בשבועות האחרונים אני שומע יותר ויותר מנהלים, אנשי כספים ואנשי מערכות מידע שאומרים את אותו משפט:
“אנחנו רוצים להכניס AI לארגון”.
וזה משפט נכון. אפילו מתבקש.
כלים כמו ChatGPT, Claude, Copilot וכלי AI נוספים כבר לא נמצאים רק אצל אנשי טכנולוגיה. הם נכנסים לעבודה יומיומית של מנהלים, מחלקות כספים, אנליסטים, מפתחים, אנשי שיווק, משאבי אנוש ותפעול.
אבל יש שאלה אחת שפחות מדברים עליה: כמה זה באמת עולה?
לא כמה עולה הרישיון החודשי.
לא כמה עולה מנוי למשתמש.
אלא כמה עולה השימוש האמיתי, כשהעובדים מתחילים להשתמש ב-AI יום יום, משימה אחרי משימה, קובץ אחרי קובץ, דוח אחרי דוח.
ופה מתחילה להתגלות בעיה מעניינת מאוד.
הבעיה אינה שה-AI לא עובד. הבעיה היא שהוא עובד יותר מדי
פורצ׳ן פרסמו לאחרונה מאמר מעניין על כך שמיקרוסופט החלה לצמצם או לבטל שימוש פנימי ברישיונות Claude Code, כלי הקידוד של Anthropic, אחרי שהשימוש בו בתוך החברה הפך לפופולרי מאוד, וכנראה גם יקר מאוד. באותו הקשר דווח שגם Uber סיימה את תקציב ה-AI שלה ל-2026 עבור Claude Code בתוך ארבעה חודשים בלבד. (Fortune)
וזה הסיפור הגדול כאן.
לא מדובר בכלי שלא סיפק ערך. להפך.
דווקא בגלל שהכלי היה שימושי, אנשים השתמשו בו יותר ויותר.
וזה יוצר פרדוקס מעניין:
AI אמור לחסוך זמן.
AI אמור לייעל עבודה.
AI אמור להוריד עומס מעובדים.
אבל ככל שהוא באמת נכנס לתהליכי העבודה, כך משתמשים בו יותר. וככל שמשתמשים בו יותר, העלות הכוללת מתחילה לטפס.
מה באמת עולה כסף בעולם ה-AI?
הרבה אנשים חושבים על AI כמו על תוכנה רגילה.
משלמים מנוי חודשי, מקבלים גישה, וזהו.
אבל מאחורי הקלעים, רוב כלי ה-AI עובדים לפי צריכת משאבים. אחד המושגים החשובים כאן הוא “טוקנים”.
טוקן הוא יחידת עיבוד של טקסט. כשאנחנו כותבים שאלה, המערכת מפרקת אותה לטוקנים. כשהיא מחזירה תשובה, גם התשובה מחושבת בטוקנים. כשמצרפים קבצים, קוד, גיליונות, מסמכים, היסטוריית שיחה והוראות מורכבות, כמות הטוקנים יכולה לגדול מאוד.
בשימוש פשוט, זה לא דרמטי.
למשל:
“כתוב לי נוסחת XLOOKUP”.
“הסבר לי מה עושה הפונקציה FILTER”.
“כתוב לי ניסוח למייל”.
אבל כשעוברים לשימושים מתקדמים יותר, במיוחד לסוכני AI, התמונה משתנה לגמרי.
למה סוכני AI יקרים יותר מצ'אט רגיל?
יש הבדל גדול בין צ׳אט AI רגיל לבין סוכן AI.
צ׳אט רגיל עונה על שאלה.
סוכן AI מנסה לבצע משימה.
וזו כבר רמת עבודה אחרת.
סוכן AI יכול לקרוא קבצים, להבין מבנה של מערכת, לכתוב קוד, לבדוק אותו, לתקן שגיאות, להריץ שוב, להסביר מה עשה, להציע שיפורים ולהמשיך לעבוד בכמה שלבים.
כלומר, במקום לשאול:
“איך כותבים נוסחת DAX לחישוב שינוי מול שנה קודמת?”
אפשר לבקש:
“קח את מודל ה-Power BI שלי, תעבור על הטבלאות, תבדוק את הקשרים, תמצא בעיות במדדים, תציע תיקונים, תכתוב DAX משופר, ותסביר מה צריך לשנות בדוח.”
המשימה השנייה הרבה יותר חזקה.
אבל היא גם צורכת הרבה יותר משאבים.
מחקר שפורסם באפריל 2026 בדק צריכת טוקנים במשימות קידוד סוכניות ומצא שמשימות כאלה יכולות לצרוך עד פי 1,000 יותר טוקנים ממשימות רגילות של צ׳אט או חשיבה על קוד. המחקר גם מצא שיותר טוקנים לא בהכרח מביאים לתוצאה טובה יותר, ולעיתים הדיוק מגיע לשיא דווקא בעלות בינונית ולא בעלות הגבוהה ביותר. (arXiv)
וזו נקודה קריטית.
AI לא צריך רק “לעבוד”.
הוא צריך לעבוד בצורה יעילה.
מה זה אומר לארגונים?
הרבה ארגונים נמצאים היום בשלב ההתלהבות.
קונים רישיונות.
פותחים גישה.
מעודדים עובדים להשתמש.
אומרים לכולם: “תתחילו לשלב AI בעבודה”.
זה שלב חשוב, אבל הוא לא מספיק.
כי אם אין מדיניות ברורה, אם אין מדידה, ואם אין הבנה של העלות האמיתית, הארגון עלול לגלות שהוא יצר מרכז עלות חדש.
לא בגלל שה-AI גרוע.
אלא בגלל שהוא טוב מדי, נגיש מדי, ומופעל בלי מספיק בקרה.
עובד אחד שמשתמש ב-AI כדי לנסח מייל או לבנות נוסחה לא ישנה את תקציב הארגון.
אבל מאות עובדים שמעלים קבצים, מבקשים ניתוחים, מריצים סוכנים, בונים קוד, מבצעים בדיקות חוזרות ומפעילים מודלים כבדים, זה כבר סיפור אחר.
במיוחד כשמדובר בארגונים גדולים.
ומה זה אומר לאנשי Excel, Power BI וכספים?
כאן הנושא הופך למעניין במיוחד.
בעולמות של Excel, Power Query, Power Pivot, DAX ו-Power BI, ל-AI יש ערך עצום.
הוא יכול לעזור לכתוב נוסחאות.
הוא יכול להסביר קוד M.
הוא יכול לבנות מדדי DAX.
הוא יכול לבדוק מבנה של מודל נתונים.
הוא יכול להציע אוטומציות.
הוא יכול לעזור בתיעוד.
הוא יכול לנתח קבצים ולמצוא חריגות.
אבל דווקא בגלל שהאפשרויות כל כך גדולות, קל מאוד להשתמש בו בצורה לא מדויקת.
למשל:
במקום לשאול שאלה ממוקדת על נוסחה אחת, מעלים קובץ שלם ומבקשים “תבדוק הכל”.
במקום לבקש עזרה בשלב מסוים ב-Power Query, מבקשים ממנו לבנות תהליך שלם מהתחלה.
במקום לבקש מדד DAX אחד, מבקשים ממנו לבנות מודל שלם, לבדוק אותו, להסביר אותו, ואז לשנות אותו שוב ושוב.
לפעמים זה נכון.
לפעמים זה חוסך שעות.
לפעמים זה מצדיק לגמרי את העלות.
אבל לא תמיד.
וזו בדיוק הנקודה.
השאלה כבר אינה “האם להשתמש ב-AI”.
השאלה היא “איך להשתמש ב-AI בצורה שמייצרת ערך אמיתי”.
AI לא מחליף חשיבה מקצועית. הוא מגדיל את החשיבות שלה
יש טעות נפוצה מאוד בשיח על AI.
אנשים חושבים שככל שהכלים יהיו חכמים יותר, כך נצטרך פחות מומחיות אנושית.
אני חושב שזה בדיוק הפוך.
ככל שהכלים חזקים יותר, כך חשוב יותר לדעת להפעיל אותם נכון.
מי שלא מבין Excel, יקבל נוסחה ולא תמיד ידע אם היא נכונה.
מי שלא מבין Power Query, יקבל קוד M ולא תמיד ידע אם הוא יעיל.
מי שלא מבין מודל נתונים, יקבל מדדי DAX שלא בהכרח מתאימים למבנה הדוח.
מי שלא מבין תהליך עסקי, יקבל אוטומציה שאולי עובדת טכנית, אבל לא באמת פותרת את הבעיה הנכונה.
AI יכול להאיץ עבודה.
אבל הוא גם יכול להאיץ טעויות.
ולכן מומחיות מקצועית לא נעלמת. היא משתנה.
המומחה כבר לא חייב לכתוב כל שורת קוד לבד.
אבל הוא כן חייב לדעת להגדיר את הבעיה, לבדוק את התוצאה, לזהות כשלים, להחליט מה נכון עסקית, ולבנות תהליך שאפשר לסמוך עליו.
השלב הבא: לא רק להטמיע AI, אלא לנהל אותו
עד עכשיו, הרבה ארגונים מדדו אימוץ AI בצורה די בסיסית:
כמה רישיונות נרכשו?
כמה עובדים התחברו?
כמה שאלות נשאלו?
כמה שימושים בוצעו?
אבל המדדים האלה לא מספיקים.
השלב הבא יהיה למדוד AI כמו שמודדים כל תהליך עסקי אחר.
כמה זמן נחסך?
כמה כסף נחסך?
כמה עלה השימוש?
כמה תיקונים נדרשו?
כמה טעויות נמנעו?
האם התוצאה היתה אמינה?
האם אפשר להפוך את התהליך לתבנית קבועה?
האם השתמשנו בכלי הנכון למשימה הנכונה?
זו חשיבה הרבה יותר בוגרת.
במקום “בואו נשתמש בכמה שיותר AI”, צריך לעבור ל-“בואו נשתמש ב-AI במקומות שבהם הוא יוצר ערך ברור”.
דוגמה פשוטה מעולם הכספים
נניח שמחלקת כספים משתמשת ב-AI כדי לבדוק קובצי Excel חודשיים.
אפשרות אחת היא להעלות בכל חודש את כל הקובץ ולבקש מה-AI לבדוק הכל מחדש.
זה נוח, אבל עלול להיות כבד, יקר ולא תמיד עקבי.
אפשרות חכמה יותר היא לבנות תהליך מסודר:
להגדיר אילו בדיקות צריך לבצע.
להפריד בין בדיקות קבועות לבין בדיקות חריגות.
ליצור תבנית שאלות קבועה.
להשתמש ב-Power Query לניקוי והכנת הנתונים.
להשתמש ב-Power Pivot או Power BI למדידה קבועה.
ולהפעיל AI בעיקר במקומות שבהם נדרשת פרשנות, הסבר, ניסוח או בדיקה חריגה.
בגישה הראשונה, AI הופך לעוד כלי שמבזבז משאבים.
בגישה השנייה, AI משתלב בתוך תהליך עבודה חכם.
וזה הבדל עצום.
אז האם AI יקר מדי?
לא בהכרח.
השאלה היא לא אם AI יקר.
השאלה היא ביחס למה.
אם AI חוסך לעובד שעתיים עבודה, העלות שלו יכולה להיות זניחה.
אם הוא מונע טעות בדוח כספי, הערך שלו יכול להיות עצום.
אם הוא עוזר לבנות אוטומציה שחוסכת עשרות שעות בחודש, הוא יכול להיות אחת ההשקעות הטובות בארגון.
אבל אם משתמשים בו בלי מטרה, בלי בקרה, בלי תהליך ובלי מדידה, הוא עלול להפוך מכלי חיסכון למרכז עלות חדש.
וזה בדיוק השיעור החשוב מהסיפורים שמתחילים לצאת מחברות גדולות כמו מיקרוסופט ו-Uber.
הבעיה אינה שה-AI לא מספק ערך.
הבעיה היא שבלי ניהול נכון, גם כלי שמספק ערך יכול להפוך ליקר מאוד.
המסקנה שלי
אנחנו נכנסים לשלב חדש בעולם ה-AI.
בשלב הראשון שאלנו:
מה AI יודע לעשות?
בשלב השני שאלנו:
איך מכניסים אותו לארגון?
עכשיו מגיע השלב השלישי, והוא אולי החשוב ביותר:
איך מנהלים את השימוש ב-AI כך שהוא באמת יהיה משתלם?
ופה יש הזדמנות גדולה דווקא לאנשי כספים, אנליסטים, מנהלי BI ואנשי Excel מתקדמים.
אלה האנשים שמבינים תהליכים.
אלה האנשים שמבינים נתונים.
אלה האנשים שמבינים עלויות.
אלה האנשים שיודעים להבדיל בין פעולה מרשימה לבין תוצאה עסקית אמיתית.
AI הוא לא קסם.
AI הוא משאב.
וכמו כל משאב בארגון, צריך לדעת להשתמש בו נכון.
לא פחות מדי.
לא בלי גבול.
אלא בצורה חכמה, מדידה ומחוברת לתוצאה העסקית.
רוצים להכניס AI לעבודה עם Excel, Power BI ונתונים?
אם גם אצלכם בארגון מתחילים לשלב כלי AI בעבודה עם Excel, Power BI, דוחות, נתונים ותהליכים פיננסיים, חשוב לעשות את זה נכון.
לא רק להתלהב מהכלים.
לא רק לפתוח רישיונות.
ולא רק להגיד לעובדים “תשתמשו ב-AI”.
צריך לבנות שיטות עבודה נכונות, להבין איפה AI באמת חוסך זמן, איפה הוא עלול לייצר סיכון, ואיך משלבים אותו בתהליכים קיימים בצורה חכמה.
זה בדיוק המקום שבו שילוב נכון בין Excel, Power BI, אוטומציה ו-AI יכול להפוך ליתרון אמיתי לארגון.
המאמר נכתב בהשראת פרסום של Fortune מ-22 במאי 2026 בנושא העלויות הגדלות של שימוש בסוכני AI בארגונים, ובמיוחד סביב שימוש פנימי בכלים כמו Claude Code במיקרוסופט וב-Uber.
קישור למאמר: https://fortune.com/2026/05/22/microsoft-ai-cost-problem-tokens-agents/
אם אתם רוצים לקחת את זה לארגון שלכם בצורה מסודרת, לא רק “לשחק עם AI”, אלא להבין איך משלבים אותו באמת בעבודה עם אקסל, Power BI, דוחות, נתונים ותהליכים עסקיים, זה בדיוק הזמן להתחיל.
בהדרכות פנים ארגוניות אפשר ללמוד איך לעבוד נכון עם כלי AI, איך לכתוב בקשות מדויקות, איך לבדוק תשובות, איך לשלב אותן עם אקסל ו-Power BI, ואיך להרוויח מהמהירות בלי לוותר על המקצועיות.
לפרטים על הדרכות פנים ארגוניות באקסל, Power BI וכלי AI לארגונים:
א
ני שלומי פוסטלניק, Microsoft MVP, מומחה Excel ו-Power BI, עם יותר מ-35 שנות ניסיון בעבודה עם אקסל ובהדרכות לארגונים.
להדרכות פנים ארגוניות, פתרונות אקסל, Power BI או מידע נוסף על ערכת UNIQUE:
