Niet elk AI-model verdient elke taak: prijsverschil dwingt tot bewuste keuze

Wie vandaag een AI-model inzet, kiest onvermijdelijk ook een prijskaartje. Tussen de goedkoopste en de duurste optie op de markt kan het tarief per miljoen tokens oplopen tot honderd keer zoveel. Die vaststelling ligt aan de basis van een praktijkgerichte werkwijze bij co-Founded by AI, een initiatief waarin Jurrien Kerstholt en de auteur van een column onderzoeken hoe je met kunstmatige intelligentie een productbedrijf uitbouwt.

Hun eerste product is minagi, een fysieke focustimer. AI speelt een rol bij onderzoek, ontwerp, marketing en klantenondersteuning. Naarmate dat takenpakket groeit, dringt zich een nieuwe vraag op: welke opdracht hoort bij welk model? Het antwoord daarop beïnvloedt zowel de kwaliteit van het werk als de rekening op het einde van de maand.

Van tien dollar tot tien cent per miljoen tokens

De prijslijst van Anthropic maakt de verhoudingen concreet. Voor Claude Fable 5.1 bedraagt het tarief tien dollar per miljoen ingevoerde tokens, de tekstfragmenten waarmee een model rekent. Haiku 5.5 kost voor invoer tot 100.000 tokens tien cent per miljoen. Het gaat om API-tarieven, de koppeling tussen software en een model; een chatabonnement hanteert een andere prijsstructuur.

Dat verschil van honderdvoudig is volgens de initiatiefnemers geen detail. Toch krijgen een korte producttekst en een complexe strategische vraag in veel organisaties nog hetzelfde model voorgeschakeld. Zij vergelijken dat met een vrachtwagen bestellen voor elke boodschap: het lukt wel, maar je betaalt voor capaciteit die de opdracht nauwelijks nodig heeft.

Licht model eerst, zwaarder model alleen indien nodig

De gehanteerde aanpak vertrekt systematisch bij een licht model. Dat krijgt een afgebakende opdracht, waarna de uitkomst wordt beoordeeld. Blijkt de kwaliteit ontoereikend, dan komt een zwaarder model in beeld. Voor beslissingen die strategisch zwaar wegen, wordt meteen meer rekenkracht gereserveerd.

De redenering achter die volgorde is even eenvoudig als praktisch: de gevolgen van een fout bepalen hoeveel denkvermogen een taak verdient. Een verkeerde productrichting kan weken herstelwerk veroorzaken. Een zwakke tussenkop in een blogbericht is met een minuut redactie opgelost. Die asymmetrie vertaalt zich in een groeiende taakverdeling:

• een licht model beantwoordt klantvragen op basis van de eigen kennisbank;
• een middenmodel schrijft teksten en ondersteunt programmeerwerk;
• een sterker model komt in actie bij klantonderzoek, productkeuzes en strategie, inclusief prijszetting.

Die afspraken worden vastgelegd in een zogenoemd company brain: een centrale verzameling bedrijfskennis en werkregels waarin staat welk model welke taak uitvoert en wanneer wordt opgeschaald naar een zwaarder exemplaar.

De prijs per antwoord is niet de echte kost

Bij de modelkeuze kijken de ondernemers verder dan het tarief per aanvraag. Een goedkoop model dat drie correctierondes nodig heeft, kost evengoed tijd. Die verborgen kost weegt soms zwaarder door dan het verschil op de factuur.

Vooral bij productbeelden komt dat naar voren. Het ene beeldmodel tekent het product overtuigend, maar zodra een hand het voorwerp vasthoudt, duiken merkwaardige vervormingen op. Het resultaat vraagt dan opnieuw werk, waardoor de ogenschijnlijk voordelige keuze alsnog duur uitvalt.

Context: waarom modelkeuze een strategische beslissing werd

De jongste jaren is het aanbod aan taalmodellen sterk uitgebreid, met grote verschillen in capaciteit en prijs. Aanbieders positioneren kleinere, snellere modellen voor routinetaken en zwaardere modellen voor complex redeneerwerk. Voor bedrijven betekent dat een nieuwe laag in hun kostenbeheer: niet alleen hoeveel AI ze gebruiken, maar ook welke variant ze waarvoor inschakelen.

Die keuze raakt bovendien aan governance. Door in een centrale handleiding vast te leggen welk model welke verantwoordelijkheid draagt, blijft het gebruik controleerbaar en uitlegbaar. Het voorkomt dat medewerkers willekeurig naar het krachtigste model grijpen zodra een taak wat weerbarstig wordt.

Context: van uitzondering naar vaste werkregel

De praktijk bij co-Founded by AI illustreert een bredere verschuiving. Waar AI-gebruik enkele jaren geleden vooral experimenteel was, groeit nu de behoefte aan vaste afspraken over inzet en escalatie. Een taakverdeling op basis van kwaliteit, kost en foutimpact biedt daarvoor een werkbaar kader, zonder dat elk team zelf het wiel moet uitvinden.

De les laat zich samenvatten zonder technische voorkennis: kies het model dat bij de opdracht past, meet wat een fout kost en houd de tussenstappen klein. Zo blijft het AI-budget gericht besteed en blijft zwaar geschut beschikbaar voor de momenten waarop het echt iets oplevert.