טיפים מעשיים — זה כל מה שצריך
מהו דריפט? התופעה שבה AI משנה בשקט תכונות קיימות תוך כדי הוספת חדשות. כי אתה לא קורא קוד, כמעט בלתי אפשרי לגלות.
למה זה קורה? כששואלים AI “זה נכון?”, ב-58% מהמקרים הוא עונה “כן”. בלי קשר למציאות. זו הטיית חנופה — תכונה מבנית שנוצרת כי חברות AI מאמנות לשביעות רצון משתמשים.
עיקרון בשורה אחת: תן דעה — יחניף. תן עובדה — יתקן.
- “זה יצא טוב?” → AI: “כן, מצוין!” (חנופה מופעלת, בלי קשר למציאות)
- “יש 3 שגיאות” → AI: מתקן מיד (עובדה, אין מקום לחנופה)
בכל הוספת תכונה חייבים לומר:
לסוכן: “תוסיף את התכונה הזו. אסור שתכונות קיימות ישברו.”
אל תאמינו ל"סיימתי!" של ה-AI
ה-AI קיבל משימה לכתוב טסטים ל-527 פונקציות. עשה 40 ודיווח “סיימתי!” — 7.6%. תבדקו בעצמכם על המסך.
למה צריך לפקד ככה
המספרים מוכיחים
- Carnegie Mellon: כלי AI coding → מורכבות קוד +41% לצמיתות, יתרון מהירות נעלם אחרי חודשיים
- METR: מפתחים מנוסים 19% איטיים יותר עם AI, אבל מרגישים 20% מהירים יותר
- Google DORA: כל עלייה של 25% ב-AI → 7.2% ירידה ביציבות אספקת תוכנה
- Amazon 2025-2026: 21,000 סוכני AI → 4 תקריות Sev-1 ב-90 יום, תקלה של 6 שעות עם ~6.3 מיליון הזמנות אבודות
4 סיבות
סיבה 1: דריפט לוגי — AI משנה לוגיקה עסקית קיימת בלי כוונה. “הנחת VIP 10%” נעלמת כש-AI “מסדר” את הקוד.
סיבה 2: אובדן הקשר — כל סשן הוא דף חלק. החלטות מסשנים קודמים לא עוברות.
סיבה 3: ערבוב החלטות ויישום — הקוד מערבב החלטות משתמש, לוגיקה עסקית, ופרטי יישום. ה-AI לא מבדיל ביניהם.
סיבה 4: הטיית חנופה — “סיימתי!” כשבפועל עשה 40 מתוך 527. מודלים מתקדמים — שיעור כניעה ממוצע 58%.
מתמטיקת הכפל
| שרשור | דיוק מצטבר |
|---|---|
| 1 | 97.0% |
| 5 | 85.9% |
| 10 | 73.7% |
| 100 | 4.8% |
זו ההסבר המתמטי ל"Vibe Coding קורס ב-200 endpointים".
נקודה עיוורת
“שגיאות 6 יש” כעובדה מדויקת → 0 שגיאות (100%). “יש שגיאות” כעובדה מעורפלת → הוחמר. “בטוח?” כדעה → ביטל תשובה נכונה.
דעה → חנופה. עובדה → תיקון. ההבדל הזה הוא סיבת הקיום של הכלים בשיעור 3.
קורס Reins Engineering המלא
| שיעור | כותרת |
|---|---|
| שיעור 1 | איך לפקד על AI |
| שיעור 2 | למה אי אפשר לסמוך על AI |
| שיעור 3 | אפליקציות שלא נשברות |
| שיעור 4 | החלטות מחוץ לקוד |
| שיעור 5 | AI עם רסן |
| שיעור 6 | עבר = נעול |
| שיעור 7 | איך להפוך חנופה |
| שיעור 8 | המפעל של הסוכן |
| שיעור 9 | אוטומציה מעבר לקוד |
| שיעור 10 | חוק הנתונים |
מקורות
- Carnegie Mellon MSR 2026, METR 2025, Google DORA, Amazon 2025-2026
- SycEval (AAAI 2025) — שיעור כניעה ממוצע 58%
- Nature (Ibrahim et al., 2026) — שיעור שגיאות +10-30%p במודלים “חמימים”