Apple en Meta tornen aan de tokenrekening van OpenAI
In het kort
Apple en Meta maken het voor ontwikkelaars aantrekkelijker om AI op eigen computers te draaien. Dat kan de onderhandelingspositie van klanten tegenover OpenAI en Anthropic versterken, maar maakt de cloud niet overbodig. Mijn verwachting is dat bedrijven verschillende modellen gaan combineren: goedkoop waar het kan, krachtig waar het moet. Voor beleggers wordt daardoor de opbrengst per betrouwbaar uitgevoerde taak belangrijker dan het aantal verbruikte tokens.
In dit artikel
Waarom deze samenwerking verder gaat dan een nieuwe Mac-toepassing
De rekening wordt bepaald door meer dan de vraag die je intikt
Wanneer lokaal draaien werkelijk geld bespaart
Apple verkoopt apparatuur, Meta bewaakt zijn commerciële opties
Wat OpenAI en Anthropic hierdoor kunnen verliezen — en behouden
Waarom deze samenwerking verder gaat dan een nieuwe Mac-toepassing
De samenwerking die Apple en Meta op 15 oktober aankondigden, raakt een fundamentele vraag in de AI-markt: hoeveel intelligentie moeten bedrijven straks nog bij een externe leverancier inkopen? Wie een geschikt model op eigen apparatuur kan uitvoeren, krijgt een alternatief voor een doorlopende rekening per gebruik. Dat alternatief hoeft niet overal beter te zijn om commerciële gevolgen te hebben.
Volgens de berichtgeving over de samenwerking is Muse Spark Open geoptimaliseerd voor krachtige Mac Studio-opstellingen. Het gaat om lokaal draaien door ontwikkelaars; een aangekondigde integratie in Apple Intelligence volgt hier niet uit. Ook is dit niet hetzelfde als de claim dat iedere MacBook voortaan een frontiermodel kan vervangen. Bron.
Meta vermeldt 816 miljard totale en 42 miljard actieve parameters, een contextvenster van één miljoen tokens en een optimalisatie voor twee M5 Ultra Mac Studios. De modelkaart noemt voor NVFP4 minstens 700 GB VRAM en voor BF16 2 TB. Dit zijn richtlijnen van de leverancier, geen onafhankelijk gemeten garantie voor iedere taak of configuratie. Bron.
Dat verschil tussen totale en actieve parameters is belangrijk. Een mixture-of-expertsmodel gebruikt bij een verwerkingsstap een selectie van zijn onderdelen. Daarmee kan het rekenwerk worden beperkt. De overige modelgewichten moeten echter wel beschikbaar blijven. Een model met 42 miljard actieve parameters past dus niet automatisch in hetzelfde geheugen als een volledig model van die omvang.
Alleen al 816 miljard gewichten van gemiddeld vier bits komen rekenkundig op 408 GB uit. Daar komen onder meer opslag van tussenresultaten, context en technische overhead bij. Langere gesprekken en meer gelijktijdige gebruikers vergroten de belasting. Wie alleen de kale omvang van de gewichten uitrekent, onderschat daardoor wat een bruikbare installatie nodig kan hebben.
De rekening wordt bepaald door meer dan de vraag die je intikt
Een token is een verwerkingsunit, vaak een stukje tekst. De rekening ontstaat niet uitsluitend door de zichtbare vraag en het uiteindelijke antwoord. Een toepassing kan instructies, documenten, eerdere berichten en resultaten van hulpmiddelen meesturen. Een agent die zelf stappen uitvoert, kan verschillende keren opnieuw een model aanroepen voordat de taak klaar is.
Anthropic beschreef in juni 2025 bij zijn eigen onderzoekssysteem ongeveer vier keer zoveel tokenverbruik voor agents als voor gewone chatinteracties, en ongeveer vijftien keer zoveel voor systemen met meerdere agents. Dat zijn waarnemingen uit een specifieke toepassing. Ze laten wel zien waarom een goedkoper model economisch relevant wordt zodra AI van antwoorden geven naar zelfstandig werk uitvoeren verschuift. Bron.
Bedrijven hebben verschillende manieren om de rekening te beperken. Ze kunnen alleen relevante informatie meesturen, eerder verwerkte context hergebruiken, eenvoudige taken naar een kleiner model sturen en zware redenering reserveren voor moeilijke gevallen. Samenvatten helpt soms, maar kan ook belangrijke details verwijderen. Besparen op tokens is alleen nuttig wanneer het resultaat betrouwbaar blijft.
De cloud biedt zelf ook goedkope alternatieven. Op de prijslijst van Anthropic van 15 oktober kost Sonnet 5.5 standaard 2 dollar per miljoen inputtokens en 10 dollar per miljoen outputtokens. Haiku 5.5 kost bij prompts tot 100.000 tokens respectievelijk 0,10 en 0,50 dollar. Honderd miljoen inputtokens en tien miljoen outputtokens kosten daarmee rekenkundig 300 of 15 dollar, vóór belastingen, aanvullende diensten en eventuele kortingen. Dat is geen uitspraak dat beide modellen dezelfde kwaliteit leveren. Bron.
Caching kan de betaalde verwerking van terugkerende context verder verlagen; het vullen van de cache heeft wel een prijs. Ook gebundelde verwerking kan goedkoper zijn. De eerlijke vergelijking voor een lokale installatie is daarom de best passende, geoptimaliseerde cloudoplossing. Vergelijken met uitsluitend het duurste model maakt de terugverdientijd kunstmatig aantrekkelijk. Bron.
Wanneer lokaal draaien werkelijk geld bespaart
Lokaal betekent dat de uitvoering naar eigen apparatuur verhuist. Het trainen van een nieuw grensverleggend model blijft een heel andere investering. Ook verdwijnen de uitvoeringskosten niet. Ze komen terug als aanschaf, elektriciteit, beheer, beveiliging, onderhoud en capaciteit die soms ongebruikt blijft. Bij hoge bezetting kan dat voordelig zijn; bij incidenteel gebruik is betalen per verzoek vaak aantrekkelijker.
Neem een fictieve lokale opstelling van 36.000 dollar, economisch afgeschreven in 36 maanden, plus 300 dollar maandelijkse exploitatiekosten. De vaste maandlast bedraagt dan 1.300 dollar. Dit is een rekenaanname voor geselecteerde werkzaamheden, geen offerte voor Muse Spark Open. We nemen bovendien aan dat capaciteit en kwaliteit voldoende zijn; dat moet een bedrijf in de praktijk testen.
Bij een cloudrekening van 3.000 dollar en een werkelijk vermeden aandeel van 80% blijft 600 dollar aan cloudgebruik over. Samen met de lokale kosten wordt dat 1.900 dollar: een besparing van 1.100 dollar per maand. Bij een oorspronkelijke cloudrekening van 300 dollar wordt dezelfde aanpak juist duurder. Onder deze aannames ligt het omslagpunt op 1.625 dollar aan maandelijkse cloudkosten.
De zwakste plek in zulke berekeningen is vaak de kwaliteitsaanname. Een goedkoper model dat vaker fouten maakt, veroorzaakt extra controlewerk, nieuwe pogingen of alsnog een verzoek aan een duur model. De juiste maatstaf is de totale kostprijs per correct afgeronde taak. Eén vermeden menselijke correctie kan meer waard zijn dan duizenden goedkope tokens.
Lokale verwerking kan daarnaast aantrekkelijk zijn voor vertrouwelijke gegevens of werk zonder stabiele internetverbinding. Maar zodra een toepassing toch externe zoekdiensten, hulpmiddelen of cloudmodellen inschakelt, moet opnieuw worden bekeken welke gegevens de organisatie verlaten. Lokaal draaien van het taalmodel is geen automatische privacygarantie voor het volledige proces.
Apple verkoopt apparatuur, Meta bewaakt zijn commerciële opties
Voor Apple zie ik een begrijpelijke kans. Als ontwikkelaars meer AI-werk op de Mac uitvoeren, worden geheugen, rekenvermogen en het software-ecosysteem belangrijkere aankoopargumenten. Apple kan aan de apparatuur verdienen, ook wanneer de modelgewichten zonder aanschafprijs beschikbaar zijn. De relevante beleggersvraag is hoeveel extra hardwarevraag werkelijk ontstaat en hoeveel bestaande klanten alleen een andere toepassing op hun huidige machines draaien.
Voor Meta vergroot verspreiding van de gewichten de kans dat ontwikkelaars zijn modellen leren kennen en erop bouwen. Het bedrijf hoeft niet iedere lokale token te factureren om daarvan strategisch te profiteren. Een goed beschikbaar alternatief kan tegelijk de prijs begrenzen die concurrerende modelaanbieders voor vergelijkbaar werk kunnen vragen. Dat is mijn economische interpretatie van de distributiestrategie.
De licentie stelt wel voorwaarden. Wie het model als een API-dienst aanbiedt en met gelieerde ondernemingen boven 20 miljoen dollar bruto-omzet in een periode van twaalf maanden zit, moet volgens de licentie een afzonderlijke overeenkomst aangaan. Intern gebruik en eigen productfuncties die geen modeldienst vormen, vallen onder een uitzondering. Open gewichten betekenen hier dus geen onbeperkte commerciële vrijheid. Bron.
Die nuance verandert het verhaal. Meta vergroot de beschikbaarheid voor ontwikkelaars, terwijl het bij bepaalde grotere commerciële toepassingen een contractuele positie behoudt. Voor een onderneming die op het model wil bouwen, horen de voorwaarden daarom bij de kostprijsanalyse. Alleen naar de downloadknop kijken is onvoldoende.
Wat OpenAI en Anthropic hierdoor kunnen verliezen — en behouden
De meest directe druk ontstaat bij werkzaamheden waarvoor meerdere modellen goed genoeg zijn. Denk aan het indelen van documenten, het herkennen van onderwerpen of eenvoudige extractie van gegevens. Wanneer de klant zonder groot kwaliteitsverlies kan overstappen, wordt een hoge prijs moeilijker te verdedigen. Lokale alternatieven versterken bovendien de klant bij onderhandelingen, ook als die uiteindelijk in de cloud blijft.
Ik vind het te eenvoudig om daaruit te concluderen dat de inkomsten van OpenAI en Anthropic onvermijdelijk krimpen. Een model dat moeilijke programmeerproblemen beter oplost of complexe taken betrouwbaarder afhandelt, kan een aanzienlijke premie rechtvaardigen. Dat geldt vooral wanneer de kosten van een fout veel hoger zijn dan de modelrekening.
OpenAI staat bovendien niet uitsluitend aan de gesloten kant van de markt. Het biedt met gpt-oss zelf opengewichtsmodellen in twee omvangsklassen aan, onder Apache 2.0. Die kunnen lokaal of bij andere aanbieders worden uitgevoerd. Dat onderstreept dat één onderneming zowel een open distributiestrategie als betaalde diensten kan ondersteunen. Bron.
Mijn verwachting is dat beide bedrijven hun waarde steeds meer moeten bewijzen via de combinatie van modelkwaliteit, gereedschappen, beveiliging, beheer en betrouwbare uitvoering. Een onderneming koopt uiteindelijk een werkend proces. Als een leverancier dat aantoonbaar beter levert, blijft er ruimte voor omzet die verder gaat dan het leveren van losse teksttokens.
Een hybride aanpak kan juist extra vraag naar de beste modellen creëren. Een lokaal model kan dossiers voorbereiden, relevante passages selecteren en eenvoudige gevallen oplossen. Alleen de uitzonderingen gaan naar een krachtig cloudmodel. Het betaalde aandeel per proces daalt dan, maar het aantal processen waarvoor AI betaalbaar wordt kan toenemen. Of dat voldoende is, hangt af van de omvang van beide bewegingen.
Meer tokens kunnen samengaan met minder omzet
Voor de LLM-markt is het essentieel om drie zaken uit elkaar te houden: hoeveel werk AI verricht, welk deel daarvan bij betaalde aanbieders terechtkomt en hoeveel die per eenheid ontvangen. Een snel stijgend totaalgebruik zegt daardoor weinig over de omzet van één leverancier. De marge hangt vervolgens ook nog af van rekenkosten, onderzoek, verkoop en ondersteuning.
Om dit concreet te maken, neem ik drie eigen scenario’s voor 2027–2029. Het zijn aannames, geen marktprognoses. In alle drie daalt de gemiddelde opbrengst per vergelijkbare token met 30% per jaar en blijft aan het einde 70% van het aanvankelijke betaalde aandeel over. De uitgangsomzet krijgt index 100; veranderingen in de verhouding tussen input en output laten we buiten beschouwing.
Bij 30% jaarlijkse volumegroei eindigt de omzetindex na drie jaar rond 53. Bij 50% groei komt die op 81. Pas bij een jaarlijkse verdubbeling loopt de index naar 192. Hetzelfde verhaal over explosieve AI-adoptie kan dus samengaan met een halvering of bijna verdubbeling van de omzet, afhankelijk van gebruik, prijs en het behouden betaalde aandeel.
Dit raakt ook Nvidia en cloudbedrijven. Meer lokale uitvoering kan de bestemming en samenstelling van de vraag naar rekenkracht veranderen. Tegelijk kunnen lagere kosten nieuwe toepassingen mogelijk maken. Ik zou daarom voorzichtig zijn met zowel de conclusie dat datacentervraag verdwijnt als de aanname dat ieder goedkoper model automatisch meer winst voor chipmakers oplevert. Capaciteitsgebruik, hardwarekeuze en gerealiseerde prijzen blijven bepalend.
De waarderingsvraag die ik als belegger belangrijker vind
Voor aandeelhouders is de samenwerking vooral een reden om de aannames achter toekomstige winsten opnieuw te bekijken. Apple kan meer apparaten verkopen. Meta kan strategische invloed winnen. Modelaanbieders kunnen meer klanten krijgen, terwijl hun opbrengst per gebruik daalt. Dat zijn verschillende verdienmodellen, met verschillende manieren waarop concurrentie in de kasstroom terechtkomt.
Een omgekeerde waarderingsvraag helpt. Stel dat een fictief winstgevend AI-bedrijf nu 30 keer de winst kost, over drie jaar 25 keer en dat een belegger 10% jaarlijks koersrendement verlangt. Dan moet de winst per aandeel ongeveer 16,9% per jaar groeien. Dit rekenvoorbeeld, zonder dividend, is geen actuele waardering van Apple, Meta, OpenAI of Anthropic. Het laat zien hoeveel groei nodig kan zijn wanneer de waarderingspremie afneemt.
Mijn oordeel is dat lokale modellen vooral de economische macht van de klant vergroten. Dat hoeft de beste modelaanbieders niet te verzwakken, maar maakt het moeilijker om middelmatige prestaties tegen een hoge prijs te verkopen. Voor OpenAI en Anthropic wordt het belangrijker dat klanten hun duurste modellen kiezen omdat die de uiteindelijke taak goedkoper en beter afronden.
Daarom vind ik deze ontwikkeling gunstig voor de brede toepassing van AI, zonder er automatisch een koopargument voor ieder AI-aandeel in te zien. De hoeveelheid intelligentie die beschikbaar komt kan sterk groeien, terwijl een groter deel van de economische waarde bij gebruikers terechtkomt. De belegger moet vervolgens bepalen welk bedrijf voldoende van die waarde kan blijven verdienen.
Opmerkingen