Claude Academyמלמדת את הכלים.כאן הופכים אותםלשיטת עבודה.Claude Academy מלמדת את הכלים.כאן הופכים אותם לשיטת עבודה.

Claude Academy היא סביבת הלימוד הרשמית של Anthropic. נכון למועד העדכון, אפשר לעיין בתכנים ללא תשלום, וחשבון Claude חינמי מאפשר לשמור התקדמות ולקבל תגי השלמה. הקטלוג מכסה את Claude.ai, Claude Code, Cowork, פלטפורמת המפתחים, MCP, Skills, Subagents ו-AI Fluency. זו התקדמות משמעותית לעומת מצב שבו כל משתמש למד מסרטון אחר וקיבל שיטת עבודה שונה.

הערך הגדול אינו רק בכמות הקורסים. החומר מסודר סביב פעולות שהמשתמש צריך לבצע: להגדיר מטרה, לתת הקשר, לעבוד באיטרציות, להעריך את התוצאה ולבנות מנגנון שאפשר לחזור עליו. זו בדיוק הנקודה שבה שימוש מקרי בצ׳אט מתחיל להפוך ליכולת ארגונית.

אבל Academy אינה מכירה את תהליכי הארגון, את הרשאות המידע, את מדדי ההצלחה ואת האנשים שאמורים להשתמש בפתרון ביום שני בבוקר. היא מלמדת את המנוע ואת שפת העבודה. ההטמעה מתחילה כאשר מחברים את היכולת לתהליך אמיתי, לבעל תפקיד ולמספר שאפשר למדוד לפני ואחרי.

Anthropic פרסמה ב-Academy תוכנית לימוד שמבוססת על ניתוח של יותר מ-50 אלף שיחות. לפי ההסבר הרשמי, לכל סביבת עבודה יש מהלך אופייני שמנבא שימוש טוב יותר. בצ׳אט זהו תהליך איטרטיבי: לא לצפות לתוצאה מושלמת בבקשה הראשונה, אלא לבדוק, לדייק ולבנות יחד. ב-Claude Code וב-Cowork המהלך הבולט הוא הבהרת המטרה לפני תחילת הביצוע.

המשמעות לעסק פשוטה. העובד לא צריך לזכור מאה טכניקות פרומפטינג. הוא צריך ללמוד לעצור בנקודה הנכונה: לפני שהסוכן מתחיל לפעול, לנסח מהו הפלט, מה אסור לשנות, באילו מקורות להשתמש ואיך נדע שהתוצאה טובה. לאחר מכן הוא צריך לבדוק את העבודה בנקודות ביניים ולא רק בסוף.

בהדרכה ארגונית אנחנו מתרגמים את זה לתבנית קצרה שחוזרת בכל משימה: מטרה, חומרי מקור, גבולות, דוגמת פלט, נקודת אישור ומדד. כאשר אותה תבנית נכנסת ל-Skill או ל-CLAUDE.md, היא מפסיקה להיות הרגל של עובד מצטיין והופכת לדרך עבודה שהצוות כולו יכול לשחזר.

Skill הוא לא פרומפט ארוך ששומרים בצד. לפי התיעוד הרשמי, Skill הוא תיקייה שבמרכזה קובץ SKILL.md עם frontmatter והוראות Markdown, ואפשר לצרף אליה מסמכי עזר, תבניות וסקריפטים. התיאור הקצר עוזר ל-Claude להחליט מתי ה-Skill רלוונטי, והטעינה ההדרגתית מאפשרת לשמור מידע מפורט בלי להעמיס את כולו על כל שיחה.

Skill טוב מתאר שיטה שחוזרת. למשל: כיצד בודקים הצעת מחיר מול מדיניות החברה, איך הופכים תמלול פגישה למשימות, או איך מכינים דוח שבועי מאוסף קבצים. הוא כולל תנאי כניסה, סדר עבודה, נקודות עצירה, פורמט פלט ובדיקת איכות. Skill חלש מכיל משפטים כלליים כמו ״תהיה מקצועי״ או עשרות כללים שאיש לא בדק על חומר אמיתי.

היתרון הארגוני הוא תחזוקה. במקום שכל עובד יפתח גרסה משלו לתהליך, יש קובץ אחד שאפשר לבקר, לשפר ולשתף. עם זאת, חייבים למנות בעלים ל-Skill, לשמור גרסאות ולבדוק אותו על מקרי קצה. מסמך הוראות מיושן יכול להפוך טעות מקומית לטעות שחוזרת בכל הצוות.

Subagent הוא תפקיד מומחה שמוגדר בקובץ Markdown עם שדות YAML. אפשר לבחור לו תיאור, כלים, מודל והוראות משלו. היתרון העיקרי אינו ריבוי סוכנים מרשים על המסך, אלא בידוד: משימת מחקר גדולה אינה ממלאת את ההקשר הראשי, ובקר איכות יכול לבדוק תוצר בלי להיות מושפע מכל השיקולים של מי שיצר אותו.

השתמשו ב-Subagent כאשר יש אחריות נפרדת וברורה. חוקר מקורות שמותר לו לקרוא באינטרנט אך לא לשנות קבצים. בקר פרטיות שבודק מידע רגיש. מנתח נתונים שעובד רק על תיקייה מוגדרת. אל תיצרו סוכן לכל שלב קטן. שרשרת של סוכנים עם אחריות חופפת מגדילה זמן, עלות וקושי להבין מי טעה.

בעבודה ארגונית חשוב במיוחד להפריד בין יכולת לבין סמכות. העובדה שסוכן יכול לשלוח הודעה, לעדכן CRM או לשנות קובץ אינה אומרת שמותר לו לעשות זאת ללא אישור. מגדירים הרשאות מינימליות, מתעדים את נקודות האישור ומוודאים שהאדם שמאשר רואה את הפעולה והיעד המדויקים.

MCP, או Model Context Protocol, הוא תקן שמאפשר ל-Claude לעבוד עם כלים ומקורות מידע חיצוניים. באמצעות שרת MCP אפשר לחשוף פעולות או מידע ממערכות מאושרות. הערך שלו גדול כאשר הסוכן צריך לעבור מקריאת קבצים מקומיים למידע עדכני או לפעולה במערכת עסקית.

הטעות הנפוצה היא לראות חיבור פעיל כהטמעה גמורה. MCP אומר שהכלי זמין. הוא לא מחליט מי רשאי להשתמש בו, איזה מידע מותר להעביר, האם פעולה דורשת אישור ואיך משחזרים שינוי שגוי. את השאלות האלה פותרים במדיניות, בתכנון הרשאות ובתהליך העבודה.

Hooks פותרים בעיה אחרת. הם מריצים פעולה מוגדרת באירועים כמו לפני שימוש בכלי או בסיום משימה. זה המקום לבדיקות שחייבות לקרות באופן עקבי: אימות פורמט, בדיקת קבצים אסורים או הפעלת בדיקות לפני שינוי. כאשר כלל הוא חובה תפעולית, עדיף לא להסתפק במשפט בהוראות ולקוות שהמודל יזכור אותו.

בשבוע הראשון בוחרים תהליך אחד, לא מחלקה שלמה. מתעדים את הטריגר, הקלט, ההחלטות, המערכות, הפלט והאדם שמאשר. מודדים כמה פעמים התהליך קורה, כמה זמן הוא לוקח וכמה תיקון ידני נדרש. בלי נקודת בסיס אין דרך לדעת אם ה-AI שיפר משהו.

בשבוע השני בונים גרסה קטנה. בדרך כלל זה Skill אחד, Agent אחד או חיבור אחד למקור מידע. בודקים את התוצאה על עשר דוגמאות אמיתיות, כולל דוגמאות בעייתיות. המטרה אינה דמו יפה, אלא לגלות היכן ההוראות, המידע או גבולות ההרשאה אינם מספיק ברורים.

בשבוע השלישי מצרפים קבוצה קטנה של משתמשים מהשטח. נותנים להם לבצע משימה אמיתית, מתבוננים היכן הם נעצרים ואוספים ניסוחים שחוזרים. בשבוע הרביעי משווים לבסיס: זמן עבודה, איכות, שימוש חוזר, טעויות ותיקון ידני. רק אז מחליטים להרחיב, לתקן או לעצור.

החלטת הרחבה טובה נשענת על ארבעה סימנים: המשתמשים חזרו להשתמש בתהליך בלי תזכורת, התוצאה עמדה בבקרת איכות, נחסך זמן גם לאחר הבדיקה האנושית, והארגון יודע מי הבעלים של הכלי ושל מקורות המידע. אם אחד מהם חסר, יש עוד עבודת הטמעה לפני שמגדילים הרשאות או קהל.