אקזיט Decart: הסטארטאפ הישראלי בדרך למכירה ב-6 מיליארד דולר, ו-SpaceX בתמונה

אקזיט Decart מתגבש לפי דיווח CTech (כלכליסט) סביב שווי של 6-7 מיליארד דולר, כאשר SpaceX של אילון מאסק נבחנת כרוכשת פוטנציאלית של סטארטאפ ה-AI הישראלי שהוקם רק ב-2023. במאמר הזה נפרק את העסקה למרכיביה: מה בדיוק Decart בנתה, למה דווקא חברת חלל מתעניינת במודלים גנרטיביים לווידאו, ואילו לקחים הנדסיים ועסקיים אפשר לקחת מהמסלול הקצר והחריג הזה.

מה ידוע על עסקת המכירה של Decart?

לפי הדיווח, Decart מנהלת מגעים למכירה בשווי של 6-7 מיליארד דולר, כשלושה חודשים בלבד אחרי שהשלימה גיוס של 300 מיליון דולר לפי שווי של כ-4 מיליארד דולר. המשמעות המספרית פשוטה: קפיצת שווי של 50 אחוז ומעלה בתוך רבעון אחד, בלי שהחברה שינתה באופן מהותי את מבנה ההכנסות שלה בפרק הזמן הזה.

הנתון שמייחד את העסקה הוא היחס בין שווי למצבת כוח אדם. Decart מעסיקה כ-100 עובדים בלבד, כלומר שווי של כ-60-70 מיליון דולר לעובד. לשם השוואה, גם באקזיטים גדולים בהרבה בהיסטוריה הישראלית, כמו רכישת Wiz על ידי גוגל ב-32 מיליארד דולר, היחס הזה היה נמוך משמעותית בגלל מצבת עובדים של אלפים. מבחינת רוכשת, צוות קטן ומרוכז הוא נכס: פחות חיכוך אינטגרציה, פחות שכבות ניהול, וידע שמרוכז אצל קבוצה קטנה של מהנדסי ליבה.

חשוב לסייג: נכון למועד הדיווח מדובר במגעים ולא בעסקה חתומה. שוויים בשלב משא ומתן נוטים לזוז, וזהות הרוכשת הסופית עשויה להשתנות. אבל עצם קיומו של תהליך בסדרי הגודל האלה, שנתיים אחרי ההקמה, הוא אירוע חריג בקנה מידה עולמי.

מי עומדים מאחורי Decart ומה החברה בנתה?

Decart הוקמה ב-2023 על ידי דין לייטרסדורף ומשה שלו, והתמקדה מהיום הראשון בבעיה הנדסית ממוקדת: הרצת מודלים גנרטיביים לווידאו בזמן אמת, ולא כתהליך אצווה (batch) שמייצר קליפ אחרי דקות של המתנה. ההבדל הזה נשמע טכני, אבל הוא משנה לחלוטין את קטגוריית המוצר: מודל שמייצר וידאו בהשהיה של שניות מתאים לכלי עריכה, ואילו מודל שעובד ב-latency של אלפיות שנייה מתאים לגיימינג, לסטרימינג ולאינטראקציה חיה.

Oasis ו-Mirage: מודלים גנרטיביים אינטראקטיביים

שני המוצרים שהציבו את Decart על המפה הם Oasis, מודל עולם (world model) שמייצר סביבת משחק אינטראקטיבית בסגנון Minecraft פריים אחרי פריים בתגובה לקלט המשתמש, ו-Mirage, מודל video-to-video שממיר שידור וידאו חי לסגנון ויזואלי אחר בזמן אמת. בשני המקרים המודל לא שולף תוכן מוכן אלא מחשב את הפריים הבא תוך כדי ריצה, מה שמחייב אופטימיזציית inference אגרסיבית בכל שכבה: מהקרנל ב-GPU ועד ארכיטקטורת המודל עצמה.

הבידול של Decart אינו רק במודלים אלא בשכבת התשתית. החברה בנתה stack אינפרנס משלה שמצליח להריץ מודלי דיפוזיה כבדים בקצב פריימים גבוה על חומרה קיימת. בעולם שבו עלות ה-compute היא סעיף ההוצאה הדומיננטי של כל חברת AI, מי שיודע להוציא פי כמה יותר throughput מאותו GPU מחזיק יתרון כלכלי מובנה, לא רק יתרון מוצרי.

למה SpaceX מתעניינת בסטארטאפ AI ישראלי?

ההתאמה בין SpaceX ל-Decart פחות מפתיעה משנדמה, והיא נשענת על שני צירים: תקשורת ווידאו. Starlink, רשת הלוויינים של SpaceX, מתמודדת עם אילוץ יסודי של רוחב פס: כל ביט שעובר דרך לוויין עולה יותר מאשר בסיב אופטי. מודלים גנרטיביים שיודעים לשחזר או לייצר וידאו בצד הקצה מקלט דחוס מאוד הם כיוון מחקרי מוכר לדחיסה סמנטית (semantic compression), שבה משדרים ייצוג מופשט של הסצנה במקום פיקסלים, והמודל בצד המקבל משלים את התמונה.

ציר שני הוא היכולת ההנדסית עצמה. צוות שהוכיח שהוא יודע להריץ מודלים כבדים ב-latency נמוך על חומרה מוגבלת רלוונטי לכל מערכת שבה ה-compute יקר ומרוחק, ולוויין הוא הדוגמה הקיצונית לכך. יש לזכור שגם xAI, חברת ה-AI של מאסק, פועלת באותו אקוסיסטם תאגידי, כך שרכישה דרך SpaceX עשויה לשרת אסטרטגיית AI רחבה יותר של קבוצת החברות. כל עוד אין הודעה רשמית, ההסברים האלה נשארים ניתוח מושכל ולא עובדה.

מודל עולם (World Model)

מודל שמייצר סביבה אינטראקטיבית פריים אחרי פריים בתגובה לקלט המשתמש, כמו Oasis של Decart, במקום לשלוף תוכן מוכן.

Inference (הסקה)

שלב הרצת המודל המאומן בפרודקשן. עלות ומהירות ההסקה, לא רק איכות המודל, קובעות אם מוצר AI כלכלי.

Latency (השהיה)

הזמן בין קלט לפלט. וידאו גנרטיבי לגיימינג וסטרימינג חי מחייב latency של אלפיות שנייה, לא שניות.

דחיסה סמנטית (Semantic Compression)

שידור ייצוג מופשט של הסצנה במקום פיקסלים, כשהמודל בצד המקבל משלים את התמונה - רלוונטי במיוחד לרוחב פס לווייני יקר כמו של Starlink.

Throughput (תפוקה)

כמות העיבוד שמפיקים מאותה חומרה. מי שמוציא יותר throughput מאותו GPU מחזיק יתרון כלכלי מובנה.

מה הופך את אקזיט Decart לחריג בהייטק הישראלי?

הפרמטר הבולט הוא מהירות: מהקמה ב-2023 למגעי מכירה ב-6-7 מיליארד דולר בתוך כשנתיים. רוב האקזיטים הגדולים בישראל, ממובילאיי (15.3 מיליארד דולר לאינטל ב-2017) ועד Wiz, הגיעו אחרי חמש עד עשר שנות פעילות לפחות. גם Wiz, שנחשבה לשיאנית צמיחה, הגיעה לעסקת הענק שלה אחרי כחמש שנים.

הפרמטר השני הוא התשואה למשקיעים. מי שנכנס בסבב האחרון לפי שווי של כ-4 מיליארד רואה על הנייר תשואה של 50-75 אחוז בתוך שלושה חודשים, ומשקיעי השלבים המוקדמים, שנכנסו לפי שוויים נמוכים בסדרי גודל, צפויים למכפילים דו-ספרתיים ומעלה. באקלים גיוסים שבו קרנות הון סיכון מתקשות להציג אקזיטים נזילים, אירוע כזה משנה את חישובי הסיכון של השקעה בחברות AI ישראליות בשלב מוקדם.

הפרמטר השלישי הוא הקטגוריה. עד היום רוב האקזיטים הישראליים הגדולים הגיעו מסייבר ומתשתיות ארגוניות. Decart מוכיחה שאפשר לבנות מישראל חברת מודלי יסוד (foundation models) בקטגוריה שנחשבה שמורה לענקיות אמריקאיות עם תקציבי compute של מיליארדים.

הלקח ההנדסי: למה אופטימיזציית Inference שווה מיליארדים?

מנקודת מבט של בוני מוצר, הסיפור של Decart הוא קודם כל שיעור בבחירת שכבת הערך הנכונה. בזמן שרוב השוק התחרה על אימון מודלים גדולים יותר, Decart התמקדה בצוואר הבקבוק של הפרודקשן: עלות ומהירות ההסקה. מודל וידאו גנרטיבי סטנדרטי דורש עשרות צעדי דיפוזיה לכל פריים; כדי להגיע ל-24 פריימים בשנייה ומעלה צריך לקצץ את זמן החישוב בסדרי גודל באמצעות distillation של המודל, quantization של המשקולות, קרנלים מותאמים אישית ל-GPU וצמצום צעדי דגימה.

עומק הנדסי בנקודה הנכונה של ה-stack שווה יותר מכל הייפ.

מה זה אומר לצוותים שבונים מוצרי AI היום?

ההשלכה המעשית לצוותי פיתוח ברורה: ההבדל בין דמו למוצר בפרודקשן נמדד ב-latency, ב-throughput ובעלות לבקשה, לא באיכות התוצאה בלבד. מודל שמייצר פלט מרהיב אבל עולה דולר לשאילתה לא ישרוד יחידת כלכלה (unit economics) של מוצר צרכני. צוות שמודד מוקדם את עלות ה-inference שלו, בונה pipeline שמאפשר החלפת מודלים, ומשקיע באופטימיזציה לפני סקייל, בונה חפיר תחרותי אמיתי. זה בדיוק סוג הידע שהופך צוות של 100 איש לשווה מיליארדים בעיני רוכשת אסטרטגית.

נקודה נוספת: Decart לא חיכתה לחומרה הבאה. היא סחטה ביצועים מ-GPU קיימים, וזו גישה שרלוונטית לכל ארגון, כי זמינות מאיצים ומחיריהם נשארים אילוץ מרכזי גם ב-2026. מי שרוצה להעמיק ביסודות האלה ימצא נקודת פתיחה טובה בקורסי בינה מלאכותית ולמידת מכונה מעשיים שמכסים גם את צד ה-inference והפריסה בפרודקשן.

צ'ק-ליסט inference לצוותים שבונים מוצרי AI

• מדדו עלות inference לבקשה כבר בשלב הדמו, לא רק את איכות הפלט
• הגדירו יעדי latency ו-throughput כחלק מהגדרת המוצר, לא כאופטימיזציה מאוחרת
• בנו pipeline שמאפשר החלפת מודלים בלי לשבור את המוצר
• בחנו distillation, quantization וצמצום צעדי דגימה לפני שדורשים חומרה חזקה יותר
• סחטו ביצועים מ-GPU קיימים - זמינות מאיצים ומחיריהם נשארים אילוץ מרכזי גם ב-2026
• ודאו יחידת כלכלה חיובית (עלות לשאילתה מול ערך) לפני סקייל

מה המשמעות של העסקה לאקוסיסטם ה-AI הישראלי ב-2026?

אקזיט Decart, אם יושלם, יקבע רף חדש לחברות AI ישראליות בשלוש רמות. ברמת ההון, הוא מזרים למשקיעים המקומיים והזרים הוכחה שקטגוריית מודלי היסוד יכולה להניב אקזיט מהיר, מה שצפוי להגדיל את זרימת ההון לסבבי seed ו-A בתחום. ברמת הכישרון, הוא ממצב את ישראל כמקור לא רק למהנדסי אלגוריתמיקה אלא למומחי ML systems, תחום שבו הביקוש העולמי עולה על ההיצע בפער ניכר.

ברמה האסטרטגית, כניסת שחקנית כמו SpaceX לזירת הרכישות הישראלית מרחיבה את מעגל הרוכשות הפוטנציאליות מעבר לענקיות התוכנה המסורתיות. חברות תשתית, חלל, רכב ותעשייה מבינות שיכולות AI בזמן אמת הן רכיב ליבה במוצרים שלהן, לא תוספת. עבור יזמים ישראלים זה אומר שווקי יציאה מגוונים יותר, ועבור מהנדסים זה אומר שהתמחות בביצועי מודלים היא אחת ההשקעות הקרייריסטיות המשתלמות של השנים הקרובות.

יש גם תמרור זהירות: מכירה מהירה של חברת ליבה טכנולוגית מעבירה קניין רוחני אסטרטגי לידיים זרות, והוויכוח על עצמאות טכנולוגית מול נזילות למשקיעים ילווה את האקוסיסטם גם באקזיטים הבאים.

קדימה-מבט: מה לעקוב אחריו בשבועות הקרובים?

שלושה דברים שווים מעקב: האם העסקה תיחתם ובאיזה שווי סופי, האם SpaceX תהיה הרוכשת בפועל או שגורם אחר ייכנס לתמונה, ומה יעלה בגורל הצוות והפעילות בישראל אחרי הרכישה. התשובות ישפיעו על תמחור חברות ה-AI הישראליות בסבבי הגיוס של 2026 ועל נכונות תאגידים גלובליים להתחרות על נכסים מקומיים.

מי שרוצה להישאר מעודכן בהתפתחויות בעסקה ובמגמות ה-AI המשמעותיות של השנה מוזמן לעקוב אחרי מגזין ה-AI שלנו עם ניתוחים וחדשות מהתעשייה, ומי שרוצה לבנות בעצמו את היכולות שהפכו צוות של 100 איש לחברה של מיליארדים ימצא מסלולים מעשיים בקטלוג קורסי ה-AI המלא. הסיפור של Decart רחוק מסיום, אבל הלקח שלו כבר ברור: עומק הנדסי בנקודה הנכונה של ה-stack שווה יותר מכל הייפ.