Nvidia verkoopt met Nemotron ook een verzekering tegen eigen AI-chips
Omslagfoto: Jensen Huang (archieffoto, 2026-04-30). Foto: Anders Eidesvik / Wikimedia Commons / CC BY-SA 4.0.. Bron en beeldverantwoording · CC BY-SA 4.0 · archieffoto 2026-04-30
In het kort
NVIDIA Nemotron 3.5 Lightning, Nemotron 3 Nano en Super maakt lokale en private AI-agents bij gewone bedrijven uitrollen steeds toegankelijker. NVIDIA biedt Nemotron-modellen onder een commerciële open-modellicentie aan en koppelt ze aan TensorRT-LLM, Dynamo en NIM. Nemotron 3.5 Lightning gebruikt een 30B-A3B-opzet voor veel uitvoertaken; NIM en enterprise-ondersteuning vallen onder NVIDIA AI Enterprise. De kans zit in een slimme taakverdeling en meten per bruikbaar resultaat. Zo wordt een ingewikkelde modelkeuze een gewone bedrijfsbeslissing.
Nemotron is strategisch omdat Nvidia meer verkoopt dan chips. Een bedrijf dat het model met NIM, TensorRT-LLM en beheerhulpmiddelen inzet, blijft binnen Nvidia’s softwarewereld, ook als grote modelbouwers eigen accelerators ontwerpen.
Taalmodellen worden vaak vergeleken alsof het motoren met één topsnelheid zijn. In de praktijk lijkt de keuze meer op een gereedschapskist. Een klein model kan duizenden eenvoudige controles uitstekend afhandelen. Een zwaarder model verdient zijn plek bij werk waar extra nauwkeurigheid, lange context of zelfstandig handelen veel waarde heeft.
Wat er precies is veranderd
Volgens NVIDIA-overzicht van Nemotron geldt op 12 oktober 2026: NVIDIA biedt Nemotron-modellen onder een commerciële open-modellicentie aan en koppelt ze aan TensorRT-LLM, Dynamo en NIM. Nemotron 3.5 Lightning gebruikt een 30B-A3B-opzet voor veel uitvoertaken; NIM en enterprise-ondersteuning vallen onder NVIDIA AI Enterprise.
Ook de officiële Nemotron-repository van NVIDIA helpt om prijs, toegang en technische mogelijkheden te plaatsen. Leveranciersinformatie is een goed vertrekpunt. Voor een inkoopbesluit blijft een eigen proef met Nederlandse taken nodig.
De grote AI-labs kunnen eigen chips ontwerpen omdat hun volumes enorm zijn. Een bank, fabrikant of ziekenhuis heeft meestal geen chipteam. Voor die brede markt kan een compleet pakket van model, runtime en support aantrekkelijker zijn dan zelf alle onderdelen combineren.
Dat is de grand scheme of things: Nvidia bouwt een tweede verdedigingslinie. Als een hyperscaler minder GPU’s koopt, kan de onderneming nog steeds verdienen aan duizenden andere bedrijven die lokaal of in een private cloud AI willen draaien.
Voor gewone gebruikers is vooral belangrijk dat een modelnaam niet het hele product beschrijft. Dezelfde familie kan een goedkope variant, een snellere variant en een specialist voor zware opdrachten bevatten. Daarnaast verschillen chatabonnement, API en downloadbare gewichten. Dat zijn drie verschillende manieren om toegang te krijgen.
Een chatabonnement is handig voor mensen die zelf vragen stellen. Een API is bedoeld om het model in software te bouwen. Downloadbare gewichten geven meer controle over locatie en beheer, maar vragen hardware, beveiliging en technische kennis. Geen van die routes is automatisch de beste; de eigen taak bepaalt welke vorm prettig werkt.
Waarom bedrijven hier enthousiast over kunnen zijn
De mooie ontwikkeling is dat AI niet langer één groot project voor de hele organisatie hoeft te zijn. Een team kan beginnen met een klein proces dat iedere week terugkomt, zoals documenten ordenen, code controleren of klantvragen voorbereiden. Het resultaat is snel zichtbaar en de risico’s blijven overzichtelijk.
Voor lokale en private AI-agents bij gewone bedrijven uitrollen is een proef met vijftig tot honderd echte opdrachten vaak al verhelderend. Leg vooraf vast wat een goed antwoord is. Laat een inhoudsdeskundige beoordelen zonder te weten welk model de tekst maakte. Meet daarna hoeveel taken direct goed zijn, hoeveel een kleine correctie vragen en hoeveel opnieuw moeten.
De uitkomst vertelt meer dan een algemene benchmark. In ons rekenvoorbeeld gaan van honderd taken eerst 62 in de lage route, 81 in de middenroute en 91 in de hoge route goed genoeg door de controle. Dat zijn scenario’s, geen gemeten prestaties van NVIDIA Nemotron 3.5 Lightning, Nemotron 3 Nano en Super. Ze laten zien hoeveel invloed herhaalwerk op de rekening heeft.
Ook snelheid krijgt pas betekenis in de volledige keten. Een model kan tekst razendsnel produceren, terwijl een databasekoppeling of menselijke goedkeuring de meeste tijd vraagt. Door iedere stap apart te meten, wordt duidelijk waar een snellere of duurdere variant echt helpt.
Open modellen kunnen ook op concurrerende hardware worden aangepast. Nvidia moet dus blijven verdienen met prestaties, ondersteuning en gebruiksgemak, niet alleen met een modelnaam.
De omgekeerde rekensom maakt de keuze begrijpelijk
Stel dat modelgebruik, beheer en controle samen € 2100 per maand kosten. Een vrijgespeeld arbeidsuur is in dit voorbeeld € 79 waard. Dan moet de toepassing minimaal € 2100 gedeeld door € 79, oftewel 26.6 uur per maand besparen om de lopende kosten te dekken.
De drie scenario’s gebruiken 8, 28 en 59 bespaarde minuten per werkdag. We rekenen met 220 werkdagen per jaar. De formule is eenvoudig: minuten per dag maal 220, gedeeld door zestig, maal € 79. Daar gaan twaalf maanden van € 2100 vanaf.
Alleen tijd die werkelijk voor ander waardevol werk beschikbaar komt, telt mee. Een medewerker die een antwoord sneller ontvangt maar daarna even lang moet controleren, bespaart minder dan de klok op het eerste gezicht laat zien. Dat is geen teleurstelling, maar nuttige informatie om de workflow beter te maken.
De lage route past bij een rustige start met veel begeleiding. Het middenscenario hoort bij een stabiel proces met duidelijke instructies. Het hoge scenario vraagt regelmatig gebruik, weinig storingen en voldoende ander werk voor de vrijgekomen tijd. Een gezonde toepassing voelt ook in het middenscenario logisch.
Wat dit in de grotere beweging betekent
AI verschuift van één centrale chatbot naar een verzameling modellen die elk een taak krijgen. Bedrijven combineren cloudmodellen, lokale modellen en klassieke software. Daardoor worden routering, evaluatie en beheer minstens zo belangrijk als de naam op het model.
Voor modelbouwers ontstaat een interessant verdienmodel. Een goedkoop model kan enorm veel verkeer aantrekken. Een specialist verdient juist per moeilijke taak. Daarnaast komen inkomsten uit hosting, gereedschappen, beveiliging en ondersteuning. Lage tokenprijzen hoeven dus niet te betekenen dat de markt klein wordt; ze kunnen juist meer toepassingen mogelijk maken.
Voor chipmakers en cloudbedrijven groeit de markt breder dan alleen de grootste AI-labs. Grote labs kunnen eigen chips ontwikkelen. Duizenden banken, fabrikanten, ziekenhuizen en softwarebedrijven willen vooral een betrouwbare oplossing die snel werkt en goed wordt ondersteund. Die brede groep kan een tweede groeimotor vormen voor infrastructuurleveranciers.
Lokale inzet wordt daarbij steeds belangrijker. Sommige organisaties willen gevoelige data binnen de eigen omgeving houden of voorspelbare prestaties zonder internetafhankelijkheid. Andere kiezen bewust voor de cloud omdat beheer en schaalbaarheid daar eenvoudiger zijn. Hybride gebruik, een deel lokaal en een deel in de cloud, wordt daardoor heel logisch.
Dat vraagt ook om een prettige samenwerking tussen techniek en de mensen die het werk kennen. Een ontwikkelaar ziet of de koppeling stabiel is. Een vakspecialist herkent een overtuigend maar fout antwoord. De financieel verantwoordelijke ziet of de besparing echt op de rekening terugkomt. Wanneer die drie perspectieven vanaf het begin samenkomen, wordt een pilot sneller volwassen en hoeft niemand achteraf uit te leggen waarom een technisch succes zakelijk weinig oplevert.
Een goede evaluatieset mag daarom niet alleen uit makkelijke voorbeelden bestaan. Voeg drukke dagen, onvolledige documenten, tegenstrijdige instructies en vragen in gewoon Nederlands toe. Noteer ook wanneer het model netjes om hulp vraagt. Dat laatste is waardevol: een systeem dat zijn grens herkenbaar aangeeft, kan in de praktijk bruikbaarder zijn dan een model dat altijd vol vertrouwen een antwoord produceert.
Tot slot verdient de menselijke ervaring aandacht. Medewerkers accepteren AI sneller wanneer duidelijk is wat er met hun invoer gebeurt, hoe zij een fout kunnen herstellen en wie verantwoordelijk blijft. Een korte uitleg en een zichtbare terugknop leveren soms meer op dan nog een paar procent benchmarkwinst. Daarmee wordt de technologie niet alleen sneller, maar ook rustiger en betrouwbaarder in het dagelijks werk.
Wat kopers en beleggers nu kunnen volgen
Volg hoeveel bedrijven Nemotron in productie nemen, hoeveel via betaalde enterprise-software draaien en of Nvidia dezelfde ervaring op kleinere lokale systemen levert.
Kijk bij een leverancier vervolgens naar drie dingen. Hoeveel gebruik blijft na de proefperiode over? Hoeveel taken worden zonder kostbaar herstel afgerond? En verdient de leverancier naast rekenwerk ook aan software, ondersteuning of bedrijfscontracten? Samen zeggen die vragen meer over een duurzaam verdienmodel dan één benchmarkscore.
Voor inkopers helpt een klein register met model-ID, prijsdatum, licentie, regio, bewaartermijn en evaluatiescore. Voeg een maandlimiet en een alternatief model toe. Dan kan een team enthousiast experimenteren zonder de controle over kosten en gegevens te verliezen.
NVIDIA Nemotron 3.5 Lightning, Nemotron 3 Nano en Super hoeft niet alles te kunnen om waardevol te zijn. Geef het een duidelijke taak, meet een volledig resultaat en schaal op wanneer de rekensom werkt. Dan blijft de technologie begrijpelijk voor de gebruiker en serieus genoeg voor mensen die haar dagelijks bouwen.
Opmerkingen