משבר התשואה של בינה מלאכותית: למה חברות גדולות מפסידות כסף וכיצד מנהלים יכולים להשתנות

משבר העלויות בעולם הבינה המלאכותית

השנה התחילה בתקווה רבה. מנכ"לים עודדו עובדים לנצל בינה מלאכותית בכל מקום — הוספת תכונות בתוך מוצרים, אוטומציה של תהליכים, שימוש במודלים המתקדמים ביותר. הם בטחו שזה יהפוך הכל.

לאחרונה התקציבים התחילו להצטמק.

לפי דוח חדש של NEA (National Equity Associates), אחת מגדולות קרנות ההון סיכון בעולם, חברות גדולות החלו לגרום לעצמן נזק כלכלי. Uber דיווחה שהוציאה את כל תקציב הבינה המלאכותית השנתי תוך כמה חודשים בלבד. Meta הורתה לחלקים מארגונה להפסיק שימוש ב-Claude ובמודלים מתקדמים אחרים. חברות נוספות כבר הפחיתו את השימוש שלהן ביותר מ-50%.

מה קרה? "הצריכה המופרזת של טוקנים" מתה באיטיות

המונח "צריכה מופרזת של טוקנים" תיאר תופעה שהשתוללה בעמק הסיליקון בתחילת השנה: לחץ מההנהלה על עובדים להשתמש בבינה מלאכותית בכל הזדמנות. למצוא עובד שלא משתמש ב-Claude או ב-ChatGPT? זה הפך בלתי מקובל. אך זה היה זריחה מהולה בשיקוי.

הבעיה שנחשפה היא פשוטה: לא כל שימוש בבינה מלאכותית יוצר ערך עסקי. כל קריאה API, כל שימוש בטוקן, כל שאילתה למודל כרוכה בעלות. כשמעודדים עובדים לשלוח שאילתות ל-Claude למשימות שלא זקוקות בהכרח לבינה מלאכותית, התוצאה היא בזבוז של כסף.

לפי הדוח של NEA:

• חברות מדווחות שהן עדיין לא יודעות להעריך את התשואה על ההשקעה בפרויקטי בינה מלאכותית שלהן
• 63% מהחברות מדווחות על עלויות בלתי צפויות
• Meta הסילקה את מערכת המדידה הפנימית שלה לשימוש בבינה מלאכותית — סימן שהמספרים לא נראו טובים

למה זה משנה למנהלים בישראל?

אם אתה מנהל, מנהל טכנולוגיה או בעל עסק בישראל, זו הידיעה הקריטית: בינה מלאכותית חשובה, אך חשוב עוד יותר לשלוט בעלויות ובתיהול השימוש.

חברות ענק כמו Uber ו-Meta יכולות להרשות לעצמן להטיל כסף. עסק קטן או בינוני בישראל? זה משחק שונה לחלוטין. לפני שאתה משדרג למודל יקר יותר או משתמש בבינה מלאכותית לכל משימה, תכלל בחשבון:

1. תשואה על השקעה תוך 90 יום — האם הפרויקט יחזיר את ההשקעה?
2. מדידה ברורה — כמה טוקנים אתה צורך? כמה זה עולה בדולרים?
3. חלופות — האם קיים כלי זול יותר שמסוגל לבצע את המשימה?
4. הדרכת עובדים — שימוש חכם בבינה מלאכותית, לא רק שימוש רב

איך לבנות תרבות בינה מלאכותית חכמה בארגון שלך

מנהלים בעסקים קטנים ובינוניים צריכים להתחיל בדרך שונה:

התחלו בקטן ומדדו בעיקביות. בחרו פרויקט בינה מלאכותית אחד כניסוי — למשל, סוכן בינה מלאכותית לשירות לקוחות שמטפל ב-80% מהפניות השגרתיות. קבעו נקודת ייחוס (כמה זמן לוקח לעובד להשיב לפניה?). לאחר מכן מדדו:

• זמן שנחסך
• דיוק התשובות
• הערך בדולרים
• עלויות ה-API

עשו את החישובים בגלוי. אם פרויקט בינה מלאכותית חוסך 10 שעות בחודש והעובד שווה ₪250 לשעה, זה ₪2,500 בחיסכון. אם עלות ה-API היא ₪300 בחודש, עדיין נותר רווח של ₪2,200. הצגו את הנתונים לצוות. זה מעודד אימוץ.

מדוע Meta ו-Amazon כבר משנים כיוון

העלויות פתחו עיניים. Meta הבהירה שהיא צפתה לשיפורים בתשואה על השקעה, אך לא בקצב שהתחזקו תחת הציפייה. Amazon דיווחה על אתגרים דומים.

המסקנה שלהם: עליך לבחור בחוכמה באילו מודלים להשתמש. לא תמיד התשובה היא Claude או Gemini Pro Max. לעיתים Gemini Flash או אפילו כלי ענייני פשוט (כמו GitHub Copilot) מספיק — וזה הרבה יותר זול.

תוכנית 90 יום להטמעת בינה מלאכותית בארגון שחוסכת כסף

אם אתה רוצה לפעול בחוכמה:

1. חודש 1: בחר 3 פרויקטים שיכולים ליהנות מבינה מלאכותית. קבע נקודת ייחוס למצב הקיים ללא בינה מלאכותית.
2. חודש 2: בצע ניסוי עם כלים זולים (Claude Free, Gemini, GitHub Copilot). לא תמיד צריך את גרסת Pro.
3. חודש 3: בחן את הנתונים. אם אין תשואה חיובית על השקעה, עצור את הפרויקט או שנה כיוון.

אנחנו עוזרים לגופים בישראל בתהליך זה — וקיימת תוכנית תמיכה שנבנתה דווקא לשם כך.

איך זה שונה לסטארטאפים וחברות קטנות?

למעשה זו יתרון לך. סטארטאפ של 20 אנשים יכול לבדוק תשואה על השקעה בבינה מלאכותית מהר יותר מ-Uber בת 70,000 עובדים. אם אתה בוחר מודלים וכלים בחוכמה, אתה יכול להתחיל עם סוכני בינה מלאכותית זולים וקלים להתאמה — כמו סוכני Claude או זרימות עבודה מבוססות Zapier.

שורה תחתונה

הנקודה היא לא שלא להשתמש בבינה מלאכותית. הנקודה היא להשתמש בה בחוכמה. מדוד, התאם, ולא תשקע בטוקנים בזבזנות. חברות גדולות למדו את השיעור הקשה. אתה יכול ללמוד מהטעויות שלהם ולהנות מהגמישות שיש לך.

התחל בקטן. מדוד הכל. רק אחר כך תרחיב.