מאת יוחאי שויגר

בשנתיים האחרונות עודדו חברות הבינה המלאכותית את הלקוחות הארגוניים לעשות דבר אחד: להשתמש. כמה שיותר. להעלות מסמכים, לכתוב קוד, להריץ סוכנים אוטונומיים, להטמיע את ChatGPT, Claude או Codex בכל תהליך עבודה אפשרי. המדד המרכזי היה שיעור האימוץ (Adoption), והמסר היה ברור – ככל שהעובדים ישתמשו יותר ב-AI, כך הארגון יהיה פרודוקטיבי יותר.

אלא שבחודשים האחרונים מתחיל להסתמן שינוי חד. לא ביכולות של המודלים, אלא בדרך שבה הם נמכרים ובאופן שבו ארגונים נדרשים לנהל אותם. השינוי הזה כמעט אינו זוכה לכותרות, אבל הוא עשוי להיות אחת מנקודות המפנה המשמעותיות ביותר במהפכת ה-AI.

סקר עולמי חדש של KPMG ממחיש עד כמה השינוי כבר מורגש בשטח: כמעט מחצית מהארגונים דיווחו כי דחו או צמצמו יוזמות AI לאחר שהתבררו העלויות בפועל. במקביל, ה"וול סטריט ג'ורנל" דיווח כי חברות ענק כמו Priceline, Qualcomm ו-Bristol Myers Squibb כבר מקימות מנגנוני בקרה חדשים לניהול הוצאות AI – החל מלוחות מחוונים לניטור צריכת המודלים ועד לתקציבים ייעודיים ומנגנוני חיוב פנימיים בין מחלקות. במילים אחרות, השאלה כבר אינה רק מה המודלים יודעים לעשות – אלא כמה באמת עולה להשתמש בהם בקנה מידה ארגוני.

כשהבופה נסגר

במהלך השנה האחרונה OpenAI, Anthropic וספקיות נוספות החלו להעביר את מרכז הכובד של התמחור הארגוני למודלים המבוססים על שימוש בפועל. טוקנים, הרצות (Inference), סוכנים אוטונומיים, כלי קידוד וכלי מחקר הופכים בהדרגה ליחידות החיוב המרכזיות. ככל שהארגון משתמש יותר – כך החשבון גדל.

מבחינת ספקיות ה-AI, מדובר במהלך כמעט בלתי נמנע. העלות העיקרית שלהן היא כוח המחשוב. ככל שהלקוחות מריצים יותר סוכנים, יותר Reasoning ויותר משימות מורכבות, כך גם חשבון ה-GPU שלהן גדל. המעבר לחיוב לפי שימוש הוא הדרך שלהן לשקף טוב יותר את עלות ה-Compute ולשפר את הרווחיות.

אבל עבור הארגונים המשמעות שונה לחלוטין. אם עד לאחרונה AI נתפס כמעט כמו עוד רישיון תוכנה, הוא הופך כעת למשאב תפעולי, בדומה לענן. כל שאילתה, כל מסמך שמצורף לחלון השיחה, כל Agent שמריץ עשרות קריאות למודל – הופכים לשורת הוצאה בתקציב. AI מתחיל להתנהג פחות כמו תוכנת SaaS ויותר כמו שירות ענן, שבו כל שימוש מתורגם לצריכת משאבים.

דווקא כאן מסתתר אחד השינויים המעניינים ביותר. לא משום שמחירי המודלים עולים, אלא משום שהיקף השימוש מתפוצץ. סוכני AI, כלי קידוד ומודלי Reasoning צורכים הרבה יותר כוח מחשוב מכלי הצ'אט של הדור הראשון. התוצאה היא שגם כאשר מחיר הטוקן יורד, החשבון הכולל של הארגון ממשיך לטפס.

כשהחשבונית הגיעה

המשמעות של השינוי כבר מתחילה להיראות בשטח. באפריל חשף סמנכ"ל הטכנולוגיות של Uber, Praveen Neppalli Naga, כי החברה ניצלה בתוך ארבעה חודשים בלבד את תקציב 2026 שהוקצה לכלי הקידוד מבוססי ה-AI שלה, ובראשם Claude Code. זמן קצר לאחר מכן הודה נשיא ומנהל התפעול של החברה, Andrew Macdonald, כי Uber מתקשה להוכיח שהזינוק בצריכת הטוקנים מתורגם לעלייה דומה במספר הפיצ'רים והשיפורים שמגיעים ללקוחות. "קשה מאוד למתוח קו ישיר", אמר. בתוך החברה אף נטבע המונח Tokenmaxxing – שימוש אינטנסיבי במודלים מתוך הנחה שככל שצורכים יותר טוקנים כך גדלה הפרודוקטיביות.

גם ארגונים אחרים מתחילים לשנות כיוון. בטסלה, שעודדה בעבר שימוש נרחב במודלי AI חיצוניים ואף ניהלה לוחות דירוג פנימיים, הונהג תקציב של 200 דולר בשבוע לעובד עבור שירותים חיצוניים. כל חריגה מחייבת אישור מנהל. במקביל החברה מעודדת שימוש ב-Grok, המודל של xAI.

גם מטא מעודדת יותר ויותר עובדים להשתמש במודלים הפנימיים של החברה במקום בשירותים חיצוניים. לכאורה מדובר בהחלטות שונות. בפועל כולן משקפות את אותו שינוי: ארגונים מפסיקים לשאול רק "איזה מודל הכי טוב", ומתחילים לשאול "איזה מודל מצדיק את העלות שלו".

גם נתוני KPMG מצביעים על אותה מגמה. יותר ויותר ארגונים כבר מקימים מנגנונים למדידת עלויות AI ולהערכת ההחזר על ההשקעה, בעוד שחלק גדול מהמנהלים מודים שהם עדיין מתקשים להבין את דפוסי צריכת המודלים והעלויות האמיתיות של AI בארגון.

מהפכת ה-ROI

עד לא מזמן מנהלים מדדו הצלחה במספר העובדים שהשתמשו ב-AI. כעת השאלות שונות לחלוטין. כמה עולה כל משימה? כמה עולה כל Agent? כמה זמן באמת נחסך? כמה מהפלט עדיין דורש עריכה אנושית? והאם החיסכון מצדיק את חשבון ה-Compute? במילים אחרות, הבינה המלאכותית עוברת מהמבחן הטכנולוגי למבחן הכלכלי.

המשמעות היא שגם מדדי ההצלחה משתנים. במקום למדוד Adoption, ארגונים מתחילים למדוד ROI. לא כמה עובדים משתמשים במודל, אלא כמה ערך עסקי הוא מייצר ביחס לעלותו.

נולדת דיסציפלינה חדשה

כמו שבעשור הקודם נולד תחום Cloud FinOps כדי לנהל את עלויות הענן, כך מתחיל להיווצר כיום תחום חדש שאפשר לכנות AI FinOps.

מנהלי IT, מנהלי מערכות מידע ו-CFO מתחילים לבנות לוחות מחוונים לצריכת AI, לקבוע תקציבים למחלקות, לעקוב אחר שימוש לפי צוותים ולמדוד את העלות לכל משימה עסקית.

אחד ממנהלי הטכנולוגיה שצוטטו בוול סטריט ג'ורנל סיכם את השינוי במשפט אחד: "עם AI, אתה בעצם שם את כרטיס האשראי בידיים של כל עובד". כל שאילתה, כל Agent וכל חלון שיחה הופכים להוצאה, ולכן ארגונים נדרשים לפתח מנגנוני בקרה שלא היו קיימים לפני שנתיים.

אבל זה לא נגמר שם. מתחילות להופיע גם שכבות תוכנה חדשות – AI Gateways או AI Routers – שתפקידן לנתב כל בקשה למודל המתאים ביותר. סיכום פגישה? מודל קטן וזול. תרגום מסמך? מודל אחר. כתיבת קוד מורכב? Claude. מחקר? GPT. העובד כבר לא אמור להחליט באיזה מודל להשתמש. הארגון יחליט עבורו, בהתאם לאיכות הנדרשת, למהירות הביצוע – ובעיקר לעלות.

גם הסינים נכנסים למשוואה

כאן נכנסים גם המודלים הפתוחים והסיניים. אם לפני שנה השאלה הייתה מי בנה את המודל החכם ביותר, היום השאלה משתנה. אם DeepSeek או מודל פתוח אחר מספקים 90% מהתוצאה במחיר נמוך משמעותית, ייתכן שמבחינת הארגון דווקא הם הבחירה הכלכלית הנכונה.

הנתונים כבר מצביעים על שינוי. לפי נתוני OpenRouter, שכבת הניתוב הפופולרית בין עשרות מודלים, משקלם של המודלים הפתוחים והסיניים נמצא בעלייה מתמדת. ככל שהארגונים עוברים לחשיבה מבוססת ROI, הם בוחנים פחות מי המודל החזק ביותר ויותר מי מספק את היחס הטוב ביותר בין איכות למחיר.

זו גם הסיבה שיותר ויותר ארגונים מאמצים ארכיטקטורת Multi-Model. במקום לבחור מודל אחד לכל המשימות, שכבת הניתוב מפנה כל בקשה למודל שמספק את האיזון האופטימלי בין מחיר לאיכות.

ומה עם העובדים?

השינוי הזה יוצר גם מתח חדש. במשך שנתיים עודדו עובדים להעביר כמה שיותר מהעבודה אל ה-AI. להשתמש בו לכתיבה, לתכנות, למחקר, לסיכום מסמכים ולניתוח מידע. נוצרה צורת עבודה חדשה של Cognitive Offloading – העברת חלק מהמאמץ הקוגניטיבי למודל.

כעת מגיעה החשבונית. הפרדוקס הוא שככל שעובד נעשה מיומן יותר בשימוש ב-AI, כך הוא עלול גם לצרוך יותר טוקנים. חלונות שיחה ארוכים, מסמכים גדולים, סוכנים אוטונומיים והרצות חוזרות משפרים לעיתים את איכות התוצאה – אבל גם מגדילים את העלות.

האתגר של המנהלים כבר אינו רק להגדיל את השימוש ב-AI, אלא להבטיח שהוא נעשה בצורה כלכלית. האתגר של העובדים הוא ללמוד להשתמש במודלים בצורה חכמה יותר, לאו דווקא פחות – לבחור את המודל המתאים, להימנע מהרצות מיותרות ולנצל את כוח המחשוב במקום שבו הוא באמת מייצר ערך.

מהפכת הניהול

ייתכן שבעוד כמה שנים יתברר שהשינוי הגדול ביותר במהפכת ה-AI לא היה הופעתם של מודלים חכמים יותר, אלא רגע הרבה פחות דרמטי: המעבר מחיוב כמעט בלתי מורגש לחיוב לפי שימוש.

זהו הרגע שבו הבינה המלאכותית הפסיקה להיות רק כלי טכנולוגי והפכה למשאב עסקי.

אם השנתיים הראשונות של מהפכת ה-AI נוהלו בעיקר על ידי מנהלי הטכנולוגיה, השלב הבא שלה יעבור יותר ויותר דרך מחלקות הכספים. החשבונית הופכת לחלק בלתי נפרד מאסטרטגיית ה-AI של הארגון.

ומי שינצח לא יהיה בהכרח הארגון שמשתמש בהכי הרבה AI – אלא הארגון שמצליח להפיק את הערך הגבוה ביותר מכל טוקן שהוא צורך.