוד מכירה או בחומר שיווקי היא התחייבות, ורובן נכתבו פעם על סמך משהו שמישהו קרא ואיש לא רשם מה. הפתרון הוא פנקס פשוט שמחזיק כל טענה יחד עם המקור שלה ועם דירוג חוזק, ומסמן את מה שאין לו כיסוי. הקוד למטה בונה בדיוק את זה: הוא מדרג כל טענה לפי איכות המקור וגודל המדגם, מסמן טענות שנשענות על מקור חלש או על שום דבר, ומייצר רשימת טיפול לפי סדר עדיפות.

# פנקס טענות: מה נכתב באתר, על מה זה נשען, וכמה חזק הבסיס הזה
import json
from datetime import date

# חוזק לפי סוג המקור. סקירה שיטתית שווה יותר ממחקר בודד, ובהרבה
SOURCE_WEIGHT = {
    "systematic_review": 5,
    "rct": 4,
    "cohort": 3,
    "case_study": 2,
    "expert_opinion": 1,
    "none": 0,
}
STRONG_FLOOR = 7          # ציון שממנו והלאה מותר לפרסם טענה בלי סייג
SMALL_SAMPLE = 100        # מתחת לזה, המחקר לא מספיק לבדו לטענה גורפת
STALE_YEARS = 12          # מחקר ישן מדי דורש בדיקה שלא יצא משהו חדש


def sample_bonus(n):
    if n is None:
        return 0
    if n >= 1000:
        return 3
    if n >= SMALL_SAMPLE:
        return 2
    return 0


def score_claim(claim, this_year):
    weight = SOURCE_WEIGHT.get(claim.get("source_type", "none"), 0)
    score = weight + sample_bonus(claim.get("sample_size"))

    notes = []
    if weight == 0:
        notes.append("אין מקור כלל")
    if claim.get("sample_size") is not None:
        if claim["sample_size"] < SMALL_SAMPLE:
            notes.append("מדגם קטן")
    year = claim.get("year")
    if year is not None:
        if this_year - year > STALE_YEARS:
            notes.append("מחקר ישן, לבדוק עדכון")
            score -= 1
    if not claim.get("url"):
        notes.append("אין קישור לאימות")
        score -= 1

    return max(score, 0), notes


def review(claims, this_year=None):
    this_year = this_year or date.today().year
    publishable, needs_hedge, must_remove = [], [], []

    for claim in claims:
        score, notes = score_claim(claim, this_year)
        row = {"text": claim.get("text", "")[:120], "page": claim.get("page"),
               "score": score, "notes": notes}

        if score >= STRONG_FLOOR:
            publishable.append(row)
        elif score > 0:
            needs_hedge.append(row)
        else:
            must_remove.append(row)

    # סדר הטיפול: קודם מה שאין לו בסיס, אחר כך מה שדורש סייג בניסוח
    must_remove.sort(key=lambda r: r["score"])
    needs_hedge.sort(key=lambda r: r["score"])

    return {"total": len(claims), "publishable": len(publishable),
            "needs_hedge": needs_hedge, "must_remove": must_remove}


def run(claims_path):
    claims = json.load(open(claims_path, encoding="utf-8"))
    result = review(claims)
    with open("claims-register.json", "w", encoding="utf-8") as f:
        json.dump(result, f, ensure_ascii=False, indent=2)
    return result


# שלושה כללים שהופכים את הפנקס הזה למשהו שמונע בעיות במקום לתעד אותן
# כלל 1: טענה בלי קישור לאימות שווה כמו טענה בלי מקור. הפניה מהזיכרון לא נחשבת
# כלל 2: מדגם קטן אינו פוסל טענה, הוא מחייב סייג בניסוח. יש הבדל בין השניים
# כלל 3: לעבור על הפנקס פעם בשנה. מחקר חדש הופך טענה נכונה לטענה שגויה

מה שהפנקס הזה מגלה בפעם הראשונה מפתיע כמעט תמיד. ברוב האתרים שבדקתי, בין רבע לשליש מהטענות המספריות שמופיעות בעמודי שירות ובעמודי מכירה אינן נשענות על שום מקור שאפשר להצביע עליו, והן פשוט הועתקו ממקום למקום עד שהפכו לידע מקובל. חלקן נכונות, וזה לא משנה: טענה שאי אפשר לבסס היא חשיפה, גם כשהיא במקרה נכונה.

הכלל השני הוא זה שהופך את הפנקס לשימושי במקום למגביל. מדגם קטן אינו סיבה לוותר על טענה, הוא סיבה לנסח אותה אחרת: במקום לומר שהשיטה משפרת תוצאה, אומרים שמחקר ראשוני הראה שיפור בקבוצה קטנה. הניסוח השני נכון, והוא גם מייצר יותר אמון ולא פחות. בדיוק אותו הבדל קובע גם אם מנוע חיפוש מבוסס בינה מלאכותית יבחר לצטט אתכם, ולכן זו עבודה שמשתלמת פעמיים. עוד על ניסוח טענות מבוססות אפשר לקרוא בחומרים שבמרכז הידע.

חסרונות שאתם צריכים לדעת

וכעת החלק שמצמצם את קהל היעד. שישה חסרונות, והראשון מסביר למה רוב העסקים לא באמת צריכים את זה.

החיסרון הראשון ראוי להרחבה כי הוא זה שקובע אם להתחיל בכלל. יש שאלות שיש עליהן מחקר ויש שאלות שאין, וההבדל אינו בחשיבות אלא בכך שמישהו טרח לבדוק אותן בשיטה מסודרת. שאלות על בריאות, על למידה, על התנהגות ועל שיטות עבודה נחקרו לעומק. שאלות על מה עובד בשוק הישראלי, איזה מסר ממיר טוב יותר או כמה כדאי לגבות פשוט לא נחקרו, ואף כלי לא ימציא עליהן ראיות. מי שמגיע לכאן עם שאלה מהסוג השני יקבל תוצאות שנראות רלוונטיות ואינן, וזה מצב גרוע יותר מלא לקבל כלום.

היתרונות שעושים את אליסיט שווה

ומולם, שש סיבות שבגללן זה הכלי שאני פותח כשהטענה שאני עומד לכתוב חייבת להיות נכונה.

היתרון המרכזי בעיני אינו חיסכון בזמן אלא שינוי בהרגל. כשבדיקת מקור עולה חמש דקות במקום יומיים, מתחילים לבדוק דברים שקודם פשוט הנחנו. גיליתי לא פעם שטענה שחזרתי עליה שנים נשענת על מחקר יחיד וישן, ולפעמים על כתבה שציטטה כתבה. השינוי הזה משפיע על איכות העבודה הרבה מעבר לשאילתה הבודדת, והוא הסיבה האמיתית להחזיק כלי כזה.

יתרון שני שנוגע ישירות לעסקים: טענה מבוססת היא נכס שיווקי ולא רק הגנה משפטית. עמוד שכותב שמחקר מסוים מצא תוצאה מסוימת ומקשר אליו נתפס אחרת לגמרי מעמוד שכותב שמוכח שהשיטה עובדת. הראשון מייצר אמון והשני מייצר חשד, וזה נכון גם אצל קוראים אנושיים וגם אצל מנועים שבוחרים את מי לצטט. את דרך העבודה שלי ואת מה שאני מביא לפרויקטים אפשר לקרוא בעמוד האישי.

מתי לבחור אליסיט ומתי מנוע תשובות רגיל?

כאן די בשאלה אחת כדי לחסוך את כל ההתלבטות, והיא לא על הכלי אלא על השאלה שאתם שואלים: האם קיים בכלל מחקר שבדק אותה.

# עץ החלטה לשאלה שדורשת תשובה מבוססת
שאלה 1: קיים מחקר על הנושא?
    בריאות, למידה, התנהגות -->  כן, אליסיט
    שוק, תמחור, מסרים      -->  לא, מנוע תשובות
    לא בטוח                -->  שאילתה אחת בחינמי תענה

שאלה 2: מה יקרה עם התשובה?
    תתפרסם כטענה           -->  חובה מקור בדוק
    החלטה פנימית           -->  מנוע תשובות מספיק
    סקרנות                 -->  מודל שפה רגיל

שאלה 3: מי יקרא את הממצאים?
    מי שמבין מחקר          -->  אפשר להסיק ישירות
    איש תוכן               -->  לחלץ כאן, להעביר לשיפוט
    אף אחד מקצועי          -->  לא להסיק לבד בתחום רגיש

שאלה 4: כמה פעמים בשנה?
    שלוש ומטה              -->  חבילה חינמית מספיקה
    חודשית                 -->  החבילה הבסיסית
    סקירות שיטתיות         -->  חבילה מקצועית

מה שקורה כמעט לכולם בשאילתה הראשונה הוא לקחת את השורה העליונה בטבלה כתשובה. הכלי מסדר את התוצאות לפי רלוונטיות ולא לפי חוזק הראיה, ולכן המחקר הראשון עלול להיות בדיוק זה עם המדגם הקטן ביותר. השיטה הנכונה היא להוסיף עמודת גודל מדגם ועמודת שיטה, למיין לפיהן, ורק אז לקרוא. שתי דקות שמשנות את המסקנה לגמרי.

הטעות השנייה היא להשתמש בכלי כדי לאשש ולא כדי לבדוק. מי שמנסח שאלה בצורה שמניחה את התשובה יקבל מחקרים שתומכים בה, כי הם קיימים כמעט תמיד. הבדיקה שאני עושה בכל שאילתה חשובה היא לשאול גם את השאלה ההפוכה ולראות מה חוזר. אם שתי הגרסאות מחזירות תמיכה חזקה, סימן שהתשובה מורכבת יותר ממה שרציתי, וזו בדרך כלל האמת.

השורה התחתונה: האם אליסיט שווה?

ובכן, לסיכום: זה לא כלי לתשובות אלא כלי לראיות, וההבדל הזה קובע גם למי הוא מתאים וגם באיזו תדירות. מודל שפה ייתן לכם ניסוח טוב יותר בפחות זמן, מנוע תשובות ייתן לכם מקורות מהרשת, וכאן מקבלים משהו שאפשר לעמוד מאחוריו. ברוב הימים לא צריך את זה, ובימים שכן צריך אין תחליף.

הפרופילים שעבורם זה מתאים: עסקים בתחומי בריאות, תזונה, טיפול וחינוך שכל טענה שלהם חשופה לבדיקה, אנשי תוכן שכותבים חומר מקצועי שצריך להחזיק מים, יועצים שממליצים על שיטות עבודה, וכל מי שמפרסם מספרים בעמוד מכירה. ומנגד, זה לא מתאים למי שהשאלות שלו שוקיות ועסקיות, ולא למי שאין בצוות שלו אדם שיודע לקרוא מחקר ולהעריך אותו.

ארבעה צעדים למי שמתחיל. ראשית, לקחת שאלה אמיתית אחת שכבר כתבתם עליה ולבדוק אותה בחבילה החינמית. שנית, להוסיף בכל שאילתה עמודת גודל מדגם ועמודת שיטה, לפני שקוראים משהו. שלישית, לשאול גם את השאלה ההפוכה. רביעית, לבנות פנקס טענות פשוט לאתר שלכם ולעבור עליו פעם בשנה. אפשר לפנות אליי כאן אם אתם רוצים לעבור על הטענות שמופיעות באתר ולוודא שמה שכתוב בו מבוסס ושאפשר גם לצטט אותו.

וזו גם הסקירה האחרונה בסדרה בת שלושים הכלים שפרסמתי כאן במהלך החודש, ולכן שווה משפט על מה שחוזר בכולם. סקרנו כאן מנועי אוטומציה, מערכות תוכן, מאגרי לידים, מוקדי שירות, מחברות פגישות וכלי מחקר, והם נראים שונים לגמרי זה מזה. הדפוס שחזר בכל אחד מהם הוא אותו דפוס בדיוק: הכלי לוקח את החלק הזול של העבודה, זה שמצריך זמן ולא שיפוט, והחלק היקר נשאר במקום. המנוע מריץ את התהליך, ומישהו צריך להחליט מה קורה כשהוא נכשל. המערכת כותבת אלף פניות, ומישהו צריך להחליט למי מותר לשלוח. הסוכן עונה ללקוח, ומישהו צריך לכתוב את התשובות שהוא עונה מהן. הכלי הזה מביא עשרים מחקרים, ומישהו צריך לדעת מה שווה מהם. מי שמבין את החלוקה הזאת בוחר כלים נכון ומתאכזב מעט, ומי שמצפה שהכלי יעשה גם את החלק היקר מתאכזב מכולם בתורם. כל שלושים הסקירות, וגם השירותים שאני בונה סביבן, נמצאים כאן באתר.