ההבטחה היא לבדוק החלטות עסקיות מול מודל של התנהגות אנושית. האתגר הוא להוכיח שהוא מבין לקוחות, ולא רק נשמע משכנע.
אפשר לבקש מצ'אטבוט להתנהג כמו לקוחה בת 30, להציג לו מוצר חדש ולשאול אם הייתה קונה אותו. הוא כנראה יענה מיד, בנימוס ועם הסבר מסודר. מבחינת מנהל שיווק, זו הצעה מפתה: קבוצת מיקוד בלי לתאם יומנים ובלי לחכות שמישהו יסיים לדבר. אלא שתשובה שנשמעת כמו משהו שלקוחה הייתה אומרת אינה בהכרח סימן לכך שהיא תוציא כסף בקופה. בדיוק על הפער הזה בונה Mirror Particle, שמבקשת להציע דרך אחרת לחזות התנהגות אנושית. השאלה העסקית שמאחורי הסיפור פשוטה: כשחברה עומדת להשקיע במוצר או בקמפיין, כמה כדאי לה להסתמך על צרכנים שקיימים רק בתוך מחשב?
לפי הדיווח של TechCrunch על Mirror Particle, החברה צפויה להציג במסגרת Startup Battlefield 200 בכנס Disrupt מודל שנבנה מאפס לחיזוי התנהגות אנושית. היא מתארת אותו כ״מודל עולם״ וטוענת שמשחק תפקידים של מודלי שפה אינו מספק לצורכי מחקר שוק ואסטרטגיית מותג. זו עמדה של החברה, ולא הכרעה מדעית שאפשר לקבל על סמך ההכרזה. ובכל זאת, יש כאן זווית מעניינת: במקום להסתפק בבוט שמייצר תשובות בסגנון של קהל יעד, ההבטחה היא לבנות מודל שמכוון להבנת התנהגותו. מבחינת הלקוח העסקי, שם הארכיטקטורה פחות חשוב מהשאלה אם התחזית עוזרת לקבל החלטה טובה יותר.
כדי להבין את ההקשר, כדאי להסתכל על מחקר על סימולציות של 1,052 אמריקאים, שפורסם לראשונה ב־2024 ועודכן ביוני 2026. החוקרים בנו סוכנים המבוססים על מודלי שפה, והזינו אותם בראיונות בני שעתיים, בתשובות לסקרים או בשילוב של השניים. בגרסה המעודכנת, הסוכנים שקיבלו גם ראיונות וגם סקרים הגיעו בתשובות לשאלות סקר שלא נכללו במידע שסופק להם לדיוק יחסי של 86%, לעומת 74% אצל סוכנים שקיבלו תיאור דמוגרפי בלבד. ה־86% נמדדו ביחס לעקביות של המשתתפים בתשובותיהם שלהם כעבור שבועיים; זה אינו נתון שלפיו המערכת חזתה נכון 86% מהקניות. ההבחנה הזו חיונית, משום שמספר מרשים יכול להפוך בקלות להבטחה מסחרית גדולה בהרבה ממה שנבדק בפועל.
המחקר מספק משקל נגד לטענה גורפת שלפיה מודלי שפה אינם יכולים לשמש לסימולציה של אנשים: לפחות בחלק מהמשימות שנבדקו, מידע על האדם שיפר את התחזיות לעומת תיאור דמוגרפי בלבד. הוא גם אינו מוכיח שהגישה של Mirror Particle מיותרת. שחזור תשובות לסקר וחיזוי ביקוש למוצר חדש הם מבחנים שונים. הניתוח שלנו הוא שהתחרות המעניינת כאן תהיה פחות בין שתי תוויות — ״מודל שפה״ ו״מודל עולם״ — ויותר בין איכות הנתונים, סוג ההתנהגות שנמדדת ויכולת המודל להתמודד עם מצב שלא פגש קודם. עבור חברה שרוכשת שירות כזה, הסבר מפורט יכול להיות שימושי, אבל הוא אינו תחליף לבדיקה של התחזית מול תוצאה אמיתית.
מנקודת מבט ישראלית, הערך האפשרי ברור במיוחד לחברות שרוצות לבדוק מוצר או מסר לפני השקעה בשיווק. אבל גם כאן צריך להפריד בין פוטנציאל לבין התאמה מוכחת. המחקר שהוזכר בדק אמריקאים; אי אפשר להסיק ממנו אוטומטית על קונים בישראל, על תשובות בעברית או על קהלים מקומיים שונים. בניסוי היפותטי של רשת ישראלית, למשל, אפשר היה לבקש מהמודל להעריך כיצד לקוחות יגיבו לשינוי מחיר או לאריזה חדשה, ואז להשוות זאת לניסוי בחנויות. זו הצעה לבחינה, ולא תיאור של שימוש שכבר נעשה במוצר. היתרון העסקי ייווצר אם המערכת תסייע לבחור בין חלופות לפני שמוציאים תקציב — ויתכווץ אם תספק בעיקר נימוקים יפים להחלטה שכבר התקבלה.
לכן, לצד ההתרשמות מההכרזה, כדאי לדרוש מבחן פשוט להבנה: לקבוע מראש מה המערכת אמורה לחזות, להשוות אותה לשיטה שכבר נמצאת בשימוש ולמדוד מה קרה בפועל. גם להבחנה בין שינוי בהעדפה לבין שינוי ברכישה יש משמעות כלכלית; אנשים יכולים לאהוב רעיון בלי לרצות לשלם עליו. המבחן הוא התנהגות שנמדדה, לא מידת הביטחון שבה הבוט מסביר אותה. אם Mirror Particle תצליח להראות יתרון עקבי במבחן כזה, תהיה לה טענה עסקית חזקה הרבה יותר מהכותרת ״מודל עולם״. עד אז, ההכרזה מציבה שאלה טובה בפני תחום מחקר השוק: האם אפשר ללמוד על לקוחות באמצעות סימולציה, בלי לטעות ולחשוב שהסימולציה היא הלקוח? בסוף, גם לקוח וירטואלי משכנע מאוד עדיין לא מעביר כרטיס בקופה.
