הטוקנים, יחידות המחשוב והעיבוד האטומיות של מודלי שפה הפכו ל"חומר הגלם" הדיגיטלי החדש של עולם התוכנה. המעבר ממודל מנויים למודל צריכה בפועל מייצר תנודתיות תקציבית חריפה בארגונים ומקשה על חיזוי ההוצאות. האתגר הפיננסי מתעצם לאור העובדה שסוכנים אוטונומיים (AI Agents) ומודלי חשיבה (Reasoning Models) מריצים תהליכים מורכבים הדורשים משאבים מרובים, ומנפחים את צריכת הטוקנים.
כיום, פער התמחור בין המודלים השונים בשוק הוא עצום: החל מסנטים בודדים למיליון טוקנים במודלים הפשוטים, ועד לכ-180 דולר למיליון טוקנים במודלי העילית. במטרה לנטרל את אי-הוודאות הפיננסית ולאפשר תכנון תקציבי ארוך טווח, ספקיות התשתית המובילות (דוגמת Anthropic) החלו להעביר את לקוחותיהן התאגידיים למבנה תמחור היברידי, המשלב דמי מנוי קבועים עם התחייבות מראש לרצועת צריכה (Capacity Commitment).
הנחת העבודה הנפוצה בשווקים, לפיה מודלי בינה מלאכותית מהווים חלופה מיידית וזולה לעובדי ידע אנושיים, מתנגשת עם הנתונים הכלכליים הריאליים. הפעלה רציפה של מודל דגל מתקדם (דוגמת Claude Opus 4.7) כסוכן עצמאי לניהול משימות קוגניטיביות מורכבות מייצרת עלויות מחשוב ישירות של כ-1,000 דולר ביום – שהם למעלה מ-365,000 דולר בשנה. לשם ההשוואה, עלות העסקתו הכוללת של עובד ידע ממוצע בארה"ב עומדת על כ-105,000 דולר בשנה בלבד. מחקר של MIT מאשש את פערי הכדאיות הללו ומצביע על כך שאוטומציה מלאה משתלמת כלכלית ב-23% מהמשרות בלבד, בעוד שב-77% הנותרים ההון האנושי נותר תחרותי וזול יותר. מנגד, חברות טכנולוגיה מובילות אינן מוותרות על פריון ה-AI אלא משנות את מודל הפיצוי; אנבידיה, למשל, הציגה קונספט של "תקציב טוקנים" למהנדסים (בשווי של כחצי משכר הבסיס שלהם), במטרה להשתמש ב-AI כמכפיל כוח שיכול להאיץ את יעילות הפיתוח עד פי עשרה.
בטווח הקצר, השוק עובר תקופת התפכחות והערכה מחדש. ארגוני ענק מטילים כיום מגבלות קשיחות על צריכת ה-AI הפנימית שלהם (דוגמת Walmart שהגבילה את השימוש בכלי הפיתוח הפנימיים שלה) במטרה למנוע שחיקה של שולי הרווח הגולמי.
עם זאת, תזת ההשקעה בתשתיות הפיזיות נותרת איתנה. הסיבה לכך היא שהשוק אינו נסוג מהטכנולוגיה, אלא מייעל אותה באופן שמגדיל את כדאיותה הכלכלית לטווח הארוך. פריצות דרך טכנולוגיות חדשות מפחיתות כיום את עלויות המחשוב בעד 90% על ידי פתרון צווארי בקבוק של זיכרון יקר. התייעלות זו מאפשרת לארגונים להציג החזר השקעה (ROI) חיובי ומדיד, מה שמבטיח שהזרמת ההון הכללית לחומרה ולשבבים לא תיבלם, אלא תתבסס על ביקושים בריאים ויציבים יותר.
סיומו של שלב הסבסוד מצד ספקיות המודלים, אשר תמחרו בתחילה את שירותיהן בהפסד כדי לרכוש נתח שוק, יצר "הלם תקציבי" אצל הלקוחות הארגוניים. חוסר היכולת של מרבית הארגונים לחזות במדויק את הוצאות ה-AI הוביל לחריגות תקציביות מהירות (כפי שקרה לחברת Uber, שמיצתה את תקציב ה-AI השנתי שלה תוך ארבעה חודשים בלבד).
כתוצאה מכך, אנו עדים להתמתנות בביקוש לשימוש בלתי מבוקר בטוקנים. במקום זאת, ארגונים עוברים לניהול מבוקר של משאבי החישוב שלהם:
1. ניתוב מודלים חכם: משימות פשוטות מנותבות אוטומטית למודלים זולים במיוחד, בעוד שמודלי עילית יקרים מופעלים אך ורק עבור תהליכי חשיבה מורכבים.
2. מעבר לקוד פתוח: חברות רבות מעדיפות לבצע כוונון עדין למודלי קוד פתוח על גבי שרתים פרטיים או היברידיים, מה שמאפשר להן להשתחרר מהתלות הכלכלית ומחוסר הוודאות הכרוכים בספקיות הגדולות.
תזת השקעה
התחומים שצפויים להמשיך להרוויח הן חברות המספקות את אבני הבניין בתחום. בזמן שענקיות הטכנולוגיה ממשיכות להגדיל השקעות הוניות הכסף צפוי להמשיך ולזרום לחברות הציוד לייצור שבבים ותשתיות אנרגיה.
כמו כן, יש לשים לב שרוב הפעילות מתבצעת על גבי הענן כך שחברות אלה צפויות להתחיל לראות זינוק משמעותי ברווחים ככל שיותר חברות יהפכו את כלי הבינה המלאכותית לחלק אינטגרלי בפעילות כך שלא יהיה ניתן לפעול בלעדיהן.
*הכותב הוא מנהל השקעות קרן סיגמא מניות חו"ל, סיגמא-קלאריטי בית השקעות*