מלכודת האישורים: סכנות השימוש בבינה מלאכותית (AI) ומודלי שפה (LLMs) עבור מתמודדים עם OCD
דניאל מנדלבום, אייל קלנטרוף
השילוב של מודלי שפה של בינה מלאכותית (LLMs; ChatGPT, Gemini) במערך בריאות הנפש טומן בחובו פוטנציאל קליני רב למענה למצוקות של מטופלים ומטופלות. מודלים אלו מציעים נגישות חסרת תקדים, התאמה אישית ותמיכה רגשית זמינה מסביב לשעון. במציאות של תורי המתנה ארוכים לטיפול, אנשים רבים נעזרים בצ'אטבוטים מסחריים לקבלת ייעוץ בין-אישי, וחלקם אף מדווחים על תועלות פסיכולוגיות כמו ירידה בתחושת הבדידות וקבלת אוזן קשבת נטולת שיפוטיות.
לצד ההבטחה, מתחילות להתבהר הסכנות הטמונות בטכנולוגיה זו. עד כה, השיח הציבורי והמחקרי התמקד בעיקר במקרי קיצון בולטים, כגון מודלים שסיפקו מידע מסוכן, עודדו אובדנות או יצרו ״פסיכוזה מושרית AI״ על ידי הדהוד של מחשבות שווא ודלוזיות. הסכנות הללו תוארו בהרחבה בשני מחקרים שפורסמו לאחרונה (Dohnány et al., 2026; Yeung et al., 2025). ואולם, סכנות אלו – חמורות ככל שיהיו – קלות יחסית לזיהוי ולחסימה על ידי מסנני הבטיחות (Safety filters) של המודלים. לעומת זאת, עבור מטופלים המתמודדים עם הפרעה טורדנית-כפייתית (OCD) קיימת סכנה שקטה, מערכתית וערמומית הרבה יותר.
האתגר הארכיטקטוני של מודלי השפה
בשלושה מאמרים (Barkhuff, 2026; Golden & Aboujaoude, 2026; Friars & Flynn, 2025) שהתפרסמו לאחרונה בספרות המדעית, עולה ששימוש במודלי שפה עשוי להיות בעייתי במיוחד עבור אנשים עם OCD. כך לדוגמה, סקירת פוסטים מ-Reddit באחד המאמרים (Barkhuff, 2026) מצאה שמתמודדי OCD רבים מדווחים על שימוש קומפולסיבי במודל השפה כ״מכונת אישורים״.
הסכנה בהקשר של OCD מתאפיינת בניואנס עדין שמהווה אתגר ארכיטקטוני של ממש עבור מפתחי הבינה המלאכותית. בניגוד לשיח אובדני או פסיכוטי, בקשת אישור של מטופל נראית לאלגוריתם כשאילתה תמימה לחלוטין. קשה עד בלתי אפשרי עבור המערכת להבחין בין אדם שמחפש מידע רפואי או עובדתי לגיטימי, לבין אדם המבצע בדיקה כפייתית (Checking) כדי להשקיט חרדה. הניואנס הדק הזה מקשה מאוד על בניית מנגנון שימנע נפילה לבור הזה, ומותיר את המודלים פרוצים לחלוטין לשימוש קומפולסיבי מבלי שהמערכת תזהה שמדובר בפעולה מזיקה.
המאמרים המוזכרים מציינים שלוש בעיות מרכזיות העולות במפגש בין מודלי שפה לבין המנגנונים הפסיכולוגיים של ה-OCD:
1. מלכודת האישורים (The Reassurance Trap)
מטופלי OCD סובלים מאי-סבילות לאי-ודאות, ונוטים לחפש אישורים מתמידים כדי להרגיע את המצוקה. הטיפול המרכזי והיעיל ביותר (ERP – חשיפה ומניעת תגובה) מבוסס על הימנעות מאותו אישור כדי לאפשר התרגלות לחרדה. באינטראקציות אנושיות רגילות, יש גבול לכמות האישורים שניתן לספק לפני שמופיעה עייפות או הצבת גבולות. לבינה מלאכותית, לעומת זאת, יש סבלנות אינסופית; היא זמינה מסביב לשעון לענות על אותן שאלות טקסיות שוב ושוב, באריכות וללא שיפוטיות. זמינות זו יוצרת ״מנוע אישורים״ המפרק לחלוטין את מרכיב מניעת התגובה בטיפול.
2. הטיית הסיכוי (Possibility Bias)
סכנה זו נובעת מהאופן שבו המודלים מתוכנתים לשמור על דיוק ובטיחות. כאשר מטופל מציג פחד קטסטרופלי ונדיר ביותר (למשל, חשש מהידבקות במחלה נדירה מנגיעה בידית), מנגנוני הבטיחות של ה-AI אוסרים לרוב לשלול את הסכנה לחלוטין, וכופים על המודל לאשר שהאיום הוא ״אפשרי מבחינה טכנית״. מתן תוקף מילולי וסמכותי לסיכון של 0.001% מתורגם על ידי האלגוריתם לאיום מאומת, ובכך מצדיק ומעצים את תחושת הסכנה של המטופל.
3. פרסונליזציה פתולוגית (Pathological Personalization)
בניגוד למנועי חיפוש רגילים, מודלי שפה לומדים ומתאימים את עצמם למשתמש לאורך השיחה. התאמה זו מועצמת עקב תהליכי אימון מבוססי משוב אנושי, הגורמים למודל להיות ״חנפן״ ולהסכים עם הנחות היסוד של המשתמש (Shapira et al., 2026). ככל שחלון ההקשר (Context window) של המודל סופג היסטוריה ארוכה יותר של שאילתות מבוססות חרדה, המערכת מתחילה לתעדף שפה של אזהרות ותשובות זהירות-יתר. המודל למעשה הופך ל״שותף כפייתי״ המהדהד ומסלים את הפתולוגיה.
לסיכום, השילוב של מלכודת אישורים נגישה ובלתי נדלית, הטיית סיכוי שמעניקה תוקף אובייקטיבי לפחדים אפסיים, ופרסונליזציה שהופכת את המודל לשותף אובססיבי – יוצר סערה מושלמת המאיימת להפוך כלי תומך למאיץ רב-עוצמה של תסמיני ה-OCD.
כיצד מתמודדים עם זה בקליניקה?
כדי לתת מענה לאתגרים אלו, ההתערבות הטיפולית חייבת להתעדכן. הפתרון אינו יכול להישאר בגדר איסור מוחלט על שימוש בטכנולוגיה, אלא חייב לכלול חינוך פסיכולוגי (פסיכואדוקציה) ממוקד AI. על קלינאים לחקור בפתיחות את דפוסי השימוש של מטופליהם בבינה מלאכותית, ולחשוף בפניהם את ה״ארכיטקטורה של הסכנה״. יש להסביר בבירור כיצד המודל האלגוריתמי מתוכנת לרצות ולספק תשובות מתקפות, וכיצד הפעולה של שאלת הצ'אטבוט מתחפשת לבירור עובדתי תמים. בפועל, מדובר בקומפולסיה המחבלת במטרות הלמידה של טיפול בחשיפה ומניעת תגובה – הטיפול היעיל ביותר ל-OCD. רק דרך הבנה משותפת של מנגנונים אלגוריתמיים אלו, נוכל לסייע למטופלים לנווט במרחב הווירטואלי מבלי להשתעבד מחדש אל מנוע האישורים.
מקורות
Barkhuff, G. (2026, April). Reassurance Robots: OCD in the Age of Generative AI. In Proceedings of the Extended Abstracts of the 2026 CHI Conference on Human Factors in Computing Systems (pp. 1-5).
Dohnány, S., Kurth-Nelson, Z., Spens, E., Luettgau, L., Reid, A., Gabriel, I., ... & Nour, M. M. (2026). Technological folie à deux: feedback loops between AI chatbots and mental health. Nature Mental Health, 1-10.
Friars, D., & Flynn, G. (2025). Generative AI and reassurance-seeking in OCD. Irish Journal of Psychological Medicine, 1-1.
Golden, A., & Aboujaoude, E. (2026). A transdiagnostic model for how general purpose AI chatbots can perpetuate OCD and anxiety disorders. NPJ Digital Medicine, 9(1), 343.
Shapira, I., Benade, G., & Procaccia, A. D. (2026). How RLHF Amplifies Sycophancy. arXiv preprint arXiv:2602.01002.
Yeung, J. A., Dalmasso, J., Foschini, L., Dobson, R. J., & Kraljevic, Z. (2025). The psychogenic machine: Simulating AI psychosis, delusion reinforcement and harm enablement in large language models. arXiv preprint arXiv:2509.10970.
