מבוא – משירות דיגיטלי אוניברסלי ליכולת חישובית מוגבלת

תקציר ראשי

בינה מלאכותית מוצגת לעתים קרובות כטכנולוגיית תוכנה הניתנת לשכפול אינסופי, אך כל פלט מועיל מבחינה כלכלית תלוי במערכת פיזית סופית ומרוכזת באופן יוצא דופן: ייצור מוליכים למחצה מתקדם, אריזות מתקדמות, זיכרון ברוחב פס גבוה , מאיצים, ציוד רשת, קיבולת מרכזי נתונים, חשמל, תשתית קירור וכוח אדם הנדסי מיוחד. לא ניתן להעריך את השוק שנוצר באמצעות מחירי מנוי לצרכנים בלבד. המבנה האמיתי שלו מתחיל במעלה הזרם, שם חסמים טכניים וכלכליים מגבילים את מספר החברות המסוגלות לייצר את הרכיבים המתקדמים ביותר, וממשיך במורד הזרם, שם קבוצה קטנה של מפתחי היפר-סקיילרים ומפתחי מודלים קובעים אילו משתמשים מקבלים גישה, באיזו רמת ביצועים, עם איזו השהייה, חלון הקשר, הגנות פרטיות ומגבלות חוזיות. ראיות הזמינות באוגוסט 2026 מאשרות התרחבות יוצאת דופן של ביקוש והשקעות, אך הן עדיין לא מוכיחות כי מחסור הונדס באופן מלאכותי או כי התרחשה התנהלות תמחור בלתי חוקית. NVIDIA דיווחה על הכנסות של 215.9 מיליארד דולר בשנת הכספים 2026 , עלייה של 65%, עם שולי רווח גולמי GAAP של 71.1% לשנת הכספים ; ברבעון שהסתיים ב-26 באפריל 2026, הכנסות מרכזי הנתונים הגיעו ל-75.2 מיליארד דולר , עלייה של 92% בתקופה המקבילה אשתקד. תוצאות אלו מדגימות תפיסת ערך יוצאת דופן במגזר טכנולוגי מוגבל בהיצע, אך לאחר מכן יש לפרק את הרווחיות ואת צמיחת ההכנסות לדמי חדשנות, תשואות קניין רוחני, דמי מחסור, השפעות תמהיל מוצרים וכוח שוק אפשרי. NVIDIA מכריזה על תוצאות כספיות לרבעון הרביעי ולשנת הכספים 2026 – NVIDIA – פברואר 2026 NVIDIA מכריזה על תוצאות כספיות לרבעון הראשון של שנת הכספים 2027 – NVIDIA – מאי 2026

האילוץ במעלה הזרם אינו ניתן לצמצום לתכנון GPU. מאיצי בינה מלאכותית דורשים לוגיקה מתקדמת, כמויות גדולות של HBM , חוצצים מורכבים וטכנולוגיות אריזה מתקדמות המסוגלות לחבר שבבי לוגיקה עם ערימות זיכרון מרובות ברוחב פס קיצוני. TSMC דיווחה כי הקיבולת השנתית של מתקנים המנוהלים על ידי החברה וחברות הבת שלה עלתה על 17 מיליון פרוסות דמה (wafers) בגודל 12 אינץ’ בשנת 2025 , בעוד שתמליל המשקיעים הרשמי שלה לרבעון הראשון של 2025 קבע כי החברה עבדה על הכפלת קיבולת CoWoS במהלך אותה שנה בתגובה לדרישת הלקוחות. TSMC הודיעה בנפרד כי יישום CoWoS בגודל 9.5 אינץ’ המתוכנן לייצור בנפח בשנת 2027 נועד לשלב שתים עשרה ערימות HBM או יותר בחבילה אחת. גילויים אלה מראים כיצד ביצועי בינה מלאכותית בחזית תלויים יותר ויותר באופטימיזציה משותפת בין ייצור, זיכרון ואריזה, ולא במעבד מבודד. כתוצאה מכך, יצרני זיכרון מפנים השקעות למוצרי בינה מלאכותית בעלי ערך גבוה יותר: מיקרון צפתה בדצמבר 2025 כי שוק ה-HBM הכולל הניתן לטיפול עשוי לעלות מכ -35 מיליארד דולר בשנת 2025 לכ-100 מיליארד דולר בשנת 2028 , בעוד סמסונג הכריזה על תוכניות להשקיע יותר מ -110 טריליון וון קוריאני במתקנים, מחקר ופיתוח במהלך 2026, כולל במפורש HBM, ייצור בתי יציקה ואריזות מתקדמות. נתונים אלה מבטאים ביקוש חזק ויצירת קיבולת מהירה, אך הם כשלעצמם אינם מוכיחים מחסור קבוע. הבעיה האנליטית המרכזית של דוח זה תהיה, אם כן, האם תוספות לייצור, אריזות וקיבולת זיכרון יכולות לעקוף את הצמיחה המשולבת של הדרכה, הסקה, שירותים רב-מודאליים, עומסי עבודה סוכניים ותוכניות מחשוב ריבוניות לאומיות. דוח שנתי של TSMC לשנת 2025 – חברת ייצור מוליכים למחצה של טייוואן – אפריל 2026 תמליל כנס רווחי הרבעון הראשון של TSMC לשנת 2025 – חברת ייצור מוליכים למחצה של טייוואן – אפריל 2025 TSMC חושפת את תהליך A14 מהדור הבא בסימפוזיון הטכנולוגיה של צפון אמריקה – חברת ייצור מוליכים למחצה של טייוואן – אפריל 2025 תוצאות כספיות של Micron לרבעון הכספי הראשון של 2026 – Micron Technology – דצמבר 2025 תוכנית שיפור ערך בעלי המניות של Samsung Electronics – Samsung Electronics – מרץ 2026

מחזור ההשקעה במורד הזרם מצביע על כך שהגישה הזולה לכאורה של היום למודלים רבי עוצמה אינה יכולה להיחשב באופן אוטומטי כשיווי משקל יציב לטווח ארוך. אלפבית דיווחה על הוצאות הון של 91.4 מיליארד דולר בשנת 2025, בהשוואה ל-52.5 מיליארד דולר בשנת 2024, והצהירה כי היא צופה עלייה משמעותית נוספת בהשקעות בתשתית טכנית במהלך 2026; הוצאות ההון הגיעו ל-35.7 מיליארד דולר ברבעון הראשון של 2026 בלבד , בהשוואה ל-17.2 מיליארד דולר בתקופה המקבילה בשנת 2025. השקעה זו אינה מוכיחה שמחירי הצרכן או מחירי ה-API חייבים לעלות, מכיוון שניצול גבוה יותר, יעילות אלגוריתמית, דחיסת מודלים, מאיצים מותאמים אישית ותחרות יכולים להפחית את עלויות היחידה. עם זאת, היא קובעת ששירותי בינה מלאכותית נתמכים על ידי בסיס הון שעלויות הפחת, המימון, החשמל, הרשת וההחלפה שלו חייבות בסופו של דבר להיות מוחזרות באמצעות פרסום, מנויים, חיוב API, חוזים ארגוניים או סבסוד צולב. אנרגיה הופכת לאילוץ מקביל. הסוכנות הבינלאומית לאנרגיה צופה כי צריכת החשמל העולמית של מרכזי נתונים תעמוד על כ -945 טרה-וואט-שעה בשנת 2030 , יותר מפי שניים מהרמה הנוכחית המיוצגת בתרחיש הבסיס שלה וקצת פחות מ-3% מצריכת החשמל העולמית הצפויה. הסוכנות הבינלאומית לאנרגיה מעריכה בנוסף צמיחה ממוצעת של ביקוש לחשמל במרכזי נתונים של כ-15% מדי שנה בין 2024 ל-2030, בעוד שמתקנים מותאמים לבינה מלאכותית מהווים את הגורם התוספתי העיקרי. כתוצאה מכך, הדו”ח חייב לדגמן לא רק מחיר לכל טוקן, אלא תעריף רב-ממדי שבו יכולת המודל, אורך קלט ופלט, עוצמת הנמקה, השהייה, קיבולת שמורה, מיקום גיאוגרפי, זמינות אנרגיה ודרישות פרטיות הופכים לגורמים נפרדים למחיר. האנלוגיה של ביטקוין תיבחן ולא תתקבל: מחשוב יכול להיות נדיר ומתומחר באופן דינמי, אך בניגוד לביטקוין, הוא הטרוגני, הולך וגובר מערכו, מוגבל גיאוגרפית, ניתן לייצור רציף ונצרך במתן שירות. דוח שנתי של אלפבית בטופס 10-K לשנת הכספים שהסתיימה ב-31 בדצמבר 2025 – אלפבית ורשות ניירות ערך של ארה”ב – פברואר 2026 דוח רבעוני של אלפבית בטופס 10-Q לרבעון שהסתיים ב-31 במרץ 2026 – אלפבית ורשות ניירות ערך של ארה”ב – אפריל 2026 אנרגיה ובינה מלאכותית: ביקוש לאנרגיה מבינה מלאכותית – הסוכנות הבינלאומית לאנרגיה – אפריל 2025

עבור משקי בית, סטודנטים, חוקרים וארגונים קטנים יותר, הפער המכריע אינו בין החזקה לבין היעדר גישה סמלית לבינה מלאכותית, אלא בין רמות שונות של יכולת חישובית מותאמת איכות. תחנת עבודה משומשת עשויה להריץ מודל כמותי באופן מקומי, אך להישאר לא מספקת עבור הקשרים ארוכים, עיבוד רב-מודאלי, מקביליות גבוהה, יצירה מהירה או עומסי עבודה מדעיים מיוחדים. ה- RTX 3090 , שהוצג במחיר התחלתי של 1,499 דולר , מכיל 24 ג’יגה-בייט של זיכרון GDDR6X ; זה נשאר שימושי עבור עומסי עבודה מקומיים מוגדרים אך מטיל גבול זיכרון קשיח לפני התחשבות בתקורת תוכנה, מטמון הקשר והסקה מקבילית. ניתן להגדיר Mac Studio 2025 עם M4 Max עם 128 ג’יגה -בייט של זיכרון מאוחד, מה שמאפשר מעטפת זיכרון מודל תיאורטית גדולה בהרבה, אם כי אין להשוות את קיבולת הזיכרון המאוחד לביצועי מאיץ NVIDIA, תאימות תוכנה או תפוקת יישומים יעילה. מפרט משפחת GeForce RTX 3090 – NVIDIA – ספטמבר 2020 מפרט טכני של Mac Studio 2025 – Apple – מרץ 2025 בעיית ההפצה הבינלאומית מתחילה עוד קודם לכן: איגוד התקשורת הבינלאומי העריך כי 94% מהאנשים במדינות בעלות הכנסה גבוהה השתמשו באינטרנט בשנת 2025, בהשוואה ל -23% בלבד בכלכלות בעלות הכנסה נמוכה, בעוד 2.2 מיליארד אנשים נותרו במצב לא מקוון. לפיכך, בינה מלאכותית מתקדמת מגיעה בנוסף לפער בלתי פתור של קישוריות, סבירות, חשמל, מכשירים ומיומנויות. מדידת פיתוח דיגיטלי: עובדות ומספרים 2025 – איגוד התקשורת הבינלאומי – נובמבר 2025 תגובת אירופה ממחישה את היקף הבעיה האסטרטגי: הנציבות האירופית השיקה קול קורא ביולי 2026 שמטרתו להקים עד שבעה ג’יגה-מפעלים של בינה מלאכותית ולפתוח יותר מ -30 מיליארד אירו , בעוד שהארכיטקטורה שלה מגדירה מתקנים כאלה כתשתיות המאגדות יותר מ -100,000 מעבדי בינה מלאכותית מתקדמים . האיחוד האירופי משיק קריאה להקמת ג’יגה-מפעלי בינה מלאכותית (AI) במטרה להגביר את קיבולת המחשוב של אירופה ולשחרר יותר מ-30 מיליארד אירו – הנציבות האירופית – יולי 2026. מפעלי בינה מלאכותית – הנציבות האירופית – יולי 2026. החקירה בת חמש השנים תקבע האם השקעה זו מרחיבה את הגישה או רק מעבירה מחדש קיבולת מרוכזת, והאם בינה מלאכותית הופכת למאזן פרודוקטיביות, לתועלת תעשייתית מדודה או למנגנון מצטבר שבאמצעותו משתמשים עשירים בהון רוכשים יתרון קוגניטיבי וכלכלי מתמשך

מחיר האינטליגנציה: כיצד מחשוב הופך לתשתית החדשה של כוח כלכלי

בינה מלאכותית אינה עוד בעיקרה תחרות בין אלגוריתמים. זוהי תחרות על גישה למאיצים, זיכרון ברוחב פס גבוה, אריזה מתקדמת, חשמל, מרכזי נתונים וההון הנדרש להרכבתם למערכות שמישות. אי השוויון המכריע עובר אפוא מקישוריות לאינטרנט ליכולת חישובית: מי יכול לאמן, להתאים ולהפעיל מודלים מתקדמים; מי חייב לשכור את היכולת הזו; ומי נשאר מוגבל למערכות חלשות יותר. למעבר זה יש השלכות על הפריון התעשייתי, הריבונות המדעית, החינוך, ההגנה וחלוקת הכוח הכלכלי. אירופה החלה לבנות תגובה ציבורית, אך השאלה האסטרטגית נותרה בלתי פתורה: האם מחשוב בינה מלאכותית יתפתח כתשתית נגישה באופן רחב או כשירות נדיר, הנשלט אנכית, שמחירו וזמינותו נקבעים על ידי קבוצה קטנה של ספקי טכנולוגיה.

הקלט הכלכלי החדש

לא ניתן לסווג את המחשוב כעוד קלט תעשייתי. הוא בו זמנית נכס הון, שירות מדוד, מרכיב של תשתית קריטית וכלי למינוף גיאופוליטי. ערכו הכלכלי תלוי לא רק בתפוקת המעבד אלא גם בזיכרון המאיץ, רוחב הפס, חיבורים, תאימות תוכנה, חשמל, קירור, השהיית רשת וניצול. מאיץ בעל עוצמה נומינלית ללא זיכרון או תמיכה מספקת בתוכנה עשוי להיות נחות מבחינה כלכלית ממערכת איטית יותר המסוגלת להשלים את עומס העבודה הנדרש בצורה אמינה.

הבחנה זו חיונית בעת הערכת טענות על אינפלציה בחומרה. מחירי מדבקות בלבד אינם יכולים לקבוע האם יכולת הבינה המלאכותית התייקרה. השוואה תקפה חייבת לקבוע את העלות של השלמת אותו עומס עבודה תחת דרישות מקבילות של דיוק, אורך הקשר, השהייה, מקביליות, פרטיות ואמינות. שיפורים במוליכים למחצה יכולים להפחית את העלות של פעולה אריתמטית בעוד שהעלות הכוללת של פריסת מודל שימושי עולה מכיוון שעומס העבודה דורש יותר זיכרון, יותר אנרגיה, כוח אדם מיוחד או אשכול גדול יותר.

התוצאה היא פרדוקס לכאורה: כוח מחשוב מצטבר יכול להפוך לשופע יותר, בעוד שמחשוב שימושי מבחינה אסטרטגית נותר נדיר. המחסור הופך לחמור במיוחד כאשר ארגונים דורשים ביצועים ברמה חזיתית, טיפול בנתונים ריבוני, קיבולת מובטחת או פעולה מקומית. עבור סטודנט, חוקר עצמאי או עסק קטן, המחסום הרלוונטי אינו האם מודל קטן יכול לפעול מבחינה טכנית על מחשב. אלא האם מערכת זו יכולה לייצר עבודה תחרותית במסגרת מגבלות זמן, איכות ואמינות מקובלות.

אימוץ ללא גישה שווה

ארגונים אירופאים כבר נכנסים למעבר הזה מעמדות התחלה לא שוויוניות באופן קיצוני. יורוסטאט דיווח כי 19.95% מהארגונים באיחוד האירופי המעסיקים לפחות עשרה עובדים השתמשו בטכנולוגיית בינה מלאכותית אחת או יותר בשנת 2025 , בעוד שהנתח המקביל בקרב ארגונים גדולים הגיע ל -55.03% . שימוש בבינה מלאכותית בארגונים – יורוסטאט – 2025 – פרסום סטטיסטי רשמי .

הפער חשוב משום שאימוץ בינה מלאכותית הוא מצטבר. ארגונים עם נתונים, מהנדסים, הסכמי ענן ותקציבי אינטגרציה יכולים לבדוק יותר יישומים, להכשיר עובדים, לבנות זרימות עבודה קנייניות וללמוד מכישלונות. ארגונים קטנים יותר חייבים לספוג עלויות של רישיונות, אבטחת סייבר, תאימות, הכנת נתונים, אינטגרציה ופיקוח אנושי לפני ששיפורי הפרודוקטיביות יהיו ודאיים. כתוצאה מכך, בינה מלאכותית יכולה להפוך לתשומה חובה דה פקטו: חברות עשויות להידרש לרכוש אותה מכיוון שמתחרים משתמשים בה, גם כאשר התשואה על ההשקעה שלהן נותרת קשה למדידה.

זה יוצר אסימטריה מבנית. חברות גדולות יכולות לנהל משא ומתן על הזמנות קיבולת, לגוון ספקים ולממן תשתיות מקומיות. עסקים קטנים ובינוניים רוכשים לעתים קרובות גישה קמעונאית במסגרת חוזים סטנדרטיים ונושאים בעלויות מעבר גבוהות יותר ביחס להכנסות. אם יכולת המודל, השהייה ועדיפות הגישה יהיו מובחנים יותר ויותר לפי מחיר, השוק לא רק יחלק את המשתמשים למנויים וללא מנויים. הוא יחלק אותם לפי האיכות, המהירות, ההקשר והאמינות של המודיעין שהם יכולים להרשות לעצמם.

תגובת התשתיות של אירופה

תוכנית הפעולה של הנציבות האירופית ליבשת הבינה המלאכותית , שהוצגה ב -09/04/2025 , הציבה את התשתית הפיזית במרכז המדיניות האירופית. הנציבות זיהתה 200 מיליארד אירו שיגויסו להשקעות בבינה מלאכותית, כולל 20 מיליארד אירו המיועדים למימון עד חמישה ג’יגה-מפעלים בתחום הבינה המלאכותית. כמו כן, היא זיהתה רשת של 19 מפעלי בינה מלאכותית התומכים בסטארט-אפים, תעשייה ומחקר. יבשת הבינה המלאכותית – הנציבות האירופית – 09/04/2025 – דף התוכנית הרשמי .

רשת זו הושלמה מאז על ידי 13 אנטנות של מפעלי בינה מלאכותית , בעוד שהמיזם המשותף האירופי למחשוב ביצועים גבוהים מציין כי מפעלי הבינה המלאכותית מציעים תמיכה מותאמת אישית בחינם לעסקים קטנים ובינוניים ולחברות הזנק. מפעלי בינה מלאכותית – המיזם המשותף האירופי למחשוב ביצועים גבוהים – 2026 – פורטל תשתיות רשמי . ב -30/07/ 2026 , EuroHPC השיקה את קול קורא לג’יגה-מפעלי הבינה המלאכותית, והגדירה את המתקנים המתוכננים כסביבות משולבות המשלבות מחשבי-על מותאמים לבינה מלאכותית, מרכזי נתונים מתקדמים, אחסון בעל קיבולת גבוהה, רשתות במהירות גבוהה, גישה מאובטחת לענן ותמיכה מקצועית. המיזם המשותף EuroHPC משיק את קול קורא לג’יגה-מפעלי הבינה המלאכותית – המיזם המשותף EuroHPC – 30/07/2026 – הודעה רשמית לקול קורא .

הארכיטקטורה נכונה אסטרטגית משום שהיא מכירה בכך שרכישת מאיצים אינה מספקת. אירופה זקוקה למערכת אקולוגית פעילה המסוגלת להקצות קיבולת מעבר לגבולות, לתמוך במשתמשים תעשייתיים, להגן על נתונים רגישים ולהמיר משאבי חישוב ליישומים הניתנים לפריסה. הסכנה היא פיצול. מתקנים לאומיים שאינם יכולים להחליף עומסי עבודה, להשתמש בממשקים תואמים או לספק גישה צפויה עלולים לשחזר, על חשבון הציבור, את אותה נעילה שאירופה מבקשת להפחית.

אילוץ האנרגיה

תשתית בינה מלאכותית היא גם תשתית אנרגיה. ב -20/12/2024 , דיווח משרד האנרגיה של ארצות הברית כי מרכזי נתונים אמריקאים צרכו 176 טרה-וואט-שעה של חשמל בשנת 2023, שווה ערך לכ -4.4% מצריכת החשמל הארצית. טווח הצריכה שצוין על ידי המשרד לשנת 2028 היה 325-580 טרה-וואט-שעה , או כ- 6.7-12% מצריכת החשמל של ארה”ב. משרד האנרגיה של ארצות הברית מפרסם דו”ח חדש להערכת העלייה בביקוש לחשמל ממרכזי נתונים – משרד האנרגיה של ארצות הברית – 20/12/2024 – פרסום רשמי .

נתונים אלה אינם תחזית לאירופה, אך הם חושפים את היקף האתגר הפיזי. לא ניתן להפריד בין מדיניות מרכזי נתונים לבין כושר ייצור, רשתות הולכה, תחנות משנה, שנאים, מי קירור, היתרים ואמינות המערכת המקומית. מדינה עשויה להחזיק בהון ומומחיות טכנית, אך עדיין אינה מסוגלת לפרוס כושר ייצור חדש של בינה מלאכותית במסגרת לוחות זמנים שימושיים מבחינה מסחרית, משום שחיבורים לרשת אינם זמינים.

לכן, מדיניות ציבורית חייבת להבחין בין תשתית בעלת ערך חברתי לבין עלויות עומס פרטי. מרכזי נתונים צריכים לתרום להשקעות הרשת הנדרשות לעומס שלהם, בעוד שרשויות ציבוריות צריכות להעריך גמישות, פליטות, מיקום וערך כלכלי של עומסי עבודה. סבסוד מחשוב ללא מימון מערכת החשמל התומכת בו יזיז את צוואר הבקבוק במקום להסירו.

זיכרון כגיאופוליטיקה

זיכרון ברוחב פס גבוה מדגים כיצד רכיב מיוחד יכול להפוך גם לצוואר בקבוק תעשייתי וגם לכלי אבטחה. ב -02/12/2024 , הלשכה לתעשייה וביטחון של משרד המסחר של ארצות הברית הכריזה על בקרות המכסות 24 סוגים של ציוד לייצור מוליכים למחצה , שלוש קטגוריות של כלי תוכנה , זיכרון מתקדם (HBM) ו -140 תוספות לרשימת הישויות. BIS תיאר במפורש HBM כקריטי להכשרה והסקה של בינה מלאכותית בקנה מידה גדול. המסחר מחזק את בקרות היצוא כדי להגביל את יכולתה של סין לייצר מוליכים למחצה מתקדמים – הלשכה לתעשייה וביטחון – 02/12/2024 – הודעה רשמית .

ההחלטה ממחישה מדוע לא ניתן להתייחס למחשוב כסחורה הניתנת להחלפה גלובלית. זמינותו תלויה בכללי מקור, רישיונות יצוא, ספים טכניים, גיאוגרפיה של ייצור ויישור פוליטי. שלא כמו ביטקוין, מחשוב הוא הטרוגני, תלוי מיקום ומצטמצם. קיבולת שאינה מנוצלת מתכלה; חומרה ישנה מאבדת מערכה יחסי; ושתי מערכות שוות ערך נומינלית יכולות לייצר תוצאות כלכליות שונות בגלל אילוצי זיכרון, תוכנה או רשת.

חוק השבבים האירופי, שנכנס לתוקף ב -21/09/2023 , נועד לחזק את המערכת האקולוגית של מוליכים למחצה באיחוד, לשפר את חוסן שרשרת האספקה ​​ולהפחית תלות חיצונית. מטרותיו המוצהרות כוללות מנהיגות במחקר, תכנון, ייצור, אריזות מתקדמות, כושר ייצור ומיומנויות. חוק השבבים האירופי – הנציבות האירופית – 21/09/2023 – מסגרת מדיניות רשמית . הלקח האסטרטגי הוא שייצור מתקדם לבדו אינו מספיק. יש להתייחס לאריזה, זיכרון, מצעים, בדיקות, ציוד, תוכנה ואנרגיה כאל מערכת תעשייתית תלויה זו בזו.

מחיר התלות

בינה מלאכותית בענן פותרת בעיית גישה אחת תוך יצירת בעיית גישה אחרת. היא מאפשרת לארגונים להשתמש במערכות מתקדמות מבלי להחזיק בתשתית יקרה, אך מעבירה את השליטה על תמחור, קיבולת, המשכיות המודל ותנאי עיבוד הנתונים לספק השירות. ספקים עשויים להבדיל מחירים בהתאם לקלט, פלט, הקשר, השהייה, עוצמת חשיבה, שימוש בכלים, קיבולת שמורה או עדיפות שירות. זה דומה יותר לתמחור שירותים מאשר למכירת תוכנה קונבנציונלית.

הסכנה אינה המדידה עצמה. מדידה יכולה לשפר את היעילות והשקיפות. הסכנה מתעוררת כאשר לקוחות אינם יכולים להשוות את העלות המלאה של עומסי עבודה שווים או להעביר את הנתונים, ההטמעות, רשומות ההערכה והיישומים שלהם ללא אובדן מהותי. חוק הנתונים האירופי, תקנה (EU) 2023/2854, בתוקף מאז 12/09/2025 וקובע דרישות שנועדו להקל על המעבר בין שירותי ענן לשירותי קצה ולקדם יכולת פעולה הדדית. הסבר על חוק הנתונים – הנציבות האירופית – 15/12/2025 – הסבר רשמי .

הצעד הרגולטורי הבא צריך להיות גילוי סטנדרטי של מחיר אפקטיבי. על ספקים להפריד בין הסקה, אחסון, אחזור, רשת, שימוש בכלים, קיבולת שמורה ודמי הגירה. רכש ציבורי צריך לדרוש נתונים תפעוליים הניתנים לייצוא, ממשקים מתועדים, תקופות הודעה על גרסת מודל ונהלי יציאה שנבדקו. בינתיים, רשויות התחרות צריכות לבחון העדפה עצמית, גישה לנתונים ותלות בענן מבלי להניח שאינטגרציה אנכית היא מטבעה בלתי חוקית. סקירת ה-DMA של הנציבות, שפורסמה ב -28/04/2026 , זיהתה יכולת פעולה הדדית, העדפה עצמית פוטנציאלית, גישה לנתונים ותלות בענן בין הסוגיות הקשורות לבינה מלאכותית שהועלו במהלך ההתייעצות. מסמך עבודה של צוות הנציבות SWD(2026) 123 סופי – הנציבות האירופית – 28/04/2026 – מסמך רשמי .

פער היכולות הגלובלי

הפער בבינה מלאכותית מתחיל עוד לפני הגישה למאיץ. על פי נתוני איגוד התקשורת הבינלאומי שפורסמו ב -17/11/2025 , כ -6 מיליארד אנשים היו מחוברים לאינטרנט בשנת 2025, בעוד 2.2 מיליארד נותרו לא מחוברים. איגוד התקשורת הבינלאומי העריך את כיסוי ה-5G ב -84% מהאוכלוסייה במדינות בעלות הכנסה גבוהה , בהשוואה ל -4% במדינות בעלות הכנסה נמוכה . עובדות ומספרים 2025 – איגוד התקשורת הבינלאומי – 17/11/2025 – פרסום רשמי .

הפער בשימוש באינטרנט הוא בולט באותה מידה. נתוני ITU שפורסמו ב -15/10/2025 תיעדו שימוש באינטרנט ב -94% במדינות בעלות הכנסה גבוהה אך 23% בכלכלות בעלות הכנסה נמוכה; הנתון המקביל באפריקה היה 36% . עובדות ומספרים 2025: שימוש באינטרנט – איגוד התקשורת הבינלאומי – 15/10/2025 – ניתוח סטטיסטי רשמי .

בינה מלאכותית יכולה להוריד חסמים על ידי תרגום מידע, תמיכה בחינוך והפצת כלי ניתוח מתוחכמים. עם זאת, יתרונות אלה מניחים קישוריות, חשמל, שפות תואמות, יכולת תשלום ומיומנויות דיגיטליות. במקרים בהם יסודות אלה נעדרים, הופעתם של מודלים חזקים יותר יכולה להרחיב את המרחק הייצורי בין מדינות ולא לצמצמו. לכן, מטרת הפיתוח הרלוונטית אינה הקמת אשכולות יוקרתיים. זוהי גישה אמינה, בת-קיימא ובמחיר סביר המקושרת למיומנויות מקומיות, תשתיות אזוריות וביקוש לשירותים ציבוריים.

רצפת יכולות

התגובה היעילה ביותר אינה בעלות אוניברסלית על חומרה מתקדמת. זוהי רצפת יכולת מובטחת בשילוב עם אספקה ​​תחרותית. סטודנטים וחוקרים צריכים לקבל הרשאות מחשוב הנקובות בעומס עבודה, הניתנות לשימוש במערכות ציבוריות, ענן ומערכות פתוחות שאושרו. אוניברסיטאות צריכות לאגד רכש ולפרסם ניצול, זמני תור ועלויות עומס עבודה שהושלמו. עסקים קטנים ובינוניים צריכים לקבל גישה באמצעות רכש שיתופי ורשת AI Factory. מוסדות רגישים לפרטיות צריכים להיות מסוגלים לבחור בפריסה מקומית, ריבונית או היברידית מבלי לקבל קנס אוטומטי ביכולת.

גם חיי החומרה חשובים. הנחיית (EU) 2024/1799 מחייבת את המדינות החברות ליישם את מסגרת הזכות לתיקון האירופית החל מ -31/07/2026 . הנציבות קובעת כי יצרני מוצרים מכוסים חייבים להציע תיקון תוך זמן סביר ובמחיר סביר, אינם יכולים להשתמש בטכניקות חומרה או תוכנה כדי להכשיל תיקון, וחייבים לספק גישה לחלקי חילוף. הטמעה, כניסה לתוקף או יישום של חקיקת האיחוד האירופי: אבני דרך מרכזיות – הנציבות האירופית – 01/07/2026 – לוח שנה רשמי ליישום . הארכת חיי החומרה השימושיים ויצירת שווקים משופצים אמינים יכולים להוריד את עלויות הגישה מבלי לדכא חדשנות של מוליכים למחצה.

הבחירה האסטרטגית

אסטרטגיית הבינה המלאכותית של אירופה תצליח רק אם תמדוד גישה במקום להכריז על קיבולת. המדדים המכריעים אינם מספר המאיצים המותקנים או הערך הנומינלי של ההשקעה. הם חלק הקיבולת המגיעה לעסקים קטנים ובינוניים, אוניברסיטאות ומשתמשים בעלי עניין ציבורי; זמני המתנה; עלות לעומס עבודה שהושלם; הצלחת ההעברה; זמינות אנרגיה; ביצועים בשפה המקומית; ושיעור הסטודנטים והחוקרים המסוגלים להשתמש במערכות המתאימות למשימותיהם.

השוק המתפתח לא יתמחר את המודיעין כמוצר אחיד. הוא יתמחר גישה מובחנת ליכולת. איכות המודל, הזיכרון, ההקשר, השהייה, הפרטיות והקיבולת המובטחת יקבעו מה משתמשים יכולים להשיג ומה עליהם לשלם. אם ארכיטקטורה זו תישאר מרוכזת וקשה לתחרות, בינה מלאכותית תגדיל את היתרונות הקיימים בתחומי ההון, החינוך והגיאוגרפיה. אם אירופה תשלב תשתית, ניידות, תחרות, תיקון, מודלים פתוחים וגישה ממוקדת, המחשוב יכול במקום זאת להפוך לבסיס למערכת יצרנית רחבה יותר. לכן, ההחלטה הפוליטית המרכזית אינה האם לווסת או לסבסד בינה מלאכותית. אלא האם יכולת חישוב מתקדמת 

פרק 1 – הכלכלה הפוליטית של מחשוב בינה מלאכותית

1.1 מטרה, היקף ועמדה אנליטית

מחשוב בינה מלאכותית אינו מוצר יחיד ואינו כמות הומוגנית. זוהי יכולת ייצור שכבתית שנוצרת על ידי שילוב של קניין רוחני של תכנון מוליכים למחצה, כושר ייצור, אריזות מתקדמות, זיכרון ברוחב פס גבוה, שרתים, חיבורים, אחסון, מרכזי נתונים, חשמל, קירור, מסגרות תוכנה, מודלים מאומנים וכוח אדם מיוחד. לכן, האובייקט הכלכלי שנרכש על ידי המשתמש הסופי אינו רק כרטיס מסך או טוקן. זוהי גישה לתצורה מוגבלת בזמן וספציפית לעומס עבודה של הון, אנרגיה, רוחב פס זיכרון, תאימות תוכנה ויכולת מודל. הבחנה זו חיונית מכיוון שצורות שונות של מחסור לכאורה יכולות להיווצר בשכבות שונות. מחסור בלוחות מאיץ עשוי לשקף ייצור מתקדם לא מספק, אריזות מתקדמות מוגבלות, HBM לא זמין, הגבלות יצוא, רכש היפר-סקיילר, התנהגות מפיצים או זעזוע ביקוש זמני. מחיר API גבוה עשוי לשקף במקום זאת התאוששות עלויות הכשרה, הוצאות הסקה, קיבולת שמורה, ערבויות השהיה, מחסור במודלים, פילוח מסחרי או כוח תמחור. הדו”ח לא יסיק מניפולציה בלתי חוקית בשוק רק מעליית מחירים, שולי רווח חריגים או מבנה ספקים מרוכז. היא תקבע האם המחירים עולים על מדדי התחרות הכלכליים לאחר פיקוח על איכות המוצר, מחזורי קיבולת, פחת, עלויות קלט, צמיחת ביקוש, סיכון וחדשנות. הנציבות האירופית זיהתה באופן עצמאי נתונים, מאיצי בינה מלאכותית, תשתית מחשוב, קיבולת ענן ומומחיות טכנית כחסמי כניסה אפשריים לשווקי בינה מלאכותית גנרטיבית, תוך אזהרה כי צוואר בקבוק הופך לדאגה תחרותית רק בהקשר הכלכלי והמשפטי הרלוונטי. תקציר מדיניות תחרות: תחרות בבינה מלאכותית גנרטיבית ובעולמות וירטואליים – הנציבות האירופית – ספטמבר 2024

ההצעה העיקרית של דוח זה מותנית אפוא: אם היצע מחשוב הבינה המלאכותית המותאם לאיכות יתרחב לאט יותר מהביקוש, אם התחרות האפקטיבית תישאר מוגבלת בכמה שכבות משלימות, ואם הגישה למערכות מעולות מייצרת רווחים חינוכיים או כלכליים מצטברים, אזי מחסור במחשוב יכול להפוך למנגנון של ריבוד חברתי ותעשייתי. התוצאה ההפוכה נותרת אפשרית. כושר ייצור, מאיצים חלופיים, מודלים של משקל פתוח, כימות, זיקוק, אופטימיזציה של הסקה, פריסת קצה ותשתית מחשוב ציבורית יכולים להוריד את העלות של רמת יכולת קבועה גם כאשר המחיר הנומינלי של חומרה פרימיום עולה. פרק 1 קובע את המסגרת הדרושה להבחנה בין מסלולים אלה. הוא מגדיר שש פרשנויות שונות מבחינה כלכלית של מחשוב, ממפה את שרשרת הערך, מאתר מקורות פוטנציאליים של מחסור וכוח מיקוח, מנסח פורמלי את המושגים המשמשים לאורך הדו”ח ומפרט שמונה השערות הניתנות להפרכה. אף השערה לא תטופל כמאומתת בפרק זה. בפרט, טענות הנוגעות למחירי שוק המוצרים המשומשים, אינפלציית מוצרי אפל או סמסונג, העלות האמיתית של בינה מלאכותית מקומית וקיימות תמחור האסימונים הנוכחי דורשות מערכי נתונים אורכיים שייבנו בפרקים 2, 4 ו-5. כתוצאה מכך, מצב הראיות בתחילת החקירה הוא “פתוח”: לחץ קיבולת במעלה הזרם, השקעה יוצאת דופן ואימוץ לא שוויוני כבר ניתנים לצפייה, בעוד שאינפלציה אמיתית מתמשכת בחומרה, פרמיות שיטתיות על מוצרים משומשים, דמי שכירות גבוהים מהרגיל והסלמה עתידית במחירי האסימונים נותרו נושאים לבדיקה רשמית.

---

1.2 שש הזהויות הכלכליות של מחשוב בינה מלאכותית

מחשוב מבוסס בינה מלאכותית יכול להניח שש זהויות כלכליות בו זמנית, אך החשיבות היחסית של כל זהות משתנה בהתאם לעומס העבודה, לרוכש ולאופק הזמן. עבור מפתח תוכנה הרוכש מספר שעות של הסקה, מחשוב דומה לקלט תעשייתי משתנה. עבור היפר-סקיילר שמשקיע מיליארדי דולרים במאיצים, מרכזי נתונים ורכש חשמל, זהו נכס הון עמיד אך פוחת במהירות. כאשר הוא מסופק באופן רציף דרך ממשקי API סטנדרטיים עם מדידה, שכבות קיבולת והתחייבויות ברמת שירות, הוא רוכש מאפיינים דמויי תועלת. כאשר ממשלות מסתמכות עליו לצורכי הגנה, מודיעין, בריאות, אופטימיזציה של מערכת האנרגיה או מינהל ציבורי, הוא הופך לתשתית אסטרטגית. כאשר הגישה מותנית בבקרות יצוא, ייצור מקומי, שרשראות אספקה ​​​​בעלות ברית או קיבולת ענן לאומית, הוא הופך למשאב גיאופוליטי. לבסוף, כאשר קיבולת עתידית שמורה באמצעות חוזים ארוכי טווח, שכבות עדיפות, אפשרויות קיבולת או תביעות ניתנות להעברה, הוא יכול לרכוש תכונות דמויות סחורות וממומנות חלקית. אף אחת מהסיווגים הללו אינה שלמה בפני עצמה. שלא כמו חשמל, מחשוב הוא הטרוגני: שעת מאיץ אחת לא יכולה להיות תחליפה מושלמת באחרת מכיוון שזיכרון, דיוק, ארכיטקטורה, תוכנה, רשתות, גיאוגרפיה ועומסי עבודה מורשים שונים זה מזה. שלא כמו נפט, מחשוב אינו מאוחסן ונשרף מאוחר יותר; קיבולת שאינה בשימוש היא זרימת שירות מתכלה שנוצרת על ידי ציוד שמדמם. שלא כמו ביטקוין, הוא מיוצר באמצעות השקעות תעשייתיות ואין לו אספקה ​​אלגוריתמית קבועה. אף על פי כן, מחשוב עדיין ניתן לקצוב, לשריין, לסחור בו באופן חוזי ולתמחר אותו באופן דינמי, מה שהופך את האנלוגיה של הסחורה לרלוונטית כלכלית בגבולות צרים.

זהות כלכלית	מאפיין מגדיר	קונה טיפוסי	יחידת מחיר עיקרית	מנגנון המחסור העיקרי	עדשת הרגולציה המתאימה ביותר
קלט תעשייתי רגיל	נצרך בייצור מוצר או שירות אחר	ארגון, מפתח, מעבדה	קריאה לשעה, אסימון, משימה או API של מאיץ	דרישת עומס עבודה לטווח קצר	תמסורת עלות תשומה ופריון
טובין הון נדירים	דורש השקעה ראשונית גדולה ומפחית את ערכו	היפר-סקיילר, מדינה, ארגון גדול	שרת, אשכול, מגה-וואט מותקן או עלות כוללת של חמש שנים	זמן ייצור, מימון והתקנה	השקעה, פחת ויצירת קיבולת
שירות דמוי תועלת	אספקה ​​ומדידה רציפה	משק בית, עסק קטן/בינוני, מוסד	מנוי, אסימון או קיבולת שמורה	עומס וזמינות שירות	שקיפות, אמינות ואי-אפליה
תשתית אסטרטגית	תומך בתפקודים כלכליים או מדיניים חיוניים	ממשלה, תשתיות קריטיות, בית חולים	קיבולת ריבונית וזמינות שירות	חוסן, ביטחון ושליטה פנימית	ניהול תשתיות קריטיות
משאב גיאופוליטי	הגישה תלויה בסמכות שיפוט וביישור בינלאומי	מדינה, חברת ביטחון, ישות תחת סנקציות או בשליטה	ביצועים ברישיון ושימוש סופי מותר	בקרות יצוא וריכוז טריטוריאלי	מדיניות סחר, ביטחון ותעשייה
סחורה פוטנציאלית פיננסית	קיבולת עתידית שמורה, מדורגת או מחושבת בחוזה	היפרסקיילר, ספק מודלים, משקיע פיננסי	התחייבות לקיבולת, עדיפות או זמינות עתידית	ציפיות למחסור עתידי	עיצוב שוק, גילוי ומינוף מערכתי

הסיווג מייצר תוצאה מתודולוגית מיידית: לא יכול להיות “מחיר אוניברסלי של מחשוב בינה מלאכותית”. וקטור המחיר חייב להיות מבוטא כ- P = f(H, M, B, L, E, G, S, Q, R, T), כאשר H מציין ארכיטקטורת חומרה, M זיכרון זמין, B רוחב פס זיכרון ורשת, L השהייה, E נטל אנרגיה, G גיאוגרפיה, S מערכת אקולוגית של תוכנה, Q איכות מודל או משימה, R אמינות ו-T משך חוזה. לשני שירותים הגובים את אותו הסכום לכל מיליון טוקנים עשויים להיות מחירים אפקטיביים שונים באופן קיצוני אם אחד מייצר פלט שימושי יותר, דורש פחות ניסיונות חוזרים, תומך בהקשר ארוך יותר, שומר על פרטיות או מספק קיבולת מובטחת. באופן דומה, לשני מחשבים עם מחירי רכישה זהים עשויות להיות עלויות כלכליות שונות מכיוון שאחד צורך יותר חשמל, בעל ניצול נמוך יותר, חסר תאימות תוכנה או מתיישן מוקדם יותר. לכן, הדוח ישתמש הן במחירים נומינליים והן במחירים מותאמים לאיכות, והוא ימדוד את הגישה כחבילה ולא כתנאי בינארי.

---

1.3 חישוב כקלט תעשייתי ומוצר הון

כקלט תעשייתי, מחשוב מבוסס בינה מלאכותית נכנס לפונקציית ייצור לצד עבודה, נתונים, הון קונבנציונלי וידע ארגוני. ערכו השולי תלוי לא רק בכמות המחשוב הנצרכת, אלא גם בשאלה האם לארגון יש נכסים משלימים המסוגלים להמיר את פלט המודל להחלטות או הכנסות אמינות. חברה ללא נתונים נקיים, עיצוב מחדש של תהליכים, מערכות הערכה, אבטחת סייבר, ממשל משפטי וכוח אדם מיומן עשויה לרכוש כמויות גדולות של טוקנים מבלי להשיג רווחי פרודוקטיביות מדידים. לעומת זאת, מודל קטן ומתמחה המשולב בתהליך מתוכנן היטב עשוי להניב תשואה גדולה יותר מאשר מודל גבול יקר יותר המשמש ללא התאמה ארגונית. מפרט ייצור כללי עבור ארגון i בתקופה t הוא Y _i,t  = A _i,t  × F(K _i,t , L _{i,t ,} C _i,t , D _i,t , O _i,t ), כאשר Y הוא פלט, K הוא הון קונבנציונלי, L הוא עבודה, C הוא מחשוב מותאם לאיכות, D הוא נתונים שמישים, O הוא יכולת ארגונית ו-A לוכד גורמים אחרים המשפיעים על פרודוקטיביות. מחשוב עשוי להשלים עבודה מיומן מאוד, להחליף משימות שגרתיות או לא לייצר תשואה מהותית אם יכולת ארגונית נעדרת. השלמה זו מסייעת להסביר מדוע מנוי שווה באופן נומינלי אינו יוצר גישה כלכלית שווה: חברות גדולות יכולות לפזר את עלויות האינטגרציה, הממשל וההערכה על פני יותר משתמשים ועסקאות. סקר הארגונים של יורוסטאט לשנת 2025 מספק אינדיקטור מוקדם שניתן לצפייה בהשפעת קנה המידה הזו. טכנולוגיות בינה מלאכותית היו בשימוש על ידי 55.03% מהארגונים הגדולים באיחוד האירופי , בהשוואה ל -30.36% מהארגונים הבינוניים ו -17.00% מהארגונים הקטנים . הסקר אינו קובע שמחירי המחשוב גרמו להבדל, אך הוא תומך בבדיקת סבירות, מומחיות וקנה מידה כמנגנונים תורמים. שימוש בבינה מלאכותית בארגונים – יורוסטאט – דצמבר 2025

כסחורת הון, מחשוב מאופיין בהוצאות ראשוניות גבוהות, התיישנות טכנולוגית מהירה, ערך שיורי לא ודאי והשפעות ניצול חזקות. אשכול הפועל קרוב לקיבולת יכול לפזר פחת ועלויות מתקנים על פני תפוקה לחיוב גדולה בהרבה מאשר התקנה מקומית שאינה מנוצלת מספיק. העלות הממוצעת הרלוונטית היא AC _t  = FC _t  ÷ Q _t  + VC _t , כאשר FC כולל פחת, מימון, מבנים, רשתות ועבודה קבועה; Q הוא תפוקה מותאמת לאיכות; ו-VC כולל עלויות שוליות של אנרגיה, קירור, תחזוקה ועלויות ספציפיות לעומס עבודה. קנה המידה מפחית FC ÷ Q עד שעומס, מגבלות רשת, מורכבות רשתות או עלויות ניהול מקזזות את הרווח. עוצמת ההון משנה גם את כוח המיקוח. קונים המסוגלים להתחייב לנפחים ארוכי טווח יכולים להבטיח קיבולת ותנאים מסחריים מועדפים, בעוד שסטודנטים, חוקרים, חברות קטנות וממשלות בעלות הכנסה נמוכה רוכשים בדרך כלל במחירים קמעונאיים או במחירים של שירותים משותפים. הוצאות ההון של אלפבית גדלו מ -52.5 מיליארד דולר בשנת 2024 ל-91.4 מיליארד דולר בשנת 2025 , כאשר החברה מצהירה כי ההוצאות שיקפו בעיקר תשתית טכנית וכי היא צופה עלייה משמעותית נוספת בשנת 2026. אין בכך כדי לזהות את נתח הבינה המלאכותית המדויק או להוכיח עליות מחירים עתידיות, אך הדבר קובע את היקף גיוס ההון הזמין למפעיל פלטפורמה מוביל. דוח שנתי של אלפבית בטופס 10-K לשנת הכספים שהסתיימה ב-31 בדצמבר 2025 – אלפבית ורשות ניירות ערך האמריקאית – פברואר 2026

---

1.4 חישוב כשירות דמוי תועלת

בינה מלאכותית בענן דומה לכלי שירות משום שהיא הופכת מערכת הון מורכבת לגישה רציפה, המסופקת מרחוק ומדודה. משתמשים אינם צריכים להיות בעלי מפעל ייצור, אשכול מאיץ או מרכז נתונים; הם משלמים עבור שירות המתבטא באמצעות מנויים, אסימוני קלט, אסימוני פלט, תמונות, משך שמע, אחסון, תפוקה מוקצאת או פעולות שהושלמו. אספקה ​​דמוית שירות יכולה לדמוקרטיזציה של הגישה משום שהיא ממירה הוצאות הון להוצאות משתנות ומאפשרת לקונים קטנים לצרוך חלקים מהתשתית היקרה. יחד עם זאת, היא יכולה ליצור תלות אם פונקציות חיוניות הופכות לבלתי נפרדות מזהות הספק, ממשק המודל, פורמטי הנתונים, ארכיטקטורת האבטחה או הכלים הקנייניים. לכן, האנלוגיה של השירות חזקה ביותר בחיוב, המשכיות ותלות, אך חלשה יותר בחלופיות טכנית. חשמל במתח מסוים הוא סטנדרטי באופן מהותי; פלטי בינה מלאכותית אינם. מודל זול יותר עשוי להיות תחליף לא מספק אם יש לו אמינות נמוכה יותר, הנמקה חלשה יותר, כיסוי שפה לא מספק, הקשר קצר יותר או חוסר גישה לכלים הנדרשים. כתוצאה מכך, היחידה האפקטיבית אינה אסימון אחד אלא משימה אחת שהושלמה בהצלחה ובעלת בקרת איכות. מדד שימושי הוא ECP _m,w  = C _m,w  ÷ U _m,w , כאשר ECP הוא מחיר ההשלמה האפקטיבי של מודל m על עומס עבודה w, C הוא ההוצאה הכוללת כולל ניסיונות חוזרים ופיקוח, ו-U הוא מספר התפוקות שעומדות בסף איכות מוגדר מראש.

אנלוגיית התועלת מעלה גם שאלות של תכנון תעריפים, הזמנת קיבולת, גישה אוניברסלית, זכויות מעבר והמשכיות שירות. אם ספקים מתמודדים עם עומס, הם יכולים להגיב באמצעות זמני המתנה, מגבלות שימוש, גישה למודל פגומה, מחירים ברמת עדיפות גבוהה יותר או קיצוב גיאוגרפי. תמחור דינמי אינו אוטומטית פוגעני: הוא יכול להקצות קיבולת דלילה ולעודד ביקוש בשעות שפל. הוא הופך להיות בעל השלכות חברתיות כאשר הגישה לחינוך, מחקר, שירותי בריאות או פונקציות עסקיות תחרותיות תלויה ביכולת לשלם פרמיות בשיא או במודל גבולי. תלות בענן כבר רחבה מספיק כדי להפוך את השאלה הזו לחומרתית. יורוסטאט דיווח כי 52.74% מהארגונים באיחוד האירופי רכשו שירותי מחשוב ענן בשנת 2025, בעוד ש -40.89% מכלל הארגונים שנבדקו רכשו לפחות שירות אחד שסווג כמתוחכם. בקרב ארגונים המשתמשים בשירותי ענן בתשלום, 77.53% סווגו כתלויים מאוד בפונקציות ענן מתוחכמות. נתונים אלה נוגעים לשירותי ענן באופן כללי ולא לבינה מלאכותית גבולית, ואין לייצג אותם בצורה שגויה כשיעור תלות בבינה מלאכותית. עם זאת, הם קובעים את המצע המוסדי שדרכו בינה מלאכותית מדודה יכולה להתפשט במהירות. מחשוב ענן: סטטיסטיקות על השימוש על ידי ארגונים – יורוסטאט – ינואר 2026

מאפיין תועלת	אנלוגי חשמל או תקשורת	מקבילה למחשוב בינה מלאכותית	הבדל קריטי
מדידה	קוט”ש, דקה, ג’יגה-בייט	אסימון, תמונה, מאיץ-שנייה, משימה הושלמה	יחידות אינן שוות ערך לאיכות
הזמנת קיבולת	הספק או רוחב פס חוזיים	תפוקה מוקצית ומאיצים שמורים	זמינות החומרה והדגם משתנה
ניהול עומסים	תעריפי שיא או הגבלה	מגבלות קצב, תורים, השהייה ורמות מודל	ניתן לקצוב את האיכות כמו גם את הכמות
חובת אמינות	זמן פעולה והמשכיות	הסכם רמת שירות וזמינות מודל	התנהגות המודל יכולה להשתנות לאחר עדכונים
מיתוג	החלפת ספק באמצעות חיבור סטנדרטי	נתוני יציאה, הנחיות, כלים וזרימות עבודה	ממשקי API קנייניים והתנהגות מודלים מעכבים ניידות
גישה אוניברסלית	שירות בסיס מוסדר	זכאות אפשרית למחשוב חינוכי או מחקרי	לא קיים סטנדרט מינימלי מקובל ליכולות בינה מלאכותית
סובסידיות צולבות	מחלקת משתמשים אחת מסבסדת אחרת	פרסום, חוזי חברות או הון משקיעים מסבסדים גישה לצרכנים	סבסוד צולב לעיתים קרובות אינו שקוף

---

1.5 תשתית אסטרטגית וריבונות מחשוב

מחשוב הופך לתשתית אסטרטגית כאשר חוסר זמינותו עלול לפגוע בהמשכיות הכלכלית, ביכולת המדינה, באבטחה או בשירותים חיוניים. ריבונות בהקשר זה אינה דורשת שכל רכיב ייוצר באופן מקומי. אף כלכלה גדולה אינה אוטונומית לחלוטין בכל הנוגע לליטוגרפיה, תוכנות עיצוב, לוגיקה מתקדמת, זיכרון, מצעים, רשתות, שרתים ואנרגיה. ריבונות מחשוב תפעולית מוגדרת טוב יותר כיכולתו של תחום שיפוט או מוסד להשיג, לנהל, להעביר, לבקר ולקיים את הקיבולת המינימלית המותאמת לאיכות הדרושה לתפקודים הקריטיים שלו תחת שיבוש סביר. הגדרה זו מכילה חמישה ממדים: זמינות פיזית, שליטה בתחום שיפוט, יכולת תפעולית, ניידות תוכנה ונתונים, וחוסן שרשרת אספקה. מדינה שבבעלותה מרכז נתונים אך תלויה לחלוטין במאיצים זרים, מסגרות קנייניות, עדכונים מרחוק וכוח אדם מומחה מיובא, מחזיקה בתשתית ללא ריבונות תפעולית מלאה. לעומת זאת, מדינה המשתמשת בחומרה ממקור זר עשויה לשמור על שליטה משמעותית אם היא מחזיקה בקיבולת מותקנת, חלקי חילוף מגוונים, מומחיות מקומית, מודלים הניתנים להעברה והסדרי המשכיות הניתנים לאכיפה חוקית.

מדד ריבונות שישמש בהמשך הדוח ייקח את הצורה CSI _j  = Σw _k z _j,k , כאשר CSI הוא מדד ריבונות החישוב עבור תחום השיפוט j, z מייצג אינדיקטורים מנורמלים והמשקלים ייבחנו תחת מפרטים שווי משקל, רכיב ראשי ומשקל מומחה. האינדיקטורים יכסו קיבולת מאיץ מותקנת, הספק מרכזי נתונים מקומי, יתירות, זמינות אזור ענן, קישוריות רשת, גישה לרכיבים חלופיים, מחשוב מחקר ציבורי, יכולת כוח אדם, שליטה משפטית, ניידות מודל וחשיפה למגבלות ייצוא זרות. תגובת המדיניות של אירופה מדגימה שממשלות אינן מתייחסות עוד למחשוב גבולי כיבוא רגיל. הנציבות האירופית מתארת ​​​​מפעלי בינה מלאכותית כמתקנים המאגדים יותר מ -100,000 מעבדי בינה מלאכותית מתקדמים , הספק אמין, רשתות מתקדמות ושרשראות אספקה ​​​​מאובטחות. ביולי 2026, היא השיקה קול קורא שנועד לתמוך בעד שבעה מתקנים כאלה ולשחרר השקעות של יותר מ -30 מיליארד אירו . אלו הן יעדי מדיניות ולא קיבולת שהושלמה ויש לסווג אותן כגיוס שהוכרז. מפעלי בינה מלאכותית – הנציבות האירופית – יולי 2026 האיחוד האירופי משיק קריאה למפעלי בינה מלאכותית לגיגה-מפעלים כדי לשפר את קיבולת המחשוב של אירופה ולשחרר יותר מ-30 מיליארד אירו – הנציבות האירופית – יולי 2026

מימד הריבונות	שאלה תפעולית	אינדיקטור מוצע	תנאי כשל
יכולת פיזית	האם מותקן מספיק מחשוב או שמובטח חוזית?	קיבולת מאיץ מותאמת איכות למיליון תושבים וליחידת תמ”ג	עומסי עבודה קריטיים אינם יכולים להשיג קיבולת
שליטה שיפוטית	האם חוק זר או פעולה של ספק יכולים להפריע לגישה?	חלק מהקיבולת הקריטית תחת שליטה משפטית מקומית או של בעלות ברית	ספק או מדינה מייצאת יכולים להפסיק את השירות
חוסן אנרגטי	האם הרשת יכולה לתמוך בעומסי עבודה מתמשכים?	מגה-ג’ואל יציב, יתירות וזמינות צפויה מותאמת להפסקות	קיבולת קיימת אך לא ניתן להפעיל אותה בצורה אמינה
חוסן שרשרת האספקה	האם ניתן לתקן או להרחיב מערכות כושלות?	גיוון ספקים, זמן אספקה ​​להחלפות ומלאי פנוי	שיבוש יחיד במעלה הזרם משבית את הקיבולת
ניידות תוכנה	האם עומסי עבודה יכולים לעבור בין ספקים או ארכיטקטורות?	זמן הגירה, מסגרות תואמות ופורמטים פתוחים	מעבר הורס פונקציונליות או דורש פיתוח מחדש בלתי אפשרי
ניהול נתונים	האם מידע רגיש יכול להישאר מבוקר וניתן לביקורת?	עיבוד מקומי, הצפנה, ביקורת ואכיפה חוזית	גישה למחשוב דורשת חשיפה בלתי קבילה לנתונים
יכולת אנושית	האם מוסדות מקומיים יכולים להפעיל ולמטב את המערכת?	מהנדסים, מנהלים וחוקרי בינה מלאכותית לכל יחידה מותקנת	החומרה נותרה בשימוש לא נכון או מופעלת על ידי זרים
גישה למחקר	האם אוניברסיטאות וחוקרים עצמאיים יכולים להשיג יכולת משמעותית?	שעות חישוב ציבוריות לכל חוקר	מחקר חזיתי הופך בלעדי מוסדי

---

1.6 חישוב כמשאב גיאופוליטי

מחשוב הוא גיאופוליטי מכיוון שיכולות בינה מלאכותית מתקדמות מרוכזות טריטוריאלית, שרשראות אספקה ​​חוצות מספר תחומי שיפוט והגישה ניתנת לשינוי על ידי רישוי יצוא, סנקציות, בקרות השקעות ויחסי ברית. יחידת הכוח הגיאופוליטית הרלוונטית אינה מוליך למחצה בלבד, אלא השילוב הנשלט של תכנון, ייצור, אריזה, זיכרון, ציוד, תוכנה ופריסת ענן. מדינה עשויה להחזיק תשומות מינרלים אך חסרה לה טכנולוגיית ייצור; היא עשויה לארח ייצור תוך תלות בכלים זרים; היא עשויה להפעיל מרכזי נתונים תוך היעדר מאיצים מתקדמים; או שהיא עשויה לפתח מודלים שלא ניתן לפרוס אותם כלכלית ללא תשתית ענן זרה. תלות הדדית זו מייצרת כוח מיקוח בנקודות חסימה ובפגיעות שבהן התחליף איטי. היא גם יוצרת הבחנה בין קיבולת מצטברת עולמית לקיבולת נגישה מבחינה פוליטית. מאיצים נוספים המיוצרים ברחבי העולם אינם מפחיתים את המחסור עבור כל קונה אם בקרות יצוא, הסכמי הקצאה או כללי אבטחה אינם כוללים שיפוטים מסוימים.

שרשרת המוליכים למחצה מדגימה את הריכוז הזה של פונקציות טכניות. TSMC דיווחה כי טכנולוגיות מתקדמות המוגדרות כ -7 ננומטר ומטה היוו 77% מהכנסות פרוסות הביצועים הגבוהים שלה ברבעון השני של 2026 , בעוד שפלטפורמת המחשוב בעלת הביצועים הגבוהים שלה היוותה 66% מההכנסות הרבעוניות . אלו הן נתחי הכנסות בתוך TSMC, לא נתחי שוק גלובליים, אך הן מראות את החשיפה הגוברת של החברה לביקוש מוביל בתחום וביקוש של HPC. תמליל כנס הרווחים של TSMC לרבעון השני של 2026 – חברת ייצור מוליכים למחצה טייוואנית – יולי 2026. הדוחות של NVIDIA לשנת הכספים 2026 קובעים כי החברה תלויה בבתי יציקה לייצור פרוסות הביצועים המוליכים למחצה שלה ומציגה את עצמה כחברת תשתית מחשוב מלאה ולא כספקית רכיבים. שילוב זה של תלות בייצור חיצוני ורוחב פלטפורמות במורד הזרם ממחיש מדוע הכוח בשרשרת הבינה המלאכותית מבוזר אך אסימטרי: חברת תכנון עשויה לשלוט בארכיטקטורה ובמערכת האקולוגית של התוכנה מבלי להיות בעלת מפעל הייצור, בעוד שבתי היציקה שולטים בתהליך ייצור נדיר מבלי לשלוט באופן עצמאי בביקוש הסופי. דוח שנתי של NVIDIA בטופס 10-K לשנת הכספים שהסתיימה ב-25 בינואר 2026 – NVIDIA ורשות ניירות ערך האמריקאית – פברואר 2026

---

1.7 פיננסיליזציה פוטנציאלית: מה האנלוגיה של ביטקוין מסבירה – ומה היא מעוותת

מחשוב בינה מלאכותית עשוי להפוך לממוחשב יותר מבלי להפוך למטבע קריפטוגרפי או לסחורה הנסחרת באופן קונבנציונלי. מימון מתרחש כאשר זכויות לקיבולת עתידית, עדיפות, הכנסות או תשתית מופרדות משימוש פיזי מיידי והופכות לאובייקטים של חוזים, מימון או ספקולציה. הזמנות האצה ארוכות טווח, חוזי ענן “קח או שלם”, קיבולת מרכזי נתונים שמורה, הסכמי רכישת חשמל, חוב מגובה ציוד ואפשרויות קיבולת יכולים להעביר ציפיות מחסור לערכי נכסים נוכחיים. ספק מודל עשוי להבטיח מחשוב עתידי באמצעות השקעה אסטרטגית מחברת היפר-סקיילר; חברת ההיפר-סקיילר עשויה לקבל גישה מועדפת, זכויות הפצה או השתתפות בהכנסות; וקונים קטנים יותר עשויים להתמודד עם שוק ספוט שיורי. מחקר של ועדת הסחר הפדרלית מינואר 2025 על שותפויות בינה מלאכותית מרכזיות זיהה הסכמים הכוללים התחייבויות ענן משמעותיות, הוראות הקשורות לבלעדיות, גישה למידע רגיש והשלכות פוטנציאליות על מעבר. הדו”ח אינו קובע שכל שותפות היא אנטי-תחרותית, אך הוא מאשר כי השקעה, רכישת ענן והתאמה תחרותית יכולים להיות קשורים זה בזה מבחינה חוזית. דו”ח צוות ה-FTC על שותפויות והשקעות בינה מלאכותית מחקר 6(b) – ועדת הסחר הפדרלית – ינואר 2025

האנלוגיה של הביטקוין תקפה רק ברמת נרטיבים של מחסור, יחידות צריכה מתחלקות ותמחור מונע ציפיות. היא נכשלת בחמישה היבטים בסיסיים. ראשית, היצע המחשוב הוא אנדוגני: חברות יכולות לייצר יותר מאיצים ולבנות יותר מרכזי נתונים, אם כי עם עיכובים. שנית, המחשוב הוא הטרוגני: שעה בארכיטקטורה אחת אינה בהכרח תחליפה לשעה בארכיטקטורה אחרת. שלישית, המחשוב פוחת ככל שארכיטקטורות חדשות יותר משפרות את יחס התמורה למחיר. רביעית, המחשוב מוגבל גיאוגרפית וחשמלית. חמישית, מדובר בכושר ייצור ולא בנכס נושא; ערך נובע מעומסי העבודה שהוא מבצע. אנלוגיה מדויקת יותר היא היברידית של חשמל, רוחב פס ענן, מכונות תעשייתיות וקיבולת תובלה שמורה. הדו”ח יבחן את הפיננסיליזציה באמצעות היחס FCI _t  = V _reserved,t  ÷ V _total,t , כאשר V _reserved  הוא הערך המשוער של הקיבולת שהתחייבה במסגרת הסכמים עתידיים או מועדפים ו-V _total  הוא סך הקיבולת הזמינה. יחס גבוה יצביע על כך שמחירי קמעונאות מצוטטים מתארים רק שוק שיורי. מכיוון שגילוי חוזי אינו שלם, המדד ידרוש מרווחי זמן ואסור להציגו בדיוק שגוי.

תְכוּנָה	ביטקוין	חַשְׁמַל	מכונות תעשייתיות	מחשוב בינה מלאכותית
כלל האספקה	מוגבל בפרוטוקול	קיבולת ודלק מוגבלים	מונחה השקעות	ייצור, אריזה, זיכרון, צריכת חשמל והשקעה מוגבלים
הוֹמוֹגֵנִיוּת	יחידות יחסית ניתנות להחלפה	סטנדרטי במסגרת מגבלות טכניות	הטרוגני מאוד	הטרוגני מאוד
אִחסוּן	נכס נושא דיגיטלי	מוגבל ויקר	הנכס יכול להישאר לא פעיל	זרימת הקיבולת מתכלה; חומרה עמידה אך מערכה מתפוגגת
פְּחָת	אין פחת פיזי	לא רלוונטי לצריכת אנרגיה	פחת פיזי וטכנולוגי	פיחות טכנולוגי וכלכלי מהיר
תלות גיאוגרפית	גישה לרשת	ספציפי לרשת	ספציפי להתקנה	מרכז נתונים, רשת נתונים, תחום שיפוט ורשת ספציפית
שימוש פרודוקטיבי	עָקִיף	קלט אנרגיה אוניברסלי	נכס ייצור ישיר	קלט קוגניטיבי וחישובי ישיר
פוטנציאל תמחור דינמי	מחיר החלפה	תעריפי נקודתיים ושיא	תעריפי שכירות או ליסינג	תמחור לפי אסימון, השהייה, מודל, עומס עבודה ורמת קיבולת
ציון אנלוגיה מתאים	נָמוּך	לְמַתֵן	גָבוֹהַ	קטגוריה היברידית

---

1.8 שרשרת הערך של מחשוב בינה מלאכותית

את שרשרת הערך של הבינה המלאכותית ניתן לנתח בצורה הטובה ביותר כקבוצה של שכבות משלימות ולא כרצף ליניארי פשוט. מחסור בכל שכבה הכרחית יכול להפחית את התפוקה של המערכת כולה, בעוד ששליטה בשכבה הניתנת להחלפה טכנית עשויה לייצר כוח מיקוח מועט אם המעבר הוא זול. לכן, המדד הרלוונטי הוא קיבולת מותאמת לצוואר בקבוק. אם הקיבולת האפקטיבית מוגבלת על ידי הקלט המשלים המינימלי הזמין, אז C _effective  = min(C _logic , C _memory , C _packaging , C _network , C _power , C _software ). ייצוג זה בסגנון לאונטיף הוא מחמיר במכוון: בפועל, החלפה מסוימת אפשרית באמצעות דיוק נמוך יותר, רשתות איטיות יותר, מודלים שונים או איכות שירות מופחתת. המודל יורחב בהמשך למבנה בעל גמישות קבועה של החלפה. עבור פרק 1, הוא לוכד את הנקודה המרכזית שביקוש עודף לתכנון מאיץ אינו רלוונטי כלכלית אם HBM או אריזה מונעים אספקת מערכות מוגמרות.

טבלה 1.1 – שרשרת ערך חישוב בינה מלאכותית, צמתים במחסור וכוח מיקוח

שִׁכבָה	פונקציה כלכלית מרכזית	עוצמת הון	תחליפיות לטווח קצר	מדד מחסור פוטנציאלי	מקור כוח המיקוח	פרק ראשוני מאוחר יותר
ציוד מוליכים למחצה	מאפשר ייצור מתקדם	אקסטרים	נמוך מאוד	צבר כלים וזמן אספקה	טכנולוגיית תהליכים קניינית ובסיס מותקן	פרק 3
תוכנת עיצוב וקניין רוחני	ממיר ארכיטקטורה לעיצוב בר ייצור	עוצמת ידע גבוהה	נָמוּך	ריכוז רישיונות וזמן החלפה	תקנים, ספריות ואינטגרציה הנדסית	פרק 3
ארכיטקטורת המאיץ	מבצע עומסי עבודה של בינה מלאכותית	מחקר ופיתוח גבוהים	בינוני על פני תקופות ארוכות יותר	משלוחים וצבר הזמנות מותאמים לאיכות	ביצועים, מערכת אקולוגית של תוכנה ובסיס מפתחים	פרקים 2–3
בית יציקה מתקדם	מייצרים שבבי לוגיקה	אקסטרים	נמוך מאוד בטווח הקצר	ניצול וקיבולת מתקדמים של צמתים	תשואה, מנהיגות תהליכית וקנה מידה	פרק 3
HBM וזיכרון מתקדם	מספק משקלי מודל ונתונים ברוחב פס גבוה	אקסטרים	נָמוּך	אספקה ​​חוזית, תפוקת ביט ומחיר	ידע והסמכה בייצור	פרקים 2–3
אריזה מתקדמת	משלב לוגיקה וזיכרון	אקסטרים	נמוך מאוד	קיבולת וזמן אספקה ​​​​שקולים ל-CoWoS	הסמכת תהליך וקיבולת מוגבלת	פרק 3
מצעים ורכיבים	חיבור ותמיכת מערכות ארוזות	גָבוֹהַ	נמוך עד בינוני	זמני אספקה ​​וריכוז ספקים	אילוצי הסמכה וייצור	פרק 3
אינטגרציה של שרתים	ממיר רכיבים למערכות ניתנות לפריסה	גָבוֹהַ	בֵּינוֹנִי	אספקת מדפים וזמינות קירור נוזלים	אינטגרציה, אחריות והסמכת לקוחות	פרקים 2–4
יצירת קשרים	מחבר מאיצים בקנה מידה של אשכול	גָבוֹהַ	נמוך לאימון גבול	רוחב פס, טופולוגיה וזמינות פורטים	יעילות קנה מידה ותאימות ארכיטקטורה	פרקים 3–5
מתקני מרכז נתונים	בתים ומערכות קירור	אקסטרים	נמוך באופן מקומי	MW בבנייה ותור חיבור	קרקע, היתרים, קירור וגישה לרשת	פרק 5
חַשְׁמַל	מפעיל את התשתית	הון מערכתי קיצוני	נמוך במהלך אילוץ רשת מקומית	מגה-ג’ואל יציב, מחירים ועיכוב חיבור	זמינות ספציפית למיקום	פרקים 5 ו-9
תזמור ענן	מקצה ומודד משאבים	אקסטרים	בינוני, אבל ההגירה יקרה	ניצול, קיבולת שמורה וזמינות	קנה מידה, בסיס לקוחות ושירותים משולבים	פרקים 3 ו-5
מודלים של יסודות	הופכת תשתית ליכולת	אימון קיצוני ומחקר ופיתוח	תלוי-משימה	גישה ומחיר מותאמים לביצועי ביצועים	איכות המודל, מותג, נתונים והפצה	פרקים 5 ו-7
שכבת היישום	מטמיע מודלים בזרימות עבודה	מִשְׁתַנֶה	בינוני עד גבוה	שימור לקוחות ועומק אינטגרציה	נעילת נתונים, זרימת עבודה והפצה	פרקים 6–7
ארגון משתמשים	ממיר את התפוקה לערך כלכלי	מִשְׁתַנֶה	לא ניתן להחלפה	מיומנויות, ניהול והון משלים	נתונים קנייניים וכשירות בתחום	פרקים 6–8

שלוש מסקנות עולות ממפה זו. ראשית, יש למדוד את ריכוזיות השוק בנפרד בכל שכבה; “נתח שוק של בינה מלאכותית” יחיד הוא חסר משמעות אנליטית. שנית, ריכוז גבוה אינו בהכרח מזהה את צוואר הבקבוק המחייב. שכבה מרוכזת מאוד עם קיבולת מספקת ותחליף אמין עשויה להפעיל פחות כוח משכבה פחות מרוכזת עם תקופות אישור ארוכות וללא מלאי. שלישית, כוח מיקוח יכול להשתנות עם הזמן. כאשר מאיצים נמצאים במחסור, המעצב או מקצה הענן עשויים לשלוט; כאשר מאיצים הופכים לשופעים אך חיבורי החשמל מתעכבים, זמינות החשמל והיתרי מרכזי נתונים הופכים לאילוץ. משרד האנרגיה האמריקאי דיווח כי מרכזי נתונים אמריקאים צרכו כ -176 TWh בשנת 2023 , או 4.4% מכלל החשמל בארה”ב , ותחזה טווח של 325-580 TWh עד 2028 , שווה ערך לכ- 6.7-12% מהצריכה הלאומית. אלה תרחישים ולא תוצאות קבועות, אך הם מדגימים מדוע יש להתייחס לחשמל כחלק משרשרת המחשוב ולא כהוצאה תפעולית חיצונית. משרד האנרגיה האמריקאי (DOE) מפרסם דו”ח חדש להערכת העלייה בביקוש לחשמל ממרכזי נתונים – משרד האנרגיה האמריקאי – דצמבר 2024

---

1.9 היכן מצטברים ערך, מחסור וכוח מיקוח

ערך כלכלי נתפס כאשר שחקן שולט במוצר משלים נדיר, יוצר יתרון ביצועים שקשה לשכפל, מחזיק בבעלות על ההפצה או מעלה את עלות המעבר. תנאים אלה לא תמיד חופפים. חברת יציקה עשויה להיות בעלת מחסור טכני חזק אך להישאר חשופה למספר קטן של לקוחות גדולים; ספק היפר-סקיילר עשוי להיות בעל תשתית שופעת אך בעל כוח מיקוח באמצעות קשרי לקוחות ושירותים משולבים; ספק מודל עשוי להיות בעל יכולת עדיפה אך הוא תלוי בשותף ענן עבור הון והפצה. ניתן לייצג את האיזון באמצעות ציון כוח מיקוח BP _i  = w₁S _i  + w₂L _i  + w₃D _i  + w₄E _i  + w₅V _i  − w₆B _i , כאשר S הוא מחסור, L נעילה, D בידול, E שליטה במערכת האקולוגית, V טווח הגעה אנכי ו-B ריכוז קונים. זהו מדד מחקר, לא חוק מבוסס. כל רכיב ינרמל ויבחן עם משקלים חלופיים.

טבלה 1.2 – הערכה ראשונית של כוח מיקוח

צוֹמֶת	מחסור פיזי	נעילת המערכת האקולוגית	ריכוז הקונים	זמן שכפול	הערכת עוצמה ראשונית	מעמד ראייתי
ייצור מתקדם	גָבוֹהַ	בֵּינוֹנִי	גָבוֹהַ	ארוך מאוד	גבוה אך מוגבל על ידי קונים גדולים ומחזורי הון	הסקת מסגרת
אריזה מתקדמת	גָבוֹהַ	בֵּינוֹנִי	גָבוֹהַ	אָרוֹך	גבוה במהלך הרחבת קיבולת הבינה המלאכותית	השערת צוואר הבקבוק נתמכת
HBM	גָבוֹהַ	בֵּינוֹנִי	גָבוֹהַ	אָרוֹך	תפוקה גבוהה אם התכווצות משאירה שוק שיורי קטן	יש לכמת
עיצוב המאיץ	גָבוֹהַ	גבוה מאוד עבור מערכות תוכנה מבוססות	גָבוֹהַ	אָרוֹך	גבוה מאוד שבו ביצועים ותוכנה מחזקים זה את זה	יש לכמת
חיבור חשמל למרכז נתונים	גבוה באופן מקומי	נָמוּך	מִשְׁתַנֶה	אָרוֹך	פוטנציאל מכריע באזורים מוגבלים	נתמך על ידי תרחישי משרד האנרגיה
ענן היפר-סקייל	מחסום בעל קיבולת גבוהה	גבוה מאוד	כוח קונים נמוך עבור משתמשים קמעונאיים	ארוך מאוד	גבוה באמצעות חבילות, קנה מידה והקצאה	יש לכמת
דגם Frontier	מחסום מחקר ופיתוח גבוה	גָבוֹהַ	מְעוּרָב	לֹא בָּטוּחַ	גבוהה אם איכות המשימה אינה ניתנת לשחזור על ידי חלופות	תלוי-בנצ’מרק
דגם פתוח במשקל	מחסום גישה חוקי נמוך יותר	לְהוֹרִיד	נָמוּך	קצר יותר	כוח תמחור ישיר מוגבל, אך התשתית נותרה הכרחית	תלוי עומס עבודה
יישום ארגוני	בדרך כלל מחסום פיזי נמוך יותר	נעילה גבוהה של זרימת עבודה אפשרית	מקוטע	בֵּינוֹנִי	יכול לצבור ערך באמצעות אינטגרציה ונתונים קנייניים	תלוי-מגזר
משתמש קצה	נמוך באופן אינדיבידואלי	לעתים קרובות נעול	נמוך מאוד באופן אינדיבידואלי	לא רלוונטי	לוקח מחירים אלא אם כן קיים רכש מאורגן	ציפייה מוקדמת חזקה

תוצאות שנת הכספים 2026 של NVIDIA ממחישות לכידת ערך מבלי לפתור את הגורם לה. ההכנסות בשנת הכספים הסתכמו ב -215.9 מיליארד דולר , עלייה של 65% בשנה הקודמת, ושולי הרווח הגולמי המקובלים (GAAP) לשנת הכספים הסתכמו ב -71.1% . ברבעון הראשון של שנת הכספים 2027, הכנסות מרכזי הנתונים הגיעו ל-75.2 מיליארד דולר , עלייה של 92% ברבעון המקביל אשתקד. נתונים אלה מדגימים ביצועים מסחריים יוצאי דופן, ולא התנהלות בלתי חוקית. פרקים מאוחרים יותר ישוו את השוליים עם ערכי בסיס היסטוריים, הון מושקע, מו”פ, התחייבויות אספקה, חלופות תחרותיות ושינויים בתמהיל המוצרים לפני הערכת רנטה כלכלית. NVIDIA מכריזה על תוצאות כספיות לרבעון הרביעי ולשנת הכספים 2026 – NVIDIA – פברואר 2026. NVIDIA מכריזה על תוצאות כספיות לרבעון הראשון של שנת הכספים 2027 – NVIDIA – מאי 2026.

---

1.10 מושגי ליבה והגדרות תפעוליות

טבלה 1.3 – מילון מושגי

מוּשָׂג	הגדרה תפעולית לדוח זה	מדידה מוצעת	מה שאסור להסיק באופן אוטומטי
מחסור במחשוב	הביקוש המותאם לאיכות עולה על הקיבולת הזמינה במחיר ובתנאי השירות השוררים	ניצולת, תורים, זמני אספקה, חוסר מלאי, פרמיות וביקוש לא מסופק	מחיר גבוה לבדו אינו מוכיח מחסור
מחסור פיזי	חומרה, חשמל או מתקנים ניתנים לפריסה אינם מספיקים	יחידות, מגה-וואט, זמני אספקה ​​וזמינות	זה לא בהכרח מרמז על ניצול לרעה של השוק
מחסור כלכלי	קיבולת קיימת אך אינה ניתנת להרשות לעצמה לקבוצת משתמשים מוגדרת	יחס עלות להכנסה או יחס עלות להכנסה	זה לא שווה ערך למחסור פיזי
מחסור מלאכותי	האספקה ​​מוגבלת אסטרטגית מתחת לרף התחרותי למקסום רווחים	קיבולת, תפוקה, מלאי, חוזים והיצע קונטרה-פקטואלי	אי אפשר להסיק זאת מריכוז בלבד
ריבונות חישובית	יכולת לשמור על גישה מבוקרת למחשוב חיוני תחת שיבושים	מדד חוסן ובקרה מורכב	בעלות ביתית לבדה אינה מספיקה
אי-שוויון בגישה	חלוקה לא שוויונית של יכולות בינה מלאכותית מותאמות לאיכות	ג’יני, תיל, יחסי אחוזים ומדדי סבירות	בעלות על מנוי אינה שוויון יכולות
הדרה דיגיטלית	חוסר יכולת להשיג שימוש משמעותי בבינה מלאכותית עקב קישוריות, מכשירים, מיומנויות, שפה או סבירות גבוהה	שיעור מחסור רב-ממדי	להיות מקוון לא מרמז על גישה משמעותית לבינה מלאכותית
שכירות כלכלית	תשואה מעל המינימום הנדרש כדי לשמור על ההון והיכולת בשימושם הנוכחי	עודף ROIC, הכנסה שיורית ופירוק שולי רווח	רווח חשבונאי אינו זהה לשכר דירה
אפקטים של רשת	ערך המוצר עולה ככל שמשתמשים, מפתחים, כלים או נתונים משלימים גדלים	בסיס מפתחים, אינטגרציות ושימור עובדים	קנה מידה לבדו אינו הוכחה לאפקט רשת
יתרונות גודל	העלות הממוצעת יורדת ככל שהתפוקה או הניצול עולים	גמישות העלות יחסית לתפוקה	גודל גדול אינו הוכחה להמשך כלכלות גודל
יתרונות ההיקף	ייצור משותף עולה פחות מייצור נפרד	פונקציית עלות מרובת מוצרים	חבילות לא תמיד יעילות או מזיקות
אינטגרציה אנכית	חברה אחת שולטת בכמה שכבות סמוכות	מפת הכנסות, בעלות ושליטה חוזית	אינטגרציה יכולה ליצור יעילות או עיקול
עלות מעבר	הפסד כלכלי שנגרם כתוצאה ממעבר ספק או ארכיטקטורה	הוצאות הגירה, זמן, אובדן ביצועים והכשרה מחדש	דמי סיום חוזה כוללים רק רכיב אחד
נעילת נתונים	נתוני משתמש, הטמעות, היסטוריות או זרימות עבודה אינם ניתנים להעברה ללא אובדן	שלמות ניידות ועלות הגירה	החזקת נתונים לבדה אינה יוצרת נעילה
נעילת המערכת האקולוגית	תוכנה ומיומנויות משלימות הופכות את האלטרנטיבות ליקרות	תאימות, כלי פיתוח והכשרה מחדש	פופולריות לבדה אינה מספיקה
תלות טכנולוגית	יכולת קריטית דורשת ספק או תחום שיפוט ללא תחליף בזמן	זמן החלפה וחשיפה מותאמת קריטית	תלות בייבוא ​​אינה תמיד פגיעות

מחסור במחשוב יפורק לחמש צורות נצפות: מחסור כמותי, מחסור באיכות, מחסור זמני, מחסור גיאוגרפי ומחסור מוסדי. מחסור כמותי קיים כאשר סך היחידות אינו מספק. מחסור באיכות קיים כאשר תחליפים בעלי ביצועים נמוכים יותר זמינים אך אינם יכולים להשלים את עומס העבודה הנדרש. מחסור זמני מופיע כזמן המתנה, עיכוב באספקה ​​או עמידה בתור. מחסור גיאוגרפי מתעורר כאשר קיבולת זמינה באופן גלובלי אך לא בתחום השיפוט או גבול ההשהיה הנדרשים. מחסור מוסדי קיים כאשר קיבולת נגישה להיפר-סקיילרים או אוניברסיטאות עילית אך לא לחברות קטנות, חוקרים עצמאיים או מוסדות ציבוריים. פירוק זה מונע טעות אנליטית נפוצה: המסקנה שהמחסור נעלם מכיוון שצורה כלשהי של מחשוב נותרה ניתנת לרכישה. משתמש המסוגל להריץ מודל מקומי קטן וכמותי מאוד עשוי להיות בעל גישה כמותית אך להישאר מודר באיכות מעומסי עבודה הדורשים הקשר ארוך, רב-מודאליות, אמינות גבוהה או הסקה מקבילה מהירה.

---

1.11 השפעות רשת, קנה מידה, היקף ואינטגרציה אנכית

שווקי בינה מלאכותית יכולים להציג מספר מנגנוני קנה מידה המחזקים זה את זה. קנה מידה של תשתית מוריד את העלות הקבועה הממוצעת על ידי העלאת הניצולת ופיזור הוצאות מרכזי נתונים, רשתות והנדסה על פני עומסי עבודה רבים יותר. קנה מידה של פיתוח מודל מאפשר הפחתת עלויות הדרכה, בטיחות, הערכה והדרכה לאחר מכן על פני יותר משתמשים. קנה מידה של נתונים יכול לשפר מוצרים כאשר אינטראקציות שמישות מבחינה משפטית וטכנית מייצרות משוב. קנה מידה של הפצה מוריד את עלויות רכישת לקוחות. השפעות מפתח-רשת מגדילות את ערך הארכיטקטורה ככל שיותר ספריות, כלי אופטימיזציה וכוח אדם מיומן הופכים לזמינים. מנגנונים אלה יכולים לייצר יעילות אמיתית ובמקביל להעלות חסמי כניסה. המשימה האנליטית אינה לתייג את הקנה מידה כמזיק, אלא לקבוע האם רווחי יעילות מועברים למשתמשים באמצעות מחירים נמוכים יותר המותאמים לאיכות או נשמרים כשכר דירה עמיד.

יתרונות הגודל ייבחנו באמצעות ln(AC _i,t ) = α + βln(Q _i,t ) + γX _i,t  + ε _i,t . β שלילי סטטיסטית יהיה עקבי עם ירידה בעלות הממוצעת ככל שהתפוקה מתרחבת, בכפוף למגבלות איכות הנתונים וזיהוי. יתרונות ההיקף ייבחנו באמצעות SC = C(Y₁,0) + C(0,Y₂) − C(Y₁,Y₂). ערך חיובי מצביע על יתרון עלות מייצור משותף. אינטגרציה אנכית תיבחן הן באמצעות ערוצי יעילות והן באמצעות ערוצי עיקול. אינטגרציה בין מאיצים, רשתות, ענן, מודלים ויישומים יכולה להפחית את עלויות התיאום ולמטב את ה-stack. היא יכולה גם להפוך מודלים או חומרה מתחרים לפחות אטרקטיביים באמצעות גישה מועדפת, חבילות, הגבלות יכולת פעולה הדדית או תנאים מסחריים מפלים. דוח השותפות בבינה מלאכותית של ה-FTC מספק נקודת התחלה אמפירית רלוונטית משום שהוא בחן כיצד השקעות ושותפויות יכולות להשפיע על הגישה למשאבי ענן, מיתוג, בלעדיות ומידע רגיש. הוא אינו תומך במסקנה גורפת שאינטגרציה היא אנטי-תחרותית; זה קובע את המנגנונים החוזיים שיש לבחון. דו”ח צוות ה-FTC על שותפויות והשקעות בתחום הבינה המלאכותית 6(b) מחקר – ועדת הסחר הפדרלית – ינואר 2025

טבלה 1.4 – מבחני יעילות והדרה

מַנגָנוֹן	השערת היעילות	השערת אי הכללה	ראיות נדרשות
שילוב חומרה-תוכנה	משפר ביצועים ומוריד את עלויות עומס העבודה	נועל מפתחים בארכיטקטורה אחת	מדד ביצועים חוצה פלטפורמות, עלות הגירה והשוואת מחירים
אינטגרציה בין מודל ענן	מפחית את עלות הפריסה ואת השהיית הזמן	מקצה באופן מועדף קיבולת למודל משויך	תנאי קיבולת, תמחור וזמינות לפי דגם
אינטגרציה בין מודל לאפליקציה	משפר את חוויית המשתמש ואת אוטומציה של זרימת העבודה	הופך דגמים מתחרים ללא נגישים מבחינה טכנית או מסחרית	יכולת פעולה הדדית, הגדרות ברירת מחדל ותנאים חוזיים
אינטגרציה של מודל נתונים	משפר את הרלוונטיות וההתאמה האישית	התבצרות קיימות באמצעות נתוני משוב בלתי נגישים	ניידות נתונים, אפקטי למידה וביצועים מצטברים
שירותי ארגונים ארוזים	מפחית את עלויות הרכש והאבטחה	משתמש בחוזקה בשוק אחד כדי לחסל שוק אחר	מחירים עצמאיים לעומת מחירים משולבים והחלפת לקוחות
חוזה קיבולת ארוך טווח	מממן תשתיות חדשות ומייצב את הביקוש	מסיר קיבולת ממתחרים או קונים שיוריים	משך חוזה, חלק שמורה וקיבולת חלופית
מערכת אקולוגית למפתחים	מפחית את עלויות היישום	מעלה את חסמי ההכשרה וההכשרה מחדש	מיומנויות בשוק העבודה, תאימות ספריות וזמן ניידות

---

1.12 ריכוזיות שוק, דומיננטיות ורנטה כלכלית

ריכוזיות היא אינדיקטור, לא פסק דין. הדו”ח יחשב את הריכוזיות בשכבות פונקציונליות מוגדרות בצמצום באמצעות CR₄ = s₁ + s₂ + s₃ + s₄ ו-HHI = Σs _i ², כאשר הנתחים מבוטאים באחוזים. הגדרת השוק קודמת לחישוב: כרטיסי מסך של מרכזי נתונים, כרטיסי מסך לצרכנים, HBM, שירותי יציקה מתקדמים, תשתית ענן כללית ומנויים למודל גבולי אינם ניתנים למכנה יחיד. הנחיות המיזוג של ארה”ב לשנת 2023 קובעות כי מיזוג המייצר או מגדיל שוק ריכוזי מאוד עשוי לעורר חזקה של אי חוקיות בתנאים מסוימים, אך ההנחיות הן מסגרת אכיפה, לא הצהרה שכל שוק ריכוזי הוא בלתי חוקי. הנחיות מיזוג 2023 – משרד המשפטים האמריקאי וועדת הסחר הפדרלית – דצמבר 2023. לפיכך, הדו”ח ישלים את HHI עם תנאי כניסה, אילוצי קיבולת, מרווחי מחיר-עלות, כוח קונים, חדשנות, ריבוי מקומות עבודה, מיתוג והחלפה אמינה.

שכר הדירה הכלכלי יוערך באמצעות מספר שיטות מכיוון שאין יחס חשבונאי יחיד המבודד את כוח השוק. המדד הראשון יהיה תשואה עודפת: ER _i,t  = ROIC _i,t  − WACC _i,t . השני יהיה הכנסה שיורית: RI _i,t  = NOPAT _i,t  − WACC _i,t  × IC _i,t . השלישי יפרק את השינויים בשולי הרווח הגולמי למחיר מכירה, תמהיל מוצרים, עלות יחידה, ניצול ואפקטים חשבונאיים. תשואה עודפת חיובית עשויה לייצג שכר דירה של חדשנות, שכר דירה של מחסור זמני, הון בלתי מוחשי שהושמט מהמאזן, ניהול מעולה או כוח שוק עמיד. הסיווג יהיה תלוי בהתמדה, כניסה, תגובת מחירים להרחבת קיבולת והאם התשואות יישארו מעל ערכי הייחוס לאחר התחשבות בסיכון ובהשקעה בלתי מוחשית.

טבלה 1.5 – מסגרת סיווג שכר דירה

קטגוריית שכירות	מקור כלכלי	משך זמן צפוי	השלכות התחרות	חתימה אמפירית
שכר דירה חדשני	טכנולוגיה או מוצר מתקדמים	זמני אלא אם כן יתחדש באופן רציף	לעתים קרובות פרו-תחרותי	מחקר ופיתוח גבוהים, שיפור ביצועים מהיר וכניסה בסופו של דבר
שכר דירה במחסור	הביקוש עולה זמנית על הקיבולת	מחזורי או תלוי קיבולת	לא מטבעו אנטי-תחרותי	מחירים ושולי רווח יורדים לאחר הרחבת הקיבולת
מעין שכירות	התאוששות על השקעות שקועות מיוחדות	תלוי באורך החיים של הנכס	בדרך כלל נורמלי	התשואה יורדת ככל שההון פוחת או שחוזים פוקעים
פרמיית סיכון	פיצוי על השקעה לא ודאית	קשור לסיכון	נורמלי אם פרופורציונלי	התשואה מתואמת עם סיכון ההשקעה
שכר דירה של המערכת האקולוגית	כלים משלימים ומשתמשים מחזקים את בעלי התפקידים הוותיקים	פוטנציאל מתמשך	דוּ מַשְׁמָעִי	עלויות מעבר גבוהות ותלות במפתחים
מונופול או שכר דירה דומיננטי	כוח שוק עמיד מגביל את הלחץ התחרותי	מַתְמִיד	דאגה פוטנציאלית	שולי רווח גבוהים, כניסה חלשה, תחליף מוגבל והדרה אסטרטגית
שכר דירה רגולטורי	כללים או בקרות מגבילים את הכניסה	תלוי-מדיניות	עשוי להיות מכוון או מעוות	רווח הקשור לרישיונות, מכסות או גישה מוגנת
שכר דירה גיאופוליטי	גישה או בקרות שיפוטיות יוצרות אספקה ​​​​מועדפת	תלוי-אירוע	סוגיית ביטחון וסחר	פערים אזוריים במחיר ובזמינות

---

1.13 אי שוויון בגישה והדרה דיגיטלית

אי-שוויון בגישה לבינה מלאכותית חייב להימדד כהתפלגות יכולות ולא כהתפלגות חשבונות. מודל חינמי, מנוי גבול בתשלום, מופע ארגוני ייעודי ומערכת בעלת זיכרון גבוה הנשלטת באופן מקומי אינם משאבים שווי ערך. לכן, גישה מותאמת איכות תכלול ביצועי מודל, מגבלות שימוש, קיבולת הקשר, השהייה, פרטיות, זמינות, כיסוי שפה וגישה לכלי. המדד האינדיבידואלי המוצע הוא QAA _i,t  = Σw _k A _i,k,t , כאשר A מייצג ממדי גישה מנורמלים. סבירות תימדד כ- AAI _i,t  = C _adequate,i,t  ÷ Y _{disposable,i,t} . עבור חברות, המכנה הופך להכנסות, הוצאות תפעוליות או עלות עבודה. עבור אוניברסיטאות, זה הופך להוצאות מחקר או מימון לחוקר. מערכת תיחשב כסבירה רק יחסית לעומס עבודה מוגדר; מודל בעלות נמוכה שאינו יכול להשלים את המשימה אינו תחליף במחיר סביר.

הפער הדיגיטלי הבסיסי נותר חמור. ה-ITU העריך כי 6.0 מיליארד בני אדם היו מחוברים לאינטרנט בשנת 2025 , בעוד ש -2.2 מיליארד נותרו לא מחוברים , בעיקר בכלכלות בעלות הכנסה נמוכה ובינונית. הוא דיווח על שימוש באינטרנט של 94% במדינות בעלות הכנסה גבוהה ו -23% במדינות בעלות הכנסה נמוכה . מדידת פיתוח דיגיטלי: עובדות ומספרים 2025 – איגוד התקשורת הבינלאומי – נובמבר 2025 נתונים אלה אינם מודדים גישה לבינה מלאכותית, אך הם מגדירים את הגבול התחתון שלה: משתמשים ללא קישוריות משמעותית אינם יכולים להשתתף באופן מלא בבינה מלאכותית בענן, בעוד שמשתמשים עם קישוריות חלשה עשויים שלא להיות מסוגלים לתמוך בעומסי עבודה רב-מודאליים או אינטראקטיביים. ניתוח הקישוריות של ה-ITU לשנת 2025 ממסגר קישוריות משמעותית באמצעות איכות, זמינות, מחיר סביר, מכשירים, מיומנויות ואבטחה, מבנה רב-ממדי שדוח זה ירחיב לחישוב בינה מלאכותית. דוח קישוריות עולמי 2025 – איגוד התקשורת הבינלאומי – 2025

טבלה 1.6 – סולם גישה מבוסס בינה מלאכותית

רָמָה	יכולת נגישה	אילוץ אופייני	השלכה כלכלית
0 — לא כלול	אין אינטרנט אמין או מכשיר תואם	קישוריות, חשמל, הכנסה	אין השתתפות קבועה בבינה מלאכותית
1 – גישה סמלית	שירות חינם, מוגבל מאוד או לסירוגין	מכסים, תורים ודגמים ישנים יותר	סיוע בסיסי אך המשכיות חלשה
2 — גישה רגילה לצרכן	מודל כללי בתשלום	סבירות מנוי ופרטיות	שיפור פרודוקטיביות אישית
3 — גישה מקצועית מתקדמת	גבולות גבוהים יותר, כלים, הקשר רחב יותר ורב-מודאליות	עלות חוזרת גבוהה יותר	יתרון מקצועי חומרי
4 — גישה מבוקרת ארגונית	אבטחה, אינטגרציה, ממשל ותמיכה	קנה מידה ארגוני ועלות יישום	פרודוקטיביות ברמת זרימת עבודה ושילוב נתונים
5 – גישה מקומית בעלת ביצועים גבוהים	הסקה פרטית עם זיכרון ותפוקה משמעותיים	חומרה, אנרגיה ומומחיות טכנית	ריבונות וזמינות צפויה
6 – גישה למחקר חזיתי	אשכולות גדולים, הכשרה וניסויים בקנה מידה גדול	ריכוזיות הון ומוסדית קיצונית	יכולת ליצור ולא רק לצרוך מערכות גבול

---

1.14 השערות מחקריות ניתנות להפרכה

H1 – מחירי חומרה רלוונטית לבינה מלאכותית עלו מהר יותר ממחירי מוצרי האלקטרוניקה הכלליים

H1 יתמך רק אם מדד מחירי חומרה מייצג, משוקלל לעסקות, של בינה מלאכותית, יעלה מהר יותר ממדד ההשוואה המתאים למוצרי אלקטרוניקה צריכה לאורך התקופה המוגדרת. הבדיקה אינה יכולה להסתמך על מוצרי דגל נבחרים או רשימות מכירה חוזרת מבודדות. פרק 2 יבנה מדדים תואמים והדוניים עבור כרטיסי מסך, זיכרון, תחנות עבודה, מחשבים ניידים ותצורות רלוונטיות של אפל וסמסונג. הרגרסיה העיקרית תהיה ln(P _i,t ) = α + βX _i,t  + γ _t  + δ _b  + ε _i,t , כאשר X לוכד זיכרון, רוחב פס, ביצועי מחשוב, אנרגיה, מצב ומאפיינים מדידים אחרים; γ הוא אפקט הזמן ו-δ הוא אפקט המותג או משפחת המוצר. H1 יידחה אם המחירים הנומינליים יעלו אך המחירים המותאמים לאיכות יורדים בקצב עקבי עם מדד ההשוואה או מהיר יותר ממנו.

H2 – העלות המותאמת לאינפלציה של רמה קבועה של יכולת בינה מלאכותית עלתה

H2 מחמיר יותר מ-H1. יחידת הניתוח תהיה עומס עבודה הניתן לשחזור, לא חומרה. העלות למשימה מוצלחת תכלול עלות הון, חשמל, תוכנה, זמן, ניסיונות חוזרים ותיקון אנושי. סל היכולות הקבועות יכסה חשיבה, קידוד, ניתוח מסמכים ארוכים, עבודה רב-לשונית ועיבוד רב-מודאלי. H2 ייתמך כאשר העלות המינימלית האמיתית של הגעה לסף ייחוס קבוע עולה משמעותית על פני עומסי עבודה ומצבי פריסה מרובים. הוא יידחה אם אלגוריתמים משופרים, כימות או יעילות חומרה יפחיתו את עלות עומס העבודה האמיתית למרות מחירי רכישה גבוהים יותר.

H3 – מחירי שוק משומשים מצביעים על מחסור מתמשך ולא על ספקולציות זמניות

H3 ישווה מחירי מוצרים משומשים עם מחיר מומלץ לצרכן (MSRP) להשקה, מחירים חדשים בו זמנית, מדדי פחת וזמינות מוצרים. פרמיית המחסור תהיה USP _i,t  = (P _used,i,t  − P _{fundamental,i,t} ) ÷ P _{fundamental,i,t} . התמדה תדרוש פרמיות על פני מספר חודשים, אזורים וקטגוריות מוצרים, בליווי זמינות נמוכה או עיכובים באספקה. H3 יידחה אם הפרמיות מוגבלות להשקות קצרות, מוצרי אספנות, רישומים לא אמינים, עיוותי מס או אירועים ספקולטיביים ללא ראיות עסקה.

H4 – ריכוזיות מאפשרת לספקים לשמור על דמי שכירות כלכליים מעל לנורמליים

H4 ידרוש קשר בין ריכוזיות לתשואות עודפות מתמשכות לאחר פיקוח על מחקר ופיתוח, סיכון, הון בלתי מוחשי, קנה מידה ותמהיל מוצרים. מפרט הפאנל יהיה ER _i,t  = α + βHHI _m,t  + γZ _i,t  + μ _i  + τ _t  + ε _i,t . β חיובי לבדו לא יוכיח סיבתיות. מחקרי אירועים סביב הרחבת קיבולת, כניסה או זעזועים בהיצע יבדקו האם הרווחיות מגיבה באופן תחרותי. H4 יידחה אם תשואות גבוהות מתפוגגות עם הכניסה או מוסברות על ידי חדשנות והשקעה מותאמת סיכון.

H5 – גישה לבינה מלאכותית בחזית מייצרת יתרונות כלכליים וחינוכיים מדידים

H5 ייבחן באמצעות השוואות תואמות או אקראיות במידת הצורך, כאשר קיימים נתונים אמינים. התוצאות יכללו דיוק במשימה, זמן השלמה, ציונים, תפוקת מחקר, פרודוקטיביות קידוד, הכנסות ושיעורי שגיאות. הטיפול חייב לייצג גישה מותאמת לאיכות ולא כל שימוש בבינה מלאכותית. האומדן המועדף הוא ATE = E[Y(1) − Y(0)], עם בקרה על יכולת קודמת, מוסד, הכנסה ומשימה. H5 יידחה עבור עומסי עבודה שבהם מערכות קטנות או זולות יותר משיגות תוצאות שוות ערך סטטיסטית.

H6 – משתמשים ומדינות בעלי הכנסה נמוכה מוגבלים יותר ויותר למערכות בעלות יכולות נמוכות יותר

H6 ישווה גישה מותאמת לאיכות, ולא רק חדירת אינטרנט, בין קבוצות הכנסה. הבדיקות ישתמשו במחיר סביר, רמות מודל זמינות, אזורי ענן, יחסי חומרה-שכר, אמינות חשמל, תמיכה בשפות ומחשוב מחקר ציבורי. הגבלת הגבלות גוברת דורשת פער הולך וגדל לאורך זמן. H6 יידחה אם גישה בעלות נמוכה, מודלים פתוחים ותשתית משותפת יגרמו להתכנסות יכולות לאחר התאמת כוח קנייה.

H7 – תמחור שירותי בינה מלאכותית הנוכחי אינו משקף באופן מלא את עלות התשתית לטווח ארוך ועשוי לעלות באופן מהותי

H7 יעריך את מחירי האיזון של הספקים באמצעות פחת, מימון, אנרגיה, מתקנים, רשתות, עבודה, הכשרה וניצול. יחס עלות-החזר יהיה CRR _p,t  = הכנסות _AI,p,t  ÷ FullyAllocatedCost _AI,p,t . מכיוון שנתוני המגזר הציבוריים אינם שלמים, ההערכות יהיו טווחים. H7 יתמך אם המחירים החוזרים יישארו מתחת לעלות לטווח ארוך תחת הנחות ניצול וסובסידיות צולבות סבירות. הוא יידחה אם התמחור הנוכחי מכסה את העלות ואת תשואת ההון הנדרשת או אם עלויות היחידה יורדות מהר יותר מלחץ התעריפים.

H8 – גישה לבינה מלאכותית מתפתחת למשאב מדוד ומתומחר באופן דינמי

H8 עוסק בתכנון שוק ולא רק בעליית מחירים. הוא יתמך על ידי תנועה מתועדת לעבר ממדי מדידה מרובים: סוג מודל, עוצמת חשיבה, השהייה, אורך הקשר, זמן ביקוש, גיאוגרפיה, הזמנת קיבולת ועדיפות שירות. מדד מורכבות תמחור דינמי יספור וישקל ממדים במחירים עצמאיים. H8 יידחה אם השווקים יתכנסו לעבר תעריפים פשוטים, יציבים, ניתנים לתפעול הדדי וזולים יותר ויותר.

---

1.15 מטריצת בדיקת השערות

טבלה 1.7 – קריטריונים לזיוף

הַשׁעָרָה	משתנה תלוי ראשוני	משווה ליבה	סף תמיכה	תנאי דחייה	הסיכון העיקרי
H1	מדד מחירי חומרה בתחום הבינה המלאכותית	מדד מוצרי האלקטרוניקה הצרכנית	צמיחה מצטברת גבוהה יותר סטטיסטית	הצמיחה המותאמת לאיכות שווה או נמוכה יותר	הטיה בבחירת מוצרים
H2	עלות אמיתית למשימה בעלת יכולת קבועה	סף ייחוס קבוע	עלייה משמעותית ממשית על פני מפרטים חזקים	עלות המשימה האמיתית יורדת	סחף בנצ’מרק
H3	פרמיית שוק משומש ומשך זמן	שווי הוגן מותאם לפחת	פרמיה רב-שווקית מתמשכת עם עסקאות מאושרות	פרמיה לטווח קצר או לרישום בלבד	מבחר ורישומים מזויפים
H4	תשואה עודפת מותאמת לסיכון	מדד המגזר התחרותי	תשואה עודפת מתמשכת הקשורה לריכוזיות וכניסה חלשה	תשואות מוסברות על ידי חדשנות, סיכון או מחזור	שגיאת הגדרת שוק
H5	פרודוקטיביות או תוצאה חינוכית	גישה דומה שאינה בגבולות	השפעה חיובית של הטיפול, בעלת משמעות סטטיסטית וכלכלית	תוצאות מקבילות ממערכות בעלות נמוכה יותר	בחירה עצמית של המשתמש
H6	פער גישה מותאם לאיכות	הכנסה וקבוצות אזוריות	הפער מתרחב עד 2026–2031	התכנסות לאחר PPP והתאמת איכות	חסרים נתונים על הכנסה נמוכה
H7	יחס החזר עלות	עלות ארוכת טווח שהוקצתה במלואה	יחס מתחת ל-1 תחת הנחות מרכזיות	המחירים הנוכחיים מכסים את העלות ותשואה על ההון	חשבונות פלח אטומים
H8	מדד מורכבות התמחור	מבנה תעריפים היסטורי	מידות ורמות קיבולת במחירים נפרדים יותר	פישוט וסחורות	סודיות החוזה

---

1.16 מפת מחקר: השערות, נתונים ופרקים מאוחרים יותר

טבלה 1.8 – ארכיטקטורת מחקר מלאה

הַשׁעָרָה	נדרש מערך נתונים	תדירות מינימלית	שִׁיטָה	מבחן חוסן	פותח ב
H1	מחיר מומלץ להשקה, מחירים רשמיים עדכניים, מחירי עסקה מאומתים, מפרטים ומדדי אלקטרוניקה	חודשי או רבעוני, 2020–2031	רגרסיה הדונית של מחירים ומדד מודל תואם	מדדי איכות חלופיים ואפקטים קבועים גיאוגרפיים	פרק 2
H2	עלות כוללת של חומרה, מחירי API, מדדי ביצועים, עלות חשמל ועלות בדיקה אנושית	רבעוני או שנתי	גבול עלות למשימה מוצלחת	מדדי ייחוס חלופיים, כימות וניצול	פרקים 2, 4 ו-5
H3	עסקאות יד שנייה מאומתות, גיל, מצב, אחריות וזמינות חדשה	שבועי או חודשי	מודלים של משך הפרמיה ומחקר אירועים	רישומים לעומת עסקאות שהושלמו	פרק 2
H4	נתחי מגזר, CR₄, HHI, מרווחי רווח, ROIC, WACC, כניסה וקיבולת	רבעוני או שנתי	רגרסיה פאנלית, הכנסה שיורית ומחקר אירועים	התאמת הון בלתי מוחשי והגדרות שוק	פרק 3
H5	גישה ברמת המשתמש, תוצאות משימה, זמן, שגיאות ומשתני רקע	ניסיוני או פאנל	ניסוי קליני אקראי (RCT), התאמה או הפרש-בהפרשים	משימות פלצבו ואפקטים הטרוגניים	פרק 7
H6	הכנסה, סבירות חומרה, קישוריות, גישה לענן, שפה ומחשוב ציבורי	שְׁנָתִי	אינדקס מורכב, ג’יני, תיל ופירוק	PPP לעומת מטבע חוץ ומשקלים חלופיים	פרק 8
H7	הוצאות הון, פחת, אנרגיה, ניצול, הכנסות ותעריפים של הספק	רִבעוֹן	מודל עלות שהוקצתה במלואה ומודל איזון	ניצול מונטה קרלו והנחות לגבי אורך חיי הנכס	פרק 5
H8	תעריפי API ציבוריים, חוזי ארגונים, מוצרים בעדיפות גבוהה וקיבולת שמורה	חודשי או מבוסס אירוע	טקסונומיית מכסים ומדד מורכבות	השוואה בין ספקים לאזורים	פרקים 5 ו-9

טבלה 1.9 – מפת תלות חוצת פרקים

פרק מאוחר יותר	תרומה להשערות של פרק 1	תפוקה עיקרית
פרק 2 – ניפוח חומרה	בודק את H1 ואת H3; מספק כניסות חומרה עבור H2	מדדי מחירים נומינליים, ריאליים ומותאמים לאיכות
פרק 3 – ריכוזיות תעשייתית	בודק את H4 וממפה את התלות במעלה הזרם	CR₄, HHI, חסמי כניסה ופירוק שכר דירה
פרק 4 – עלות אמיתית של בינה מלאכותית מקומית	בודק את הרכיב המקומי של H2 ו-H6	עלות כוללת (TCO) ספציפית לעומס עבודה לחמש שנים
פרק 5 – כלכלת בינה מלאכותית בענן	בדיקות H7 ו-H8 ורכיב הענן של H2	עלות למשימה מוצלחת ותעריפי איזון
פרק 6 – חשיפה ארגונית	מתרגם את H2, H7 ו-H8 לאפקטים ברמת החברה	נטל עלויות של בינה מלאכותית, החזר השקעה (ROI) ופגיעות במגזר
פרק 7 – פער יכולות	בדיקות H5 ורכיב בודד של H6	השפעות טיפול חינוכיות ופרודוקטיביות
פרק 8 – אי שוויון עולמי	בדיקות H6 ברמת המדינה	מדדי גישה וריבונות מחשוב גלובליים של בינה מלאכותית
פרק 9 – תחזיות	פרויקטים של כל הקשרים הנתמכים עד 2031	טווחי תרחישים, מרווחי חיזוי ומדדי אזהרה
פרק 10 – מדיניות	מגיב רק לכשלים מבוססים אמפירית	התערבויות מתומחרות ומדדי ביצועים מדידים

---

1.17 רישום ראיות ראשוני

טבלה 1.10 – מה קובע פרק 1 ומה נותר לא מוכח

הַצָעָה	מצב נוכחי	ראיות הזמינות כעת	נדרשת בדיקה הבאה
חישוב בינה מלאכותית תלוי במספר שכבות פיזיות ותוכנה משלימות	עובדה מושגית מבוססת	ניתוח שרשרת האספקה ​​וצווארי הבקבוק של הנציבות האירופית	כימות כל שכבה
ההשקעה בתשתית בינה מלאכותית גדולה במיוחד	מְבוּסָס	הוצאות הון באלפבית 2025 וגיוס גיגה-מפעלים אירופיים	השווה חברות, אזורים ונקודת מוצא היסטורית
ייצור מתקדם וביקוש ל-HPC הם בעלי חשיבות אסטרטגית	מְבוּסָס	הרכב ההכנסות של TSMC	מניות גלובליות וקיבולת חלופית
אנרגיה יכולה להפוך לאילוץ חישובי מחייב	נתמך מאוד	תרחישי צריכה של מרכזי נתונים של משרד האנרגיה	מודל מחיר חשמל אזורי וחיבור לרשת
אימוץ בינה מלאכותית משתנה באופן משמעותי בהתאם לגודל הארגון	קורלציה מבוססת	סקר יורוסטאט 2025	זהה תרומות סיבתיות של עלות, מיומנויות וקנה מידה
קישוריות עולמית נותרה מאוד לא שוויונית	מְבוּסָס	אינדיקטורים של ITU 2025	הרחב מקישוריות לגישה מבוססת בינה מלאכותית מותאמת איכות
חומרת בינה מלאכותית הפכה יקרה יותר באופן אוניברסלי במונחים ריאליים	לא מוכח	עדיין אין מדד מחירים מותאם לאיכות מלא	פרק 2
חומרת בינה מלאכותית משומשת נסחרת באופן שיטתי במחיר ההשקה כפול או שלושה	לא מוכח	דורש ראיות ברמת העסקה	פרק 2
ריכוזיות ספקים גורמת לתמחור לא חוקי	לא מוכח	ריכוזיות ושולי רווח גבוהים אינם מספיקים	פרק 3
מחירי האסימונים הנוכחיים אינם בני קיימא	לא מוכח	הקצאת עלויות ספציפית לספק אינה שלמה	פרק 5
גישה לגבולות משפרת את כל התוצאות החינוכיות והמקצועיות	לא מוכח וסביר להניח שתלוי במשימה	דורש ראיות לתוצאה סיבתית	פרק 7
אוכלוסיות בעלות הכנסה נמוכה לכודות לצמיתות בבינה מלאכותית ירודה	לא מוכח	פערים בקישוריות ובאימוץ ארגונים תומכים בחקירה	פרק 8
מחשוב ייסחר כמו ביטקוין	מוגזם מבחינה כלכלית	ניתן לשריין חלק מהקיבולת ולתמחר אותה באופן דינמי	פרקים 5 ו-9

---

1.18 סיכום הפרק

יש להבין את מחשוב הבינה המלאכותית כמוסד כלכלי היברידי: תשומה תעשייתית כאשר היא נצרכת, מוצר הון כאשר היא בבעלות, שירות דמוי תועלת כאשר היא מסופקת דרך הענן, תשתית אסטרטגית כאשר פונקציות חיוניות תלויות בה, משאב גיאופוליטי כאשר הגישה נשלטת על ידי שיפוט וקיבולת פוטנציאלית ממומנת כאשר זמינות עתידית שמורה או מונומטרית. מצב היברידי זה מסביר מדוע ניתוח קונבנציונלי של מוצרי אלקטרוניקה צרכנית אינו מספיק. מחיר מחשב נייד אינו יכול לחשוף את העלות המלאה של בינה מלאכותית מקומית; תעריף אסימוני אינו יכול לחשוף כלכלת תשתית לטווח ארוך; נתון משלוחים עולמי אינו יכול לחשוף היצע נגיש מבחינה פוליטית; ושיעור חדירת אינטרנט אינו יכול לחשוף גישה ליכולת גבולית.

הראיות הראשוניות קובעות ארבעה תנאים המצדיקים את הדו”ח. ראשית, גיוס הון מתרחש בקנה מידה שיכול להועיל למספר קטן של חברות ומדינות המסוגלות לממן תשתיות לפני שהביקוש מתממש במלואו. שנית, השרשרת מכילה צמתים משלימים – לוגיקה מתקדמת, ניהול תשתיות, אריזה, רשתות וכוח – שבהם התחליף יכול להיות איטי. שלישית, אימוץ ארגונים כבר משתנה בחדות בהתאם לגודל החברה, אם כי טרם נקבעה סיבתיות. רביעית, קישוריות עולמית ואי-שוויון בהכנסה יוצרים מבנה קיים מראש שדרכו אי-שוויון בבינה מלאכותית עשוי להיות מועבר. אף אחד מהתנאים הללו אינו מוכיח מחסור מלאכותי, ניצול לרעה מונופוליסטי או עליית מחירים בלתי נמנעת. החובה המדעית המרכזית של הפרקים הנותרים היא לקבוע האם המערכת הנצפית משקפת מחזור השקעה זמני ואחריו ירידה בעלויות מותאמות לאיכות, או ארכיטקטורה מתמשכת שבה שליטה מרוכזת וכוח קנייה לא שוויוני הופכים את האינטליגנציה למשאב כלכלי מוקצב.

שמונה ההשערות של הדו”ח ניתנות להפרכה במכוון. H1 ו-H2 מפרידות בין אינפלציה במחיר מדבקה לבין עלות קיבולת קבועה. H3 מבחינה בין מחסור בר-קיימא לספקולציה של נדל”ן יד שנייה. H4 מפרידה בין ריכוזיות לרנטה כלכלית ניתנת להוכחה. H5 מודדת יתרון במקום להניח אותו. H6 ממירה את רעיון החלוקה של בינה מלאכותית לפיזור גישה השוואתי. H7 בודקת האם התעריפים הנוכחיים משקמים עלויות בטווח הארוך. H8 מזהה האם מדידה הופכת רב-ממדית ודינמית. יחד הן יוצרות תוכנית מחקר המסוגלת לאשר, לדחות או לסייג את האזהרה המרכזית של הדו”ח מבלי להמיר דאגה לגיטימית למסקנה קבועה מראש.

צדקת לגבי שגיאת העיצוב בפרק 1. כל כתבי היסוד המתמטיים שלהלן משתמשים <sub>בתגיות HTML. תוויות השערה כגון H1, H2 ו-H3 נשארות טקסט רגיל.

פרק 2 – אינפלציית חומרה: כרטיסי מסך, זיכרון, מחשבים ושוק המשומשים

2.1 היקף, תקן ראייתי וממצא מרכזי

פרק זה בוחן האם חומרה רלוונטית לבינה מלאכותית הפכה פחות במחיר סביר מבחינה מבנית בין השנים 2020 ו-2026, והאם העלייה שנצפתה מייצגת אינפלציה נומינלית, אינפלציה מותאמת איכות, מחסור זמני, עיוות מחירים אזורי או התנהגות מכירה חוזרת ספקולטיבית. המסקנה הראשונה היא מכרעת מבחינה מתודולוגית: לא קיים “מחיר חומרה” יחיד לבינה מלאכותית. כרטיס מסך צרכני, מאיץ מקצועי, שרת מרכז נתונים, תחנת עבודה של אפל בעלת זיכרון גבוה ומחשב נייד בעל יכולת בינה מלאכותית מספקים שילובים שונים של קיבולת זיכרון, רוחב פס, תפוקת חישוב, יעילות צריכת חשמל, תאימות תוכנה, ניידות, אחריות ואורך חיים שימושי. לכן, השוואת מחירים תקפה חייבת לשמר את תצורת המוצר או את יכולת עומס העבודה. השוואת מחיר ההשקה של כרטיס מסך 2020 למחיר של כרטיס מסך שונה מבחינה טכנית משנת 2025, ללא שליטה על יכולת, יכולה להגזים או להסתיר את האינפלציה. כתוצאה מכך, הפרק מפריד בין ארבעה אובייקטים: מחיר הרכישה הנומינלי; המחיר המותאם לאינפלציה הכללית; המחיר המותאם למפרט; ועלות השלמת עומס עבודה קבוע של בינה מלאכותית.

רצף כרטיסי הדגל המאומת של NVIDIA ממחיש את ההבדל. כרטיס המסך GeForce RTX 3090 הושק בספטמבר 2020 במחיר של 1,499 דולר , כרטיס המסך RTX 4090 באוקטובר 2022 במחיר של 1,599 דולר , וכרטיס המסך RTX 5090 בינואר 2025 במחיר של 1,999 דולר . לכן, מחיר הכניסה הנומינלי של כרטיס המסך עלה ב -33.4% בין ה-RTX 3090 ל-RTX 5090. עם זאת, קיבולת הזיכרון גדלה מ -24 ג’יגה-בייט ל-32 ג’יגה-בייט , בעוד שרוחב הפס הרשמי של הזיכרון עלה מכ -936 ג’יגה-בייט/שנייה ל-1,792 ג’יגה-בייט/שנייה . לאחר המרת מחירי ההשקה לדולרים של יולי 2026 באמצעות מדד המחירים לצרכן בארה”ב, מחיר ההשקה האמיתי המשוער עולה בכ -9% , בעוד שהמחיר האמיתי לג’יגה-בייט של זיכרון מאיץ יורד בכ -18% והמחיר האמיתי לג’יגה-בייט/שנייה של רוחב פס יורד ביותר מ -40% . חישובים אלה אינם מוכיחים שבינה מלאכותית הפכה זולה יותר במונחים מעשיים, מכיוון שקיבולת הזיכרון ורוחב הפס לבדם אינם מודדים את איכות המודל, תקורת התוכנה, אורך ההקשר, עלות האנרגיה או טוקנים לשנייה. הם כן מדגימים שהטענה “כרטיסי מסך מתקדמים הפכו יקרים פי שניים או שלושה” אינה מייצגת את רצף מחיר ה-MSRP המאומת של NVIDIA Founders Edition. הצגת כרטיסי המסך GeForce RTX 30 Series – NVIDIA – ספטמבר 2020 NVIDIA מספקת קפיצת מדרגה בביצועים, מציגה עידן חדש של רינדור עצבי עם GeForce RTX 40 Series – NVIDIA – ספטמבר 2022 NVIDIA Blackwell GeForce RTX 50 Series פותחת עולם חדש של גרפיקה ממוחשבת של בינה מלאכותית – NVIDIA – ינואר 2025

תוצאה זו חלה רק על מחיר מומלץ לצרכן (MSRP) להשקה ועל מכנים טכניים נבחרים. היא אינה מתארת ​​מחירי רחוב בפועל, זמינות במהלך חלונות ההשקה, פרמיות של שותפים בדירקטוריון, מיסים, עלויות יבוא או עסקאות יד שנייה. על פי פרוטוקול הראיות המסדיר דוח זה, מחיר מבוקש אינו יכול להיות מיוצג כעסקה, רישום יחיד אינו יכול לקבוע חציון, ופרסומת בשוק אינה יכולה להוכיח שמוצר נמכר. אף יצרן רשמי, סוכנות סטטיסטיקה ממשלתית או הגשת תאגידים מבוקרים אינם מפרסמים סדרה בינלאומית מלאה של מחירי GPU משומשים ברמת העסקה לשנים 2020–2026. כתוצאה מכך, חציוני שוק המשומשים המבוקשים עבור ארצות הברית, האיחוד האירופי, בריטניה, סין, יפן, הודו, ברזיל ושווקים בעלי הכנסה נמוכה מסומנים כ- ND – לא נחשפים או לא ניתנים לאימות במסגרת היררכיית המקורות המותרת . זו אינה פרט חסר שניתן למלא באחריות באמצעות הערכות: זוהי מגבלת נתונים מהותית. הטענה שחומרת בינה מלאכותית משומשת רגילה נמכרת באופן שיטתי במחיר כפול או שלושה ממחיר מומלץ לצרכן המקורי נותרת בלתי מוכחת עד להשגת, ניקוי וביקורת של מיקרו-נתונים של עסקאות שהושלמו.

---

2.2 מושגי מחיר וארכיטקטורת מדידה

יש לפרק את ניפוח החומרה לשבעה מרכיבים לפחות:

1. אינפלציה מוניטרית כללית;
2. שינוי באיכות הטכנית;
3. שינוי במיקום המוצר בטווח היצרן;
4. שינויים במסים, מכסים ושערי חליפין;
5. מחסור זמני;
6. שולי רווח של מפיץ או משווק;
7. פרמיות מכירה חוזרת ספקולטיביות או חריגות.

ניתן לייצג את המחיר המקומי הנצפה כך:

P _{שנצפה,i,r,t} = P _base,i,t × FX _r,t × (1 + מס _r,t ) × (1 + תעריף _r,t ) × (1 + התפלגות _i,r,t ) × (1 + מחסור _i,r,t ) × (1 + ספקולציה _i,r,t )

אֵיפֹה:

• P _{observed,i,r,t} הוא המחיר הנצפה של מוצר i באזור r ובתקופה t;
• P _base,i,t הוא מחיר הייחוס של היצרן;
• FX _r,t הוא גורם ההמרה הרלוונטי לשער חליפין;
• מס _r,t כולל מע”מ, מס מכירה וחיובים חובה אחרים;
• מכס _r,t כולל מכסים והיטלי יבוא;
• חלוקה _i,r,t היא הרווח הסיטונאי והקמעונאי;
• מחסור _i,r,t מודד את הפרמיה הקשורה לחוסר איזון בין היצע לביקוש;
• ספקולציה _i,r,t היא הפרמיה השיורית שאינה מוסברת על ידי חלוקה רגילה ומחסור.

ניסוח כפלי זה מונע סיווג שגוי של מיסים ושינויי מטבע כאינפלציה של יצרנים. הוא גם נמנע מלהתייחס למחיר המומלץ לצרכן בארה”ב לפני מס מכירה כאל מחיר בר השגה ישירה למחיר לצרכן באיחוד האירופי הכולל בדרך כלל מע”מ. מחיר של 2,000 אירו באיחוד האירופי כולל מע”מ של 22% אינו שווה ערך כלכלית למחיר של 2,000 דולר בארה”ב לא כולל מס מכירה. השוואות גיאוגרפיות חייבות להסיר מיסים הניתנים להחזר עבור רוכשים ארגוניים, לשמור מיסים לצורך ניתוח יכולת הרכישה של משקי בית ולהשתמש הן בשערי חליפין של שוק והן בהמרות שווי כוח קנייה במידת הצורך.

טבלה 2.1 – שדות מחיר חובה ומעמד ראייתי

שָׂדֶה	הַגדָרָה	ראיות קבילות	מצב נוכחי
תאריך השקה	זמינות מסחרית רשמית ראשונה	הודעת היצרן	ניתן לאימות
השקת מחיר מומלץ לצרכן או מחיר תחרותי (SEP)	מחיר ההשקה המומלץ של היצרן	הודעה רשמית של היצרן	ניתן לאימות עבור מוצרי צריכה רבים
מחיר רשמי נוכחי	המחיר הישיר המוצג כעת על ידי היצרן	חנות היצרן החיה או דף המוצר הרשמי	ניתן לאימות רק בזמן פרסום
מחיר רחוב	מחיר עסקה בפועל אצל קמעונאי מורשה	עסקאות קמעונאיות מבוקרות או נתוני סורק סטטיסטיים רשמיים	בדרך כלל לא זמין
מחיר מבוקש משומש	הסכום המבוקש על ידי המוכר	רישום בשוק	ניתן לצפייה אך לא עסקה שהושלמה
מחיר העסקה המשומש	סכום ששולם במכירה שהושלמה	מיקרו-נתונים של מכירה שהושלמה	לא זמין במסגרת מגבלות המקור הנוכחיות
חציון שוק משומש	חציון של עסקאות שהושלמו ונוקו	מערך נתונים של עסקאות מייצג	ND
מחיר מותאם לאינפלציה	מחיר מומר למטבע תקופה קבועה	מדד המחירים לצרכן הלאומי הרשמי או HICP	ניתן לחישוב
מחיר מותאם לאיכות	מחיר חלקי מדד יכולת יציב	נתוני מחיר ומפרט מאומתים	ניתן לחישוב חלקית
מחיר מותאם לעומס עבודה	עלות לעומס עבודה קבוע מוצלח	מדד ביצועים ניתן לשחזור ומחיר כולל (TCO) מלא	דורש בדיקה לפי פרק 4
סטטוס האחריות	כיסוי היצרן הניתן להעברה שנותר	ראיות ברמת סידורי או חשבונית	לא ניתן להסיק מסקנות לגבי רישומים משומשים מצטברים
פרמיה אזורית	מחיר מקומי נטו ממס יחסית למחיר בסיס משותף	מחירים אזוריים רשמיים, נתוני מטבע חוץ ומיסים	דורש התאמת תצורה

---

2.3 היסטוריית מחירים מאומתת של כרטיסי מסך לצרכן, 2020–2026

2.3.1 רצף הדגל של NVIDIA

הטבלה הבאה משתמשת רק במחירי השקה ובמפרטים טכניים שפורסמו על ידי היצרן. ההמרה לדולרים של יולי 2026 משתמשת במדד המחירים לצרכן של ארה”ב (CPI-U) הכולל את כל הפריטים. ערכי מדד המחירים לצרכן של ספטמבר 2020, אוקטובר 2022 וינואר 2025 תואמים את חודשי ההשקה המתאימים, בעוד שיולי 2026 הוא חודש ההערכה הנפוץ. הלשכה לסטטיסטיקה של העבודה מדווחת על רמת מדד המחירים לצרכן של יולי 2026 של 333.918 , בהתבסס על 1982–1984 = 100. סיכום מדד המחירים לצרכן, יולי 2026 – הלשכה לסטטיסטיקה של העבודה של ארה”ב – אוגוסט 2026. נוסחת התאמת האינפלציה היא:

P _2026,i = P _השקה,i × מדד המחירים לצרכן _{יולי 2026} ÷ _{חודש השקה של מדד המחירים לצרכן,i}

טבלה 2.2 – היסטוריית השקות מאומתת של מוצרי הדגל של NVIDIA

מוּצָר	השקה רשמית	מחיר מומלץ להשקה בארה”ב	זֵכֶר	רוחב פס רשמי/נגזר	כוח הלוח	מחיר מומלץ לצרכן בדולר יולי 2026	מחיר אמיתי לג’יגה-בייט	מחיר אמיתי לג’יגה-בייט לשנייה
GeForce RTX 3090	24 ספטמבר 2020	1,499 דולר	24 ג’יגה-בייט GDDR6X	≈936 ג’יגה-בייט לשנייה	350 וואט	≈1,923 דולר	≈80.13 דולר	≈2.05 דולר
GeForce RTX 4090	12 באוקטובר 2022	1,599 דולר	24 ג’יגה-בייט GDDR6X	1.008 ג’יגה-בייט לשנייה	450 וואט	≈1,792 דולר	≈74.67 דולר	≈1.78 דולר
GeForce RTX 5090	30 ינואר 2025	1,999 דולר	32 ג’יגה-בייט GDDR7	1.792 ג’יגה-בייט לשנייה	575 וואט	≈2,102 דולר	≈65.69 דולר	≈1.17 דולר

פרשנות: מחיר ההשקה הנומינלי עלה ב-33.4% מ-RTX 3090 ל-RTX 5090. בדולרים ממוצעים של יולי 2026, העלייה המשוערת היא כ-9%. המחיר האמיתי לג’יגה-בייט מותקן ירד מכ-80 דולר ל-66 דולר, והמחיר האמיתי לג’יגה-בייט/שנייה של רוחב פס זיכרון ירד מכ-2.05 דולר ל-1.17 דולר. עם זאת, מעטפת ההספק המוחלטת גדלה באופן משמעותי, מה שאומר שלא ניתן להתייחס ביעילות מחיר הרכישה כשווה ערך ליעילות בעלות התפעול. ה-RTX 5090 מספק יותר זיכרון ורוחב פס אך דורש ספק כוח תובעני יותר, יוצר צפיפות חום גדולה יותר ועשוי להעלות את עלות המערכת הכוללת. הקיבולת שלו של 32 ג’יגה-בייט נותרה גם היא נמוכה בהרבה מהזיכרון הנדרש עבור דגמים רבים בעלי פרמטרים גבוהים בדיוק גבוה יותר או עם מטמוני KV גדולים.

NVIDIA מציינת רשמית את ה-RTX 5090 עם 32 ג’יגה-בייט GDDR7 ורוחב פס זיכרון של 1,792 ג’יגה-בייט/שנייה . ה-RTX 4090 נושא 24 ג’יגה-בייט GDDR6X , רוחב פס של 1,008 ג’יגה-בייט/שנייה והספק גרפי כולל של 450 וואט . מפרט GeForce RTX 5090 – NVIDIA – ינואר 2025 מפרט GeForce RTX 4090 – NVIDIA – ספטמבר 2022 הכרזת השקת ה-RTX 3090 רושמת 24 ג’יגה-בייט GDDR6X ומחיר התחלתי של 1,499 דולר . הצגת כרטיסי המסך GeForce RTX 30 Series – NVIDIA – ספטמבר 2020

טבלה 2.3 – שינוי בין דורות הדגל של NVIDIA

מֶטרִי	RTX 3090 → RTX 4090	RTX 4090 → RTX 5090	RTX 3090 → RTX 5090
מחיר מומלץ לצרכן (MSRP) נומינלי להשקה	+6.7%	+25.0%	33.4%+
זיכרון מותקן	0.0%	33.3%+	33.3%+
רוחב פס של זיכרון	≈+7.7%	+77.8%	≈+91.5%
כוח הלוח	+28.6%	+27.8%	+64.3%
מחיר השקה אמיתי ביולי 2026 דולר	≈−6.8%	≈+17.3%	≈+9.3%
מחיר אמיתי לג’יגה-בייט	≈−6.8%	≈−12.0%	≈−18.0%
מחיר אמיתי לג’יגה-בייט לשנייה	≈−13.2%	≈−34.3%	≈−43.0%

לכן, רצף ה-RTX תומך במסקנה מפורטת ולא חד משמעית. עלות הכניסה לקטגוריית הדגל הנוכחית עלתה בחדות בדולרים נומינליים, אך הסבירות המותאמת למפרט השתפרה במדדים של קיבולת זיכרון ורוחב פס. במקביל, ההוצאה המינימלית המוחלטת עלתה: קונה עדיין זקוק לכ-2,000 דולר לפני מס עבור כרטיס המסך הדגל הייחוסי בלבד, לא כולל המחשב, זיכרון מערכת בעל קיבולת גבוהה, אחסון, קירור וספק כוח. דפלציה מותאמת איכות יכולה להתקיים במקביל להחמרת אי השוויון בגישה מכיוון שמחיר נמוך יותר ליחידת יכולת אינו עוזר למשק בית שאינו יכול לממן את הרכישה המינימלית הגדולה יותר.

---

2.4 מעבדי GPU לצרכן של AMD

AMD מספקת גורם תחרותי חיוני מכיוון ששינויים בסדרת הדגל של NVIDIA אינם יכולים לקבוע אינפלציה כלל-שוקית. ה- Radeon RX 7900 XTX הוכרז עם מחיר מומלץ למכירה ברשת של 999 דולר וזיכרון GDDR6 של 24 ג’יגה- בייט , בעוד שה- RX 9070 XT הושק עם מחיר מומלץ למכירה ברשת של 599 דולר וזיכרון GDDR6 של 16 ג’יגה -בייט . AMD מפרטת את ה-RX 7900 XTX בהספק כולל של 355 וואט ואת ה-RX 9070 XT בהספק של 304 וואט . ל-RX 9070 XT רוחב פס זיכרון רשמי של עד 640 ג’יגה-בייט/שנייה . AMD חושפת את כרטיסי המסך המתקדמים ביותר בעולם לגיימינג, הבנויים על ארכיטקטורת AMD RDNA 3 פורצת דרך – AMD – נובמבר 2022. AMD חושפת את ארכיטקטורת RDNA 4 מהדור הבא עם השקת כרטיסי המסך מסדרת AMD Radeon RX 9000 – יחסי משקיעים של AMD – פברואר 2025. מפרט Radeon RX 9070 XT – AMD – 2025.

טבלה 2.4 – מוצרי ייחוס מאומתים של AMD

מוּצָר	זמינות ההשקה	ספטמבר אמריקאי	זֵכֶר	רוחב פס	כוח הלוח	מחיר נומינלי לג’יגה-בייט	מחיר נומינלי לג’יגה-בייט לשנייה
Radeon RX 7900 XTX	13 דצמבר 2022	999 דולר	24 ג’יגה-בייט GDDR6	960 ג’יגה-בייט לשנייה	355 וואט	41.63 דולר	1.04 דולר
Radeon RX 7900 XT	13 דצמבר 2022	899 דולר	20 ג’יגה-בייט GDDR6	800 ג’יגה-בייט לשנייה	315 וואט	44.95 דולר	1.12 דולר
Radeon RX 9070 XT	6 במרץ 2025	599 דולר	זיכרון GDDR6 בנפח 16 ג’יגה-בייט	640 ג’יגה-בייט לשנייה	304 וואט	37.44 דולר	0.94 דולר
Radeon RX 9070	6 במרץ 2025	549 דולר	זיכרון GDDR6 בנפח 16 ג’יגה-בייט	640 ג’יגה-בייט לשנייה	220 וואט	34.31 דולר	0.86 דולר

אין לפרש יחסי מפרט אלה כביצועי LLM שווי ערך. NVIDIA ו-AMD נבדלות זו מזו בבשלות התוכנה, סוגי הנתונים הנתמכים, אופטימיזציית הליבה, שילוב המסגרות ותאימות היישומים. מחיר נמוך באופן נומינלי לג’יגה-בייט אינו חיסכון כלכלי אם היישום הנדרש אינו יכול להשתמש בחומרה ביעילות. לעומת זאת, אי הכללת חומרה שאינה של NVIDIA, מכיוון שמערכת האקולוגית הדומיננטית של התוכנה מעדיפה את NVIDIA, תטשטש את המידה שבה נעילת המערכת האקולוגית, ולא עלות המוליך למחצה פיזית, קובעת את המחיר האפקטיבי. לכן, פרק 4 ימדוד הן את היכולת הפיזית הנייטרלית לחומרה והן את היכולת הממומשת ספציפית לעומס עבודה.

---

2.5 כרטיסי מסך מקצועיים לתחנות עבודה

כרטיסי מסך מקצועיים נבדלים ממוצרי צריכה באמצעות דרייברים מוסמכים, קיבולת זיכרון, הגנה מפני שגיאות, תמיכה בווירטואליזציה, שירות ארגוני, אחריות והסמכת יישומים. לא ניתן להשוות את מחיריהם ישירות לכרטיסי משחק GeForce או Radeon. כרטיס מסך מקצועי עשוי לספק חישוב נומינלי נמוך יותר לדולר, אך עדיף מבחינה כלכלית כאשר זמן השבתה, הסמכה או שלמות זיכרון כרוכים בעלות צפויה גבוהה. הנוסחה הרלוונטית היא:

EAC _i = מחיר רכישה _i + זמן השבתה צפוי, הפסד _i + עלות סיכון כשל _i + עלות אי-תאימות תוכנה _i − ערך אחריות _i

כאשר EAC הוא העלות המתואמת הצפויה. כרטיס מסך לצרכן יכול להיראות זול משמעותית עד שיתכללו עלות הפריסה הלא נתמכת, הפרעה עסקית או זיכרון מוגבל.

טבלה 2.5 – דרישות נתוני GPU מקצועיות

מִשְׁתַנֶה	כרטיס צרכן	כרטיס מקצועי	התאמה נדרשת
קיבולת זיכרון	בדרך כלל נמוך יותר	לעתים קרובות גבוה יותר באופן משמעותי	מחיר לכל ג’יגה-בייט שמיש
ECC או הגנה מפני שגיאות	מוגבל או תלוי במוצר	נתמך יותר בדרך כלל	התאמת עלות שגיאה צפויה
הסמכת נהג	יישומי צרכנים	הסמכת יישומים מקצועית	ערך תאימות זרימת עבודה
וירטואליזציה	מוגבל או מוגבל	מוכוון ארגוני	ערך ניצול מרובה משתמשים
אַחֲרָיוּת	תנאי צרכן	תנאי תמיכה מקצועית	ערך השירות הצפוי
אופק זמינות	דור קמעונאי קצר יותר	לעיתים קרובות מחזור חיים ארוך יותר של הארגון	החלפה וסטנדרטיזציה של צי
גילוי מחיר	בדרך כלל מחיר מומלץ לציבור	לעתים קרובות מבוסס על משווק או הצעת מחיר	פערי מחירים רשמיים חייבים להישאר ND
התאמה לתואר שני במשפטים	חזק אם נתמך על ידי תוכנה	חזק יותר עבור עומסי עבודה עתירי זיכרון	אסימונים לשנייה ובדיקת מקביליות

לא ניתן ליצור היסטוריית מחירים מקצועית מלאה של GPU מדיווחים מבוקרים של תאגידים, משום שיצרנים אינם מפרסמים באופן עקבי מחירי עסקאות ספציפיים לתצורה. אין להמיר מחירים המבוססים על הצעות מחיר בלבד למחירי צרכנים מוכנים מראש (MSRP) מומצאים. לכן, פרק 2 מתייחס למדידת מחירים מקצועית כמשימת איסוף נתונים מבוקרת במקום למלא את הטבלה בערכי קמעונאים לא מאומתים.

---

2.6 מאיצי מרכזי נתונים ושרתי בינה מלאכותית

מאיצי מרכזי נתונים מהווים את בעיית שקיפות התמחור הגדולה ביותר. דיון ציבורי מקצים לעתים קרובות מחירי יחידה למוצרים כמו מאיצי NVIDIA H100, H200, B200 או AMD Instinct, אך מחירי העסקאות של היצרן תלויים בנפח, תצורת המערכת, רשתות, תמיכה, תנאי אספקה ​​והסכמי לקוחות. מחירו של מאיץ בודד אינו שלם מבחינה כלכלית מכיוון שמערכות הדרכה והסקה גדולות נמכרות כפלטפורמות משולבות המכילות מעבדים, HBM, רשתות, מתגים, קירור, אחסון, מתלים ותוכנה. על פי כללי המקור של הדוח, לא ניתן להציג הערכות לא רשמיות כמחירים מאומתים.

טבלה 2.6 – שקיפות מחירים של מאיץ מרכזי נתונים

קטגוריית מוצר	מפרט טכני רשמי	מחיר מומלץ לצרכן (מחיר מומלץ לצרכן)	מחיר עסקה ממוצע מבוקר שניתן לצפות בו	טיפול אנליטי
מאיץ בינה מלאכותית אישי	בדרך כלל זמין	בדרך כלל ND	ND	מפרטים בלבד
שרת מרובה GPU	תצורה זמינה	לפעמים מבוסס על ציטוטים	ND	נדרשת הצעת מחיר למערכת מלאה
מתלה משולב	ארכיטקטורה זמינה	בדרך כלל ND	ND	מחיר לקיבולת מסופקת
מופע מאיץ ענן	תעריף ציבורי זמין לעתים קרובות	מחיר השירות, לא מחיר החומרה	ניתן לצפייה חלקית	עלות לשעת מאיץ
קיבולת ענן שמורה	ספציפי לחוזה	לעיתים רחוקות ציבורי לחלוטין	ND	ניתוח תרחיש או חוזה שנחשף
אשכול בינה מלאכותית ריבוני	ספציפי לרכש	לפעמים ציבורי באמצעות מכרז	ניתן לצפייה באופן פוטנציאלי	השוואה בין מכרזים

עבור חומרה של מרכזי נתונים, יחידת המחיר המועדפת אינה דולר למאיץ. זוהי העלות המפולסת לעומס עבודה מוצלח:

LCW _w = [CAPEX × CRF + OPEX _שנתי ] ÷ עומסי עבודה מוצלחים _שנתי,w

גורם החזר ההון הוא:

CRF = r(1 + r) ⁿ ÷ [(1 + r) ⁿ − 1]

כאשר r הוא שיעור ההיוון השנתי ו-n הוא אורך החיים הכלכלי בשנים. ההוצאות ההון (CAPEX) כוללות מערכות מאיץ, רשתות, שינויים והתקנה במתקנים. ההוצאות התפעוליות כוללות חשמל, קירור, תחזוקה, תוכנה, עבודה מיוחדת, ביטוח וזמן השבתה. מחיר רכישה נמוך יותר של מאיץ עשוי לא להפחית את עלות הצריכה הקלה (LCW) אם הניצול, תמיכת התוכנה או ביצועי הרשת נמוכים.

הדו”ח השנתי של NVIDIA לשנת הכספים 2026 מזהה את החברה כספקית תשתית מחשוב מלאה וקובע כי היא תלויה בבתי יציקה ובספקים אחרים לייצור. הדו”ח אינו מספק מחיר יחידה סטנדרטי עבור כרטיסי מסך למרכזי נתונים. דו”ח שנתי של NVIDIA בטופס 10-K לשנת הכספים שהסתיימה ב-25 בינואר 2026 – NVIDIA ורשות ניירות ערך האמריקאית – פברואר 2026 היעדרות זו רלוונטית כשלעצמה מבחינה כלכלית: קונים ארגוניים פועלים בשוק משא ומתן בעוד משקי בית רוכשים מוצרים קמעונאיים שקופים.

---

2.7 ניפוח זיכרון: HBM, DRAM ו-NAND

יש לחלק את הזיכרון לשלושה שווקים. DRAM קונבנציונלי מספק זיכרון מערכת; NAND מספק אחסון מתמשך; HBM מספק את רוחב הפס הקיצוני הנדרש על ידי מאיצים בעלי ביצועים גבוהים. מחיריהם אינם משתנים באופן זהה מכיוון שמורכבות הייצור, הביקוש, הכישורים והשווקים הסופיים שלהם שונים. HBM צורך יותר קיבולת פרוסות פרוסות לכל ביט מסופק מאשר DRAM קונבנציונלי ודורש אינטגרציה מתקדמת של אריזה. לכן, מעבר בקיבולת היצרן לכיוון HBM יכול להדק את היצע הזיכרון הקונבנציונלי גם כאשר ההשקעה הכוללת בזיכרון עולה.

מבנה המדידה המינימלי הוא:

MPI _m,t = Σw _j,0 × P _j,t ÷ P _j,0 × 100

כאשר MPI הוא מדד מחיר הזיכרון עבור מחלקת זיכרון m, P הוא מחיר החוזה או העסקה המאומת ו-w הוא משקל הכמות בתקופת הבסיס. מדד משורשר עדיף כאשר דורות מוצרים משתנים במהירות. ממוצע לא משוקלל של מחירי מודולים שפורסמו יהיה לא תקף מכיוון שהוא ייצג יתר על המידה מוצרים עם רישומים רבים ויתעלם מנפחי עסקאות.

טבלה 2.7 – מסגרת מדידה של שוק הזיכרון

מקטע זיכרון	תפקידים עיקריים של בינה מלאכותית	יחידה מתאימה	בקרות איכות נדרשות	מדד מחסור ראשוני
HBM2e/HBM3/HBM3E/HBM4	רוחב פס וקיבולת של המאיץ	מחיר לערימה, ג’יגה-בייט וג’יגה-בייט/שנייה	יצירה, גובה מחסנית, רוחב פס ואישור	קיבולת חוזית וזמן אספקה
זיכרון DRAM של השרת	אירוח מודל בצד המעבד, עיבוד מקדים ומסדי נתונים	מחיר לג’יגה-בייט	יצירת DDR, מהירות, ECC וסוג מודול	מחיר חוזה ומלאי
זיכרון DRAM לצרכן	זיכרון מערכת תחנת עבודה מקומית	מחיר לג’יגה-בייט	יצירת DDR, מהירות והשהיה	מחיר עסקה קמעונאית
NAND ארגוני	אחסון מודלים, מערכי נתונים ונקודתי בקרה	מחיר ליחידת טרה-בייט ויחידת סיבולת	ממשק, סיבולת, השהייה ואחריות	מחיר החוזה וניצול
NAND לצרכן	אחסון מודלים מקומי	מחיר לטרה-בייט	ממשק, סיבולת וביצועים	מחיר עסקה קמעונאית

מיקרון חזתה בדצמבר 2025 כי סך שוק ה-HBM הניתן לטיפול עשוי לגדול מכ -35 מיליארד דולר בשנת 2025 לכ-100 מיליארד דולר בשנת 2028 , מה שמרמז על קצב צמיחה שנתי מצטבר של כ-40%. זוהי תחזית חברה, לא תוצאת שוק נצפית. תוצאות כספיות של מיקרון לרבעון הראשון של 2026 – מיקרון טכנולוגיה – דצמבר 2025 סמסונג הודיעה על תוכניות להשקיע יותר מ -110 טריליון וון קוריאני במתקנים ובמחקר ופיתוח במהלך 2026, כולל HBM, פעילות יציקה ואריזות מתקדמות. תוכנית שיפור ערך בעלי המניות של סמסונג אלקטרוניקה – סמסונג אלקטרוניקה – מרץ 2026 גילויים אלה תומכים בביקוש ובהשקעות מהירות אך אינם מספקים היסטוריה ציבורית וניתנת לביקורת של מחירי HBM לג’יגה-בייט. לפיכך, הפרק אינו ממציא סדרת מחירים של HBM.

טבלה 2.8 – מה ניתן לאמת עבור זיכרון

משתנה מבוקש	HBM	לְגִימָה	NAND
יצירת מוצר רשמי	כֵּן	כֵּן	כֵּן
פרשנות על קיבולת היצרן	כֵּן	כֵּן	כֵּן
הכנסות מגזר מבוקר	לְעִתִים קְרוֹבוֹת	לְעִתִים קְרוֹבוֹת	לְעִתִים קְרוֹבוֹת
מחיר יחידה משוקלל לעסקה ציבורית	בדרך כלל לא	בדרך כלל לא	בדרך כלל לא
מחיר חציון ברחוב בינלאומי ציבורי	לֹא	לֹא	לֹא
חציון שוק משומש שהושלם	לא משמעותי עבור צ’יפס; לא	לֹא	לֹא
מדד ציבורי מותאם לאיכות	דורש מערך נתונים חיצוני של עסקאות	דורש מערך נתונים	דורש מערך נתונים
תחזית לחמש שנים	מבוסס על תרחישים בלבד	מבוסס על תרחישים בלבד	מבוסס על תרחישים בלבד

---

מעבדים, מעבדי NPU של 2.8 ובעיית תפוקת הבינה המלאכותית שאין דומה לה

הופעתם של יחידות NPU משולבות משנה את ההגדרה של מחשב בעל יכולת בינה מלאכותית. מחשב נייד עשוי לבצע משימות הסקה מקומיות מסוימות ללא כרטיס מסך נפרד, אך לא ניתן להשוות ישירות את TOPS ה-NPU עם TFLOPS של כרטיסי מסך או TOPS של מאיץ AI. הערך המספרי תלוי בדיוק, בדלילות, באופרטורים הנתמכים, בארכיטקטורת הזיכרון ובעומס העבודה. NPU של 50 TOPS אינו בהכרח מספק חמישים מהביצועים השימושיים של מאיץ של 2,500 TOPS, מכיוון שהמכשיר הגדול יותר עשוי להשתמש בדיוק שונה, להניח דלילות מובנית או לבצע עומסי עבודה שאינם נתמכים על ידי ה-NPU.

מחיר המעבד/מעבד ה-NPU הכללי המותאם לאיכות הוא:

P _CPU-NPU,i,t ^QA = P _system,i,t ÷ G(Q _CPU , Q _NPU , M, B, E, W)

כאשר G הוא צובר יכולות ספציפי לעומס עבודה, M הוא זיכרון נגיש, B הוא רוחב פס, E הוא יעילות אנרגיה ו-W הוא תאימות תוכנה. ממוצע גיאומטרי יכול למנוע רכיב אחד גבוה מאוד לשלוט:

G _i = ∏Q _k,i ^wₖ

כאשר Σw _k = 1.

טבלה 2.9 – בקרות השוואה בין CPU/NPU

לִשְׁלוֹט	לְנַמֵק
דִיוּק	ערכי INT4, INT8, FP8, FP16 ו-FP32 אינם ניתנים להחלפה
דְלִילוּת	חלק מהתפוקה המפורסמת מניחה דלילות מובנית
כוח מתמשך	ייתכן שלא יישמרו תפוקות שיא במחשבים ניידים דקים
זיכרון נגיש	זיכרון משותף עשוי להיות גדול אך מוגבל ברוחב פס
תמיכת מפעיל	אופרטורים שאינם נתמכים עשויים לחזור למעבד או לכרטיס מסך
בגרות המסגרת	חומרה תיאורטית עשויה להיעדר נתיבי תוכנה מעשיים
גודל אצווה	תפוקה והשהייה מגיבים בצורה שונה
סוג הדגם	עומסי עבודה של ראייה, שמע ושפה משתמשים בחומרה בצורה שונה
מצב תרמי	ייתכן הבדל בין ביצועי הסוללה לחשמל
מחיר המערכת	לא ניתן לבודד באופן מהימן את עלות ה-NPU המשולבת מהמכשיר.

---

2.9 מחשבי אפל: מחיר, זיכרון ותצורה משתנים

מערכות אפל דורשות ניתוח ברמת התצורה ולא ברמת המותג. הצהרות לפיהן “אפל העלתה את כל המחירים” אינן מקובלות מדעית אלא אם כן מושווים תצורות זהות או הדוניות לפי גיאוגרפיה ותאריך. אפל העלתה לעיתים מחירים, שמרה על מחירים התחלתיים יציבים, הפחיתה אותם או הגדילה את הזיכרון הכלול. לדוגמה, ה-M2 Mac mini משנת 2023 החל ב -599 דולר , בעוד שה-M4 iMac משנת 2024 החל ב -1,299 דולר עם זיכרון מאוחד של 16 ג’יגה-בייט . מוצרים אלה אינם תחליפים אורכיים, אך הם מדגימים מדוע טענות מחירים כלל-חברתיות דורשות מערכי נתונים של משפחת המוצרים. אפל מציגה את ה-Mac mini החדש עם M2 ו-M2 Pro – אפל – ינואר 2023 אפל מציגה את ה-iMac החדש מוגבר על ידי M4 ו-Apple Intelligence – אפל – אוקטובר 2024

מחירו של ה-MacBook Pro בגודל 14 אינץ’ משנת 2023 עם M2 Pro החל מ -1,999 דולר , בעוד שגרסת ה-16 אינץ’ החלה מ -2,499 דולר . ה-M2 Max תמך בזיכרון מאוחד של עד 96 ג’יגה- בייט עם רוחב פס של 400 ג’יגה-בייט/שנייה . אפל חושפת את ה-MacBook Pro הכולל את ה-M2 Pro וה-M2 Max – אפל – ינואר 2023. ניתן היה להגדיר את ה-Mac Studio משנת 2025 עם ה-M4 Max עם זיכרון מאוחד של 128 ג’יגה-בייט , בעוד שגרסת ה-M3 Ultra סיפקה ארכיטקטורת זיכרון גבוהה יותר שונה. מפרט טכני של Mac Studio 2025 – אפל – מרץ 2025

טבלה 2.10 – סכמת נתונים של תחנת עבודה של Apple AI

שָׂדֶה	פרטי תצורה נדרשים
משפחת מוצרים	מק מיני, מק סטודיו, מקבוק פרו, איימק
שְׁבָב	דור ורמה מדויקים
ליבות מעבד/כרטיס זיכרון (GPU)	תצורה מדויקת שנבחרה
זיכרון מאוחד	קיבולת מותקנת
רוחב פס של זיכרון	רוחב פס ספציפי לשבב
אִחסוּן	קיבולת SSD מותקנת
מחיר השקה	מחיר לתצורה זהה
מחיר נוכחי	אותה גיאוגרפיה, טיפול מס ותצורה
עומס עבודה של בינה מלאכותית	מנוע מודל, כימות, הקשר ומסקנות
אסימונים לשנייה	תוצאה חציונית מתמשכת לאחר חימום
אֵנֶרְגִיָה	מדידת הספק בקיר
אַחֲרָיוּת	כיסוי סטנדרטי ומורחב
שדרוג	אילוצי החלפת זיכרון ואחסון
ערך שיורי	עסקת מכירה חוזרת מאומתת שהושלמה בלבד

היתרון הכלכלי של מערכות אפל בעלות זיכרון גבוה הוא שזיכרון מאוחד יכול לאפשר דגמים גדולים מדי עבור כרטיס מסך צרכני של 24 ג’יגה-בייט או 32 ג’יגה-בייט. המגבלה היא שהקיבולת אינה קובעת מהירות, תאימות למערכות או יכולת ניהול ארגונית. לכן, המחיר לג’יגה-בייט מעדיף מערכות מאוחדות בעלות זיכרון גבוה רק כאשר עומס העבודה יכול לנצל את הארכיטקטורה בקצב מקובל.

---

2.10 מכשירי סמסונג ומתחרים רלוונטיים

סמסונג משתרעת על פני ייצור זיכרונות, מכשירים ניידים, מחשבים ניידים וייצור מוליכים למחצה, מה שהופך אותה לנבדלת כלכלית מספקית מכשירים טהורה. עם זאת, החברה אינה מפרסמת סדרת מחירים אחת הניתנת להשוואה גלובלית למחשבי בינה מלאכותית בדוחות כספיים מבוקרים. שמות הדגמים, המעבדים, תצורות הזיכרון, מועדי ההשקה, חבילות הקידום והמיסים משתנים ממדינה למדינה. לכן, השוואה תקפה של סמסונג חייבת להשתמש במחירי השקה רשמיים מדויקים ברמת SKU ולא לכלול זיכויים זמניים לטרייד-אין אלא אם כן ערך הטרייד-אין מעוצב בנפרד.

טבלה 2.11 – מדגם נדרש של סמסונג ומתחרים

קָטֵגוֹרִיָה	משפחת מוצרי סמסונג	מתחרים נדרשים	יחידת השוואה
מחשב נייד איכותי עם בינה מלאכותית	גלקסי בוק אולטרה/פרו	אפל מקבוק פרו, דל פיצ’ר/XPS, לנובו ThinkPad/Legion, HP ZBook	עלות לעומס עבודה מקומי מוצלח
מכשיר נייד לבינה מלאכותית	גלקסי S אולטרה מחלקה	אפל אייפון פרו, גוגל פיקסל פרו	יכולת בינה מלאכותית במכשיר לפי מחיר אמיתי
זֵכֶר	זיכרון DRAM/NAND/HBM של סמסונג	מיקרון, סק הייניקס	מדד מחירי חוזה לפי יצירת זיכרון
אחסון ארגוני	SSD ארגוני של סמסונג	מיקרון וספקים מוסמכים אחרים	עלות לכל טרה-בייט מותאמת לסיבולת
רכיב תחנת עבודה של בינה מלאכותית	מערכות המצוידות בזיכרון של סמסונג	תצורות זיכרון מתחרות	עלות לכל ג’יגה-בייט שמיש ורוחב פס

אף עליית מחיר של סמסונג לא נחשבת כקביעה אלא אם כן מתועדים תצורה וגיאוגרפיה זהים בשני מועדים. שינויים בתמהיל המוצרים – כגון זיכרון רב יותר, מעבדים שונים או תכונות בינה מלאכותית משולבות – חייבים להיות מוסרים באמצעות התאמה הדונית.

---

2.11 מחשבים ניידים ותחנות עבודה שולחניות בעלות ביצועים גבוהים

מחירי מחשבים ניידים מציגים בעיות מדידה נוספות מכיוון ששם ה-GPU אינו מציין באופן מלא את הביצועים. מגבלות ההספק של GPU נייד משתנות בהתאם ליצרן ולשלדה; GPU של מחשב נייד עם אותו ייעוד משפחתי כמו אחר עשוי לפעול במעטפת הספק שונה. קירור, זיכרון מערכת, מסך, סוללה, אחסון ואחריות משפיעים גם הם על המחיר. היחידה הנכונה היא SKU מלא, לא סוג GPU נומינלי.

טבלה 2.12 – בקרות חובה למחשב נייד

מִשְׁתַנֶה	דרישת מדידה
דגם GPU	ייעוד מדויק של GPU נייד
כוח ה-GPU	הספק מוגדר מתמשך, לא רק טווח מרבי מותר
זיכרון RAM	קיבולת וסוג
זיכרון RAM של המערכת	קיבולת, רוחב פס ויכולת שדרוג
CPU/NPU	דגם מדויק ופרופיל צריכת חשמל מופעל
הִתקָרְרוּת	ייחוס מתמשך לאחר שיווי משקל תרמי
מצב סוללה	נפרד מהתוצאה המחוברת
לְהַצִיג	רזולוציה וקצב רענון כבקרות מחירים
אִחסוּן	קיבולת וביצועים
מִשׁקָל	בקרת ניידות
אַחֲרָיוּת	ערך שירות צפוי סטנדרטי
מדד בינה מלאכותית	אותו מודל, דיוק, הקשר ומנוע הסקה
גֵאוֹגרַפיָה	מחיר כולל מע”מ ופנוי מע”מ
מבצעים	נרשם בנפרד מהמחיר הסטנדרטי

עבור תחנות עבודה שולחניות, יש להוסיף לעלות הכרטיס הגרפי את המארז, לוח האם, ספק הכוח, הקירור, הזיכרון, האחסון והתמיכה המקצועית. כרטיס גרפי של 1,999 דולר אינו יוצר מערכת בינה מלאכותית מקומית של 1,999 דולר. מחיר תחנת העבודה הוא:

תחנת _עבודה = _{כרטיס מסך} + _מעבד + זיכרון _RAM + _אחסון + _לוח אם + _{ספק כוח} + _קירור + _מארז + _מערכת הפעלה + _מכלול + _אחריות

---

2.12 מדדי מחיר מותאמים לאיכות

אין מכנה יחיד המגדיר את יכולת הבינה המלאכותית. לכן, פרק זה מאמץ שישה מדדים משלימים.

2.12.1 מחיר לכל ג’יגה-בייט של זיכרון מאיץ שמיש

P _i,t ^VRAM = P _i,t ÷ M _שמיש,i,t

זיכרון שמיש חייב לכלול תקורה תפעולית, שמירת תצוגה ופיצול שאינו שמיש. זיכרון מותקן קביל רק עבור טבלת החומרה הראשונית.

2.12.2 מחיר לכל ג’יגה-בייט/שנייה של רוחב פס זיכרון

P _i,t ^BW = P _i,t ÷ B _i,t

זה רלוונטי להסקה הקשורה לזיכרון אך אינו לוכד מחשוב, אחסון במטמון או תוכנה.

2.12.3 מחיר לכל TFLOP דומה

P _i,t ^FLOP = P _i,t ÷ F _i,t,p

הדיוק p חייב להיות זהה. לא ניתן לחלק את FP32 בערך תפוקה של FP16 או FP8.

2.12.4 מחיר לאסימון לשנייה

P _i,t,m,c ^TPS = P _system,i,t ÷ TPS _i,m,c

כאשר m הוא המודל ו-c הוא תצורת הייחוס המלאה.

2.12.5 מחיר ליחידת מדד

^ספסל P _i,t = P _i,t ÷ ניקוד _i,t

רק מדדי ביצועים הניתנים לשחזור באופן עצמאי עם הגדרות זהות עומדים בקריטריונים.

2.12.6 מחיר לעומס עבודה שהושלם בהצלחה

P _i,w ^הצלחה = סה”כ עלות ביצועים _i,w ÷ N _{הצלחה,i,w}

זהו המדד הכלכלי המועדף משום שהוא כולל אמינות, ניסיונות חוזרים, פיקוח ועלות כוללת.

טבלה 2.13 – חוזקות ומגבלות של מדדי איכות

מֶטרִי	חוזק עיקרי	חולשה עיקרית
מחיר לכל ג’יגה-בייט מותקן	פשוט ורלוונטי להתאמת המודל	מתעלם ממהירות וקיבולת שימושית
מחיר לכל ג’יגה-בייט שמיש	מדד טוב יותר של קיבולת המודל	דורש מדידה ברמת זמן ריצה
מחיר לג’יגה-בייט/שנייה	לוכד תנועות זיכרון	מתעלם ממחשוב ותוכנה
מחיר לכל TFLOP	לוכד תפוקה אריתמטית	דיוק ודלילות יכולים להטעות
מחיר לאסימון/ים	מדד הסקה ישיר	ספציפי לדגם ולהגדרות
מחיר לנקודת ייחוס	מאפשר השוואה מורכבת	עיצוב מדד יכול להטות תוצאות
מחיר למשימה מוצלחת	הקרוב ביותר לתועלת כלכלית	יקר למדידה וספציפיים לעומס העבודה

---

2.13 מודל מחיר הדוני

המפרט ההדוני העיקרי הוא:

ln(P _i,r,t ) = α + Σ _k=1 ^K β _k X _k,i,t + γ _t + δ _b + θ _r + λ _c + ε _i,r,t

אֵיפֹה:

• P _i,r,t הוא מחיר העסקה בניכוי מס;
• X _k,i,t מכיל מאפיינים טכניים;
• γ _t הוא האפקט הקבוע בזמן;
• δb הוא האפקט הקבוע של המותג _;
• θ _r הוא האפקט הקבוע באזור;
• λc _הוא סוג המצב: חדש, משופץ או משומש;
• ε _i,r,t הוא השארית.

וקטור התכונות יכלול:

• זיכרון מאיץ שמיש;
• רוחב פס של זיכרון;
• תפוקה דומה לפי דיוק;
• צריכת חשמל;
• גִיל;
• סוג מוצר;
• אַחֲרָיוּת;
• זיכרון RAM של המערכת;
• אִחסוּן;
• הִטַלטְלוּת;
• הסמכה מקצועית;
• מערכת אקולוגית של תוכנה;
• מַצָב;
• סוג המוכר;
• מס אזורי;
• שער חליפין;
• זמינות מאומתת.

אקספוננט דמה הזמן מייצר מדד מחירים מותאם לאיכות:

HPI _t = 100 × exp(γ _t − γ _base )

אם המודל מוערך בצורה לוגריתמית, פירוש האחוזים חייב להשתמש ב- exp(β) − 1 במקום להתייחס למקדמים גדולים כאחוזים מדויקים.

טבלה 2.14 – אבחון מודלים

אבחון	מִבְחָן	תגובה נדרשת
הטרוסקדסטיות	ברוש – פגאני או לבן	שגיאות תקן חזקות
מולטיקולינריות	VIF ומספר מצב	שילוב או הסרה של משתני חומרה מיותרים
קורלציה סדרתית	מבחן שיורי מקובץ בזמן	אשכול לפי משפחת מוצרים ותקופה
אנדוגניות של המותג	אפקטים קבועים ומוצרים תואמים	רגישות הדיווח
מבחר לדוגמה	זמינות ובקרות מוכרים	בחירת משקל או דגם
צורה פונקציונלית	איפוס והשוואת ספליינים	השתמש במונחים לא ליניאריים היכן שמוצדקים
חריגים	מינוף ומרחק קוק	אימות, ווינסוריזציה רק ​​תחת כלל גילוי
נתונים חסרים	מפת חסרות	זקיפה מרובה רק במקומות בהם ניתן להגן עליה
מחזור המוצר	אינדקס משורשר	הימנעו מהשוואה ישירה בין דורות שאינן תואמים זה לזה
סחף בנצ’מרק	חבילת עומסי עבודה קבועים	הקפאת המודל וההגדרות בתוך חלון הבדיקה

---

2.14 התאמת אינפלציה והשוואה גיאוגרפית

המחיר האמיתי במטבע של תקופת הייחוס הוא:

P _i,t→T ^אמיתי = P _i,t × מדד המחירים לצרכן _T ÷ מדד המחירים לצרכן _t

שינוי המחיר האמיתי הוא:

π _i,t→T ^ממשי = [P _i,T ^{נומינלי} ÷ P _i,t→T ^ממשי − 1] × 100

להשוואה חוצת גבולות:

P _i,r,t ^נפוץ = [P _{ברוטו,i,r,t} ÷ (1 + מע”מ _r,t )] ÷ מטבע _r,t

יכולת הרכישה של משק הבית שומרת על מע”מ:

HAI _i,r,t = P _{ברוטו,i,r,t} ÷ הכנסה חודשית פנויה חציונית _r,t

סבירות הניהול של הארגון מסירה מע”מ בר-החזר במידת הצורך:

EAI _i,r,t = P _net,i,r,t ÷ חציון ערך מוסף חודשי לארגון _r,t

טבלה 2.15 – פרוטוקול נרמול גיאוגרפי

שׁוּק	מקור האינפלציה הצרכנית	טיפול במחיר	טיפול במטבע	עיוות עיקרי
אַרצוֹת הַבְּרִית	מדד המחירים לצרכן של BLS	בדרך כלל לא כולל מע”מ מהמחיר המומלץ, ניתן להוסיף מס מקומי לצורך נוחות	בסיס דולר אמריקאי	וריאציה של מס מכירה ממלכתי ומקומי
האיחוד האירופי	צריכת דלק של יורוסטאט	רישום כולל מע”מ ונטו מע”מ	אירו ומטבע מקומי במידת הצורך	מע”מ שונה ותמחור רשמי אזורי
בְּרִיטַנִיָה	מדד המחירים לצרכן שלנו	כולל מע”מ ובניכוי מע”מ	ליש”ט, אז המטבע המשותף	תנועות לירה שטרלינג ומע”מ
סִין	נדרש מדד המחירים לצרכן הלאומי הרשמי	כלול את המיסים הרלוונטיים	יואן סיני ומטבע משותף	הבדלים מקומיים בין SKU לערוצים
יַפָּן	נדרש מדד המחירים לצרכן הלאומי הרשמי	כולל מס צריכה	יפן ומטבע משותף	תנודתיות הין
הוֹדוּ	נדרש מדד המחירים לצרכן הלאומי הרשמי	כלול מע”מ ואפקטים של ייבוא	השוואה בין INR ל-PPP	מכסי יבוא והפרשי הכנסה
בְּרָזִיל	נדרש מדד המחירים לצרכן הלאומי הרשמי	כולל מיסים עקיפים ועלויות יבוא	השוואה בין BRL ל-PPP	מורכבות מס ותנודתיות מטבע
מדגם הכנסה נמוכה	סטטיסטיקה לאומית או סדרות בינלאומיות רשמיות	מחיר ברוטו לצרכן	מטבע מקומי, דולר אמריקאי ו-PPP	חלוקה פורמלית דקה ואילוץ הכנסה

יורוסטאט מגדיר את ה-HICP כמדד בר השוואה לשינויים במחירי הצרכן של משקי בית במדינות אירופה. מדדי מחירים הרמוניים לצרכן – יורוסטאט – 2026 הלשכה לסטטיסטיקה של העבודה של ארה”ב מתחזקת מדד ייעודי למחשבים, ציוד היקפי ומכשירי עזר לבית חכם ומיישמת התאמת איכות למוצרי מחשב משתנים. כיצד BLS מודד שינויי מחירים עבור מחשבים, ציוד היקפי ומכשירי עזר לבית חכם – הלשכה לסטטיסטיקה של העבודה של ארה”ב – פברואר 2026

---

2.15 שוק המשומשים והמשופצים

יש לחשב את פרמיית השוק המשומש רק מעסקאות שבוצעו וניתנות להשוואה:

UMP _i,r,t = [P _used,i,r,t − P _{reference,i,r,t} ] ÷ P _{reference,i,r,t} × 100

מחיר הייחוס תלוי בשאלת המחקר:

• השקת בדיקות מחיר מומלץ לצרכן האם מחיר המשומש עולה על המחיר הנומינלי המקורי;
• מחיר מומלץ לצרכן מותאם לאינפלציה בודק האם הוא עולה על המחיר האמיתי המקורי;
• מבחני מחיר חדשים בו-זמניים האם חומרה משומשת מתומחרת באופן לא רציונלי ביחס להיצע החדש;
• בדיקת שווי הוגן מותאם לפחת האם מחסור מקזז הזדקנות רגילה;
• מחיר יכולת ההחלפה בודק האם המוצר הישן זול יותר ממוצר נוכחי מקביל.

תביעה של פעמיים מחיר מומלץ לצרכן היא:

_{מחיר מומלץ לצרכן (MSRP)} של מכפיל = P _בשימוש ÷ P _{מחיר מומלץ לצרכן להשקה}

אבל זו אינה ראיה מספקת לאינפלציה בשוק. מוצר מוגבל שהופסק ייצורו עשוי להיות בעל ערך אספנים; מודעה עשויה לעולם לא להימכר; המוצר עשוי לכלול מערכת שלמה; מס עשוי להיכלל במחיר אחד ולא להיכלל במחיר השני; או שהמודעה עשויה להיות הונאה.

טבלה 2.16 – כללי ניקוי של שוק משומש

לְהַנפִּיק	טיפול נדרש
מחיר מבוקש לעומת מחיר מכירה	שמור רק עסקאות שהושלמו
רישום כפול	ביטול כפילויות לפי מזהה, מוכר, תמונה וחותמת זמן
עָנִיץ	הפרדת GPU בלבד מהמערכת כולה
מַצָב	חדש-אטום, קופסה פתוחה, משופץ, משומש-תקין ורק חלקים
אַחֲרָיוּת	רשומה של כיסוי נותר הניתן להעברה
הונאה/אנומליה	אי הכללה תחת כלל גלוי וניתן לשחזור
מִשׁלוֹחַ	מחיר המוצר נפרד ממשלוח
מַס	להקליט בנפרד
מַטְבֵּעַ	המרה באמצעות FX רשמי של תאריך עסקה
שותף דירקטוריון	רשום את היצרן והדגם המדויקים
אוברקלוק מפעל	התייחסו כמאפיין מוצר
מִקוּם	השתמש במקור וביעד המשלוח בפועל
נפח עסקאות	ספירת דוחות ורווח סמך
שווקים דקים	דיכוי חציון מתחת לסף התצפית המינימלי

טבלה 2.17 – מבחן סטטיסטי למחסור מתמשך בשימוש

מִבְחָן	השערת אפס	ראיות התומכות במחסור מתמשך
מבחן פרמיה חציונית	חציון UMP ≤ 0	חציון UMP גבוה משמעותית מאפס
מבחן משך	הפרימיום אינו תקף יותר מתקופת ההשקה	הפרמיה נמשכת מעבר לסף מוגדר
בדיקה בין-אזורית	הפרימיום מבודד גיאוגרפית	פרמיה שנצפתה במספר שווקים מותאמים למס
מבחן זמינות	פרימיום שאינו קשור לזמינות מוצרים חדשים	הפרמיה עולה כאשר הזמינות המאומתת יורדת
בדיקת נפח עסקאות	פרמיה מונעת על ידי עסקאות דקות	הפרמיה נשארת בנפח הולם
מחקר אירועים	פרמיה שאינה קשורה לאירוע אספקה	פרימיום מגיב להלם השקה, ייצוא או אספקה
מבחן היפוך ממוצע	הפרמיה היא קבועה	חזרה איטית או לא שלמה
בדיקת החלפה	מוצר משומש אינו נדיר מבחינת יכולות	חלופות חדשות מקבילות נותרות יקרות יותר או אינן זמינות

נְחִישׁוּת

תחת מגבלות המקור הנוכחיות, לא ניתן לאמת את ההצהרה שמוצרים משומשים התומכים בבינה מלאכותית נמכרים בדרך כלל במחיר פי שניים או שלושה ממחיר הצרכן המקורי (MORS) . המקורות הראשוניים הזמינים קובעים את מחיר הצרכן והמפרטים, אך אינם חציוני עסקאות מייצגים של מוצרים משומשים. לכן, הטענה חייבת להישאר בלתי מאושרת , לא מקובלת ולא נדחתה. מקרים בודדים עשויים להתקיים, במיוחד במהלך מחסור בהשקות או בשווקים מוגבלים גיאוגרפית, אך לא ניתן להכליל מקרים בודדים על כלל שוק המוצרים המשומשים.

---

2.16 אחריות ומחיר משומש מותאם לסיכון

מחירו הנומינלי של מוצר משומש ממעיט בעלותו הכלכלית אם האחריות, הסתברות הכשל ואורך החיים השימושי הנותר שונים ממוצר חדש. המחיר המותאם לסיכון הוא:

P _used,i ^risk = P _{transaction,i} + p _failure,i × L _failure,i + C _downtime,i − V _warranty,i

אֵיפֹה:

• p _failure,i היא הסתברות הכשל הצפויה;
• כשל L _{, i} הוא אובדן החלפה או תיקון;
• C _{זמן השבתה,i} הוא העלות הכלכלית של חוסר זמינות;
• אחריות V _{, i} הוא ערך האחריות הנותר.

עבור סטודנט, זמן השבתה עשוי להוביל לאובדן זמן לימודים. עבור בית חולים, קבלן ביטחוני או מוסד פיננסי, זה עלול להיות בלתי מתקבל על הדעת. לכן, לאותו כרטיס מסך משומש יכולים להיות מחירים מותאמים לסיכון שונים עבור משתמשים שונים.

---

2.17 ממצאים ראשוניים לשנים 2020–2026

טבלה 2.18 – ממצאים מבוססי ראיות

שְׁאֵלָה	תוצאה ראשונית	אֵמוּן
האם מחיר ה-MSRP של חברת הדגל של NVIDIA עלה באופן נומינלי?	כן: 1,499 עד 1,999 דולר, כ-33.4% +	גָבוֹהַ
האם המחיר המומלץ לצרכן של חברת הדגל של NVIDIA עלה לאחר האינפלציה הכללית?	בינוני, בערך +9% לפי דולרים רגילים של יולי 2026	בינוני-גבוה
האם המחיר האמיתי לג’יגה-בייט עלה?	לא ברצף הדגל שנבחר; הוא נדחה	יחס גבוה למפרט
האם המחיר האמיתי לג’יגה-בייט לשנייה עלה?	לא בסדרת חברות הדגל שנבחרה; היא ירדה באופן מהותי	יחס גבוה למפרט
האם הוצאות המינימום המוחלטות על דגל עלו?	כֵּן	גָבוֹהַ
האם דרישות החשמל עלו?	כן, באופן מהותי	גָבוֹהַ
האם עלות התואר המעשי במשפטים ירדה בהכרח?	לא הוקם	לִפְתוֹחַ
האם AMD שמרה על מחירי ייחוס נמוכים יותר במוצרים נבחרים?	כן, אבל תוכנה ועומסי עבודה אינם שווים	גָבוֹהַ
האם הביקוש וההשקעות של HBM עלו?	ראיות תאגידיות חזקות תומכות בהתרחבות מהירה	גָבוֹהַ
האם יש היסטוריית מחירי עסקאות ציבורית מאומתת של HBM?	אין מקורות מורשים	גָבוֹהַ
האם מחירי היחידות של מאיצי מרכזי נתונים שקופים?	בדרך כלל לא	גָבוֹהַ
האם חציוני שוק משומש בינלאומי מאומתים?	לֹא	גָבוֹהַ
האם מחירי מוצרים שנעשה בהם שימוש פעמיים או שלוש פעמים מייצגים?	לא הודגם	לִפְתוֹחַ

לכן, הממצא החזק ביותר אינו אינפלציה אוניברסלית של חומרה, אלא פער הולך וגדל בין עלות הגישה המוחלטת לעלות היחידה המותאמת לאיכות . כרטיס מסך דגל יכול לספק רוחב פס זיכרון גדול יותר לכל דולר אמיתי, תוך שהוא נשאר בלתי נגיש ליותר משקי בית מכיוון שמחיר הרכישה המינימלי שלו עלה. זהו אפקט הסף:

גישה _i = 1 אם עושר _i או קיבולת אשראי _i ≥ עלות המערכת המינימלית; אחרת 0.

ירידת מחיר ליחידת יכולת אינה מפחיתה את ההדרה כאשר מערכת המינימום הבלתי ניתנת לחלוקה נשארת מעל לתקציב הקונה.

---

2.18 מסגרת התחזית, 2027–2031

לא ניתן לייצר תחזית מדעית לחמש שנים על ידי הארכת מחיר מומלץ לצרכן בלבד. המודל חייב לחזות:

• מחיר חומרה סמלי;
• אינפלציה כללית;
• צמיחה איכותית;
• קיבולת זיכרון;
• רוחב פס;
• כּוֹחַ;
• זְמִינוּת;
• תאימות תוכנה;
• ביצועי עומס עבודה;
• פְּחָת;
• נזילות בשוק משומש;
• מיסוי אזורי ומט”ח.

המחיר המותאם לאיכות מתפתח כך:

P _t+1 ^QA = P _t ^QA × (1 + g _{נומינלי,t} ) ÷ [(1 + π _t )(1 + g _איכות,t )]

מפרט היצע-ביקוש הוא:

Δln(P _t ) = α + β₁Δln(Demand _t ) − β₂Δln(Capacity _t ) + β₃EnergyShock _t + β₄TradeShock _t + β₅FXShock _t +

הערכים המפורטים להלן לשנים 2027–2031 אינם נטענים כתחזיות נצפות או כתחזיות שאושרו חיצונית. הם מדדי תרחישים שקופים עם 2026 = 100 , שנועדו להראות כיצד מסלולי מחירים שנתיים שונים המותאמים לאיכות מתאחדים.

הנחות תרחיש

• תרחיש של היצע בשפע: המחיר מותאם לאיכות יורד ב-10% מדי שנה.
• תרחיש יעילות מרכזית: מחיר מותאם לאיכות יורד ב-3% מדי שנה.
• תרחיש של מחסור מתמשך: המחירים מותאמים לאיכות עולים ב-8% מדי שנה.
• תרחיש של פרגמנטציה גיאופוליטית: עליית מחירים מותאמת לאיכות ב-12% מדי שנה בשווקים תלויי יבוא.
• תרחיש של שוק כפול: חומרה בחזית עולה ב-8% מדי שנה בעוד שיכולת המיינסטרים יורדת ב-8% מדי שנה.

טבלה 2.19 – מדד מחירי חומרה מותאם לאיכות, 2026 = 100

תַרחִישׁ	2026	2027	2028	2029	2030	2031
היצע בשפע	100.0	90.0	81.0	72.9	65.6	59.0
יעילות מרכזית	100.0	97.0	94.1	91.3	88.5	85.9
מחסור מתמשך	100.0	108.0	116.6	126.0	136.0	146.9
פיצול גיאופוליטי	100.0	112.0	125.4	140.5	157.4	176.2
הצד המרכזי של השוק הכפול	100.0	92.0	84.6	77.9	71.6	65.9
צד הגבול של השוק הכפול	100.0	108.0	116.6	126.0	136.0	146.9

טבלה 2.20 – פרשנות תרחישים

תַרחִישׁ	מצב מוליך למחצה	מצב זיכרון	שוק משומש	השלכת גישה
היצע בשפע	הרחבת הקיבולת עולה על הביקוש	אספקת HBM ו-DRAM מתנרמלת	פחת מהיר	הרחבת הגישה
יעילות מרכזית	ההיצע עוקב באופן כללי אחר הביקוש	אילוץ תקופתי אך ניתן לניהול	פחת רגיל עם קפיצות השקה	שיפור הדרגתי במחירים נוחים
מחסור מתמשך	הביקוש עולה שוב ושוב על הקיבולת	HBM/אריזה נשארים מחייבים	הפרמיות נמשכות עבור מוצרים בעלי זיכרון גבוה	נטל מוחלט וממשי גובר
פיצול גיאופוליטי	קיבולת מחולקת לפי בקרות וגושים	הקצאה אזורית שונה באופן חד	שווקי משומשים התלויים בייבוא ​​מתהדקים	אי-שוויון גיאוגרפי גדול
שוק כפול	הזרם המרכזי משתפר; הזרם הגבולי נותר נדיר	זיכרון פרימיום מרוכז במערכות חזיתיות	מערכות ישנות יותר בעלות זיכרון גבוה שומרות על ערכן	הגישה הנומינלית מתרחבת, פער היכולות מתרחב

תרחיש השוק הכפול הוא החשוב ביותר. התקדמות טכנולוגית עשויה להפחית את עלותם של דגמים קטנים ובינוניים, בעוד שיכולות קצה-גבולות הופכות יקרות יותר משום שהן דורשות מאגרי זיכרון גדולים יותר, מארזים מורכבים יותר, קירור נוזלי, רשתות מתקדמות וצפיפות הספק גבוהה יותר. תחת תרחיש זה, הצהרות לפיהן “מחירי חומרת בינה מלאכותית יורדים” ו”בינה מלאכותית קצה-גבולות הופכת בלתי ניתנת להסכמה” יכולות להיות נכונות.

---

2.19 חשיפה גיאוגרפית, 2027–2031

טבלה 2.21 – מנגנוני העברת מחירים גיאוגרפיים

שׁוּק	נקודות חוזק עיקריות	חשיפה עיקרית	מקור צפוי לפרמיה
אַרצוֹת הַבְּרִית	שוק ענן גדול, ערוצי ספקים ישירים, גישה להון	מחסור מקומי, אנרגיה והשפעות על מדיניות סחר	זמינות השקה ומס מדינה
האיחוד האירופי	השקעה גדולה בשוק ובמחשוב הציבורי	מע”מ, מחיר אנרגיה, ייצור חומרה מוגבל בחזית הגבול	מע”מ, מטבע חוץ, הקצאה אזורית ואנרגיה
בְּרִיטַנִיָה	שוק טכנולוגיה בוגר	תנודתיות שטרלינג ותלות בייבוא	מטבע חוץ, מע”מ והפצה
סִין	בסיס טכנולוגיה מקומי גדול	הגבלות גישה למאיצים זרים מתקדמים	החלפת מוצרים וביצועים מבוקרים
יַפָּן	מערכת אקולוגית אלקטרונית חזקה	תנודתיות הין ותלות במאיצים מיובאים	תמחור מט”ח ותמחור רשמי מקומי
הוֹדוּ	בסיס מיומנויות גדול ושוק דיגיטלי צומח	אילוץ הכנסה, מיסים וחומרה מיובאת	עלות ייבוא ​​וסבירות
בְּרָזִיל	שוק גדול	תנודתיות מטבע, מיסים ועלויות יבוא	מס וחלוקה
שווקים בעלי הכנסה נמוכה	אימוץ פוטנציאלי של מודל פתוח	הכנסה, חשמל, מימון, חלוקה דקה ואחריות	נפח קטן, מט”ח, אשראי ולוגיסטיקה

עבור שווקים בעלי הכנסה נמוכה יותר, מוצר יכול להיות זול יותר בדולרים אמריקאיים, אך הופך לפחות בר השגה מקומית. שינוי הנגישות הוא:

Δיכולת רכישה _r = Δמחיר חומרה מקומי _r − Δהכנסה חד פעמית חציונית _r

אם מחירי החומרה המקומיים עולים ב-5% אך ההכנסה הפנויה עולה רק ב-2%, סבירות המחיר תרד בכ-3%, גם אם האיכות משתפרת. לכן, ניתוח המדינה המאוחר יותר ידווח על שלוש תוצאות בו זמנית: דולרים ליחידת יכולת, חודשי הכנסה חציונית נדרשים וגישה למימון.

---

2.20 הערכה סופית של H1, H2 ו-H3

H1: מחירי החומרה הרלוונטית לבינה מלאכותית עלו מהר יותר ממחירי מוצרי האלקטרוניקה הצרכנית הכללית

סטטוס: טרם אושר בכל השוק. רצף מחירי הצריכה השיווקיים (MSRP) של הדגל של NVIDIA שנבחר מראה עלייה סמלית ועלייה אמיתית קטנה יותר, אך הוא אינו קובע מדד כלל-שוקי. מוצרי ייחוס של AMD ושינויי תצורה של Apple מראים כי נתיבים ברמת המוצר שונים. קביעה מלאה של H1 דורשת את מערך הנתונים ההדוני.

H2: העלות המותאמת לאינפלציה של רמה קבועה של יכולת בינה מלאכותית עלתה

סטטוס: לא פתור ולא סביר שתהיה תשובה אוניברסלית. רצף NVIDIA שנבחר מציג מחירים אמיתיים נמוכים יותר לג’יגה-בייט ולג’יגה-בייט/שנייה, אך אלו מדדי יכולת חלקיים. בדיקות עומס עבודה קבוע עשויות להראות ירידה בעלות עבור דגמים קטנים יותר ועלות עולה עבור עומסי עבודה רגישים לפרטיות, בעלי זיכרון גבוה או עומסי עבודה בחזית.

H3: מחירי שוק המוצרים המשומשים מצביעים על מחסור מתמשך ולא על ספקולציה זמנית

סטטוס: לא מוכח במסגרת הנתונים הראשוניים הזמינים. לא זוהה מערך נתונים בינלאומי מייצג ומאומת של עסקאות שהושלמו בתוך היררכיית הראיות המותרות. לא ניתן להכליל טענות של מחיר מומלץ לצרכן פי שניים או שלושה.

---

2.21 סיכום הפרק

הראיות המאומתות אינן תומכות במסקנה פשטנית שכל צורה של חומרת בינה מלאכותית הפכה יקרה פי שניים או שלושה בין 2020 ל-2026. הן תומכות בממצא משמעותי יותר: השוק מתפצל בין שיפור מחיר-ביצועים טכניים לבין הגדלת עלויות הגישה המינימליות. מחיר ההשקה של מכשיר הדגל של NVIDIA עלה מ-1,499 דולר ל-1,999 דולר, אך קיבולת הזיכרון ורוחב הפס גדלו מספיק כדי להוריד את יחסי המחיר-ליכולת האמיתיים הפשוטים. השיפור אינו מבטל את ההדרה מכיוון שהמשתמש עדיין צריך לממן את כל המכשיר ואת מערכת התמיכה. התוצאה דומה לכרטיס רכבת מהירה שמתייקר לקילומטר בעוד שהתעריף המינימלי עולה מעבר לתקציב של חלק מהנוסעים.

חומרת זיכרון ומרכז נתונים מציגים בעיה שונה: שקיפות המחירים חלשה משמעותית. הביקוש ל-HBM, התחייבויות קיבולת והשקעות מתועדים, אך מחירי עסקאות ציבוריות אינם. מאיצי מרכזי נתונים נמכרים בדרך כלל באמצעות מערכות משא ומתן והסכמי ענן, דבר המונע היסטוריית מחירי יחידה ציבורית אמינה. ניתוח שוק משומש חלש אף יותר משום שמחירי מבוקשים טועים לעתים קרובות למכירות שהושלמו. על פי תקן ראיות אקדמי, פערים אלה חייבים להישאר גלויים.

הסיכון העיקרי לחמש שנים הוא אפוא שוק כפול. יכולות בינה מלאכותית מיינסטרים עשויות להפוך לזולות יותר באמצעות יעילות, מודלים פתוחים וחומרה צרכנית טובה יותר, בעוד שיכולות חזיתיות, פרטיות ויכולות מקביליות גבוהות הופכות יקרות יותר בגלל HBM, אריזות, רשתות, חשמל וביקוש מוסדי. שוק כזה לא יוציא משתמשים עניים יותר מבינה מלאכותית לחלוטין. הוא יגביל אותם לרמת יכולת נמוכה יותר. הבחנה זו – בין גישה לבינה מלאכותית מסוימת לבין גישה לבינה מלאכותית תחרותית כלכלית – היא הגשר המרכזי מאינפלציית חומרה לפרקים 4, 7 ו-8.

פרק 3 – ריכוזיות תעשייתית וארכיטקטורת המחסור

3.1 מטרה אנליטית

מערכת הבינה המלאכותית התעשייתית אינה שוק יחיד הנשלט על ידי יחס ריכוזיות אחד. זוהי שרשרת של שווקים משלימים מבחינה טכנית ותלויים זה בזה מבחינה כלכלית, הכוללים תוכנות לתכנון מוליכים למחצה, קניין רוחני, ליתוגרפיה, ייצור, זיכרון, אריזות, מצעים, תכנון מאיצים, רשתות, הרכבת שרתים, תשתית ענן, מודלי יסוד והפצה ארגונית. ריכוזיות בשכבה אחת יכולה להתקזז על ידי החלפה או להתעצם על ידי תלות באחרת. חברה עשויה להחזיק ביכולות חזקות של תכנון מאיצים תוך הסתמכות על בית יציקה חיצוני, ספקי מודלי עיבוד שבבי, קיבולת אריזות ולקוחות ענן. בית יציקה עשוי לשלוט בייצור מתקדם תוך שהוא נשאר חשוף למספר קטן של לקוחות וספקי ציוד. ספק ענן יכול להפעיל תשתית עצומה אך להיות תלוי במאיצים שתוכננו ויוצרו במקום אחר. לכן, האובייקט האנליטי המתאים אינו “מונופול הבינה המלאכותית”, אלא רשת של צווארי בקבוק מובחנים ששליטה, מחסור, זמן החלפה והקצאה חוזית קובעים יחד את קיבולת הבינה המלאכותית האפקטיבית.

פרק זה מציג חמש הבחנות. ראשית, ריכוזיות שוק מודד כיצד הפעילות הכלכלית מחולקת בין חברות. שנית, ריכוזיות טכנית מודד כמה ספקים יכולים לעמוד בדרישת ביצועים מסוימת. שלישית, ריכוזיות תלות מודד האם חברות במורד הזרם מסתמכות על אותו צומת במעלה הזרם. רביעית, ריכוזיות הקצאה מודד האם התפוקה העתידית שמורה למספר קטן של קונים. חמישית, רנטה כלכלית מודד תשואות העולות על הסכום הנדרש לשמירת הון ויכולת בשימושם הנוכחי. אף אחד מהמושגים הללו אינו קובע באופן עצמאי התנהגות בלתי חוקית. חברה יכולה להרוויח שולי רווח גבוהים משום שיצרה מוצר עדיף, לקחה על עצמה סיכון טכנולוגי משמעותי, השקיעה לפני שהתממש הביקוש או שולטת באופן זמני בקיבולת דלה. לעומת זאת, שוק יכול להפגין השפעות הדרה גם כאשר שולי הרווח החשבונאיים אינם יוצאי דופן, במיוחד כאשר הגבלות יכולת פעולה הדדית, תנאי רישוי או התחייבויות קיבולת ארוכות טווח מעלות את עלויות המתחרים.

הנציבות האירופית מזהה נתונים, שבבי מאיץ בינה מלאכותית, תשתית מחשוב, קיבולת ענן ומומחיות טכנית כקלטים פוטנציאליים קריטיים ומחסומי כניסה אפשריים לשווקי בינה מלאכותית גנרטיבית. הניתוח שלה מתייחס במפורש לצווארי בקבוק כתלויי הקשר: קלט מוגבל יכול להפחית את התחרות מבלי שכל אילוץ יהווה נוהג אנטי-תחרותי. תקציר מדיניות תחרות: תחרות בבינה מלאכותית גנרטיבית ובעולמות וירטואליים – הנציבות האירופית – ספטמבר 2024

---

3.2 מדדי ריכוז ופרשנותם

יחס הריכוז של חברת n הוא:

CR _n = Σ _i=1 ⁿ s _i

כאשר s _i הוא נתח השוק של חברה i. CR1 מודד את החברה הגדולה ביותר; CR3 ו-CR4 מודדים את נתח השוק המשולב של שלוש או ארבע החברות הגדולות ביותר. מדד הרפינדל-הירשמן הוא:

HHI = Σ _i=1 ^N (100s _i ) ²

כאשר נתחי שוק מבוטאים כשברים עשרוניים. אם נתחי שוק כבר מבוטאים כאחוזים, הנוסחה המקבילה היא:

HHI = Σ _i=1 ^N s _i ²

מדד ה-HHI נע בין קרוב לאפס בשוק מקוטע ביותר ל -10,000 בשוק של חברה בודדת טהורה. חמש חברות שוות בגודלן מייצרות HHI של 2,000; ארבע חברות שוות מייצרות 2,500; שלוש חברות שוות מייצרות כ-3,333; שתי חברות שוות מייצרות 5,000.

על פי הנחיות המיזוגים הנוכחיות של ארה”ב:

• מדד HHI מעל 1,800 מצביע על שוק ריכוזי מאוד;
• עלייה העולה על 100 נקודות נחשבת משמעותית;
• עסקה המייצרת את שני התנאים יכולה ליצור חזקה מבנית שהתחרות עשויה להיות מופחתת באופן משמעותי.

אלו הם ספי סינון מיזוגים, לא הצהרה משפטית שכל שוק מעל 1,800 אינו חוקי. הגדרת שוק, כניסה, חדשנות, כוח קונים, תחליף ויעילות נותרו חיוניים. הנחיות מיזוג 2023 – משרד המשפטים האמריקאי והוועדה הפדרלית לסחר – דצמבר 2023

טבלה 3.1 – משמעות מתמטית של HHI

מבנה השוק	הנחת חלוקה שווה	HHI
ספק אחד	100%	10,000
שני ספקים	50% כל אחד	5,000
שלושה ספקים	33.33% כל אחד	3,333
ארבעה ספקים	25% כל אחד	2,500
חמישה ספקים	20% כל אחד	2,000
שישה ספקים	16.67% כל אחד	1,667
עשרה ספקים	10% כל אחד	1,000
עשרים ספקים	5% כל אחד	500

חלקים שווים מייצרים את ה-HHI המינימלי עבור מספר קבוע של חברות. אם ספק אחד גדול יותר, ה-HHI עולה. לכן, שוק נומינלי של שלוש חברות לא יכול להיות בעל HHI נמוך מכ-3,333 אלא אם כן ספקים נוספים כלולים בשוק המוגדר כהלכה.

---

3.3 מדוע נתחי שוק קונבנציונליים אינם מספיקים

נתחי שוק יכולים להמעיט בערכם של ריכוזיות הבינה המלאכותית מארבע סיבות. ראשית, נתחי שוק מבוססי הכנסות אינם בהכרח מודדים את קיבולת הגבול הזמינה. לספק יכול להיות נתח צנוע מסך הכנסות המוליכים למחצה, אך לשלוט בנתח גדול בהרבה של פלח מתקדם הכרחי מבחינה טכנית. שנית, מתחרים נומינליים עשויים לא להיות תחליפים. מאיץ שאינו יכול להפעיל את המסגרת הנדרשת, להתאים למודל או לעמוד במגבלות הייצוא אינו מגביל את המחיר ביעילות. שלישית, אותו צומת במעלה הזרם עשוי לתמוך במספר מתחרים נומינליים במורד הזרם. ספקי ענן מרובים יכולים להציע שירותים שונים תוך הסתמכות על אותם ספקי בית יציקה, ציוד ליתוגרפיה או זיכרון. רביעית, חוזים ארוכי טווח יכולים להקצות את רוב התפוקה העתידית לפני שהיא נכנסת לכל שוק ספוט שניתן לצפות בו.

לפיכך, הדו”ח משלים את CR _n ואת HHI עם ארבעה מדדים:

מדד תלות הספק:

SDI _j = Σ _i=1 ^N w _i d _i,j

כאשר d _i,j הוא התלות של firm i בספק j ו-w _i הוא החשיבות של firm i במורד הזרם.

מדד תחליפיות אפקטיבית:

ESI _j = 1 ÷ [1 + _{מתג T,j} + מתג C _,j + _{ביצועים L,j} ]

כאשר T הוא זמן המיתוג, C היא עלות המיתוג המנורמלת ו-L הוא אובדן הביצועים.

יחס קיבולת שמורה:

RCR _j,t = קיבולת _{חוזית,j,t} ÷ _{סך הקיבולת,j,t}

ריכוז מותאם לצוואר בקבוק:

BAC _j = HHI _j × קריטיות _j × [1 − ESI _j ]

ל-HHI גבוה ברכיב שאינו קריטי וקל להחלפה עשויה להיות השפעה מערכתית מוגבלת. ל-HHI נמוך במקצת בקלט הכרחי עם דרישות הסמכה רב-שנתיות יכול להיות השלכות רבות יותר.

---

3.4 מפת בקרה תעשייתית מלאה מבוססת בינה מלאכותית

טבלה 3.2 – חברות עיקריות לפי שכבת שרשרת האספקה ​​של בינה מלאכותית

שִׁכבָה	חברות או פלטפורמות עיקריות	פוּנקצִיָה	תלות מרכזית
EDA מוליכים למחצה	סינופסיס, קיידנס, סימנס EDA; ספקים מיוחדים	תכנון, אימות, יישום פיזי וסימולציה	פורמטים קנייניים, ערכות תכנון תהליכים ותהליכי עבודה הנדסיים
IP של מוליכים למחצה	Arm, Synopsys, Cadence, Imagination וספקי IP מיוחדים	מעבד, ממשק, זיכרון ו-IP של קישוריות	רישוי, תקנים ואינטגרציה
ליתוגרפיה של EUV	ASML	יצירת דפוסים של שכבות מוליכים למחצה מתקדמות	ציוד ורשת ספקים מורכבים ביותר
ליתוגרפיה DUV	ASML, ניקון, קנון	שלבי תהליך מתקדמים בוגרים ונבחרים	יכולת הכלי, תפוקה והסמכת תהליך
שקיעת חומר וצריבה	אפליידד מטיריאלס, לם ריסרץ’, טוקיו אלקטרון וחברות מתמחות	שקיעת חומר והעברת תבנית	מתכוני תהליך, רשת שירות והסמכה
מטרולוגיה ופיקוח	KLA, ASML וחברות מתמחות	גילוי פגמים, בקרת תפוקה ומדידת תהליכים	למידה של תשואה ובקרת תהליכים
בית יציקה מתקדם	TSMC, סמסונג פאונדרי, אינטל פאונדרי; פיתוח מקומי סיני נבחר	ייצור לוגיקה מתקדם	בגרות תהליך, תפוקה, גישה לכלי והסמכת לקוחות
בית יציקה לצומת בוגר	TSMC, GlobalFoundries, UMC, SMIC, Hua Hong, Tower ואחרים	תמיכה בשבבי לוגיקה, בקרה וממשק	קיבולת גיאוגרפית וכשירות יישום
HBM	SK hynix, סמסונג אלקטרוניקה, מיקרון	זיכרון מאיץ בעל רוחב פס גבוה	תפוקה, טכנולוגיית מחסנית, שילוב אריזה והסמכה
DRAM קונבנציונלי	סמסונג, SK hynix, מיקרון; ספקים אזוריים נוספים	זיכרון מערכת ושרת	הקצאת קיבולת מחזורית
NAND	סמסונג, SK hynix/Solidigm, Kioxia, Western Digital/SanDisk, Micron ואחרים	אחסון מודלים ונתוני נתונים קבועים	מעברי שכבות, אינטגרציית בקרים ומחזוריות
אריזה מתקדמת	TSMC, ASE, Amkor, Samsung, Intel וספקי OSAT אחרים	אינטגרציה של זיכרון לוגי ואריזת שבבים	קיבולת שווה ערך ל-CoWoS, מצעים ותכנון תרמי
מצעים	Ibiden, Shinko, Unimicron, Nan Ya PCB, AT&S ואחרים	חיבור חבילות פיזי	זמן אספקה, תפוקה והרחבה
אינטרפוזורים מסיליקון	בתי יציקה ומומחי אריזה	חיבור בצפיפות גבוהה בין לוגיקה ל-HBM	שילוב עיבוד ואריזה של שבבים גדולים
עיצוב GPU	NVIDIA, AMD, Intel ומתמודדים אזוריים	מחשוב מואץ כללי	ארכיטקטורה, תוכנה וגישה למפעל
מאיצי בינה מלאכותית מותאמים אישית	גוגל TPU, AWS Trainium/Inferentia, מיקרוסופט Maia, תוכניות מטא סיליקון ואחרות	האצת ענן ספציפית לעומס עבודה	קנה מידה פנימי בענן ושילוב תוכנה
יצירת קשרים	NVIDIA, ברודקום, מארוול, סיסקו, אריסטה ואחרות	חיבור בינה מלאכותית בהרחבה וברחבה	רוחב פס, השהייה, אופטיקה ומיתוג
שרתי בינה מלאכותית	Supermicro, Dell, HPE, Lenovo, Inspur ו-ODM כולל Quanta, Wiwynn ו-Foxconn	שילוב של מאיצים, מעבדים, זיכרון וקירור	הקצאת GPU, כוח מדף וקירור נוזלי
ענן ציבורי	AWS, מיקרוסופט אז’ור, גוגל קלאוד, אורקל ואחרים	תשתית מחשוב מדודה ובינה מלאכותית	הוצאות הון, כושר התקנה ומערכת אקולוגית של לקוחות
דגמי Frontier	OpenAI, Google DeepMind, Anthropic, Meta, xAI ומפתחים אזוריים אחרים	יצירה והסקת מודל יסוד	מחשוב, נתונים, כישרונות, הון והפצה
הפצת בינה מלאכותית ארגונית	מיקרוסופט, גוגל, AWS, סיילספורס, אורקל, SAP, ServiceNow, אדובי וחברות מתמחות	הטמעת בינה מלאכותית בזרימות עבודה ארגוניות	בסיס תוכנות מותקנות, נתוני לקוחות ועלות מעבר

הטבלה מזהה שחקנים עיקריים, לא נתחי שוק פורמליים. ברוב השכבות, דוחות תאגידיים מבוקרים אינם מפרסמים מערך נתונים מלא של מכנה משותף בשוק. כתוצאה מכך, אין לטעות בנוכחותן של חברות בעלות שם כ-CR4 מחושב.

---

3.5 ליתוגרפיה: צוואר הבקבוק הגבוה ביותר של ציוד

ליתוגרפיה היא השכבה במעלה הזרם המרוכזת ביותר מבחינה מבנית, משום שייצור מתקדם תלוי בציוד מורכב במיוחד עם מחזורי פיתוח ארוכים, קניין רוחני נרחב ואלפי ספקים מיוחדים. ASML דיווחה על מכירות נטו של 32.7 מיליארד אירו בשנת 2025, שולי רווח גולמי של 52.8% , הכנסה תפעולית של 11.3 מיליארד אירו , הכנסה נקי של 9.6 מיליארד אירו , הוצאות מו”פ של 4.7 מיליארד אירו ורשת ספקים של כ -5,100 חברות . היא מכרה 48 מערכות EUV , 279 מערכות DUV ו-208 מערכות מטרולוגיה ובדיקה במהלך השנה. דו”ח שנתי של ASML לשנת 2025 – ASML – ינואר 2026

מערך הנתונים העיקרי המאומת מזהה את ASML כספק המדווח על מכירות של מערכות EUV מסחריות, אך הוא אינו מספק מכנה מבוקר של נתח שוק עולמי שנבנה תחת הגדרת שוק לפי חוקי התחרות. לכן, CR1 ו-HHI פורמליים אינם מוצגים כסטטיסטיקה נצפית. התוצאה המתמטית המותנית בכל זאת ברורה: אם השוק הרלוונטי מוגדר כמערכות ליתוגרפיה מסחריות של EUV ו-ASML מספקת 100%, אז:

CR1 = 100%

HHI = 100 ² = 10,000

זה יהיה שוק טכני של מקור יחיד. זה לא אומר ש-ASML יכולה לפעול ללא אילוצים. כוחה מוגבל על ידי ביקוש מחזורי מוליכים למחצה, תקציבי הון של לקוחות, רישוי יצוא, קיבולת ספקים, ביצוע טכנולוגי והסיכון שלקוחות יעכבו מעברי צמתים. הוצאות המחקר והפיתוח הגבוהות במיוחד שלה ותלותה בספקים מראות גם מדוע לא ניתן לסווג את הרווח החשבונאי לחלוטין כדמי שכירות מונופוליסטיים.

טבלה 3.3 – חסמי כניסה לליטוגרפיה

מַחסוֹם	חוּמרָה	הֶסבֵּר
מורכבות אופטית ומקור אור	אקסטרים	ליתוגרפיה מתקדמת דורשת יכולות שנצברו במשך עשרות שנים
ייצור מדויק	אקסטרים	ביצועי המערכת תלויים בבקרה תת-ננומטרית ובאינטגרציה מורכבת במיוחד
רשת ספקים	אקסטרים	אלפי ספקים מתמחים תורמים תת-מערכות שאין להן תחליף
הסמכת הלקוח	אקסטרים	על בתי יציקה לשלב כלים בזרימות תהליכים מלאות
קניין רוחני	אקסטרים	פטנטים, סודות מסחריים וידע הנדסי מצטבר
דרישת הון	אקסטרים	פיתוח וייצור דורשים השקעה מתמשכת של מיליארדי דולרים
תשתית שירותים	גבוה מאוד	כלים מותקנים דורשים תמיכה וכיול מתמשכים
רישוי יצוא	גָבוֹהַ	בקרות ממשלתיות יכולות להגביל שווקים ברי-התייחסות
הגיע הזמן לכניסה אמינה	ארוך מאוד	הכניסה תדרוש מחזורי טכנולוגיה, ייצור ואימות לקוחות

---

3.6 אוטומציה של תכנון אלקטרוני וקניין רוחני של מוליכים למחצה

כלי EDA נמצאים במעלה הזרם של כל שבב מתקדם. הם תומכים בתכנון ארכיטקטורה, אימות, תזמון, יישום פיזי, ניתוח הספק ואישור. חשיבותם הכלכלית עולה על חלקם הישיר בהוצאות על מוליכים למחצה מכיוון שלא ניתן לייצר תכנון מתקדם בצורה אמינה ללא כלים מאומתים וערכות תכנון תהליכים תואמות לתעשיית היציקה. עלויות המעבר כוללות הכשרת מהנדסים מחדש, בנייה מחדש של זרימות תכנון, אימות סקריפטים, המרת ספריות, חזרה על אימות וקבלת סיכון לוח זמנים. עלויות אלו יוצרות תלות במערכת האקולוגית גם כאשר קיימים כלים חלופיים.

סקירת הנציבות האירופית את רכישת Ansys על ידי סינופסיס זיהתה חששות תחרותיים בשלושה שווקי תוכנה גלובליים ודרשה מכירת נכסים המכסים את החפיפות הרלוונטיות. הנציבות תיארה את סינופסיס כספקית EDA ו-IP של מוליכים למחצה ואת Ansys כספקית סימולציה וניתוח שכלי המוליכים למחצה שלה חופפים לחלקים מתיק המוצרים של סינופסיס. רכישת Ansys: סיכום של סיפור עיצוב שבבים – הנציבות האירופית – 2025

לא זוהו חלוקות הכנסות מלאות ממקורות ראשוניים עבור כל שוק ה-EDA תחת היררכיית המקורות המותרים. לכן:

• CR3: לא רלוונטי;
• CR4: לא רלוונטי;
• HHI: ND.

אין לדווח באופן שגוי על איור של שלוש חברות כאומדן. אם תת-שוק EDA שהוגדר כהלכה הכיל בדיוק שלוש חברות שוות, ה-HHI המינימלי שלו יהיה כ-3,333. הריכוזיות בפועל תלויה בקטגוריית הכלים, במתחרים המתמחים, בכלים פנימיים ובשוק הגיאוגרפי הרלוונטי.

טבלה 3.4 – מנגנוני נעילה של EDA

מַנגָנוֹן	השפעה כלכלית	מבחן נצפיתי
זרימת תכנון מוסמכת על ידי בית יציקה	מגביל כלים שיכולים להגיע לאישור ייצור	מספר חלופות מאושרות לפי צומת תהליך
פורמטים קנייניים של קבצים וסקריפטים	מעלה את עלות ההגירה	זמן המרה ושיעור פגמים
ריכוז מיומנות מהנדס	הופך אימוץ חלופי ליקר	התפלגות מיומנויות בשוק העבודה
חבילת כלים משולבת	יוצר יעילות בהיקף	עלות זרימת עבודה נפרדת לעומת משולבת
חבילת IP של מוליכים למחצה	מחזק את אימוץ הכלים	שיעור העיצובים המשתמשים בקניין רוחני משולב
ספריות עיצוב היסטוריות	מטמיע השקעה קודמת	עלות הסמכה מחדש של הספרייה
מחזורי תכנון ארוכים	הופך את המעבר באמצע הפרויקט ללא מעשי	תדירות מיתוג לפי שלב בפרויקט
אחריות חתימה	מעדיף כלים מאומתים קיימים	דרישות קבלת הלקוח וביטוח

---

3.7 קיבולת בית יציקה מובילה

ריכוזיות בתי יציקה מובילה נובעת מעוצמת הון, מורכבות תהליכים, למידה של תפוקה, גישה לכלי עבודה והסמכת לקוחות. TSMC, סמסונג ואינטל מייצגות את הארגונים הגלובליים העיקריים הרודפים אחר תהליכי הלוגיקה המתקדמים ביותר, אם כי הקיבולת הזמינה המסחרית שלהן, התפוקות ומודלי הלקוחות שלהן שונים זה מזה. קיבולת צמתים בוגרים מגוונת יותר ואין לכלול אותה במכנה של קצה החנית רק משום שהיא מייצרת מוליכים למחצה.

TSMC דיווחה על הכנסות בשנת 2025 של כ -122 מיליארד דולר , עלייה של 35.9% במונחים דולריים. שולי הרווח הגולמי שלה בשנת 2025 היו 59.9% , שולי הרווח התפעוליים 50.8% ושולי הרווח הנקי 45.1% . החברה ייחסה את העלייה בשולי הרווח בחלקה לניצול גבוה יותר של הקיבולת ולשיפור בעלויות, בעוד שהרחבת הייצור בחו”ל דיללה את הרווחיות. דוח שנתי של TSMC לשנת 2025 – חברת ייצור מוליכים למחצה טייוואנית – אפריל 2026. ברבעון השני של 2026, טכנולוגיות תהליך בגודל 7 ננומטר ומטה היוו 77% מהכנסות פרוסות ה-Walkers של TSMC , בעוד ש-HPC היוותה 66% מההכנסות הרבעוניות . אלו הן מניות הכנסות פנימיות של TSMC, לא מניות של בתי יציקה גלובליים. תמליל ועידת הרווחים של TSMC לרבעון השני של 2026 – חברת ייצור מוליכים למחצה טייוואנית – יולי 2026.

החומרים המבוקרים העיקריים הזמינים במחקר זה אינם מספקים סדרת מניות מתקדמת עולמית לשנת 2025. כתוצאה מכך:

• CR1: לא רלוונטי;
• CR3: לא רלוונטי;
• HHI: ND.

טבלה 3.5 – מחסומי יציקה

מַחסוֹם	אפקט מוביל	תקופת החלפה
הון מפעלי ייצור	מגביל כניסה והתרחבות בו זמנית	רב שנתי
למידה עתירת תשואה	הופך את זמינות התהליך הנומינלית לשונה מיכולת כלכלית	רב-רבעוני עד רב שנתי
הסמכת הלקוח	מונע הגירה מיידית של עיצוב	לעתים קרובות מספר רבעים
ערכות לתכנון תהליכים	קושר כלי עיצוב וספריות לצומת	ספציפי לפרויקט
ציוד מתקדם	תלוי בספקי ליתוגרפיה, שיקוע, איכול ומטרולוגיה	רב שנתי
כוח אדם מיומן	מגביל שכפול גיאוגרפי מהיר	רב שנתי
דרישת שירות	ביקוש גדול ויציב לחשמל ומים אולטרה-טהורים	ספציפי למיקום
בקרות ייצוא	מגביל את גישת הציוד והלקוחות	תלוי-מדיניות
שילוב אריזה	קיבולת הלוגיקה אינה מספקת ללא אריזה במורד הזרם	רב-רבעוני
סיכון גיאוגרפי	אתרים מרוכזים יוצרים שיבושים מתואמים	השפעה פוטנציאלית מיידית

---

3.8 אריזה מתקדמת: מכפיל הקיבולת הנסתר

אריזה מתקדמת הופכת לוגיקה מפוברקת ו-HBM למאיץ שמיש. עבור מערכות בינה מלאכותית, אריזה כבר אינה שלב סופי בעל ערך נמוך; היא קובעת כמה שבבי מחשוב וערימות HBM יכולות לתקשר ברוחב פס וצפיפות הספק מספקות. פלטפורמת CoWoS של TSMC, טכנולוגיות EMIB ו-Foveros של אינטל, האריזה המתקדמת של סמסונג ושירותים המסופקים על ידי ASE, Amkor וחברות OSAT אחרות יוצרים שוק הטרוגני. הצעות אלו אינן יכולות להיכלל אוטומטית בשוק אחד מכיוון שהתחלופה הטכנית משתנה בהתאם לעיצוב.

TSMC הצהירה באפריל 2025 שהיא פועלת להכפיל את קיבולת CoWoS במהלך אותה שנה. החברה הודיעה גם על תוכניות ליישום CoWoS בגודל 9.5 רשתות בייצור בכמויות גדולות במהלך 2027, שנועד לתמוך ב-12 או יותר ערימות HBM. תמליל כנס רווחי הרבעון הראשון של 2025 של TSMC – חברת ייצור מוליכים למחצה טייוואן – אפריל 2025 TSMC חושפת את תהליך הדור הבא של A14 בסימפוזיון הטכנולוגיה של צפון אמריקה – חברת ייצור מוליכים למחצה טייוואן – אפריל 2025

אף מכנה ראשוני ומבוקר של חלוקת קיבולת אינו מאפשר HHI אריזה הניתן להגנה. מדד הריכוזיות המתאים חייב להשתמש בתפוקה של אריזות AI מוסמכות ולא בהכנסות כוללות מאריזות.

טבלה 3.6 – מדידת קיבולת אריזה

מִשְׁתַנֶה	יחידה נכונה	מדוע חלוקת ההכנסות אינה מספקת
קיבולת האינטרפוזר	אזור חוצץ מוסמך לחודש	גדלי האריזה שונים
חבילות בינה מלאכותית הושלמו	חבילות מתאימות לרבעון	מורכבות וספירת HBM משתנים
ערימות HBM משולבות	ערימות לחבילה וסך הערימות	עוצמת הערימה משנה את ניצול הקיבולת
תְשׁוּאָה	חבילות טובות מחולקות לפי התחלות	הקיבולת הנומינלית מגזימה בתפוקה
זמן אספקה	חודשים מזמן הזמנה למשלוח	חושף מחסור אפקטיבי
הקצאת לקוחות	חלק מחויב במסגרת חוזה	מציג קיבולת פתוחה שיורית
יכולת תרמית	צפיפות הספק נתמכת	קובע את ההחלפה
שטח שווה ערך לרשתית	יחידות רשתית לחבילה	מנרמל את קנה המידה של החבילה

---

3.9 HBM וזיכרון קונבנציונלי

HBM הוא צוואר בקבוק פוטנציאלי חזק יותר מאשר DRAM קונבנציונלי מכיוון שמאיצי בינה מלאכותית דורשים רוחב פס גבוה, ערימה צפופה ואינטגרציה הדוקה עם מארזים מתקדמים. ספקי HBM עיקריים כוללים את SK hynix , Samsung Electronics ו- Micron . DRAM קונבנציונלי מרוכז גם הוא סביב יצרנים גדולים אלה, אם כי הנתחים המדויקים משתנים בהתאם לדור המוצר ולתקופה. NAND כולל קבוצה רחבה יותר של חברות.

מיקרון חשפה כי עסקי ה-HBM שלה נתמכו על ידי הסכמי לקוחות אסטרטגיים רב שנתיים וחזתה כי שוק ה-HBM הכולל הניתן לפרשנה יגדל מכ -35 מיליארד דולר בשנת 2025 לכ-100 מיליארד דולר בשנת 2028. תוצאות כספיות של מיקרון לרבעון הראשון של שנת הכספים 2026 – מיקרון טכנולוגיה – דצמבר 2025 סמסונג הודיעה על תוכניות להשקיע יותר מ -110 טריליון וון קוריאני במתקנים ובמחקר ופיתוח במהלך 2026, כולל HBM, פעילות יציקה ואריזות מתקדמות. תוכנית שיפור ערך לבעלי המניות של סמסונג אלקטרוניקה – סמסונג אלקטרוניקה – מרץ 2026

גילויים רשמיים של תאגידים אינם מספקים מכנה משותף מבוקר למניות גלובלי עבור HBM. לכן, CR3 ו-HHI נותרים ND. אם בדיוק שלושה ספקים היוו את השוק הרלוונטי המלא, ה-HHI המינימלי המתמטי היה כ-3,333; מניות לא שוויוניות היו מייצרות נתון גבוה יותר. זוהי המחשה מבנית, לא אומדן שוק מדווח.

טבלה 3.7 – מנגנוני מחסור ב-HBM

מַנגָנוֹן	אֵפֶקְט
עוצמת פרוסה לכל ביט שנמסר	קיבולת HBM מתחרה בקיבולת זיכרון קונבנציונלית
ערימה מורכבת	הפסדי יבול יכולים להצטבר בין שכבות
הסמכת הלקוח	ספקי מאיצים אינם יכולים לשנות זיכרון באופן מיידי
עיצוב משותף של אריזות	יש לשלב את הזיכרון עם לוגיקה ותכנון אינטרפוזר
הסכמים ארוכי טווח	ניתן להקצות אספקה ​​עתידית לפני זמינות נקודתית
מעבר דור	לא ניתן להתייחס ל-HBM3E ול-HBM4 כאל פלט זהה
משמעת הון	יצרני זיכרון עשויים להימנע מעודף כושר ייצור בלתי מבוקר של סחורות
בקרות ייצוא	דרישה זכאית משתנה בהתאם לתחום שיפוט
אילוצי תרמיה והספק	ייתכן שהקיבולת הנומינלית לא תהיה ניתנת לפריסה בכל המערכות

הלשכה האמריקאית לתעשייה וביטחון הוסיפה בקרות על ייצור מוליכים למחצה מתקדמים בדצמבר 2024, לצד בקרות חדשות על ציוד ותוכנה לייצור מוליכים למחצה. מדיניות זו מאשרת כי ייצור מוליכים למחצה נחשב לתשומה אסטרטגית, אך אינה מכומתת את הריכוזיות המסחרית. המסחר מחזק את בקרות היצוא כדי להגביל את יכולתה של סין לייצר מוליכים למחצה מתקדמים ליישומים צבאיים – הלשכה האמריקאית לתעשייה וביטחון – דצמבר 2024

---

3.10 מצעים, חוצים וצווארי בקבוק משניים

מצעים וחוצים של חבילות יכולים להגביל את קיבולת הבינה המלאכותית למרות שההכנסות שלהם קטנות יחסית למאיצים. הם דורשים מספר שכבות גבוה, גיאומטריית חיבורים עדינה, שיעורי פגמים נמוכים והתאמה למארזי חיבור גדולים ובעלי הספק גבוה. מחסור במצעים יכול לשתק לוגיקה וזיכרון שלמים, וליצור אובדן פלט לא פרופורציונלי. זהו “פרדוקס הערך הנמוך/קריטיות הגבוהה”: רכיב יכול לייצג נתח קטן מעלות המערכת תוך שליטה בזמינות המערכת כולה.

הערך המותאם לקריטיות הוא:

CAV _j = חלוקת הכנסות _j × גמישות אובדן תפוקה _j

קלט בעל הכנסה נמוכה עם גמישות גדולה מאוד של הפסד תפוקה יכולה לדרג מעל רכיב יקר יותר אך ניתן להחלפה.

לא זוהו נתחי שוק גלובליים מבוקרים עבור מצעים או חוצים סיליקון בעלי אישור AI. לכן, CR4 ו-HHI אינם ND. ניטור הפרקים צריך להשתמש במקום זאת ב:

• זמן אספקה ​​למצע;
• ספירת ספקים מוסמכים;
• הודעות על הרחבת קיבולת;
• תְשׁוּאָה;
• ריכוז לקוחות;
• דרישות שטח החבילה;
• ריכוז גיאוגרפי;
• כיסוי מלאי.

---

3.11 תכנון מאיץ ותלות במערכת האקולוגית של CUDA

תחרות בין מאיצים מתרחשת בין מעבדים גרפיים נפרדים, מאיצים משולבים, ASIC מותאמים אישית ושבבי ענן שפותחו באופן פנימי. הספקים העיקריים כוללים את NVIDIA, AMD ואינטל, בעוד שגוגל, אמזון ומיקרוסופט פיתחו מאיצים מותאמים אישית לפריסה פנימית של ענן. חברות סיניות ואזוריות אחרות מחפשות חלופות מקומיות בתנאי תוכנה ובקרת יצוא שונים.

לא ניתן לצמצם את מעמדה התחרותי של NVIDIA לסיליקון בלבד. המערכת שלה כוללת ארכיטקטורת GPU, CUDA, ספריות, מהדרים, תוכנות תקשורת, רשתות NVLink, InfiniBand ו-Ethernet, מערכות ייחוס ותמיכה במפתחים. עלות המעבר הכלכלית כוללת העברת קוד, אופטימיזציה של ליבה, אימות מודל, הכשרת כוח אדם מחדש, סיכון תפעולי וחוסר ודאות בביצועים. תיאורטית, לקוח יכול לרכוש מאיץ נוסף אך עדיין להתמודד עם עלות הגירה כוללת גדולה.

מדד הנעילה של CUDA המוצע לאומדן מאוחר יותר הוא:

CLI _i = w₁CodePorting _i + w₂PerformanceLoss _i + w₃Retraining _i + w₄LibraryGap _i + w₅OperationalRisk _i

טבלה 3.8 – שכבות תחרות מאיץ

שִׁכבָה	מיקום NVIDIA	מנגנון חלופי	מבחן נעילה
חוּמרָה	GPU ומערכות משולבות	AMD, אינטל, ASICs מותאמים אישית ומאיצים אזוריים	עלות עומס עבודה קבוע
מודל תכנות	שׁוֹנֶה	ROCm, SYCL, סטנדרטים פתוחים וערימות ענן קנייניות	זמן פורט
ספריות	מערכת אקולוגית CUDA-X	ספריות חלופיות והפשטות של מסגרות	שלמות התכונות
חיבור בקנה מידה גדול	NVLink/NVSwitch	חיבורים קנייניים או פתוחים חלופיים	יעילות אשכול
רשתות הרחבה	תיק InfiniBand ו-Ethernet	ברודקום, מארוול, סיסקו, אריסטה ואחרות	ביצועים מקצה לקצה
מערכות	פלטפורמות DGX, HGX ופלטפורמות בקנה מידה מתקפל	מערכות OEM ומערכות מותאמות אישית	זמן פריסה
הפצת ענן	מופעים בין היפר-סקיילרים	שבבי ענן מותאמים אישית ומעבדים גרפיים מתחרים	זמינות ותעריף
בסיס מפתחים	בסיס מיומנויות מותקן גדול	תוכנה חוצת פלטפורמות והפשטה של ​​מהדר	עלות מעבר בשוק העבודה

אף רשות רשמית או הגשה תאגידית מבוקרת לא מספקת מכנה מלא של שוק המאיצים לשנת 2025 המכסה בו זמנית כרטיסי מסך של סוחרים ושבבים מותאמים אישית שבויים. לכן, HHI של מאיץ גלובלי רשמי הוא ND. התייחסות לקיבולת TPU או Trainium מותאמים אישית כאפס מכיוון שהם אינם נמכרים ככרטיס נפרד, תגזים בריכוזיות בשוק הסוחרים תוך התעלמות מתלות המשתמשים בעננים בודדים.

---

3.12 ייצור שרתי בינה מלאכותית

ייצור שרתי בינה מלאכותית כולל יצרני ציוד מקורי (OEM) ממותגים, יצרני עיצוב מקורי ומפעילי ענן שמתכננים מערכות באופן פנימי. Supermicro, Dell, HPE, Lenovo ו-Inspur מתקיימות לצד שותפי ייצור כמו Quanta, Wiwynn ו-Foxconn. כוח המיקוח שלהן תלוי פחות בקניין רוחני של מעבדים ויותר בהקצאה, אינטגרציה, קירור נוזלים, עוצמת מדף, יכולת אספקה ​​והסמכת לקוחות.

לא ניתן לחשב באופן מהימן את ריכוז שרתי הבינה המלאכותית מתוך סך ההכנסות משרתים, מכיוון ששרתי ארגונים קונבנציונליים אינם תחליף למערכות מאיץ צפופות. מכנה שוק תקף חייב לכלול רק מערכות העומדות בקריטריונים מוגדרים של מאיץ, רשת וקירור.

טבלה 3.9 – חסמי כניסה לשרתי בינה מלאכותית

מַחסוֹם	חוּמרָה	הֶסבֵּר
הקצאת מאיץ	גבוה מאוד	אינטגרטורים אינם יכולים לספק מערכות ללא כרטיסי מסך נדירים
הנדסה תרמית	גָבוֹהַ	מערכות בינה מלאכותית בקנה מידה מתקפל דורשות קירור מתקדם
צפיפות הספק	גָבוֹהַ	תאימות המתקנים מגבילה את הפריסה
שילוב רשתות	גָבוֹהַ	הביצועים תלויים בטופולוגיה ובתצורה
קושחה ואימות	גָבוֹהַ	לקוחות ארגוניים דורשים תצורות שנבדקו
הוֹן חוֹזֵר	גָבוֹהַ	רכיבים יקרים יוצרים חשיפה למימון
תמיכת לקוחות	גָבוֹהַ	עלויות השבתה דורשות שירות גלובלי
קנה מידה ייצור	בינוני-גבוה	נפח ויחסי ספקים משפיעים על האספקה
אמון המותג	בינוני-גבוה	קונים ביקורתיים מעדיפים ספקי תמיכה מבוססים

---

3.13 תשתית ענן: מקרה ריכוזיות שניתן לאמת

תשתית ענן היא אחד הפלחים שבהם רשות רשמית פרסמה טווחי נתח שמישים. ניתוח ההכנסות של רשות התחרות והשווקים בבריטניה לשנת 2024 הציב את AWS ומיקרוסופט כל אחת בנפרד בטווח של 30-40% עבור IaaS ו-PaaS משולבים, את גוגל בטווח של 5-10% , את IBM ואורקל כל אחת בטווח של 0-5% , ואת הספקים האחרים יחד בטווח של 20-30% . רשות התחרות והשווקים בבריטניה קבעה כי נתח השוק המשולב של AWS ומיקרוסופט נותר בטווח של 60-80% בשנת 2024. נספח ד’: מבנה שוק, מתודולוגיית ריכוזיות וחלק בריטניה באספקה ​​לפי הכנסות – רשות התחרות והשווקים בבריטניה – 2025

מכיוון שמניות מדויקות מחולקות לטווחים ו”אחר” מצרף חברות רבות, מדד HHI מדויק יחיד יהיה דיוק שגוי. בכל זאת ניתן לחשב רצפת ריכוזיות קפדנית.

אם ל-AWS ול-Microsoft יש יחד 60% והן מחולקות שווה בשווה, ול-Google יש 5%, אז:

רצפת HHI = 30 ² + 30 ² + 5 ² = 1,825

35% הנותרים בהכרח מוסיפים סכום חיובי. לכן, מדד ה-HHI בפועל גדול מ-1,825.

אם ל-AWS ול-Microsoft יש יחד 80%, מחולקים שווה בשווה, ול-Google יש 10%, אז:

HHI חלקי = 40² ⁺ 40² ⁺ 10² ⁼ 3,300

שוב, החברות הנותרות מוסיפות לערך. התוצאה קובעת ששוק ה-IaaS/PaaS בבריטניה מרוכז מאוד מתחת לסף של 1,800 בארה”ב, אפילו בנקודת הקצה הנמוכה ביותר מבחינה מתמטית בטווחי CMA.

טבלה 3.10 – ריכוז ענן בבריטניה

לִמְדוֹד	טווח רשמי או ערך נגזר	פֵּשֶׁר
מניית AWS, 2024	30–40%	אחת משתי מובילות השוק
מניית מיקרוסופט, 2024	30–40%	אחת משתי מובילות השוק
גוגל מניות, 2024	5–10%	שלישי רחוק
מניית יבמ, 2024	0–5%	קָטָן
מניית אורקל, 2024	0–5%	קָטָן
משולב אחר	20–30%	מצרף, לא חברה אחת
CR2	60–80%	ריכוז גבוה מאוד של שתי חברות
CR3	65–90% לפני התאמת טווח	גבוה; ערך מדויק נמחק
גבול תחתון HHI	גדול מ-1,825	מרוכז מאוד
HHI חלקי סביר בנקודות הסיום העליונות	לפחות 3,300	מרוכז מאוד

לאחר מכן הצהירה רשות התחרות והשווקים של בריטניה כי חקירתה מצאה כי ל-AWS ולמיקרוסופט עמדות של כוח שוק משמעותי וזיהתה חיובים על יציאת נתונים, חסמי יכולת פעולה הדדית ושיטות רישוי תוכנה של מיקרוסופט כמגבלות על בחירת הלקוחות. רשות התחרות והשווקים של בריטניה מכריזה על חבילת פעולות בנושא תוכנה עסקית ושירותי ענן – רשות התחרות והשווקים של בריטניה – מרץ 2026

---

3.14 פיתוח מודל גבולי

מודלים של Frontier דורשים הון, מחשוב, נתונים, כישרון מיוחד, מערכות הערכה, הפצה ויכולת הסקה מתמשכת. המפתחים העיקריים כוללים את OpenAI, Google DeepMind, Anthropic, Meta ו-xAI, לצד מפתחים סינים גדולים ולאומיים אחרים. הגדרת השוק נותרה לא פתורה. שווקים אפשריים כוללים אימון מודלים, גישה ל-API, עוזרי צרכנים, מודלים ארגוניים, מודלים בעלי משקל פתוח, מערכות רב-מודאליות והסקה ספציפית למשימה. ספירת משתמשים, הכנסות מ-API, נפח אסימונים ויכולת ביצועים יניבו נתחים שונים.

אף רגולטור ראשי או הגשה מבוקר לא מספקים מכנה מלא של הכנסות או שימוש מותאם לאיכות במודל גבולי. לכן:

• CR3: לא רלוונטי;
• CR4: לא רלוונטי;
• HHI: ND.

היעדר מדד HHI לחישוב אינו מרמז על ריכוזיות נמוכה. משמעות הדבר היא שהשוק והמכנה הרלוונטיים נותרים אמפירית לא שלמים.

טבלה 3.11 – חסמי כניסה במודל Frontier

מַחסוֹם	מַנגָנוֹן
חישוב אימון	גישה גדולה מראש לאשכול
קיבולת הסקה	הוצאות מתמשכות לאחר השקת המודל
נְתוּנִים	איכות, חוקיות, ניקיון וכיסוי דומיין
כִּשָׁרוֹן	מאגר עולמי קטן של חוקרים ומהנדסי תשתיות מנוסים
הַעֲרָכָה	בטיחות, אמינות ותשתית ייחוס
הֲפָצָה	פלטפורמת צרכנים, ענן או בסיס התקנות ארגוני
מותג ואמון	קונים מעדיפים מודלים מוכרים לפריסה קריטית
תַקָנָה	עלויות קבועות של ציות מעדיפות קנה מידה
לולאות משוב	אינטראקציות של משתמשים יכולות לשפר מוצרים והפצה
הוֹן	אופק השקעה ארוך ומוניטייזציה לא ודאי

---

3.15 אינטגרציה אנכית בין עננים ומפתחי מודלים

קשרים אנכיים וכמו-אנכיים מחברים ספקי תשתית עם מפתחי מודלים באמצעות השקעות הון, התחייבויות ענן, חלוקת הכנסות, הפצה, שיתוף פעולה טכני וגישה מועדפת. המחקר של ה-FTC מינואר 2025 בחן שותפויות הכוללות את מיקרוסופט ו-OpenAI, אמזון ו-Anthropic, ואלפבית ו-Anthropic. המחקר מצא ששותפי ענן קיבלו זכויות שונות הקשורות להון, חלוקת הכנסות, ייעוץ, שליטה או בלעדיות, וכי מפתחי מודלים קיבלו הון, משאבי ענן והפצה. שותפויות בין ספקי שירותי ענן למפתחי בינה מלאכותית – ועדת הסחר הפדרלית – ינואר 2025

שותפויות אלו יכולות ליצור יעילות:

• מימון פיתוח מודלים שאינו בר השגה אחרת;
• אספקת תשתית מאובטחת;
• לשלב מודלים במוצרים ארגוניים;
• להפחית את השהיית הפריסה;
• להפיץ שירותי מודל לבסיס לקוחות גדול;
• יישור מפות דרכים טכניות.

הם יכולים גם ליצור סיכונים תחרותיים:

• להפוך את מפתחי המודלים לתלויים בענן אחד;
• שמירת מחשוב נדיר;
• לספק לשותפי ענן גישה למידע טכני רגיש;
• להגביל פריסה מרובת עננים;
• להעדיף מודלים קשורים בהפצה;
• להגדיל את עלות המעבר;
• ליצור יחסי הכנסות ורכש מעגליים.

טבלה 3.12 – מבחן אינטגרציה אנכית

שְׁאֵלָה	פרשנות יעילות	פרשנות סיכון תחרות
האם קיבולת הענן מובטחת?	מאפשר השקעה ופריסה יציבה	מסיר קיבולת נדירה אצל מתחרים
האם הפצת מודלים משולבת?	מפחית את עלות רכישת הלקוחות	מעדיף מודל משויך
האם התחייבויות הן בלעדיות?	תומך בהשקעה ספציפית למערכת יחסים	מונע תחרות בין עננים מרובים
האם מידע רגיש משותף?	משפר את התיאום ההנדסי	מחליש את היריבות העתידית
האם ההכנסות משותפות?	מיישר תמריצים	מחזק את התלות המעגלית
האם המפתח יכול לעבור לענן?	הקשר נותר שנוי במחלוקת	נעילה הופכת מבנית
האם לקוחות יכולים לייצא עומסי עבודה?	יכולת פעולה הדדית נשמרת	נעילת נתונים וזרימת עבודה
האם דגמים מתחרים מוצעים באופן שווה?	הפלטפורמה נשארת פתוחה	העדפה עצמית

---

3.16 הסכמי אספקה ​​ארוכי טווח והקצאת בתי יציקה

הסכמים ארוכי טווח יכולים לייצב השקעות בייצור, ייצור ייצור ייצורי (HBM), אריזות ותשתיות ענן. ספקים עתירי הון עשויים לא להתרחב ללא ביקוש עתידי אמין; רוכשים עשויים לא להשקיע בתוכניות מודל ללא הבטחת קיבולת. לכן, הסכמים הם פרודוקטיביים כלכלית כאשר הם חולקים סיכונים ומממנים את ההתרחבות.

החשש התחרותי מתעורר כאשר מספר קטן של קונים שומר לעצמם נתח דומיננטי מהתפוקה, מה שמותיר לחברות עצמאיות לקנות משוק שיורי דק. המדדים המתאימים הם:

יחס הקצאת לקוחות:

CAR _k,j = קיבולת _{שהוקצתה ללקוח k,j} ÷ סך הקיבולת _,j

יחס שוק שיורי:

RMR _j = 1 − Σ _k=1 ^K CAR _k,j

הקצאה HHI:

AHHI _j = Σ _k=1 ^K (100CAR _k,j ) ²

NVIDIA חשפה כי בשנת הכספים 2026 לקוח ישיר אחד ייצג 22% מסך ההכנסות ולקוח אחר ייצג 14% , בעיקר בתחום המחשוב והרשתות. זהו ריכוז לקוחות, לא נתח שוק של ספקים. זה מראה על ריכוז קונים משמעותי בבסיס ההכנסות של NVIDIA ומסבך נרטיב פשוט של כוח מוכרים. דוח שנתי של NVIDIA בטופס 10-K לשנת הכספים שהסתיימה ב-25 בינואר 2026 – NVIDIA ורשות ניירות ערך האמריקאית – פברואר 2026

---

3.17 בקרות יצוא כארכיטקטורה של מחסור גיאוגרפי

בקרות יצוא מפרידות בין קיבולת פיזית עולמית לקיבולת נגישה מבחינה חוקית. הלשכה האמריקאית לתעשייה וביטחון מפקח על מוליכים למחצה מתקדמים, ציוד לייצור מוליכים למחצה, HBM ותוכנה קשורה לפי ביצועים, משתמש קצה ויעד. בדצמבר 2024, BIS הוסיפה בקרות על 24 סוגים של ציוד לייצור מוליכים למחצה, שלושה סוגים של תוכנה ו-HBM ספציפיים. המסחר מחזק את בקרות היצוא כדי להגביל את יכולתה של סין לייצר מוליכים למחצה מתקדמים עבור יישומים צבאיים – הלשכה האמריקאית לתעשייה וביטחון – דצמבר 2024

בינואר 2026, BIS עדכנה את גישת הרישוי שלה עבור NVIDIA H200, AMD MI325X ומוצרים דומים המיועדים ללקוחות סינים שאושרו, ועברה לבחינה פרטנית בכפוף לתנאים שנקבעו. משרד המסחר מתקן את מדיניות סקירת הרישיונות עבור מוליכים למחצה המיוצאים לסין – הלשכה האמריקאית לתעשייה וביטחון – ינואר 2026

יחס הזמינות הגיאופוליטי הוא:

GAR _r,t = קיבולת גבול נגישה מבחינה חוקית _r,t ÷ קיבולת גבול עולמית _t

מדינה עלולה להתמודד עם מחסור אפקטיבי חמור גם כאשר הייצור העולמי עולה אם הייצור הרגיל יורד.

טבלה 3.13 – השפעות בקרת יצוא

אֵפֶקְט	פונקציה מיועדת	השלכה כלכלית
הגבלת ייצוא מאיצי מתקדמים	שליטה בביטחון לאומי	תקרת ביצועים אזורית
הגבלת ציוד ייצור	הגבלת הייצור המתקדם המקומי	תלות ממושכת בייצור
שליטה ב-HBM	הגבלת ביצועי מערכת הבינה המלאכותית כולה	אילוץ קיבולת מבוסס זיכרון
תוכנת תכנון/ייצור בקרה	הגבלת פרודוקטיביות של צמתים מתקדמים	תלות ב-EDA
הגבלות רשימת ישויות	ארגונים ספציפיים למקד	בדיקת נאותות ועלויות עסקה
כללים נגד הסחה	מניעת עקיפה	נטל ציות רחב יותר
אי ודאות ברישוי	שמירה על שיקול דעת הממשלה	אי ודאות בהשקעה ובהקצאה
החלפה מקומית	לעודד מערכות אקולוגיות חלופיות	עלות שכפול ופיצול

---

3.18 סובסידיות ומדיניות תעשייתית

ממשלות מתייחסות יותר ויותר ליכולת של מוליכים למחצה ובינה מלאכותית כתשתית אסטרטגית. סובסידיות יכולות להפחית חסמי כניסה, להאיץ את הייצור המקומי, לגוון גיאוגרפיה ולהפנים יתרונות חוסן שאינם מתוגמלים בתשואות מסחריות לטווח קצר. הן יכולות גם ליצור עודף כושר ייצור, הקצאה פוליטית, תשתיות כפולות או תחרות סובסידיות בין תחומי שיפוט.

המבחן הכלכלי הוא:

ערך חברתי נקי _p = חוסן תועלת _p + חדשנות גלישה _p + ביטחון תועלת _p + מס תועלת תעסוקה _p − עלות פיסקלית _p − עיוות עלות _p − שכפול עלות _p

טבלה 3.14 – הערכת מדיניות תעשייתית

מְדִינִיוּת	תועלת פוטנציאלית	הסיכון העיקרי	KPI נדרש
סבסוד פאב	פיזור גיאוגרפי	תחרות סובסידיות	תפוקה מוסמכת לכל דולר ציבורי
אשראי למחקר ופיתוח	פיתוח טכנולוגי	סבסוד פעילות שהייתה מתרחשת בכל מקרה	תפוקת פטנטים ותהליך מצטברת
מחשוב ציבורי	מחקר וגישה לעסקים קטנים ובינוניים	ניצול נמוך או הקצאה פוליטית	עומסי עבודה מוצלחים וגיוון משתמשים
גיגה-פקטורי של בינה מלאכותית	קיבולת בקנה מידה גבולי	חיזוק חברות גדולות ותיקות	שיתוף גישה פתוחה ועלות למשימה
תוכנית כוח אדם	מפחית צוואר בקבוק מיומנויות	אי התאמה באימונים	עובדים מוסמכים נשמרו
השקעה באנרגיה	מאפשר הרחבת מרכז נתונים	סוציאליזציה של עלויות	קיבולת יציבה ואמינות רשת
העדפת רכש	יוצר ביקוש לספקים מקומיים	עלות גבוהה יותר ונעילה	עלות רכש מותאמת ביצועים
סטנדרטים פתוחים	מפחית את עלויות המעבר	קונצנזוס איטי	עלות הגירה ויכולת פעולה הדדית

---

3.19 רווחיות ברמת החברה ורנטה כלכלית

רווחיות גבוהה היא עדות לכידת ערך, לא הוכחה לכוח שוק בלתי חוקי. פרק זה מחשב מדדי שולי רווח מדווחים עבור חברות קריטיות נבחרות באמצעות הגשות רשמיות.

שולי התפעול הם:

OM _i,t = הכנסה תפעולית _i,t ÷ הכנסות _i,t × 100

שולי הרווח הנקי הם:

NM _i,t = הכנסה נטו _i,t ÷ הכנסות _i,t × 100

התשואה על ההון המושקע היא:

ROIC _i,t = NOPAT _i,t ÷ הון מושקע ממוצע _i,t

רווח כלכלי הוא:

EP _i,t = [ROIC _i,t − WACC _i,t ] × הון מושקע _i,t

תזרים מזומנים חופשי הוא:

FCF _i,t = תזרים מזומנים תפעולי _i,t − הוצאות הון _i,t

ערך מוסף שוק הוא:

MVA _i,t = ערך שוק ארגוני _i,t − הון מושקע _i,t

קירוב של q של טובין הוא:

q _i,t = שווי שוק של נכסים _i,t ÷ עלות החלפה של נכסים _i,t

לא ניתן לחשב מדד טובין-q אמין משווי שוק בלבד, משום שעלות ההחלפה של נכסים בלתי מוחשיים ופיזיים אינה ניתנת לצפייה ישירה.

טבלה 3.15 – מדדי רווחיות מאומתים

חברה ותקופה	הַכנָסָה	שולי רווח גולמי	הכנסה תפעולית או שולי רווח	הכנסה נטו או שולי רווח	פרשנות ראייתית
NVIDIA שנת הכספים 2026	215.938 מיליארד דולר	71.1%	130.387 מיליארד דולר; כ-60.4%	120.067 מיליארד דולר; ≈55.6%	לכידת ערך יוצאת דופן על פני פלטפורמת מחשוב מואץ
TSMC 2025	≈122 מיליארד דולר	59.9%	מרווח של 50.8%	שולי רווח של 45.1%	ניצול חזק, מנהיגות בצמתים וקנה מידה
ASML 2025	32.7 מיליארד אירו	52.8%	11.3 מיליארד אירו; כ-34.6%	9.6 מיליארד אירו; כ-29.4%	מערכת אקולוגית של ציוד ושירותים בעלי תשואה גבוהה
TSMC 2024	הכנסה שנתית מדווחת	56.1%	45.7%	40.5%	נמוך יותר משנת 2025, תומך בניצול ובהשפעות התמהיל
TSMC 2023	69.30 מיליארד דולר	54.4%	42.6%	38.8%	הירידה בשוק המוליכים למחצה מדגימה מחזוריות

NVIDIA מכריזה על תוצאות כספיות לרבעון הרביעי ולשנת הכספים 2026 – NVIDIA – פברואר 2026 דוח שנתי של TSMC לשנת 2025 – חברת ייצור מוליכים למחצה טייוואנית – אפריל 2026 דוח שנתי של ASML לשנת 2025 – ASML – ינואר 2026 דוח שנתי של TSMC לשנת 2023 – חברת ייצור מוליכים למחצה טייוואנית – פברואר 2024

טבלה 3.16 – מטריצת הסבר הרווח

מקור רווח נצפה	NVIDIA	TSMC	ASML
שכר דירה חדשני	גבוה מאוד	גבוה מאוד	גבוה מאוד
שכירות קניין רוחני	גבוה מאוד	ידע רב בתהליך	גבוה מאוד
שכר דירה במחסור	גבוה במהלך אספקה ​​מוגבלת	גבוה בצמתים מובילים	גבוה עבור כלים קריטיים
כלכלת גודל	גבוה מאוד	גבוה מאוד	גָבוֹהַ
שכר דירה של המערכת האקולוגית	גבוה מאוד	בינוני-גבוה	בסיס מותקן גבוה
פיצוי סיכון	גָבוֹהַ	מחזור הון עקב גבוה מאוד	גבוה מאוד עקב מחזור מחקר ופיתוח
רכיב כוח השוק	סביר ודורש בדיקה רשמית	סביר בפלחים מובילים	מבחינה מבנית סביר
ראיות להתנהלות בלתי חוקית	לא נקבע על ידי שוליים	לא נקבע על ידי שוליים	לא נקבע על ידי שוליים

שולי הרווח התפעוליים של NVIDIA לשנת הכספים 2026, העומדים על כ-60.4%, גבוהים במיוחד, אך שולי הרווח הגולמי ירדו מ -75.0% בשנת הכספים 2025 ל-71.1% בשנת הכספים 2026 , דבר המשקף בין היתר את המעבר לפתרונות מרכזי נתונים בקנה מידה מלא של Blackwell וחיוב הקשור להתחייבויות מלאי ורכישה ב-H20. תנועה זו אינה עולה בקנה אחד עם ההנחה הפשטנית שכוח השוק מכריח מכנית את השוליים כלפי מעלה מדי שנה. היא תומכת בהסבר מעורב הכולל חדשנות, תמהיל מערכות, מחסור וכוח פלטפורמה.

---

3.20 ניתוח צוואר בקבוק פורמלי

יש להעריך צוואר בקבוק על ידי יותר מאשר ספירת ספקים. פרק זה מגדיר את ציון צוואר הבקבוק הגלובלי של בינה מלאכותית:

GABS _j = 0.25C _j + 0.20S _j + 0.20T _j + 0.15G _j + 0.10I _j + 0.10A _j

כאשר כל משתנה מקבל ציון מ-0 עד 100:

• C _j : ריכוז;
• S _j : חוסר תחליפיות;
• T _j : זמן החלפה או הרחבה;
• G _j : ריכוז גיאוגרפי;
• I _j : השפעה על התפוקה במורד הזרם;
• A _j : מידת ההקצאה המוקדמת.

הציונים שלהלן הם הערכות אנליטיות מובנות, לא סטטיסטיקות מבוקרות.

טבלה 3.17 – דירוג צווארי בקבוק עולמיים של בינה מלאכותית

דַרגָה	רְכִיב	ריכוז	תחליפיות	זמן התרחבות	השפעת ההפרעה	סיכון ראשוני
1	ליתוגרפיה של EUV	אקסטרים	נמוך במיוחד	ארוך במיוחד	מערכתית	קרִיטִי
2	קיבולת יציקה מובילה	גבוה מאוד	נמוך מאוד	ארוך מאוד	מערכתית	קרִיטִי
3	HBM	גבוה מאוד	נָמוּך	אָרוֹך	חָמוּר	קרִיטִי
4	אריזה מתקדמת	גָבוֹהַ	נָמוּך	אָרוֹך	חָמוּר	קרִיטִי
5	מערכת אקולוגית של תוכנת מאיץ	גבוה מאוד	נמוך-בינוני	לונג מבחינה ארגונית	חָמוּר	קרִיטִי
6	EDA ושילוב תכנון תהליכים	גבוה מאוד	נָמוּך	אָרוֹך	שיטתי עבור עיצובים חדשים	קרִיטִי
7	חשמל במרכזי נתונים מבוססי בינה מלאכותית	גבוה אזורי	נמוך באופן מקומי	אָרוֹך	חמור לפי אזור	גָבוֹהַ
8	רשתות ואופטיקה במהירות גבוהה	עשיר במוצרים מיוחדים	בינוני-נמוך	בינוני-ארוך	חמור בקנה מידה אשכול	גָבוֹהַ
9	מצעים/חוצצים מתקדמים	היצע גבוה של מקצוענים	טווח קצר נמוך	בינוני-ארוך	גָבוֹהַ	גָבוֹהַ
10	קירור נוזלי לשרתים בבינה מלאכותית	לְמַתֵן	בֵּינוֹנִי	בֵּינוֹנִי	גבוה באופן מקומי	בינוני-גבוה
11	כישרון דוגמנית Frontier	מרוכז מאוד	טווח קצר נמוך	אָרוֹך	גבוה לחדשנות	גָבוֹהַ
12	DRAM/NAND קונבנציונלי	מרוכז אך מחזורי	בֵּינוֹנִי	בֵּינוֹנִי	לְמַתֵן	בֵּינוֹנִי

---

3.21 שידור שיבושים

השפעת התפוקה של שיבוש רכיב היא:

Δקיבולת _AI = גמישות _j × Δהיצע _j

עבור השלמות קפדניות, הגמישות יכולה להתקרב לאחד מעל טווח הקישור: הפחתה של 10% בצוואר הבקבוק עשויה להפחית את המערכות הניתנות לתוצר בקרוב ל-10%. עבור תשומות עם מלאי או תחליפים, הגמישות לטווח קצר תהיה נמוכה יותר.

טבלה 3.18 – תרחישי כשל צוואר בקבוק

צומת מופרע	השפעה מיידית	אפקט מסדר שני	מצב התאוששות
אספקת ציוד EUV	עיכוב בקיבולת צמתים חדשים ובהחלפת כלים	תפוקת מאיץ עתידית מופחתת	אספקת כלים, שירות ושחזור תהליכים
בית יציקה מתקדם	אובדן ייצור שבבי לוגיקה	מחסור במעבדים גרפיים, מעבדים ומאיצים מותאמים אישית	הסמכה חלופית או מפעל משוחזר
HBM	לא ניתן להגדיר לוגיקה שהושלמה בזיכרון היעד	משלוחי מאיצים נמוכים יותר או מפרטים מופחתים	זיכרון חלופי מוסמך
אריזה מתקדמת	מלאי לוגיקה וזיכרון מצטבר באופן בלתי גמור	עיכובים בשרתים וחוסר בקיבולת ענן	הרחבת אריזות ושיקום תפוקה
כלי EDA/אישור	עיצובים חדשים מתעכבים	מעבר ארכיטקטורה איטי יותר	שחזור או אימות מחדש של כלים
חיבור חשמל	מערכות מותקנות אינן יכולות לפעול בקנה מידה המיועד	ניצולת נמוכה יותר ותורים אזוריים	רשת ויכולת ייצור
יצירת קשרים	מאיצים פועלים מתחת לפוטנציאל האשכול	עלות גבוהה יותר לכל משימת אימון או הסקה	בד אלטרנטיבי וכיוונון מחדש
פלטפורמת ענן	הפרעה לשירות והעברת עומסי עבודה	שיבוש תפעולי בארגון	ניידות ענן מרובת-עננים ושירות משוחזר
מודל API	כשל אפליקציה למרות חומרה זמינה	הפרעה לתהליכים עסקיים	החלפת מודל ואימות
רישיון יצוא	גישה גיאוגרפית הופסקה או התעכבה	סטייה והחלפה אזורית של מחירים	רישיון, עיצוב מחדש או אלטרנטיבה מקומית

---

3.22 ריכוזיות מערכתית: בעיית התלות המשותפת

גיוון במורד הזרם יכול להסתיר מכנה משותף במעלה הזרם. ספקי מודלים מרובים של בינה מלאכותית עשויים להשתמש במודלים שונים תוך הסתמכות על אותו ענן, ארכיטקטורת מאיץ, בית יציקה, ציוד ליתוגרפיה וספקי HBM. לכן, ההסתברות לכשל מתואם גבוהה יותר ממה שמציעה ספירה פשוטה של ​​ספקי מודלים.

יחס התלות המשותף הוא:

CDR _j = קיבולת במורד הזרם התלויה בצומת _j ÷ קיבולת כוללת במורד הזרם

ציפיית ההפסד המערכתית היא:

E(הפסד _j ) = הסתברות שיבוש _j × CDR _j × ערך כלכלי בסיכון

טבלה 3.19 – שכבות תלות משותפות

מראה במורד הזרם	תלות משותפת נסתרת
מספר ספקי ענן	אותה שרשרת יציקה וציוד מתקדמת
מספר ספקי מודלים	אותה תשתית ענן ותשתית מאיץ
מספר מותגי מאיצים	אותם ספקי אריזה, מצעים או זיכרון
מספר מותגי שרתים	אותה הקצאת מאיץ ורשת
מספר מוצרי בינה מלאכותית ארגונית	אותו ממשק API של מודל גבול
מספר תוכניות לאומיות לבינה מלאכותית	אותם מאיצים מיובאים ומחסנית תוכנה
מספר דגמים מקומיים	אותה מערכת אקולוגית של GPU לצרכן ואילוצי זיכרון

---

3.23 רישום ריכוזים סופי

טבלה 3.20 – CR _n ומצב HHI לפי מגזר

מִגזָר	CR n	HHI	נְחִישׁוּת
ליתוגרפיה מסחרית של EUV	CR1 מותנה = 100%	HHI מותנה = 10,000	תנאי טכני של מקור יחיד; מכנה פורמלי לא פורסם באופן עצמאי
EDA	ND	ND	ריכוז מבני גבוה; מניות ראשוניות מדויקות אינן זמינות
בית יציקה מתקדם	ND	ND	צפוי ריכוז גבוה מאוד; אין מכנה ראשוני הרמוני
HBM	ND	ND	שלושה ספקים עיקריים; חלקים מדויקים אינם זמינים
DRAM קונבנציונלי	ND	ND	מבנה מרוכז מאוד; נתחי המניות הנוכחיים המדויקים אינם זמינים
NAND	ND	ND	מגוון יותר מ-HBM/DRAM; מניות מדויקות אינן זמינות
אריזה מתקדמת	ND	ND	הטרוגניות של מוצרים מונעת מכנה פשוט של הכנסה
מצעים/חוצצים של בינה מלאכותית	ND	ND	נתוני קיבולת מוסמכת אינם זמינים
מאיצי בינה מלאכותית לסוחרים	ND	ND	שבבים מותאמים אישית שבויים מסבכים את הגדרת השוק
שרתי בינה מלאכותית	ND	ND	הכנסות משרתים קונבנציונליים הן מכנה לא תקין
IaaS/PaaS בבריטניה, 2024	CR2 = 60–80%	גדול מ-1,825 בוודאות	שוק מרוכז מאוד שניתן לאמת רשמית
דגמי Frontier	ND	ND	הגדרת שוק ומכנה שימוש לא פתורים
הפצת בינה מלאכותית ארגונית	ND	ND	יש להפריד לפי קטגוריית אפליקציה

---

3.24 פסק דין סופי

שרשרת האספקה ​​של בינה מלאכותית אינה מונופולית באופן אחיד, אך היא מרוכזת מבחינה מבנית סביב מספר קטן של צמתים בעלי רמת קריטיות גבוהה. הריכוז החזק ביותר נמצא במעלה הזרם בליתוגרפיה של EUV, ייצור מתקדם, שילוב EDA, HBM ואריזות מתקדמות; ריכוז במורד הזרם ניתן לאימות בצורה הטובה ביותר בתשתיות ענן ציבוריות. מקרה הענן בבריטניה מדגים שנתחי שוק מדויקים אינם נחוצים כדי לקבוע מסקנה מבנית מינימלית: טווחים רשמיים מרמזים על HHI מעל סף הריכוזיות הגבוה של 1,800, אפילו תחת ההנחות הממזערות ביותר את הריכוזיות.

ארכיטקטורת המחסור היא מצטברת. מתכנני מאיצים תלויים בבתי יציקה; בתי יציקה תלויים בליתוגרפיה וב-EDA; מאיצים תלויים ב-HBM ובאריזה; שרתים תלויים ברשתות ובקירור; עננים תלויים באנרגיה ובהקצאת שרתים; מפתחי מודלים תלויים בעננים; יישומים ארגוניים תלויים במודלים ובמערכות אקולוגיות של תוכנה מותקנות. מחסור בשכבה אחת יכול אפוא להתפשט לכל השרשרת.

רווחיות היא גם רב-סיבתית. NVIDIA, TSMC ו-ASML מדווחות על שולי רווח יוצאי דופן, אך הראיות תומכות בשילוב של דמי חדשנות, תשואות קניין רוחני, דמי מחסור, יתרונות גודל, פיצוי סיכון וכוח שוק פוטנציאלי. שולי רווח גבוהים כשלעצמם אינם מכריזים על התנהגות בלתי חוקית. ממצא משפטי או תחרותי ידרוש שווקים מוגדרים, התנהגות הרחקה, ניתוח נגד-עובדתי וראיות לכך שהיעילות אינה מסבירה את התוצאה הנצפית.

הפגיעויות המערכתיות הגדולות ביותר בחמש השנים האחרונות הן ליתוגרפיה של EUV, קיבולת יציקה מתקדמת, HBM, אריזות מתקדמות, שילוב EDA ונעילת תוכנה של מאיצי חשמל . חשמל ורשתות מהווים את האילוצים מהסדר הבא: גם אם תפוקת המוליכים למחצה תתרחב, קיבולת רשת לא מספקת או חיבורים חיבוריים יכולים למנוע מחומרה פיזית להפוך למחשוב שמיש. המסקנה האסטרטגית המרכזית היא אפוא שיכולת הבינה המלאכותית העולמית לא תיקבע על ידי מספר השבבים המתוכננים, אלא על ידי הכמות הקטנה ביותר הניתנת לפריסה מבין כל המשלים ההכרחיים.

פרק 4 – העלות האמיתית של בינה מלאכותית מקומית

4.1 היקף, הגדרות וגבול ראייתי

לא ניתן להסיק את העלות הכלכלית של בינה מלאכותית מקומית ממחיר הקמעונאות של מחשב, מספר הפרמטרים הנומינלי של מודל, או מהעובדה שניתן לטעון טכנית נקודת ביקורת דחוסה לזיכרון המערכת. פריסה מקומית הופכת למשמעותית כלכלית רק כאשר היא יכולה להשלים עומס עבודה מוגדר ברמה מקובלת של איכות, השהייה, תפוקה, מקביליות, אמינות, אבטחה והמשכיות תפעולית. לכן, פרק זה מגדיר בינה מלאכותית מקומית שמישה כמערכת סוציו-טכנית שלמה – לא רק קובץ מודל – המסוגלת לעמוד בספי רמת שירות ואיכות מפורשים עבור המשתמשים המיועדים שלה. מעטפת המשאבים שלה כוללת זיכרון מאיץ, זיכרון מערכת, אחסון, רוחב פס חיבור, אספקת חשמל, קירור, רשתות, תוכנת הסקה, רישיונות מודל, בקרות אבטחה, כוח אדם מומחה, תחזוקה, קיבולת החלפה, הליכי הערכה ותגובה לאירועים. הניתוח מפריד בין שלוש קטגוריות ראיות. ראשית, קיבולות חומרה ומגבלות הספק המיוחסות למוצרים בעלי שם נלקחות מתיעוד רשמי של היצרן. שנית, יחסי זיכרון, אנרגיה ועלות נגזרים מזהויות מתמטיות הניתנות לשחזור. שלישית, מחירים שלא פורסמו בפומבי על ידי יצרנים, תנאי הפעלה עתידיים והוצאות ספציפיות לארגון מוצגים כתרחישי תכנון שקופים , ולא כעובדות שוק נצפות. הבחנה זו הכרחית משום שמאיצי מערכות ארגוניות, שרתים משולבים, חוזי תמיכה ותשתיות מאובטחות נמכרים לעתים קרובות בהצעת מחיר, בעוד שתעריפי חשמל, מיסים, משכורות, שיעורי ניצול ועלויות תאימות שונים באופן דרמטי בין תחומי שיפוט. מראית עין כוזבת של דיוק תהיה פחות מדעית מטווח מתועד המלווה בניתוח רגישות.

האילוצים הפיזיים כבר מספיקים כדי להפריך את הטענה שכל “מחשב בעל זיכרון גדול” ניתן להחלפה. כרטיס מסך NVIDIA GeForce RTX 5090 מספק 32 ג’יגה-בייט של זיכרון GDDR7, 1,792 ג’יגה-בייט/שנייה של רוחב פס זיכרון ומחיר התחלתי רשמי של 1,999 דולר, בעוד שכרטיס מסך NVIDIA H200 מספק 141 ג’יגה-בייט של HBM3e ו-4.8 טרה-בייט/שנייה של רוחב פס. כרטיס מסך NVIDIA DGX B200 בעל שמונה מעבדים גרפיים משלב 1,440 ג’יגה-בייט של זיכרון GPU, 64 טרה-בייט/שנייה של רוחב פס זיכרון מצטבר והספק מערכת מרבי של כ-14.3 קילוואט. אלו הם אובייקטים כלכליים שונים: מאיץ צרכנים, מאיץ למרכזי נתונים ומערכת משולבת בקנה מידה מתלה. מפרטי GeForce RTX 5090 – NVIDIA – ינואר/2025 – מפרטים רשמיים של NVIDIA GeForce RTX 5090. כרטיס מסך NVIDIA H200 Tensor Core – NVIDIA – נובמבר/2023 – מפרט מוצר רשמי של NVIDIA H200 . NVIDIA DGX B200 – NVIDIA – 2026 — מפרט רשמי של NVIDIA DGX B200 . קיבולת הזיכרון של מערכת קובעת לפיכך רק גבול היתכנות. היא אינה קובעת מספר טוקנים שניתן להשיג בשנייה, זמן עד ליצירת טוקנים ראשונים, תפוקה מרובת משתמשים, איכות מודל, חוסן תפעולי או עלות כוללת.

---

4.2 האנטומיה החישובית של תואר שני במשפטים מקומי

4.2.1 זיכרון משקל הדגם

עבור מודל צפוף המכיל N פרמטרים _p המאוחסנים ב-b סיביות לכל פרמטר, דרישת זיכרון המשקל הגולמי היא:

Mw ₌ Np _× b ÷ 8

אֵיפֹה:

• Mw _הוא זיכרון משקל המודל הגולמי בבתים;
• N _p הוא ספירת הפרמטרים;
• b הוא המספר האפקטיבי של ביטים המאוחסנים לכל פרמטר.

כאשר N _p מבוטא במיליארדי פרמטרים, המספר המתקבל מבוטא בנוחות בג’יגה-בייט עשרוניים:

M _w,GB = N _p,B × b ÷ 8

הטבלה הבאה מדווחת על זיכרון משקל תאורטי בלבד. היא אינה כוללת סולמות קוונטיזציה, נקודות אפס, מטא-נתונים של טנזורים, מטמון KV, הפעלות, סביבות עבודה של ביצוע, מקודדים רב-מודאליים, שימוש במערכת הפעלה ופרגמנטציה.

גודל מודל צפוף	FP32	FP16/BF16	FP8/INT8	INT4	תיאורטי של 3 סיביות	תיאורטי של 2 סיביות
7B	28 ג’יגה-בייט	14 ג’יגה-בייט	7 ג’יגה-בייט	3.5 ג’יגה-בייט	2.63 ג’יגה-בייט	1.75 ג’יגה-בייט
8B	32 ג’יגה-בייט	16 ג’יגה-בייט	8 ג’יגה-בייט	4 ג’יגה-בייט	3 ג’יגה-בייט	2 ג’יגה-בייט
13B	52 ג’יגה-בייט	26 ג’יגה-בייט	13 ג’יגה-בייט	6.5 ג’יגה-בייט	4.88 ג’יגה-בייט	3.25 ג’יגה-בייט
14B	56 ג’יגה-בייט	28 ג’יגה-בייט	14 ג’יגה-בייט	7 ג’יגה-בייט	5.25 ג’יגה-בייט	3.5 ג’יגה-בייט
30B	120 ג’יגה-בייט	60 ג’יגה-בייט	30 ג’יגה-בייט	15 ג’יגה-בייט	11.25 ג’יגה-בייט	7.5 ג’יגה-בייט
32B	128 ג’יגה-בייט	64 ג’יגה-בייט	32 ג’יגה-בייט	16 ג’יגה-בייט	12 ג’יגה-בייט	8 ג’יגה-בייט
35B	140 ג’יגה-בייט	70 ג’יגה-בייט	35 ג’יגה-בייט	17.5 ג’יגה-בייט	13.13 ג’יגה-בייט	8.75 ג’יגה-בייט
70B	280 ג’יגה-בייט	140 ג’יגה-בייט	70 ג’יגה-בייט	35 ג’יגה-בייט	26.25 ג’יגה-בייט	17.5 ג’יגה-בייט
72B	288 ג’יגה-בייט	144 ג’יגה-בייט	72 ג’יגה-בייט	36 ג’יגה-בייט	27 ג’יגה-בייט	18 ג’יגה-בייט
100B	400 ג’יגה-בייט	200 ג’יגה-בייט	100 ג’יגה-בייט	50 ג’יגה-בייט	37.5 ג’יגה-בייט	25 ג’יגה-בייט
175B	700 ג’יגה-בייט	350 ג’יגה-בייט	175 ג’יגה-בייט	87.5 ג’יגה-בייט	65.63 ג’יגה-בייט	43.75 ג’יגה-בייט
405B	1,620 ג’יגה-בייט	810 ג’יגה-בייט	405 ג’יגה-בייט	202.5 ג’יגה-בייט	151.88 ג’יגה-בייט	101.25 ג’יגה-בייט

הטבלה משתמשת בג’יגה-בייט עשרוניים מכיוון שספקי חומרה בדרך כלל מפרסמים קיבולת ביחידות עשרוניות. המרה לג’יגה-בייט בינאריים היא:

M _GiB = M _GB ÷ 1.073741824

כתוצאה מכך, 35 ג’יגה-בייט של משקולות תופסים כ-32.60 ג’יגה-בייט. הבחנה זו חשובה ליד מגבלת הקיבולת של התקן, אך היא אינה יוצרת מרווח גובה שמיש: נקודת ביקורת INT4 נומינלית של 35 ג’יגה-בייט לא יכולה להיחשב בבטחה כזמן ריצה מלא של 35 ג’יגה-בייט.

4.2.2 משטרי דיוק וכימות

יִצוּג	ביטים נומינליים לכל פרמטר	בתים גולמיים לכל פרמטר	יתרון עיקרי	מגבלה עיקרית
FP32	32	4.00	טווח מספרי גבוה וחישוב ברמת ייחוס	זיכרון ורוחב פס מוגזמים עבור הסקה רגילה
FP16	16	2.00	תמיכה רחבה במאיצים ותפוקה גבוהה	טווח מספרי קטן יותר מאשר BF16
BF16	16	2.00	טווח אקספוננטים דמוי FP32	דורש חומרה וקרינים תואמים
FP8	8	1.00	תפוקת מאיץ גבוהה; צמצום משמעותי בזיכרון	חומרה, כיול ותלות בליבת הגרעין
INT8	8	1.00	נתיב דחיסה בוגר עם סיכון איכות בינוני	האצה תלויה בביצוע שלמים מקוריים
INT4	4	0.50	הופך הסקה מקומית ברמה 30-100B לאפשרית באופן מהותי יותר	איכות ומהירות תלויות בשיטה, במודל ובליבת הגרעין
3 סיביות	3	0.375	צמצום קיבולת נוסף	תקורה של מטא-דאטה גדלה באופן יחסי; סיכון האיכות עולה
2 סיביות	2	0.25	דחיסה קיצונית	פגיעה ספציפית למודל החומר וניידות מוגבלת של הליבה
דיוק מעורב	מִשְׁתַנֶה	מִשְׁתַנֶה	שומר על שכבות רגישות בדיוק גבוה יותר	יש למדוד את הביטים האפקטיביים לכל פרמטר, לא להניח אותם

רוחב סיביות נומינלי אינו שווה לעלות אחסון אפקטיבית. כימות לפי קבוצות מאחסנת קני מידה, ובהתאם לפורמט, נקודות אפס או ספרי קודים. שכבות הטמעה ופלט עשויות להישאר בדיוק גבוה יותר. ריפוד יישור, כותרות טנזור וחוצצים כפולים מוסיפים תקורה נוספת. לכן, חישוב קיבולת הגנה צריך להשתמש ב:

b _eff = 8 × _{נקודת ביקורת} S ÷ N _p

_{כאשר נקודת הבדיקה} S היא גודל נקודת הבדיקה הנמדדת בבתים. יש למדוד את זיכרון זמן הריצה לאחר אתחול המודל מכיוון שחלק מהמסגרות מבצעות דה-קוונטיזציה של טנזורים נבחרים, בונות טבלאות חיפוש עזר או שומרות סביבות עבודה לביצוע.

קוונטיזציה אינה רווח כלכלי בלתי מותנה. היא מפחיתה את תעבורת הזיכרון ועשויה להגביר את המהירות כאשר החומרה ומנוע ההסקה כוללים ליבות יעילות עבור הפורמט הנבחר. לעומת זאת, מודל דחוס מאוד יכול לפעול לאט יותר כאשר הליבות שלו מפרקות שוב ושוב משקלים לייצוג מדויק יותר, כאשר פעולות שאינן נתמכות חוזרות למעבד, או כאשר פריקה הטרוגנית רוויה את ה-PCIe או את ממשק הזיכרון-מערכת. אובדן איכות תלוי גם בעומס העבודה: שיטת דחיסה ששומרת על מבוכה ממוצעת של מודל שפה עדיין עשויה לפגוע ביצירת קוד, הנמקה רב-לשונית, חילוץ מדויק, עבודה מספרית, שימוש בכלים או טרמינולוגיה של תחומים נדירים. לכן, ההשוואה הנכונה אינה “INT4 לעומת FP16” באופן מופשט, אלא הייצוג בעלות הנמוכה ביותר שעובר חבילת הערכה מוגדרת מראש ספציפית למשימה.

---

4.3 זיכרון תפעולי כולל

הזהות המבצעית הנכונה היא:

M _{סך הכל} = M _w + M _KV + M _act + M _workspace + M _multimodal + M _OS + M _frag

זה מרחיב את הביטוי המבוקש על ידי הפרדת סביבות עבודה של ביצוע, רכיבים רב-מודאליים, הזמנת מערכת הפעלה ופרגמנטציה. לא ניתן לייצג את הרכיבים על ידי אחוז קבוע אוניברסלי מכיוון שהם מגיבים בצורה שונה לאורך ההקשר, גודל האצווה, ארכיטקטורת המודל, המסגרת והמקביליות.

4.3.1 זיכרון מטמון KV

עבור שנאי מפענח בלבד, קירוב מודע לארכיטקטורה הוא:

M _KV = 2 × אורך × גובה _KV × עומק _ראש × עומק × ג × b _KV ÷ 8

אֵיפֹה:

• 2 מייצג את המפתחות והערכים המאוחסנים בנפרד;
• L הוא מספר שכבות השנאים;
• H _KV הוא מספר ראשי המפתח-ערך;
• _ראש D הוא ממד הראש;
• T הוא מספר האסימונים המאוחסנים במטמון לכל רצף;
• C הוא מספר הרצפים השוכנים בו זמנית;
• b _KV הוא דיוק המטמון בסיביות.

אם לבקשות יש אורכי הקשר לא שווים, הצורה הכללית יותר היא:

M _KV = 2 × אורך × גובה _KV × עומק _ראש × b _KV ÷ 8 × ΣT _j

כאשר ΣT _j הוא סכום האסימונים המאוחסנים במטמון על פני כל הרצפים הפעילים. ניסוח זה מונע הכפלה שגויה של אורך הקשר מקסימלי בספירת משתמשים נומינלית כאשר משתמשים רבים אינם פעילים או שיש להם הנחיות קצרות יותר.

שני חישובים להמחשה מראים מדוע הקשר ותפעול מקביליות יכולים לשלוט בתכנון זיכרון. עבור מודל שאילתה מקובצת היפותטי מסוג 8B עם 32 שכבות, שמונה ראשי KV, ממד ראש של 128, הקשר של 32,768 אסימונים, רצף פעיל אחד ומטמון של 16 סיביות:

M _KV = 2 × 32 × 8 × 128 × 32,768 × 1 × 16 ÷ 8
M _KV = 4 GiB

עבור מודל שאילתה מקובצת היפותטי מסוג 70B עם 80 שכבות ואותם שמונה ראשי KV וראשי 128-ממדים:

הקשר ובהקביליות	דרישת מטמון KV
8,192 אסימונים; רצף פעיל אחד	2.5 ג’יגה-בייט
32,768 אסימונים; רצף פעיל אחד	10 ג’יגה-בייט
131,072 אסימונים; רצף פעיל אחד	40 ג’יגה-בייט
32,768 אסימונים; ארבעה רצפים פעילים	40 ג’יגה-בייט
32,768 אסימונים; שמונה רצפים פעילים	80 ג’יגה-בייט

אלו הן איורים ארכיטקטוניים, לא ערכים אוניברסליים עבור כל דגם 8B או 70B. מודלים עם תשומת לב מרובת ראשים יכולים לדרוש זיכרון מטמון גדול משמעותית; תשומת לב מרובת שאילתות יכולה לדרוש פחות. כימות מטמון KV יכול להפחית את צריכת הקיבולת, אך יש לבדוק את האיכות, ההשהיה ותאימות הליבה הנובעים מכך.

4.3.2 הקצאות תפעוליות אחרות

הַקצָאָה	גורמים עיקריים	תכנון טיפול
הפעלות, פעולה M	גודל אצווה, עיבוד מהיר, רוחב נסתר, גרעינים, מקביליות	מדוד מילוי מוקדם של שיא ופענוח בנפרד
סביבת עבודה לביצוע, סביבת עבודה M	יישום קשב, גרעיני מטריצה, לכידת גרפים	מדידה אמפירית עדיפה על אחוז קבוע
מערכת הפעלה ומסך, מערכת הפעלה M	מערכת הפעלה, תצוגת שולחן עבודה, שירותי רקע, זיכרון מאוחד	קיבולת רזרבה לפני הקצאת מודל
פרגמנטציה, פרגמנטציה M	מקצה, גדלי טנזורים, טעינה/פריקה של מודל, שירות ארוך טווח	בדיקת מאמץ על פני בקשות חוזרות ונשנות; אל תסתמכו על אתחול נקי
רב-מודאלי, רב-מודאלי M	מקודדי ראייה/שמע, מקרנים, אסימוני תמונה, עיבוד מקדים	הוסף משקלי מקודד ומטמון תלוי-מודאליות
עתודת יתירות	מודל מעבר לגיבוי, עדכונים מתגלגלים, עובדים כפולים	נדרש להמשכיות הייצור אך לעתים קרובות מושמט מחישובי תחביב

כלל פריסה שמרני הוא:

M _מותקן ≥ M _{שיא, נמדד} × (1 + h)

כאשר h הוא גורם גובה-רוחב הנדסי. טווח תכנון של 0.10–0.25 עשוי להיות סביר לתכנון מוקדם, אך זוהי הנחה ולא סטנדרט אוניברסלי. קבלת ייצור צריכה להחליף אותה בזיכרון שיא נמדד תחת ההנחיה הארוכה ביותר הנתמכת, המספר המרבי המיועד של רצפים פעילים, אירועי מילוי מקדים בו-זמניים, קריאות כלים וטעינות חוזרות של המודל.

4.3.3 מעטפות זיכרון INT4 מעשיות

מחלקת מודל	משקלי INT4 גולמיים	מעטפת תפעולית אינדיקטיבית למשתמש יחיד	אילוץ עיקרי
7–8B	3.5–4 ג’יגה-בייט	8–12 ג’יגה-בייט	מטמון KV ארוך-הקשר
13–14B	6.5–7 ג’יגה-בייט	12–20 ג’יגה-בייט	הקשר, סביבת עבודה ומרווח GPU מוגבל
30–35B	15–17.5 ג’יגה-בייט	24–40 ג’יגה-בייט	לא מתאים בנוחות לעומסי עבודה רבים של 24 ג’יגה-בייט בהקשר ארוך
70–72B	35–36 ג’יגה-בייט	48–90 ג’יגה-בייט	מטמון KV, מקביליות ותקשורת מרובת מכשירים
100B	50 ג’יגה-בייט	70–130 ג’יגה-בייט	רוחב פס ועתודה תפעולית מתמשכים
175B	87.5 ג’יגה-בייט	120–240 ג’יגה-בייט	טופולוגיה מרובת מאיצים הופכת למכרעת
405B	202.5 ג’יגה-בייט	280–550 ג’יגה-בייט	שרדינג, חיבור, אמינות ואנרגיה
משרד החינוך הגדול	בהתבסס על סך הפרמטרים	לעתים קרובות גדול בהרבה ממה שמציע ספירת הפרמטרים הפעילים	אחסון מקצועי ותקשורת בין כולם

הטווחים הם מעטפות תרחישים, לא מפרטים עבור מודלים בודדים. הם מתרחבים במכוון בגדלים גדולים יותר מכיוון שארכיטקטורת המודל, ההקשר, ייצוג המטמון והמקבילות מייצרים הבדלים גדולים יותר ויותר.

---

4.4 שילוב מומחים, מערכות רב-מודאליות ומערכות בקנה מידה גבולי

מודל תערובת מומחים מפריד פרמטרים מאוחסנים מפרמטרים פעילים . אם מודל מכיל E מומחים אך מנתב כל אסימון דרך k מומחים בלבד, העלות האריתמטית שלו יכולה להתקרב לזו של תת-הקבוצה הפעילה בעוד שדרישת משקל-זיכרון שלו נשארת קשורה לקיבולת המומחה הכוללת:

M _w,MoE ≈ N _סה”כ × b _eff ÷ 8

_אסימון C ≈ C _משותף + k × _{מומחה C + נתב} C

לכן, אסור לעולם להחליף את ספירת הפרמטרים הפעילים בסך הפרמטרים בעת קביעת גודל אחסון או זיכרון מאיץ מצרפי. מקביליות של מומחים גם מציגה תקשורת רשת: יש לנתב אסימונים למאיצים המחזיקים את המומחים שנבחרו, מה שיוצר תעבורה של הכל לכולם, חוסר איזון בעומס וסיכון של השהיית זנב. כתוצאה מכך, מודל MoE יעיל באופן נומינלי יכול לתפקד בצורה גרועה במערכות מרובות GPU צרכניות ללא קישורי עמית לעמית ברוחב פס גבוה.

פריסה רב-מודאלית מוסיפה לפחות חמישה מרכיבים:

M _{רב-מודאלי} = M _מקודד + M _מקרן + M _{מטמון-מודליות} + M _{עיבוד מקדים} + M _{מדיה שנוצרה}

תמונות ברזולוציה גבוהה עשויות לייצר מאות או אלפי טוקנים של מודליות. וידאו מייצר רצף של פריימים ויכול להכפיל הן את עלות העיבוד המקדים והן את צריכת ההקשר. מערכות דיבור מוסיפות מקודדי שמע, חילוץ תכונות ואולי סינתזת דיבור. מודלים של יצירת תמונה דורשים מפענחי דיפוזיה או אוטורגרסיביים שיכולים להיות בעלי פרופיל זיכרון שונה באופן מהותי מפענוח טקסט. מחשב שמפעיל מודל 70B של טקסט בלבד באופן מקובל עלול להיכשל במטרת השירות הרב-מודאלית המקבילה.

מערכות צפופות ברמת near-frontier הן אפשריות פיזית על תשתית משולבת גדולה מספיק אך מרוחקות כלכלית ממשתמשים רגילים. דגם צפוף של 405B דורש כ-810 ג’יגה-בייט עבור משקלי FP16 בלבד או 202.5 ג’יגה-בייט ב-INT4 נומינלי. זיכרון ה-GPU המצטבר הרשמי של 1,440 ג’יגה-בייט של DGX B200 בעל שמונה מעבדים גרפיים יכול להכיל משקלי FP16 של 405B עם מרווח גובה מצרפי של חומר, אם כי ההיתכנות בפועל עדיין תלויה בדגם, במטמון, בליבות ובמקביליות. ההספק המרבי המדורג שלו של כ-14.3 קילוואט מרמז על כך שפעולה רציפה תצרוך, לפני הפסדי קירור חיצוניים:

שנתי = _14.3 × 8,760 = 125,268 קוט”ש

במקדם יעילות צריכת חשמל של 1.3, אנרגיית המתקן תהיה בקירוב:

מתקן = 125,268 _× 1.3 = 162,848 קוט”ש לשנה

זהו תרחיש של דירוג מקסימלי, לא עומס שנתי מדוד. עם זאת, הוא מדגים מדוע בינה מלאכותית מקומית בחזית עוברת מ”בעלות על מחשב” להנדסת חשמל, תרמיה והנדסת מתקנים.

---

4.5 מה חומרה אישית קיימת יכולה לעשות בפועל

מערכת המכילה 128 ג’יגה-בייט של זיכרון RAM וכרטיס מסך של 12 ג’יגה-בייט ממחישה את ההבדל בין יכולת טעינה לשימושיות.

מחלקת מודל	היתכנות טכנית	דפוס ביצוע סביר	שיפוט שמישות
7–8B INT4/INT8	חָזָק	בעיקר תושב GPU	מתאים לעבודה אינטראקטיבית עם משתמש יחיד אם איכות המודל מספקת
13–14B INT4	אפשרי אך מוגבל	תושב GPU בהקשר קצר/בינוני או עומס משני	פוטנציאל שימושי; ההקשר והמסגרת קובעים את מרווח הגובה
30–35B INT4	קובץ המשקל מתאים ל-RAM של המערכת אך לא ל-VRAM של 12 ג’יגה-בייט	ביצועי מעבד כבדים או עומס יתר על המעבד/כרטיס המסך	עשוי להיות מקובל עבור מחקר על מטופל יחיד; לא מניח אינטראקציה
70–72B INT4	מתאים ל-RAM של המערכת מבחינת משקל בלבד	ביצוע בעיקר של המעבד/זיכרון המערכת	ניתן לטעינה, אך השהייה מתמשכת עשויה להיכשל בספי שטח מעשיים
100B INT4	משקלים גולמיים מתאימים ל-128 ג’יגה-בייט; זמן ריצה מלא עשוי להיות שולי	עומס/הורדת עומס כבד של המעבד	ניסיוני ולא אמין
175B INT4	גודל משקל בלבד עשוי להתאים, זמן ריצה בדרך כלל לא	מרווח ראש לא מספק	לא ניתן להגנה מבצעית
רב-מודאלי גדול/משרד האנרגיה	ספציפי לדגם	מאגרי זיכרון מרובים ומקודדים	דורש ארכיטקטורה מדויקת ובדיקת עומס עבודה

אין להקצות ערך אוניברסלי של אסימונים לשנייה ל”כרטיס מסך של 12 ג’יגה-בייט” מכיוון שמודל הכרטיס המסך, רוחב הפס של הזיכרון, המעבד, רוחב הפס של זיכרון המערכת, יצירת PCIe, מקטע העומס, מסגרת ההסקה, ליבת הכימות, ההקשר ופרמטרי הדגימה – כולם משנים את הביצועים. ההליך הנכון הוא למדוד הנחיות מייצגות ולדווח על התצורה המלאה.

---

4.6 הגדרה ספציפית לעומס עבודה של בינה מלאכותית מקומית שמישה

פריסה שמישה רק אם היא עוברת את כל הספים הרלוונטיים בווקטור הבא:

U = f(Q, TPS, TTFT, C, T, A, R, P, G, O)

אֵיפֹה:

• Q = איכות המשימה;
• TPS = אסימוני פלט לשנייה;
• TTFT = זמן עד לאסימון הראשון;
• C = מקביליות נתמכת;
• T = הקשר אפקטיבי נתמך;
• א = זמינות;
• R = אמינות והתאוששות;
• P = בקרות פרטיות ואבטחה;
• G = ממשל וביקורת;
• O = נטל עדכון תפעולי.

הספים הבאים מוצעים כקריטריונים לדיווח הניתנים להפרכה ולא כסטנדרטים רגולטוריים אוניברסליים.

עומס עבודה	תנאי איכות מינימלי	סף ביצועים	סף הקשר/מקביליות	סף אמינות וממשל
עוזר אישי	עובר מבחני עובדה והדרכה המוגדרים על ידי המשתמש	חציון ≥15 TPS; p95 TTFT ≤3 שניות	≥8k טוקנים אפקטיביים; משתמש אחד	שירות ניתן לשחזור; אחסון מוצפן
למידה של סטודנטים	מבחני נושא מאומתים; נמדד נאמנות הציטוטים	חציון ≥12 TPS; p95 TTFT ≤4 שניות	≥16 אלף; משתמש פעיל אחד	אי ודאות ברורה ובדיקת מקורות
עוזר קידוד	חבילת בדיקות ספציפית למאגר; נמדד קצב תיקונים מקובלים	חציון ≥20 TPS; p95 TTFT ≤3 שניות	≥16 אלף; משתמש אחד או שניים	ביצוע בארגז חול; חזרה למצב קודם
ניתוח מסמכים ארוכים	זכירת חילוץ ודיוק מיקום ציטוטים	חציון ≥8 TPS; p95 TTFT ≤8 שניות	≥32k או צינור אחזור מאומת	קליטת מסמכים ניתנת לשחזור
מחקר עצמאי	בדיקות מדד דומיין ומבחני מקור	חציון ≥10 TPS	≥32 אלף; משתמש אחד עד ארבעה	מודל גרסאי, הנחיות וקורפוסים
פרקטיקה מקצועית	ספי טעות והימנעות מאומתים	≥12 TPS/משתמש; p95 TTFT ≤4 שניות	ארבעה מפגשים או יותר במקביל	בקרת גישה, יומן ביקורת, גיבויים
תמיכה בקבלת החלטות קליניות	אימות מקומי פרוספקטיבי; סקירה אנושית חובה	זמן השהייה שנקבע על ידי זרימת עבודה קלינית	קיבולת תחת עומס קליני שיא	זמינות גבוהה, עקיבות, תגובה לאירועים
שירות ידע ארגוני	הצלחה במשימה ושיעור תשובות מבוססות	≥10 TPS/משתמש; p95 TTFT ≤5 שניות	50+ מפגשים בו זמנית או הסכם רמת שירות נמדד לתור	SSO, בקרת תפקידים, ניטור, מעבר לגיבוי בעת כשל
ניתוח אצווה	דיוק אצווה מאומת	השלמה בתוך חלון העיבוד	מבוסס תפוקה	נקודות ביקורת ושחזור עבודה
שימוש רגיש לממשלה	אימות ספציפי למשימה	השהייה במקרה הגרוע ביותר המוגדרת על ידי משימה	קיבולת נחשול מתועדת	פילוח, סקירת שרשרת אספקה, יכולת ביקורת מלאה

“”מתאים לזיכרון”” לא עומד באף אחד מהקריטריונים הללו מעבר ליכולת עומס פיזית בסיסית.

---

4.7 ארכיטקטורות הון לפי מחלקת משתמש

4.7.1 שכבות פריסה ייחוס

נִדבָּך	ארכיטקטורה אינדיקטיבית	מעטפת מודל אמינה	משתמשים מתאימים
T1 – כניסה מקומית	זיכרון גרפי של 12–16 ג’יגה-בייט; זיכרון RAM של 64–128 ג’יגה-בייט	7–14B אינטראקטיבי; דגמים גדולים יותר באמצעות פריקה איטית יותר	סטודנט, איש מקצוע אישי
T2 – תחנת עבודה מתקדמת	כרטיס מסך בנפח 24–32 ג’יגה-בייט; זיכרון RAM בנפח 128–256 ג’יגה-בייט	14–35B חזק; 70B נפרק או מוגבל	חוקר, מרפאה קטנה
T3 – תחנת עבודה גדולה עם זיכרון מאוחד או מאיץ כפול	מאיץ/מאגר מאוחד שמיש של 64–192 ג’יגה-בייט	35–100B מכומתים, תלוי בהקשר	קבוצת מחקר, סטארט-אפ
T4 — שרת רב-גרפי	זיכרון מאיץ מצטבר של 192–640 ג’יגה-בייט	70–405B מכומת; מודלים קטנים יותר במקביליות גבוהה יותר	עסק קטן, מעבדה, בית חולים
T5 – מערכת ארגונית משולבת	זיכרון מאיץ מצרפי בנפח 1 טרה-בייט ומעלה	הסקה צפופה קרובה לגבול ומערכות גדולות של MoE	ארגונים, ממשלה
T6 – אשכול	מערכות משולבות מרובות עם מארג במהירות גבוהה	הגשה בקנה מידה גדול, כוונון עדין וחוסן	מיזם גדול, מעבדה ממלכתית או מעבדה בגבול

זיכרון מצרפי אינו שווה ערך למאגר זיכרון קוהרנטי יחיד. יש לחלק את משקלי המודל; תקשורת יכולה לשלוט בהשהיה; ייתכן שלכרטיסי צרכנים אין טופולוגיית עמית לעמית מתאימה; הסתברות הכשל עולה עם ספירת המכשירים; ועדכונים מתגלגלים יכולים לדרוש קיבולת כפולה.

4.7.2 טווחי תכנון לפי מוסד

כל טווחי הכספים המפורטים להלן הם תרחישי תכנון דולר אמריקאי לשנת 2026. הם אינם הצעות מחיר לספקים. הם כוללים טווחי יישום רחבים מכיוון שגיאוגרפיה של רכש, מיסים, תמיכה, אבטחה ועבודה משתנים מאוד.

משתמש או מוסד	סולם שימושי טיפוסי	הוצאות הון ראשוניות אינדיקטיביות	עלות כוללת (TCO) במזומן לחמש שנים, לא כולל עבודה פנימית	עלות כוללת מלאה לחמש שנים, כולל כוח אדם מומחה	אילוץ כלכלי עיקרי
סטוּדֶנט	7–14B; לפעמים פריקה של 30B	1,500–5,000 דולר	2,500–9,000 דולר	4,000–20,000 דולר	סבירות גבוהה והתיישנות מהירה
חוקר עצמאי	14–35B; מוגבל 70B	4,000–15,000 דולר	7,000–30,000 דולר	20,000–100,000 דולר	זמן שהושקע באינטגרציה ובהערכה
מרפאה מקצועית קטנה	14–70B	8,000–35,000 דולר	15,000–80,000 דולר	50,000–300,000 דולר	אבטחה, תמיכה וזמני השבתה
סטארט-אפ	35–100B; מרובה משתמשים	25,000–200,000 דולר	70,000–600,000 דולר	250,000–2 מיליון דולר	סיכון שכר וניצול הנדסי
אָנוּ	70–405B כמותיים או מספר רב של העתקים קטנים יותר	75,000–750,000 דולר	250,000–3 מיליון דולר	1–10 מיליון דולר	אמינות, מקביליות ואינטגרציה
מעבדת האוניברסיטה	70B לניסויים קרובים לגבול	100,000–3 מיליון דולר	400,000–10 מיליון דולר	2–30 מיליון דולר	מענקים, מתקנים ושימור מומחים
בית חולים/ארגון רגיש לפרטיות	שירותי 35–405B מאומתים	250,000–5 מיליון דולר	1–20 מיליון דולר	5–60 מיליון דולר	ניהול, אימות וזמינות גבוהה
מיזם גדול	מספר מחלקות מודל ויחידות עסקיות	1–50 מיליון דולר	5–200 מיליון דולר	20–500 מיליון דולר	הנדסת פלטפורמה וממשל
סוכנות ממשלתית	מערכת מחלקתית מאובטחת או אשכול ריבוני	2–100+ מיליון דולר	10–500+ מיליון דולר	50 מיליון דולר – מיליארד דולר ומעלה	הסמכת ביטחון, חוסן ואספקה ​​ריבונית

אין לשלב את הרצועות הללו לממוצע יחיד. ההתפלגויות מוטות מאוד, ודרישות מוסדיות יוצרות אי-רציפות. בית חולים אינו יכול פשוט לרכוש את תצורת הסטודנטים כפול מספר הרופאים; הוא דורש בקרת גישה, זרימות עבודה מאומתות, יכולת ביקורת, המשכיות, גיבויים, ניהול שינויים וניטור אבטחה. כלל האבטחה של HIPAA, לדוגמה, דורש מישויות אמריקאיות מוסדרות ליישם אמצעי הגנה אדמיניסטרטיביים, פיזיים וטכניים מתאימים למידע בריאותי מוגן אלקטרוני. סיכום כלל האבטחה של HIPAA – משרד הבריאות ושירותי האנוש של ארה”ב – אוגוסט/2026 – HHS סיכום כלל האבטחה של HIPAA . זה לא קובע מאיץ מסוים, אבל זה משנה את הגבול הכלכלי של פריסה מקובלת.

---

4.8 עלות בעלות כוללת לחמש שנים

4.8.1 ניסוח נכון עם הנחה

מודל ה-TCO המבוקש הופך לעקבי מבחינה כלכלית כאשר ערך שיורי שהתקבל בשנה חמש מהוון:

סה”כ עלות כוללת (TCO _{) 5} = CAPEX + Σ _t=1/ ⁵ [(E _t + C _t + M _t + S _t + L _t + D _t ) ÷ (1+r) ^t ] − RV ₅ ÷ (1+r) ⁵

אֵיפֹה:

• E _t = חשמל וקירור;
• C _t = קישוריות וגלישה/תמיכה בענן;
• M _t = תחזוקה, חלקי חילוף ואחריות;
• S _t = תוכנה, רישיונות וניטור;
• L _t = כוח אדם מיוחד;
• Dt ₌ זמן השבתה, כשל ועלות החלפה;
• RV ₅ = מכירה חוזרת או ערך שיורי בשנה חמש;
• r = שיעור היוון ריאלי או נומינלי התואם את כל תזרימי המזומנים.

אם כל תזרימי המזומנים מבוטאים בדולרים נומינליים, r חייב להיות נומינלי ומחירי הרכיבים צריכים לכלול את האינפלציה הצפויה שלהם. אם תזרימי מזומנים הם ערכים ריאליים במחיר קבוע, r חייב להיות ריאלי. ערבוב של הגדלת שיעור היוון נומינלי של חשמל עם שיעור היוון ריאלי גורם להפריז בעלות.

עבור עלות תפעול שנתית קבועה O ושיעור היוון קבוע r:

PV(O) = O × [1 − (1+r) ⁻⁵ ] ÷ r

ב-r = 7%, מקדם הערך הנוכחי לחמש שנים הוא בקירוב 4.1002.

4.8.2 חשמל וקירור

אנרגיה שנתית במתקן היא:

מתקן קוט”ש _,t = P _IT,t × 8,760 × u _t × PUE _t

E _t = _{מתקן קוט”ש,t} × p _e,t

אֵיפֹה:

• P _IT,t הוא הספק IT ממוצע בזמן פעילות, בקילוואט;
• u _t הוא מחזור העבודה;
• PUE _t הוא צריכת החשמל של המתקן חלקי צריכת החשמל של ה-IT;
• p _e,t הוא מחיר החשמל לקוט”ש.

עבור תחנת עבודה אישית, PUE מילולי של מרכז נתונים עשוי להיות לא מתאים; קירור עשוי להיות כבר מוטמע בחימום או במיזוג האוויר הביתי. במקרה כזה, יש להעריך בנפרד מכפיל קירור. עבור מתקן שרתים, PUE מדוד עדיף.

מרכזי נתונים בארה”ב צרכו כ-176 TWh, או 4.4% מהחשמל בארה”ב, בשנת 2023; ההערכה הפדרלית הרשמית צפתה 325-580 TWh, או 6.7-12% מהחשמל בארה”ב, עד 2028. זוהי תחזית ברמת המערכת ולא תחזית תעריפים, אך היא מזהה את זמינות האנרגיה וחיבור לרשת כסיכוני עלות מהותיים. משרד האנרגיה האמריקאי מפרסם דו”ח חדש להערכת העלייה בביקוש לחשמל ממרכזי נתונים – משרד האנרגיה האמריקאי – דצמבר/2024 – הערכת חשמל של מרכזי נתונים של משרד האנרגיה האמריקאי .

4.8.3 עלות כוללת (TCO) לדוגמה של תחנת עבודה

לְהַנִיחַ:

• הוצאות הון עצמי = 5,500 דולר;
• הספק IT פעיל ממוצע = 0.65 קילוואט;
• שימוש = 30%;
• מכפיל קירור = 1.10;
• חשמל = 0.15 דולר/קוט”ש;
• עתודה לתחזוקה והחלפה = 300 דולר לשנה;
• תוכנה וגיבוי = 400 דולר לשנה;
• קישוריות/גלישה בענן = 200 דולר לשנה;
• דמי השבתה = 250 דולר לשנה;
• כוח אדם מומחה אינו נכלל ב-TCO במזומן;
• ערך שיורי בשנה חמש = 10% מההשקעות הון עצמי (CAPEX);
• שיעור היוון = 7%.

החשמל השנתי הוא:

E = 0.65 × 8.760 × 0.30 × 1.10 × 0.15
E ≈ $282

עלות התפעול השנתית שאינה כוללת עבודה היא:

O = 282 + 300 + 400 + 200 + 250
O = $1,432

ערך נוכחי של חמש שנים הוא:

PV(O) = 1,432 × 4.1002
PV(O) ≈ $5,871

הערך הנוכחי של הערך השיורי הוא:

PV(RV ₅ ) = 550 ÷ 1.07 ⁵
PV(RV ₅ ) ≈ $392

לָכֵן:

סה”כ עלות כוללת (TCO) _{5, מזומן} = 5,500 + 5,871 − 392
סה”כ עלות כוללת _{5, מזומן} ≈ 10,979 דולר

אם הבעלים מקדיש 80 שעות בשנה לרכישת מודלים, תאימות כימות, השוואות ביצועים, אבטחה, גיבויים ופתרון בעיות, והזמן מוערך ב-50 דולר לשעה, עבודה שנתית הופכת ל-4,000 דולר. הערך הנוכחי שלה לחמש שנים הוא כ-16,401 דולר, מה שמעלה את העלות הכוללת (TCO) הכלכלית המלאה לכ-27,380 דולר. הדוגמה מדגימה שחשמל לרוב אינו העלות האישית או הדומיננטית של ארגון קטן. עבודה והון שאינו מנוצל מספיק יכולים לעלות עליה.

4.8.4 מטריצת רגישות

באמצעות אותה תחנת עבודה, עלות החשמל המוזלת לחמש שנים משתנה כדלקמן:

שימוש פעיל	0.10 דולר/קוט”ש	0.20 דולר/קוט”ש	0.40 דולר/קוט”ש
10%	102 דולר	204 דולר	408 דולר
30%	305 דולר	610 דולר	1,220 דולר
60%	610 דולר	1,220 דולר	2,440 דולר
90%	915 דולר	1,830 דולר	3,660 דולר

הנחות: הספק פעיל של 0.65 קילוואט, מכפיל קירור של 1.10, שיעור היוון של 7% ומחירי חשמל ריאליים קבועים. המטריצה ​​מראה מדוע כלכלת ההסקה של הצרכן נשלטת לעתים קרובות על ידי חומרה ועבודה, בעוד שכלכלת שרתים בשימוש רציף הופכת רגישה משמעותית יותר לאנרגיה ולקירור.

---

4.9 עלות למיליון טוקנים

4.9.1 עוצמת אנרגיה

אם הפלט נוצר ברציפות ב-R _{אסימונים} לשנייה:

קוט”ש _Mtok = P _IT × PUE × 1,000,000 ÷ (R _tok × 3,600)

עבור תחנת עבודה בהספק של 0.5 קילוואט המייצרת 20 טוקנים לשנייה עם מכפיל קירור של 1.10:

KWh _Mtok = 0.5 × 1.10 × 1,000,000 ÷ (20 × 3,600)
KWh _Mtok ≈ 7.64 KWh

במחיר של 0.15 דולר לקוט”ש:

עלות אנרגיה _Mtok ≈ $1.15

זה לא כולל אנרגיה של מילוי מוקדם, אנרגיה במצב סרק, ייצורים כושלים, הטמעות, אחזור, עיבוד מקדים וניהול מערכת. זה גם מניח פענוח מתמשך, שמערכת אישית בשימוש מועט כמעט ולא משיגה.

4.9.2 עלות מפולסת

מדד מפולס מלא יותר הוא:

LC _Mtok = _תקופת עלות הבעלות הכוללת ÷ [טוקנים _{מוצלחים, תקופה} ÷ 1,000,000]

אסימונים “מוצלחים” צריכים להיות אסימונים השייכים לעומסי עבודה שהושלמו ועומדים בקריטריונים של איכות ותועלת. ספירת פלט שנדחה, הזוי או בלתי שמיש ממעיטה בערך העלות הכלכלית.

עבור עלות כוללת (TCO) לדוגמה של תחנת עבודה של 10,979 דולר:

תפוקה מוצלחת במשך חמש שנים	עלות מזומנים מפולסת
100 מיליון אסימונים	109.79 דולר למיליון
500 מיליון אסימונים	21.96 דולר למיליון
מיליארד אסימונים	10.98 דולר למיליון
5 מיליארד אסימונים	2.20 דולר למיליון

כולל עלות העבודה להמחשה ושימוש ב-TCO כלכלי מלא של 67,380 דולר:

תפוקה מוצלחת במשך חמש שנים	עלות כלכלית מלאה
100 מיליון אסימונים	273.80 דולר למיליון
500 מיליון אסימונים	54.76 דולר למיליון
מיליארד אסימונים	27.38 דולר למיליון
5 מיליארד אסימונים	5.48 דולר למיליון

בינה מלאכותית מקומית הופכת לתחרותית כלכלית רק כאשר ניצול גבוה מספיק, המודל המקומי שנבחר עובר את סף האיכות הנדרש, ויתרונות הפרטיות או השליטה מוערכים. תשובה מקומית באיכות נמוכה אינה תחליף זול יותר לתשובה מוצלחת של מודל גבול אם היא דורשת חזרה, תיקון או סקירה מקצועית.

---

4.10 אמינות, פרטיות ודרישת שכפול נסתר

פריסה מקומית יכולה להפחית את העברת ההנחיות והמסמכים לספק הסקה חיצוני, אך היא אינה מספקת באופן אוטומטי פרטיות. משטח האיום כולל טלמטריה של מערכת ההפעלה, ערוצי הורדת מודלים, חפצי מודל זדוניים, תלויות שנפגעו, יומני רישום לא מוצפנים, הנחיות במטמון, מסדי נתונים וקטוריים, חשבונות ניהול, כלי ניהול מרחוק, גניבה פיזית, מדיה לגיבוי וממשקי API של שרתי הסקה שנחשפים ללא אימות הולם. מסגרת ניהול הסיכונים של בינה מלאכותית (AI) של NIST מתייחסת לניהול סיכונים של בינה מלאכותית כמחזור חיים ארגוני המכסה ממשל, מיפוי, מדידה וניהול ולא כמאפיין המסופק על ידי מיקום חומרה בלבד. מסגרת ניהול סיכונים של בינה מלאכותית 1.0 – המכון הלאומי לתקנים וטכנולוגיה – ינואר/2023 – NIST AI RMF 1.0 .

אמינות הייצור יוצרת מכפיל קיבולת נסתר. אם שירות חייב להישאר זמין בזמן עדכון מודל, ייתכן שיהיה צורך בעותק שני שניתן להריץ. אם המערכת אינה יכולה לסבול GPU פגום, היא זקוקה לקיבולת רזרבית או לגיבוי חיצוני. יחס הזמינות עבור רכיב הניתן לתיקון הוא בקירוב:

A = MTBF ÷ (MTBF + MTTR)

כאשר MTBF הוא הזמן הממוצע בין כשלים ו-MTTR הוא הזמן הממוצע לתיקון. זמינות מקצה לקצה נמוכה יותר כאשר כל הרכיבים הטוריים חייבים לתפקד. עבור n רכיבים טוריים בלתי תלויים:

מערכת ₌ ΠA _ו

מערכת המכילה מאיצים, אחסון, מתגי רשת, קירור ושירותי תוכנה יכולה להיות פחות אמינה מכל רכיב בודד. תכנון בעל זמינות גבוהה משכפל לעתים קרובות את נקודת הקצה של ההסקה, האחסון, נתיב הרשת ואספקת החשמל; כתוצאה מכך, עלות ההון של שירות אמין יכולה להתקרב פי 1.5-2.5 מזו של המערכת המינימלית המסוגלת להריץ את המודל.

---

4.11 פרוטוקול בנצ’מרק

כל מערכת מקומית שתבוצע הערכה בהמשך הדוח צריכה לחשוף:

קָטֵגוֹרִיָה	שדות חובה
חוּמרָה	מאיץ מדויק, ספירה, זיכרון, מעבד, ערוצי RAM, אחסון, חיבור
תוֹכנָה	מערכת הפעלה, מנהל התקן, מסגרת הסקה, גרסאות ליבה/ספרייה
דֶגֶם	נקודת בקרה מדויקת, ספירת פרמטרים, ארכיטקטורה, רישיון, פורמט כימות
עומס עבודה	אורך הפקודה, אורך הפלט, תפוסת ההקשר, הגדרות דגימה
ביצועים	מילוי מראש של אסימונים, פענוח אסימונים, חציון ו-p95 TTFT
מקביליות	רצפים פעילים, עומק תור, תפוקה לכל משתמש, השהיית p95
זֵכֶר	סרק, טעון על ידי מודל, מילוי מראש של שיא, פענוח שיא, פרגמנטציה לאחר ריצת סיבולת
אֵנֶרְגִיָה	אנרגיה של שקעי קיר, מכפיל מתקן, הספק במצב סרק ופעיל
אֵיכוּת	מדד תחום, שיעור הצלחה במשימה, הימנעות ושיעור טעויות עובדתיות
אֲמִינוּת	שיעור כשל, זמן הפעלה מחדש, זמן השבתת עדכון, משך זמן טעינה מתמשך
כַּלְכָּלָה	הון עצמי, מס, חשמל, תמיכה, עבודה, ערך שיורי, ניצול
פְּרָטִיוּת	זרימת נתונים, יומני רישום, הצפנה, בקרת גישה, טלמטריה, שמירה
שחזור	זרעים, סקריפטים, גרסת קורפוס הבדיקה ותאריך המדידה

השוואה תקפה חייבת לדווח הן על ביצועי המילוי המוקדם והן על ביצועי הפענוח. הנחיות ארוכות עשויות להיות מוגבלות על ידי חישוב המילוי המוקדם, בעוד שפלט שיחה מוגבל לעיתים קרובות על ידי רוחב פס הזיכרון. השהייה ממוצעת לא צריכה להחליף את השהיית p95 בשירותים מרובי משתמשים מכיוון שעיבוד אצווה ותורים יכולים להסתיר השהיות זנב חמורות.

---

4.12 מטריצת החלטה לפי מחלקת משתמש

מחלקת משתמש	מטרה מקומית מינימלית ניתנת להגנה	כאשר פריסה מקומית היא רציונלית	כאשר זה לא רציונלי
סטוּדֶנט	7–14B כמותיים	למידה, הערות לא מקוונות, תמיכה בקידוד, טיוטות רגישות	כאשר איכות הגבול חיונית והניצולת נמוכה
חוקר עצמאי	14–35B; פריקה אופציונלית של 70B	שחזור, קורפוס סודי, ניסויים מתמשכים	כאשר זמן האינטגרציה עולה על ערך המחקר
מרפאה קטנה	14–70B עם אבטחה מנוהלת	זרימת עבודה חוזרת של דומיין עם ערך פרטיות גבוה	כאשר אף אחד מאנשי הצוות אינו יכול להיות הבעלים של עדכונים והערכה
סטארט-אפ	דגמים קטנים משוכפלים או שרתים של 35-100B	עומס עבודה יציב, ניצול גבוה, נתונים קנייניים	כאשר הביקוש אינו ודאי וההון חייב להישאר גמיש
אָנוּ	שרת מרובה משתמשים בתוספת גלישת ענן	נפח צפוי ואינטגרציה עם מערכות פנימיות	כאשר פיטורים וגיוס כוח אדם מוחקים את החיסכון בעלויות היחידה
מעבדת האוניברסיטה	שרת מחקר מרובה GPU	ניסויי מודלים, מערכי נתונים מבוקרים, גישה לאימון	כאשר המימון מכסה חומרה אך לא תפעול
בֵּית חוֹלִים	שירות מודל מאומת עם יתירות	נתונים רגישים ומשימות מוגבלות מאומתות קלינית	כאשר איכות המודל המקומי או הממשל שלו אינם מספקים
מיזם גדול	תיק שירותים מקומי, ענן פרטי וחיצוני	נפח גבוה, ריבונות, זרימות עבודה מובחנות	כאשר רכש יחיד צפוי לפתור צרכים הטרוגניים
סוכנות ממשלתית	תשתית הסקה מאובטחת מפולחת	עיבוד מסווג, ריבוני או קריטי למשימה	כאשר שרשרת האספקה, כוח האדם או תמיכה במחזור החיים אינם פתורים

---

4.13 תחזית לחמש שנים, 2027–2031

במהלך חמש השנים הבאות, יעילות האריתמטיקה הגולמית ואיכות הכימות צפויים להשתפר, אך שיפורים אלה לא יבטלו את אי השוויון המקומי-בינה מלאכותית. משאב הכריכה עובר מאחסון פרמטרים גולמיים לשילוב של רוחב פס זיכרון, קיבולת הקשר, מקביליות, עיבוד רב-מודאלי, אופטימיזציה של תוכנה, יכולת הערכה ואמינות תפעולית. מודלים קטנים יותר יהפכו ליכולות גוברות יותר ויותר לעומסי עבודה מוגבלים, מה שיאפשר לאנשים להשיג עוזרים פרטיים שימושיים ללא תשתית בקנה מידה חזיתי. במקביל, הגדרת היכולת התחרותית תעלה כלפי מעלה ככל שמערכות חזית מרוחקות יקבלו הנמקה חזקה יותר, שימוש בכלים, רב-מודאליות וביצועים בהקשר ארוך טווח. זה יוצר אפקט של מטרה נעה: עלות החומרה של שכפול היכולת של היום עשויה לרדת בעוד שעלות התאמת החזית הנוכחית תישאר גבוהה.

יש לבחון שלושה מסלולים:

תַרחִישׁ	מסלול חומרה	אפקט הגישה המקומית	השלכה מוסדית
פִּעַפּוּעַ	קיבולת הזיכרון עולה; מודלים יעילים משתפרים במהירות	יכולת 7–70B הופכת לנגישה באופן נרחב	בינה מלאכותית מקומית הופכת לפונקציה רגילה של תחנת עבודה
הִתפַּצְלוּת	קיבולת הצרכנים משתפרת, אך דרישות הגבול עולות מהר יותר	הגישה הבסיסית מתרחבת; הגישה לגבולות נותרה מרוכזת	שוק היכולות הדו-שכבתי נמשך
הֲצָרָה	מגבלות הזיכרון, האריזה, האנרגיה והיצוא נותרו חמורות	מערכות מקומיות שימושיות נשארות יקרות מחוץ לשווקים עשירים	תוכניות ריבונות והדרה אזורית מתעצמות

המסקנה המרכזית היא שבינה מלאכותית מקומית אינה שוק אחד. היא כוללת לפחות ארבעה משטרים כלכליים: הסקה אישית לא מקוונת, שירות מקצועי בצומת יחיד, פריסה מוסדית מרובת משתמשים ותשתית ריבונית בקנה מידה גבולי. העלות השולית של אסימונים יכולה להיות נמוכה במערכת מנוצלת מאוד, אך העלות הקבועה של כניסה לכל משטר עוקב עולה באופן לא רציף מכיוון שדרישות זיכרון, יתירות, אבטחה ועבודה מגיעות בבלוקים בלתי ניתנים לחלוקה.

---

4.14 מסקנות ניתנות לבדיקה

1. משקל זיכרון הוא מדד קיבולת הכרחי אך לא מספיק. למודל צפוף של 70B INT4 יש כ-35 ג’יגה-בייט של משקלים גולמיים, אך פעולה בהקשר ארוך או פעולה בו-זמנית יכולה להוסיף עשרות ג’יגה-בייט של מטמון KV.
2. קוונטיזציה משנה את מחלקת המודל האפשרית אך לא באופן אוטומטי את מחלקת המודל השמישה מבחינה כלכלית. יש לבדוק את האיכות, התמיכה בליבת המערכת והתנהגות הפריקה.
3. מערכת RAM של 128 ג’יגה-בייט עם כרטיס מסך של 12 ג’יגה-בייט יכולה לטעון מודלים גדולים בהרבה מזיכרון ה-GPU שלה, אך יכולת הטעינה אינה מבטאת שימושיות אינטראקטיבית. המעטפת הניתנת להגנה כלכלית קטנה בדרך כלל ממעטפת ה-RAM הפיזית.
4. עבור יחידים, הון וזמן של מומחים שולטים בדרך כלל בחשמל. עבור מערכות מוסדיות הנמצאות בשימוש רציף, אנרגיה, קירור, תחזוקה ויתירות הופכים לחשובים יותר ויותר.
5. העלות למיליון טוקנים שימושיים תלויה בניצול. ניצול נמוך יכול להפוך את ההסקה המקומית ליקרה יותר מגישה חיצונית מדודה, גם כאשר עלות החשמל השולית קטנה.
6. פריסה רגישה לפרטיות מוסיפה עלויות במקום פשוט להסיר עלויות ענן. אבטחה, יומני רישום, בקרת גישה, מקור המודל, גיבויים ותגובה לאירועים נותרו הכרחיים.
7. הסקה מקומית קרובה לגבול אפשרית מבחינה טכנית רק במשמעות המוסדית של “מקומי”. היא עשויה לפעול בתוך מתקן של ארגון אך עדיין לדרוש חשמל בקנה מידה רחב, קירור, רשת ותפעול מיוחד.
8. ההגדרה המדעית התקפה ביותר של בינה מלאכותית מקומית שמישה היא ספציפית לעומס עבודה. היא חייבת לכלול איכות, השהיית p95, תפוקה, מקביליות, הקשר אפקטיבי, אמינות, אבטחה ותחזוקה.
9. את פער הגישה של חמש שנים יש למדוד לפי הצלחה במשימות שוות ערך ברמת הגבול, ולא לפי ספירת הפרמטרים. דגמים קטנים וזולים עשויים להרחיב את הגישה הבסיסית תוך השארת יכולות בעלות משמעות כלכלית ברמת הגבול מרוכזת.
10. כל השוואת עלויות מאוחרת יותר חייבת לדווח הן על עלות הבעלות הכוללת במזומן והן על עלות הבעלות הכוללת הכלכלית המלאה. אי הכללת כוח אדם פנימי מתאים לניתוח תקציב מזומנים, אך ממעיטה באופן מהותי בצריכת משאבים חברתית וארגונית.

פרק 5 – כלכלת בינה מלאכותית בענן ומחירם העתידי של טוקנים

5.1 היקף, מטרה אנליטית וגבול ראייתי

בינה מלאכותית בענן ממירה מערכת ייצור עתירת הון באופן יוצא דופן לשירות מדוד פשוט לכאורה. הלקוח רואה מחיר API לכל מיליון אסימוני קלט או פלט, מנוי חודשי, חוזה קיבולת שמורה או תשלום עבור השלמת משימה. מאחורי מחיר זה מסתתר מבנה עלויות אנכי שכבתי הכולל מחקר מודלים, הדרכה, הדרכה לאחר מכן, הערכה, מאיצים, זיכרון ברוחב פס גבוה, שרתי אירוח, רשתות, אחסון, בניית מרכזי נתונים, קרקע, חשמל, קירור, מים, תחזוקה, כוח אדם מיוחד, הנדסת תוכנה, רכישת לקוחות, מימון והעלות הכלכלית של קיבולת פנויה. לכן, לא ניתן לפרש את מחירי האסימונים כאילו הם מייצגים רק את החשמל הנצרך במהלך הסקה. כמו כן, לא ניתן להתייחס למחיר API ציבורי נמוך כהוכחה לכך שהמודל המתאים זול לייצור. ספקים יכולים להקצות הוצאות הדרכה על פני שימוש עתידי, להחזיר עלויות באמצעות חוזים ארגוניים, לאגד בינה מלאכותית עם תוכנה בעלת שולי רווח גבוהים יותר, לסבסד אימוץ מפרסום או רווחי ענן, לקבל תשואה זמנית מתחת לעלות ההון, או לתמחר אסטרטגית כדי ליצור תלות במערכת האקולוגית. לעומת זאת, ספק יכול להפחית מחירים מבלי לסבסד את השימוש כאשר יעילות החומרה, הכימות, הפענוח הספקולטיבי, עיבוד קבוצות (batching), אחסון מהיר במטמון, ניתוב מודלים או ניצול משתפרים מהר יותר מעלויות ההון. כתוצאה מכך, המשימה האמפירית אינה לטעון שכל שירותי הבינה המלאכותית הקיימים הם מובילי הפסד, אלא לקבוע האם הכנסות, שולי רווח, הוצאות הון, פחת, רמות שירות והפרשי תמחור שנחשפו עולים בקנה אחד עם תמחור מבוא תחרותי, סבסוד צולב או ייצור כלכלי בר-קיימא.

פרק זה משתמש בשלושה סוגי ראיות. המחירים הנצפים נלקחו מתיעוד רשמי של ספקים כפי שאומת ב-15 באוגוסט 2026. כלכלת תאגידים נלקחת מגילויים רשמיים של יחסי משקיעים, תוך הכרה בכך שחברות ציבוריות גדולות אינן מפרסמות דוח רווח והפסד עצמאי מלא עבור הסקת מודל גבול. אומדני ותחזיות של עלות יחידה הם תרחישים אנליטיים שנוצרו מפרמטרים שצוינו במפורש. היעדר מקטע הסקת בינה מלאכותית מבוקר בנפרד מונע כל טענה תקפה מדעית לפיה ספק בעל שם מפסיד באופן סופי סכום מוגדר לכל אסימון. הפרק יכול לבחון האם השערת ההפסד-מוביל נתמכת, סותרת או נותרת בלתי פתורה; הוא אינו יכול לייצר חשבונות עלות חסרים.

---

5.2 בינה מלאכותית בענן כמערכת ייצור

השרשרת הכלכלית הבסיסית היא:

1. מחקר וארכיטקטורת מודלים.
2. רכישת נתונים, ניקוי, רישוי וניהול.
3. אימון מקדים.
4. לאחר אימון ויישור.
5. בדיקות בטיחות, צוות אדום והערכה.
6. אופטימיזציה וקומפילציה של מודלים.
7. פריסה על פני אשכולות הסקה.
8. תזמור קיבולת, אחסון במטמון וניתוב.
9. API, מנויים והפצה ארגונית.
10. תמיכת לקוחות, תאימות וניהול אירועים.
11. החלפת מודל ורענון תשתית.

רצף זה יוצר שני מאגרי עלויות נפרדים אך בעלי אינטראקציה הדדית:

FC = C _מחקר + C _הדרכה + C _תפקיד + C _בטיחות + C _תוכנה + C _{קבוע במתקן} + C _{קבוע מסחרי}

VC = C _{מאיץ-זמן} + C _{זיכרון-זמן} + C _אנרגיה + C _קירור + C _רשת + C _{משתנה אחסון} + C _{משתנה תמיכה} + C _כלים

ההבחנה אינה ברורה לחלוטין. פחת מאיץ מתנהג כעלות קבועה מחויבת לאחר רכישת אשכול, אך הוא הופך לעלות המיוחסת לשימוש בחשבונאות מוצר. כוח אדם מומחה עשוי להיות קבוע באופק תכנון אך ניתן להרחבה על פני תקופות ארוכות יותר. קיבולת מרכז נתונים יכולה להיות בבעלות, ממומן, חכור או שמור דרך ספק ענן אחר. אימון מודלים שקוע לאחר השלמתו, אך אימון מחדש והחלפה מתמשכים הופכים אותו להוצאה חוזרת של תיק. לכן, הסיווג המתאים תלוי בהחלטה הנחקרת:

הַחְלָטָה	עלות רלוונטית מבחינה כלכלית
האם להגיש בקשה נוספת אחת על חומרה שכבר אינה פעילה	עלות שולית לטווח קצר
האם להוזיל את מחירי ה-API לרבעון אחד	עלות תפעול ניתנת להימנעות בתוספת יעד אסטרטגי
האם לבנות אשכול הסקה נוסף	עלות מלאה מצטברת ותשואה נדרשת
האם משפחת מודל בת קיימא לאורך חמש שנים	עלות מחזור חיים שהוקצתה במלואה
האם חברת בינה מלאכותית מרוויחה רווח כלכלי	הכנסות פחות כל עלויות התפעול ועלות ההון
האם על הלקוח להשתמש בענן או בבינה מלאכותית מקומית	מחיר מול לקוח בתוספת עלויות אינטגרציה, סיכון ומעבר

ספק יכול לתמחר באופן רציונלי מעל לעלות השולית לטווח קצר אך מתחת לעלות הממוצעת המוקצית במלואה כל עוד קיבולת פנויה קיימת. תמחור כזה אינו בהכרח טורפני או לא רציונלי; הוא עשוי למקסם את שולי התרומה במהלך עליית הביקוש. הוא הופך לבלתי בר קיימא מבחינה מבנית אם ההכנסות נותרות לא מספיקות כדי להחליף מאיצים פוחתים, לממן מתקנים, לפתח מודלים יורשים ולפצות על הון מושקע.

---

5.3 ערימת העלויות המלאה של ענן-בינה מלאכותית

5.3.1 ארכיטקטורת מחסנית עלויות

שכבת העלות	נהג ראשי	קבוע, משתנה או מעורב	בסיס הקצאה מתאים	אי-ודאות עקרונית
רכישת מאיץ	ספירת מכשירים, זיכרון, חיבור	תוקן לאחר הרכישה	שעות מאיץ או אסימונים מוצלחים	אורך חיים כלכלי וערך שיורי
שרת מארח	מעבד, זיכרון RAM, אחסון, כרטיסי רשת	קָבוּעַ	שעות פעילות השרת	שימוש משותף בין דגמים
פחת מאיץ	עלות רכישה, אורך חיים, ניצול	מעורב בחשבונאות יחידה	מאיץ פרודוקטיבי – שניות	התיישנות עשויה להקדים כשל פיזי
יצירת קשרים	בד, מתגים, אופטיקה, WAN	מְעוּרָב	בתים, בקשות, שעות מאיץ	MoE ועוצמת הסקה מבוזרת
אִחסוּן	משקלים, מערכי נתונים, יומני רישום, מטמונים	מְעוּרָב	פעולות קריאה/כתיבה לחודש GB	מדיניות שכפול ושמירה
בניית מרכז נתונים	מבנים, מערכות חשמל וקירור	קָבוּעַ	קיבולת IT, קילוואט-מתלה, אורך חיים שימושי	זמן אספקה ​​לבנייה וקיבולת תקועים
אֶרֶץ	מיקום וקרבה לרשת	קָבוּעַ	קיבולת האתר	זמינות חיבור וחוק תכנון
חַשְׁמַל	עומס ותעריף IT	מִשְׁתַנֶה	קוט”ש	תעריפים אזוריים ותעריפי שיא
הִתקָרְרוּת	אקלים, PUE, מערכת מים	משתנה/מעורב	אנרגיה וחום מהמתקן הוסרו	מגבלות מזג אוויר ומים
מַיִם	טכנולוגיית קירור ואקלים	מִשְׁתַנֶה	ליטר לקוט”ש או עומס עבודה	מדידה ספציפית לאתר
תַחזוּקָה	שיעורי תקלות, חלקי חילוף, אחריות	מְעוּרָב	נכסים מותקנים	מחסור ברכיבים
כוח אדם מומחה	מהנדסים, חוקרים, אנשי אבטחה	בעיקר קבוע	מוצר, אשכול או הכנסה	הקצאת מו”פ משותפת
אימון מקדים	חישוב, נתונים, חוקרים	שקוע לפי דגם	שימוש לחיוב לכל החיים	גילוי נאות של משך החיים והאימון של המודל
לאחר האימון	כוונון עדין, נתוני העדפה, למידת חיזוקים	קבוע חוזר	משפחת מודלים או שימוש	תדירות איטרציה
בטיחות והערכה	צוותים אדומים, מדדי ביצועים, ממשל	קבוע חוזר	דגם או מהדורה	היקף הגידול גדל עם היכולת
תוכנת הסקה	גרעינים, מהדרים, מתזמנים	קבוע חוזר	מוצר או צי	רווחי יעילות קנייניים
רכישת לקוחות	מכירות, קרדיטים, פרסום	מְעוּרָב	קבוצת לקוחות או הכנסה	נקודות זכות לקידום מכירות ועלויות ערוץ
תאימות ארגונית	הסמכות, משפט, מיקום נתונים	מְעוּרָב	חוזה או אזור	פיצול רגולטורי
מְמַמֵן	חוב, חוזי שכירות, הון עצמי	תשואה קבועה/נדרשת	הון מושקע	עלות הון ממוצעת משוקללת
קיבולת סרק	תשתית שאינה בשימוש אך הותקנה	תקורה כלכלית	שימוש לחיוב	תנודתיות הביקוש
עבודה כושלת	שגיאות, ניסיונות חוזרים, פלטים שנדחו	פסולת משתנה	משימות מוצלחות	נראה לעיתים רחוקות בחשבונות טוקנים

הפריט השמט בתדירות הגבוהה ביותר הוא קיבולת סרק . הסקת ענן חייבת לשמור על קיבולת פנויה מספקת כדי לספוג שינויים בביקוש, כשלי ציוד והתחייבויות השהיה. צי הפועל בניצול נומינלי של 100% יציג תורים והשהיה בלתי מקובלת של זנב. אם רק 45% מזמן המאיץ התיאורטי מייצר טוקנים הניתנים לחיוב מסחרי, כל טוקנים מחויבים חייבים לספוג יותר מפי שניים מהפחת שיחול בניצול של 100%.

---

5.3.2 פחת מאיץ

לְאַפשֵׁר:

• K _acc = מאיץ מותקן ובירת שרת;
• RV _n = ערך שיורי צפוי לאחר n שנים;
• n = אורך חיים כלכלי שימושי;
• _שנה H = 8,760 שעות;
• u _{פרודוקטיבי} = חלק מהזמן בהפקת עבודה לחיוב.

פחת שנתי ישר הוא:

D _שנתי = (K _acc − RV _n ) ÷ n

פחת לשעת מאיץ פרודוקטיבית הוא:

D _שעה = D _שנתי ÷ (8.760 × u _{פרודוקטיבי} )

קחו בחשבון אשכול אנליטי בעלות של 40 מיליון דולר, עם אורך חיים כלכלי של ארבע שנים וערך שיורי של 10%.

D _שנתי = (40,000,000 − 4,000,000) ÷ 4
D _שנתי = 9,000,000 דולר

שימוש פרודוקטיבי	שעות פרודוקטיביות בשנה	פחת לשעת אשכול יצרנית
25%	2,190	4,110 דולר
40%	3,504	2,568 דולר
60%	5,256	1,712 דולר
75%	6,570	1,370 דולר
90%	7,884	1,142 דולר

לכן, ניצול הוא משתנה כלכלי מסדר ראשון. שיפור של 20% במהירות הגולמית של המאיץ נחות מבחינה כלכלית מהכפלת ניצול הייצור אם המערכת המהירה יותר נותרת בשימוש תדיר. לספקים עם מאגרי ביקוש גדולים ומגוונים יש יתרון משמעותי בגודלו משום שהם יכולים לנתב תנועה בין לקוחות, אזורים, מודלים, בקשות אינטראקטיביות ומשימות אצווה.

מיקרוסופט דיווחה על הוצאות הון רבעוניות של 31.9 מיליארד דולר ברבעון השלישי של שנת הכספים 2026, כאשר כשני שלישים מהן הוקצו לנכסים קצרי מועד, בעיקר כרטיסי מסך ומעבדים. החברה דיווחה במקביל כי המשך ההשקעה בתשתית בינה מלאכותית ושימוש גובר בבינה מלאכותית הפחיתו את אחוז הרווח הגולמי שלה בענן. שיחת ועידה לרווחי הרבעון השלישי של מיקרוסופט לשנת הכספים 2026 – מיקרוסופט – אפריל/2026 – גילוי נאות של משקיעים ברבעון השלישי של שנת הכספים 2026 של מיקרוסופט . זוהי ראיה ישירה לכך שפחת במאיץ ושימוש בבינה מלאכותית הם מהותיים כלכלית. החברה אינה חושפת את העלות של אף דגם או טוקן ספציפי.

---

5.3.3 בניית מרכזי נתונים, קרקע, רשתות ומימון

בסיס ההון הכולל התומך במסקנות רחב יותר מצי המאיצים:

K = K _מאיצים + K _שרתים + K _רשת + K _אחסון + K _חשמל + K _קירור + K _{בניינים} + K _קרקעות + K _{בנייה בתהליך}

אלפבית דיווחה על הוצאות הון של 35.7 מיליארד דולר ברבעון הראשון של 2026, כאשר הרוב המכריע הופנה לתשתיות טכניות התומכות בהזדמנויות בתחום הבינה המלאכותית. כ-60% מההשקעה בתשתית טכנית זו הוקדשה לשרתים ו-40% למרכזי נתונים וציוד רשת. דו”ח רווחי רבעון ראשון של אלפבית לשנת 2026 – אלפבית – אפריל/2026 – גילוי נאות של משקיעים באלפבית לרבעון הראשון של 2026. ברבעון השני של 2026, אלפבית דיווחה על הוצאות הון של 44.9 מיליארד דולר ושמרה על אותה חלוקה של 60:40 בערך בין שרתים ותשתית מרכזי נתונים/רשת. דו”ח רווחי רבעון שני של אלפבית לשנת 2026 – אלפבית – יולי/2026 – גילוי נאות של משקיעים באלפבית לרבעון השני של 2026 .

הגילוי נאות קובע כי ניתוח עלות המאיץ לבדו ישמיט כ-40% מהקצאת התשתית הטכנית האחרונה של אלפבית. הוא גם מדגים מדוע נטל המזומנים של ספק יכול לעלות לפני שמוכרים הכנסות: יש לממן ולבנות קרקעות, תחנות משנה, מבנים, מערכות קירור, רשתות ושרתים לפני שהקיבולת הופכת לחיוב. עלות המימון הנובעת מכך היא:

_הון C = WACC × K _{מועסקים}

כאשר WACC הוא עלות ההון הממוצעת המשוקללת. נקודת האיזון הכלכלית חייבת לכלול תשואה נדרשת זו גם אם הרווח התפעולי החשבונאי חיובי. ספק שמרוויח 4% על בסיס תשתית בעוד שעלות ההון המותאמת לסיכון שלו היא 9% הוא רווחי חשבונאית אך הורס את הערך הכלכלי.

---

5.3.4 חשמל, קירור ומים

ניתן לייצג את החשמל במתקן המיוחס לעומס עבודה כך:

_{עומס עבודה} E = PIT _× t × PUE

C _אנרגיה = E _{עומס עבודה} × p _חשמל

כאשר PUE הוא סך האנרגיה של המתקן חלקי האנרגיה של ציוד IT. יש לעקוב אחר צריכת המים בנפרד:

_{עומס עבודה} W = E _IT × DUE

כאשר WUE הוא יעילות ניצול המים, המתבטאת בדרך כלל כבליטרים לקוט”ש של אנרגיה טכנולוגית (IT). אין להחליף את PUE וגם את WUE בערך גלובלי אוניברסלי. אקלים, תכנון קירור, מקור מים, עומס, גיל הבניין וגבולות חשבונאיים שונים בין מתקנים.

ברמה הלאומית, מרכזי נתונים בארה”ב צרכו כ-176 TWh, או 4.4% מכלל החשמל בארה”ב, בשנת 2023; ההערכה הרשמית צפתה 325-580 TWh, או 6.7-12% מצריכת ארה”ב, עד 2028. משרד האנרגיה האמריקאי מפרסם דו”ח חדש להערכת העלייה בביקוש לחשמל ממרכזי נתונים – משרד האנרגיה האמריקאי – דצמבר/2024 – הערכת חשמל של מרכזי נתונים של משרד האנרגיה האמריקאי . אין זה מוכיח שמחירי האסימונים חייבים לעלות: יעילות, דחיסת מודל וניצול גבוה יותר יכולים לקזז את אינפלציית החשמל. זה כן קובע שגישה לרשת, חוזי חשמל וקיבולת הולכה הופכים לתשומות אסטרטגיות ולא לפרטים תפעוליים זניחים.

---

5.3.5 הדרכה, לאחר ההדרכה ובטיחות

ניתן לכתוב את עלות מחזור החיים המיוחסת למשפחת מודלים כך:

_{מחזור חיים של מודל} C = C _מחקר + C _נתונים + C _{אימון מקדים} + C _{אימון לאחר מכן} + C _בטיחות + C _הערכה + C _פריסה + C _פרישה

הקצאה לכל אסימון מסחרי מוצלח תהיה:

מודל C _{, אסימון = מחזור חיים של מודל} C ÷ T _{מוצלח, חיים}

המכנה אינו ודאי מאוד בעת ההשקה. מודל מוצלח עם טריליוני טוקנים לחיוב יכול לשלם הוצאות הדרכה באופן נרחב. מודל שמודל מועתק תוך חודשים עלול לעולם לא להחזיר את עלות הפיתוח שלו. כתוצאה מכך, מהדורות גבוליות תכופות מקצרות את אורך החיים הכלכלי האפקטיבי של השקעות במודל ושל ערימות הסקה אופטימליות.

לא ניתן להתייחס באופן מדעי לבטיחות והערכה כאל הוצאות תקורה אופציונליות. היקפן כולל הערכות יכולות, בדיקות דומיין, סקירות אבטחה, שיתוף פעולה עם גורמים חיצוניים (red teaming), חקירת אירועים, ניטור שימוש לרעה, ניתוח התנהגות מודל וניהול שחרור. עם זאת, דפי מחירי הספקים הציבוריים אינם חושפים כמה ממחיר כל אסימון מוקצה לפעילויות אלו.

---

5.4 עלות יחידה של הסקה

5.4.1 משוואת עלות יחידה ליבה

ביטוי ההיסק-עלות המבוקש הוא:

C _אסימון = [C _חישוב + C _זיכרון + C _אנרגיה + C _רשת + C _מתקן + C _עבודה + C _הון ] ÷ T _לחיוב

עבור פרשנות מסחרית, יש להרחיב זאת ל:

C _{מוצלח-טוקן} = [C _{הסקה-ישירה} + C _{מודל-הוקצה} + C _{פלטפורמה-הוקצה} + C _מסחרי + C _סיכון ] ÷ T _מוצלח

כאשר T _מצליח לא כולל בקשות שנכשלו, שימוש חינמי, נקודות זכות לקידום מכירות, בדיקות פנימיות ופלט שנדחו על ידי יישום הלקוח.

מחיר משולב משוקלל לפי אסימונים הוא:

P _blend = [P _in T _in + P _cached T _cached + P _out T _out + P _reason T _reason + C _tools ] ÷ T _total

עלות ברמת המשימה היא:

C _task = P _in T _in + P _out T _out + P _cache-write T _cache-write + P _cache-read T _cache-read + ΣC _tool,j + C _storage + C _recovery

ניסוח זה מדגים מדוע תעריפי אסימוני קלט המפורסמים אינם יכולים לחזות באופן מהימן את עלות זרימת עבודה של סוכן.

---

5.4.2 נקודת איזון של הספק

יחס האיזון המבוקש הוא:

PBE = [FC + VC ₊ R × K] ÷ Q

אֵיפֹה:

• FC = עלות קבועה המיוחסת;
• VC = עלות משתנה מיוחסת;
• K = הון מושקע;
• R = תשואה נדרשת על ההון המושקע;
• Q = שימוש לחיוב מסחרי.

אם שימוש קידום מכירות או פנימי צורך קיבולת, ניסוח מותאם לקיבולת עדיף:

P _BE = [FC + VC + R × K] ÷ [Q _פיזי × u _לחיוב × y _הצלחה ]

אֵיפֹה:

• u _לחיוב הוא החלק הניתן לחיוב של הקיבולת הפיזית;
• _הצלחה y היא שיעור ההפקה של עבודה מצליחה מסחרית.

חישוב איזון לדוגמה

נניח פלטפורמת הסקה עם:

פָּרָמֶטֶר	ערך התרחיש
עלויות קבועות שנתיות	240 מיליון דולר
עלויות משתנות שנתיות	310 מיליון דולר
הון מושקע	2.5 מיליארד דולר
החזרה נדרשת	10%
שימוש שנתי לחיוב	100 טריליון אסימונים

ההכנסה השנתית הנדרשת היא:

הכנסות _BE = 240 מיליון + 310 מיליון + 0.10 × 2,500 מיליון
הכנסות _BE = 800 מיליון דולר

מחיר האיזון למיליון אסימונים הוא:

P _BE,MTok = 800,000,000 ÷ 100,000,000
P _BE,MTok = 8.00 דולר

המכנה של 100 טריליון טוקנים שווה ל-100 מיליון יחידות של מיליון טוקנים. הרגישות משמעותית:

אסימונים שנתיים לחיוב	מחיר איזון למיליון אסימונים
25 טריליון	32.00 דולר
50 טריליון	16.00 דולר
100 טריליון	8.00 דולר
200 טריליון	4.00 דולר
400 טריליון	2.00 דולר

הדוגמה אינה מעריכה ספק בשם. היא קובעת את המשמעות המתמטית של קנה המידה: כלכלת תשתית זהה יכולה לתמוך ב-32 דולר או ב-2 דולר לכל מיליון טוקנים, בהתאם לתפוקה הניתנת לחיוב.

---

5.5 ארכיטקטורת תמחור ציבורית מאומתת נכון ל-15 באוגוסט 2026

5.5.1 מחירי API ישירים נבחרים

ההשוואה הבאה מדווחת על מחירי מחירון רשמיים לכל מיליון טוקנים. זוהי אינה טבלת שקילות איכות: דגמים נבדלים ביכולות, במייצר טוקני, במהירות, בהקשר, באמינות ובכלים הנתמכים.

ספק ומודל	קלט סטנדרטי	קלט או פגיעה במטמון	פלט סטנדרטי	קלט אצווה	פלט אצווה	משנה חשוב
פתרון OpenAI GPT-5.6	5.00 דולר	0.50 דולר	30.00 דולר	2.50 דולר	15.00 דולר	הקשר ארוך: קלט של 10 דולר ופלט של 45 דולר
OpenAI GPT-5.6 טרה	2.00 דולר	0.20 דולר	12.00 דולר	דולר אמריקאי אחד	6.00 דולר	הקשר ארוך: קלט של 4 דולר ופלט של 18 דולר
OpenAI GPT-5.6 לונה	0.20 דולר	0.02 דולר	1.20 דולר	0.10 דולר	0.60 דולר	הקשר ארוך: קלט של 0.40 דולר ופלט של 1.80 דולר
OpenAI GPT-5.5	5.00 דולר	0.50 דולר	30.00 דולר	טבלת הספקים מזהה תעריפי אצווה נפרדים	טבלת הספקים מזהה תעריפי אצווה נפרדים	מעל 272k קלט: קלט כפול ופלט כפול וחצי
OpenAI GPT-5.5 Pro	30.00 דולר	אין הנחה על קלט במטמון	180.00 דולר	נתמך	נתמך	רמת מקצועית במחשוב גבוה יותר
קלוד האנתרופי אופוס 4.8	5.00 דולר	פגיעת מטמון של 0.50 דולר	25.00 דולר	2.50 דולר	12.50 דולר	כתיבת מטמון של חמש דקות 6.25 דולר
סונטה האנתרופית של קלוד 5	2.00 דולר	פגיעה במטמון של 0.20 דולר	10.00 דולר	דולר אמריקאי אחד	5.00 דולר	המחיר הרגיל נשמר לאחר תקופת ההיכרות
קלוד סונטה האנתרופי 4.6	3.00 דולר	פגיעה במטמון של 0.30 דולר	15.00 דולר	1.50 דולר	7.50 דולר	נקודות קצה אזוריות עשויות להוסיף 10%
הייקו האנתרופי של קלוד 4.5	דולר אמריקאי אחד	פגיעה במטמון של 0.10 דולר	5.00 דולר	0.50 דולר	2.50 דולר	כתיבה במטמון של שעה עולה יותר מכתיבה של חמש דקות
גוגל ג’מיני 3.6 פלאש, תקן 2026	0.75 דולר	0.075 דולר	3.75 דולר	0.375 דולר	1.875 דולר	הכפלה מתוכננת רשמית החל מ-1 בינואר 2027
גוגל ג’מיני 3.6 פלאש, עדיפות 2026	1.35 דולר	0.135 דולר	6.75 דולר	לא מצב העדיפות	לא מצב העדיפות	פרמיית השהייה/עדיפות
גוגל ג’מיני 3.5 פלאש	1.50 דולר	0.15 דולר	9.00 דולר	0.75 דולר	4.50 דולר	הפלט כולל אסימוני חשיבה

תמחור – OpenAI API – אוגוסט/2026 — תמחור רשמי של OpenAI API .
דגם GPT-5.5 – OpenAI API – אוגוסט/2026 — תמחור רשמי של דגם GPT-5.5 .
דגם GPT-5.5 Pro – OpenAI API – אוגוסט/2026 — תמחור רשמי של דגם GPT-5.5 Pro .
תמחור – Claude Platform Docs – אוגוסט/2026 — תמחור רשמי של Anthropic Claude .
תמחור של Gemini Developer API – גוגל – אוגוסט/2026 — תמחור רשמי של Gemini API .

להלן שלוש תצפיות אמפיריות.

ראשית, אסימוני פלט יקרים יותר באופן עקבי מאסימוני קלט רגילים. היחסים ברמות הסטנדרטיות שנבחרו נעים בין 5:1 ל-8:1 בקירוב. פענוח הפלט הוא סדרתי ופחות קל להקבלה מאשר עיבוד מהיר; הנמקה עשויה להוסיף יצירה פנימית; וספקים גם מתמחרים לפי ערך וביקוש, ולא רק לפי עלות פיזית.

שנית, עלות קלט במטמון יכולה להיות כעשירית מעלות הקלט שאינו מאוחסן במטמון, בעוד שכתיבת מטמון יכולה לעלות יותר מקלט רגיל. OpenAI מציינת כי כתיבות מטמון ממשפחת GPT-5.6 מחויבות פי 1.25 משיעור הקלט שאינו מאוחסן במטמון. מטמון בקשה – OpenAI API – אוגוסט/2026 – תיעוד רשמי של OpenAI לאחסון במטמון בקשה . Anthropic מבחינה דומה בין כתיבות מטמון בנות חמש דקות ושעה לבין כתיבות מטמון זולות יותר. לכן, התעריף מעודד שימוש חוזר בהקשר יציב אך מרתיע יצירה חסרת הבחנה של מטמונים שלעולם אינם בשימוש חוזר.

שלישית, עיבוד אצווה מקבל בדרך כלל הנחה של 50%. Anthropic וגוגל מפרסמות תעריפי אצווה בחצי מחיר עבור דגמים נבחרים, ואמזון בדרוק מציינות שדגמי יסוד נבחרים מקבלים הנחה של 50% על עיבוד אצווה ביחס למחירים לפי דרישה. תמחור אמזון בדרוק – שירותי אינטרנט של אמזון – אוגוסט/2026 – תמחור רשמי של אמזון בדרוק . הנחה עקבית של 50% היא משמעותית כלכלית: היא מצביעה על כך שגמישות תזמון, ניצול חלק יותר והשהיה רגועה מפחיתים באופן מהותי את עלות האלטרנטיבית של הספק.

---

5.5.2 תמחור ארוך הקשר

אורך ההקשר משפיע על העלות באמצעות לפחות ארבעה מנגנונים:

1. יותר אסימוני קלט מחויבים.
2. חישוב המילוי מראש גדל.
3. זיכרון מטמון KV נשאר תפוס במהלך היצירה.
4. בקשות ארוכות עלולות להפחית את יעילות עיבוד הקבוצות והתזמון.

ניתן לייצג מכפיל הקשר כללי כך:

P _הקשר = P _בסיס × m _אורך

כאשר _אורך m עשוי להיות רציף, מדורג או מוטמע במחיר ספציפי לדגם.

הטבלה הרשמית של OpenAI מאוגוסט 2026 מבחינה בין מחירים בהקשר קצר וארוך עבור דגמי GPT-5.6. עבור GPT-5.6 Sol, המחירים בהקשר קצר הטווח המפורטים הם 5 דולר קלט ו-30 דולר פלט לכל מיליון טוקנים; המחירים בהקשר ארוך הטווח המתאימים הם 10 דולר ו-45 דולר. גוגל ו-Anthropic מיישמות מבנים שונים: גוגל מפרטת מחירים לפי מודל ורמת שירות, בעוד ש-Anthropic מציינת שדגמי Claude 4.6 ודגמים מאוחרים יותר כוללים את חלון ההקשר המלא של מיליון טוקנים במחירי טוקנים סטנדרטיים. הבדלים אלה מראים ש”פרמיית הקשר ארוך” יכולה להופיע כמכפיל מפורש, רמת מודל גבוהה יותר, חיובי אחסון מטמון או פשוט מספר גדול יותר של טוקנים שעובדו.

משימה לדוגמה של מסמך ארוך

לְהַנִיחַ:

• 500,000 אסימוני קלט שאינם מאוחסנים במטמון;
• 20,000 אסימוני פלט;
• אין קריאות כלים.

דגם/רמה	עלות קלט	עלות התפוקה	סַך הַכֹּל
GPT-5.6 Sol ארוך-הקשר	5.00 דולר	0.90 דולר	5.90 דולר
GPT-5.6 טרה בהקשר ארוך	2.00 דולר	0.36 דולר	2.36 דולר
קלוד סונטה 5 סטנדרטי	דולר אמריקאי אחד	0.20 דולר	1.20 דולר
ג’מיני 3.6 פלאש 2026 סטנדרטי	0.375 דולר	0.075 דולר	0.45 דולר

ההשוואה אינה קובעת איכות תשובה מקבילה. מודל בעלות נמוכה יותר הופך יקר יותר מבחינה כלכלית אם הוא נכשל במשימה, דורש קריאות חוזרות או מייצר תשובה הדורשת תיקון אנושי נרחב.

---

5.5.3 מנויים לעומת גישה מדודה ל-API

מנויי צרכנים הופכים שימוש משתנה לתשלום חודשי קבוע לכאורה:

_מנוי ARPU = דמי שימוש _{חודשיים} ÷ משתמש

תרומת הספק לכל מנוי היא:

_משתמש CM = תשלום _חודשי − C _{הסקה, משתמש} − C _{תמיכה, משתמש} − C _{רכישה, משתמש} − C _{פלטפורמה מוקצית, משתמש}

מנוי קבוע יוצר חלוקת סיכון שימוש. משתמשים קלים מסבסדים משתמשים כבדים בתוך מאגר המנויים אלא אם כן מגבלות תעריף, ניתוב מודל או זיכויי שימוש שולטים בזנב. כתוצאה מכך, תוכניות צרכנים כוללות בדרך כלל מדיניות שימוש הוגן, גישה גמישה, מגבלות הודעות, שירות בעדיפות נמוכה יותר במהלך עומס או ניתוב אוטומטי בין דגמים.

מנויים מבצעים גם פונקציות אסטרטגיות שתעריף API טהור אינו עושה:

• להאיץ את היווצרות ההרגלים;
• להגדיל את עלויות המעבר;
• ליצור מערכות אקולוגיות מתמשכות של שיחה וקבצים;
• יצירת נתוני שימוש לשיפור המוצר;
• לספק הכנסה חוזרת צפויה;
• אגרוף פונקציות בעלות עלות גבוהה ונמוכה;
• לטשטש את המחיר השולי של משימות בודדות;
• פילוח לקוחות לפי נכונות לשלם.

חוזים ארגוניים מוסיפים ניהול זהויות, בקרות נתונים, פונקציות ביקורת, תמיכה, התחייבויות חוזיות, עיבוד אזורי, רמות שירות ושילוב רכש. לא ניתן להסיק את מחיר היחידה האפקטיבי שלהם מדמי צרכנים ציבוריים.

---

5.5.4 קיבולת שמורה, עדיפות וקיבולת אצווה

מצב מסחרי	הלקוח מקבל	הספק מקבל	השפעה כלכלית
תקן לפי דרישה	גמישות ללא התחייבות	ביקוש משתנה וניצול לא ודאי	מחיר מחירון רגיל
קְבוּצָה	מחיר נמוך יותר; עיכוב בסיום	חופש תזמון וניצול גבוה יותר	דִיסקוֹנט
גמיש או בעל עדיפות נמוכה	מחיר נמוך יותר עם השהייה משתנה	יכולת ניצול קיבולת שיורית	הנחה או שירות משתנה
עדיפות/מהיר	השהיית זנב נמוכה יותר ותזמון מועדף	הכנסה גבוהה יותר ליחידת קיבולת מוגבלת	פּרֶמיָה
קיבולת שמורה	תפוקה מובטחת או צפויה	נראות הכנסות וביקוש מחויבים	מחיר קיבולת חוזית
עיבוד אזורי	שליטה גיאוגרפית	גמישות ניתוב מופחתת וכפילות אזורית	פרמיה גיאוגרפית
פריסה ייעודית	בידוד ובקרה	מחויבות ארוכה וריכוז לקוחות	מחיר מוסכם
גישה לנחשולי מתח	קיבולת מיידית בעת מחסור	שכר דירה במחסור	פרימיום דינמי
נקודתי/ניתן להפסקה	מחיר נמוך מאוד עם סיכון להפסקה	מונטיזציה של קיבולת אחרת שאינה זמינה	הנחה עמוקה

Amazon Bedrock מזהה רשמית את רמות השירות Reserved, Priority, Standard ו-Flex . רמות שירות לאופטימיזציה של ביצועים ועלויות – Amazon Web Services – אוגוסט/2026 – תיעוד רשמי של רמות השירות של Amazon Bedrock . זה מייצג תנועה נצפית הרחק ממחיר אחיד של אסימון לעבר מודל ניהול תשואה הדומה למחשוב ענן, טלקומוניקציה ותחבורה.

---

5.6 כוונון עדין, אחזור, אחסון ועלויות כלי סוכן

5.6.1 כוונון עדין

העלות המלאה של דגם מכוון עדין היא:

C _FT,total = C _{אסימוני אימון} + C _{הכנת נתונים} + C _הערכה + C _אירוח + C _הסקה + C _תחזוקה

כוונון עדין יכול לקצר את אורך ההנחיות על ידי הפנמת הוראות או תבניות דומיין, אך הוא מכניס עלויות של בניית מערך נתונים, אימות, ניהול גרסאות ובדיקת רגרסיה. תנאי האיזון הוא:

_בקשת חיסכון + _איכות החיסכון + _{ביקורת אנושית} על החיסכון > C _{FT, סה”כ}

מודל מכוון עדין שמפחית כל בקשה ב-10,000 טוקנים של קלט אך דורש אימון מחדש יקר לאחר כל עדכון של מודל הבסיס, עלול לעולם לא להשיג ערך מחזור חיים חיובי.

5.6.2 אחזור ואחסון

יצירה משופרת של אחזור מייצרת מספר חיובים מעבר ליצירת טקסט:

C _RAG = C _הטבעה + C _{אחסון וקטורים} + C _{אינדוקסציה} + C _אחזור + C _{דירוג מחדש} + C _{קלט אחזור} + C _יצירה

הלקוח יכול להפחית הזיות מודל ולהימנע מהנחיות ארוכות מאוד, אך רק אם דיוק האחזור גבוה. אחזור לקוי מגביר הן את הוצאות האסימונים והן את שיעורי השגיאה.

5.6.3 שימוש בכלי סוכן

סוכן יכול לקרוא לחיפוש, ביצוע קוד, מסדי נתונים, דפדפנים, ממשקי API חיצוניים או מודלים אחרים. העלות שלו היא רקורסיבית:

C _agent = Σ _i=1 ⁿ C _model,i + Σ _j=1 ^m C _tool,j + C _storage + C _{orchestration} + C _{authentication}

התמחור הרשמי של OpenAI מציג חיפוש באינטרנט במחיר של 10 דולר לכל 1,000 קריאות, בנוסף לעמלות הרלוונטיות עבור אסימון המודל. תמחור – OpenAI API – אוגוסט/2026 — תמחור רשמי של OpenAI API וכלי .

זרימת עבודה סוכנית לדוגמה

נניח שמשימת מחקר משתמשת ב:

• 200,000 אסימוני קלט;
• 20,000 אסימוני פלט;
• 30 שיחות חיפוש באינטרנט;
• תמחור סטנדרטי לטווח קצר של GPT-5.6 Sol.

עלות המודל:

_מודל C = 0.2 × 5 + 0.02 × 30 _מודל
C = 1.60 דולר

עלות חיפוש:

_חיפוש C = 30 × 10 ÷ 1,000 _חיפוש
C = 0.30 דולר

סך כל חיוב הספק הישיר:

_משימה C = 1.60 + 0.30 _משימה
C = 1.90 דולר

אם הסוכן נכנס ללולאת שגיאה וחוזר על הרצף חמש פעמים, העלות הישירה עולה ל-9.50 דולר למרות שהתוצר הסופי נותר משימה אחת. לכן, תמחור ארגוני עתידי צפוי להדגיש תקציבים לכל משימה שהושלמה ובקרות על שימוש בכלים רקורסיביים.

---

5.7 האם תמחור הבינה המלאכותית הנוכחי מסובסד?

5.7.1 הגדרת סובסידיה

יש לחלק את המונח “מסובסד” לארבעה נושאים נפרדים:

הַשׁעָרָה	מִבְחָן
מוביל הפסדים לטווח קצר	המחיר נמוך מהעלות השולית הניתנת להימנעות
התאוששות חסרת עלות מלאה	המחיר מכסה את העלות השולית אך לא את עלויות ההכשרה, התשתית והמסחר שהוקצו
תמחור מתחת להחזר הנדרש	קיים רווח חשבונאי אך התשואה על ההון נמוכה מה-WACC
סבסוד צולב	הפסד או תשואה נמוכה בבינה מלאכותית ממומנים על ידי מוצר, פלח או הון משקיע אחר

טענות אלה דורשות ראיות שונות. מחיר נמוך לבדו אינו מוכיח אף אחת מהן.

5.7.2 ראיות התואמות את הסבסוד

מספר תצפיות עולות בקנה אחד עם תמחור נמוך בהיכרות או תמחור אסטרטגי:

1. הוצאות ההון התרחבו לפני שמימוש מלוא זרם ההכנסות המתאים.
2. תשתית ושימוש בבינה מלאכותית הפעילו לחץ על שולי הרווח הגולמי בענן.
3. ספקים מציעים רמות חינמיות, זיכויים, עיבוד אצווה מוזל ודגמי כניסה במחיר נמוך.
4. חבילות מנוי יכולות לאפשר למשתמשים כבדים לצרוך יותר הסקות ממה שהדמי החודשיים שלהם היו קונים במחירי API קמעונאיים.
5. לספקי מודלים יש תמריצים חזקים לרכוש מפתחים, להקים ממשקי API כברירת מחדל וליצור תלות במערכת האקולוגית.
6. הוצאות הכשרה ואחרי הכשרה אינן מפורטות בנפרד במחירי האסימונים.
7. החלפה מהירה של מודלים יכולה לקצר את תקופת הפירעון של אופטימיזציית מחקר ותשתיות.

מיקרוסופט דיווחה על שולי רווח גולמי של 66% בתחום הענן של מיקרוסופט ברבעון השלישי של שנת הכספים 2026, ירידה משנה לשנה עקב המשך השקעות בבינה מלאכותית, בעוד שהוצאות ההון של החברה הגיעו ל-31.9 מיליארד דולר. שיחת ועידה לדיווח על רווחי הרבעון השלישי של שנת הכספים 2026 של מיקרוסופט – מיקרוסופט – אפריל/2026 – גילוי נאות של משקיעים ברבעון השלישי של שנת הכספים 2026 של מיקרוסופט . ממצא זה תומך בטענה שבינה מלאכותית היא עתירת הון ומדללת שולי רווח ברמת הענן שנחשפה.

5.7.3 ראיות נגד מסקנה אוניברסלית של מנהיג הפסד

אותן ראיות אינן קובעות שכל אסימון נמכר מתחת למחיר:

1. מיקרוסופט קלאוד נותרה רווחית גולמית חזקה ברמה הכוללת.
2. גוגל קלאוד דיווחה על הכנסות תפעוליות חיוביות תוך הרחבת תשתית הבינה המלאכותית.
3. הנחות על אצווה וקלט במטמון עשויות לשקף חיסכון אמיתי בעלויות מתזמון ושימוש חוזר.
4. פרמיות על אסימוני פלט עשויות לייצר שולי תרומה גבוהים בעומסי עבודה נבחרים.
5. ניתוב מודלים יכול לכוון משימות פשוטות לעבר מודלים זולים יותר באופן מהותי.
6. ספקים גדולים יכולים להשתמש בצבירת הביקוש שלהם כדי להשיג ניצול שאינו זמין לחברות קטנות יותר.
7. חוזי ארגונים וקיבולת שמורה עשויים להחזיר עלויות שאינן נראות בתמחור הצרכנים.
8. פרסום, תוכנות פרודוקטיביות והכנסות מפלטפורמות ענן יכולות להפיק רווחים מבינה מלאכותית בעקיפין מבלי להפוך את שירות הבינה המלאכותית ללא רציונלי מבחינה כלכלית.

5.7.4 תוצאת בדיקה רשמית

הַצָעָה	ממצא נכון לאוגוסט 2026
תשתית בינה מלאכותית עתירת הון	נתמך מאוד
לחצים על השקעות בבינה מלאכותית, חלק מהרווחים שנחשפו	נתמך
חלק מהגישה מוזלת במכוון או בחינם	נתמך
מחירי אצווה/גמישות משקפים את כלכלת הניצול	נתמך מאוד
כל מנויי הבינה המלאכותית של הצרכנים מפסידים	לא הוקם
כל אסימוני ה-API נמכרים מתחת לעלות השולית	לא הוקם
עלויות מחזור החיים של מודל Frontier מוחזרות במלואן על ידי מחירי האסימונים הנוכחיים	לא ניתן לאמת מגילויים פומביים
סבסוד צולב אסטרטגי קיים איפשהו בשוק	סביר ועקבי עם מבני העסק, אך לא ניתן לכימות מדוחות מגזרים שנחשפו
תמחור מחדש עתידי מהותי אפשרי	נתמך כסיכון, לא וודאות

המסקנה המדעית הניתנת להגנה צרה יותר מהטענה הפופולרית “חברות בינה מלאכותית מפסידות כסף על כל שאילתה”. מסמכים שהוגשו לציבור תומכים בעצימות הון, לחץ על מרווחי הרווח והשקעה אסטרטגית לפני הביקוש . הם אינם חושפים את חשבונות העלות ברמת המודל הנדרשים כדי להוכיח הובלת הפסדים אוניברסלית.

---

5.8 מערכת התמחור המתפתחת

5.8.1 מחיר לכל אסימון קלט

תמחור אסימוני קלט (Input token) קרוב לדרישה לעיבוד מהיר, אך מתעלם מערך סמנטי. מיליון אסימונים חוזרים ומיליון אסימונים מיוחדים ביותר יכולים לעלות אותו הדבר למרות שהם מייצרים תוצאות עסקיות שונות. אחסון במטמון יפצל את הקלט יותר ויותר ל:

• קלט לא מאוחסן במטמון;
• קלט כתיבת מטמון;
• קלט פגיעה במטמון;
• אחסון הקשר מתמשך.

5.8.2 מחיר לכל אסימון פלט

תמחור התפוקה משקף יצירה סדרתית ולוכד נכונות לשלם. הוא יכול להעניש מודלים מפורטים וליצור תמריצים להפקת תשובות תמציתיות. עלות התפוקה האפקטיבית צריכה להיות:

C _{פלט אפקטיבי} = C _{פלט שנוצר} ÷ T _{פלט מקובל}

מודל שמייצר כמות כפולה של טקסט עבור אותה תוצאה מקובלת הוא פחות יעיל מבחינה כלכלית אפילו באותו שער אסימונים רשום.

5.8.3 מחיר לכל אסימון נימוק

תמחור אסימוני הנמקה מממן חישוב פנימי בצורה ישירה יותר. הסיכונים שלו כוללים יכולת צפייה מוגבלת של הלקוח, תמריצים לספקים לאפשר הנמקה לא יעילה וקושי בהשוואת מודלים עם תהליכים פנימיים שונים. מערכת ניתנת להגנה תחשוף:

• אסימוני פלט גלויים;
• אסימוני הנמקה מחויבים;
• תקציב נימוק מקסימלי;
• משימה שהושלמה בהצלחה;
• החזרים או מגבלות בגין נימוק כושל.

5.8.4 מחיר למשימה שהושלמה

תמחור משימות צפוי לעבודה מוגבלת וניתנת לאימות:

P _task = BaseFee + m _{מורכבות} + m _latency + m _סיכון + C _tools

דוגמאות לכך כוללות סיווג מסמכים, חילוץ חשבוניות, תיקון קוד, תרגום, בדיקת תאימות או פתרון שירות לקוחות. תמחור משימות מעביר את הסיכון ליעילות ביצוע מהלקוח לספק: אם סוכן משתמש באסימונים מוגזמים, הספק סופג את ההפרש.

5.8.5 מחיר ליחידת חישוב

תעריף מבוסס מחשוב יכול להשתמש בשניות מאיץ, שווי ערך ל-FLOP או צריכת רוחב פס של זיכרון:

P _{compute = מאיץ} aH + _זיכרון bB + _{רשת cN}

זה שקוף עבור קוני תשתית אך לא מתאים למשתמשים שאינם טכניים מכיוון שמחשוב זהה יכול לייצר איכות שונה בתכלית.

5.8.6 מכפילי עדיפות והשהיה

_עדיפות P = _{תקן P × עדיפות} m

הטבלה הרשמית של גוגל כבר מבחינה בין מחירים סטנדרטיים, אצווה, גמישים ומחירי פריוריטי, ו-Amazon Bedrock מזהה את הרמות Reserved, Priority, Standard ו-Flex. זוהי עדות ישירה לכך שההשהיה הופכת למוניסטית בנפרד.

5.8.7 מכפילי אורך הקשר

P _{הקשר ארוך} = P _בסיס × m _הקשר

תמחור ארוך-הקשר יכול להיות מפורש או מוטמע ברמות מודל. מערכות עתידיות עשויות לתמחר לפי הקצאת מטמון KV מקסימלית במקום רק לפי אסימונים שעובדו בפועל.

5.8.8 רמות איכות המודל

ספקים כבר מבחינים בין מערכות חסכוניות, מאוזנות, מערכות גבוליות ומערכות בעלות הגיון גבוה. השוק עשוי להתפתח לכיוון:

נִדבָּך	פונקציה כלכלית
סְחוֹרָה	סיווג, חילוץ, ניתוב
מִקצוֹעִי	עסקים כלליים וקידוד
גְבוּל	חשיבה ומחקר מורכבים
מוּמחֶה	עבודה מוסדרת מכוילת תחום
שָׁלִיט	ערבויות גיאוגרפיות, ביטחוניות ובקרה

5.8.9 חוזי קיבולת שמורה

חוזה שמור יכול להתבטא כך:

C _שמור = F _קיבולת + P _עודף Q _עודף

הלקוח מחליף גמישות בתפוקה מובטחת; הספק מפחית את אי הוודאות בביקוש ואת סיכון המימון.

5.8.10 תמחור נחשול

P _surge,t = P _base × [1 + λS _t ]

כאשר S _t מודד מחסור או לחץ בתורים ו-λ הוא רגישות למחיר. תמחור נחשול עלול להקצות קיבולת גבולית במחסור במהלך השקות מוצרים גדולים, אירועים פיננסיים, בחירות, אירועי סייבר או הפסקות אזוריות. זה ישפר את יעילות ההקצאה אך יעמיק את אי השוויון בכך שיאפשר ללקוחות עשירים לרכוש עדיפות בזמן מחסור.

5.8.11 תמחור מבוסס תוצאות

_תוצאה P = _בסיס F + θV _מאומת

כאשר V _verified הוא ערך מדיד ללקוח ו-θ הוא חלקו של הספק. תמחור תוצאה סביר עבור הכנסות שהוחזרו, מקרי תמיכה שנפתרו, לידים מכירות כשירים או משימות תוכנה שהושלמו. קשה לעשות זאת כאשר סיבתיות, ייחוס או איכות שנויים במחלוקת.

5.8.12 קיבולת מחשוב שנמכרה במכירה פומבית

מכירה פומבית יכולה להקצות בלוק קבוע של הסקת גבול:

P _סליקה = הצעת המחיר של הקונה השולי המקובל

מכרזים עשויים להיווצר עבור סבבי אימונים גדולים מאוד, קיבולת ריבונית, סימולציה דחופה או שירות סוכן גבול מובטח. עם זאת, הם יכניסו תנודתיות, מכרזים אסטרטגיים וסיכוני מניפולציה בשוק.

---

5.9 תרחישי תמחור לחמש שנים, 2027–2031

5.9.1 מסגרת תרחישים

תַרחִישׁ	טווח הסתברות	מנגנון הליבה	כיוון מחיר האסימונים	אפקט גישה
דפלציה ביעילות	25–35%	יעילות החומרה והתוכנה עולה על הביקוש	מחירי מודל הסחורות יורדים בחדות	גישה בסיסית רחבה
שוק מפוצל	35–50%	עלויות מודלים קטנים יורדות בעוד שמחשוב גבולי נותר נדיר	רמות נמוכות יורדות; רמות גבול נשארות גבוהות או עולות	אי השוויון ביכולות נמשך
תמחור מחדש של תשתיות	15–30%	פחת, אנרגיה ומימון דורשים התאוששות מלאה יותר	עליות מחירים רחבות או מגבלות מחמירות יותר	עסקים קטנים ובינוניים ומשתמשים בעלי הכנסה נמוכה נמצאים תחת לחץ
הלם קיבולת	5–15%	בקרת ייצוא, סכסוך, מחסור ברשת או שיבוש אספקה	פרמיות נחשול ופרמיות אזוריות	אי שוויון גיאוגרפי חמור
מעבר תוצאה	20–40%	סוכנים נמכרים לפי משימה ולא לפי אסימון	מחירי האסימונים מאבדים רלוונטיות	אפליה גדולה יותר במחירים

טווחים חופפים משום שתרחישים יכולים להתקיים במקביל במודלים ואזורים שונים.

5.9.2 המבנה הסביר ביותר

המקרה המרכזי של חמש שנים אינו עלייה אוניברסלית במחיר הנומינלי של כל אסימון. זהו פיצול :

• דגמים קטנים ובינוניים הופכים זולים יותר;
• עבודה המאוחסנת במטמון ואסינכרונית מוזלת משמעותית;
• הנמקה בגבולות בעלי עדיפות גבוהה נותרה יקרה;
• עומסי עבודה ארוכי הקשר, רב-מודאליים וסוכניים רוכשים מטרים נוספים;
• פרמיות לשאת נתונים ארגוניים וקיבולת שמורה;
• מנויי צרכנים הופכים למוגבלים יותר באופן מפורש בשימוש;
• משימות מורכבות נודדות לכיוון תמחור מבוסס תוצאה או אשראי;
• שכבות חינמיות מסתמכות יותר ויותר על ניתוב מודלים בעלות נמוכה יותר;
• מחסור אזורי יוצר הבדלים גיאוגרפיים במחירים.

לפיכך, היחידה הפונה למשתמש עשויה להשתנות מ”מיליון אסימונים” לזיכוי מורכב אטום המייצג את איכות המודל, עומק הנמקה, כלים, השהייה והקשר.

---

5.10 האם מחשוב בינה מלאכותית הופך להיות כמו ביטקוין?

5.10.1 היכן האנלוגיה שימושית

האנלוגיה שימושית בחמישה היבטים מוגבלים.

ראשית, גם מחשוב בינה מלאכותית וגם פעילות הקשורה לביטקוין תלויים בחומרה ייעודית, חשמל וגישה לתשתיות במחסור. שנית, שניהם יכולים להציג פרמיות מחסור כאשר הביקוש גדל מהר יותר מההיצע. שלישית, שניהם יכולים להיות מרוכזים גיאוגרפית ליד שרשראות חשמל, רגולציה או אספקה ​​​​מועדפות. רביעית, ציפיות לגבי ערך עתידי יכולות להאיץ השקעות נוכחיות והתנהגות ספקולטיבית. חמישית, קיבולת יכולה להיות מיוצגת בחוזים סחירים, הזמנות, חוזים עתידיים או תביעות פיננסיות גם כאשר המשאב הבסיסי הוא פיזי.

לכן, “מדד חישוב בינה מלאכותית” יכול למדוד את המחיר הספוט או העתידי של חבילת קיבולת סטנדרטית:

ACI _t = P(H _{סטנדרטי} , M _זיכרון , B _{רוחב פס} , L _השהייה , R _אזור , A _זמינות )

מדד כזה יוכל לתמוך בתקצוב, גידור וחוזי תשתית.

5.10.2 היכן האנלוגיה נכשלת

נֶכֶס	ביטקוין	מחשוב בינה מלאכותית
כלל האספקה	הנפקה מוגדרת-פרוטוקול והיצע מקסימלי	מיוצר באמצעות ייצור ובנייה
פטריות	היחידות מתוקננות לפי פרוטוקול	מעבדים גרפיים, מעבדי טרופיים, זיכרון, דגמים ומיקומים שונים
עֲמִידוּת	נכס ספר חשבונות דיגיטלי אינו נשחק פיזית	חומרה מתפוגגת והופכת למיושנת
אִחסוּן	ניתן להחזיק ללא שימוש פרודוקטיבי	מחשוב במצב סרק עדיין כרוך בפחת ועלויות מתקן
יָבִילוּת	ניתן להעברה על פני ספר חשבונות גלובלי	קשור למרכזי נתונים, רשתות, רשתות ותחומי שיפוט
אחסון ערך	ניתן להחזיק כנכס	בדרך כלל לא ניתן לאחסן חישובים קודמים שלא נוצלו
אֵיכוּת	יחידה אחת שקולה לאחרת ברמת הפרוטוקול	שעת מאיץ אחת יכולה להשתנות באופן קיצוני ביכולת
תלות במיקום	העברת הבעלות אינה תלויה במידה רבה במיקום	כללי השהייה, הריבונות והיצוא רגישים למיקום
תגובת הייצור	הנפקה אינה יכולה לחרוג מהפרוטוקול	ההיצע יכול להתרחב, אם כי עם זמני אספקה ​​ארוכים
תְפוּגָה	הנכס לא פג תוקפו מבחינה טכנולוגית	קיבולת שמורה פגה; חומרה מזדקנת
בסיס ביקוש	ביקוש כספי/ספקולטיבי/רשתי	ביקוש פרודוקטיבי לחישוב ובינה
סטנדרטיזציה של יחידות	יחידה מקורית קיימת	אין מקבילה אוניברסלית בין מודלים ועומסי עבודה

מחשוב קרוב יותר לשילוב של חשמל, קיבולת ענן, מושבי מטוסים ומכונות תעשייתיות מאשר לביטקוין. כמו חשמל, הוא חייב להיות מיוצר ומועבר דרך תשתית. כמו קיבולת ענן, הוא הטרוגני ותלוי בשירות. כמו מושבי מטוסים, זמן שאינו בשימוש פג וניתן לתמחר עדיפות באופן דינמי. כמו מכונות, הוא דורש הון, תחזוקה והחלפה.

ההבדל החשוב ביותר הוא אי-אחסון זמני. ביטקוין המוחזק היום נשאר ביטקוין מחר. אקסלרטור שני שאינו בשימוש בשעה 14:00 לא ניתן למכור בשעה 15:00. לכן, ספקים מקבלים תמריץ להוזיל עומסי עבודה גמישים ובאצווה כדי למלא קיבולת אחרת שאינה זמינה. זהו ניהול תשואה, לא מחסור כספי.

---

5.11 מבחנים אמפיריים לחמש השנים הבאות

מזהה בדיקה	הַצָעָה	נתונים נדרשים	שִׁיטָה	תנאי זיוף
C5-T1	המחירים הנוכחיים אינם מספיקים להחזר עלות מחזור החיים המלא	חשבונות עלויות ספקים, הוצאות הון, פחת, שימוש	כלכלת יחידות שהוקצתה במלואה	ההכנסה לכל אסימון מוצלח עולה באופן עקבי על העלות בתוספת התשואה הנדרשת
C5-T2	הנחות כמות משקפות יתרונות ניצול	תפוקה/עלות של אצווה ולפי דרישה	הבדלים בהבדלים	אין הפחתה בעלויות של ספקי חומרים עקב גמישות תזמון
C5-T3	לאסימוני פלט יש עלות פיזית גבוהה יותר	שימוש במשאבים שנמדד במילוי מוקדם/פענוח	טלמטריה של המאיץ	פרמיית התפוקה נותרה למרות עלות פיזית משווונת ובקרות כוח שוק
C5-T4	מחירי הגבול נותרו גבוהים בעוד שמחירי הסחורות יורדים	מחירים היסטוריים מותאמים לאיכות המודל	מודל פאנל הדוני	מחיר המקבילה לדגם Frontier יורד באותו קצב כמו מחיר הדגם הבסיסי
C5-T5	מנויים סובסידיים צולבים למשתמשים כבדים	שימוש ועמלות ברמת המשתמש	ניתוח תרומה של קבוצות	כל עשירון שימוש מייצר תרומה מוקצית במלואה שאינה שלילית
C5-T6	אחסון נתונים מעלה את העלות	נקודות קצה אזוריות לעומת נקודות קצה גלובליות	השוואת מחירים תואמת	אין פרמיה לאחר בקרות איכות ו-SLA
C5-T7	מערכות סוכנות מעבירות את החיוב לכיוון משימות	קטלוגי תמחור של ספקים	ניתוח פאנל מוצרים	חיוב באמצעות אסימונים בלבד נותר דומיננטי עד 2031
C5-T8	מחסור מגביר את אפליית המחירים	מחירים עדיפות, מחירים מוגברים ומחירים שמורים	רגרסיה של הפאנל	פיזור הרמות יורד ככל שהניצול עולה
C5-T9	עלויות תשתית לוחצות על שולי הרווח	הון עצמי, פחת ומרווחי ענן	רגרסיה מבוזרת-השהיה	עצימות הון גבוהה יותר של בינה מלאכותית מעלה באופן עקבי את הרווחיות באופן מיידי
C5-T10	אי השוויון בגישה גדל בגבול	הכנסה אזורית ושימוש בגבולות	ניתוח גמישות הכנסה	אזורים בעלי הכנסה נמוכה משיגים שימוש מתכנס בגבול לנפש

ניתן להעריך מודל מרווח ברמת הספק כך:

GM _j,t = α + β ₁ AIK _j,t + β ₂ U _j,t + β ₃ E _j,t + β ₄ D _j,t + μ _j + τ _t + ε _j,t

אֵיפֹה:

• GM _j,t = שולי הרווח הגולמי של ספק j בזמן t;
• AIK _j,t = עוצמת הון הקשורה לבינה מלאכותית;
• U _j,t = ניצול פרודוקטיבי;
• E _j,t = חשיפה לעלות אנרגיה;
• D _j,t = נטל פחת;
• μ _j = אפקטים קבועים של הספק;
• τ _t = השפעות תקופתיות.

מכיוון שחברות אינן חושפות באופן עקבי הוצאות הון הקשורות לבינה מלאכותית בלבד, המודל חייב לדווח על אי-ודאות במדידה ולהימנע מפרש קורלציות כלל-ענן ככלכלת הסקה טהורה.

---

5.12 השלכות אסטרטגיות לפי מחלקת משתמשים

מִשׁתַמֵשׁ	יתרון עיקרי בענן	סיכון עיקרי בענן	שליטה כלכלית מומלצת
סטוּדֶנט	איכות בחזית ללא הוצאה כספית בחומרה	העלאות מנוי ומגבלות שימוש	אסטרטגיה משולבת של חינמי, מנוי ומודל מקומי-קטן
חוֹקֵר	גישה למספר דגמי גבול	שחזור ותנודתיות מחירים	רישום מדויק של המודל, הטוקנים, הכלים והעלות לניסוי
סטארט-אפ	קיבולת אלסטית ופריסה מהירה	תלות שולי בתעריפי הספק	ניתוב מודלים, אחסון במטמון והגנה על מחיר חוזי
אָנוּ	נמנע מתשתיות מיוחדות	נעילה והוצאות סוכנים בלתי מבוקרות	מגבלות תקציב, הפשטה מרובת ספקים ותמחור משימות
אוּנִיבֶרְסִיטָה	גישה ליכולות גבוהות	תקציבי מענקים החשופים לשימוש מדוד	הקצאות מחקר שמורות ורכש מוסדי
בֵּית חוֹלִים	בקרות ארגוניות מנוהלות	סיכוני נתונים רגישים ותלות	עיבוד אזורי, זכויות ביקורת חוזיות וגיבוי מקומי
מיזם גדול	קנה מידה וזמינות גלובלית	עלות ריכוזיות ומעבר	קיבולת שמורה בתוספת שכבת הערכה ניידת
מֶמְשָׁלָה	גישה מיידית למערכות גבול	סיכוני ריבונות, יצוא והמשכיות	קיבולת ריבונית, אספקה ​​מגוונת ויכולת מקומית לשעת חירום

---

5.13 הערכה סופית

הראיות הקיימות תומכות במסקנה מורכבת. בינה מלאכותית בענן אינה רק “חישוב זול הנמכר בהפסד”, וגם לא שירות תוכנה בוגר רגיל עם עלות שולית זניחה. ​​זהו עסק תשתית עתיר הון בשילוב עם מחזור מחקר מהיר במיוחד ואסטרטגיית תחרות בפלטפורמות. הגשות פומביות מדגימות השקעה יוצאת דופן בתשתית ולחץ על שולי רווח נצפה. תמחור רשמי מדגים פילוח חזק לפי איכות המודל, כיוון קלט/פלט, אחסון במטמון, הקשר, השהייה, גיאוגרפיה וגמישות תזמון. מה שהראיות הפומביות אינן מראות הוא שכל ההסקה הנוכחית מתומחרת מתחת לעלות השולית לטווח קצר או שכל מנוי מפסיד.

הסיכון הגדול ביותר לחמש שנים אינו בהכרח מכפלה אחידה של כל מחיר טוקנים שפורסם. ספקים עשויים להמשיך להפחית את עלות ההסקה הבסיסית תוך העברת החזר העלויות לתחומי הנמקה גבולית, יצירת פלט, שירות עדיפות, הקשר ארוך טווח, אחסון נתונים, כלים, אחסון, לולאות סוכנות וקיבולת מובטחת. לכן, השוק יכול להיראות דפלציוני ברמת המחיר הראשית לטוקנים, תוך שהוא הופך יקר יותר עבור עבודה שהושלמה בעלת ערך כלכלי.

נקודת הסיום הסבירה היא תעריף רב-ממדי:

P _AI = f(M, T _in , T _out , T _reason , L, C, G, A, R, X, V)

אֵיפֹה:

• M = רמת איכות המודל;
• T _in = אסימוני קלט;
• T _out = אסימוני פלט;
• _סיבה T = אסימוני הנמקה או מאמץ;
• L = השהייה או עדיפות;
• C = הקצאת הקשר ומטמון;
• G = דרישת עיבוד גיאוגרפי;
• א = זמינות מובטחת;
• R = קיבולת שמורה;
• X = כלים חיצוניים ושליפה;
• V = ערך או תוצאה של משימה מאומתים.

כתוצאה מכך, גישה לבינה מלאכותית תדמה יותר לכלי שירות אסטרטגי מדוד מאשר למנוי תוכנה יחיד. מודיעין סחורות עשוי להפוך לשופע, בעוד שמודיעין אמין על גבולות – המסופק עם הקשר ארוך, השהייה נמוכה, גישה לכלי, פרטיות, שליטה גיאוגרפית וערבויות חוזיות – נותר נדיר ויקר. חלוקה זו, ולא המחיר הנומינלי של מיליון אסימונים גנריים, תקבע את החלוקה הכלכלית והחברתית של יכולת הבינה המלאכותית בין 2027 ל-2031.

פרק 6 – חשיפה ארגונית ועלות אימוץ חובה של בינה מלאכותית

6.1 היקף אנליטי והצעה מרכזית

אימוץ בינה מלאכותית בארגונים נכנס לשלב שבו הוצאות עשויות להפוך להכרחיות מבחינה תחרותית לפני שניתן יהיה להוכיח את התשואה הפיננסית שלהן באופן חד משמעי. חברה עשויה לרכוש רישיונות, קיבולת API, תשתית ענן, מאיצים מקומיים, שירותי הנדסת נתונים, בקרות אבטחת סייבר וכוח אדם מומחה לא משום שפרויקט מסוים כבר הניב ערך נוכחי נקי חיובי, אלא משום שלקוחות, מתחרים, עובדים, רגולטורים ומשקיעים מצפים יותר ויותר למהירות, התאמה אישית, ניתוח ואוטומציה המבוססות על בינה מלאכותית. זה מייצר קטגוריה חדשה של הוצאות: קלט תחרותי הגנתי . כמו אבטחת סייבר, קישוריות דיגיטלית או תוכנה ארגונית, בינה מלאכותית עשויה להיות קשה להימנעות גם כאשר רווח הפריון המיוחס לה נותר לא ודאי. הסיכון הכלכלי הוא אסימטרי. חברה שמאמצת לאט מדי עלולה לאבד לקוחות, כישרונות ויעילות תפעולית; חברה שמאמצת מהר מדי עלולה לצבור רישיונות כפולים, פיילוטים מקוטעים, נעילה קניינית, התחייבויות ציות ותשתיות שניצולן נותר נמוך מדי מכדי להחזיר את עלויותיה.

האימוץ הנצפה עולה במהירות אך נותר לא שוויוני מאוד לפי גודל הארגון. בשנת 2025, 20.0% מהארגונים באיחוד האירופי עם לפחות עשרה עובדים דיווחו על שימוש בטכנולוגיות בינה מלאכותית, בהשוואה ל-13.5% בשנת 2024, 8.1% בשנת 2023 ו-7.7% בשנת 2021. האימוץ בקרב ארגונים גדולים הגיע ל-55.03%, ועולה באופן משמעותי על האימוץ בקרב חברות קטנות יותר. שימוש בבינה מלאכותית בארגונים – יורוסטאט – דצמבר/2025 – סטטיסטיקות בינה מלאכותית לארגונים של יורוסטאט . נתוני OECD מצביעים באופן דומה על כך שהשימוש המדווח בבינה מלאכותית ברמת הפירמה גדל ל-20.2% בשנת 2025 מ-14.2% בשנת 2024 ו-8.7% בשנת 2023 במדינות עם נתונים זמינים. השימוש בבינה מלאכותית על ידי אנשים פרטיים גואה ברחבי OECD ככל שהאימוץ על ידי חברות ממשיך להתרחב – OECD – ינואר/2026 – סטטיסטיקות אימוץ בינה מלאכותית ברמת הפירמה של OECD .

נתונים אלה קובעים דיפוזיה, לא רווחיות. תשובה לסקר המצביעה על שימוש בטכנולוגיית בינה מלאכותית אחת לפחות אינה חושפת את עומק היישום, ההוצאות, הפרודוקטיביות, התשואה המותאמת לסיכון או האם המערכת משובצת בתהליך עבודה קריטי. לכן, פרק זה בונה ארכיטיפים פיננסיים מייצגים. כל תוצאה כספית היא תרחיש תכנון אנליטי המבוטא בדולר ארה”ב של שנת 2026, אלא אם כן צוין אחרת; היא אינה חשבון נצפה עבור חברה בעלת שם.

---

6.2 הגדרות וחשיפה לפי גודל ארגון

הנציבות האירופית מגדירה עסק קטן (SME) לפי מספר עובדים ותחלופה או סך מאזן. עסקים קטנים ובינוניים מעסיקים פחות מ-250 עובדים ובדרך כלל מחזור המכירות השנתי שלהם אינו עולה על 50 מיליון אירו או סך מאזן שאינו עולה על 43 מיליון אירו. הגדרת עסק קטן ובינוני – הנציבות האירופית – אוגוסט/2026 – הגדרת עסק קטן ובינוני מהנציבות האירופית .

לצורך מידול, פרק זה משתמש במחלקות התפעוליות הבאות:

מחלקת ארגונים	עובדים	הכנסה שנתית להמחשה	מאפייני אימוץ בינה מלאכותית
מיקרו-מיזם	1–9	0.25–2 מיליון דולר	מבוסס על מנוי; קיבולת טכנית פנימית מועטה
עסק קטן	10–49	2–15 מיליון דולר	אימוץ SaaS ושירותים מנוהלים
עסק בינוני	50–249	15–100 מיליון דולר	אינטגרציה היברידית; פונקציית ממשל מתפתחת
תאגיד גדול	250+	100 מיליון דולר – 10 מיליארד דולר ומעלה	אימוץ תיק עבודות, אינטגרציה קניינית וממשל ייעודי
ארגון קריטי מבחינה שיטתית או אסטרטגית	מִשְׁתַנֶה	התקציב או ההכנסות יכולים לעלות על מיליארד דולר	ביטחון גבוה, חוסן, ריבונות וחובות רגולטוריות

החשיבות הכלכלית של חברות קטנות הופכת את האימוץ הלא שוויוני לבעיה מקרו-כלכלית ולא לבעיה טכנולוגית נישה. יורוסטאט דיווח כי עסקים זעירים וקטנים ייצגו 99% מהמפעלים באיחוד האירופי בשנת 2022, העסיקו 77.5 מיליון איש וייצרו 11.9 טריליון אירו במחזור. חברות גדולות ייצגו רק 0.2% מהמפעלים אך ייצרו 51% מהמחזור. עסקים זעירים וקטנים מהווים 99% מהמפעלים באיחוד האירופי – יורוסטאט – אוקטובר/2024 – סטטיסטיקות גודל ארגוני של יורוסטאט . אם בינה מלאכותית כרוכה בעלויות קבועות גדולות עבור ניהול, הכנת נתונים ושילוב, עלויות אלו יצרכו נתח גדול יותר מהכנסות של חברות קטנות גם כאשר מחירי ה-API זהים.

---

6.3 מדדים פיננסיים מרכזיים של הארגון

6.3.1 יחס עלות בינה מלאכותית

יחס עלות בינה מלאכותית = הוצאה שנתית של בינה מלאכותית ÷ הכנסות

היחס מודד את חלק ההכנסות שנספגו על ידי הוצאות בינה מלאכותית. יש לחשב אותו הן ברוטו והן בניכוי פיתוח שהוונו:

יחס עלות בינה מלאכותית _במזומן = הוצאות מזומן ÷ הכנסות

יחס עלות AI _{רווח והפסד} = הוצאת AI שהוכרו בתקופה ÷ הכנסות

חברה הרוכשת תשתית עשויה לרשום תזרים מזומנים גדול של הוצאות, אך להכיר בפחת על פני מספר שנים. יחס המזומנים מודד לחץ מימון; יחס דוח רווח והפסד מודד את הנטל החשבונאי השוטף.

6.3.2 נטל העבודה של בינה מלאכותית

נטל עבודה של בינה מלאכותית = הוצאה שנתית של בינה מלאכותית ÷ עלות עבודה שנתית

יחס זה משווה את ההוצאות על בינה מלאכותית עם בסיס העבודה שממנו צפויות בדרך כלל הטבות פריון. הוא אינפורמטיבי מבחינה כלכלית מכיוון שתוכנית בינה מלאכותית שעולה 15% מהוצאות העבודה השנתיות חייבת ליצור שיפור גדול מאוד בפריון העבודה, בהכנסות או בהפחתת סיכונים כדי להגיע לנקודת איזון.

6.3.3 ערך נטו של בינה מלאכותית

ערך נקי של בינה מלאכותית = רווחי פרודוקטיביות + הכנסה מצטברת – עלויות סיכון – הוצאות בינה מלאכותית

לשם דיוק פיננסי, יש להמיר הכנסה מצטברת לתרומה מצטברת, ולא להתייחס אליה כאל רווח מלא:

ערך נטו של בינה מלאכותית = חיסכון בעבודה + חיסכון שאינו מעבודה + מ × הכנסה מצטברת + הפסדים שנמנעו – עלויות סיכון – הוצאות בינה מלאכותית

כאשר m הוא שולי התרומה על הכנסה מצטברת.

6.3.4 תשואה על ההשקעה

החזר השקעה (ROI ₎ = [NPV(תועלות) − NPV(עלויות)] ÷ NPV(עלויות)

הערך הנוכחי הנקי של ההטבות הוא:

NPV(תועלות) = Σ _t=0 ⁿ B _t ÷ (1+r) ^t

הערך הנוכחי הנקי של העלויות הוא:

NPV(עלויות) = Σ _t=0 ⁿ C _t ÷ (1+r) ^t

הפרויקט יוצר ערך כלכלי רק כאשר:

NPV (תועלות) > NPV (עלויות)

ו:

החזר השקעה (ROI) _{של בינה מלאכותית} > 0

עבור משוכת השקעה מותאמת סיכון h, קבלה דורשת:

החזר השקעה (ROI) _{של בינה מלאכותית} ≥ שעה

החזר השקעה חיובי מתחת לשיעור המשיכה המותאם לסיכון של החברה עדיין יכול לייצג הרס ערך יחסית להשקעות אלטרנטיביות.

---

6.4 ערימת העלויות המלאה של בינה מלאכותית בארגון

6.4.1 עלויות ישירות ועקיפות

קטגוריית עלות	הוצאות כלולות	נהג ראשי	אלמנט מושמט לעתים קרובות
רישיונות משתמש	עוזרי בינה מלאכותית ותוכנה מוטמעת לכל מושב	מספר משתמשים מופעלים	מושבים בתשלום אך לא פעילים
צריכת API	קלט, פלט, הנמקה ושימוש רב-מודאלי	נפח עומס עבודה ורמת מודל	שיחות שנכשלו ולולאות של סוכנים
תשתית ענן	מחשוב, מסדי נתונים, אחסון ורשתות	נפח נתונים וזמינותם	פרמיות יציאה ועיבוד אזורי
תשתית מקומית	שרתים, מאיצים, אחסון ומתקנים	גודל המודל, מקביליות ועמידות	חלקי חילוף, החלפה וקירור
אבטחת סייבר	זיהוי, ניטור, בדיקות ותגובה לאירועים	פרופיל איום וקריטיות המערכת	צוות אדום ספציפי לדגם
הַתאָמָה	הערכה משפטית, תיעוד ועבודת תאימות	סיווג מגזר, סמכות שיפוט וסיווג סיכונים	תחזוקה שוטפת של ראיות
הכנת נתונים	ניקוי, תיוג, אישורים וייחוס	פיצול ואיכות נתונים	תיקוני זכויות
ממשל	מדיניות, מלאי, ועדות ובקרות	מספר וקריטיות המערכות	גילוי בינה מלאכותית בצללים
הערכת מודל	מדדי ביצועים, אימות, הטיה ומבחני חוסן	סיכון מקרה שימוש	בדיקות רגרסיה לאחר עדכוני מודל
פיקוח אנושי	סקירה, הסלמה ועקיפה	חומרת שגיאות וחשיפה רגולטורית	עייפות הסוקרים
הִשׁתַלְבוּת	ממשקי API, עיצוב מחדש של זרימת עבודה, בדיקות והעברה	מורכבות מערכת מדור קודם	תכנון מחדש של התהליך
אנשי צוות מומחים	מהנדסי בינה מלאכותית, מדעני נתונים, אנשי אבטחה וצוות משפטי	היקף ואבטחה	פרמיית גיוס ושימור
החלפת ספקים	הנדסה מחדש, העברת נתונים והערכה	תלות קניינית	פעולה מקבילית זמנית
זמן השבתה	אובדן תפוקה, הפרעה לשירות ושחזור	זמינות וקיבולת גיבוי	הצטברות תורים לאחר שחזור
שגיאת מודל	תיקון, עיבוד חוזר, נזק ללקוח ואחריות	הסתברות שגיאה ותוצאה	כשל שיטתי מתואם
פריסה לשמירת פרטיות	בידוד, הצפנה, הסקה מקומית וביקורת	רגישות נתונים	ניצול נמוך יותר מקיבולת ייעודית
הַדְרָכָה	אוריינות בינה מלאכותית ומיומנות ספציפית לתפקיד	גודל כוח העבודה	אימון רענון לאחר עדכונים
ניהול שינויים	עיצוב מחדש של תהליכים, תקשורת ואימוץ	מורכבות ארגונית	ירידה בפריון במהלך המעבר
עלות אלטרנטיבית	הון וצוות שהופנו מפרויקטים אחרים	אילוצי תיק השקעות	חלופות נטוש

לכן, יש לחשב את ההוצאה השנתית של בינה מלאכותית כך:

AIE = L _רישיון + A _API + C _ענן + I _מקומי + S _אבטחה + C _תאימות + D _נתונים + G _ממשל + E _הערכה + H _פיקוח + I _{אינטגרציה} + P _{כוח אדם} + V _מיתוג + D _{זמן השבתה} + R _שגיאה

הערכה מצומצמת הכוללת רק רישיונות ועמלות API עלולה להמעיט בערכה של ההוצאה הכלכלית המלאה בכמה מכפילים.

---

6.4.2 עלויות שגיאה מותאמות לסיכון

העלות השנתית הצפויה של שגיאות מודל היא:

E(Risk Cost) = Σ _j=1 ^m p _j × L _j

אֵיפֹה:

• p _j הוא ההסתברות השנתית של סוג שגיאה j;
• L _j הוא ההפסד המוחלט שלה אם ימומש.

הפסד צריך לכלול:

L _j = C _תיקון + C _{זמן השבתה} + C _לקוח + C _משפטי + C _{רגולטורי} + C _{מוניטין} + C _תיקון

שגיאה בתדירות נמוכה יכולה לשלוט בכלכלת הבינה המלאכותית כאשר השלכותיה גדולות. מערכת בינה מלאכותית המייצרת חיסכון שנתי של 2 מיליון דולר בתהליך, אך נושאת הסתברות של 2% להפסד של 100 מיליון דולר, צופה הפסד של 2 מיליון דולר לפני התחשבות במגבלות שנאת סיכון, דרישות הון או סיכון זנב.

עבור מוסדות שנרתעים מסיכון, הערך הצפוי אינו מספיק. כלל החלטה מתאים יותר הוא:

ערך נטו של בינה מלאכותית מותאם לסיכון = תועלת צפויה – עלויות צפויות – λ × סיכון זנב

כאשר λ משקף את סיבולת הסיכון של הארגון ואת סיכון הזנב ניתן למדוד באמצעות ערך בסיכון, גירעון צפוי או הפסד בתרחיש.

---

6.5 ארכיטיפים ארגוניים מייצגים

6.5.1 תרחישי בסיס שנתיים

הטבלה הבאה מיישמת מודל שנתי עקבי אחד. “רווחי פרודוקטיביות” מייצגים חיסכון במזומן או כושר ייצור נוסף שהוקצה לו ערך כספי בר הגנה. הכנסות מצטברות מומרות לתרומה באמצעות השוליים המוטמעים בכל תרחיש. עלות הסיכון כוללת הפסדים צפויים משגיאות, השבתות, פרטיות וחבות.

אַב טִיפּוּס	תקציב הכנסות או תקציב תפעולי	עלות עבודה	הוצאות שנתיות של בינה מלאכותית	עלייה בפריון	תרומה מצטברת	עלות הסיכון	ערך נטו של בינה מלאכותית
חברה מקצועית זעירה	0.80 מיליון דולר	0.32 מיליון דולר	0.022 מיליון דולר	0.018 מיליון דולר	0.008 מיליון דולר	0.004 מיליון דולר	0.000 מיליון דולר
עסק קטן	5 מיליון דולר	1.5 מיליון דולר	0.150 מיליון דולר	0.120 מיליון דולר	0.060 מיליון דולר	0.030 מיליון דולר	0.000 מיליון דולר
עסק בינוני	30 מיליון דולר	7 מיליון דולר	0.600 מיליון דולר	0.560 מיליון דולר	0.240 מיליון דולר	0.100 מיליון דולר	0.100 מיליון דולר
חברה גדולה ומגוונת	5 מיליארד דולר	1.2 מיליארד דולר	65 מיליון דולר	75 מיליון דולר	40 מיליון דולר	15 מיליון דולר	35 מיליון דולר
בַּנק	10 מיליארד דולר	3 מיליארד דולר	180 מיליון דולר	200 מיליון דולר	90 מיליון דולר	70 מיליון דולר	40 מיליון דולר
מְבַטֵחַ	5 מיליארד דולר	מיליארד דולר	90 מיליון דולר	100 מיליון דולר	50 מיליון דולר	45 מיליון דולר	15 מיליון דולר
ארגון שירותי בריאות	2 מיליארד דולר	1.1 מיליארד דולר	55 מיליון דולר	70 מיליון דולר	10 מיליון דולר	35 מיליון דולר	−10 מיליון דולר
משרד עורכי דין/מקצועי	100 מיליון דולר	55 מיליון דולר	4 מיליון דולר	5.5 מיליון דולר	1.5 מיליון דולר	מיליון דולר	2 מיליון דולר
יַצרָן	מיליארד דולר	180 מיליון דולר	18 מיליון דולר	20 מיליון דולר	12 מיליון דולר	6 מיליון דולר	8 מיליון דולר
חברת מדיה	200 מיליון דולר	70 מיליון דולר	6 מיליון דולר	7 מיליון דולר	4 מיליון דולר	3 מיליון דולר	2 מיליון דולר
מפעיל תקשורת	5 מיליארד דולר	900 מיליון דולר	100 מיליון דולר	120 מיליון דולר	80 מיליון דולר	25 מיליון דולר	75 מיליון דולר
מפעיל הגנה/תשתיות קריטיות	3 מיליארד דולר	700 מיליון דולר	75 מיליון דולר	65 מיליון דולר	30 מיליון דולר	35 מיליון דולר	−15 מיליון דולר
מינהל ציבורי	תקציב של 2 מיליארד דולר	900 מיליון דולר	60 מיליון דולר	70 מיליון דולר	0 מיליון דולר	30 מיליון דולר	−20 מיליון דולר
מערכת אוניברסיטאית/מחקרית	תקציב של מיליארד דולר	600 מיליון דולר	35 מיליון דולר	35 מיליון דולר	5 מיליון דולר	20 מיליון דולר	−15 מיליון דולר

נתונים אלה אינם ממוצעים של מגזרים. הם ארכיטיפים שקופים שנועדו לזהות ספים פיננסיים. תוצאות שליליות אינן אומרות שבינה מלאכותית אינה רצויה חברתית או שניתן להימנע ממנה אסטרטגית. בית חולים, ארגון ביטחון או רשות ציבורית עשויים לקבל באופן רציונלי תשואה חשבונאית שלילית כדי להשיג בטיחות, ריבונות, איכות שירות או יכולת אסטרטגית. המסקנה הנכונה היא שפריסות כאלה דורשות מסגרת רחבה יותר של ערך ציבורי או ערך משימה ולא טענה כוזבת של תשואה מסחרית מיידית.

---

6.5.2 יחס עלות בינה מלאכותית ונטל עבודה בבינה מלאכותית

אַב טִיפּוּס	יחס עלות בינה מלאכותית	נטל עבודה בתחום הבינה המלאכותית	תשואה שנתית על הוצאות בינה מלאכותית לפני ניכיון
חברה מקצועית זעירה	2.75%	6.88%	0.0%
עסק קטן	3.00%	10.00%	0.0%
עסק בינוני	2.00%	8.57%	16.7%
חברה גדולה ומגוונת	1.30%	5.42%	53.8%
בַּנק	1.80%	6.00%	22.2%
מְבַטֵחַ	1.80%	9.00%	16.7%
ארגון שירותי בריאות	2.75%	5.00%	−18.2%
משרד עורכי דין/מקצועי	4.00%	7.27%	50.0%
יַצרָן	1.80%	10.00%	44.4%
חברת מדיה	3.00%	8.57%	33.3%
מפעיל תקשורת	2.00%	11.11%	75.0%
הגנה/תשתיות קריטיות	2.50%	10.71%	−20.0%
מינהל ציבורי	3.00% מהתקציב	6.67%	−33.3%
מערכת אוניברסיטאית/מחקרית	3.50% מהתקציב	5.83%	−42.9%

החישוב מדגים מדוע לאותה הוצאה נומינלית יש השלכות שונות בין מגזרים. שירותים משפטיים עשויים לתמוך ביחס עלות גבוה יחסית של בינה מלאכותית מכיוון שעבודה מייצגת חלק גדול מהעלות ועבודה עתירת מסמכים ניתנת להגדלה באופן פוטנציאלי. לייצור עשוי להיות יחס עלות נמוך יותר של בינה מלאכותית אך עדיין נטל עבודה גבוה של בינה מלאכותית מכיוון שההכנסות כוללות עלויות חומרים ואנרגיה משמעותיות. מינהל ציבורי וחינוך עשויים ליצור הטבות חברתיות שלא נרשמות כהכנסה מצטברת, מה שהופך את נוסחאות ה-ROI של המגזר הפרטי ללא שלמות.

---

6.6 מבנה עלויות לפי גודל ארגון

6.6.1 מיקרו-מיזם

עסק מקצועי מייצג של חמישה אנשים רשאי לרכוש:

פריט עלות	תרחיש שנתי
חמישה מנויים לבינה מלאכותית	3,000 דולר
תכונות חשבונאות, מסמכים ו-CRM של בינה מלאכותית	2,500 דולר
API ואוטומציה	1,500 דולר
אינטגרציה חיצונית	4,000 דולר
ניקוי נתונים ותבניות	2,000 דולר
בקרות אבטחת סייבר ופרטיות	2,500 דולר
הכשרה וממשל	2,000 דולר
סקירה אנושית ותיקון שגיאות	2,500 דולר
מקריות ומיתוג	2,000 דולר
סַך הַכֹּל	22,000 דולר

הסיכון העיקרי אינו צריכת אסימונים אלא תקורת יישום קבועה. בהכנסה של 0.8 מיליון דולר, ההוצאה שווה ל-2.75% מהמחזור. אם הרווח התפעולי הנקי לפני בינה מלאכותית הוא 10%, הרווח התפעולי השנתי הוא 80,000 דולר; בינה מלאכותית צורכת 27.5% מהרווח לפני בינה מלאכותית. לכן, היחס הרלוונטי הוא:

נטל רווחי בינה מלאכותית = הוצאות שנתיות של בינה מלאכותית ÷ רווח תפעולי לפני בינה מלאכותית

נטל רווח בינה מלאכותית = 22,000 ÷ 80,000 = 27.5%

עלות השווה ל-2.75% בלבד מההכנסות יכולה להיות משמעותית אסטרטגית כאשר הרווחיות דלה.

6.6.2 עסקים קטנים ובינוניים

עסקים קטנים ובינוניים מתמודדים עם בעיית ביניים. זרימות העבודה שלהם מורכבות מספיק כדי לדרוש אינטגרציה וממשל, אך ייתכן שהיקפם אינו מספיק כדי לפזר את העלויות הללו באופן נרחב. ה-OECD דיווח כי אימוץ בינה מלאכותית בקרב חברות נותר נמוך מאימוץ טכנולוגיות דיגיטליות אחרות, וכי נותרו פערים משמעותיים בין עסקים קטנים ובינוניים לחברות גדולות. אימוץ בינה מלאכותית על ידי עסקים קטנים ובינוניים – OECD – דצמבר/2025 – דו”ח OECD על אימוץ בינה מלאכותית בעסקים קטנים ובינוניים .

עסק קטן עם הכנסות של 5 מיליון דולר המוציא 150,000 דולר בשנה על בינה מלאכותית חייב להשיג אחד או שילוב של:

• חיסכון ברוטו של 10% בחשבון העבודה של 1.5 מיליון דולר;
• הפחתה של 3% בעלויות התפעול הכוללות שאינן קשורות לבינה מלאכותית אם אלו שוות ל-5 מיליון דולר;
• הכנסה נוספת של 500,000 דולר אמריקאי עם שולי תרומה של 30%;
• נמנעה הפסדים שנתיים של 150,000 דולר;
• תיק הטבות מעורב בעל ערך שווה ערך.

אם החברה מממשת רק מחצית מרווח הפרודוקטיביות הצפוי, בינה מלאכותית הורסת ערך אלא אם כן אימוץ המערכת מונע הפסד תחרותי גדול יותר.

6.6.3 תאגיד גדול

לחברות גדולות מספר יתרונות:

• עלויות ניהול קבועות מתפרשות על פני יותר הכנסות;
• נתונים פנימיים ומקרי שימוש נמצאים בשפע רב יותר;
• כוח מיקוח של ארגונים יכול להפחית את מחירי היחידה;
• ניתן להעסיק צוות מומחה באופן פנימי;
• ניתן לנתב עומסי עבודה בין מודלים;
• שימוש גדול יותר יכול להצדיק קיבולת שמורה;
• ניתן לגוון את היתרונות על פני תחומי עסקיים רבים.

הם מתמודדים גם עם חסרונות:

• אינטגרציה עם מערכות מדור קודם;
• פיילוטים מחלקתיים משוכפלים;
• משטחי תקיפה קיברנטיים גדולים יותר;
• חשיפה רגולטורית מורכבת;
• ניהול שינויים איטי יותר;
• עלות גבוהה של שגיאות מתואמות;
• ריכוזיות ספקים בקנה מידה עצום.

היתרון של חברה גדולה אינו רק “יותר כסף”. זוהי היכולת להמיר עלויות קבועות של בינה מלאכותית לעלות נמוכה יותר לעובד, עסקה ויחידת הכנסה.

---

6.7 חשיפה לפי מגזר

6.7.1 בנקאות

השימוש בבינה מלאכותית כבר נפוץ בקרב בנקים אירופיים משמעותיים. הבנק המרכזי האירופי דיווח ביוני 2026 כי יותר מ-85% מהבנקים תחת פיקוח בנקאי אירופי השתמשו בבינה מלאכותית. חיזוק החוסן התפעולי לעידן הבינה המלאכותית – הבנק המרכזי האירופי – יוני/2026 – הערכת הבנק המרכזי האירופי של בינה מלאכותית וחוסן בנקאי .

בנקים יכולים לפרוס בינה מלאכותית ב:

• גילוי הונאה;
• ניטור עסקאות;
• ניתוח אשראי;
• שֵׁירוּת לָקוֹחוֹת;
• סִמוּל;
• עיבוד מסמכים;
• דיווח רגולטורי;
• אבטחת סייבר;
• מידול סיכונים;
• אוספים;
• ניהול ידע.

משוואת הערך הצפוי היא:

ערך נקי של בינה מלאכותית _בבנק = חיסכון תפעולי + הפסדי הונאה שנמנעו + הפסדי אשראי שנמנעו + מרווח מצטבר – עלות ציות – סיכון מודל – הוצאות בינה מלאכותית

לבנקאות פוטנציאל תועלת גבוה אך גם סיכון זנב גבוה. טעות אצל עוזר ניסוח פנימי אינה שקולה לשגיאה שיטתית בניקוד אשראי. יש להקצות ניהול נתונים, הסבר, אימות, ניטור וריכוז צד שלישי לפי מקרה שימוש. הבנק המרכזי האירופי הזהיר כי בינה מלאכותית עשויה לשפר את היעילות התפעולית תוך הגדלת הסיכון התפעולי והתלות בצד שלישי. עלייתה של בינה מלאכותית: יתרונות וסיכונים ליציבות פיננסית – הבנק המרכזי האירופי – מאי/2024 – ניתוח יציבות פיננסית של הבנק המרכזי האירופי .

6.7.2 ביטוח

בינה מלאכותית של ביטוח יכולה לשפר את החיתום, מיון התביעות, גילוי הונאות, תמחור ואינטראקציה עם הלקוחות. משוואת הערך שלה היא:

ערך נטו _{של ביטוח} בינה מלאכותית = חיסכון בהוצאות + הפחתת דליפות תביעות + שיפור תמחור + מרווח פרמיה מצטבר – סיכון התנהגות – סיכון מודל – הוצאות בינה מלאכותית

הסכנה העיקרית היא שנתוני תביעות היסטוריים מקודדים החרגות או הטיות מהעבר. שיפור ממוצע קטן ביחס הנזקים יכול להיות בעל ערך כלכלי, אך טעות שיטתית באלפי פוליסות עלולה ליצור חבות מתואמת.

6.7.3 שירותי בריאות

הטבות הבריאות כוללות תמיכה בתיעוד קליני, תזמון, קידוד, סיוע בהדמיה, מחקר ותכנון תפעולי. העלויות כוללות אימות, אבטחה, פיקוח קליני, שילוב עם רשומות רפואיות אלקטרוניות ותשתית בעלת זמינות גבוהה.

ערך נקי של בינה מלאכותית (AI) – _בריאות = חיסכון אדמיניסטרטיבי + ערך קיבולת + שגיאה שנמנעה + ערך תוצאת בריאות – סיכון קליני – סיכון פרטיות – הוצאות AI

חישוב פיננסי גרידא עלול להמעיט בערכו של התועלת הציבורית. לעומת זאת, מימוש כל דקה “שנחסכה” אינו תקף אם קלינאים משתמשים בזמן לאימות נוסף או אם רמות כוח האדם אינן משתנות. כושר הפרודוקטיביות הופך לחיסכון במזומן רק כאשר הוא מפחית שעות נוספות, נמנע מגיוס, מגדיל את הפעילות הניתנת להחזר או משפר את התוצאות מספיק כדי לייצר ערך מדיד.

6.7.4 שירותים משפטיים ומקצועיים

למשרדי עורכי דין וייעוץ יש עצימות עבודה גבוהה ותהליכי עבודה עתירי מסמכים, מה שמעניק להם חשיפה תיאורטית חזקה לשיפורי פרודוקטיביות. עם זאת, חיסכון בזמן יכול להפחית את השעות הנדרשות לחיוב תחת תמחור שעתי.

ערך נטו של בינה מלאכותית _משפטית = חיסכון בעלויות + עניינים חדשים + מימוש גבוה יותר + ערך קיבולת − שעות לחיוב שאבדו − התחייבות − הוצאות בינה מלאכותית

השפעת מודל העסקי היא מכרעת:

מודל חיוב	אפקט הפרודוקטיביות של בינה מלאכותית
חיוב לפי שעה	חיסכון בזמן יכול להפחית את ההכנסות אלא אם כן הנפח עולה
תשלום קבוע	יעילות מגדילה את הרווחיות
מנוי/תשלום קבוע	יעילות יכולה להגדיל את הקיבולת
דמי תוצאה	ערך הבינה המלאכותית תלוי באיכות התוצאה
מחלקה משפטית פנימית	יעילות מפחיתה עלויות או ביקוש לא מסופק

ייתכן שהחברה תצטרך לשנות את התמחור לפני שהפרודוקטיביות תהפוך בעלת ערך פיננסי.

6.7.5 ייצור

מקרי שימוש בייצור כוללים תחזוקה חזויה, בדיקת איכות, בקרת תהליכים, תכנון שרשרת אספקה, תמיכה הנדסית, רכש ותיעוד טכני.

_{ערך ייצור} נקי מבוסס בינה מלאכותית = זמן השבתה שנמנע + הפחתת גרוטאות + שיפור תפוקה + כושר עבודה + הפחתת מלאי + מרווח מצטבר – סיכון בטיחות – עלות אינטגרציה – הוצאות מבוססות בינה מלאכותית

יש לחשב את התועלת על סמך משתנים פיזיקליים:

_{גרוטאות} תועלת = יחידות × הפחתת גרוטאות × עלות ליחידה

_{זמן השבתה} תועלת = שעות שנמנעו × תרומה לשעת ייצור

_מלאי תועלת = הפחתת מלאי × שיעור עלות ניהול

בינה מלאכותית בייצור יכולה ליצור ערך מבלי להפחית את מספר עובדי החברה. תפוקה, אנרגיה, גרוטאות וזמן פעולה עשויים להוביל לחיסכון בפריון המשרדי.

6.7.6 מדיה

בינה מלאכותית במדיה יכולה להפחית עלויות תמלול, תרגום, עריכה, תיוג, התאמה אישית והפקה. היא גם יוצרת סיכונים הקשורים לזכויות יוצרים, מקור, אמון והחלפה.

ערך נטו של בינה מלאכותית _במדיה = חיסכון בהפקה + הכנסות מהקהל + מונטיזציה של ארכיון – סיכון זכויות – נזק למותג – אובדן תזוזה – הוצאות בינה מלאכותית

התחייבויות השקיפות של סעיף 50 של האיחוד האירופי נכנסו לתוקף החל מ-2 באוגוסט 2026 והן מתייחסות לסימון וזיהוי של תוכן מסוים שנוצר על ידי בינה מלאכותית, כולל דיפפייקס ופרסומים ספציפיים. קוד נוהג לשקיפות של תוכן שנוצר על ידי בינה מלאכותית – הנציבות האירופית – יולי/2026 – מסגרת שקיפות תוכן בינה מלאכותית של הנציבות האירופית .

6.7.7 טלקומוניקציה

מפעילי תקשורת יכולים ליישם בינה מלאכותית לאופטימיזציה של רשתות, תחזוקה חזויה, שירות לקוחות, הונאות, נטישה, מכירות, אבטחת סייבר ותכנון קיבולת. קנה המידה שלהם וזרימת הנתונים החוזרת ונשנית הופכים אותם למועמדים חזקים לכלכלה חיובית של בינה מלאכותית. עם זאת, מערכות תקשורת הן תשתית קריטית, ותלות במודלים חיצוניים עלולה ליצור סיכוני זמינות וריבונות.

ערך נקי של בינה מלאכותית _{בתקשורת} = חיסכון ברשת + הפחתת נטישה + מניעת הונאות + ARPU מצטבר + אוטומציה של שירות – סיכון הפסקות – סיכון אבטחה – הוצאות בינה מלאכותית

הפחתה של נקודת אחוז אחת בנטישה יכולה להיות שווה יותר מחיסכון אדמיניסטרטיבי גדול; יחידת הערך הנכונה עשויה להיות ערך לקוח לכל החיים שנשמר ולא שעות עבודה.

6.7.8 הגנה ותשתיות קריטיות

תשתיות הגנה וקריטיות דורשות רמת אבטחה גבוהה יותר, סביבות מבודדות, שליטה ריבונית, בדיקות, יתירות וסקירת שרשרת אספקה. התשואה הכספית עשויה להיראות שלילית מכיוון שערך המשימה אינו נרשם במלואו כהכנסה.

ערך בינה מלאכותית מותאם למשימה = יתרונות פיננסיים + ערך חוסן + ערך ריבונות + ערך יכולת – סיכון משימה – הוצאות בינה מלאכותית

מערכת שמשפרת את עיבוד המודיעין אך יוצרת משטח תקיפה עוין בלתי מקובל, לא צריכה להיות מאושרת רק משום שהתשואה הכספית הצפויה שלה חיובית.

6.7.9 מינהל ציבורי

המנהל הציבורי יכול להשתמש בבינה מלאכותית לטיפול במסמכים, תרגום, תמיכה באזרחים, ניתוח הונאות ומחקר מדיניות. היתרונות צריכים לכלול איכות שירות וצמצום זמני המתנה:

ערך בינה מלאכותית ציבורית = חיסכון אדמיניסטרטיבי + זמן חסכון של האזרח + איכות השירות + הונאה שנמנעה − סיכון זכויות − עלות שגיאות − הוצאות בינה מלאכותית

גופים ציבוריים אינם יכולים להניח שחיסכון בזמן הצוות הופך לחיסכון כספי. אם לא יופחתו משרות, שעות נוספות או עלויות רכש, התועלת היא שיפור הקיבולת ולא מזומנים.

6.7.10 חינוך ומחקר

מוסדות חינוך ומחקר ניצבים בפני נטל כפול: רכישת גישה לבינה מלאכותית תוך כדי עיצוב מחדש של הערכה, שלמות המחקר, ניהול הנתונים והוראה.

ערך בינה מלאכותית בחינוך = כושר הוראה + האצת מחקר + תמיכה בסטודנטים + נגישות – סיכון יושרה – עלות אי שוויון – הוצאות בינה מלאכותית

אם מוסדות אמידים רוכשים מודלים של חזית בעוד שמוסדות עניים יותר מסתמכים על מערכות בעלות יכולות נמוכות יותר, בינה מלאכותית יכולה להגביר את הפער בין המחקר לחינוך שתואר בפרקים קודמים.

---

6.8 נטל רגולטורי וממשלתי

חוק הבינה המלאכותית של האיחוד האירופי נכנס לתוקף ב-1 באוגוסט 2024 והחל באופן כללי ב-2 באוגוסט 2026, בכפוף לחריגים מדורג. התחייבויות ממשל ומודל כללי החלו מוקדם יותר; הוראות מסוימות בסיכון גבוה הוארכו לוחות זמנים בעקבות אומניבוס הבינה המלאכותית משנת 2026. מסגרת הרגולציה של חוק הבינה המלאכותית – הנציבות האירופית – אוגוסט/2026 – ציר הזמן הרשמי של חוק הבינה המלאכותית של הנציבות האירופית .

עלויות הציות תלויות בתפקיד ובסיכון. חברה יכולה להיות:

• ספק;
• פורס;
• יבואן;
• מפיץ;
• יצרן מוצר;
• משנה במורד הזרם.

ניתן לייצג את נטל הציות השנתי כך:

C _תאימות = C _מלאי + C _סיווג + C _תיעוד + C _בדיקות + C _ניטור + C _הדרכה + C _משפטי + C _תקרית

רגולציה אינה המניע היחיד. אפילו במקרים בהם מערכת אינה מסווגת מבחינה חוקית כבעלת סיכון גבוה, אחריות חוזית, סטנדרטים מקצועיים, אבטחת סייבר וציפיות לקוחות יכולים לדרוש בקרות דומות.

פרופיל הבינה המלאכותית הגנרטיבית של NIST מתייחס לניהול סיכונים כמחזור חיים הכולל ממשל, מיפוי, מדידה וניהול. מסגרת ניהול סיכונים של בינה מלאכותית: פרופיל בינה מלאכותית גנרטיבי – NIST – יולי/2024 – פרופיל בינה מלאכותית גנרטיבי של NIST . מודל זה תומך במודל ממשל שבו הערכה וניטור הן הוצאות תפעול חוזרות ולא משימות השקה חד פעמיות.

---

6.9 השוואה בין מודל פריסה

6.9.1 השוואה מבנית

מודל פריסה	הון עצמי ראשוני	עלות משתנה	בקרת פרטיות	יכולת גבולית	עלות מעבר	דרישת מיומנות פנימית
קניינית מלאה בענן	נָמוּך	שימוש גבוה/מבוסס שימוש	בֵּינוֹנִי	גבוה מאוד	גָבוֹהַ	בֵּינוֹנִי
קניינית מקומית לחלוטין	גבוה מאוד	לְמַתֵן	גָבוֹהַ	מוגבל על ידי חומרה/רישיון זמין	גָבוֹהַ	גבוה מאוד
משקל פתוח מקומי לחלוטין	גָבוֹהַ	לְמַתֵן	גבוה מאוד	תלוי-מודל	בֵּינוֹנִי	גבוה מאוד
היברידי	בינוני/גבוה	בֵּינוֹנִי	גבוה עבור עומסי עבודה רגישים	גָבוֹהַ	בֵּינוֹנִי	גָבוֹהַ
דגם קטן מיוחד	נמוך/בינוני	נָמוּך	גבוה אם מקומי	גבוה עבור משימה מוגבלת	נמוך/בינוני	בינוני/גבוה
קניינית מוגברת לאחזור	בֵּינוֹנִי	בינוני/גבוה	בֵּינוֹנִי	גָבוֹהַ	בינוני/גבוה	גָבוֹהַ
משקל פתוח משופר לאחזור	בינוני/גבוה	נמוך/בינוני	גָבוֹהַ	תלוי-מודל	נמוך/בינוני	גָבוֹהַ
מחשוב משותף/שיתופי	הון עצמי משותף	מְשׁוּתָף	פוטנציאל גבוה	בינוני/גבוה	תלוי-ממשל	צוות מומחים משותף

6.9.2 ניקוד פיננסי

הציונים נעים בין 1, הכי פחות חיובי, ל-5, הכי חיובי.

דֶגֶם	חיזוי עלויות	עלות כניסה נמוכה	פְּרָטִיוּת	מדרגיות	הִטַלטְלוּת	התאמה בעלת ביטחון גבוה
ענן קנייני	3	5	2	5	2	3
מקומי לחלוטין	4	1	5	2	3	5
היברידי	4	3	4	4	4	5
מקומי במשקל פתוח	4	2	5	3	5	4
דגם קטן מיוחד	5	4	4	3	4	4
RAG עם API של Frontier	3	4	3	5	3	3
מחשוב שיתופי	4	3	4	3	4	4

אף מודל אינו שולט בכל מימד. פריסה היברידית היא לעתים קרובות אטרקטיבית כלכלית משום שהיא מנתבת עומסי עבודה רגישים או צפויים באופן מקומי ושולחת ביקוש מורכב או ביקוש פרץ לענן.

---

6.10 איזון בענן, מקומי והיברידי

לְאַפשֵׁר:

_ענן C (Q) = _ענן F + _ענן p Q

C _מקומי (Q) = F _מקומי + p _מקומי Q

עלויות ענן ומקומיות שוות ב:

Q ^* = [F _מקומי − F _ענן ] ÷ [p _ענן − p _מקומי ]

לְהַנִיחַ:

• עלות אינטגרציה קבועה בענן = 100,000 דולר;
• עלות שנתית קבועה מקומית = 700,000 דולר;
• עלות משתנה בענן = 12 דולר לכל מיליון טוקנים מוצלחים;
• עלות משתנה מקומית = 3 דולר לכל מיליון אסימונים מוצלחים.

אָז:

Q = (700,000 − 100,000) ÷ (12 − ​​3)
Q = 66,667 מיליון טוקנים
Q ^* ≈ 66.7 מיליארד טוקנים מוצלחים מדי שנה

מתחת לכ-66.7 מיליארד טוקנים מוצלחים, תרחיש הענן זול יותר תחת הנחות אלו. מעליו, התשתית המקומית הופכת זולה יותר אם האיכות, הניצול והאמינות שוות ערך. לעתים קרובות הם אינם שוות ערך, ולכן נדרש סף מותאם לאיכות:

Q ^* _QA = [F _מקומי − F _ענן ] ÷ [p _ענן y _ענן − p _מקומי y _מקומי ]

כאשר y מייצג את התאמת העלות הנדרשת להשגת עומס עבודה מוצלח.

---

6.11 אימוץ תחרותי חובה

6.11.1 משחק האימוץ

קחו לדוגמה שתי חברות מתחרות. כל אחת מהן יכולה לאמץ או לא לאמץ בינה מלאכותית.

חברה א’ / חברה ב’	ב’ מאמץ	ב’ לא מאמץ
א’ מאמץ	שניהם כרוכים בעלויות של בינה מלאכותית; היתרון היחסי עלול להיעלם	A עשוי להשיג יתרון במהירות, בעלות או במוצר
א’ לא מאמץ	סיכון לאבד נתח או כישרון	אף אחד מהם לא משתלם; שיווי המשקל הקיים נמשך

אם שתי החברות מאמצות ומשיגות רווחי פרודוקטיביות זהים שהתחרות מעבירה ללקוחות באמצעות מחירים נמוכים יותר, אף אחת מהן עשויה לשמור על התועלת כרווח. בינה מלאכותית הופכת אז להשקעה של “המלכה האדומה” : כל חברה חייבת להשקיע רק כדי לשמור על מעמדה היחסי.

כלל ההחלטה הפרטית הופך להיות:

אימוץ אם:

ערך נטו של בינה מלאכותית + הפסד תחרותי שנמנע > 0

לְהַגדִיר:

D _תחרותי = אובדן הכנסות או שולי רווח אם החברה לא מאמצת

אָז:

ערך אסטרטגי נקי של בינה מלאכותית = ערך נקי של בינה מלאכותית + ערך _תחרותי

פרויקט עם ערך ישיר נקי של בינה מלאכותית של -2 מיליון דולר יכול להיות רציונלי אם אי-אימוץ צפוי להרוס 5 מיליון דולר מרווח התרומה. הערך האסטרטגי שלו חיובי של 3 מיליון דולר.

6.11.2 מס חובה – AI

ניתן לבטא את הנטל התחרותי בפועל כך:

מס חובה על בינה מלאכותית = הוצאה מינימלית של בינה מלאכותית הנדרשת לשמירה על שוויון תחרותי ÷ הכנסות

סוג החברה	הוצאה מינימלית שוויונית לדוגמה	הַכנָסָה	מס חובה על בינה מלאכותית
חברה מקצועית זעירה	10,000 דולר	0.8 מיליון דולר	1.25%
עסק קטן	75,000 דולר	5 מיליון דולר	1.50%
עסק בינוני	300,000 דולר	30 מיליון דולר	1.00%
מיזם גדול	25 מיליון דולר	5 מיליארד דולר	0.50%
בַּנק	80 מיליון דולר	10 מיליארד דולר	0.80%
חברת מדיה	3 מיליון דולר	200 מיליון דולר	1.50%

הנטל המוחלט גדול יותר עבור חברות גדולות, אך הנטל היחסי יכול להיות גדול יותר עבור חברות קטנות משום שמשילות, אינטגרציה ואבטחה מכילים רכיבים קבועים בלתי ניתנים לחלוקה.

---

6.12 ספי הרס ערך

6.12.1 רווח מינימלי בפריון העבודה

לְאַפשֵׁר:

• A = הוצאה שנתית של בינה מלאכותית;
• RC = עלות סיכון שנתית;
• L = עלות עבודה שנתית;
• ΔR = הכנסה מצטברת;
• מ = שולי תרומה.

נקודת איזון דורשת:

g _L L + mΔR ≥ A + RC

העלייה המינימלית הנדרשת בפריון העבודה היא:

g _L ^* = [A + RC − mΔR] ÷ L

ספים של ארכיטיפים

אַב טִיפּוּס	הוצאות בינה מלאכותית בתוספת עלות סיכון	תרומה מצטברת	עלות עבודה	עלייה מינימלית בפריון העבודה
חברת מיקרו	26 אלף דולר	8 אלף דולר	320 אלף דולר	5.63%
עסק קטן	180 אלף דולר	60 אלף דולר	1.5 מיליון דולר	8.00%
עסק בינוני	700 אלף דולר	240 אלף דולר	7 מיליון דולר	6.57%
חברה גדולה	80 מיליון דולר	40 מיליון דולר	1.2 מיליארד דולר	3.33%
בַּנק	250 מיליון דולר	90 מיליון דולר	3 מיליארד דולר	5.33%
ארגון שירותי בריאות	90 מיליון דולר	10 מיליון דולר	1.1 מיליארד דולר	7.27%
משרד עורכי דין	5 מיליון דולר	1.5 מיליון דולר	55 מיליון דולר	6.36%
יַצרָן	24 מיליון דולר	12 מיליון דולר	180 מיליון דולר	6.67%
מפעיל תקשורת	125 מיליון דולר	80 מיליון דולר	900 מיליון דולר	5.00%
מפעיל הגנה	110 מיליון דולר	30 מיליון דולר	700 מיליון דולר	11.43%
מינהל ציבורי	90 מיליון דולר	0 מיליון דולר	900 מיליון דולר	10.00%
מערכת האוניברסיטה	55 מיליון דולר	5 מיליון דולר	600 מיליון דולר	8.33%

“רווח פרודוקטיביות” חייב להיות שימושי מבחינה כלכלית. אם העובדים חוסכים 8% מזמנם אך עומס העבודה, כוח האדם, ההכנסות ותפוקת השירותים יישארו ללא שינוי, הרווח הכספי הממומש עשוי להיות קרוב לאפס.

6.12.2 הכנסה נוספת מינימלית

אם לא מתרחש חיסכון בעבודה:

ΔR ^* = [A + RC − S] ÷ מ’

כאשר S הוא חיסכון בעלויות מאומת אחר.

עבור עסק קטן עם הוצאות של 150,000 דולר על בינה מלאכותית, 30,000 דולר על עלות סיכון, 50,000 דולר על חסכונות אחרים ושולי תרומה של 30%:

ΔR = (150,000 + 30,000 − 50,000) ÷ 0.30
ΔR = 433,333 דולר

על החברה לייצר הכנסות שנתיות נוספות של יותר מ-433,333 דולר רק כדי להגיע לנקודת איזון.

6.12.3 שולי תפעול מינימליים

אם ההוצאה השנתית של בינה מלאכותית היא חלק a מההכנסות ושולי הרווח התפעוליים שלפני בינה מלאכותית הם m ₀ :

מרווח לאחר ביטול השקעה לפני הטבות = m ₀ − a

חברה עם שולי רווח תפעוליים של 4% ועלויות בינה מלאכותית השוות ל-3% מההכנסות מפסידה 75% מהרווח התפעולי לפני הטבות.

נטל רווח של בינה מלאכותית = a ÷ m ₀

שולי תפעול לפני בינה מלאכותית	יחס עלות בינה מלאכותית	חלק מהרווח התפעולי שנצרך
3%	1%	33.3%
3%	2%	66.7%
3%	3%	100.0%
5%	2%	40.0%
5%	3%	60.0%
10%	2%	20.0%
20%	2%	10.0%
30%	2%	6.7%

לכן, תעשיות בעלות שולי רווח נמוכים חשופות מאוד גם כאשר עלויות הבינה המלאכותית נראות צנועות יחסית להכנסות.

---

6.13 תרחיש NPV לחמש שנים

שקלו עסק בינוני עם:

• עלות אינטגרציה ראשונית והכנת נתונים: 1.2 מיליון דולר;
• עלות שנתית חוזרת: 600,000 דולר;
• צמיחה חוזרת בעלויות: 8% מדי שנה;
• הטבה לשנה הראשונה: 700,000 דולר;
• גידול הטבות: 15% מדי שנה;
• שיעור היוון: 9%;
• ערך סופי לא נכלל;
• עלויות שגיאות והשבתה צפויות כלולות בעלות החוזרת.

שָׁנָה	עֲלוּת	תוֹעֶלֶת	תזרים מזומנים נקי
0	1,200 מיליון דולר	0 דולר	−1,200 מיליון דולר
1	0.600 מיליון דולר	0.700 מיליון דולר	0.100 מיליון דולר
2	0.648 מיליון דולר	0.805 מיליון דולר	0.157 מיליון דולר
3	0.700 מיליון דולר	0.926 מיליון דולר	0.226 מיליון דולר
4	0.756 מיליון דולר	1.065 מיליון דולר	0.309 מיליון דולר
5	0.816 מיליון דולר	1.225 מיליון דולר	0.409 מיליון דולר

ערכים מוזלים משוערים:

לִמְדוֹד	עֵרֶך
NPV של הטבות	3.55 מיליון דולר
NPV של עלויות חוזרות	2.69 מיליון דולר
עלות ראשונית	1.20 מיליון דולר
סך כל ה-NPV של העלויות	3.89 מיליון דולר
NPV נטו של הפרויקט	-0.34 מיליון דולר
החזר השקעה בבינה מלאכותית	−8.7%

למרות שתזרים המזומנים השנתי נטו חיובי החל משנה אחת, הפרויקט אינו מצליח להחזיר את עלות האינטגרציה הראשונית שלו בתוך אופק המהוון של חמש שנים. זה ממחיש מדוע חיסכון תפעולי ברמת הפיילוט אינו מוכיח ערך ארגוני.

---

6.14 ניתוח רגישות

לפי קו הבסיס של הארגון הבינוני, התוצאה של חמש שנים היא הרגישה ביותר לאימוץ, מימוש תועלת וסיכון.

מימוש תועלת	חריגה בעלויות	מכפיל סיכון-עלות	תוצאה פיננסית סבירה
50%	25%	2.0×	הרס ערך חמור
75%	15%	1.5×	שְׁלִילִי
100%	0%	1.0×	קרוב לנקודת איזון
125%	0%	1.0×	חִיוּבִי
125%	−10%	0.75×	חיובי מאוד
150%	−15%	0.50×	טרנספורמטיבי

יחס התועלת הממומשת הוא:

BRR = יתרונות ממומשים ÷ יתרונות צפויים

הפרויקט צריך להפעיל תיקון כאשר:

BRR < _{מינימום BRR}

אם התועלת הצפויה היא מיליון דולר והגעה לנקודת איזון דורשת 750,000 דולר, אז:

_{מינימום} BRR = 750,000 ÷ 1,000,000 = 75%

---

6.15 חלופות במשקל פתוח, בדגם קטן ובאופן שיתופי

6.15.1 מערכות בעלות משקל פתוח

מודלים של משקל פתוח מפחיתים את התלות בספק הסקה יחיד ומאפשרים בדיקה מקומית, כוונון עדין ופריסה. הם אינם מבטלים עלויות. הארגון נוטל על עצמו אחריות על:

• תַשׁתִית;
• אופטימיזציה;
• בִּטָחוֹן;
• הערכת מודל;
• עדכונים;
• ניטור;
• ניתוח רישוי;
• תגובה לאירוע;
• כוח אדם מומחה.

ההשוואה המתאימה היא:

עלות כוללת (TCO) _פתוחה לעומת עלות כוללת (TCO) _קניינת

לא “מודל חינמי” לעומת “API בתשלום”.

6.15.2 התמחות במודלים קטנים

מודל קטן יותר יכול ליצור ערך ארגוני מעולה כאשר:

איכות _{קטנה, משימה} ≥ איכות _נדרשת

ו:

עלות כוללת (TCO) _קטנה < _{גבול עלות כוללת (TCO)}

הערכה ספציפית למשימה עשויה לגלות שמודל קטן עם אחזור נתונים עולה על מודל גבול כללי מבחינת חילוץ מבוקר, סיווג או טרמינולוגיה פנימית, תוך עלות נמוכה יותר וחשיפת פחות נתונים.

6.15.3 יצירה מוגברת של אחזור

RAG אטרקטיבי מבחינה כלכלית כאשר הערך של שיפור הארקה והקשר מודל קצר יותר עולה על עלויות האינדוקס והאחזור:

ערך _RAG = הפחתת שגיאות + חיסכון מהיר + גמישות עדכון – עלות אחזור – עלות אינטגרציה

RAG אינו פותר ניהול נתונים לקוי. הוא יכול לאחזר תוכן שגוי, מיושן או לא מורשה בביטחון גבוה.

6.15.4 מחשוב משותף או שיתופי

אוניברסיטאות, בתי חולים, רשויות מקומיות, איגודים מקצועיים וחברות קטנות ובינוניות יכולות לשתף פעולה עם תשתיות:

עלות לחבר = [עלות קבועה משותפת + עלות תפעול משותפת] ÷ חברים + עלות ספציפית לחבר

שיתוף פעולה יכול להפחית את אי השוויון בעלויות קבועות, אך מעלה שאלות משילות:

• הקצאת קיבולת;
• סודיות;
• אַחֲרָיוּת;
• בחירת דגם;
• אחריות תחזוקה;
• כניסה ויציאה;
• עדיפות בזמן מחסור;
• חלוקת עלויות;
• הפרדת נתונים.

מודל שיתופי אטרקטיבי במיוחד כאשר חברים חולקים דרישות אבטחה אך אינם מחזיקים באופן אינדיבידואלי בשימוש מספיק כדי להצדיק תשתית ייעודית.

---

6.16 מסגרת קבלת החלטות ארגונית

השקעה בבינה מלאכותית צריכה להימשך רק לאחר מענה על:

מִבְחָן	ראיות נדרשות
צורך אסטרטגי	הפסד תחרותי כמותי כתוצאה מאי-אימוץ
התאמת המשימה	ביצועי בסיס ומודל על עבודה מייצגת
מקרה פיננסי	NPV, החזר השקעה והחזר השקעה לחמש שנים
המרה של הטבות	מנגנון המתרגם חיסכון בזמן למזומן או תפוקה
סבילות סיכון	הערכת אובדן צפוי וזנב
מוכנות נתונים	זכויות, איכות, שושלת וגישה
בחירת פריסה	השוואה בענן, מקומית, היברידית או שיתופית
היתכנות יציאה	עלות מיתוג ושכבת נתונים/מודל ניידת
ממשל	בעלים רשום, מלאי, ניטור והסלמה
שליטה אנושית	סף סקירה ומקבל החלטות אחראי
כּוֹשֵׁר הִתאוֹשְׁשׁוּת	גיבוי, תהליך הפסקה ויעד התאוששות
מְדִידָה	קבוצת ביקורת לאחר הפריסה או ניתוח עובדתי אמין

על החברה לבסס טענה נגדית:

ערך AI מצטבר = תוצאה _AI – תוצאה _{ללא AI}

ללא קבוצת ביקורת, פריסה הדרגתית, זרימת עבודה תואמת או בסיס אמין, שיפור עסקי רגיל עלול להיות מיוחס בטעות לבינה מלאכותית.

---

6.17 תחזית ארגונית לחמש שנים, 2027–2031

התוצאה הסבירה ביותר אינה החלפה אוניברסלית של כוח אדם, אלא המרה הדרגתית של בינה מלאכותית לשכבה חובה של תשתית ארגונית. עלויות האימוץ יעברו ממנויים גלויים להוצאות פחות גלויות על אינטגרציה, ממשל, הערכה וניהול סיכונים. חברות גדולות יבנו יותר ויותר פלטפורמות ניתוב מודלים המשלבות מודלים קנייניים של חזית, מודלים קטנים ייעודיים, מערכות אחזור ותשתית מקומית. חברות קטנות יותר יישארו תלויות יותר במוצרי SaaS משולבים משום שהן אינן יכולות להפנים ביעילות את הממשל וההנדסה. מצב זה יעביר את כוח המיקוח לספקי התוכנה וייצור סיכון מתמשך שבינה מלאכותית תהפוך לתוספת תשלום בלתי נמנעת המוטמעת במוצרי חשבונאות, פרודוקטיביות, CRM, עיצוב, משפט, אבטחה ותקשורת.

שלושה שיווי משקל ארגוניים אפשריים:

שִׁוּוּי מִשׁקָל	תֵאוּר	תוצאה חלוקתית
דיפוזיה של פרודוקטיביות	התועלת עולה על העלויות בכל גודל של חברות	עלייה רחבה בתפוקה ומחירים נמוכים יותר
כפייה תחרותית	חברות מאמצות כדי לשמור על שוויון; הרווחים עוברים ללקוחות	בינה מלאכותית הופכת לחובה על תקורה
ריכוז יכולות	חברות גדולות נהנות מכלכלות גודל ומודלים טובים יותר	שולי רווח לעסקים קטנים ובינוניים וירידה בנתח השוק

התוצאה השנייה והשלישית יכולות להתקיים יחד. לקוחות עשויים לקבל שירותים מהירים יותר או זולים יותר, בעוד שרווחי הארגונים מרוכזים יותר בקרב ספקי תשתית ופלטפורמות של בינה מלאכותית.

---

6.18 ממצאים סופיים

1. אימוץ הבינה המלאכותית מואץ, אך שיעורי השימוש אינם מבססים רווחיות. אימוץ ארגונים באיחוד האירופי עלה לכ-20% בשנת 2025, בעוד שהשימוש בארגונים גדולים עלה על 55%.
2. עלות הארגון הרלוונטית גדולה משמעותית מהוצאות הרישיון וה-API. יש לכלול נתונים, אינטגרציה, אבטחת סייבר, ממשל, הערכה, פיקוח אנושי ומיתוג.
3. חברות קטנות מתמודדות עם נטל עלויות קבועות לא פרופורציונלי. עבודת ממשל זהה צורכת נתח גדול בהרבה מהכנסותיהן ורווחיהן.
4. חברות בעלות שולי רווח נמוכים חשופות אפילו ביחסי עלות לכאורה קטנים של בינה מלאכותית. הוצאות בינה מלאכותית השווה ל-3% מההכנסות מבטלות את הרווח התפעולי שלפני בינה מלאכותית כאשר גם השוליים הם 3%.
5. זמן שנחסך אינו בהכרח ערך כלכלי. הוא הופך לתועלת כספית רק באמצעות עלויות נמוכות יותר, גיוס עובדים חסוך, תפוקה מוגברת, הכנסות גבוהות יותר או שירות ציבורי משופר.
6. מגזרים בסיכון גבוה דורשים ניתוח סיכוני זנב. עלייה צפויה בפריון אינה יכולה להצדיק פריסה כאשר כשל בסבירות נמוכה מאיים על הפסד קטסטרופלי.
7. פריסת ענן ממזערת את ההון הראשוני אך יכולה למקסם את התלות. פריסה מקומית מלאה משפרת את השליטה אך דורשת ניצול גבוה וצוות מומחה.
8. מערכות היברידיות צפויות לשלוט בארכיטקטורת ארגון בוגרת. עומסי עבודה רגישים וצפויים יכולים להישאר מקומיים בעוד שביקוש גבולי וביקוש מתפרץ ישתמשו בקיבולת חיצונית.
9. מודלים בעלי משקל פתוח אינם מבטלים עלויות תשתית או ניהול. היתרון הכלכלי שלהם הוא שליטה וניידות, ולא אפס עלות כוללת (TCO).
10. מודלים קטנים ומתמחים יכולים לבצע ביצועים טובים יותר מבחינה כלכלית של מערכות חזיתיות במשימות מוגבלות. הקריטריון הרלוונטי הוא עלות עומס עבודה מוצלח, ולא ספירת פרמטרים נומינלית.
11. בינה מלאכותית עשויה להפוך להשקעה של “המלכה האדומה”. חברות עשויות לשלם רק כדי לשמר שוויון תחרותי, כאשר עליות הפריון יועברו ללקוחות במקום להישאר כרווח.
12. ניתן לחשב את סף הפריון המינימלי במפורש. הוא עולה עם הוצאות על בינה מלאכותית, עלויות סיכון ושולי תרומה נמוכים ויורד עם הכנסות ניתנות לאימות או הטבות שאינן קשורות לעבודה.
13. חיסכון שנתי חיובי אינו מבטיח ערך נוכחי חיובי לחמש שנים. שילוב ראשוני והסלמה חוזרת ונשנית של עלויות עלולות להוביל לפגיעה בערכו של הפרויקט.
14. ביטחון, שירותי בריאות, ממשלה וחינוך דורשים ערך מותאם למשימה. החזר השקעה מסחרי לבדו משמיט חוסן, ריבונות, בטיחות ותועלת ציבורית.
15. הפער המכריע בין 2027 ל-2031 יהיה יכולת ארגונית, ולא גישה פשוטה לצ’אטבוט. חברות המסוגלות לנהל נתונים, להעריך מודלים, לנתב עומסי עבודה ולנהל משא ומתן על תשתיות יזכו בערך לא פרופורציונלי; חברות הרוכשות כלי בינה מלאכותית מקוטעים ללא מדידה עלולות לגרור עלות חובה חדשה מבלי לקבל תשואה מתמשכת על הפרודוקטיביות.

פרק 7 – פער היכולות של בינה מלאכותית: סטודנטים, חוקרים וניידות חברתית

7.1 היקף ושאלת מחקר מרכזית

הפער המתפתח בתחום הבינה המלאכותית אינו מתואר כראוי על ידי השאלה האם אדם אי פעם השתמש בצ’אטבוט. לגישה משמעותית יש לפחות שישה ממדים: זמינות, מחיר סביר, יכולת מודל, קצבת שימוש, חומרה וקישוריות, ויכולתו של המשתמש לשלב בינה מלאכותית בעבודה פרודוקטיבית. שירות שנחשב חינמי לכאורה עשוי להטיל מגבלות תעריף מגבילות, להשתמש במודל בעל יכולות נמוכות יותר, להיעדר ניתוח מסמכים ארוך הקשר, לא לספק סביבת פרויקט מתמשכת, לעכב כלים מתקדמים או להפוך ללא זמינה בתקופות של עומס. גישה לצרכנים בתשלום יכולה להסיר חלק מהמגבלות תוך שהיא נותרת נמוכה משמעותית מגישה ארגונית בתפוקה, ממשל, שילוב נתונים וזמינות מובטחת. גישה מקומית בעלת ביצועים גבוהים יכולה לספק פרטיות וניסויים אך דורשת הון, חשמל, יכולת טכנית ותחזוקה משמעותיים. לכן, המשתנה האנליטי הנכון הוא גישה אפקטיבית מותאמת איכות , ולא בעלות על חשבון.

הבחנה זו חשובה משום שבינה מלאכותית יכולה להרחיב פעילויות שצוברות הון אנושי ומוסדי: לימוד, קידוד, תרגום, פרסום, ניתוח מסמכים, הכנת יישומים, תכנון עסקים, ביצוע ניסויים וחיפוש בספרות מדעית. הבדלים ראשוניים קטנים בגישה עשויים להחמיר. סטודנט שמקבל הסברים איכותיים יותר, משוב מהיר יותר וסיוע קידוד חזק יותר יכול להשלים יותר פרויקטים; פרויקטים אלה יכולים לשפר את יכולת ההעסקה; הכנסה גבוהה יותר יכולה לממן גישה טובה יותר לבינה מלאכותית; גישה טובה יותר יכולה לייצר יתרון נוסף. הסדרה ההפוכה יכולה להשפיע על סטודנטים וחוקרים המוגבלים לחומרה מיושנת, שכבות חינמיות לא יציבות או מודלים מקומיים בעלי יכולות נמוכות.

האימוץ כבר מרובד מאוד. בשנת 2025, 20.0% מהמפעלים באיחוד האירופי עם לפחות עשרה עובדים דיווחו על שימוש בבינה מלאכותית, אך השיעור בקרב מפעלים גדולים הגיע ל-55.03%. שימוש בבינה מלאכותית בארגונים – יורוסטאט – דצמבר/2025 – סטטיסטיקות בינה מלאכותית ארגוניות של יורוסטאט . למרות שסטטיסטיקות ארגוניות אינן מודדות ישירות את גישת הסטודנטים, הן חושפות את הסביבות המוסדיות אליהן נכנסים בוגרים: חוקרים ועובדים הקשורים לארגונים עשירים יכולים להשיג מודלים, נתונים, כלים ומחשוב טובים יותר מאשר אנשים בעלי יכולות שוות מחוץ להם.

---

7.2 מגישה דיגיטלית לגישה ליכולות

7.2.1 ארבע קבוצות גישה

קְבוּצָה	גישה אופיינית	יכולת יעילה	מגבלה עיקרית
G0 – אין גישה רגילה לבינה מלאכותית	אין חשבון, מכשיר, קישוריות או הרשאה יציבים	ללא סיוע עקיף או מדי פעם	הדרה מוחלטת
G1 – גישה חופשית	מודל צרכני חינמי בטלפון או במחשב רגיל	הסבר בסיסי, ניסוח, תרגום וקידוד מוגבל	מגבלות קצב, ניתוב מודל, המשכיות חלשה וזמינות לא ודאית
G2 – גישה בתשלום לצרכנים	מנוי חודשי ומכשיר רב-תכליתי מתאים	נימוקים חזקים יותר, קבצים, הקשר ארוך יותר וכלים נוספים	מגבלות שימוש הוגן, ללא קיבולת מובטחת ואינטגרציה מוסדית מוגבלת
G3 – גישה ארגונית או מקומית בעלת ביצועים גבוהים	ממשקי API של Frontier, תוכניות ארגוניות, סוכנים ייעודיים, נתונים קנייניים או חומרה מקומית בעלת זיכרון גבוה	מחקר מתמשך, קידוד, עיבוד מסמכים ארוכים, אוטומציה ותהליכי עבודה סודיים	עלות כספית, טכנית וארגונית גבוהה

אין להתייחס לקבוצות כאל זהויות קבועות. אדם רשאי לנוע ביניהן לפי משימה: גישה חופשית של צרכנים לשאלות כלליות, גישה של ארגונים אוניברסיטאיים למחקר וגישה אסורה של בינה מלאכותית לנתונים קליניים חסויים. לכן, המדידה צריכה לתעד את אחוז זמן הלימוד או העבודה הרלוונטי שבמהלכו כל קורס גישה זמין.

7.2.2 גישה מבוססת בינה מלאכותית מותאמת איכות

הגדירו גישה מותאמת איכות כ:

QAA _u,t = A _זמינות × Q _משימה × U _הקצבה × T _כלים × D _נתונים × S _{מיומנויות}

אֵיפֹה:

• זמינות היא _{ההסתברות} שהמערכת נגישה בעת הצורך;
• _משימת Q היא איכות ספציפית למשימה;
• _קצבת U היא נפח שמיש יחסית לביקוש;
• _כלי T מייצגים גישה לאחזור קבצים, ביצוע קוד, ניתוח קבצים וכלים חיצוניים;
• _נתוני D מייצגים גישה חוקית לנתונים רלוונטיים;
• _{מיומנויות} S מייצגות את יכולת המשתמש.

מכיוון שלמשתנים יש אינטראקציה כפלית, רכיב אחד כמעט אפס יכול לנטרל את האחרים. מודל בעל יכולות גבוהות מספק גישה יעילה מועטה אם המשתמש יכול להגיש רק מספר קטן של בקשות, אינו יכול להעלות מסמכים נדרשים, חסר קישוריות או אינו יכול להעריך פלט לא אמין.

---

7.3 ממדי פער היכולות של בינה מלאכותית

7.3.1 השכלה

בינה מלאכותית יכולה להשפיע על הישגים חינוכיים באמצעות:

• הסברים מותאמים אישית;
• משוב חוזר ללא דמי שיעורים נוספים;
• תרגול אדפטיבי;
• תִרגוּם;
• סיוע בנגישות;
• תמיכה בקידוד ובמתמטיקה;
• סיכום ויצירת הערות;
• הכנה לבחינות;
• הנחיה אדמיניסטרטיבית;
• תמיכה בבקשות ובמלגות.

האומדן הסיבתי אינו ההבדל בין משתמשי בינה מלאכותית ללא משתמשים, מכיוון שמשתמשים עשויים להיות שונים בהישגים קודמים, הכנסה, מוטיבציה ותמיכה מוסדית. מודל תקף הוא:

Y _i,t = α + βQAA _i,t + γY _i,t−1 + δX _i,t + μ _מוסד + τt ₊ ε _i,t

אֵיפֹה:

• Y _i,t הוא השגה;
• QAA _i,t היא גישה לבינה מלאכותית מותאמת איכות;
• X _i,t מכיל בקרות הכנסה, ציונים קודמים, שפה, מוגבלות, מכשירים וקישוריות;
• μ _מוסד לוכד הבדלים מוסדיים;
• τ _t לוכד השפעות תקופתיות.

β חיובי יתמוך בהשערת יתרון הגישה רק אם גישה לבינה מלאכותית קודמת לתוצאה הנמדדת ובלבול נשלט בצורה אמינה.

7.3.2 פרודוקטיביות מחקרית

יתרונות המחקר עשויים לכלול:

• גילוי ספרות;
• סיווג מסמכים;
• יצירת קוד;
• ניקוי נתונים;
• תִרגוּם;
• יצירת השערות;
• תמיכה בסימולציה;
• עריכת כתבי יד;
• הכנת מענקים;
• אוטומציה אדמיניסטרטיבית.

יש למדוד את תפוקת המחקר באמצעות מספר תוצאות:

RP _i,t = w ₁ פרסומים + w ₂ ציטוטים + w ₃ מערכי נתונים + w ₄ תוכנה + w ₅ שכפול + w ₆ איכות מחקר

ספירת הפרסומים הגולמיים אינה מספקת משום שבינה מלאכותית יכולה להגדיל את תפוקת הטקסט מבלי לשפר את התוקף המדעי. ביטולים, ניתוחים בלתי ניתנים לשחזור, הפניות מפוברקות וסדר יום מחקרי הומוגני הם תוצאות שליליות, לא פרודוקטיביות.

7.3.3 יכולת תעסוקה

בינה מלאכותית משפיעה על יכולת ההעסקה באמצעות שני מנגנונים מנוגדים. היא יכולה להגביר את יכולתו של עובד לקודד, לתקשר, לנתח ולאוטומט. היא יכולה גם להפחית את ערך השוק של מיומנויות שגרתיות. לכן, היתרון בהעסקה הוא:

EA _i = השלמת פרודוקטיביות + אוריינות בינה מלאכותית + איכות תיק עבודות – החלפת מיומנויות – כישלון אימות

עובד הופך להיות יותר בר השגה כאשר בינה מלאכותית משלימה מומחיות נדירה בתחום. עובד שתפוקתו ניתנת להחלפה בקלות עשוי להתמודד עם תחרות גדולה יותר גם לאחר רכישת מיומנויות בינה מלאכותית בסיסיות.

7.3.4 יזמות

הזדמנויות יזמיות יכולות להתרחב מכיוון שבינה מלאכותית מפחיתה את העלות של:

• מחקר שוק;
• תִרגוּם;
• אב טיפוס של תוכנה;
• לְעַצֵב;
• שֵׁירוּת לָקוֹחוֹת;
• הכנת מסמכים משפטיים;
• שיווק;
• ניתוח נתונים;
• תכנון עסקי.

עם זאת, גישה לגבולות יכולה ליצור קנה מידה יעיל מינימלי חדש. אם מתחרים משתמשים בסוכנים משולבים, נתונים קנייניים ויכולת הסקה שמורה, משתמשים חופשיים עשויים להיות מסוגלים ליצור אבות טיפוס אך לא מערכות ייצור אמינות.

7.3.5 פיתוח תוכנה

קידוד הוא בין התחומים המדידים ביותר מכיוון שניתן להעריך ביצועים באמצעות בדיקות, פתרון בעיות, שיעור פגמים וקוד מקובל. תוצאות מתאימות כוללות:

• זמן עד לקבלת בקשת משיכה;
• אחוז הבעיות שנפתרו;
• שיעור מעבר במבחן יחידה;
• פגמי אבטחה;
• תחזוקה;
• זמן סקירה אנושי;
• עלות לכל בעיה שהושלמה בהצלחה.

Anthropic דיווחה על תוצאה של 72.5% עבור Claude Opus 4 במבחן SWE תחת תצורת ההערכה המוצהרת שלה. הצגת Claude 4 – Anthropic – מאי/2025 – גילוי נאות של הערכה של Anthropic Claude 4. זוהי עדות לכך שמערכות חזית יכולות לפתור חלק ניכר ממשימות הנדסת תוכנה שנבדקו בתנאים מוגדרים. אין זו הוכחה שכל בסיס קוד ארגוני יקבל את אותה התוצאה.

7.3.6 גישה לשפה

בינה מלאכותית רב-לשונית יכולה להפחית את העונש שנוטלים על אנשים שעובדים מחוץ לשפות מדעיות ומסחריות דומיננטיות. היא יכולה לתרגם הוראות, מחקרים, תיעוד טכני והתכתבויות מקצועיות. היכולת נותרת לא אחידה בין שפות, דיאלקטים וטרמינולוגיה מקצועית.

ניתן לייצג את היתרון בגישה לשפה כך:

LA _l = Q _{translation,l} × Q _reasoning,l × Coverage _l − ErrorCost _l

מערכת שמתרגמת בצורה שוטפת אך מנמקת בצורה פחות אמינה בשפת היעד עלולה ליצור הכללה כוזבת. כרטיס המערכת Sonnet 4.6 של Anthropic מדווח על הערכה על פני 57 מקצועות אקדמיים ו-14 שפות שאינן אנגלית ומפרסם את המתודולוגיה והתוצאות של MMMLU של המודל. כרטיס המערכת Claude Sonnet 4.6 – Anthropic – פברואר/2026 – כרטיס המערכת Claude Sonnet 4.6 של Anthropic . תוצאות כאלה נשארות מדווחות על ידי הספק ויש לשכפל אותן באופן עצמאי לפני השימוש בהן למסקנות מדיניות.

---

7.4 מדד סבירות הבינה המלאכותית

7.4.1 הגדרה

AAI _c,t = עלות שנתית של גישה נאותה לבינה מלאכותית _c,t ÷ הכנסה פנויה חציונית _c,t

המונה חייב לייצג גישה נאותה – לא רק סמלית. עליו לכלול:

עלות _הולמת = מנוי + API + עלות שנתית של המכשיר + קישוריות + אחסון + תוכנה + תחזוקה + מס

מדד סבירות המבוסס אך ורק על מנוי חודשי של 20 דולר ממעיט בעלות עבור משתמשים הזקוקים למחשב חזק, אינטרנט רחב, אחסון או קיבולת API נוספת.

7.4.2 פרשנות מוצעת

ערך AAI	פֵּשֶׁר
מתחת ל-1%	במחיר סביר באופן כללי עבור משתמשים בעלי הכנסה בינונית
1–3%	מורגש אך בדרך כלל ניתן לניהול
3–5%	החלטה מהותית של משק הבית
5–10%	מַגְבִּיל
10–20%	מגביל מאוד
מעל 20%	נידוי כלכלי ללא סובסידיה

ספים אלה הם סיווגים אנליטיים, לא סטנדרטים בינלאומיים.

7.4.3 סלים בעלי גישה נאותה

סַל	רכיבים	עלות התרחיש השנתית
B0 – גישה חופשית נומינלית	מכשיר קיים, שכבה חופשית, קישוריות קיימת	תוספת של 0 דולר, אך ללא ערובה להשלמה
B1 – גישה בסיסית בתשלום	מנוי צרכן, עלות שנתית למכשיר רגיל, קישוריות מצטברת	660 דולר
B2 – גישה מקצועית לגבולות	שימוש גבוה יותר, מנוי/API גבולי, אחסון ומכשיר בעל יכולות	2,400 דולר
B3 – גישה למחקר מתקדם	שימוש גבוה ב-API, כלים, אחסון ותחנות עבודה שנתי	4,000 דולר
B4 – גישה פרטית בעלת ביצועים גבוהים	תחנת עבודה/שרת מקומית, תחזוקה, חשמל ותפעול מודלים	8,000–25,000 דולר

הסלים הם תרחישים אנליטיים סטנדרטיים. יש להחיל בנפרד מיסים, שערי חליפין ומחירי חומרה מקומיים.

---

7.4.4 תרחישי יכולת רכישה ברמת הכנסה

משאבים שנתיים פנויים חציוניים	B1: 660 דולר	B2: 2,400 דולר	B3: 4,000 דולר	B4 נמוך: 8,000 דולר
3,000 דולר	22.0%	80.0%	133.3%	266.7%
6,000 דולר	11.0%	40.0%	66.7%	133.3%
12,000 דולר	5.5%	20.0%	33.3%	66.7%
24,000 דולר	2.75%	10.0%	16.7%	33.3%
45,000 דולר	1.47%	5.33%	8.89%	17.78%
75,000 דולר	0.88%	3.20%	5.33%	10.67%

יורוסטאט דיווח על הכנסה שנתית פנויה חציונית של 21,245 תקני כוח קנייה לתושב האיחוד האירופי בשנת 2024. תנאי חיים באירופה: התפלגות הכנסה ואי שוויון בהכנסות – יורוסטאט – 2026 – סטטיסטיקה של הכנסה פנויה חציונית של יורוסטאט . בהכנסה להמחשה של 21,245 יחידות, סלי הסל הסטנדרטיים B1, B2 ו-B3 היו סופגים כ-3.1%, 11.3% ו-18.8% בהתאמה אם יחידות הסל היו דומות ברמת המחירים. טבלת מדינה קפדנית חייבת להמיר את הסל למחירים מקומיים במקום להשוות מכנית תקן כוח קנייה אחד לדולר אמריקאי אחד.

---

7.5 מדד סבירות הבינה המלאכותית לסטודנטים

7.5.1 הגדרה

SAI _c,t = עלות שנתית של בינה מלאכותית וחומרה _c,t ÷ משאבים שנתיים לשימוש חוזר של סטודנטים _c,t

משאבי הסטודנטים צריכים לכלול הכנסה זמינה בפועל לאחר שכר לימוד ודיור חיוני:

משאבי סטודנטים = מענקים + מלגות + תמיכה משפחתית + הכנסה נטו מעבודה − שכר לימוד − דיור חיוני − עלויות מחיה חיוניות

שימוש בהכנסה החציונית של משק הבית כמכנה יכול לזלזל קשות בקושי של סטודנטים.

7.5.2 תרחישי יכולת הסטודנטים

משאבים חד פעמיים שנתיים לסטודנטים	גישה בסיסית בתשלום: 660 דולר	גישה מקצועית: 2,400 דולר	מחקר מתקדם: 4,000 דולר
1,500 דולר	44.0%	160.0%	266.7%
3,000 דולר	22.0%	80.0%	133.3%
6,000 דולר	11.0%	40.0%	66.7%
12,000 דולר	5.5%	20.0%	33.3%
24,000 דולר	2.75%	10.0%	16.7%

זה מסביר מדוע שירות שנראה זול לאיש מקצוע יכול להיות מפלה עבור סטודנט. מנוי חודשי של 20 דולר שווה ערך ל-240 דולר בשנה לפני חומרה וקישוריות. עבור סטודנט עם 1,500 דולר בלבד של משאבים לשימוש עצמי, המנוי לבדו צורך 16%.

---

7.6 מחירי עמדת עבודה נוחים

7.6.1 תחנת עבודה סטנדרטית

עבור מידול בין-ארצי, הגדירו תחנת עבודה של בינה מלאכותית כדלקמן:

• מעבד מרובה ליבות מודרני;
• זיכרון מערכת של 128 ג’יגה-בייט;
• זיכרון מאיץ של 24–32 ג’יגה-בייט;
• אחסון מצב מוצק של 2–4 טרה-בייט;
• אספקת חשמל וקירור נאותים;
• אורך חיים כלכלי של חמש שנים.

מחיר תכנון הייחוס נקבע על:

_ייחוס P = 4,000 דולר לפני מס מקומי, מכס והתאמות מטבע

זהו סל אנליטי ולא מוצר קמעונאי בעל שם. כעוגן חומרה רשמי, NVIDIA מפרטת את GeForce RTX 5090 עם זיכרון GDDR7 בנפח 32 ג’יגה-בייט ומחיר התחלתי של 1,999 דולר לפני שאר תחנת העבודה. מפרט GeForce RTX 5090 – NVIDIA – ינואר/2025 – מפרט רשמי של NVIDIA GeForce RTX 5090 .

7.6.2 נוסחת שכר-חודש

חודשי שכר _c = מחיר תחנת עבודה מקומית _c ÷ שכר חודשי חציוני _c

היחס חייב להשתמש בשכר מקומי לאחר מס לצורך מחקר סבירות. ניתן לדווח על רווחים ברוטו כאינדיקטור משני אך אין לבלבל אותם עם הכנסה פנויה.

7.6.3 חישובים מאומתים ואינדיקטיביים

מְדִינָה	קלט רשמי של רווחים	סל תחנת עבודה	חודשי שכר	הסמכה ראייתית
אַרצוֹת הַבְּרִית	חציון 1,251 דולר לשבוע; כ-5,421 דולר לחודש	4,000 דולר	0.74	חציון שכר ברוטו במשרה מלאה, רבעון שני של 2026
גֶרמָנִיָה	חציון משתמע 21.48 אירו לשעה מסף השכר הנמוך הרשמי; כ-3,723 אירו לחודש במחיר של 173.3 שעות	4,000 אירו	1.07	חציון חודשי משוער מחציון שעתי רשמי
אִיטַלִיָה	שכר ממוצע לשעה כ-16.35 אירו בסקר המבנה שדווח לשנת 2022; כ-2,834 אירו לחודש עבור 173.3 שעות	4,000 אירו	1.41	ממוצע, לא חציון; אינדיקציה בלבד
הוֹדוּ	שכר ממוצע של עובדים 22,220 רופי הודי לחודש בשנת 2025	סל אנליטי מקומי של 350,000 רופי הודי	15.75	ממוצע, לא חציון; סל הקניות דורש אימות מחיר מקומי
דרום אפריקה	שכר ממוצע של עובדים 7,980 ראנד לחודש בתצפית הפרופיל האחרונה של ארגון העבודה הבינלאומי, משנת 2020	סל אנליטי של 80,000 ראנד	10.03	ממוצע מיושן; לא מתאים לדירוג הנוכחי

השכר החציוני במשרה מלאה בארה”ב היה 1,251 דולר לשבוע ברבעון השני של 2026. שכר שבועי רגיל של עובדי שכר – הלשכה לסטטיסטיקה של עבודה בארה”ב – יולי/2026 – שכר חציוני של BLS לרבעון השני של 2026. הלשכה הסטטיסטית הפדרלית של גרמניה דיווחה על מדד שכר שעתי חציוני של 21.48 אירו עבור אפריל 2025 באמצעות טבלת סף השכר הנמוך הרשמית שלה. ספי שכר נמוכים בגרמניה – Destatis – מאי/2025 – Destatis ספי שכר גרמניים . ILOSTAT מדווח על שכר חודשי ממוצע של 22,220 רופי הודי עבור הודו בשנת 2025. פרופיל מדינה בהודו – ILOSTAT – 2026 – ILOSTAT פרופיל עבודה בהודו .

אין לפרש את הטבלה כטבלה סופית של ליגה חוצת מדינות, משום שמושגי השכר, התאריכים, המסים ומחירי תחנות העבודה אינם מתואמים בצורה מושלמת. הממצאים החזקים שלה הם אורדינליים: חומרה המייצגת פחות מחודש של שכר חציוני במשרה מלאה בארה”ב יכולה לייצג חודשים רבים של הכנסה לעובדים בשווקים בעלי הכנסה נמוכה.

---

7.7 מדידת הפרש היכולות בין קבוצות גישה

7.7.1 מטריצת תוצאות

יְכוֹלֶת	G0: אין גישה	G1: שכבה חופשית	G2: צרכן בתשלום	G3: ביצועים גבוהים בחזית/ארגונית/מקומית
הסבר בסיסי	אַף לֹא אֶחָד	לְמַתֵן	גָבוֹהַ	גָבוֹהַ
חשיבה מורכבת	אַף לֹא אֶחָד	מוגבל/משתנה	גָבוֹהַ	הגבוה ביותר הזמין
סִמוּל	אַף לֹא אֶחָד	בסיסי עד בינוני	חָזָק	חזק עם כלים ועומסי עבודה מתמשכים
מחקר עובדתי	ידני בלבד	מִשְׁתַנֶה	כלים והקשר טובים יותר	אחזור, ממשקי API, מסדי נתונים וביצוע ביקורת
מסמכים ארוכים	יָדָנִי	מוגבל	בינוני/גבוה	תפוקה גבוהה ופרויקטים מתמשכים
תמיכה רב-לשונית	כלים ידניים	רחב אך משתנה	איכות גבוהה יותר	משולב בדומיין וניתן להרחבה
זרימת עבודה מדעית	יָדָנִי	מוּגבָּל	לְמַתֵן	קוד, כלים, נתונים פרטיים ואוטומציה
עבודה סודית	אין בינה מלאכותית	לעתים קרובות לא מתאים	תלוי חוזה	בקרות ארגוניות או פרטיות מקומית
מקביליות	אַף לֹא אֶחָד	נָמוּך	לְמַתֵן	גָבוֹהַ
שחזור	יָדָנִי	חַלָשׁ	לְמַתֵן	תמונות מצב של API, רישום ופריסה מבוקרת
הִסתַגְלוּת	אַף לֹא אֶחָד	מִינִימָלִי	ברמת המשתמש	RAG, כוונון עדין, סוכנים ומודלים מקומיים

הטבלה מבטאת גישה מבנית צפויה ולא ביצועי מודל קבועים. רמות חינמיות יכולות לחשוף באופן זמני מודלים גבוליים, בעוד שמשתמשים בתשלום עשויים לבחור מודלים חלשים יותר. לכן, יש לתעד את הסיווג ברמת המודל, רמת השירות והמשימה בפועל.

---

7.8 מדד יכולת לשחזור

7.8.1 עקרון הבדיקה

אין להשתמש בספירת פרמטרים כמדד לתועלת. הביצועים תלויים ב:

• אַדְרִיכָלוּת;
• פרמטרים כוללים ופעילים;
• נתוני אימון;
• לאחר האימון;
• כימות;
• הֶקשֵׁר;
• שְׁלִיפָה;
• כְּלֵי עֲבוֹדָה;
• מסגרת הסקה;
• פורמט הנחיה;
• דְגִימָה;
• שָׂפָה;
• התמחות במשימה;
• לחשב תקציב.

יחידת הייחוס צריכה להיות:

עומסי עבודה מוצלחים ÷ עלות כוללת

ולא ציון מדד גולמי בלבד.

7.8.2 חבילת מדדי ביצועים נדרשת

מֵמַד	בניית בדיקות	מדד ראשי	מדד כשל
הַנמָקָה	בעיות רב-שלביות חדשות עם בקרות זיהום	שיעור הצלחה מדויק	טענות ביניים לא נתמכות
סִמוּל	בעיות במאגר עם בדיקות	שיעור בעיות שנפתרו	פגמים חדשים וקוד לא מאובטח
מהימנות עובדתית	שאלות עם חותמת זמן וקורפוס מאומת	דיוק תביעה נתמכת	שיעור הזיות
רב לשוני	משימות דומיין מקבילות בין שפות	יחס זוגיות איכות	ירידה בביצועים לפי שפה
הקשר ארוך	קטעים רלוונטיים וסותרים מרובים	דיוק אחזור וסינתזה	כשל מיקום-הקשר
עיבוד מסמכים	טבלאות, סריקות, הערות שוליים וקטעים סותרים	חילוץ F1 ודיוק ציטוטים	שדות שהומצאו
משימות מדעיות	חישובים ניתנים לשחזור וניתוח ספרות	תוצאה ומוצא נכונים	הפניות מפוברקות
אֵנֶרְגִיָה	שקע חשמל בקיר או במתחם	ג’אול לכל משימה מוצלחת	אנרגיה לכל פלט כושל
עֲלוּת	ספק מלא או עלות כוללת מקומית	עלות למשימה מוצלחת	עלות לכל אסימון שנוצר ללא איכות
פְּרָטִיוּת	ביקורת זרימת נתונים ושימור נתונים	שיעור הציות	שידור לא מורשה

7.8.3 תצורה ניסויית מבוקרת

כל ריצה חייבת לחשוף:

• דגם וגרסה מדויקים;
• כימות;
• חוּמרָה;
• מסגרת הסקה;
• לְעוֹרֵר;
• טֶמפֶּרָטוּרָה;
• מאמץ חשיבה;
• גישה לכלי עבודה;
• קורפוס אחזור;
• אורך ההקשר;
• תפוקה מקסימלית;
• מספר הניסויים;
• רווח סמך;
• תַאֲרִיך;
• עלות כוללת;
• מדידת אנרגיה.

ההנחיות הרשמיות של OpenAI בנוגע למודל ממליצות להשוות תצורות במשימות מייצגות במקום להניח שמאמץ ההיגיון הגבוה ביותר תמיד מספק את הפשרה הטובה ביותר. הנחיות מודל – OpenAI API – אוגוסט/2026 – ההנחיות הרשמיות להערכת מודלים של OpenAI .

7.8.4 ניתוח סטטיסטי

עבור מודל m ומשימה k:

הצלחה _m,k ∈ {0,1}

הצלחה ממוצעת היא:

p̂m = Σהצלחה _m ,k ÷ n

העלות המותאמת לאיכות היא:

QAC _m = עלות כוללת _m ÷ Σהצלחה _m,k

אנרגיה לכל משימה מוצלחת היא:

E _success,m = סך האנרגיה _m ÷ ΣSuccess _m,k

שיעור ההזיות הוא:

HR _m = טענות עובדתיות לא מבוססות _m ÷ כל הטענות העובדתיות _m

זוגיות רב-לשונית עבור שפה l היא:

MP _m,l = ציון _m,l ÷ ציון _{m, ייחוס}

ערכים מתחת לאחד מצביעים על ביצועים נמוכים יותר מאשר שפת הייחוס.

---

7.9 האם מודלים מקומיים קטנים יותר יוצרים חיסרון מדיד?

ההשערה היא:

H7.1: לאחר שליטה בכלים, התמחות במשימות, כימות, הקשר ועלות, מודלים מקומיים קטנים יותר מייצרים שיעור עומס עבודה מוצלח נמוך יותר במשימות כלליות מורכבות בהשוואה למודלים של ענן גבולי.

ההשערה הנגדית היא:

H7.2: במשימות מוגבלות ומיוחדות, מודל מקומי קטן יותר בשילוב עם אחזור יכול להיות שווה או לעלות על מודל גבול כללי בעלות נמוכה יותר ופרטיות גבוהה יותר.

שניהם יכולים להיות נכונים.

7.9.1 דפוס משימה צפוי

מְשִׁימָה	יתרון סביר בגבול	יתרון פוטנציאלי של דגם קטן
חשיבה רב-שלבית חדשנית	גָבוֹהַ	מוּגבָּל
קידוד מורכב של מאגרים	גָבוֹהַ	מודל קוד מיוחד עשוי להתחרות
סיווג שגרתי	נָמוּך	יתרון משמעותי בעלויות ובזמן השהייה
מיצוי מובנה	נמוך/בינוני	חזק עם סכמה ואימות
עבודה מומחית רב-לשונית	תלוי-שפה	חזק רק לאחר הסתגלות ממוקדת
סינתזה של מסמכים ארוכים	גבוה ללא אחזור	RAG יכול לצמצם פער
עיבוד מסמכים פרטיים	איכות הענן עשויה להיות גבוהה יותר	פרטיות ושליטה מקומית
הנמקה מדעית	גָבוֹהַ	מודל מכוון דומיין עשוי להתחרות בתחרות צרה
אוטומציה מקבילית גבוהה	תלוי תשתית	דגמים קטנים יותר עשויים להתרחב בצורה חסכונית יותר

כרטיס המודל Gemini 3.1 Pro של גוגל מדווח על הערכה על פני משימות הנמקה, רב-מודאליות, רב-לשוניות, סוכניות ומשימות בהקשר ארוך. כרטיס מודל Gemini 3.1 Pro – Google DeepMind – פברואר/2026 – Google DeepMind כרטיס מודל Gemini 3.1 Pro . כרטיסי מודל כאלה מדגימים שיכולת היא רב-ממדית. הם אינם מספקים תחליף לניסוי מקומי לעומת ענן הנשלט באופן עצמאי.

7.9.2 בקרות קוונטיזציה

השוואה מקומית תקפה צריכה לבחון לפחות:

• BF16 או FP16;
• INT8;
• INT4;
• שיטת סיביות נמוכות יותר שנבחרה אם מתועדת.

עונש הכימות הוא:

QP _m,q,k = ציון _m,יחוס,k − ציון _m,q,k

יש להתייחס למודל בעל רמת סיביות נמוכה יותר כאל עדיף מבחינה כלכלית רק כאשר:

QAC _m,q < QAC _m,יחוס

ו:

ציון _m,q,k ≥ ציון מינימלי מקובל _k

מודל שנהיה זול יותר אך נופל מתחת לסף האיכות המינימלי של המשימה אינו תחליף הולם.

---

7.10 הפער בין פרסום מדעי ומחקר

מוסדות מחקר עם גישה לבינה מלאכותית ארגונית יכולים לספק:

• קליטת מסמכים בכמות גדולה;
• מאגרי מידע מורשים;
• ביצוע קוד מאובטח;
• מערכי נתונים פרטיים;
• מודלים ארוכי הקשר;
• ספריות הנחיות משותפות;
• תמיכה בהערכה;
• מחשוב מקומי ייעודי;
• הנחיות משפטיות ויושרה מחקרית.

לחוקר שאינו קשור לתחום יכול להיות רק מנוי צרכני ומחשב אישי. ההבדל אינו רק איכות המודל. הוא כולל זכויות נתונים, מקביליות, יכולת שחזור, אחסון, שיתוף פעולה ויכולת לעבד חומר רגיש.

הגדר את מדד משאבי הבינה המלאכותית למחקר:

RARI _i = w ₁ Compute + w ₂ ModelQuality + w ₃ DataAccess + w ₄ ToolAccess + w ₅ Support + w ₆ Usage Allowance

ניתן להעריך מודל פרסום כך:

פרסומים _i,t+1 = α + βRARI _i,t + γפרסומים קודמים _i,t + δמימון _i,t + μ _שדה + ε _i,t

יש לנתח בנפרד מדדי ציטוט ואיכות כדי לזהות האם בינה מלאכותית מגדילה כמות ללא תוקף.

---

7.11 יתרון מצטבר

7.11.1 המודל המבוקש

A _t+1 = A _t + αQ _t − βC _t

אֵיפֹה:

• A _t = יתרון אנושי או מוסדי מצטבר;
• Q _t = גישה לבינה מלאכותית מותאמת לאיכות;
• Ct ₌ אילוצי גישה והסתגלות;
• α = המרת גישה לבינה מלאכותית ליתרון;
• β = נזק שנגרם על ידי אילוצים.

לאחר n תקופות:

An = _A₀ + Σ₀ _t =0 ^n⁻¹ [αQ₀ _t − _βC₀ ]

סף הגישה הנדרש רק כדי למנוע ירידה ביתרון יחסי הוא:

Q _t ^* = βC _t ÷ α

אם Qt _< Qt _* ^, היתרון המצטבר יורד יחסית לסביבה התחרותית.

7.11.2 סימולציה לשני משתמשים

לְהַנִיחַ:

• α = 0.8;
• β = 0.5;
• משתמש בעל גישה גבוהה: Q = 1.0 ו-C = 0.2;
• משתמש מוגבל: Q = 0.3 ו-C = 0.8;
• שניהם מתחילים ב-A ₀ = 10.

התוספות השנתיות הן:

ΔA _גבוה = 0.8 × 1.0 − 0.5 × 0.2 = 0.70

ΔA _מוגבל = 0.8 × 0.3 − 0.5 × 0.8 = −0.16

שָׁנָה	יתרון גישה גבוהה	יתרון למשתמש מוגבל	פַּעַר
0	10.00	10.00	0.00
1	10.70	9.84	0.86
2	11.40	9.68	1.72
3	12.10	9.52	2.58
4	12.80	9.36	3.44
5	13.50	9.20	4.30

אפילו עם יכולת התחלה שווה, הבדלי גישה מתמשכים יוצרים סטייה.

7.11.3 מנגנון משוב

במציאות, יתרון שנצבר יכול לממן גישה עתידית:

Q( _t+1) = q( ₀ ) + λ(A) _t − φ (P _{) t}

אֵיפֹה:

• λ הוא המידה שבה היתרון משפר את הגישה העתידית;
• Pt _הוא המחיר האפקטיבי;
• φ היא רגישות המחיר.

החלפה מייצרת:

A _t+1 = A _t + α[q₀ ₊ λA _t − φP _t ] − βC _t

A _t+1 = (1 + αl)A _t + αq ₀ − αfP _t − βC _t

כאשר αλ חיובי, היתרון מצטבר במקום להצטבר באופן ליניארי.

---

7.12 מלכודת העוני המודיעיני

מלכודת עוני מודיעיני קיימת כאשר הכנסה נמוכה או משאבים מוסדיים נמוכים גורמים לגישה חלשה לבינה מלאכותית, גישה חלשה מדכאת פרודוקטיביות והזדמנויות, והפחתת ההזדמנויות מונעת השקעה בגישה טובה יותר.

המחזור הוא:

משאבים נמוכים → גישה באיכות נמוכה → פרודוקטיביות נמוכה יותר → הכנסה או מימון נמוכים יותר → משאבים נמוכים

ניתן לנסח את תנאי המלכודת באופן פורמלי כך:

תשואה מגישה לבינה מלאכותית _{בעלת משאבים נמוכים} < עלות גישה נאותה

בְּעוֹד:

תשואה מגישה מבוססת בינה מלאכותית _{בעלת משאבים גבוהים} > עלות גישה נאותה

זה יכול להתרחש גם כאשר אותו מחיר מנוי נומינלי חל על שתי הקבוצות מכיוון ש:

• המחיר צורך נתח הכנסה גדול יותר;
• למשתמשים עניים יותר יש חומרה חלשה יותר;
• קישוריות פחות אמינה;
• זמן פנוי להסתגלות מוגבל;
• בתי ספר וחברות מספקים פחות תמיכה;
• משתמשים אינם יכולים לספוג כישלון ניסיוני;
• ביצועי השפה המקומית עשויים להיות נמוכים יותר;
• מערכות תשלום או זמינות אזורית עשויות להגביל את הגישה.

7.12.1 סף מלכודת

בואו נתחיל להתפתח ההכנסה כך:

Y _t+1 = Y _t + θA _t

והגישה תהיה:

Q _t = מקסימום[0, q − P ÷ Y _t ]

שיווי משקל של הכנסה נמוכה קיים כאשר P ÷ Y _t גדול מספיק כדי לדכא את Q, ולמנוע את עלייה של A ו-Y. סובסידיה שמורידה את P, אוניברסיטה המספקת גישה משותפת או מודל בעלות נמוכה ייעודי שמגדיל את q יכולים להזיז את המשתמש מעל הסף.

---

7.13 התערבויות והלוגיקה הכלכלית שלהן

הִתעָרְבוּת	מַנגָנוֹן	הסיכון העיקרי
שוברי בינה מלאכותית לסטודנטים	מפחית את עלות המנוי	מועיל לספק מבלי להבטיח איכות
גישה ארגונית לאוניברסיטה	רכש וממשל של בריכות	נעילה מוסדית
מרכזי מחשוב ציבוריים	מספק קיבולת מקומית	ניצול נמוך ותחזוקה
תשתית מחקר שיתופית	עלות קבועה של מניות	הקצאה מורכבת וסודיות
תמיכה במודל במשקל פתוח	מפחית את התלות בספקים	נטל מיומנות טכנית
מענקי מכשירים	מפחית את מחסום החומרה	התיישנות מהירה
הערכה רב לשונית	חושף פערים בשפה	ייתכן שהמדד לא משקף את השימוש האמיתי
תוכניות אוריינות בינה מלאכותית	סיבות למקדם ההמרה α	הכשרה ללא גישה מתמשכת היא בעלת ערך נמוך
נקודות זכות ל-API למחקר	תומך בניסויים הניתנים לשחזור	נקודות זכות פגות או מועדפות לספקים מסוימים
ניתוב מודל לטובת הציבור	בוחר את הדגם הזול ביותר והמתאים	דורש הערכה עצמאית
מערכות לא מקוונות ומערכות בעלות רוחב פס נמוך	מפחית את מחסום הקישוריות	היכולת עשויה להישאר מתחת לגבול
מענקים מבוססי תוצאות	קרנות הוכיחו ערך מחקרי	יכול להוביל לפגיעה בעבודות גילוי

המדיניות האופטימלית אינה נותנת לכל משתמש את מודל החזית היקר ביותר עבור כל משימה. היא מבטיחה גישה למערכת בעלת העלות הנמוכה ביותר שעומדת בסף האיכות של המשימה , יחד עם הסלמה לקיבולת חזית כאשר מערכות קטנות יותר כושלות.

---

7.14 תכנון מחקר למדידה סיבתית

7.14.1 מחקר גישה אקראית

יש להקצות את המשתתפים באופן אקראי ל:

• אין בינה מלאכותית;
• בינה מלאכותית ברמה חופשית;
• בינה מלאכותית לצרכנים בתשלום;
• בינה מלאכותית של ארגונים בחזית.

כל הקבוצות מקבלות את אותן משימות, חלונות זמן והכשרה ראשונית, למעט במקרים בהם ההכשרה עצמה היא חלק מהטיפול. התוצאות כוללות:

• ציון המבחן;
• זמן השלמה;
• שמירה לאחר ארבעה שבועות;
• שיעור שגיאות;
• העברה למשימות חדשות;
• כיול ביטחון;
• תלות;
• עֲלוּת;
• אֵנֶרְגִיָה.

אפקט הטיפול הוא:

ATE = E[Y|גישה = j] − E[Y|גישה = 0]

7.14.2 מחקר אורכי

פאנל אורכי צריך לעקוב אחר:

• השגה קודמת;
• מעמד סוציו-אקונומי;
• היסטוריית גישה לבינה מלאכותית;
• שכבת מודל;
• שימוש בפועל;
• ציונים;
• פרסומים;
• תַעֲסוּקָה;
• הַכנָסָה;
• יזמות;
• מיומנויות.

מפרט של אפקטים קבועים הוא:

Y _i,t = βQAA _i,t + γX _i,t + μ _i + τ _t + ε _i,t

אפקטים קבועים אינדיבידואליים μ _i בקרה עבור הבדלים יציבים שלא נצפו.

7.14.3 ניסויים טבעיים מוסדיים

ניסויים מעין אפשריים כוללים:

• פריסה מדורגת של רישיונות אוניברסיטאיים;
• תוכניות זמניות ללא אשראי;
• שינויים בקישוריות אזורית;
• מענקי חומרה למעבדה;
• שינויים ברמת השירות;
• משיכת מודל;
• עליות מחירים.

אומדן הפרש-בהפרשים הוא:

אפקט = [Y _{שטופל, לאחר} − Y _{שטופל, לפני} ] − [Y _{בקרת, לאחר} − Y _{בקרת, לפני} ]

יש לבדוק מגמות מקבילות שלפני הטיפול.

---

7.15 תרחישים של חמש שנים, 2027–2031

תַרחִישׁ	פיתוח גישה	השפעה חינוכית וחברתית
דיפוזיה רחבה	מודלים קטנים בעלי יכולת וגישה מוסדית מתרחבים	החלוקה מצטמצמת עבור משימות שגרתיות
בינה מדורגת	מודלים חינמיים משתפרים, אך מודלים יוקרתיים מתקדמים מהר יותר	הגישה הנומינלית מתרחבת בעוד פער היכולות נמשך
הסלמת מנויים	גישה מתקדמת הופכת יקרה יותר ומחוברת למדידות	סטודנטים וחוקרים עצמאיים מאבדים גישה יחסית
תגובה לתשתיות ציבוריות	אוניברסיטאות וממשלות מספקות יכולת משותפת	הפער הגיאוגרפי מצטמצם במקומות בהם מוסדות יעילים
פיצול ריבוני	גישה לדגם ולחומרה משתנה בהתאם לאזור	לאום ומיקום הופכים לגורמים מכריעים ביכולת
ריכוז סוכני	סוכנים מתקדמים דורשים נתונים וכלים ארגוניים	שיוך ארגוני שולט בכישרון אישי

התרחיש המרכזי הוא אינטליגנציה מדורגת . בינה מלאכותית בסיסית הופכת לכל דבר, אך חשיבה באיכות גבולית, ניתוח הקשר ארוך טווח, שילוב נתונים פרטיים, עבודה סוכנית מתמשכת ושימוש בנפח גבוה נותרים מרוכזים בקרב אנשים ומוסדות עשירים. הפער שנוצר פחות גלוי מהדרה מוחלטת משום שמשתמשים עשירים ועניים כאחד יכולים לטעון ש”יש להם בינה מלאכותית”, בעוד שהאיכות ויכולת הייצור של גישה זו שונים באופן מהותי.

---

7.16 השערות ניתנות להפרכה

הַשׁעָרָה	הצעה ניתנת לבדיקה	ראיות נדרשות
H7.1	גישה בתשלום לבינה מלאכותית משפרת את השלמת המשימות בהשוואה לחוסר גישה	מחקר משתמשים אקראי
H7.2	גישה לגבולות מניבה יתרונות גדולים יותר מאשר גישה חופשית במשימות מורכבות	ניסוי רב-טיפולי
H7.3	מודלים מקומיים קטנים יותר מתפקדים פחות טוב ממודלים גבוליים במשימות מורכבות כלליות.	מדד ביצועים מבוקר
H7.4	דגמים קטנים מיוחדים יכולים להתאים למערכות גבוליות במשימות מוגבלות	מחקר עלות מותאם לאיכות ספציפי למשימה
H7.5	גישה לבינה מלאכותית מגדילה את תפוקת המחקר	פאנל חוקרים אורכי
H7.6	גישה לבינה מלאכותית מגדילה את כמות הפרסומים יותר מאשר את האיכות	פרסום, ציטוטים וניתוח שכפול
H7.7	פערים ביכולות רב-לשוניות מפחיתים את ההישגים מחוץ לשפות דומיננטיות	ניסוי רב-לשוני מקביל
H7.8	סבירות הבינה המלאכותית קשורה באופן שלילי להכנסה הלאומית	פאנל AAI ברמת המדינה
H7.9	השפעות הגישה מתעצמות עם הזמן	מודל יתרון מצטבר אורכי
H7.10	גישה מוסדית מתווכת את השפעת ההכנסה האישית	מודל רב-שכבתי של סטודנט וחוקר
H7.11	מחירי בינה מלאכותית גבוהים מפחיתים את כניסתם של יזמים	מחקר אזורי או מחקר קוהורט
H7.12	גישה חופשית אינה מבטלת את פער היכולות בגבולות	השוואת גישה מותאמת איכות

---

7.17 ממצאים סופיים

1. גישה לבינה מלאכותית אינה בינארית. גישה ללא גישה, גישה חופשית, גישה בתשלום לצרכנים וגישה למוסדות גבוליים מייצגות סביבות יצרניות שונות באופן מהותי.
2. סבירות העלות חייבת לכלול חומרה, קישוריות, אחסון ושימוש. מחיר המנוי לבדו ממעיט משמעותית בעלות הגישה הולמת.
3. סבירות ההכנסה הפנויה של סטודנטים גרועה מבנית מזו של משקי בית. לסטודנטים יש לעתים קרובות הכנסה פנויה נמוכה בהרבה מהחציון הארצי.
4. תחנת עבודה התומכת בבינה מלאכותית יכולה לעלות פחות משכר חודשי חציוני אחד במדינה בעלת הכנסה גבוהה, אך חודשי הכנסה רבים בשווקים בעלי הכנסה נמוכה. מכסים ומחסור מקומי יכולים להגדיל את הפער.
5. מודלים מקומיים קטנים יותר לא תמיד יוצרים חיסרון. הם יכולים להיות עדיפים מבחינה כלכלית עבור משימות מוגבלות, מיוחדות ורגישות לפרטיות.
6. מודלים של Frontier שומרים על יתרונות סבירים בהיגיון חדשני, קידוד קשה, סינתזה ארוכת הקשר ועבודה מדעית רב-תחומית.
7. ספירת פרמטרים אינה מדד תועלת הולם. יש לשלוט בארכיטקטורה, באימון לאחר המחקר, בכימות, בכלים, באחזור, בהקשר ובתכנון המשימות.
8. יש לחלק את עלות הביצועים בעומסי עבודה מוצלחים, לא באסימונים שנוצרו. פלט זול ושגוי אינו אינטליגנציה במחיר סביר.
9. בינה מלאכותית יכולה לשפר את הגישה לשפה תוך שמירה על פערים נסתרים באיכות. שטף השפה אינו מבטיח הנמקה שווה או אמינות עובדתית.
10. שיוך מוסדי הופך לגורם מכריע ביכולת יעילה. חוקרים באוניברסיטאות או בחברות עשירות יכולים לגשת לנתונים, כלים, מחשוב ותמיכה שאינם זמינים לעמיתים עצמאיים.
11. יתרון מצטבר הוא סביר מבחינה מתמטית. הבדלים מתמשכים בגישה מותאמת לאיכות יוצרים פערים הולכים וגדלים בהון אנושי ובמוסדות, גם כאשר יכולת ההתחלה שווה.
12. מלכודת עוני מודיעיני המחזקת את עצמה אפשרית. משאבים נמוכים מפחיתים את הגישה; גישה חלשה מפחיתה את הפרודוקטיביות וההזדמנויות; הזדמנויות מופחתות מונעות השקעות עתידיות.
13. גישה חופשית אוניברסלית עשויה לא לבטל את הפער. אם מערכות גבול ישתפרו מהר יותר ממערכות חופשיות, הכללה סמלית יכולה להתקיים במקביל לאי-שוויון גובר ביכולות.
14. מטרת המדיניות הנכונה היא גישה נאותה וספציפית למשימה. תמיכה ציבורית צריכה לספק את המערכת בעלת העלות הנמוכה ביותר העומדת בספי איכות מאומתים, עם הסלמה לקיבולת גבולית במידת הצורך.
15. בין השנים 2027 ו-2031, ניידות חברתית עשויה להיות תלויה יותר ויותר בגישה לא רק לבינה מלאכותית, אלא גם לבינה מלאכותית בעלת יכולת מספקת, בת קיימא, ניתנת לאימות ושימושית כלכלית.

פרק 8 – מדינות, פיתוח ואי שוויון עולמי בתחום הבינה המלאכותית

8.1 היקף, מטרה ומגבלות ראייתיות

אי-שוויון גלובלי בבינה מלאכותית לא ניתן למדוד באמצעות מספר חשבונות צ’אטבוט, אסטרטגיות בינה מלאכותית לאומיות או מרכזי נתונים בלבד. גישה יעילה תלויה במערכת מחוברת של כוח קנייה משקי בית, זמינות חומרה, חשמל, פס רחב, תשתית ענן, מוליכים למחצה מתקדמים, זמינות מטבע זר, מיומנויות דיגיטליות, יכולת בשפה מקומית, מוסדות מחקר, רגולציה והיתר גיאופוליטי לרכישת טכנולוגיה. מדינה עשויה להיות בעלת קישוריות סלולרית חזקה אך מעט מחשוב מחקרי; חשמל זול אך רשת לא אמינה; גישה לענן אך ללא אזור מקומי; מהנדסים מוכשרים אך אילוצי מטבע זר חמורים; או תשתית נרחבת שהיתרונות שלה נותרים מרוכזים באליטה עירונית קטנה. מדד רב-ממדי חייב ללכוד את ההשלמות הללו מבלי להסתיר אותן בתוך דירוג אטום.

מסגרת העבודה לשנת 2025 של הבנק העולמי מזהה ארבעה יסודות של פיתוח בינה מלאכותית: קישוריות, מחשוב, הקשר וכשירות . היא מסיקה שמדינות בעלות הכנסה גבוהה ממשיכות לשלוט בחדשנות בתחום הבינה המלאכותית, בתשתיות מחשוב ובמימון סטארט-אפים, בעוד שכלכלות בעלות הכנסה נמוכה ובינונית מתמודדות עם פערים מתמשכים בקישוריות, נתונים רלוונטיים מקומית, מיומנויות ומחשוב. היא גם מזהה “בינה מלאכותית קטנה” – מערכות בעלות עלות נמוכה יותר, ספציפיות למשימה, המסוגלות לפעול על מכשירים רגילים – כנתיב פוטנציאלי להפצה רחבה יותר. דוח התקדמות ומגמות דיגיטליות 2025: חיזוק יסודות הבינה המלאכותית – הבנק העולמי – נובמבר/2025 – דוח יסודות הבינה המלאכותית של הבנק העולמי .

פרק זה בונה מדד גישה גלובלי לבינה מלאכותית , או GAI, ומיישם אותו על קבוצת פיילוט של 25 מקרים במדינות ובאזורים. הציונים המספריים הם הערכות אנליטיות שקופות שנבנו לצורך ניתוח תרחישים; הם אינם דירוג רשמי של הבנק העולמי, ה-ITU או ממשל לאומי. יש לחשב מחדש את המדד ממערך נתונים קפוא של מדינה לשנה לפני פרסומו כטבלה סטטיסטית סופית. הסמכה זו הכרחית מכיוון שמספר משתנים נדרשים – במיוחד איכות המודל בשפה המקומית, השהייה לקיבולת ענן התומכת בבינה מלאכותית, זמינות מחשוב מחקר ומחירי חומרה ברחוב – עדיין אינם זמינים באמצעות מערך נתונים בינלאומי הרמוני יחיד.

---

8.2 קישוריות גלובלית ובסיס מחשוב

כמעט שלושה רבעים מאוכלוסיית העולם הייתה מחוברת לאינטרנט בשנת 2025, אך כ-2.2 מיליארד בני אדם נותרו לא מחוברים לאינטרנט. השימוש באינטרנט הגיע ל-94% בכלכלות בעלות הכנסה גבוהה, אך רק ל-23% בכלכלות בעלות הכנסה נמוכה. כ-96% מהאנשים שאינם מחוברים לאינטרנט חיו במדינות בעלות הכנסה נמוכה ובינונית. השימוש באינטרנט עירוני הגיע ל-85%, בהשוואה ל-58% באזורים כפריים, בעוד שמשתמש טיפוסי במדינה בעלת הכנסה גבוהה ייצר כמעט פי שמונה יותר נתונים סלולריים ממשתמש בכלכלה בעלת הכנסה נמוכה. מדידת פיתוח דיגיטלי: עובדות ומספרים 2025 – איגוד התקשורת הבינלאומי – נובמבר/2025 – עובדות ומספרים של ITU 2025 .

הבדלים אלה חשובים משום שכיסוי נומינלי אינו מקים קישוריות בינה מלאכותית שמישה. שימוש בבינה מלאכותית יכול לדרוש:

• שירות מתמשך ולא לסירוגין;
• השהייה נמוכה מספיק;
• קיבולת העלאה מספקת של מסמכים ותמונות;
• נפח נתונים במחיר סביר;
• גישה מאובטחת;
• מכשירים תואמים;
• מנגנוני תשלום אמינים;
• שירותי ענן הזמינים בתחום השיפוט;
• חשמל רציף.

תפיסת הקישוריות האוניברסלית והמשמעותית של ITU כוללת איכות, זמינות, מחיר סביר, מכשירים, מיומנויות ואבטחה. דוח קישוריות עולמי 2025 – איגוד התקשורת הבינלאומי – 2025 – דוח קישוריות עולמי של ITU 2025. זה מתאים יותר לניתוח גישה לבינה מלאכותית מאשר משתנה בינארי מחובר/לא מחובר.

---

8.3 השוואה בין מדינות לאזור

8.3.1 השוואה מבנית

מדינה או קבוצה	נקודות חוזק עיקריות	אילוצים עיקריים	עמדה אסטרטגית
אַרצוֹת הַבְּרִית	ספקי Frontier, ענן בקנה מידה גדול, מאיצים, הון, אוניברסיטאות	אי-שוויון אזורי, ריכוזיות עסקית גבוהה, צווארי בקבוק באנרגיה	יצרן גבול ופלטפורמה דומיננטית
קנדה	מוסדות מחקר, גישה לענן, מיומנויות, חשמל	שוק מקומי קטן יותר ותלות בפלטפורמות זרות	מאמץ מתקדם עם נקודות חוזק מחקריות נבחרות
האיחוד האירופי	בסיס תעשייתי, מחקר, רגולציה, אזורי ענן מרובים	פיצול, בעלות מוגבלת על פלטפורמות גבוליות, עלות אנרגיה	שוק מוסדר גדול עם ריבונות מחשוב חלקית
בְּרִיטַנִיָה	יתרון חזק במחקר, פיננסים, גישה לענן ושפה	תלות בחומרה מיובאת ובספקים זרים	מרכז שירות ומחקר מתקדם
סִין	שוק גדול, מרכזי נתונים, מודלים מקומיים ומדיניות תעשייתית	בקרות ייצוא, אילוצי חומרה מתקדמים	מערכת אקולוגית מקבילה בקנה מידה משמעותי
יַפָּן	הכנסה גבוהה, תעשייה מתקדמת, חשמל יציב ומחקר	כוח אדם מזדקן, תלות במאיצים מיובאים	אימוץ מתקדם ועוצמת בינה מלאכותית תעשייתית
דרום קוריאה	מוליכים למחצה, פס רחב, ענן, מיומנויות דיגיטליות	מאיצי גבול מיובאים וחשיפה גיאופוליטית	יצרן טכנולוגיות מוכנות גבוהה
יִשְׂרָאֵל	מחקר מתקדם, אבטחת סייבר, סטארט-אפים והשקעות בענן	שוק קטן, סיכון גיאופוליטי ותלות ביבוא	מערכת אקולוגית של מומחים בעלי יכולות גבוהות
הוֹדוּ	כוח אדם טכני גדול, אזורי ענן, מגזר תוכנה וקנה מידה	אי-שוויון בהכנסה, בחשמל ובקישוריות כפרית	אימוץ מהיר עם פער פנימי גדול
בְּרָזִיל	שוק גדול, אזור ענן, מחקר וקנה מידה בשפה הפורטוגזית	עלות חומרה, מיסוי, אי שוויון בהכנסות וסיכון מטבע	מובילה אזורית עם מגבלות סבירות
מקסיקו	אינטגרציה בייצור, קרבה לארה”ב, גישה גוברת לענן	אי-שוויון במיומנויות ומחקר-מחשוב	מאמץ בינה מלאכותית בקרבת הים
קרואטיה	חברות באיחוד האירופי, קישוריות ואינטגרציה רגולטורית	שוק קטן ומחשוב מחקרי מוגבל	מאמץ בלקני בעל מוכנות גבוהה יותר
סרביה	כוח אדם טכני וקישוריות אזורית	פוזיציה מחוץ לאיחוד האירופי, בסיס מחשוב קטן יותר וחשיפה למטבע	מרכז אזורי מתפתח
אלבניה	שיפור הממשל הדיגיטלי והקישוריות	יכולת מחקר והכנסה מוגבלים	מאמצים מתחילים המונעים על ידי שירותים
בוסניה והרצגובינה	תפוצה משכילה וגישה אזורית	פיצול מוסדי והשקעות מוגבלות	מאמץ מוגבל קיבולת
מָרוֹקוֹ	פוטנציאל השקעה בענן ובמרכזי נתונים, כוח עבודה רב-לשוני	סבירות חומרה וקנה מידה של מחקר	פלטפורמת שירותים מובילה בצפון אפריקה
תוניסיה	השכלה טכנית ופוטנציאל קרוב לחוף	אילוצי מימון, מטבע ותשתיות	עשיר בכישרונות אך מוגבל בהון
מִצְרַיִם	שוק גדול, כבלים, ביקוש בשפה הערבית	לחץ על הכנסה, מטבע ותשתיות	פלטפורמה אזורית פוטנציאלית עם חסמי סבירות
דרום אפריקה	טביעת הרגל והמחקר החזקים ביותר בענן שמדרום לסהרה	אמינות חשמל, אי שוויון ועלות חומרה גבוהה	מובילה בתשתיות יבשתיות עם פילוג פנימי
קניה	שירותים דיגיטליים, יזמות וקישוריות אזורית	חקר אילוצי מחשוב, חשמל והכנסה	מרכז שירותים דיגיטליים במזרח אפריקה
ניגריה	אוכלוסייה גדולה ויזמות	אמינות חשמל, מטבע חוץ ותשתיות	בסיס ביקוש גדול עם מגבלות גישה חמורות
גאנה	יציבות מוסדית ופוטנציאל שירותים דיגיטליים אזוריים	בסיס מחשוב קטן ומחיר סביר	מאמץ מתפתח של שירות ציבורי
רואנדה	אוריינטציה של ממשל דיגיטלי ותיאום מדיניות	שוק קטן ותשתיות מיובאות	גמיש מבחינה מוסדית, מוגבל במחשוב
אֶתִיוֹפִּיָה	אוכלוסייה גדולה ופוטנציאל פיתוח	קישוריות, חשמל, מטבע חוץ ומגבלות מיומנויות	סביבת גישה לבינה מלאכותית בשלב מוקדם
בנגלדש	כוח אדם גדול ופוטנציאל לשירותים דיגיטליים	אנרגיה, סבירות חומרה ומגבלות חישוב מחקריות	מאמץ בקנה מידה גדול עם תשתית מוגבלת

---

8.4 מפרט מדד הגישה הגלובלי לבינה מלאכותית

8.4.1 משוואת הליבה

GAI _i = Σ _j=1 ^m w _j z _ij

אֵיפֹה:

• GAI _i הוא מדד הגישה הגלובלי לבינה מלאכותית עבור מדינה i;
• z _ij הוא הערך המנורמל של אינדיקטור j;
• w _j הוא משקל האינדיקטור;
• Σw _j = 1.

המדד נמדד בסולם של 0 עד 100:

GAI _i,100 = 100 × GAI _i

ציון גבוה מייצג גישה טובה יותר במחיר סביר, מוכנות תשתית ויכולת.

---

8.2 ארכיטקטורת אינדיקטורים

מַד	סֵמֶל	מדד אמפירי מועדף	כיוון
הכנסה למשק בית	INC	הכנסה פנויה חציונית לנפש, מותאם ל-PPP	חִיוּבִי
סבירות חומרה	HWA	עלות תחנת עבודה ייחוסית חלקי הכנסה חציונית	שְׁלִילִי
מכסי יבוא	יש לי	נטל מכס ומס אפקטיבי על חומרת ייחוס	שְׁלִילִי
אמינות החשמל	REL	תדירות/משך הפסקות חשמל או מדד גישה אמין	חִיוּבִי
עלות החשמל	אנרגיה חשמלית (EPC)	מחיר מסחרי/משקי בית לקוט”ש	שְׁלִילִי
זמינות פס רחב	תואר ראשון במנהל עסקים	מדד קישוריות משמעותית של רשתות נייחות/ניידות	חִיוּבִי
השהיית מרכז נתונים	שנים	חציון השהייה לאזור ענן הקרוב ביותר התומך בבינה מלאכותית	שְׁלִילִי
זמינות אזור ענן	קרן ביטוח לאומית (CRA)	מספר ויכולת של אזורים היפר-סקייל מקומיים/סמוכים	חִיוּבִי
איכות בשפה המקומית	LLQ	שוויון איכות-מודל ניתן לשחזור בין שפות לאומיות	חִיוּבִי
מיומנויות דיגיטליות	DSK	שיעור מיומנויות טכנולוגיית מידע ותקשורת מתקדמת או מדד הרמוני	חִיוּבִי
מחשוב מחקר	RCO	קיבולת מאיץ מחקר ציבורי מותאם לאיכות	חִיוּבִי
גישה למטבע חוץ	FXA	המרה ויכולת מימון יבוא טכנולוגיה	חִיוּבִי
סנקציות/חשיפה לייצוא	לִרְאוֹת	הגבלה משפטית ומעשית על חומרה/שירותים מתקדמים	שְׁלִילִי
קיבולת מרכז נתונים מקומי	די.סי.	קיבולת IT תפעולית לנפש או תמ”ג	חִיוּבִי
סביבה רגולטורית	רג	חיזוי, ניהול נתונים ואיזון תחרותי	חִיוּבִי

ה-ITU מציין כי נתוני מיומנויות טכנולוגיות מידע ותקשורת (ICT) ברי השוואה נותרו נדירים: רק 90 מדינות הגישו נתונים רלוונטיים מאז 2020, ורק כ-40 סיפקו מידע בר השגה על רמת המיומנות. אינדיקטורים של יעדי פיתוח בר-קיימא של ITU ICT – איגוד התקשורת הבינלאומי – 2026 – מגבלות נתוני מיומנויות ICT של ITU . לכן, יש לחשוף נתונים חסרים ולא להחליפם בשקט בהנחות סובייקטיביות.

---

8.5 נורמליזציה

8.5.1 נרמול מינימום-מקסימום

עבור אינדיקטור חיובי:

z _ij = [x _ij − min(x _j )] ÷ [max(x _j ) − min(x _j )]

עבור אינדיקטור שלילי:

z _ij = [max(x _j ) − x _ij ] ÷ [max(x _j ) − min(x _j )]

נורמליזציה של מינימום-מקסימום היא אינטואיטיבית אך רגישה לערכים חריגים.

8.5.2 מינימום-מקסימום מווסת

ערכים מתחת לאחוזון החמישי מוחלפים בערך האחוזון החמישי; ערכים מעל האחוזון התשעים וחמש מוחלפים בערך האחוזון התשעים וחמש:

x _ij ^W = min[max(x _ij , P _5,j ), P _95, j

חישוב המינימום-מקסימום מוחל לאחר מכן על x _ij ^W.

8.5.3 נרמול ציון Z

z _ij = [x _ij − μ _j ] ÷ σ _j

ציוני Z שומרים על מרחק מהממוצע אך יכולים לייצר רכיבי אינדקס שליליים. טרנספורמציה נורמלית מצטברת יכולה למפות אותם ל-0-1.

8.5.4 נרמול דרגות

z _ij = [rank(x _ij ) − 1] ÷ (n − 1)

נרמול דרגות מפחית את ההשפעה של חריגים אך מתעלם מהבדלים מרכזיים. מדינה שנמצאת מעט מעל אחרת מקבלת את אותו מרווח דרגות כמו מדינה המופרדת על ידי פער מוחלט גדול מאוד.

---

8.6 מערכות שקלול

8.6.1 משקלים שווים

עם 15 אינדיקטורים:

w _j = 1 ÷ 15 = 0.0667

משקלים שווים הם שקופים אך מרמזים על כך שלכל אינדיקטור יש חשיבות מושגית זהה.

8.6.2 משקלי מומחים

מַד	משקל מומחה
הכנסה למשק בית	7%
סבירות חומרה	9%
מכסי יבוא	4%
אמינות החשמל	8%
עלות החשמל	5%
זמינות פס רחב	8%
השהיית מרכז נתונים	5%
זמינות אזור ענן	8%
איכות בשפה המקומית	7%
מיומנויות דיגיטליות	8%
מחשוב מחקר	10%
גישה למטבע חוץ	4%
סנקציות/חשיפה לייצוא	7%
קיבולת מרכז נתונים מקומי	7%
סביבה רגולטורית	3%
סַך הַכֹּל	100%

המשקלים הגבוהים יותר לחומרה, מחשוב מחקרי, פס רחב ואמינות חשמל משקפים את תפקידם כמשלימים מחייבים. רגולציה מקבלת משקל ישיר נמוך יותר משום שאיכות הרגולציה לא אמורה לפצות באופן אריתמטי על היעדר חשמל או מחשוב.

8.6.3 משקלים הנגזרים מרכיבים עיקריים

יש לגזור משקלי PCA מהרכיבים הראשונים המסבירים חלק קבוע מראש – כגון 70% – מהשונות הסטנדרטית. אם טעינת _jk מייצגת את האינדיקטור j על רכיב k ו-λ _k את הערך העצמי שלו:

w _j,PCA = Σ _k=1 ^K |a _jk |λ _k ÷ Σ _j=1 ^m Σ _k=1 ^K |a _jk |λ _k

PCA מזהה שונות משותפת אמפירית, ולא חשיבות מוסרית או התפתחותית. הוא יכול להקצות משקל נמוך למשתנה חיוני אם למשתנה זה יש שונות בין-ארצית נמוכה.

---

8.7 פרוטוקול נתונים חסרים

מדינה לא צריכה לקבל ציון חיובי משום שאין נתונים זמינים. הפרוטוקול צריך להיות:

1. דווח על המדד החסר.
2. השתמשו בזקיפה מרובה רק כאשר קשרי מנבאים אמינים.
3. חשב מרווח אי-ודאות על פני מערכי נתונים מחויבים.
4. אל תכלול מדינות שחסרות להן יותר מ-30% מהאינדיקטורים המשוקללים.
5. פרסום ציון שלמות:

שלמות _i = Σw _j I(x _ij נצפתה)

6. דִוּוּחַ:

GAI _מותאם,i = GAI _i × שלמות _i ^κ

כאשר κ הוא פרמטר עונש שנחשף.

יש לפרסם את התוצאות שלא עברו עונש ואת התוצאות המתוקנות.

---

8.8 מדד טייס זמני

ציוני הפיילוט הבאים משתמשים במסגרת המשקל של המומחה ובסולם של 0-100. הם מייצגים סינתזה אנליטית מהראיות המבניות הרשמיות שנסקרו בדוח זה, ולא מערך נתונים סטטיסטי סופי מוקפא.

מקרה מדינה או אזור	GAI זמני	שכבת גישה	אילוץ קשירה עיקרי
אַרצוֹת הַבְּרִית	89	גְבוּל	סבירות פנימית ואי שוויון גיאוגרפי
דרום קוריאה	84	מִתקַדֵם	חשיפה למאיץ גבול מיובא
יִשְׂרָאֵל	83	מִתקַדֵם	קנה מידה וחשיפה גיאופוליטית
קנדה	82	מִתקַדֵם	תלות בפלטפורמות זרות
בְּרִיטַנִיָה	82	מִתקַדֵם	חומרה מיובאת ותלות בפלטפורמה
מצרף האיחוד האירופי	80	מִתקַדֵם	פיצול פנימי וגירעון ספקי גבול
יַפָּן	80	מִתקַדֵם	תלות במאיץ מיובא
סִין	78	מתקדם/מקביל	בקרות ייצוא וחומרה מתקדמת
הוֹדוּ	58	בקנה מידה מתפתח	אי-שוויון בהכנסה ובתשתיות פנימיות
קרואטיה	58	מתפתח/מתקדם	בסיס מחקרי-מחשוב קטן
בְּרָזִיל	55	בקנה מידה מתפתח	סבירות חומרה ומיסוי
דרום אפריקה	52	מרכז אזורי מתפתח	אמינות חשמל ואי-שוויון
מקסיקו	51	מתעוררים	מחשוב מחקר ופיזור מיומנויות
מָרוֹקוֹ	50	מרכז אזורי מתפתח	קנה המידה של המחקר ומחירי החומרה
סרביה	49	מתעוררים	עומק ענן, גודל שוק וחשיפה למטבע
מִצְרַיִם	45	קנה מידה מוגבל	לחץ על מטבע, הכנסה ותשתיות
תוניסיה	43	מרכז כישרונות מוגבל	מימון וגישה למטבע חוץ
קניה	43	מרכז דיגיטלי מתפתח	מחקר מחשוב וסבירות רכישת משקי בית
אלבניה	42	מתעוררים	שוק קטן ומחשוב מוגבל
רואנדה	40	מתפתחים בהובלת מדיניות	קנה מידה ותשתיות מיובאות
בוסניה והרצגובינה	38	מוגבל	פיצול מוסדי והשקעות
גאנה	38	מתעוררים מוגבלים	מחשוב ומחיר סביר
ניגריה	35	פוטנציאל גבוה מוגבל	חשמל, מטבע ותשתיות
בנגלדש	32	קנה מידה מוגבל	מחשוב, אנרגיה ומחירים נוחים
אֶתִיוֹפִּיָה	22	מוגבל מאוד	קישוריות, חשמל ומטבע חוץ

ציון מצטבר של האיחוד האירופי מסתיר שונות פנימית משמעותית. מדינות עם אזורי ענן מקומיים, הכנסות גבוהות ומערכות מחקר חזקות יקבלו ציון משמעותי גבוה יותר ממדינות חברות בעלות הכנסה נמוכה יותר עם מערכות אקולוגיות מחשוב קטנות יותר. אותו הדבר חל על ארצות הברית, סין, הודו, ברזיל, דרום אפריקה וניגריה: ממוצעים לאומיים מסתירים פערים קיצוניים בין עירוניים לכפריים ומבוססי הכנסה.

---

8.9 ניתוח רגישות

8.9.1 השפעות שקלול חלופיות

קבוצת מדינות	משקלים שווים	משקולות מומחים	אפקט PCA צפוי
ארצות הברית, קנדה, בריטניה	הישאר גבוה	הישאר גבוה	רכיב חזק של הכנסות מתשתיות שומר על הדירוג
מצרף האיחוד האירופי	גָבוֹהַ	גָבוֹהַ	ייתכן שהרכיב הרגולטורי פחות חשוב במסגרת PCA
סִין	גָבוֹהַ	מופחת במידה בינונית עקב חשיפה לייצוא	קנה מידה תעשייתי עשוי להעלות את דירוג ה-PCA
דרום קוריאה ויפן	גָבוֹהַ	גָבוֹהַ	חוזק מוליכים למחצה וקישוריות מחוזק
יִשְׂרָאֵל	גָבוֹהַ	גָבוֹהַ	שוק קטן עשוי להפחית את ציון ה-PCA המבוסס על קנה מידה
הוֹדוּ	אֶמצַע	אֶמצַע	משקל דיגיטלי מעלה את הדירוג; הכנסה מורידה אותו
ברזיל ומקסיקו	אֶמצַע	אֶמצַע	קיזוז הסבירות של ענן וקנה מידה בשוק
הבלקן	אמצעי/תחתון	ספציפי מאוד למדינה	חברות באיחוד האירופי וקישוריות מבדילים
צפון אפריקה	בינוני-תחתון	בינוני-תחתון	מטבע ומחשוב מחקר מפחיתים את ציון המומחה
אפריקה שמדרום לסהרה	לְהוֹרִיד	לְהוֹרִיד	קישוריות ושונות משותפת בהכנסה מחזקות את עונש ה-PCA

8.9.2 תקן חוסן דרגה

עבור כל מדינה:

RankRange _i = [Min Rank _i,s , Max Rank _i,s ]

כאשר s מכסה:

• משקלים שווים;
• משקולות מומחים;
• משקולות PCA;
• מינימום-מקסימום;
• מינימום-מקסימום מוגבר;
• ציון z;
• נורמליזציה של דרגות;
• טיפולים חלופיים לנתונים חסרים.

יש להקצות למדינה שכבה חזקה רק אם היא נשארת ברמה זו עבור לפחות 75% מהמפרטים.

8.9.3 רגישות מונטה קרלו

ניתן להסיק משקלים מהתפלגות דיריכלה שבמרכזה משקלי מומחים:

w ^(b) ∼ דיריכלה (κw _מומחה )

עבור כל אחת מסימולציות B:

GAI _i ^(b) = Σw _j ^(b) z _ij

הדו”ח צריך לפרסם:

• ציון חציוני;
• אחוזונים חמישי ותשעים וחמישה;
• הסתברות להשתייך לכל שכבה;
• הסתברות לעקוף דירוג על עמיתים נבחרים.

---

8.10 מדידת אי שוויון

8.10.1 מקדם ג’יני

עבור ערכי גישה x _i :

G = [Σ _i=1 ⁿ Σ _j=1 ⁿ |x _i − x _j |] ÷ [2n ² x̄]

שימוש ב-25 ציוני ה-GAI הזמניים:

• n = 25;
• ממוצע GAI = 56.36;
• מקדם ג’יני = 0.193.

הערך מצביע על פיזור משמעותי אך לא קיצוני בין ממוצעי המדינות. הוא מעריך פחות את אי השוויון מכיוון ש:

• המדינה נותנת בממוצע משקל שווה לאתיופיה ולא לפי אוכלוסייה;
• אי-שוויון בתוך המדינה מושמט;
• ציון של אפס מוגבל;
• לאיכות הגישה עשויות להיות תשואות כלכליות לא ליניאריות.

8.10.2 אינדקס חלקים

מדד Theil T הוא:

T = (1 ÷ n)Σ _i=1 ⁿ (x _i ÷ x̄)ln(x _i ÷ x̄)

עבור חלוקת הניקוד הזמנית:

T = 0.0597

מדד ת’יל ניתן לפירוק:

T = T _בין + T _בתוך

חלוקת מקרי הפיילוט לקבוצות מתקדמות, מתפתחות ומוגבלות מייצרת:

רְכִיב	תרומתם של ת’יל	לַחֲלוֹק
אי-שוויון בין-קבוצתי	0.0546	91.4%
אי-שוויון בתוך הקבוצה	0.0051	8.6%
סַך הַכֹּל	0.0597	100%

תוצאה זו משקפת את קבוצת הפיילוט שנבנתה ואין להכלילה לאוכלוסיית העולם. עם זאת, היא מדגימה כי הבדלים ברמות הפיתוח שולטים בהתפלגות ממוצעת ארצית ממחישה זו.

8.10.3 יחסי אחוזונים

לִמְדוֹד	ערך הפיילוט
P90/P10	2.28
P80/P20	2.03
מקסימום/מינימום	4.05

הציון המקסימלי של הטייס, 89, הוא קצת יותר מפי ארבעה מהציון המינימלי, 22.

8.10.4 יחס פלמה

יחס פאלמה המקובל הוא נתח המניות המוחזק על ידי 10% העליונים חלקי זה של 40% התחתונים:

פלמה = שתף _{10 המובילים} ÷ שתף _{40 התחתונים}

מיושם מכנית על התפלגות ציוני המדינה המשוקללת באופן שווה, יחס פאלמה של הפיילוט הוא כ-0.57. ערך מתחת לאחד אפשרי מכיוון ש-40% התחתונים מכילים פי ארבעה יותר תצפיות מדינה מאשר 10% העליונים, בעוד שציוני GAI מוגבלים ופחות מרוכזים בהשוואה להכנסה. עבור ניתוח בינה מלאכותית, פאלמה משוקללת לאוכלוסייה ופאלמה בעלת קיבולת חישוב יהיו אינפורמטיביים יותר.

---

8.11 שקלול אוכלוסייה ואי-שוויון בתוך המדינה

מדד ברמת המדינה יכול להסתיר יותר אי-שוויון מאשר הוא מגלה. גישה משוקללת לפי אוכלוסייה צריכה להשתמש ב:

_{אוכלוסייה} x̄ = ΣP _i x _i ÷ ΣP _i

בתוך מדינה, ניתן למדל את הגישה לפי עשירון משקי בית, אזור, מגדר, אזור כפרי, השכלה ושיוך מוסדי:

GAI _i,h = f(הכנסה _h , מכשיר _h , קישוריות _h , מיומנויות _h , גישה מוסדית _h )

הציון הארצי הוא:

GAI _i = Σ _h=1 ^H p _h GAI _i,h

ממוצע ארצי גבוה יכול להתקיים במקביל להדרה חמורה בקרב משקי בית כפריים, עובדים בלתי פורמליים, קהילות דוברות שפות מיעוטים ומוסדות הסובלים מתת-מימון.

---

8.12 גיאוגרפיה של ענן ואי-שוויון בהשהיה

גיאוגרפיית הענן חשובה משום שאזורים מקומיים יכולים להפחית השהייה, לתמוך באחסון נתונים, לשפר את הזמינות ולהפחית את התלות ברוחב פס בינלאומי. טביעת הרגל הגלובלית נותרת מרוכזת גיאוגרפית.

AWS דיווחה על 123 אזורי זמינות ב-39 אזורים גיאוגרפיים, עם תכנון אזורים נוספים. תשתית גלובלית של AWS – Amazon Web Services – אוגוסט/2026 – תשתית גלובלית של AWS . מיקרוסופט דיווחה על יותר מ-80 אזורי Azure ויותר מ-500 מרכזי נתונים בדף התשתית הגלובלית הנוכחי שלה. תשתית גלובלית של Azure – מיקרוסופט – אוגוסט/2026 – תשתית גלובלית של מיקרוסופט Azure . גוגל קלאוד דיווח על 43 אזורים ו-130 אזורים בשש יבשות. מיקומים גלובליים: אזורים ואזורים – גוגל קלאוד – אוגוסט/2026 – מיקומים גלובליים של גוגל קלאוד .

אין לקודד אזור מקומי כאזור מקומי בלבד. מדד אזור הענן צריך למדוד:

CRA _i = זמינות × עומק שירות AI × זמינות מאיץ × יתירות × תושבות

אזור שאין בו מאיצי גבול או שירות בינה מלאכותית מנוהל נדרש אינו שווה ערך לאזור בארה”ב שהוקצה במלואו.

יש למדוד את זמן ההשהיה באמצעות בדיקות פעילות חוזרות ונשנות:

LAT _i = חציון RTT מצמתי אוכלוסייה מייצגים לנקודת הקצה הקרובה ביותר של AI המתאימים

הזכאות חייבת לכלול:

• זמינות הדגם;
• גישה חוקית;
• תאימות לתקנות מיקום נתונים;
• קיבולת מספקת;
• זמינות תשלום.

---

8.13 בקרות יצוא וגישה גיאופוליטית

גישה למחשוב מתקדם היא בחלקה משתנה משפטי וגיאופוליטי. פיקוח אמריקאי חל על מוליכים למחצה למחשוב מתקדם ספציפיים, ציוד לייצור מוליכים למחצה, זיכרון ברוחב פס גבוה וישויות ויעדים נלווים. המסחר מחזק את ההגבלות על מוליכים למחצה למחשוב מתקדם וציוד לייצור מוליכים למחצה – הלשכה לתעשייה וביטחון – דצמבר/2024 – פיקוח על מוליכים למחצה מתקדמים של BIS בארה”ב .

בינואר 2026, BIS עברה לבחינה פרטנית של יצוא מסוים מדגם H200-, MI325X- ומוצרים דומים לסין, בכפוף לתנאים שנקבעו. משרד המסחר משנה את מדיניות סקירת הרישיונות למוליכים למחצה המיוצאים לסין – לשכת התעשייה והביטחון – ינואר/2026 – מדיניות רישוי המוליכים למחצה של BIS סין בארה”ב .

מדד הסנקציות/יצוא צריך להבחין בין:

רכיב הציון	שְׁאֵלָה
זכאות משפטית	האם המדינה יכולה לייבא את החומרה באופן חוקי?
זכאות ישות	האם חברות או אוניברסיטאות מרכזיות מוגבלות?
הסתברות רישיון	האם רישיונות מאושרים באופן שגרתי, מותנים או נדחים בהנחה?
תחליפיות בענן	האם ניתן לגשת מרחוק לקיבולת שווה ערך?
גישה לתשלום	האם לקוחות יכולים לשלם באופן חוקי ומעשי?
סיכון הסחה	האם חששות תאימות מרתיעים ספקים?
אלטרנטיבה מקומית	האם טכנולוגיה מקומית יכולה להחליף?

סין שונה באופן מהותי מכלכלה בעלת הכנסה נמוכה שסנקציות עליה: יש לה מערכת אקולוגית תעשייתית, ענן ומודלים מקומית גדולה המסוגלת להחלפה חלקית. אין להחיל את אותו עונש מספרי ללא קיזוז יכולות מקומיות.

---

8.14 אי-שוויון בחשמל

מוכנות לבינה מלאכותית תלויה הן בגישה לחשמל והן באיכותו:

מוכנות אנרגטית _i = גישה × אמינות × קיבולת × סבירות × יכולת הרחבה

מדינה עשויה לדווח על גישה כמעט אוניברסלית לחשמל תוך כדי שהיא חווה הפסקות חשמל שהופכות את ההסקה המקומית הרציפה ללא אמינה. מדינה אחרת עשויה להציע תעריפים זולים אך חסרה לה קיבולת ייצור או רשת למרכזי נתונים חדשים. מדינה שלישית עשויה להחזיק בחשמל אמין שמחירו הופך את המחשוב המקומי ללא תחרותי.

עבור בינה מלאכותית מקומית:

עלות _אנרגיה = _PIT × 8,760 × u × PUE × p _חשמל

עבור תשתית בינה מלאכותית לאומית, זמן אספקה ​​לחיבור וזמינות החשמל של החברה עשויים להיות בעלי חשיבות רבה יותר מהתעריף הממוצע.

---

8.15 ייצוג מקומי בשפה ובתרבות

8.15.1 מדד איכות השפה

יש למדוד את איכות המודל בשפה מקומית כך:

LLQ _i = Σ _l=1 ^L s _l [ציון _l ÷ _{ייחוס ציון} ]

כאשר s _l הוא חלק האוכלוסייה באמצעות שפה l.

המבחנים צריכים לכסות:

• שאלות עובדתיות;
• טרמינולוגיה של שירות ציבורי;
• שפה משפטית ורפואית;
• תוכן חינוכי;
• דיאלקטים;
• הנמקה ספציפית לתרבות;
• רעילות וסירוב;
• זיהוי דיבור;
• זיהוי תווים אופטי (OCR) של מסמכים;
• תִרגוּם.

מודל עשוי לתמוך בשפה מבחינה שיחתית, אך לבצע משימות טכניות, מדעיות או מנהליות נמוכות. למדינות עם שווקי שפה גדולים – סינית, יפנית, קוריאנית, ערבית, פורטוגזית והינדית – יש תמריצים מסחריים חזקים יותר ללוקליזציה מאשר לקהילות דוברות שפות קטנות.

8.15.2 תלות תרבותית

תלות בפלטפורמות זרות יכולה לעצב:

• אילו מקורות נלקחים;
• אילו ניבים מוכרים;
• גבולות מתינות;
• ייצוג היסטורי;
• טרמינולוגיה של שירות ציבורי;
• הנחות פוליטיות ותרבותיות;
• נתונים שנשמרו מחוץ למדינה.

לכן, ריבונות מדעית כוללת את היכולת להעריך, להתאים ולנהל מודלים – לא רק לארח אותם.

---

8.16 השלכות פיתוח

8.16.1 פיתוח כלכלי

בינה מלאכותית יכולה לתמוך בפיתוח על ידי הורדת עלות שירותים עתירי ידע, מתן אפשרות לעסקים קטנים להגיע לשווקים בינלאומיים ושיפור הלוגיסטיקה, החקלאות, הפיננסים והמנהלה. ניתן לייצג את תרומת הפיתוח כך:

ΔY _i = αA _i + βK _i + γS _i + δD _i − λM _i

אֵיפֹה:

• בינה מלאכותית ₌ אימוץ בינה מלאכותית;
• K _i = הון משלים;
• S _i = מיומנויות;
• D _i = נתונים ואיכות מוסדית;
• M _i = דליפת יבוא ומונופול.

אם שירותי בינה מלאכותית מיובאים בעוד שנוצר ערך מקומי מועט, הפריון עשוי לעלות מבלי ליצור תעשיית בינה מלאכותית מקומית גדולה.

8.16.2 התכנסות פרודוקטיביות

בינה מלאכותית מקדמת התכנסות אם מדינות בעלות הכנסה נמוכה משיגות יכולת בעלות נמוכה יותר מאשר פיתוח מומחיות מקבילה באופן פנימי:

אפקט ההתכנסות > 0 כאשר:

שיפור פרודוקטיביות של בינה מלאכותית מיובאת > דליפת מנוי + תזוזה + עלות הסתגלות

בינה מלאכותית מקדמת דיברגנציה כאשר מדינות מובילות משלבות מודלים טובים יותר עם הון, מיומנויות ונתונים גדולים יותר:

אפקט הדיברגנציה > 0 כאשר:

_גבול המשלימות × הון קיים _עשיר > השלמת פער רווח _עני

התוצאה הסבירה היא הטרוגנית. משימות בסיסיות של ניהול ותרגום עשויות להתכנס, בעוד שמדע פורץ דרך ועיצוב תעשייתי מתקדם מתפצלים.

8.16.3 חינוך

בינה מלאכותית בעלות נמוכה יכולה להפיץ שיעורים פרטיים ותרגום לאזורים מוחלשים. היא יכולה גם ליצור אי שוויון חדש בין סטודנטים המשתמשים במערכות גנריות חינמיות לבין אלו עם גישה לגבולות, נתונים מוסדיים, מכשירים בעלי ביצועים גבוהים ופיקוח מומחה.

8.16.4 שירותים ציבוריים

ממשלות יכולות לפרוס בינה מלאכותית עבור:

• עיבוד מסמכים;
• גילוי הונאה;
• ניהול מסים;
• תמיכה באזרחים;
• תִרגוּם;
• הקצאת משאבים;
• מיון בריאותי.

מדד הבשלות של GovTech לשנת 2025 של הבנק העולמי מכסה 198 כלכלות ומדווח על עלייה ממוצעת עולמית מ-0.552 בשנת 2022 ל-0.589 בשנת 2025, עם פערים הולכים וגדלים בין קבוצות הבשלות החזקות לחלשות ביותר. מדד הבשלות של GovTech 2025 – הבנק העולמי – דצמבר/2025 – מדד הבשלות של GovTech של הבנק העולמי .

8.16.5 שירותי בריאות

בינה מלאכותית יכולה להרחיב את קיבולת המומחים הנדירה באמצעות תמיכה בקבלת החלטות, סיוע בהדמיה, תרגום ואוטומציה אדמיניסטרטיבית. סיכונים מתעוררים כאשר מודלים מיובאים אינם מאומתים על אוכלוסיות מקומיות, מחלות, שפות או פרקטיקה קלינית.

8.16.6 יזמות

ממשקי API של ענן מפחיתים את עלויות הכניסה אך חושפים סטארט-אפים ל:

• פיחות מטבע;
• הגבלות על תשלומים בחו”ל;
• תמחור מחדש פתאומי;
• משיכת מודל;
• מגבלות שהייה של נתונים;
• נעילת API;
• גישה לא שוויונית להנחות לעסקים.

סטארט-אפ שמשלם עלויות בינה מלאכותית הנקובות בדולרים תוך שהוא מרוויח הכנסות במטבע מקומי, נושא אי התאמה מובנית בשער החליפין.

8.16.7 הגירה מקצועית

כישרונות עשויים לנוע למדינות ומוסדות המציעים:

• מחשוב גבולי;
• משכורות גבוהות יותר;
• מערכי נתונים מחקריים;
• מעבדות חזקות;
• הון התחלתי;
• קיבולת ענן.

משוב ההגירה הוא:

מחשוב מחקר ← גיוס כישרונות ← פרסומים וסטארט-אפים ← מימון ← מחשוב מחקר נוסף

ההפך יכול להפוך למלכודת של יכולות מדעיות.

8.16.8 ביטחון לאומי

תלות בפלטפורמות בינה מלאכותית זרות משפיעה על:

• ניתוח מודיעין;
• שרשראות אספקה ​​ביטחוניות;
• פעולות תשתית קריטית;
• הגנת סייבר;
• נתוני ממשלה;
• המשכיות במהלך משבר גיאופוליטי.

ריבונות אינה דורשת ייצור מקומי של כל שבב. היא דורשת אפשרויות המשכיות אמינות, ספקים מגוונים, מערכות ניידות, הערכה מקומית וגישה בעדיפות גבוהה במהלך משבר.

---

8.17 ראיות לכך שבינה מלאכותית יכולה לצמצם פערים בפיתוח

מנגנון איזון	אפקט פיתוח
בינה מלאכותית קטנה על מכשירים רגילים	מפחית את דרישות החומרה
גישה לענן	מבטל את ההשקעה המינימלית במרכזי נתונים מקומיים
תִרגוּם	מרחיב את הגישה לידע עולמי
דגמים במשקל פתוח	מפחית את התלות ברישיון ובפלטפורמה
מחשוב ציבורי משותף	מרווחים בעלות קבועה
הפצה ניידת	מגיע למשתמשים ללא מחשבים אישיים
התמחות בחקלאות ובריאות	מכוון לבעיות מקומיות בעלות ערך גבוה
סיוע בקידוד	מרחיב את יכולת ייצור התוכנה
תשתית ציבורית דיגיטלית	מאפשר שירותים ממשלתיים ניתנים להרחבה
נקודות זכות למחקר בינלאומי	מספק גישה זמנית לגבול

הבנק העולמי מדווח כי מדינות בעלות הכנסה בינונית היוו יותר מ-40% מתנועת ChatGPT העולמית עד אמצע 2025, בהובלת מדינות כמו ברזיל, הודו, אינדונזיה ווייטנאם. כמו כן, הוא מדווח על צמיחה מהירה במשרות פנויות הקשורות לבינה מלאכותית גנרטורה בכלכלות בעלות הכנסה בינונית. חיזוק יסודות הבינה המלאכותית: הזדמנויות מתפתחות עבור מדינות מתפתחות – הבנק העולמי – נובמבר/2025 – דף מידע על בינה מלאכותית במדינות מתפתחות של הבנק העולמי .

---

8.18 ראיות לכך שבינה מלאכותית יכולה להרחיב את פערי הפיתוח

מנגנון סטייה	תוֹצָאָה
מאיצים וזיכרון יקרים	יכולת עתירת הון נותרה מרוכזת
מיסי יבוא וירידת ערך מטבע	עלויות החומרה עולות יחסית להכנסה המקומית
חוסר אמינות החשמל	הסקה מקומית ומרכזי נתונים הופכים יקרים
חוסר באזורי ענן	השהייה גבוהה יותר וריבונות חלשה יותר
בקרות ייצוא	יכולת מתקדמת משתנה בהתאם ליישור גיאופוליטי
מנויים נקובים בדולר	זעזועים במטבע משפיעים על הגישה
ביצועים חלשים בשפה המקומית	עלייה נמוכה יותר בפריון
ריכוז מחקר-מחשוב	מדע חזיתי נותר מרוכז גיאוגרפית
נעילת פלטפורמה	דליפת ערך מקומית לספקים זרים
הגירה מקצועית	מערכות אקולוגיות חלשות מאבדות את החוקרים המוכשרים ביותר שלהן
מחסור בנתונים	מודלים מציגים ביצועים גרועים יותר בתנאים מקומיים
אי ודאות רגולטורית	ההשקעה והפריסה מתעכבות
שכבות חופשיות מול גבולות	אי-שוויון יכולת מסכות הכללה נומינליות

UNCTAD דיווחה כי מרכזי נתונים היוו יותר מחמישית מהשקעות חדשות עולמיות בשנת 2025, דבר הממחיש את עצימות ההון הגוברת של תשתית דיגיטלית. מרכזי נתונים מעצבים מחדש את נוף ההשקעות העולמי – UN Trade and Development – ינואר/2026 – ניתוח השקעות במרכזי נתונים של UNCTAD .

---

8.19 ממצאים אזוריים

8.19.1 צפון אמריקה

ארצות הברית נותרה יצרנית הגבול העיקרית. קנדה נהנית מאינטגרציה גיאוגרפית, מחקר וגישה לענן, אך נותרה תלויה בפלטפורמות זרות ואספקת חומרה. אי שוויון פנימי הוא הסיכון העיקרי: שפע לאומי אינו מבטיח גישה לגבול במחיר סביר לכל סטודנט, משק בית או עסק קטן.

8.19.2 האיחוד האירופי והממלכה המאוחדת

לאירופה יש מוסדות חזקים בתחום המחקר, התעשייה, הקישוריות והרגולציה, אך חסרה לה בעלות מקבילה על פלטפורמות החזית הדומיננטיות ומערכת האקולוגית של תכנון מאיצים מתקדמים. מכלול האיחוד האירופי מסתיר הבדלים משמעותיים בין מדינות החברות הצפוניות והמערביות לבין מדינות בעלות הכנסה נמוכה או קטנות יותר. בריטניה שומרת על ביקוש חזק למחקר ולמגזר הפיננסי, אך חולקת את תלותה של אירופה בחומרה מיובאת ובמחשבי היפר-סקיילר זרים.

8.19.3 מזרח אסיה

לסין, יפן ודרום קוריאה יש יכולת גבוהה אך אילוצים שונים. לסין יש פלטפורמות שוק ופלטפורמות מקומיות אך היא מתמודדת עם מגבלות ייצוא. ליפן יש יכולת תעשייתית ומחקרית חזקה אך היא תלויה במאיצים מובילים מיובאים. דרום קוריאה משלבת יכולות זיכרון ומוליכים למחצה מובילות בעולם עם קישוריות גבוהה, אם כי הגישה למאיצים גבוליים נותרה חשופה מבחינה גיאופוליטית.

8.19.4 ישראל

נקודות החוזק של ישראל בתחומי המחקר, הסייבר, המוליכים למחצה והסטארט-אפים מניבות מוכנות גבוהה. אילוציה הם גודל השוק, ביטחון אזורי, ריכוז תשתיות ותלות בחומרה מיובאת ומתקדמת.

8.19.5 הודו

הודו מדגימה את ההבדל בין יכולת לאומית לגישה למשק בית. יש לה כישרונות תוכנה ברמה עולמית, אזורי ענן מקומיים ושוק בינה מלאכותית הולך וגדל, בעוד שהכנסה, שפה, קישוריות כפרית ואי-שוויון חינוכי יוצרים פיזור פנימי רחב מאוד.

8.19.6 אמריקה הלטינית

ברזיל ומקסיקו מחזיקות בשווקים גדולים וגישה לענן, אך הן מתמודדות עם אילוצים של סבירות חומרה, מיסוי, שער חליפין ומחשוב מחקר. ברזיל נהנית מקנה מידה בשפה הפורטוגזית; מקסיקו נהנית מקרבה ואינטגרציה תעשייתית עם ארצות הברית.

8.19.7 הבלקן

קרואטיה מרוויחה מהשתלבות באיחוד האירופי. לסרביה כישרון טכני וחשיבות אזורית פוטנציאלית, אך בסיס מחשוב מקומי קטן יותר. אלבניה עשתה התקדמות בממשל דיגיטלי, בעוד שבוסניה והרצגובינה מתמודדת עם פיצול מוסדי. מחשוב שיתופי אזורי עשוי להיות עדיף כלכלית על אשכולות לאומיים קטנים כפולים.

8.19.8 צפון אפריקה

למרוקו פוטנציאל חזק בקרבת היבשה ולשימוש רב לשוני; לתוניסיה יש כישרון טכני משמעותי אך היא מתמודדת עם אילוצי הון ומטבע; מצרים משלבת גודל אוכלוסין, גיאוגרפיה של כבלים וביקוש בשפה הערבית עם לחצים חמורים על סבירות הרכישה. מדינות אלו עשויות להפוך למרכזי לוקליזציה ושירותים אם החשמל, הענן ומחשוב המחקר יתרחבו.

8.19.9 אפריקה שמדרום לסהרה

דרום אפריקה מחזיקה במעמד החזק ביותר באזור בתחום ההיפר-סקייל והמחקר, אך היא סובלת מאי-שוויון בחשמל ובהכנסות. קניה היא מרכז שירותים דיגיטליים במזרח אפריקה. לניגריה פוטנציאל שוק עצום אך מגבלות חמורות בתחום האנרגיה והמטבע. לגאנה ולרואנדה יש ​​חוזקות מדיניות וממשל דיגיטלי אך מחשוב מוגבל. אתיופיה נותרה מוגבלת על פני מספר יסודות משלימים.

---

8.20 ארכיטקטורת מדיניות

מטרת המדיניות	מַכשִׁיר	תוצאה מדידה
הפחתת עומס החומרה	הקלות במכס ורכש משותף	יחס שכר לחודש בתחנת עבודה
שיפור אמינות החשמל	רשת והשקעה ייעודית בכוח מחקר	זמינות מחשוב מותאמת להפסקות
הרחב את הגישה לענן	מדיניות השקעות ותחרות אזורית	זמן השהייה ועומק השירות הזכאי
להגן על סבירות הנשייה	נקודות זכות לסטודנטים, לעסקים קטנים ובינוניים ולחוקרים	הפחתת AAI ו-SAI
בניית ריבונות מדעית	אשכולות מחקר לאומיים או אזוריים	שעות מאיץ מחקר לחוקר
שיפור הכללת השפה	מערכי נתונים והערכות בשפה המקומית	ציון זוגיות LLQ
צמצום נעילה	כללי ניידות ויכולת פעולה הדדית	זמן ועלות החלפה
טיפול בסיכון מטבע	חיוב ושירותי גידור במטבע מקומי	תנודתיות מחירים של בינה מלאכותית
הרחב את המיומנויות	הכשרה באימות ובבינה מלאכותית יישומית	פרודוקטיביות של משימות מוצלחות
תמיכה בבינה מלאכותית קטנה	מענקים למערכות מקומיות ספציפיות למשימה	עלות לעומס עבודה מקומי מאומת
לאפשר שיתוף פעולה אזורי	תשתיות מחשוב ונתונים משותפות	ניצול וגישה לחברים
הגן על האבטחה	גיוון היצע ויכולת גיבוי	זמן התאוששות במהלך שיבוש ספק

---

8.21 תרחישים של חמש שנים, 2027–2031

תַרחִישׁ	פיתוח ליבה	תוצאת אי השוויון
דיפוזיה כוללנית	בינה מלאכותית קטנה, מודלים פתוחים וקנה מידה של תשתית ציבורית	הפער העולמי מצטמצם
תלות בפלטפורמה	גישה לענן מתרחבת ללא יכולת מקומית	הצריכה עולה; פער הריבונות מתרחב
התפצלות גבולית	בינה מלאכותית בסיסית הופכת זולה בעוד שמחשוב גבולי נותר נדיר	גישה נומינלית מתכנסת; יכולת ייצור מתפצלת
פיצול גיאופוליטי	בקרות יצוא ומערכות אקולוגיות ריבוניות מתרחבות	הגישה עוקבת אחר בריתות וסמכות שיפוט
קפיצת מדרגה בתשתיות	כלכלות מתפתחות נבחרות בונות מרכזי אנרגיה וענן	מנהיגים אזוריים חדשים צצים
הלם מטבע וחוב	מחירי היבוא והמנויים מידרדרים	חוזי גישה לבעלי הכנסה נמוכה
שיתוף פעולה אזורי	קיבולת משותפת של הבלקן, אפריקה או אמריקה הלטינית גדלה	חיסרון בקנה מידה קטן של מדינה יורד

התרחיש המרכזי הסביר ביותר הוא התפצלות גבולית . בינה מלאכותית בעלות נמוכה הופכת נפוצה באמצעות שירותים ניידים, דגמים קטנים יותר וממשקי API של ענן, ומייצרת יתרונות ממשיים בחינוך, תרגום, חקלאות, מנהל ויזמות. במקביל, מחקר גבולי, מערכות ארגוניות בעלות ביטחון גבוה, סוכנים רב-מודאליים מתקדמים ופריסה מקומית ריבונית נותרים מרוכזים במדינות המחזיקות בהון רב, חשמל אמין, חומרה מובילה, אזורי ענן ומוסדות מחקר.

---

8.22 השערות ניתנות להפרכה

הַשׁעָרָה	מִבְחָן
H8.1	GAI גבוה יותר מנבא אימוץ גבוה יותר של בינה מלאכותית ברמת הפירמה לאחר פיקוח על הכנסה
H8.2	יחסי שכר-חודש בחומרה מנבאים אימוץ מודל מקומי
H8.3	אזורי ענן מקומיים מגבירים את אימוץ הבינה המלאכותית בארגונים ומפחיתים את השהייה
H8.4	חוסר אמינות החשמל מפחית את ההשקעה במחשוב מקומי
H8.5	הגבלות יצוא מפחיתות את צמיחת מחשוב המחקר בתחומי השיפוט המושפעים
H8.6	איכות השפה המקומית מנבאת אימוץ על ידי הציבור והעסקים הקטנים והבינוניים
H8.7	זעזועים במטבע חוץ מפחיתים את צריכת ה-API בכלכלות מתפתחות
H8.8	מחשוב מחקר ציבורי מפחית הגירה מקצועית
H8.9	בינה מלאכותית קטנה מייצרת רווחים פרופורציונליים גדולים יותר בסביבות בעלות הכנסה נמוכה עבור משימות מוגבלות
H8.10	יכולות גבוליות נותרות מרוכזות יותר משימוש בסיסי בבינה מלאכותית
H8.11	אי השוויון בין מדינות קטן יותר מאי השוויון הכולל בין מדינות ובתוך מדינות
H8.12	תשתית שיתופית אזורית משפרת את הגישה בכלכלות קטנות

---

8.23 ממצאים סופיים

1. מוכנות לבינה מלאכותית היא מערכת של השלמות. קישוריות ללא חשמל, מיומנויות ללא מחשוב או גישה לענן ללא מטבע זר לא יכולה לייצר יכולת מלאה.
2. הפער הדיגיטלי העולמי נותר גדול. כ-2.2 מיליארד בני אדם נותרו מחוברים לאינטרנט בשנת 2025, רובם המכריע בכלכלות בעלות הכנסה נמוכה ובינונית.
3. ממוצעים לאומיים מסתירים אי-שוויון פנימי חמור. הודו, ברזיל, סין, ארצות הברית, דרום אפריקה וניגריה מכילות גם מרכזים תחרותיים ברמה עולמית וגם קהילות מוגבלות מאוד.
4. גיאוגרפיה של ענן היא משתנה התפתחותי. אזורים מקומיים וסביבתם משפיעים על זמן השהייה, זמינות, תושבות וכוח מיקוח.
5. גישה לחומרה מתקדמת היא גיאופוליטית. בקרות וסנקציות על ייצוא יכולות לשנות את קיבולת המחשוב הלאומית ללא קשר להכנסה או למיומנות טכנית.
6. יש למדוד את סבירות ההכנסה של חומרה בחודשי שכר, ולא בדולרים נומינליים. ציוד זהה יכול לייצג פחות מחודש של הכנסה במדינה אחת וחודשים רבים במדינה אחרת.
7. איכות השפה המקומית היא חלק מהתשתית. מדינה לא יכולה להיחשב מוכנה לחלוטין לבינה מלאכותית אם אוכלוסייתה משיגה ביצועים נמוכים משמעותית בשפות לאומיות.
8. מחשוב מחקרי הוא נכס ריבוני. היעדרו עלול להוביל לפערים בפרסום, תלות בפלטפורמות זרות והגירה מקצועית.
9. בינה מלאכותית יכולה לצמצם פערים בפיתוח. מודלים קטנים, גישה ניידת, תרגום, ממשקי API לענן ותשתית משותפת יכולים להפיץ יכולות שימושיות בעלות שולית נמוכה.
10. בינה מלאכותית יכולה בו זמנית להגדיל פערים בגבולות. מאיצים מתקדמים, אנרגיה, מרכזי נתונים, מימון מחקר וכלים ארגוניים נותרו מרוכזים מאוד.
11. מדד הג’יני הפיילוט הזמני של 0.193 ממעיט בערכו של אי השוויון הכולל. הוא משמיט שקלול אוכלוסייה ופערים בגישה בתוך המדינה.
12. פירוק הפייל של ניסוי Theil מייחס 91.4% מהפיזור הנמדד להבדלים בין קבוצות מוכנות רחבות. תוצאה זו היא להמחשה בלבד ותלויה במדגם ובקבץ שנבנו.
13. מטרת המדיניות הנכונה אינה בעלות לאומית על כל טכנולוגיה. זוהי גישה במחיר סביר, המשכיות, יכולת הערכה, ניידות ויכולת להתאים את הבינה המלאכותית לצרכים מקומיים.
14. מחשוב שיתופי אזורי חשוב במיוחד עבור מדינות קטנות. הוא יכול לפזר עלויות קבועות ולהפחית תלות, בתנאי שהממשל והקצאת הקיבולת אמינים.
15. הסיכון המרכזי עד 2031 הוא עולם שבו בינה מלאכותית בסיסית תהפוך כמעט אוניברסלית, בעוד שבינה מלאכותית איכותית, פרטית, אמינה ושימושית מדעית תישאר מרוכזת. מערכת כזו תצמצם פערים בפיתוח תוך מיסוד היררכיה עולמית עמוקה יותר של יכולות מודיעין.

פרק 9 – תחזיות לחמש שנים ותרחישים כמותיים, 2026–2031

9.1 יעד תחזית, שנת בסיס ומצב ראייתי

חיזוי תשתית בינה מלאכותית שונה מחיזוי סחורה בוגרת. המערכת עוברת שינויים מבניים בו זמנית בארכיטקטורת המודל, תכנון המאיצים, עוצמת הזיכרון, אריזות מתקדמות, בניית מרכזי נתונים, רכש חשמל, אופטימיזציה של הסקות, תמחור שירותים, רגולציה וגישה גיאופוליטית. סדרות היסטוריות קצרות, דורות מוצרים אינם שווי ערך באיכות, מחירים מדווחים שונים לעתים קרובות ממחירים שננקטו במשא ומתן, ומספר משתנים – במיוחד אסימוני הסקה לחיוב ותפוקת אריזות מתקדמות – אינם נחשפים באמצעות מערכי נתונים גלובליים מלאים. לכן, מגמה אקסטרפולציה אחת תיצור ביטחון כוזב.

פרק זה משתמש באנסמבל מודלים . כאשר קיים קו בסיס פיזי רשמי, כגון צריכת חשמל של מרכזי נתונים בארה”ב, התחזית מדווחת על יחידות פיזיות. כאשר הרמה הגלובלית הבסיסית אינה נצפית באופן עקבי, היא מדווחת על מדד עם 2026=100. תחזיות מחיר נומינלי מופרדות ממחירים מותאמים לאיכות. מסלולים מרכזיים, נמוכים וגבוהים הם נתיבי תרחישים ולא טענות לתוצאות דטרמיניסטיות. טווחי 80% ו-95% הם מרווחי סימולציה הסתברותיים רק כאשר צוין התפלגות פרמטרים; הם אינם מוצגים כמרווחי סמך קלאסיים של סדרות זמן כאשר המדגם ההיסטורי אינו מספק.

הראיות הרשמיות קובעות נקודת התחלה של צמיחה גבוהה אך מוגבלת ביכולת:

• צריכת החשמל של מרכזי נתונים בארה”ב גדלה מ-58 TWh בשנת 2014 ל-176 TWh בשנת 2023, וצפויה רשמית לעמוד על 325-580 TWh עד 2028. משרד האנרגיה האמריקאי מפרסם דו”ח חדש להערכת העלייה בביקוש לחשמל ממרכזי נתונים – משרד האנרגיה האמריקאי – דצמבר/2024 – תחזית חשמל למרכזי נתונים של משרד האנרגיה האמריקאי .
• TSMC הצהירה באפריל 2025 שהיא פועלת להכפיל את קיבולת CoWoS במהלך 2025. ועידת רווחים של TSMC לרבעון הראשון של 2025 – TSMC – אפריל/2025 – תמליל משקיעים של TSMC לרבעון הראשון של 2025 .
• מיקרון הצהירה במרץ 2026 כי תנאי ההיצע-ביקוש של DRAM ו-NAND צפויים להישאר הדוקים מעבר לשנת 2026 הקלנדרית. סיכום דוחות כספיים של מיקרון לרבעון השני של שנת הכספים 2026 – מיקרון – מרץ/2026 – גילוי נאות של משקיעים ברבעון השני של שנת הכספים 2026 של מיקרון .
• מיקרוסופט חשפה הוצאות הון רבעוניות של 31.9 מיליארד דולר ברבעון השלישי של שנת הכספים 2026, כאשר כשני שלישים מהן הופנו לנכסים קצרי מועד, בעיקר כרטיסי מסך ומעבדים. שיחת ועידה לגבי רווחי הרבעון השלישי של שנת הכספים 2026 של מיקרוסופט – אפריל/2026 – גילוי נאות למשקיעים של מיקרוסופט לרבעון השלישי של שנת הכספים 2026 .
• אלפבית חשפה הוצאות הון בסך 44.9 מיליארד דולר ברבעון השני של 2026, כאשר הרוב המכריע הופנה לתשתיות טכניות התומכות בבינה מלאכותית; כ-60% מההשקעה בתשתיות טכניות הושקעה בשרתים ו-40% במרכזי נתונים ורשתות. גילוי דוחות כספיים לרבעון השני של אלפבית לשנת 2026 – אלפבית – יולי/2026 – גילוי נאות למשקיעים של אלפבית לרבעון השני של 2026 .

---

9.2 משתני תחזית ויחידות מידה

מִשְׁתַנֶה	יחידת תחזית	פרשנות שנת הבסיס
מחיר GPU לצרכן ולמקצוענים	מדד מחירים נומינלי, 2026=100	סל חומרה דומה בעל יכולת בינה מלאכותית
מחיר מאיץ מותאם לאיכות	מדד עלות לעומס עבודה מוצלח	בקרות לזיכרון, תפוקה ואיכות
מחיר HBM	מדד מחיר לג’יגה-בייט	יצירת זיכרון מעורבת ברוחב פס גבוה
מחיר ה-DRAM	מדד מחיר לג’יגה-בייט	DRAM משולב של שרת ותחנת עבודה
אריזה מתקדמת	מדד קיבולת	קיבולת שווה ערך ל-CoWoS מותאמת לאיכות
הוצאה הונאית במרכזי נתונים	מדד השקעות גלובלי נומינלי	תשתית טכנית של בינה מלאכותית וענן
ביקוש לחשמל	מדד TWh פלוס גלובלי של מרכזי נתונים בארה”ב	עוגן פיזי אמריקאי
דרישת הסקה של בינה מלאכותית	מדד משימה מוצלחת מותאם לאיכות	לא רק טוקנים שנוצרו גולמיים
מחיר ה-API	מדד עלות לעומס עבודה מוצלח	מותאם למודל, לכלי ואיכות
הוצאות בינה מלאכותית ארגונית	מדד ההוצאות הריאליות	רישיונות, מחשוב, אינטגרציה וממשל
סבירות גבוהה של בינה מלאכותית מקומית	מדד עלות-הכנסה	ערכים נמוכים יותר מצביעים על סבירות גבוהה יותר
אי-שוויון גישה גלובלי	הטייס גאי גיני	גישה מותאמת לאיכות בממוצע ארצי
עלות אימוץ מגזרית	מדד העלות הכוללת הריאלית	יישום מלא ונטל ניהול

---

9.3 שיטות חיזוי

9.3.1 מודל מגמה ומודל CAGR

עבור משתנה X:

קצב צמיחה שנתי ממוצע (CAGR) = (X _/T ÷ X₁ ₎ 1 ^/ T⁻⁻1

ו:

X̂t = X₁ ₍ 1 + CAGR ₎ ^t

CAGR משמש רק כקו בסיס תיאורי. הוא אינו אמין כאשר אילוצי היצע, מחזורי מוצר או זעזועים רגולטוריים משנים את משטר הצמיחה.

9.3.2 החלקה אקספוננציאלית

החלקה אקספוננציאלית פשוטה היא:

L _t = αX _t + (1−α)L _​​t−1

הרחבת מגמה מרוסנת היא:

X̂ _t+h = L _t + (φ + φ² ⁺ … + φ ^h )B _t

כאשר φ נמוך מאחד מונע צמיחה אקספוננציאלית מתמשכת באופן בלתי סביר.

9.3.3 ארימה

מודל ARIMA(p,d,q) הוא:

φ(B)(1−B) ^d X _t = c + θ(B)ε _t

יש להשתמש ב-ARIMA רק עבור סדרות חודשיות או רבעוניות ארוכות ועקביות מספיק, כגון מחירי זיכרון ספוט או ביקוש לחשמל. הוא אינו מתאים לסדרה שנתית בת חמש נקודות של מוצרי מאיץ שאינם ניתנים להשוואה.

9.3.4 רגרסיה דינמית

למחירי זיכרון או מאיץ:

ΔlnP _t = α + β ₁ ΔlnDemand _t − β ₂ ΔlnCapacity _t + β ₃ אנרגיה _t + β ₄ FX _t + β ₅ הגבלה _t + ε _t

זה מאפשר להיצע, ביקוש, אנרגיה, מטבע ומשתנים גיאופוליטיים להשפיע על המחירים.

9.3.5 מודל נתוני פאנל

עבור מדינה i ושנה t:

GAI _i,t = α + β ₁ הכנסה _i,t + β ₂ פס רחב _i,t + β ₃ אנרגיה _i,t + β ₄ ענן _i,t + β ₅ מיומנויות _i,t + μ _i + τ _t + ε _i,t

אפקטים קבועים של מדינה μ _i בקרה עבור מאפיינים מבניים בלתי משתנים בזמן; אפקטים תקופתיים τ _t בקרה עבור שינויים גלובליים.

9.3.6 מודל זרימת מלאי

קיבולת הבינה המלאכותית המותקנת מתפתחת בהתאם ל:

K( _t+1) = K( _t + I( _t) − δK _(t) − R _(t)

אֵיפֹה:

• Kt _הוא כושר הייצור;
• זוהי _התקנה חדשה;
• δ הוא פרישה פיזית;
• Rt _הוא התיישנות כלכלית או קיבולת בלתי נגישה.

קיבולת אפקטיבית היא:

K _יעיל,t = K _t × U _t × A _t × E _t

כאשר U הוא ניצול, A הוא זמינות ו-E הוא יעילות תוכנה.

---

9.4 עקומות למידה

יחסי הלמידה המבוקשים הם:

Ct = _C0 ( _Qt ÷ _Q0 ) ^−b_​

קצב הלמידה המשתמע הוא:

LR = 1 − 2 ^−b

אם תפוקת ההסקה המצטברת גדלה פי עשרה והעלות המותאמת לאיכות יורדת מ-100 ל-32:

0.32 = 10 ^−b

b = −ln(0.32) ÷ ln(10)
b ≈ 0.495

לָכֵן:

LR = 1 − 2 ^−0.495
LR ≈ 29.0%

תחת מקרה מרכזי זה, כל הכפלה של התפוקה המצטברת מפחיתה את העלות המותאמת לאיכות בכ-29%.

9.4.1 רגישות קצב למידה

אקספוננט למידה b	קצב למידה מרומז	עלות לאחר ארבע הכפלות
0.10	6.7%	75.8
0.20	12.9%	57.4
0.30	18.8%	43.5
0.40	24.2%	33.0
0.50	29.3%	25.0
0.60	34.0%	18.9

ניתן לקזז את השפעות הלמידה על ידי הגדלת יכולות. אם משתמשים יעברו ממודלים בסיסיים זולים למערכות חשיבה וסוכנות עתירות חישוב יותר, עלות משימה קבועה בשנת 2026 עשויה לרדת בעוד שההוצאה הממוצעת למשתמש תעלה.

---

9.5 תחזית שנתית מרכזית, 2026–2031

9.5.1 טכנולוגיה ותשתיות

כל המדדים משתמשים ב-2026=100 אלא אם כן צוין אחרת.

מִשְׁתַנֶה	2026	2027	2028	2029	2030	2031	צמיחה שנתי ממוצעת (CAGR) 2026–2031
מחיר נומינלי של GPU/מאיץ	100	101	103	104	105	105	1.0%
מחיר מאיץ מותאם לאיכות	100	82	68	57	48	41	−16.4%
מחיר HBM לג’יגה-בייט	100	94	88	83	78	73	−6.1%
מחיר DRAM קונבנציונלי לג’יגה-בייט	100	95	90	86	82	78	−4.9%
קיבולת אריזה מתקדמת	100	130	165	205	245	285	23.3%
הוצאה הונאית במרכזי נתונים	100	122	145	166	184	199	14.8%
דרישת הסקה של בינה מלאכותית	100	180	310	500	760	1,100	61.6%
מחיר API מותאם לאיכות	100	75	58	46	38	32	−20.4%
הוצאות בינה מלאכותית ארגונית	100	130	165	205	250	300	24.6%
יחס עלות להכנסה מקומית-בינה מלאכותית	100	95	89	84	80	76	−5.3%

התוצאה המרכזית אינה סותרת: מחירי API ועלויות חומרה מותאמות לאיכות יכולים לרדת בעוד שסך הוצאות הארגון עולות. ביקוש, עומק אינטגרציה, יכולת מודל, רב-מודאליות, כלי סוכנות וממשל יכולים להתרחב מהר יותר מאשר ירידת עלויות היחידה.

---

9.5.2 חשמל של מרכזי נתונים בארה”ב

שָׁנָה	תחזית מרכזית	מסלול נמוך	מסלול גבוה
2026	330 טרה-וואט-שעה	280 טרה-וואט-שעה	380 טרה-וואט-שעה
2027	390 טרה-וואט-שעה	310 טרה-וואט-שעה	480 טרה-וואט-שעה
2028	450 טרה-וואט-שעה	325 טרה-וואט-שעה	580 טרה-וואט-שעה
2029	515 טרה-וואט-שעה	350 טרה-וואט-שעה	690 טרה-וואט-שעה
2030	585 טרה-וואט-שעה	380 טרה-וואט-שעה	810 טרה-וואט-שעה
2031	660 טרה-וואט-שעה	410 טרה-וואט-שעה	930 טרה-וואט-שעה

טווח האנרגיה הרשמי של משרד האנרגיה האמריקאי (DOE) חל על 2028; ערכים מעבר לשנת 2028 הם הרחבות תרחישים, לא תחזיות פדרליות רשמיות. הערך המרכזי לשנת 2028, 450 TWh, נמצא בטווח הרשמי של 325–580 TWh.

---

9.6 תחזיות מחירים

9.6.1 מחירי כרטיסי מסך ומאיצים

מחירי המאיצים הנומינליים צפויים להיות נוקשים משמעותית מאשר המחירים המותאמים לאיכות. מוצרים עוקבים עשויים לספק יותר זיכרון ותפוקה תוך שמירה או העלאה של מחירי המניות.

תַחֲזִית	2026	2027	2028	2029	2030	2031
שפל נומינלי	100	95	91	87	84	80
מרכזי נומינלי	100	101	103	104	105	105
שיא נומינלי	100	110	121	133	146	161
מרכזי מותאם לאיכות	100	82	68	57	48	41

המסלול הנומינלי הגבוה מתאים למחסור מתמשך, נדידת מוצרים איכותיים, צווארי בקבוק בזיכרון, מכסים ותחרות מוגבלת. המסלול הנמוך מניח תחרות חזקה, נורמליזציה של המלאי וחלופות משופרות.

9.6.2 HBM

מסלול המחירים של HBM תלוי בשני כוחות מנוגדים:

• שיפורים דוריים והרחבת קיבולת מפחיתים את המחיר לביט;
• ביקוש מהיר, ערימות מורכבות, פשרות בין תשואה וקיבולת שומרים על הפרמיות.

מיקרון הצהירה כי הרחבת ה-HBM יוצרת יחס סחר משמעותי מול קיבולת DRAM קונבנציונלית והמשיכה לתאר את תנאי ההיצע-ביקוש כלוחצים. דו”ח רווחים של מיקרון לרבעון הראשון של שנת הכספים 2026 – מיקרון – דצמבר/2025 – גילוי נאות של היצע HBM ו-DRAM של מיקרון .

מדד מחיר ל-GB של HBM	2026	2027	2028	2029	2030	2031
נָמוּך	100	82	69	58	50	43
מֶרכָּזִי	100	94	88	83	78	73
גָבוֹהַ	100	112	120	125	128	130

9.6.3 זיכרון DRAM

מדד מחיר DRAM לג’יגה-בייט	2026	2027	2028	2029	2030	2031
נָמוּך	100	85	74	66	59	53
מֶרכָּזִי	100	95	90	86	82	78
גָבוֹהַ	100	108	113	116	118	120

המקרה הגבוה משקף הקצאת פרוסות זיכרון (wafers) לטובת HBM ולמוצרים מתקדמים, דבר המגביל את אספקת הזיכרון הקונבנציונלית למרות ההתקדמות הטכנולוגית.

---

9.7 תחזית אריזות מתקדמות

הדו”ח השנתי של TSMC לשנת 2025 תיאר את הפיתוח המתמשך של CoWoS, InFO, SoIC וטכנולוגיות אינטגרציה תלת-ממדיות קשורות בתגובה לדרישה של בינה מלאכותית. דו”ח שנתי של TSMC לשנת 2025 – TSMC – 2026 — דו”ח שנתי של TSMC לשנת 2025 .

מדד קיבולת אריזה מתקדמת	2026	2027	2028	2029	2030	2031
נָמוּך	100	115	135	155	175	195
מֶרכָּזִי	100	130	165	205	245	285
גָבוֹהַ	100	150	215	300	400	515

גידול בקיבולת אינו מבטיח צמיחה מקבילה במערכות מאיץ מושלמות. ייצור ייצור יבשתי (HBM), מצעים, חוצים, רשתות אופטיות, ציוד חשמל ואינטגרציה של שרתים סופיים חייבים להתרחב בו זמנית.

---

9.8 הוצאה הונאית (CAPEX) של מרכז נתונים

9.8.1 מסלול מרכזי

מדד השקעות הון מרכזיות	2026	2027	2028	2029	2030	2031
נָמוּך	100	108	116	122	126	128
מֶרכָּזִי	100	122	145	166	184	199
גָבוֹהַ	100	145	195	255	325	400

המסלול המרכזי מניח התרחבות מתמשכת אך ירידה בצמיחה השנתית ככל שמגבלות הרשת, הבנייה, ההיתרים והמימון הופכות למחייבות. המסלול הגבוה מניח מרוץ חימוש תשתיות מתמשך, תוכניות קיבולת ריבוניות וביקוש סוכני מהיר.

9.8.2 יחס השקעות הון עצמי-תזרים

K _DC,t+1 = K _DC,t + CAPEX _t − פחת _t − ירידת ערך _t

עלייה בהוצאות הון אינה מתורגמת באופן מיידי ליכולת ייצור עקב:

• זמן אספקה ​​לבנייה;
• חיבור לרשת;
• אספקת מאיץ;
• הפעלת קירור;
• אינטגרציה של תוכנה;
• רמפת לקוחות;
• נכסים תקועים או שאינם מנוצלים מספיק.

---

9.9 דרישת הסקה של בינה מלאכותית

יש למדוד את דרישת ההסקה במשימות מוצלחות ומותאמות לאיכות ולא באסימונים גולמיים. יהי:

הסקה _,t = משתמשים _t × משימות למשתמש _t × חישוב למשימה _t ÷ יעילות _t

מדד ביקוש-הסקה	2026	2027	2028	2029	2030	2031
נָמוּך	100	140	200	280	380	500
מֶרכָּזִי	100	180	310	500	760	1,100
גָבוֹהַ	100	250	550	1,100	2,000	3,400

יעילות יכולה להגביר את הביקוש באמצעות מנגנון התאוששות:

סך החישוב = עלות למשימה × מספר משימות

אם העלות למשימה יורדת ב-70% בעוד שנפח המשימות גדל פי עשרה, סך ההוצאה והמחשוב הפיזי עדיין יכולים לעלות באופן משמעותי.

---

תחזית מחיר API 9.10

9.10.1 עלות מותאמת איכות לכל משימה מוצלחת

מדד המחירים של ה-API	2026	2027	2028	2029	2030	2031
מסלול מחיר נמוך	100	65	43	30	22	17
מֶרכָּזִי	100	75	58	46	38	32
מסלול מחירים גבוהים	100	100	103	108	115	125

הנתיב המרכזי מניח למידה, ניתוב, אחסון במטמון ותחרות. הנתיב הגבוה משקף נדידת פרימיום לגבולות, חיוב אסימוני הנמקה, חיובי עדיפות, מכפילי הקשר ארוך טווח וקיבולת צפופה.

9.10.2 פירוק מכסים

P _AI,t = P _בסיס,t × M _מודל,t × M _{השהייה,t} × M _הקשר,t × M _אזור,t + C _כלים,t

ירידה במחיר בסיס יכולה להתקיים במקביל לעלייה בחיוב עבור משימה שהושלמה אם המכפילים גדלים.

---

9.11 הוצאות ארגוניות

מדד הוצאות בינה מלאכותית ארגונית	2026	2027	2028	2029	2030	2031
נָמוּך	100	115	132	150	168	185
מֶרכָּזִי	100	130	165	205	250	300
גָבוֹהַ	100	155	225	320	440	590

התחזית המרכזית מרמזת על צמיחה שנתית של 24.6%. ההוצאות כוללות:

• רישיונות;
• שימוש ב-API;
• תשתית מקומית וענן;
• הכנת נתונים;
• הִשׁתַלְבוּת;
• אבטחת סייבר;
• ממשל;
• הַתאָמָה;
• פיקוח אנושי;
• הַעֲרָכָה;
• מיתוג ויתירות.

לכן, דפלציה במחיר ליחידה אינה מרמזת על דפלציה תקציבית.

---

9.12 תחזיות עלויות אימוץ לפי מגזרים

הטבלה מדווחת על מדדי עלות האימוץ הכוללת האמיתיים.

מִגזָר	2026	2027	2028	2029	2030	2031
מיקרו-עסקים	100	117	135	153	170	185
עסקים קטנים ובינוניים	100	122	148	176	205	235
תאגידים גדולים	100	130	164	202	243	285
בַּנקָאוּת	100	135	170	207	245	285
ביטוח	100	130	160	195	230	265
שירותי בריאות	100	138	180	225	272	320
משפטי/מקצועי	100	120	140	160	178	195
ייצור	100	128	158	190	222	255
כְּלֵי תִקְשׁוֹרֶת	100	125	150	176	200	225
תקשורת	100	135	172	212	255	300
הגנה/תשתיות קריטיות	100	142	188	238	290	345
מינהל ציבורי	100	126	155	188	220	250
חינוך/מחקר	100	125	150	178	205	230

מגזרים בעלי אבטחה גבוהה עולים בקצב המהיר ביותר משום שעומק הפריסה, האבטחה, האימות והיתירות מתרחבים מהר יותר מאשר ירידת מחירי היחידות של המודל.

---

9.13 סבירות של בינה מלאכותית מקומית

יחס הסבירות המקומית-בינה מלאכותית הוא:

LAA _c,t = עלות כוללת (TCO) שנתיים של בינה מלאכותית מקומית _c,t ÷ הכנסה פנויה חציונית _c,t

מדד הסבירות המקומית של בינה מלאכותית	2026	2027	2028	2029	2030	2031
שיפור המסלול	100	88	77	67	58	50
מֶרכָּזִי	100	95	89	84	80	76
מסלול מידרדר	100	108	116	125	133	140

המקרה המרכזי משתפר לאט מכיוון שעלויות החומרה המותאמות לאיכות יורדות, אך דרישות המודל המתאים, הזיכרון, החשמל והציפיות ליכולות עולות.

---

9.14 תחזית אי-שוויון בגישה עולמית

שימוש במדד ג’יני GAI הזמני של פרק 8 של 0.193 כקו בסיס אנליטי לשנת 2026:

גאי גיני	2026	2027	2028	2029	2030	2031
נתיב ההתכנסות	0.193	0.185	0.178	0.171	0.165	0.160
נתיב גישה מרכזי שכבתי	0.193	0.198	0.203	0.208	0.212	0.215
נתיב סטייה	0.193	0.210	0.228	0.247	0.268	0.290

המקרה המרכזי מניח שהגישה הבסיסית מתפזרת אך התשתית הגבולית נותרת מרוכזת.

---

9.15 מסגרת מונטה קרלו

עבור כל סימולציה ב’:

1. הסקת מסקנות – גידול בביקוש.
2. צייר גידול בקיבולת.
3. צייר את אקספוננט הלמידה.
4. שרטוט מחיר אנרגיה ועיכוב חיבור לרשת.
5. צייר אילוצי זיכרון ואריזה.
6. צייר משטר גיאופוליטי.
7. חשב קיבולת, מחיר, הוצאות וגישה.
8. חזור על הפעולה לפחות 50,000 פעמים.

התפלגויות פרמטרים להמחשה:

פָּרָמֶטֶר	הֲפָצָה	פרמטר מרכזי
צמיחה שנתית של הסקה	לוגנורמלי	55%
צמיחה של אריזות מתקדמות	מְשּוּלָשׁ	15%, 25%, 45%
אקספוננט למידה של API	חיובי תקין, מקוצר	0.50
חיים כלכליים של מאיץ	מְשּוּלָשׁ	3, 4, 6 שנים
עיכוב חשמל במרכז הנתונים	נִבדָל	0–4 שנים
הלם בקרת יצוא	ברנולי	תלוי תרחיש
הלם אספקה ​​של HBM	ברנולי	תלוי תרחיש
צמיחת מחירי החשמל	לוגנורמלי	3%
אימוץ ארגוני	דיפוזיה לוגיסטית	תלוי-מגזר

---

9.16 מרווחי תחזית לשנת 2031

מרווחים אלה הם טווחי סימולציה מבוססי מודל, לא מרווחי ביטחון קלאסיים הנגזרים מהיסטוריות סטציונריות ארוכות.

מִשְׁתַנֶה	2031 מרכז	מרווח של 80%	מרווח של 95%
מדד מחירי GPU נומינלי	105	82–145	65–190
מחיר מאיץ מותאם לאיכות	41	25–65	15–100
מדד מחיר ל-GB של HBM	73	50–110	35–150
מדד מחיר DRAM לג’יגה-בייט	78	55–110	40–145
קיבולת אריזה מתקדמת	285	220–360	170–470
הוצאה הונאית במרכזי נתונים	199	155–270	120–380
חשמל של מרכז נתונים בארה”ב	660 טרה-וואט-שעה	480–800 טרה-וואט-שעה	390–930 טרה-וואט-שעה
דרישת הסקה של בינה מלאכותית	1,100	600–1,900	350–3,200
מחיר API מותאם לאיכות	32	20–50	12–80
הוצאות בינה מלאכותית ארגונית	300	220–410	160–600
מדד הסבירות המקומית של בינה מלאכותית	76	55–105	40–140
גאי גיני	0.215	0.185–0.250	0.160–0.300

---

9.17 הסתברויות תרחישים

הסתברויות התרחיש הן שיפוטים מובנים הנגזרים מ:

• התחייבויות השקעה שוטפות;
• ריכוז שתועד בפרקים קודמים;
• הצהרות רשמיות על אריזה וזיכרון;
• תחזיות צריכת חשמל;
• התפתחויות בתחום בקרת היצוא;
• פילוח תמחור שנצפה;
• מגמות יעילות מודל;
• מחזוריות היסטורית של מוליכים למחצה.

אלו אינן תדרים אובייקטיביים. התרחישים חופפים חלקית: תמחור פיננסי יכול להתקיים במקביל לאוליגופול, פיצול או מחסור.

תַרחִישׁ	שיפוט מרכזי	טווח סביר
א – חישוב שופע	20%	15–25%
ב’ – אוליגופול מנוהל	35%	30–40%
ג – מחסור מתמשך	18%	15–25%
D – עולם בינה מלאכותית מקוטע	17%	15–25%
E – תועלת בינה מלאכותית וגישה פיננסית	10% כמשטר דומיננטי	10–20%

אומדני הנקודה המרכזיים מסתכמים ב-100% רק כדי לבנות קו בסיס משוקלל להחלטה. הטווחים הסבירים אינם צריכים להסתכם ב-100%.

---

9.18 תרחיש א’ – חישוב שופע

9.18.1 הנחות

• קיבולת האריזה המתקדמת מתרחבת במהירות;
• HBM4 ודורות מאוחרים יותר משיגים יבולים חזקים;
• התחרות על מפעלי יציקה וזיכרון גוברת;
• פרויקטים של רשת החשמל והייצור מגיעים בזמן;
• דגמים במשקל פתוח נשארים תחרותיים;
• תוכנת הסקה מייצרת אפקטים חזקים של למידה;
• הגבלות היצוא נותרות מוגבלות;
• ספקי ענן מתחרים באגרסיביות;
• מודלים קטנים ומתמחים סופגים ביקוש שגרתי.

9.18.2 מסלול שנתי

מַד	2026	2027	2028	2029	2030	2031
מחיר מחשוב מותאם לאיכות	100	75	58	45	35	28
מחיר HBM לג’יגה-בייט	100	82	69	58	50	43
קיבולת אריזה	100	150	215	300	400	515
מחיר משימה מוצלחת של API	100	65	43	30	22	17
הוצאות ארגוניות	100	125	155	185	215	245
ממוצע GAI גלובלי	56.4	60	64	68	72	76
גאי גיני	0.193	0.185	0.178	0.171	0.165	0.160

9.18.3 השלכות

• חברות משיגות החזר השקעה חיובי ממקרי שימוש רבים יותר.
• עסקים קטנים ובינוניים מקבלים גישה לפונקציות מתקדמות ללא הוצאה כספית גדולה.
• יכולת הרכישה של משקי בית וסטודנטים משתפרת.
• מדינות בעלות הכנסה נמוכה ובינונית נהנות מהפצה של מודלים ניידים וקלים.
• ספקי גבול מתמודדים עם לחץ על שולי הרווח.
• הביקוש הכולל לחשמל עדיין יכול לעלות מכיוון שמחירים נמוכים יותר מייצרים צריכה גבוהה יותר.

9.18.4 אינדיקטורים של אזהרה מוקדמת

• זמני האספקה ​​של האריזה נופלים מתחת למחזורי הרכש הרגילים;
• ירידה בפרמיות חוזים של HBM;
• מלאי המאיצים עולה;
• מחירי API יורדים ללא מגבלות מחמירות יותר;
• מודלים מקומיים סוגרים פערים ביכולות;
• תורי החיבור לרשת מתקצרים.

9.18.5 אירועי ביטול

• שיבוש משמעותי של מוליכים למחצה;
• מחסור מתמשך ב-HBM;
• אילוצי חשמל חמורים;
• הרחבת פיקוח על הייצוא;
• עומסי עבודה בחזית הופכים עתירי מחשוב הרבה יותר מאשר שיפורי יעילות.

---

9.19 תרחיש ב’ – אוליגופול מנוהל

9.19.1 הנחות

• ההיצע הפיזי מתרחב;
• יציקה מתקדמת, HBM, אריזות ובקרת ענן נותרה מרוכזת;
• ספקים מתחזקים שכבות מודל מובחנות;
• תחרות מורידה חלק מהמחירים אך משמרת את שכר הדירה;
• חוזים ארגוניים ועלייה בנעילה על המערכת האקולוגית;
• יכולת פעולה הדדית נותרה שלמה;
• דגמים בסיסיים הופכים לזולים בעוד שגישה לגבול נותרת פרימיום.

9.19.2 מסלול שנתי

מַד	2026	2027	2028	2029	2030	2031
מחיר מחשוב מותאם לאיכות	100	88	78	70	64	59
מחיר HBM לג’יגה-בייט	100	98	94	90	86	82
קיבולת אריזה	100	128	160	195	230	265
מחיר משימה מוצלחת של API	100	82	70	61	55	50
הוצאות ארגוניות	100	132	170	215	265	320
ממוצע GAI גלובלי	56.4	58	60	62	64	66
גאי גיני	0.193	0.197	0.202	0.207	0.211	0.215

9.19.3 השלכות

• חברות גדולות מקבלות הנחות כמות וקיבולת שמורה.
• עסקים קטנים ובינוניים נותרו תלויים במנויים משולבים.
• רמות הצרכן החינמיות משתפרות אך נותרות מתחת ליכולת הקצה.
• ספקי פלטפורמות תופסים נתח הולך וגדל מתקציבי הטכנולוגיה הארגוניים.
• מדינות ללא אזורי ענן או סולם מיקוח נותרות לוקחות מחירים.

9.19.4 אינדיקטורים של אזהרה מוקדמת

• שולי הרווח הגולמי נותרו גבוהים למרות הרחבת הקיבולת;
• הסכמי אספקה ​​רב שנתיים שולטים;
• מחירי הארגונים נותרים מעורפלים;
• כלים ספציפיים לספק מעמיקים את עלויות המעבר;
• פרמיות עדיפות ופרמיות להקשר ארוך טווח מתרחבות.

9.19.5 אירועי ביטול

• סטנדרטים פתוחים מוצלחים מפחיתים באופן מהותי את המעבר;
• מתחרים חדשים של בתי יציקה או במאיצים כובשים נתח משמעותי;
• רגולטורים כופים יכולת פעולה הדדית מבנית;
• עודף היצע גורם לתחרות מחירים קשה.

---

9.20 תרחיש ג’ – מחסור מתמשך

9.20.1 הנחות

• הביקוש להסקה עולה על התחזיות;
• ייצור ייצור חומרים ממוחזרים, אריזות, מצעים וחשמל נותרים מוגבלים;
• חיבורי רשת מרכזי הנתונים מתעכבים;
• עלייה בחישוב למשימה במודל גבולי;
• מחירי הציוד והמימון נותרו גבוהים;
• התרחבות ההיצע מגיעה לאט יותר מהביקוש.

9.20.2 מסלול שנתי

מַד	2026	2027	2028	2029	2030	2031
מחיר מאיץ נומינלי	100	110	121	133	146	161
מחיר HBM לג’יגה-בייט	100	112	120	125	128	130
קיבולת אריזה	100	115	135	155	175	195
מחיר משימה מוצלחת של API	100	105	110	115	120	125
הוצאות ארגוניות	100	150	215	300	410	540
ממוצע GAI גלובלי	56.4	55.5	54.5	53.5	52.5	51
גאי גיני	0.193	0.205	0.218	0.230	0.240	0.250

9.20.3 השלכות

• חברות מקצות את השימוש בבינה מלאכותית ונותנות עדיפות למשימות בעלות הרווחיות הגבוהה ביותר.
• זרימות עבודה כבדות של סוכנים הופכות יקרות באופן בלתי אפשרי עבור עסקים קטנים ובינוניים.
• סטודנטים וחוקרים מסתמכים יותר ויותר על שכבות נחותות.
• מדינות עשירות משיגות יכולת באמצעות חוזים ארוכי טווח.
• חומרה מקומית משומשת שומרת על ערכי מכירה חוזרת גבוהים.
• גישה לרשת החשמל ולרשת החשמל הופכות למבדלים תחרותיים.

9.20.4 אינדיקטורים של אזהרה מוקדמת

• HBM תישאר אזלה מהמלאי יותר משנים עשר חודשים קדימה;
• זמני אספקה ​​לאריזה מפסיקים להשתפר;
• פרויקטים של מרכזי נתונים מתעכבים עקב חשמל;
• מגבלות התעריפים של הספקים מחמירות;
• עלייה בפרמיות על קיבולת שמורה;
• מחירי המאיצים המשומשים נותרו מעל ערכי הייחוס.

9.20.5 אירועי ביטול

• פריצת דרך משמעותית ביעילות הסקה;
• צמיחת הביקוש מואטת באופן מהותי;
• מקורות קיבולת חדשים מרובים משיגים תפוקות גבוהות;
• דגמים קטנים מחליפים מערכות חזיתיות ברוב עומסי העבודה.

---

9.21 תרחיש ד’ – עולם בינה מלאכותית מקוטע

9.21.1 הנחות

• מתרחבים בקרות היצוא;
• מדינות מטילות כללי לוקליזציה של נתונים וריבונות;
• גושי טכנולוגיה מאמצים מאיצים ותוכנה שאינם תואמים;
• שירותי ענן חוצים גבולות הופכים מותנים פוליטית;
• סנקציות ומגבלות מטבע חוץ מחמירות;
• סובסידיות לאומיות משכפלות תשתיות.

9.21.2 מסלול שנתי

מַד	2026	2027	2028	2029	2030	2031
מחיר חישוב ממוצע עולמי	100	105	112	118	125	132
פיזור מחירים בין גושי	100	130	165	205	250	300
הוצאות CAPEX של תשתית כפולה	100	140	190	245	305	370
יכולת פעולה הדדית של API גלובלית	100	90	78	67	58	50
ממוצע GAI גלובלי	56.4	55.8	55.2	54.8	54.3	54
גאי גיני	0.193	0.210	0.230	0.250	0.270	0.290

9.21.3 השלכות

• מדינות בעלות הברית מקבלות גישה שונה לחומרה ולענן.
• חברות גלובליות מפעילות ערימות של בינה מלאכותית כפולות.
• עלויות הציות והמעבר עולות.
• מדינות עם מערכות אקולוגיות מקומיות זוכות לריבונות אך מקריבות מידה מסוימת של יעילות בקנה מידה.
• שיתוף פעולה מדעי ושחזור מודלים יורדים.
• מדינות קטנות יותר עומדות בפני לחץ להתייצב לצד גוש טכנולוגי.

9.21.4 אינדיקטורים של אזהרה מוקדמת

• הגבלות חדשות על מוליכים למחצה מבוססות יעד;
• כללי רישוי מודלים אזוריים;
• מנדטים של ענן ריבוני;
• סטנדרטים לאומיים לא תואמים של בינה מלאכותית;
• משיכת מודל חוצת גבולות;
• שכפול גובר של אשכולות מחשוב לאומיים.

9.21.5 אירועי ביטול

• הסכמי טכנולוגיה רב-צדדיים;
• סטנדרטים יעילים הניתנים לתפעול הדדי;
• הקלות בפיקוח על הייצוא;
• זמינות רחבה של חומרה תחרותית ממספר תחומי שיפוט.

---

9.22 תרחיש E – תועלת בינה מלאכותית וגישה ממומנת

9.22.1 הנחות

• קיבולת המחשוב מטופלת כשירות אסטרטגי הניתן להזמנה;
• המחירים משתנים בהתאם לזמן השהייה, מודל, הקשר, גיאוגרפיה ומחסור;
• שווקים שמורים, עדיפות, אצווה וגמישים מעמיקים;
• ספקים מוכרים קיבולת עתידית;
• משתמשים גדולים מגינים עלויות מחשוב עתידיות;
• קיבולת נקודתית מתומחרת באופן דינמי;
• התמחור של משימות שהושלמו ותוצאות מתרחב.

9.22.2 מסלול שנתי

מַד	2026	2027	2028	2029	2030	2031
מדד מחירים לחישוב סטנדרטי	100	92	88	85	83	82
מכפיל מחיר-עדיפות	1.5×	1.7×	2.0×	2.3×	2.6×	3.0×
הנחת קבוצה	50%	52%	55%	58%	60%	62%
שיתוף קיבולת שמורה	100	135	180	230	285	350
הוצאות ארגוניות	100	140	185	235	290	350
ממוצע GAI גלובלי	56.4	57	58	59	59.5	60
גאי גיני	0.193	0.200	0.208	0.218	0.227	0.235

9.22.3 השלכות

• חברות גדולות מגדירות את קיבולתן ומקבלות שירות צפוי.
• עסקים קטנים ובינוניים משלמים מחירים תנודתיים לפי דרישה.
• מגזרים הרגישים להשהייה משלמים פרמיות משמעותיות.
• מחקר קבוצתי ומשימות בק אופיס הופכות זולות יותר.
• משקי בית מקבלים שירות סטנדרטי בעלות נמוכה אך עדיפות יקרה לגבול.
• מוצרי מימון מחשוב יוצרים סיכוני צד נגדי וסיכוני ריכוזיות.

9.22.4 אינדיקטורים של אזהרה מוקדמת

• הרחבת שכבות שמורות ועדיפות;
• שווקי קיבולת מחשוב;
• חוזים עתידיים והתחייבויות להוצאה מינימלית;
• תמחור גודש דינמי;
• חיוב משימות ותוצאות;
• מוסדות פיננסיים המציעים גידור ממוחשב.

9.22.5 אירועי ביטול

• קיבולת בשפע מבטלת פרמיות מחסור;
• רגולציה אוסרת על אפליה דינמית;
• יעילות המודל הופכת את ההזמנה למיותרת;
• המחשוב הופך להטרוגני מדי עבור חוזים סטנדרטיים.

---

9.23 השלכות ברמת החברה לפי תרחיש

סוג החברה	א	ב’	ג	ד	וגם
מיקרו-מיזם	שיפור משמעותי בגישה	תלות במנוי	סיכון הדרה	פערים אזוריים בשירותים	חשבונות שימוש תנודתיים
אָנוּ	עלות כניסה נמוכה יותר	נעילת ספק	לחץ שולי	תאימות כפולה	צורך בתקצוב קיבולת
תאגיד גדול	פריסה רחבה	יתרון מיקוח	מרוץ קיבולת שמורה	ערימות אזוריות מרובות	גידור ואופטימיזציה של תיק השקעות
בנק/חברת ביטוח	עלות אנליטית נמוכה יותר	סיכון ספק מרוכז	פרמיות בעדיפות גבוהה	נטל לוקליזציה של נתונים	חוזי קיבולת ממומנים
שירותי בריאות	שימוש מאומת רחב יותר	תלות בין ארגון לספק	מחסור בביטחון גבוה	סטייה בין מערכות לאומיות	שירות עדיפות הופך חיוני
יַצרָן	בינה מלאכותית זולה	שילוב פלטפורמה	קיצוב חומרה	פיצול שרשרת האספקה	רכש מחשוב לטווח ארוך
מוסד מחקר	ניסויים רחבים יותר	גישה גבולית מדורגת	אי-שוויון בפרסום	שיתוף פעולה מוגבל	הנחות כמותיות אך חיסרון עדיפות
מֶמְשָׁלָה	שירותים ציבוריים רחבים יותר	דאגה לריבונות	קיצוב קיבולת	ערימות לאומיות	עתודת מחשוב אסטרטגית

---

9.24 השלכות על משקי בית ועל חלוקה

תַרחִישׁ	אפקט ביתי	אפקט סטודנט/חוקר	אפקט אי השוויון
א	ירידת מחירים אפקטיביים	גישה מתקדמת רחבה	הִתכַּנְסוּת
ב’	גישה בסיסית זולה, גבול פרימיום	שכבות מתמשכות	סטייה הדרגתית
ג	מחירים גבוהים יותר ומגבלות מחמירות יותר	הדרה חמורה	סטייה חזקה
ד	הגישה תלויה בלאום ובגוש	שיתוף פעולה בינלאומי בירידה	סטייה גיאוגרפית
וגם	גישה בסיסית זולה; עדיפות יקרה	משתמשים רגישים לזמן בעמדת נחיתות	אפליית מחירים גוברת

---

9.25 לוח מחוונים להתרעה מוקדמת

מַד	אות שפע	אות מחסור/פיצול
זמן אספקה ​​של HBM	ירידה מתחת לשישה חודשים	מעל שנים עשר חודשים
ניצול אריזות	נרמול	קרוב באופן מתמיד למקסימום האפקטיבי
GPU street premium	מתחת ל-5%	מעל 25%
פרימיום שוק משומש	פחת שלילי/רגיל	פרמיה חיובית מתמשכת
מחירי רשימת API	ירידה רחבה	הגדלת גבולות ועדיפויות
הנחת קבוצה	מתרחב	חוזים
תור חשמל של מרכז הנתונים	מקצר	עיכוב של מספר שנים
שולי רווח של יצרני זיכרון	לנרמל	להישאר גבוה במיוחד
הרחבת אזור ענן	פיזור גיאוגרפי רחב	ריכוז ספציפי לגוש
בקרות ייצוא	יציב/צר	הרחב לפי יעד ויכולת
RPO ארגוני	יַצִיב	הזמנה מהירה לטווח ארוך
פער האיכות במודל המקומי	צר	מתרחב
גאי גיני	ירידות	עולה
התפלגות מחקר-מחשוב	מתרחב	תרכיזים

---

9.26 אימות מודל ועדכון שנתי

יש לעדכן את התחזית מדי רבעון עבור משתני שוק ומדי שנה עבור משתני מדינה וחברה.

שגיאת התחזית היא:

e _t = X _t − X̂ _t

מדדים מומלצים הם:

MAE = (1 ÷ n)Σ|e _t |

RMSE = √[(1 ÷ n) Σe _t² ^]

MAP = (100 ÷ n)Σ|e _t ÷ X _t

כיסוי מרווחי זמן הוא:

כיסוי = מספר תצפיות בתוך המרווח ÷ סך התצפיות

אם מרווח של 80% מכיל פחות מ-80% באופן מהותי מהתצפיות העוקבות, המודל בטוח יתר על המידה ויש לעדכן את הנחות השונות שלו.

---

9.27 מסקנות תחזית סופיות

1. מחירי המאיצים הנומינליים צפויים לרדת לאט הרבה יותר מאשר מחירים מותאמים לאיכות.
2. HBM ואריזות מתקדמות נותרו צווארי הבקבוק החשובים ביותר של מוליכים למחצה, לפחות בתקופת התחזית המוקדמת.
3. קיבולת האריזה המתקדמת עשויה כמעט לשלש את עצמה עד 2031 במקרה המרכזי, אך הביקוש עדיין יכול לעלות על ההיצע.
4. בתרחיש המרכזי, ביקוש החשמל ממרכזי נתונים בארה”ב עשוי להגיע לכ-660 TWh עד 2031, עם טווח רחב מאוד המבוסס על מודל.
5. סביר להניח שהביקוש להסקה יגדל מהר משמעותית מהקיבולת הפיזית, משום שמחירים נמוכים יותר מייצרים שימושים חדשים.
6. עלויות API מותאמות לאיכות יכולות לרדת בכשני שלישים, בעוד שסה”כ הוצאות הבינה המלאכותית של הארגון משולשות.
7. הוצאות ארגוניות יעברו יותר ויותר מרישיונות ניסיוניים לאינטגרציה, ממשל, אבטחה, סוכנים וקיבולת שמורה.
8. הסבירות של בינה מלאכותית מקומית משתפרת רק באיטיות במקרה המרכזי משום שסף היכולת המספקת ממשיך לעלות.
9. אי השוויון בגישה עולמית צפוי לגדול במידה צנועה מאשר לקרוס, גם אם בינה מלאכותית בסיסית תהפוך לזמינה באופן נרחב.
10. תרחיש א’ מייצר התכנסות רחבה אך דורש הצלחה בו זמנית בקיבולת, בתחרות, באנרגיה וביעילות המודל.
11. תרחיש ב’ הוא המקרה המבני המרכזי: ההיצע מתרחב בעוד שכוח המיקוח והגישה לגבול נותרים מרוכזים.
12. תרחיש ג’ נותר סביר משום שהביקוש יכול להתרחב מהר יותר מזיכרון, אריזה, אנרגיה ובנייה.
13. תרחיש ד’ יגרום לגיאוגרפיה וליישור גיאופוליטי להיות גורמים קובעים ישירים של יכולת הבינה המלאכותית.
14. תרחיש E כבר נראה חלקית ברמות שירות שמורות, עדיפות, אצווה וגמישות, אם כי שוק ממומן לחלוטין אינו בלתי נמנע.
15. מרווחי חיזוי הם בהכרח רחבים משום שטכנולוגיה, ביקוש ומדיניות הם אנדוגניים. מרווחים צרים יהיו מטעים סטטיסטית.
16. חמשת התרחישים אינם סותרים זה את זה בפועל. העולם יכול להציג בו זמנית שפע במודלים קטנים, אוליגופול במערכות גבול, מחסור ב-HBM, פיצול בין גושים גיאופוליטיים ותמחור פיננסי עבור קיבולת עדיפות.
17. משתנה הניטור המכריע אינו מחיר המדבקה של כרטיס מסך אחד או מיליון טוקנים. זוהי העלות המותאמת לאיכות של עומס עבודה שהושלם בהצלחה, הזמין ברמת ההשהיה, הפרטיות, האמינות והמיקום הגיאוגרפי הנדרשים.
18. הסיכון הדומיננטי לחמש שנים הוא שפע מדורג: כמויות גדולות של מודיעין בסיסי זול מתקיימות במקביל ליכולת גבול נדירה, יקרה ומרוכזת.

פרק 10 – תגובות מדיניות, אפשרויות אסטרטגיות ומסקנות סופיות

10.1 תזה סופית בנושא מדיניות

הראיות שפותחו לאורך דוח זה אינן תומכות בפטליזם טכנולוגי וגם לא בטענה החזקה יותר שכל חומרת הבינה המלאכותית הפכה יקרה יותר באופן אחיד לאחר התאמת ביצועים. המסקנה הניתנת להגנה היא ספציפית יותר. יכולת החישוב הגולמית ממשיכה להשתפר במהירות, ומחירים מותאמים לאיכות יכולים לרדת כאשר עומסי עבודה מתאימים לאילוצי הזיכרון, התוכנה והאמינות של מערכות חדשות יותר. יחד עם זאת, גישה מועילה כלכלית לבינה מלאכותית תלויה ביותר מאשר תפוקה אריתמטית. זיכרון מאיץ, רוחב פס זיכרון, אריזה מתקדמת, זמינות צריכת חשמל, קיבולת מרכז נתונים, איכות מודל, אורך הקשר, תאימות תוכנה, פרטיות, מקביליות וגישה למומחיות משלימה יוצרים מערכת ייצור משותפת. לכן, ירידה במחיר לכל פעולה תיאורטית אינה מבטיחה ירידה בעלות השלמת עומס עבודה אמיתי. משתמשים הזקוקים לקיבולת זיכרון גדולה, הסקה מתמשכת, אמינות גבוהה, פריסה פרטית או איכות מודל ברמת גבול יכולים להתמודד עם הוצאות מוחלטות עולות גם כאשר המחיר לכל TFLOP יורד. הבחנה זו מסבירה מדוע משקי בית, סטודנטים וארגונים קטנים יכולים לחוות הדרה אמיתית מבלי לסתור את עקומות הלמידה של מוליכים למחצה. בעיית המדיניות המרכזית אינה מחסור אוניברסלי בכל שבב. זהו ריכוז של יכולות משלימות אסטרטגית במספר מוגבל של חברות, תחומי שיפוט, תהליכי ייצור, מתקני אריזה, ספקי זיכרון, אזורי ענן ומערכות אקולוגיות של תוכנה.

מטרת המדיניות הראויה אינה, כתוצאה מכך, לחייב כל ארגון תשתית בקנה מידה גבולי. דבר זה יבזבז הון, חשמל וכוח אדם מיוחד. המטרה צריכה להיות להבטיח גישה תחרותית, עמידה ובמחיר סביר לרצפת יכולות המתאימה לעומס העבודה. התערבות ציבורית מוצדקת כאשר שילוב של אי-חלוקה, עלויות קבועות גבוהות, זליגת ידע, ריכוזיות שוק, עלויות מעבר, דרישות פרטיות לטובת הציבור וכוח קנייה לא שוויוני גורם למשתמשים בעלי ערך חברתי לקבל פחות מחשוב מאשר לייצר את התשואה החברתית הגבוהה ביותר. עם זאת, ההתערבות חייבת להימנע מהמרת מחסור לתלות קבועה בסובסידיות או הגנה על ספקים לאומיים לא יעילים מפני תחרות. הארכיטקטורה המומלצת משלבת תשתית משותפת, סובסידיות ביקוש ממוקדות, יכולת פעולה הדדית, מדידה שקופה, רכש תחרותי, תיקון ושיפוץ, מחקר פתוח, השקעה ברשת ותמיכה תעשייתית מותנית בתנאים צרים. סובסידיות אספקה ​​צריכות להיות מבוססות על אבני דרך, ניטרליות טכנולוגית במידת האפשר, מוענקות באופן תחרותי וכפופות להחזרי זכויות. סובסידיות גישה צריכות להתמקד בסטודנטים, חוקרים, עסקים קטנים ובינוניים ומוסדות לטובת הציבור במקום להפחית מחירים ללא הבחנה עבור הקונים הגדולים ביותר. אכיפת התחרות צריכה להיות מונעת ראיות: ריכוזיות גבוהה או שולי רווח גבוהים יוצרים סיבה לחקירה אך אינם מוכיחים באופן עצמאי התנהגות הרחקה, תיאום בלתי חוקי או תמחור מופרז.

המדיניות האירופית כבר מספקת בסיס. הנציבות מדווחת על שאיפה לגייס 200 מיליארד אירו לבינה מלאכותית, כולל 20 מיליארד אירו עבור עד חמישה ג’יגה-מפעלים של בינה מלאכותית, בעוד שרשת הולכת ומתרחבת של מפעלי בינה מלאכותית נועדה לשרת מחקר, תעשייה, סטארט-אפים ועסקים קטנים ובינוניים. יבשת בינה מלאכותית – הנציבות האירופית – 2026 – דף התוכנית הרשמי . EuroHPC תיארה בנפרד השקעה המתקרבת ל-2 מיליארד אירו במפעלי בינה מלאכותית; פרויקטים בודדים מדגימים את קנה המידה המעורב, כולל מערכת IT4LIA בסך 290 מיליון אירו , הממומנת שווה בשווה על ידי EuroHPC ואיטליה. EuroHPC JU חותמת על חוזה לשיפור יכולות הבינה המלאכותית במפעל הבינה המלאכותית IT4LIA – EuroHPC Joint Undertaking – אפריל 2026 – הכרזה מאומתת על הפרויקט . יש להתייחס לתוכניות אלו כאל פלטפורמות תשתית ולא כאל רכישות חד פעמיות של מכונות. יש למדוד את הביצועים הכלכליים שלהן באמצעות ניצול, זמן תור, השלמת עומס עבודה, פיזור גיאוגרפי, תפוקת מחקר, הישרדות עסקים קטנים ובינוניים וחלק הקיבולת המגיעה למשתמשים שלא יכלו לרכוש שירות שווה ערך אחרת.

---

10.2 עקרונות ניהוליים

מדיניות גישה ניתנת להגנה צריכה לעמוד בשבעה מבחנים:

1. תוספתיות: הוצאות ציבוריות חייבות להוסיף קיבולת, תחרות, חוסן או גישה שהשוק לא היה מספק בתנאים דומים.
2. מיקוד יכולות: הזכאות חייבת להיות תלויה בדרישות עומס העבודה ולא בספירת פרמטרים או בתוויות שיווק.
3. תחרותיות: תשתית ממומנת חייבת לתמוך במספר מסגרות, מודלים וספקים.
4. ניידות: על המשתמשים להיות מסוגלים לייצא נתונים, הנחיות, הטמעות, רשומות הערכה, כוונון עדין של ארטיפקטים ומטא-דאטה תפעוליים בפורמטים מתועדים.
5. שקיפות עלויות: מדידה חייבת להפריד בין הסקת מודל, אחסון, אחזור, יצירת רשת, שימוש בכלים, קיבולת שמורה ופרמיות עדיפות.
6. אחריות חלוקתית: תוכניות חייבות לדווח מי מקבל את המחשוב, לא רק על ניצול מצרפי.
7. שקיעה ובדיקה: סובסידיות דורשות תאריכי תפוגה, הערכה נגד-עובדתית והוראות גבייה כאשר מקבלי סובסידיות אינם עומדים בהתחייבויות השקעה, גישה או תמחור.

חוק הנתונים מספק בסיס אירופאי קיים למיתוג ענן ויכולת פעולה הדדית והוא בתוקף מאז 12 בספטמבר 2025. חוק הנתונים הסבר – הנציבות האירופית – דצמבר 2025 – הסבר רשמי . חוק השווקים הדיגיטליים משלים את חוק התחרות על ידי הטלת חובות ואיסורים על שומרי סף ייעודיים, אך יישומו על העדפה עצמית הקשורה לבינה מלאכותית חייב לפעול לפי היקף החוק והבדיקות המשפטיות המוגדרות, במקום להניח שכל ספק בינה מלאכותית משולב אנכית מכוסה אוטומטית. חוק השווקים הדיגיטליים – הנציבות האירופית – 2026 – פורטל DMA רשמי .

---

10.3 מטריצת עיצוב מדיניות: מנדט, נמענים, עלות ותזמון

כל הסכומים להלן הם הערכות תכנון , לא הקצבות שחוקקו, אלא אם כן צוינו במפורש כנתון רשמי של התוכנית.

כלי מדיניות	הבעיה טופלה	בסיס משפטי או מוסדי	רשות ביצוע	יעד עיקרי	עלות ציבורית משוערת	תקופת יישום
תשתית מחשוב ציבורית	עלויות הון בלתי ניתנות לחלוקה; חוסר תקציב פרטי למחקר ועומסי עבודה לטובת הציבור	חוקים לאומיים למחקר, תשתית תעשייתית ודיגיטלית; באיחוד האירופי, EuroHPC, אירופה הדיגיטלית וסמכויות מחקר	משרד הדיגיטל, משרד המדע, גוף לאומי למוצרי טכנולוגיה מתקדמים (HPC), EuroHPC	אוניברסיטאות, מחקר ציבורי, עסקים קטנים ובינוניים, בתי חולים, מנהל ציבורי	100 מיליון עד מיליארד אירו לכל צומת לאומי; 2 מיליארד עד 10 מיליארד אירו למערכת מרובת צומתים	2–5 שנים
ענן בינה מלאכותית וגיגה-מפעלים אירופיים	תלות בקיבולת בגבולות שאינם אירופאים; קנה מידה לא מספק	תקנת EuroHPC, אירופה הדיגיטלית, הורייזון אירופה, מימון תואם InvestAI, כללי סיוע ממלכתי רלוונטיים	הנציבות, EuroHPC JU, EIB, המדינות החברות	מחקר אירופאי, תעשייה, סטארט-אפים ועומסי עבודה ריבוניים	10-25 מיליארד אירו נוספים של הון ציבורי והון חלוקת סיכונים במשך חמש שנים; שאיפה רשמית רחבה יותר כוללת 20 מיליארד אירו עבור עד חמישה ג’יגה-מפעלים	3–6 שנים
מחשוב אוניברסיטאי משותף	רכש מקוטע וניצול נמוך של מערכות מחלקתיות	מנדטים למימון אוניברסיטאי ומחקרי	מועצות מחקר וקונסורציומים אוניברסיטאיים	סטודנטים, דוקטורנטים וחוקרים	25-300 מיליון אירו לכל קונסורציום בתוספת הוצאות תפעוליות שנתיות של כ- 10-20% מההשקעות ההון העצמי	שנה עד ארבע שנים
שוברי חישוב לסטודנטים	הדרה מבוססת הכנסה מבינה מלאכותית בעלת יכולת	חינוך וחקיקה לשוויון הזדמנויות	משרדי חינוך, אוניברסיטאות, סוכנויות מענקים	סטודנטים בעלי הכנסה נמוכה; סטודנטים בעלי מוגבלויות ומשתמשים בעלי גישה לשפה	250–1,000 אירו לכל סטודנט זכאי/שנה	6–18 חודשים
מענקי מחשוב מחקריים	לחוקרים בתחילת דרכם ולחוקרים עצמאיים אין כוח קנייה	רשות ציבורית למענקי מחקר	מועצות וקרנות מחקר	חוקרים ללא אשכולות מוסדיים	2,000–20,000 אירו לחוקר/שנה ; פרסים תחרותיים גדולים יותר לפרויקטים בעלי רמת מחשוב גבוהה	6–18 חודשים
זיכויי מס השקעות	יכולת שימושית חברתית עלולה להתעכב עקב אילוצי מימון	קוד מס; תאימות לסיוע ממלכתי של האיחוד האירופי במידת הצורך	משרד האוצר ורשות המסים	מרכזי נתונים, אריזות, זיכרון, מחשוב חסכוני באנרגיה	זיכוי של 10-25% מההשקעה הנוספת המזכה, עם מגבלה פיסקלית שיפוטית	1–3 שנים
רכישה שיתופית	עסקים קטנים ובינוניים ואוניברסיטאות מתמודדים עם כוח מיקוח חלש ורכש כפול	חוקי רכש ושיתופי פעולה	גופי רכש מרכזיים או קונסורציומים מגזרים	עסקים קטנים ובינוניים, בתי ספר, רשויות מקומיות, אוניברסיטאות	1 מיליון-10 מיליון אירו לניהול לאומי; 20-50 מיליון אירו לפלטפורמה בקנה מידה אירופי	6–24 חודשים
תוכנית מודל במשקל פתוח	תלות בשירותים סגורים; כיסוי חלש בשפה המקומית	מנדטים במחקר, תרבות וחדשנות דיגיטלית	סוכנויות מחקר, מעבדות ציבוריות, אוניברסיטאות	חוקרים, חברות קטנות ובינוניות, שירותים ציבוריים, קהילות דוברות שפות מיעוט	25-250 מיליון אירו ברמה הארצית או 500-2 מיליארד אירו בקנה מידה אירואי על פני חמש שנים	2–5 שנים
כללי יכולת פעולה הדדית וניידות	נעילת ענן, נתונים וזרימת עבודה	חוק הנתונים של האיחוד האירופי; דיני נתונים ותחרות לאומיים	הנציבות, רשויות לאומיות מוסמכות, גופי תקינה	כל הלקוחות הארגוניים והמגזר הציבורי	מינהל ציבורי 20-100 מיליון אירו בקנה מידה אירו; עלויות ציות נוספות לממשל הפרטי	1–3 שנים
גילוי מחירים סטנדרטי של בינה מלאכותית	תעריפים מורכבים מסתירים מחירים אפקטיביים ועלויות מעבר	דיני צרכנות, חוזים, רכש ושקיפות ענפית	רשות הצרכנים, הרגולטור הדיגיטלי, סוכנויות רכש	צרכנים, עסקים קטנים ובינוניים וקונים ציבוריים	5 מיליון-20 מיליון אירו לכל תחום שיפוט מרכזי בתוספת עלות ציות לספק	12–24 חודשים
יחידת אכיפת התחרות	אסימטריה של מידע והתנהלות אנכית מורכבת מבחינה טכנית	סעיפים 101 ו-102 של אמנת האיחוד האירופי; מקבילות לאומיות	מנכ”ל התחרות ורשויות התחרות הלאומיות	שווקים למאיצים, ענן, מודלים והפצה	50-200 מיליון אירו על פני חמש שנים ברשת רשויות אזוריות מרכזיות	מיידי; קבוע
פיקוח מוגבר על מיזוגים	רכישות יכולות להסיר מתחרים מתחילים או לסגור תשומות משלימות	תקנת מיזוגים של האיחוד האירופי וחוק מיזוגים לאומי	הנציבות והרשויות הלאומיות	עסקאות מוליכים למחצה, ענן, בינה מלאכותית ונתונים	כלול בכוח אדם לאכיפה; ניתוח מומחה 5-30 מיליון אירו לשנה	מִיָדִי
הגבלת העדפה עצמית מוכחת	פלטפורמות משולבות אנכית עלולות להוות נחיתות למתחרים	DMA היכן שחל על פי חוק; דיני תחרות במקומות אחרים	הנציבות והרגולטורים הדיגיטליים	משתמשים עסקיים ושירותי בינה מלאכותית מתחרים	עלות האכיפה כלולה לעיל	1-3 שנים לכל הליך
רכש ציבורי המודע לבינה מלאכותית	חוזים ציבוריים עלולים ליצור נעילה או לתגמל תמחור אטום	הנחיות רכש וחוק רכש לאומי	גופי רכש מרכזיים ורשויות קבלניות	מנהלים ציבוריים, בתי ספר, בתי חולים	רפורמה מנהלית 10-100 מיליון אירו ; רכישות בסיסיות נותרות הוצאות תוכנית	1–3 שנים
השקעה ברשת החשמל ובייצור דלת פחמן	חשמל וחיבורים מגבילים את הרחבת מרכזי הנתונים	דיני אנרגיה, רשתות ותכנון	משרד האנרגיה, הרגולטור ומפעילי הרשת	משתמשים כלל-משקיים, כולל מרכזי נתונים	5 מיליארד-50 מיליארד אירו ברמה הארצית או 50 מיליארד-250 מיליארד אירו ברמה האזורית במשך חמש שנים; רק חלק קטן מיוחס לבינה מלאכותית	3–10 שנים
תמיכה בתחום המוליכים למחצה ואריזות	ייצור ואריזה מתקדמים מרוכזים גיאוגרפית	חוק השבבים האירופי; חקיקה תעשייתית לאומית	הנציבות, המדינות החברות, בנקי פיתוח	בתי יציקה, אריזות, ציוד, מצעים	5-40 מיליארד אירו לכל תוכנית שיפוטית מרכזית	4–10 שנים
גיוון HBM	אספקה ​​מוגבלת ומוגבלת ומחזורי קיבולת ארוכים	מסגרות תעשייתיות, מו”פ וסיוע ממלכתי	משרד התעשייה, סוכנויות מחקר, בנקים לפיתוח	ייצור, אריזה וחומרים של זיכרון	2-15 מיליארד אירו לכל תוכנית	4–8 שנים
זכות לתיקון ותמיכה ממושכת יותר	חיי חומרה קצרים מעלה את עלויות הגישה האפקטיביות ואת הפסולת האלקטרונית	חקיקה לצרכן, עיצוב אקולוגי ותיקונים	רשויות צרכנות ורגולטורים למוצרים	משקי בית, בתי ספר, עסקים קטנים ובינוניים ומשפצים	20-100 מיליון אירו לניהול; עלויות מעבר נוספות ליצרן	2–5 שנים
שוק משופצים מאומת	אי ודאות באיכות, הונאה והיעדר אחריות מחלישים את האספקה ​​המשנית	חוק בטיחות הצרכן, אחריות והסמכה	גוף תקינה, רשות צרכנים, גורמים מוסמכים לאישור	משתמשים בעלי הכנסה נמוכה, בתי ספר, עסקים קטנים ובינוניים	25-150 מיליון אירו להקמה, רשת בדיקות וערבוב ערבות אופציונלי	1–3 שנים
זכאות לבינה מלאכותית בחינוך ובמחקר	בינה מלאכותית נאותה עשויה להפוך לקלט חינוכי הכרחי	דיני חינוך ומחקר; חקיקת תקציב שנתי	משרדי חינוך ומועצות מחקר	סטודנטים, מורים וחוקרים מוסמכים	0.5 מיליארד–3 מיליארד אירו לשנה עבור תחום שיפוט גדול, בהתאם לכיסוי	1–3 שנים
קרן פיתוח מחשוב בינלאומית	מדינות עם רשתות חשמל חלשות, מגבלות על מטבע חוץ או אזורים בהיעדר ענן אינן יכולות לממן גישה	מנדטים של IBRD, IDA ובנק פיתוח אזורי; הסכמי תורמים	הבנק העולמי, בנקים לפיתוח אזורי, שותפים הקשורים ל-ITU וממשלות לאומיות	כלכלות בעלות הכנסה נמוכה ובינונית נמוכה	10-30 מיליארד דולר על פני חמש שנים	2–7 שנים

מטא-נתונים של הטבלה: יחידה: רמת הוצאה או תועלת של התוכנית. מטבע: 2026 אירו אלא אם כן צוין במפורש דולר אמריקאי. בסיס מחיר: עלות תכנון אמיתית, לא כולל מימון משותף פרטי אלא אם כן צוין אחרת. שנת ייחוס: 2026. היקף גיאוגרפי: תוכניות של האיחוד האירופי ותוכניות לאומיות או בינלאומיות מייצגות. מקורות: רישומי תוכניות רשמיים המצוטטים בפרק זה בתוספת הערכות מחברים. שיטה: קנה מידה של benchmark ממחשוב רשמי של פרויקטים, תכנון תוכניות וספירת מוטבים. אי ודאות: בדרך כלל ±50–100% מכיוון שתצורת המתקן, עבודות האנרגיה, מבנה המימון וכיסוי המוטבים נותרו לא מוגדרים.

---

10.4 ביצועי מדיניות, אמצעי הגנה והיתכנות

מַכשִׁיר	התועלת הצפויה	מדד ביצועים (KPI) חובה	תוצאה לא מכוונת עיקרית	מנגנון בקרת עיוות	סְבִירוּת
מחשוב ציבורי	גישה לעומסי עבודה גדולים או רגישים מדי עבור משתמשים רגילים	משימות מוצלחות; זמן תור; ניצול; עלות לעומס עבודה שהושלם; חלק שהוקצה למשתמשים שאינם מקבלים שירות מספק	הקצאה פוליטית, ניצול נמוך, התיישנות מהירה	מכרז קיבולת עצמאי; מכסות גישה; הערכה חיצונית; עתודת פחת	גבוה , אם מחובר למוסדות HPC קיימים
ענן הבינה המלאכותית של האיחוד האירופי	קיבולת אסטרטגית וקנה מידה חוצה גבולות	שעות אקסל שסופקו; ניידות עומסי עבודה; השהייה אזורית; נתח עסקים קטנים ובינוניים/מחקר	שכפול, כיבוש לאומי, מרוץ סובסידיות	בחירת אתרים תחרותית; גישה חוצת גבולות; ממשקים פתוחים; החזרות זכויות	בינוני-גבוה
שיתוף אוניברסיטאי	ניצול גבוה יותר ועלות יחידה נמוכה יותר	מוסדות פעילים; הצלחה בעבודה; פרסומים; עלות לתפוקת מחקר	דומיננטיות של אוניברסיטאות גדולות	קיבולת מגודרת וכללי תור שקופים	גָבוֹהַ
שוברים	שיפור מיידי במחירים נוחים	גאולה; חלוקת הכנסות משתמשים; תוצאות למידה או מחקר	ספקים זוכים לסובסידיות באמצעות מחירים גבוהים יותר	זכאות למספר ספקים; תקרות מחיר; הערכה אקראית או מדורגת	גָבוֹהַ
זיכויי מס	השקעה מואצת	קיבולת מצטברת ותוספת השקעה מאומתת	רווחים בלתי צפויים עבור פרויקטים שכבר מתוכננים	בדיקות בסיס, תקרות, תפוגה ולכידה מחדש	בֵּינוֹנִי
רכישה שיתופית	מחירים נמוכים יותר ומורכבות חוזים	הנחה מול חוזים עצמאיים דומים; שיעור החלפה	עודף סטנדרטיזציה סביב ספק אחד	רכש רב-מגרשי ומסגרות מרובות ספקים	גָבוֹהַ
תמיכה במשקל פתוח	שליטה מקומית, זליגות מחקר והכללת שפה	מדדי ביצועים ניתנים לשחזור; אימוץ; כיסוי שפה; בדיקות בטיחות מתועדות	מימון מודלים בעלי שימוש נמוך; שימוש לרעה הקשור לשחרור	אבני דרך, כרטיסי מודל, סקירת אבטחה והערכת שימוש	גָבוֹהַ
הִטַלטְלוּת	עלויות מעבר נמוכות יותר ותחרות חזקה יותר	זמן הגירה, עלות יציאה ושיעור ייצוא מוצלח	ציות פורמלי שטחי	בדיקות תאימות ותקני יצוא קריאים על ידי מכונה	גָבוֹהַ
גילוי מחיר	עלויות אפקטיביות דומות	אחוז ההצעות המדווחות על מחירי עומס עבודה סטנדרטיים	עומסי עבודה של ביצועי ביצועים במשחקים	עומסי עבודה מרובים של נציגים וזכויות ביקורת	גָבוֹהַ
יחידת תחרות	יכולת טובה יותר לזהות עיקול והדרה	חקירות הושלמו; פתרונות; חיסכון נמדד ללקוחות	הרתעה יתרה של אינטגרציה והשקעות	הערכה מבוססת השפעות וביקורת שיפוטית	גָבוֹהַ
בדיקת מיזוגים	שימור תחרות עתידית וגישה לקלט	תיקים שנבדקו; סעדים שנבדקו; מחיר ותוצאות חדשנות לאחר מיזוג	עסקאות יעילות מעוכבות	מועדים אחרונים, תיאוריות שקופות של נזק ותרופות ממוקדות	גָבוֹהַ
בקרות העדפה עצמית	גישה ניטרלית במקרים בהם מוכחת אפליה	שוויון דירוג/גישה; הפרשי דחייה והשהייה	שקילות כפויה בין שירותים שאינם שווי ערך	מבחני שקילות טכנית וחריגי אבטחה	בינוני-גבוה
רפורמת הרכש	עלות נעילה ועלות מחזור חיים נמוכה יותר	תאימות לממשק פתוח; עלות מעבר כוללת; גיוון ספקים	מכרזים מורכבים פוגעים בעסקים קטנים ובינוניים	סעיפים סטנדרטיים, חלוקה למגרשים וסיוע ברכש	גָבוֹהַ
השקעה ברשת	מסיר אילוצים פיזיים ומגביל זעזועי מחירים	זמן אספקה ​​לחיבור; קיבולת החברה; פליטות ואמינות	עלויות מתורגמות חברתית בעוד התועלת מרוכזת	חיובי חיבור למוטב ואותות מיקום	בינוני , בגלל זמני אספקה ​​ארוכים
תמיכה במוליכים למחצה	חוסן ויכולת טכנולוגית גדולים יותר	תפוקה איכותית, תשואה, השקעה משותפת פרטית וגיוון לקוחות	מרוץ סובסידיות בינלאומי ומפעלים תקועים	חלוקת אבני דרך, גישה פתוחה והחזרי זכויות	בֵּינוֹנִי
גיוון HBM	תלות מופחתת בנקודה אחת	קיבולת, תפוקה וספירת ספקים של HBM מוסמך	הטכנולוגיה הופכת למיושנת לפני קנה המידה	מימון מדורג המקושר להסמכת הלקוח	בינוני-נמוך
זכויות תיקון	עלות נמוכה יותר לכל החיים ופסולת אלקטרונית	ציון יכולת תיקון; זמינות חלקים; חיי מכשיר	סיכוני בטיחות או אבטחת סייבר מרכיבים שאינם נתמכים	כללי תיקון מוסמכים וחובות אבטחת קושחה	גָבוֹהַ
הסמכה משופצת	אספקה ​​אמינה בעלות נמוכה יותר	שיעור תקלות, תביעות אחריות, מחיר מכירה חוזרת וחיי מכשיר	הסמכה מכבידה על שיפוצים קטנים	עמלות מדורגות ותמיכה ציבורית בבדיקות	גָבוֹהַ
זכאות לבינה מלאכותית	יכולת חינוכית ומחקרית מינימלית	גישת משתמשים זכאים, הצלחת משימות ופער בהישגים	תלות בספקים; עקירת ההוראה	ריבוי ספקים, דרישות פרטיות והערכת פדגוגיה	בינוני-גבוה
קרן בינלאומית	תשתית ויכולת במדינות מוחלשות	מחשוב אמין נוסף, משתמשים מיומנים, כיסוי בשפה המקומית ותוצאות שירות לציבור	נטל חוב, מערכות מיובאות ללא יכולת מקומית	מימון עתיר מענקים, עתודות תחזוקה והכשרה מקומית	בֵּינוֹנִי

מטא-נתונים של הטבלה: יחידה: היתכנות איכותית בתוספת מדדי ביצועים (KPI) ספציפיים לתוכנית. בסיס מטבע ומחיר: לא רלוונטי; העלויות מופיעות בטבלה הקודמת. שנת ייחוס: הערכה נכון לאוגוסט 2026. היקף: יישום בינלאומי, אירופי ולאומי. מקור: מקורות משפטיים ומקורות תוכנית רשמיים המצוטטים כאן; הערכה אנליטית לפי דוח זה. שיטה: סינון היתכנות מוסדית וכשל שוק. אי ודאות: איכותנית, בערך קטגוריית היתכנות אחת לכל כיוון.

10.4.1 מחשוב ציבורי ומחשוב משותף

מחשוב ציבורי צריך לפעול כסיטונאי קיבולת עם התחייבויות לטובת הציבור, ולא כענן קמעונאי חינמי לצמיתות. אוניברסיטאות, חוקרים מוסמכים, חברות הזנק ומוסדות ציבוריים רגישים לפרטיות צריכים לקבל הקצאה ראשונית המבוססת על יתרונות הפרויקט וחוסר יכולת לרכוש משאבים מקבילים. משתמשים מסחריים גדולים יותר צריכים בדרך כלל לשלם תעריף שקוף להשבת עלויות. ההקצאה צריכה לשלב קיבולת שמורה לטובת הציבור, מענקים תחרותיים וגישה נקודתית למשאבים שבדרך כלל אינם פעילים. מערכת החשבונאות חייבת לפרסם את העלות המלאה לשעת מאיץ ולכל עומס עבודה ייחוס שהושלם, כולל אנרגיה, תחזוקה, צוות ופחת. מערכת ציבורית לכאורה זולה עלולה להסתיר ניצול נמוך או התחייבויות החלפה לא ממומנות.

הקול קורא של EuroHPC AI Factory מספק קנה מידה אמפירי שימושי. האיחוד העמיד לרשותו עד 400 מיליון אירו עבור מחשבי-על חדשים או משודרגים המותאמים לבינה מלאכותית, ותמך בעלויות רכישה כוללות של עד 800 מיליון אירו , עם תמיכה נוספת של Horizon Europe עבור שירותי AI Factory. EuroHPC Joint Undertaking משיק קולות קוראים למפעלי בינה מלאכותית – EuroHPC Joint Undertaking – ספטמבר 2024 – הודעה רשמית על קול קורא . סכומים אלה מראים מדוע רכש משותף עדיף כלכלית על פני שכפול אשכולות מחלקתיים שאינם מנוצלים מספיק. עם זאת, הם אינם מוכיחים שכל התקנה ממומנת מייצרת תועלת חברתית נטו. פרסום של התפלגויות תורים, שיעורי כישלון עבודות, תוצאות עומס עבודה והקצאת קיבולת הוא חיוני.

10.4.2 שוברים וזכויות גישה

שוברי מחשוב צריכים להיות נקובים ביחידות שירות מותאמות איכות ולא קשורים לספק מסוים. זכאות סטודנט יכולה לכלול בסיס מוגן של שירותי הסקה, ניתוח מסמכים, קידוד ונגישות, עם הקצאות גבוהות יותר לקורסים טכניים או להתאמות לבעלי מוגבלויות. מענקי מחקר צריכים לתמוך בעומסי עבודה מאומתים, כולל פריסה מקומית במקרים בהם פרטיות, קניין רוחני או שחזור מחקר מצדיקים זאת. תכנון השוברים צריך להימנע מאחוז החזר פשוט, דבר שמעדיף משתמשים שיכולים לממן ראשונים את ההוצאות הנותרות. זיכויים ששולמו מראש, תיווך מוסדי ותשלומים משתתפים תלויי הכנסה הם מכפילים יותר.

יש להשעות או לעצב מחדש תוכנית שוברים כאשר יותר מ -25% מערכה מנוצל על ידי עליות מחירים ביחס ללקוחות שלא טופלו, כאשר פחות משלושה ספקים תחליפיים עומדים בתקן, או כאשר תוצאות החינוך או המחקר הנמדדות אינן משתפרות לאחר שני מחזורי הערכה. גישה לבינה מלאכותית צריכה להפוך לזכות רק ליכולת מינימלית מספקת, ולא לזכות בלתי מוגבלת למודל החזית היקר ביותר. הזכות חייבת להישאר ניטרלית מבחינה טכנולוגית וניתנת למימוש על ידי מערכות ציבוריות משותפות, שירותי ענן תחרותיים, פריסות פתוחות מאושרות או אספקה ​​היברידית.

10.4.3 תחרות, ניידות ושקיפות תמחור

אכיפת התחרות חייבת להבחין בין שליטה בצווארי בקבוק לבין הצלחה תחרותית. על הרשויות לאסוף ראיות ברמת העסקה בנוגע להנחות, הזמנות קיבולת, סירובי אספקה, זיכויים לענן, חיובים ביציאה, כשלים הדדיים, דירוג, חבילות ואפליה בין שירותים במורד הזרם המסונפים לשירותים עצמאיים. HHI או מרווח גבוה עשויים להצדיק בדיקה אך אינם יכולים לבסס הפרה ללא שוק מוגדר, תיאוריית נזק וראיות להשפעות.

סקירת מיזוג צריכה לבחון נכסים משלימים ולא רק חפיפה אופקית. רכישה קטנה עשויה להשפיע באופן מהותי על התחרות כאשר היעד שולט במהדר, שכבת אופטימיזציית מודל, מערך נתונים, טכנולוגיית חיבור, מתווך קיבולת או ערוץ הפצה הנדרש על ידי ספקים מתחרים. הנציבות בוחנת את הנחיות המיזוג שלה כדי לשמור על מסגרת מבוססת ראיות המותאמת לתנאי תחרות משתנים. סקירת הנחיות המיזוג – הנציבות האירופית, מנכ”ל התחרות – 2026 – דף הסקירה הרשמי .

גילוי מחירים סטנדרטי צריך לחייב ספקים לדווח על:

• מחיר אפקטיבי למיליון אסימוני קלט ופלט;
• טיפול בקלט במטמון;
• פרמיות אורך ההקשר והנמקה;
• חיובים עבור אחסון, אחזור ושימוש בכלים;
• התחייבויות לקיבולת שמורה;
• ערבויות לרמת שירות;
• עלויות יציאה והגירה;
• מחירים עבור קבוצת עומסי עבודה מבוקרים;
• כללי שמירת גרסת מודל;
• תקופות הודעה חד צדדיות על שינוי מחירים.

תקן הגילוי לא אמור להטיל מחיר מוסדר. מטרתו לחשוף את המחיר הכולל האפקטיבי ולהפחית את הנעילה המונעת על ידי מידע.

10.4.4 תיקון, שיפוץ וחיי ציוד

תיקון ושיפוץ מאומת הם מדיניות הפצה וכן אמצעים סביבתיים. הם מרחיבים את ההיצע המשני של חומרה מתאימה, מפחיתים את עלות הבעלות השנתית ומאפשרים לבתי ספר או לארגונים קטנים להשיג מערכות בעלות זיכרון גבוה יותר ממה שמאפשרים תקציבי המכשירים החדשים. אישורים צריכים לבחון זיכרון, יציבות תרמית, תקינות אחסון, אספקת חשמל, שלמות קושחה וביצועי עומס עבודה מתמשכים של בינה מלאכותית. מכשירים מאושרים צריכים לשאת אחריות מינימלית ולחשוף שימוש קודם בארגון או במחזור עבודה גבוה.

הנחיית האיחוד האירופי המקדמת תיקון אומצה ביוני 2024 והיא חלה באמצעות יישום לאומי החל מ -31 ביולי 2026. הנחיה בנושא תיקון סחורות – הנציבות האירופית – יוני 2024 – פורטל הנחיות רשמי . יש לשלב מחשבים ורכיבים הרלוונטיים לבינה מלאכותית באמצעות כללי תיקון, חלקים וקושחה ספציפיים למוצר, במידת הצורך, במקומות בהם ההיקף המשפטי מאפשר זאת. דרישות לא צריכות לחייב יצרנים לתמוך בתצורות לא בטוחות ללא הגבלת זמן, אך הסרת קושחה לא צריכה להפוך לשיטה מלאכותית לקיצור תוחלת חיים שימושית.

10.4.5 מדיניות מוליכים למחצה, זיווד, זיכרון ואנרגיה

סובסידיות תעשייתיות צריכות להתמקד בצווארי בקבוק שיישארו מחייבים באופן סביר לאחר התחשבות בביקוש ובאי-ודאות הטכנולוגית. אריזה מתקדמת, הסמכת HBM, מצעים, חוצצים, אלקטרוניקת הספק ויכולת בדיקה עשויים לייצר חוסן גדול יותר בטווח הקרוב לכל יורו ציבורי מאשר ניסיון לשכפל כל שכבה של ייצור מתקדם. חוק השבבים האירופי נכנס לתוקף בספטמבר 2023 ומכוון במפורש ליכולת תכנון, ייצור ואריזה מתקדמת, חוסן ותלות מופחתת. חוק השבבים האירופי – הנציבות האירופית – ספטמבר 2023 – דף המדיניות הרשמי .

סובסידיות חייבות לכלול:

• אבני דרך של קיבולת ותפוקה מדידות;
• השקעה משותפת פרטית;
• גישה בלתי מפלה ללקוחות;
• התחייבויות להמשכיות אספקה ​​​​במהלך מחסור;
• הגבלות על העברת נכסים מסובסדים;
• החזר בגין אי מסירה;
• התחייבויות לפיתוח כוח אדם;
• גילוי סיוע ציבורי אחר;
• תנאי סביבה ותנאי חיבור לרשת החשמל.

השקעה ברשת החשמל היא תנאי הכרחי ולא סבסוד של בינה מלאכותית. מרכזי נתונים צריכים לשלם דמי חיבור המשקפים את העלות ולהתמודד עם אותות מיקום במקומות בהם קיבולת נמוכה. רשויות ציבוריות לא צריכות לשריין חשמל מסובסד לעומסי עבודה בעלי ערך נמוך או בעלי יכולת הזזה גבוהה, בעוד שמשקי בית ותעשייה יצרנית נושאים בעלויות עומס. לכן, יש להעריך קיבולת חדשה לפי ערך חברתי למגה-וואט מוגבל, דרישות אמינות, גמישות וחום בר-הפקה או שירותי רשת נלווים.

10.4.6 מדינות בעלות הכנסה נמוכה ופיתוח בינלאומי

הקרן הבינלאומית המומלצת צריכה לממן יותר מאשר מאיצים מיובאים. חבילה בת קיימא כוללת חשמל אמין, קירור, קישוריות, אבטחת סייבר, צוות טכני מקומי, הגנה מפני סיכוני מט”ח, גישה לחינוך ותחזוקה לטווח ארוך. מדינות ללא ביקוש מספיק כדי לנצל אשכול לאומי צריכות לקבל גישה מאוחדת למערכות אזוריות, קיבולת ענן מוסכמת ותשתית קצה רגישה להשהייה. מימון מענקים עדיף לחינוך, מחקר ושירותים ציבוריים בסיסיים; מתקנים מסחריים המייצרים הכנסות יכולים להשתמש בחוב או ערבויות מוזלות.

מסגרת הפיתוח של הבנק העולמי מתייחסת לחישוב, קישוריות, נתונים ומיומנויות כיסודות משלימים ולא כקלטים הניתנים להחלפה. דוח התקדמות ומגמות דיגיטליות 2025: חיזוק יסודות הבינה המלאכותית – הבנק העולמי – 2025 – פרסום רשמי . כמו כן, ה-ITU מתעד הבדלים מתמשכים בקישוריות ובאימוץ דיגיטלי. עובדות ומספרים 2025 – איגוד התקשורת הבינלאומי – 2025 – פורטל סטטיסטיקה רשמי . מימון מאיצי טכנולוגיה ללא השלמות אלו יכול ליצור התקנות יקרות ולא מנוצלות מספיק ותלות מחודשת בתחזוקה ותוכנה מחו”ל.

---

10.5 תיק מדיניות לפי בעלי עניין

בעל עניין	פעולה בעדיפות ראשונה	פעולה בעדיפות שנייה	פעולה שיש להימנע ממנה
ממשלות לאומיות	מחשוב משותף לטובת הציבור בתוספת תכנון רשת	שוברים ממוקדים ותקני תיקון/שיפוץ	סובסידיות חומרה לא ממוקדות ללא התחייבויות גישה
מוסדות אירופאים	רשת EuroHPC/AI מפעל הדדית	הקצאת קיבולת חוצת גבולות והשקעה בצווארי בקבוק	עננים לאומיים מקוטעים שאינם מסוגלים להחליף עומסי עבודה
רשויות התחרות	יכולת חקירה טכנית וכלכלית מיוחדת	סקירת מיזוג נכסים משלימים וראיות לגבי עלויות המעבר	התייחסות לריכוז בלבד כהוכחה לאי-חוקיות
אוניברסיטאות	רכש מאוחד, תזמון עומסי עבודה וחשבונאות עלויות	הקצאת גישה מינימלית לסטודנטים/חוקרים	אשכולות מחלקתיים רבים בעלי ניצול נמוך
ארגוני מחקר	מדדי ביצועים ניתנים לשחזור וארכיטקטים של מחקר פתוח	תשתית היברידית מודעת לפרטיות	בחירת מודלים אך ורק לפי ספירת פרמטרים
חברות גדולות	שערי ROI ברמת עומס עבודה וארכיטקטורה מרובת ספקים	בדיקות ניידות ומדידה פנימית	פריסה כוללת של בינה מלאכותית המבוססת על אופנה אסטרטגית
עסקים קטנים ובינוניים	רכש שיתופי והתמחות בדגמים קטנים/RAG	תקרות הוצאות חוזיות ותוכניות יציאה	מודלים של גבול עבור משימות שמערכות מוגבלות משלימות כראוי
בתי ספר	זכאות גישה המנוהלת על ידי מורה	פרטיות, נגישות והערכת תוצרי למידה	החלפת הוראה בשימוש בצ’אטבוטים ללא שליטה
החברה האזרחית	ביקורות גישה עצמאיות וניטור מחירים	תמיכה בקבוצות פגיעות ובשפות מיעוט	בהנחה ששכבות חינמיות מספקות שקילות יכולות
מדינות בעלות הכנסה נמוכה	תשתית אזורית ופחי קיבולת מוסכמים	מיומנויות מקומיות, משאבי שפה ועתודות תחזוקה	אשכולות יוקרה במימון חוב ללא ביקוש לניצול
מוסדות פיתוח	תשתית יסודית עתירת מענקים	רכש פתוח ותשלום מבוסס תוצאות	מימון קשור לספקים שמשחזר נעילה

מטא-נתונים של הטבלה: יחידה ומטבע: לא רלוונטי. שנת ייחוס: 2026. היקף: אסטרטגיה מוסדית. מקור: סינתזה של פרקים 1-9 ומקורות רשמיים המצוטטים בפרק 10. שיטה: קביעת סדרי עדיפויות לפי תועלת גישה צפויה, מהירות יישום וסיכון עיוות. אי ודאות: איכותנית.

---

10.6 כללי החלטה כמותיים

מדיניות צריכה להיות מופעלת על ידי תנאים נצפים ולא על ידי דאגה כללית. בואו נאמר:

AAI _g,t = עלות שנתית של גישה נאותה לבינה מלאכותית עבור קבוצה g בזמן t / חציון משאבים פנויים של קבוצה g בזמן t

פער יכולות _g,t = _{גבול שיעור ההצלחה,t} − שיעור ההצלחה _נגיש,g,t

QueueStress _t = זמן המתנה חציוני לעומס עבודה לטובת הציבור / זמן המתנה מקסימלי מקובל מבחינה תפעולית

כשל ניידות _t = העברות שנכשלו או שלא הושלמו באופן מהותי / ניסיונות העברות מבוקרים

ספי ההתערבות צריכים לכלול:

• סטודנט או בעל הכנסה נמוכה מעל 5% : סקירת שוברים ממוקדת;
• AAI מעל 10% : זכאות משוערת לתמיכה בגישה;
• פער יכולות מבוקר מעל 20 נקודות אחוז במשימות חינוכיות או מחקריות חיוניות: התערבות ברמת יכולות;
• לחץ תור במחקר הציבורי מעל 1.5 במשך שני רבעונים רצופים: רפורמה ברכש או הקצאת קיבולת;
• כשל ניידות מעל 10% : בדיקת תאימות;
• עלות החלפת ספק מעל 20% מההוצאה השנתית על בינה מלאכותית : סקירת חוזה ויכולת פעולה הדדית;
• עלייה אפקטיבית מאומתת במחיר העולה על אינפלציית הצרכנים ב -15 נקודות האחוז ללא שיפור מתועד במודל או בשירות: גילוי נאות משופר וחקירת שוק;
• זמן אספקה ​​לקלט קריטי מעל 12 חודשים בשילוב עם ניצול קיבולת מעל 90% : הערכת השקעה בחוסן.

ספים אלה הם כללי החלטה, לא טענות שהתערבות תייצר באופן אוטומטי תועלת נטו. כל תוכנית עדיין דורשת מבחן עלות-תועלת ומבחן נגד-עובדתי.

---

10.7 תשובות מפורשות לשאלות המרכזיות של הדו”ח

1. האם חומרה רלוונטית לבינה מלאכותית הפכה באמת לפחות במחיר סביר?

עבור קבוצות משתמשים ותצורות חשובות, כן; עבור חומרה כקטגוריה הומוגנית, הראיות אינן תומכות בתשובה אוניברסלית. מחירי כניסה נומינליים, דרישות זיכרון גבוהות, עלויות מערכת משלימות והבדלי הכנסה יכולים להפחית את הסבירות גם כאשר היכולת ליחידת ביצועים אריתמטיים משתפרת. פריסה מקומית מקבילה לגבול היא פחות משתלמת באופן משמעותי מאשר הפעלת מודל כמותי קטן.

2. האם העלייה נומינלית, מותאמת לאיכות או שניהם?

העלייה היא בבירור סמלית בקטגוריות ובתקופות נבחרות בעלות ביקוש גבוה . היא מותאמת גם לאיכות כאשר עלויות הזיכרון, רוחב הפס, האמינות או עומס העבודה שהושלם מתדרדרות ביחס לדרישה. היא אינה מותאמת בדרך כלל לאיכות כאשר המכנה הוא תפוקה תיאורטית בלבד. המסקנה משתנה עם מדד האיכות, ולכן מחיר לעומס עבודה שהושלם בהצלחה עדיף על מחיר מדבקה או TFLOP בלבד.

3. האם אינפלציית שוק משומש היא שיטתית?

הראיות תומכות במחסור אפיזודי ספציפי למוצר , במיוחד עבור מכשירים מדור קודם בעלי זיכרון גבוה, יעילות באנרגיה או בעלי יכולות יוצאות דופן. הן אינן קובע שחומרת בינה מלאכותית משומשת נסחרת בדרך כלל במחיר כפול או שלושה ממחיר הצרכן המקורי המומלץ לצרכן (MSRP) לאורך מדינות ושנים. יש לדווח על יחסים כאלה כתצפיות מאומתות, ולא כמצב שוק חציוני, עד שנתונים ברמת העסקה יקבעו ייצוג.

4. אילו צווארי בקבוק הם החמורים ביותר?

המשמעות המערכתית הגבוהה ביותר טמונה בייצור מתקדם, ליתוגרפיה מתקדמת, ייצור ייצור עתיר חומרים (HBM), זיווד מתקדם, מצעים וחוצצים, חיבורים במהירות גבוהה, ציוד חשמל, חיבורי רשת ומערכות אקולוגיות של תוכנה ייעודיות . קריטיותם משקפת הן ריכוזיות והן תחליף מוגבל לטווח קצר.

5. האם ריכוזיות מייצרת כוח תמחור מוכח?

זה מייצר את הקיבולת והתמריץ לכוח תמחור , אך ריכוזיות ורווחיות לבדן אינן מוכיחות את מימושו או את אי-חוקיותו. הוכחה דורשת ראיות למרווחים מתמשכים מעל למצב נגדי הניתן להגנה, אפליה מצד לקוחות, ניכוי קיבולת, עיקול, חסמי מעבר שאינם מבוססי עלות או תגובות מחיר שאינן עולות בקנה אחד עם חדשנות וסיכון.

6. האם מחירי שירותי בינה מלאכותית הנוכחיים בני קיימא מבחינה כלכלית?

שירותי הסקה בסיסיים ובעלי שימוש רב עשויים להיות בני קיימא. מנויים לשוק הגבולות, הנמקה ארוכת טווח ושירותי קידום מכירות במחירים אגרסיביים נותרים לא ודאיים משום שהגשות ציבוריות בדרך כלל אינן מבודדות כלכלה מלאה ברמת המודל. השקעה ופחת כלל-ספקיים מרמזים כי מחירי האסימונים הנוכחיים שפורסמו אינם ניתנים להתייחסות אוטומטית למחירי שיווי משקל לטווח ארוך.

7. בכמה הוצאות בינה מלאכותית ארגונית עשויות לעלות עד 2031?

באמצעות התרחישים המאונדקסים של פרק 9, הוצאות הבינה המלאכותית הכוללות של ארגונים עולות מ -100 בשנת 2026 לכ-:

• 185 במקרה הנמוך: +85% ;
• 300 במקרה המרכזי: +200% ;
• 590 במקרה הגבוה: +490% .

אלו הן תחזיות הוצאות, לא תחזיות מחיר ליחידה גרידא. הן משלבות אימוץ, עוצמת שימוש, תמהיל מודלים, ממשל, תשתיות ועלויות עבודה.

8. האם בינה מלאכותית מקומית יכולה להישאר מציאותית?

כן, עבור עומסי עבודה מוגבלים, רגישים לפרטיות וניתנים לחזרה. זה פחות מציאותי כתחליף אוניברסלי לשירותי גבול המתעדכנים באופן רציף, במיוחד כאשר נדרשים משתמשים רבים בו זמנית, הקשרים ארוכים מאוד או מולטימודליות קרובה לגבול.

9. מהי בינה מלאכותית מקומית שמישה באמת?

מערכת שמישה רק כאשר היא עומדת בסף ספציפי לעומס עבודה עבור:

• הצלחה במשימה ואמינות עובדתית;
• הקשר מספיק וזיכרון שמיש;
• אסימונים מקובלים לשנייה;
• זמן מוגבל עד לאסימון הראשון;
• נדרשת מקביליות;
• זמן פעילות תפעולי;
• פרטיות ויכולת ביקורת;
• עלות אנרגיה ניתנת לניהול;
• עדכוני תוכנה ודגמים הניתנים לתחזוקה.

טעינת משקולות לזיכרון היא הכרחית אך לא מספיקה.

10. האם סטודנטים וחוקרים ללא גישה לגבולות נמצאים בעמדת נחיתות?

הראיות תומכות בחיסרון אמין וניתן לבדיקה , במיוחד בקידוד, עבודה רב-לשונית, סינתזת מסמכים, חשיבה מתקדמת ואיטרציות מהירות. היקף המחקר טרם נקבע באופן אוניברסלי משום שמחקרים סיבתיים אורכיים נותרו מוגבלים. המסקנה המתאימה היא חיסרון מדיד ברמת המשימה עם ראיות חלקיות לגבי השפעות חינוכיות לאורך החיים.

11. אילו מדינות וקבוצות מתמודדות עם החשיפה הגדולה ביותר?

אלו עם הכנסה פנויה נמוכה, מטבעות חלשים, מכסי יבוא, חשמל לא אמין, פס רחב מוגבל, השהייה ארוכה, היעדר אזור ענן בקרבת מקום, הגבלות יצוא ותמיכה חלשה בשפה המקומית. בתוך מדינות, החשיפה היא הגבוהה ביותר עבור סטודנטים בעלי הכנסה נמוכה, חוקרים עצמאיים, משתמשים כפריים, ארגונים קטנים, קהילות דוברות שפות מיעוטים ומוסדות רגישים לפרטיות ללא תקציבי תשתית.

12. האם בינה מלאכותית יכולה להעמיק את אי השוויון העולמי?

כן. בינה מלאכותית משלימה כוח אדם מיומן, נתונים, הון ויכולת ארגונית, ומאפשרת למשתמשים בעלי יתרון בתחילה להגדיל את הרווחים. התרחיש המרכזי של פרק 9 הגדיל את מדד הג’יני לגישה לבינה מלאכותית הממחיש מ -0.193 בשנת 2026 ל-0.215 בשנת 2031 ; מקרה הסטייה הגיע לכ -0.290 . לעומת זאת, מודלים בעלות נמוכה וגישה משותפת יכולים להפחית את אי השוויון אם רצפות היכולות משתפרות מהר יותר מעלויות הגבול עולות.

13. האם האנלוגיה של “בינה מלאכותית מתומחרת כמו ביטקוין” ניתנת להגנה?

רק באופן צר. מחשוב יכול להיות נדיר, מדוד, שמור וחשוף לתמחור רגיש לביקוש. בניגוד לביטקוין, לעומת זאת, מחשוב הוא הטרוגני, הולך ופוחת, תלוי מיקום, מתכלה כשהוא במצב סרק, מיוצר באופן רציף ובלתי נפרד מזיכרון, אנרגיה, רשתות ותוכנה. לכן, הוא מובן טוב יותר כשירות קיבולת מובחן או קלט תעשייתי דמוי חשמל מאשר כאחסון ערך סטנדרטי.

14. אילו התערבויות מרחיבות את הגישה מבלי לדכא חדשנות?

תיק ההשקעות החזק ביותר משלב:

• מחשוב משותף לטובת הציבור;
• שוברי סטודנטים ומחקר ממוקדים;
• רכש שיתופי;
• ניידות וממשקים פתוחים;
• גילוי מחירים סטנדרטי;
• מחקר פתוח ומחקר בשפה מקומית;
• תיקון ושיפוץ מאומת;
• אכיפת תחרות מבוססת ראיות;
• השקעה ברשת ובצווארי בקבוק;
• תמיכה תעשייתית המוענקת באופן תחרותי, המבוססת על אבני דרך.

צעדים אלה מגדילים את הביקוש ואת התחרותיות מבלי להטיל פיקוח כללי על מחירים.

15. באילו תנאים תוכח אזהרת הדו”ח כשגויה?

האזהרה המרכזית תוכחש באופן מהותי אם, עד שנת 2031:

• העלות המותאמת לאיכות לעומס עבודה מייצג שהושלם ירדה בלפחות 70% משנת 2026;
• מדד הג’יני העולמי לגישה לבינה מלאכותית ירד ל -0.15 או פחות ;
• עלות הגישה הולמת ירדה מתחת ל -3% מהמשאבים החציוניים הפנויים במדינות בעלות הכנסה נמוכה ובאוכלוסיות סטודנטים;
• פער היכולות בין גבול ליכולות הבסיסיות ירד מתחת ל -15 נקודות האחוז במשימות חיוניות;
• זמן ההספקה החציוני עבור מאיצים קריטיים, ייצור חומרי בייצור מכני (HBM) ואריזות ירד מתחת לשישה חודשים ;
• העברת ספקים מבוקרת הצליחה בלפחות 95% מהמקרים ללא אובדן תפקודי מהותי;
• אף שכבה אסטרטגית חיונית לא שמרה על מדד HHI מעל 2,500 ועל מרווחים סופר-נורמליים מתמשכים שאינם נתמכים על ידי חדשנות, סיכון או התאוששות הון;
• לפחות 90% מהסטודנטים והחוקרים המוסמכים קיבלו גישה נאותה ואמינה לבינה מלאכותית.

---

10.8 מסגרת סיווג סיכונים סופית

מִיוּן	ג’יני עם גישה לבינה מלאכותית	נטל גישה נאותה ובמחיר סביר עבור קבוצות חשופות	פער יכולות במשימה חיונית	תנאי אספקה ​​מבניים
מוּגבָּל	מתחת ל -0.10	מתחת ל -3%	מתחת ל -10 נקודות אחוז	זמני אספקה ​​קריטיים מתחת ל-6 חודשים; החלפה רחבה
לְמַתֵן	0.10–0.15	3–5%	10–20 נקודות	צווארי בקבוק מזדמנים; אין מחסור רב-שכבתי מתמשך
גָבוֹהַ	מעל 0.15–0.22	מעל 5–10%	מעל 20–35 נקודות	ריכוז מתמשך או זמני אספקה ​​של 9-12 חודשים בשכבות קריטיות
חָמוּר	מעל 0.22–0.30	מעל 10–20%	מעל 35–50 נקודות	CR4 מעל 80% או HHI מעל 2,500 על פני לפחות שלוש שכבות משלימות, עם זמני אספקה ​​מעל 12 חודשים
מערכתית	מעל 0.30	מעל 20%	מעל 50 נקודות	כשל גישה רב-אזורי, קיצוב מתמשך או הרחקה של יותר מ-25% מהמשתמשים המתאימים מעומסי עבודה חיוניים

מטא-נתונים של הטבלה: יחידה: יחסים, אחוז המשאבים הפנויים, פער ייחוס בנקודות אחוז ומדדי מבנה שוק. מטבע: לא רלוונטי. בסיס מחיר: עלות גישה שנתית נאותה בכוח קנייה ריאלי לשנת 2026. שנת ייחוס: קו בסיס 2026, אופק הערכה 2031. היקף: אוכלוסיות משתמשים גלובליות ונחשפות. מקור: ספים שהוגדרו על ידי דוח זה תוך שימוש בתוצאות מפרקים 3, 7, 8 ו-9. שיטה: כלל סיווג סיכונים רב-ממדי; הממד המתמשך הגבוה ביותר קובע את הסיווג הזמני, בכפוף לאישוש על ידי לפחות ממד אחד נוסף. אי ודאות: אי ודאות סיווג של קטגוריה אחת בקירוב מכיוון שמערכי נתוני גישה ומיקוד נותרו לא שלמים.

סיווג סופי: גבוה, עם סיכון מהותי כלפי מעלה לכיוון חמור

הראיות הנוכחיות חורגות מספי הסיכון הגבוה באמצעות מדד ג’יני הגישה המשוער, נטל הסבירות באוכלוסיות חשופות, הבדלים משמעותיים ביכולת בין גישה בלתי מוגבלת לגבולות לבין גישה מקומית או חופשית מוגבלת, וריכוזיות על פני מספר שכבות שרשרת אספקה ​​משלימות. היא עדיין לא מצדיקה סיווג חמור או מערכתי גלובלי מכיוון שירידת עלויות מותאמות לאיכות, הרחבת הקיבולת, חדשנות במשקל פתוח ותשתיות ציבוריות נותרות כוחות נגד אמינים; לא הוכחה הדרה אוניברסלית; ומספר אינדיקטורים קריטיים מסתמכים על הערכות ולא על נתוני עסקאות הרמוניים. בתרחיש המרכזי של אוליגופול מנוהל, הסיכון נשאר גבוה עד 2031. תחת מחסור מתמשך או פיצול גיאופוליטי, מדד ג’יני הגישה ופער היכולות יכולים להיכנס לטווח החמור. המשמעות של המדיניות היא מונעת ולא ענישתית: התערבות צריכה ליצור קיבולת, תחרותיות ותחתית יכולת מינימלית לפני שהמחסור יהפוך לחיזוק עצמי מבני.

---

10.9 מילוי טבלה נדרשת ורישום ביקורת

טבלה נדרשת	פרק ראשי	דרישת פרסום
מפת שרשרת הערך הגלובלית של בינה מלאכותית	1 ו-3	איחוד חברות, שכבות, תלויות וגיאוגרפיה
מסד נתונים היסטורי של מחירי GPU	2	שמירת תצפיות ברמת המוצר ותאריכים מדויקים
מסד נתונים היסטורי של מחירי זיכרון	2	זיכרון HBM, DRAM ו-NAND נפרדים
מחירים רשמיים, מחירים ברחוב ומחירים משומשים	2	שמור את תאריך התצפית ומצב
השוואת חומרה מותאמת איכות	2	פרסם כל גרסת מכנה וגרסה של ביצועי ביצועים
נתחי שוק בשרשרת האספקה	3	הגדרת שוק המדינה ושנת המניות
CR4 ו-HHI לפי פלח	3	שמור על פרשנות ספציפית לסמכות
עלות כוללת (TCO) של המערכת המקומית לחמש שנים	4	כלול שיעור היוון וערך שיורי
גודל המודל ומטריצת הזיכרון	4	משקלים נפרדים, מטמון KV, הפעלות ותקורה
אסימונים לשנייה ועלות למיליון אסימונים	4 ו-5	מסגרת דוחות, כימות ועומס עבודה
תמחור ספקי ענן	5	חותמת זמן של כל תעריף
ערימת עלויות הספק	5	הפרדת ערכים נצפים מהקצאות משוערות
עלות ארגונית לפי גודל חברה	6	פרסום הנחות ארכיטיפ
מטריצת חשיפה מגזרית	6	כלול רגולציה, פרטיות ועלות כישלון
סבירות השכרה של סטודנטים וחוקרים	7	מכנה של הכנסות ומשאבים של המדינה
חודשי שכר לחומרה מקומית	7	השתמשו בשכר נטו או פנוי באופן עקבי
טבלת סבירות השכרה במדינה	8	החלת שערי PPP ושערי חליפין בשוק בנפרד
מדד הגישה הגלובלי לבינה מלאכותית	8	פרסום אינדיקטורים גולמיים, משקלים ונורמליזציה
הנחות ותוצרים של תרחישים	9	הפרדת לוגיקת תרחישים מתחזיות
תחזיות שנתיות, 2026–2031	9	כלול נמוך, מרכזי, גבוה ומרווחים
ניתוח רגישות	8 ו-9	שקלול דוחות וחלופות מודל
לוח מחוונים להתרעה מוקדמת	9 ו-10	הקצאת טריגר, תדירות וסמכות אחראית
מטריצת עלות-תועלת של מדיניות	10	כלול לעיל; דורש חידוד ספציפי לתחום שיפוט
עובדות, הערכות ותחזיות	כל הפרקים	טבלת הסיווג הסופית למטה
פערים בלתי פתורים בנתונים	כל הפרקים	לשמור כפנקס ביקורת חי

מטא-נתונים חובה לכל טבלת פרסום סופית: יחידה; מטבע; בסיס מחיר נומינלי או ריאלי; שנת ייחוס; תאריך תצפית; היקף גיאוגרפי; מקור ראשוני; שיטת חישוב; גודל מדגם במידה ורלוונטי; מרווח אי-ודאות או סיווג ביטחון. טבלאות אנליטיות המופיעות בפרקים בודדים צריכות להתפרסם מחדש בנספח סטטיסטי מאוחד כדי שמטא-נתונים לא יאבדו במהלך עיצוב הפרסום.

---

10.10 רישום סטטוס ראיות

מִמצָא	סטָטוּס	אֵמוּן	דרישה עיקרית לא פתורה
יכולת בינה מלאכותית דורשת חומרה, אנרגיה, תוכנה ומיומנויות משלימות	עובדה מבנית מאומתת	גָבוֹהַ	נתוני קיבולת משופרים בין שכבות
מערכות נבחרות בעלות זיכרון גבוה ומערכות גבוליות מציגות עלויות נומינליות גבוהות	אושר עבור מוצרים שצוינו	גָבוֹהַ	היסטוריית מחירי רחוב עולמית מתואמת
כל חומרת הבינה המלאכותית הפכה יקרה יותר מבחינת איכות מותאמת	לא אושר	נָמוּך	פאנל הדוני של עומס עבודה קבוע
מכשירים משומשים נמכרים בדרך כלל במחיר כפול או שלושה ממחיר הצרכן המומלץ	לא אושר כנציג	נָמוּך	נתוני שוק ברמת העסקה
ההיצע מרוכז מאוד בכמה שכבות קריטיות	מְאוּשָׁר	גָבוֹהַ	הגדרות עקביות של שוק עולמי
ריכוזיות לבדה מוכיחה תמחור פוגעני	מסקנה שנדחתה	גָבוֹהַ	ראיות התנהגותיות וראיות נגדיות למחיר
בינה מלאכותית מקומית אפשרית עבור עומסי עבודה מוגבלים	אושר בתנאי	בינוני-גבוה	מבחני משימה ואמינות סטנדרטיים
בינה מלאכותית מקומית מחליפה באופן אוניברסלי שירותי ענן בחזית הגבולות	לא אושר	ביטחון גבוה בדחייה	שינוי מהיר ביעילות המודל עשוי לשנות את התוצאה
מחירי שירותי הגבול הנוכחיים משקפים באופן מלא את העלות	לא פתור	נָמוּך	חשבונות עלות והכנסה ברמת מודל הספק
הוצאות בינה מלאכותית ארגונית עשויות לשלש את עצמן עד 2031	הקרנה מרכזית	בינוני-נמוך	תצפיות על שימוש, מחיר ועלות ממשל
גישה דיפרנציאלית יכולה להגביר את היתרון החינוכי	מנגנון נתמך	בֵּינוֹנִי	מחקרים סיבתיים אורכיים
אי השוויון בגישה עולמית עולה תחת התרחיש המרכזי	הַקרָנָה	בינוני-נמוך	תצפיות שנתיות על מדד הגישה הגלובלי לבינה מלאכותית
מחשוב ציבורי/משותף יכול לשפר את הגישה	הערכת מדיניות נתמכת	בֵּינוֹנִי	הערכה נגדית ברמת התוכנית
שוברים ממוקדים עולים על סובסידיות אוניברסליות	הסקת מסקנות מדיניות	בֵּינוֹנִי	ראיות לתוכנית אקראית או מדורגת
מחשוב יהפוך לכסף דמוי ביטקוין	לא נתמך כלכלית	גָבוֹהַ	לא זוהה מנגנון חלופי או אחסון ערך סביר

מטא-נתונים של הטבלה: יחידה: סיווג ראיות. בסיס מטבע ומחיר: לא רלוונטי. תאריך ייחוס: אוגוסט 2026. היקף גיאוגרפי: גלובלי. מקור: פרקים 1-10 ומקורות ראשוניים מאומתים בזמן אמת. שיטה: הפרדת עובדות שנצפו ישירות, הערכות מודל, תחזיות והנחות לא פתורות. אי ודאות: רמת ביטחון קטגורית כפי שמוצגת בטבלה.

פסק דין סופי

הפער המתהווה בתחום הבינה המלאכותית אינו בעיקרו מחסור באינטליגנציה המתבטא במחיר יחיד. זהו אי-שוויון רב-שכבתי ביכולת לממן, לאתר, להפעיל, להפעיל וליישם באופן פרודוקטיבי מערכות באיכות שונה. למידת חומרה יכולה להימשך בעוד שהגישה הופכת לא שוויונית יותר; חישוב מצרפי בשפע יכול להתקיים לצד מחסור עבור משתמשים, אזורים, תצורות זיכרון ודרישות פרטיות ספציפיות. על סמך הראיות והספים שנקבעו בדוח זה, הסיכון הנוכחי הוא גבוה . ללא פיזור מהיר יותר של קיבולת משותפת, ניידות יעילה, אספקת אנרגיה ואריזות מורחבת, שווקי חומרה משניים אמינים וגישה חינוכית ממוקדת, הסיכון מתקרב לחמור בתנאים של מחסור מתמשך או עולם מקוטע. הוא הופך למערכתי רק אם אי-השוויון בגישה חורג מהספים המוגדרים ויכולת בינה מלאכותית חיונית מפסיקה להיות ניתנת להשגה באופן מציאותי על ידי חלק ניכר מהסטודנטים, החוקרים, החברות או המדינות המוסמכים.

---

זכויות יוצרים שייכות ל- debugliesintel.com
אפילו שכפול חלקי של התוכן אינו מותר ללא אישור מראש – שכפול שמורה