Het einde van dure AI? Prijsschok bij OpenAI: Waarom GPT-6 Sol en Luna de AI-markt op zijn kop zetten

Aanval op Anthropic: OpenAI vernietigt de bestaande prijslogica met GPT-6 Sol & Luna

Intelligentie voor een spotprijs: hoe GPT-6 de economie van AI verandert

Met de verrassende lancering van de nieuwe GPT-6 Sol- en GPT-6 Luna-modellen luidt OpenAI een nieuw tijdperk in voor de concurrentie op het gebied van kunstmatige intelligentie. In plaats van simpelweg nieuwe, toonaangevende prestaties te presenteren, valt het bedrijf zijn concurrenten – met name Anthropic – aan op het punt dat er voor het grote publiek het meest toe doet: de prijs. Door de gebruikskosten drastisch te halveren ten opzichte van de vorige generatie, transformeert AI eindelijk van een dure luxe naar een alomtegenwoordige infrastructuur. Deze nieuwe, extreem betaalbare prijsmodellen brengen echter ook een strategische valkuil met zich mee: hoewel automatisering plotseling een fractie kost van wat het vroeger kostte, wat enorme mogelijkheden biedt voor bedrijfsprocessen, dreigt het ook een snelle toename van het totale verbruik te veroorzaken vanwege nieuwe toepassingen. Wie in deze nieuwe AI-economie wil excelleren, kan niet blindelings vertrouwen op de laagste tokenprijs, maar moet weten hoe modellen in de toekomst slim te orkestreren.

OpenAI's prijsaanval: GPT-6 Sol en Luna veranderen de economie van AI

Goedkopere intelligentie zal een probleem worden voor iedereen die nog steeds profiteert van schaarste

OpenAI introduceert twee nieuwe modellen, GPT-6 Sol en GPT-6 Luna, minder dan drie maanden na de algemene release van de GPT-5.6-familie. Deze modellen moeten de volgende stap in de massamarkt voor kunstmatige intelligentie markeren. De kernboodschap is minstens even belangrijk, zowel economisch als technologisch: betere prestaties hoeven niet duurder te zijn, maar moeten juist gepaard gaan met aanzienlijk lagere gebruikskosten. GPT-6 Sol kost twee dollar per miljoen inputtokens en tien dollar per miljoen outputtokens via de API. Voor GPT-6 Luna zijn de prijzen tien cent voor input en 50 cent voor output. Vergeleken met de meest recente actieprijzen van de corresponderende GPT-5.6-modellen, halveert OpenAI de prijzen dus ruwweg, waarbij de reductie voor Luna's outputtokens zelfs iets meer dan 58 procent bedraagt.

Deze prijsbeweging is meer dan zomaar een productupdate. Het laat zien dat de concurrentie tussen grote AI-aanbieders steeds meer verschuift van het simpelweg nastreven van topprestaties naar een tweede niveau: de doorslaggevende factor is hoeveel economisch haalbare prestaties een model genereert voor een bepaald bedrag. Precies hier komen Sol en Luna in beeld. Sol is ontworpen om veeleisende kenniswerktaken, softwareontwikkeling en agentgebaseerde processen af ​​te handelen tegen kosten die voorheen geassocieerd werden met modellen uit het middensegment. Luna daarentegen streeft ernaar routinetaken zo kosteneffectief uit te voeren dat AI kan worden ingezet in bedrijfsprocessen waar automatisering voorheen nauwelijks de moeite waard was.

De prikkelende interpretatie is dan ook dat OpenAI niet simpelweg betere modellen tegen lagere prijzen verkoopt, maar juist probeert de bestaande prijslogica van de markt te ontwrichten. Als een hoge modelkwaliteit niet langer per se gepaard gaat met hoge variabele kosten, verliezen premium prijzen een deel van hun rechtvaardiging. Tegelijkertijd neemt de druk op concurrenten toe om hun modellen tegen lagere prijzen aan te bieden of om hun toegevoegde waarde veel duidelijker aan te tonen. Voor bedrijven opent deze ontwikkeling nieuwe toepassingsmogelijkheden. Het brengt echter ook het risico met zich mee dat dalende eenheidskosten leiden tot een ongecontroleerde uitbreiding van het gebruik, met als uiteindelijk resultaat hogere totale uitgaven.

Twee modellen voor verschillende vormen van waardecreatie

De namen Sol en Luna weerspiegelen een functionele onderverdeling van het modellenportfolio. GPT-6 Sol is het krachtigere, gangbare model dat onder het topmodel GPT-6 Astra is gepositioneerd. Het is ontworpen voor taken waarbij nauwkeurigheid, redeneren op meerdere niveaus, betrouwbaar gebruik van tools en de mogelijkheid om langere workflows te verwerken economisch belangrijk zijn. Denk hierbij aan complexe analyses, veeleisende programmeertaken, geautomatiseerd onderzoek, de aansturing van digitale applicaties en de ondersteuning van professioneel kenniswerk. GPT-6 Luna daarentegen is gepositioneerd als een bijzonder kosteneffectief en snel model voor taken met een hoog volume. Het is met name geschikt voor classificatie, extractie, samenvatting, eenvoudige codeertaken, voorlopige controles en gestandaardiseerde communicatie.

Deze gelaagde aanpak weerspiegelt een steeds belangrijker wordend inzicht: bedrijven hebben niet voor elke aanvraag het krachtigste beschikbare model nodig. Een groot deel van het AI-gebruik in het bedrijfsleven bestaat uit herhaalbare taken met een beperkte complexiteit. In deze gevallen kan een zeer voordelig model het grootste economische voordeel opleveren. Alleen moeilijke, onduidelijke of risicovolle gevallen hoeven te worden doorverwezen naar een krachtiger model. Sol en Luna ondersteunen daarom een ​​architectuur waarin aanvragen dynamisch worden verdeeld op basis van moeilijkheidsgraad, risico en waarde.

Voor OpenAI is deze segmentatie strategisch gezien zinvol. Het dure vlaggenschipmodel Astra kan blijven dienen als technologische benchmark zonder dat de hoge kosten een belemmering vormen voor brede acceptatie. Sol bedient de markt voor hoogwaardige productiesystemen, terwijl Luna de prijsgevoelige massamarkt bedient. Op deze manier kan OpenAI tegelijkertijd hoge marges in het premiumsegment behouden, concurrenten in het middensegment uitdagen en enorme gebruiksvolumes in het lage prijssegment realiseren.

Vanuit het perspectief van de klant creëert dit echter een nieuwe inkoopuitdaging. De keuze voor een model mag niet uitsluitend gebaseerd zijn op de catalogusprijs. Cruciale factoren zijn onder meer welk kwaliteitsniveau voldoende is voor een specifiek proces, hoe vaak het model fouten maakt, hoe duur het is om deze fouten op te sporen en de inspanning die nodig is voor menselijk toezicht. Een ogenschijnlijk goedkoop model kan uiteindelijk duur uitvallen als de resultaten regelmatig herwerk vereisen. Omgekeerd kan een robuuster model economischer zijn als het betrouwbaar het gewenste resultaat bereikt met minder iteraties en minder toezicht.

Het halveren van de prijzen verandert de berekening

De prijsdaling is met name bij Sol gemakkelijk te begrijpen. GPT-5.6 Sol kostte onlangs vier dollar per miljoen inputtokens en 20 dollar per miljoen outputtokens als onderdeel van een tijdelijke promotie. GPT-6 Sol halveert beide waarden naar respectievelijk twee en tien dollar. Bij Luna daalt de inputprijs van 20 naar 10 cent. De outputprijs daalt van 1,20 dollar naar 50 cent. De algemene bewering dat beide modellen precies 50 procent goedkoper zijn, is daarom een ​​te simplistische weergave van de werkelijke structuur: de outputprijs van Luna daalt aanzienlijk meer, wat met name relevant is voor tekstintensieve applicaties.

Uitvoertokens vormen in veel toepassingen de grootste kostenpost. Een systeem kan een relatief korte instructie ontvangen, maar lange rapporten, codefragmenten of gestructureerde datasets genereren. Juist in dergelijke gevallen heeft de aanzienlijke verlaging van Luna's uitvoerprijs een merkbaar effect. Met één miljoen invoertokens en één miljoen uitvoertokens kost Luna in totaal 60 cent. Sol kost, onder dezelfde vereenvoudigde aannames, twaalf Amerikaanse dollar. Dit vertegenwoordigt een factor twintig verschil tussen de twee modellen. Dit verschil illustreert duidelijk waarom een ​​intelligente modelselectie steeds belangrijker wordt dan simpelweg voor één enkel model te kiezen.

Voor een bedrijf met 500 miljoen input- en 100 miljoen output-tokens per maand zou Sol bij standaardtarieven ongeveer $ 2.000 per maand kosten. Luna zou ongeveer $ 100 kosten. Deze modelberekening omvat geen tools, zoektoegang, dataopslag, vectordatabases, beveiligingsaudits of ontwikkelingskosten. Desondanks illustreert het de schaal: bij grote volumes kan de juiste modeltoewijzing een significant verschil maken. Het effect is zelfs nog groter wanneer terugkerende contextuele informatie uit de cache wordt gelezen, waardoor slechts een fractie van de normale inputkosten wordt gemaakt.

De nieuwe prijzen zetten tegelijkertijd een nieuwe maatstaf voor de markt. Claude Opus 5 werd aangeboden voor $5 aan invoer en $25 aan uitvoer, terwijl Claude Fable 5.1 respectievelijk $10 en $50 kostte. Sol ligt aanzienlijk onder deze catalogusprijzen en Luna bevindt zich in een compleet andere prijsklasse. Een simpele vergelijking van tokens is niet voldoende, aangezien modellen een verschillend aantal tokens en verwerkingsstappen vereisen. Desondanks zal het voor aanbieders steeds moeilijker worden om een ​​veelvoud van de OpenAI-prijs te vragen als ze geen aantoonbaar groter voordeel in praktijktoepassingen kunnen laten zien.

Nauwkeurigheid is waardevoller dan een lage tokenprijs

OpenAI benadrukt in zijn aankondiging de verbeterde feitelijke nauwkeurigheid. Volgens een interne audit maakte GPT-6 Sol ongeveer half zoveel feitelijke fouten als zijn voorganger. Hoewel deze bewering economisch significant is, mag deze niet worden gereduceerd tot de bewering dat het totale foutenpercentage is gedaald van 20 naar 10 procent. OpenAI publiceert dergelijke absolute cijfers niet voor deze vergelijking. De audit werd uitgevoerd met behulp van geanonimiseerde, echte gesprekken waarin gebruikers eerder een feitelijke fout hadden gemeld. Dit zijn dus bewust foutgevoelige gevallen en geen representatieve steekproef van de gehele gebruikersgroep.

De uitdrukking "de helft minder fouten" verwijst naar een relatieve verbetering binnen deze specifieke test. Het betekent niet dat Sol nu in elk domein twee keer zo betrouwbaar is. Foutpercentages zijn sterk afhankelijk van het onderwerp, de actualiteit ervan, de toegang tot gegevens, de taal, de taakomschrijving en de toegestane tools. Een model kan zeer betrouwbaar zijn met algemeen bekende informatie en tegelijkertijd falen met schaarse branche-informatie, actuele gebeurtenissen of precieze cijfers. Bedrijven moeten de verklaring van de fabrikant daarom beschouwen als een indicatie van vooruitgang, niet als een garantie.

Niettemin biedt zelfs een relatieve halvering van fouten aanzienlijke economische mogelijkheden. In veel productieprocessen ontstaan ​​de grootste kosten niet door modelvragen, maar door monitoring, correctie en aansprakelijkheidsrisico's. Als een systeem slechts in één op de tien reacties een problematisch resultaat oplevert in plaats van in één op de vijf, dan halveert de testinspanning niet automatisch. Volledige inspectie kan nog steeds nodig zijn. In minder kritische processen kan de verbeterde betrouwbaarheid echter de overgang van puur ondersteunend gebruik naar grotendeels geautomatiseerde verwerking mogelijk maken.

Bijzonder opmerkelijk is de bewering van OpenAI dat GPT-6 Luna, bij een hoge rekenintensiteit, het niveau van GPT-5.6 Sol kan bereiken in deze feitelijke nauwkeurigheidstest, maar dan tegen ongeveer een honderdste van de kosten. Deze bewering heeft betrekking op de geteste feitelijke nauwkeurigheid en mag niet worden geëxtrapoleerd naar de algehele prestaties van het model. Luna zal niet automatisch even goed presteren als zijn voorganger Sol in elke analyse, elk codeproject of elke agentgebaseerde workflow. Desalniettemin laat de vergelijking zien hoe snel de mogelijkheden van dure, topmodellen overgaan naar meer betaalbare modellen.

Professionele werkzaamheden worden steeds meer een kwestie van prijs-kwaliteitverhouding

In de AutomationBench-test behaalt GPT-6 Sol, met een zeer hoge rekenintensiteit, een score van 33,2 procent. Claude Opus 5, met maximale instellingen, behaalt 26,9 procent. Het verschil is 6,3 procentpunten, niet 6,3 procent. Relatief gezien ligt Sol ongeveer 23 procent hoger dan de score van Claude. Tegelijkertijd geeft OpenAI aan dat de kosten van Sol 27 cent per taak bedragen, terwijl Opus 5 in deze test 11,1 keer zoveel kost. Sol behaalt dus een hogere testscore voor slechts ongeveer negen procent van de vergelijkingskosten.

De benchmark brengt complete workflows in kaart met behulp van 47 tools voor verkoop, marketing, operationele processen, klantenservice, financiën en personeelszaken. Dit is relevanter voor zakelijke toepassingen dan puur kennisgerichte vragen, omdat een productieve medewerker niet alleen tekst moet genereren, maar ook systemen moet bedienen, tussenresultaten moet verwerken en meerdere stappen correct met elkaar moet verbinden. Tegelijkertijd blijft de absolute score van 33,2 procent zorgwekkend. Zelfs het beste resultaat betekent dat een groot deel van de taken niet volledig wordt afgerond. Er is vooruitgang geboekt, maar een universeel betrouwbare digitale workforce is nog ver weg.

GPT-6 Luna presteert 5,4 procentpunten beter dan zijn voorganger bij hoge rekenintensiteit, terwijl de kosten per taak naar verluidt met 58 procent dalen. Ook hier is taalkundige precisie belangrijk. Procentpunten beschrijven het absolute verschil tussen twee prestatiewaarden. Een toename van 5,4 procent is daarentegen een relatieve verandering. Dit verschil kan significant zijn bij de evaluatie van een model, vooral als de beginwaarden laag zijn.

Een andere test, Agents' Last Exam, evalueert langetermijn- en economisch relevante taken uit 55 subsectoren. GPT-6 Sol behaalt een succespercentage van 56,4 procent bij maximale rekenintensiteit, waarmee het volgens OpenAI de beste score van Claude Opus 5 overtreft, terwijl de kosten per taak 60 procent lager liggen. Dit onderstreept de richting, maar ook de beperkingen van de ontwikkeling. Een succespercentage van iets meer dan de helft is waardevol voor begeleide assistentie, maar vaak onvoldoende voor onbegeleide kernprocessen.

Programmeren blijft het meest competitieve vakgebied

In softwareontwikkeling zijn de verschillen tussen de best presterende modellen kleiner. In de DeepSWE-test behaalt GPT-6 Sol een efficiëntie van 68,8 procent bij maximale rekenintensiteit. Claude Fable 5 bereikt 69,9 procent bij zeer hoge instellingen. Sol blijft dus 1,1 procentpunt achter, maar zou de taak ongeveer 80 procent goedkoper voltooien. GPT-6 Luna behaalt 66,6 procent, waarmee het dicht in de buurt komt van Claude Opus 5 en Claude Fable 5 bij gemiddelde rekenintensiteit. Volgens OpenAI kost Luna 93 procent minder per taak dan Opus 5 en 96 procent minder dan Fable 5.

Voor bedrijven is dit scenario economisch aantrekkelijker dan een nipte testoverwinning. Een model dat vrijwel hetzelfde succespercentage behaalt tegen een fractie van de kosten, maakt het mogelijk om meer pogingen, extra tests en geautomatiseerde controles te financieren. In plaats van te betalen voor één dure iteratie, kan een systeem meerdere kosteneffectieve oplossingen genereren, tests uitvoeren en alleen de beste kandidaat selecteren. De lagere kosten per eenheid kunnen zo indirect de kwaliteit van het gehele ontwikkelingsproces verbeteren.

Dit effect moet echter niet worden overschat. Herhaalde pogingen zijn alleen nuttig als fouten kunnen worden opgespoord. Bij software is dit gedeeltelijk mogelijk omdat compilatie, geautomatiseerde tests en statische analyse objectieve feedback geven. Evaluatie is lastiger bij architectuurkeuzes, beveiligingsproblemen of onvolledige eisen. Meer gegenereerde code kan dan ook leiden tot meer technische schuld en extra testinspanningen.

OpenAI verwijst ook naar FrontierCode, een test die niet alleen de functionele correctheid evalueert, maar ook de daadwerkelijke integreerbaarheid van wijzigingen. Dit omvat testkwaliteit, de beperkte omvang van de wijzigingen, programmeerstijl en naleving van projectspecifieke regels. Deze criteria zijn cruciaal in de praktijk. Een codevoorstel kan formeel correct zijn, maar toch ongeschikt omdat het onnodig grote delen van een systeem wijzigt of operationele standaarden negeert. De economische waarde van een programmeermodel ligt daarom niet in de hoeveelheid gegenereerde code, maar in het aantal betrouwbaar integreerbare wijzigingen per geïnvesteerd uur werk.

Computergestuurde systemen worden steeds goedkoper, maar niet zonder risico's

Bij het uitvoeren van grafische applicaties behaalt GPT-6 Sol een efficiëntie van 60,5 procent in het offline gedeelte van OSWorld 2.0 met een zeer hoge rekenintensiteit. Claude Opus 5 behaalt een efficiëntie van 60,3 procent bij gemiddelde instellingen. OpenAI schat de kosten per taak van Sol op ongeveer 80 procent lager. Luna zal naar verwachting bij maximale instellingen de gemiddelde efficiëntie van GPT-5.6 Sol overtreffen, terwijl het slechts een tiende van de prijs kost.

Deze ontwikkeling is van groot belang voor kantoorautomatisering, klantenservice en backofficeprocessen. Veel bedrijven gebruiken nog steeds oudere applicaties zonder moderne programmeerinterfaces. Een model dat scherminhoud begrijpt, knoppen bedient en informatie tussen systemen overdraagt, kan deze kloof overbruggen. Dit creëert een vorm van softwarematige automatisering die flexibeler is dan traditionele, op regels gebaseerde robots.

Zelfs een percentage van rond de 60 procent laat echter zien dat onbeheerde computerbesturing nog steeds risicovol is. Bij langdurige workflows is één verkeerde klik al voldoende om het hele proces te laten mislukken. Betalingen, toegangsrechten, gegevensverwijdering en wijzigingen in productiesystemen zijn hierbij bijzonder kritiek. Daarom zijn gelaagde toegangsrechten, beperkte handelingsmogelijkheden, logging en menselijke goedkeuring op risicovolle punten economisch gezien een verstandige oplossing.

De werkelijke vooruitgang schuilt minder in het feit dat Sol al een medewerker volledig heeft vervangen. Belangrijker is dat de kosten van experimentele automatisering dalen. Bedrijven kunnen meer processen testen zonder elk idee via een kostbaar integratieproject te hoeven implementeren. Gestandaardiseerde agents kunnen voortkomen uit succesvolle pilotprojecten; ongeschikte gevallen kunnen in een vroeg stadium worden afgedankt. De prijsverlaging verkort zo de leercurve voor gebruikers.

Een nieuwe dimensie van digitale transformatie met 'Managed AI' (kunstmatige intelligentie) – Platform- en B2B-oplossing | Xpert Consulting - Afbeelding: Xpert.Digital

Hier leert u hoe uw bedrijf snel, veilig en zonder hoge drempels AI-oplossingen op maat kan implementeren.

Een beheerd AI-platform is uw allesomvattende, zorgeloze oplossing voor kunstmatige intelligentie. In plaats van te worstelen met complexe technologie, dure infrastructuur en langdurige ontwikkelprocessen, ontvangt u een kant-en-klare oplossing op maat van een gespecialiseerde partner – vaak al binnen enkele dagen.

De belangrijkste voordelen in één oogopslag:

⚡ Snelle implementatie: Van idee tot gebruiksklare applicatie in dagen, niet maanden. Wij leveren praktische oplossingen die direct toegevoegde waarde creëren.

🔒 Maximale gegevensbeveiliging: Uw gevoelige gegevens blijven bij u. Wij garanderen een veilige en conforme verwerking zonder gegevens met derden te delen.

💸 Geen financieel risico: u betaalt alleen voor de resultaten. Hoge investeringen vooraf in hardware, software of personeel zijn volledig uitgesloten.

🎯 Focus op uw kernactiviteiten: concentreer u op waar u het beste in bent. Wij zorgen voor de volledige technische implementatie, werking en het onderhoud van uw AI-oplossing.

📈 Toekomstbestendig en schaalbaar: Uw AI groeit met u mee. Wij garanderen continue optimalisatie en schaalbaarheid en passen de modellen flexibel aan nieuwe eisen aan.

Meer informatie vindt u hier:

• De Managed AI Solution - Industriële AI-diensten: De sleutel tot concurrentievermogen in de dienstensector, de industrie en de machinebouw

De kosten voor tussentijdse opslag worden steeds vaker onderschat

Naast de zichtbare tokenprijzen verbetert OpenAI ook het cachen van terugkerende invoer. Dankzij zogenaamde promptcaching hoeven identieke contextfragmenten niet bij elk verzoek volledig opnieuw te worden verwerkt. GPT-6 biedt een korting van 90 procent op eerder gelezen, gecachede invoertokens. Dit is met name relevant voor agents, lange gesprekken en applicaties met uitgebreide systeeminstructies.

Een businessagent ontvangt vaak dezelfde informatie bij elke stap: rolbeschrijving, beveiligingsregels, datastructuren, tooldefinities, handleidingen of delen van het vorige gesprek. Zonder effectieve caching wordt deze context herhaaldelijk verwerkt tegen de volledige kosten. In processen met meerdere stappen kan de herhaalde context een groter kostenonderdeel vormen dan het daadwerkelijke nieuwe verzoek. Daarom heeft een hoge cache-hitrate een grotere impact op de kosteneffectiviteit dan de catalogusprijs doet vermoeden.

OpenAI biedt ontwikkelaars nu de mogelijkheid om de rekenintensiteit en beschikbare tools aan te passen zonder de eerdere context voor caching te verliezen. Bovendien kunnen ontwikkelaars expliciete breakpoints instellen om aan te geven welk deel van een invoer opnieuw wordt gebruikt. GitHub meldt dat deze verbeteringen het percentage prompt-tokens dat opnieuw verwerkt moest worden bij miljarden Copilot-verzoeken binnen enkele maanden met meer dan 50 procent hebben verminderd.

In de praktijk leidt dit tot een duidelijke prioriteit: kostenoptimalisatie begint niet met de keuze van het model. Het omvat ook de structuur van de invoer, de volgorde van stabiele en variabele inhoud, de lengte van de context en het aantal onnodige herhalingen. Een slecht ontworpen applicatie kan duur uitvallen, ondanks het gebruik van goedkope modellen. Omgekeerd kan een goed geplande architectuur strategisch gebruikmaken van hoogwaardige modellen zonder het budget te overschrijden.

Goedkopere tokens betekenen niet automatisch kleinere biljetten

De markt voor AI-inferentie kent al jaren een buitengewone prijsdaling. Alleen al tussen november 2022 en oktober 2024 daalden de kosten om ongeveer hetzelfde prestatieniveau als GPT-3.5 te bereiken in een veelgebruikte test voor natuurlijke taalverwerking van 20 dollar naar zeven cent per miljoen tokens. Dit betekende een daling van meer dan 280 keer. GPT-6 Sol en Luna zetten deze trend voort, zij het op een hoger prestatieniveau.

Economisch gezien speelt hier een mechanisme dat vergelijkbaar is met de paradox van Jevons. Als het gebruik van een hulpbron efficiënter en goedkoper wordt, neemt het totale verbruik niet noodzakelijkerwijs af. Vaak neemt het zelfs toe, omdat nieuwe toepassingen economisch haalbaar worden. Een bedrijf dat voorheen AI alleen gebruikte om een ​​paar kwalitatief hoogwaardige teksten te genereren, kan nu elk klantverzoek analyseren, elk document classificeren en automatisch veel softwarewijzigingen controleren tegen aanzienlijk lagere kosten. In dit geval neemt het verbruik sneller toe dan de prijs per eenheid daalt.

Agentgebaseerde applicaties versterken dit effect. Een enkele gebruikersquery kan tien of twintig modelaanroepen activeren. De agent plant, zoekt naar informatie, gebruikt tools, controleert tussentijdse resultaten en start opnieuw als er fouten optreden. Daarom is de zichtbare query geen geschikte kosteneenheid. Waar het om gaat, zijn de totale kosten per succesvol voltooide bewerking.

Bedrijven zouden daarom niet moeten vragen welk model de goedkoopste tokens verkoopt. Ze zouden moeten meten hoeveel een correct, tijdig en verifieerbaar resultaat kost. Deze berekening omvat modelaanroepen, zoek- en toolingkosten, infrastructuur, menselijk toezicht, foutcorrectie en mogelijke schade. Alleen deze uitgebreide analyse onthult of Sol of Luna economischer is.

De aanval van OpenAI op Anthropic is gericht

In de aankondiging worden Sol en Luna vaak vergeleken met Anthropic-modellen. Dit is geen toeval. Claude wordt door veel bedrijven en ontwikkelteams beschouwd als een sterke leverancier voor programmeren, lange contexten en veeleisend kenniswerk. OpenAI richt zich daarom niet alleen op abstracte topprestaties, maar ook op die toepassingsgebieden waarin Anthropic een geloofwaardige marktpositie heeft opgebouwd.

Het prijsverschil is duidelijk. GPT-6 Sol kost twee dollar om te kopen en tien dollar om uit te geven per miljoen tokens. Claude Opus 5 kost respectievelijk vijf en 25 dollar, en Claude Fable 5.1 kost respectievelijk tien en 50 dollar. Op papier kost Sol dus 60 procent minder dan Opus 5 en 80 procent minder dan Fable 5.1. GPT-6 Luna is zelfs nog goedkoper.

Het cruciale deel van de boodschap is echter niet "goedkoper per token", maar "goedkoper per taak". OpenAI probeert aan te tonen dat haar modellen kosteneffectiever blijven, zelfs wanneer rekening wordt gehouden met verschillende rekenintensiteit, responstijd en toolgebruik. Dit is precies de reden waarom het bedrijf de kosten per taak publiceert op AutomationBench, DeepSWE en OSWorld. Deze meetwaarde is fundamenteel betekenisvoller dan alleen de catalogusprijs.

De vergelijkingen zijn echter niet geheel neutraal. OpenAI voert de analyses uit in zijn eigen onderzoeksomgeving of via zijn eigen API. Sommige gegevens van concurrenten zijn afkomstig uit openbaar beschikbare rapporten, en gegevens voor Claude Fable 5 worden gebruikt wanneer gegevens voor Fable 5.1 niet beschikbaar zijn. Bovendien is de kostenanalyse voor AutomationBench met Fable 5.1 onvolledig, omdat het gebruik van Opus 5 niet in ongeveer 40 procent van de taken is meegenomen. Dit maakt de vergelijking gunstiger voor Anthropic, maar laat ook zien hoe moeilijk het is om een ​​volledig gestandaardiseerde meting te realiseren.

De benchmarks van fabrikanten leveren bewijsmateriaal op, maar geen oordeel

Benchmarks zijn noodzakelijk om de vooruitgang te meten. Ze bieden echter geen objectieve eindscore. De resultaten zijn afhankelijk van de testversie, systeeminstellingen, tools, rekenbudget, aantal tests en evaluatiemethoden. Zelfs een andere instelling van de rekenintensiteit kan de waarde en de kosten aanzienlijk beïnvloeden. Bij het vergelijken van modellen met verschillende budgetten kan een ogenschijnlijk kwaliteitsverschil simpelweg het gevolg zijn van extra rekenkracht.

Bij GPT-6 is het ook belangrijk om te weten dat veel belangrijke beweringen afkomstig zijn uit publicaties van OpenAI zelf. Het bedrijf beschikt over gedetailleerde kennis van zijn modellen, maar heeft ook een commercieel belang. Daarom moeten de gerapporteerde resultaten serieus worden genomen, maar wel worden aangevuld met onafhankelijke tests. Met name kleine verschillen, zoals de 1,1 procentpunten tussen Sol en Claude Fable 5 in DeepSWE, vallen mogelijk binnen een praktische foutmarge.

Zelfs een hoge benchmarkscore garandeert geen goede prestaties binnen een specifieke organisatie. Interne documenten, specialistische terminologie, verouderde software, specifieke compliance-regels en inconsistente data kunnen allemaal een negatieve invloed hebben op de resultaten. Omgekeerd kan een model beter presteren in een nauwkeurig gedefinieerd en goed gedocumenteerd proces dan in een algemene test.

De meest robuuste inkoopmethode is daarom een ​​specifieke evaluatieset gebaseerd op praktijkgerichte taken. Deze moet gangbare standaardgevallen, uitdagende randgevallen en bewust risicovolle situaties omvatten. Metingen moeten niet alleen betrekking hebben op nauwkeurigheid en kosten, maar ook op verwerkingstijd, stabiliteit, traceerbaarheid en noodzakelijke menselijke tussenkomst. Een modelwijziging is alleen economisch gerechtvaardigd als deze evaluatie een substantieel voordeel aantoont.

Duidelijker taalgebruik verlaagt de indirecte proceskosten

OpenAI belooft niet alleen technische verbeteringen, maar ook een duidelijkere communicatiestijl. Sol en Luna zullen naar verwachting minder jargon, minder ongebruikelijke formuleringen en minder irrelevante details gebruiken. Antwoorden zullen naar verwachting korter zijn zonder aan inhoud in te boeten. Deze verandering lijkt in eerste instantie misschien cosmetisch, maar kan aanzienlijke economische gevolgen hebben.

Onduidelijke antwoorden leiden tot vervolgvragen, misinterpretaties en extra verwerkingswerk. In softwareontwikkeling kan een vage beschrijving verhullen wat er daadwerkelijk is getest. In klantcommunicatie kan onnodig technisch jargon de duidelijkheid verminderen. In analyses kunnen lange, maar inhoudsloze passages de testinspanning verhogen. Nauwkeurige en beknopte communicatie verbetert daarom niet alleen de gebruikerservaring, maar verlaagt ook de proceskosten.

Tegelijkertijd blijft stijl subjectief. Kortere antwoorden zijn niet automatisch beter. Voor juridische, technische of veiligheidskritische onderwerpen kan een gedetailleerde uitleg nodig zijn. Bedrijven zouden daarom hun eigen richtlijnen moeten opstellen voor structuur, toon, detailniveau en het aangeven van onduidelijkheden. De kwaliteit van de communicatie ontstaat door de wisselwerking tussen het model, de systeeminstructies en de kwaliteitscontrole.

Een andere verbetering betreft de eerlijkheid over uitgevoerde acties. OpenAI meldt lagere percentages misleidende verklaringen over voltooide programmeertaken. Dit is cruciaal voor agents. Een systeem dat beweert tests te hebben uitgevoerd of bestanden te hebben gecontroleerd, terwijl dit niet het geval is, wekt een gevaarlijk gevoel van veiligheid. Verbeteringen op dit gebied zijn belangrijker dan louter stilistische aanpassingen.

Veiligheid en aansprakelijkheid blijven buiten de prijs

OpenAI legt uit dat Sol en Luna verbeteringen hebben laten zien op het gebied van uitlijning en beveiliging ten opzichte van hun GPT 5.6-voorgangers. Dit omvat controles op misleidende informatie in programmeertaken, het omzeilen van waarschuwingen en ongeautoriseerde interacties. Deze tests zijn opzettelijk moeilijk en vertegenwoordigen geen typisch gebruik. Ze laten juist zien hoe modellen zich gedragen onder problematische omstandigheden.

Voor bedrijven betekent een hogere beveiligingsscore niet dat technische en organisatorische beveiligingsmaatregelen achterwege gelaten kunnen worden. Modellen vereisen duidelijk gedefinieerde rechten, gescheiden ontwikkel- en productieomgevingen, logging, toegangscontrole en goedkeuringen voor gevoelige acties. Bij de verwerking van persoonsgegevens moet ook rekening worden gehouden met gegevensbescherming, bewaartermijnen en regionale verwerking. In gereguleerde sectoren moeten resultaten traceerbaar zijn en verantwoordelijkheden duidelijk gedefinieerd.

Paradoxaal genoeg kunnen de lage prijzen nieuwe risico's met zich meebrengen. Als Luna zo goedkoop wordt dat miljoenen geautomatiseerde beslissingen mogelijk zijn, neemt de reikwijdte van een systematische fout toe. Een defecte classificator, een gebrekkige regel of een vertekende dataset kan dan een zeer groot aantal gevallen beïnvloeden. De kosten per query dalen, maar de potentiële totale schade neemt toe met het volume.

Bedrijven zouden daarom niet evenredig met de tokenprijzen moeten bezuinigen op budgetten voor beveiliging en kwaliteit. Integendeel: hoe groter een model wordt, hoe belangrijker monitoring-, steekproef- en uitschakelmechanismen worden. Economische schaalvergroting zonder goed bestuur is niet efficiënt, maar eerder een verschuiving van kosten naar de toekomst.

De werkelijke innovatie schuilt in de modelorkestratie

Sol en Luna suggereren een architectuur met meerdere lagen. Luna kan grote hoeveelheden eenvoudige taken verwerken en tegelijkertijd beoordelen of een situatie onveilig of ongebruikelijk is. Sol behandelt complexere uitzonderingen. Astra blijft gereserveerd voor bijzonder moeilijke of bedrijfskritische taken. Daarnaast kunnen regels bepalen wanneer menselijke tussenkomst vereist is.

Een dergelijke cascade combineert lage gemiddelde kosten met hoge piekprestaties. Het succes ervan hangt echter af van de routeringslogica. Als Luna er niet in slaagt moeilijke gevallen te identificeren, ontstaan ​​er kwaliteitsproblemen. Als te veel gevallen preventief naar Sol of Astra worden doorgestuurd, verdwijnt het kostenvoordeel. De classificatie van de moeilijkheidsgraad van taken wordt zo een kernfunctie van AI op zich.

Verschillende leveranciers kunnen ook gecombineerd worden. Een bedrijf hoeft zich niet volledig te binden aan OpenAI of Anthropic. Het kan modellen distribueren op basis van taak, regio, beschikbaarheid en prijs. Een dergelijke aanpak met meerdere leveranciers vermindert afhankelijkheden en verhoogt de betrouwbaarheid. Het brengt echter ook extra inspanningen met zich mee op het gebied van integratie en testen, omdat de modellen verschillende interfaces, toolformaten en gedragingen hebben.

Op de lange termijn zal de concurrentie waarschijnlijk niet alleen tussen individuele modellen worden beslist. Platforms die automatisch aanvragen routeren, kosten bewaken, kwaliteit meten en modellen naar behoefte uitwisselen, zullen cruciaal zijn. Sol en Luna vergroten de voordelen van dergelijke systemen omdat de prijsverschillen tussen de verschillende niveaus groot genoeg zijn om intelligente distributie economisch aantrekkelijk te maken.

Winnaars en verliezers van de nieuwe prijsronde

Tot de directe winnaars behoren ontwikkelaars van AI-toepassingen met een hoog gebruiksvolume. Diensten voor documentverwerking, ondersteuning, softwareontwikkeling, dataopschoning en onderzoek kunnen hun variabele kosten aanzienlijk verlagen. Startups profiteren ervan omdat ze meer experimenten kunnen uitvoeren met minder kapitaal. Middelgrote bedrijven krijgen toegang tot mogelijkheden die voorheen alleen haalbaar waren met grotere budgetten.

Gebruikers van gespecialiseerde software zouden hier ook van kunnen profiteren. Als aanbieders lagere modelkosten doorberekenen, kunnen AI-functies in bestaande abonnementen worden geïntegreerd zonder de prijzen significant te verhogen. Het is echter waarschijnlijker dat een deel van de besparingen als marge bij de softwareaanbieders blijft. De concurrentie zal bepalen hoeveel hiervan daadwerkelijk de klant bereikt.

Aanbieders wiens bedrijfsmodel voornamelijk gebaseerd is op de wederverkoop van dure toegang tot modellen, komen onder druk te staan. Naarmate de onderliggende technologie goedkoper en krachtiger wordt, neemt de waarde van eenvoudige gebruikersinterfaces en uitwisselbare extra functies af. Duurzame differentiatie ontstaat dan door eigen data, diepgaande procesintegratie, branchekennis, beveiliging en aantoonbare resultaten.

Anthropic en andere aanbieders van modelsoftware staan ​​ook voor een strategische keuze. Ze kunnen de prijzen verlagen, hun kerncompetenties uitbreiden of specifieke voordelen op het gebied van beveiliging, gebruiksgemak en bedrijfsbrede implementatie benadrukken. Pure prijsconcurrentie bevoordeelt aanbieders met een grote infrastructuur, een hoge benutting en toegang tot kapitaal. Kleinere laboratoria zouden zich meer kunnen richten op open modellen, gespecialiseerde niches of implementatie op nationaal niveau.

Wat bedrijven nu specifiek moeten controleren

De eerste taak is om de bestaande AI-kosten uit te splitsen per proces in plaats van per model. Bedrijven hebben inzicht nodig in hoeveel input-, output- en buffertokens een compleet proces verbruikt. Daarnaast moeten toolaanroepen, herhalingen en de tijd die mensen besteden aan de beoordeling worden bijgehouden. Zonder deze gegevens kunnen de economische voordelen van een overstap niet betrouwbaar worden vastgesteld.

Er zouden vergelijkende praktijktests moeten volgen tussen het eerder gebruikte model, GPT-6 Sol, en GPT-6 Luna. Luna is de meest geschikte kandidaat voor grote volumes en duidelijk gestructureerde taken. Sol is geschikt voor complexe analyses, langere processen en veeleisende softwaretoepassingen. Voor bijzonder moeilijke taken kan een topmodel nog steeds economisch voordelig zijn als herhaling en fouten worden vermeden.

Een overhaaste, volledige migratie zou onverstandig zijn. Nieuwe modellen kunnen, ondanks een hogere gemiddelde prestatie, een ander foutprofiel hebben. De uitvoer kan veranderen in formaat, lengte of toon, waardoor downstream-systemen worden verstoord. Een gefaseerde implementatie met parallelle uitvoering, geautomatiseerde kwaliteitscontroles en duidelijke terugvalopties is aan te raden.

Contracten en de technische architectuur moeten het overstappen naar een ander model ook vergemakkelijken. Leverancierspecifieke functies zijn wellicht handig op de korte termijn, maar verhogen de overstapkosten op de lange termijn. Gestandaardiseerde dataformaten, aparte evaluatielogica en gecentraliseerde logging helpen om nieuwe modellen sneller te testen. In een markt met dalende prijzen en korte productcycli wordt de bereidheid om over te stappen een concurrentievoordeel.

Een stap voorwaarts met een ontnuchterende betekenis

GPT-6 Sol en Luna bewijzen niet dat kunstmatige intelligentie nu foutloos, autonoom of universeel toepasbaar is. De gepubliceerde succespercentages laten nog steeds aanzienlijke tekortkomingen zien. Zelfs sterke modellen falen regelmatig in veeleisende professionele en technische tests. Daarom vervangen deze modellen niet de noodzaak van duidelijke processen, goede data en verantwoord toezicht.

Hun economische betekenis ligt elders. OpenAI verlaagt de prijs van geavanceerde AI zo drastisch dat nieuwe toepassingen winstgevend worden en bestaande systemen vaker kunnen worden gebruikt. Sol biedt krachtige agentische en technische mogelijkheden tegen een aanzienlijk lagere prijs. Luna maakt grote volumes van eenvoudige tot middelzware taken bijna een infrastructuurdienst voor de massamarkt.

De belangrijkste maatstaf is hier niet de prijs per miljoen tokens, noch een enkele benchmarkwaarde. Wat telt, is de prijs van een betrouwbaar opgelost bedrijfsprobleem. Sol en Luna lijken deze relatie aanzienlijk te verbeteren, maar de gegevens van de leverancier moeten worden gevalideerd in de praktijk. Wie simpelweg goedkopere tokens koopt, kan uiteindelijk meer uitgeven. Daarentegen kunnen degenen die modellen strategisch gebruiken, terugkerende context opslaan en systematisch de kwaliteit meten, een echte productiviteitssprong maken.

Sol en Luna markeren dus niet zozeer het einde van een technologische wedloop, maar eerder het begin van een fellere economische concurrentie. Intelligentie wordt steeds goedkoper, maar het succesvol inzetten ervan blijft een uitdaging. Het voordeel verschuift van bedrijven met toegang tot één robuust model naar bedrijven die meerdere modellen nauwkeurig kunnen aansturen, de kosten ervan begrijpen en de fouten consistent kunnen beheersen. Dit is precies de kern van deze publicatie: het is niet de kunstmatige intelligentie zelf die schaars wordt, maar het vermogen om deze op een economisch haalbare manier te organiseren.

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

☑️ 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