תנועת ה-AI בקוד פתוח הניבה מודלים מרשימים באמת. DeepSeek מעבדת כעת למעלה משליש מכל הטוקנים הזורמים דרך ה-AI gateway של Vercel. GLM-5.2 של Z.ai נמצאת בנוחות בארבעת המקומות הראשונים בפלטפורמה מבחינת נפח. אלו אינם פרויקטים של חובבנים. אלו מערכות ברמת ייצור (production-grade) המטפלות בעומסי עבודה ארגוניים אמיתיים בקנה מידה עצום. בהתחשב במספרים הללו, יהיה קל להניח שמעבדות קצה (frontier labs) כמו Anthropic עומדות בפני איום קיומי על מעמדה בשוק.
ההנחה הזו מפספסת את מה שקורה בפועל.
העבודה האמיתית של מודלי קצה
מנכ"ל Decagon, Jesse Zhang, הציע דרך ברורה יותר להבין את ההפרדה בין AI קנייני לבין AI בקוד פתוח. התחרות אינה מרוץ פשוט להחלפת זה בזה. במקום זאת, שתי הקטגוריות משרתות שלבים שונים של מחזור חיים ארגוני יחיד.
מודלי קצה מתפקדים כשכבת הגילוי. כאשר חברה מתחילה לחקור כיצד AI עשוי לשנות תהליך פנימי, המשימה היא כמעט תמיד מוגדרת בצורה גרועה. הקלטים הם מבולגנים. הפלטים הרצויים הם מעורפלים. הצלחה דורשת חשיבה דרך עמימות, טיפול במקרי קצה שהצוות טרם תיעד, והסתגלות להנחיות (prompts) המשתנות מדי שעה. זוהי עבודת אב-טיפוס והוכחת היתכנות (proof-of-concept). היא דורשת את המערכת המסוגלת ביותר הזמינה, בלי קשר לעלות, כי החלופה היא ניסוי כושל שאינו מלמד דבר.
בשלב זה, מודל קצה יקר אינו הוצאה מיותרת (overhead). זהו מחיר מחקר השוק המכווץ לכמה קריאות API. ברגע שמקרה הבוחן מוכח ותהליך העבודה ממופה, אופי הבעיה משתנה. העמימות נעלמת. הקלטים הופכים לסטנדרטיים. ההנחיות מתייצבות. המשימה הפכה לשגרתית. בנקודה זו, ארגונים רבים מעבירים את עומס העבודה למודל קל וזול יותר. חלופות בקוד פתוח נכנסות לתמונה ומשתלטות על שלב הייצור, בעוד מודלי הקצה נשארים בעמדת הקצה, מטפלים בגל הבעיות הלא ידועות הבא.
זו אינה תיאוריה על איך AI אמור לעבוד. זהו תיאור של האופן שבו התקציבים כבר נעים.
כאשר עומסי עבודה עוברים לשוק הנמוך יותר
המעבר לקוד פתוח הוא אמיתי, והוא נראה בנתוני התעבורה. הזינוק של DeepSeek ליותר משליש מנפח הטוקנים בתשתית של Vercel מראה שחברות מריצות כמויות עצומות של הסקה (inference) דרך מודלים זולים יותר. גם GLM-5.2 של Z.ai תפס מקום בארבעת המקומות הראשונים על ידי טיפול בתעבורה יציבה וצפויה.
מודלים אלו מצטיינים במשימות שכבר "אומתו". חשבו על הפקת נתונים בנפח גבוה מטפסים סטנדרטיים, מיון ראשוני של תמיכה בלקוחות שמנתב פניות על בסיס מילות מפתח ברורות, או בדיקת תקינות קוד (linting) שגרתית ויצירת תיעוד. ההנחיות הן תבניתיות. מצבי השגיאה מובנים. הסיכון העסקי של פלט גרוע מוגבל. כאשר העבודה מוגדרת וחזרתית, עלות ההסקה הופכת לדאגה העיקרית. הרצת אותו עומס עבודה על מודל שעולה שישה סנט במקום על שכבה פרימיום היא הגיונית מבחינה כלכלית באופן מיידי.
אך נפח אינו הכנסה. העובדה שמודלים בקוד פתוח שולטים בספירת הטוקנים אינה אומרת שהם שולטים ביצירת הערך. נפח טוקנים מודד פעילות. הוצאות טוקנים מודדות את מה שחברות מוכנות לשלם עבור יכולת בלתי ניתנת להחלפה.
לאן הכסף באמת זורם
נתוני ה-AI gateway של Vercel הופכים את ההפרדה הכלכלית לבלתי ניתנת להתעלמות. למרות הדומיננטיות של DeepSeek בתעבורת הטוקנים הגולמית, Anthropic ממשיכה לתפוס יותר ממחצית מסך ההוצאות על AI בפלטפורמה. הפער בין פעילות להוצאה נובע מהפרש מחירים מדהים.
על פי נתוני OpenRouter, העלות של Opus 4.8 של Anthropic היא בערך $1.37 למיליון טוקנים. V4Flash של DeepSeek עולה בערך שישה סנט לאותו נפח. המחיר של Opus גבוה פי עשרים ושלוש בערך. המכפיל הזה חשוב יותר ממה שספירת טוקנים גולמית תוכל אי פעם להיות. צוות פיתוח יכול להעביר תשעים אחוז מנפח ההסקה שלו למודל הזול יותר, ועדיין לראות שהמודל היקר מהווה את רוב התקציב שלו.
This discrepancy is not an accident. It reflects the reality that frontier providers are selling something different. They are not just selling tokens. They are selling the ability to reason through problems that lack established playbooks. The enterprises paying premium rates are not doing so out of ignorance. They are doing so because the tasks they assign to these models are either high-stakes or structurally complex. A legal team analyzing novel regulatory exposure cannot tolerate a hallucinated citation. A product team designing a multi-step agentic workflow needs the model to correctly chain logic across several turns. The cost of failure in these scenarios far exceeds the cost of the API call.
Capital expenditure flows toward the layer where the value is still being created, not merely executed.
The Market Grows Faster Than the Migration
If open-source models are so much cheaper, and enterprises are actively shifting mature workloads toward them, why has frontier spending not collapsed? The answer is that the total market of addressable AI tasks is expanding faster than any single model can commoditize it.
Every time a company successfully automates a predictable workflow with an open-source alternative, two things happen. First, that team saves money on execution. Second, those resources and that talent get redirected toward harder adjacent problems. The routine work is now handled by machines, which means the humans can focus on the irregular, the strategic, and the unprecedented. The newly discovered problem almost always requires the reasoning depth of a frontier model.
This pattern repeats across industries. A bank automates document review using a cheap model, then turns its attention to building a dynamic risk model that requires nuanced judgment. A software firm automates test generation, then attempts to build an autonomous debugging agent that must trace errors across distributed systems. The frontier keeps advancing. As soon as one task becomes a commodity, a more complex use case emerges that demands premium capability.
Many enterprise tasks also remain too sensitive to hand to the current generation of open-source alternatives. Medical triage support, financial forecasting under regulatory scrutiny, and executive strategy analysis carry downside risks that make inference cost irrelevant next to accuracy and reliability. These workloads create a durable premium tier. The result is a stable two-tiered economy: a high-margin layer for complex reasoning and discovery, and a high-volume commodity layer for routine production execution.
What This Means for Enterprise Buyers
The practical takeaway is that model selection should follow the maturity of the work, not ideology. Build and validate new AI applications on the most capable frontier models you can access. Pay the premium during discovery. It is cheaper than building on a limited model, failing to prove value, and abandoning the project. Once the inputs, outputs, and failure modes are known, then optimize aggressively. Move the stable workload to an open-source alternative and capture the cost savings.
Trying to force every task into a single tier is a recipe for either wasted capital or missed capability. The companies that navigate this correctly will run hybrid architectures by default, not as a compromise.
The story here is not that open source is losing, or that frontier labs are invincible. It is that both tiers are growing, but they are growing in different directions. Open-source models are swallowing the known world of AI tasks. Frontier models are staking claims on the unknown. For the foreseeable future, that is a comfortable arrangement for both.