ניתוח

מודלים של קוד פתוח לעסקים: מהפכת המחירים שלא פוגעת בענקיות ה-AI

ניתוח הנתונים החדשים מאחורי מודל הכלכלה הדו-שכבתי של Anthropic וכללי המשחק החדשים למנהלים

4 דקות קריאה
EN
מודלים של קוד פתוח לעסקים: מהפכת המחירים שלא פוגעת בענקיות ה-AI
מבוסס על כתבה שלTechCrunch ↗תרגום וסיכום באמצעות מערכת חדשות בליווי AIאיך אנחנו עובדים

תקציר מנהלים

מה חשוב לדעת

  1. על פי הנתונים, עלות העיבוד של מודל הדגל Opus 4.8 של חברת Anthropic גבוהה פי 23 בהשוואה למודל פתוח פופולרי.

  2. למרות שחברות רבות מעבירות משימות ייצור שוטפות לקוד פתוח, מעל 50% מהתקציב ב-Vercel עדיין זורם ל-Anthropic עבור פיתוח ומורכבות.

  3. המודל הפתוח DeepSeek מעבד כיום 5.3 טריליון טוקנים בשבוע דרך OpenRouter, אך מניב הכנסות נמוכות משמעותית בשל מחיר של 6 סנט למיליון טוקנים.

  4. עבור עסקים בישראל, מודלים פתוחים מאפשרים עמידה מלאה בחוק הגנת הפרטיות הישראלי באמצעות הרצה מקומית ומאובטחת.

כיצד מודלים של קוד פתוח לעסקים משפיעים על תקציב ה-AI שלכם?

העלייה בפופולריות של מודלים של קוד פתוח לעסקים אינה פוגעת ברווחיות של מעבדות ה-AI המובילות, כך עולה מנתונים חדשים. בעוד חברות רבות מעבירות משימות שגרתיות למודלים קלים וזולים יותר, הדרישה למודלי קצה יקרים כמו אלו של Anthropic (חברת בינה מלאכותית אמריקאית) ממשיכה לעלות עבור פיתוח ומשימות מורכבות חדשות, מה שיוצר מחזור חיים דו-שכבתי יציב.

מה זה מודלים של קוד פתוח לעסקים?

מודלים של קוד פתוח לעסקים הם מודלי בינה מלאכותית המופצים עם קוד מקור ומשקולות נגישים לציבור, המאפשרים לארגונים להריץ, להתאים אישית ולארח אותם באופן עצמאי. בהקשר עסקי, מודלים אלו משמשים לביצוע משימות מוגדרות מראש בעלות נמוכה, כמו מיון פניות או תמצות מסמכים. לדוגמה, חברה יכולה להשתמש במודל פתוח כמו DeepSeek (מודל שפה של חברת טכנולוגיה סינית) לצורך עיבוד מהיר של מיליוני טוקנים. על פי הנתונים מפלטפורמת OpenRouter (פלטפורמה לניתוב וגישה למודלי שפה), עלות העיבוד במודל פתוח פופולרי נמוכה פי 23 בהשוואה למודל קצה יקר. מגמה זו משקפת שינוי תפיסתי מהותי: במקום להסתמך על מודל אחד לכל הצרכים של החברה, ארגונים בונים כיום ארכיטקטורה מרובת מודלים הממקסמת את היעילות הכלכלית שלהם.

הנתונים מאחורי השימוש במודלי קצה מול מודלים של קוד פתוח לעסקים

לפי הדיווח של Russell Brandom (עורך הבינה המלאכותית של TechCrunch), חברות רבות מגלות כי הכלכלה הדו-שכבתית הזו אינה פוגעת בחברות הענק כמו Anthropic. ג'סי ז'אנג (Jesse Zhang, מנכ"ל חברת Decagon (חברת אוטומציה ארגונית)), מסביר כי מודלי הקצה היקרים משמשים בעיקר לשלב ה"גילוי" (Discovery) והוכחת ההיתכנות של משימות חדשות, בעוד שמודלים פתוחים וקלים משתלטים על שלב הייצור (Production) השוטף. תהליך זה מאפשר לחברות לשמור על דינמיות: בכל פעם שמשימה ותיקה עוברת לאופטימיזציה מוזלת, משימה מורכבת חדשה נכנסת לשלב הפיתוח על גבי מודל הקצה היקר ביותר.

הנתונים בפועל תומכים בתיאוריה זו באופן מובהק. על פי נתוני לוח הבקרה של Vercel (פלטפורמת פיתוח ואחסון אתרים), המודל הסיני DeepSeek זינק לעמדת הובלה בנפח הטוקנים ומעבד מעל שליש מהטוקנים שעוברים בתשתית שלה. למרות זאת, כאשר בוחנים את ההוצאה הכספית הכוללת, Anthropic עדיין מחזיקה ביותר מחצי מכלל תקציב ה-AI בפלטפורמה. בנוסף לכך, הנתונים מפלטפורמת OpenRouter חושפים כי מודל כמו DeepSeek V4 Flash מעבד כ-5.3 טריליון טוקנים בשבוע, בהשוואה ל-2 טריליון טוקנים בלבד שמעבד מודל הדגל Opus 4.8 (מודל הדגל של חברת Anthropic). למרות זאת, בשל פערי המחיר העצומים (עלות של 1.37 דולר למיליון טוקנים ב-Opus לעומת 6 סנט בלבד ב-V4 Flash), עיקר התקציב של הארגונים עדיין זורם ישירות לקופתה של Anthropic. שימוש בפתרונות אלו במסגרת תהליכי אוטומציה עסקית מאפשר לעסקים לנתב משימות מורכבות למודל החזק ומשימות פשוטות למודל הזול.

ההקשר הרחב של שוק ה-AI העסקי

השוק הנוכחי מציג התפתחות של שני מסלולים מקבילים שאינם בהכרח מתחרים זה בזה. הנתונים מראים כי מודלים כמו GLM-5.2 (מודל שפה של מעבדת Z.ai) שפותח על ידי Z.ai (מעבדת בינה מלאכותית סינית), ומודל Nemotron (מודל שפה של חברת Nvidia) שפותח על ידי Nvidia (חברת השבבים והטכנולוגיה האמריקאית), צוברים תאוצה מהירה בזכות יכולת ההתאמה המקומית שלהם. עם זאת, מודלי הענק ממשיכים לשמור על כוחם משום שחלק גדול מהמשימות העסקיות מורכבות מכדי לעבור לחלופות זולות מבלי לפגוע באיכות הדיוק הנדרשת בארגונים.

ההשלכות לעסקים בישראל

עבור מנהלים ובעלי עסקים בישראל, ובמיוחד בענפים עתירי נתונים כמו פינטק, ביטוח, משרדי עורכי דין וקליניקות רפואיות, המודל הדו-שכבתי הזה מציע מפת דרכים ברורה לניהול תקציב. בעוד שהרגולציה המקומית, ובפרט חוק הגנת הפרטיות הישראלי, מטילה מגבלות מחמירות על העברת מידע רגיש לשרתים חיצוניים בחו"ל, השימוש במודלים פתוחים המותקנים על שרתים מקומיים או בענן פרטי מאובטח הופך לפתרון אידיאלי. משרדי עורכי דין, למשל, יכולים להריץ מודל פתוח ומאובטח מקומית לצורך סריקת מסמכים פנימיים, בעוד שמשימות ניתוח אסטרטגיות מורכבות יותר יבוצעו באמצעות סוכני AI לעסקים המחוברים זמנית למודלי קצה חזקים, תוך הקפדה על אנונימיזציה מלאה של הנתונים העסקיים הרגישים.

היתרון המרכזי של מודלים פתוחים בשוק הישראלי הוא השליטה המלאה על אבטחת המידע והריבונות על הנתונים. חברות פיננסיות וקליניקות רפואיות בישראל אינן יכולות להרשות לעצמן דליפת מידע של לקוחות ומטופלים, ולכן היכולת לקחת מודל קוד פתוח חזק, לעשות לו התאמה מקומית (Fine-tuning) ולהריץ אותו באופן עצמאי בתוך גבולות המדינה היא קריטית.

מה לעשות עכשיו

  1. בצעו מיפוי של משימות ה-AI בארגון: סווגו את המשימות שלכם לשתי קטגוריות: משימות מורכבות הדורשות שיקול דעת אנושי רחב (כמו ניתוח חוזים מורכבים או יצירת אסטרטגיה), ומשימות מוגדרות וחוזרות על עצמן (כמו מענה על שאלות נפוצות או מיון מיילים שגרתי).
  2. הטמיעו ארכיטקטורת ניתוב חכמה (Hybrid Routing): השתמשו בפלטפורמות אוטומציה מתקדמות כמו N8N (פלטפורמת אוטומציה בקוד פתוח) בשילוב עם ממשקי API כדי לנתב משימות פשוטות למודלים פתוחים וזולים כמו DeepSeek, ואת המשימות החריגות או המורכבות הפנו אוטומטית למודלי קצה כמו Claude של Anthropic.
  3. בחנו את פתרונות האחסון והאבטחה המקומיים: בדקו את ההיתכנות של הרצת מודלים פתוחים על שרתים מאובטחים בישראל או בענן ארגוני פרטי (למשל, שימוש במודלים של Nvidia או מטא), במיוחד אם העסק שלכם כפוף לרגולציות הגנת הפרטיות הישראליות ומטפל במידע רגיש.
  4. שלבו מערכות ניהול מידע חכמות: חברו את זרם העבודה של ה-AI ישירות למערכת ה-CRM שלכם כמו Zoho CRM (מערכת ניהול קשרי לקוחות) כדי להבטיח שכל המידע המופק מהמודלים השונים מתועד ומנוהל במקום אחד מרוכז, ללא אובדן נתונים במעברים בין המודלים השונים.

מבט קדימה

שוק הבינה המלאכותית אינו נע לכיוון של מנצח יחיד, אלא לקראת קיום משותף של מודלי קצה יקרים ומודלים פתוחים וחסכוניים. עבור עסקים המעוניינים לבנות יתרון תחרותי, השילוב הנכון בין המערכות הוא המפתח. חיבור חכם של סוכני בינה מלאכותית, פלטפורמות קוד פתוח דוגמת N8N, ומערכות CRM ארגוניות יאפשר לכם ליהנות משני העולמות – ביצועים מקסימליים לצד שליטה מלאה בהוצאות הטוקנים שלכם.

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
מדריך תמחור Make: כיצד עובד מודל הקרדיטים ומה ההבדל מול Zapier
ניתוח
5 דקות
מ־Zapier

מדריך תמחור Make: כיצד עובד מודל הקרדיטים ומה ההבדל מול Zapier

מדריך שפורסם באתר Zapier מנתח את מודל התמחור של פלטפורמת האוטומציה Make (לשעבר Integromat), המבוסס על צריכת קרדיטים חודשית. במודל זה, מרבית המודולים בתרחיש – כולל טריגרים, חיפושים ואיטרטורים – גורעים קרדיט אחד בעת ביצועם, גם אם לא נמצא מידע חדש. חריגים לכך הם נתבים ומודולים לטיפול בשגיאות שאינם צורכים קרדיטים, לצד מודולים יקרים יותר כגון הרצת קוד (2 קרדיטים לשנייה) ופעולות בינה מלאכותית מסוימות. המדריך מפרט את תוכניות החיוב, החל מתוכנית חינם המציעה 1,000 קרדיטים ושני תרחישים פעילים, דרך תוכנית Core ב-12 דולר לחודש עם 10,000 קרדיטים, ועד מסלולי Pro, Teams ו-Enterprise. לצד זאת, המדריך משווה בין Make לבין Zapier: בעוד ש-Make מחייבת על כל שלב וטריגר ומציעה מעל 3,500 אפליקציות, Zapier גובה תשלום רק על משימות שהושלמו וכוללת מעל 9,000 אפליקציות. בנוסף מצוין כי Make דורשת עקומת למידה משמעותית, כאשר התמיכה של הפלטפורמה המליצה על כ-19 שעות לימוד ב-Make Academy לפני בניית תהליכים לייצור.

קרא עוד
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