ניתוח

מס נתונים על מרכזי AI: מי יממן הסבת עובדים?

הצעת הסנאטור מארק וורנר מחברת בין אובדן משרות, חוות שרתים והכשרה מחדש — ומה זה אומר לעסקים בישראל

6 דקות קריאה
מס נתונים על מרכזי AI: מי יממן הסבת עובדים?
מבוסס על כתבה שלTechCrunch ↗תרגום וסיכום באמצעות מערכת חדשות בליווי AIאיך אנחנו עובדים

תקציר מנהלים

5 דברים שחשוב לדעת

  1. לפי TechCrunch, מארק וורנר מציע למסות מרכזי נתונים ולהפנות את ההכנסות להכשרה מחדש של עובדים שנפגעים מ-AI.

  2. מודעות דרושים למשרות כניסה בארה"ב ירדו ב-35% מאז 2023 — נתון שמחדד למה שיח ה-AI עבר מטכנולוגיה למדיניות.

  3. בווירג'יניה, פטורי מס למרכזי נתונים עולים כמעט 2 מיליארד דולר בשנה באובדן הכנסות — וזו כבר שאלה תקציבית, לא רק טכנולוגית.

  4. לעסקים בישראל מומלץ להריץ פיילוט של 14 יום על תהליך אחד עם GPT, WhatsApp, N8N ו-Zoho CRM לפני הרחבה ארגונית.

  5. הטמעת AI אחראית צריכה לכלול גם הכשרת עובדים, בקרת פרטיות וחיבור ברור בין חיסכון תפעולי לערך עסקי.

מס על חוות שרתים ל-AI וההשפעה על שוק העבודה

מס על מרכזי נתונים ל-AI הוא הצעה לחייב את חוות השרתים שמפעילות מודלי בינה מלאכותית להשתתף במימון הכשרה מחדש לעובדים. לפי הנתונים שצוטטו בדיווח, מודעות דרושים למשרות כניסה בארה"ב ירדו ב-35% מאז 2023, ולכן הוויכוח כבר לא תיאורטי אלא כלכלי ופוליטי.

הנקודה החשובה מבחינת עסקים ישראליים היא שהוויכוח האמריקאי סביב AI כבר עבר משאלת החדשנות לשאלת העלות החברתית. כשסנאטור אמריקאי בכיר מדבר בגלוי על מיסוי מרכזי נתונים כדי לממן מעבר תעסוקתי, הוא מאותת לשוק כולו שהשלב הבא של אימוץ AI יכלול גם רגולציה, תמחור ותביעת ערך לקהילה. עבור מנכ"לים, סמנכ"לי תפעול ובעלי עסקים בישראל, זו אינדיקציה ברורה לכך שכל פרויקט AI יצטרך להראות בתוך 12 חודשים לא רק חיסכון, אלא גם אחריות ארגונית ותוכנית הטמעה מסודרת.

מה זה מס על מרכזי נתונים ל-AI?

מס על מרכזי נתונים ל-AI הוא מנגנון שבו המדינה או הרשות המקומית גובות תשלום מחוות שרתים שצורכות חשמל, מים וקרקע כדי להפעיל שירותי בינה מלאכותית. בהקשר עסקי, מדובר בניסיון להעביר חלק מעלויות המעבר הטכנולוגי מהציבור אל התשתית שמייצרת את הערך הכלכלי. לדוגמה, אם מרכז נתונים תומך במודלים כמו Claude או בשירותי מחשוב עתירי GPU, המחוקק יכול לדרוש שחלק מההכנסות יממנו הכשרה לעובדים, דיור מקומי או תשתיות. לפי סקר NBC שהוזכר בדיווח, 46% מהבוחרים הרשומים בארה"ב מחזיקים בעמדה שלילית כלפי AI, לעומת 26% בלבד שמחזיקים בעמדה חיובית.

מה דיווח TechCrunch על יוזמת מארק וורנר

לפי הדיווח של TechCrunch, הסנאטור מארק וורנר מווירג'יניה הציע למסות את מרכזי הנתונים שמזינים את בום ה-AI ולהפנות את ההכנסות לעזרה לעובדים שעלולים להיפגע מהמעבר. וורנר טרם הגיש הצעת חוק, אך אמר שהרעיון נעשה דחוף יותר ככל שהכעס הציבורי כלפי AI וחוות שרתים גובר. ברקע, הוא ציין כי משקיע הון סיכון סיפר לו שהוא כותב שווי השקעות תוכנה לאפס בחלק מהמקרים בשל ההתקדמות של Claude מבית Anthropic, וכי משרד עורכי דין גדול מסר לו שאינו מגייס עוד מתמחים בשנה הראשונה באותו היקף כי AI מבצע חלק ניכר מהעבודה.

בדיווח צוין גם כי בארה"ב כבר נרשמת התנגדות גוברת להקמת מרכזי נתונים, בין היתר סביב רעש, זיהום ועלויות חשמל. במקביל, הסנאטור ברני סנדרס וחברת הקונגרס אלכסנדריה אוקסיו-קורטז קידמו באותו יום הצעה למורטוריום על מרכזי נתונים. וורנר עצמו מתנגד לקו הזה, וטען כי עצירה כזו רק תאפשר לסין להתקדם מהר יותר. במקום זאת, הוא מבקש לגבות את "ליטרת הבשר" מהתשתית עצמה: מרכזי הנתונים. זו הבחנה חשובה, משום שהיא מנסה לאזן בין תחרות גיאו-פוליטית לבין תג מחיר מקומי.

המספרים שממחישים את המתח

הנתון הבולט ביותר בכתבה הוא ירידה של 35% במודעות דרושים למשרות כניסה בארה"ב מאז 2023. בנוסף, וורנר הצביע על כך שפטורי מס להקמת מרכזי נתונים בווירג'יניה עולים למדינה ולרשויות המקומיות כמעט 2 מיליארד דולר בשנה באובדן הכנסות מס. מנגד, הוא הביא דוגמה ממחוז Henrico בווירג'יניה, שבו הכנסות ממס מקומי על מרכז נתונים סייעו להניע פרויקט דיור בר-השגה. במילים אחרות, הטיעון הפוליטי אינו רק "AI לוקח עבודות", אלא גם "אם הקהילה סופגת עומס אנרגיה, מים וקרקע — היא חייבת לראות החזר ברור". כאן נכנס השיח על אוטומציה עסקית אחראית, מדידה וכזו שמגובה בתוצאות ולא בסיסמאות.

ניתוח מקצועי: למה הוויכוח הזה חשוב יותר ממה שנדמה

מניסיון בהטמעה אצל עסקים ישראליים, המשמעות האמיתית כאן אינה רק מס חדש אפשרי על תשתיות, אלא שינוי במודל הלגיטימציה של AI. במשך השנתיים האחרונות ארגונים קידמו פרויקטים של GPT, צ'אטבוטים, מערכות סיכום שיחות וכלי אוטומציה סביב הבטחת מהירות וחיסכון. עכשיו נכנסת משוואה חדשה: מי מרוויח, מי משלם, ומי מפצה את מי שנפגע. מנקודת מבט של יישום בשטח, זה ישפיע קודם כל על תקציבים, על ועדות רכש ועל מדדי ROI. אם בארה"ב מתחילים לדבר על מס שמממן הכשרה מחדש לאחיות, לעובדי שירות או לעורכי דין צעירים, גם בישראל השיח ינוע מהר מאוד לשאלות של פריון מול תעסוקה.

לדעתי, ב-12 עד 18 החודשים הקרובים נראה יותר ארגונים בונים פרויקטי AI שלא מבטלים תפקידים בבת אחת, אלא מחלקים מחדש את העבודה. למשל, סוכן מבוסס GPT שמסווג פניות ב-WhatsApp Business API, מעביר אותן דרך N8N, ומעדכן Zoho CRM אינו חייב להחליף נציג שירות; הוא יכול לקצר זמני תגובה מ-4 שעות ל-5 דקות ולשחרר את הצוות לטיפול במקרים מורכבים. לפי McKinsey, טכנולוגיות בינה מלאכותית גנרטיבית עשויות להשפיע על חלק משמעותי משעות העבודה במקצועות ידע, אך ההשפעה תלויה מאוד באופן ההטמעה. זה ההבדל בין פרויקט שמייצר התנגדות פנימית לבין פרויקט שמייצר קבלה ארגונית.

ההשלכות לעסקים בישראל

בישראל, הדיון הזה רלוונטי במיוחד למשרדי עורכי דין, סוכני ביטוח, משרדי הנהלת חשבונות, מרפאות פרטיות וחברות נדל"ן — כלומר ארגונים שבהם חלק גדול מהעבודה מבוסס על מסמכים, סיכומים, מענה ראשוני ותיאום. אם משרד עורכי דין בתל אביב משתמש ב-AI כדי לנסח תקצירי מסמכים, לחלץ סעיפים ולמיין פניות, השאלה העסקית איננה רק כמה שעות נחסכו, אלא מה קורה לשכבת הג'וניורים. אם סוכנות ביטוח בפתח תקווה מחברת טופסי לידים, WhatsApp ו-Zoho CRM, אפשר לצמצם עבודת הזנה ידנית ב-10 עד 15 שעות בשבוע — אבל צריך גם להכשיר את העובדים לעבור לניהול חריגים, מכירה ייעוצית ובקרת איכות.

יש כאן גם שכבה רגולטורית מקומית. בישראל, כל פרויקט שמערב נתוני לקוחות חייב להביא בחשבון את חוק הגנת הפרטיות, הרשאות גישה, שמירת לוגים ושיקולי אחסון. במערכות שעובדות בעברית, חשוב גם לבדוק איכות עיבוד שפה טבעית בשמות, כתובות, סלנג ומסרים קוליים. מבחינת עלויות, פיילוט בסיסי של תהליך AI עסקי קטן יכול להתחיל סביב ₪3,000-₪8,000 להקמה, עם עלות חודשית של ₪500-₪2,500 לכלי תוכנה, API ותחזוקה — תלוי אם משלבים OpenAI, Anthropic, WhatsApp Business API, N8N ו-Zoho CRM. כאן נכנס הערך של מערכת CRM חכמה ושל ארכיטקטורה שמראש מתוכננת למדידה, אבטחה והכשרה ארגונית.

מה לעשות עכשיו: צעדים מעשיים לעסקים ישראליים

  1. בדקו בתוך שבועיים אילו תפקידים אצלכם כוללים משימות חזרתיות של טקסט, מיון או תיעוד, ומה היקף השעות החודשי בכל תפקיד.
  2. מפו את מערכות הליבה שלכם — למשל Zoho, Monday, HubSpot או מערכת ERP — ובדקו אם יש להן API פעיל לחיבור ל-WhatsApp, N8N או כלי AI.
  3. הריצו פיילוט של 14 יום על תהליך אחד בלבד, כמו מענה ראשוני ללידים או סיכום שיחות, עם יעד מדיד: זמן תגובה, שיעור סגירה או חיסכון של לפחות 20% בזמן.
  4. הגדירו מראש תוכנית הכשרה לעובדים שנפגעים מהשינוי, ולא רק תכנון טכנולוגי. זה קריטי לא פחות מהבחירה בין Claude, GPT או כלי אוטומציה אחרים.

מבט קדימה על מס מרכזי נתונים ושוק העבודה

הצעתו של מארק וורנר עדיין אינה חוק, אבל היא מצביעה על כיוון ברור: עידן ה-AI נכנס לשלב שבו הציבור והמחוקקים דורשים חלוקת ערך, לא רק חדשנות. עסקים בישראל לא צריכים להמתין לרגולציה מקומית כדי להיערך. ההמלצה שלי היא לבנות כבר עכשיו מהלכי AI שמבוססים על ארבעת עמודי התווך הרלוונטיים ביותר לשוק הישראלי: AI Agents, ‏WhatsApp Business API, ‏Zoho CRM ו-N8N. מי שיחבר בין פרודוקטיביות, מדידה והכשרת עובדים יהיה בעמדה טובה יותר כשהוויכוח הרגולטורי יגיע גם לכאן.

האם זה היה שימושי לעסק שלכם?

שאלות ותשובות

שאלות נפוצות

הכתבה הוכנה באמצעות מערכת בליווי בינה מלאכותית לתרגום, סיכום ובקרות איכות אוטומטיות מתוך פרסום מקורי של TechCrunch. קראו על תהליך העריכה שלנו. קישור למקור המקורי.

קבלו עדכוני AI שימושיים למייל

תקציר ממוקד ממערכת החדשות שלנו.

תשקיף Anthropic חושף את האסטרטגיה לשימור לקוחות ארגוניים
חדשות
3 דקות
מ־TechCrunch

תשקיף Anthropic חושף את האסטרטגיה לשימור לקוחות ארגוניים

לפי דיווח ב-TechCrunch, חברת Anthropic הגישה לרשות ניירות הערך של ארצות הברית (SEC) תשקיף הנפקה (טופס S-1), המפרט את האסטרטגיה העסקית שלה לשימור לקוחות ארגוניים באמצעות מערכת אקולוגית רב-מוצרית. המסמכים מלמדים כי יותר ממחצית מהלקוחות בעלי הוצאה שנתית של לפחות 100,000 דולר משתמשים כיום הן בפלטפורמת Claude והן באפליקציות מבית החברה כמו Claude Code או Cowork, לעומת כ-30% בסוף השנה שעברה. במקביל להתרחבות זו, אשר תרמה לשיעור שימור הכנסות נטו של כ-900% בסוף הרבעון השלישי, התשקיף מפרט גם אתגרים עתידיים, לרבות תחרות מול שותפות הענן הגדולות וסיכוני ריכוזיות לקוחות.

קרא עוד
בית הקברות של ה-AI: רשימת הפרויקטים והסטארט-אפים שלא שרדו
חדשות
4 דקות
מ־TechCrunch

בית הקברות של ה-AI: רשימת הפרויקטים והסטארט-אפים שלא שרדו

לפי דיווח ב-TechCrunch, שוק הבינה המלאכותית מציג רשימה הולכת וגדלה של מוצרים, השקות ומיזמים שלא שרדו. נתוני S&P Global Market Intelligence מצביעים על כך שכ-42% מיוזמות הבינה המלאכותית ננטשות בסופו של דבר על ידי החברות האם שלהן, בשל סיבות כמו מימון בלתי מספק, אתגרים טכניים, תחרות, קשיי צמיחה או ביקוש חלש מצד משתמשים. בין המקרים הבולטים נמנים כלי האוטומציה Relay שנסגר באוגוסט, פלטפורמת Character.ai שהגישה בקשה לפשיטת רגל, וכן מהלכים של ענקיות טכנולוגיה: OpenAI ביטלה את העיצוב מחדש של ChatGPT וסגרה את הדפדפן ChatGPT Atlas ואת פלטפורמת Sora; אפל עיכבה את Siri AI ושילמה הסדר של 250 מיליון דולר; ומיקרוסופט התמודדה עם ביקורת אבטחה סביב Recall.

קרא עוד
סוכני בינה מלאכותית הפועלים דרך הודעות טקסט: סקירת הפתרונות
חדשות
5 דקות
מ־TechCrunch

סוכני בינה מלאכותית הפועלים דרך הודעות טקסט: סקירת הפתרונות

לפי כתבה ב-TechCrunch, יותר סוכני בינה מלאכותית מציעים למשתמשים ממשק מבוסס הודעות טקסט רגילות, ללא צורך בהורדת אפליקציות ייעודיות נוספות. הסוכנים מתחברים לשירותים קיימים כמו דוא"ל, לוחות שנה ואפליקציות מסרים כגון iMessage, WhatsApp ו-Telegram, ומבצעים משימות בשם המשתמשים. הסקירה מציגה פתרונות אישיים כלליים, סוכנים ייעודיים למשפחות כמו Fambot ו-Ollie, סוכני עבודה ויצירת תוכן כמו Comma, Town ו-Stanley, וכן סוכנים עם דגש על נסיעות או פרטיות מקומית.

קרא עוד
סוכני AI בהודעות טקסט: פתרונות בולטים הפועלים ללא אפליקציה נפרדת
חדשות
5 דקות
מ־TechCrunch

סוכני AI בהודעות טקסט: פתרונות בולטים הפועלים ללא אפליקציה נפרדת

לפי TechCrunch, שורה של סוכני בינה מלאכותית פועלים ישירות דרך ערוצי הודעות טקסט מוכרים כמו iMessage, וואטסאפ, טלגרם ו-SMS ללא צורך בהורדת אפליקציות נפרדות. סוכנים אלה מבצעים משימות מגוונות, החל מניהול יומנים, מעקב טיסות וביצוע שיחות טלפון ועד ניהול משק בית, יצירת תוכן ומשימות מקצועיות. בין הפתרונות הבולטים נכללים Instinct שהגיע לשווי של 10 מיליארד דולר, Caddy, Folk, Town, Fambot ו-Wajo, הפועלים במודלים שונים של בטא, מנויים בתשלום ורמות אוטונומיה שונות.

קרא עוד

עוד כתבות שיעניינו אותך

לכל הכתבות
מעבר לייצור קוד: מדריך לפיתוח תוכנה מבוסס סוכנים ב-GitHub
ניתוח
4 דקות
מ־GitHub AI and ML

מעבר לייצור קוד: מדריך לפיתוח תוכנה מבוסס סוכנים ב-GitHub

בפוסט שפורסם בבלוג של GitHub, מוצגת מסגרת עבודה לשילוב סוכני בינה מלאכותית בארבעה שלבי פיתוח: תכנון, בנייה, אימות ותצפית. הדבר מגיע על רקע נתוני אוקטובר שהצביעו על יותר מ-1.2 מיליארד קומיטים בשבוע אחד, לצד ממצאי מחקר של Faros AI שלפיהם בקשות משיכה ממתינות 441% יותר זמן בסקירה כאשר צוותים מגבירים את אימוץ הבינה המלאכותית. המדריך סוקר כלים כגון מצב תכנון, ארגזי חול בענן, סקירות קוד אוטומטיות, וחיבור למערכות תצפית כדי לייעל את התהליך כולו.

קרא עוד
כיצד צריכה בינה מלאכותית לבקש אישור: לקחי Zapier מפיתוח Sidekick
ניתוח
4 דקות
מ־Zapier

כיצד צריכה בינה מלאכותית לבקש אישור: לקחי Zapier מפיתוח Sidekick

בפוסט שפרסמה חברת Zapier, מפרטת החברה את הלקחים מפיתוח מנגנון ההרשאות בסביבת העבודה Sidekick. המערכת עברה מספר איטרציות: החל מבקשת אישור על כל כלי בנפרד, דרך הצמדת כללים למשאבים מוגנים (כמו קבצים או חשבונות), ועד להעברת בקשות האישור מחוץ לזרם הצ'אט לפאנל ייעודי ותיבת דואר נכנס. בנוסף, Zapier בחנה מצב Auto שבו בודק בינה מלאכותית מקבל החלטות על בסיס כללים בשפה חופשית, ומצב YOLO שבוטל לאחר שהתברר כי דילוג גורף על אישורים אינו מתאים לסביבת העבודה. כעת מפתחת החברה מצב חדש המבוסס על הפיכות הפעולה וההקשר שלה.

קרא עוד
חיבור ידע מוצר לסוכני בינה מלאכותית: ארבעה לקחים מסיילספורס
ניתוח
4 דקות
מ־Salesforce Blog

חיבור ידע מוצר לסוכני בינה מלאכותית: ארבעה לקחים מסיילספורס

במאמר מאת Salesforce מפורטים ארבעה לקחים מניסיונה כמשתמשת הראשונה במוצריה (Customer Zero), ובפרט בחיבור ידע מוצר לסוכני בינה מלאכותית באמצעות Data 360 ו-Agentforce. החברה מתארת כיצד תשובות סוכן RAG תלויות באיכות התוכן הנשלף, וממליצה להעריך את מאגר הידע לפי התאמה, פער והתנגשות לפני בניית אינדקס. בנוסף מומלץ לפתח תצורות על בסיס השערות שנבדקות כמותית ואיכותית ולא לפי מפרט קשיח, להגדיר מראש מאגר נתוני ייחוס לבדיקות, ולשלב בדיקות אנושיות לצד מדדים אלגוריתמיים כדי למנוע דחיות שווא לפני עלייה לייצור.

קרא עוד
מדוע סוכני ה-AI מהירים אך התהליכים לא: המודל של סיילספורס
ניתוח
4 דקות
מ־Salesforce News

מדוע סוכני ה-AI מהירים אך התהליכים לא: המודל של סיילספורס

במאמר שפורסם בסיילספורס (Salesforce), נטען כי ארגונים רבים מתקשים להפיק ערך מבינה מלאכותית משום שהם משלבים סוכנים בשלבים בודדים בלבד, בעוד שאר התהליך ממשיך להתנהל בקצב אנושי איטי. כדי לפתור זאת, החברה פיתחה את מתודולוגיית Rapid Innovation Squads (RIS) – צוותים מצומצמים המשלבים מחזיק עניין עסקי בעל דעה עם בונים סוכנותיים, הפועלים במעגלי עבודה יומיים קצרים לצד כלי קידוד סוכנותיים. דוגמאות מיישום המודל בסיילספורס כוללות פיתוח אפליקציות ואוטומציות במכירות, בהנדסת פתרונות ובמחלקה המשפטית בתוך ימים או שבועות בודדים, שהביאו לחיסכון של מאות אלפי דולרים ולהאצה משמעותית בקבלת החלטות ובמסירת תוצאות.

קרא עוד