Search this site

In het kort Gemini 4 Argon trekt de aandacht, maar aankondiging en brede API-toegang zijn niet hetzelfde. Voor de meeste bedrijven bepaalt de beschikbare Flash-laag voorlopig de echte rekensom. De actuele modelkaart en prijsdocumentatie zijn belangrijker dan een losse benchmark of productnaam. We rekenen terug vanaf de kosten en toetsen welke inzet in 2027, 2028 en 2029 nodig is. De conclusie is voorwaardelijk: alleen aantoonbaar geslaagde taken tellen mee. De AI-markt lijkt op het eerste gezicht steeds eenvoudiger. Iedere leverancier heeft een vlaggenschip, een goedkoper model en een indrukwekkende contextlengte. In de praktijk wordt de keuze juist lastiger. Toegang kan beperkt zijn, een introductietarief kan aflopen en open gewichten kunnen onder verschillende licenties vallen. De modelnaam is daarom hooguit het begin van het onderzoek. Bij Google Gemini draait de dragende vraag om het verschil tussen een aangekondigd topmodel en modellen die vandaag werkelijk via de API inzetbaar zijn. Dat is geen academisch verschil. Het bepaalt of een experiment ook als vaste dienst kan draaien, of de rekening beheersbaar blijft en hoeveel menselijk herstelwerk nodig is. Een goed model dat te vaak op de verkeerde taak wordt gezet, is economisch nog steeds een slechte keuze. Direct naar een onderdeel van dit artikel Wat er werkelijk beschikbaar is De techniek verandert de rekening De beslissende rekensom Drie jaar vooruit rekenen Waar het nog mis kan gaan Wat dit economisch betekent Wat er werkelijk beschikbaar is Google presenteerde Gemini 4 Argon eind september als zijn meest geavanceerde model, maar beperkte toegang is geen algemene beschikbaarheid. Er is nog geen breed publiek API-tarief waarmee een normaal bedrijf kan begroten. De praktische keuze ligt daarom bij Gemini 3.8 Flash en 3.1 Flash-Lite. Google vermeldt bij 3.8 Flash bovendien een introductietarief tot en met 31 december 2026. Een prijs van vandaag is dus niet vanzelf de prijs van 2027. De Google Gemini API-prijzen is daarbij het uitgangspunt. Google kondigde Gemini 4 Argon aan op 30 september 2026. De woorden algemeen beschikbaar, preview en beperkt toegankelijk horen niet op één hoop. Een aangekondigd model kan technisch bestaan zonder dat een normaal bedrijf het vandaag via een stabiele API kan afnemen. Andersom kan een downloadbaar model open gewichten bieden terwijl de licentie aanvullende voorwaarden stelt. Gratis proberen in een chatdienst geeft nog geen recht om het model zelf te hosten. Ook contextlengte vraagt nuchterheid. Een bovengrens van honderdduizenden of een miljoen tokens vertelt hoeveel invoer technisch mogelijk is. Zij zegt niet dat zoveel context snel, goedkoop of zorgvuldig wordt verwerkt. Lange prompts vergroten de prefilltijd, vragen cachegeheugen en kunnen relevante details tussen ruis laten verdwijnen. Voor een vergelijking moeten daarom dezelfde taak, dezelfde context en dezelfde succesdefinitie worden gebruikt. De techniek verandert de rekening Dit onderscheid is belangrijk voor productteams. Een demonstratie met Argon kan laten zien waar de grens van kwaliteit ligt. Een dienst moet intussen draaien op een model dat quota, facturering, responstijd en ondersteuning werkelijk biedt. Flash-Lite is geschikt voor grote volumes met duidelijke opdrachten. 3.8 Flash is duurder, maar kan complexere multimodale taken aan. Argon hoort pas in het budget wanneer toegang en voorwaarden bevestigd zijn. Dat maakt kosten per miljoen tokens nuttig, maar onvoldoende. De betere maat is kosten per succesvol afgeronde taak. Daarin horen input, output, redenering, gereedschap, cache, herhaalpogingen en menselijke controle. Wanneer een goedkoper model twee herstelrondes nodig heeft, kan de duurdere route alsnog winnen. Wanneer een topmodel een eenvoudige extractietaak niet beter uitvoert, betaalt een bedrijf alleen voor ongebruikte capaciteit. Voor lokale modellen komt daar een andere kostenlaag bij. Alle gewichten moeten in opslag en meestal in werkgeheugen beschikbaar zijn, ook wanneer een mixture-of-expertsmodel per token slechts een deel activeert. Quantisatie kan het beslag verlagen, maar kan kwaliteit en snelheid veranderen. Gelijktijdige gebruikers en lange context voegen KV-cache toe. Een model dat één keer op een werkstation antwoord geeft, is daarmee nog geen productiesysteem. De beslissende rekensom Voor een vergelijkbaar voorbeeld gebruiken we deze kostenbrug: 3.8 Flash € 30, 3.1 Flash-Lite € 11, Argon niet geprijsd. De waarden zijn afkomstig uit het gepubliceerde tarief of, waar geen controleerbaar tarief bestaat, uit een expliciet gemarkeerd eigen kostenbudget. Dat verschil is belangrijk. Een scenario-aanname is geen prijsclaim van de leverancier en een dollarbedrag is zonder belasting en wisselkoers geen Nederlandse factuur. De omgekeerde berekening begint niet bij een mooie benchmark, maar bij de vraag hoeveel productiviteit nodig is om € 360 per jaar terug te verdienen. Bij een interne waarde van € 55 per aantoonbaar bespaard uur is dat 6.5 uur per jaar. De formule is eenvoudig: jaarlijkse kosten gedeeld door € 55. De moeilijke stap is bewijzen dat die uren werkelijk vrijkomen bij gelijkblijvende kwaliteit. Een team moet daarom een vaste proefset gebruiken en per taak noteren of het eerste antwoord bruikbaar was, hoeveel correctietijd nodig was en of een mens dezelfde controle toch moest uitvoeren. Alleen het verschil met de bestaande werkwijze telt. Tijd die wel op papier wordt bespaard maar later terugkomt als herstelwerk, mag niet dubbel als voordeel worden geboekt. Drie jaar vooruit rekenen De scenario’s voor 2027 tot en met 2029 gebruiken drie niveaus van aantoonbaar bespaarde tijd en laten het volume jaarlijks met 12 procent groeien. Het lage scenario start bij 24 uur, het middenscenario bij 68 uur en het hoge bij 125 uur. De jaarlijkse kosten blijven bewust gelijk, zodat zichtbaar wordt welke benutting de doorslag geeft. Het zijn aannames, geen voorspellingen van gebruik of tarieven. De netto productiviteitswaarde is bespaarde uren maal € 55, minus de jaarlijkse kosten. Implementatie-uren in het eerste jaar horen daar in een echte businesscase nog vanaf. Hetzelfde geldt voor kwaliteitsverlies, uitval en extra gegevensbeheer. Een positieve uitkomst bewijst dus niet dat het model winst oplevert. Zij laat alleen zien hoeveel economische ruimte overblijft om die overige kosten op te vangen. Voor kleine teams kan de lage variant al ruim voldoende zijn wanneer de vaste kosten gering zijn. Bij eigen hardware of een omvangrijk abonnement ligt de drempel hoger en wordt bezettingsgraad doorslaggevend. Andersom kan een goedkoop API-model zo weinig kosten dat vooral foutpreventie telt. Dan is één vermeden uur herstelwerk meer waard dan een jaar aan tokens. Waar het nog mis kan gaan De grootste fout is een productbelofte baseren op een model dat nog niet algemeen te bestellen is. Ook het tijdelijke tarief van 3.8 Flash vraagt om een stresstest. Als input- of outputprijzen na 2026 wijzigen, kan een dunne marge verdwijnen. Daarnaast is een miljoen tokens context een bovengrens, geen aanbeveling om ieder document volledig mee te sturen. Daarnaast blijft leveranciersrisico bestaan. Modellen verdwijnen, aliassen verschuiven en prijzen kunnen veranderen. Een goede integratie bewaart prompts en evaluaties buiten het model, houdt een alternatieve route beschikbaar en legt vast welke versie op welk moment is gebruikt. Daardoor wordt een upgrade een gecontroleerde keuze in plaats van een verrassing in productie. Privacy verdient dezelfde concrete aanpak. Cloudgebruik vraagt duidelijkheid over opslag, training en gegevenslocatie. Lokale inzet voorkomt niet automatisch alle risico’s, want logbestanden, toegangsrechten en onveilige plug-ins kunnen gegevens alsnog blootleggen. Het juiste antwoord is dus niet altijd lokaal of altijd cloud. Het is een aantoonbare keuze per datastroom. Wat dit economisch betekent Voor bedrijven is Google Gemini interessant wanneer de gekozen route aantoonbaar beter past bij het werk dan een goedkoper of eenvoudiger alternatief. Dat bewijs komt uit eigen taken, niet uit één benchmark. Het minimum is een vergelijking van eerste-poging-succes, totale doorlooptijd, menselijk herstel en alle directe kosten. Pas daarna kan een groter contextvenster, een open licentie of een sterkere redeneermodus economische waarde krijgen. Voor beleggers ligt de les een niveau hoger. Lagere tokenprijzen kunnen het gebruik vergroten, maar leiden niet automatisch tot hogere winst bij de modelleverancier of chipmaker. Open modellen kunnen hardwarevraag stimuleren en tegelijk prijsdruk op API’s zetten. De waarde verschuift naar distributie, gereedschappen, datatoegang, betrouwbaarheid en capaciteit. Wie alleen naar de nieuwste modelnaam kijkt, mist precies het deel waar het verdienmodel wordt gemaakt. De nuchtere conclusie is daarom dat het verschil tussen een aangekondigd topmodel en modellen die vandaag werkelijk via de API inzetbaar zijn de keuze moet sturen. Begin met de kleinste route die de taak aantoonbaar goed afrondt. Schaal pas op wanneer de extra kwaliteit meer waard is dan de extra kosten. Zo blijft een indrukwekkend model een productiemiddel en wordt het geen dure demonstratie. Een maandelijkse herhaling van dezelfde proef maakt prijswijzigingen en kwaliteitsverschuivingen zichtbaar voordat ze de begroting of de dienstverlening raken. Dat kleine meetritme is uiteindelijk waardevoller dan een eenmalige ranglijst.

In het kort Llama gebruikt een eigen communitylicentie, Muse Glimmer Apache 2.0 en Muse Spark is vooral een dienst. De naam Meta zegt daardoor weinig over wat werkelijk downloadbaar en herbruikbaar is. De actuele modelkaart en prijsdocumentatie zijn belangrijker dan een losse benchmark of productnaam. We rekenen terug vanaf de kosten en toetsen welke inzet in 2027, 2028 en 2029 nodig is. De conclusie is voorwaardelijk: alleen aantoonbaar geslaagde taken tellen mee. De AI-markt lijkt op het eerste gezicht steeds eenvoudiger. Iedere leverancier heeft een vlaggenschip, een goedkoper model en een indrukwekkende contextlengte. In de praktijk wordt de keuze juist lastiger. Toegang kan beperkt zijn, een introductietarief kan aflopen en open gewichten kunnen onder verschillende licenties vallen. De modelnaam is daarom hooguit het begin van het onderzoek. Bij Meta Llama en Muse draait de dragende vraag om drie soorten openheid binnen één leverancier helder uit elkaar trekken. Dat is geen academisch verschil. Het bepaalt of een experiment ook als vaste dienst kan draaien, of de rekening beheersbaar blijft en hoeveel menselijk herstelwerk nodig is. Een goed model dat te vaak op de verkeerde taak wordt gezet, is economisch nog steeds een slechte keuze. Direct naar een onderdeel van dit artikel Wat er werkelijk beschikbaar is De techniek verandert de rekening De beslissende rekensom Drie jaar vooruit rekenen Waar het nog mis kan gaan Wat dit economisch betekent Wat er werkelijk beschikbaar is Meta brengt meerdere vormen van openheid onder één bedrijfsnaam samen. Llama 4 Maverick gebruikt de eigen Llama Community License. Muse Glimmer is volgens Meta’s onderzoeksbericht onder Apache 2.0 gepubliceerd. Muse Spark wordt vooral als model en dienst voor de persoonlijke Muse-agent gepresenteerd. Een gratis of toegankelijke dienst is niet hetzelfde als downloadbare gewichten. De Meta Llama-documentatie is daarbij het uitgangspunt. De woorden algemeen beschikbaar, preview en beperkt toegankelijk horen niet op één hoop. Een aangekondigd model kan technisch bestaan zonder dat een normaal bedrijf het vandaag via een stabiele API kan afnemen. Andersom kan een downloadbaar model open gewichten bieden terwijl de licentie aanvullende voorwaarden stelt. Gratis proberen in een chatdienst geeft nog geen recht om het model zelf te hosten. Ook contextlengte vraagt nuchterheid. Een bovengrens van honderdduizenden of een miljoen tokens vertelt hoeveel invoer technisch mogelijk is. Zij zegt niet dat zoveel context snel, goedkoop of zorgvuldig wordt verwerkt. Lange prompts vergroten de prefilltijd, vragen cachegeheugen en kunnen relevante details tussen ruis laten verdwijnen. Voor een vergelijking moeten daarom dezelfde taak, dezelfde context en dezelfde succesdefinitie worden gebruikt. De techniek verandert de rekening Voor een productteam bepaalt dat onderscheid wat later mogelijk blijft. Open gewichten maken zelf hosten en inspectie mogelijk. Een permissieve standaardlicentie zoals Apache 2.0 is eenvoudiger te beoordelen dan een eigen licentie met aanvullende voorwaarden. Een dienst kan intussen het snelst te integreren zijn, maar geeft de minste controle over versie en beschikbaarheid. Dat maakt kosten per miljoen tokens nuttig, maar onvoldoende. De betere maat is kosten per succesvol afgeronde taak. Daarin horen input, output, redenering, gereedschap, cache, herhaalpogingen en menselijke controle. Wanneer een goedkoper model twee herstelrondes nodig heeft, kan de duurdere route alsnog winnen. Wanneer een topmodel een eenvoudige extractietaak niet beter uitvoert, betaalt een bedrijf alleen voor ongebruikte capaciteit. Voor lokale modellen komt daar een andere kostenlaag bij. Alle gewichten moeten in opslag en meestal in werkgeheugen beschikbaar zijn, ook wanneer een mixture-of-expertsmodel per token slechts een deel activeert. Quantisatie kan het beslag verlagen, maar kan kwaliteit en snelheid veranderen. Gelijktijdige gebruikers en lange context voegen KV-cache toe. Een model dat één keer op een werkstation antwoord geeft, is daarmee nog geen productiesysteem. De beslissende rekensom Voor een vergelijkbaar voorbeeld gebruiken we deze kostenbrug: Juridische controle € 2.500, Technische evaluatie € 3.500, Productiekoppeling € 6.000. De waarden zijn afkomstig uit het gepubliceerde tarief of, waar geen controleerbaar tarief bestaat, uit een expliciet gemarkeerd eigen kostenbudget. Dat verschil is belangrijk. Een scenario-aanname is geen prijsclaim van de leverancier en een dollarbedrag is zonder belasting en wisselkoers geen Nederlandse factuur. De omgekeerde berekening begint niet bij een mooie benchmark, maar bij de vraag hoeveel productiviteit nodig is om € 12.000 per jaar terug te verdienen. Bij een interne waarde van € 55 per aantoonbaar bespaard uur is dat 218.2 uur per jaar. De formule is eenvoudig: jaarlijkse kosten gedeeld door € 55. De moeilijke stap is bewijzen dat die uren werkelijk vrijkomen bij gelijkblijvende kwaliteit. Een team moet daarom een vaste proefset gebruiken en per taak noteren of het eerste antwoord bruikbaar was, hoeveel correctietijd nodig was en of een mens dezelfde controle toch moest uitvoeren. Alleen het verschil met de bestaande werkwijze telt. Tijd die wel op papier wordt bespaard maar later terugkomt als herstelwerk, mag niet dubbel als voordeel worden geboekt. Drie jaar vooruit rekenen De scenario’s voor 2027 tot en met 2029 gebruiken drie niveaus van aantoonbaar bespaarde tijd en laten het volume jaarlijks met 12 procent groeien. Het lage scenario start bij 36 uur, het middenscenario bij 96 uur en het hoge bij 175 uur. De jaarlijkse kosten blijven bewust gelijk, zodat zichtbaar wordt welke benutting de doorslag geeft. Het zijn aannames, geen voorspellingen van gebruik of tarieven. De netto productiviteitswaarde is bespaarde uren maal € 55, minus de jaarlijkse kosten. Implementatie-uren in het eerste jaar horen daar in een echte businesscase nog vanaf. Hetzelfde geldt voor kwaliteitsverlies, uitval en extra gegevensbeheer. Een positieve uitkomst bewijst dus niet dat het model winst oplevert. Zij laat alleen zien hoeveel economische ruimte overblijft om die overige kosten op te vangen. Voor kleine teams kan de lage variant al ruim voldoende zijn wanneer de vaste kosten gering zijn. Bij eigen hardware of een omvangrijk abonnement ligt de drempel hoger en wordt bezettingsgraad doorslaggevend. Andersom kan een goedkoop API-model zo weinig kosten dat vooral foutpreventie telt. Dan is één vermeden uur herstelwerk meer waard dan een jaar aan tokens. Waar het nog mis kan gaan Het risico is een merknaam als juridisch label gebruiken. “Van Meta” betekent niet dat alle modellen dezelfde rechten bieden. Ook bij open gewichten blijven modelgrootte, hardware, veiligheidsmaatregelen en gegevensbescherming relevant. Wie op Muse Spark bouwt, moet bovendien bevestigen welke API werkelijk algemeen beschikbaar is en welke functies aan het consumentenproduct vastzitten. Daarnaast blijft leveranciersrisico bestaan. Modellen verdwijnen, aliassen verschuiven en prijzen kunnen veranderen. Een goede integratie bewaart prompts en evaluaties buiten het model, houdt een alternatieve route beschikbaar en legt vast welke versie op welk moment is gebruikt. Daardoor wordt een upgrade een gecontroleerde keuze in plaats van een verrassing in productie. Privacy verdient dezelfde concrete aanpak. Cloudgebruik vraagt duidelijkheid over opslag, training en gegevenslocatie. Lokale inzet voorkomt niet automatisch alle risico’s, want logbestanden, toegangsrechten en onveilige plug-ins kunnen gegevens alsnog blootleggen. Het juiste antwoord is dus niet altijd lokaal of altijd cloud. Het is een aantoonbare keuze per datastroom. Wat dit economisch betekent Voor bedrijven is Meta Llama en Muse interessant wanneer de gekozen route aantoonbaar beter past bij het werk dan een goedkoper of eenvoudiger alternatief. Dat bewijs komt uit eigen taken, niet uit één benchmark. Het minimum is een vergelijking van eerste-poging-succes, totale doorlooptijd, menselijk herstel en alle directe kosten. Pas daarna kan een groter contextvenster, een open licentie of een sterkere redeneermodus economische waarde krijgen. Voor beleggers ligt de les een niveau hoger. Lagere tokenprijzen kunnen het gebruik vergroten, maar leiden niet automatisch tot hogere winst bij de modelleverancier of chipmaker. Open modellen kunnen hardwarevraag stimuleren en tegelijk prijsdruk op API’s zetten. De waarde verschuift naar distributie, gereedschappen, datatoegang, betrouwbaarheid en capaciteit. Wie alleen naar de nieuwste modelnaam kijkt, mist precies het deel waar het verdienmodel wordt gemaakt. De nuchtere conclusie is daarom dat drie soorten openheid binnen één leverancier helder uit elkaar trekken de keuze moet sturen. Begin met de kleinste route die de taak aantoonbaar goed afrondt. Schaal pas op wanneer de extra kwaliteit meer waard is dan de extra kosten. Zo blijft een indrukwekkend model een productiemiddel en wordt het geen dure demonstratie. Een maandelijkse herhaling van dezelfde proef maakt prijswijzigingen en kwaliteitsverschuivingen zichtbaar voordat ze de begroting of de dienstverlening raken. Dat kleine meetritme is uiteindelijk waardevoller dan een eenmalige ranglijst.

In het kort ServiceNow wil met Otto een AI-assistent bouwen die niet alleen informatie opzoekt, maar ook werkzaamheden afhandelt. Dat kan waardevol zijn voor klanten, mits de uitvoering betrouwbaar is en voldoende tijd bespaart. De kwartaalcijfers tonen stevige groei, maar ook hogere kosten voor AI en aandelenbeloning. Bij $134,38 vraagt het aandeel daarom meer dan een overtuigende demonstratie: de commerciële opbrengst moet uiteindelijk per aandeel zichtbaar worden. Een medewerker vraagt om toegang tot software. Een chatbot kan uitleggen welk formulier daarvoor nodig is. Een nuttiger systeem regelt de aanvraag, controleert de rechten, vraagt toestemming aan de juiste manager en legt de beslissing vast. Precies op dat verschil richt ServiceNow zich met Otto. Dat klinkt als een logische volgende stap. Toch zit tussen een geslaagde demonstratie en een rendabele toepassing bij duizenden bedrijven veel werk. Oude computersystemen moeten meedoen, toegangsrechten moeten kloppen en iemand moet verantwoordelijk blijven wanneer de software een verkeerde handeling uitvoert. Daar liggen zowel de kans als de kosten voor ServiceNow. Direct naar een onderdeel van dit artikel Van antwoord naar afgerond werk Een grote voorsprong, maar geen vrijbrief De kwartaalcijfers laten beide kanten zien Wat blijft economisch over voor de aandeelhouder? Wat vraagt de huidige koers? Drie mogelijke paden tot eind 2029 Van antwoord naar afgerond werk ServiceNow introduceerde Otto op 5 mei 2026. Het bedrijf brengt daarmee onder meer Now Assist en de gebruikerservaring van Moveworks samen. De bedoeling is dat medewerkers via één ingang werk kunnen laten uitvoeren in verschillende bedrijfssystemen. Rechten, goedkeuringen en controleerbare vastlegging horen daarbij, niet pas achteraf. De economische waarde zit in afgeronde handelingen. Een korter antwoord is aardig; minder terugkerend werk kan een personeelsafdeling of IT-team werkelijk helpen. Stel dat een organisatie maandelijks 25.000 verzoeken afhandelt en AI daarvan 35% zelfstandig afrondt. Bij twaalf minuten besparing per verzoek gaat het om 1.750 uur per maand. Dat is een eigen rekenvoorbeeld, geen door ServiceNow aangetoond klantresultaat. Die uren zijn bovendien niet automatisch een kostenbesparing op de bankrekening. Medewerkers kunnen meer ander werk doen, een achterstand wegwerken of minder externe ondersteuning nodig hebben. Alleen als de organisatie die ruimte daadwerkelijk benut, ontstaat een voordeel dat een duurder softwarecontract kan rechtvaardigen. In de septemberinformatie over de Brazil Early Availability-release beschrijft ServiceNow verdere ondersteuning voor ontwikkelaars en het bouwen van toepassingen. De verschillende ontwikkelomgevingen worden dichter bij elkaar gebracht en AI kan helpen bij het maken en aanpassen van werkprocessen. Early Availability betekent dat een versie eerst beperkt beschikbaar komt; het is niet hetzelfde als brede ingebruikname door alle klanten. Dat onderscheid telt. Makkelijker software bouwen kan de implementatietijd verkorten, maar ook nieuwe controlewerkzaamheden opleveren. Een proces dat sneller wordt gemaakt, moet nog steeds veilig en juist werken. Het bewijs dat nu nodig is, bestaat uit kortere invoeringstrajecten, meer daadwerkelijke gebruikers en hogere contractverlengingen, bij voorkeur naast concrete klantresultaten. Een grote voorsprong, maar geen vrijbrief ServiceNow verkoopt voornamelijk abonnementen op software waarmee organisaties werkprocessen organiseren. Denk aan IT-storingen, personeelsaanvragen en klantservice. De aantrekkingskracht zit niet alleen in de losse toepassing, maar ook in de verbindingen tussen afdelingen en de gegevens over wat wanneer moet gebeuren. Een bedrijf dat zulke processen jarenlang heeft ingericht, stapt niet zomaar over. Een concurrent moet niet alleen betere antwoorden geven, maar ook alle verbindingen, rechten en uitzonderingen overnemen. Dat maakt bestaande klanten waardevol. Tegelijk bieden Microsoft, Salesforce en gespecialiseerde AI-bedrijven alternatieven. Een klant kan delen van het werk elders laten uitvoeren zonder zijn hele ServiceNow-omgeving te vervangen. In Rabi’s bespreking van de kwartaalcijfers van 22 juli staat de vraag centraal of de commerciële groei het vertrouwen in het platform ondersteunt. De productontwikkeling rond Otto maakt die vraag concreter: welke extra werkzaamheden willen klanten daadwerkelijk tegen betaling afnemen? Een tweede risico is dat AI het prijsmodel verandert. Wanneer minder medewerkers nodig zijn om een proces uit te voeren, kan een prijs per gebruiker onder druk komen. Betalen per afgeronde taak kan dat opvangen, maar brengt variabele gebruikskosten mee. Het bedrijf moet daarom niet alleen meer AI verkopen, maar ook zorgen dat de opbrengst sneller groeit dan de rekenkosten. De kwartaalcijfers laten beide kanten zien Bij de kwartaalcijfers van 22 juli rapporteerde ServiceNow $3,987 miljard omzet over het tweede kwartaal, 24% meer dan een jaar eerder. De abonnementsomzet bedroeg $3,877 miljard en groeide 24,5%. Zonder wisselkoerseffecten was die groei 23%. De kortlopende resterende contractverplichtingen, oftewel cRPO, kwamen uit op $13,2 miljard. Dat is de contractwaarde die naar verwachting binnen twaalf maanden als omzet wordt verantwoord. De groei bedroeg 21,5% bij constante valuta. Zo’n maatstaf geeft zicht op toekomstige omzet, maar is geen bedrag dat vandaag volledig als winst of kasgeld beschikbaar is. Bij de introductie van Otto meldde ServiceNow dat EmployeeWorks in de eerste maand zes overeenkomsten had gesloten met elk meer dan $1 miljoen nieuwe jaarlijkse contractwaarde. Dat is commercieel interessant, maar contractwaarde is nog geen erkende omzet. Omzet wordt toegerekend aan de periode waarin de dienstverlening plaatsvindt. Bij gefaseerde activering van nieuwe abonnementen kan het volledige jaarbedrag pas later zichtbaar worden. De omzetgroei van één kwartaal mag ook niet zomaar worden doorgetrokken. ServiceNow meldde dat bepaalde Amerikaanse overheidsverkopen van software voor eigen servers eerder vielen dan verwacht. De middenwaarde van de jaarverwachting voor abonnementsomzet ging slechts $15 miljoen omhoog, naar een bandbreedte van $15,760 tot $15,780 miljard. Aan de kostenkant daalde de aangepaste brutomarge op abonnementen van 83% naar 80,5%. De brutomarge is het deel van de omzet dat overblijft na de directe kosten van de dienstverlening. AI-infrastructuur en overnames spelen daarbij een rol. De gerapporteerde brutomarge bedroeg 73,5%; die ligt lager doordat de aangepaste maatstaf bepaalde kosten buiten beschouwing laat. Even tussendoor: als je dit interessant vindt, dit is precies wat we dagelijks doen om jou en andere beleggers te helpen. Word nu lid en krijg 50 procent korting met de code GRAAG. Wat blijft economisch over voor de aandeelhouder? ServiceNow verwacht voor heel 2026 een aangepaste vrije-kasstroommarge van 35%. Vrije kasstroom is grofweg het geld uit de bedrijfsvoering na investeringen in vaste activa. Die 35% heeft betrekking op de totale omzet, niet uitsluitend op abonnementen. Het is bovendien een door het bedrijf aangepaste maatstaf. In het tweede kwartaal bedroeg de operationele kasstroom $587 miljoen. De aangepaste vrije kasstroom kwam op $634 miljoen uit, mede door een bijtelling van $161 miljoen voor kosten rond overnames. De bedragen zijn daardoor niet rechtstreeks uitwisselbaar. Ook de aandelenbeloning van $655 miljoen verdient aandacht: personeel ontvangt aandelen in plaats van alleen geld, waardoor een deel van de beloning niet als directe kasuitgave zichtbaar is. Voor de waardering gebruik ik hier eigenaarskasstroom: vrije kasstroom na een economische aftrek voor aandelenbeloning. Dat is een eigen rekenmaatstaf, geen door ServiceNow gerapporteerde winst. Het model houdt vervolgens het aantal aandelen constant op 1,04 miljard. Er volgt dus niet nóg een aftrek voor dezelfde verwatering of een extra kostenpost voor compenserende aandeleninkoop. Zo wordt de aandelenbeloning één keer verwerkt. Lees ook: Deze SaaS-bedrijven worden dood verklaard maar lijken springlevend. Daar wordt uitgelegd waarom bestaande werkprocessen en klantrelaties belangrijk blijven wanneer AI het softwaremodel verandert. Wat vraagt de huidige koers? Het gewone aandeel ServiceNow, ISIN US81762P1021, sloot op 2 oktober om 16.00 uur New Yorkse tijd op $134,38 op de NYSE. De koers is in Amerikaanse dollars en aangepast aan de aandelensplitsing van vijf voor één die in december 2025 inging. De gebruikte toekomstige aandelenbasis sluit daarop aan. Bij 27 keer eigenaarskasstroom en een gewenst jaarlijks koersrendement van 10% moet eind 2029 ongeveer $7,05 miljard eigenaarskasstroom beschikbaar zijn. De rekensom is $134,38 × 1,10 tot de macht 3,24 × 1,04 miljard aandelen, gedeeld door 27. Dividend speelt in deze berekening geen rol en kasmiddelen worden niet als aparte bonus opgeteld. Dat vereiste bedrag is stevig. Bij $26,8 miljard omzet zou daarvoor een eigenaarskasstroommarge van ruim 26% nodig zijn. Het middenscenario hieronder rekent met 22%, dus met ongeveer $5,90 miljard. Het verschil maakt duidelijk dat sterke omzetgroei op zichzelf onvoldoende is om elk gewenst rendement vanaf deze koers te dragen. Drie mogelijke paden tot eind 2029 De scenario’s gebruiken voor ieder kalenderjaar de totale omzet, een eigen eigenaarskasstroommarge en een waarderingsmultiple. De formule luidt: omzet × eigenaarskasstroommarge × multiple, gedeeld door 1,04 miljard aandelen. De marges zijn nadrukkelijk geen kopie van de aangepaste bedrijfsverwachting van 35%. In het bearscenario vertraagt de groei en blijven AI en uitvoering duur. Omzet van $16,5, $17,5 en $18,5 miljard, een marge van telkens 14% en multiples van 20, 18 en 16 leiden tot $44,42, $42,40 en $39,85 eind 2027, 2028 en 2029. Dat is een zware herwaardering, maar juist daarom relevant bij een aandeel waarvoor veel toekomstige groei wordt betaald. Het middenpad gebruikt omzet van $19,1, $22,7 en $26,8 miljard, marges van 18%, 20% en 22% en multiples van 29, 28 en 27. Dat geeft $95,87, $122,23 en $153,07. In het gunstige pad groeit de omzet naar $20, $24,8 en $31 miljard, met marges van 24%, 26% en 28%. Multiples van 34, 34 en 33 leveren $156,92, $210,80 en $275,42 op. De sterkste reden voor optimisme is dat ServiceNow al midden in de werkprocessen van grote organisaties zit. Betrouwbare AI kan die positie waardevoller maken. De stevigste tegenwerping is dat dezelfde klant meer automatisering krijgt zonder evenredig meer te betalen, terwijl ServiceNow wel meer rekencapaciteit en ondersteuning moet financieren. Bij de volgende cijfers verdienen daarom drie dingen samen aandacht: extra contractgroei, de marge op de dienstverlening en de economische kasstroom per aandeel. Otto hoeft geen perfecte demonstratie te geven. Het moet aantoonbaar genoeg nuttig werk afronden om ook een gezonde rekening achter te laten. Foto: Bill McDermott tijdens SapphireNow in 2010, toen hij bij SAP werkte. Tom Raftery, via Wikimedia Commons, CC BY-SA 2.0. Archiefbeeld.

In het kort Nike wil met Pace 2.5 tot en met boekjaar 2031 cumulatief $2,5 miljard besparen. Dat is geen jaarlijkse winsttoename en er staan reorganisatiekosten en herinvesteringen tegenover. De recente cijfers tonen lagere verkopen, vooral bij de eigen digitale kanalen, terwijl de brutomarge iets herstelde. Bij $33,87 per aandeel is een tegenvallend jaar duidelijk zichtbaar in de koers, maar een geloofwaardig herstel van de winst blijft nodig. Kosten schrappen kan snel een aantrekkelijk getal opleveren. Een sterker merk bouwen duurt langer. Nike probeert beide tegelijk te doen: de organisatie goedkoper maken en consumenten opnieuw overtuigen dat zijn schoenen en kleding de gevraagde prijs waard zijn. De publicatie van 1 oktober over het eerste kwartaal van boekjaar 2027 maakt duidelijk hoe lastig die combinatie is. De kwartaalomzet daalde 4% naar $11,21 miljard. Nike Direct kromp 8% en de digitale omzet 13%. De brutomarge verbeterde wel naar 42,8%, mede door lagere logistieke kosten. Dat is kostenvooruitgang, maar nog geen bewijs dat de vraag herstelt. Direct naar een onderdeel van dit artikel Pace 2.5 heeft een lange looptijd en een rekening vooraf Het verdienmodel draait op merk, product en distributie samen China test hoe sterk het merk werkelijk is De balans geeft tijd, dividend verbruikt een deel daarvan De koers vraagt nog steeds om winstherstel Drie mogelijke herstelpaden Pace 2.5 heeft een lange looptijd en een rekening vooraf Het besparingsprogramma mikt op $2,5 miljard cumulatief tot en met boekjaar 2031. Cumulatief betekent dat bedragen over meerdere jaren worden opgeteld. Een jaarlijkse besparing van $500 miljoen gedurende vijf jaar telt bijvoorbeeld op tot $2,5 miljard. Het is dus verkeerd om direct $2,5 miljard extra jaarwinst in een waardering te stoppen. Nike verwacht daarnaast ongeveer $1 miljard aan lasten vóór belasting voor de uitvoering. Een deel van de besparingen kan terugvloeien naar productontwikkeling, marketing of andere investeringen. Dat maakt de economische opbrengst afhankelijk van timing en keuzes: hoeveel kosten verdwijnen echt, wanneer gebeurt dat en welk deel blijft uiteindelijk bij aandeelhouders? Neem een eigen rekenvoorbeeld met $500 miljoen terugkerende jaarbesparing. Als 45% wordt herbelegd en over de resterende winst 22% belasting wordt betaald, blijft ongeveer $215 miljoen nettowinst over. Bij circa 1,48 miljard aandelen is dat ongeveer $0,14 per aandeel. Een groot besparingsbedrag in een persbericht kan een veel kleinere toevoeging aan de winst per aandeel worden. Dat betekent niet dat het programma onbelangrijk is. Een lagere vaste kostenbasis maakt Nike weerbaarder als de omzet tegenvalt. Maar kostenreductie heeft grenzen. Minder marketing kan de verkoop schaden, te weinig ontwikkeling kan nieuwe producten vertragen en een verzwakte organisatie kan juist fouten maken in distributie of voorraadbeheer. Het verdienmodel draait op merk, product en distributie samen Nike ontwerpt en verkoopt sportproducten, waarbij veel productie bij externe fabrikanten ligt. De onderneming probeert waarde toe te voegen met productontwikkeling, merkbekendheid, sportrelaties en distributie. Daardoor is de bereidheid van consumenten om de volle prijs te betalen belangrijk. Een eigen verkoopkanaal kan meer omzet per verkocht product opleveren dan levering aan een winkelpartner. Nike moet dan wel zelf meer betalen voor winkels, fulfilment, retouren, technologie en klantenwerving. Een hogere brutomarge is daarom niet automatisch een hogere nettomarge. Die laatste is wat na alle kosten en belasting overblijft. De terugval in Nike Direct maakt dat relevant. Het herstel vraagt een evenwicht tussen eigen kanalen en partners die Nike zichtbaar maken voor klanten. Een winkelier biedt assortiment, advies en bereik. Als Nike te veel nadruk legt op zijn eigen kanaal, kunnen concurrenten de vrijgekomen schapruimte innemen. Dat effect kan langer duren dan één kwartaal. In Rabi's Nike-analyse uit juni 2024 stonden zwakke digitale verkoop en de verhouding tot groothandelspartners al centraal. De huidige cijfers maken die oude discussie opnieuw relevant. De toenmalige koersen, verwachtingen en besparingsplannen horen bij hun eigen datum en zijn niet de uitgangspunten voor deze waardering. China test hoe sterk het merk werkelijk is Een internationaal merk kan niet overal dezelfde aanpak herhalen. Lokale concurrenten kennen hun klanten, reageren op voorkeuren en kunnen aantrekkelijk geprijsde producten aanbieden. Nike moet zijn wereldwijde schaal daarom combineren met relevantie per markt. China vormt daarbij een belangrijke herstelproef. Als eigen winkels en digitale kanalen duur blijven terwijl de verkoop daalt, worden vaste kosten over minder omzet verdeeld. Een verkoopdaling van 22% in een regio die vóór die daling 11% van de groepsomzet vertegenwoordigt, kost in een geïsoleerd rekenvoorbeeld ongeveer 2,4% groepsomzet. Het effect op de winst kan groter zijn wanneer huur, personeel en campagnes niet even snel worden aangepast. Het gewicht van 11% in dit voorbeeld is een scenario-invoer, geen reconstructie van Nike's volledige vergelijkbare regio-omzet. Valuta en veranderingen in de andere regio's blijven buiten de berekening. De bedoeling is om het vastekostenprobleem zichtbaar te maken: een kleinere regio kan relatief veel druk op de groepswinst geven. Nike kan daarop reageren met betere producten, aangepaste distributie en minder overtollige voorraad. Maar meer promoties kunnen de verkoop tijdelijk helpen en tegelijk de prijskracht verder aantasten. De kwaliteit van het herstel blijkt daarom uit verkoop tegen gezonde prijzen, niet alleen uit meer verkochte paren. De balans geeft tijd, dividend verbruikt een deel daarvan Eind augustus had Nike $8,37 miljard cash en kortlopende beleggingen tegenover ongeveer $7,89 miljard kort- en langlopende schuld. Dat biedt ruimte om de ombouw te financieren, maar de onderneming heeft ook voorraden, operationele verplichtingen en reorganisatie-uitgaven. De volledige cashvoorraad is dus geen vrij beschikbare bonus boven op een winstwaardering. Het kwartaaldividend bedroeg $0,41 per aandeel. Vier keer dat bedrag zou bij $33,87 ongeveer 4,8% uitkeringsrendement betekenen, mits de uitkering gelijk blijft. Dat percentage is geen toezegging. Het jaarlijkse bedrag van $1,64 ligt bovendien boven de huidige bedrijfsverwachting voor de aangepaste jaarwinst per aandeel. Een herstel dat langer duurt, zet daarmee ook de afweging tussen dividend, investeringen en financiële ruimte onder druk. Dit is een ander risico dan een onmiddellijke liquiditeitscrisis. Een bedrijf kan een periode meer uitkeren dan het verdient. De vraag is hoelang dat verstandig blijft en of het ten koste gaat van de investeringen die het herstel juist mogelijk moeten maken. De koers vraagt nog steeds om winstherstel De analyse gebruikt NIKE Class B, NYSE NKE, ISIN US6541061031. Op 2 oktober 2026 om 16.00 uur New Yorkse tijd sloot het aandeel op $33,87. Alle scenario's hieronder zijn in dollars. Nike gaf voor boekjaar 2027 een aangepaste winstverwachting van $1,15 tot $1,35 per aandeel. Die sluit ongeveer $0,15 aan reorganisatielasten uit. Een eenvoudige vertaling komt daarmee uit op circa $1,00 tot $1,20 gerapporteerde winst. Het huidige aandeel kost dan ongeveer 28 tot 34 keer die gerapporteerde winst. Een lage koers vergeleken met het verleden is dus niet hetzelfde als een lage prijs voor de winst van nu. Bij een waardering van 23 keer winst vraagt $33,87 ongeveer $1,47 winst per aandeel. Voor 10% jaarlijks koersrendement tot eind 2029 moet de koers ongeveer $46,13 worden en is bij dezelfde multiple ongeveer $2,01 winst nodig. Dat is de omgekeerde waarderingsvraag: welk herstel moet eerst plaatsvinden voordat het gewenste rendement logisch wordt? Bij $43 miljard omzet en 1,48 miljard verwaterde aandelen vraagt $2,01 winst per aandeel ongeveer 6,9% nettomarge. Dat kan niet uitsluitend worden afgeleid uit de besparingsdoelstelling. Productmix, volumes, prijzen, marketing en belasting bepalen samen of die marge haalbaar is. Aandeleninkoop kan de winst per aandeel ondersteunen, maar alleen wanneer de onderneming daar geld voor over heeft. Een vergelijkbare les over volume en winst per klant staat in Rabi's analyse van Ryanair. Meer passagiers maakten lagere ticketprijzen niet ongedaan. Bij Nike zijn extra verkopen evenmin voldoende als daarvoor telkens meer korting nodig is. Pak je kans! Word lid met de code GRAAG en krijg 50 procent korting. Lees ook: Nike aandelen kelderen op de beurs maar is het een koopmoment?, de eerdere uitleg over productvernieuwing en de balans tussen eigen verkoop en winkelpartners. Drie mogelijke herstelpaden Hoe gevoelig de uitkomst is, wordt zichtbaar wanneer het winstherstel en de prijs die beleggers daarvoor betalen apart worden ingevuld. De koersen zijn scenario's voor eind kalenderjaar 2027, 2028 en 2029, gewaardeerd op de gerapporteerde winst van het gelijknamige Nike-boekjaar. Dat boekjaar eindigt in mei. Het bearpad gebruikt winst per aandeel van $1,10, $1,19 en $1,23 met multiples van achttien, zeventien en zestien. Dat levert $19,80, $20,23 en $19,68 op. Het middenpad veronderstelt $1,15, $1,65 en $2,15 winst per aandeel, gewaardeerd tegen 25, 24 en 23 keer winst: $28,75, $39,60 en $49,45. Het gunstige pad vraagt $1,20, $2,05 en $2,85 winst tegen 28, 28 en 27 keer winst: $33,60, $57,40 en $76,95. Inkoop en verwatering zitten al in de winst per aandeel; cash en dividend worden niet nogmaals aan deze koersen toegevoegd. Vanaf $33,87 betekent het middenpad tot eind 2029 ongeveer 12,4% jaarlijks koersrendement, exclusief dividend. Maar het pad laat eerst een kwetsbaar jaar zien. Er is geen reden waarom de markt geduldig moet wachten wanneer het herstel van omzet en merk achterblijft. De komende kwartalen moet Nike laten zien dat kostenbeheersing en productkracht elkaar versterken. Een dalende kostenbasis is behulpzaam. Stabielere directe verkopen, minder afhankelijkheid van promoties en een betere regionale ontwikkeling zouden meer zeggen over de houdbaarheid. Wie vandaag koopt, betaalt voor die combinatie. Pace 2.5 kan haar ondersteunen, maar niet vervangen. Foto: Nike, Elliott Hill, officiële bedrijfsfoto.

In het kort Micron sloot boekjaar 2026 af met $133,2 miljard omzet, $85,0 miljard nettowinst en $74,33 GAAP-winst per aandeel. De koers van $1.074,89 lijkt daardoor op ongeveer veertien tot vijftien keer die jaarwinst goedkoop. Dat beeld is onvolledig. De brutomarge lag in het vierde kwartaal rond 87 procent, geheugenprijzen stegen door schaarste en klanten legden financiële toezeggingen vast. Wie piekwinst als normale winst gebruikt, kan een cyclisch aandeel precies op het verkeerde moment goedkoop noemen. De cijfers in het aangeleverde artikel bevatten de juiste richting, maar de echte vraag is niet of Micron hard groeit. Dat staat buiten kijf. De vraag is hoeveel van die winst overblijft wanneer meer capaciteit beschikbaar komt, klanten efficiënter inkopen en geheugenchips weer meer op een handelsproduct gaan lijken. Micron verkoopt DRAM, NAND en high-bandwidth memory. HBM is gestapeld geheugen dat grote hoeveelheden data heel snel naar een AI-chip verplaatst. Zonder genoeg HBM staat een dure GPU vaker te wachten. Daardoor werd geheugen van bijzaak tot een van de belangrijkste knelpunten in AI-datacenters. Direct naar een onderdeel van dit artikel Recordjaar met een ongebruikelijke marge Fabrieken lossen schaarste op en maken haar tegelijk gevaarlijk Goedkoop op welke winst? Wat kan het verhaal alsnog sterker maken? De meetlat voor de komende kwartalen Recordjaar met een ongebruikelijke marge Bij de cijfers van 30 september meldde Micron dat de omzet in boekjaar 2026 uitkwam op $133,19 miljard. De operationele kasstroom bedroeg $89,68 miljard. Na $27,37 miljard netto-investeringen bleef volgens de eigen aangepaste definitie $62,31 miljard vrije kasstroom over. Dit zijn uitzonderlijke bedragen voor een onderneming die in eerdere cycli verlies kon lijden. Brutomarge betekent wat na de directe productiekosten van elke omzetdollar overblijft. In het vierde kwartaal hield Micron ongeveer 87 cent over. Dat is geen klein verschil met een normale geheugencyclus. Op $110 miljard omzet is tien procentpunt marge gelijk aan $11 miljard extra brutowinst. Daarom kan winst veel sneller dalen dan omzet wanneer prijzen normaliseren. Sanjay Mehrotra zei dat het aanbod ook in boekjaar 2027 en 2028 krap kan blijven. Micron sloot 26 strategische klantovereenkomsten en kreeg daarbij ongeveer $32 miljard aan financiële toezeggingen. Dat helpt om fabrieken te financieren en vraag zichtbaarder te maken. Toch is een toezegging geen garantie voor dezelfde verkoopprijs of marge in elk toekomstig kwartaal. Contractvoorwaarden, volumes en prijsformules bepalen hoeveel risico echt naar klanten wordt verschoven. In onze eerdere sectoranalyse van Micron en SK Hynix stond al waarom geheugenaandelen heftiger bewegen dan de onderliggende vraag. Het uitgebreidere stuk over Micron, HBM en de waarderingscyclus biedt context bij de concurrentie met SK Hynix en Samsung. Fabrieken lossen schaarste op en maken haar tegelijk gevaarlijk De hoge vrije kasstroom geeft Micron ruimte om nieuwe capaciteit te bouwen zonder meteen grote hoeveelheden aandelen uit te geven. Dat is gunstig voor bestaande aandeelhouders. Tegelijk is capaciteit precies wat op termijn de schaarste kan breken. Geheugenfabrieken kosten miljarden en reageren langzaam. Daardoor komt nieuw aanbod vaak pas beschikbaar wanneer de markt al verandert. De kasstroombrug hieronder begint bij de gerapporteerde operationele kasstroom en netto-investeringen van boekjaar 2026. De overige kasuitgaven zijn een eigen invoer. Het verschil laat zien hoe groot de buffer nu is, maar niet hoe duurzaam die is. Een eenvoudige vergelijking helpt. Een bakker met één oven kan bij schaarste meer voor brood vragen. Als alle bakkers tegelijk nieuwe ovens bestellen, komt de capaciteit later online. Dan ontstaat ineens te veel brood en daalt de prijs. Bij geheugen duurt die bouwcyclus langer en zijn de bedragen veel groter, maar de economische logica lijkt erop. Goedkoop op welke winst? De koers van $1.074,89 op Nasdaq op 2 oktober gedeeld door $74,33 jaarwinst levert ongeveer 14,5 keer de winst op. Dat is lager dan veel groeiaandelen. Alleen vertelt die verhouding niets over de kwaliteit van de winstbasis. Als de winst in een neergang terugvalt naar $30 per aandeel, is dezelfde koers ruim 35 keer die lagere winst. De reverse valuation laat zien hoeveel winst in 2029 nodig is om een gewenst rendement te halen. Bij 8 procent koersrendement en een eindwaardering van twaalf keer de winst is ongeveer $113,78 winst per aandeel nodig. Dat ligt ruim boven de recordwinst van boekjaar 2026. Kies een lagere multiple en de benodigde winst stijgt verder. De scenario's gebruiken daarom geen rechte groeilijn. In het bearpad daalt de winst via $50 naar $30 terwijl de waardering iets herstelt. In het middenpad blijft de winst sterk, maar normaliseert zij na een piek. Alleen het gunstige pad veronderstelt dat HBM-schaarste en prijsdiscipline langdurig samengaan. Wat kan het verhaal alsnog sterker maken? Het beste optimistische argument is dat AI structureel meer geheugen per systeem vraagt. Nieuwe acceleratorgeneraties gebruiken meer HBM en servermakers plaatsen ook meer traditioneel DRAM en opslag. Wanneer Micron technologisch bijblijft en klanten een groter deel van de fabrieksrekening vooraf dragen, kan deze cyclus langer en winstgevender zijn dan eerdere cycli. Het sterke tegenargument is dat hoge prijzen hun eigen oplossing financieren. Klanten optimaliseren modellen, concurrenten vergroten capaciteit en alternatieve architecturen verlagen het geheugengebruik per taak. Ook kan vraag uit smartphones of pc's afkoelen wanneer hogere componentprijzen bij consumenten terechtkomen. De meetlat voor de komende kwartalen Vier cijfers verdienen extra aandacht. De eerste is de HBM-omzet, liefst samen met volumes zodat prijs en hoeveelheid uit elkaar blijven. De tweede is de brutomarge per kwartaal. Een lichte daling vanaf 87 procent kan normaal zijn, maar een snelle terugval vertelt dat prijsdiscipline eerder breekt dan verwacht. De derde is de verhouding tussen investeringen en operationele kasstroom. Zolang kasstroom de fabrieksrekening ruim dekt, blijft de balans sterk. De vierde is klantfinanciering. Let niet alleen op de toegezegde $32 miljard, maar op ontvangen kas, voorwaarden en prijsverplichtingen. Zo wordt zichtbaar welk deel van de cyclus Micron heeft vastgezet en welk deel marktprijsrisico blijft. Even tussendoor: als je dit interessant vindt, dit is precies wat we dagelijks doen om jou en andere beleggers te helpen. Word nu lid en krijg 50 procent korting met de code GRAAG. Micron is dus niet automatisch duur, maar de lage koers-winstverhouding is evenmin automatisch een koopje. De kernvraag is hoeveel winst het bedrijf in een normaal jaar verdient. Zolang de brutomarge historisch extreem blijft, is voorzichtigheid met het woord normaal geen pessimisme maar gewoon goede waarderingshygiëne.

In het kort MiniMax koppelt zijn modellen aan tokenplannen met verschillende gelijktijdigheid. Daardoor bepaalt wachttijd bij agenttaken mede wat een abonnement werkelijk waard is. De actuele modelkaart en prijsdocumentatie zijn belangrijker dan een losse benchmark of productnaam. We rekenen terug vanaf de kosten en toetsen welke inzet in 2027, 2028 en 2029 nodig is. De conclusie is voorwaardelijk: alleen aantoonbaar geslaagde taken tellen mee. De AI-markt lijkt op het eerste gezicht steeds eenvoudiger. Iedere leverancier heeft een vlaggenschip, een goedkoper model en een indrukwekkende contextlengte. In de praktijk wordt de keuze juist lastiger. Toegang kan beperkt zijn, een introductietarief kan aflopen en open gewichten kunnen onder verschillende licenties vallen. De modelnaam is daarom hooguit het begin van het onderzoek. Bij MiniMax draait de dragende vraag om concurrency als economische producteigenschap naast tokenprijs. Dat is geen academisch verschil. Het bepaalt of een experiment ook als vaste dienst kan draaien, of de rekening beheersbaar blijft en hoeveel menselijk herstelwerk nodig is. Een goed model dat te vaak op de verkeerde taak wordt gezet, is economisch nog steeds een slechte keuze. Direct naar een onderdeel van dit artikel Wat er werkelijk beschikbaar is De techniek verandert de rekening De beslissende rekensom Drie jaar vooruit rekenen Waar het nog mis kan gaan Wat dit economisch betekent Wat er werkelijk beschikbaar is MiniMax verkoopt voor M3 en M2.7 niet alleen losse tokens, maar ook plannen waarin de toegestane gelijktijdigheid verschilt. De onderzochte planpagina toont niveaus met drie tot zeven gelijktijdige verzoeken. Dat lijkt technisch, maar wordt financieel zodra agents minutenlang bezig zijn. Een goedkoop plan dat werk in een wachtrij zet, kan dure medewerkers of klanten laten wachten. De MiniMax Token Plan is daarbij het uitgangspunt. De woorden algemeen beschikbaar, preview en beperkt toegankelijk horen niet op één hoop. Een aangekondigd model kan technisch bestaan zonder dat een normaal bedrijf het vandaag via een stabiele API kan afnemen. Andersom kan een downloadbaar model open gewichten bieden terwijl de licentie aanvullende voorwaarden stelt. Gratis proberen in een chatdienst geeft nog geen recht om het model zelf te hosten. Ook contextlengte vraagt nuchterheid. Een bovengrens van honderdduizenden of een miljoen tokens vertelt hoeveel invoer technisch mogelijk is. Zij zegt niet dat zoveel context snel, goedkoop of zorgvuldig wordt verwerkt. Lange prompts vergroten de prefilltijd, vragen cachegeheugen en kunnen relevante details tussen ruis laten verdwijnen. Voor een vergelijking moeten daarom dezelfde taak, dezelfde context en dezelfde succesdefinitie worden gebruikt. De techniek verandert de rekening Concurrency is iets anders dan snelheid. Zeven gelijktijdige verzoeken betekenen niet dat één verzoek sneller klaar is. Het betekent dat meer taken naast elkaar mogen lopen. Voor een nachtelijke batch kan drie genoeg zijn. Voor een support- of coderingsagent tijdens kantooruren kan de wachtrij bij een piek juist de hele businesscase bepalen. De beste planlaag volgt daarom uit aankomstpatroon en taakduur. Dat maakt kosten per miljoen tokens nuttig, maar onvoldoende. De betere maat is kosten per succesvol afgeronde taak. Daarin horen input, output, redenering, gereedschap, cache, herhaalpogingen en menselijke controle. Wanneer een goedkoper model twee herstelrondes nodig heeft, kan de duurdere route alsnog winnen. Wanneer een topmodel een eenvoudige extractietaak niet beter uitvoert, betaalt een bedrijf alleen voor ongebruikte capaciteit. Voor lokale modellen komt daar een andere kostenlaag bij. Alle gewichten moeten in opslag en meestal in werkgeheugen beschikbaar zijn, ook wanneer een mixture-of-expertsmodel per token slechts een deel activeert. Quantisatie kan het beslag verlagen, maar kan kwaliteit en snelheid veranderen. Gelijktijdige gebruikers en lange context voegen KV-cache toe. Een model dat één keer op een werkstation antwoord geeft, is daarmee nog geen productiesysteem. De beslissende rekensom Voor een vergelijkbaar voorbeeld gebruiken we deze kostenbrug: 3 gelijktijdig € 36, 5 gelijktijdig € 60, 7 gelijktijdig € 84. De waarden zijn afkomstig uit het gepubliceerde tarief of, waar geen controleerbaar tarief bestaat, uit een expliciet gemarkeerd eigen kostenbudget. Dat verschil is belangrijk. Een scenario-aanname is geen prijsclaim van de leverancier en een dollarbedrag is zonder belasting en wisselkoers geen Nederlandse factuur. De omgekeerde berekening begint niet bij een mooie benchmark, maar bij de vraag hoeveel productiviteit nodig is om € 6.000 per jaar terug te verdienen. Bij een interne waarde van € 55 per aantoonbaar bespaard uur is dat 109.1 uur per jaar. De formule is eenvoudig: jaarlijkse kosten gedeeld door € 55. De moeilijke stap is bewijzen dat die uren werkelijk vrijkomen bij gelijkblijvende kwaliteit. Een team moet daarom een vaste proefset gebruiken en per taak noteren of het eerste antwoord bruikbaar was, hoeveel correctietijd nodig was en of een mens dezelfde controle toch moest uitvoeren. Alleen het verschil met de bestaande werkwijze telt. Tijd die wel op papier wordt bespaard maar later terugkomt als herstelwerk, mag niet dubbel als voordeel worden geboekt. Drie jaar vooruit rekenen De scenario’s voor 2027 tot en met 2029 gebruiken drie niveaus van aantoonbaar bespaarde tijd en laten het volume jaarlijks met 12 procent groeien. Het lage scenario start bij 40 uur, het middenscenario bij 110 uur en het hoge bij 190 uur. De jaarlijkse kosten blijven bewust gelijk, zodat zichtbaar wordt welke benutting de doorslag geeft. Het zijn aannames, geen voorspellingen van gebruik of tarieven. De netto productiviteitswaarde is bespaarde uren maal € 55, minus de jaarlijkse kosten. Implementatie-uren in het eerste jaar horen daar in een echte businesscase nog vanaf. Hetzelfde geldt voor kwaliteitsverlies, uitval en extra gegevensbeheer. Een positieve uitkomst bewijst dus niet dat het model winst oplevert. Zij laat alleen zien hoeveel economische ruimte overblijft om die overige kosten op te vangen. Voor kleine teams kan de lage variant al ruim voldoende zijn wanneer de vaste kosten gering zijn. Bij eigen hardware of een omvangrijk abonnement ligt de drempel hoger en wordt bezettingsgraad doorslaggevend. Andersom kan een goedkoop API-model zo weinig kosten dat vooral foutpreventie telt. Dan is één vermeden uur herstelwerk meer waard dan een jaar aan tokens. Waar het nog mis kan gaan Een abonnement nodigt uit tot denken in “onbeperkt”, terwijl voorwaarden, tokenlimieten en fair-usegrenzen kunnen blijven gelden. Bovendien is een plan geen garantie dat een model een taak in één keer goed uitvoert. Het team moet zowel doorvoer als correctheid meten en een uitwijkroute houden voor pieken of storingen. Daarnaast blijft leveranciersrisico bestaan. Modellen verdwijnen, aliassen verschuiven en prijzen kunnen veranderen. Een goede integratie bewaart prompts en evaluaties buiten het model, houdt een alternatieve route beschikbaar en legt vast welke versie op welk moment is gebruikt. Daardoor wordt een upgrade een gecontroleerde keuze in plaats van een verrassing in productie. Privacy verdient dezelfde concrete aanpak. Cloudgebruik vraagt duidelijkheid over opslag, training en gegevenslocatie. Lokale inzet voorkomt niet automatisch alle risico’s, want logbestanden, toegangsrechten en onveilige plug-ins kunnen gegevens alsnog blootleggen. Het juiste antwoord is dus niet altijd lokaal of altijd cloud. Het is een aantoonbare keuze per datastroom. Wat dit economisch betekent Voor bedrijven is MiniMax interessant wanneer de gekozen route aantoonbaar beter past bij het werk dan een goedkoper of eenvoudiger alternatief. Dat bewijs komt uit eigen taken, niet uit één benchmark. Het minimum is een vergelijking van eerste-poging-succes, totale doorlooptijd, menselijk herstel en alle directe kosten. Pas daarna kan een groter contextvenster, een open licentie of een sterkere redeneermodus economische waarde krijgen. Voor beleggers ligt de les een niveau hoger. Lagere tokenprijzen kunnen het gebruik vergroten, maar leiden niet automatisch tot hogere winst bij de modelleverancier of chipmaker. Open modellen kunnen hardwarevraag stimuleren en tegelijk prijsdruk op API’s zetten. De waarde verschuift naar distributie, gereedschappen, datatoegang, betrouwbaarheid en capaciteit. Wie alleen naar de nieuwste modelnaam kijkt, mist precies het deel waar het verdienmodel wordt gemaakt. De nuchtere conclusie is daarom dat concurrency als economische producteigenschap naast tokenprijs de keuze moet sturen. Begin met de kleinste route die de taak aantoonbaar goed afrondt. Schaal pas op wanneer de extra kwaliteit meer waard is dan de extra kosten. Zo blijft een indrukwekkend model een productiemiddel en wordt het geen dure demonstratie. Een maandelijkse herhaling van dezelfde proef maakt prijswijzigingen en kwaliteitsverschuivingen zichtbaar voordat ze de begroting of de dienstverlening raken. Dat kleine meetritme is uiteindelijk waardevoller dan een eenmalige ranglijst.

In het kort Kimi K3 mikt op langdurige programmeer- en agenttaken. De hogere tokenprijs verdient zich alleen terug wanneer het aantal herstelrondes werkelijk daalt. De actuele modelkaart en prijsdocumentatie zijn belangrijker dan een losse benchmark of productnaam. We rekenen terug vanaf de kosten en toetsen welke inzet in 2027, 2028 en 2029 nodig is. De conclusie is voorwaardelijk: alleen aantoonbaar geslaagde taken tellen mee. De AI-markt lijkt op het eerste gezicht steeds eenvoudiger. Iedere leverancier heeft een vlaggenschip, een goedkoper model en een indrukwekkende contextlengte. In de praktijk wordt de keuze juist lastiger. Toegang kan beperkt zijn, een introductietarief kan aflopen en open gewichten kunnen onder verschillende licenties vallen. De modelnaam is daarom hooguit het begin van het onderzoek. Bij Kimi van Moonshot draait de dragende vraag om kosten per succesvol afgeronde lange taak in plaats van prijs per miljoen tokens. Dat is geen academisch verschil. Het bepaalt of een experiment ook als vaste dienst kan draaien, of de rekening beheersbaar blijft en hoeveel menselijk herstelwerk nodig is. Een goed model dat te vaak op de verkeerde taak wordt gezet, is economisch nog steeds een slechte keuze. Direct naar een onderdeel van dit artikel Wat er werkelijk beschikbaar is De techniek verandert de rekening De beslissende rekensom Drie jaar vooruit rekenen Waar het nog mis kan gaan Wat dit economisch betekent Wat er werkelijk beschikbaar is Moonshot positioneert Kimi K3 als vlaggenschip voor langdurige code- en agenttaken. De documentatie noemt native beeldinvoer en een contextvenster van een miljoen tokens. Kimi K2.6 blijft daarnaast beschikbaar voor tekst, beeld en video, met thinking- en non-thinkingmodi. Een OpenAI-compatibele API verlaagt de integratiedrempel, maar zegt niets over de slagingskans van een eigen taak. De Kimi API-overzicht is daarbij het uitgangspunt. De woorden algemeen beschikbaar, preview en beperkt toegankelijk horen niet op één hoop. Een aangekondigd model kan technisch bestaan zonder dat een normaal bedrijf het vandaag via een stabiele API kan afnemen. Andersom kan een downloadbaar model open gewichten bieden terwijl de licentie aanvullende voorwaarden stelt. Gratis proberen in een chatdienst geeft nog geen recht om het model zelf te hosten. Ook contextlengte vraagt nuchterheid. Een bovengrens van honderdduizenden of een miljoen tokens vertelt hoeveel invoer technisch mogelijk is. Zij zegt niet dat zoveel context snel, goedkoop of zorgvuldig wordt verwerkt. Lange prompts vergroten de prefilltijd, vragen cachegeheugen en kunnen relevante details tussen ruis laten verdwijnen. Voor een vergelijking moeten daarom dezelfde taak, dezelfde context en dezelfde succesdefinitie worden gebruikt. De techniek verandert de rekening Bij lange taken is prijs per miljoen tokens een slechte eindmaat. Stel dat een goedkope route drie pogingen nodig heeft en K3 één. Dan kunnen hogere tokenprijzen toch een lagere kostprijs per geslaagde taak opleveren. Het omgekeerde geldt ook: als beide routes even vaak slagen, betaalt een team vooral voor ongebruikte topcapaciteit. De juiste test telt voltooide taken, herstelrondes en menselijke nacontrole. Dat maakt kosten per miljoen tokens nuttig, maar onvoldoende. De betere maat is kosten per succesvol afgeronde taak. Daarin horen input, output, redenering, gereedschap, cache, herhaalpogingen en menselijke controle. Wanneer een goedkoper model twee herstelrondes nodig heeft, kan de duurdere route alsnog winnen. Wanneer een topmodel een eenvoudige extractietaak niet beter uitvoert, betaalt een bedrijf alleen voor ongebruikte capaciteit. Voor lokale modellen komt daar een andere kostenlaag bij. Alle gewichten moeten in opslag en meestal in werkgeheugen beschikbaar zijn, ook wanneer een mixture-of-expertsmodel per token slechts een deel activeert. Quantisatie kan het beslag verlagen, maar kan kwaliteit en snelheid veranderen. Gelijktijdige gebruikers en lange context voegen KV-cache toe. Een model dat één keer op een werkstation antwoord geeft, is daarmee nog geen productiesysteem. De beslissende rekensom Voor een vergelijkbaar voorbeeld gebruiken we deze kostenbrug: K3 één poging € 240, Goedkoper model drie pogingen € 180, Menselijk herstel bij 10 missers € 550. De waarden zijn afkomstig uit het gepubliceerde tarief of, waar geen controleerbaar tarief bestaat, uit een expliciet gemarkeerd eigen kostenbudget. Dat verschil is belangrijk. Een scenario-aanname is geen prijsclaim van de leverancier en een dollarbedrag is zonder belasting en wisselkoers geen Nederlandse factuur. De omgekeerde berekening begint niet bij een mooie benchmark, maar bij de vraag hoeveel productiviteit nodig is om € 2.880 per jaar terug te verdienen. Bij een interne waarde van € 55 per aantoonbaar bespaard uur is dat 52.4 uur per jaar. De formule is eenvoudig: jaarlijkse kosten gedeeld door € 55. De moeilijke stap is bewijzen dat die uren werkelijk vrijkomen bij gelijkblijvende kwaliteit. Een team moet daarom een vaste proefset gebruiken en per taak noteren of het eerste antwoord bruikbaar was, hoeveel correctietijd nodig was en of een mens dezelfde controle toch moest uitvoeren. Alleen het verschil met de bestaande werkwijze telt. Tijd die wel op papier wordt bespaard maar later terugkomt als herstelwerk, mag niet dubbel als voordeel worden geboekt. Drie jaar vooruit rekenen De scenario’s voor 2027 tot en met 2029 gebruiken drie niveaus van aantoonbaar bespaarde tijd en laten het volume jaarlijks met 12 procent groeien. Het lage scenario start bij 32 uur, het middenscenario bij 84 uur en het hoge bij 150 uur. De jaarlijkse kosten blijven bewust gelijk, zodat zichtbaar wordt welke benutting de doorslag geeft. Het zijn aannames, geen voorspellingen van gebruik of tarieven. De netto productiviteitswaarde is bespaarde uren maal € 55, minus de jaarlijkse kosten. Implementatie-uren in het eerste jaar horen daar in een echte businesscase nog vanaf. Hetzelfde geldt voor kwaliteitsverlies, uitval en extra gegevensbeheer. Een positieve uitkomst bewijst dus niet dat het model winst oplevert. Zij laat alleen zien hoeveel economische ruimte overblijft om die overige kosten op te vangen. Voor kleine teams kan de lage variant al ruim voldoende zijn wanneer de vaste kosten gering zijn. Bij eigen hardware of een omvangrijk abonnement ligt de drempel hoger en wordt bezettingsgraad doorslaggevend. Andersom kan een goedkoop API-model zo weinig kosten dat vooral foutpreventie telt. Dan is één vermeden uur herstelwerk meer waard dan een jaar aan tokens. Waar het nog mis kan gaan Een contextvenster van een miljoen tokens is geen opdracht om een volledige codebasis ongefilterd te versturen. Lange context verhoogt de kosten en kan relevante informatie juist verdunnen. Ook video-invoer kan extra verwerking vragen die niet in een simpele tekstberekening past. De vergelijking moet daarom dezelfde taak, context en succesdefinitie gebruiken. Daarnaast blijft leveranciersrisico bestaan. Modellen verdwijnen, aliassen verschuiven en prijzen kunnen veranderen. Een goede integratie bewaart prompts en evaluaties buiten het model, houdt een alternatieve route beschikbaar en legt vast welke versie op welk moment is gebruikt. Daardoor wordt een upgrade een gecontroleerde keuze in plaats van een verrassing in productie. Privacy verdient dezelfde concrete aanpak. Cloudgebruik vraagt duidelijkheid over opslag, training en gegevenslocatie. Lokale inzet voorkomt niet automatisch alle risico’s, want logbestanden, toegangsrechten en onveilige plug-ins kunnen gegevens alsnog blootleggen. Het juiste antwoord is dus niet altijd lokaal of altijd cloud. Het is een aantoonbare keuze per datastroom. Wat dit economisch betekent Voor bedrijven is Kimi van Moonshot interessant wanneer de gekozen route aantoonbaar beter past bij het werk dan een goedkoper of eenvoudiger alternatief. Dat bewijs komt uit eigen taken, niet uit één benchmark. Het minimum is een vergelijking van eerste-poging-succes, totale doorlooptijd, menselijk herstel en alle directe kosten. Pas daarna kan een groter contextvenster, een open licentie of een sterkere redeneermodus economische waarde krijgen. Voor beleggers ligt de les een niveau hoger. Lagere tokenprijzen kunnen het gebruik vergroten, maar leiden niet automatisch tot hogere winst bij de modelleverancier of chipmaker. Open modellen kunnen hardwarevraag stimuleren en tegelijk prijsdruk op API’s zetten. De waarde verschuift naar distributie, gereedschappen, datatoegang, betrouwbaarheid en capaciteit. Wie alleen naar de nieuwste modelnaam kijkt, mist precies het deel waar het verdienmodel wordt gemaakt. De nuchtere conclusie is daarom dat kosten per succesvol afgeronde lange taak in plaats van prijs per miljoen tokens de keuze moet sturen. Begin met de kleinste route die de taak aantoonbaar goed afrondt. Schaal pas op wanneer de extra kwaliteit meer waard is dan de extra kosten. Zo blijft een indrukwekkend model een productiemiddel en wordt het geen dure demonstratie. Een maandelijkse herhaling van dezelfde proef maakt prijswijzigingen en kwaliteitsverschuivingen zichtbaar voordat ze de begroting of de dienstverlening raken. Dat kleine meetritme is uiteindelijk waardevoller dan een eenmalige ranglijst.

In het kort Grok 4.7 combineert een groot contextvenster met zoekfuncties op X. Juist die gereedschapskosten kunnen bij nieuwsmonitoring groter worden dan de taalmodelrekening. De actuele modelkaart en prijsdocumentatie zijn belangrijker dan een losse benchmark of productnaam. We rekenen terug vanaf de kosten en toetsen welke inzet in 2027, 2028 en 2029 nodig is. De conclusie is voorwaardelijk: alleen aantoonbaar geslaagde taken tellen mee. De AI-markt lijkt op het eerste gezicht steeds eenvoudiger. Iedere leverancier heeft een vlaggenschip, een goedkoper model en een indrukwekkende contextlengte. In de praktijk wordt de keuze juist lastiger. Toegang kan beperkt zijn, een introductietarief kan aflopen en open gewichten kunnen onder verschillende licenties vallen. De modelnaam is daarom hooguit het begin van het onderzoek. Bij Grok draait de dragende vraag om de verborgen kosten van X Search bij actuele nieuws- en marktmonitoring. Dat is geen academisch verschil. Het bepaalt of een experiment ook als vaste dienst kan draaien, of de rekening beheersbaar blijft en hoeveel menselijk herstelwerk nodig is. Een goed model dat te vaak op de verkeerde taak wordt gezet, is economisch nog steeds een slechte keuze. Direct naar een onderdeel van dit artikel Wat er werkelijk beschikbaar is De techniek verandert de rekening De beslissende rekensom Drie jaar vooruit rekenen Waar het nog mis kan gaan Wat dit economisch betekent Wat er werkelijk beschikbaar is xAI positioneert Grok 4.7 als zijn vlaggenschip voor code en chat. De documentatie noemt een contextvenster van 500.000 tokens en een basistarief van $2 per miljoen inputtokens en $6 per miljoen outputtokens. Dat klinkt overzichtelijk. Nieuwsmonitoring gebruikt echter vaak X Search. Sinds 21 september 2026 wordt daar volgens de officiële prijsdocumentatie per verwerkt bericht en profiel voor gerekend, niet simpelweg per zoekopdracht. De xAI-prijsdocumentatie is daarbij het uitgangspunt. De genoemde prijzen golden op 5 oktober 2026. De woorden algemeen beschikbaar, preview en beperkt toegankelijk horen niet op één hoop. Een aangekondigd model kan technisch bestaan zonder dat een normaal bedrijf het vandaag via een stabiele API kan afnemen. Andersom kan een downloadbaar model open gewichten bieden terwijl de licentie aanvullende voorwaarden stelt. Gratis proberen in een chatdienst geeft nog geen recht om het model zelf te hosten. Ook contextlengte vraagt nuchterheid. Een bovengrens van honderdduizenden of een miljoen tokens vertelt hoeveel invoer technisch mogelijk is. Zij zegt niet dat zoveel context snel, goedkoop of zorgvuldig wordt verwerkt. Lange prompts vergroten de prefilltijd, vragen cachegeheugen en kunnen relevante details tussen ruis laten verdwijnen. Voor een vergelijking moeten daarom dezelfde taak, dezelfde context en dezelfde succesdefinitie worden gebruikt. De techniek verandert de rekening Daardoor ontstaat een kostenbrug met twee tellers. De modelrekening groeit met tokens. De zoekrekening groeit met het aantal opgehaalde berichten en profielen. Een brede zoekopdracht die veel ruis ophaalt kan dus goedkoop samenvatten, maar duur verzamelen. Een smalle query, deduplicatie en een limiet per bron leveren vaak meer op dan een goedkoper taalmodel kiezen. Dat maakt kosten per miljoen tokens nuttig, maar onvoldoende. De betere maat is kosten per succesvol afgeronde taak. Daarin horen input, output, redenering, gereedschap, cache, herhaalpogingen en menselijke controle. Wanneer een goedkoper model twee herstelrondes nodig heeft, kan de duurdere route alsnog winnen. Wanneer een topmodel een eenvoudige extractietaak niet beter uitvoert, betaalt een bedrijf alleen voor ongebruikte capaciteit. Voor lokale modellen komt daar een andere kostenlaag bij. Alle gewichten moeten in opslag en meestal in werkgeheugen beschikbaar zijn, ook wanneer een mixture-of-expertsmodel per token slechts een deel activeert. Quantisatie kan het beslag verlagen, maar kan kwaliteit en snelheid veranderen. Gelijktijdige gebruikers en lange context voegen KV-cache toe. Een model dat één keer op een werkstation antwoord geeft, is daarmee nog geen productiesysteem. De beslissende rekensom Voor een vergelijkbaar voorbeeld gebruiken we deze kostenbrug: Grok-tokens € 64, X Search € 16, Totaal € 80. De waarden zijn afkomstig uit het gepubliceerde tarief of, waar geen controleerbaar tarief bestaat, uit een expliciet gemarkeerd eigen kostenbudget. Dat verschil is belangrijk. Een scenario-aanname is geen prijsclaim van de leverancier en een dollarbedrag is zonder belasting en wisselkoers geen Nederlandse factuur. De omgekeerde berekening begint niet bij een mooie benchmark, maar bij de vraag hoeveel productiviteit nodig is om € 960 per jaar terug te verdienen. Bij een interne waarde van € 55 per aantoonbaar bespaard uur is dat 17.5 uur per jaar. De formule is eenvoudig: jaarlijkse kosten gedeeld door € 55. De moeilijke stap is bewijzen dat die uren werkelijk vrijkomen bij gelijkblijvende kwaliteit. Een team moet daarom een vaste proefset gebruiken en per taak noteren of het eerste antwoord bruikbaar was, hoeveel correctietijd nodig was en of een mens dezelfde controle toch moest uitvoeren. Alleen het verschil met de bestaande werkwijze telt. Tijd die wel op papier wordt bespaard maar later terugkomt als herstelwerk, mag niet dubbel als voordeel worden geboekt. Drie jaar vooruit rekenen De scenario’s voor 2027 tot en met 2029 gebruiken drie niveaus van aantoonbaar bespaarde tijd en laten het volume jaarlijks met 12 procent groeien. Het lage scenario start bij 28 uur, het middenscenario bij 74 uur en het hoge bij 132 uur. De jaarlijkse kosten blijven bewust gelijk, zodat zichtbaar wordt welke benutting de doorslag geeft. Het zijn aannames, geen voorspellingen van gebruik of tarieven. De netto productiviteitswaarde is bespaarde uren maal € 55, minus de jaarlijkse kosten. Implementatie-uren in het eerste jaar horen daar in een echte businesscase nog vanaf. Hetzelfde geldt voor kwaliteitsverlies, uitval en extra gegevensbeheer. Een positieve uitkomst bewijst dus niet dat het model winst oplevert. Zij laat alleen zien hoeveel economische ruimte overblijft om die overige kosten op te vangen. Voor kleine teams kan de lage variant al ruim voldoende zijn wanneer de vaste kosten gering zijn. Bij eigen hardware of een omvangrijk abonnement ligt de drempel hoger en wordt bezettingsgraad doorslaggevend. Andersom kan een goedkoop API-model zo weinig kosten dat vooral foutpreventie telt. Dan is één vermeden uur herstelwerk meer waard dan een jaar aan tokens. Waar het nog mis kan gaan Actualiteit is geen synoniem voor betrouwbaarheid. X bevat vroege signalen, maar ook geruchten, herhaalde berichten en gemanipuleerde context. Een goede workflow haalt weinig, relevante posts op en controleert belangrijke claims bij een primaire bron. Wie alleen de tokenprijs optimaliseert, kan zowel financieel als journalistiek de verkeerde kant op sturen. Daarnaast blijft leveranciersrisico bestaan. Modellen verdwijnen, aliassen verschuiven en prijzen kunnen veranderen. Een goede integratie bewaart prompts en evaluaties buiten het model, houdt een alternatieve route beschikbaar en legt vast welke versie op welk moment is gebruikt. Daardoor wordt een upgrade een gecontroleerde keuze in plaats van een verrassing in productie. Privacy verdient dezelfde concrete aanpak. Cloudgebruik vraagt duidelijkheid over opslag, training en gegevenslocatie. Lokale inzet voorkomt niet automatisch alle risico’s, want logbestanden, toegangsrechten en onveilige plug-ins kunnen gegevens alsnog blootleggen. Het juiste antwoord is dus niet altijd lokaal of altijd cloud. Het is een aantoonbare keuze per datastroom. Wat dit economisch betekent Voor bedrijven is Grok interessant wanneer de gekozen route aantoonbaar beter past bij het werk dan een goedkoper of eenvoudiger alternatief. Dat bewijs komt uit eigen taken, niet uit één benchmark. Het minimum is een vergelijking van eerste-poging-succes, totale doorlooptijd, menselijk herstel en alle directe kosten. Pas daarna kan een groter contextvenster, een open licentie of een sterkere redeneermodus economische waarde krijgen. Voor beleggers ligt de les een niveau hoger. Lagere tokenprijzen kunnen het gebruik vergroten, maar leiden niet automatisch tot hogere winst bij de modelleverancier of chipmaker. Open modellen kunnen hardwarevraag stimuleren en tegelijk prijsdruk op API’s zetten. De waarde verschuift naar distributie, gereedschappen, datatoegang, betrouwbaarheid en capaciteit. Wie alleen naar de nieuwste modelnaam kijkt, mist precies het deel waar het verdienmodel wordt gemaakt. De nuchtere conclusie is daarom dat de verborgen kosten van X Search bij actuele nieuws- en marktmonitoring de keuze moet sturen. Begin met de kleinste route die de taak aantoonbaar goed afrondt. Schaal pas op wanneer de extra kwaliteit meer waard is dan de extra kosten. Zo blijft een indrukwekkend model een productiemiddel en wordt het geen dure demonstratie. Een maandelijkse herhaling van dezelfde proef maakt prijswijzigingen en kwaliteitsverschuivingen zichtbaar voordat ze de begroting of de dienstverlening raken. Dat kleine meetritme is uiteindelijk waardevoller dan een eenmalige ranglijst.

In het kort GLM-5.3 is als open-weightmodel te hosten en tegelijk als beheerde dienst verkrijgbaar. Dat maakt de keuze minder ideologisch en vooral operationeel. De actuele modelkaart en prijsdocumentatie zijn belangrijker dan een losse benchmark of productnaam. We rekenen terug vanaf de kosten en toetsen welke inzet in 2027, 2028 en 2029 nodig is. De conclusie is voorwaardelijk: alleen aantoonbaar geslaagde taken tellen mee. De AI-markt lijkt op het eerste gezicht steeds eenvoudiger. Iedere leverancier heeft een vlaggenschip, een goedkoper model en een indrukwekkende contextlengte. In de praktijk wordt de keuze juist lastiger. Toegang kan beperkt zijn, een introductietarief kan aflopen en open gewichten kunnen onder verschillende licenties vallen. De modelnaam is daarom hooguit het begin van het onderzoek. Bij GLM van Z.ai draait de dragende vraag om open gewichten combineren met een beheerde API en bepalen waar de operationele grens ligt. Dat is geen academisch verschil. Het bepaalt of een experiment ook als vaste dienst kan draaien, of de rekening beheersbaar blijft en hoeveel menselijk herstelwerk nodig is. Een goed model dat te vaak op de verkeerde taak wordt gezet, is economisch nog steeds een slechte keuze. Direct naar een onderdeel van dit artikel Wat er werkelijk beschikbaar is De techniek verandert de rekening De beslissende rekensom Drie jaar vooruit rekenen Waar het nog mis kan gaan Wat dit economisch betekent Wat er werkelijk beschikbaar is Z.ai’s GLM-5.3 is een open-weightmodel dat sinds 15 september ook als algemeen beschikbare beheerde dienst wordt aangeboden. De onderzochte hostingroute vermeldt een contextvenster van een miljoen tokens, maximaal 128.000 outputtokens en tarieven van $1,40 voor input en $4,40 voor output per miljoen tokens. Beeldinvoer wordt daar niet ondersteund. Dat laatste voorkomt dat “multimodaal” achteloos op de hele familie wordt geplakt. De Mistral-hostingdocumentatie voor GLM-5.3 is daarbij het uitgangspunt. De woorden algemeen beschikbaar, preview en beperkt toegankelijk horen niet op één hoop. Een aangekondigd model kan technisch bestaan zonder dat een normaal bedrijf het vandaag via een stabiele API kan afnemen. Andersom kan een downloadbaar model open gewichten bieden terwijl de licentie aanvullende voorwaarden stelt. Gratis proberen in een chatdienst geeft nog geen recht om het model zelf te hosten. Ook contextlengte vraagt nuchterheid. Een bovengrens van honderdduizenden of een miljoen tokens vertelt hoeveel invoer technisch mogelijk is. Zij zegt niet dat zoveel context snel, goedkoop of zorgvuldig wordt verwerkt. Lange prompts vergroten de prefilltijd, vragen cachegeheugen en kunnen relevante details tussen ruis laten verdwijnen. Voor een vergelijking moeten daarom dezelfde taak, dezelfde context en dezelfde succesdefinitie worden gebruikt. De techniek verandert de rekening Open gewichten en een API zijn geen tegenpolen. Een bedrijf kan met de beheerde route beginnen en later gevoelige of voorspelbare volumes zelf hosten. De winst zit in keuzevrijheid, maar alleen als prompts, evaluaties en uitvoerformaten overdraagbaar blijven. Een provider-specifieke toollaag kan die vrijheid alsnog verkleinen. Dat maakt kosten per miljoen tokens nuttig, maar onvoldoende. De betere maat is kosten per succesvol afgeronde taak. Daarin horen input, output, redenering, gereedschap, cache, herhaalpogingen en menselijke controle. Wanneer een goedkoper model twee herstelrondes nodig heeft, kan de duurdere route alsnog winnen. Wanneer een topmodel een eenvoudige extractietaak niet beter uitvoert, betaalt een bedrijf alleen voor ongebruikte capaciteit. Voor lokale modellen komt daar een andere kostenlaag bij. Alle gewichten moeten in opslag en meestal in werkgeheugen beschikbaar zijn, ook wanneer een mixture-of-expertsmodel per token slechts een deel activeert. Quantisatie kan het beslag verlagen, maar kan kwaliteit en snelheid veranderen. Gelijktijdige gebruikers en lange context voegen KV-cache toe. Een model dat één keer op een werkstation antwoord geeft, is daarmee nog geen productiesysteem. De beslissende rekensom Voor een vergelijkbaar voorbeeld gebruiken we deze kostenbrug: Input € 28, Output € 18, Totaal € 46. De waarden zijn afkomstig uit het gepubliceerde tarief of, waar geen controleerbaar tarief bestaat, uit een expliciet gemarkeerd eigen kostenbudget. Dat verschil is belangrijk. Een scenario-aanname is geen prijsclaim van de leverancier en een dollarbedrag is zonder belasting en wisselkoers geen Nederlandse factuur. De omgekeerde berekening begint niet bij een mooie benchmark, maar bij de vraag hoeveel productiviteit nodig is om € 547 per jaar terug te verdienen. Bij een interne waarde van € 55 per aantoonbaar bespaard uur is dat 9.9 uur per jaar. De formule is eenvoudig: jaarlijkse kosten gedeeld door € 55. De moeilijke stap is bewijzen dat die uren werkelijk vrijkomen bij gelijkblijvende kwaliteit. Een team moet daarom een vaste proefset gebruiken en per taak noteren of het eerste antwoord bruikbaar was, hoeveel correctietijd nodig was en of een mens dezelfde controle toch moest uitvoeren. Alleen het verschil met de bestaande werkwijze telt. Tijd die wel op papier wordt bespaard maar later terugkomt als herstelwerk, mag niet dubbel als voordeel worden geboekt. Drie jaar vooruit rekenen De scenario’s voor 2027 tot en met 2029 gebruiken drie niveaus van aantoonbaar bespaarde tijd en laten het volume jaarlijks met 12 procent groeien. Het lage scenario start bij 26 uur, het middenscenario bij 72 uur en het hoge bij 130 uur. De jaarlijkse kosten blijven bewust gelijk, zodat zichtbaar wordt welke benutting de doorslag geeft. Het zijn aannames, geen voorspellingen van gebruik of tarieven. De netto productiviteitswaarde is bespaarde uren maal € 55, minus de jaarlijkse kosten. Implementatie-uren in het eerste jaar horen daar in een echte businesscase nog vanaf. Hetzelfde geldt voor kwaliteitsverlies, uitval en extra gegevensbeheer. Een positieve uitkomst bewijst dus niet dat het model winst oplevert. Zij laat alleen zien hoeveel economische ruimte overblijft om die overige kosten op te vangen. Voor kleine teams kan de lage variant al ruim voldoende zijn wanneer de vaste kosten gering zijn. Bij eigen hardware of een omvangrijk abonnement ligt de drempel hoger en wordt bezettingsgraad doorslaggevend. Andersom kan een goedkoop API-model zo weinig kosten dat vooral foutpreventie telt. Dan is één vermeden uur herstelwerk meer waard dan een jaar aan tokens. Waar het nog mis kan gaan Zelf hosten geeft meer controle, maar ook verantwoordelijkheid voor beveiliging, beschikbaarheid en updates. Een miljoen tokens context vraagt veel KV-cache, vooral bij meerdere gelijktijdige gebruikers. De open gewichten bewijzen evenmin dat iedere commerciële toepassing onbeperkt is. De concrete licentie en eventuele modelkaartvoorwaarden blijven leidend. Daarnaast blijft leveranciersrisico bestaan. Modellen verdwijnen, aliassen verschuiven en prijzen kunnen veranderen. Een goede integratie bewaart prompts en evaluaties buiten het model, houdt een alternatieve route beschikbaar en legt vast welke versie op welk moment is gebruikt. Daardoor wordt een upgrade een gecontroleerde keuze in plaats van een verrassing in productie. Privacy verdient dezelfde concrete aanpak. Cloudgebruik vraagt duidelijkheid over opslag, training en gegevenslocatie. Lokale inzet voorkomt niet automatisch alle risico’s, want logbestanden, toegangsrechten en onveilige plug-ins kunnen gegevens alsnog blootleggen. Het juiste antwoord is dus niet altijd lokaal of altijd cloud. Het is een aantoonbare keuze per datastroom. Wat dit economisch betekent Voor bedrijven is GLM van Z.ai interessant wanneer de gekozen route aantoonbaar beter past bij het werk dan een goedkoper of eenvoudiger alternatief. Dat bewijs komt uit eigen taken, niet uit één benchmark. Het minimum is een vergelijking van eerste-poging-succes, totale doorlooptijd, menselijk herstel en alle directe kosten. Pas daarna kan een groter contextvenster, een open licentie of een sterkere redeneermodus economische waarde krijgen. Voor beleggers ligt de les een niveau hoger. Lagere tokenprijzen kunnen het gebruik vergroten, maar leiden niet automatisch tot hogere winst bij de modelleverancier of chipmaker. Open modellen kunnen hardwarevraag stimuleren en tegelijk prijsdruk op API’s zetten. De waarde verschuift naar distributie, gereedschappen, datatoegang, betrouwbaarheid en capaciteit. Wie alleen naar de nieuwste modelnaam kijkt, mist precies het deel waar het verdienmodel wordt gemaakt. De nuchtere conclusie is daarom dat open gewichten combineren met een beheerde API en bepalen waar de operationele grens ligt de keuze moet sturen. Begin met de kleinste route die de taak aantoonbaar goed afrondt. Schaal pas op wanneer de extra kwaliteit meer waard is dan de extra kosten. Zo blijft een indrukwekkend model een productiemiddel en wordt het geen dure demonstratie. Een maandelijkse herhaling van dezelfde proef maakt prijswijzigingen en kwaliteitsverschuivingen zichtbaar voordat ze de begroting of de dienstverlening raken. Dat kleine meetritme is uiteindelijk waardevoller dan een eenmalige ranglijst.

In het kort Qwen3.8 loopt van een lokaal bruikbare 27B-variant tot een model met 2,4 biljoen parameters. De beste keuze wordt bepaald door geheugen, gelijktijdigheid en beheer, niet door de grootste naam. De actuele modelkaart en prijsdocumentatie zijn belangrijker dan een losse benchmark of productnaam. We rekenen terug vanaf de kosten en toetsen welke inzet in 2027, 2028 en 2029 nodig is. De conclusie is voorwaardelijk: alleen aantoonbaar geslaagde taken tellen mee. De AI-markt lijkt op het eerste gezicht steeds eenvoudiger. Iedere leverancier heeft een vlaggenschip, een goedkoper model en een indrukwekkende contextlengte. In de praktijk wordt de keuze juist lastiger. Toegang kan beperkt zijn, een introductietarief kan aflopen en open gewichten kunnen onder verschillende licenties vallen. De modelnaam is daarom hooguit het begin van het onderzoek. Bij Qwen draait de dragende vraag om de 27B-variant als economische middenweg tegenover de enorme 2.4T-A95B. Dat is geen academisch verschil. Het bepaalt of een experiment ook als vaste dienst kan draaien, of de rekening beheersbaar blijft en hoeveel menselijk herstelwerk nodig is. Een goed model dat te vaak op de verkeerde taak wordt gezet, is economisch nog steeds een slechte keuze. Direct naar een onderdeel van dit artikel Wat er werkelijk beschikbaar is De techniek verandert de rekening De beslissende rekensom Drie jaar vooruit rekenen Waar het nog mis kan gaan Wat dit economisch betekent Wat er werkelijk beschikbaar is Alibaba’s Qwen3.8-familie omvat een 27B-model en een zeer groot mixture-of-experts-model met 2,4 biljoen totale en 95 miljard actieve parameters. De officiële 27B-modelkaart noemt Apache 2.0. De hoofdrepository waarschuwt terecht dat de licentie per gewichtenrepository moet worden gecontroleerd. Open gewichten zijn dus geen vrijbrief om alle varianten onder één label te behandelen. De Qwen3.8 officiële repository is daarbij het uitgangspunt. De gewichten verschenen in augustus 2026. De woorden algemeen beschikbaar, preview en beperkt toegankelijk horen niet op één hoop. Een aangekondigd model kan technisch bestaan zonder dat een normaal bedrijf het vandaag via een stabiele API kan afnemen. Andersom kan een downloadbaar model open gewichten bieden terwijl de licentie aanvullende voorwaarden stelt. Gratis proberen in een chatdienst geeft nog geen recht om het model zelf te hosten. Ook contextlengte vraagt nuchterheid. Een bovengrens van honderdduizenden of een miljoen tokens vertelt hoeveel invoer technisch mogelijk is. Zij zegt niet dat zoveel context snel, goedkoop of zorgvuldig wordt verwerkt. Lange prompts vergroten de prefilltijd, vragen cachegeheugen en kunnen relevante details tussen ruis laten verdwijnen. Voor een vergelijking moeten daarom dezelfde taak, dezelfde context en dezelfde succesdefinitie worden gebruikt. De techniek verandert de rekening Het verschil tussen totaal en actief is cruciaal. Actieve parameters bepalen hoeveel van het netwerk per token rekent. Voor opslag en laden moeten de gewichten van het totale model beschikbaar zijn. Quantisatie kan het geheugenbeslag verkleinen, maar context en KV-cache vragen daarbovenop ruimte. De 27B-versie kan daardoor een betere lokale keuze zijn, ook wanneer het grootste model op papier betere benchmarks toont. Dat maakt kosten per miljoen tokens nuttig, maar onvoldoende. De betere maat is kosten per succesvol afgeronde taak. Daarin horen input, output, redenering, gereedschap, cache, herhaalpogingen en menselijke controle. Wanneer een goedkoper model twee herstelrondes nodig heeft, kan de duurdere route alsnog winnen. Wanneer een topmodel een eenvoudige extractietaak niet beter uitvoert, betaalt een bedrijf alleen voor ongebruikte capaciteit. Voor lokale modellen komt daar een andere kostenlaag bij. Alle gewichten moeten in opslag en meestal in werkgeheugen beschikbaar zijn, ook wanneer een mixture-of-expertsmodel per token slechts een deel activeert. Quantisatie kan het beslag verlagen, maar kan kwaliteit en snelheid veranderen. Gelijktijdige gebruikers en lange context voegen KV-cache toe. Een model dat één keer op een werkstation antwoord geeft, is daarmee nog geen productiesysteem. De beslissende rekensom Voor een vergelijkbaar voorbeeld gebruiken we deze kostenbrug: Hardware en opslag € 5.000, Stroom en beheer p.j. € 1.200, Drie jaar totaal € 8.600. De waarden zijn afkomstig uit het gepubliceerde tarief of, waar geen controleerbaar tarief bestaat, uit een expliciet gemarkeerd eigen kostenbudget. Dat verschil is belangrijk. Een scenario-aanname is geen prijsclaim van de leverancier en een dollarbedrag is zonder belasting en wisselkoers geen Nederlandse factuur. De omgekeerde berekening begint niet bij een mooie benchmark, maar bij de vraag hoeveel productiviteit nodig is om € 2.867 per jaar terug te verdienen. Bij een interne waarde van € 55 per aantoonbaar bespaard uur is dat 52.1 uur per jaar. De formule is eenvoudig: jaarlijkse kosten gedeeld door € 55. De moeilijke stap is bewijzen dat die uren werkelijk vrijkomen bij gelijkblijvende kwaliteit. Een team moet daarom een vaste proefset gebruiken en per taak noteren of het eerste antwoord bruikbaar was, hoeveel correctietijd nodig was en of een mens dezelfde controle toch moest uitvoeren. Alleen het verschil met de bestaande werkwijze telt. Tijd die wel op papier wordt bespaard maar later terugkomt als herstelwerk, mag niet dubbel als voordeel worden geboekt. Drie jaar vooruit rekenen De scenario’s voor 2027 tot en met 2029 gebruiken drie niveaus van aantoonbaar bespaarde tijd en laten het volume jaarlijks met 12 procent groeien. Het lage scenario start bij 38 uur, het middenscenario bij 95 uur en het hoge bij 168 uur. De jaarlijkse kosten blijven bewust gelijk, zodat zichtbaar wordt welke benutting de doorslag geeft. Het zijn aannames, geen voorspellingen van gebruik of tarieven. De netto productiviteitswaarde is bespaarde uren maal € 55, minus de jaarlijkse kosten. Implementatie-uren in het eerste jaar horen daar in een echte businesscase nog vanaf. Hetzelfde geldt voor kwaliteitsverlies, uitval en extra gegevensbeheer. Een positieve uitkomst bewijst dus niet dat het model winst oplevert. Zij laat alleen zien hoeveel economische ruimte overblijft om die overige kosten op te vangen. Voor kleine teams kan de lage variant al ruim voldoende zijn wanneer de vaste kosten gering zijn. Bij eigen hardware of een omvangrijk abonnement ligt de drempel hoger en wordt bezettingsgraad doorslaggevend. Andersom kan een goedkoop API-model zo weinig kosten dat vooral foutpreventie telt. Dan is één vermeden uur herstelwerk meer waard dan een jaar aan tokens. Waar het nog mis kan gaan Lokaal draaien verschuift kosten. De tokenfactuur verdwijnt, maar hardware, stroom, koeling, beheer en afschrijving komen terug. Ook gelijktijdige gebruikers en de gewenste context kunnen een werkende demo in een trage dienst veranderen. Zonder eigen meting van prefill, generatiesnelheid en foutpercentage is “past in het geheugen” geen zakelijke conclusie. Daarnaast blijft leveranciersrisico bestaan. Modellen verdwijnen, aliassen verschuiven en prijzen kunnen veranderen. Een goede integratie bewaart prompts en evaluaties buiten het model, houdt een alternatieve route beschikbaar en legt vast welke versie op welk moment is gebruikt. Daardoor wordt een upgrade een gecontroleerde keuze in plaats van een verrassing in productie. Privacy verdient dezelfde concrete aanpak. Cloudgebruik vraagt duidelijkheid over opslag, training en gegevenslocatie. Lokale inzet voorkomt niet automatisch alle risico’s, want logbestanden, toegangsrechten en onveilige plug-ins kunnen gegevens alsnog blootleggen. Het juiste antwoord is dus niet altijd lokaal of altijd cloud. Het is een aantoonbare keuze per datastroom. Wat dit economisch betekent Voor bedrijven is Qwen interessant wanneer de gekozen route aantoonbaar beter past bij het werk dan een goedkoper of eenvoudiger alternatief. Dat bewijs komt uit eigen taken, niet uit één benchmark. Het minimum is een vergelijking van eerste-poging-succes, totale doorlooptijd, menselijk herstel en alle directe kosten. Pas daarna kan een groter contextvenster, een open licentie of een sterkere redeneermodus economische waarde krijgen. Voor beleggers ligt de les een niveau hoger. Lagere tokenprijzen kunnen het gebruik vergroten, maar leiden niet automatisch tot hogere winst bij de modelleverancier of chipmaker. Open modellen kunnen hardwarevraag stimuleren en tegelijk prijsdruk op API’s zetten. De waarde verschuift naar distributie, gereedschappen, datatoegang, betrouwbaarheid en capaciteit. Wie alleen naar de nieuwste modelnaam kijkt, mist precies het deel waar het verdienmodel wordt gemaakt. De nuchtere conclusie is daarom dat de 27B-variant als economische middenweg tegenover de enorme 2.4T-A95B de keuze moet sturen. Begin met de kleinste route die de taak aantoonbaar goed afrondt. Schaal pas op wanneer de extra kwaliteit meer waard is dan de extra kosten. Zo blijft een indrukwekkend model een productiemiddel en wordt het geen dure demonstratie. Een maandelijkse herhaling van dezelfde proef maakt prijswijzigingen en kwaliteitsverschuivingen zichtbaar voordat ze de begroting of de dienstverlening raken. Dat kleine meetritme is uiteindelijk waardevoller dan een eenmalige ranglijst.

In het kort MiMo V2.6 volgt snel op eerdere varianten, terwijl oudere endpoints in oktober verdwijnen. De migratiekosten horen daarom vanaf dag één in de modelkeuze. De actuele modelkaart en prijsdocumentatie zijn belangrijker dan een losse benchmark of productnaam. We rekenen terug vanaf de kosten en toetsen welke inzet in 2027, 2028 en 2029 nodig is. De conclusie is voorwaardelijk: alleen aantoonbaar geslaagde taken tellen mee. De AI-markt lijkt op het eerste gezicht steeds eenvoudiger. Iedere leverancier heeft een vlaggenschip, een goedkoper model en een indrukwekkende contextlengte. In de praktijk wordt de keuze juist lastiger. Toegang kan beperkt zijn, een introductietarief kan aflopen en open gewichten kunnen onder verschillende licenties vallen. De modelnaam is daarom hooguit het begin van het onderzoek. Bij MiMo van Xiaomi draait de dragende vraag om modeldeprecatie en de verborgen kosten van een snelle migratie. Dat is geen academisch verschil. Het bepaalt of een experiment ook als vaste dienst kan draaien, of de rekening beheersbaar blijft en hoeveel menselijk herstelwerk nodig is. Een goed model dat te vaak op de verkeerde taak wordt gezet, is economisch nog steeds een slechte keuze. Direct naar een onderdeel van dit artikel Wat er werkelijk beschikbaar is De techniek verandert de rekening De beslissende rekensom Drie jaar vooruit rekenen Waar het nog mis kan gaan Wat dit economisch betekent Wat er werkelijk beschikbaar is Xiaomi toont MiMo V2.6 Pro en Flash als actuele modelroutes. In de lifecyclemelding staat tegelijk dat MiMo V2.5 Pro en V2.5 op 21 oktober 2026 worden uitgefaseerd. Dat is nog geen oordeel over kwaliteit. Het is wel een harde operationele datum. Een toepassing die modelnamen vast in code heeft gezet, moet testen en overschakelen voordat de endpoint verdwijnt. De Xiaomi MiMo release- en lifecyclemelding is daarbij het uitgangspunt. De woorden algemeen beschikbaar, preview en beperkt toegankelijk horen niet op één hoop. Een aangekondigd model kan technisch bestaan zonder dat een normaal bedrijf het vandaag via een stabiele API kan afnemen. Andersom kan een downloadbaar model open gewichten bieden terwijl de licentie aanvullende voorwaarden stelt. Gratis proberen in een chatdienst geeft nog geen recht om het model zelf te hosten. Ook contextlengte vraagt nuchterheid. Een bovengrens van honderdduizenden of een miljoen tokens vertelt hoeveel invoer technisch mogelijk is. Zij zegt niet dat zoveel context snel, goedkoop of zorgvuldig wordt verwerkt. Lange prompts vergroten de prefilltijd, vragen cachegeheugen en kunnen relevante details tussen ruis laten verdwijnen. Voor een vergelijking moeten daarom dezelfde taak, dezelfde context en dezelfde succesdefinitie worden gebruikt. De techniek verandert de rekening De echte kosten van een modelwissel zitten zelden in één API-regel. Prompts kunnen anders reageren, JSON kan net afwijken en gereedschapskeuzes kunnen verschuiven. Een volwassen integratie houdt modelrouting in configuratie, bewaart een regressieset en kan tijdelijk twee versies naast elkaar draaien. De goedkope tokenprijs is pas relevant nadat deze migratieroute bestaat. Dat maakt kosten per miljoen tokens nuttig, maar onvoldoende. De betere maat is kosten per succesvol afgeronde taak. Daarin horen input, output, redenering, gereedschap, cache, herhaalpogingen en menselijke controle. Wanneer een goedkoper model twee herstelrondes nodig heeft, kan de duurdere route alsnog winnen. Wanneer een topmodel een eenvoudige extractietaak niet beter uitvoert, betaalt een bedrijf alleen voor ongebruikte capaciteit. Voor lokale modellen komt daar een andere kostenlaag bij. Alle gewichten moeten in opslag en meestal in werkgeheugen beschikbaar zijn, ook wanneer een mixture-of-expertsmodel per token slechts een deel activeert. Quantisatie kan het beslag verlagen, maar kan kwaliteit en snelheid veranderen. Gelijktijdige gebruikers en lange context voegen KV-cache toe. Een model dat één keer op een werkstation antwoord geeft, is daarmee nog geen productiesysteem. De beslissende rekensom Voor een vergelijkbaar voorbeeld gebruiken we deze kostenbrug: Testen, 24 uur € 1.320, Aanpassing, 16 uur € 880, Dubbel draaien € 300. De waarden zijn afkomstig uit het gepubliceerde tarief of, waar geen controleerbaar tarief bestaat, uit een expliciet gemarkeerd eigen kostenbudget. Dat verschil is belangrijk. Een scenario-aanname is geen prijsclaim van de leverancier en een dollarbedrag is zonder belasting en wisselkoers geen Nederlandse factuur. De omgekeerde berekening begint niet bij een mooie benchmark, maar bij de vraag hoeveel productiviteit nodig is om € 2.500 per jaar terug te verdienen. Bij een interne waarde van € 55 per aantoonbaar bespaard uur is dat 45.5 uur per jaar. De formule is eenvoudig: jaarlijkse kosten gedeeld door € 55. De moeilijke stap is bewijzen dat die uren werkelijk vrijkomen bij gelijkblijvende kwaliteit. Een team moet daarom een vaste proefset gebruiken en per taak noteren of het eerste antwoord bruikbaar was, hoeveel correctietijd nodig was en of een mens dezelfde controle toch moest uitvoeren. Alleen het verschil met de bestaande werkwijze telt. Tijd die wel op papier wordt bespaard maar later terugkomt als herstelwerk, mag niet dubbel als voordeel worden geboekt. Drie jaar vooruit rekenen De scenario’s voor 2027 tot en met 2029 gebruiken drie niveaus van aantoonbaar bespaarde tijd en laten het volume jaarlijks met 12 procent groeien. Het lage scenario start bij 30 uur, het middenscenario bij 78 uur en het hoge bij 142 uur. De jaarlijkse kosten blijven bewust gelijk, zodat zichtbaar wordt welke benutting de doorslag geeft. Het zijn aannames, geen voorspellingen van gebruik of tarieven. De netto productiviteitswaarde is bespaarde uren maal € 55, minus de jaarlijkse kosten. Implementatie-uren in het eerste jaar horen daar in een echte businesscase nog vanaf. Hetzelfde geldt voor kwaliteitsverlies, uitval en extra gegevensbeheer. Een positieve uitkomst bewijst dus niet dat het model winst oplevert. Zij laat alleen zien hoeveel economische ruimte overblijft om die overige kosten op te vangen. Voor kleine teams kan de lage variant al ruim voldoende zijn wanneer de vaste kosten gering zijn. Bij eigen hardware of een omvangrijk abonnement ligt de drempel hoger en wordt bezettingsgraad doorslaggevend. Andersom kan een goedkoop API-model zo weinig kosten dat vooral foutpreventie telt. Dan is één vermeden uur herstelwerk meer waard dan een jaar aan tokens. Waar het nog mis kan gaan Een snelle releasecyclus kan gebruikers sneller betere modellen geven, maar maakt een alias minder voorspelbaar. Ook open gewichten van een oudere Flash-variant onder MIT zeggen niets over de licentie of beschikbaarheid van iedere nieuwere V2.6-route. De licentie moet per modelkaart worden gecontroleerd, niet per merk. Daarnaast blijft leveranciersrisico bestaan. Modellen verdwijnen, aliassen verschuiven en prijzen kunnen veranderen. Een goede integratie bewaart prompts en evaluaties buiten het model, houdt een alternatieve route beschikbaar en legt vast welke versie op welk moment is gebruikt. Daardoor wordt een upgrade een gecontroleerde keuze in plaats van een verrassing in productie. Privacy verdient dezelfde concrete aanpak. Cloudgebruik vraagt duidelijkheid over opslag, training en gegevenslocatie. Lokale inzet voorkomt niet automatisch alle risico’s, want logbestanden, toegangsrechten en onveilige plug-ins kunnen gegevens alsnog blootleggen. Het juiste antwoord is dus niet altijd lokaal of altijd cloud. Het is een aantoonbare keuze per datastroom. Wat dit economisch betekent Voor bedrijven is MiMo van Xiaomi interessant wanneer de gekozen route aantoonbaar beter past bij het werk dan een goedkoper of eenvoudiger alternatief. Dat bewijs komt uit eigen taken, niet uit één benchmark. Het minimum is een vergelijking van eerste-poging-succes, totale doorlooptijd, menselijk herstel en alle directe kosten. Pas daarna kan een groter contextvenster, een open licentie of een sterkere redeneermodus economische waarde krijgen. Voor beleggers ligt de les een niveau hoger. Lagere tokenprijzen kunnen het gebruik vergroten, maar leiden niet automatisch tot hogere winst bij de modelleverancier of chipmaker. Open modellen kunnen hardwarevraag stimuleren en tegelijk prijsdruk op API’s zetten. De waarde verschuift naar distributie, gereedschappen, datatoegang, betrouwbaarheid en capaciteit. Wie alleen naar de nieuwste modelnaam kijkt, mist precies het deel waar het verdienmodel wordt gemaakt. De nuchtere conclusie is daarom dat modeldeprecatie en de verborgen kosten van een snelle migratie de keuze moet sturen. Begin met de kleinste route die de taak aantoonbaar goed afrondt. Schaal pas op wanneer de extra kwaliteit meer waard is dan de extra kosten. Zo blijft een indrukwekkend model een productiemiddel en wordt het geen dure demonstratie. Een maandelijkse herhaling van dezelfde proef maakt prijswijzigingen en kwaliteitsverschuivingen zichtbaar voordat ze de begroting of de dienstverlening raken. Dat kleine meetritme is uiteindelijk waardevoller dan een eenmalige ranglijst.

In het kort Google richt Gemma 4 op lokale multimodale inzet. De afwezigheid van een tokenfactuur verandert hardware, stroom en beheer echter niet in nul euro. De actuele modelkaart en prijsdocumentatie zijn belangrijker dan een losse benchmark of productnaam. We rekenen terug vanaf de kosten en toetsen welke inzet in 2027, 2028 en 2029 nodig is. De conclusie is voorwaardelijk: alleen aantoonbaar geslaagde taken tellen mee. De AI-markt lijkt op het eerste gezicht steeds eenvoudiger. Iedere leverancier heeft een vlaggenschip, een goedkoper model en een indrukwekkende contextlengte. In de praktijk wordt de keuze juist lastiger. Toegang kan beperkt zijn, een introductietarief kan aflopen en open gewichten kunnen onder verschillende licenties vallen. De modelnaam is daarom hooguit het begin van het onderzoek. Bij Gemma van Google draait de dragende vraag om privacy en lokale inzet tegenover de totale kosten van bezit. Dat is geen academisch verschil. Het bepaalt of een experiment ook als vaste dienst kan draaien, of de rekening beheersbaar blijft en hoeveel menselijk herstelwerk nodig is. Een goed model dat te vaak op de verkeerde taak wordt gezet, is economisch nog steeds een slechte keuze. Direct naar een onderdeel van dit artikel Wat er werkelijk beschikbaar is De techniek verandert de rekening De beslissende rekensom Drie jaar vooruit rekenen Waar het nog mis kan gaan Wat dit economisch betekent Wat er werkelijk beschikbaar is Google publiceerde Gemma 4 als een 12B-model onder Apache 2.0 en richt de familie nadrukkelijk op lokale multimodale toepassingen. Dat is iets anders dan Gemini, dat als commerciële clouddienst wordt aangeboden. Gemma geeft toegang tot de gewichten en ruime gebruiksrechten. De gekozen quantisatie, runtime en hardware bepalen vervolgens of de ervaring werkelijk bruikbaar is. De Google Gemma 4-modelkaart is daarbij het uitgangspunt. Gemma 4 verscheen op 3 juni 2026. De woorden algemeen beschikbaar, preview en beperkt toegankelijk horen niet op één hoop. Een aangekondigd model kan technisch bestaan zonder dat een normaal bedrijf het vandaag via een stabiele API kan afnemen. Andersom kan een downloadbaar model open gewichten bieden terwijl de licentie aanvullende voorwaarden stelt. Gratis proberen in een chatdienst geeft nog geen recht om het model zelf te hosten. Ook contextlengte vraagt nuchterheid. Een bovengrens van honderdduizenden of een miljoen tokens vertelt hoeveel invoer technisch mogelijk is. Zij zegt niet dat zoveel context snel, goedkoop of zorgvuldig wordt verwerkt. Lange prompts vergroten de prefilltijd, vragen cachegeheugen en kunnen relevante details tussen ruis laten verdwijnen. Voor een vergelijking moeten daarom dezelfde taak, dezelfde context en dezelfde succesdefinitie worden gebruikt. De techniek verandert de rekening Lokale inzet kan waardevol zijn wanneer documenten het apparaat niet mogen verlaten of wanneer de internetverbinding onbetrouwbaar is. De tokenrekening verdwijnt, maar het apparaat moet worden gekocht, onderhouden en van stroom voorzien. Ook updates, beveiliging en foutonderzoek kosten tijd. Privacy heeft dus een prijs, maar kan alsnog goedkoper zijn dan een datalek of een verboden cloudroute. Dat maakt kosten per miljoen tokens nuttig, maar onvoldoende. De betere maat is kosten per succesvol afgeronde taak. Daarin horen input, output, redenering, gereedschap, cache, herhaalpogingen en menselijke controle. Wanneer een goedkoper model twee herstelrondes nodig heeft, kan de duurdere route alsnog winnen. Wanneer een topmodel een eenvoudige extractietaak niet beter uitvoert, betaalt een bedrijf alleen voor ongebruikte capaciteit. Voor lokale modellen komt daar een andere kostenlaag bij. Alle gewichten moeten in opslag en meestal in werkgeheugen beschikbaar zijn, ook wanneer een mixture-of-expertsmodel per token slechts een deel activeert. Quantisatie kan het beslag verlagen, maar kan kwaliteit en snelheid veranderen. Gelijktijdige gebruikers en lange context voegen KV-cache toe. Een model dat één keer op een werkstation antwoord geeft, is daarmee nog geen productiesysteem. De beslissende rekensom Voor een vergelijkbaar voorbeeld gebruiken we deze kostenbrug: Geschikte hardware € 3.500, Stroom en beheer p.j. € 700, Drie jaar totaal € 5.600. De waarden zijn afkomstig uit het gepubliceerde tarief of, waar geen controleerbaar tarief bestaat, uit een expliciet gemarkeerd eigen kostenbudget. Dat verschil is belangrijk. Een scenario-aanname is geen prijsclaim van de leverancier en een dollarbedrag is zonder belasting en wisselkoers geen Nederlandse factuur. De omgekeerde berekening begint niet bij een mooie benchmark, maar bij de vraag hoeveel productiviteit nodig is om € 1.867 per jaar terug te verdienen. Bij een interne waarde van € 55 per aantoonbaar bespaard uur is dat 33.9 uur per jaar. De formule is eenvoudig: jaarlijkse kosten gedeeld door € 55. De moeilijke stap is bewijzen dat die uren werkelijk vrijkomen bij gelijkblijvende kwaliteit. Een team moet daarom een vaste proefset gebruiken en per taak noteren of het eerste antwoord bruikbaar was, hoeveel correctietijd nodig was en of een mens dezelfde controle toch moest uitvoeren. Alleen het verschil met de bestaande werkwijze telt. Tijd die wel op papier wordt bespaard maar later terugkomt als herstelwerk, mag niet dubbel als voordeel worden geboekt. Drie jaar vooruit rekenen De scenario’s voor 2027 tot en met 2029 gebruiken drie niveaus van aantoonbaar bespaarde tijd en laten het volume jaarlijks met 12 procent groeien. Het lage scenario start bij 28 uur, het middenscenario bij 80 uur en het hoge bij 144 uur. De jaarlijkse kosten blijven bewust gelijk, zodat zichtbaar wordt welke benutting de doorslag geeft. Het zijn aannames, geen voorspellingen van gebruik of tarieven. De netto productiviteitswaarde is bespaarde uren maal € 55, minus de jaarlijkse kosten. Implementatie-uren in het eerste jaar horen daar in een echte businesscase nog vanaf. Hetzelfde geldt voor kwaliteitsverlies, uitval en extra gegevensbeheer. Een positieve uitkomst bewijst dus niet dat het model winst oplevert. Zij laat alleen zien hoeveel economische ruimte overblijft om die overige kosten op te vangen. Voor kleine teams kan de lage variant al ruim voldoende zijn wanneer de vaste kosten gering zijn. Bij eigen hardware of een omvangrijk abonnement ligt de drempel hoger en wordt bezettingsgraad doorslaggevend. Andersom kan een goedkoop API-model zo weinig kosten dat vooral foutpreventie telt. Dan is één vermeden uur herstelwerk meer waard dan een jaar aan tokens. Waar het nog mis kan gaan “Past op een laptop” is geen prestatiegarantie. Een model kan laden en toch te traag zijn bij lange context of meerdere gebruikers. Beeldinvoer vraagt extra verwerking. En een licentie onder Apache 2.0 ontslaat de gebruiker niet van privacywetgeving of verantwoordelijk gebruik. De eigen toepassing blijft het werkelijke toetsingskader. Daarnaast blijft leveranciersrisico bestaan. Modellen verdwijnen, aliassen verschuiven en prijzen kunnen veranderen. Een goede integratie bewaart prompts en evaluaties buiten het model, houdt een alternatieve route beschikbaar en legt vast welke versie op welk moment is gebruikt. Daardoor wordt een upgrade een gecontroleerde keuze in plaats van een verrassing in productie. Privacy verdient dezelfde concrete aanpak. Cloudgebruik vraagt duidelijkheid over opslag, training en gegevenslocatie. Lokale inzet voorkomt niet automatisch alle risico’s, want logbestanden, toegangsrechten en onveilige plug-ins kunnen gegevens alsnog blootleggen. Het juiste antwoord is dus niet altijd lokaal of altijd cloud. Het is een aantoonbare keuze per datastroom. Wat dit economisch betekent Voor bedrijven is Gemma van Google interessant wanneer de gekozen route aantoonbaar beter past bij het werk dan een goedkoper of eenvoudiger alternatief. Dat bewijs komt uit eigen taken, niet uit één benchmark. Het minimum is een vergelijking van eerste-poging-succes, totale doorlooptijd, menselijk herstel en alle directe kosten. Pas daarna kan een groter contextvenster, een open licentie of een sterkere redeneermodus economische waarde krijgen. Voor beleggers ligt de les een niveau hoger. Lagere tokenprijzen kunnen het gebruik vergroten, maar leiden niet automatisch tot hogere winst bij de modelleverancier of chipmaker. Open modellen kunnen hardwarevraag stimuleren en tegelijk prijsdruk op API’s zetten. De waarde verschuift naar distributie, gereedschappen, datatoegang, betrouwbaarheid en capaciteit. Wie alleen naar de nieuwste modelnaam kijkt, mist precies het deel waar het verdienmodel wordt gemaakt. De nuchtere conclusie is daarom dat privacy en lokale inzet tegenover de totale kosten van bezit de keuze moet sturen. Begin met de kleinste route die de taak aantoonbaar goed afrondt. Schaal pas op wanneer de extra kwaliteit meer waard is dan de extra kosten. Zo blijft een indrukwekkend model een productiemiddel en wordt het geen dure demonstratie. Een maandelijkse herhaling van dezelfde proef maakt prijswijzigingen en kwaliteitsverschuivingen zichtbaar voordat ze de begroting of de dienstverlening raken. Dat kleine meetritme is uiteindelijk waardevoller dan een eenmalige ranglijst.