נושא01
אז מה בעצם משתנה ב-9 באוקטובר?
גוגל מסדרת מחדש את מי שמקבל מה ב-Gemini, וההשפעה מגיעה ישר לכיס ולתוצאה. היום יש שלושה מודלים בסולם: Flash-Lite הקטן והמהיר, Flash האמצעי, ו-Pro החזק שמיועד לחשיבה עמוקה ומשימות מורכבות.
מ-9 באוקטובר, משתמשים בחינם יורדים ל-Flash-Lite בלבד — הם מאבדים גם את Flash. ומי שמשלם על AI Plus (4.99 דולר לחודש, התוכנית הזולה והנפוצה) מאבד את Pro לחלוטין, ונשאר עם Flash ו-Flash-Lite. התוכניות שמחזיקות את כל השלושה בלי שינוי הן AI Pro (19.99 דולר) ו-AI Ultra היוקרתית.
מנויי AI Plus לא יתעוררו בבוקר אחד בלי Pro — גוגל מבטיחה לשלוח להם מייל אישי עם תאריך הניתוק הספציפי שלהם במהלך החודש. אבל הכיוון ברור: מי שלא משדרג, יורד.
גוגל לא סוגרת את הדלת למטה — היא פשוט מזיזה אותה קומה אחת מעלה, וכל מי שלא עוקב נשאר בחושך.
נושא02
למה זה קורה דווקא עכשיו?
זה לא הצעד הראשון. עוד במאי 2026 גוגל שינתה את כל שיטת המכסות ב-Gemini — עברה למגבלות שימוש מבוססות־חישוב (compute) עם תקרה של חמש שעות ותקרה שבועית, כשכל תוכנית מקבלת מכפיל שונה: Plus פי 2 מהחינמי, Pro פי 4, ו-Ultra פי 20. באוקטובר גוגל לא מסתפקת בעוד הגבלת כמות — היא נועלת לפי סוג מודל. זה מעבר מ'אתה יכול להשתמש בפחות' ל'אתה לא יכול להשתמש בזה בכלל'.
ולמה זה הגיוני מהצד של גוגל? כל שאילתה ל-Pro צורכת הרבה יותר כוח מחשוב מאשר שאילתה ל-Flash-Lite, ומיליוני משתמשים שמריצים את המודל הכבד בתוכנית הזולה ביותר הם עלות אמיתית. הפתרון הקלאסי: מצמצמים את מה שהתוכנית הזולה מקבלת, ומוסיפים פיתוי לתוכנית היקרה יותר — ה-Deep Think שעד כה היה שמור בלעדית ל-Ultra, עובר עכשיו גם ל-AI Pro. זאת לא רק הגבלה, זו הנדסת שדרוג: גוגל מזיזה משתמשים במעלה הסולם בלי להגיד את זה בפה.
נושא03
מה זה אומר בפועל לבעל עסק?
ההבדל בין Flash ל-Pro לא תיאורטי. אם אתם נותנים ל-Gemini לקרוא חוזה שכירות או הסכם עם ספק ולסמן סעיפים מסוכנים, ל-Pro יש עומק חשיבה שמאתר ניואנסים משפטיים שמודל קטן פשוט מדלג עליהם. אם אתם נותנים לו מטרה שלמה — 'תבנה לי אסטרטגיית שיווק לרבעון הקרוב כולל ניתוח מתחרים ותקציב מוצע' — Pro מתכנן שלבים ומבצע לעומק, בזמן ש-Flash נותן תשובה שטוחה יותר.
אז מי שעד היום רץ על החינמי או על AI Plus בשביל בדיוק המשימות האלה, עומד בפני בחירה אמיתית: לשדרג ל-AI Pro ב-19.99 דולר ולשמור על העומק, או להמשיך עם מודל חלש יותר ולקבל תוצאה חלשה יותר — בלי לדעת תמיד שזו הסיבה לירידה באיכות.
