החזר השקעה בבינה מלאכותית: למה ספירת טוקנים מטעה משקיעים

החזר השקעה בבינה מלאכותית הפך לשאלה הכי חשובה בשוק ההון כרגע. חברות שורפות מיליארדי דולרים על מודלים, המניות שלהן מתומחרות לפי ההבטחה, והמשקיעים מנסים להבין דבר אחד: האם הכסף הזה חוזר.

הבעיה היא שכשבודקים החזר השקעה בבינה מלאכותית, רוב הארגונים מודדים את הצד הקל של המשוואה. הם יודעים בדיוק כמה הם מוציאים. הם יודעים הרבה פחות טוב מה הם מקבלים.

בחודשים האחרונים נכנס לשיח מונח חדש, Return on Tokens, כלומר התשואה על הטוקנים שנצרכו. הוא מצלצל מדויק. הוא מצלצל מדיד. וזו בדיוק הסכנה.

מה זה טוקן ולמה כולם התחילו לספור אותם

מודלי שפה לא קוראים מילים כמו שאנחנו קוראים. המודל מפרק את הטקסט ליחידות קטנות בשם טוקנים. טוקן הוא בערך מילה וחצי באנגלית.

כשמשתמש שולח שאלה, המערכת צורכת טוקנים בקלט. כשהמודל עונה, הוא צורך טוקנים בפלט. סוכני AI שמבצעים משימות מרובות שלבים צורכים כמות גדולה בהרבה.

הטוקן הפך למדד פופולרי מסיבה פשוטה. אפשר לספור אותו במדויק, לתמחר אותו ולשלוח עליו חשבונית. כך עלות טוקנים הפכה לשורה מסודרת בתקציב, בזמן שהתועלת נשארה מעורפלת.

אבל טוקן הוא עלות תשומה, לא תוצאה עסקית. זה כמו למדוד את רווחיות המפעל לפי צריכת החשמל שלו.

הניסוי שכבר נכשל: עידן ה-Tokenmaxxing

זה לא תרחיש תיאורטי. זה כבר קרה, והוא נגמר רע.

בתחילת 2026 חברות טכנולוגיה גדולות אימצו גישה שכונתה Tokenmaxxing. ההנחה גרסה שעובד שצורך יותר טוקנים הוא גם חדשני ופרודוקטיבי. לפי דיווח של Fortune, מטא, אמזון ו-OpenAI הקימו טבלאות דירוג של צריכת טוקנים ועודדו מהנדסים להתחרות ביניהם.

התוצאה הדגימה בצורה מושלמת את חוק גודהארט: כשמדד הופך ליעד, הוא מפסיק לשמש מדד טוב.

לפי דיווח של הפייננשל טיימס שצוטט ב-Fortune, עובדים באמזון הפעילו סוכני AI כדי לבצע משימות חסרות תועלת, רק כדי לשמור על הסטטיסטיקה שלהם. ברגע שהמדד הפך ליעד, העובדים שחקו אותו.

ואז הגיע החשבון. יובר שרפה את כל תקציב הטוקנים השנתי שלה לשנת 2026 בתוך ארבעה חודשים. מארק בניוף אמר שחשבון Anthropic של סיילספורס יעמוד על כ-300 מיליון דולר השנה, והוסיף שהיה רוצה נתב חכם שיחליט אילו שאילתות באמת דורשות את המודל היקר.

מטא הורידה את טבלת הדירוג. מיקרוסופט ביטלה מנויים בכמה חטיבות מוצר. עידן ה-Tokenmaxxing נגמר בערך שנה אחרי שהתחיל.

הטעות החוזרת: מודדים את המכנה במקום את המונה

ג’ון קאטלר, איש מוצר ותיק, פרסם באוגוסט 2026 ניתוח שמסביר למה זה קרה. לטענתו זו אותה טעות שחברות עשו כבר עם שעות עבודה, נקודות סטורי ומדדי תפוקה.

הוא מצביע על שלוש בעיות חוזרות. ראשית, ארגונים משקיעים מאמץ רב בצד ההשקעה של ROI ומזניחים את צד התשואה. שנית, הם נמשכים לשימושים קצרי טווח שקל לייחס להם תוצאה. שלישית, הם נצמדים למה שהכי קל למדוד, וטוקנים קלים למדידה במיוחד.

ההערה החדה שלו: הטוקנים נותנים מונה ומדד מדויקים להפליא, וזה יוצר אשליה שיש בידינו מכנה ראוי לחישוב ROI. בפועל אנחנו מודדים במדויק תשומה אחת בתוך מערכת כלכלית עמומה מאוד.

מי שמכיר את מדדי תשואה כמו ROE יזהה את ההיגיון מיד. אף אחד לא מודד רווחיות של חברה לפי כמה חומר גלם היא קנתה.

הנתונים מראים מעבר ברור לסוכנים

כדי להבין למה השאלה נעשית דחופה, כדאי להסתכל על הנתונים שפורסמו לאחרונה.

OpenAI פרסמה באוגוסט 2026 דוח על לקוחותיה הארגוניים. נכון ליוני, Codex ייצר 64% מסך טוקני הפלט המשולבים של Codex ו-ChatGPT אצל אותם לקוחות. כלומר רוב הפלט הארגוני כבר מגיע מסוכנים שמבצעים משימות, לא מצ’אט שעונה על שאלות.

נתון שני מעניין במיוחד. חברות בעשירון העליון של השימוש מייצרות פי 8.3 טוקני פלט למשתמש פעיל לעומת חברה טיפוסית. בינואר הפער עמד על פי 2.6 בלבד. הפער שילש את עצמו בחצי שנה.

גם Anthropic פרסמה נתונים דומים ממערכת המחקר הרב-סוכנית שלה: סוכנים צורכים בערך פי 4 טוקנים מאינטראקציית צ’אט, ומערכות מרובות סוכנים מגיעות לפי 15. החברה מדגישה שהכלכלה עובדת רק כשהמשימה יקרה מספיק כדי להצדיק את העלות.

למה גידול בטוקנים יכול להעיד דווקא על בריאות

כאן מתחיל הפרדוקס שהופך את המדד למסוכן.

אם חברה צורכת פי שלושה יותר טוקנים כי היא העבירה עבודה אמיתית לסוכנים, זה יכול להיות סימן מצוין. אם היא צורכת פי שלושה כי המודל שלה נכשל וחוזר על עצמו, זה סימן רע. אותו מספר בדיוק, שתי מסקנות הפוכות.

המספר לבדו לא מבדיל ביניהן. וזו בדיוק הסיבה שאי אפשר לגזור ממנו מסקנה על החזר השקעה בבינה מלאכותית.

צוואר הבקבוק זז, הוא לא נעלם

זו אחת הנקודות שהכי קל לפספס כשמנתחים חברה שמכריזה על זינוק בפרודוקטיביות.

נניח שצוות פיתוח מייצר פי חמישה יותר קוד בעזרת AI. נשמע מצוין. אבל מי בודק את הקוד? מי מבצע ביקורת אבטחה? מי מתחזק אותו בעוד שנתיים? ומי מחליט מלכתחילה איזה קוד היה צריך להיכתב?

אם שלב הייצור האיץ פי חמישה וכל השאר נשאר זהה, ייתכן שהתפוקה האמיתית לא גדלה בכלל. פשוט הזזנו את הפקק למקום אחר.

קאטלר מנסח את זה בחדות: ייצור זול ומהיר יותר אינו בהכרח נכס זול יותר לאורך חייו. ברוב מוצרי התוכנה, עיקר ההשלכות הכלכליות מגיעות דווקא אחרי שלב הייצור.

אותו היגיון תקף מחוץ לתוכנה. אפשר לייצר פי עשרים דוחות, פי עשרה מצגות ופי חמישה ניתוחים. אם אין בארגון יכולת לקרוא, להחליט ולפעול על בסיסם, לא נוצר ערך. נוצר מלאי דיגיטלי.

מבחינת משקיע, זו הסיבה שחשוב לבדוק אם הרווח בפועל השתפר, ולא רק להסתמך על הצהרות על תפוקה. קריאה נכונה של הדוח מפרידה בין השניים.

AI מול עובד: החישוב שנראה פשוט ואינו

החישוב המפתה ביותר בכל הדיון על החזר השקעה בבינה מלאכותית הוא זה: עובד עולה 150 אלף דולר בשנה, מערכת AI שמבצעת חלק מעבודתו עולה 20 אלף. חסכנו 130 אלף.

קאטלר מונה כמה סיבות למה ההשוואה הזו שגויה.

הון ארגוני. עובדים מייצרים לא רק תפוקה מוגדרת. הם צוברים ידע, קשרים, נהלים וזיכרון ארגוני שמשרתים עבודה אחרת.

מבנה עלות שונה. שכר מתנהג כעלות קבועה בטווח התכנון. צריכת טוקנים מתנהגת כעלות משתנה. זה הבדל מהותי בניתוח פיננסי.

מה נשאר בסוף. עבודה אנושית מגדילה הון אנושי וארגוני. הוצאה על AI עשויה להשאיר קוד, נתונים או תהליכים, אבל רק אם הארגון באמת קולט אותם. אחרת ההוצאה פשוט נצרכה.

תשואה שולית מול ממוצעת. המיליון הראשון שמושקע ב-AI עשוי להיות פורה במיוחד, כי הוא מכוון לשימושים ברורים ובעלי ערך גבוה. המיליון החמישים כבר הולך לשימושים שוליים יותר.

הנקודה האחרונה חשובה לכל מי שבוחן תמחור של מניה. שוק שמניח שהתשואה על כל דולר נוסף תישאר קבועה, מניח משהו שכמעט אף פעם אינו נכון.

לכן ההשוואה המדויקת יותר אינה AI מול עובד, אלא עובד עם AI מול עובד בלעדיו.

המדד הנכון: כך מודדים החזר השקעה בבינה מלאכותית

המעניין הוא שספקיות המודלים עצמן כבר עברו לשפה אחרת. הן לא מדברות על מחיר לטוקן אלא על עלות למשימה.

ביולי 2026 OpenAI הורידה את מחיר GPT-5.6 Luna ב-80% ואת Terra ב-20%. בהודעה החברה כתבה שהשימוש היעיל ב-AI מתחיל מהתוצאה הרצויה, ושעסקים צריכים להגדיר את רמת האיכות שהם צריכים ואז לבדוק היכן אינטליגנציה נוספת באמת משפרת את התוצאה.

הדוגמאות שהיא הביאה ממחישות למה ספירת טוקנים מטעה:

• Luna מגיעה לביצועים של מודלים שהיו חזית הידע לפני שנה, בעלות של כשש אגורות על כל דולר למשימה.
• לפי Notion, Terra סיפקה איכות דומה ל-GPT-5.5 בחצי מהעלות למשימה ובזמן קצר ב-60%.
• לפי Blitzy, Luna מטפלת בפי 2.2 יותר הקשר תוך שימוש בפי 8.5 פחות טוקני פלט, בעלות נמוכה ב-87%.

שימו לב לדוגמה האחרונה. פחות טוקנים, יותר עבודה, עלות נמוכה בהרבה. חברה שהייתה מודדת הצלחה לפי צריכת טוקנים הייתה רואה כאן ירידה חדה ומסיקה שמשהו נשבר.

לכן החישוב השימושי אינו עלות טוקנים למיליון יחידות אלא:

עלות למשימה מוצלחת = עלות המודל + זמן אנושי לבדיקה + תיקונים + ניסיונות חוזרים + תפעול

מודל שעולה כפליים אך מצליח ב-95% מהמקרים יכול להיות זול משמעותית ממודל חצי מחיר שמצליח ב-60%, אחרי שסופרים את הבדיקות והתיקונים.

עקומת ה-J: מה החשמל מלמד על לוחות זמנים

כאן מגיע החלק שהכי חשוב למשקיעים, כי הוא נוגע לציפיות ולזמן.

אזים אזהר טוען שמה שאנחנו רואים הוא עקומת J קלאסית של טכנולוגיה כללית. בתקופת הלמידה הפרודוקטיביות יכולה דווקא לרדת, לפני שהיא מזנקת.

הדוגמה ההיסטורית היא החשמול של המפעלים. בשלב הראשון מפעלים רק החליפו תאורת גז בתאורה חשמלית. חיסכון קטן, שינוי אפסי בתפוקה. בשלב השני הם החליפו את מנוע הקיטור המרכזי במנוע חשמלי גדול, אבל השאירו את אותם צירי הנעה. גם זה כמעט לא עזר, ולעיתים רק הזיז את צוואר הבקבוק למקום אחר.

רק בשלב השלישי, כשחשמלו כל מכונה בנפרד ותכננו מחדש את כל מבנה המפעל, הגיעה קפיצת הפרודוקטיביות האמיתית.

לפי הניתוח ב-Fortune, רוב החברות היום תקועות בשלב הראשון או השני. הן מוסיפות AI לתהליך קיים במקום לתכנן מחדש את התהליך. וזה מסביר למה ההוצאה גדלה בזמן שהתוצאה בדוחות עדיין לא מופיעה.

העיקרון הזה מוכר לכל מי שקרא דוחות כספיים לעומק: הוצאה שמופיעה היום ותשואה שמופיעה בעוד שנתיים יוצרות תקופה שנראית גרועה בדיוק כשהאסטרטגיה נכונה.

מפת השוק: מי גובה את הכסף על הטוקנים ומי משלם אותו

עד כאן דיברנו על ארגונים שמשתמשים ב-AI. אבל למשקיע יש שאלה נוספת: איפה בשרשרת הזו נמצא הכסף שלי?

נוח לחלק את השוק לשלוש שכבות, וההבחנה ביניהן חשובה במיוחד.

שכבה 1: מוכרי הכלים

יצרניות השבבים וספקיות הענן, ובראשן אנבידיה, מיקרוסופט, אמזון וגוגל. הן מספקות את התשתית שעליה רצים המודלים.

הנקודה הקריטית: ההכנסה שלהן היא ההוצאה של מישהו אחר. הן גובות את הכסף בין אם הלקוח הפיק ערך ובין אם לא.

לכן הדוחות שלהן מודדים בעיקר את קצב ההוצאה בשוק, ולא את התשואה שההוצאה הזו מייצרת.

שכבה 2: ספקיות המודלים

כאן פועלות OpenAI ו-Anthropic. שתיהן פרטיות נכון לאוגוסט 2026, ולכן משקיע ישראלי אינו יכול לקנות אותן ישירות.

אבל התמונה משתנה. OpenAI הגישה תשקיף חסוי ב-22 במאי 2026, ו-Anthropic הגישה תשקיף חסוי ב-1 ביוני 2026 לפי שווי של כ-965 מיליארד דולר, אחרי גיוס סדרה H בהיקף 65 מיליארד דולר.

הנתונים ממחישים את קצב הצמיחה. ההכנסה הרבעונית של Anthropic טיפסה מ-4.8 מיליארד דולר ברבעון הראשון של 2026. התחזית לרבעון השני עמדה על כ-10.9 מיליארד, והתוצאה בפועל הגיעה לכ-11.5 מיליארד. זה גם הרבעון הרווחי הראשון של החברה. OpenAI, לעומתה, עדיין הפסידה ברבעון הראשון.

שימו לב לניסוח. Anthropic דיווחה על רווח תפעולי מתואם. המילה הזו עושה עבודה קשה בדוחות, וכדאי לבדוק בדיוק מה היא מוציאה מהחישוב. זו המיומנות של קריאת דוח כספי שמפרידה בין כותרת לבין מהות.

מי שמחכה לחשיפה ישירה לשכבה הזו, שתי ההנפקות האלה הן האירוע שכדאי לעקוב אחריו.

שכבה 3: המשלמים

כאן נמצא רוב השוק: סיילספורס, יובר וכל חברה אחרת שקונה טוקנים כדי לשפר את העסק שלה.

בשכבה הזו ההוצאה על AI היא עלות טהורה. היא תהפוך לתשואה רק אם המרווח הגולמי ישתפר או אם ההכנסה לעובד תטפס.

הקשר שמחבר את שלוש השכבות

אותו דולר עצמו משמש הכנסה בשכבה 1 והוצאה בשכבה 3.

כרגע השוק מתגמל את שכבה 1 על ההוצאה של שכבה 3. זה עובד היטב כל עוד ההוצאה נמשכת.

השאלה הפתוחה היא מה קורה אם שכבה 3 לא תצליח להפוך את ההוצאה לרווח. במקרה כזה ההכנסה של שכבה 1 אינה בת קיימא, גם אם היא נראית מצוינת היום.

זה בדיוק מה שקרה בקטן עם Tokenmaxxing. ברגע שיובר ומיקרוסופט קיצצו, ההוצאה ירדה מיד. תמחור שמניח המשך צמיחה קבוע אינו מגלם את התרחיש הזה.

איך משקיע יכול לבדוק החזר השקעה בבינה מלאכותית

אז מה בעצם כדאי לחפש בדוח כדי להעריך החזר השקעה בבינה מלאכותית של חברה מסוימת?

1. הכנסה לעובד. אם AI באמת עובד, החברה אמורה לייצר יותר הכנסה עם אותו כוח אדם. זה המדד הישיר ביותר, וקשה לזייף אותו.

2. מרווח גולמי לאורך זמן. אם ההוצאה על מודלים גדלה מהר יותר מההכנסה, המרווח נשחק. אם היא גדלה לאט יותר, יש מינוף תפעולי אמיתי.

3. עלות שירות לקוח. תחום שבו AI אמור להשפיע מהר, ולכן סימן מוקדם טוב. שווה להצליב אותו מול התנהגות הסקטור כולו, כדי להבדיל בין יתרון ספציפי למגמה רוחבית.

4. האם החברה משנה תהליך או רק מוסיפה כלי. לפי לוגיקת עקומת ה-J, רק הראשונה תייצר קפיצה.

5. זהירות מהסקה סיבתית. באותו מחקר של OpenAI נמצא שחברות ציבוריות שאימצו AI הציגו נתונים פיננסיים חזקים יותר, אבל הן גם החזיקו יותר נכסים, העסיקו יותר עובדים והשקיעו יותר במחקר ופיתוח מלכתחילה. ייתכן שחברות חזקות מאמצות AI, ולא ש-AI הפך אותן לחזקות. OpenAI עצמה מסייגת שגישה לכלים לבדה אינה מספיקה.

הנקודה האחרונה חשובה במיוחד. ההבדל בין מתאם לסיבתיות הוא מה שמפריד בין ניתוח לבין סיפור.

שאלות נפוצות

מה זה Return on Tokens?

ניסיון למדוד את התשואה על הטוקנים שנצרכו בשימוש ב-AI. הבעיה היא שטוקן הוא עלות תשומה ולא תוצאה, ולכן המדד מודד היטב את ההוצאה ופחות את הערך.

האם צריכת AI גבוהה היא סימן רע?

לא בהכרח. חברה שמוציאה פי שלושה ומייצרת פי עשרה ערך עושה עסקה מצוינת. מה שחשוב הוא היחס, לא הסכום.

למה חברות עדיין לא מראות רווח מ-AI?

הסבר אחד הוא עקומת ה-J. בשלב הראשון של אימוץ טכנולוגיה כללית ההוצאות מקדימות את התועלת, והתשואה מגיעה רק אחרי תכנון מחדש של התהליכים.

כמה עולה טוקן ואיך מחשבים עלות טוקנים לארגון?

המחיר משתנה לפי המודל. נכון ל-30 ביולי 2026, GPT-5.6 Terra מתומחר ב-2 דולר למיליון טוקני קלט וב-12 דולר למיליון טוקני פלט. Luna, המודל המהיר והזול, מתומחר ב-0.20 דולר לקלט וב-1.20 דולר לפלט.

אבל עלות טוקנים לבדה אינה מספרת את הסיפור. ארגון שמחשב נכון מוסיף גם את הזמן האנושי לבדיקה, את התיקונים ואת הניסיונות החוזרים.

האם ההשקעה בבינה מלאכותית משתלמת?

התשובה תלויה במשימה. Anthropic מציינת שהכלכלה של מערכות רב-סוכניות עובדת רק כשהמשימה יקרה מספיק כדי להצדיק את העלות. בדיקת מסמכים משפטית או מחקר מתחרים יכולים להצדיק הוצאה גבוהה. שאלה פשוטה של שירות לקוחות לרוב לא.

ברמת החברה כולה, ההשקעה משתלמת אם המרווח הגולמי משתפר או אם ההכנסה לעובד עולה. בלי אחד מהשניים, קשה לטעון שנוצרה תשואה.

איך מודדים החזר השקעה בבינה מלאכותית בצורה נכונה?

אין מדד יחיד. השילוב של הכנסה לעובד, כיוון המרווח הגולמי ושינוי מבני בתהליכי העבודה נותן תמונה טובה בהרבה מכל מספר טוקנים.

השורה התחתונה

אנחנו נכנסים לשלב שבו השאלה כבר אינה כמה החברות משקיעות ב-AI, אלא כמה הן מקבלות בחזרה. זו שאלה של ניהול סיכונים לא פחות מששאלה של צמיחה.

טוקנים הם חומר גלם. אפשר למדוד אותם כמעט בשלמות, וזו בדיוק המלכודת: מספר מדויק מאוד מייצר תחושת ביטחון גם כשמה שבאמת רוצים למדוד נשאר מעורפל.

קאטלר מציע מסגרת פשוטה. במקום לשאול מה ה-ROI, כדאי לשאול באיזו הנחה על המערכת אנחנו מהמרים. ה-ROI הוא התוצאה של ההשערה, לא נקודת הפתיחה שלה.

עבור משקיע, המסקנה מעשית. חברה שמתגאה בגידול בצריכת הטוקנים לא אמרה כלום. חברה שמראה יותר הכנסה לעובד, מרווח שמשתפר ותהליך עבודה שתוכנן מחדש, אמרה הכל.

המדד של העידן הבא כנראה לא ייקרא Return on Tokens. הוא ייקרא תשואה על עבודה שימושית.

רוצים לשלב את ה-AI בחיים שלכם?

אם אתם מעוניינים לשלב את כל ה-AI בחיים שלכם ובאופן שבו אתם מנתחים את השוק, אתם מוזמנים לקבוע שיעורים אישיים. פרטי חבילות הלימוד והשיעורים הפרטיים מחכים לכם, כולל ליווי שוטף בחבילות הארוכות.

מקורות

• OpenAI: From assistance to execution, How enterprises put AI to work (12 באוגוסט 2026)
• OpenAI: Advancing the price-performance frontier with GPT-5.6 (30 ביולי 2026)
• John Cutler: Tokens, Hours, Points, and Other Curious Proxies (17 באוגוסט 2026)
• Fortune: Tokenmaxxing is over (28 במאי 2026)
• Fortune: Anthropic confidentially files for IPO at $965 billion valuation (1 ביוני 2026)
• CNBC: Anthropic revenue and first profitable quarter (20 במאי 2026)

גילוי נאות: המידע במאמר הוא כללי ולימודי בלבד ואינו מהווה ייעוץ השקעות או המלצה לפעולה. אין באמור התייחסות למניה מסוימת.