מ-"tokenmaxxing" ל-ROI: טיפאני לאק מ-NEA על בדיקת המציאות של ה-AI
עידן ה-"tokenmaxxing" — שבו מנכ"לים בעמק הסיליקון עודדו שימוש בלתי מוגבל ב-AI ללא קשר לעלות — מפנה מקום במהירות לתקופה של בחינה פיננסית אינטנסיבית. ככל שהארגונים עוברים מעבר להיפ הראשוני, המוקד עובר מצריכה גרידא להחזר השקעה (ROI) מדיד.
סוף עידן ה-tokenmaxxing
מוקדם יותר השנה, המגמה השלטת בעולם הטכנולוגיה הייתה "tokenmaxxing", דחיפה לשלב AI בכל תהליך עבודה אפשרי כדי למקסם את התועלת. עם זאת, העלויות האסטרונומיות של צריכת מודלי שפה גדולים (LLM) הובילו לבדיקת מציאות משמעותית. דיווחים בולטים מצביעים על כך שחברות כמו Uber כילו, על פי הדיווחים, את כל תקציב ה-AI השנתי שלהן תוך חודשים בודדים בלבד.
לחץ פיסקלי זה אילץ ארגונים להטמיע בקרות קפדניות, כאשר חלק מהחברות אף צמצמו רישיונות Claude עבור מחלקות ספציפיות או ביטלו לוחות תוצאות (leaderboards) פנימיים של AI, כפי שעשתה Meta. עבור משקיעי הון סיכון כמו טיפאני לאק, שותפה ב-NEA, שינוי זה מסמן מעבר מהוצאות ניסיוניות ל"חשבון ROI" ממושמע.
עליית האגנוסטיות למודלים ואסטרטגיות פריסה
בעוד חברות מתמודדות עם עלויות אלו, דפוס חדש של אימוץ ארגוני מתחיל להופיע. במקום להתחייב לספק יחיד, ארגונים עושים יותר ויותר "ערבוב והתאמה" (mixing and matching) של מודלים שונים כדי למקסם הן את הביצועים והן את המחיר. גישה רב-מודלית זו מאפשרת לחברות להשתמש במודלים יקרים בעלי יכולת הסקה גבוהה למשימות מורכבות, תוך שימוש במודלים קטנים וזולים יותר לאוטומציה שגרתית.
כדי להקל על אינטגרציה זו, סוג חדש של מומחים הופך לחיוני: מהנדס פריסה בשטח (forward-deployed engineer). לאק טוענת כי מהנדסים אלו פועלים כ"סוס טרויאני" לאימוץ AI בתוך ארגונים גדולים. על ידי עבודה ישירה בקווי החזית של היישום, הם עוזרים לגשר על הפער בין יכולות המודל הגולמיות לבין מקרי בוחן עסקיים ספציפיים מונחי ערך, ובכך מבטיחים שכלי ה-AI באמת יפתרו בעיות ארגוניות במקום רק להוסיף מורכבות.
מציאת ערך לאורך כל מחסנית ה-AI
תפיסה שגויה נפוצה בשוק הנוכחי היא שהערך מרוכז אך ורק בשכבת המודל. בעוד המרוץ אחר ה-LLM החזק ביותר נמשך, טיפאני לאק טוענת כי יצירת ערך משמעותית מתרחשת בכל שכבה במחסנית ה-AI.
From startups building specialized infrastructure to help enterprises track AI spend, to developers creating "personal agents" that deliver "magic moments" in consumer experiences, the opportunities are diversifying. As the industry matures, the winners will likely not be those who simply provide the most tokens, but those who provide the most efficient, integrated, and measurable intelligence.
Key Takeaways
- The ROI Shift: Companies are moving away from "tokenmaxxing" and unconstrained AI spending toward rigorous measurement of return on investment.
- Strategic Model Mixing: Enterprises are avoiding vendor lock-in by using a combination of different models to balance cost and capability.
- Layered Value: While model development is critical, massive opportunities exist across the entire stack, including deployment tools and specialized agentic applications.