Peter Verrykt, Business Director Professional Services bij Xylos, zet de cijfers op een rij en legt uit hoe je je AI-architectuur zo opbouwt dat ze een prijsschok opvangt, in welke richting de markt ook beweegt.

Eind september verlaagden Anthropic en OpenAI op dezelfde dag hun prijzen. Anthropic bracht Claude Opus 5.5 uit, 20% goedkoper dan zijn voorganger. Een paar uur later zette OpenAI de prijs van GPT-6 Sol en Luna op de helft van wat de vorige generatie kostte. Voor wie vandaag AI inkoopt of gebruikt, is dat goed nieuws. Maar wie verder kijkt dan de volgende factuur, ziet een markt die met verlies verkoopt.

Laten we eerst even naar de cijfers kijken: OpenAI haalde in het eerste kwartaal van 2026 5,7 miljard dollar omzet en verbrandde in diezelfde drie maanden 3,7 miljard dollar cash (The Information). Volgens een investeerderspresentatie die de Financial Times midden september kon inkijken, verwacht OpenAI tussen 2026 en 2030 een negatieve vrije cashflow van 278 miljard dollar. Tegen 2030 gaat er zo'n 856 miljard dollar naar rekenkracht en infrastructuur. Ondanks een kapitaalronde van 122 miljard in maart kan het geld al in 2028 op zijn. Daarom zoekt OpenAI nu opnieuw kapitaal, tegen een waardering van meer dan 1.200 miljard dollar.

Anthropic doet het cijfermatig iets beter, maar volgt hetzelfde patroon. In februari haalde het 30 miljard dollar op tegen een waardering van 380 miljard. Drie maanden later volgde een ronde van 65 miljard tegen 965 miljard. Volgens het uitgelekte beursprospectus leed Anthropic vorig jaar een operationeel verlies van ruim 8 miljard dollar op een omzet van 4,6 miljard. Het legde zich ook al vast op 518 miljard dollar aan infrastructuur. Anthropic verwacht pas vanaf 2028 een positieve vrije cashflow. De kosten voor rekenkracht dalen wel: in het eerste kwartaal kostte die nog 71 cent per dollar omzet, in het tweede kwartaal 56 cent. Op aangepaste basis haalde Anthropic in het tweede kwartaal zelfs een operationele winst. Maar ook dat traject hangt af van een markt die blijft investeren.

De hele sector draait dus op de verwachting dat de omzet ooit de investeringen inhaalt. Zolang die verwachting leeft, stroomt het geld. Het is een klassieke piek in de hypecyclus. Een product dat onder de kostprijs verkocht wordt en door kapitaal overeind blijft, is uiteraard op termijn niet houdbaar.

Normaal kom je uit zo'n situatie door de echte kostprijs door te rekenen. Maar de prijzen gaan net de andere kant op, en dat heeft een duidelijke oorzaak.

Chinese modellen hebben de achterstand grotendeels ingehaald en kosten slechts een fractie. DeepSeek V4 Flash kost buiten de piekuren 0,15 dollar per miljoen inputtokens. Qwen 3.5 Flash van Alibaba kost 0,10 dollar. Ter vergelijking: Opus 5.5 kost na de prijsdaling nog altijd 4 dollar per miljoen inputtokens. In een vergelijking die Capacity in augustus aanhaalde, kostte dezelfde taak 544 dollar op Zhipu's GLM en 4.811 dollar op Claude. Dat is bijna negen keer zoveel. Volgens de prijsindex van Silicon Data, geanalyseerd door Jefferies, zakte de gemiddelde prijs per miljoen tokens tussen eind mei en begin augustus van 2,04 naar 1,16 dollar.

De westerse labs reageren met prijsdalingen. In augustus zakte GPT-5.6 Luna met 80% en kwam Opus 5 op de markt aan ongeveer de helft van de prijs van zijn voorganger. Eind september volgde de volgende ronde. OpenAI zegt er uitdrukkelijk bij dat de nieuwe prijzen permanent zijn. Sanchit Vir Gogia van Greyhound Research noemt het "a land grab for the default route through which enterprises buy intelligence": een strijd om de standaardroute waarlangs bedrijven AI inkopen. Gartner stelt dat modellen een commodity worden.

Wie marktaandeel koopt met verlies, rekent op een later moment waarop hij de prijs kan zetten. Dat moment komt door consolidatie, door investeerders die geduld verliezen of door een beursgang die rendement moet opleveren. Hoe dat precies loopt, weet niemand. Dat de prijzen van vandaag niet de prijzen van over drie jaar zijn, staat wel vast.

Voor bedrijven die vandaag AI inzetten, telt maar één ding: werkt wat je nu bouwt nog en rendeert het nog als de markt kantelt? Die kanteling kan twee kanten op. Prijzen kunnen stijgen als de subsidie stopt, maar ze kunnen ook verder dalen, en dan betaal je te veel als je vastzit aan één leverancier. Langs de andere kant kunnen modellen snel verdwijnen. Opus 5 werd na twee maanden al vervangen. Wie zijn toepassing rond één specifiek model bouwt, bouwt op los zand.

Een architectuur die dat opvangt, heeft een paar vaste eigenschappen:

1. Ten eerste staat er een abstractielaag tussen je toepassingen en de modellen. Dat kan een AI-gateway zijn die elke oproep ontvangt en doorstuurt naar het model dat je gekozen hebt. Binnen het Microsoft-ecosysteem kan dat bijvoorbeeld met de AI-gatewayfuncties van Azure API Management, terwijl Azure AI Foundry modellen van verschillende leveranciers samenbrengt. Wisselen van model wordt dan een configuratiekeuze, zonder dat je alles opnieuw moet bouwen. Leveranciersspecifieke functies gebruik je best bewust. Documenteer ze, zodat je weet wat je moet vervangen als het moment daar is.

2. Ten tweede routeer je per taak. Een topmodel heb je maar voor een deel van je vragen nodig. Een classificatie of een samenvatting draait prima op een model dat twintig keer goedkoper is. Het topmodel reserveer je voor het werk dat het verschil maakt. Vaak ligt daar de grootste besparing, groter dan wat eender welke prijsdaling oplevert.

3. Ten derde heb je je eigen evaluatieset. Een set representatieve taken met verwachte uitkomsten laat je binnen een dag beslissen of een nieuw of goedkoper model goed genoeg is. Zonder zo'n set blijft elke modelwissel een gok, en dan wissel je niet.

4. Ten vierde blijft je kennis van jou: je prompts, je context, je documentatie en je data. Die moeten los staan van het model, zodat ze meegaan naar het volgende.

5. Ten vijfde heb je een knipperlicht op de lopende kosten. Meet je kosten per toepassing, per klant en per afgeronde taak, en niet alleen per token. Stel budgetten en drempels in, zodat je een ontsporend proces of een agent die in een lus zit na een uur ziet, en niet pas op de maandfactuur. Wat je niet meet, kan je niet sturen, en bij verbruiksgebaseerde prijzen stijgt de factuur ongemerkt mee.

6. Tot slot heb je een uitwijkroute. Een open-weight model dat je zelf host of bij een Europese partner onderbrengt, dekt een deel van je toepassingen en dient als verzekering tegen een prijsschok of een leverancier die de voorwaarden verandert. Het helpt ook voor data die Europa niet mag verlaten.

Eigenlijk is dit allemaal bekend terrein. Het is dezelfde discipline die we twintig jaar geleden leerden bij de cloud: maak je niet afhankelijk van één partij, meet wat je verbruikt en zorg dat je kan vertrekken. Bij AI gaat het alleen sneller en schuiven de prijzen net iets harder.

Met de prijsdaling van Anthropic betaal je 20% minder voor Opus, en zelfs 60% minder voor gecachte input. Voor veel organisaties maakt dat meteen budget vrij. Je kan dat geld uitgeven aan meer tokens. Je kan het ook investeren in iets dat langer meegaat dan de huidige prijzen: een review van je AI-architectuur, een gateway, kostenbewaking en een evaluatieset die je in staat stelt om morgen van model te wisselen.

De prijsoorlog maakt experimenteren vandaag goedkoop. Wie die periode gebruikt om zijn fundamenten op orde te brengen, staat klaar voor wanneer de correctie komt.

Wil je weten hoe wendbaar je huidige AI-toepassingen zijn? Onze AI-architecten bekijken samen met jou waar je vastzit aan één model of leverancier, waar je kosten ongemerkt oplopen en welke stappen je eerst zet.

Neem contact op voor een verkennend gesprek.

Over de auteur

Peter Verrykt is Business Director Professional Services bij Xylos. Hij begeleidt organisaties in het omzetten van data naar concrete businesswaarde. Hij helpt bedrijven verder kijken dan technische implementaties en zet data en AI in als fundament voor betere beslissingen, meer wendbaarheid en duurzame groei.