Het waardevolste GPT-maatwerk moet een modelwisseling overleven
In het kort
OpenAI stopt op 14 januari 2027 met verschillende oudere GPT-versies, inclusief daarop gebaseerde aangepaste modellen. Dat maakt niet alle eerdere investeringen waardeloos, maar dwingt bedrijven wel onderscheid te maken tussen overdraagbare kennis en werk dat aan één model vastzit. De kosten van opnieuw testen kunnen veel groter zijn dan de rekening voor tokens. Een verstandig AI-budget reserveert daarom ook geld voor de volgende overstap.
Een klantenservice die een AI-model heeft geleerd hoe het retourvragen moet afhandelen, heeft meer opgebouwd dan een handige chatbot. Er zijn goede voorbeelden verzameld, uitzonderingen beschreven en controles ingericht. Het lastige is dat niet ieder onderdeel even lang meegaat. De bedrijfskennis kan waardevol blijven terwijl het model waarop de toepassing draait verdwijnt.
Dat is de betekenis van de uitfasering die OpenAI op 14 oktober aankondigde. Onder meer specifieke GPT-4o-, GPT-4o-mini- en GPT-4.1-versies worden op 14 januari 2027 uitgezet. De mededeling omvat ook aangepaste versies van de genoemde modellen. Het is dus niet voldoende dat een bedrijf zijn eigen modelnaam heeft gekregen en de toepassing vandaag nog werkt.
De einddatum hoort bij de investering
Bij fine-tuning wordt een bestaand model verder aangepast met voorbeelden. Dat kan nuttig zijn wanneer een bedrijf steeds dezelfde vorm, indeling of taak verlangt. Maar het is iets anders dan een programma waarvan de onderneming alle onderdelen zelfstandig kan blijven uitvoeren. Bij een aangeboden model via een API, de digitale verbinding met de leverancier, blijft de beschikbaarheid afhankelijk van die leverancier.
De huidige commerciële GPT-familie bestaat volgens de modeldocumentatie uit onder meer GPT-6 Astra, GPT-6.1 Sol en GPT-6 Luna. Een nieuwere generatie kan beter of goedkoper zijn, maar daarmee is niet bewezen dat zij de zorgvuldig opgebouwde uitzonderingenset van een bestaande toepassing correct afhandelt. De aanbevolen opvolger is een vertrekpunt voor onderzoek, geen getekende acceptatieverklaring van de klant.
Het economische risico zit vooral in de timing. Een geplande migratie kan worden gecombineerd met ander onderhoud. Een verplichte overstap vlak voor een druk seizoen vraagt extra capaciteit op een moment dat die schaars is. Zelfs wanneer de nieuwe modellen goedkoper rekenen, kan het totale project daardoor duurder worden.
Wat bij een overstap zijn waarde behoudt
Goede praktijkvoorbeelden zijn meestal beter overdraagbaar dan modelspecifieke instellingen. Denk aan een retour die buiten de termijn valt, een beschadigd product of een klant die twee ordernummers door elkaar haalt. Bij ieder geval hoort een door het bedrijf goedgekeurd antwoord en een uitleg waarom dat antwoord klopt. Daarmee kan zowel het oude als het nieuwe model worden beoordeeld.
De belangrijkste scheiding loopt tussen oefenmateriaal en toetsmateriaal. Wie op dezelfde voorbeelden aanpast en beoordeelt, kan een systeem bouwen dat de oefening uitstekend onthoudt zonder de dagelijkse taak betrouwbaar uit te voeren. Houd daarom een afzonderlijke verzameling achter, met ook zeldzame maar kostbare uitzonderingen. Dit is een ontwerpkeuze, geen claim dat alle nieuwe GPT-modellen op zulke gevallen tekortschieten.
Ook de regels buiten het model verdienen aandacht. Een terugbetaling boven een bepaald bedrag kan door gewone software worden geblokkeerd totdat een medewerker akkoord geeft. Zo hoeft de onderneming die grens niet bij iedere modelwisseling opnieuw aan een taalmodel toe te vertrouwen. Het model helpt dan met begrijpen en formuleren; het bedrijf blijft eigenaar van de beslisregels.
Dat maakt maatwerk niet overbodig. Het verplaatst het duurzame deel ervan. Een bruikbare verzameling voorbeelden, een goede test en een duidelijk overdrachtsproces kunnen meerdere modelgeneraties overleven. Een verzameling ongecontroleerde prompts die alleen op één versie lijken te werken, kan dat veel minder goed.
De testrekening kan groter zijn dan de tokenrekening
Neem een expliciet rekenvoorbeeld van 50.000 korte verzoeken per maand, ieder met 2.000 inputtokens en 500 outputtokens. Tokens zijn stukjes tekst waarmee de leverancier verbruik telt. Bij de op 18 oktober vermelde standaardtarieven van GPT-6 Luna voor korte context, $0,10 per miljoen inputtokens en $0,50 per miljoen outputtokens, bedraagt het modelverbruik $10 plus $12,50, samen $22,50 per maand. Dit gebruikt geen cachekorting, batchkorting of tools en is exclusief belastingen; eventuele extra redeneeroutput moet in de werkelijk gemeten output worden meegenomen. De prijspagina onderscheidt langere context en andere verwerkingsvormen.
Veronderstel daarnaast dat een migratie 60 uur voorbereiding en technische aanpassing vraagt, plus 40 uur inhoudelijke controle. Tegen een aangenomen interne kostprijs van €70 per uur is dat €7.000. Dat eurobedrag wordt niet met dollars opgeteld: het laat zien dat twee verschillende kostenposten apart begroot moeten worden. De API-rekening alleen is geen goede maatstaf voor de overstapkosten.
Het voorbeeld zegt niet dat iedere migratie honderd uur kost. Een eenvoudige samenvatter kan veel sneller worden overgezet. Een toepassing met duizenden specifieke afspraken of financiële gevolgen kan juist meer werk vragen. Het helpt om vóór de keuze voor maatwerk een kleine proefmigratie te doen: hoeveel van het huidige systeem werkt werkelijk onafhankelijk van de modelnaam?
Hoeveel voordeel moet maatwerk opleveren
Stel dat een onderneming €24.000 extra uitgeeft aan een overdraagbare testset, documentatie en modelonafhankelijke koppelingen. Daarnaast kost onderhoud €6.000 per jaar. Bij een eenvoudige terugverdientijd van drie jaar moet deze investering jaarlijks €14.000 aan voordeel opleveren: €24.000 gedeeld door drie, plus €6.000. Bij €70 per uur zijn dat 200 werkelijk vrijgespeelde uren per jaar.
Die uren kunnen bestaan uit minder herstelwerk en minder migratiewerk. Ze mogen niet twee keer worden geteld. Als een medewerker dankzij betere controles twintig uur bespaart en diezelfde twintig uur vervolgens voor andere taken inzet, zijn dat niet veertig uur voordeel. Extra omzet telt pas mee als de beschikbare tijd ook aantoonbaar extra werk oplevert.
Dit is ook de sterkste tegenwerping tegen een uitgebreid onderhoudsapparaat. Voor een kleine, laagrisico toepassing kunnen de controles duurder zijn dan een overstap met enige handmatige nazorg. Dan is minder maatwerk verstandig. De afweging gaat niet tussen professioneel en onprofessioneel, maar tussen de verwachte gevolgen van fouten en de kosten om die gevolgen te beperken.
Drie jaren zonder voorspelde tokenprijzen
Voor 2027, 2028 en 2029 rekenen we met drie planningsscenario’s. De jaarlijkse vermeden werkuren bedragen in het lage pad 100, 120 en 140; in het middenpad 220, 260 en 300; in het hoge pad 350, 420 en 500. Dit zijn aannames, geen gemeten prestaties van GPT. De uurwaarde blijft €70 en onderhoud blijft €6.000 per jaar. De formule voor het jaarlijkse operationele voordeel is uren maal €70 minus €6.000. De eenmalige investering van €24.000 staat daar afzonderlijk naast.
Over drie jaar levert dat vóór die investering respectievelijk €7.200, €36.600 en €70.900 op. Na aftrek van de investering resteert min €16.800, plus €12.600 en plus €46.900. Financiering, belasting en tijdswaarde zijn niet meegerekend. Dit zijn dus eenvoudige projectkasstromen, geen gegarandeerde rendementen. Het lage scenario laat zien waarom een op zichzelf verstandig ontwerp toch te duur kan zijn voor een kleine toepassing.
De beste investering is daarom niet automatisch het meest aangepaste model. Het is een toepassing waarvan de nuttige bedrijfskennis bij een overstap beschikbaar blijft. De aangekondigde einddatum maakt dat verschil zichtbaar. Een andere conclusie wordt aannemelijk wanneer een proefmigratie nauwelijks werk vraagt, of wanneer het maatwerk aantoonbaar zoveel extra kwaliteit levert dat de terugkerende overstapkosten ruim worden terugverdiend.
Opmerkingen