בחירת המנוע — Nano Banana Pro/2, Seedream ו-GPT Image ב-2026

ארבעת המנועים של 2026 — סקירה מבוססת-מחיר

ב-2026 יש ארבעה מנועי תמונה שרלוונטיים לצילום-מוצר מסחרי. כל אחד מהם הוא מודל גנרטיבי (Generative AI, AI שיוצר תוכן חדש) שמקבל prompt (הנחיה כתובה) + reference images (תמונות ייחוס) ומייצר תמונה. הם נבדלים זה מזה בארבעה ממדים שחשובים לחנות שלכם: photorealism (עד כמה התמונה נראית כמו צילום אמיתי), in-image text rendering (רינדור טקסט בתוך התמונה — לוגו, תווית, מחיר), consistency (עקביות של אותו מוצר על פני תמונות שונות), וכמובן מחיר. הנה המפה המרכזת:

מספר הקסם שכדאי לזכור: Seedream עולה בערך 1/5 עד 1/6 מ-Nano Banana Pro על אותה תמונה. זה לא טעות — זו המגמה של ByteDance לכבוש את שוק ה-e-commerce (מסחר מקוון) הסיני והעולמי. על 1,000 תמונות, ההפרש הוא בין 25-40 דולר ל-134-240 דולר. כפול שער הדולר-ש"ח, זה 90-150 ש"ח חיסכון על batch שלם — סכום שמצטבר.

הערה על תוכן מתחלף: שמות המודלים, ה-versions, וה-pricing מתעדכנים חודש-בחודש ב-2026. המחירים בטבלה לקוחים מ-research_date 2026-06-05 (תאריך המחקר עליו מבוסס הקורס), ומשלבים נתונים רשמיים של Google/OpenAI עם הערכות מאגרגטורים (fal, Replicate, APIMart). לפני כל תקצוב רציני, בדקו את deepmind.google/models/gemini-image/pro/, openai.com/api/pricing ו-fal.ai/models.

Nano Banana Pro (Gemini 3 Pro Image) — הדגל של גוגל לתמונות hero

Nano Banana Pro הוא הדגל של Google DeepMind לתמונה גנרטיבית ב-2026. שמו הרשמי הוא Gemini 3 Pro Image (השם "Nano Banana Pro" הוא כינוי שיווקי שהפך לסטנדרט בקהילה). הוא נבנה לעבודה אחת: לייצר תמונת מוצר שתחזיק מעמד גם כשמגדילים אותה ל-4K. ה-photorealism שלו הוא הכי גבוה מבין ארבעת המנועים בטבלה, ורינדור הטקסט בתוך התמונה (לוגו, מחיר, תווית מוצר) הוא הכי מדויק — לרוב מתחת ל-10% שגיאה בשורת טקסט אחת.

המספרים: ברזולוציית 1K-2K, המחיר הוא בערך ~$0.134 לתמונה; ב-4K (4096px) המחיר עולה ל-~$0.24. תמחור token-based (לפי "טוקנים" = יחידות טקסט שהמודל מעבד) של $2 למיליון input tokens ו-$12 למיליון output tokens. זמן ייצור: 2-5 שניות לתמונה. כל תמונה יוצאת עם SynthID — watermark (סימן-מים דיגיטלי) בלתי-נראה שעומד בדרישות ה-EU AI Act (רגולציית הבינה המלאכותית של האיחוס האירופי, הנכנסת בהדרגה עד אוגוסט 2026). אסור להסיר את ה-SynthID; זה נכס, לא בעיה.

קיבולת consistency: המודל שומר על consistency של עד 5 דמויות ו-14 אובייקטים ב-workflow אחד [מקור: deepmind.google/models/gemini-image/pro/]. בתרגום מעשי: אם תזינו לו 6-8 תמונות של אותו בקבוק קוסמטיקה מזוויות שונות, הוא ייצר 8-10 גרסאות שונות שבהן הבקבוק ייראה זהה לעצמו. זה הבסיס ל-multi-reference (ריבוי תמונות ייחוס) שנדבר עליו בפרק 4, אבל כבר עכשיו חשוב להבין: רק Pro ו-2 מבין המנועים נותנים consistency גבוהה מספיק לקטלוג אמיתי. Seedream ו-GPT Image 2 טובים בתמונות בודדות; כשמדובר בעקביות על פני עשרות תמונות, הם נופלים.

מתי לבחור ב-Pro:

• Hero image ל-PDP. התמונה הראשונה בדף המוצר, זו שמופיעה בתוצאות חיפוש. אם תשקיעו $0.134 בתמונה אחת בקטלוג שלם, זו התמונה.
• מוצר עם אריזה שיש עליה לוגו/טקסט. כוס קרמיקה עם לוגו, בקבוק עם תווית, אריזת קוסמטיקה. ה-Pro רושם את הטקסט הכי נכון.
• רזולוציה גבוהה ל-Amazon. התמונה הראשית ב-Amazon דורשת מינימום 1600px בצד הארוך; רבים מעלים 2000-2400px. ב-2K Pro עולה $0.134; ב-4K $0.24.
• מוצר שבו ההפרש בין "טוב" ל-"מצוין" מייצר הכנסה. תכשיטים, שעונים, מוצרי-יוקרה — שם ה-photorealism הכי חשוב.

מתי לא לבחור ב-Pro:

• על thumbnails (תמונות ממוזערות קטנטנות בתוצאות חיפוש) ועל מאות SKU של ה-long tail (הזנב הארוך, המוצרים הזולים/הנדירים בקטלוג). לא משתלם.
• על תמונות lifestyle פשוטות. Nano Banana 2 נותן 90% מהאיכות ב-75% מהמחיר.
• על batch גדול (200 SKU) — חישוב מהיר: 200 × $0.134 = $26.80, שזה ~99 ש"ח. לבד; אבל אם תכפילו ב-3 כדי לכלול retries ו-references, זה כבר 300 ש"ח. לא קטסטרופה, אבל גם לא מה שאתם צריכים להוציא על מוצר זול.

תאריך-מפתח לזכור: Nano Banana Pro הגיע ל-Vertex AI (פלטפורמת הענן של גוגל לעסקים) ול-Gemini Enterprise ב-GA (General Availability, זמינות סופית יציבה לכלל המשתמשים) ב-29 במאי 2026. זה אומר שב-2026-06-23 (התאריך שבו אתם קוראים את זה), הוא production-ready (יציב לשימוש מסחרי). 4K נשאר Preview ב-Vertex לתקופה הקרובה; 1K ו-2K הם GA. כלל הברזל: תכננו production סביב 2K, ולא סביב 4K.

Nano Banana 2 (Gemini 3.1 Flash Image) — סוס-העבודה ל-batch

Nano Banana 2 (שם רשמי: Gemini 3.1 Flash Image) הוא האח הזול והמהיר של ה-Pro. הוא נבנה באותה ארכיטקטורה, אבל עם אופטימיזציה למהירות ולעלות. גוגל מתארת אותו כ"lightning-fast" — מהירות ברק. ה-photorealism קרוב מאוד ל-Pro, הרינדור טקסט מעט פחות מדויק (עדיין טוב מ-Seedream ומ-GPT Image 1.5), וקיבולת ה-consistency זהה (5 דמויות, 14 אובייקטים). בקיצור: איכות Pro במחיר Flash.

המספרים: ב-0.5K המחיר הוא ~$0.045 לתמונה, ב-1K ~$0.067, ב-2K ~$0.101, ב-4K ~$0.151. דרך fal.ai (פלטפורמת אגרגציה שמאפשרת גישה למודלים רבים דרך ממשק אחיד) המחיר ב-1K הוא בסביבות $0.08. ההפרש מ-Pro: על אותה תמונה ב-2K, $0.101 מול $0.134 — חיסכון של 25%. על batch של 1,000 תמונות, זה 33 ש"ח. לא הרבה לתמונה בודדת, אבל רציני בקנה-מידה.

החידוש המעניין ב-2026: גרסת 2 הוסיפה תמיכה ב-video file as input — אפשר להזין סרטון קצר של המוצר (למשל: בקבוק מסתובב על רולר) במקום סט של תמונות סטילס, והמודל מייצר תמונות על בסיס הסרטון. זה עדיין Preview (תצוגה מוקדמת, לא יציב לייצור) בתאריך המחקר, אבל זה שינוי מהותי לעתיד: סרטון של 10 שניות מכיל יותר מידע על המוצר מ-6 תמונות סטילס.

תאריך-מפתח: Nano Banana 2 הושק לקהל הרחב דרך Gemini consumer app ב-26 בפברואר 2026, אבל ל-Vertex AI / Gemini Enterprise הוא הגיע ב-GA רק ב-29 במאי 2026. זה אומר שהיו 3 חודשים שבהם אפשר היה להשתמש בו רק דרך ה-app הצרכני. מסקנה: אם ה-API שלכם עובד היום, הוא production-ready. אם אתם רואים שגיאות 404 על ה-API, ייתכן שאתם על מודל ישן יותר.

מתי לבחור ב-Nano Banana 2:

• ברירת-המחדל לקטלוג. אם אתם לא יודעים איזה מנוע לבחור, התחילו ב-2. הוא זול מספיק לקטלוג שלם, מהיר מספיק לעבודה שוטפת, ואיכותי מספיק לרוב המוצרים.
• רוב תמונות ה-PDP. התמונה הראשית, הזוויות, ה-lifestyle של רוב המוצרים. רק למוצרים עם אריזה מורכבת או לתכשיטים — תעלו ל-Pro.
• Batch בלילה. כשאתם מריצים pipeline של 200 SKU בלי השגחה, 2 הוא הבחירה הנכונה — מהיר, זול, ועם consistency שתואמת את ה-Pro.
• חיתוכי ads/social. תמונות ב-1K שמיועדות לפיד אינסטגרם או ל-Instagram Stories לא צריכות את ההפרש.

מלכודת: Nano Banana 2 קרוב ל-Pro, אבל לא זהה. על מוצרים עם טקסט צפוף מאוד (אריזה עם 5 שורות, מרכיבים בעברית קטנטנים) — Pro עדיין מנצח. על מוצרים שקופים או מבריקים עם reflections (השתקפויות) מורכבות — Pro. בכל השאר, 2 הוא הבחירה הסבירה.

Seedream 4.5 / 5.0 Lite (ByteDance) — מנהיג-העלות

Seedream הוא משפחת המודלים של ByteDance (החברה הסינית שמפעילה את TikTok, למקרה שזה עוזר). ב-2026 יש שתי גרסאות רלוונטיות: Seedream 4.5 (גרסה יציבה, זמינה מתחילת 2025) ו-Seedream 5.0 Lite (גרסה חדשה יותר, עם web-connected retrieval — יכולת למשוך מידע מהרשת בזמן הייצור, ו-instruction following משופר; גרסת Lite בלבד זמינה לחלוטין בתאריך המחקר). שתיהן ממוקמות במקום אחד בשוק: ה-cost-leader — מנהיגת-המחיר. תקבלו 80-90% מהאיכות של Pro ב-20-30% מהמחיר.

המספרים: Seedream 4.5 עולה בערך ~$0.04 לתמונה, וב-fal.ai הוא יורד עד $0.03. Seedream 5.0 Lite נע בין $0.025 ל-$0.035 לתמונה לפי ספק: APIMart $0.025, Vercel/inference.sh $0.035, Atlas Cloud $0.032. ההפרש מ-Pro: על 1,000 תמונות, Seedream ב-$0.04 יעלה $40 (~148 ש"ח). Pro ב-$0.134 יעלה $134 (~496 ש"ח). חיסכון של $94 = 348 ש"ח על אותה כמות. על 5,000 תמונות, זה 1,740 ש"ח חיסכון — משכורת חודשית של עובד במשרה חלקית.

החוזק הייחודי של Seedream: multi-image fusion (מיזוג ריבוי תמונות) — הוא מקבל עד 10 תמונות reference וממזג אותן בצורה אחידה. Batch generation — אפשר לבקש 1-15 תמונות בקריאה אחת, ולקבל אותן ביחד. Product photography conventions — הוא אומן על הרבה מאוד תמונות של מוצרים ב-e-commerce (זה השוק הביתי של ByteDance), ולכן הוא מבין ז'אנרים כמו beverage shots, food styling, fashion flat-lay בצורה טבעית. רזולוציה: עד 4096px (4.5), ועד ~9MP / 3072px ב-5.0 Lite.

מתי לבחור ב-Seedream:

• תקציב הדוק מאוד. חנות שצריכה להפיק 1,000+ תמונות בחודש ולא יכולה להרשות לעצמה $134/1,000 תמונות. Seedream מוריד את העלות ל-25-40%.
• מוצרי מזון, אופנה, ו-FMCG (מוצרי צריכה מהירה). הז'אנרים שבהם ByteDance השקיע הכי הרבה training. Seedream מבין flat-lay, bottle-on-table, food styling בלי הסברים ארוכים.
• Batch generation מובנה. כשרוצים 5-15 גרסאות של אותו מוצר בקריאה אחת (למשל 5 זוויות).
• מוצרים סטנדרטיים בלי טקסט קריטי. צעצועים, כלי-בית, אביזרים — מוצרים שבהם ה-packshot חשוב אבל התווית לא חייבת להיות מושלמת.

מתי לא לבחור ב-Seedream:

• כשאתם צריכים טקסט מדויק על האריזה — Seedream פחות טוב מ-Pro או GPT Image 2 ברינדור טקסט.
• כשאתם צריכים consistency גבוהה על פני עשרות תמונות של אותו מוצר — Seedream מתחיל לאבד עקביות אחרי 5-6 תמונות; Pro ו-2 שומרים עד 14.
• כשהחנות שלכם באירופה ויש דרישות EU AI Act מחמירות — נדבר על זה בפרק 6, אבל SynthID של גוגל נחשב machine-readable labeling מוכר; provenance של Seedream פחות ברור.

הערה על המודל המלא: Seedream 5.0 (full, non-Lite) לא זמין לכלל המשתמשים בתאריך המחקר בכל הספקים. ה-Lite זמין ב-APIMart, Vercel, Atlas Cloud, וכמה נוספים; ה-Full מוגבל יותר. כלל הברזל: תכננו production סביב 5.0 Lite, ובדקו מול הספק שלכם לפני שאתם מתחייבים.

GPT Image 2 (OpenAI) — המומחה לטקסט ול-prompting מורכב

GPT Image 2 הוא הדגל של OpenAI לתמונה גנרטיבית ב-2026. הוא נכנס ל-GA ב-אפריל 2026, והוא מהווה קפיצת-מדרגה משמעותית מ-GPT Image 1.5: הוסיף agentic reasoning (המודל מתכנן את מבנה התמונה לפני שהוא מייצר אותה), multilingual character-level text (רינדור טקסט ברמת תו בודד במגוון שפות, כולל עברית), ו-web-search grounding (המודל יכול לחפש ברשת כדי לקבל הקשר עדכני). DALL-E 3 הוסר מהקטלוג של OpenAI; ה-API שלו הופנה ל-GPT Image.

המספרים: GPT Image 2 מתומחר לפי token-based pricing: $8 למיליון input tokens, $30 למיליון output tokens, $5 למיליון text input tokens. בתרגום ל-per-image לפי tier (דרגת איכות): ~ $0.006 (low) / $0.053 (medium) / $0.21 (high) לתמונת 1024px. GPT Image 1.5 (הדור הקודם, עדיין זמין וזול יותר): בערך $0.009 (low) עד $0.04 (standard) לתמונה. טווח המחירים: הזול ביותר ב-tokens של GPT Image 2 זול יותר מ-Seedream ($0.006 מול $0.025), אבל ה-high-tier יקר יותר מ-Pro. זה תלוי ב-tier שאתם צריכים.

החוזק הייחודי: Instruction adherence (ציות להנחיות). GPT Image 2 מבצע הוראות מורכבות ב-prompt טוב יותר מכל המתחרים. אם אתם כותבים "בקבוק זכוכית שקוף, מלא במשקה ענבים סגול, עם טיפות על הדופן, על משטח שיש לבן, עם תאורת softbox (תאורה רכה דרך מפזר אור) משמאל למעלה, צל רך מימין, רקע gradient (מעבר צבע הדרגתי) מבז' לקרם, סגנון Vogue 2024" — GPT Image 2 יתפוס את כל ההוראות. ה-Pro יתפוס חלק. Seedream יתפוס פחות.

מתי לבחור ב-GPT Image 2:

• טקסט צפוף רב-לשוני על אריזה. מוצר עם 5 שורות של מרכיבים בעברית, אנגלית וערבית על האריזה. GPT Image 2 רושם טוב יותר מ-Pro בעברית (ועדיין לא מושלם — composite תווית אמיתית במקרים קריטיים).
• Prompts ארוכים ורב-שכבתיים. כשה-prompt שלכם הוא 200+ מילים עם 8-10 הוראות, GPT Image 2 שומר עליהן הכי טוב.
• כשאתם זקוקים לתוצאה אחת ולא לעקביות. אם ה-prompt שלכם הוא חד-פעמי ולא חלק מקטלוג, GPT Image 2 הוא בחירה סבירה.
• כשאתם רוצים tier low-cost לבדיקות. $0.006 לתמונה זה כמעט חינם; מתאים לבדיקות prompt.

מתי לא לבחור ב-GPT Image 2:

• כשאתם צריכים photorealism מוביל. Pro של גוגל מנצח בריאליזם של צילום אמיתי.
• כשאתם צריכים consistency על פני עשרות תמונות. GPT Image 2 לא תוכנן לקטלוגים ארוכים.
• כשאתם רוצים לעבוד עם multi-reference (ריבוי תמונות ייחוס). זה הצד החזק של Pro/2 של גוגל.

סיכון טכני: הופיע בשווקים מסוימים הכינוי "GPT-5.4 Image 2" דרך OpenRouter. זה כנראה relabel של GPT Image 2; השם הקנוני הוא GPT Image 2. כלל הברזל: תמיד לאמת את ה-API endpoint מול openai.com/api/pricing.

מטריצת ההחלטה — איזה מנוע לאיזה משימה

אחרי שעברנו על ארבעת המנועים, השאלה המעשית היא: בפועל, מתי בוחרים מה? התשובה לא "הכי טוב" — אלא התאמה בין סוג המשימה למנוע. הנה המטריצה:

למה המטריצה הזו חשובה: רוב בעלי החנויות בוחרים "את המנוע הכי טוב" ומשתמשים בו על הכל. זו הטעות היקרה ביותר שאפשר לעשות. על 1,000 תמונות, ההפרש בין "הכל Pro" לבין "Pro ל-hero, 2 לשאר" הוא $33 = ~122 ש"ח. על "הכל Pro" מול "Pro ל-hero, Seedream לשאר" — $94 = ~348 ש"ח. על 5,000 תמונות — $1,740 ש"ח. זה לא תיאורטי. זו ההחלטה שמבדילה חנות רווחית מחנות שמבזבזת על תמונות.

שיקול נוסף — סוג המוצר: יש קטגוריות שבהן המנוע הזול פשוט לא מספיק. תכשיטים (זהב, יהלומים) דורשים photorealism גבוה מאוד; ה-Pro שווה את ההפרש. צעצועי ילדים — Seedream מספיק. אופנה — Nano Banana 2 ברירת-מחדל, Pro לתמונות בוקרה. מזון — Seedream מצטיין (ByteDance אימן אותו על הרבה אסתטיקה של מזון).

כרטיס-עזר להדבקה ליד המסך — ארבעת המנועים בשורה אחת כל אחד, עם המספר שקובע את ההחלטה. שמרו את זה כ-engines.md בתיקיית הפרויקט:

הכלל המעשי בשורה אחת: Nano Banana 2 כברירת-מחדל, Pro לתמונת ה-hero של המוצר היקר ביותר, Seedream לכל השאר כשהקטלוג חוצה 200 מוצרים, GPT Image 2 רק כשיש טקסט רב-לשוני קריטי. כל סטייה מהכלל הזה צריכה הצדקה במספרים — לא בתחושה.

מלכודת ערבוב המנועים — למה "looks" שונים הורסים קטלוג

הטעות השנייה בנפוצות שלה אחרי "הכל Pro": ערבוב מנועים באותו visual set. דמיינו חנות של 200 מוצרים. 100 מוצרים צולמו ב-Nano Banana Pro — יש להם גוון צבע מסוים, סגנון תאורה, רמת פירוט. 100 האחרים צולמו ב-Seedream — יש להם גוון צבע שונה במקצת, תאורה פחות רכה, פירוט קצת אחר. הקונה לא יודע למה, אבל הוא מרגיש שזו לא אותה חנות. הקטלוג נראה כאילו צילמו אותו בשני סטודיו שונים. זה הורס את אמון הקונה ומוריד conversion (שיעור ההמרה מביקור לרכישה).

הכלל המעשי: מנוע אחד לכל visual set. תבחרו מנוע — אחד — ותשתמשו בו על כל התמונות באותה קטגוריה (או בכל החנות). אם אתם חייבים לערבב — למשל, Pro ל-hero ו-Seedream ל-lifestyle — אז תוודאו שה-prompt-template (תבנית prompt) קובע את אותה תאורה, רקע, וערכת-צבעים, כך שההפרש בין המנועים ייטמע.

המלכודת האמיתית: ערבוב שקט. גם אתם לא תרגישו את ההפרש בעיניים — תראו 200 תמונות, תגידו "יפה", ותעלו לחנות. אבל כשהלקוח מגלגל את הקטלוג, הוא מרגיש אי-אחידות ברמה הלא-מודעת. תיקון: תעשו בדיקה עיוורת (blind test) — תדפיסו 20 תמונות מ-2 מנועים שונים של אותו מוצר, תנו לחבר/ה לא-מעורב/ת לסמן "אותה חנות?" — ואם הוא מסמן "לא", ערבבתם יותר מדי.

בפרק 4 נדבר על multi-reference ועל prompt templates — שני הכלים שמבטיחים consistency (עקביות) גם כשהמנוע משתנה. הכלל בפרק הזה פשוט: אל תערבבו בלי להגדיר תבנית אחידה.

מלכודת שמות-המודלים — Nano Banana ≠ Nano Banana 2 ≠ Pro

זה הסעיף שיחסוך לכם את הטעות הכי מביכה של 2026. ל-Google DeepMind יש כרגע שלושה מודלים עם השם "Nano Banana" במשפחה, והם לא אותו דבר:

• "Nano Banana" (ללא שום מספר) = Gemini 2.5 Flash Image. הדור הקודם, הושק 2025. עדיין זמין ב-Gemini app אבל לא המומלץ לקטלוגים חדשים.
• "Nano Banana 2" = Gemini 3.1 Flash Image. הדור הנוכחי למהירות. הושק לקהל הצרכני ב-26 בפברואר 2026, GA ב-Vertex 29 במאי 2026.
• "Nano Banana Pro" = Gemini 3 Pro Image. הדגל, photorealism מוביל. GA ב-Vertex 29 במאי 2026.

המלכודת: כשאתם קוראים "Nano Banana" בלי המספר, אתם לא יודעים איזה מודל באמת. ב-API של גוגל, זה מתבטא ב-model ID (המזהה הטכני של המודל). בקוד זה ייראה כך:

• gemini-2.5-flash-image → Nano Banana הישן (לא מומלץ).
• gemini-3.1-flash-image → Nano Banana 2 (ברירת-המחדל).
• gemini-3-pro-image → Nano Banana Pro (הפרמיום).

הכלל: תמיד לאמת את ה-Gemini model ID, לא את הכינוי. כשאתם רואים הוראה בבלוג, וידאו YouTube, או המלצת חבר — תבדקו מול הקוד שלכם. אם הם אומרים "השתמשתי ב-Nano Banana Pro והצלחתי תמונה מדהימה" — תשאלו: "איזה model ID בדיוק?" התשובה היא ה-ID, לא השם השיווקי.

למה זה קריטי לתקציב: ה-2.5 Flash Image הישן עולה פחות, אבל הוא גם פחות איכותי. אם אתם מתכננים תקציב על $0.04 לתמונה (מחיר של 2.5 Flash) ומקבלים 3 Pro בטעות — באג של $0.30 שלא תכננתם. או להפך: אתם מתכננים על Pro ומקבלים 2.5 Flash בטעות — תמונות פחות טובות ממה שחשבתם.

תמחור token-based מול per-image — המתמטיקה האמיתית

המחירים שהצגתי עד עכשיו הם per-image (פר-תמונה), אבל בפועל, החיוב של המודלים הגדולים הוא token-based (לפי טוקנים, יחידות טקסט שהמודל מעבד). זה אומר שהמחיר הסופי תלוי ב:

• רזולוציה. תמונת 4K = הרבה יותר tokens מ-1K.
• מספר ה-references. כל reference image נכנסת ל-input. 6 references = הרבה יותר tokens מ-1.
• אורך ה-prompt. prompt של 50 מילים זול מ-prompt של 200 מילים (ההפרש זניח יחסית).
• מספר התמונות בקריאה. כמה תמונות ביקשתם בקריאה אחת (חלק מהמודלים תומכים בכך).

הנוסחה המעשית: עלות-לתמונה-בפועל = (מחיר-גולמי-per-image) × מקדם-retries (ניסיונות חוזרים) × מקדם-references. המקדם הריאלי שאני רואה ב-pipelines אמיתיים הוא 2-4 מעבר למחיר הגולמי, תלוי בקטגוריה.

דוגמה: Pro 2K ב-$0.134 × 3 (מקדם ריאלי) = $0.40 לתמונה בפועל. על 1,000 תמונות זה $400, לא $134. על קטלוג של 200 SKU × 5 תמונות, זה $2,000 = ~7,400 ש"ח. לא סכום שמפיל חנות, אבל גם לא "כמה שקלים".

לעומת זאת, Seedream 4.5 ב-$0.04 × 2.5 (המקדם נמוך יותר כי consistency נמוך יותר = פחות retries) = $0.10 לתמונה בפועל. על 1,000 תמונות: $100 = ~370 ש"ח. ההפרש: $300 = 1,110 ש"ח על אותו ה-batch. זו לא הבדל תיאורטי — זו שכר דירה על חנות קטנה.

טיפ: האגרגטורים (fal, Replicate, APIMart) נותנים מחיר "all-in" (כולל עלויות נלוות) שכולל לרוב את התקורה. זה יתרון — אתם רואים מספר אחד, לא חישוב. החיסרון — זה לא תמיד משקף את המחיר הרשמי של גוגל/OpenAI. נדבר על זה עוד בסעיף "מלכודת האגרגטורים".

המרה לשקלים ותקצוב קטלוג

כל המנועים הרלוונטיים גובים ב-דולרים (USD). החנות שלכם רואה הכנסות ב-שקלים (ILS) או בדולרים (אם אתם מוכרים לחו"ל). הפער הזה הוא מקור לבלבול ולתקציבים שגויים. הנה הכללים:

1. שער המרה ריאלי. בתאריך המחקר, 1 USD ≈ 3.7 ILS. שער זה משתנה; בדקו באתר בנק ישראל או ב-XE לפני תקצוב רציני.
2. הוסיפו 15% מרווח ביטחון. השער עולה ויורד; תקצבו לפי השער הגבוה יותר, לא הנמוך.
3. הפרדת כרטיס אשראי. רוב בעלי החנויות מטעים בנפח גבוה יותר ממה שהם חושבים. הקצו כרטיס אשראי ייעודי ל-API כדי שתראו בדיוק כמה אתם מוציאים.
4. תקציב חודשי קבוע. קבעו סכום חודשי בש"ח (למשל 200-500 ש"ח) ועמדו בו. אל תגידו "נראה כמה יצא" — תקצבו מראש.

דוגמה מספרית מלאה: חנות של 200 SKU × 5 תמונות = 1,000 תמונות. תמחור:

המסקנה המעשית: על קטלוג של 1,000 תמונות, ההפרש בין התרחיש היקר ביותר ($400) לזול ביותר ($100) הוא $300 = 1,110 ש"ח. זה לא תיאורטי. בחנות ממוצעת, זו ההחלטה אם להעסיק עובד במשרה חלקית לעדכון תמונות או לא.

הערה על VAT (מע"מ): רכישות מ-Google/OpenAI/ByteDance עשויות לכלול מע"מ אמריקאי או לא, תלוי באזור שלכם ובאם יש לכם VAT registration. בדקו עם רואה החשבון שלכם לפני שאתם מגישים את ההוצאה הזו להוצאות עסק.

GA מול Preview — מה production-ready ומה לא

בעולם ה-API, GA (General Availability) = המודל יציב, זמין לכלל המשתמשים, ומומלץ ל-production. Preview = המודל נמצא בגרסת בטא, ייתכנו שינויים, ולא מומלץ לבנות עליו pipeline (צינור עיבוד) קריטי.

המצב בתאריך המחקר (2026-06-05):

• Nano Banana Pro: 1K ו-2K הם GA. 4K הוא Preview ב-Vertex AI. ב-Gemini consumer app ייתכן ש-4K זמין, אבל ל-production, תכננו סביב 2K.
• Nano Banana 2: 1K, 2K, ו-4K — כולם GA ב-Vertex (מאז 29 במאי 2026). הקלט וידאו-כמקור עדיין Preview.
• Seedream 4.5: GA אצל רוב הספקים.
• Seedream 5.0 Lite: GA ב-APIMart, Vercel, Atlas Cloud. Seedream 5.0 (full, non-Lite) — זמינות מוגבלת, תלוי ספק.
• GPT Image 2: GA מאפריל 2026.
• GPT Image 1.5: GA, הולך ויוצא משימוש.

למה זה חשוב: חנות שמתכננת 200 SKU × 5 תמונות לא יכולה להרשות לעצמה לבנות על Preview. אם גוגל תשנה את ה-4K Preview בעוד חודש — אתם בלי תמונות, בלי pipeline, ובלי זמן. תכננו סביב GA.

טריק מעשי: גם אם אתם רוצים 4K ל-Amazon main images, תכננו production סביב 2K Pro, ורק על ה-5-10 המוצרים הכי חשובים תשקיעו ב-4K באופן ידני. שאר הקטלוג 2K ומספיק.

מסלול ללא-קוד — Gemini app, AI Studio וכלים בעברית

לא חייבים לפתוח טרמינל כדי להתחיל. יש שלוש דרכים ללא-קוד שמאפשרות לבעל חנות להתחיל לייצר תמונות AI תוך דקות:

1. Gemini app (gemini.google.com). האפליקציה הצרכנית של גוגל. תומכת ב-Nano Banana 2 וב-Pro, עם caps חינמיים (מכסות חודשיות, בדרך כלל מספיקות ל-50-200 תמונות בחודש תלוי ברזולוציה ובסוג המנוי). תזרים: להעלות reference, לכתוב prompt, לקבל תמונה. מתאים ל: בעלי חנויות שצריכים 10-50 תמונות בחודש בלי תקציב רציני.

2. Google AI Studio (aistudio.google.com). כלי ה-IDE (סביבת פיתוח) החינמי של גוגל למודלים. נותן גישה ל-Nano Banana Pro/2 עם caps גדולים יותר מה-app. תומך ב-multi-reference וב-2K/4K. מתאים ל: מי שרוצה לבדוק prompts בלי לפתוח חשבון billing (חיוב).

3. כלים בעברית.

• Emilia AI Studio — כלי ישראלי שמתמקד בצילום-מוצר. תומך ב-6 קטגוריות: תכשיטים, אופנה, מזון ומשקאות, רהיטים, קוסמטיקה, ועוד. ממשק בעברית, זרימה פשוטה: reference → קטגוריה → רקע → תוצאה. מתאים לחנויות קטנות-בינוניות.
• Pippit — כלי עם ממשק עברית, חזק באופנה ובלייפסטייל. כולל גם עריכת וידאו קלה.
• JoyDigital ("סטודיו בלי צלם") — שירות ישראלי עם חבילות צילום-מוצר AI. מתאים למי שרוצה גם שירות-יד-אנושית.
• Adobe Firefly (il_he) — גרסה עברית של הכלי של אדובי. זמין בתוך חבילות Creative Cloud.

הערה חשובה על הכלים הישראלים: הם ונדורים קטנים. הם עובדים היום, אבל לפני שאתם מתחייבים עליהם ל-12 חודשים, בדקו שהם עדיין פעילים ושהתמחור לא השתנה. הקורס נותן עדיפות לכלים שמאחוריהם יש ספקי-תשתית גדולים (Google, OpenAI, ByteDance דרך fal) — אבל הכלים בעברית הם on-ramp מצוין (נקודת כניסה נוחה) למי שלא רוצה להתעסק עם API.

מתי כלי בעברית חוסך לכם כסף: כשאתם מייצרים פחות מ-50 תמונות בחודש, הזמן שלוקח לכם להבין API ולפתוח חשבון הוא יקר יותר מהחיסכון במחיר לתמונה. מעבר ל-100-200 תמונות בחודש, ה-API מתחיל להשתלם.

מסלול API — Gemini, fal ו-Replicate

למי שמתכנן מעבר ל-200 תמונות בחודש, או רוצה לבנות pipeline חוזר, ה-API הוא הצעד הבא. יש שלוש דרכים עיקריות:

1. Gemini API ישירות (aistudio.google.com/apikey). גישה ישירה למודלים של גוגל. מחייב כרטיס אשראי, תמחור רשמי לפי tokens. תומך ב-Pro, 2, ובעוד מודלים. יתרון: מחיר רשמי, יציבות, תיעוד מלא. חיסרון: אין queueing (תור עבודה) אוטומטי; צריך לכתוב קוד.

2. fal.ai. אגרגטור אסינכרוני (פלטפורמה שמאפשרת לשלוח בקשות ולקבל תוצאות בזמן אמת או בתור). תומך בכל המודלים שהזכרנו: Nano Banana Pro/2, Seedream 4.5/5.0 Lite, ועוד. מודל התמחור: חיוב לפי תמונה שיוצאה, לא לפי tokens. תומך ב-async/queue (תור) — שולחים 1,000 קריאות, חוזרים בערב, אוספים תוצאות. מתאים ל: batch גדול בלי קוד מסובך.

3. Replicate. עוד אגרגטור, עם המבחר הרחב ביותר של מודלים (כל מי שמפרסם מודל יכול להעלות אותו לשם). תומך בכל המודלים שלנו + עוד הרבה. תמחור דומה ל-fal. מתאים ל: מי שרוצה גישה למודלים שלא נמצאים ב-fal (למשל מודלים קהילתיים).

טבלת השוואה מהירה:

ההמלצה: לתרגילים של פרק 5 (ה-batch pipeline), נשתמש ב-fal. הוא הכי ידידותי למי שמתחיל עם API, ויש לו תיעוד טוב. לעשות עכשיו: אם אתם כבר יודעים שתעבדו עם API, פתחו חשבון ב-fal והוסיפו $5 ניסיון. זה יספיק ל-100-150 תמונות Seedream או 30-40 תמונות Pro.

מלכודת מחירי-האגרגטורים

המחירים שראיתם בסעיפים הקודמים מגיעים משלושה מקורות:

1. מחירון רשמי של הספק. Google, OpenAI, ByteDance — המחיר הקנוני.
2. אגרגטורים (fal, Replicate, APIMart, Atlas Cloud, Vercel, inference.sh). הם קונים בכמויות מהספקים ומוכרים במחיר שכולל מרווח. בדרך כלל זה תואם או דומה למחיר הרשמי, אבל לא תמיד.
3. בלוגים ומדריכים. לרוב הם מצטטים את המחיר הרשמי, אבל לפעמים ישן או לא מעודכן.

המלכודת: אתם רואים מחיר בבלוג ("Seedream 4.5 = $0.04 לתמונה") ובונים עליו תקציב. שלושה חודשים אחרי, אתם מגלים שהספק שאתם עובדים איתו גובה $0.06 (או $0.025, תלוי בצד). תקציב שגוי = הפתעה לא נעימה.

הכלל: לפני כל תקצוב רציני (מעל 200 ש"ח לחודש), בדקו את ה-pricing הרשמי של הספק שאתם עובדים איתו. deepmind.google/models/gemini-image/pro/, openai.com/api/pricing, ו-fal.ai/models. אל תסתמכו על מחיר בבלוג זר.

המלכודת השנייה: ספק אגרגטור יכול להעלות מחיר בלי הודעה מוקדמת (הוא לא ספק הקצה). אם אתם בונים על $0.04 במשך 6 חודשים ופתאום זה $0.07 — זה יכול לקרות. פתרון: השתמשו בשני ספקים במקביל (למשל Gemini API + fal) ועקבו אחרי המחירים. אל תינעלו על ספק אחד.

אינטגרציות native ב-Shopify, Adobe ו-WPP

ב-2026 יש כמה אינטגרציות native (מובנות) שמאפשרות לעבוד עם המנועים האלה בלי לעזוב את הפלטפורמה שבה אתם כבר נמצאים:

• Shopify Magic (Shopify). כלי AI מובנה ב-Shopify שכולל יצירת תמונות מוצר. מבוסס על מודלים של OpenAI. מתאים לעריכות מהירות, לא לקטלוג מלא.
• Adobe Firefly for e-commerce. אדובי שילבה את Firefly ב-Creative Cloud וב-Express. תומך בעברית. מתאים למי שכבר משלם על Creative Cloud.
• WPP Open. פלטפורמת AI של קבוצת הפרסום WPP, משלבת גם Nano Banana וגם מודלים אחרים. לרוב לא רלוונטית לחנות קטנה — זה לעולם האג'נסי.

האם זה רלוונטי לחנות קטנה? ברוב המקרים, לא. הכלים האלה נוחים לעריכה מהירה או לתמונות בודדות, אבל לקטלוג שלם אתם צריכים גישה ישירה למנוע (API או אגרגטור) כדי לשלוט בפרמטרים. האינטגרציות ה-native הן חינמיות או זולות, אבל מוגבלות בכמות ובשליטה.

טיפ: אם אתם כבר משלמים על Shopify (תוכנית Shopify, לא Starter) או על Creative Cloud, בדקו אם יש לכם גישה לכלי AI מובנה. ייתכן שכבר שילמתם עליהם ולא ידעתם.

תרגילים — 4 תוצרים שעוזבים אתכם עם הפרק

ארבעת התרגילים האלה בונים את התשתית של החלטות-המנוע לכל אורך הקורס. כל אחד מהם מייצר קובץ שישמש אתכם גם בפרקים 3-6.

טעויות נפוצות