אוטומציה חילוץ וניתוח תביעות מ-emails בעברית עם AI — המדריך המלא

מהו חילוץ וניתוח תביעות מ-emails בעברית עם AI?

חילוץ תביעות בעברית עם AI הוא תהליך שבו מודל בינה מלאכותית קורא emails בעברית טבעית וחוזר בחזרה עם רשימה מובנית של טענות, בעיות או דרישות שציין כותב ה-email. הלב של התהליך הוא prompt מעוצב כראוי שמסביר למודל בדיוק אילו טיפוסי טענות צריכים להיות חשובים, בעברית טבעית מלאה.

למה זה חשוב? רוב הארגונים בישראל — שירותים, תקשורת, יוטילס, ביטוח — מטבעות קבל עשרות או מאות emails יום עם תביעות וטענות של לקוחות. עובד אדם שמנתח את אלה ידנית לוקח 20-60 דקות ל-email, וקל להחמיץ טענה חשובה בעייפות או בכדי לא להחזיר הודעה משלוש שגיאות. AI עם prompt מקצועי יכול לעשות את זה תוך שניות, עם עיקביות גבוהה.

מה זה prompt ולמה הוא הגורם הקריטי?

Prompt הוא ההוראה בעברית (או בשפה אחרת) שאתה כותב עבור מודל כמו קלוד (Claude), שמסביר למודל בדיוק מה אתה רוצה שיעשה עם ה-email. prompt טוב משפיע ישירות על איכות התוצאה.

דוגמה prompt בסיסי:

אתה מנתח תביעות של לקוחות.
קרא את ה-email המצורף וחלץ:
1. סוג הבעיה (חיוב שגוי, שירות לא עמד בציפיות, אחר)
2. תיאור הטענה בשורה אחת
3. חומרת הטענה (1-5, כאשר 5 היא הגבוהה ביותר)
4. אם יש בקשה מפורשת מהלקוח — כתוב אותה
5. אם יש אזכור של תביעה משפטית או בקשה להחזר כספי — הדגש בהודעה

חזר JSON עם השדות האלה:
{"issue_type": "", "claim": "", "severity": "", "explicit_request": "", "legal_mention": ""}

זה prompt בסיסי. prompt עדוף יכלול דוגמאות (few-shot learning), הנחיות על מה לא לחלץ (negative prompting), והוראה לחזור בשדה נוסף עם 'confidence score' (ודאות של המודל).

צעדים מעשיים לביצוע אוטומציה

1. הגדרו רשימת טיפוסי טענות שחשובות לכם

לפני שאתם מדברים עם מודל, כתבו down בקצרה: אילו טיפוסי טענות חשובות בעסק שלכם? דוגמאות:

• חיוב שגוי או כפול
• שירות לא הגיע בזמן
• מוצר פגום או לא תואם לתיאור
• התחייבות שלא נשמרה
• בעיה בתמיכה או בתגובה

כתבו את זה בעברית, בפשטות. משימה זו לוקחת 30 דקות אבל היא קטילית — היא תיעד את ה-DNA של העבודה שלכם.

2. איספו 10-20 דוגמאות emails אמיתיים מהעבר

תבקשו מהצוות שלכם emails ישנים — עם זכר מה היתה הטענה האמיתית וכיצד הטיפלו בה. זה יהיה ה-"golden dataset" שלכם — סט הבדיקה.

3. כתבו prompt ראשוני עם דוגמאות (few-shot learning)

קלוד (Claude) עובד הרבה יותר טוב כשאתה נותן לו דוגמה או שתיים של input-output נכון. כלומר:

אתה מנתח תביעות לקוחות בעברית.

דוגמה 1:
Email: "שלום, ביום רביעי הזמנתי חבילה ולא קיבלתי עדיין. זה כבר 5 ימים. זה הבטחתם שה-shipping הוא 2 ימים. בקשתי להחזר כספי מלא."
Output:
{
  "issue_type": "שירות לא עמד בציפיות / העברה איחרה",
  "claim": "חבילה לא הגיעה ב-5 ימים, הובטח שירות 2 ימים",
  "severity": 4,
  "explicit_request": "החזר כספי מלא",
  "confidence": 0.95
}

כעת, חלץ מה-email הבא:
Email: [insert email actual]

זה נקרא few-shot learning, והוא משפר את התוצאה בדרך כלל ב-30-50%.

4. בדקו ב-API של קלוד (Claude) או באמצעות Playground

אם אתם בחברה טכנולוגית, התחברו ל-Claude API וכתבו קוד Python או JavaScript פשוט שיעביר את ה-email והוא יחזור JSON. אם אתם לא מפתחים, השתמשו ב-Claude Playground בחינם כדי לבדוק את ה-prompt.

5. בדקו את הדיוק על ה-golden dataset שלכם

לקחו את 10 ה-emails הראשונים שאספתם, הפעילו את ה-prompt, וספרו: כמה תביעות חלץ המודל נכון? כמה החמיץ? דוגמה:

• אתם יודעים שב-email זה היתה טענה על "חיוב שגוי" — האם קלוד (Claude) גם זיהה אותה?
• אם הוא זיהה רק 7 מ-10 — דיוק של 70%. זה לא מספיק. חזרו ל-prompt וסדרו אותו.

6. התקינו integration או workflow

ברגע שה-prompt עובד, בחרו כיצד להפעיל אותו:

אפשרות 1: Make.com או Zapier (לא-דוולופרים) חברו את ה-email שלכם (Gmail, Outlook וכו') ל-Make.com, וכשמגיע email חדש, הוא יעביר אותו ל-Claude API ויחזיר JSON לגיליון Excel או לקrac CRM.

אפשרות 2: סקריפט Python עם API (לדוולופרים)

import anthropic

client = anthropic.Anthropic(api_key="your-api-key")

email_text = "...email here..."

message = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    messages=[
        {"role": "user", "content": f"analyze this email: {email_text}"}
    ]
)

print(message.content[0].text)

אפשרות 3: Webhook (תוך-חברה) אם יש לכם CRM או email system משלכם, בקשו מהמפתחים לתוסיף webhook ש-triggers בכל email חדש, שולח לנו ל-API, ושומר את התוצאה בטבלה.

7. מעקב וכיול מתמשך

לא סיימתם בעצם. כל שבוע, בדקו 5-10 emails קדימה וספרו את הדיוק. אם דיוק יורד (למשל מכיוון שלקוחות התחילו לכתוב בסגנון שונה) — עדכנו את ה-prompt.

טעויות נפוצות שחייבים להימנע

1. Prompt שגוי שלא מראה דוגמות

אם אתם מעבירים prompt כמו "חלץ תביעות" וזהו — המודל יחזור בהערות אקראיות. תמיד בואו דוגמה או שתיים.

2. לא בדיקה מול golden dataset

רבים משתמשים בתהליך אוטומטי לחדשות וחושבים שעובד — בלי בעצם לבדוק על דוגמאות אמיתיות. זה כמו להטוס עיוור. בדקו על 10-20 emails לפני rollout.

3. ציפייה שהמודל יהיה 100% מדויק

קלוד (Claude) טוב מאד, אבל הוא לא מושלם. בדרך כלל, דיוק של 85-95% הוא מעולה עבור חילוץ תביעות. למה? כי גם בני אדם לא מסכימים תמיד על ההגדרה בדיוק — זה תלוי בהקשר.

4. שימוש ב-model לא מתקדם

אל תשתמשו ב-GPT-3.5 או בגרסאות מרוחקות קדימה עבור זה. משתמשו ב-Claude 3.5 Sonnet, GPT-4o, או Grok — אלה יש הבנה טובה בעברית.

5. העברת emails ללא "context pruning"

אם email ארוך מאד (3000 תווים) — זה יכול לבלבל את המודל ו"להעלות" טענות שלא אמיתיות. חתכו את ה-email ל-"חלק הרלוונטי" אם אתם יודעים מה זה (למשל, רק את הגוף, לא את ה-forwarded messages שלפני זה).

דוגמה ישראלית: חברת טלקום

חברת telecom בישראל מקבלת 500+ emails יום של תביעות מלקוחות:

• "התחייבתם שעד ה-15 בחודש תוריד את הטריף ולא עשיתם"
• "דחויתי הרבה פעמים, הבקשה להתחברות Fiber לביתי"
• "קיבלתי חיוב שלושה פעמים על אותו הדבר"

החברה בנתה prompt קצר בעברית:

אתה צוות תביעות של חברת טלקום.
מכל email לקוח, חלץ:
1. סוג הבעיה (תיקון מחיר, אי-קבלת שירות, חיוב שגוי, שירות לקוח, אחר)
2. חומרת ההשפעה (כספית? שירותית? זמנית?)
3. כמה זמן הבעיה מתעסקת
4. בקשה מפורשת מהלקוח
חזור JSON.
דוגמה...

ב-3 שבועות:

• דיוק עלה ל-92%
• זמן טיפול ליצור צומצם מ-20 דקות ל-3 דקות (עובד רק צריך לפתוח את ה-JSON וטוב)
• צוות ה-triage חזק יותר כי הודעו מראש מה הטענה ודורגה

ל-email של שנייה זה עלה בכ-$5000-$8000 לחודש בעלויות טלות עבודה, וגם הלקוחות בחומרה גבוהה קיבלו תגובה מהר יותר.

טבלה השוואה: AI מול ידני מול RPA סורתי

מתי כדאי קצת מקצוען?

אתם צריכים ליעוץ מקצוען אם:

1. יותר מ-200 emails יום
2. טיפוסי טענות מורכבים שדורשים הקשר עמוק (כמו בביטוח או בדין)
3. צריכים integration עמוקה עם CRM או מערכת internal
4. רצונכם compliance ו-auditing trail (עקבות)
5. צריכם גרסה בעברית 100% וחוקית

שיעור פרטי בנושא או סדנה של יעקב צדק יכול לחסוך לכם שבועות של Trial & Error ולהעלות את הדיוק ל-95%+ כבר בשבוע הראשון.

שורה תחתונה

אוטומציה חילוץ תביעות בעברית עם AI (בעיקר קלוד (Claude)) היא קדימה סינכרוני לקול בשנת 2026. זה לא משהו שרק חברות גדולות עושות — גם עסקים בינוניים וחברות שירות יכולים להתחיל בעצמם תוך שנייה עם prompt מעוצב כראוי.

הצעד הראשון: רשמו 10 דוגמאות emails, כתבו רשימה של טיפוסי טענות, וקחו שעתיים בקלוד Playground בעברית. אם דיוק בתוך 80% — כבר כדאי להרחיב. אם אתם מעל 90% — קדימה ל-integration.

רוצים הנחיה יד-על-יד או להבין איך להתאים את זה לארגון שלכם? בואו לשיעור פרטי כאן — נעבור דוגמה מעבור עם emails אמיתיים שלכם וניבנה prompt בעברית שתעבוד למינימום שנה.