כל סמנכ"ל טכנולוגיות מכיר את הרגע שבו חשבונית ה-API החודשית מגיעה, והיד מהססת שנייה לפני שלוחצים על אישור התשלום. הנטייה הטבעית היא לחפש ישועה בטבלאות הביצועים של מודלים במשקל פתוח ולהבטיח למנכ"ל שקיצוץ של 80% בהוצאות נמצא ממש מעבר לפינה. המספרים מראים תמונה אחרת לגמרי. לפי דו"ח AI Gateway Production Index של Vercel שפורסם אתמול, מודלים במשקל פתוח השתלטו על 71.5% מנפח הטוקנים בספטמבר 2026, אבל גרפו רק 23% מסך ההוצאה הכספית. המפתחים לא מחקו את ספקיות הענן הגדולות, אלא רק למדו לאן לזרוק את השאריות.
לא הייתי ממהר לבנות על קיצוץ גורף בחשבונית.
טריליוני טוקנים, גרושים בחשבונית
הפער בין נפח השימוש לבין הכסף שיוצא מהכיס נובע מתמחור אגרסיבי של שכבת העבודה הבסיסית. מודל DeepSeek-v4.1-Flash עיבד לבדו כמעט מחצית מכלל הטוקנים שעברו ב-Gateway של Vercel בספטמבר, אך תפס רק 2.6% מתקציב ההרצה הכולל. המחיר לטוקן שלו עמד על כחמישית מהממוצע בקטגוריית המשקל הפתוח, מה שהפך אותו לסוס עבודה למשימות שלא דורשות חשיבה עמוקה. אם נדמה לכם שמשקל פתוח פירושו אפס עלויות, כדאי לבדוק מי באמת לוקח את הכסף באותה קטגוריה בדיוק.
הזינוק בהוצאה על מודלים פתוחים, שנתח התקציב שלהם זינק פי ארבעה מאז יוני, מונע בפועל ממודלי חשיבה יקרים. דגמים שמחירם גבוה פי ארבעה מהממוצע בקטגוריה, ובראשם Kimi K3 של מעבדת Moonshot AI מבייג'ינג, הסבירו כשני שלישים מהעלייה בהוצאות על משקלים פתוחים. בזמן ש-DeepSeek טחן טריליוני טוקנים בפרוטות, Kimi K3 אחראי לבדו לכמעט חצי מהגידול הכספי במשקלים הפתוחים, עם נפח פעילות נמוך בהרבה. בספטמבר כולו רשמה Moonshot AI נתח של 3.6% מנפח הטוקנים אך גרפה 13.2% מסך ההוצאה ב-Gateway, מה שממחיש שמודלי חשיבה מורכבים גובים פרמיה גבוהה גם כשהמשקלים שלהם פתוחים להורדה. מנגד, כלל המודלים של DeepSeek יחד ריכזו 58% מכלל הטוקנים במערכת, אבל הסתפקו ב-6.6% בלבד מההוצאה.
בלי קניבליזציה בחזית
מי שציפה לראות את OpenAI או Anthropic מאבדות הכנסות לטובת מודלים עצמאיים יגלה שהמציאות בשטח שונה לחלוטין. הנתונים מראים כי 68% מהצוותים שהגדילו את תקציב המשקל הפתוח בספטמבר, הגדילו במקביל גם את ההוצאה על מודלים סגורים. יתרה מזאת, יותר משני חמישים מהצוותים שכבר שילמו על מודלי חזית הגדילו את התקציב שלהם ביחס לאוגוסט, השיעור הגבוה ביותר שנרשם השנה.
חברה יכולה להוציא יותר אצל מעבדת חזית בעודה מסתמכת עליה עבור פחות עומסי עבודה, כך שהמעבדה מקבלת יותר כסף, אך חלק קטן יותר מפעילות הלקוח.מתוך הדו"ח של Vercel
סך ההוצאה על מודלי חזית צמח פי 10 מאז דצמבר, גם אם נתח ההוצאה היחסי שלהם נשחק. מודל Claude Opus 5.5 של חברת Anthropic גרף לבדו מעל 11% מכלל תקציב ה-Gateway בשבועיים הראשונים לאחר השקתו. במקביל, GPT-6 Astra של OpenAI תפס כמעט 5% מההוצאה באותה תקופת זמן. שני הדגמים האלה שומרים על מעמדם כמנועי איכות. מפתחים מפקידים בידיהם משימות מורכבות של סוכני קוד ועיבוד נתונים פיננסיים שבהן טעות אחת עולה יותר מחשבון החשמל של השרת. כפי שנחשף בדיווחי Trending Topics, התזוזה לכיוון משקלים סיניים אינה דוחקת את מודלי הדגל המערביים, אלא מייצרת פיצול עבודה עמוק.
ההוצאה ב-Gateway בספטמבר הייתה גבוהה פי 13 מדצמבר, זינוק של 1,180%, בעוד המחיר הממוצע לטוקן צנח ב-47%. הלקוח המשלם החציוני שהיה פעיל בדצמבר ובספטמבר יותר מהכפיל את הוצאתו. במקביל, הנאמנות למותגים נשברת: כמעט מחצית מהצוותים החליפו בספטמבר את המודל המוביל שלהם, וכמעט שליש החליפו את מעבדת ה-AI העיקרית שלהם. צוותים שמעבדים מעל 100 מיליון טוקנים מפעילים בממוצע 26 מודלים שונים, ואצל אלו שחוצים את רף המיליארד הממוצע מטפס ל-42 מודלים. המודל הפך לרכיב מדף מתחלף במערכת.
| מודל | מעבדה | סוג משקל | חשיפה בקרב צוותים (Reach) | נתח הוצאה בשבועיים הראשונים | שיעור חזרה (Retention) |
|---|---|---|---|---|---|
| Claude Sonnet 5.5 | Anthropic | סגור | 18.1% | 3.2% | 60.5% |
| Gemini 3.8 Flash | סגור | 13.2% | 2.2% | 60.0% | |
| Claude Opus 5.5 | Anthropic | סגור | 13.1% | 11.0% | 54.9% |
| GPT-6 Luna | OpenAI | סגור | 14.9% | 0.9% | 64.8% |
| DeepSeek-v4.1-Flash | DeepSeek | פתוח | 8.4% | 4.2% | 60.3% |
| Jev | TypeSafe AI | סגור | 35.3% | 0.3% | 55.6% |
| GPT-6 Astra | OpenAI | סגור | 6.6% | 4.9% | 45.8% |
ספקים אמריקאיים, משקלים מבייג'ינג
מי שרוצה ליהנות מעלות נמוכה נתקל במשוכות אבטחה ומשפט סביב שימוש במשקלים ממקור סיני. הפתרון בשוק עוקף את השרתים בסין: כמעט 70% מההוצאה על מודלים ממקור סיני בספטמבר עברה דרך ספקי ענן בארצות הברית, לעומת פחות מ-10% בדצמבר אשתקד. על כל דולר שהועבר ישירות לתשתיות בסין, הוציאו החברות כ-2.50 דולר אצל ספקי אירוח בארצות הברית כדי לצרוך את אותם המשקלים בדיוק.
במודלים של Moonshot AI, כ-90% מנפח הטוקנים סופקו דרך ספקי ענן אמריקאיים. אצל Z.ai, המפתחת של משפחת GLM שהחזיקה ב-7.2% מנפח הטוקנים ו-4.5% מההוצאה, שבעה מתוך עשרה טוקנים רצו על גבי תשתיות אמריקאיות. מתוך סך התקציב של צוותים שהגדילו השקעה במודלים סיניים בספטמבר, בממוצע 53% נותבו לספקים בארצות הברית ורק 41% לספקים הפועלים מסין.
השרת בווירג'יניה, אבל הבעיה נשארת.
למרות העטיפה המערבית, היועצים המשפטיים עדיין מרימים גבה. הרצת משקלים סיניים על שרת בארצות הברית עונה על שאלת המיקום הפיזי, אך לא מבטלת דרישות תאימות, סוגיות קניין רוחני או תנאי רישוי מגבילים. עבור סטארט-אפ ישראלי שמוכר מוצרי אבטחה או תוכנה ארגונית לבנקים בארצות הברית, שימוש במשקלים שפותחו בבייג'ינג עדיין דורש אישור מפורש במסמכי האבטחה והשאלונים המשפטיים של הלקוחות.
הטוקניזציה בעברית גובה מס
עבור חברות תוכנה וסייבר בישראל, האפשרות לחתוך כ-80% מעלויות סוכני הרקע באמצעות שילוב DeepSeek נראית מפתה על הנייר. אם המערכת שלכם רק סורקת לוגים באנגלית, ממיינת מסמכים או מייצרת שלדי קוד פנימיים, החיסכון הזה אמיתי ומיידי. המלכוד מגיע כשהסוכנים צריכים לקרוא או לפלוט עברית.
מודלים במשקל פתוח שנבנו באסיה או בארצות הברית נשענים לרוב על טוקנייזרים שאינם יעילים בשפות שאינן לטיניות. מילה בעברית שנחתכת לשלושה או ארבעה טוקנים במודל מקומי מתנפחת לעומת מודלי חזית של Anthropic או OpenAI, שמשקיעים משאבים באוצר המילים הרב-לשוני שלהם. התוצאה היא עלות מעשית גבוהה בהרבה מהתמחור המוצהר לטוקן, לצד איטיות מורגשת בזמני יצירת התשובה.
איך לבנות את הניתוב הנכון
כדי לבלום את החשבונית בלי לפגוע באיכות המוצר, הצוותים המובילים מיישמים ניתוב רב-שכבתי. מודל החלטה קטן ומהיר כמו Jev מבית TypeSafe AI זכה לאימוץ אצל 35.3% מהצוותים המשלמים בשבועיים הראשונים לאחר השקתו באמצע ספטמבר, מפני שהוא מסווג בקשות בעלות של 0.27% בלבד מהתקציב. כפי שמציינים בניתוח של Hitlist AI, השלב הראשון בארכיטקטורה מודרנית הוא מודל החלטה ייעודי שמנתב את הפנייה לפי רמת הסיכון של הפעולה תוך צריכת שבריר מכמות הטוקנים הרגילה.
משימות רקע שחורות, מיון ראשוני ותמצות דפי רשת מועברים למשקלים פתוחים זולים כמו DeepSeek-v4.1-Flash. לעומת זאת, כתיבת קוד קריטי וניתוח לוגי עמוק נשארים בידי GPT-6 או Claude Opus 5.5. לא ידוע מה קורה באירוח עצמי מקומי (self-hosting), שכן נתוני הדו"ח מודדים רק תעבורה שעוברת בשער. לפני שאתם הופכים את הקוד שלכם, תבדקו היטב את כמות הטוקנים המדויקת שלכם בעברית מול דפי התמחור הרשמיים, ולא לפי הכותרות ברשת. בינתיים, אף אחד עדיין לא סגר את החשבון ב-Anthropic.
מקורות
- Open weight takes 71.5% of tokens and 23% of spendhttps://vercel.com/blog/ai-gateway-production-index-october-2026
- HitlistAI: Open-weight models now run 71.5% of Vercel AI Gateway tokenshttps://hitlistai.com/posts/2026-10-16
- Trending Topics: Open-weight models from China are capturing a growing share of AI usagehttps://www.trendingtopics.eu/open-weight-models-from-china-are-capturing-a-growing-share-of-ai-usage/
- Vercelhttps://weba.co.il/tools/vercel/
הידיעה נכתבה מהמקורות שלמעלה בתאריך הפרסום, וכל טענה בה נבדקה מולם. מצאתם טעות? כתבו.