480 מיליארד דולר „נשרפו“ בבורסה: בועת הבינה המלאכותית בסין התפוצצה. האם ארה״ב הבאה בתור?

Artem Honcharenko, PhD

ראש המכון לשילוב מחדש, שיקום ופיתוח מקצועי של ותיקים „אדריכלות החוסן“ של KNUBA

27 באוקטובר 2026 • ניתוח מאת הכותב

הקריסה הסינית: מה באמת קרה לשוק

עוד לא מזמן כונו יצרניות השבבים, הרכיבים האופטיים למרכזי נתונים והרובוטיקה המנצחות הגדולות של המהפכה הטכנולוגית החדשה. משקיעים קנו את מניותיהן מתוך ציפייה לגידול עתידי בביקוש לבינה מלאכותית. בסוף אוקטובר התחלפה הביטחון הזה במכירת ענק.

לפי דיווח של Reuters מ-26 באוקטובר 2026, מדד STAR 50, המשקף את ביצועיהן של חברות הטכנולוגיה והחדשנות המובילות בבורסת שנגחאי, איבד כ- 40% בפחות מארבעה חודשים. ירידת שווי השוק המצטבר מוערכת בכ- 480 מיליארד דולר. כבר ב-27 באוקטובר נסגר המדד ברמה של 1,252.28 נקודות, וירידתו ביום אחד הייתה 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 הדולר לא „נעלמו“ מחשבונות הבנק של החברות: מדובר בירידה בהערכת השווי של חבילת המניות בבורסה.

ובכל זאת, היקף התיקון אינו קטן בשל כך. Reuters מביא דוגמאות לצניחה של עשרות אחוזים במניות של יצרני רובוטים, שבבים וציוד אופטי. הבורסה נזכרה לפתע בדרישה כלכלית פשוטה: טכנולוגיה טובה עדיין אינה מבטיחה רווחים שיצדיקו כל מחיר מניה. [1]

למה השוק התקרר: ציפיות מנופחות מול רווחים אמיתיים

בשיא העלייה התקרב מכפיל הרווח (P/E) של מדד STAR 50, לפי הערכת Reuters, אל 250. גם לאחר הירידה החדה הוא עמד על כ- 100, בעוד שנקודת הייחוס למדד Nasdaq 100 באותה כתבה היא כ- 30. אלה אינם מדדים בעלי מבנה זהה, אך הפער מראה כמה צמיחה עתידית כבר תמחרו המשקיעים בשערי המניות הסיניות. [1]

לצד ההערכות היקרות נוספו ספקות לגבי קצב הביקוש לחומרה לבינה מלאכותית, מגבלות ייצוא אפשריות, גורמי מיסוי וסיכונים למכירת רכיבים סיניים למרכזי נתונים בחו״ל. אף אחת מהסיבות האלה בנפרד אינה מסבירה את כל הקריסה, אך יחד הן הפכו את השוק לפגיע.

המסקנה שלי פשוטה: צריך להפריד בין מחיר המניה לתועלת הטכנולוגיה. חברה יכולה ליצור מוצר נחוץ ובכל זאת להיות יקרה בבורסה שלא כדין. ולהפך — ירידה בשער המניה אינה מבטלת את ההשפעה הטכנולוגית שכבר הושגה.

יש להבחין בבירור בין שני דברים: היעילות הכלכלית של הבינה המלאכותית לבין הערך הספקולטיבי של החברות שמרוויחות ממנה. שוק המניות יכול לטעות בציפיותיו. אבל אם טכנולוגיה אכן מקצרת את זמן המחקר, מעלה את הפריון ומאפשרת לקבל מהר יותר החלטות מבוססות, הערך הזה אינו נעלם עם ירידת השערים.

האם בינה מלאכותית באמת מאיצה עבודה אנושית: מה הוכח ומה רק מובטח

כחוקר, אני סבור שאת הבינה המלאכותית יש להעריך לא לפי רעש המצגות אלא לפי ניסויים עצמאיים עם קבוצות ביקורת. ומחקרים כאלה כבר קיימים.

במחקר של MIT שפורסם בכתב העת Science ב-2023, 453 אנשי מקצוע ביצעו משימות כתיבה מקצועיות. בקבוצה שהייתה לה גישה ל-ChatGPT קוצר זמן הביצוע הממוצע ב- 40%, ואילו איכות התוצר לפי הערכת מומחים עלתה ב- 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 שתאמו את יכולות המודל ביותר מ- 25% מהר יותר והשלימו ביותר מ- 12% משימות יותר. יחד עם זאת, במשימה שמחוץ ליכולות האמינות של הכלי, השימוש בבינה מלאכותית הוביל לתוצאה גרועה יותר. [4]

במיוחד מעידה האנליטיקה המדעית. סקירה של 25 מחקרים, שפורסמה ב- Frontiers in Pharmacology ב-2025, תיעדה קיצור זמן של יותר מ-50% ב- 17 עבודות. במקרים מסוימים קוצר הסינון האוטומטי של התקצירים פי 5–6, ואילו העומס הידני, בתנאי של 95% כיסוי באיתור החומרים, קוצר פי 6–10. מדובר בעיקר בשלבי סינון בודדים ולא בכל הדרך מרעיון ועד מסקנה מאומתת. [5]

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

מסקנה: עלינו למדוד לא את נפח הטקסט שנוצר אלא את כמות התוצאות הנכונות והמאומתות ליחידת זמן.

דוגמה אחת ששינתה את קנה המידה: 100 אלף מסמכים

נניח ארגון שצריך לבצע סקירה ראשונית של 100,000 מסמכים — חוזים, פרסומים מדעיים, דוחות, פניות אזרחים או חומרים בנושא שיקום. אם על כל מסמך מקדישים רק שלוש דקות, מקבלים 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 לקצר דווקא את הסינון הידני ב-90%, יישאר שווה ערך ל- 500 שעות עבודה בשלב זה.

זהו מודל להמחשה ולא תוצאה של יישום ספציפי. היא אינה לוקחת בחשבון בנפרד את עלות החישוב, ההתקנה, בקרת האיכות ומקרים קריטיים שהוחמצו. לכן אין לטעון באופן מכני להאצה פי עשרה של המחקר כולו.

אך היא מסבירה 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 על מקרים מורכבים.

השוק מתחיל להתבגר. ההבטחה 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. היתרון התחרותי האמיתי יהיה למי שיידע להוכיח את היעילות הכלכלית של הבינה המלאכותית.

המלחמה משנה את נוסחת הפריון: למה זה חשוב לאוקראינה

במדינה שלנו עובד יכול להיות מיומן ביותר ומלא מוטיבציה, ועם 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 מחברות החברות בעמותה, 45% מהמשיבים ציינו את הפסקת העבודה בזמן אזעקות אוויר בין המגבלות הנפוצות, ואילו 82% ציינו את ההתקפות על מערכת האנרגיה בין הגורמים בעלי ההשפעה השלילית הגדולה ביותר על העסקים. זה אינו נתון סטטיסטי על אובדן שעות ממוצע בכל אוקראינה, אך זו עדות משמעותית למכשולים תפעוליים. [7]

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

אין להתייחס למספרים האלה כאל נורמה לחברות אוקראיניות: 70% זמינות ומבנה הפעולות כאן הם רק הנחות תרחיש. ההשפעה האמיתית תיקבע לפי אופי המשימות, מוכנות הנתונים וארכיטקטורת המערכת.

עם זאת, העיקרון חשוב. אם כוח החישוב, הנתונים ותורי המשימות מגובים כראוי ומפוזרים גיאוגרפית, חלק מהפעולות יכול להימשך גם כשהעובדים נמצאים במקלט. אבל אם המערכת קשורה לשרת משרדי יחיד ללא קישוריות וחשמל גיבוי, היתרון הזה לא יהיה.

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

המהפכה העיקרית אינה טקסט בדקה אלא איתור הבעיה לפני הדוח

אני סבור שהשינוי הבא יהיה עמוק יותר מהכנה אוטומטית של תזכירים אנליטיים. הכוונה היא לניטור סביב השעון, שבו הנתונים נכנסים ברציפות, המערכת מזהה סטיות, בודקת אותן לפי כללים, מסווגת את הסיכון ומעבירה את המידע לאדם אחראי או מבצעת פעולה בטוחה שאושרה מראש.

בתחום הסייבר מפתחים לשם כך כבר זמן רב פלטפורמות SIEM ו- SOAR. ההנחיות הבין-לאומיות מ-2025 מתארות אותן כאמצעים לאיסוף אירועים, לזיהוי פעילות חשודה, להתראת מומחים ולאוטומציה של חלקים מוגדרים בתגובה. יחד עם זאת, מערכות כאלה דורשות כוונון מתמיד, בדיקות ופיקוח מוסמך. [8]

עבור אוקראינה ניתן להתאים את העיקרון הזה לניטור השיקום, לבקרה פיננסית, למדדים סביבתיים, לאיומי סייבר ולפניות של ותיקים ומשפחותיהם. למשל, פנייה חדשה יכולה להגיע אוטומטית לגורם המתאים, ושינוי חריג במסמכי מכרז יכול ליצור אות עבור מבקר. אך החלטות בדבר סיוע רפואי, הגבלת זכויות או סנקציות כספיות אסור למסור למודל גנרטיבי ללא מנגנוני בקרה עצמאיים נאותים.

העתיד שייך למערכות שאינן רק צוברות מידע אלא מנתחות אירועים באופן מתמיד. בינה מלאכותית יכולה לסייע בזיהוי חריגות, בבדיקתן ובהפעלת תרחישי תגובה שנקבעו מראש. אך החלטות קריטיות חייבות להישאר תחת פיקוח אנושי נאות. דווקא השילוב של אוטומציה ואחריות יקבע את איכותן של המערכות האקולוגיות הדיגיטליות החדשות.

מחיר הטעות: היכן אסור לבלבל בין אוטומציה לאמון

ככל שהאוטומציה רחבת היקף יותר, כך טעות מערכתית עלולה להיות יקרה יותר. מודל יכול להמציא מקור באופן משכנע, להחמיץ מסמך חשוב או לתת גישה לנתונים חסויים למשתמש לא מתאים. לכן בחומרים רפואיים, אישיים ופיננסיים נדרשים צמצום נתונים, בקרת הרשאות גישה, תיעוד פעולות, בדיקת דיוק ונהלי אישור נפרדים לפעולות קריטיות.

על הקהילה המדעית להבחין בין מהירות העיבוד המכונתי לבין מהימנות המסקנה. הדבר רלוונטי במיוחד כשהבינה המלאכותית מסייעת בהכנת סקירות מדעיות או אנליטיקה להחלטות ניהוליות.

עלינו להבחין בין מהירות עיבוד המידע לבין מהימנות הידע שהתקבל. בינה מלאכותית יכולה להאיץ משמעותית חיפוש, השוואה וסידור של נתונים, אך הדבר אינו מבטל את הצורך באימות מקורות, בבדיקת המתודולוגיה ובשחזוריות של התוצאות.

האם הקריסה הסינית תחזור על עצמה בארה״ב?

זו השאלה שנשמעת היום בקול הרם ביותר. ואולם ירידה של 40% במדד STAR 50 הסיני אינה אומרת בהכרח ירידה של 40% במניות האמריקאיות. Reuters משווה את התיקון הסיני לנסיגה של כ-6% במדד Nasdaq מהשיא האחרון. אלה מדדים, תקופות ומבני עסקים שונים; תחזית ישירה על בסיס כזה תהיה חסרת בסיס. [1]

אכן קיימים סיכונים למניות הטכנולוגיה העולמיות: ציפיות גבוהות, הוצאות הון גדולות על תשתית חישוב, אי-ודאות בביקוש ומוניטיזציה מורכבת. אך מידת הפגיעות של כל חברה תלויה ברווחיה, בתזרימי המזומנים, בחוב, בלקוחות ובעלות ההון שגויס.

לדעתי, השאלה המרכזית עבור השווקים כבר השתנתה: לא „מי הכריז בקול רם יותר על בינה מלאכותית“, אלא „מי הצליח להפוך את הטכנולוגיה לתוצאה כלכלית מאומתת“. לפי היגיון זה, הצטמצמות ההערכות הספקולטיביות עשויה אפילו לדחוף עסקים להשקעות ממושמעות יותר.

מה אני מציע לארגונים אוקראיניים

אין צורך לעצור את הטרנספורמציה הדיגיטלית בגלל קריסת מניות בבורסה של מדינה אחרת. אבל גם אין לקנות בלי מחשבה פתרונות בינה מלאכותית יקרים רק משום שזה אופנתי. את הגישה הרציונלית אפשר לצמצם לחמישה צעדים מעשיים.

1. למדוד את התהליך הנוכחי: משך הפעולות, העלות, הטעויות, זמן ההמתנה למענה והעומס על האנשים.
2. לבחור פיילוט צר: 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 וחוסן מפני תקלות.
5. לחשב את הכלכלה במלואה: רישיונות, חישוב, אינטגרציות, תחזוקה, הכשרת הצוות — וערך הזמן שהצלחנו לחסוך.

כשאין מודדים את המדדים האלה, דיבורים על חיסכון פי חמישה או פי עשרה הופכים לשיווק. כשמודדים — הארגון יכול לקבל החלטות על בסיס ראיות.

מסקנה: בועת הבורסה עלולה להתפוצץ, והמהפכה הטכנולוגית תימשך

הקריסה הסינית היא אזהרה רצינית למשקיעים. היא מראה שגם ענפים מבטיחים אינם מוגנים מפני הערכות מנופחות, ציפיות בלתי מוצדקות ושינויים חדים במצב רוחו של השוק.

אבל עבורי, כחוקר וכראש מוסד העוסק בהון אנושי ובשיקומה של אוקראינה, המסקנה שונה: יש להעריך טכנולוגיה לפי השפעתה על משימות אמיתיות ולא לפי התלהבות הבורסה.

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

בועת הבינה המלאכותית עלולה 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 רחבת היקף: איך פועלים עסקים באוקראינה“, 24 בפברואר 2026 מקור

[8] Australian Signals Directorate ושותפים בין-לאומיים, „Implementing SIEM and SOAR platforms: Executive guidance“, 27 במאי 2025 מקור

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