בשורה התחתונה
- כתיבת תוכן AI בעברית נשמעת מלאכותית בגלל שלושה גורמים בלבד: תרגומית מאנגלית, אוצר מילים גבוה מדי ומשפטים באורך אחיד. תיקון של שלושתם מוריד את רוב הסימנים.
- מחקר של אוניברסיטת סטנפורד שפורסם בכתב העת Patterns ב-2023 מצא שיותר מ-61% מהחיבורים של דוברי אנגלית כשפה שנייה סווגו בטעות כתוצרת מכונה. בעברית האמינות של הגלאים נמוכה עוד יותר.
- Ahrefs ניתחה 600,000 עמודים ומצאה מתאם של 0.011 בין תוכן שנוצר ב-AI לבין דירוג נמוך בגוגל. גוגל לא מענישה על מכונה, היא מענישה על תוכן דל.
- 74.2% מ-900,000 העמודים החדשים שנבדקו באפריל 2025 הכילו תוכן שנוצר ב-AI. רק 2.5% מהם היו פלט מכונה טהור בלי נגיעה אנושית.
- Dicta-LM 3.0 בגודל 24B הגיע לדיוק ניקוד של 86.86% מול 60.21% של Gemini-3-27B. הפער הזה מסביר למה מודל כללי מייצר עברית שטוחה.
כתיבת תוכן AI בעברית נשמעת אנושית רק כשמתערבים בשלושה מקומות: הפרומפט, אוצר המילים והקצב. פרומפט בסגנון "כתוב מאמר על שיווק B2B" מייצר תרגומית. זאת עברית שנבנתה על תבניות אנגליות והולבשה באותיות עבריות. הפתרון מתחיל בפרומפט שמגדיר קהל, רגיסטר, אורך משפט ממוצע ורשימת מילים אסורות. אחריו מגיעה עריכה שמורידה את אוצר המילים הגבוה שהמודל אוהב, שוברת משפטים ארוכים ומחליפה כל הכללה במספר או בשם. בשלב האחרון מוסיפים את מה שאף מודל לא ממציא לבד: מחיר בשקלים, שם של חברה ישראלית, תאריך, מקרה שקרה. זה כל ההבדל בין טקסט שנקרא כמו תדריך פנימי לבין טקסט שנקרא כמו דף נחיתה משנת 2019.
המדריך הזה מפרק את התהליך לשישה שלבים שאפשר להריץ על כל מודל, ומוסיף שתי טבלאות בדיקה: מה מסגיר טקסט מכונה בעברית, ומה בודקים לפני שמפרסמים. יש גם התייחסות לשאלה שכולם שואלים, האם גלאי AI בכלל עובדים על עברית, והתשובה קצרה יותר ממה שנדמה.
העיתוי לא מקרי. ישראל מדורגת ראשונה בעולם במדד השימוש ב-AI של Anthropic, עם ציון של פי 4.9 מהחלק היחסי שלה באוכלוסייה העובדת. במקביל, סקר של המכון הישראלי לדמוקרטיה מצא ש-28% מהעסקים בישראל השתמשו ב-AI בחצי השנה האחרונה. הרבה עסקים כותבים עברית עם מכונה. מעטים כותבים עברית שאי אפשר לזהות.
למה כתיבת תוכן AI בעברית נשמעת מלאכותית?
התשובה הקצרה: המודל לא אומן בעברית, הוא אומן באנגלית ולמד עברית בדיעבד. כל השאר נגזר מזה.
תרגומית: המודל חושב באנגלית ומדבר עברית
מודלי שפה גדולים בונים ייצוג סמנטי שנשען בעיקר על טקסט אנגלי, ואז מפיקים אותו בשפת היעד. התוצאה בעברית היא סדר מילים שנשמע נכון דקדוקית ושגוי מוזיקלית. משפטים שמתחילים במילת קישור ארוכה. שמות פעולה במקום פעלים. "ביצוע אופטימיזציה של תהליך הגיוס" במקום "לשפר את הגיוס".
הסימן הכי קל לזיהוי הוא הצפיפות של שמות עצם מופשטים. עברית מדוברת ועברית עיתונאית נשענות על פעלים. פלט מכונה נשען על שמות עצם, כי ככה נראית אנגלית עסקית שממנה הוא למד. שני משפטים באותו אורך, אחד עם ארבעה שמות עצם מופשטים ואחד עם שני פעלים, נבדלים בקריאות פי כמה.
יישור רגיסטר: כולם נשמעים אותו דבר
מחקר שפורסם ב-PNAS ב-2025 על השפעת מודלי שפה על כתיבה אנושית תיאר תופעה שנקראת יישור רגיסטר. מודלים דוחפים כל טקסט לאותו אמצע: לא רשמי מדי, לא מדובר מדי, בלי חדות. בעברית זה נשמע כמו הודעה לעיתונות של חברה בינונית. אף אחד לא כותב ככה כשהוא באמת מסביר משהו למישהו.
הרגיסטר האחיד הזה הוא הסיבה שקוראים ישראלים מזהים תוכן מכונה תוך שתי פסקאות, גם בלי כלי בדיקה. לא בגלל מילה מסוימת. בגלל שכל המאמר נשמע כאילו נכתב על ידי אותו דובר חסר פנים.
הפער בנתוני האימון
הצוות של DICTA, מרכז ישראלי לניתוח טקסט, פרסם ב-2026 את הדוח הטכני של Dicta-LM 3.0. המודלים אומנו על כ-100 מיליארד טוקנים בעברית לצד 30 מיליארד באנגלית. לשם השוואה, מודלים כלליים מאומנים על טריליוני טוקנים, שרובם המוחלט אנגלית. בבדיקת ניקוד, גרסת 24B של Dicta-LM 3.0 הגיעה ל-86.86% דיוק מול 60.21% של Gemini-3-27B.
ניקוד הוא לא המשימה שמעניינת משווקים, אבל הוא מדד טוב לעומק ההיכרות של המודל עם המורפולוגיה העברית. מודל שמפספס ניקוד בארבעה מכל עשרה מקרים מפספס גם ניואנס, גם משלב וגם ביטויים ישראליים. הוא יכתוב עברית תקינה. הוא לא יכתוב עברית של אדם.
יש לזה גם צד תפעולי. כתיבת תוכן AI בעברית צורכת יותר טוקנים מאותו טקסט באנגלית, כי המפרק של רוב המודלים הכלליים שובר מילים עבריות לרסיסים. מילה עברית ממוצעת נחתכת לשלושה עד ארבעה טוקנים מול טוקן וחצי באנגלית. המשמעות היא חלון הקשר קטן יותר בפועל, ולכן פחות מקום לדוגמאות סגנון בתוך אותה הרצה. מי שעובד עם פרומפטים ארוכים מרגיש את זה כשהמודל מתחיל להתעלם מההוראות שבתחילת ההודעה.
אילו סימנים מסגירים טקסט שנכתב במכונה?
הרשימה קצרה ממה שנדמה. שבעה ניסוחים חוזרים מכסים את רוב המקרים בפלט עברי, והם מופיעים אצל ChatGPT, Claude ו-Gemini כמעט באותה תדירות. הטבלה הבאה מיועדת לעריכה: העמודה הראשונה למחיקה, העמודה האחרונה להחלפה.
| הניסוח שהמודל מייצר | מה הוא מסגיר | החלופה שנשמעת אנושית |
|---|---|---|
| "בעולם של היום" | פתיח שמתאים לכל נושא בעולם, ולכן לא אומר כלום. | "ב-2026, אחרי ש-74% מהעמודים החדשים כבר נכתבים עם AI". |
| "המפתח להצלחה טמון ב" | תרגום ישיר של תבנית אנגלית שנשאבה מפוסטי לינקדאין. | "מה שעובד אצל צוותים קטנים: פרומפט אחד, שלוש דוגמאות". |
| "לרתום את הכוח של הבינה המלאכותית" | מטאפורה שיווקית בלי פעולה מאחוריה. | "להריץ את המודל על 200 לידים ולסנן ידנית 20". |
| "פתרון אידיאלי לכל עסק" | הבטחה בלי סייג. בני אדם מסייגים. | "מתאים לצוותי שיווק של 5 עד 30 איש. מעל זה נשבר". |
| "זה לא רק כלי, אלא שותף" | מבנה הניגוד הזה חוזר אצל מודלים כל פסקה שנייה. | "הכלי כותב טיוטה. את ההחלטה מי הקהל הוא לא מקבל". |
| "בסופו של דבר" | מילת מילוי. המשפט עומד בדיוק אותו דבר בלעדיה. | מוחקים אותה ומתחילים ישר מהטענה. |
| "שילוב מנצח בין נתונים לאסטרטגיה" | צירוף שגור שאי אפשר לבדוק אם הוא נכון או לא. | "דוח Search Console כל יום ראשון, החלטה אחת בחודש". |
הדוגמאות נאספו מבדיקת פלטים בעברית של ChatGPT, Claude ו-Gemini, יולי 2026.
שלושה סימנים מבניים שלא קשורים למילים
מעבר לאוצר המילים יש שלושה דפוסים מבניים שמסגירים מכונה גם אחרי שמנקים כל ביטוי שגור:
- אחידות אורך. פלט מכונה נוטה למשפטים של 15 עד 20 מילים, אחד אחרי השני. כתיבה אנושית מקפצת בין משפט של 4 מילים למשפט של 22.
- סימטריית פסקאות. שלוש פסקאות של שלושה משפטים, ואז עוד שלוש. אדם כותב פסקה של שורה אחת כשהוא רוצה להדגיש משהו.
- מבנה שקוף לסדר. אם אפשר להחליף את סדר הפסקאות בלי שאף טענה תישבר, זה סימן שאין טיעון, יש רשימה שהולבשה כפסקאות.
הבדיקה המהירה ביותר לשלושת אלה היא הקראה בקול. טקסט שנכתב במכונה מאבד נשימה אחרי שתי פסקאות, כי אין בו משפט קצר שנותן לקורא לעצור. זאת בדיקה של שלוש דקות שחוסכת סבב עריכה שלם.
האם גלאי AI מזהים עברית שנכתבה במודל?
לא באופן שאפשר לסמוך עליו. המחקר המצוטט ביותר בתחום הוא של וייקסין ליאנג וצוותו מסטנפורד, שפורסם ב-Patterns ב-2023. הצוות הריץ שבעה גלאים מסחריים על שני מאגרים אנושיים: חיבורים של תלמידי כיתה ח בארצות הברית וחיבורי TOEFL של דוברי אנגלית כשפה שנייה. הגלאים היו כמעט מושלמים על החיבורים האמריקאיים, ופסלו בטעות יותר מ-61% מחיבורי ה-TOEFL.
ג'יימס זו, פרופסור בסטנפורד ומחבר שותף במחקר, ניסח את המסקנה בלי עידון: "עדיף להימנע משימוש בגלאים האלה ככל האפשר". הסיבה טכנית. גלאים מודדים צפיפות הסתברותית, כלומר עד כמה כל מילה צפויה בהינתן הקודמות. טקסט של מי שכותב בשפה שאינה שפת אמו נראה צפוי יותר, ולכן נחשד.
עברית מחמירה את הבעיה. הגלאים המסחריים אומנו כמעט כולם על אנגלית, ורובם מציגים ביצועים לא יציבים על טקסט עברי קצר. המשמעות המעשית לכותב: אל תבנו את תהליך העבודה סביב ציון של גלאי. ציון נמוך לא מוכיח שהטקסט טוב, וציון גבוה לא מוכיח שהוא נכתב במכונה.
המדד הנכון הוא אחר. האם הטקסט מכיל עובדה שלא הייתה קיימת לפניו. האם יש בו מספר, שם או תאריך שאי אפשר להמציא. האם קורא שמכיר את התחום ילמד ממנו משהו. שלוש השאלות האלה מנבאות ביצועים בחיפוש הרבה יותר טוב מכל גלאי.
יש גם סיכון תדמיתי בהסתמכות על גלאים. עורך שפוסל טקסט של כותב אנושי בגלל ציון של כלי אוטומטי משלם על זה ביחסי עבודה, והמחקר של סטנפורד מראה בדיוק כמה קל להגיע לשם. בעברית, שבה הכלים נבדקו פחות, הסיכוי לטעות גדול יותר. עדיף להחליף את הגלאי בבדיקת עריכה של חמש דקות שמסתכלת על אורך משפט, על צפיפות שמות עצם ועל נוכחות מספרים מאומתים.
המתודולוגיה: שישה שלבים לעברית אנושית
התהליך הבא נבנה לעבודה שוטפת, לא להדגמה חד פעמית. הוא לוקח בין 25 ל-40 דקות למאמר של 1,500 מילה, מול 8 דקות לפלט גולמי שאיש לא יקרא עד הסוף.
- הגדרת קלט לפני בקשת תוכן. קהל, מטרת הקריאה, רגיסטר, אורך משפט ממוצע ורשימת מילים אסורות. בלי החמישה האלה המודל בוחר ברירת מחדל, וברירת המחדל שלו היא בדיוק מה שמסגיר אותו.
- הזרקת עובדות. מספקים למודל 5 עד 10 עובדות אמת לפני הכתיבה: מחירים, תאריכים, שמות לקוחות, תוצאות. מודל שאין לו עובדות ממלא את החלל בהכללות, וההכללות הן מה שנשמע מלאכותי.
- שכתוב אוצר מילים. מעבר על הטקסט וסינון של הביטויים מהטבלה למעלה. אפשר להריץ את זה כפרומפט שני על הפלט, לא כבקשה מראש. מודלים מבצעים עריכה טוב יותר ממה שהם מבצעים ריסון עצמי.
- שבירת קצב. בכל 500 מילים מכניסים שניים או שלושה משפטים של 3 עד 5 מילים. פסקה אחת של שורה בודדת בכל אלף מילים.
- הזרקת קול. מוסיפים שלוש דוגמאות מטקסטים קודמים של הכותב האמיתי. לא תיאור של הסגנון, קטעים ממש.
- בדיקת קצה. הקראה בקול, חיפוש של שבעת הניסוחים מהטבלה, ואימות שכל מספר במאמר מגיע ממקור אמיתי.
השלב היקר מבחינת זמן הוא השני, והוא גם היחיד שאי אפשר לדלג עליו. הזרקת עובדות היא מה שהופך כתיבת תוכן AI בעברית מטיוטה גנרית לטקסט עם ערך. כל שאר השלבים מנקים, השלב הזה מוסיף.
איך בונים פרומפט שמייצר עברית אנושית?
פרומפט טוב לעברית אנושית נראה כמו תדריך לכותב חדש, לא כמו בקשה למאמר. שישה מרכיבים, בסדר הזה:
- מי הקורא. "מנהל שיווק בחברת SaaS ישראלית, 8 עד 40 עובדים, מכיר את הבסיס ומחפש יישום".
- מה הוא עושה אחרי הקריאה. פעולה אחת. לא "מבין טוב יותר".
- רגיסטר מדויק. "עברית עסקית, לא רשמית ולא סלנג, כמו טור דעה בכלכליסט".
- מגבלות כמותיות. אורך משפט ממוצע 11 מילים, מקסימום 20. שתי פסקאות של שורה בכל 800 מילים.
- רשימת מילים אסורות. הביטויים מהטבלה, בתוספת כל מילה שחוזרת יותר מפעמיים בטיוטות קודמות.
- שלוש דוגמאות. קטעים אמיתיים בני 150 מילה מטקסטים קודמים.
שיבוט קול בשלושה קטעים
שלוש הדוגמאות עושות יותר מכל שאר ההוראות ביחד. הסיבה היא שמודלים לומדים סגנון מדוגמה טוב בהרבה מאשר מתיאור. תיאור כמו "כתוב בטון ישיר" מפורש שונה בכל הרצה. קטע בן 150 מילה של הכותב האמיתי מקבע אורך משפט, שימוש בפעלים, תדירות שאלות רטוריות ומידת הסיוג.
בחירת הקטעים חשובה: לא הקטע הכי מוצלח, אלא הקטע הכי אופייני, ולצידו קטע אחד קיצוני בסגנון. הקיצוני מלמד את המודל היכן גבול הטווח. מי שבונה סוכן קבוע לכתיבה יכול לשמור את שלושת הקטעים כקובץ הקשר, בדיוק כמו בתהליך שמתואר במדריך על בניית סוכן בקלוד קוד, ולהזין אותו אוטומטית בכל הרצה.
עוד נקודה שנוטים לפספס: כתיבת תוכן AI בעברית משתפרת כשהפרומפט כתוב בעברית. פרומפט אנגלי מושך את המודל חזרה לתבניות אנגליות, וחלק מהתרגומית נכנס דרך שם. ההפרש קטן אבל עקבי.
מה גוגל ומנועי החיפוש של AI באמת מודדים?
לא את מקור הכתיבה. מחקר של Ahrefs שבחן 600,000 עמודים מצא מתאם של 0.011 בין נוכחות תוכן שנוצר ב-AI לבין ירידה בדירוג. זה אפס לכל מטרה מעשית. באותה שורה, ניתוח של 900,000 עמודים חדשים באפריל 2025 הראה ש-74.2% מהם כללו תוכן מכונה, ורק 2.5% היו פלט טהור בלי עריכה אנושית.
מכאן שהשאלה "האם גוגל תזהה" לא במקום. השאלה היא האם הדף עונה על הכוונה טוב יותר מהעמודים שמעליו. אתרים שדיווחו על שימוש ב-AI רשמו צמיחה חציונית של 29.08% בשנה מול 24.21% אצל מי שלא, לפי אותו מאגר של Ahrefs. הכלי לא מזיק. השימוש העצל בו מזיק.
במנועים גנרטיביים התמונה שונה במקצת. עברית היא שפת מיעוט בכל מודל חזיתי, ולכן רף הציטוט למותגים ישראליים נמוך יותר מלכתחילה. מחקר של 5W משנת 2026 העריך שכמחצית מהמותגים הישראליים אינם מוזכרים כלל בסקירות ה-AI של גוגל. מי שמפרסם תוכן עברי עם מבנה נקי, טבלאות, ומספרים מיוחסים תופס שם נדל"ן זול יחסית.
הפרקטיקה שנגזרת מזה פשוטה: תיבת סיכום בראש המאמר, כותרות בצורת שאלה, טבלה אחת לפחות, וכל מספר עם מקור. אלה המבנים שמנועי AI מחלצים בפועל. אותו היגיון מנחה גם תהליכי אוטומציה אחרים, כמו אלה שמפורטים במדריך על בניית תהליכי אוטומציה עם AI.
נקודה אחרונה על תזמון. כתיבת תוכן AI בעברית מייצרת נפח מהר, והנפח הזה מפתה לפרסם חמישה מאמרים ביום. בפועל קצב כזה שוחק את איכות העריכה ומחזיר את הטקסט לרגיסטר האחיד. חמישה מאמרים בשבוע עם עריכה מלאה מייצרים יותר תנועה מעשרים מאמרים גולמיים, כי כל דף עומד בפני עצמו בחיפוש. הנפח הוא לא היתרון של המכונה. הזמן שהיא מפנה לעריכה הוא היתרון.
איך בודקים שהטקסט עבר את הסף?
לפני פרסום, שבע בדיקות. כל אחת לוקחת פחות מדקה, וביחד הן תופסות את רוב המקרים שהיו חוזרים כתלונה מהלקוח:
- אורך משפט ממוצע מתחת ל-13 מילים. נמדד בקלות בכל עורך טקסט.
- לפחות שני משפטים של 3 עד 5 מילים בכל 500 מילים.
- אין שני משפטים סמוכים שמתחילים באותה מילה.
- לפחות שם פרטי אחד של חברה, כלי או אדם בכל 200 מילה.
- כל מספר במאמר ניתן לאימות במקור חיצוני.
- אף אחד משבעת הניסוחים מהטבלה לא מופיע.
- הקראה בקול של הפסקה הראשונה בלי להיתקע.
הבדיקה החמישית היא זו שנופלת הכי הרבה. מודלים ממציאים מספרים בביטחון מלא, וסטטיסטיקה שגויה במאמר עברי אחד מספיקה כדי לשרוף אמון של קורא מקצועי. עדיף מאמר עם שני מספרים מאומתים מאשר מאמר עם שמונה שאף אחד לא בדק.
מי שמריץ את התהליך בקנה מידה, נניח חמישה מאמרים בשבוע, ימצא שהשלבים 3 עד 6 מתאימים לאוטומציה חלקית, בעוד שלב 2 נשאר ידני תמיד. חלוקת העבודה הזאת בין אדם למכונה מתוארת בהרחבה בסקירה על חמישה סוגי סוכני AI לעסקים, והיא מה שמאפשר לשמור על נפח בלי לאבד את הקול.
כתיבת תוכן AI בעברית ברמה גבוהה היא בסוף תהליך הנדסי, לא כישרון. מי שמגדיר קלט מדויק, מזריק עובדות אמיתיות ומריץ בדיקת קצה קבועה מקבל טקסט שאף קורא לא יעצור עליו לשאול מי כתב אותו. מי שמדביק פלט גולמי מקבל בדיוק את מה שכולם מקבלים.
רוצים תהליך כתיבה שמייצר עברית אנושית בקנה מידה?
בניית תהליך של כתיבת תוכן AI בעברית שמחזיק חמישה מאמרים בשבוע דורשת פרומפטים קבועים, מאגר עובדות ובדיקת קצה אוטומטית. אפשר לבנות את זה פעם אחת ולהריץ אותו חודשים.
לבניית תהליך התוכן