מחקר מתחרים: מדריך מעשי לניתוח ובדיקת מתחרים

---

מחקר מתחרים הוא תהליך בן חמישה שלבים: מיפוי הזירה, איסוף ממוקד ממקורות פומביים, בדיקה של כל טענה מול המקור הראשוני, המרה לתובנה מסחרית, והפצה לצוות שצריך אותה. זה הכל. כל השאר הוא ביצוע.

בפועל זה נראה ככה. מתחילים ברשימה של שלושה עד חמישה מתחרים ישירים, ומוסיפים אליהם את התחליפים ואת האפשרות שהלקוח פשוט לא יעשה כלום. אחר כך אוספים לכל אחד ארבעה סוגי חומר: דף התמחור, דף המוצר, הפוסטים האחרונים בלינקדאין, והמשרות הפתוחות. משם עוברים לניתוח: מה כל אחד מהם מבטיח, למי, ומול איזו חלופה הוא ממצב את עצמו. בסוף בודקים כל מספר מול המקור שממנו הוא הגיע, וכותבים ליד כל ממצא שורה אחת של "אז מה עושים עם זה". תיק ראשוני על שלושה מתחרים לוקח יומיים. הרענון השבועי אחריו לוקח כארבעים דקות.

אפשר לעשות את זה עם גיליון, דפדפן ושעתיים פנויות, ואפשר להאיץ את הרצף עם סוכן AI שמחובר לנתונים חיים. אני בניתי לעצמי כזה, והוא מחזיר תיק מלא על חברה אחת בפחות מ-50 סנט. את הבנייה שלו אני מפרט בהמשך, אבל הכלי הוא הזרז, לא התהליך.

ולמה זה משנה. מי שמוכר B2B יודע שעסקה נסגרת על פרטים. לדעת שהמתחרה העלה מחיר, שהליד מגייס מנהל שיווק חדש, או ששותף פוטנציאלי פתח קו מוצר, זה ההבדל בין פנייה גנרית לפנייה שפוגעת בול. מחקר מתחרים טוב הוא לא תחביב, הוא יתרון מכירה.

---

מחקר מתחרים: חמישה שלבים מהזירה ועד המייל

השיטה למטה מניחה שלושה מתחרים ישירים ומחזור עבודה של יומיים לתיק ראשוני. אחרי ההקמה, הרענון השבועי לוקח כארבעים דקות.

1. מיפוי זירה. מגדירים שלוש קטגוריות: מתחרים ישירים, תחליפים (כלי אחר שפותר את אותה בעיה), ואפשרות ה"לא לעשות כלום". רוב העסקאות ב-B2B נופלות דווקא לקטגוריה האחרונה, והיא כמעט אף פעם לא נכנסת לתיק. בונים טבלה עם עמודה לכל מתחרה.
2. איסוף ממוקד. לא מבקשים מהמודל "תנתח את המתחרה". מזינים לו מסמכים: דף תמחור מודפס ל-PDF, שלושה פוסטים אחרונים בלינקדאין, חמישים ביקורות אחרונות, ותיאורי משרות פתוחות. משרות הן מקור מעולה למפת דרכים. חברה שמגייסת שלושה מהנדסי אינטגרציות מתכוונת לפתוח שוק חדש.
3. אימות. כל מספר שהמודל מחזיר מקבל קישור למקור. אין קישור, המספר יורד. הכלל הזה נשמע קיצוני עד שרואים את הנתון של Klue: 76% מהצוותים כבר קיבלו פלט שלא יכלו לעמוד מאחוריו.
4. המרה לתובנה. "המתחרה השיק אינטגרציה ל-Salesforce" זו לא תובנה. "המתחרה סגר את פער האינטגרציה שהיה טיעון המכירה שלנו בעסקאות אנטרפרייז, וצריך להחליף אותו בטיעון זמן הטמעה" זו תובנה. כל ממצא נגמר במשפט שמתחיל ב"אז מה שצריך לעשות".
5. הפצה. תיק שיושב בדרייב לא קיים. הממצאים נכנסים לבטלקארד של עמוד אחד, לערוץ סלאק ייעודי, ולשדה ב-CRM שמסמן מול מי התחרינו. דוח Crayon לשנת 2026 מצא שצוותים שמשלבים AI בתוך עסקאות פתוחות כמעט פי שניים יותר סבירים לייצר השפעה על הכנסות.

נקודה שקל לפספס: השלב שגוזל הכי הרבה זמן הוא הראשון, לא האחרון. מיפוי גרוע מייצר תיק שמשווה אתכם למי שהלקוח בכלל לא שוקל, וכל העבודה שאחריו הולכת לפח.

ועוד משהו על שלב האיסוף, כי שם רוב הצוותים מוותרים. תיקייה אחת לכל מתחרה, וארבעה קבצים בתוכה: עמוד תמחור, עמוד מוצר, ייצוא של הביקורות האחרונות, וקובץ טקסט עם תיאורי המשרות. למה קובץ ולא לינק. מודל שמקבל לינק תלוי במה שהוא הצליח למשוך באותו רגע, ולפעמים הוא מושך גרסה חלקית של הדף. קובץ שהדפסתם ל-PDF הוא ראיה קפואה בזמן, עם תאריך. כשהמחיר משתנה בעוד חודשיים, יש לכם השוואה מדויקת במקום זיכרון.

ניתוח מתחרים: שלוש שכבות המידע שנכנסות לתיק

שלוש שכבות נכנסות לכל תיק תחרותי רציני, והבלבול ביניהן הוא הסיבה הנפוצה ביותר לתיק חסר תועלת. ניתוח מתחרים שמערבב עובדה מאומתת עם רושם כללי מאבד את הערך שלו בשיחת המכירה הראשונה.

• שכבת עובדות: תמחור, חבילות, מגבלות שימוש, אינטגרציות, תנאי חוזה. מקור: דף התמחור, התיעוד, ותנאי השירות של המתחרה. זו השכבה היחידה שמותר לצטט מילולית מול לקוח.
• שכבת מסרים: איך המתחרה מתאר את עצמו, לאיזה קהל, מול איזו בעיה. מקור: עמוד הבית, קמפיינים בלינקדאין, דפי נחיתה, וובינרים.
• שכבת ראיות שטח: מה לקוחות אמיתיים אומרים. מקור: ביקורות ב-G2 ובקפטרה, שרשורים ברדיט, משרות פתוחות, ותמלולי שיחות מכירה שהפסדתם.

שכבת הראיות היא זו שמכריעה עסקאות, וגם זו שרוב הצוותים מדלגים עליה, כי היא דורשת קריאה של מאות פריטים. כאן AI מחזיר את ההשקעה: הזנה של 80 ביקורות G2 למודל והוראה לחלץ תלונות חוזרות לפי תדירות מייצרת בעשר דקות מה שלקח יומיים. אותו דבר עם תמלולי שיחות. עשרה תמלולים מעסקאות שהפסדתם, והוראה לחלץ את ההתנגדויות החוזרות, מייצרים את הרשימה הכי שימושית בכל התיק, כי היא מגיעה מהלקוחות שלכם ולא מהאינטרנט.

שלושה דברים שהמודל לא יעשה בשבילכם

מודל שפה לא יודע מה המתחרה גובה בפועל אחרי הנחה. הוא לא יודע אילו עסקאות הפסדתם ולמה. והוא לא מכיר את הרוסטר של מנהלי המכירות שלכם ואת מה שהם מסוגלים להגיד בשיחה בלי להישמע מגוחכים. שלושת הפערים האלה נסגרים רק מבפנים, דרך CRM ותמלולי שיחות. כלל אצבע שעובד לי: AI מכסה בערך 70% מהתיק, ו-30% מגיעים ממקורות אנושיים.

יש עוד מגבלה טכנית שקל לשכוח. גם מודל עם גישה לרשת מחזיר מה שנמצא בקלות, לא מה שנכון. עמוד תמחור שהשתנה לפני שבועיים עדיין יופיע בגרסה הישנה במטמון של חלק ממנועי החיפוש. בדיקה ידנית של דף המקור לוקחת ארבעים שניות ומונעת מבוכה מול לקוח.

מה שונה בשוק הישראלי

מתחרה ישראלי טיפוסי מפרסם מעט מאוד. אין דף תמחור פומבי, יש טופס "דברו איתנו". הבלוג מתעדכן פעמיים בשנה. ביקורות ב-G2 יש בקושי, ולפעמים אפס. במצב כזה התיק חייב להישען על מקורות אחרים לגמרי.

• משרות פתוחות בלינקדאין ובדרושים. תיאור משרה מגלה סטאק טכנולוגי, שווקי יעד וגודל צוות. חברה שמגייסת Solutions Engineer דובר צרפתית פותחת אירופה.
• פרופילי העובדים. קצב הגיוס בשנה האחרונה, ואיפה מתרכז הצוות: מוצר, מכירות או שירות.
• הודעות גיוס הון ופרסומי רשם החברות. סבב גיוס מסמן לאן הולך התקציב בשנה הקרובה.
• קבוצות פייסבוק וקהילות מקצועיות בעברית. שם מדברים על מחירים אמיתיים, כולל הנחות.

נקודה שחוזרת אצל צוותים ישראליים: המודל נוטה לערבב בין חברה ישראלית לחברה זרה עם שם דומה, ולהמציא לה מוצרים. פתרון פשוט הוא לפתוח כל שיחת מחקר בהדבקת עמוד ה"אודות" ועמוד המוצר של המתחרה, ואז לאסור עליו במפורש להשתמש בידע מוקדם. זה מוריד את רוב ההמצאות עוד לפני שהתחלתם.

בדיקת מתחרים: פרוטוקול אימות שמונע הזיות

ברנדון בדפורד, Competitive Enablement Manager ב-Klue, מנסח את זה קצר: "שכבת האמון והאימות האחרונה תמיד תצטרך להיעשות על ידי בן אדם". הפרוטוקול למטה הוא התרגום התפעולי של המשפט הזה, והוא מה שהופך בדיקת מתחרים ממשימת קריאה למסמך שאפשר לסמוך עליו מול לקוח.

• מקור ראשוני בלבד לעובדות. מחיר מגיע מדף התמחור של המתחרה, לא מפוסט בבלוג של מישהו שסיכם אותו.
• חותמת תאריך על כל שורה. נתון בלי תאריך בדיקה נחשב פג תוקף אחרי 30 יום.
• הפרדה בין עובדה להשערה. שתי עמודות בגיליון, בלי אמצע. "כנראה מתכננים" יושב בעמודת ההשערה גם כשזה משכנע.
• אדם אחד חותם. מישהו ספציפי מאשר מה עובר לצוות המכירות. 79% מהצוותים בסקר Klue לא מוכנים שפלט AI יגיע ישירות לאנשי המכירות, וזו זהירות מוצדקת.

איך נראית בדיקה של טענה אחת

נניח שהמודל החזיר: "המתחרה מגביל את התוכנית הבסיסית ל-5 משתמשים ולוקח 15$ למשתמש נוסף". נראה מדויק. יש מספרים. ובכל זאת, ככה בודקים אותה.

1. פותחים את דף התמחור של המתחרה ומחפשים את המספר. אם הוא לא מופיע, ממשיכים לדף התיעוד או לשאלות הנפוצות.
2. אם המספר מופיע רק במקור משני, כמו סקירה באתר השוואות, הטענה יורדת לעמודת ההשערה.
3. מצלמים את המסך ושומרים עם תאריך. זו הראיה שתשרוד גם אחרי שהדף ישתנה.
4. מוסיפים שורה אחת של השלכה: מה איש המכירות אמור לעשות עם המידע הזה בשיחה הבאה.

הסבב הזה לוקח כשלוש דקות לטענה. בתיק טיפוסי יש 20 עד 30 טענות, כלומר בערך שעה וחצי של אימות. זה נשמע הרבה עד שמשווים את זה לעלות של איש מכירות שאומר מספר שגוי מול לקוח פוטנציאלי.

בדיקה מהירה שחוסכת נזק: קחו טענה אחת מהתיק ובקשו מהמודל את המקור שלה. אם הוא מחזיר קישור שלא נפתח, או מנסח מחדש את הטענה במקום להצביע על מקור, כל התיק דורש סבב אימות נוסף. הבעיה הזו נפוצה במיוחד בעברית, כי הכיסוי של אתרים ישראליים במאגרי האימון דליל, והמודל ממלא את הפער בניחוש. אותו היגיון תקף גם לתוכן שמופק בעברית, כמו שפירטתי במדריך כתיבת התוכן בעברית.

כלים למחקר מתחרים: מה כל אחד נותן וכמה הוא עולה

הסטאק המינימלי עולה 20$ לחודש. הסטאק המלא, כולל נתוני תנועה ומילות מפתח, מתקרב ל-200$. הטבלה מציגה מה כל כלי באמת נותן בתיק תחרותי, ומאיפה מגיעים הנתונים שלו.

כלי	התפקיד בתיק התחרותי	מקור הנתונים	מחיר חודשי
ChatGPT Plus	סינתזה של ביקורות, תמלולים ומסמכים שאתם מעלים	מה שמזינים לו, ועוד חיפוש ברשת	20$
Claude Pro	קריאת מסמכים ארוכים, דוחות שנתיים והשוואת גרסאות תמחור	מה שמזינים לו	20$
Perplexity Pro	איסוף ראשוני עם ציטוט מקור לכל טענה	חיפוש חי ברשת	20$
Semrush (חבילת SEO)	מילות מפתח שמביאות למתחרה תנועה אורגנית ומודעות שהוא מריץ	מאגר מילות מפתח ונתוני קליקסטרים	139$ (117.33$ בחיוב שנתי)
SparkToro	איפה קהל היעד של המתחרה נמצא: פודקאסטים, ניוזלטרים, חשבונות	נתוני קהלים	50$ (Personal) / 150$ (Business)
Similarweb	נפח תנועה ותמהיל ערוצים ברמת דומיין	קליקסטרים	לפי הצעת מחיר

נכון לאוגוסט 2026. מקורות: דפי התמחור הרשמיים של OpenAI, Anthropic, Perplexity, Semrush, SparkToro ו-Similarweb.

המלצה פשוטה לצוות ישראלי קטן: תתחילו במנוי אחד של 20$ ובגיליון. Semrush נכנס רק כשיש מישהו שמקצה שעתיים בשבוע לקרוא את הנתונים, אחרת זה 139$ שהופכים לדשבורד שאף אחד לא פותח. כלי מודיעין תחרותי ייעודי כמו Klue או Crayon מתחיל להשתלם בערך כשיש חמישה אנשי מכירות ומעלה ותחרות בכל עסקה שנייה.

הגרסאות החינמיות של ChatGPT, Claude ו-Perplexity מספיקות לרוב העבודה בשלב הראשון. מה שנחסם הוא נפח: מגבלת העלאת קבצים, אורך ההקשר, וכמות ההרצות ביום. צוות שמנתח שלושה מתחרים פעם ברבעון יסתדר. צוות שרץ כל שבוע יגיע לתקרה תוך יומיים. מה שלא קיים בחינם בכלל הוא נתוני צד שלישי: נפחי חיפוש, אומדני תנועה, ומודעות פעילות. חשבון פשוט לעסק ישראלי קטן: 20$ לחודש זה בערך 75 ש"ח, ו-139$ זה כבר קרוב ל-520 ש"ח לחודש. ההפרש מצדיק את עצמו רק כשהנתונים נכנסים להחלטה על תקציב מדיה או על תוכנית תוכן, כמו שמפורט במדריך ה-SEO עם AI.

למי שמחפש נתוני חברות ואנשים ברמה הישראלית, יש פירוט נפרד במדריך לפלטפורמות מודיעין מכירות B2B בישראל.

פרומפטים למחקר מתחרים בעברית

פרומפט טוב נראה כמו בריף לאנליסט: הקשר, חומר גלם, פורמט פלט, ואיסור מפורש על השלמות. חמשת אלה עובדים לי, ואפשר להעתיק אותם כמו שהם.

1. מיפוי הזירה

I'm a [תיאור קצר של מה שאתה עושה] serving [קהל יעד]. What are the top 5-7 companies that my ideal customers might also consider? Include both direct competitors and indirect alternatives. For each, give me their main value proposition in one sentence.

את זה אני מריץ ב-Perplexity, כי הוא מחפש בזמן אמת ונותן מקורות. בפעם הראשונה שהרצתי אותו גיליתי שני מתחרים עקיפים שהלקוחות שלי שוקלים כאלטרנטיבה ולא ידעתי שהם קיימים.

2. חילוץ תלונות מביקורות

מצורפות 60 ביקורות על [שם המתחרה] מ-G2. חלץ את חמש התלונות החוזרות ביותר, מיין לפי מספר האזכורים, וצטט משפט אחד מקורי לכל תלונה. אל תוסיף תלונות שלא מופיעות בטקסט. אם משהו מוזכר פחות משלוש פעמים, כתוב שאין מספיק בסיס.

3. פענוח מיצוב מדף הבית

להלן טקסט עמוד הבית של [מתחרה]. ענה בטבלה: לאיזה קהל הוא פונה, איזו בעיה הוא מבטיח לפתור, מול איזו חלופה הוא ממצב את עצמו, ואיזה טיעון הוא לא עושה בכלל. את העמודה האחרונה סמן כהשערה.

4. זיהוי פערים והזדמנויות

הנה ניתוחים של 4 מתחרים בשוק [תיאור שוק]. בהתבסס על כל המידע, ענה: מה הנרטיב שאף אחד מהם לא מספר? מה קהל היעד שאף אחד לא מכוון אליו ישירות? אילו יכולות לקוחות מבקשים לפי הביקורות ואף אחד לא מספק?

5. הפיכת ממצא לטיעון מכירה

הממצא: [תיאור]. נסח שלוש תגובות באורך שתי שורות שאיש מכירות יכול להגיד בשיחה, בלי להשמיץ את המתחרה, ושכל אחת מסתיימת בשאלה ללקוח. עברית מדוברת, בלי סופרלטיבים.

שימו לב לתבנית: כל פרומפט מגדיר מה אסור, לא רק מה רצוי. הנחיה של "אל תשלים מידע חסר, כתוב לא ידוע" מורידה את שיעור ההמצאות דרמטית.

---

עד כאן השיטה. עכשיו החלק שמאיץ אותה. ראיתם את זה קורה: מישהו פותח את ChatGPT, כותב "תעשה לי מחקר מתחרים על חברה X", ומקבל בחזרה שלוש פסקאות כלליות שאפשר היה לנחש גם בלי AI. זה לא מחקר. זה ניחוש מנומס.

מחקר מתחרים אמיתי נראה אחרת. אתה רוצה לדעת מי עובד שם, מה הם פרסמו השבוע, על מה המנכ"ל הגיב בלינקדאין, אילו תפקידים הם מגייסים, ומי מזכיר אותם ברשת. הכל. בצורה חוקית, בלי לחבר או לסכן את הפרופיל שלך, ובפחות מ-50 סנט לחברה.

בהמשך אני מראה בדיוק איך בניתי לעצמי סוכן AI שעושה את זה מקצה לקצה. אותו דבר אתם תוכלו להרכיב תוך חצי שעה, גם בלי לדעת לכתוב שורת קוד אחת.

למה "תעשה מחקר מתחרים" לצ'אט זה בזבוז זמן

הבעיה היא לא ה-AI. הבעיה היא הקלט. כשאתה מבקש מ-ChatGPT מחקר מתחרים בלי לתת לו גישה לנתונים, הוא עונה ממה שהוא זוכר מהאימון. זה מידע ישן, חלקי, ולפעמים פשוט המצאה.

מחקר מתחרים שמביא ערך עובד הפוך. קודם מחברים את הסוכן לנתונים חיים: לינקדאין, אתר החברה, ותוצאות גוגל. רק אז מבקשים ניתוח. תכלס, ההבדל הוא בין דעה לבין דוסייה.

וזה בדיוק מה שנבנה פה. סוכן AI אחד שמושך נתונים אמיתיים משלושה מקורות, מנתח אותם, ומגיש לך PDF מסודר בסוף.

חשבו על זה ככה. ChatGPT לבדו הוא כמו עובד חכם שאף פעם לא יצא מהמשרד. הוא יודע הרבה, אבל לא ראה את החברה שאתם שואלים עליה. ברגע שנותנים לו עיניים, כלומר גישה ללינקדאין, לאתר ולגוגל, הוא הופך מיועץ כללי לחוקר שיושב מול הנתונים. זה כל הסיפור.

נסיתי את שתי הגישות אחת מול השנייה על אותה חברה. הפרומפט הסתמי החזיר פסקה כללית על "חברה מובילה בתחומה". הסוכן המחובר לנתונים החזיר 14 עובדים חדשים ברבעון, שלושה צירי תוכן, ושני תפקידי מכירות פתוחים בתל אביב. אותה שאלה, עולם אחר.

ההבדל הוא לא חוכמה. זה גישה לנתונים. וברגע שמבינים את זה, מחקר מתחרים מפסיק להיות משימה ידנית ומתחיל להיות כפתור.

מה אפשר לדעת על מתחרה (בצורה חוקית)

לפני הכלים, שווה להבין מה בעצם אפשר לחלץ. הרשימה הזו היא מה שהסוכן שלי מחזיר בבקשה אחת:

📌 כל תוכן האתר של המתחרה: ההצעות, דפי הנחיתה, הבלוגים, גם הישנים שכבר לא מקושרים מהתפריט.

📌 מי עובד בחברה, כמה הם, ואיך זה השתנה. עלייה של 30 אחוז בגיוס ב-6 חודשים מספרת לך סיפור שלם על הכיוון שלהם.

📌 מה הם פרסמו לאחרונה, על מה הגיבו, ומה אהבו. ככה אתה רואה על מה הם מהמרים עכשיו, לא לפני שנה.

📌 איזכורים ברשת: כתבות יח"צ, קישורים מפנים, וה"סנטימנט" סביב המותג.

📌 מי הדרג הבכיר, מה מקבלי ההחלטות כותבים בלינקדאין, ועל מה הם מגיבים. זהב טהור למי שעושה מכירות B2B.

📌 והכל נארז ל-PDF קצר או ארוך, לבחירתכם. דוסייה אחד מסודר במקום עשרים טאבים פתוחים.

שימו לב לנקודה של הגיוס, כי היא חזקה במיוחד. חברה שפתחה שלושה תפקידי מכירות וצמחה ב-25 אחוז בחצי שנה לא רק "מצליחה". היא נכנסת לפריצה לשוק חדש, וזה בדיוק הרגע לדבר איתה או להתכונן אליה. הנתון הזה לבדו שווה את כל המחקר.

אותו תהליך עובד גם על לקוחות פוטנציאליים ועל שותפים, לא רק על מתחרים. מחקר מתחרים הוא רק השם. בפועל זו מכונת אינטליגנציה על כל חברה שתבחרו.

ולמה כל זה חוקי. כי אנחנו לא נכנסים לשום מקום סגור. כל הנתונים האלה גלויים: החברה פרסמה אותם בעצמה בלינקדאין, באתר ובכתבות. אנחנו פשוט אוספים אותם במקום אחד במקום לחפש ידנית בעשרים טאבים. זה ההבדל בין מחקר חכם לבין ריגול.

המצרכים: שני כלים ומפתח API אחד

כל מה שצריך זה שני חשבונות חינמיים ומפתח אחד. בלי כרטיס אשראי בהתחלה.

1. Zooq.dev לנתוני לינקדאין

Zooq.dev נותן גישה לנתוני לינקדאין דרך API, בלי לחבר את הפרופיל שלך ובלי לסכן אותו בחסימה. פותחים חשבון, מעתיקים את מפתח ה-API, נכנסים ללשונית ה-skills ומורידים את סקיל הפרימיום של מחקר חברה. זה הבסיס שעליו הסוכן יושב.

2. Firecrawl.dev לסריקת האתר

Firecrawl.dev סורק אתרים והופך אותם לטקסט נקי שה-AI יודע לקרוא. המנוי החינמי נותן בערך 1000 דפים, ממש מספיק להתחלה. יוצרים מפתח API ושומרים אותו בצד.

טיפ: תבקשו מהסוכן לסרוק קודם את מפת האתר של המתחרה, ורק אז את הדפים החשובים - דף הבית, התמחור, וההצעות. ככה הוא לא שורף 1000 דפים על בלוג ישן, ומשאיר מקום לחברות הבאות שתרצו לחקור באותו חודש.

למה Zooq ולא לגרד לינקדאין לבד? כי גירוד מהדפדפן שלכם הוא הדרך הכי מהירה לחסימת הפרופיל. Zooq עושה את זה דרך API נקי, בלי לגעת בחשבון שלכם. שילמתם כמה סנט, קיבלתם נתונים, המשכתם הלאה. בלי סיכון.

3. איזכורים בגוגל (ההנחיה הסודית)

את החלק של הכתבות והאיזכורים משיגים עם הנחיה אחת קטנה. תכתבו לסוכן: "הוסף למחקר גם חיפוש גוגל של שם החברה, ובנוסף חיפוש בפורמט הזה - כתובת האתר בתוך שני גרשיים - כדי לחלץ איזכורים של המותג ולינקים חוזרים ברשת". פשוט, ועובד מצוין.

הטריק עם הגרשיים סביב כתובת האתר הוא קטן אבל מדויק. הוא מחזיר בעיקר דפים שמקשרים למתחרה או מזכירים אותו בשמו המלא, במקום אלף תוצאות לא קשורות. ככה מקבלים תמונת PR ולינקים אמיתית, לא רעש.

איך בונים את הסוכן מחקר מתחרים, צעד אחר צעד

עכשיו מרכיבים. אני עובד עם Claude Code, אבל אותו דבר עובד ב-Codex, ב-Cursor או בכל סוכן שמריץ כלים. הנה הרצף המדויק. מי שעוד לא התקין את הסביבה, כתבתי מדריך נפרד על איך בונים סוכן בקלוד קוד בטרמינל, מההתקנה ועד ההרצה הראשונה. ולמי שמעדיף להישאר בדפדפן, אותו רעיון עובד גם בבניית סוכן AI דרך ממשק ויזואלי.

שלב 1: פותחים סשן

פותחים שיחה חדשה עם הסוכן. נקייה, בלי הקשר קודם שיבלבל אותו.

שלב 2: נותנים לו את המפתחות

מדביקים בצ'אט את כתובות שני האתרים ואת מפתחות ה-API. למתקדמים: שומרים אותם בקובץ env בתיקיית הפרויקט, ככה הם לא יושבים בתוך השיחה. אף פעם אל תשאירו מפתח API בתוך תוכן שמתפרסם.

עוד דבר קטן ששווה לעשות פה: תגידו לסוכן ללמוד את ה-API מהתיעוד באתרים של Zooq ו-Firecrawl לפני שהוא מתחיל. ככה הוא ידע אילו נקודות קצה קיימות ומה כל אחת מחזירה, במקום לנחש. דקה אחת של "קרא קודם את התיעוד" חוסכת המון תיקונים אחר כך.

שלב 3: ההנחיה שבונה את הסקיל

זו ההנחיה שעושה את העבודה. כתבו משהו בסגנון: "אני רוצה שתבנה סקיל מחקר מתחרים שמשלב מחקר לינקדאין מעמיק, סריקת אתר החברה, ואיזכורים בגוגל (כאן מוסיפים את ההנחיה משלב 3 במצרכים). בסיום כל מחקר תייצר לי PDF באורך עד 3 עמודים. השתמש כבסיס בסקיל שצירפתי (מצרפים את קובץ ה-md של מחקר החברה מ-Zooq), וביכולות ה-API של שני האתרים שנתתי לך - למד את מבנה ה-API מהתיעוד באתרים שלהם. עדכן אותי כשסיימת לבנות, ואז נריץ טסט".

שלב 4: טסט, תיקון, חזרה

כשהוא מסיים, תנו לו שם של חברה וכתובת אתר. קראו את הפלט. לא מרוצים מחלק מסוים? תגידו לו בדיוק מה לתקן ותריצו שוב. דווקא שתי איטרציות פה שוות יותר משעה של כיוונון מראש. אחרי שניים-שלושה סבבים יש לכם סקיל מחקר מתחרים שעובד בדיוק כמו שאתם רוצים.

טיפ קטן ששווה זהב: בטסט הראשון תבחרו חברה שאתם כבר מכירים טוב. ככה תזהו מיד אם הסוכן ממציא או מדייק. אם הוא כותב משהו שאתם יודעים שלא נכון, זה הזמן לתקן את ההנחיה, לא אחרי שחקרתם 10 חברות.

הטעות שעשיתי בפעם הראשונה

בפעם הראשונה שבניתי את זה, ביקשתי מהסוכן למשוך את כל העובדים של חברה עם 800 איש. שרפתי חצי מהקרדיטים בקריאה אחת. באסה.

מאז אני עובד אחרת. קודם שואלים את הסוכן כמה קריאות זה ייקח, ורק אז מאשרים. לחברה גדולה אני מבקש רק את הדרג הבכיר, לא את כולם. מחקר מתחרים טוב הוא ממוקד, לא מטאטא הכל.

הלקח השני: סוכן AI טוב הוא כזה שעוצר ושואל לפני שהוא מבזבז. כשבניתם את הסקיל, כתבו לו במפורש "לפני קריאות שצורכות הרבה קרדיטים, תעצור ותבקש אישור". זה הציל לי לא מעט כסף.

והלקח השלישי, אולי הכי חשוב: תתחילו בקטן. חברה אחת, מחקר אחד, קריאה אחת של הפלט. אל תקפצו ישר ל-50 חברות לפני שאתם בטוחים שהסוכן מחזיר בדיוק את מה שאתם צריכים. ברגע שזה עובד על אחת, זה עובד על כולן.

מה הסוכן עושה מאחורי הקלעים

שווה להבין מה קורה ברגע שאתם מריצים מחקר, כי ככה תדעו לכוון אותו טוב יותר. הסקיל מבוסס על שרשרת של שישה שלבים מול ה-API של Zooq.

קודם הוא מזהה את מזהה החברה המספרי מתוך שם או כתובת לינקדאין. אחר כך מושך את הפרופיל: מה הם עושים ולמי. משם הוא לוקח נתוני גיוס, כולל אחוזי הצמיחה ב-6, 12 ו-24 חודשים. זה מספר לכם אם החברה רצה קדימה או תקועה.

הצעד הבא הוא הפוסטים. הסוכן אוסף את הפוסטים האחרונים, מקבץ אותם ל-3 עד 6 צירי תוכן, ובונה מהם ניתוח SWOT. כל נקודת חוזק או חולשה מסומנת אם היא מגובה בפוסט ספציפי או שזו הסקה. בלי לדמיין דברים.

החלק הזה הוא דווקא הכי שווה למשווקים. כשאתה רואה שמתחרה פרסם השבוע שלושה פוסטים על פיצ'ר חדש, אתה יודע על מה הוא מהמר. כשאתה רואה שהוא שותק על נושא שכל השוק מדבר עליו, מצאת פער. זו אינטליגנציה שאי אפשר לקנות בדוח גנרי.

ואז הדרג הבכיר. הסוכן מסנן את אנשי ה-C-level של החברה, מחזיר שם, תפקיד ומיקום, ומפנה לפרופיל. בסוף הוא מושך את המשרות הפתוחות, כי גיוס לתפקיד מסוים הוא אות מוקדם להרחבה. המדריך המלא לסוכני AI עסקיים מסביר לעומק איך הלוגיקה הזו עובדת.

ולמה שני פורמטים בסוף. ה-PDF הוא בשבילכם, לקרוא על קפה ולהחליט. ה-JSON הוא בשביל המכונה: אם בא לכם שהסוכן ימשיך לבד ויכתוב מייל, או יכניס את הנתונים ל-CRM, הוא קורא את ה-JSON וממשיך. ככה מחקר מתחרים מתחבר לאוטומציה שלמה ולא נשאר קובץ בודד בתיקייה.

למתקדמים: batch של 10 חברות והצעד הבא

ברגע שהסקיל עובד על חברה אחת, אתם בעצם מחזיקים מכונה. הנה איך מעלים הילוך.

תנו לסוכן רשימה של 10 חברות שהייתם רוצים לחקור, ובקשו ממנו לעבור אחת-אחת, לייצר PDF לכל אחת, ולשמור הכל בתיקייה ייעודית במחשב. שתו קפה. כשתחזרו, עשרה דוסיירים יחכו לכם מסודרים.

למתקדמים פלוס: בקשו ממנו את הצעד הבא. אם מדובר בלידים, שהוא ינסח מייל פתיחה אישי לכל אחד מהם. אם מדובר במתחרים, שהוא ינסח מייל שמציג הזדמנות עסקית מול הפערים שמצאתם בהצעות שלהם. ככה מחקר מתחרים הופך מדוח לפעולה. אם בא לכם להעמיק בכתיבת ההנחיות עצמן, יש לי מדריך נפרד על הנדסת פרומפטים.

תכלס, ככה זה נראה אצלי בשבוע טיפוסי. ביום ראשון אני זורק לסוכן רשימה של 8 חברות שצצו בשיחות מכירה. הוא רץ עליהן ברקע ומכין דוסייה לכל אחת. ביום שני אני קורא את שמונת ה-PDF-ים על קפה, מסמן שלוש שמעניינות, ומבקש ממנו לנסח להן מייל פתיחה. בלי הסוכן זה היה לוקח לי יומיים. עם הסוכן זה חצי שעה של קריאה.

והכי יפה, כל דוסייה נשמר. אחרי חודש יש לכם ארכיון של עשרות חברות בתיקייה אחת. כשליד חוזר אחרי שלושה חודשים, המחקר כבר מחכה. דווקא ההצטברות הזו היא מה שהופך את זה ממשימה חד פעמית לנכס.

שלוש טעויות שכדאי לא לעשות

טעות ראשונה: לסמוך על הפלט בלי לקרוא. הסוכן מדייק ברוב המקרים, אבל הוא לא מושלם. תמיד תעיפו עין על המספרים החשובים לפני שאתם פועלים לפיהם, במיוחד בפנייה ללקוח.

טעות שנייה: לבקש הכל על כולם. מחקר מתחרים ממוקד על חמש חברות שווה יותר מערימת נתונים על חמישים. תבחרו את מי שבאמת שווה לכם לרבעון הקרוב, ותעמיקו שם. AI צריך עומק, לא רוחב.

טעות מספר שלוש: לבנות את הסקיל ולשכוח ממנו. השוק זז, ה-API מתעדכן, והצרכים שלכם משתנים. דווקא ריענון קצר אחת לכמה שבועות שומר על הסוכן AI שלכם חד ומדויק.

ויש טעות רביעית שאני רואה אצל כמעט כל מי שמתחיל: לשכוח את המשתמש הסופי. אפשר לצלול עמוק מאוד לשפה, למיצוב ולמילות מפתח, ולפספס את השאלה מה הלקוח באמת חושב. אני משלב כל תיק תחרותי עם שלוש עד חמש שיחות עם לקוחות אמיתיים. המידע הכי חשוב מגיע מהשוק עצמו, לא מהאתר של המתחרה.

כמה זה עולה ומה ההגבלות

התמחור עובד על קרדיטים ב-Zooq, וכל קריאה צורכת קצת. בפועל, מחקר מלא על חברה אחת יוצא פחות מ-50 סנט. את היתרה והעלות לכל קריאה רואים בלוח הבקרה של Zooq.

כמה דברים שכדאי לדעת. אם תקבלו שגיאת 402, נגמרו הקרדיטים וצריך לטעון. שגיאת 429 אומרת שאתם רצים מהר מדי, מחכים חצי דקה וממשיכים. ואם החברה ענקית, בקשו מהסוכן להעריך כמה קריאות זה ייקח לפני שהוא שורף לכם קרדיטים על אלפי עובדים.

שווה גם לשים תקרה. כשבניתם את הסקיל, תגידו לו "אל תעבור 30 קריאות API לחברה אחת בלי לשאול אותי". ככה גם אם תבקשו מחקר על חברת ענק, הוא יעצור ויראה לכם את העלות המשוערת לפני שהוא רץ. שליטה קטנה שמונעת הפתעות בחשבון.

ובאמת, רוב הזמן זה זול עד כדי גיחוך. חברה ממוצעת של 50 עד 200 עובדים יוצאת כמה סנטים בודדים, כי רוב המידע מגיע בקריאות מעטות. רק כשרוצים את כל אלפי העובדים של ארגון ענק זה מתחיל להצטבר, ואת זה ממילא כמעט אף פעם לא צריך למחקר מתחרים.

דוגמה מהשטח: מחקר מתחרים לחברת SaaS ישראלית

לפני כמה חודשים עשיתי מחקר מתחרים לחברת SaaS ישראלית שמוכרת כלי אוטומציה לצוותי מכירות. הם רצו להבין למה הם מפסידים עסקאות לשלושה מתחרים אמריקאים. כל הניתוח הידני שניסו לעשות עד אז לא נתן להם תשובות ברורות.

מה אספנו

תוכן מאתרי שלושת המתחרים, הביקורות שלהם ב-G2, והפוסטים של המנכ"לים שלהם בלינקדאין משלושת החודשים האחרונים. הכל נכנס לשיחה אחת עם פרומפט לניתוח השוואתי לפי המבנה שלמעלה. תוך שעה וחצי היה לנו דוח של 12 עמודים.

מה שמצאנו

כל שלושת המתחרים מדברים על חיסכון בזמן ועל אוטומציה. אף אחד מהם לא מדבר על מה קורה אחרי האוטומציה: מה עושים עם הנתונים שנאספים, ואיך מקבלים מהם החלטות. זה היה הפער. שינינו את המסרים של הלקוח כך שיתמקדו בניהול pipeline חכם במקום רק באוטומציה, ותוך חודש ראינו שיפור ניכר בשיחות המכירה.

זה הכוח האמיתי של תיק תחרותי טוב: לא לחפש מה המתחרים עושים, אלא מה הם לא עושים. ואת הפער הזה אפשר להפוך מיד לתוכן ולמסרים, כמו שאני מפרט במדריך אסטרטגיית התוכן ל-B2B.

מקצב עדכון: איך התיק נשאר רלוונטי

תיק תחרותי מתיישן מהר. חברת SaaS ממוצעת משנה תמחור או אריזה פעם בשניים עד שלושה רבעונים, ומעדכנת מסרים בעמוד הבית הרבה יותר מזה. המקצב שעובד לי נראה כך.

1. שבועי, 40 דקות: סריקת שינויים בעמודי תמחור, פוסטים חדשים בלינקדאין, וביקורות חדשות. המודל מחזיר רק את הדלתא, לא את כל התמונה מחדש.
2. חודשי, שעתיים: עדכון הבטלקארד וקריאה של שלושה תמלולי עסקאות שהפסדתם.
3. רבעוני, יום: מיפוי מחדש של הזירה. מתחרה חדש נכנס, ותיק יורד.

שלושה טריקים שמקצרים את הסריקה

הראשון הוא פרומפט דלתא חודשי ב-Perplexity: "מה השתנה אצל [שם מתחרה] ב-30 הימים האחרונים? מוצרים חדשים, שינויי מחיר, פוסטים ויראליים, גיוסים?". חמש דקות למתחרה, ויש עדכון מרוכז.

השני הוא השוואת גרסאות של עמוד הבית. אני שומר סנאפשוט של עמוד הבית של כל מתחרה, ואחרי כמה חודשים מזין למודל את שתי הגרסאות ושואל מה הוסיפו, מה הורידו, ומה זה אומר על האסטרטגיה. זה אחד הדברים שמגלים שינוי מיצוב לפני שהמתחרה מכריז עליו.

השלישי הוא Google Alerts על שמות המתחרים. כשמגיעה התראה על כתבה או הודעה לעיתונות, אני מעביר את הטקסט למודל ושואל מה המסר המרכזי שהמתחרה רצה שיצא מהכתבה. שלוש דקות, ותובנה שקריאה רגילה לא הייתה נותנת.

שלוש מדידות שמראות אם זה עובד

אחוז זכייה מול כל מתחרה בנפרד, לא ממוצע כללי. אחוז העסקאות שבהן איש המכירות פתח את הבטלקארד. וזמן התגובה מרגע שמתחרה משנה תמחור ועד שהצוות יודע. שלושת המספרים האלה מספרים את כל הסיפור. שאר המדדים הם קישוט.

הערה על הפצה: תיק שנשלח כמסמך בן 14 עמודים לא נקרא. שולחים שלוש שורות בסלאק עם קישור לפירוט. דוח Crayon מצביע על מסירה שבועית לצוות המכירות כאחד ההרגלים שמבדילים תוכניות שמזיזות הכנסות מתוכניות שרק מייצרות עבודה יפה.

רוצים להבין איך כל זה מתחבר לתמונה הרחבה של נראות ב-AI, קראו את המדריך שלי על אופטימיזציה למנועי AI. אותו ראש: לתת ל-AI נתונים אמיתיים ולא ניחושים.

אז זהו תכלס. מחקר מתחרים הפסיק להיות פרויקט של יומיים והפך לרצף שאפשר להריץ. חמישה שלבים, טבלת כלים, פרומפט אחד לכל שלב, וסוכן שמרכיב הכל ל-PDF. תתחילו מחברה אחת שאתם מכירים, ותראו לבד כמה זה משנה.

---