איך הופכים תמלולי פגישות למאגר ידע שבאמת עובד (המערכת בת 5 השכבות)

אתמול ישבתי בפגישה של 68 דקות במשרד של לקוח.

דיברנו על בוטים, הדגמנו מערכת, סגרנו כמה החלטות.

הבוקר חיכו לי על המחשב 8 רעיונות לתוכן מתוך הפגישה הזאת.

אחד מהם הוא המאמר שאתם קוראים עכשיו.

זה לא טריק של כתיבה.

זה התוצר של מערכת שאני מריץ כל יום, והיא מצביעה על נכס הדאטה הכי מוזנח שיש כמעט לכל עסק.

אתם כנראה כבר מקליטים פגישות.

הבוט המסכם שלכם מייצר סיכום, מישהו רץ עליו פעם אחת, והתמלול הולך לתיקייה שבה לא קורה איתו כלום.

הבעיה אף פעם לא הייתה ההקלטה.

הבעיה היא שאחרי ההקלטה לא קורה שום דבר.

במאמר הזה אני מראה את המערכת המלאה שאני משתמש בה כדי להפוך תמלולי פגישות למאגר ידע: השכבות המדויקות, המספרים האמיתיים, והגרסה שאפשר להתחיל איתה כבר השבוע.

נקודות מפתח

• תמלולים מצטברים לידע רק כשהם מסווגים, לא רק מאוחסנים. חיפוש מוצא מילים. קטגוריות מוצאות משמעות.
• למערכת שעובדת יש 5 שכבות: הקלטה, סיווג, קטלוג, חילוץ, הזנה.
• לא צריך בסיס נתונים וקטורי כדי להתחיל. קבצי טקסט פשוטים בתיקיות עובדים, וקל יותר לתקן אותם.
• היתרון האמיתי של המכונה הוא היסודיות, לא החוכמה. היא קוראת 100% מהחומר. אתם מלמדים אותה מה חשוב.
• כל סוכן שתבנו אחר כך, מבוט תמיכה ועד מנוע תוכן, ניזון מאותו מאגר.
• מתחילים מהפגישות שאתם כבר מקליטים. שכבה 1 לא עולה לכם כלום.

למה תמלולים מתים בתיקיות (וסיכומים לא עוזרים)

הנה התקלה שאני רואה כמעט בכל חברה שאני עובד איתה.

הם הפעילו בוט מסכם לפני כמה חודשים.

כל שיחה מייצרת סיכום מסודר עם משימות.

את הסיכום קורא פעם אחת, באותו יום, מי שממילא היה בפגישה.

ואז הוא נקבר.

שישה חודשים של שיחות עם לקוחות, מועמדים ושותפים, וכשצריך להבין למה התקבלה החלטה, אתם מחפשים בערימת קבצי טקסט מילה שאתם מקווים שמישהו אמר.

חיפוש הוא הכלי הלא נכון לזה.

חיפוש של “תמחור” בתמלולים שלכם מחזיר 47 אזכורים של תמחור, בלי סדר, בלי שום מושג איזו שיחה הייתה שיחת מכירה ואיזו משא ומתן עם ספק.

רציתם לדעת מה לעשות עם תמלולי הפגישות.

החיפוש מחזיר לכם את ערימת השחת.

בגלל זה “ידע ארגוני” נשאר באזז וורד ברוב המאמרים שתמצאו על הנושא.

ידע לא נוצר מאחסון של שיחות.

הוא נוצר בשלב שכולם מדלגים עליו: הסיווג.

המערכת בת 5 השכבות, מקצה לקצה

הנה המערכת שאני מריץ, שכבה אחרי שכבה.

זאת אותה מערכת שאני בונה ללקוחות, ואותה מערכת שמייצרת את המאמר הזה.

שכבה 1: מקליטים הכל, פרונטלי ומרחוק

שכבת ההקלטה היא המשעממת, והיא היחידה שיש לרוב החברות.

רוב העצות על ניהול ידע מתמלולים נעצרות בדיוק כאן, בבוט המסכם, ובדיוק בגלל זה הן מאכזבות.

לשיחות מרחוק אני משתמש בSpinach AI, בוט שמצטרף לזומים שלי אוטומטית, גם כשאני לא בשיחה בעצמי.

Otter, Fireflies ושאר הבוטים המסכמים עושים את אותה עבודה.

הכלי חשוב הרבה פחות מהכיסוי.

פגישות פרונטליות אני מקליט בטלפון ודוחף את האודיו פנימה אחר כך.

כלל אחד: אם שיחה חשובה לעסק, היא נקלטת.

שואלים אותי לפעמים אם כל ההקלטות האלה עושות אותנו עצלנים מנטלית.

בכנות, אולי קצת.

כמו שווייז עשה אותנו נווטים קצת פחות טובים.

מה שאני שם לב אליו בפועל: הידיעה שהתמלול נקלט משחררת אותי מהניסיון לזכור את הפגישה בזמן שאני בתוכה.

אני נוכח לגמרי בחלק היצירתי, והמערכת תופסת כל מה שאמרתי.

אף אחד לא חוזר למפות נייר.

שכבה 2: מסווגים לפי 4 קטגוריות

זאת השכבה שהופכת ערימה למאגר ידע.

כל תמלול שנכנס מסווג לאחת מארבע קטגוריות: מכירות, ייעוץ, אפסייל או פיתוח עסקי.

למה קטגוריות ולא תגיות או חיפוש?

כי כל שאלה שימושית שתשאלו אי פעם את ארכיון הפגישות שלכם מתחילה ב”איזה סוג שיחה זה היה”.

אילו התנגדויות עולות בשיחות מכירה?

מה הבטחנו בפגישות ייעוץ?

אילו לקוחות קיימים הזכירו צרכים חדשים?

קטגוריה עונה על חצי מהשאלה עוד לפני ששאלתם אותה.

הטקסונומיה שלכם תיראה אחרת.

חברת מוצר יכולה ללכת על דיסקברי, תמיכה, שותפויות, פנים ארגוני.

המספר חשוב יותר מהשמות: 3 עד 5 קטגוריות, לא יותר.

שכבה 3: מקטלגים אנשים לתוך CRM שבונה את עצמו

כל אדם שמופיע בתמלול מקבל עמוד.

כל שיחה חדשה מעדכנת אותו: מה הוא שאל, באיזה שלב הוא נמצא, מה חשוב לו.

לא יצאתי לבנות CRM.

אבל אחרי מספיק תמלולים, זה בדיוק מה שהשכבה הזאת נהייתה.

CRM שממלא את עצמו מתוך שיחות, במקום לנדנד לאיש מכירות להקליד הערות שהוא חצי זוכר.

כשמישהו חוזר אליי אחרי שלושה חודשים, אני קורא את העמוד שלו לפני השיחה.

שתי דקות, קונטקסט מלא, שום דבר לא נשכח.

שכבה 4: מחלצים לקחים, החלטות ותוכן

לכל קטגוריה יש חוקי חילוץ משלה.

מפגישות ייעוץ המערכת שלי מושכת לקחים לימודיים: דברים שהסברתי בקול רם ושווה לשמור.

משיחות מכירה, התנגדויות ומה ענה עליהן.

מכל פגישה, החלטות והתחייבויות.

ומתוך כל זה, רעיונות לתוכן.

מאגר הלקחים שלי מחזיק כרגע 203 רשומות, כל אחת מהן מעוגנת במשהו שבאמת אמרתי, בשיחה אמיתית, עם תאריך וחותמת זמן.

זה החלק שאנשים לא מצפים לו: התמלולים שלכם הם מכרה של תוכן.

אתם מסבירים את החשיבה הכי טובה שלכם בקול רם כל היום, ללקוחות, בשפה שהם באמת מבינים.

החילוץ הוא מה שעוצר את ההתאדות.

שכבה 5: מזינים את הסוכנים מאותו מאגר

כאן זה מתחיל להצטבר.

ברגע שמאגר הידע קיים, כל מה שתבנו אחר כך קורא ממנו.

בוט תמיכה עונה מתוך שיחות התמיכה האמיתיות שלכם.

כלי תדרוך מכין אתכם לפגישות מתוך היסטוריית הקשרים האמיתית שלכם.

מנוע תוכן מנסח בקול האמיתי שלכם, מדברים שבאמת אמרתם.

כאן עולה גם שאלת הארכיטקטורה, והתשובה שלי לא אופנתית: קבצי markdown פשוטים, מסודרים בתיקיות.

יש מחנה הולך וגדל שטוען שבשביל עבודת ידע מהסוג הזה, קבצי טקסט פשוטים שמקשרים אחד לשני מנצחים צינורות אחזור כבדים.

הדפוס מיוחס בדרך כלל לרעיון ה־LLM wiki של אנדריי קרפתי, ואפשר לראות מימוש עובד שלו בפוסט של מארק צ’ן.

בלי צינורות אחזור לצוות שמתחיל.

רק הרבה קבצי טקסט, מחוברים אחד לשני, שמודל יכול לקרוא ישירות.

כתבתי מדריך מלא לארכיטקטורה הזאת, כולל איך בונים ריפו לכל מחלקה, במאמר How to Build an Organizational Brain (באנגלית).

וכשצריך למכור את כל הלופ לעצמכם או לצוות, הנה משפט אחד שאני משתמש בו עם בעלי עסקים: המערכת לומדת מכל שיחה שאתם עושים.

כל יום של שיחות מזין אותה.

הבוט נהיה חזק וחכם יותר, כל יום, מעבודה שעשיתם ממילא.

המספרים מהמערכת שלי

מאמרים על מאגרי ידע מפגישות אף פעם לא מראים מספרים.

הלכתי וספרתי את שלי הבוקר.

• 69 תמלולים נקלטו לתוך מאגר הידע
• 203 רעיונות לתוכן חולצו ונשמרו, כל אחד מהם ניתן לעקיבה לשיחה אמיתית
• 4 קטגוריות סיווג שמכסות כל שיחה עסקית שיש לי
• 8 רעיונות לתוכן חולצו מפגישה אחת של 68 דקות, אתמול
• 2 פוסטים מתפרסמים ביום, מוזנים מהצינור הזה

ומגבלה אחת כנה, כי מגיע לכם לשמוע אותה ממישהו שמריץ את זה.

הסיווג והחילוץ טובים בדיוק כמו החוקים שכתבתם.

המערכת משתפרת כי אני מתחזק אותה: כשחילוץ מפספס משהו שהייתי צריך, אני מעדכן את החוק.

זאת גינה, לא מכונה אוטומטית.

יסודי מנצח חכם: למה זה עובד כש”חיפוש AI” מאכזב

ראיתם כבר הבטחות של “ידע מבוסס AI”, ואתם צודקים שאתם חשדניים כלפי רובן.

אז הנה הגרסה הכנה של למה זה עובד.

תדלגו על כל טענה שה־AI “מבין את העסק שלכם”.

היתרון האמיתי והבר הגנה של המכונה הוא שהיא קוראת את כל המידע, כל תמלול, בכל פעם.

זה משהו שאף בן אדם לא מסוגל לעשות.

אף אחד בצוות שלכם לא קורא מחדש 69 תמלולים לפני פגישה.

המכונה כן, תוך שניות, בלי להשתעמם.

מה נחשב חשוב זה החלק שאתם מלמדים אותה, ויש לזה לופ פשוט.

ראיתי את זה עובד בקרן שאני עובד איתה: הצוות התפעולי שם לב שהשותף הבכיר שואל את אותה שאלה על כל תדרוך פגישה, אז הם הוסיפו אותה כחוק חילוץ קבוע.

עכשיו כל תדרוך עונה עליה לפני שהוא שואל.

כל שאלה שהמערכת שלכם לא יודעת לענות עליה היא בקשת פיצ’ר חינמית ומאומתת.

תוסיפו אותה כחוק, והזיכרון הארגוני מהפגישות מתחיל להצטבר במקום להתאפס.

זה המנגנון הכן מאחורי “זה משתפר עם הזמן”.

לא קסם של מודלים.

שאלות שנקצרו.

מה זה פותח כשזה רץ: שלוש מערכות אמיתיות

שלוש מערכות ידע מבוססות פגישות שבניתי או ליוויתי, כדי שתראו את הטווח.

חברת שירותים B2B בת 13 שנה מריצה את שיחות התמיכה והמכירה שלה דרך בדיוק הלופ הזה.

התמלולים שלהם מזינים מאגר ידע, ומאגר הידע מזין את הבוטים שפונים ללקוחות.

כל שיחת תמיכה שבן אדם עונה עליה היום מאמנת את הבוט שיענה על של מחר.

קרן הון סיכון משתמשת באותה ארכיטקטורה להכנת פגישות.

שנים של אינטראקציות CRM, מסווגות ומקוטלגות, מייצרות תדרוך לפני כל פגישת שותפים.

העבודה שהייתה באמת בלתי אפשרית ביד לוקחת עכשיו דקות.

וסטארטאפ של 10 אנשים מריץ את הגרסה הקלה.

בסשן העבודה הראשון שלנו, המנכ”ל עצר אותי עם משפט שאני חושב עליו הרבה: “אתה מדבר טכני מדי. איבדת אותי”.

אז שינינו את המודל.

אף אחד בצוות לא לומד את הכלים.

כולם מקליטים את הפגישות שלהם, ובילדר אחד מתחזק את המוח ומגיש לכל מחלקה את הכלים שלה מתוך התמלולים שלה.

זאת חלוקת העבודה הכנה, וזה החלק שאני עושה בשביל חברות.

אני בונה את מערכות הידע האלה מקצה לקצה לצוותים לא טכניים, ומלווה בילדרים שמקימים אחת משלהם.

אם אתם רוצים שזה ייבנה ולא רק יוסבר, זאת העבודה שאני עושה עם לקוחות.

להתחיל השבוע: הגרסה המינימלית

לא צריך פלטפורמה, תקציב או מהנדס כדי להתחיל.

צריך חמש החלטות.

1. מפעילים את הבוט המסכם על כל שיחה, היום. אם פגישה חשובה, היא נקלטת.
2. בוחרים 3 או 4 קטגוריות שיחה שמתאימות לעסק שלכם. מכירות, אספקה, שותפויות, פנים ארגוני זאת התחלה טובה.
3. פותחים תיקייה לכל קטגוריה ושומרים תמלולים כקבצי markdown פשוטים. בלי דאטהבייס, בלי embeddings. כשתהיו מוכנים לארכיטקטורה המלאה, המדריך למוח הארגוני מכסה את גרסת הריפו לכל מחלקה.
4. כותבים את 3 שאלות החילוץ הראשונות. למה התחייבנו? איזו התנגדות עלתה? מה הסברתי ששווה לשמור?
5. שמים תאריך ביומן עוד 30 יום, וסופרים מה נאסף.

עוד שלושים יום יהיה לכם תיעוד קטן, מסווג וגדל של כל שיחה שהעסק שלכם ניהל.

זה מאגר ידע.

כל השאר זה שכבות מעל.

הפגישות שלכם כבר קורות.

התמלולים כבר נערמים.

השאלה היחידה היא אם הם ממשיכים להתאדות או מתחילים להצטבר.

שאלות נפוצות

מה הדרך הכי טובה לארגן תמלולי פגישות?

קטגוריות קודם, אנשים אחר כך, תאריכים בסוף.

מסווגים כל תמלול לפי סוג השיחה (מכירות, אספקה, שותפות), ומתחזקים עמוד לכל אדם שמתעדכן מכל תמלול חדש.

תיקיות לפי תאריך בלבד הן המקום שבו תמלולים הולכים למות.

צריך בסיס נתונים וקטורי כדי לבנות מאגר ידע מפגישות?

לא.

קבצי טקסט פשוטים מסודרים בתיקיות מספיקים בשביל להתחיל, וקל יותר לבדוק ולתקן אותם מאשר צינור embeddings.

מבנה מנצח תשתית בשלב הזה. כלים כבדים מוסיפים רק כשהסקייל מכריח.

בסדר להקליט כל פגישה?

מבקשים הסכמה, פועלים לפי חוקי ההקלטה באזור שלכם, ומכריזים על הבוט המסכם.

בפועל אנשים מרגישים הרבה יותר בנוח עם בוט גלוי בפגישה מאשר עם מישהו ששולף מכשיר הקלטה באמצע שיחה.

שיחות רגישות באמת משאירים מחוץ למערכת לגמרי.

במה זה שונה ממה ש־Otter או Fireflies כבר עושים?

הבוטים המסכמים מטפלים בשכבה 1: הקלטה וסיכום.

הערך נמצא בשכבות שאחרי: סיווג, קטלוג אנשים, חילוץ, והזנה של סוכנים.

זה החלק ששום כלי מדף לא עושה בשבילכם, כי הטקסונומיה וחוקי החילוץ שלכם ייחודיים לעסק שלכם.

מקורות

• Spinach AI — AI Meeting Agent
• Mark Chen (Medium) — I Used Claude Code to Build a Personal Knowledge Base, Inspired by Karpathy’s LLM Wiki Pattern
• IceCubes — Building a Meeting-Driven Knowledge Base for Your Organization
• PlainEnglish — 6 AI Prompts to Turn Meeting Transcripts into Actionable Organizational Intelligence