480 מיליארד דולר “נשרפו” בבורסה: בועת הבינה המלאכותית בסין התפוצצה. האם ארצות הברית הבאה בתור?

Artem Honcharenko, PhD

ראש המכון לשילוב מחדש, שיקום והתפתחות מקצועית של ותיקים "ארכיטקטורה של חוסן" של KNUBA

27 באוקטובר 2026 • ניתוח מאת הכותב

הקריסה הסינית: מה באמת קרה לשוק

עד לא מזמן כונו יצרניות השבבים, הרכיבים האופטיים למרכזי נתונים והרובוטיקה המנצחות העיקריות של המהפכה הטכנולוגית החדשה. משקיעים רכשו את מניותיהן בציפייה לגידול עתידי בביקוש לבינה מלאכותית. בסוף אוקטובר התחלפה הביטחון הזה במכירות רחבות היקף.

לפי דיווח של Reuters מ-26 באוקטובר 2026, מדד STAR 50, המשקף את הדינמיקה של חברות הטכנולוגיה והחדשנות המובילות בבורסת שנגחאי, איבד כ- 40% בפחות מארבעה חודשים. הירידה בשווי השוק המצרפי מוערכת בכ- 480 מיליארד דולר. כבר ב-27 באוקטובר נסגר המדד ברמה של 1,252.28 נקודות, והירידה היומית 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 הבורסאית של חבילת המניות.

עם זאת, היקף התיקון אינו קטן בשל כך. Reuters מביאה דוגמאות לירידות של עשרות אחוזים במניותיהם של יצרני רובוטים, שבבים וציוד אופטי. הבורסה נזכרה לפתע בדרישה כלכלית פשוטה: טכנולוגיה טובה עדיין אינה מבטיחה רווח שיספיק כדי להצדיק כל מחיר מניה. [1]

מדוע השוק התקרר: ציפיות מנופחות מול רווחים אמיתיים

בשיא העלייה, לפי הערכת Reuters, מכפיל הרווח (P/E) של מדד STAR 50 התקרב ל- 250. גם לאחר הירידה החדה הוא עמד על כ- 100, בעוד שנקודת הייחוס עבור Nasdaq 100 באותה כתבה היא בערך 30. אלה מדדים בעלי מבנה שונה, אולם ההפרש מראה כמה צמיחה עתידית כבר הטמיעו המשקיעים במחירי המניות הסיניות. [1]

להערכות השווי הגבוהות נוספו ספקות לגבי קצב הביקוש לציוד לבינה מלאכותית, הגבלות ייצוא אפשריות, גורמי מס וסיכונים למכירת רכיבים סיניים למרכזי נתונים בחו"ל. אף אחת מהסיבות הללו לבדה אינה מסבירה את הקריסה כולה, 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 באופן לא מוצדק בבורסה. ולהפך — ירידה במחירי המניות שלה אינה מבטלת את ההשפעה הטכנולוגית שכבר הושגה.

יש להפריד בבירור בין שני דברים: היעילות הכלכלית של הבינה המלאכותית לבין הערך הספקולטיבי של החברות שמרוויחות ממנה. שוק המניות עלול לטעות בציפיותיו. אך אם טכנולוגיה אכן מקצרת את זמן המחקר, מעלה את הפרודוקטיביות ומאפשרת לקבל מהר יותר החלטות מבוססות, ערך זה אינו נעלם יחד עם ירידת המחירים.

האם בינה מלאכותית אכן מאיצה את העבודה האנושית: מה הוכח ומה רק מובטח

כחוקר, אני סבור שיש להעריך בינה מלאכותית לא לפי עוצמת המצגות, אלא לפי ניסויים עצמאיים עם קבוצות ביקורת. ומחקרים 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 ב- 40%, ואילו איכות התוצאה לפי הערכות 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 התואמות את יכולות המודל ביותר מ- 25% מהר יותר והשלימו יותר מ- 12% משימות יותר. יחד עם זאת, במשימה החורגת מהיכולות האמינות של הכלי, השימוש בבינה מלאכותית הוביל לתוצאה גרועה יותר. [4]

במיוחד מלמד הניתוח המדעי. סקירה של 25 מחקרים, שפורסמה ב- Frontiers in Pharmacology בשנת 2025, תיעדה קיצור זמן של יותר מ-50% ב- 17 עבודות. במקרים מסוימים סקירה אוטומטית של תקצירים התקצרה פי 5–6, ואילו העומס הידני בתנאי של שלמות איתור של 95% מהחומרים התקצר פי 6–10. מדובר בראש ובראשונה בשלבי סינון בודדים, 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 אותה תקופה בממוצע 19% יותר זמן, אף שהם עצמם סברו שהתייעלו. כלומר, כלי שמסייע למתחיל עשוי להאט מומחה בעבודה מוכרת היטב, אם עלות בדיקת התוצאות גבוהה מדי. [6]

מסקנה: עלינו למדוד לא את נפח הטקסט שנוצר, אלא את מספר תוצאות נכונות ומאומתות ליחידת זמן.

דוגמה אחת ששינתה את קנה המידה: 100 אלף מסמכים

נדמיין 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 ביטול כפילויות, סיווג ראשוני וחיפוש סתירות, ומפיקה רשימת חריגים. אם איכותה מאפשרת לקצץ דווקא את ה-screening הידני ב-90%, יישאר שווה ערך ל- 500 שעות עבודה בשלב זה.

זהו מודל להמחשה, ולא תוצאה של הטמעה מסוימת. הוא אינו מביא בחשבון בנפרד את עלות החישובים, ההגדרות, בקרת האיכות והמקרים הקריטיים שהוחמצו. לכן אי אפשר להצהיר באופן מכני על האצה פי עשרה של המחקר כולו.

אך הוא מסביר היכן נוצר הערך האמיתי: מומחה אינו חייב עוד לסקור ידנית כל יחידת 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 רוצה תוצאה ממשית: כמה זמן נחסך, כמה טעויות נמנעו, כמה פניות טופלו וכמה עולה תחזוקת המערכת. יתרון תחרותי אמיתי יהיה לאלה שיוכלו להוכיח את היעילות הכלכלית של הבינה המלאכותית.

המלחמה משנה את נוסחת הפריון: מדוע זה חשוב לאוקראינה

במדינתנו עובד יכול להיות בעל הכשרה גבוהה ומוטיבציה, אך אינו מסוגל לבטל אזעקת אוויר או התקפת טילים. ביטחון האדם חייב להישאר תמיד בראש סדר העדיפויות.

בסקר של European Business Association שנערך בפברואר 2026 בקרב 131 מנהלים בכירים בחברות החברות באגודה, 45% מהנשאלים ציינו את השבתת העבודה בזמן אזעקות אוויר בין המגבלות הנפוצות, ו 82% — התקפות 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%, ההשלמה תדרוש כ- 143 שעות של משאב עבודה מתוכנן. בתהליך ההיברידי שעבר מידול, שבו נותרות לאדם 25 שעות ועיבוד המכונה והפעולות הנלוות מוסיפים 10 שעות, ההערכה הכוללת היא כ-46 שעות. ההפרש הוא כ- פי 3.1.

אין להתייחס למספרים אלה כאל נורמה לחברות אוקראיניות: 70% זמינות ומבנה הפעולות הם כאן הנחות תרחיש בלבד. את ההשפעה האמיתית יקבעו אופי המשימות, מוכנות הנתונים וארכיטקטורת המערכת.

עם זאת, העיקרון חשוב. אם 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, יתרון זה לא יתקיים.

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. משימתנו 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. מדובר ב ניטור סביב השעון, שבו הנתונים מגיעים ברציפות, המערכת מזהה חריגות, בודקת אותן לפי כללים, מסווגת את הסיכון ומעבירה את המידע לאדם אחראי או מבצעת פעולה בטוחה שאושרה מראש.

בתחום אבטחת הסייבר מפתחים לשם כך כבר זמן רב פלטפורמות SIEM ו- SOAR. המלצות בינלאומיות משנת 2025 מתארות אותן ככלים לאיסוף אירועים, לזיהוי פעילות חשודה, להתראת מומחים ולאוטומציה של חלקים מסוימים בתגובה. יחד עם זאת, מערכות כאלה דורשות הגדרה מתמדת, בדיקות ופיקוח מוסמך. [8]

עבור אוקראינה ניתן להתאים עיקרון זה לניטור השיקום, לפיקוח פיננסי, למדדים סביבתיים, לאיומי סייבר ולפניות של ותיקים ומשפחותיהם. למשל, פנייה חדשה יכולה להגיע אוטומטית לגורם המתאים, ושינוי חריג במסמכי מכרז יכול ליצור אות עבור המבקר. אך החלטות על סיוע רפואי, הגבלת זכויות או סנקציות כספיות אסור להפקיד בידי מודל גנרטיבי ללא מנגנוני בקרה עצמאיים נאותים.

העתיד שייך למערכות שלא רק צוברות מידע אלא מנתחות אירועים באופן מתמיד. בינה מלאכותית יכולה לסייע באיתור חריגות, בבדיקתן ובהפעלת תרחישי תגובה שסוכמו מראש. אולם החלטות קריטיות חייבות להישאר תחת פיקוח אנושי הולם. דווקא השילוב בין אוטומציה לאחריותיות יקבע את איכות 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, לפספס מסמך חשוב או להעניק גישה לנתונים חסויים למשתמש שאינו מתאים. לכן בחומרים רפואיים, אישיים וכספיים נדרשים צמצום נתונים למינימום, בקרה על הרשאות גישה, תיעוד פעולות ביומן, בדיקת דיוק ונהלי אישור נפרדים לפעולות קריטיות.

הסביבה המדעית צריכה להבחין בין מהירות העיבוד המכונתי לבין מהימנות המסקנה. הדבר רלוונטי במיוחד כאשר בינה מלאכותית מסייעת בגיבוש סקירות מדעיות או אנליטיקה לצורך 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 בארצות הברית?

זו השאלה שנשמעת היום חזק מכולן. עם זאת, ירידה של 40 אחוזים ב-STAR 50 הסיני אינה אומרת שמניות אמריקאיות ייפלו אוטומטית ב-40 אחוזים. Reuters משווה את התיקון הסיני לנסיגה של כ-6 אחוזים של ה-Nasdaq מהשיא האחרון. אלה מדדים, תקופות ומבני עסק שונים; תחזית ישירה על בסיס כזה הייתה בלתי מבוססת. [1]

אכן קיימים סיכונים למניות טכנולוגיה גלובליות: ציפיות גבוהות, הוצאות הוניות גדולות על תשתית מחשוב, אי-ודאות בביקוש ומימוש רווחי מורכב. אולם מידת הפגיעות של כל חברה תלויה ברווחיה, בתזרימי המזומנים שלה, 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, הפחתת ההערכות הספקולטיביות עשויה אפילו לדחוף את העסקים להשקעות ממושמעות יותר.

מה אני מציע לארגונים אוקראיניים

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

1. למדוד את התהליך הנוכחי: משך הפעולות, העלות, טעויות, זמן ההמתנה לתשובה והעומס על אנשים.
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 באופן עצמאי, מה רק להציע, ומה מחייב החלטה של אדם.
4. לבדוק איכות ואבטחה: מקרים קריטיים שפוספסו, אזעקות שווא, גישה לנתונים אישיים, תלות בספק ועמידות לתקלות.
5. לחשב את הכלכלה המלאה: רישיונות, חישוב, אינטגרציות, תחזוקה, הכשרת הצוות — וערך הזמן שהצלחנו לחסוך.

כאשר מדדים אלה אינם נמדדים, דיבורים על חיסכון של פי חמישה או פי עשרה הופכים לשיווק. כאשר הם נמדדים — הארגון יכול לקבל החלטות על בסיס ראיות.

מסקנה: בועת בורסה עלולה להתפוצץ, ואילו המהפכה הטכנולוגית עשויה להימשך

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

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

אם האוטומציה מקצרת את זמן הטיפול בפניות, מסייעת באיתור סיכונים בזמן, תומכת ברציפות העבודה בעת מלחמה ומפנה מומחים להחלטות אחראיות — יש לה כבר ערך מעשי. אך את הערך הזה יש 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 גדולה: כיצד 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 מסמכים ומודל זמינות כוח האדם בתנאי מלחמה הם הנחות להמחשה בלבד. יש להבחין בינם לבין תוצאות של מחקרים מבוקרים מסוימים ולאמת אותם על הנתונים שלכם לפני קבלת החלטת השקעה.