Context File: איך לבנות 'תיק היכרות' שהופך כל AI לאנליסט פיננסי שמכיר את העסק שלך

למה בלי Context, ה-AI סתם מנחש

תארו לעצמכם שאתם מגייסים אנליסט FP&A חדש. ביום הראשון אתם לא נותנים לו גישה לדוחות ומבקשים תשובות. אתם מתחילים בהסברה: מה החברה עושה, איך היא מרוויחה כסף, מה ה-Chart of Accounts, מי מאשר הוצאות, מה המשמעות של כל KPI, ואילו חריגות חשוב להכיר.

בעבודה עם AI — ChatGPT, Claude, Copilot, או כל מודל אחר — קורה משהו דומה, אבל בלי השלב הזה. אנחנו מצפים מהמודל להבין הכל מההקשר של שאלה בודדת, ואז מתפלאים כשהתשובה לא מדויקת.

נניח ששואלים מודל AI:

"Analyze our gross margin decline"

בלי הקשר, המודל לא יודע:

• מה ה-Gross Margin אצלכם בפועל
• האם עלויות Freight נכנסות ל-COGS
• האם יש הבדלים בין מדינות או קווי מוצר

אז הוא ממציא הנחות — וזה המקום שבו רוב ה-Hallucinations הפיננסיות נולדות.

עם Context File, המודל כבר יודע:

Gross Margin =
Revenue minus COGS
COGS includes: Freight Costs
COGS excludes: Support Costs

ופתאום התשובה מדויקת, כי היא מבוססת על ההגדרות שלכם — לא על הנחות גנריות.

הפתרון הוא Context File: מסמך אחד שמכיל את כל הידע הזה, ושמתפקד כ"תיק היכרות" קבוע שאפשר לחבר לכל AI שתבחרו לעבוד איתו.

שלב 1: איפה הידע הארגוני מתחבא

הידע שצריך בתוך ה-Context File לא נמצא במקום אחד. הוא מפוזר בארבעה מקורות עיקריים:

מסמכים — SOP, נהלים, מצגות הנהלה, חומרי Onboarding.

פגישות — Zoom, Teams, Meet. שם נמצאות ההחלטות האמיתיות שלעולם לא הגיעו למסמך רשמי.

Excel, Word ו-Drive — הרבה מהחוקים העסקיים בפועל לא נכתבו בנוהל מסודר. הם חיים בקבצי Excel מבוזרים, מסמכי Word ישנים, ותיקיות Drive שרק אנשים מסוימים יודעים לנווט בהן.

המערכות — ERP, מערכת הנהלת חשבונות, CRM, Payroll, Billing. כל מערכת מחזיקה חלק מהפאזל.

האתגר האמיתי הוא לא לכתוב Context File — הוא לאסוף את הידע הזה ממקורות מבוזרים ולא מתועדים.

שלב 2: 16 השכבות שמרכיבות Context מלא

לאחר איסוף הידע, בונים מסמך מבני בשם finance_context.md או company_context.md. הוא מחולק ל-16 שכבות, שאפשר לקבץ לשש קבוצות לוגיות:

זהות החברה (Foundation)

• Company Overview — שם, תעשייה, מדינה, מודל עסקי, מטבע, שנת כספים
• Strategic Context — מה קורה בחברה כרגע, אירועים קרובים
• Glossary — מילון מושגים פנימי (למשל: Client, Lead, MRR, CAC)

איך החברה פועלת (Rules)

• Business Rules — חוקים תפעוליים כמו תדירות הפקת חשבוניות, שיעור מע"מ, סף אישור הוצאות
• Departments — מבנה אגפים (כספים, מכירות, שיווק, תפעול)

איך הכסף זורם (Finance)

• Revenue Model — מקורות ההכנסה
• Cost Structure — מבנה ההוצאות
• Chart of Accounts — אחת השכבות הקריטיות ביותר; בלי קוד חשבונות מדויק, כל ניתוח פיננסי באוויר
• KPIs — המדדים החשובים (Revenue, Gross Margin, Net Profit, Cash Balance)

איך הנתונים בנויים (Data)

• Systems — אילו מערכות בשימוש (QuickBooks, Airtable, HubSpot וכו')
• Data Sources — מאיפה כל נתון מגיע בפועל (הכנסות מ-QuickBooks, לידים מ-HubSpot, מזומן מתדפיסי בנק)
• Reporting Logic — תדירות ומבנה הדוחות (P&L חודשי, Cash Flow שבועי, תחזית רבעונית)

איך מקבלים החלטות (Decision Making)

• Known Issues — חריגות שחשוב שה-AI ידע (למשל: ינואר כולל חידושי תוכנה שנתיים)
• Forecast Assumptions — שיעורי צמיחה, שער חליפין
• Decision Framework — סדר עדיפויות (Cash Preservation → Profitability → Growth)

איך ה-AI צריך להתנהג (AI Layer)

• AI Instructions — השכבה החשובה ביותר במסמך, שמגדירה את כללי המשחק עם המודל

הכלל שמוריד Hallucinations

החלק הקריטי באמת הוא שכבת ה-AI Instructions, ובפרט הוראה אחת מפורשת:

CRITICAL RULES

Never create financial data.
Never estimate missing figures.
Never assume revenue or expenses.

If information is missing — stop and ask.

זו ההוראה שמשנה את ההתנהגות של המודל מ"לנחש בביטחון" ל"לעצור ולשאול". בלי השורות הללו, מודלים נוטים למלא חללי מידע בהנחות סבירות-לכאורה שלא תמיד נכונות. עם ההוראה הזו, המודל הופך לכלי שמכבד את גבולות הידע שלו.

הוראות שימושיות נוספות לשכבה הזו:

• State assumptions — כל הנחה חייבת להיות מוצהרת, לא משתמעת
• Act as a senior FP&A analyst — מסגרת תפקיד עוזרת למודל לכוון את רמת הניתוח
• Currency = ILS, VAT shown separately — פרטים טכניים שחוסכים אי-הבנות חוזרות

חמש השכבות שכדאי להוסיף מעבר ל-16 הבסיסיות

מעבר למבנה הבסיסי, יש חמש שכבות מתקדמות שהופכות את ה-Context File ממסמך סטטי לתשתית AI חיה:

Systems Map — מיפוי איך המערכות מתחברות זו לזו בפועל (למשל: בנק → מערכת הנהלת חשבונות → Airtable → Power BI).

Automation Map — תיאור זרימות אוטומציה קיימות (חשבונית נוצרת → Zapier → עדכון Airtable → עדכון Dashboard).

Prompt Library — אוסף הפרומפטים החזרתיים של הארגון, כדי שלא תצטרכו לנסח אותם מאפס בכל פעם.

AI Use Cases — רשימת התרחישים שבהם AI אכן בשימוש: תחזיות, ניתוח שונות (Variance Analysis), דיווח לדירקטוריון, ניתוח Cash Flow.

Knowledge Sources — רשימת קבצי הרפרנס הקבועים (מדיניות פיננסית, מצגות לדירקטוריון, נוהל הנהלת חשבונות, אסטרטגיית תמחור) שה-AI יכול להפנות אליהם.

איך בונים את זה בפועל עם Claude

הדרך הפרקטית ביותר לבנות Context File היא לא לשבת ולכתוב הכל בבת אחת, אלא לבנות תהליך ראיון מובנה. ב-Claude אפשר להגדיר Skill עם הנחיה כזו:

You are a Finance Context Builder.
Interview me section by section.
Ask questions one section at a time.
After each answer: update the context file.
At the end: generate a complete markdown file.

המודל עובר איתכם שכבה-שכבה — שואל מה שם החברה, מה מודל ההכנסות, מהם ה-KPIs המרכזיים, מה מבנה קוד החשבונות — ובונה את הקובץ בהדרגה, שורה אחר שורה, עד שמתקבל מסמך מלא ומדויק.

למה זה משנה הכל

ברגע שיש לכם finance_context.md שלם, אתם לא בונים אותו פעם אחת לכלי אחד. אתם מחברים אותו לכל סביבת AI שתבחרו — Claude, ChatGPT Projects, NotebookLM, Copilot, או כל Agent עתידי. כל כלי כזה "מבין" את העסק שלכם מהשנייה הראשונה, בלי שתצטרכו להסביר מחדש את ה-Gross Margin, את ה-Chart of Accounts, או את החריגה ברבעון הראשון.

זה ההבדל בין AI שמנחש לבין AI שעובד איתכם כאנליסט בכיר שכבר עבר את ה-Onboarding.

---

רוצים את המדריך המלא לבניית Context File?

קהילת AI Finance Transformation מיועדת לאנשי כספים שרוצים ליישם AI באמת — לא לקרוא עליו. במנוי הפרמיום תקבלו גישה למדריכים מלאים, תבניות מוכנות, ו-Prompts שעובדים — כולל קובץ finance_context.md מוכן למילוי שתוכלו לקחת ולהתחיל לעבוד איתו עוד היום.