$480 מיליארד "נשרפו" בבורסה: בסין התפוצצה בועת הבינה המלאכותית. האם ארה"ב הבאה בתור?

Artem Honcharenko, PhD

ראש המכון לשילוב מחדש, שיקום ופיתוח מקצועי של ותיקים (Institute of Reintegration, Rehabilitation and Professional Development of Veterans) "Architecture of Resilience" ב-KNUBA

27 באוקטובר 2026 • ניתוח מאת הכותב

הקריסה הסינית: מה באמת קרה בשוק

עד לא מכבר כונו יצרניות השבבים, הרכיבים האופטיים למרכזי נתונים והרובוטיקה המנצחות הראשיות של המהפכה הטכנולוגית החדשה. משקיעים קנו את מניותיהן בציפייה לגידול עתידי בביקוש לבינה מלאכותית. בסוף אוקטובר התחלפה הביטחון הזה במכירה המונית רחבת היקף.

לפי הדיווח של Reuters מ-26 באוקטובר 2026, מדד STAR 50, המשקף את ביצועיהן של חברות הטכנולוגיה והחדשנות המובילות בבורסת שנגחאי, איבד בערך 40% בפחות מארבעה חודשים. ההפחתה בשווי השוק הכולל מוערכת בסכום של $480 מיליארד. כבר ב-27 באוקטובר נסגר המדד ברמה של 1,252.28 נקודות, וצניחתו באותו יום עמדה על 4,81%. [1–2]

כאן חשובים שני דיוקים. STAR 50 אינו רשימה של 50 חברות הבינה המלאכותית הגדולות בסין, אלא מדד של מגזר הטכנולוגיה והחדשנות, שבו חברות רבות קשורות למוליכים למחצה ולבינה מלאכותית. וגם $480 מיליארד לא "נעלמו" מחשבונות הבנק של החברות: מדובר בירידה בשווי הבורסאי של חבילות מניות.

עם זאת, היקף התיקון אינו קטן בגלל זה. Reuters מביאה דוגמאות לצניחת מניות של יצרני רובוטים, שבבים וציוד אופטי בעשרות אחוזים. הבורסה נזכרה לפתע בדרישה כלכלית פשוטה: טכנולוגיה טובה עדיין אינה מבטיחה רווח שדי בו כדי להצדיק כל מחיר מניה. [1]

מדוע השוק התקרר: ציפיות מנופחות מול רווחים ממשיים

בשיא העלייה, מכפיל הרווח (P/E) של מדד STAR 50 התקרב, לפי הערכת Reuters, אל 250. גם לאחר הירידה החדה הוא עמד על בערך 100, בעוד שנקודת ההשוואה של Nasdaq 100 באותו פרסום היא בערך 30. אלה אינם מדדים זהים במבנה שלהם, אך ההפרש מראה כמה צמיחה עתידית המשקיעים כבר שילבו בשערי המניות הסיניות. [1]

לצד ההערכות היקרות נוספו ספקות לגבי קצב הביקוש לציוד בינה מלאכותית, הגבלות יצוא אפשריות, גורמי מס וסיכונים למכירת רכיבים סיניים למרכזי נתונים בחו"ל. אף אחת מהסיבות הללו אינה מסבירה לבדה את כל הקריסה, אך יחד הן הפכו את השוק לפגיע.

המסקנה שלי פשוטה: יש להפריד בין מחיר המניה לבין התועלת של הטכנולוגיה. חברה יכולה ליצור מוצר נחוץ ובכל זאת להיות יקרה במידה בלתי מוצדקת בבורסה. ולהפך — ירידת שעריה אינה מבטלת את ההשפעה הטכנולוגית שכבר הושגה.

יש להפריד בבירור בין שני דברים: היעילות הכלכלית של בינה מלאכותית לבין הערך הספקולטיבי של החברות המרוויחות ממנה. שוק המניות עלול לטעות בציפיותיו. אך אם הטכנולוגיה אכן מקצרת את זמן המחקר, מגדילה את הפריון ומאפשרת לקבל מהר יותר החלטות מבוססות, הערך הזה אינו נעלם יחד עם ירידת השערים.

האם הבינה המלאכותית אכן מאיצה את העבודה האנושית: מה הוכח ומה רק מובטח

כחוקר אני סבור שאת הבינה המלאכותית כדאי להעריך לא לפי רעש המצגות, אלא לפי ניסויים בלתי תלויים עם קבוצות ביקורת. מחקרים כאלה כבר קיימים.

במחקר של MIT שפורסם בכתב העת Science בשנת 2023, 453 מומחים ביצעו משימות כתיבה מקצועיות. בקבוצה שהייתה לה גישה ל-ChatGPT זמן הביצוע הממוצע התקצר בשיעור של 40%, ואיכות התוצאה לפי הערכות מומחים עלתה בשיעור של 18%. זהו ניסוי אמיתי, אך הוא אינו מוכיח שכל מחקר מורכב יואץ אוטומטית באותם 40%. [3]

בניסוי של Harvard Business School ו-Boston Consulting Group בהשתתפות 758 יועצים משתמשי GPT-4 ביצעו משימות התואמות את יכולות המודל מהר יותר ב-25% ומעלה והשלימו משימות רבות יותר ב-12% ומעלה. יחד עם זאת, במשימה החורגת מיכולותיו האמינות של הכלי, השימוש ב-AI הביא לתוצאה גרועה יותר. [4]

במיוחד מעידה האנליטיקה המדעית. סקירה של 25 מחקרים, שפורסמה בכתב העת Frontiers in Pharmacology בשנת 2025, תיעדה קיצור זמן של יותר מ-50% בקרב 17 עבודות. במקרים מסוימים סקירה אוטומטית של תקצירים התקצרה פי 5–6, והעומס הידני בתנאי של 95% שלמות באיתור חומרים — פי 6–10. מדובר בעיקר בשלבי מיון נפרדים, ולא בכל הדרך מרעיון ועד מסקנה מאומתת. [5]

יש גם הסתייגות. בניסוי אקראי של METR משנת 2025 16 מפתחים מנוסים, שביצעו 246 משימות אמיתיות, עבדו עם כלי הבינה המלאכותית של אז בממוצע 19% יותר זמן, אף שהם עצמם סברו שהואצו. כלומר, כלי שעוזר למתחיל עלול להאט מומחה בעבודה מוכרת היטב אם עלות בדיקת התוצאות גבוהה מדי. [6]

מסקנה: עלינו למדוד לא את היקף הטקסט שנוצר, אלא את מספר התוצאות הנכונות והמאומתות ליחידת זמן.

דוגמה אחת שמשנה את קנה המידה: 100 אלף מסמכים

נניח ארגון שצריך לסקור בשלב ראשוני 100,000 מסמכים — חוזים, פרסומים מדעיים, דוחות, פניות אזרחים או חומרים בנושא שיקום. אם נקדיש לכל מסמך רק שלוש דקות, נקבל 5,000 שעות עבודה, כלומר 625 ימי עבודה של שמונה שעות. צוות של עשרה אנליסטים יעבוד כ-12.5 שבועות בעומס מלא.

ועכשיו נניח שמערכת מאומתת מבצעת אוטומטית הסרת כפילויות, סיווג ראשוני וחיפוש סתירות, ומפיקה רשימת חריגים. אם איכותה מאפשרת לצמצם דווקא את הסינון הידני ב-90%, יישאר שווה ערך של 500 שעות עבודה בשלב זה.

זהו מודל המחשה ולא תוצאה של יישום ספציפי. היא אינה מביאה בחשבון בנפרד את עלות המחשוב, ההגדרות, בקרת האיכות ומקרים קריטיים שהוחמצו. לכן אין לטעון באופן מכני להאצה פי עשרה של המחקר כולו.

אך הוא מסביר היכן נוצר הערך האמיתי: המומחה אינו חייב עוד לסקור ידנית כל פיסת מידע, אם הסינון האוטומטי הוכיח את הדיוק הנדרש. הוא עובר מקריאה המונית לעבודה מעמיקה עם מקרים מורכבים.

השוק מתחיל להתבגר. ההבטחה לבדה למהפכה טכנולוגית כבר אינה מספיקה. המשקיע רוצה לראות רווח, והארגון — תוצאה קונקרטית: כמה זמן נחסך, כמה טעויות נמנעו, כמה פניות טופלו וכמה עולה תחזוקת המערכת. יתרון תחרותי אמיתי יהיה למי שיוכל להוכיח את היעילות הכלכלית של בינה מלאכותית.

המלחמה משנה את נוסחת הפריון: מדוע זה חשוב לאוקראינה

במדינה שלנו עובד יכול להיות בעל הכשרה גבוהה ומוטיבציה, ובכל זאת לא מסוגל לבטל אזעקת אוויר או התקפת טילים. ביטחון האדם חייב תמיד להישאר בראש סדר העדיפויות.

בסקר של European Business Association שנערך בפברואר 2026 בקרב 131 מנהלים בכירים בחברות החברות באיגוד, 45% מהנשאלים ציינו את הפסקת העבודה בזמן אזעקות אוויר בין המגבלות הנפוצות, ואילו 82% ציינו התקפות על מערכת האנרגיה בין הגורמים בעלי ההשפעה השלילית הגדולה ביותר על העסקים. זו אינה סטטיסטיקה של אובדן שעות ממוצע בכל אוקראינה, אך זו עדות משמעותית למכשולים תפעוליים. [7]

ניקח פרויקט מדומה שדורש 100 שעות אנליטיות פרודוקטיביות. אם הזמינות בפועל של זמן העבודה היא 70%, לביצועו יידרשו בערך 143 שעות של משאב עבודה מתוכנן. בתהליך היברידי מדומה, שבו לאדם נותרות 25 שעות ועיבוד מכונה ופעולות נלוות מוסיפים 10 שעות, ההערכה הכוללת היא כ-46 שעות. ההפרש הוא בערך פי 3.1.

אין להתייחס למספרים אלה כאל נורמה לחברות אוקראיניות: 70% זמינות ומבנה הפעולות הם כאן רק הנחות תרחיש. האפקט האמיתי ייקבע לפי אופי המשימות, מוכנות הנתונים וארכיטקטורת המערכת.

ועם זאת, העיקרון חשוב. אם המחשוב, הנתונים ותורי המשימות מגובים כראוי ומפוזרים גאוגרפית, חלק מהפעולות יכול להימשך גם כשהעובדים נמצאים במקלט. אבל אם המערכת קשורה לשרת משרדי יחיד ללא תקשורת ומתח גיבוי, היתרון הזה לא יתקיים.

עבור אוקראינה, שימוש בבינה מלאכותית אינו רק רצון להיות מתקדמים מבחינה טכנולוגית. זו שאלה של חוסן. לאדם יש זכות לביטחון, למנוחה ולהגנה בזמן מלחמה. יחד עם זאת, תשתית דיגיטלית שנבנתה נכון יכולה להבטיח רציפות של חלק מהתהליכים הקריטיים. משימתנו אינה להחליף את האדם, אלא לחזק את יכולותיו באמצעות טכנולוגיה.

המהפכה העיקרית אינה טקסט תוך דקה, אלא איתור הבעיה לפני הדוח

אני סבור שהשינוי הבא יהיה עמוק יותר מהכנה אוטומטית של תזכירים אנליטיים. הנושא הוא ניטור מסביב לשעון, שבו הנתונים זורמים ברציפות, המערכת מזהה סטיות, בודקת אותן לפי כללים, מסווגת את הסיכון ומעבירה את המידע לאדם אחראי או מבצעת פעולה בטוחה שאושרה מראש.

באבטחת סייבר מפתחים לשם כך כבר זמן רב פלטפורמות SIEM וכן SOAR. המלצות בינלאומיות משנת 2025 מתארות אותן ככלים לאיסוף אירועים, לזיהוי פעילות חשודה, להתראת מומחים ולאוטומציה של חלקים מוגדרים בתגובה. יחד עם זאת, מערכות כאלה דורשות כיוונון, בדיקות ופיקוח מקצועי באופן מתמיד. [8]

עבור אוקראינה ניתן להתאים את העיקרון הזה לניטור השיקום, לבקרה פיננסית, למדדים סביבתיים, לאיומי סייבר ולפניות של ותיקים ומשפחותיהם. לדוגמה, פנייה חדשה יכולה להגיע אוטומטית לגורם המתאים, ושינוי חריג במסמכי מכרז — ליצור התראה לביקורת. אך החלטות על סיוע רפואי, הגבלת זכויות או סנקציות כספיות אסור להפקיד בידי מודל גנרטיבי ללא מנגנוני בקרה עצמאיים מתאימים.

העתיד שייך למערכות שלא רק צוברות מידע אלא מנתחות אירועים באופן מתמיד. בינה מלאכותית יכולה לסייע באיתור חריגות, בבדיקתן ובהפעלת תרחישי תגובה שהוסכמו מראש. אך החלטות קריטיות חייבות להישאר תחת פיקוח אנושי הולם. דווקא השילוב בין אוטומציה לאחריות יקבע את איכותן של מערכות אקולוגיות דיגיטליות חדשות.

מחיר הטעות: היכן אסור לבלבל בין אוטומציה לאמון

ככל שהאוטומציה רחבה יותר, כך טעות מערכתית עלולה לעלות ביוקר רב יותר. מודל יכול להמציא מקור באופן משכנע, להחמיץ מסמך חשוב או לתת גישה לנתונים חסויים למשתמש שאינו מתאים. לכן בחומרים רפואיים, אישיים ופיננסיים נדרשים צמצום נתונים, בקרת הרשאות גישה, תיעוד פעולות ביומן, בדיקת דיוק והליכי אישור נפרדים לפעולות קריטיות.

הקהילה המדעית חייבת להבחין בין מהירות העיבוד המכונתי לבין מהימנות המסקנה. הדבר אקטואלי במיוחד כאשר בינה מלאכותית מסייעת בהכנת סקירות מדעיות או אנליטיקה לצורכי החלטות ניהוליות.

עלינו להבחין בין מהירות עיבוד המידע לבין מהימנות הידע שהתקבל. בינה מלאכותית יכולה להאיץ באופן ניכר את החיפוש, ההשוואה והמיון השיטתי של נתונים, אך הדבר אינו מבטל את הצורך באימות מקורות, בבדיקת המתודולוגיה ובשחזוריות התוצאות.

האם הקריסה הסינית תחזור על עצמה בארה"ב?

זו השאלה שנשמעת היום חזק מכולן. אולם הירידה של 40% במדד STAR 50 הסיני אינה אומרת צניחה אוטומטית של 40% במניות האמריקאיות. Reuters משווה את התיקון הסיני לנסיגה של כ-6% ב-Nasdaq מהשיא האחרון שלו. אלה מדדים, תקופות ומבני עסקים שונים; תחזית ישירה על בסיס כזה לא תהיה מבוססת. [1]

אכן קיימים סיכונים למניות טכנולוגיה גלובליות: ציפיות גבוהות, הוצאות הוניות גדולות על תשתית מחשוב, אי־ודאות בביקוש וחילוץ ערך קשה. אך מידת הפגיעות של כל חברה תלויה ברווחיה, בתזרימי המזומנים שלה, בחובה, בלקוחותיה ובעלות ההון שגייסה.

לדעתי, השאלה המרכזית עבור השווקים כבר השתנתה: לא "מי הכריז על בינה מלאכותית בקול רם יותר", אלא "מי הצליח להפוך את הטכנולוגיה לתוצאה כלכלית מאומתת". בהיגיון הזה, ירידה בהערכות ספקולטיביות עשויה אפילו לדחוף את העסקים להשקעות ממושמעות יותר.

מה אני מציע לארגונים אוקראינים

אין לעצור את הטרנספורמציה הדיגיטלית בגלל קריסת מניות במדינה אחרת. אבל גם אין צורך לרכוש בלי מחשבה פתרונות בינה מלאכותית יקרים רק כי זה אופנתי. ניתן לצמצם את הגישה הרציונלית לחמישה צעדים מעשיים.

1. למדוד את התהליך הנוכחי: משך הפעולות, העלות, הטעויות, זמן ההמתנה לתשובה והעומס על האנשים.
2. לבחור פיילוט מצומצם: למשל סיווג מסמכים, איתור כפילויות או תעדוף פניות, ולא אוטומציה של כל הניהול בבת אחת.
3. להגדיר את גבולות האוטונומיה: מה האלגוריתם רשאי לבצע בעצמו, מה הוא רשאי רק להציע, ומה מחייב החלטה של אדם.
4. לבדוק איכות ואבטחה: מקרים קריטיים שהוחמצו, התראות שווא, גישה לנתונים אישיים, תלות בספק ועמידות לתקלות.
5. לחשב את הכלכלה במלואה: רישיונות, מחשוב, אינטגרציות, תחזוקה, הכשרת הצוות — ושווי הזמן שנחסך.

כשהמדדים האלה אינם נמדדים, הדיבורים על חיסכון של פי חמישה או פי עשרה הופכים לשיווק. כשהם נמדדים — הארגון יכול לקבל החלטות על בסיס ראיות.

מסקנה: בועת הבורסה עשויה להתפוצץ, והמהפכה הטכנולוגית תימשך

הקריסה הסינית היא אזהרה חמורה למשקיעים. היא מראה שגם ענפים מבטיחים אינם מוגנים מפני הערכות מנופחות, ציפיות בלתי מוצדקות ושינויים חדים במצב הרוח בשוק.

אך עבורי, כחוקר וכראש מוסד העוסק בסוגיות של הון אנושי ושיקום אוקראינה, המסקנה שונה: יש להעריך טכנולוגיה לפי השפעתה על משימות אמיתיות, ולא לפי הלהיטות בבורסה.

אם האוטומציה מקצרת את זמן הטיפול בפניות, מסייעת באיתור סיכונים בזמן, תומכת ברציפות העבודה בזמן מלחמה ומפנה מומחים להחלטות אחראיות — יש לה כבר ערך מעשי. אך את הערך הזה צריך למדוד, ואת הבטיחות — להוכיח.

בועת הבינה המלאכותית עשויה להתפוצץ. הצורך בידע מאומת, בארגונים עמידים ובהחלטות בזמן — לא.

מקורות והערות מתודולוגיות

[1] Reuters. "In China, the AI bubble has already burst", 26 באוקטובר 2026 מקור

[2] Investing.com. SSE STAR 50: historical data, סגירה ב-27 באוקטובר 2026 מקור

[3] Noy S., Zhang W. «Experimental evidence on the productivity effects of generative artificial intelligence». Science, 2023 מקור

[4] Harvard Business School / Boston Consulting Group. «Navigating the Jagged Technological Frontier», 2023 מקור

[5] Abogunrin S. et al. «How much can we save by applying artificial intelligence in evidence synthesis?». Frontiers in Pharmacology, 2025 מקור

[6] METR. «Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity», 2025 מקור

[7] European Business Association. "ארבע שנים של מלחמה גדולה: כיצד פועלים עסקים באוקראינה" (Four Years of the Large-Scale War: How Business Operates in Ukraine), 24 בפברואר 2026 מקור

[8] Australian Signals Directorate ושותפים בינלאומיים. "Implementing SIEM and SOAR platforms: Executive guidance", 27 במאי 2025 מקור

הערה לחישובים: הדוגמה עם 100 אלף מסמכים ומודל זמינות כוח האדם בתנאי מלחמה הם הנחות להמחשה. יש להבחין ביניהם לבין תוצאות של מחקרים מבוקרים ספציפיים ולבדוק אותם על נתונים עצמאיים לפני קבלת החלטת השקעה.