שכבת האימות והממשל לפניית AI

מאמת דטרמיניסטי מחליט מה מותר לפניית ה-AI שלכם לשלוח.

סוכני AI SDR מייעלים לנפח, ומודלים חד-מעבריים שולחים כפי שהן טענות ממקור מיושן, מישות שגויה ומטענות-יתר. ה-Veracity Engine מאפשר ל-LLM לנסח טיוטה, ואז בדיקות ב-Python טהור מסירות כל טענה שלא הוכחה, נותנות ציון למה שנותר, ומנתבות אותו דרך שער מדיניות מכויל-סיכון. סוכנים מייעצים, הקוד מחליט.

100%

שלמות השליחה כאשר טענה שורדת

כל טענה באימייל שנשלח מגובה במקור

25/25

דיוק הפסיקה על סט הזהב המתויג

דטרמיניסטי וניתן לשחזור (בנצ'מרק של 25 מקרים)

בדיקות דטרמיניסטיות לפני שליחה

עיגון, התאמת ישות, תוקף זמני

זו הדגמה ניתנת להרצה. אחזור, CRM ושליחת אימייל מדומים, והלידים סינתטיים למעט Werner Enterprises, שקטעי ה-10-K שלה הם רשומה ציבורית אמיתית.

נפח ללא אימות הורס יותר צינור מכירות ממה שהוא יוצר

מצב הכישלון שמאחורי קריסות ה-AI-SDR שזכו לפרסום רחב.

סוכני AI SDR נבנים כדי לשלוח יותר. מודלי LLM חד-מעבריים הוזים חלק מדיד מהטענות הספציפיות ללקוח הפוטנציאלי, וכלי התאמה אישית לעולם אינם מאמתים מחדש את הטענה המתקבלת מול מקור עדכני ונכון-ישות. לכן טענות ממקור מיושן, מישות שגויה ומטענות-יתר נשלחות כפי שהן, והאימות מולבש לאחר השליחה או לא קורה כלל.

ההקשר הענפי חד. מודלי LLM חד-מעבריים הוזים 12 עד 18% מהטענות הספציפיות ללקוח הפוטנציאלי (AI SDR Industry Report, 2026). נטישת AI-SDR ארגוני נעה בין 50 ל-70% בשנה (UserGems, 2026). 11x.ai גייסה $74M וקרסה ב-2025 עם נטישה של 70 עד 80% (TechCrunch). רק 7% מהארגונים מחזיקים בממשל ספציפי לסוכנים (Deloitte, 2026), ו-Gartner צופה שיותר מ-40% מפרויקטי AI סוכניים יינטשו עד 2027. מאז נובמבר 2025, שיעור ספאם מעל 0.3% מפעיל דחייה ברמת SMTP של Gmail והתאוששות דומיין של 6 עד 12 שבועות.

הבאג האמיתי אינו דקדוק גרוע. הדקדוק מושלם, וזה מה שהופך את זה לגרוע יותר. הסכנה היא טענה שמצוטטת נכון אך בשימוש מטעה: עובדה אמיתית שנשלפה ממקור מיושן, עובדה אמיתית על חברה אחרת בעלת אותו שם, או טענת ספק שהמקור סותר. אנו קוראים לזה שימוש לרעה הקשרי, ומודלי בסיס טובים יותר אינם מסירים אותו. מודל מושלם עדיין אינו יכול להוכיח ל-FINRA או ל-GDPR איזה מקור עדכני גיבה איזו טענה.

כיצד פועל ה-Veracity Engine

LLM מנסח טיוטה. קוד דטרמיניסטי מחליט מה נשלח. זה נוירו-סימבולי: כתיבה עצבית, אימות סימבולי.

הצינור רץ Lead, אחר כך Research (דף עובדות שבו כל עובדה קשורה למקור מתוארך), אחר כך Draft (LLM כותב המוגבל לדף העובדות בלבד), אחר כך Verify (בדיקות דטרמיניסטיות), אחר כך Policy Gate, אחר כך קבלת ביקורת חתומה, אחר כך כתיבה-חוזרת מדומה ל-CRM. שלב האימות אינו LLM ששופט LLM. זה Python טהור, כך שאותו קלט מניב את אותה פסיקה בכל הרצה.

שלוש הבדיקות הדטרמיניסטיות

כל טענה עובדתית נבחנת מול המקור המצוטט שלה. הבדיקה הראשונה שנכשלת מנצחת, לפי סדר עדיפות: unsourced, אחר כך contradicted, אחר כך entity mismatch, אחר כך stale.

1. עיגון

האם הטענה נגזרת מקטע מקור? חפיפת הטוקנים חייבת להיות לפחות 0.5 מטוקני התוכן, וטוקני שם החברה מוחרגים כדי שטענה לא תקבל ציון גבוה רק בגלל חזרה על שם החברה.

2. התאמת ישות

האם המקור עוסק בלקוח הפוטנציאלי המדויק הזה, ולא בחברה אחרת בעלת אותו שם? מקור על חברה אחרת עם אותו שם נכשל, גם כאשר המילים מסתדרות.

3. תוקף זמני

אם הטענה משתמשת בשפת עדכניות ("recently", "just", "now", "this week"), המקור חייב להיות בתוך 365 ימים. מקורות ישנים יותר מסומנים כ-stale, גם כאשר העובדה נכונה.

שני שומרים נוספים רצים לצידם: בדיקת סתירה מול טענת ספק, ורצפת נאמנות-משפט של 0.3 שעוצרת LLM חי מלהשתמש במזהה עובדה תקף על משפט מוזה. אוצר המילים של הפסיקה מניע את צבעי הממשק: supported (ירוק) עובר; stale (ענבר), entity_mismatch (אדום), contradicted (אדום), ו-unsourced (אדום) לא.

שער המדיניות

השער מסיר כל טענה שאינה supported, ואז מדווח שני מספרים. ציון ה-Veracity הוא טענות supported חלקי סך הטענות העובדתיות בטיוטה, כלומר כמה ממה שה-AI כתב היה באמת נכון. שלמות השליחה היא 100% בכל פעם שלפחות טענה אחת שורדת, כי האימייל שנשלח מכיל אז רק טענות מגובות-מקור. זוהי ערבות התכנון.

הניתוב עוקב אחר סיכון. האימייל מתוקן אם שום דבר בטוח לא שורד או כיסוי הטיוטה יורד מתחת ל-0.5. הוא נשלח לבדיקה אנושית אם הוא בעל ערך גבוה (מפוקח, או הנהלה בכירה, או עסקה של לפחות $100,000) גם בטיוטה נקייה ב-100%. אחרת הוא כשיר אוטומטית. מצב ההשוואה, Standard AI SDR, חוקר, מנסח טיוטה ושולח עם 0 טענות מאומתות לפני שליחה; האפליקציה מציגה זאת כבדיקת-צל בדיעבד של מה שכבר יצא.

המלכוד, מודגם מקצה לקצה

שלושה לידים מקורפוס ההדגמה (תאריך עוגן 2026-06-17). כל תמונה למטה היא צילום מסך של האפליקציה הפועלת.

עובדה אמיתית ממקור מיושן היא עדיין הדבר הלא נכון לשלוח

עבור ליד Northwind Logistics (3PL סינתטי בשוק הביניים), הטיוטה טוענת שהחברה "recently expanded into APAC". המקור הוא חדשות APAC אמיתיות של Northwind, חפיפת העיגון היא 100%, והישות נכונה. אבל המקור מתוארך 2019-03-14, כלומר בן 2,652 ימים (כ-7.3 שנים) מול חלון עדכניות של 365 ימים, ולכן התוקף הזמני נכשל והטענה מוסרת. ה-Veracity Engine שומר את הטענות ה-supported (בראשן מהלך לגיוס שישה מנהלי Salesforce, מתועד במודעת דרושים מתוארכת 2026-06-09), תופס את שתי הטענות הרעות, ושולח אימייל שמגובה במקור ב-100%.

תוצאת Veracity Engine לליד Northwind: 100% מהאימייל שנשלח מגובה במקור, 60% מהטיוטה ניתנת לאימות, שתי טענות שנתפסו והוסרו עם סיבות המוצגות בתוך השורה. — תוצאת Veracity Engine: שלמות שליחה 100%, טיוטה ניתנת לאימות 60%, שתי טענות שנתפסו ונמחקו בקו עם סיבות.

לוח ראיות המציג עיגון ב-100% וישות תקינה, אך הבדיקה הזמנית נכשלת: גיל המקור 2,652 ימים חורג מ-365 ימים לטענת עדכניות, ולכן הפסיקה היא stale. — לוח הראיות: העיגון עובר, הישות עוברת, התוקף הזמני נכשל (גיל המקור 2,652 ימים מעל חלון 365 הימים). פסיקה: stale.

אותו פער בדיווח SEC אמיתי

Werner Enterprises, Inc. היא חברה ציבורית אמיתית, ומקורות W1 ו-W2 הם קטעים מילוליים מטופס 10-K לשנת הכספים FY2023 שלה (SEC EDGAR, CIK 0000793074, הוגש ב-2024-02-26). טענת הטיוטה "recently growing your One-Way Truckload fleet to 2,735 trucks" אמיתית עובדתית, אבל ההגשה בת יותר משנתיים, ולכן מסגור "recently" נתפס כ-stale. זה בדיוק פער השימוש-הזמני המוטעה שכלי התאמה אישית על בסיס דיווחי SEC משאירים פתוח. (איש הקשר ומודעת הדרושים בליד זה סינתטיים; רק Werner וקטעי ה-10-K שלה אמיתיים.)

טענה אמיתית של Werner Enterprises המגובה ב-SEC 10-K של FY2023, שנתפסה כ-stale כי ההגשה בת יותר משנתיים מול חלון עדכניות של 365 ימים. — טענת 10-K אמיתית של Werner, מדויקת עובדתית, שנתפסה כ-stale במסגור עדכניות.

התנגשות ישות בעלת אותו שם

בחזרה לליד Northwind, הטיוטה גם טוענת על "$40M Series B". המקור המצוטט אמיתי, אבל הוא עוסק ב-"Northwind Inc.", סטארט-אפ סייבר מ-Austin, לא ב-"Northwind Logistics". בדיקת התאמת הישות נכשלת והטענה מוסרת לפני שתוכל להישלח.

לוח ראיות המציג כישלון התאמת ישות: מקור המימון המצוטט עוסק ב-Northwind Inc., סטארט-אפ סייבר מ-Austin, לא ב-Northwind Logistics. — אי-התאמת ישות: מקור המימון מתאר את Northwind Inc., לא את Northwind Logistics.

ממשל עוסק בסיכון, לא רק בנכונות

Atlas Capital Markets הוא ברוקר-דילר סינתטי מפוקח-FINRA, עם איש קשר מסוג Chief Revenue Officer ועסקה של $220,000. אפילו טיוטה נקייה ב-100%, מגובה במקור במלואה, נכפית לבדיקה אנושית על ידי שער המדיניות, כי היא מפוקחת, הנהלה בכירה, ומעל סף $100,000. טיוטה נקייה אינה זהה לטיוטה שניתנת לשליחה.

Atlas Capital Markets נותב לבדיקה אנושית כי הוא מפוקח, הנהלה בכירה, ועסקה של $220,000, אף שהטיוטה מגובה במקור במלואה. — Atlas נותב לבדיקה אנושית על טיוטה נקייה ב-100%: מפוקח, הנהלה בכירה, עסקה מעל $100,000.

קבלה חתומה, ובנצ'מרק ניתן לשחזור

כל אימייל מייצר קבלת ביקורת JSON להורדה: ספק המודל והגרסה, הלקוח הפוטנציאלי ורמת הסיכון, דף העובדות, פסיקת כל טענה עם טווח המקור והתאריכים, ציון ה-veracity, כלל המדיניות שהופעל, והמאשר האנושי. על סט זהב מתויג של 25 מקרים, המאמת הדטרמיניסטי משיג דיוק פסיקה 25/25: 10 מתוך 10 טענות קשות או רעות נתפסו, 15 מתוך 15 טענות נקיות נשמרו. השחזוריות הזו היא מה שהופך זאת לבר-הסמכה, ושופט LLM אינו. אנו מייחסים את ה-25/25 לבנצ'מרק המתויג הזה, לעולם לא כערבות עולם-פתוח.

קבלת הביקורת JSON להורדה עם עקבות לכל בדיקה, גרסת מודל, פסיקות, טווחי מקור, תאריכים, וכלל המדיניות שהופעל. — קבלת הביקורת JSON החתומה, עם עקבות מלאים לכל בדיקה.

סט הזהב המתויג בן 25 המקרים שמשיג דיוק פסיקה 25 מתוך 25, דטרמיניסטי וניתן לשחזור. — סט הזהב בן 25 המקרים: דיוק פסיקה 25/25, אותה תוצאה בכל הרצה.

Standard AI SDR מול ה-Veracity Engine

אותו מתג שההדגמה משווה מולו, זה לצד זה.

ממד	Standard AI SDR	Veracity Engine
טענות מאומתות לפני שליחה	0	כל טענה עובדתית, באופן דטרמיניסטי
מי מחליט מה נשלח	ה-LLM שולח את מה שניסח בטיוטה	בדיקות ב-Python טהור, לא LLM
תפיסת מקור מיושן	אין	תוקף זמני, חלון 365 ימים
ישות שגויה בעלת אותו שם	אין	בדיקת התאמת ישות
שובל ביקורת	אין	קבלת JSON חתומה לכל אימייל
טיפול בסיכון גבוה	שולח בכל זאת	מנותב לבדיקה אנושית

מה שהדגמה זו אינה עושה

✓ היא אינה טוענת לשיעור הזיה אפסי. ה-LLM עדיין מנסח טיוטה; הערבות היא שטענות שלא הוכחו מוסרות לפני שליחה. כל מי שטוען לשיעור הזיה אפסי אינו כן.
✓ היא אינה משתמשת במחברים חיים. EDGAR, LinkedIn, Greenhouse, אחזור חדשות, קריאה וכתיבה ב-CRM, ושליחת אימייל מיושמים כ-stub או מדומים, ודף העובדות בנוי מראש.
✓ היא אינה מציגה את Northwind או Atlas כחברות אמיתיות. הן סינתטיות. רק Werner Enterprises וקטעי ה-10-K W1/W2 שלה הם רשומה ציבורית אמיתית.
✓ היא אינה מדווחת על טווח ההזיה של 12 עד 18% כתוצאה מדודה של המוצר עצמו. הנתון הוא הקשר שוק; כותרת ההדגמה היא כיסוי ייחוס מקור ושיעור הטיפול האוטומטי.
✓ היא אינה נושאת לקוחות, מקרי בוחן, המלצות או נתוני ROI. אף אחד מאלה אינו קיים עדיין. זו הדגמה שמוכיחה את המנגנון, לא פריסה.

שאלות שקונים באמת שואלים

האם זה בסך הכל עוד AI SDR (כמו 11x)?

לא. איננו מוסיפים עוד AI SDR לשוק. ה-Veracity Engine הוא שכבת אימות וממשל שיושבת אחרי הטיוטה: מאמת דטרמיניסטי ב-Python טהור בודק כל טענה ש-AI כתב מול מקור מתוארך ומתואם-ישות, מסיר כל דבר שלא הוכח, וכותב קבלת ביקורת חתומה לפני שהאימייל מורשה להישלח. סוכני AI SDR מייעלים לנפח; אנו מחליטים מה בטוח לשלוח.

כיצד מאמתים טענות באימייל מכירות שנוצר על ידי AI לפני שהן נשלחות?

כל טענה עובדתית בטיוטה עוברת שלוש בדיקות דטרמיניסטיות: עיגון (האם הטענה נגזרת מקטע מקור, בחפיפת טוקנים של לפחות 0.5), התאמת ישות (האם המקור עוסק בלקוח הפוטנציאלי המדויק הזה, לא בחברה בעלת אותו שם), ותוקף זמני (אם הטענה משתמשת בשפת עדכניות, המקור חייב להיות בתוך 365 ימים). רק טענות שעוברות מסומנות כ-supported ונשמרות; כל השאר מוסר. המאמת הוא קוד, לא LLM ששופט LLM, כך שאותו קלט תמיד מניב את אותה פסיקה.

כיצד הוא תופס טענה שנכונה טכנית אך מטעה?

זה בדיוק מצב הכישלון שבנינו עבורו, שההדגמה מכנה שימוש לרעה הקשרי. בליד אחד שעובד מקצה לקצה, המשפט "recently expanded into APAC" מעוגן ועוסק בחברה הנכונה, אבל המקור היחיד מתוארך 2019, כך שהוא בן 2,652 ימים מול חלון עדכניות של 365 ימים ונתפס כ-stale ומוסר. אנו מציגים את אותו דפוס על טענה אמיתית של Werner Enterprises המגובה ב-SEC 10-K של FY2023: מדויקת עובדתית, אבל ההגשה בת יותר משנתיים, כך שמסגור "recently" נכשל בתוקף זמני.

האם ניתן להשתמש בפניית AI בתעשיות מפוקחות כמו שירותים פיננסיים / FINRA?

שם שכבת אימות וממשל חשובה ביותר, כי טענה מוזה או מיוחסת-שגוי נושאת השלכה רגולטורית. בהדגמה, שער המדיניות מנתב כל אימייל שמפוקח, שנשלח לאיש קשר בהנהלה בכירה, או שקשור לעסקה של לפחות $100,000 לבדיקה אנושית, גם כאשר הטיוטה מגובה במקור במלואה. ממשל כאן הוא פונקציה של סיכון, לא רק של נכונות.

כיצד מוכיחים איזה מקור גיבה טענה, לביקורת ציות?

כל אימייל מייצר קבלת ביקורת JSON להורדה שמתעדת את ספק המודל והגרסה, את הלקוח הפוטנציאלי ואת רמת הסיכון, את דף העובדות, את פסיקת כל טענה עם טווח המקור והתאריכים, את ציון ה-veracity, את כלל המדיניות המדויק שהופעל, ואת המאשר האנושי. כל טענה נעקבת חזרה למקורה תוך שניות. מודל מושלם עדיין אינו יכול להוכיח למבקר איזה מקור עדכני גיבה איזו טענה; קבלה יכולה.

האם מודל AI טוב/חדש יותר פשוט יפתור את בעיית ההזיה?

לא, וזו הנקודה העמידה. מודלי בסיס טובים יותר עדיין מנסחים טיוטה, וכל מי שטוען לשיעור הזיה אפסי אינו כן, כך שהצורך להוכיח ייחוס מקור, לשמור שובל ביקורת, ולהפעיל שער לפי סיכון אינו נעלם. ייחוס מקור, קבלות ביקורת ושער מדיניות הם תכונות עמידות; כותב חזק יותר אינו מסיר את הדרישה לאמת ולמשול במה שהוא כותב.

האם זה מוצר חי או הדגמה?

זו הדגמה ניתנת להרצה שמוכיחה את המנגנון, לא צינור פרוס. מקורות האחזור (EDGAR, LinkedIn, Greenhouse, חדשות), הקריאה והכתיבה ב-CRM, ושליחת האימייל מדומים, ודף העובדות בנוי מראש; הלידים סינתטיים למעט Werner Enterprises, שקטעי ה-10-K שלה הם רשומה ציבורית אמיתית. המאמת הדטרמיניסטי, שער המדיניות וקבלת הביקורת אמיתיים ורצים בדיוק כפי שמוצג.

מחקר טכני

המחקר מאחורי הדגמה זו — הארכיטקטורה, תכנון האימות, ותכנית האב הארגונית.

הפתרון המלא

חקרו את פתרון AI Sales Intelligence & Verified Outreach →

שמים פניית AI מול קונים מפוקחים?

שכבת האימות והממשל היא החלק הקשה. אנו בונים אותה.

אם הצוות שלכם מתמודד עם השאלה איך לשים פניית AI מול קונים מפוקחים בלי לסכן טענה מוזה, נשמח באמת לשמוע איך אתם חושבים על זה. הבעיה היא ענפית, והתשובות יהיו כך גם הן.

הערכת אימות

✓ מיפוי היכן פניית ה-AI שלכם יכולה לשלוח טענה שלא הוכחה
✓ הגדרת כללי עיגון, ישות ותוקף זמני לנתונים שלכם
✓ תכנון רמות הסיכון ושער הבדיקה האנושית
✓ פירוט קבלת הביקורת שצוות הציות שלכם צריך

בניית השכבה

✓ מאמת דטרמיניסטי מעל המקורות האמיתיים שלכם
✓ שער מדיניות מכויל לתעשיות המפוקחות שלכם
✓ קבלות ביקורת חתומות להורדה לכל שליחה
✓ כתיבה הניתנת להחלפת מודל (Anthropic, OpenAI, Gemini, Ollama)

התחברו ב-WhatsApp שלחו אימייל לצוות שלנו