בקצרה: באוקטובר 2026 פרסמה Togal.AI בנצ'מרק כימות מתוכניות אמיתיות. מודלי AI כלליים קיבלו בזמן ההשקה 2%–34%. כתב כמויות דורש כלי שמודד מהקובץ, מראה מקור לכל כמות, ומשאיר את האישור לכמאי.

הרבה קבלנים, מנהלי פרויקטים וכמאים כבר ניסו את זה: לוקחים גיליון תוכנית, מעלים לצ'אטבוט ומבקשים "תוציא לי כמויות". התשובה מגיעה מהר ונראית משכנעת. השאלה היא אם אפשר לבנות עליה הצעת מחיר.

באוקטובר 2026 פרסמה חברת Togal.AI, שמפתחת תוכנה לכימות מתוכניות, את מה שהיא מגדירה כבנצ'מרק הראשון שנבנה במיוחד לענף הבנייה. התוצאות מעניינות כל מי שמתמחר עבודות.

מה נבדק ב-Construction's Last Exam

הבנצ'מרק, בשם Construction's Last Exam (CLE), הושק ב-6 באוקטובר 2026 (הודעת החברה). בגרסה המקורית יש 33 משימות כימות על תוכניות אמיתיות, בשלוש משפחות:

  • מדידות אורך: קווי מרכז של קירות, קווי מתאר ופתחים.
  • שטחים: חדרים, ריצוף, גמרים, פיתוח ושטחים מקווקווים.
  • ספירה: דלתות, כלים סניטריים, נקודות חשמל וסמלים חוזרים.

לפי Construction Briefing, נבדקו מודלים מובילים של OpenAI, Anthropic, Google, xAI וספקים סיניים נבחרים. המודלים קיבלו קובצי PDF גולמיים של תוכניות, והורשו להשתמש ביכולות הראייה והקוד המובנות שלהם, בלי כלים חיצוניים ובלי תהליכי סוכנים. התוצאות הושוו לתשובות נכונות שאומתו מראש.

התוצאות: 2% עד 34%

בזמן ההשקה, המודלים הכלליים קיבלו ציונים בין כ-2% לכ-34% (סיכום DeadFront). Togal מפרסמת את הציון של כל מודל בלוח תוצאות פומבי, שממשיך להתעדכן. נכון לאמצע נובמבר 2026, מודל חדש יותר הגיע ל-36.4, ועדיין רחוק מאוד מרמה שאפשר לתמחר לפיה.

חשוב לקרוא את הנתונים בהקשר:

  • את הבנצ'מרק בנתה, הריצה ופרסמה Togal עצמה, והוא עוד לא נבדק בידי צד שלישי.
  • הציון של הפלטפורמה של Togal (97.7) נמדד עם אדם בלולאה, ולכן הוא לא השוואה ישירה למודל שעובד לבד.
  • הכיוון ברור: מודל כללי, לבד, מול גיליון תוכנית צפוף, הוא עדיין לא כלי כימות אמין.

למה צ'אטבוט כללי מתקשה עם תוכניות

תוכנית בנייה היא לא תמונה רגילה. היא מסמך טכני צפוף עם קנה מידה, מקרא, שכבות, סימונים ומידות. כדי להוציא ממנה כמות נכונה צריך:

  • לזהות את הגיליון: מקצוע, קומה וקנה מידה.
  • למדוד מהגאומטריה עצמה: לא "להעריך" שטח מתמונה, אלא לחשב מהקווים ומהשכבות שבקובץ.
  • לקרוא את המקרא: נקודת חשמל, כיור או ספרינקלר הם סמלים, ולכל פרויקט מקרא משלו.
  • לעבוד בעברית: בתוכניות ישראליות, טקסט שיוצא מ-AutoCAD מגיע הרבה פעמים הפוך או משובש.
  • לסדר כמו שכמאי מצפה: כתב כמויות בישראל בנוי לפי פרקים ותתי-סעיפים, בדרך כלל בהתאם למבנה המפרט הכללי הבין-משרדי ("הספר הכחול").

צ'אטבוט כללי לא נבנה לאף אחד מאלה. הוא יכול לתת תשובה שנשמעת טוב, אבל בלי מקור שאפשר לבדוק.

מה כלי ייעודי עושה אחרת: הגישה של ConKore

ConKore.AI פותחה בישראל לכתב כמויות מתוכניות PDF, DWG ו-IFC. העיקרון: קודם מדידה, אחר כך AI.

  • מדידה מהקובץ: כשיש בקובץ גאומטריה, שכבות או טקסט, הכמות נמדדת מהם ישירות. קריאה חזותית ב-AI נכנסת רק כשאין ממה למדוד, והתוצאה מסומנת לבדיקה.
  • זיהוי גיליון: מקצוע, קומה וקנה מידה, מהחותמת ומהמידות המודפסות.
  • מקור לכל כמות: עמוד, שכבה או שורת מקרא, כדי שהכמאי יוכל לבדוק בשנייה.
  • פחת גלוי: אחוז פחת לפי סוג חומר, בשורה ולא מוסתר במחיר.
  • עברית תקינה: מנוע ייעודי שמתקן טקסט הפוך מ-AutoCAD לפני הכימות.
  • Scope Gap: סימון סעיפים שנראים חסרים, למשל גיליון חסר בסט או אי-התאמה בין אדריכלות לקונסטרוקציה, לפני שהמכרז יוצא.

והכי חשוב: הכמאי מאשר לפני שיש מחיר מאושר. כמות שלא אושרה לא מקבלת מחיר מאושר — לכל היותר אומדן מסומן מהמחירון. AI טוב מקצר את העבודה, אבל ההחלטה נשארת אצל איש המקצוע.

מכתב הכמויות לניהול הפרויקט

כתב הכמויות הוא רק ההתחלה. ב-ConKore אותו כתב כמויות ממשיך למכרז לקבלנים, לחוזה, לסיור באתר עם אישור מהנייד, לבדיקת חשבונות קבלן מול הכמות בחוזה, לשינויים ותוספות, לגאנט ולשנת הבדק. לקבלני המשנה יש פורטל חינמי שעובד מהנייד.

שורה תחתונה

הבנצ'מרק של Togal מאשר את מה שכמאים יודעים מניסיון: לקרוא תוכנית ולהפיק ממנה כמויות שאפשר לתמחר זו עבודה מקצועית. אם מישהו בצוות מריץ כמויות דרך צ'אטבוט כללי, כדאי להתייחס לתוצאה כהערכה גסה בלבד. כלי ייעודי, שמודד מהקובץ, מראה מקור לכל כמות ומשאיר את האישור לכמאי, הוא הדרך לעבוד עם AI בלי לסכן את ההצעה.

נסו בעצמכם

רוצים לראות איך זה עובד על התוכנית שלכם? העלו תוכנית PDF, DWG או IFC ב-conkore.ai וקבלו טיוטת כתב כמויות בעברית. 14 יום ניסיון חינם, בלי כרטיס אשראי.

מקורות: Togal.AI, Construction's Last Exam · הודעת Togal.AI · Construction Briefing · DeadFront