כל מנכ"ל טכנולוגיות שמקבל הצעת מחיר לפיתוח מודל AI מותאם נתקל באותו רגע מביך: ההצעה הראשונה אומרת 80 אלף שקל, השנייה אומרת 4 מיליון, והשלישית מדברת על "פרויקט אסטרטגי רב-שנתי". איך ייתכן שאותה משימה לכאורה מתומחרת בפער של פי חמישים? התשובה היא שהמילים "לבנות מודל AI" מתארות לפחות שלושה מסלולים הנדסיים שונים לחלוטין, ולכל אחד מהם מבנה עלות אחר. בלי להבין את ההבדל, ארגון ישראלי עלול לשרוף תקציב על אימון מאפס כשהיה מספיק fine-tuning — או, גרוע מכך, לקנות פתרון מדף שלא נותן לו שום יתרון תחרותי. בכתבה הזו נפרק את עלות בניית מודל AI בישראל לשנת 2026 למספרים אמיתיים, לפי מסלול, כדי שתוכלו לבנות תקציב שמחזיק מים מול הדירקטוריון.
שלוש דרכים לבנות מודל AI — וההבדל ביניהן שווה מיליונים
לפני שמדברים על כסף, צריך להגדיר מה בכלל בונים. אימון מאפס (training from scratch) פירושו ליצור מודל שפה או מודל למידה עמוקה מאוסף משקלים אקראי, להזין לתוכו מאות מיליארדי טוקנים ולאמן אותו על מאות כרטיסי GPU במשך שבועות. Fine-tuning לוקח מודל בסיס פתוח קיים (כמו Llama או Mistral) ומכוונן אותו על הדאטה הייחודי שלכם — שבריר מהעלות, רוב התועלת. והמסלול השלישי, הנדסת אינטגרציה, עוטף מודל מסחרי קיים בשכבת RAG ובלוגיקה עסקית בלי לאמן כלום. שלושת המסלולים נשמעים דומה בפגישת מכירה, אבל מבחינת עלות הם נמצאים ביקומים שונים: מ-75 אלף דולר ועד 10 מיליון דולר ומעלה. הבחירה הנכונה תלויה בשאלה אחת — כמה הייחודיות של הדאטה והמשימה שלכם מצדיקה השקעה בליבת המודל עצמו.
אימון מודל מאפס: כמה זה באמת עולה ב-2026
נתחיל בקצה היקר. אימון מודל בסדר גודל של 70 מיליארד פרמטרים מאפס דורש מאות כרטיסי H100 שרצים שבועות רצופים. נכון ל-2026 מחיר שכירת H100 בענן התייצב סביב 2.85–3.5 דולר לשעה לכרטיס — ירידה של 64%–75% משיא 2023 — אבל גם במחיר הזה, עלות הקומפיוט בלבד למודל ארגוני בקנה מידה כזה נעה בין 1.75 ל-12 מיליון דולר. מודלים בחזית הטכנולוגיה (frontier models) של החברות הגדולות עולים 78–192 מיליון דולר לאימון. המסקנה לרוב הארגונים הישראליים ברורה: אימון מאפס מוצדק רק כשיש לכם דאטה ייחודי בקנה מידה אדיר ודרישת ביצועים שאף מודל בסיס קיים לא עומד בה — למשל מודל ראייה ממוחשבת ייעודי לפרויקט Safe City שצריך לזהות דפוסי התנהגות שלא קיימים בשום דאטהסט ציבורי, או מודל תחזוקה חזויה (predictive maintenance) בתעופה שמאומן על חיישנים קנייניים. בכל מקרה אחר, יש מסלול חכם יותר.
Fine-tuning: האלטרנטיבה ש-90% מהארגונים בוחרים
Fine-tuning — כוונון מודל בסיס קיים על הדאטה שלכם — הוא הסיבה שרוב הארגונים כבר לא צריכים לחלום על תקציבי ענק. טכנית, fine-tune של מודל 70B עם שיטת LoRA (התאמת משקלים יעילה שמאמנת רק חלק קטן מהפרמטרים) על ארבעה כרטיסי H100 עולה בזמן GPU גולמי בערך 180 דולר. כן, קראתם נכון — מאה שמונים דולר. מודל קטן יותר של 7B מתכוונן ב-10 עד 50 שעות GPU בעלות 327–1,638 דולר. הקומפיוט הוא כמעט אפס. מה שכן עולה כסף זה הפרויקט מסביב: הכנת הדאטה, הגדרת מדדי הצלחה, הנדסת ה-pipeline, האבטחה והדפלוי. פרויקט fine-tuning ארגוני שלם, מקצה לקצה, על מודל בגודל 7B–70B נע בין 150 אלף ל-750 אלף דולר. זה פי 10 עד 20 זול מאימון מאפס, ובמרבית המקרים נותן 90% מהערך. בפרויקט Dialex, סוכן ה-Voice AI בעברית שפיתחנו, בדיוק הגישה הזו אפשרה להגיע לרמת הבנה שיחתית בעברית מבלי לאמן מודל שפה ענק מאפס — כיוונון ממוקד על דאטה קולי ייעודי הביא את הביצועים הנדרשים בעלות שמתאימה לארגון, לא למעבדת מחקר.
עלות הדאטה: ההוצאה שאף אחד לא מתמחר נכון
הנה הסוד הגדול שמפיל תקציבים: בפרויקט AI ממוצע, הכנת הדאטה מהווה 30%–50% מסך עלות הפרויקט — לא הקומפיוט. תיוג ידני של דאטה (data annotation) יכול לעלות פי 28 מעלות האימון עצמה. למה? כי מודל הוא רק טוב כמו הדאטה שמזין אותו, ודאטה ארגוני אמיתי הוא מבולגן: מסמכים סרוקים, שיחות לא מתומללות, שדות חסרים, רגולציה שמגבילה גישה. עבור ארגון ישראלי בתחומי הפיננסים, הביטוח או הבריאות, נוסף על כך אתגר הפרטיות — הדאטה לא יכול לצאת מהארגון, מה שמחייב סביבת אימון מאובטחת בתוך הענן הפרטי או on-prem. כשבנינו עבור Quantap מודל AI לתחום הבנייה והנדל"ן, נתח הארי של המאמץ ההנדסי לא הלך לאימון אלא לניקוי, מבנה ותיוג של דאטה תכנוני וגיאוגרפי גולמי. הלקח לכל מנהל טכנולוגיות: כשאתם מתקצבים מודל, תקצבו קודם כל את הדאטה. פיתוח AI רציני מתחיל באודיט דאטה, לא בבחירת מודל.
עברית: למה מודל בשפה העברית עולה יותר — ומתי זה משתלם
רוב מודלי הבסיס הפתוחים אומנו בעיקר על אנגלית, והעברית מופיעה בהם כשפה משנית. זה אומר שביצועי המודל בעברית — דקדוק, הטיות, ניקוד, סלנג עסקי — נחותים משמעותית, וכדי לסגור את הפער צריך fine-tuning ייעודי על קורפוס עברי איכותי, שעצם איסופו יקר יותר כי יש פחות דאטה ציבורי בעברית. ב-2026 ניכרת מגמה ברורה בישראל: מעבר ממודלים שאומנו באנגלית ו"תורגמו", למודלים שמבינים עברית מהיסוד. עבור ארגונים שהאינטראקציה שלהם עם לקוחות היא בעברית מדוברת — מוקדי שירות, ביטוח, בריאות — ההשקעה במודל עברי מכוונן משתלמת, כי היא ההבדל בין סוכן AI שמבין את הלקוח לבין כזה שמתסכל אותו. זו בדיוק ההתמחות שמאחורי סוכני ה-Voice AI בעברית שלנו, ומאחורי פתרונות ה-AI Agents לארגונים שאנחנו בונים. כאן ההשקעה הנוספת בעברית אינה הוצאה — היא היתרון התחרותי.
העלות שממשיכה אחרי ההשקה: inference ותחזוקה שוטפת
טעות התקצוב הנפוצה השנייה היא להתייחס למודל כאל הוצאה חד-פעמית. בפועל, אחרי האימון מתחיל ה-TCO (Total Cost of Ownership) האמיתי: כל קריאה למודל בסביבת ייצור צורכת inference — זמן GPU שעולה כסף בכל שאילתה, ובמערכות עם נפח גבוה זו לרוב ההוצאה הגדולה ביותר לאורך זמן. נוסף על כך נכנסים ניטור ביצועים, טיפול ב-model drift (שחיקת דיוק המודל ככל שהמציאות משתנה מהדאטה שעליו אומן), ואימון מחדש תקופתי. בפרויקט MaiTech בתחום ה-AI לחינוך, למשל, האתגר לא הסתיים עם השקת המודל — הוא דרש לולאת שיפור מתמשכת שבה דאטה חדש מהשטח מוזן בחזרה למודל כדי לשמר את הרלוונטיות שלו. עבור מנהל טכנולוגיות, המשמעות פשוטה: בקשו מהספק תחזית עלות תפעולית ל-12 ו-24 חודשים, לא רק מחיר פיתוח. מודל זול לבנות שיקר להפעיל הוא מלכודת תקציבית קלאסית, ובחירת ארכיטקטורה נכונה (גודל מודל, quantization, אסטרטגיית caching) יכולה לחתוך את עלות ה-inference בעשרות אחוזים.
אז כמה תקציב להקצות? מפת עלויות 2026 לארגון ישראלי
נסכם בטווחים מעשיים (בהמרה גסה של כ-3.7 ש"ח לדולר). מסלול אינטגרציה של מודל מסחרי קיים עם RAG ולוגיקה עסקית: כ-75–150 אלף דולר (כ-280 אלף עד 550 אלף ש"ח), מתאים כשהדאטה לא ייחודי במיוחד ומהירות יציאה לשוק היא הקריטריון. מסלול fine-tuning מקצה לקצה: 150–750 אלף דולר (כ-550 אלף עד 2.8 מיליון ש"ח), המסלול המומלץ לרוב הארגונים שרוצים יתרון מבוסס דאטה ייחודי. מסלול אימון מאפס בקנה מידה ארגוני: החל מ-1.75 מיליון דולר ומעלה — שמרו אותו למקרים נדירים של דאטה וייחודיות קיצוניים. חשוב מהמספר עצמו: זכרו שכ-30%–50% מהתקציב ילך לדאטה, לא לאימון, ושעלויות תחזוקה ו-inference שוטפות מצטרפות אחרי ההשקה. תקצוב ריאלי מתחיל בשאלה "כמה ייחודי הדאטה שלי", לא "איזה מודל הכי חדש".
בסופו של דבר, ההחלטה היקרה ביותר היא לא איזה מודל לאמן — אלא לבחור את המסלול הלא נכון בגלל הצעת מחיר שלא פירקה את העלות לרכיביה. בית תוכנה שמתמחה ב-AI עמוק אמור להגיע אליכם עם אבחון, לא עם מחירון. הצוות שלנו, שכולל אנשי AI מהמחלקות המתקדמות של חברות כמו Google ו-NVIDIA, בונה מודלים מאפס, מכוונן LLM-ים על דאטה ארגוני, ומטמיע AI במוצרים אמיתיים — מ-Voice AI בעברית ועד Safe City ותעופה. אם אתם שוקלים פרויקט מודל AI ורוצים תמחור שמבוסס על הנדסה ולא על ניחוש, לשיחת ייעוץ ללא עלות.
