מה חברות מקבלות תמורת כל ההשקעה ב-AI?
סיכום מאמר מה-New York Times | מאת לידיה דה-פיליס
ערכה: אריאל פלג
31.08.2026
הרעיון המרכזי
התלהבות ראשונית של החברות מ-AI פינתה מקומה לפיכחון כשהגיע החשבון. תחילה היה גל של "tokenmaxxing" - מנהלים שעודדו שימוש מקסימלי ב-AI. אחר כך הגיע "tokenminning", כשארגונים גילו שהם שורפים מיליוני דולרים בלי לדעת בדיוק מה הם קונים. מהמתח הזה נולד תחום כלכלי חדש: "טוקנומיקס" - חקר האופן שבו משאב הטוקנים (יחידות החישוב שבהן נמכר AI) נוצר, נסחר והופך לערך עסקי.
למה קשה למדוד את הערך?
בניגוד לנפט, שאפשר לפרק ליחידות אנרגיה אחידות (BTU) ולהשוות ביניהן, בעולם ה-AI אין קונצנזוס על כמה אנרגיה דורש טוקן, איזה מודל משתלם ביותר למשימה נתונה, או כמה טוקנים באמת נדרשים לביצוע משימה. יש אלפי מודלים ושקיפות מועטה על מי משלם על מה.
התגובה המוסדית: ה-Linux Foundation, שפיתח בעבר סטנדרטים להשוואת שירותי ענן, הקים ביוני את ה-Tokenomics Foundation - במטרה ליצור פרמטרים אחידים שספקי AI יסכימו לחשוף, כדי לאפשר לארגונים להשוות בין ספקים ולקבל החלטות מושכלות.
איך ארגונים מנסים לרסן את ההוצאה
חברות כמו Revenium עוזרות לארגונים להצמיד הוצאת טוקנים לתפוקה בפועל - למשל, מספר פיצ'רים שפותחו. גישה נפוצה: הגבלת מהנדסים לכמות מסוימת משימוש במודלים היקרים, ולאחריה מעבר אוטומטי למודלים זולים יותר בקוד פתוח - מה שמכריח חשיבה ממוקדת יותר על מה שבאמת נחוץ.
מודל "כוח האדם הביוני": חברת הסייבר Elisity פיתחה מדד ("bionic head count") שמחשב עובדים וירטואליים - מחלקים את סך הוצאת ה-AI בעלות הממוצעת של עובד (שכר + הטבות), ובוחנים אם התפוקה הכוללת (אנושית + וירטואלית) עולה ביחס להשקעה. בחברה אף כותבים "תיאורי תפקיד" לכל סוכן AI כדי להצדיק את "הגיוס" שלו.
מגמה מקזזת: למה השימוש בקאש טוקנים מוריד עלות בפועל
מחקר כלכלי חדש שפורסם החודש מצא שההוצאה בפועל עולה לאט יותר ממה שהיה צפוי, גם כשהצריכה והמחירים המוצהרים למודלים המובילים עולים. הסיבה המרכזית: מנגנון אופטימיזציה חדש בשם Prompt Caching. במנגנון זה, ספקיות ענן ומודלי שפה שומרות בזיכרון מטמון חלקים קבועים מראש של הקלט (כמו הנחיות מערכת ארוכות או בסיסי ידע). שימוש בזיכרון זה מקצר דרמטית את זמן התגובה ומקטין עלויות. התוצר של מנגנון זה הינו טוקנים זולים -Cache Tokens (קאש טוקנים כפי שהשתרש בשיח הישראלי).
כשמודל AI מעבד קלט - למשל prompt ארוך, קובץ, או הקשר שיחה - חלק מהעיבוד ניתן "לשמור במטמון" במקום לחשב מחדש בכל קריאה. כאשר הקשר דומה חוזר על עצמו (כפי שקורה למשל אצל סוכני AI שמריצים אותה משימה שוב ושוב), הספק לא נדרש "לחשוב" מחדש על אותו מידע - ולכן מתמחר את הטוקנים הללו במחיר נמוך משמעותית, לרוב שבריר מהמחיר הרגיל.
ככל שיותר ארגונים עוברים לעבודה עם סוכני AI המבצעים משימות עצמאיות, כך גדל החלק היחסי של קאש טוקנים בסך הצריכה - וזה מרסן את קצב הגידול בעלות הכוללת, גם אם המחיר לטוקן וכמות הטוקנים הנצרכת ממשיכים לעלות.
השאלה הגדולה: תחליף או תוספת לכוח אדם?
השאלה שמעסיקה כלכלנים: האם הוצאת הטוקנים תיחשב חלק מתקציב כוח האדם - כלומר, האם AI מחליף עבודה אנושית או משלים אותה. אנליסטים ב-Bain & Co מעריכים שבטווח הבינוני, טוקנים עשויים להוות כרבע מהוצאות התפעול של חברות.
צוואר הבקבוק האמיתי
לפי ג'ו וואנג (Jue Wang), שותפה בחברת הייעוץ Bain & Company, המגבלה המרכזית בתעשייה כיום אינה קיבולת חישובית אלא מחסור באנשים שיודעים כיצד לפרוס AI בצורה שמניבה ערך עסקי אמיתי.
המסר המרכזי לארגונים
התעשייה חווה מעבר מהיר: מ"נזרים כסף ל-AI כי חייבים" ל"בואו נמדוד בדיוק מה אנחנו מקבלים תמורת זה". אבל הכלים, הסטנדרטים ואפילו שיטות החשבונאות למדידה הזו עדיין בבנייה - וזה חושף פער ניהולי משמעותי: לא מחסור בטכנולוגיה, אלא מחסור בידע כיצד להפיק ממנה ערך.
מקור: The New York Times, "What Are Companies Getting for All That A.I. Spending?", מאת Lydia DePillis, אוגוסט 2026
תגובות