תקני בטיחות AI: OpenAI, Anthropic ו-Google DeepMind בשיחות להקמת גוף משותף

OpenAI אישרה כי היא מנהלת שיחות עם Anthropic ו-Google DeepMind להקמת גוף משותף שיגדיר תקני בטיחות AI אחידים, כאשר קבוצת עבודה משותפת נפגשת כבר מאז יולי וחמש מעבדות מובילות משתתפות בבדיקות טרום-פריסה של גוף CAISI הממשלתי האמריקאי. במאמר הזה ננתח מה המהלך אומר בפועל למי שבונה מוצרים על גבי המודלים האלה, אילו שינויים צפויים בתהליכי הפריסה, ומה כדאי לצוותי פיתוח ישראליים לעשות כבר עכשיו.

מה ידוע על השיחות להקמת גוף תקני בטיחות AI משותף

לפי הדיווח ב-Tech Insider, מדובר בשלב מתקדם יחסית: קבוצת עבודה משותפת של המעבדות פועלת מאז יולי, ולא בהצהרת כוונות ראשונית. OpenAI אישרה את קיום השיחות באופן רשמי, מה שמעיד שהצדדים מוכנים לחשיפה ציבורית של התהליך, בדרך כלל סימן לכך שהמסגרת הבסיסית כבר מגובשת.

הנקודה המהותית מבחינת בוני מוצר היא שהמהלך אינו מתרחש בוואקום. חמש מעבדות מובילות כבר מעבירות מודלים לבדיקות טרום-פריסה (pre-deployment evaluations) של CAISI, גוף התקנים הממשלתי האמריקאי. כלומר, קיימת כבר תשתית מעשית של פרוטוקולי בדיקה, והגוף המשותף המדובר צפוי לבנות עליה, לא להתחיל מאפס.

ההיסטוריה תומכת בכיוון הזה: OpenAI ו-Anthropic כבר ביצעו ב-2025 בדיקות בטיחות הדדיות על המודלים זו של זו ופרסמו את הממצאים. גוף משותף הוא ההמשך המתבקש, כזה שממסד את שיתוף הפעולה במקום להשאיר אותו כיוזמות נקודתיות.

מהו CAISI ולמה בדיקות טרום-פריסה משנות את כללי המשחק

CAISI, ה-Center for AI Standards and Innovation, הוא הגוף האמריקאי שירש את מכון הבטיחות AISI שפעל תחת NIST, והוא אחראי על פיתוח מתודולוגיות הערכה למודלים מתקדמים. בדיקת טרום-פריסה משמעותה שמודל עובר סוללת הערכות מובנית לפני שהוא נחשף למשתמשים: בדיקות יכולת בתחומים מסוכנים (סייבר התקפי, ביו-אבטחה), בדיקות עמידות ל-jailbreaks, והערכת התנהגויות בלתי צפויות.

מבחינה הנדסית, זה מכניס שלב חדש ל-pipeline של שחרור מודלים, בדומה לאישור רגולטורי בתעשיות אחרות. ההשלכה הישירה על מי שבונה בפרודקשן: מחזורי שחרור של מודלים חדשים עשויים להתארך, אבל בתמורה מתקבלת שכבת אמינות מתועדת שאפשר להסתמך עליה מול לקוחות ורגולטורים.

מה ההבדל בין בדיקה ממשלתית לגוף תקנים של המעבדות עצמן

CAISI בודק מודלים ספציפיים לפני שחרור. גוף תקנים משותף של המעבדות מגדיר את הסטנדרט עצמו: אילו מדדים נמדדים, מהם ספי הסיכון המקובלים, ואיך מדווחים על ממצאים. השילוב בין השניים יוצר מבנה דו-שכבתי מוכר מעולמות אחרים, בדומה ליחסים בין גופי תקינה תעשייתיים כמו ISO לבין רגולטורים ממשלתיים.

למה המעבדות המתחרות בוחרות בתקינה משותפת דווקא עכשיו

התשובה הקצרה: תקן וולונטרי שהתעשייה מגדירה בעצמה עדיף מבחינתה על רגולציה כפויה שתגיע מבחוץ. שלוש המעבדות מתחרות בחריפות על שוק ה-API ועל לקוחות ארגוניים, אבל לכולן אינטרס משותף שכללי הבטיחות ייקבעו על ידי מי שמבין את הטכנולוגיה לעומק.

יש גם היגיון טכני מובהק. הערכות בטיחות של מודלי חזית (frontier models) הן בעיה קשה: benchmark שמודל אחד עובר בקלות יכול להיכשל בזיהוי התנהגות בעייתית במודל אחר עם ארכיטקטורה או שיטת אימון שונה. איגום ידע על מתודולוגיות red teaming, על טקסונומיות סיכון ועל ספי יכולת מסוכנת מייצר תקן חזק יותר מכל מה שמעבדה בודדת תבנה לבד.

Scoop: Anthropic, Google and OpenAI have been holding regular discussions about creating an AI industry standards body, meeting as recently as this past week even as efforts in the White House stalled.

OpenAI CEO Sam Altman also discussed moving the idea forward without the… pic.twitter.com/9wIYKQdmm5

— Leo Schwartz (@leomschwartz) 13 בספטמבר 2026

שיקול נוסף הוא עלות. בניית תשתית הערכה מקיפה, כולל צוותי red team ייעודיים וסביבות בדיקה מבודדות, היא השקעה של עשרות מיליוני דולרים. תקן משותף מאפשר לחלוק חלק מהעלות הזו בלי לחלוק סודות מסחריים על האימון עצמו.

מה זה אומר בפועל למי שבונה מוצרים על גבי המודלים

ההשפעה המיידית ביותר תהיה על חוזה ה-API, במובן הרחב: התנהגויות שמובטחות, מגבלות שמתועדות, ותהליכי שינוי צפויים. תקן משותף צפוי להוליד פורמט אחיד לדיווח בטיחות, בדומה ל-model cards ו-system cards שכבר קיימים היום אצל שלוש החברות, אבל עם שדות ומדדים סטנדרטיים שאפשר להשוות ביניהם ואף לצרוך אותם תוכנתית.

מבחינת ארכיטקטורה, זה משנה את חישובי ה-vendor lock-in. אם OpenAI, Anthropic ו-Google DeepMind מיישרות קו על הגדרות של קטגוריות סיכון, מדיניות סירוב (refusal policy) ופורמט דיווח, מעבר בין מודלים או בניית שכבת routing מרובת-ספקים הופכים פשוטים יותר. שכבת ה-guardrails שאתם בונים היום צריכה לטפל בהתנהגות שונה מספק לספק; תקינה מקטינה את השונות הזו.

נקודות שכדאי לבדוק בארכיטקטורה הקיימת

• שכבת אבסטרקציה מעל ה-API: ודאו שהלוגיקה העסקית לא תלויה בהתנהגויות סירוב ספציפיות של מודל בודד, כי אלה צפויות להתכנס לתקן משותף.
• לוגים והערכות פנימיות: תשתית evals משלכם, אפילו בסיסית, תאפשר לכם לאמת שהתנהגות המודל אחרי עדכון תקינה תואמת את הציפיות של המוצר.
• תיעוד תלות במודל: מיפוי מסודר של אילו פיצ'רים נשענים על אילו יכולות מודל יקצר משמעותית התאמה לדרישות תיעוד עתידיות.

איך המהלך ישפיע על חברות ישראליות שבונות על המודלים

חברות ישראליות נמצאות ברובן בשכבת האפליקציה: הן צורכות מודלים דרך API של OpenAI, Anthropic או Google ובונות מעליהם מוצרים לשווקים גלובליים. תקן בטיחות משותף ישפיע עליהן בשלושה ערוצים מרכזיים.

ראשית, דרישות עוברות במורד השרשרת. לקוח אנטרפרייז אמריקאי או אירופי שירכוש מוצר ישראלי מבוסס LLM יתחיל לדרוש הוכחה שהמוצר עומד בתקן, בדיוק כפי שהיום נדרשים SOC 2 או ISO 27001. חברות שיבנו מוקדם תהליכי תיעוד והערכה יהפכו את זה ליתרון מכירתי במקום לחסם.

שנית, יציבות. בדיקות טרום-פריסה מסודרות מקטינות את הסיכון לרגרסיות התנהגותיות פתאומיות בין גרסאות מודל, בעיה מוכרת לכל מי שהריץ מערכת פרודקשן על מודל צד שלישי. שלישית, סטארטאפים ישראליים בתחומי ה-evaluation, ה-observability וה-guardrails עשויים למצוא כאן שוק חדש: תקן אחיד יוצר ביקוש לכלים שמודדים עמידה בו.

איך תקינה וולונטרית משתלבת ברגולציה העולמית של 2026

הגוף המשותף לא מחליף רגולציה ממשלתית, אלא צפוי להזין אותה. באיחוד האירופי, חוק ה-AI (EU AI Act) נכנס בהדרגה לתוקף, וההוראות הנוגעות למודלים לשימוש כללי נשענות על Codes of Practice שהתעשייה שותפה לניסוחם. תקן משותף של שלוש המעבדות הגדולות יהפוך כמעט בוודאות לנקודת ייחוס בתהליכים האלה.

בארצות הברית התמונה מבוזרת יותר: לצד CAISI הפדרלי פועלת חקיקה ברמת המדינות, כמו חוק SB 53 בקליפורניה שמחייב מעבדות חזית בשקיפות סביב פרוטוקולי בטיחות. תקן תעשייתי אחיד נותן למעבדות מסמך אחד שעונה על דרישות מרובות, וזה בדיוק התמריץ שמאיץ את השיחות עכשיו.

לחברות ישראליות שמוכרות לשני השווקים זו נקודה חשובה: סביר שעמידה בתקן המשותף תשמש ראיה לעמידה בחלק ניכר מהדרישות הרגולטוריות בשני הצדדים של האוקיינוס, מה שמפשט את מפת הציות במקום לסבך אותה.

איך להיערך כבר עכשיו לתקני בטיחות AI: צעדים מעשיים

אין צורך לחכות לפרסום רשמי של הגוף המשותף כדי להתחיל. אלה הצעדים שאנחנו ממליצים עליהם לצוותי מוצר ופיתוח, לפי סדר עדיפות:

1. מפו את התלויות במודלים: תעדו אילו מודלים בשימוש, באילו גרסאות, ואילו יכולות קריטיות למוצר. זה הבסיס לכל תהליך ציות עתידי.
2. הקימו סוללת evals פנימית: אפילו עשרות מקרי בדיקה שרצים אוטומטית על כל עדכון מודל יתפסו רגרסיות לפני הלקוחות ויתיישרו בקלות עם פורמט תקני עתידי.
3. הפרידו את שכבת ה-guardrails מהלוגיקה העסקית: סינון קלט ופלט צריך לשבת ברכיב עצמאי שאפשר לעדכן כשהתקן מתפרסם, בלי לגעת בליבת המוצר.
4. עקבו אחרי פרסומי CAISI והמעבדות: ה-system cards של שלוש החברות הם כרגע התצוגה המקדימה הטובה ביותר של מה שהתקן המשותף יכיל.
5. הכינו תיעוד לקוח: נסחו כבר עכשיו עמוד שמסביר איך המוצר שלכם מטפל בסיכוני AI. כשהדרישה תגיע מלקוח אנטרפרייז, תהיו מוכנים.

השורה התחתונה: השיחות בין OpenAI, Anthropic ו-Google DeepMind מסמנות מעבר משלב שבו בטיחות AI היא יוזמה פנימית של כל מעבדה לשלב של תשתית תעשייתית משותפת. מי שבונה על המודלים האלה ירוויח יציבות וניבוי טוב יותר, אבל גם יידרש לעמוד בסטנדרטים שמתגבשים עכשיו. כדי להעמיק בכלים וביכולות הנדרשות, מומלץ לעיין בקורסי הבינה המלאכותית שלנו לבניית מערכות AI בפרודקשן, ולהמשיך לעקוב אחרי ההתפתחויות במגזין החדשות והמגמות של AICourse, שם נסקר את התקן המשותף ברגע שיפורסם רשמית.