AI LOOPS: הגל הבא שישנה את אופן עבודת הסוכנים האוטונומיים
בוריס צ'רני, יוצר Claude Code, הצהיר בכנס @Scale של Meta כי לולאות AI הן צעד בעל משמעות דומה למעבר מכתיבת קוד ידנית לסוכנים אוטונומיים. הרעיון: ממשים רצף אינסופי של סוכנים הפועלים ברקע ללא הפסקה, ומשפרים קוד ומבנים ארגוניים באופן רציף. לצד הפוטנציאל, העלויות בטוקנים עלולות להיות גבוהות משמעותית מכל שיטה קודמת.
לולאה אינסופית: הפרדיגמה הבאה בעולם ה-AI האוטונומי
בשישי האחרון עמד בוריס צ'רני, יוצר Claude Code של Anthropic, על במת כנס @Scale של Meta בסן פרנסיסקו. השאלה הראשונה שעלתה מהקהל לא הייתה על כלים, לא על מודלים ולא על ביצועי benchmark - אלא על לולאות.
רוצה להישאר מעודכן ב-AI?
הירשם לדיוור השבועי שלנו וקבל עדכונים, המלצות על כלים, חדשות ודוחות מיוחדים
"האם לולאות הן מחזור הגזמה הבא," שאל המשתתף, "או שמדובר בדבר אמיתי?"
התשובה של צ'רני הייתה חד-משמעית: "כן, הן אמיתיות."
מה זו בעצם לולאת AI?
לולאות AI (AI Loops) הן הרחבה של מושג ה-Agentic AI המוכר: במקום שסוכן יבצע משימה ויסיים, הסוכן ממשיך לפעול ברקע ללא הגבלת זמן, תוך כדי שהוא מפעיל סוכנים נוספים ומוסר להם משימות. כפי שדיווח רוסל ברנדום ב-TechCrunch, צ'רני עצמו מפעיל מספר לולאות כאלה בעבודתו השוטפת: סוכן אחד מחפש כל העת דרכים לשפר את ארכיטקטורת הקוד, בעוד סוכן נוסף מאתר כפילויות שניתן לאחד. הם מגישים pull requests כמו כל מפתח אחר - ומעולם אינם מפסיקים לרוץ.
צ'רני תיאר את ההתפתחות כך: "לפני שנתיים כתבנו קוד מקור ביד. עברנו לשלב שבו סוכנים כותבים את הקוד. ועכשיו אנחנו עוברים לשלב שבו סוכנים מנחים סוכנים אחרים שכותבים את הקוד. הצעד מקוד מקור לסוכנים היה משמעותי - לולאות הן באותה רמת חשיבות."
לא המצאה חדשה לגמרי
מבחינה טכנית, הרעיון מבוסס על עיקרון מחשובי ותיק: לולאות רקורסיביות שפונות לעצמן כדי לחזור על פעולה. ההבדל הוא שכאן אין תנאי עצירה קשיח - סוכן ה-AI עצמו הוא זה שמחליט מתי לסיים, מה שהופך את הלוגיקה ללא-דטרמיניסטית.
אחד הכלים הפופולריים הוא ה-Ralph Loop, הכולל סיכום רציף של כל מה שהמודל ביצע ובדיקה חוזרת האם המשימה הושלמה - שיטה יעילה למניעת אובדן כיוון בריצות ממושכות.
חוקר OpenAI נועם בראון ציין לאחרונה כי מודלים עכשוויים יכולים לפתור כמעט כל בעיה אם מזרימים אליהם מספיק compute. לולאות הן בעצם הפעלה מעשית של עיקרון זה: לזרוק כוח חישוב על בעיה עד שהיא נפתרת, במיוחד במקרים של בעיות "hill-climbing" כמו שיפור קוד בסיס.
הבעיה: העלויות עלולות לפוצץ תקציבים
לולאות AI שורפות טוקנים בקצב מהיר בהרבה מצ'טבוטים רגילים - ומכיוון שהמטרה היא להרצות אותן ללא הגבלה, אין תקרה להוצאה. עבור Anthropic, המוכרת בסופו של דבר טוקנים, מדובר בחדשות מצוינות. עבור ארגונים שמאמצים את הטכנולוגיה, המשמעות היא צורך ממשי בכלים לניהול הוצאה, מעקב אחר drift ופיקוח על פעולות הסוכנים.
המשמעות עבור חברות ישראליות בתחומי פיתוח תוכנה, DevOps ו-AI היא ברורה: הכלים שיהפכו את לולאות ה-AI לניתנות לניהול ולמדידה הם אלה שיקבעו מי ירוויח מהפרדיגמה הזו ומי יישאר עם חשבון טוקנים שלא ניתן להצדיק. חברות ישראליות בתחום ה-observability וניהול עלויות AI - תחום שבו פועלות לא מעט סטארטאפים מקומיים - עשויות למצוא כאן הזדמנות עסקית של ממש.
הפוטנציאל של לולאות AI לשנות את אופן ניהול פרויקטים טכנולוגיים הוא עצום - אך הדרך לניצולו הבשל עוברת דרך פתרון שאלות של שליטה, עלות ואמון במודלים.