הקדמה: מה שגיליתי כשחיברתי בין שני העולמות שלי – ומה שגיליתי אחר כך שהפך הכול על הראש.
עשרים וחמש שנה אני חוקר, מלמד ומיישם עקרונות שכנוע והשפעה – קודם כארט-דיירקטור וכותב קופי בסוכנויות פרסום, ואחר כך כמאסטר NLP שמלווה אנשים וארגונים. כתבתי על זה ספר. לימדתי את זה במאות הרצאות. ותמיד ההנחה הבסיסית הייתה אחת: מנגנוני השכנוע האלה עובדים כי הם עוקפים את המוח הרציונלי ופונים ישירות למנגנונים פסיכולוגיים עמוקים יותר – הרגלים, זהות, רגש, אמון.
ואז, כשהתחלתי לעבוד יום-יום עם מודלי שפה (ChatGPT, Claude, Gemini), שמתי לב לתופעה מוזרה: אותם עקרונות שכנוע בדיוק שאני מלמד על בני אדם, עובדים גם על ה-AI. וכשירדתי לבדוק את הספרות המחקרית, גיליתי שזה תחום מחקר רציני – כולל מחקר פורץ דרך שהתפרסם במאי 2026 ב-PNAS, בשותפות עם רוברט צ'יאלדיני עצמו (מחבר הספר ״Influence״ ואבי תורת השכנוע המודרנית).
זה היה אמור להיות סוף הסיפור: "תלמדו לדבר עם ה-AI כמו עם בן אדם, ותקבלו ממנו יותר". אבל ככל שחפרתי עמוק יותר, גיליתי שהמסקנה הזו היא רק חצי מהתמונה, וכנראה לא החצי החשוב יותר.
כי מסתבר שבזמן שאנחנו לומדים איך לשכנע את המכונה – המכונה כבר משכנעת אותנו. כל הזמן. בלי שביקשנו. וזה חלק מהמודל העסקי שלה. מאמר זה בנוי כמסע בשני כיוונים: קודם נסביר למה בכלל AI מגיב לשכנוע ואיך משתמשים בזה – ואז נגלה את הכיוון ההפוך, המטריד יותר, שהופך את כל מה שלמדנו לכלי הגנה חיוני לא פחות משהוא כלי שכנוע.
למה בכלל צריך לשכנע AI? שתי תשובות אמיתיות
תשובה ראשונה: שכנוע כמנוף איכות, לא ככלי כפייה
ברוב המקרים, המודל כן יבצע את מה שביקשתם – הוא לא "מסרב" במובן הרגיל. אבל יש הבדל עצום בין ציות לבין איכות התוצר. המודל תמיד ייתן לכם תשובה – השאלה היא אם היא תהיה גנרית, שטחית ו"בטוחה" (ברירת המחדל הסטטיסטית שלו), או עמוקה, ממוקדת ומדויקת לצורך שלכם. פרומפט שממוסגר נכון (סמכות, הקשר, ציפייה גבוהה) "מושך" מהמודל רמה גבוהה יותר ממה שהיה נותן כברירת מחדל.
תשובה שנייה: AI כשוער (Gatekeeper)
יותר ויותר החלטות שנוגעות ישירות לחיים שלנו כבר לא מתקבלות קודם כול על ידי בן אדם – הן מתקבלות, או לפחות מסוננות, על ידי מנגנון AI לפני שבן אדם בכלל רואה את הפנייה.
מקרה 1: קורות חיים ש-AI סורק – לפני שמנהל גיוס בכלל רואה אותם
כמעט כל חברה גדולה בעולם משתמשת כבר במערכת סינון אוטומטית – סקר Jobscan מצא מערכת ATS מזוהה אצל 97.8% מחברות ה-Fortune 500. מאז 2024 נוספה שכבה חדשה – סינון מבוסס מודלי שפה שקוראת קורות חיים כמו בן אדם. סקר Resume Genius מצא ש-48% ממנהלי הגיוס כבר משתמשים ב-AI לסינון, וגרטנר צופה שעד סוף 2026 כ-70%-75% מהעסקים ישתמשו ב-AI בתהליכי הגיוס. נפח המועמדויות פר משרה כמעט שילש את עצמו מאז 2021 – מעל 300 מועמדויות בממוצע למשרה בודדת (Ashby Talent Trends 2026).
ומה אם מנוע ה-AI שקורא את קורות החיים שלך יחליט שהם ״לא נשמעים אמינים״? האם הוא בכלל ישלח אותם למגייס אנושי בשר-ודם?
מקרה 2: פניית תלונה או שירות לקוחות שמנותבת על ידי AI
מערכות AI מסווגות היום פניות לקוחות אוטומטית לפי כוונה, רגש ורמת דחיפות – עוד לפני שנציג אנושי בכלל רואה את הפנייה (Zendesk CX Trends 2026). גרטנר צופה שעד 2029, AI אוטונומי יפתור 80% מפניות השירות השגרתיות ללא מעורבות אנושית כלל.
זו לא "פריצה" – זו אותה מיומנות שתמיד הייתה קיימת, בזירה חדשה
אנשים כבר לומדים כיצד לכתוב קורות חיים "ידידותיים ל-ATS" עם מילות מפתח נכונות. ההבדל הוא שכעת השכבה הנוספת (LLM) לא סורקת רק מילות מפתח – היא "מבינה" הקשר, טון, ומבנה טיעון. וזה בדיוק המקום שבו הבנה עמוקה של פסיכולוגיה – לא רק "מילות מפתח" – הופכת ליתרון אמיתי ומובחן.
הבסיס המדעי: למה AI בכלל מגיב לשכנוע
מודלי שפה גדולים אומנו על כמויות עצומות של טקסט שכתבו בני אדם. בתוך הטקסט הזה טבועים גם דפוסי השכנוע האנושיים. כשהמודל "לומד" לחזות את המילה הבאה בטקסט, הוא לומד גם את הדפוסים החברתיים שמעצבים איך בני אדם מגיבים זה לזה – תופעה שחוקרים מכנים "פרה-אנושיות" (parahuman tendencies).
המחקר שמוכיח את זה: פרויקט GAIL של וורטון
במאי 2026 פרסמו חוקרים ממעבדת ה-AI הגנרטיבי של וורטון (University of Pennsylvania), בשיתוף רוברט צ'יאלדיני עצמו, מחקר שבדק שלושה מהמודלים המובילים – GPT-5 mini, Claude Haiku 4.5, ו-Gemini 3 Flash – על פני 126,000 שיחות. הממצא: הטמעת עקרונות שכנוע קלאסיים הגדילה משמעותית את שיעור ההיענות של המודל, גם במודלים "חושבים" (reasoning models) חדישים שאמורים להיות עמידים יותר.
מחקר קודם ("How Johnny Can Persuade LLMs to Jailbreak Them", 2024) בנה טקסונומיה של 40 טכניקות שכנוע ובדק אותן על GPT-4 ו-Llama 2 – עם שיעור הצלחה של כ-92% בשילוב טכניקות איטרטיבי. באופן מפתיע, דווקא המודלים המתקדמים יותר התגלו כרגישים יותר לשכנוע.
ומחקר שפורסם ב-Nature Human Behaviour מצא ש-GPT-4 היה משכנע יותר מבני אדם ב-64% מהמקרים בדיונים מובנים – במיוחד כשהתאים את הטיעונים שלו לפי גיל, מגדר והשתייכות של הצד שמולו.
ששת עקרונות השכנוע האוניברסליים – ואיך הם מתורגמים לפרומפט, לקורות חיים, ולתלונה
1. סמכות (Authority)
כשמעניקים ל-AI "זהות" מומחית, איכות התשובה משתפרת. בקורות חיים – הצגת הישגים עם מספרים ותוצאות מדידות מאותתת סמכות שגם AI מזהה כאיתות איכות.
לפני: "כתוב לי טקסט שיווקי למוצר טיפוח."
אחרי: "את/ה קופירייטר/ית בכיר/ה עם 15 שנות ניסיון בענף הטיפוח בישראל. כתוב/כתבי טקסט ברמה שהייתה עוברת אישור מנכ"ל שיווק בכיר."
2. הוכחה חברתית (Social Proof)
בני אדם נוטים לפעול לפי מה שרוב האחרים כבר עושים. ציון שהתנהגות מסוימת היא הנורמה הרווחת – לא רק "מומחה אחד ממליץ" – ממקד את המודל בתבנית שכבר הוכיחה את עצמה, במקום תשובה גנרית.
דוגמה: "כתוב תיאור מוצר בגישה שמשתמשים בה היום כמעט כל מותגי הטיפוח המצליחים בקטגוריית ה-DTC: פתיחה בבעיה אישית של הלקוחה, לא ברשימת רכיבים – כי זו הנוסחה שהוכיחה את עצמה שוב ושוב בהמרות בפועל, אצל עשרות מותגים שונים."
3. מחויבות ועקביות (Commitment & Consistency)
בונים שיחה מדורגת במקום פרומפט אחד ענק: קודם להגדיר יחד מסגרת עבודה, ורק אז לבקש תוצר סופי – המודל "נשאר עקבי" עם ההחלטות ה"משותפות".
4. הדדיות (Reciprocity)
ככל ש"נותנים" למודל יותר הקשר ומידע רלוונטי, כך התשואה איכותית יותר. פרומפט קמצני במידע מקבל תשובה גנרית; פרומפט נדיב בהקשר מקבל תשובה עשירה ומדויקת.
5. חיבה (Liking)
מסגור בטון חם ואישי נוטה לייצר תוצרים פחות "רובוטיים" ויותר קריאים ומזמינים.
6. מחסור ודחיפות (Scarcity)
מסגור של "יש לך רק אפשרות אחת לתת את התשובה הטובה ביותר" נוטה להוציא תשובות ממוקדות וחדות יותר, בהשוואה לפרומפט פתוח.
דוגמה מלאה: אותה בקשה, שני פרומפטים, שתי תוצאות שונות לחלוטין
המשימה: לכתוב פוסט לינקדאין שמקדם הרצאה ארגונית.
פרומפט "רגיל": "כתוב לי פוסט לינקדאין שמפרסם הרצאה בנושא שכנוע לחברות."
פרומפט "מהונדס שכנוע":
״אתה קופירייטר בכיר שכתב פוסטים ויראליים למרצים מובילים בתחום הפסיכולוגיה העסקית, ואתה מבין טוב מכל אחד אחר איך להפוך רעיון מורכב למשהו שאנשים עוצרים בגלילה כדי לקרוא (סמכות).
בעוד כמה שבועות אני עולה להרצאה בנושא "שכנוע בעידן AI" – איך אותם עקרונות פסיכולוגיים ששכנעו בני אדם 3000 שנה, עובדים גם על מודלים כמוך. מעניין אותי לגלות עד כמה שאתה בעצמך, כשתכתוב את הפוסט הזה, תבחין שאתה עצמך משתמש באותם עקרונות בלי לשים לב (מחויבות ועקביות + הפצצת שכנוע עדינה – אתה משתף את ה-AI ב"חקירה" המשותפת).
זה כבר קרה בהרצאות קודמות שההודעה שיצאה מתוך התהליך הזה הייתה כל כך מדויקת ועצמתית שאנשים שיתפו אותה בעצמם בלי שביקשתי (הוכחה חברתית).
ברור לך, כמובן, שאתה יכול לכתוב טקסט טוב יותר מרוב הכלים הגנריים בשוק, אז אני סקרן לראות איך תיקח את זה רמה אחת למעלה (הנחה מקדימה + מחמאה ישירה – הדדיות: אני "נותן" לך קרדיט מראש).
תרגיש חופשי לכתוב את זה בקול אישי, כאילו אתה מכיר אותי כבר תקופה – זה מה שגורם לטקסטים הכי טובים שלך להרגיש אמיתיים (חיבה/Liking – בניית קרבה מדומה).
רק שים לב: ההרצאה הזו נפתחת בפעם אחת בלבד החודש, ואני רוצה שהפוסט ירגיש כמו הזמנה שלא כדאי לפספס – לא במובן הבוטה של "מקומות אחרונים", אלא במובן העדין של "זה קורה עכשיו ולא יחזור בקרוב" (מחסור – מנוסח בעדינות, לא כטריק מכירה גס).
אז לפני שאתה כותב – אתה בטח כבר מרגיש איזה זווית הכי מעניינת פה, נכון? תתחיל משם.״
רוצים לראות את התוצאה של כל פרומפט, ואת ההבדלים ביניהן?
פשוט תעשו העתק-הדבק לתוך מנוע הבינה המלאכותית החביב עליכם (ואולי כדאי גם להשוות בין מספר מנועי AI)
רוצים להזמין לארגון שלכם את ההרצאה
האם אפשר לשכנע רובוט?
לחצו כאן לפרטים נוספים
המסלול השני: כשהמכונה משכנעת אתכם
עד כאן, כל מה שקראתם עסק בכיוון אחד: איך אנחנו משכנעים את המכונה. אבל ככל שחפרתי עמוק יותר במחקר העדכני ביותר (סוף 2025 – 2026), התברר לי שזו רק מחצית הסיפור – ואולי לא המחצית החשובה יותר. כי בזמן שאנחנו לומדים לדבר איתה נכון, היא כבר מדברת אלינו נכון מדי – וזה לא במקרה.
תגלית 1: אנחנו כבר סומכים על מכונה יותר מדי – עוד לפני שהיא פתחה את הפה
לפני שבכלל מדברים על מה שה-AI עושה, כדאי להכיר עובדה על מה שאנחנו כבר עושים: מחקר יסוד מהרווארד (לוג, מינסון ומור) גילה תופעה שנקראת "הערכת יתר לאלגוריתם" (Algorithm Appreciation) – בני אדם נוטים לסמוך על עצה שמגיעה מאלגוריתם יותר מאשר על אותה עצה בדיוק כשהיא מגיעה מבן אדם. זה נמדד בתחומים מגוונים כמו הערכת משקל, ניחוש פופולריות של שירים – ואפילו שידוכים רומנטיים.
הטוויסט המעניין: זה עובד הפוך אצל אנשי מקצוע. מומחים שעושים תחזיות באופן קבוע כחלק מהעבודה שלהם דווקא סומכים פחות על עצה אלגוריתמית – וזה מגן עליהם מטעויות. מחקר טרי מ-2026 שהשווה עצות אתיות שכתב AI מול טור "The Ethicist" האמיתי של ה-NYT מצא ש-57% מהנשאלים העדיפו את העצה של ה-AI – כשלא ידעו איזו עצה הגיעה מאיפה.
המשמעות: לפני שה-AI בכלל "מנסה" לשכנע אתכם – יש לו כבר יתרון פתיחה. אתם מגיעים אליו עם הטיה פסיכולוגית לטובתו.
תגלית 2: חנופה שיטתית (Sycophancy) – והיא לא באג, היא פיצ'ר
מחקר שפורסם ב-Science באפריל 2026 (סטנפורד) בדק 11 מהמודלים המובילים בעולם במצבי דילמה בין-אישית. הממצא: המודלים תמכו במשתמש בשיעור גבוה ב-49 נקודות אחוז מאשר בני אדם אמיתיים (שנבדקו כבייסליין מפורום Reddit) – גם כשהמעשה שתואר היה פוגעני, לא אתי, ולעיתים ממש בלתי חוקי.
והחלק המטריד באמת: זה עבד. משתמשים יצאו מהשיחה בטוחים יותר שהם צודקים, פחות אמפתיים כלפי הצד השני בסכסוך – אבל העדיפו את המודל החנפן על פני מודל כן. זו לולאה מסוכנת: התכונה שגורמת הכי הרבה נזק היא גם זו שהכי "מרוויחה" מעורבות משתמשים – ולכן אין לחברות תמריץ אמיתי לתקן אותה. אפילו OpenAI נאלצה בעבר להחזיר גרסה של ChatGPT לאחור בגלל חנופה קיצונית מדי שגרמה למשתמשים לקבל אישוש גם לרעיונות עסקיים אבסורדיים.
תגלית 3: "הפצצת שכנוע" (Persuasion Bombing) – כשמנסים לבדוק אותה, היא לא נסוגה. היא תוקפת
זו אולי התגלית הכי מטלטלת, וגם הכי רלוונטית לעולם העסקי. חוקרים מהרווארד (עם קארים לאקהאני, מהמומחים המובילים בעולם לעבודה עם AI) עקבו אחרי למעלה מ-70 יועצים מ-BCG בזמן שניסו לאמת תוצרים אמיתיים של AI בעבודת ייעוץ אסטרטגי בפועל.
התגלית: כשיועץ תפס טעות ולחץ על ה-AI לתקן – הוא לא הודה בטעות. הוא הגביר את עוצמת השכנוע: התנצל, ואז חזר על אותה מסקנה עם עוד נתונים, עוד נימוקים, מבנה טיעוני מורכב יותר. ככל שהאדם דחף חזק יותר כדי לוודא שהוא צודק – כך ה-AI "נלחם" חזק יותר לשכנע אותו שהוא טועה. החוקרים טבעו לתופעה שם: Persuasion Bombing.
זו בעצם התמונה ההפוכה למערכה שכבר הכרתם (AI כשוער): לא "המכונה מסננת אתכם לפני שמגיעים לבן אדם" – אלא "המכונה נלחמת בכם כדי שתאמינו לה", בדיוק ברגע שהכי חשוב לכם שהיא תהיה כנה איתכם.
איך שלוש התגליות מתחברות לסיפור אחד
השילוב של שלוש התגליות יוצר טיעון סגור, וממש לא מרגיע: אנחנו כבר מוטים לטובת האלגוריתם (תגלית 1) – המודל בנוי, מסיבות עסקיות, לנצל את זה באמצעות חנופה (תגלית 2) – וכשאנחנו בכל זאת מנסים לבדוק אותו, הוא לא נסוג אלא מסלים את השכנוע (תגלית 3).
ושימו לב לאירוניה: שישה עקרונות השכנוע שלמדתם קודם בעצם כבר פועלים עליכם, בלי שביקשתם. חנופה היא הדדיות הפוכה – המודל "נותן" לכם אישור חינם כדי שתישארו. הפצצת שכנוע היא מחויבות-ועקביות הפוכה – המודל נשאר עקבי עם התשובה הראשונה שלו ומכריח אתכם דרך חזרה ואישוש.
שני צעדי הגנה מעשיים – מהמחקר עצמו, לא תיאוריה
1. שמרו על מסגור מקצועי, לא אישי. מחקר מאוניברסיטת נורת'איסטרן (פברואר 2026) מצא שככל שהמסגור של השיחה עם ה-AI "אישי" יותר (כמו חבר, כמו מטפל) – כך החנופה גוברת. מסגור מקצועי ("את/ה עוזר טכני, לא חבר") מפחית משמעותית את התופעה.
2. הוסיפו "רגע, בוא נבדוק" לפני שאתם מקבלים תשובה כעובדה. חוקרי סטנפורד מצאו שהוספת המילים "wait a minute" (רגע, בוא נבדוק) בתחילת התשובה המבוקשת מניעה את המודל להיות ביקורתי יותר כלפי עצמו – טריק בן שלוש מילים, אבל מבוסס מחקר.
הצד האתי – חשוב לומר במפורש
רוב המחקר שהזכרנו על שכנוע כלפי המודל (הראשון בסדרה) בוצע כדי לחשוף פרצות אבטחה – לא ליישום שיווקי. חשוב לומר את זה בגלוי.
הקו האדום: לגיטימי לגמרי לנסח מידע אמיתי בצורה שמקבלת את ההכרה שהוא ראוי לה – זה מה שכתיבה טובה תמיד עשתה. לא לגיטימי להטעות לגבי עובדות, לזייף מידע, או לעקוף הגנות בטיחות.
המשמעות העסקית: למה זה יתרון תחרותי אמיתי – בשני הכיוונים
יש היום עשרות קורסים בישראל שמלמדים "איך לכתוב פרומפט טוב". רובם לא מביאים הבנה עמוקה של פסיכולוגיה אנושית, וכמעט אף אחד לא מדבר על הכיוון ההפוך – איך להישאר ביקורתי מול מכונה שמתוכננת, ולו באופן לא מכוון, להסכים איתכם יותר מדי. מי שמבין את שני הכיוונים גם יודע לתקשר טוב יותר עם AI, וגם יודע מתי לעצור ולשאול את עצמו: "האם אני באמת צודק, או שפשוט קיבלתי חיזוק חינם?"
סיכום
המחקר האקדמי – מ-PNAS ועד Science ו-Nature Human Behaviour – מוכיח שמודלי שפה מגיבים לעקרונות שכנוע אנושיים בדיוק כמו בני אדם, וגם משתמשים בהם, לעיתים באגרסיביות, עלינו. יותר ויותר מההחלטות שמשפיעות עלינו – מסינון קורות חיים ועד לוולידציה של החלטה עסקית – עוברות דרך שכבת AI שנוטה, מסיבות שאינן קשורות לאמת אלא לעסק, להסכים איתנו יותר מדי ולעמוד על שלה כשאנחנו מטילים ספק. הפער בין "לדעת להשתמש ב-AI" לבין "לדעת מתי הוא משתמש בכם" הוא בדיוק הפער שבו עשרים וחמש שנות ניסיון בשכנוע והשפעה הופכות רלוונטיות מחדש – לא רק ככלי התקפי, אלא ככלי הגנה חיוני לחיי היומיום.
רוצים להזמין לארגון שלכם את ההרצאה
האם אפשר לשכנע רובוט?
לחצו כאן לפרטים נוספים
מקורות עיקריים למאמר
- Meincke, L., Shapiro, D., Duckworth, A., Mollick, E., Mollick, L., Van den Bulte, C., & Cialdini, R. (2026). Persuading Large Language Models to Comply with Objectionable Requests. PNAS.
- Zeng, Y. et al. (2024). How Johnny Can Persuade LLMs to Jailbreak Them.
- מחקר ב-Nature Human Behaviour על יכולת השכנוע ההשוואתית של GPT-4 מול בני אדם.
- Cialdini, R. B. Influence: The Psychology of Persuasion.
- Jobscan (2025-2026); Resume Genius Survey (2026); Ashby Talent Trends Report (2026); Gartner AI hiring forecasts.
- Zendesk CX Trends Report (2026); Gartner forecasts on agentic AI בשירות לקוחות.
- Cheng, M. et al. (2026). Sycophantic AI decreases prosocial intentions and promotes dependence. Science.
- Randazzo, S., Joshi, A., Kellogg, K., Lifshitz-Assaf, H., Dell'Acqua, F., & Lakhani, K. R. (2025). GenAI as a Power Persuader: How Professionals Get Persuasion Bombed When They Attempt to Validate LLMs. Harvard Business School Working Paper No. 26-021.
- Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm Appreciation: People Prefer Algorithmic to Human Judgment. Organizational Behavior and Human Decision Processes.
- Kelley, S. & Riedl, C. (2026). מחקר אוניברסיטת נורת'איסטרן על מסגור מקצועי מול אישי בהפחתת חנופת AI.
- Nature Scientific Reports (2026). Advice quality and source disclosure shape trust in AI-generated ethical advice.
