Het cocaïnemodel van de AI-industrie: de miljardenval – Waarom goedkope AI-tokens de middenklasse binnenkort ten gronde kunnen richten

Open source in plaats van de cloudval: hoe u uw AI-strategie kunt beschermen tegen de prijsexplosie

Architectuur overtreft hype: de ongemakkelijke waarheid over de prijzen van de toekomst van AI

De huidige hype rondom kunstmatige intelligentie verhult een ongemakkelijke economische waarheid: de extreem lage prijzen voor toegang tot AI van aanbieders zoals OpenAI of Anthropic zijn pure illusie. Gesubsidieerd door miljarden aan investeringsgelden, lokken deze techreuzen momenteel vooral kleine en middelgrote ondernemingen (mkb's) in een gevaarlijke afhankelijkheid. Maar wat gebeurt er als investeerders rendement eisen en de kosten voor deze zogenaamd goedkope tokens plotseling exploderen? Iedereen die zijn IT-architectuur blindelings afstemt op de interfaces van één enkele aanbieder, loopt het risico op een onaangename verrassing en enorme kostenstijgingen in de nabije toekomst. Dit artikel onthult waarom het huidige prijsniveau voor AI onhoudbaar is, hoe het onderschatte "lock-in-effect" werkt en waarom een ​​slimme, hybride architectuur met open-source modellen de enige manier is voor bedrijven om op de lange termijn concurrerend en wendbaar te blijven.

Dit is hiermee gerelateerd:

• Waarom bedrijven miljoenen investeren in de verkeerde AI-oplossing en hoe een andere architectuur alles verandert

Waarom de goedkoopste tokens uit de geschiedenis in werkelijkheid de duurste zijn – en waarom bijna elk middelgroot bedrijf de rekening binnen twee jaar betaalt

Er zijn momenten in de economische geschiedenis waarop een hele markt een illusie voor de werkelijkheid aanziet. De pc-boom van begin jaren negentig was zo'n moment, de periode met nulrente na 2010 een andere, en de dotcombubbel rond de eeuwwisseling zeker ook. De boom in generatieve kunstmatige intelligentie tussen 2023 en 2026 valt ongetwijfeld in dezelfde categorie. Alleen is de illusie dit keer geen opgeblazen aandelenkoers, maar iets veel alledaagser: de prijs per token. Miljoenen kleine, onopvallende getallen op facturen van cloudproviders suggereren aan Europese mkb's dat een zeer complexe taalmodelaanvraag tienden van een cent kost, dat deze kosten stabiel zullen blijven en dat er complete bedrijfsmodellen op gebouwd kunnen worden. De harde cijfers vertellen echter een ander verhaal, en dat verhaal is ondubbelzinnig.

OpenAI genereerde in het fiscale jaar 2025 een omzet van circa $ 13,07 miljard, een verdrievoudiging ten opzichte van de $ 3,7 miljard van het voorgaande jaar. Tegelijkertijd stegen de totale kosten en uitgaven tot ongeveer $ 34 miljard. Dit resulteerde in een operationeel verlies van $ 20,92 miljard en een nettoverlies volgens GAAP van $ 38,53 miljard. Dit laatste verlies werd verhoogd door een eenmalig boekhoudkundig effect van circa $ 41,55 miljard als gevolg van de omzetting van het bedrijf naar een Public Benefit Corporation. Na correctie voor dit eenmalige effect bedroeg de operationele cash burn circa $ 8 miljard. Met andere woorden, voor elke verdiende dollar gaf het bedrijf tussen de $ 1,60 en $ 1,69 uit. Het beeld is opvallend vergelijkbaar voor Anthropic. Het bedrijf behaalde een omzet van circa negen miljard dollar in het jaar, maar verbruikte $ 5,2 miljard aan cash en verwacht een verder tekort van $ 25 miljard in 2026, met een omzetdoelstelling van $ 30 miljard. Prognoses tot 2028 voorspellen een cumulatief verlies van ongeveer 74 miljard dollar voor OpenAI, waarbij het break-evenpunt nu officieel is uitgesteld naar 2029 à 2030.

Deze cijfers zijn geen uiting van ondernemersdurf of een specifieke technologische visie. Ze vormen de economische basis waarop de huidige API-prijs rust. De prijs die een eindklant betaalt voor een miljoen uitgiftetokens bij GPT-5.4 of Claude Sonnet weerspiegelt niet de werkelijke marginale kosten van inferentie, laat staan ​​de proportionele kosten van training, personeel en infrastructuur. Het weerspiegelt de bereidheid van investeerders om elke API-aanvraag wereldwijd te subsidiëren, in de overtuiging dat marktmacht en prijszettingsvermogen de huidige verliezen later zullen omzetten in toekomstige winsten. Voor de gebruiker in Ulm, München of Dortmund die momenteel zijn boekhoudsoftware, CRM of contentpipeline koppelt aan de API van een van deze aanbieders, betekent dit iets heel concreets: hun bedrijfsmodel is gebaseerd op een prijsniveau dat vanuit het perspectief van de aanbieders economisch onhoudbaar is. Het is gebouwd op geleend kapitaal, en geleend kapitaal vereist uiteindelijk rendement.

Dit is hiermee gerelateerd:

• AI-architectuur: Waarom het model het minst belangrijke onderdeel van uw AI-systeem is

De economische aspecten van het eerste schot

In de gedragseconomie bestaat een mechanisme dat in droge handboeken vaak wordt aangeduid als 'penetratieprijzen' of 'roofzuchtige prijzen'. In de minder verfijnde wereld van de straateconomie staat hetzelfde proces simpelweg bekend als de logica van de eerste poging: bied de eerste consumptie gratis of aanzienlijk onder de kostprijs aan, creëer afhankelijkheid en pas vervolgens de prijs aan. Deze strategie is zo oud als de georganiseerde handel; ze werkt voor krantenabonnementen, streamingdiensten, creditcards en besturingssystemen. Ze werkt met name goed wanneer aan twee voorwaarden wordt voldaan: de overstapkosten stijgen met de gebruiksduur en de aanbieder kan zich later positioneren tussen de klant en een alternatieve leverancier. Aan beide voorwaarden wordt voldaan door generatieve AI, en beide worden nog steeds verrassend zelden besproken in bestuursvergaderingen van Duitse middelgrote bedrijven.

De huidige API-prijzenoorlog versterkt deze illusie nog verder. Tussen begin 2025 en medio 2026 daalden de prijzen voor toegang tot taalmodellen van toonaangevende aanbieders met 60 tot 80 procent. GPT-4o verlaagde de inputprijs van vijf dollar naar 2,50 dollar per miljoen tokens, terwijl o3 de inputprijs zag dalen van tien naar twee dollar en de outputprijs van 40 naar acht dollar per miljoen tokens binnen twaalf maanden. DeepSeek V4, met een inputprijs van 28 cent, ligt nu onder het gehele westerse prijsniveau, Gemini 2.5 Flash staat op 30 cent en GPT-5.4 mini op 40 cent. Deze cijfers zijn gunstig voor de cashflow van de gebruiker op de korte termijn, maar economisch gezien niet houdbaar. Geen enkele aanbieder kan de prijzen duurzaam verder verlagen met een operationeel verlies van deze omvang. De enige vraag is wanneer beleggers rendement verwachten en hoeveel de prijs dan zal stijgen. Historische patronen van vergelijkbare platformmarkten suggereren dat aanpassingen niet lineair verlopen, maar eerder met sprongen plaatsvinden zodra de consolidatiefase voorbij is. Uber en Lyft verhoogden hun tarieven met 30 tot 60 procent in slechts enkele kwartalen na hun beursgang, Netflix verdubbelde zijn basispakketten binnen een paar jaar en Amazon Web Services verlaagde herhaaldelijk zijn aanvankelijk agressieve kortingen voor gereserveerde instanties en verminderde zijn gratis tegoeden.

Wat deze discussie met name relevant maakt voor Europese gebruikers, is het feit dat de tokenprijs op zich slechts het topje van de ijsberg is. De werkelijke kosten van AI-integratie zitten in de architectuur, dataverbindingen, promptbibliotheken, evaluatiesuites en procesdoordringing. Een middelgroot marketingbureau dat vandaag de dag zijn volledige contentproductie, vertaalworkflows en klantcommunicatie overzet naar de chat-aanvullingssystemen van een aanbieder, bouwt een structuur die veel verder reikt dan alleen API-aanroepen. Elke zorgvuldig afgestelde systeemprompt is een investering, elke functiedefinitie is een investering, elke getrainde medewerker die de specifieke kenmerken van een model beheerst, is een investering. Deze investeringen kunnen niet zomaar worden afgeschreven als de aanbieder de prijzen uiteindelijk verdubbelt of verdrievoudigt. Ze maken deel uit van een overstapdrempel die door de aanbieder wordt berekend en die van invloed is op hun latere prijszettingsvermogen.

De anatomie van een verslaving

Om te begrijpen waarom de overstapkosten in AI-systemen zoveel hoger liggen dan in vergelijkbare softwaregebieden, moet men kijken hoe diep moderne modellen in de applicatielogica zijn ingebed. Een klassiek databasemigratieproject kan relatief soepel van de ene leverancier naar de andere worden overgezet met behulp van standaard SQL, omdat de querytaal gestandaardiseerd is. Deze standaardisatie bestaat niet voor taalmodellen. Hoewel de chataanvullingsinterface van OpenAI een de facto industriestandaard is geworden en door de meeste concurrenten wordt nagebootst, ligt de feitelijke applicatielogica niet in de interface, maar in het gedrag van het model. Een systeemprompt die de gewenste structuur, toon en detailniveau in GPT-5.4 correct weergeeft, kan leiden tot subtiele afwijkingen in Claude Sonnet. Deze afwijkingen kunnen in een productieve B2B-marketingworkflow het verschil betekenen tussen een bruikbaar concept en een daaropvolgende herschrijving van een half uur. Deze eigenaardigheden van modellen zijn moeilijk te kwantificeren, maar ze zijn reëel en vormen de kern van vendor lock-in.

Daarnaast zijn er de specifieke configuraties van de aanvullende diensten. Iedereen die de bestandszoekfunctie, assistent-API, ingebouwde vectoropslag of geïntegreerde tooldefinities van een bepaalde leverancier gebruikt voor zijn applicatie, heeft een aanzienlijk deel van zijn applicatiearchitectuur uitbesteed. Overstappen naar een andere leverancier betekent in dit geval niet simpelweg het vervangen van één API-URL, maar het herprogrammeren van verschillende kerncomponenten. Dit is nog kritischer voor klanten die hun systemen finetunen: de fijn afgestelde modelversies blijven eigendom van de leverancier en de geïnvesteerde trainingskosten gaan verloren bij een overstap. De enige overdraagbare bron is de trainingsdataset zelf, mits deze volledig gedocumenteerd is binnen het bedrijf, wat in de praktijk verrassend vaak niet het geval is. Een grondige audit van de eigen vendor lock-in blootstelling moet daarom vijf niveaus omvatten: het model zelf, het promptniveau, het embedding- en vectorniveau, het tool- en functiedefinitieniveau en ten slotte het orchestratieniveau met zijn agentframeworks en fallback-ketens. Alleen degenen die weten welke provider ze op elk van deze niveaus gebruiken, wat een overstap zou kosten en welke risicobeperkingsstrategie ze al hebben geïmplementeerd, kunnen serieus spreken van een bewuste zakelijke beslissing. Al het andere is onbedoelde vendor lock-in en dus technische schuld in de strikte zakelijke zin.

Een praktische vuistregel die is voortgekomen uit migratieprojecten waarvoor uitgebreid advies nodig was, luidt als volgt: als de migratiekosten voor het overstappen naar een andere leverancier binnen dertig dagen onbekend zijn of meer dan een miljoen euro bedragen, dan zit je met een vendor lock-in probleem. Dit bedrag is uiteraard een schatting, maar het heeft als voordeel dat het een zakelijke discussie op gang brengt die anders vaak vastloopt in technische details. De cruciale vraag is immers niet of een overstap technisch mogelijk is, maar of deze economisch haalbaar blijft als de huidige leverancier de prijzen verhoogt.

De kloof tussen de logica van investeerders en de logica van klanten

Om de toekomstige prijsontwikkeling te beoordelen, is het nuttig om de focus te verleggen van gebruikers naar investeerders. OpenAI heeft een waarde van ongeveer 852 miljard dollar, plant een beursgang met een waardering tot wel 1 biljoen dollar en betaalde Microsoft alleen al in 2025 zo'n 17,2 miljard dollar. Dit bedrag vertegenwoordigt 50,5 procent van de totale kosten en overstijgt de jaarlijkse omzet. Iedereen die zich dit voorstelt, begrijpt de urgentie van de situatie. Het bedrijf is financieel niet zelfvoorzienend, maar is afhankelijk van een continue instroom van nieuw kapitaal. Verschillende analisten schatten de cumulatieve verliezen tot het geplande break-evenpunt in 2029 of 2030 op 115 miljard dollar, een bedrag dat de totale marktwaarde van sommige Europese DAX-bedrijven overstijgt. Investeerders die deze bedragen investeren, doen dit niet uit filantropische motieven. Ze verwachten dat er na de verliesgevende fase een marktstructuur zal ontstaan ​​waarin de overgebleven leveranciers prijszettingsmacht kunnen uitoefenen. Deze prijszettingsmacht is precies de eigenlijke beleggingsdoelstelling.

Anthropic vertoont een interessante variatie op dit patroon. Het bedrijf verwacht zijn verliesratio te verlagen van het huidige niveau van ongeveer 70 procent van de omzet naar negen procent in 2027, terwijl OpenAI naar verwachting op 57 procent zal blijven gedurende dezelfde periode. De reden hiervoor ligt minder in een betere productkwaliteit dan in een strategisch ander klantprofiel. Anthropic richt zich meer op zakelijke klanten, heeft relatief minder dure chatbots voor consumenten in zijn portfolio en kan daardoor zijn brutomarges sneller stabiliseren. Voor het Europese middelgrote bedrijf is dit een subtiel maar belangrijk verschil: niet alle aanbieders zullen de prijzen tegelijkertijd of in dezelfde mate verhogen. De timing en omvang van prijsaanpassingen zullen afhangen van de druk van investeerders en de respectievelijke klantstructuur. Maar de richting is voor iedereen hetzelfde, en die is omhoog, niet omlaag.

Een ander punt verdient aandacht. Econoom Ed Zitron en andere analisten hebben erop gewezen dat een aanzienlijk deel van OpenAI's zogenaamde kostenblokkade voor rekenkracht voortkomt uit circulaire transacties tussen Microsoft en Nvidia. Kapitaal stroomt van Nvidia naar AI-startups, deze startups betalen het aan cloudproviders, de cloudproviders kopen chips van Nvidia, en in elk van deze stappen worden inkomsten geregistreerd. Dit is geen morele kritiek, maar eerder een beschrijving van een netwerk dat de markt minder weerbaar maakt tegen externe schokken. Als Nvidia zijn groeicijfers niet kan handhaven, verliezen de AI-startups een cruciale kapitaalinstroom en wordt de gesubsidieerde API-prijs nog onhoudbaarder.

Wat open source werkelijk betekent

Op dit punt wordt het debat vaak in een ideologische hoek gedrukt die het onderwerp geen recht doet. Degenen die open modellen bepleiten, worden al snel geassocieerd met romantisch anti-bedrijfsactivisme, wat de economische inhoud van het argument ondermijnt. In feite is de markt voor open taalmodellen de afgelopen achttien maanden zo fundamenteel veranderd dat de discussie niet langer gaat tussen commerciële grensmodellen en amateuristische imitators, maar tussen twee vrijwel gelijkwaardige opties met zeer verschillende operationele kostenprofielen.

Concreet: GLM-5.1 behaalt een score van 58,4 procent op de veeleisende SWE-Bench Pro, waarmee het zowel GPT-5.4 (57,7 procent) als Claude Opus 4.6 (57,3 procent) overtreft. Qwen 3.6-35B-A3B, een Mixture-of-Experts-model met in totaal 35 miljard parameters en slechts drie miljard actief ingeschakelde parameters per token, levert 73,4 procent op de SWE-Bench Verified en kan worden uitgevoerd op twee RTX 5060 Ti-kaarten met 21,7 tokens per seconde. Mistral Large 3, met 675 miljard MoE-parameters, behaalt 92 procent van de prestaties van GPT-5.2 tegen ongeveer 15 procent van de kosten. Gemma 3 27B, het open-source model van Google, heeft in Chatbot Arena-evaluaties beter gepresteerd dan zowel een model met 405 miljard parameters van Meta als een model met 685 miljard parameters van DeepSeek, ondanks dat het op slechts één GPU draait. Deze cijfers zijn geen nicherapporten uit de open-sourcegemeenschap, maar het resultaat van onafhankelijke benchmarks die steeds vaker worden gebruikt als basis voor besluitvorming in zakelijke contexten.

De economische implicaties zijn opmerkelijk. Volgens gangbare berekeningen in de sector bedragen de elektriciteitskosten voor een bedrijfsimplementatie van Qwen 3.5 32B op een Apple M4 Max ongeveer twee cent per miljoen tokens. Afgeschreven over drie jaar hardwaregebruik komt dit neer op ongeveer acht cent per miljoen tokens. Ter vergelijking: GPT-4o kost $2,50 aan input en $10 aan output per miljoen tokens, terwijl Claude Sonnet $3 aan input en $15 aan output kost. Het kostenverschil is dus twee- tot driehonderd keer groter. Zelfs als rekening wordt gehouden met operationele kosten voor onderhoud, redundantie, stroomvoorziening en personeel, blijft er bij gemiddelde gebruiksvolumes een kostenvoordeel van één tot twee ordes van grootte over. Het break-evenpunt tussen een zelfgehoste Qwen-27B-instantie op een H100-server en het gebruik van de OpenAI API ligt rond de 4,5 miljard tokens per maand. Dat klinkt als veel, maar veel middelgrote B2B-marketingorganisaties met uitgebreide contentlokalisatie, vertaalworkflows en geautomatiseerde klantinteracties bereiken dit volume binnen twaalf tot achttien maanden. Degenen die deze drempel overschrijden en toch bij de cloudprovider blijven, subsidiëren de verliezen met hun operationele winst.

Een belangrijk aspect van een dergelijke analyse is het erkennen van de beperkingen van het model. Zelfhosting brengt operationele overhead met zich mee, vereist gespecialiseerd personeel, robuuste hardware en is niet altijd de beste keuze, met name voor kleine bedrijven met sterk fluctuerende piekbelastingen. De implementatie van GLM 5.1 op acht H100-kaarten kost ongeveer $ 25.000 tot $ 35.000 per maand, terwijl een Gemma 4-31B-configuratie op een A100 tussen de $ 2.500 en $ 3.500 kost. Deze bedragen zijn niet gering, maar ten eerste worden ze snel terugverdiend bij een passend gebruik, en ten tweede zijn ze voorspelbaar. Voorspelbaarheid is de werkelijke economische waarde van een on-premises oplossing, omdat het de kostenberekeningen stabiliseert en zo prijsrisico's als gevolg van toekomstige API-prijzen elimineert. Voor een bedrijf dat klanten vaste prijzen biedt gedurende contracten van twaalf of vierentwintig maanden, kunnen voorspelbare kosten waardevoller zijn dan welk berekend kostenvoordeel dan ook.

De quasi-interne oplossing: Hoe Xpert.Digital operationele hiaten in B2B-marketing en -verkoop dicht – Slimme, contentgedreven bedrijfsvoering - Afbeelding: Xpert.Digital

Xpert.Digital is een datagedreven B2B-branchehub onder leiding van Konrad Wolfenstein . Het bedrijf fungeert als een externe, quasi-interne oplossing voor industriële partners en dicht operationele lacunes in marketing, content en sales – zonder dat de klant extra middelen nodig heeft.

Meer informatie vindt u hier:

• De quasi-interne oplossing: Hoe Xpert.Digital operationele hiaten in B2B-marketing en -verkoop dicht – Slimme, contentgedreven bedrijfsvoering

Gegevensbescherming als een vaak over het hoofd geziene concurrentiedimensie

Naast de pure kosten speelt een tweede dimensie een rol die in Duitstalige landen systematisch wordt onderschat en tegelijkertijd een steeds belangrijker juridisch vraagstuk wordt. De Algemene Verordening Gegevensbescherming (AVG), de Data Act, de AI Act en de bijbehorende nationale implementaties creëren een regelgevingskader waarin de overdracht van gevoelige bedrijfsgegevens naar Amerikaanse cloudproviders steeds problematischer wordt. Hoewel alle grote providers nu Europese dataopslag en garanties bieden dat de gegevens niet zullen worden gebruikt voor het trainen van toekomstige modellen, kan de fundamentele juridische onzekerheid met betrekking tot de toegang tot cloudgegevens door Amerikaanse veiligheidsdiensten, mogelijk gemaakt door de CLOUD Act, niet volledig contractueel worden weggenomen. Voor bedrijven die werken voor overheidsinstanties, zorgverzekeraars, defensieaannemers of bijzonder vertrouwelijke B2B-klanten, vormt dit een structureel nadeel dat verder gaat dan louter prijsvergelijkingen.

Een zelfgehost, open model dat draait in het eigen datacenter van het bedrijf of bij een Europese colocatieprovider omzeilt dit probleem structureel. Het vereist geen overdrachtsbesluit op grond van hoofdstuk V van de AVG, is niet onderworpen aan openbaarmakingsverplichtingen onder de CLOUD Act en kan eenvoudig worden opgenomen in overeenkomsten voor gegevensverwerking. Deze juridische vermindering van het aanvalsoppervlak is een zakelijk voordeel dat, hoewel moeilijk te kwantificeren, steeds vaker een vereiste wordt in aanbestedingen, inkoopprocedures en raamovereenkomsten met gevoelige klanten. Iedereen die zich vandaag de dag richt op de publieke sector, de gezondheidszorg of de defensie-industrie kan dit probleem vrijwel niet ontlopen.

Dit is hiermee gerelateerd:

• De drie architectuurprincipes van Managed AI: Waarom klassieke AI-projecten mislukken en wat ze onderscheidt van snelle implementaties

Architectuur is belangrijker dan de keuze van leverancier

Het cruciale strategische inzicht dat je verkrijgt door deze factoren samen te bekijken, is niet welk model vandaag de dag het beste is. Het gaat erom hoe je eigen systeem moet worden gestructureerd, zodat modelselectie morgen geen existentiële vraag wordt. Een helder geabstraheerd AI-systeem bestaat uit minstens vier lagen. Onderaan bevindt zich de modellaag, die de daadwerkelijke aanroep naar een chataanvullingsinterface verzorgt. Daarboven bevindt zich de modelgatewaylaag, die het mogelijk maakt om verschillende modellen via een uniforme interface aan te spreken en te organiseren in fallbackketens. Tools zoals LiteLLM of OpenRouter vervullen deze rol en kunnen binnen enkele dagen in productie worden genomen. Daarboven bevindt zich de promptlaag, waar de daadwerkelijke instructies worden bewaard als versiebeheerde artefacten, idealiter met een compatibiliteitsmatrix die documenteert welke promptversie met succes is gevalideerd op welk model. Helemaal bovenaan bevindt zich de orchestratie- en evaluatielaag, die bestaat uit gouden datasets, automatische beoordelingscriteria en schaduwimplementaties, die ervoor zorgen dat modelwijzigingen gebaseerd zijn op betrouwbare vergelijkende gegevens in plaats van giswerk.

Een bedrijf dat zijn AI-toepassingen op deze vier niveaus structureert, kan modellen wisselen met een inspanning die wordt gemeten in persoonsdagen in plaats van persoonsmaanden. Het kan kritieke verzoeken doorsturen naar geavanceerde modellen en standaardverzoeken omleiden naar kosteneffectieve open modellen. Het kan datasoevereiniteit afdwingen door privacygevoelige bewerkingen naar lokale instanties te dwingen en alleen geanonimiseerde of niet-kritieke verzoeken naar de cloud toe te staan. En, het allerbelangrijkste, het kan één ding doen: met solide cijfers aan zijn investeerders, raad van commissarissen of adviesraad aantonen dat zijn AI-strategie niet gebaseerd is op een tijdelijke marktverstoring, maar op een gezonde kostenstructuur.

Wie deze lagen negeert en zijn volledige bedrijfslogica rechtstreeks programmeert tegen de chat-afhandelings-endpoints van één enkele provider, bespaart vandaag de dag wellicht de moeite van een abstractielaag. Hij loopt echter een risico waarvan hij de kosten pas beseft wanneer het te laat is om ze te voorkomen. Ervaring met vergelijkbare platformafhankelijkheden, of het nu Salesforce, SAP of Oracle betreft, laat zien dat deze risico's zich niet lineair manifesteren, maar plotseling, vaak in de vorm van een prijsaanpassing gekoppeld aan een contractverlenging, waardoor er geen tijd meer is voor aanpassing.

De timing van de overgang

Het is onmogelijk om precies te voorspellen wanneer beleggers rendementen tot op het kwartaal nauwkeurig kunnen verwachten, maar de relevante indicatoren zijn duidelijk. OpenAI plant zijn beursgang met een waardering die kan oplopen tot één biljoen dollar, wat noodzakelijkerwijs een convergentie van inkomsten en kosten binnen een duidelijk gecommuniceerd tijdsbestek vereist. Analisten verwachten de operationele ommekeer tussen 2029 en 2030. Anthropic heeft zichzelf ten doel gesteld om de verliezen tegen 2027 terug te brengen tot een negende van de omzet. Met een verwachte omzet van ongeveer 70 miljard dollar in 2028 is het mogelijk om de impliciete prijsverhogingen die hiervoor nodig zijn te reconstrueren, en het resultaat ligt in de orde van een verdubbeling of verdrievoudiging van de huidige prijzen. Voor gebruikers betekent dit dat er binnen achttien tot zesendertig maanden een structurele prijsaanpassing te verwachten is; de omvang van deze aanpassing is nog onduidelijk, maar de richting ervan is zeker.

Iedereen die vandaag de winstgevendheid van een AI-project berekent op basis van de huidige tokenprijzen voor een rendement op investering over vijf jaar, zit er waarschijnlijk naast. Wie echter een premie van 100 tot 200 procent op de tokenprijs in de planning opneemt en wiens berekeningen nog steeds kloppen, heeft een robuust businessmodel. Degenen wiens berekeningen niet langer kloppen, zouden moeten overwegen of een overstap naar open, zelfbeheerde modellen hun bedrijf kan redden. Deze beoordeling moet niet als een IT-project worden beschouwd, maar als een strategische vraag op het hoogste managementniveau, omdat het de basis vormt voor het concurrentievermogen van het bedrijf voor het komende decennium.

Waarom de AI-competenties van morgen er anders uit zullen zien dan die van vandaag

Een opmerkelijk neveneffect van deze analyse is de herdefinitie van wat momenteel als AI-competentie wordt beschouwd. In de publieke opinie wordt een bedrijf als AI-competent beschouwd als de medewerkers de chatinterface van een bekende aanbieder goed kunnen gebruiken, als interne processen worden verbeterd met hun API en als verkooppresentaties vol zitten met modewoorden. Deze definitie van competentie zal in de komende prijsbepalingsfase genadeloos op de proef worden gesteld wat betreft de economische haalbaarheid. Echte competentie schuilt in het bouwen van een systeem waarbij het onderliggende model uitwisselbaar blijft, waarbij de eigen prompts van het bedrijf worden beheerd als versiebeheerde artefacten, waarbij evaluatiesuites beschikbaar zijn die een modelwijziging binnen enkele uren in plaats van maanden valideren, en waarbij de data-architectuur van het bedrijf openstaat voor verschillende operationele modellen.

Deze verschuiving zal ook het functieprofiel veranderen. De AI-manager in een middelgroot bedrijf zal tussen 2027 en 2030 minder een improvisator zijn en meer een infrastructuurarchitect, die kostenposten, compliance-eisen en modelportabiliteit integreert in een robuuste systeemarchitectuur. Leveranciersloyaliteit zal een strategische kwestie worden, vergelijkbaar met de keuze van databasesystemen eind jaren negentig of cloudproviders eind jaren 2010. Wie deze kwesties vroegtijdig en doelbewust aanpakt, verkrijgt onderhandelingsmacht, kostenstabiliteit en zekerheid op het gebied van regelgeving. Wie ze negeert, gaat ervan uit dat de cloudgiganten voor onbepaalde tijd verlies zullen lijden, en deze aanname zal de duurste misvatting in de IT-geschiedenis blijken te zijn.

Een nuchtere conclusie

Generatieve AI is een van de belangrijkste productiviteitsverhogende technologieën van onze tijd; daar bestaat geen twijfel over. De juiste reactie is niet om het te laten varen, maar om het doordacht te gebruiken. Gebruik betekent echter niet dat je de controle uit handen geeft, en lage prijzen garanderen geen blijvend lage prijzen. Iedereen die objectief naar de cijfers van toonaangevende aanbieders kijkt, zal zien dat de huidige API-prijzen niet het economische evenwicht van de markt weerspiegelen, maar eerder het startpunt vóór een prijsaanpassing, waarvan het tijdstip wordt bepaald door de aanbieder, niet door de klant. Bedrijven die zich tegen deze aanpassing willen beschermen, hebben drie instrumenten tot hun beschikking: een schone architectuur met uitwisselbare modellen, een weloverwogen verhouding van open en zelfbeheerde modellen voor de juiste toepassingen, en een continue evaluatiediscipline die modelwisseling als een routineproces beschouwt, niet als een uitzonderlijke omstandigheid.

Het advies voor elk managementteam dat vandaag de dag een AI-project in gebruik neemt of de verantwoordelijkheid ervoor draagt, is dan ook pragmatisch. Bereken de kosten van uw huidige AI-gebruik met een opslag van 100% ten opzichte van uw winstmarge. Beoordeel of de toepassing nog steeds rendabel is tegen deze prijs. Zo niet, overweeg dan een hybride architectuur waarbij standaardtaken worden afgehandeld door open modellen binnen uw eigen bedrijfsvoering, en geavanceerde modellen alleen worden gebruikt voor taken waar ze een aantoonbaar kwaliteitsvoordeel bieden. Bewaar uw prompts, evaluatiegegevens en finetuning-gegevens in een draagbaar formaat. En beschouw uw AI-leveranciers niet als strategische partners, maar eerder als leveranciers waarvan u de prijzen continu vergelijkt en waarvan u de overstapkosten actief laag houdt. Deze aanpak is niet vijandig of overdreven voorzichtig; het is simpelweg de fundamentele houding van een verstandige zakenman ten opzichte van een kostenpost die over een paar jaar wel eens tot de vijf grootste posten op de winst- en verliesrekening zou kunnen behoren.

De werkelijke aanleiding voor dit hele debat is uiteindelijk niet dat OpenAI, Anthropic en Google geld verliezen. Dat is een gok die de aandeelhouders van die bedrijven nemen. De aanleiding ligt in het feit dat miljoenen Europese gebruikersbedrijven dezelfde gok wagen met hun eigen operationele toekomst, zonder het te beseffen. De goedkoopste tokens ooit zijn het duurste prijssignaal dat de markt ooit heeft afgegeven, omdat ze een investeringsbeslissing triggeren die gebaseerd is op een tijdelijke marktverstoring. Wie deze waarheid nu accepteert, kan zijn architectuur daarop afstemmen. Wie het pas accepteert als de rekening komt, heeft de kans om te reageren al gemist. Architectuur wint het van hype. Altijd.

☑️ Onze zakelijke voertaal is Engels of Duits

☑️ NIEUW: Correspondentie in uw moedertaal!

Konrad Wolfenstein

Mijn team en ik staan ​​graag tot uw beschikking als uw persoonlijke adviseur.

U kunt contact met mij opnemen door hier het contactformulier in te vullen [email protected]:of door mij te bellen op +49 7348 4088 965. Mijn e-mailadres is

Ik kijk uit naar ons gezamenlijke project.

☑️ Ondersteuning van het MKB op het gebied van strategie, advies, planning en implementatie

☑️ Opstellen of herzien van de digitale strategie en digitalisering

☑️ Uitbreiding en optimalisatie van internationale verkoopprocessen

☑️ Wereldwijde en digitale B2B-handelsplatformen

☑️ Pionier in bedrijfsontwikkeling / marketing / PR / beurzen