השבוע בפסיקה: לא ניתן לאחד תביעה קטנה ותביעת שלום. בית המשפט העליון דחה את הבקשה: תקנה 40(ב) מאפשרת איחוד כאשר התובענות מתנהלות בבתי משפט באותה דרגה, ותביעה קטנה ותביעת שלום אינן עומדות בתנאי. במדור הבינה המלאכותית — חמישה עדכונים מהשבוע האחרון.
פסיקה וניתוח
פסק דין אחד
לא ניתן לאחד תביעה קטנה ותביעת שלום — גם אם התאונה אחת
בקצרה. שתי תביעות שנבעו מאותה תאונה התנהלו בבית משפט לתביעות קטנות בנוף הגליל–נצרת ובבית משפט השלום בעכו. הפניקס ביקשה לאחדן כדי למנוע כפילות. בית המשפט העליון דחה את הבקשה: תקנה 40(ב) מאפשרת איחוד כאשר התובענות מתנהלות בבתי משפט באותה דרגה, ותביעה קטנה ותביעת שלום אינן עומדות בתנאי.
הרחבה והשלכה. זהו חסם תכנוני ולא רק דיוני. לאחר שנפתחו הליכים במסלולים שונים, לא תמיד ניתן לרכזם גם אם השאלות העובדתיות זהות. ניהול מקביל יוצר סיכון לקביעות שונות, הוצאות כפולות ותזמון לא מתואם של עדים.
כבר עם קבלת הדרישה הראשונה לבצע חיפוש רוחבי לפי מספר רכב, שם נהג ותאריך תאונה; לשקול בקשות עיכוב או שימוש בקביעות מוסכמות; ולתאם גרסאות ועדויות בלי להניח שאיחוד מאוחר יהיה אפשרי.
בינה מלאכותית בביטוח ובמשפט
חמישה עדכונים
קליפורניה חוקקה חובות סטטוטוריות לשימוש עורכי דין ב־AI
SB 574 אוסר על עורך דין להאציל את עיסוקו המשפטי ל־AI גנרטיבי. מי שמשתמש בכלי כזה חייב לנקוט צעדים סבירים לאימות הדיוק, לרבות אסמכתאות, לתקן תוצר שגוי או “הזוי”, ולגלות לבית המשפט שימוש ב־AI במסמכים המוגשים. נאסר להזין מידע חסוי, מזהה או לא־פומבי למערכת שאינה מגבילה גישה לאנשים מורשים החבים בסודיות. עורך הדין החותם על מסמך חייב לאמת אישית את האסמכתאות. גם בורר אינו רשאי להעביר ל־AI את שיקול הדעת או להסתמך על מידע מחוץ לתיק בלי גילוי מתאים.
החוק אינו מתייחס ל־AI כחריג אתי נפרד אלא מתרגם חובות קיימות למבחנים תפעוליים: אחריות אנושית, אימות אישי, גילוי וסודיות. זהו מודל ישים למשרד ישראלי גם ללא תחולה ישירה, במיוחד בתיקים שבהם ניתוח מסמכים, תקצור תיקים או טיוטות נעשים בכלי חיצוני.
לקבוע רשימת כלים מורשים; למנוע הזנת שמות, מספרי זהות ומידע רפואי למערכת ציבורית; לנהל טופס בדיקת אסמכתאות; ולזהות במסמך הפנימי מי אישר את הטקסט הסופי.
Matter of Sethi: אחריות משמעתית אינה נעלמת מאחורי "כותב התצהירים" או כלי AI
ה־BIA אימץ כתקדים החלטה המטילה השעיה הדדית של שישה חודשים על עורך דין שהושעה קודם לכן בבית המשפט לערעורים של המעגל התשיעי. הבסיס כלל אסמכתאות שאינן קיימות, ציטוטים שלא הופיעו בפסקי הדין, הצגה לא נכונה של מקורות ואי־תיקון מלא של מידע שגוי. בית הדין הדגיש כי כללי האתיקה חלים בלי קשר לכלי ששימש להכנת המסמך.
ההחלטה חשובה במיוחד לניהול צוותים. עורך הדין טען בין היתר שלא נהג לקרוא את פסקי הדין שבהם השתמשו כותבי הטיוטות; בית המשפט ראה בפרקטיקה זו סיכון מובנה לאסמכתאות כוזבות. היעדר prompt, מטא־דאטה או הודאה ישירה בשימוש ב־AI לא מנע הסקת ידיעה מן הנסיבות.
אין להסתפק בבדיקת קישור. יש לפתוח את פסק הדין, לוודא שהציטוט מופיע ושמסקנת המקור אכן תומכת בטענה. תיקון טעות צריך לזהות את מקור הכשל ולא להסוות hallucination כ”טעות הקלדה”.
אריזונה: סרטון AI של נפגע הפך את גזר הדין לבלתי הוגן
ב־State v. Horcasitas בוטל עונש מאסר של 10.5 שנים ונקבע דיון מחדש בעונש, לאחר שהשופט צפה בסרטון שבו דמות AI של המנוח דיברה בקולו ובחזותו. ההרשעה עצמה נותרה על כנה. הערכאה קבעה שהסרטון לא תיעד אירוע אמיתי אלא הציג את דמיונה של אחות המנוח כאילו היה קולו הישיר; גם גילוי שמדובר ב־AI לא ריפא את הפגם. תגובת השופט הראתה שהסרטון השפיע עליו.
העיקרון רלוונטי גם לביטוח: המחשה סינתטית של תאונה, שחזור קול, או הדמיית נזק עלולים לטשטש את ההבדל בין ראיה לבין המחשה. ככל שהתוצר ריאליסטי ורגשי יותר, כך גדל הצורך להציג את חומרי המקור, הנחות העבודה וזהות הכותב.
לסמן בבירור “הדמיה”; לשמור prompt, גרסאות וחומרי מקור; לא להציג דיבור או כוונה של אדם כאילו נאמרו; ולבקש הוראות בית משפט לפני שימוש בתוצר סינתטי בעל השפעה ראייתית.
"AI slop": אסמכתאות אמיתיות אינן מספיקות אם הטיעון אינו נהיר
עורכת דין בפלורידה השיבה לצו הדורש להסביר מדוע לא תוטל עליה סנקציה בשל כתבי בי־דין ארוכים, מפוזרים ולעיתים בלתי מובנים, שנשאו לפי בית המשפט מאפיינים של תוצר AI. בית המשפט לא קבע שהאסמכתאות מומצאות. עורכת הדין טענה שכל הציטוטים אמיתיים ושהיא מפעילה שיקול דעת מקצועי. ההליך עדיין אינו פסק משמעת סופי.
בקרת AI אינה מסתיימת ב־cite check. טיעון יכול להיות מדויק ברמת המקור ועדיין להיכשל בגלל חזרתיות, ערבוב עילות, אי־התאמה לתשתית העובדתית או חוסר יכולת של הקורא להבין את הסעד המבוקש.
להוסיף עריכת “קורא אנושי”: תזה במשפט אחד, מפת טענות, בדיקת התאמה לראיות וקיצור. להפריד בין בדיקת אמת, בדיקת רלוונטיות ובדיקת בהירות.
למידת מכונה לאיתור הלבנת הון בתביעות ביטוח
פרטים ביבליוגרפיים. Dara Goldar, Geir Kjetil Ferkingstad Sandve ו־Martin Jullum, “Beyond Defensive Reporting: Machine Learning for Active Anti-Money Laundering Control in Insurance”, arXiv:2606.16663. לא אותר DOI או פרסום בכתב עת שפיט; יש להתייחס אליו כ־preprint.
החוקרים השתמשו בנתוני ייצור של מבטח נורווגי גדול כדי לדרג תביעות החשודות בהלבנת הון לפני התשלום. שילוב תוויות מחקירות מרמה שיפר את המודל; המודל הטוב ביותר לכד כמעט שני שלישים מן המקרים בתוך 2%–6% מן התביעות המדורגות בראש לבדיקת אדם.
התרומה אינה הבטחה ל”זיהוי אוטומטי”, אלא התאמת מודל למגבלת כוח אדם: כמה מקרי אמת ניתן לאתר כאשר רק שיעור קטן מן התביעות יכול לעבור חקירה. הסיכון המשפטי הוא הטיית נתוני עבר, ערבוב בין מרמה להלבנת הון והפיכת ציון סיכון להחלטת דחייה בלי הסבר אנושי.
להשתמש במודל לתעדוף ולא להכרעה; לשמור את גרסת המודל והמאפיינים; למדוד false positives לפי קבוצות; ולתעד נימוק אנושי עצמאי לכל פעולה הפוגעת במבוטח.
קיבלתם מכתב דחייה או תשלום חלקי?
הפסיקה השבוע מלמדת שוב: הנימוק שנרשם בשלב הדחייה הוא זה שיעמוד לדיון. בדיקה מוקדמת של המכתב ושל שרשרת הראיות משנה את מאזן הכוחות מול המבטחת.
