בתאריך 06.02.2026 התקיים מיטאפ פרונטלי בחברת jfrog שכותרתו הייתה:
Powering Quality KPIs with AI: The Why and How
האירוע החל בהצגת הפעילויות של ITCB&TestIL ע״י קארין זלוף, ולאחר מכן החלו ההרצאות המרכזיות
הרצאה ראשונה:
סיכום הרצאה
אכיפת איכות בעידן ה-AI – מ-Vibe Coding ל-Guardrails מרצים: עידן מרציאנו וליהי גלבוע, Quality Engineering, JFrog
ההרצאה עסקה במתח שבין פיתוח מואץ מבוסס AI לבין הצורך ההולך וגובר בבקרת איכות, והציגה כיצד ניתן להפוך את ה-AI ממאיץ בלתי מבוקר למנגנון איכות מנוהל סיכונים. באמצעות דוגמאות מהשטח הוצג מודל עבודה שבו AI אינו רק מייצר קוד מהר יותר, אלא פועל בתוך מסגרת ברורה של Guardrails, שמבטיחה איכות, עקביות ואמינות לאורך מחזור הפיתוח.
Vibe Coding וסוכני תכנון בעולמות האיכות
בחלק הראשון הוצגה תפיסת ה-Vibe Coding בהקשר של QA. הדגש היה על המעבר מתפקיד של “צוואר בקבוק” לתפקיד אסטרטגי, שבו צוותי איכות מסוגלים לייצר בתוך דקות דאשבורדים מורכבים, המאחדים נתונים ממקורות שונים ומספקים תמונת מצב ויזואלית, עדכנית וברורה לצוותים ולדרג הניהולי.
בנוסף הוצג Test Plan Agent – סוכן AI ייעודי לתכנון בדיקות, המשמש כ-Guardrail ראשוני בתהליך. הסוכן מחייב עמידה בחוקים מוגדרים מראש, כך שתכנון הבדיקות אינו נשען רק על Happy Flow, אלא כולל באופן מובנה גם בדיקות שליליות, UI, ביצועים ושדרוגים. התוצאה היא קיצור משמעותי של זמן התכנון, לצד עלייה ברמת הדיוק והכיסוי הרלוונטי.
Guardrails וניהול סיכונים כבר משלב הקוד
בחלק השני הועמקה הגישה של “איכות משלב ראשון”, כבר ברמת ה-Unit Tests. הוצגה ביקורת על השימוש ב-Code Coverage כ-KPI מרכזי בעידן ה-AI: אמנם קל להגיע לאחוזי כיסוי גבוהים באמצעות AI, אך לעיתים מדובר בכיסוי שטחי שמסתיר חורים לוגיים, מקרי קצה לא מטופלים, דופליקציות ו-Mocks בסיסיים מדי.
כדי להתמודד עם הפער הזה הוצג מודל Guardrails מתקדם, הכולל:
Engineering Guardrails – חוקים מחייבים שמגדירים סטנדרטים של קוד, בדיקות שליליות ושימוש נכון ב-Mocks, גם כאשר הקוד נכתב בעזרת AI.
AI Skills Framework – הטמעת מיומנויות ומיינדסט של איכות בתוך סוכני ה-AI עצמם, כך שהם יפעלו לפי עקרונות בדיקות ולא רק ייצרו קוד “צבוע בירוק”.
Impact Analysis דינאמי – ניתוח Blast Radius לכל שינוי בקוד, קביעת רמת סיכון, והתאמת טכניקות הבדיקה (מבדיקות בסיסיות ועד Mutation Testing) בהתאם לריסק.
בסיכום, ההרצאה הציגה תפיסה ברורה: בעידן ה-AI, איכות לא יכולה להישאר תוצר לוואי של פיתוח מהיר. רק שילוב בין האצה חכמה לבין Guardrails מתודולוגיים מאפשר לפתח מהר – מבלי לוותר על שליטה, יציבות ואמון במערכת.
הרצאה שנייה:
מהפכת האוטומציה ב-Waze בעזרת Gemini ו-AI Agents
מרצה: אלעד אור - גוגל וייז
ההרצאה הציגה כיצד Waze רותמת יכולות AI מתקדמות, ובראשן Gemini, כדי לחולל שינוי עמוק בעולם האוטומציה והאיכות. הדגש היה על מעבר מאוטומציה כבדה ויקרה לתחזוקה, לאוטומציה חכמה, אדפטיבית ומבוססת סוכני AI.
בתחום בדיקות ה-UI הוצגו שיפורים משמעותיים, כולל הפחתה של כ-80% במאמץ התחזוקה, באמצעות שימוש ב-AI שמבין הקשר ויזואלי והתנהגותי ולא נשען רק על סלקטורים שבירים. במקביל הודגם כיצד סוכני AI חכמים משולבים לא רק בצוותי בדיקות, אלא גם בצוותי פיננסים ותמיכה, ומסייעים באוטומציה של תהליכים מורכבים חוצי-ארגון.
אחד הנושאים המרכזיים היה קונספט ה-AI Twin (התאום הדיגיטלי), המבוסס על NotebookLM. התאום הדיגיטלי משמש כישות ידע חיה: הוא מרכז תיעוד, מסכם פגישות באופן אוטומטי, ומאפשר לצוותים גישה מהירה לתובנות ולהחלטות שהתקבלו – ללא תלות בזיכרון אנושי או בסיכומי ידניים.
בנוסף, המצגת סקרה כלים פרקטיים מתוך האקוסיסטם של Google, בהם Vertex AI, ושימוש ב-Vision לניתוח מסכים בזמן אמת. יכולות אלו מאפשרות לא רק בדיקה פונקציונלית, אלא גם הבנה עמוקה של חוויית משתמש והתנהגות המערכת כפי שהיא נתפסת על ידי המשתמש בפועל.
בסיכום, ההרצאה הציגה כיצד שילוב נכון של מודלי שפה, Vision וסוכני AI מאפשר ל-Waze להרחיב את גבולות האוטומציה – מאוטומציה של בדיקות בלבד, לפלטפורמה חכמה שמעצימה צוותים, מצמצמת חיכוך תפעולי ומייצרת ערך עסקי רחב.
ההרצאה עסקה באופן שבו נולדים טרנדים בעולם ה-AI, כיצד הם משנים תפקידים, מודלים עסקיים ואופן עבודה, ומהם האתגרים והסיכונים שמתלווים למהפכה הזו.
איך נוצר טרנד בעולם ה-AI
הוצגה תפיסה שלפיה טרנדים ב-AI אינם נוצרים רק במעבדות של Google או OpenAI, אלא במפגש שבין צורך אנושי חזק לבין טכנולוגיה שבשלה פתאום לשימוש רחב. דוגמה לכך היא NotebookLM, שהפך לוויראלי לא בגלל חדשנות טכנולוגית גרידא, אלא משום שהוא פתר בעיה יומיומית בצורה פשוטה ונגישה. המסקנה המרכזית: כדי לזהות את הטרנד הבא, יש להסתכל קודם כל על הבעיה – ורק אחר כך על הטכנולוגיה.
טשטוש גבולות בין תפקידים
ההרצאה הדגישה כיצד ה-AI מערער על חלוקת התפקידים המסורתית. מעצבים, מפתחים ואנשי שיווק כבר אינם פועלים בגבולות ברורים: המפתח הופך לארכיטקט-על, המעצב לאוצר ויזואלי, וכוח היצירה עובר למי שמחזיק בחזון וביכולת להגדיר פרומפטים מדויקים. במקביל, הציפיות מהעובדים עולות – קצב הביצוע גדל, והיעילות הופכת לסטנדרט בסיסי.
עליית הסוכנים האוטונומיים
נסקר המעבר מכלי AI תומכים לכלים אוטונומיים – סוכנים שלא רק מציעים המלצות, אלא מקבלים החלטות, מפעילים מערכות וסוגרים משימות מקצה לקצה. סוכנים אלו נתפסים כשלב הבא באבולוציה של ה-AI, משום שהם מפחיתים את הצורך בניהול מיקרוסקופי של משימות ומעבירים את הפוקוס מהביצוע עצמו לניהול מטרות ותוצאות.
הסיכון שבאוטונומיה
לצד היתרונות, הוצג גם “הצד האפל” של הסוכנים האוטונומיים: מה קורה כאשר סוכן דיגיטלי פועל מעבר למה שתוכנן עבורו, או מקבל החלטות לא צפויות? השאלה הזו ממחישה את הצורך בגבולות, בקרה ואחריות ברורה בעולם שבו מערכות פועלות באופן עצמאי יותר ויותר.
משבר מודל ה-SaaS
ההרצאה נחתמה בניתוח האתגר הקיומי של מודל ה-SaaS הקלאסי. כאשר AI מסוגל לייצר קוד ופתרונות מותאמים אישית במהירות, הערך של מוצרי מדף גנריים נשחק. ארגונים נוטים לעבור מתמחור לפי מושבים (Seats) לתמחור לפי תוצאה וערך עסקי – שינוי שעשוי לעצב מחדש את שוק התוכנה בשנים הקרובות.
בסיכום, ההרצאה הציעה הסתכלות רחבה ומפוכחת על עולם ה-AI: לא רק כהתפתחות טכנולוגית, אלא ככוח שמגדיר מחדש טרנדים, תפקידים ומודלים עסקיים – ומחייב חשיבה מחודשת על שליטה, אחריות וערך.
הרצאה רביעית:
הסיפור מאחורי Olly – איך LLMs משנים את עולם ה-Observability וה-Reliability מרצה: יניב זוהר לאתר ההרצאה: https://jfrog-yaniv.vercel.app/
ההרצאה עסקה בשינוי העמוק שעובר עולם ה-Observability בעידן ה-LLMs, ובמעבר מתפיסה של “איסוף ויזואליזציה של דאטה” לתפיסה שבה המטרה האמיתית היא Reliability מתמשכת ויכולת פעולה.
מהי המטרה האמיתית של Observability
נסקרה ההתפתחות ההיסטורית של תחום ה-Observability: מהימים של לוגים ומדדים מנותקים, דרך סטנדרטים ו-Best Practices, ועד להבנה שהיעד מעולם לא היה רק לראות דאטה. המטרה האמיתית היא מערכות אמינות שעובדות לאורך זמן, מתאוששות במהירות מתקלות, ומאפשרות לארגון לפעול בביטחון – לא רק להציג דאשבורדים מרשימים.
הפער בין כמות הדאטה לערך העסקי
בעוד שהמערכות המודרניות מייצרות כמויות עצומות של Signals, האחריות לחבר בין הנתונים, להבין הקשר, להסיק מסקנות ולפעול – עדיין נופלת ברובה על בני אדם. מצב זה יוצר עומס קוגניטיבי, תהליכים ידניים ושחיקה, עד כדי כך שארגונים “עובדים בשביל כלי ה-Observability”, במקום שכלי ה-Observability יעבדו בשבילם.
למה פרויקטי AI רבים נכשלים
הוצגה תובנה מרכזית מניסיון מצטבר וממחקרים: כישלון נפוץ נובע מניסיון “להדביק” LLMs על תהליכים קיימים, מבלי לשנות את דרך החשיבה. ההצלחה של מודלים כמו ChatGPT לא נבעה משיפור קטן בתהליך מוכר, אלא מחשיבה מחדש על חוויית המשתמש ועל מה בכלל אפשרי. אותו עיקרון חל גם על Observability – אין ערך אמיתי בהוספת AI כקישוט.
Observability בעידן ה-LLMs: חשיבה מחדש מהיסוד
במקום לשאול “איך נוסיף AI לכלי קיים”, הוצגה גישה ששואלת איך נראה עולם שבו LLMs הם שכבה טבעית במערכת: שכבה שמבינה הקשר, מחברת בין מקורות מידע שונים ופועלת על בסיס דאטה תפעולי. הגישה נשענת על הארכיטקטורה של Coralogix, ומאפשרת בנייה של מערכת שלמה של Autonomous Observability Agents – לא כגימיק, אלא כתשתית.
Olly: ממערכת שמציגה מידע למערכת שפועלת
Olly מייצג שינוי תפיסתי: מעבר מכלי שמנתח ומציג מידע, למערכת שמבינה הקשר, מזהה חריגות, חוקרת תקלות ומובילה לפתרון. הערך אינו רק טכנולוגי אלא גם ארגוני – הפחתת עבודה סיזיפית, קיצור זמן תגובה, והסטת הפוקוס של הצוותים למה שבאמת חשוב.
מבט קדימה: Observability ללא תלות במומחיות
החזון שהוצג ברור: פחות חיכוך, פחות ידע שבטי, פחות עבודה ידנית – ויותר מערכות שמבינות כוונה, הקשר ותוצאה. בעולם כזה, Reliability אינה יעד שדורש מאמץ תמידי מצד בני אדם, אלא תוצר טבעי של המערכת עצמה.
בסיכום, ההרצאה הציגה כיצד LLMs מאפשרים קפיצת מדרגה אמיתית בעולם ה-Observability: לא רק לראות טוב יותר מה קורה במערכת, אלא לפעול חכם יותר – ולהפוך Reliability למובנה ולא מאולץ.
אנו משתמשים ב-cookies ובטכנולוגיות נוספות כדי לשפר את החוויה של המשתמשים באתר, לשפר את האתר ולהציג תכנים ופרסומים שעשויים להתאים להעדפותיהם והכל כמפורט ב
מדיניות הפרטיותומדיניות ה-cookies.
כניסה ושימוש באתר מהווים הסכמה לשימוש בקבצי ה-cookies.
