STRIDE: מסגרת שיטתית לבחירת ארכיטקטורות AI (Agentic AI, עוזרי AI או קריאות ל‑LLM)

העבודה נותנת למנהלי מוצר, מנהלי פיתוח וארכיטקטים דרך מעשית לבחור איזה סוג פתרון AI כדאי להטמיע למשימה נתונה – צ'אט-בוט פשוט עם קריאות LLM, עוזר AI מובנה במערכת, או סוכן אוטונומי מורכב. במקום "לירות לכל הכיוונים" עם סוכנים חכמים יקרים ומסוכנים תפעולית, STRIDE עוזרת לפרק את המקרה העסקי למשימות, להעריך עבור כל משימה את הצורך באוטונומיה, זיכרון, רב-שלביות ושליטה, ולקבל החלטה מבוססת נתונים על הארכיטקטורה. התוצאה: פחות פרויקטי AI מנופחים וכושלים, יותר פתרונות מדויקים לצורך (just-enough AI), שליטה טובה יותר בסיכון תפעולי ומשפטי, וחיסכון ניכר בעלויות חישוב ותפעול. המסגרת מתאימה לארגונים שמפתחים כלים ל-SRE, ניהול תקלות, ציות, תפעול IT או כל מערכת שבה שוקלים "להכניס סוכן" – ומסייעת לקבוע האם ואיפה זה באמת נחוץ.

רקע ומוטיבציה

המאמר נכתב על רקע המעבר המהיר מעבודה עם מודלי שפה גדולים (LLMs) כ"מנוע השלמה" פשוט, למערכות מורכבות של סייעים וסוכני AI אוטונומיים. מחברים רבים מעריכים שסוכני AI הם השלב הבא באוטומציה, אך בפועל ארגונים נתקלים בעלויות גבוהות, מורכבות ארכיטקטונית, סיכוני ציות ואבטחה, וקושי בהבטחת יציבות ודיוק. המחברים טוענים שהשאלה המרכזית אינה "האם לבנות סוכן AI", אלא מתי באמת נדרשת סוכנות (agency) ומתי מספיקים פתרונות פשוטים יותר כמו קריאות LLM ישירות או עוזר מונחה-כללים.

בהקשר זה, הם שואלים:

• מתי Agentic AI הוא באמת הכרחי?
• כיצד ניתן למנוע "אובר-אוטומציה" שמעלה עלויות וסיכון?
• כיצד למדל את רמת האוטונומיה והמורכבות הנדרשות כתוצאה של ניתוח שיטתי של המשימה?

הצגת STRIDE

המחברים מציגים את STRIDE – Systematic Task Reasoning Intelligence Deployment Evaluator. זו מסגרת הנדסית לקבלת החלטות שמטרתה לבחור בין שלוש משפחות ארכיטקטורה:

1. קריאות LLM ישירות – קריאה יחידה או מעט קריאות מודל, ללא לוגיקת שליטה מורכבת.
2. עוזרי AI מונחי-כללים – Orchestrators שמפעילים LLM בתוך תהליך מוכתב (כללים, state machine, הוריסטיקות דטרמיניסטיות).
3. סוכני AI אוטונומיים – מערכות שבהן LLM מקבל שליטה נרחבת על פירוק משימות, בחירת כלים, הרצאת פעולות ולהמשך לולאות עם זיכרון.

STRIDE מנסה למנוע כניסה אוטומטית לקטגוריה השלישית, אלא אם ניתוח מפורט מצביע על כך שהסוכנות באמת הכרחית.

עקרונות תאורטיים: סוכנות ו"ציון התאמת סוכנות"

המסגרת מבוססת על הבחנה במספר מימדים עיקריים של משימות:

1. דינמיות והקשר מתפתח – האם ההקשר משתנה בזמן הריצה, כך שהמערכת צריכה להתאים את עצמה?
2. רב־שלביות ותכנון – האם נדרשת שרשרת צעדים לא טריוויאלית, כולל תכנון מחדש באמצע?
3. זיכרון ומתמשכות – האם המשימה דורשת זיכרון ארוך-טווח או מעקב אחרי מצבים לאורך זמן?
4. שליטה ומגבלות – עד כמה חשוב שהארגון יוכל להגביל באופן דטרמיניסטי מה המערכת עושה?
5. סיכון ותלות חיצונית – האם כשל במערכת גורר סיכון עסקי / רגולטורי / בטיחותי משמעותי?

לכל תת-משימה (לאחר פירוק המשימה הראשית) ניתנים ציונים על פני מימדים אלו. על בסיסם מחושב Agentic Suitability Score – ציון התאמת סוכנות, שממקם את התת-משימה על ספקטרום מן "LLM ישיר" ועד "סוכן מלא".

תהליך העבודה ב‑STRIDE

המחברים מציעים תהליך עבודה בן ארבעה שלבים:

1. Task Decomposition – פירוק המשימה

• התחלה מזיהוי המשימה העסקית (למשל: טיפול באזעקות SRE, חקירת אירוע אבטחה, בדיקת ציות).
• פירוק למשימות משנה פונקציונליות, לדוגמה:
  • איסוף נתונים
  • ניתוח לוגים
  • חיפוש ידע פנימי
  • יצירת הצעה לפעולה
  • ביצוע פעולה במערכת חיצונית
• לכל תת-משימה מתארים קלט, פלט, תלות בזמן, וכלים זמינים.

2. Structured Task Scoring – ניקוד מובנה

לכל תת-משימה נותנים ערכים (לדוגמה בסקאלה 1–5) למימדים:

• Complexity (פשטות לעומת מורכבות לוגית)
• Dynamic Context (סטטי לעומת משתנה)
• Memory Needs (אין צורך לעומת צורך בזיכרון מצטבר)
• Autonomy Need (עד כמה האדם במעגל בהחלטות)
• Risk Level (נמוך לעומת גבוה)

מהציונים נגזר:

• האם עדיף LLM יחיד
• עוזר מונחה-כללים, שבו השליטה העיקרית היא בקוד
• או סוכן אוטונומי שמנהל את הרצף.

3. Architecture Design – תכנון ארכיטקטורה

המסגרת מספקת תרשים זרימה שמסייע לתכנן:

• האם לבנות orchestrator דטרמיניסטי שמזמן LLM רק בנקודות מוגדרות (למשימות בעלות סיכון גבוה וצורך בשליטה).
• האם לאפשר לסוכן לבחור כלים, לבצע multi-step reasoning ולהפעיל לולאות (כאשר נדרש טיפול באירועים מורכבים ומתמשכים, עם עלות אנושית גבוהה).
• היכן להציב מחסומי בטיחות (guardrails), כגון:
  • אישור אנושי לפני קריאה ל-API מסוכן
  • מסנני תוכן
  • מגבלות על עומק ורוחב לולאות.

4. Validation & Iteration – אימות וחיזוק

• הרצת המשימה על פני מספר חודשים
• מדידת:
  • דיוק בבחירת הארכיטקטורה למשימה לעומת ground truth אנושי.
  • עלות חישוב וענן (GPU/CPU, אחסון).
  • כמות התערבויות אנושיות שנחסכו.
• התאמת משקלי המימדים בציון הסוכנות על בסיס הנתונים.

ניסויים ויישום על 30 תרחישים

המחברים מיישמים את STRIDE על 30 תרחישים ריאליים בתחומים:

• SRE (Site Reliability Engineering)
• ציות ורגולציה (Compliance)
• AIOps / Enterprise Automation

לכל אחד מהתרחישים נבחנו שלוש ארכיטקטורות אפשריות (LLM, עוזר, סוכן), והמלצת STRIDE הושוותה להחלטה של מומחים דומייניים.

ממצאים כמותיים מרכזיים

• דיוק בחירת מודל/ארכיטקטורה:

  • STRIDE השיגה 92% התאמה להחלטות מומחים בבחירת סוג הארכיטקטורה המתאים לכל תרחיש.

• הפחתת פריסות מיותרות של סוכנים:

  • ירידה של 45% בפריסות של Agentic AI במקומות שבהם די היה בעוזר או בקריאות LLM.
  • המשמעות: פחות מערכות מורכבות לניטור, ניהול ותחזוקה.

• חיסכון בעלויות:

  • חיסכון ממוצע של 37% במשאבי מחשוב ותשתית (קריאות מודל, זמן ריצה, אחסון זיכרון ארוך-טווח לסוכנים).

• ולידציה לאורך זמן:

  • שישה חודשים של נתונים מוכיחים שהארכיטקטורות שנבחרו באמצעות STRIDE שומרות על תועלת מעשית:
    • בסביבות SRE – פחות התראות שמציפות בני אדם, יותר טיפול אוטומטי בתקלות חוזרות.
    • בתחום הציות – שימוש מועדף בעוזרים עם חוקים ברורים במקום סוכנים חופשיים, לצמצום סיכון משפטי.

דוגמאות תחומיות (כפי שתוארו)

SRE – טיפול באזעקות

• תת-משימות:
  • ניתוח לוגים אוטומטי (ציון סוכנות בינוני → עוזר עם קריאות LLM מרובות)
  • קביעת חומרת האירוע (החלטה רגישת-סיכון → לוגיקה דטרמיניסטית + LLM תומך)
  • ביצוע תיקון אוטומטי (סיכון גבוה → אישור אנושי חובה, גם אם סוכן מציע פעולות)

ציות – בדיקת מסמכים

• תת-משימות עם צורך בזיכרון בין מסמכים (למשל, היסטוריית חוזים): כאן נשקל שימוש במרכיב סוכני בעל זיכרון מתמשך, אך עם gate אנושי לפני צעדים מחייבים.

AIOps – אוטומציית IT ארגונית

• משימות שגרתיות, חוזרות וסטנדרטיות (פתיחת טיקטים, איסוף סטטוסים) מקבלות ציון סוכנות נמוך – נבחרים עוזרים וכללי אוטומציה קיימים, ולא סוכנים מלאים.

דיון ותרומה

המחברים טוענים ש-STRIDE:

• ממסגרת אדריכלות AI לא כבחירה בינארית אלא כספקטרום מונחה-נתונים.
• מאפשרת "אימוץ מונחה צורך" (needs-driven adoption): סוכנות רק כשיש הצדקה.
• מספקת שפה משותפת בין מדעני נתונים, מהנדסים, משפטנים ומנהלי מוצר – דרך ציון ומדדים, במקום ויכוח אינטואיטיבי.

העבודה מדגישה שהעלות האמיתית של Agentic AI אינה רק חישובית, אלא כוללת:

• מורכבות קוד ותפעול
• קשיי observability וניטור
• הגדלת משטח התקיפה אבטחתי
• סיבוכי ציות (מי אחראי על החלטות אוטונומיות)

לכן, STRIDE מוצע ככלי ממשל (governance) טכני לקבלת החלטות שקולות.

מגבלות וכיווני המשך

המחברים מציינים מספר מגבלות:

• המסגרת נבחנה בעיקר בדומיינים טכניים (SRE, AIOps, ציות); נדרש אימות נוסף בתחומים כמו בריאות, פיננסים, חינוך.
• המשקלים בציון הסוכנות עדיין מבוססי-מומחים; בעתיד ניתן ללמוד אותם אוטומטית מנתוני ביצועים.
• נדרשים כלים טובים יותר לתמיכה אוטומטית ב-STRIDE (טפסים, מערכות ציון, אינטגרציה במערכות תכנון).

כיוונים עתידיים כוללים:

• חיבור STRIDE למדדי ROI עסקיים בזמן אמת
• למידת מדיניות אוטומטית לבחירת ארכיטקטורה
• הרחבת המסגרת לניהול סיכונים רגולטוריים וחברתיים מעבר למימדים הטכניים.