סיכוני AI במודלים זולים: המחיר של תלות טכנולוגית זרה
מנהלים רבים מסתכלים היום על עלות הטוקנים כמו שהסתכלו בעבר על עלות ענן: מספר קטן בגיליון אקסל שמצטבר מהר מאוד בתקציב השנתי. כאשר מוצר מבוסס מודלי שפה עובר מפיילוט לעבודה יומיומית, עלות ההסקה יכולה להפוך מחסם צדדי לשאלה אסטרטגית. לכן ההכרזה של חברת DeepSeek על הפיכת קיצוץ מחיר של 75 אחוז במודל V4 Pro לצעד קבוע היא לא עוד ידיעת מחיר, אלא סימן לשינוי עמוק בשוק.
סיכוני AI מתחילים במקום שבו המחיר נראה טוב מדי
חברת DeepSeek מציעה כעת תמחור API של 0.0036 דולר למיליון טוקני קלט במטמון ו-0.87 דולר למיליון טוקני פלט. חברת Artificial Analysis העריכה כי הרצת מבחן Intelligence Index שלה על המודל עולה 268 דולר בלבד, כאשר מודלים כמו GPT-5.5 ו-Claude Opus 4.7 יקרים פי 12 ופי 19 בהתאמה לאותה סוויטת בדיקות. עבור ארגון שמריץ מיליוני אינטראקציות בחודש, הפער הזה יכול להיות ההבדל בין רעיון מעניין לבין מוצר רווחי.
אבל זו בדיוק הנקודה שבה צריך לעצור. מודל זול אינו בהכרח מודל מתאים. כאשר ספק בינה מלאכותית נמצא במדינה שאינה בהכרח ידידותית לישראל, השאלה אינה רק מה כתוב בהסכם השימוש. השאלה היא מי יכול להשפיע על התשתית, אילו חוקים חלים על הספק, מה קורה למידע רגיש, ומה יקרה אם מחר תתקבל החלטה גיאופוליטית שמשנה גישה לשירות, מגבילה יכולות או יוצרת סיכון תפעולי.
כלכלת טוקנים משנה את מודל הרכש הארגוני
בעבר ארגונים השוו מודלים בעיקר לפי יכולת גולמית: דיוק, כתיבה, קוד, reasoning או ביצועים במבחני benchmark. היום מתבסס מדד חשוב יותר: עלות לכל יחידת תבונה. מדד כזה מחבר בין איכות הפלט, אורך ההקשר, קצב תגובה, אמינות, עלות פלט, עלות קלט במטמון ועלות תיקון טעויות. במערכות Agentic AI, שבהן סוכן מפעיל כלים, קורא מסמכים, מתכנן צעדים ומבצע קריאות חוזרות למודל, העלות האמיתית אינה קריאה אחת אלא שרשרת החלטות.
כאשר אנו מלווים ארגונים בהטמעת AI, הפער בין דמו יפה לבין מערכת יציבה מתגלה מהר. סוכן שמטפל בפניות לקוחות, בודק חוזים או מסכם מידע פיננסי אינו יכול להיבחן רק לפי מחיר. צריך למדוד שיעור הזיות, יציבות בפורמטים, יכולת שמירה על מדיניות, איכות שימוש בכלים, ניהול הרשאות, ניטור ולוגים. חשוב לא פחות לבנות מנגנון אדם בלולאה חכם: לא אדם שמאשר כל פעולה, אלא מומחה שמפקח על חריגים, דגימות וסיכונים ומסוגל לנהל מאות תהליכים במקביל.
אבטחת מידע וריבונות נתונים לפני אימוץ מודלים סיניים
ארגון ישראלי צריך להתייחס למודלים סיניים כאל יכולת מעניינת אך לא כברירת מחדל למידע רגיש. שימוש אפשרי יכול להיות בעיבוד מידע ציבורי, יצירת טיוטות לא מסווגות, בדיקות מחקר, העשרת תוכן או עומסים שבהם אין חשיפת לקוחות, קניין רוחני, קוד פנימי או מידע מסחרי. לעומת זאת, חוזים, נתוני לקוחות, מסמכי אסטרטגיה, קוד מוצר ונתוני עובדים צריכים לעבור דרך מסלול מחמיר יותר של אבטחת מידע, משפט, פרטיות ורכש.
הדרך הנכונה אינה לפסול כל מודל זול, אלא לבנות ארכיטקטורת בחירה. שכבת ניתוב מודלים יכולה לשלוח משימות לפי רמת רגישות, עלות וביצועים: מודל פרימיום למשימות רגישות או מורכבות, מודל חסכוני למשימות נפח נמוך סיכון, ומודל מקומי או פרטי כאשר נדרש בידוד. מעל זה צריך להפעיל מדיניות טוקנים, סיווג מידע אוטומטי, בדיקות איכות, logging, בקרות prompt injection ומנגנון השוואת פלטים בין מודלים.
העמדה שלנו ברורה: המחיר של DeepSeek הוא אירוע חשוב, אך הוא אינו תחליף לאסטרטגיית AI ארגונית. ארגון שרוצה להרוויח מהתייעלות תפעולית חייב לפתח אוריינות AI, יכולת פנימית לניהול סוכנים, ידע מקצועי עמוק ותהליכי בקרה. המחיר הנמוך מפתה, אבל ההחלטה צריכה להתקבל לפי מפת סיכונים, ריבונות נתונים ותלות ספקים. מי שיבנה היום תשתית ניהול מודלים גמישה יוכל לנצל ירידות מחירים בלי להמר על הליבה העסקית שלו.
