מבוא: השאלה הנכונה לגבי "אילו מניות AI אני יכול לקנות היום?"
כל תנופת טכנולוגיה שואלת את אותה שאלה במילים שונות: היכן הערך מצטבר, ועד כמה הוא עמיד? "אילו מניות AI אני יכול לקנות היום?" לא עוסקת בסימולי מניות; היא עוסקת בהבנה היכן שולי הרווח מתגבשים במערך מונחה AI, אילו מודלים עסקיים מרוויחים מסְקֵייל ומהפצה, וכיצד דינמיקה תחרותית מתפתחת ככל שהיכולות הופכות לסחורות. הדחף ההשקעתי הוא טקטי; הגישה הנכונה היא אסטרטגית.
התזה המרכזית של מאמר זה פשוטה: הכלכלה של AI מתגבשת סביב מערך רב-שכבתי - מחשוב ותשתית, מודלים ופלטפורמות, והפצה ויישומים. כל שכבה כוללת מקורות שונים של יכולת הגנה וחשיפה שונה לתחרות מחירים. התיק הנכון נוטה לנקודות צבירה עמידות ומתרחק מיתרונות יכולת קצרי מועד. אם 2023–2025 הוגדרו על ידי הופעת יכולות (מודלים בסיסיים, מחשוב מואץ), השלב הבא יוגדר על ידי עקומות עלויות, אינטגרציה ושליטה בביקוש.
מאמר זה מציג מסגרת מעשית וממוקדת משקיעים כדי לענות על השאלה העכשווית - "אילו מניות AI אני יכול לקנות היום?" - באופן המדגיש התאמה אסטרטגית, חוזק מודל עסקי ולכידת ערך לטווח ארוך. אני אפלח את מערך ההזדמנויות, אעריך יכולת הגנה וסיכון, ואציע עקרונות לבניית תיק השקעות. המטרה היא לא לחזות תחזיות רבעוניות, אלא להבין לאן נמשכת הגרביטציה הכלכלית.
רקע: מיכולת לסחורה (ולאן הערך הולך)
המסלול האחרון של AI משקף שינויי פלטפורמה קודמים. במחשבים אישיים ובסמארטפונים, ערך ראשוני הצטבר לפריצות דרך ברכיבים (מעבדים, מודמים), ואז עבר למערכות הפעלה ומערכות אקולוגיות, ובסופו של דבר התגבש במצברים שהחזיקו ביחסי המשתמשים. אותו הגיון חל כאן.
- מחשוב בתור הנפט החדש: יחידות GPU בעלות ביצועים גבוהים (ובקרוב מאיצים מיוחדים) נותרים צוואר הבקבוק. מחסור קצר טווח מתורגם לשולי רווח גדולים, אך גידול בקיבולת ותחרות מנרמלים בהדרגה את התשואות.
- מודלים כמערכת ההפעלה: מודלים בסיסיים מתפקדים כמו סביבת ריצה לקוגניציה. הם יקרים לאימון אך נעשים זולים יותר ויותר להפעלה בסְקֵייל. עם הזמן, פער היכולות השולי מצטמצם ככל שהטכניקות מתפשטות; בידול יסתמך על הפצה, חפירים של נתונים ואינטגרציה.
- יישומים והפצה כנקודות צבירה: ככל שאתה קרוב יותר לביקוש - משתמשי קצה עם תהליכי עבודה חוזרים - כך יש לך יותר מינוף כדי ללכוד ערך באמצעות עלויות מעבר ונעילת תהליכי עבודה. למצברים עם הפצה, מותג ומעמד ברירת מחדל יש יתרונות מתמשכים.
זהו ההקשר החיוני למענה על אילו מניות AI לקנות היום. ההזדמנויות הטובות ביותר משלבות רוחות גביות מבניות עם חפירים מגנים שמחזיקים מעמד מעבר למירוץ היכולות הנוכחי.
מסגרת רב-שכבתית להשקעה ב-AI
כדי להפוך את השאלה "אילו מניות AI אני יכול לקנות היום?" משאלה ספקולטיבית לתהליך השקעה, אנו זקוקים למסגרת פשוטה אך קפדנית:
- יתרון בצד ההיצע: מי שולט בתשומות נדירות - מחשוב, אנרגיה, נתונים או כישרון - שהמתחרים לא יכולים לשכפל בקלות?
- צבירת ביקוש: מי מחזיק בעמדות ברירת מחדל ובתהליכי עבודה, המאפשרים יכולת הגנה מונחית הפצה?
- עוצמת מערכת אקולוגית: מי מרוויח מאפקטים רשתיים - מערכות אקולוגיות של מפתחים, שווקים, תקני ארגון - שמצטברים עם הזמן?
- מסלול עקומת העלויות: שולי הרווח של מי מתרחבים ככל שעלויות ההסקה והתזמור של המודל יורדות, ומגדילות את המינוף התפעולי?
- רגולציה וחיכוך מעבר: היכן ציות, אבטחה ואינטגרציה יוצרים דביקות המגנה על התמחור?
בעזרת עדשה זו, מערך ה-AI מתחלק לנושאים ברי השקעה.
נושא 1: מחשוב ותשתית - מחסור היום, סְקֵייל מחר
- מובילי מחשוב מואץ: הנהנים מביקוש ל-GPU נהנים מכוח תמחור יוצא דופן בתוך מגבלות ההיצע. ככל שהקיבולת מתרחבת והמתחרים מצמצמים את הפער, חברות אלה יתפתחו משכירויות מחסור לפלטפורמות סטנדרטיות בעלות תפוקה גבוהה. ההימור האסטרטגי הוא מצוינות תפעולית, מערכות אקולוגיות של תוכנה (מהדרים, ספריות) ואינטגרציה אנכית.
- ספקי ענן בהיפר-סְקֵייל: עננים ציבוריים לוכדים הוצאות AI בנקודות מרובות - השכרת מחשוב, שירותים מנוהלים וכוח משיכה של נתונים. הם מייצרים רווחים הן ממחזורי האימון והן ממחזורי ההסקה, והם מחזיקים ביחסי הארגון שבהם AI יופעל בסְקֵייל. התזה של היפר-סְקֵייל עוסקת בהיותה ערוץ הרכש המוגדר כברירת מחדל כמו שהיא עוסקת בטכנולוגיה.
- מרכז נתונים ורשתות מקוריים של AI: ככל שההסקה מתקרבת למשתמשים ולנתונים, חיבורי גומלין, מערכי רשתות ופתרונות חשמל/תרמי חשובים. תיק ההשקעות מתמקד בנקודות חנק: רוחב פס, השהיה ויעילות אנרגטית.
השלכות אסטרטגיות: בטווח הקרוב, "אילו מניות AI אני יכול לקנות היום?" מצביע על דיירי מחשוב וענן ותיקים. בטווח הבינוני, עמידות שולי הרווח תלויה בשמירה על נעילת מערכת אקולוגית (מערכי תוכנה וכלי פיתוח) ועלייה במעלה המערך לשירותים בנויים מראש שבהם המחיר אינו פונקציה של FLOPS בלבד.
נושא 2: מודלים ופלטפורמות - מחזית להתאמה למטרה
- מעבדות מודל חזיתיות: חברות אלה מובילות ביכולת ובמותג, ולעתים קרובות מייצרות רווחים באמצעות ממשקי API ורישוי ארגוני. יכולת ההגנה שלהם תלויה באימון מתמשך, גישה לנתונים ואישורי בטיחות/אבטחה. הסיכון הוא הפיכת יכולת לסחורה והסלמת הוצאות הוניות.
- פלטפורמות מודל פתוח: מערכות אקולוגיות פתוחות מפחיתות את עלויות ההסקה ומאפשרות פריסות מקומיות ובקצה. ערך מצטבר לפלטפורמות שמבצעות סטנדרטיזציה של כלי עבודה, הערכה ותזמור, ולא לכל הפצת מודל בודדת.
- משלבי מודל אנכיים: בתעשיות מפוקחות או עשירות בנתונים (בריאות, פיננסים), ספקי מודלים משולבים המשלבים נתוני דומיין, ציות ושילוב תהליכי עבודה עשויים ללכוד תמחור פרמיה.
השלכות אסטרטגיות: משקיעים השואלים "אילו מניות AI אני יכול לקנות היום?" צריכים להפריד בין זוהר חזיתי לכוח הפצה. המנצחים בפלטפורמה יהיו אלה שממירים יכולת מודל לתקני ארגון - אבטחה, ממשל ו-SLA - כמו גם מדדי ביצועים גולמיים.
נושא 3: יישומים ומצברים - תהליכי עבודה לוכדים ערך
- חבילות פרודוקטיביות ומערכות הפעלה: בעלות על יישומי ברירת מחדל (דוא"ל, מסמכים, פגישות, טייסים אוטומטיים ברמת מערכת ההפעלה) מעניקה הפצה רחבה וסבסוד צולב. AI מגדיל את ערך הוותק: מוצרים קיימים הופכים לחבילות המסבסדות עוזרי AI.
- SaaS אנכי עם AI מוטמע: יישומים שכבר מחזיקים בתהליכי עבודה קריטיים - CRM, ERP, עיצוב, פיתוח תוכנה - יכולים להוסיף AI כדי להגדיל את ARPU ולהפחית נטישה. החפיר הוא תהליך העבודה, לא המודל.
- מצברים מקוריים של AI: מצטרפים חדשים שנבנים סביב תהליכי עבודה של סוכנים או משימות אוטונומיות במשרד האחורי יכולים לצמוח במהירות אם הם פותרים בעיות ספציפיות בתדירות גבוהה ומשתלבים בין כלים.
השלכות אסטרטגיות: ככל שהמוצר קרוב יותר לעבודה היומיומית של המשתמש, כך סביר יותר שהוא יתפוס נתח לא מידתי מערך ה-AI. עבור משקיעים, זו לרוב התשובה הטובה ביותר לשאלה "אילו מניות AI אני יכול לקנות היום?" מכיוון שההפצה גדלה בעוד יכולות המודל מתפשטות.
יישום מסגרת: מיפוי "אילו מניות AI אני יכול לקנות היום?" לפי כוונה
כוונת המשקיע חשובה. משקיעים קמעונאיים מחפשים לרוב חשיפה רחבה; אנשי מקצוע נותנים עדיפות לתשואות מותאמות סיכון ואיזון גורמים.
- חשיפה רחבה: שקול עמדות מגוונות בהיפר-סְקֵיילרים עם מונטיזציה רב-שכבתית (מחשוב, שירותים, יישומים) ובספקי מחשוב מואץ מובילים. שמות אלה משתתפים במחזורי אימון והסקה.
- הימורים ממוקדים: אם אתה מאמין שהסקה בקצה תשלוט, ספקי חיבור ורשתות הם משחקים ממונפים. אם אתה מצפה שסטנדרטיזציה ארגונית תניע את הגל הבא, חפש חבילות יישומים עם עוזרי AI המוטבעים בכל המוצרים.
- עמדות מנוגדות: ככל שהעלויות יורדות ומודלים פתוחים משתפרים, חומרה ותוכנה מותאמות הסקה ויעילות אנרגטית עשויות להיות מוערכות מחדש. באופן דומה, SaaS אנכי שיכול לנעול תהליכי עבודה של AI ללא הוצאות הוניות מסיביות עשוי להניב ביצועים טובים יותר.
המפתח הוא להתאים את השאלה "אילו מניות AI אני יכול לקנות היום?" לתזה לגבי היכן שולי הרווח מתגבשים מחר.
תאוריית צבירה ו-AI: היכן העוצמה מצטברת
תאוריית הצבירה מסבירה מדוע שליטה בצד הביקוש מנצחת בידול בצד ההיצע לאורך זמן. ב-AI, מחסור במחשוב הוא יתרון חולף; צבירת ביקוש באמצעות מעמד ברירת מחדל בתהליכי עבודה יומיומיים היא מתמשכת.
- יתרון בצד ההיצע היום: מובילי GPU ומעבדות חזיתיות נהנים ממחסור ופערי יכולות.
- צבירת ביקוש מחר: חבילות פרודוקטיביות, פלטפורמות ענן ו-SaaS אנכי מחזיקים ביחסי לקוחות ויכולים לאגד AI כתוספת ערך, למזער את עלויות רכישת הלקוחות ולמקסם את שימור הלקוחות.
זה לא אומר שצד ההיצע לא מנצח; זה אומר שאתה צריך לכייל את טווחי הזמן. משקיעים השואלים "אילו מניות AI אני יכול לקנות היום?" חייבים להפריד בין מומנטום לעמידות.
עקומות עלויות וכלכלה יחידתית: אימון לעומת הסקה
הכלכלה של AI עוברת מאימון להסקה. ככל שהמודלים מתייצבים, נתח גדול יותר מההוצאה עובר לטיפול בעומסי עבודה בסְקֵייל. המנצחים הם אלה ש:
- מפחיתים את עלויות ההסקה באמצעות חומרה מותאמת, קוונטיזציה ואחסון במטמון.
- מייצרים רווחים מתזמור - ניתוב, מעקות בטיחות, אחזור והערכה - היכן שאמינות חשובה.
- לוכדים סמיכות של תהליכי עבודה, והופכים תכונת AI בודדת לעוזר דביק על פני משימות מרובות.
תובנה מעשית למשקיעים: חברות בעלות מינוף לירידת עלויות יחידה (מכיוון שהן יכולות לתמחר בערך, לא במחשוב) ירחיבו את שולי הרווח ככל שעקומת העלויות תרד. זהו מסנן לשאלה "אילו מניות AI אני יכול לקנות היום?"
סיכונים: הפיכה לסחורה, החלפה ומדיניות
- הפיכה לסחורה: ככל שחלופות פתוחות מצמצמות את הפער, גישה למודל טהור הופכת לעסק בעל שולי רווח נמוכים. שליטה בפלטפורמה ושילוב ארגוני מצמצמים סיכון זה.
- החלפה: הסקה בקצה מפחיתה את התלות בענן עבור עומסי עבודה מסוימים; ההשפעה היא ספציפית לעומס העבודה. שימו לב ללחץ מחירים בשירותי הסקה גנריים.
- מדיניות ואבטחה: לוקליזציה של נתונים, תקני בטיחות וסיכון IP יוצרים חיכוך. חברות עם ציות לפי עיצוב וממשל חזק צוברות יתרון.
משקיעים צריכים לדרוש הוכחות לכוח תמחור מעבר למדדי ביצועים: אימוץ, חידושים, שיעורי צירוף מרובי מוצרים.
בניית תיק השקעות: תרגום אסטרטגיה לעמדות
הקצאה מבוססת אסטרטגיה לשאלה "אילו מניות AI אני יכול לקנות היום?" יכולה להיראות כך:
- עמדות ליבה (מצברי ביקוש ופלטפורמות רב-שכבתיות): היפר-סְקֵיילרים ומובילי חבילות פרודוקטיביות שמייצרים רווחים מ-AI על פני מחשוב, שירותי פלטפורמה ויישומים. רציונל: חשיפה מגוונת והפצה ניתנת להגנה.
- עמדות טקטיות (מחסור בצד ההיצע): ספקי מחשוב ורשתות מואצים עם מערכות אקולוגיות חזקות של תוכנה. רציונל: מחסור לטווח קרוב בתוספת נעילת מערכת אקולוגית.
- עמדות נושאיות (SaaS אנכי + AI): מובילים ב-CRM, ERP, עיצוב וכלי פיתוח שהטמיעו AI והדגימו מונטיזציה. רציונל: בעלות על תהליך עבודה וכוח תמחור.
- אופציונליות (מערכת אקולוגית פתוחה ותזמור): פלטפורמות שמבצעות סטנדרטיזציה של הערכה, ניתוב וממשל על פני מודלים ועננים. רציונל: ערך מהפשטה ואמינות.
המשקל תלוי בסובלנות הסיכון, אך העיקרון תקף: בבעלותך הפצה, השכר יכולת.
דוגמאות מקרה: כיצד התזה מתממשת
- ספק ענן עם מערך AI ארגוני: נהנה מאימון והסקה, מוכר שירותים מנוהלים ומשלב עוזרי AI על פני כלי פרודוקטיביות. הוכחות לחוזק כוללות שיעורי צירוף AI עולים, חידושים ארגוניים והרחבת שולי רווח בשירותים.
- ספק GPU ומערכות עם חפיר תוכנה: מעבר לשבבים, החברה שולטת בשכבת התוכנה - ספריות, מהדרים וכלי פיתוח - ויוצרת עלויות מעבר ובסיס מפתחים.
- מוביל SaaS אנכי עם טייס משנה AI: כבר מוטמע בתהליכי עבודה של מכירות או פיננסים, הוא מעלה בהדרגה את ARPU עם תכונות AI ומפחית נטישה. החפיר הוא תהליך העבודה בתוספת שילוב נתונים, לא המודל לבדו.
כל דוגמה עונה על השאלה "אילו מניות AI אני יכול לקנות היום?" דרך עדשה של הפצה ומערכת אקולוגית, לא יכולת לטווח קצר.
הערכת מצטרפים חדשים: רשימת בדיקה של בדיקת נאותות
כאשר שמות AI חדשים מונפקים או ספקים ותיקים משנים את המותג סביב AI, החל רשימת בדיקה פשוטה:
- הפצה: אילו עמדות או ערוצים המוגדרים כברירת מחדל החברה מחזיקה?
- יתרון נתונים: האם יש גישה קניינית וחוזרת לנתונים איכותיים המשפרים את התוצאות?
- כלכלה יחידתית: האם שולי הרווח הגולמי משתפרים ככל שעלויות ההסקה יורדות? האם התמחור קשור לערך המסופק, לא לאסימונים בשימוש?
- אינטגרציה: האם יש חיבורים אמיתיים לתהליכי עבודה - ממשקי API, אבטחה, ציות - היוצרים חיכוך מעבר?
- מערכת אקולוגית: האם מפתחים או שותפים בונים עליה, או שזה סיפור של מוצר בודד?
רשימת בדיקה זו הופכת את השאלה המעורפלת "אילו מניות AI אני יכול לקנות היום?" לתהליך בחירה ממושמע.
מדוע "היום" חשוב - וכיצד לא להתאים יתר על המידה לרגע
המילה "היום" מזמינה חשיבה לטווח קצר. אבל ההשקעות הטובות ביותר בטכנולוגיה נהנות מיתרונות מבניים שמתמידים ככל שהיכולות מתפשטות. עסקאות טקטיות קצרות טווח (במגבלות היצע או מומנטום בכותרות) יכולות לעבוד, אך הן לעתים רחוקות מצטברות ללא שליטה בהפצה ובמערכת האקולוגית. התשובה המעשית לשאלה "אילו מניות AI אני יכול לקנות היום?" היא אפוא תיק המשלב מחסור מיידי עם צבירה לטווח ארוך.
היכן Sider.AI משתלבת: מינוף מחקר כיתרון
קחו לדוגמה את Sider.AI: בהקשר של השקעה ב-AI, היא מדגימה כיצד מינוף ניתוח מבוסס AI יכול לעצב מחדש את קבלת ההחלטות בסְקֵייל. מנקודת מבט אסטרטגית, כלים המסנתזים הגשות, שיחות רווחים ותיעוד טכני לתובנות ניתנות להשוואה ולחיפוש נותנים למשקיעים בודדים דחיפה ליעילות מידע שדרשה בעבר צוות. היתרון אינו ראיית הנולד; זה איטרציה מהירה יותר על המסגרות המדויקות שחשובות - הפצה, עקומות עלויות ואותות מערכת אקולוגית. ככל ששווקי ה-AI מתפתחים במהירות, מינוף מחקר הוא בעצמו יתרון תחרותי. חיבור הכל ביחד: רשימת מעקב לדוגמה מונעת תזה
בלי לציין סימולים ספציפיים, רשימת מעקב מותאמת תזה כדי לענות על השאלה "אילו מניות AI אני יכול לקנות היום?" יכולה לכלול:
- מצברים מרובי עננים ופרודוקטיביות: עמדות ברירת מחדל בארגון, עם טייסים אוטומטיים של AI המוטבעים בכל היישומים, שיעורי צירוף עולים ומומנטום מכירה צולבת.
- מובילי מחשוב ומערכות מואצים: נתח דומיננטי של מאיצי AI, הרחבת מערכות אקולוגיות של תוכנה ושילוב עמוק עם היפר-סְקֵיילרים.
- מומחי רשתות וחיבורי גומלין: נהנים מרוחב פס ודרישות השהיה נמוכה עבור אשכולות אימון והסקה של AI.
- בעלי תהליכי עבודה אנכיים: פלטפורמות CRM, ERP, עיצוב ומפתחים המדגימות צמיחת ARPU ושימור מונעת AI בת קיימא.
- פלטפורמות תזמור והערכה: שכבות ניטרליות המספקות ניתוב, מעקות בטיחות וממשל על פני מודלים, נהנות ממציאות מרובת מודלים ומרובות עננים.
כל קטגוריה משקפת תשובה לשאלה המרכזית לא עם סימולים אלא עם מאפיינים אסטרטגיים שמצטברים.
השלב הבא: סוכנים, אוטונומיה והמעבר לתהליכי עבודה
אם 2024–2025 הייתה עידן הצ'אט וטייסי המשנה, הצעד הבא הוא תהליכי עבודה של סוכנים המתאמים משימות בין כלים. שינוי זה מחזק את התזה: שליטה בהפצה ובאינטגרציה חשובה יותר מכל שיפור מודל בודד. כששואלים "אילו מניות AI אני יכול לקנות היום?", אתה מהמר במשתמע על מי שהופך יכולות להתנהגות יומיומית. מצברים בעלי עומק תהליך עבודה ממוקמים להרוויח הכי הרבה.
מסקנה: בבעלותך הפצה, השכר יכולת
התשובה הנכונה לשאלה "אילו מניות AI אני יכול לקנות היום?" היא מסגרת:
- היום, מחסור ויכולת חשובים; מחר, ההפצה שולטת.
- תעדיפו פלטפורמות ויישומים עם עמדות ברירת מחדל וצירוף מרובה מוצרים; השתמשו באלופי צד ההיצע באופן טקטי.
- יש לבחור עסקים שהמרווחים שלהם גדלים ככל שעלויות ההסקה יורדות, ושהמוצרים שלהם הופכים לחיוניים יותר ככל שהאינטגרציה מעמיקה.
במונחים מעשיים, המשמעות היא לתעדף צוברים של ביקוש ופלטפורמות מרובות שכבות, להשלים אותם עם משחקי מחסור במחשוב, ובאופן סלקטיבי להוסיף בעלי זרימות עבודה אנכיות שיכולים לתמחר AI כנגד תוצאות עסקיות. השוק ימשיך לבקש טיקרים; האסטרטגיה היא לקנות מודלים עסקיים. יותר מכל דבר אחר, כך הופכים את השאלה של היום לתשואות מצטברות של מחר.
שאלות נפוצות
ש1: מה הדרך הטובה ביותר להחליט אילו מניות AI לקנות היום?
התחילו עם מסגרת עבודה שמתחילה באסטרטגיה: תעדוף חברות עם כוח הפצה, נעילת אקוסיסטם ושיפור כלכלת יחידה ככל שעלויות ההסקה יורדות. על השאלה "אילו מניות AI אני יכול לקנות היום?" צריכה להיענות על ידי עמידות המודל העסקי, ולא כותרות יכולות לטווח קצר.
ש2: האם עלי להשקיע ביצרני שבבי AI או בפלטפורמות תוכנת AI?
שניהם יכולים לעבוד, אבל טווחי הזמן שונים. יצרני שבבים נהנים ממחסור לטווח קצר, בעוד שפלטפורמות ואפליקציות עם הפצה יכולות ללכוד ערך לטווח ארוך; איזנו את התשובה שלכם לשאלה "אילו מניות AI אני יכול לקנות היום?" על פני הדינמיקה הזו.
ש3: איך מודלים בקוד פתוח משפיעים על בחירות מניות AI?
מודלים פתוחים דוחסים תמחור עבור יכולות גנריות, ומעבירים ערך לתזמור, אינטגרציה ובעלות על זרימת עבודה. כאשר מעריכים אילו מניות AI לקנות היום, העדיפו חברות שיכולות לייצר רווחים מהפצה ומהימנות ולא מגישה גולמית למודל.
ש4: אילו סיכונים עלי לקחת בחשבון לפני שאני קונה מניות AI עכשיו?
סיכונים עיקריים כוללים מסחור של גישה למודל, תחליף על ידי הסקה בקצה ומגבלות מדיניות סביב נתונים וקניין רוחני. כדי לענות בצורה מושכלת על השאלה אילו מניות AI לקנות היום, חפשו עדויות לכוח תמחור, תכונות תאימות וצירוף מרובה מוצרים.
ש5: האם יישומי AI או תשתית צפויים יותר לספק תשואות עמידות?
תשתית מנצחת במהלך מחסור; יישומים ופלטפורמות מנצחים לאורך זמן על ידי בעלות על זרימות עבודה ועמדות ברירת מחדל. עבור השאלה "אילו מניות AI אני יכול לקנות היום?", גישת משקולת - בעלות על הפצה והשכרת מחסור באופן סלקטיבי - ממקסמת את העמידות.
