Ik denk al langer dat we AI verkeerd begrijpen als we steeds vragen: wat is de beste AI? Natuurlijk is die vraag logisch. We willen weten of ChatGPT beter is dan Claude, of DeepSeek beter is dan een andere AI, of een open-weight AI bijna net zo goed is als een gesloten AI. Maar hoe meer ik ermee werk, hoe vaker ik merk dat dit eigenlijk niet de juiste vraag is. De betere vraag is: welke AI heb ik nodig voor deze taak?
Dat klinkt misschien als een klein verschil, maar het verandert alles. Want als je AI serieus gaat gebruiken, kom je er snel achter dat niet elke taak de allerbeste AI nodig heeft. Sommige taken zijn moeilijk, vaag, risicovol of strategisch. Daar wil je de beste AI voor gebruiken die je tot je beschikking hebt. Maar heel veel taken zijn juist herhaalbaar, duidelijk en relatief simpel. Daarvoor is het vaak zonde om steeds de duurste AI aan te roepen.
Open weights nemen volume over
De afbeelding die voor mij het meeste bleef hangen, gaat over het gebruik van open weights tegenover closed weights door de tijd heen. Daarin zie je een duidelijke verschuiving: open weights pakken steeds meer volume. De grafiek die rondgaat laat zelfs zien dat open weights op 22 augustus 2026 op 62 procent staan tegenover 38 procent closed weights. Bij zulke grafieken moet je altijd blijven opletten waar de data precies vandaan komt en hoe er wordt gemeten, maar de richting past bij wat Vercel ook in zijn eigen AI Gateway Production Index beschrijft. In juli groeiden open-weight modellen naar 36 procent van het tokenvolume op Vercel AI Gateway, terwijl ze nog maar bijna 9 procent van de uitgaven pakten.
Dat is volgens mij het interessante punt. Open weights winnen niet ineens omdat iedereen de duurste frontier-AI weggooit. Ze winnen vooral omdat er heel veel taken zijn die niet de duurste AI nodig hebben. Als een taak duidelijk genoeg is, als de foutmarge laag genoeg is, of als je vooral heel veel volume moet draaien, dan wordt goedkope en open AI ineens enorm aantrekkelijk.
Eerst het framework, daarna de uitvoering
Zo werk ik zelf inmiddels ook. Als ik iets nieuws bouw, gebruik ik meestal de beste AI die ik op dat moment tot mijn beschikking heb. Soms is dat ChatGPT. Soms is dat Claude. Dat hangt af van de taak en van wat op dat moment het sterkste werkt. Die beste AI gebruik ik vooral voor de eerste stap: het framework neerzetten. De structuur bedenken. De architectuur maken. De moeilijke keuzes overzien. De juiste stappen definiëren.
Maar zodra dat framework staat, hoeft niet elk vervolgstuk meer door diezelfde dure AI te worden gedaan. Dan kan ik heel vaak overschakelen naar een goedkopere variant. DeepSeek is daar voor mij een voorbeeld van. Niet omdat DeepSeek altijd beter is, maar omdat het voor veel simpele, duidelijke en herhaalbare taken gewoon goed genoeg is. En als iets goed genoeg is voor de taak, dan is het bedrijfsmatig vaak juist slimmer om niet de duurste optie te gebruiken.
Een concreet voorbeeld. Ik heb met ChatGPT een extensie laten maken waarmee ik, als ik op een website zit, met een klik automatisch nieuwsberichten kan plaatsen op specifieke websites. Ik hoef alleen op de knop te drukken en de juiste website te selecteren. Voor het bouwen van die extensie gebruikte ik ChatGPT, omdat het framework goed moest staan. De extensie moest betrouwbaar zijn, logisch werken en aansluiten op mijn workflow. Maar daarna ga ik natuurlijk niet elke keer ChatGPT gebruiken om ieder nieuwsartikel te schrijven of klaar te zetten. Dat zou onnodig duur zijn. Voor dat herhaalwerk kan een goedkope AI via een API prima werken.
Tokens zijn geen omzet
Daarom vind ik de tweede afbeelding zo belangrijk. Veel mensen kijken naar tokenvolume alsof dat hetzelfde is als marktmacht of omzet. Maar tokens zijn geen omzet. Als DeepSeek ongeveer net zoveel tokenvolume draait als Anthropic, betekent dat nog niet dat DeepSeek ook ongeveer net zoveel geld verdient. In de Vercel-data zie je juist het tegenovergestelde. DeepSeek kan veel volume pakken omdat het goedkoop is, terwijl Anthropic veel meer geld pakt omdat bedrijven de Claude-modellen blijven gebruiken voor taken waar kwaliteit zwaar weegt.
Vercel schrijft dat Anthropic in juli 65 procent van de gateway-uitgaven pakte op 30 procent van het tokenvolume. DeepSeek werd tegelijkertijd de tweede grootste aanbieder qua tokenvolume en draaide in juli ongeveer een kwart van het volume op die gateway. Dat is precies de splitsing die we moeten begrijpen. Goedkope AI neemt veel werkvolume over. Dure frontier-AI blijft geld pakken bij werk waar een beter antwoord, minder fouten of meer betrouwbaarheid veel waard is.
Dat maakt de AI-markt veel minder simpel dan de meeste discussies doen lijken. Het is niet open weights tegen closed weights. Het is niet goedkoop tegen duur. Het is niet China tegen Amerika. Het is eerder een nieuwe arbeidsverdeling. De dure AI wordt gebruikt om iets nieuws te ontdekken, iets moeilijks op te zetten of een proces goed te ontwerpen. De goedkope of open AI wordt vervolgens gebruikt om dat proces op schaal uit te voeren.
Bedrijven doen dit al
Je ziet dit inmiddels ook bij grote bedrijven. Thomson Reuters is wat mij betreft een belangrijk voorbeeld. Business Insider schreef dat Thomson Reuters met Thomson-1 minder afhankelijk wil worden van Claude en dat de AI is gebaseerd op Snowdon, dat weer is gebouwd door een open-source Qwen-model van Alibaba aan te passen. In het eigen technische rapport van Thomson Reuters staat ook dat het bedrijf open-weight modellen zoals Qwen3.5 en Qwen3.6 gebruikt als basis voor dit soort werk. Dat is geen klein hobbyproject. Dat is een groot professioneel bedrijf dat serieus nadenkt over kosten, controle en eigen kennis.
Harvey doet iets vergelijkbaars in de juridische wereld. Het bedrijf schreef zelf dat Harvey Tenet is gebouwd op een Kimi K3 base en daarna is doorgetraind voor langlopende juridische agenttaken. Cursor heeft Kimi K3 inmiddels ook gewoon in de documentatie staan als open-weight model van Moonshot AI. En Airbnb wordt in dit debat vaak genoemd omdat het Qwen gebruikt in zijn klantenservice-AI. Ook daar moet je precies blijven kijken naar hoe de AI draait, waar die wordt gehost en welke data erin gaat, maar het patroon is duidelijk: Westerse producten bouwen steeds vaker bovenop open-weight AI, waaronder AI uit China.
Dat vind ik een belangrijk signaal. Niet omdat elk bedrijf nu blind naar Chinese AI moet overstappen. Juist niet. Maar wel omdat het laat zien dat open weights niet meer alleen een speeltje zijn voor nerds die lokaal iets willen draaien. Ze worden onderdeel van echte producten, echte workflows en echte kostenbeslissingen.
Wat organisaties hiervan kunnen leren
Voor bedrijven, overheden, zorginstellingen en scholen zit hier volgens mij een enorme kans. Niet iedereen in een organisatie hoeft toegang te hebben tot de duurste gesloten AI. Dat klinkt misschien oneerlijk, maar ik bedoel het juist praktisch. Je kunt een kleine groep mensen, de kartrekkers, toegang geven tot de allerbeste AI. Zij kunnen frameworks bouwen, interne tools maken, processen ontwerpen en bepalen waar de kwaliteitslat ligt.
Daarna kun je die tools beschikbaar maken voor de rest van de organisatie, met goedkopere of open AI erachter waar dat kan. Een medewerker hoeft dan niet zelf te weten welke AI hij moet kiezen. Die gebruikt gewoon de tool. Een docent hoeft niet zelf alle prompttechniek te begrijpen. Die gebruikt een goed ontworpen werkwijze. Een ambtenaar hoeft niet voor elke simpele tekst de duurste AI te gebruiken. Die krijgt een veilige, afgebakende toepassing die precies doet wat nodig is.
Dat is een veel realistischer beeld van AI-adoptie dan iedereen een account geven bij de duurste AI-aanbieder en hopen dat het goed komt. De echte winst zit niet alleen in toegang tot AI, maar in het ontwerpen van de juiste laag tussen mens, taak en AI.
Prijs is niet hetzelfde als waarde
Tegelijkertijd moeten organisaties niet blind kiezen voor de goedkoopste AI. Dat is de andere fout. Een AI kan per token goedkoop zijn, maar alsnog duur worden als die veel meer tokens nodig heeft, vaker fouten maakt of meer menselijke controle vraagt. Uiteindelijk gaat het niet om de prijs per token, maar om de prijs per afgeronde taak.
Dat merk ik zelf ook. Soms is een dure AI uiteindelijk goedkoper, omdat die in een keer de juiste structuur neerzet. Soms is een goedkope AI juist perfect, omdat de taak duidelijk genoeg is en de foutmarge laag. En soms moet je meerdere AI's testen voordat je weet wat goed werkt. Dat is geen zwakte. Dat is precies hoe volwassen AI-gebruik eruit gaat zien.
Daarom vind ik het ook belangrijk dat organisaties hun eigen benchmarks gaan maken. Niet alleen kijken naar algemene ranglijstjes, maar testen op hun eigen werk. Kan deze AI onze soort e-mails goed beantwoorden? Kan deze AI onze documenten samenvatten? Kan deze AI onze processen volgen? Kan deze AI onze leerlingen helpen zonder onzin te produceren? Kan deze AI onze privacy-eisen aan?
De beste AI in een benchmark is niet automatisch de beste AI voor jouw organisatie.
Controle en geopolitiek
Er zit nog een laag onder. Veel sterke open-weight AI komt op dit moment uit China. Dat is op korte termijn heel aantrekkelijk, omdat die AI goedkoop, goed en breed beschikbaar is. Maar ook daar moet je niet naïef in zijn. Als bedrijven, scholen of overheden hun hele AI-infrastructuur bouwen op AI uit een land, ontstaat opnieuw afhankelijkheid. Misschien niet van OpenAI of Anthropic, maar dan van een ander ecosysteem.
Dat betekent niet dat je die AI niet moet gebruiken. Ik gebruik zelf ook goedkope AI-tools als ze passen bij de taak. Maar je moet wel bewust kiezen. Waar draait de AI? Wie beheert de infrastructuur? Welke data gaat erin? Kun je wisselen? Kun je lokaal draaien? Kun je uitleggen waarom je deze keuze hebt gemaakt?
AI-keuzes zijn daarmee niet alleen technische keuzes. Het zijn ook economische, juridische en geopolitieke keuzes.
De nieuwe vaardigheid
Ik denk dat dit een van de belangrijkste AI-vaardigheden wordt: weten wanneer goed genoeg goed genoeg is. Niet elke taak verdient de beste AI. Niet elke taak verdient de goedkoopste AI. Niet elke taak moet naar een gesloten frontier-AI. Niet elke taak kan veilig naar een open of goedkope AI.
Je moet leren routeren. Als mens, als organisatie en straks misschien als AI-agent zelf. De moeilijke taak gaat naar de beste AI. Het herhaalwerk gaat naar de goedkope AI. Privacygevoelig werk blijft lokaal of binnen een streng gecontroleerde omgeving. Experimenten mogen goedkoop. Kritieke beslissingen moeten zorgvuldig.
Dat is voor mij de kern. De toekomst van AI is niet een AI die alles doet. De toekomst is een slimme laag die per taak bepaalt welke AI nodig is.
En misschien is dat wel de belangrijkste les voor bedrijven die nu met AI beginnen. Vraag niet alleen: welke AI moeten we kopen? Vraag: welk werk verdient welke AI?