'OpenAI wil ChatGPT upgraden naar superapp met tools die meer geld opleveren'

OpenAI zou een grote upgrade van zijn AI-bot ChatGPT voorbereiden om meer inkomsten te genereren en de bedrijfswaarde te verhogen met het oog op de geplande beursgang. Dit meldt The Financial Times op basis van bronnen binnen het AI-bedrijf.

De vernieuwing waar OpenAI nu aan werkt, is de grootste herziening van ChatGPT sinds het de AI-hype startte, schrijft The Financial Times. De bekende AI-chatbot kwam eind 2022 publiekelijk beschikbaar. Dat was toen niet alleen een verrassing voor het grote publiek, maar ook voor het eigen bestuur, onthulde een voormalig bestuurslid twee jaar terug. Nu zijn de nieuwe ambitieuze plannen van OpenAI uitgelekt via de zakenkrant.

De krant meldt dat het AI-bedrijf een superapp van ChatGPT wil maken. Die combineert programmeertools met AI-agents en producten die volgens OpenAI-directieleden meer omzet opleveren. Het is nog niet duidelijk wat dat laatste precies omvat. AI-bedrijven als OpenAI staan onder flinke financiële druk, terwijl er zorgen leven dat de AI-hype een zeepbel is die uiteenspat.

Hoge en nog hogere kosten

Het trainen van AI-modellen en het draaien van AI-toepassingen kost veel geld. De enorme investeringen in AI verdienen zich tot op heden niet terug. Bovendien stijgen de kosten flink in de 'wapenwedloop' voor nieuwere, krachtigere AI-modellen en -toepassingen. Eerder bleek AI-gegenereerde video te duur voor OpenAI om aan te houden. Eind maart schrapte het bedrijf zijn AI-videoapp Sora. Toch wil OpenAI naar de beurs, wat het snel hoopt te doen om afzwakkende groei voor te zijn.

ChatGPT. Bron: SOPA Images/LightRocket

Reacties (101)

[machiel]

Niet alleen is de waarde van grootschalige LLM inzet nog niet overtuigend bewezen en zijn er in ieder geval ook nadelen aan zoals verlies van vaardigheden bij gebruikers - de werkelijke kosten zijn tot nu toe niet transparant. We hebben gesubsidieerde LLMs mogen proeven maar die subsidie gaat er nu in stappen vanaf en dan wordt de business case snel lastiger. Zeker LLMs die in processen meedraaien en duizenden keren per dag aangeroepen worden, zullen MI vervangen worden door gewone code.

[Skit3000]

Zeker LLMs die in processen meedraaien en duizenden keren per dag aangeroepen worden, zullen MI vervangen worden door gewone code.

Wat draait dan duizenden keren per dag, bijvoorbeeld iets voor het verwerken van inkomende mails zodat (een deel) alvast automatisch beantwoord wordt en de klant minder lang hoeft te wachten? Dat valt natuurlijk niet in code te vatten; elke mail is weer anders.

[bzuidgeest]

Ik ben een grote fan van AI gebruik om mijn werk te versnellen, maar automatisch mail laten beantwoorden? Dat gaat voor nu een stap te ver. Je weet maar nooit wat de AI tegen een klant zegt of belooft.

[Marve79]

Inderdaad, mooi stukje van Lubach ging daarover, 9 keer zegt AI netjes goedendag en de tiende keer ineens Heil Hitler.

Ik zou AI echt niks automatisch laten doen, ik gebruik het extreem veel. Ik beheer infrastructuren en ik gebruik AI echt voor het merendeel van mijn werkzaamheden maar ik controleer toch alles. Af en toe zegt hij echt dingen die nergens op slaan en moet je toch bijsturen. Wat bijv Claude kan is echt indrukwekkend maar ik zou hem echt niet autonoom zijn gang laten gaan.

Wat ChatGPT betreft denk ik dat ze al links en rechts zijn ingehaald door Gemini en Claude. Ik denk dat die beursgang een disaster gaat zijn.

[bzuidgeest]

Ik denk dat die beursgang een disaster gaat zijn.

Weet ik niet zo zeker. Kan ook de bubbel verder opblazen.

[familyman]

Ik heb een worldonline gevoel erbij, for sure.

[Luchtbakker]

Het ligt er sterk aan wat je chatgpt laat doen. Bij claude ligt de focus vooral op programmeren en daar zijn ze heer en meester in momenteel. Gemini is best goed een alles in 1 tools alleen komt er nog steeds regelmatig de grootste onzin uit hem.

Chatgpt is heel erg krachtig in research, image generation en logisch nadenken. Daar kunnen claude en Gemini echt nog van leren.

Ik zou ze dus niet te snel weg schuiven.

[betwetor]

Dat maakt binnenkort ook niet meer uit. Geen mens leest de mail nog. En wel gaan allemaal vissen terwijl er email-slop rondgestuurd wordt door AI.

[bzuidgeest]

Veel mensen maken ergere slop dan AI. De mensheid heeft AI nooit nodig gehad om troep rond te mailen.

[Wimmish]

Klopt en dat is een heel goed voorbeeld. Ik werk aan een toepassing die met een klein lokaal LLM e-mails analyseert en dan de juiste workflow start. Dat kun je niet met wat "simpele" code vervangen. De combinatie van kleine modellen met aanvullende code werkt wel heel goed.

[TheJVH]

En dat is dan ook waar het gevaar zit voor OpenAI en dergelijke. Hun waarde is er vooral omdat ze modellen hebben die grote context windows hebben, veel verschillende dingen kunnen doen en die dingen beter kunnen doen dan de concurrent / open source. Echter voor die kleine taken (zoals mails categoriseren) heb je helemaal geen grote modellen nodig. Sterker nog, voordat de LLM's zoals we ze nu kennen in opmars kwamen, hadden we hele andere machine learning technieken om dit voor elkaar te krijgen. Die kleine, gespecialiseerde modellen zullen veel beter beschikbaar komen en kan je vaak gewoon lokaal draaien waardoor je geen enorme kosten hoeft te maken door OpenAI te betalen.

[Reactie gewijzigd door TheJVH op 8 juni 2026 10:28]

[ro4sho]

De automatische antwoorden zijn juist de grootste ergernis. Hoe vaak moet jij je prompt verbeteren omdat het model he net verkeerd heeft begrepen? E-mails van klanten zijn geen prompt, de context wordt niet zo goed beschreven als dat je zou willen. Als 40% van de e-mails onvolledig/verkeerd wordt beantwoord kan dat voor nog meer werk zorgen.

[Skit3000]

Als 90% van de mails van klanten gaat over het opvragen van de status of het annuleren van hun bestelling, kan je denk ik best wel een LLM gebruiken om die er uit te filteren, de gevraagde actie uit te voeren en een (standaard) mail terug te sturen.

[ro4sho]

Ik denk dat je dan geen LLM nodig hebt. Dit kun je afdoen met automatisering. Goedkoper.

[foobar79]

En dan vraag ik me af waarom je dan niet een fatsoenlijke webinterface maakt waar dit allemaal in kan ipv dit via een (chat) bot te laten afhandelen.
Als je enigszins volume hebt zal het al snel goedkoper zijn, nog even los van de gevaren van het loslaten van een LLM (zie ook de account takeovers bij Meta recentelijk)

[Cybje]

Maar antwoorden van mensen zijn ook zelden juist. Als ik 3 vragen stel per e-mail aan een klantenservice, wordt er vrijwel altijd 1 overgeslagen en dan vaak ook nog 1 half beantwoord. Het lijkt net alsof mensen zich maar op 1 vraag focussen op dat moment. Inmiddels stel ik dus maar 1 vraag per mail in dat soort gevallen. Maar een AI doet dit over het algemeen gewoon goed, die mist geen enkele letter. En in een langere conversatie is AI ook veel beter in alle context gebruiken, terwijl een menselijke klantenservicemedewerker dingen vergeet (wat niet gek is, want diegene behandelt misschien wel 50 klanten op een dag).

[ro4sho]

Dat mensen zelden juist antwoorden lijkt mij wat overdreven. Wellicht in jouw ervaring, maar in het grotere plaatje (ik heb zelf op een aantal klantenservices gewerkt) worden vragen wel juist beantwoord.

Ik weet niet wat jouw ervaring met AI is, maar wat ik vaak zie gebeuren is dat juist niet alle context op alle momenten wordt gebruikt (voor zover die al wordt gegeven door veel klanten). Een model kiest voor de weg van de minste weerstand, wat soms tot suboptimale oplossing leidt.

Als je 3 vragen in een mail moest stellen aan een bedrijf, dan zou ik me afvragen of je daar nog wel klant moet zijn. Dan is de klantenservice het minste van je problemen.

[copi]

De grap is natuurlijk dat je daar openAI of wat dan ook helemaal niet voor nodig hebt. Die pompen miljarden in het trainen van de modellen maar of dat nu de gewenste waarde op gaat leveren is de vraag.

Het gebruiken van de modellen kost een fractie en daar zit het verdienmodel. Ik zou denken dat er andere partijen met de winst van door gaan die modellen hosten danwel in de cloud danwel zorgen voor lokale implementaties. Ik zie echt niet hoe een openAI het hoofd boven water gaat houden of mis ik iets?

[Skit3000]

Het zou mij ook niet verbazen als OpenAI een keer onderuit gaat, maar tot op heden zijn de beste modellen nog steeds wel ontwikkelt door de partijen die er het meeste geld tegenaan gooien. Ze gokken er allemaal op dat ze uiteindelijk een manier vinden om tegen exponentieel lagere kosten een model kunnen trainen dan nu (en dat met dezelfde hardware doen, dus daarmee een model maken dat "tientallen" keren beter is dan dat van de concurrent zodat ze als enige speler overblijven).

Ik vind het allemaal prima; hoe meer geld er nu naar onderzoek gaat (door wie dan ook), hoe groter de kans dat er straks inderdaad enorm goede modellen zijn die je bij wijze van spreken op je smartwatch nog kunt draaien.

[Jefrey Lijffijt]

OpenAI biedt geen eindoplossingen en daarom hebben ze een probleem.

De waarde van LLMs is wel degelijk kristalhelder, je kunt daarmee informatie verwerken tegen een snelheid, prijs en (vaak ook) kwaliteit die je met personeel totaal niet zou kunnen halen. Veel van die verwerking kun je niet regelgebaseerd doen, dus dat is helemaal geen alternatief. De grote waarde haal je inderdaad niet eruit via een chatinterface, wel via complexere automatisering. Door de grote innovatiesnelheid zie je dat er maar een beperkte waarde zit in hogere kwaliteit aanbieden dan de rest, want 12 maanden later kun je hetzelfde doen met open weights. Daarom heeft OpenAI een probleem, niet omdat LLMs uberhaupt geen waarde hebben.

[Martinspire]

Mja eens. Momenteel ben ik al na een week door de limieten heen van Github Copilot, waar ik voorheen prima een maand ermee kon doen. En ik verwacht eigenlijk niet dat dit de laatste prijsstijging is. Zolang ze nog bepaalde zaken goedkoper kunnen houden, heb je dat mensen er nog wel geïnteresseerd in zijn, maar zodra je een bepaald limiet bereikt qua kosten, gaan veel mensen toch echt wel minderen en kijken naar alternatieven.

[NoTechSupport]

100%, LLMs worden idd vaak ingezet op plaatsen waar code beter zou zijn. Als je pas de hamer ontdekt hebt is alles een nagel 😃.

Verlies van vaardigheden kan een issue zijn, al moet daarbij gezegd worden dat je andere vaardigheden kweekt (ben persoonlijk als ontwikkelaar meer gefocust op kwaliteit, structuur, probleemstelling en validatie, minder op "handwerk").

Als je ziet wat LLMs kunnen is de vraag vooral hoe de revolutie eruit zal zien, niet of ze zal plaatsvinden. Dat gaat, zoals alle grote veranderingen, in horten en stoten gaan. Ik verwacht dus wel correcties op korte termijn. Of het ten goede zal zijn is nog een groot vraagteken. Massaal jobverlies is een optie, economische depressies zijn een optie, zowel binnen als buiten de AI-wereld. Ik vrees dat het de wereld een pak ongelijker kan maken en veel werkloosheid kan veroorzaken.

[valvy]

Ik weet niet helemaal hoe dit zit met chatgpt. Maar Claude code en NotebookLM zijn echt magisch. Voor beide instrumenten zou ik een hoop voor willen betalen als dat nodig is. Waarbij ik eerder een lijvig wetenschappelijk verslag moest lezen, kan Ik dit nu in podcast vorm tijdens het hardlopen doen. Tevens kan ik mijn eigen mini apps maken om dingen te automatiseren en te prototypen

het zal wellicht (voor nu) software ontwikkelaars en creatievelingen niet helemaal vervangen. Maar als leek kan ik zoveel meer dingen (of makkelijker) doen dan een paar jaar geleden. Er is echt meerwaarde in enkele vormen van ai.

maar ja, of dit de huidige beurs waarderingen rechtvaardigt.. dat weet ik niet. Vliegtuigen zijn ook heel waardevol voor individuen, maar de meeste vliegtuig maatschappijen maken ook praktisch altijd verlies en zijn zeer slecht voor het milieu.

[bzuidgeest]

Voor mij persoonlijk is de waarde wel degelijk bewezen. Zeker als je het lokaal zou kunnen draaien.

Niet om mijn werk over te nemen, maar om het enorm te versnellen en op plekken te brengen waar ik anders tijd nog geld voor zou hebben.

Voor mij persoonlijk zijn de winsten assistentie bij reverse engineering met ghidra. De AI leest assembly met gemak. Kost dat ding veel minder tijd en ik hoef alleen het resultaat te bekijken. Patroon herkenning in onbekende formats zijn ze ook nog al geweldig voor. Ze herkennen veel makkelijker compressie en wat al niet dan ik. En ze kennen er veel meer obscure vormen van.

Dan met code porten naar een ander platform. je zet de machine aan het werk en laat het werken tot de testen allemaal groen licht geven. In de tussentijd kan ik iets anders doen.

Image AI kan ik "generatief upscalen" laten doen. Afbeeldingen uit het dostijdperk van QVGA naar 4K omzetten met invullen van detail zonder bij te verzinnen. Doen ze ook prima. Geen artiest met kosten en eigen ego meer nodig.

AI vervangt mij niet, maar het versterkt mijn werk enorm. Het neemt al het grunt werkt weg en laat mij de creativiteit en het denkwerk overhouden. Je hoeft je er niet aan over te geven, je kan het je ook laten versterken. Een augmentatie.

[A Lurker]

Zeker LLMs die in processen meedraaien en duizenden keren per dag aangeroepen worden, zullen MI vervangen worden door gewone code.

Code handmatig maken kan al decennia, als er voor een bepaalde usecase een goede business case was om het te automatiseren was die normaalgezien al ontwikkeld. Nu gebruiken we LLMs voor allerhande meer taken; het is een uitbreiding van de productiviteit. Stellen dat we daarna toch maar weer code zullen gaan schrijven voor de repetitieve of intensieve LLM taken is daarmee nog niet gestaafd; waarom was die usecase dan vóór de introductie LLMs niet ondervangen met code?

Door te stellen dat als uiteindelijk de duimschroeven qua winstgevendheid aangedraaid worden de innovatie weer (deels) teruggedraaid wordt door die kosten is simpelweg maar een kant van het verhaal. Je hebt namelijk productiekosten (wat kost het de fabrikant) en de vraagprijs (wat vraagt ie voor zijn product of dienst). In geval van LLMs is daar inderdaad een grote discrepantie en is er veel verlies.

En zodra die meer in lijn komen zijn -op dit moment- de productiekosten nu nog te hoog voor menig toepassing, maar datzelfde geldt voor elke tech. Vrijwel niemand kocht een dure OLED tv van 15000 euro.

Maar door je conclusie "Zeker LLMs die in processen meedraaien en duizenden keren per dag aangeroepen worden, zullen MI vervangen worden door gewone code." te baseren op enkel de vraagprijs die gaat stijgen en niet mee te nemen dat de productiekosten even goed gaan dalen als natuurwet van innovatie suggereert dat we ons met LLMs in een volledig statische wereld begeven.

Anders gezegd: De subsidie-fase is simpelweg een business model (het amazon-model; grow first, then profit) en hoe de early adoption verloopt (free samples) en zegt niks over de mate van levensvatbaarheid van het concept an sich voor de lange termijn.

[Reactie gewijzigd door A Lurker op 8 juni 2026 10:31]

[meowmofo]

Hier alvast een mooi kijkje in wat data over de daadwerkelijke kosten: https://isaiprofitable.com/

Vooralsnog is er 1 bedrijf die er schathemeltje rijk van wordt, naar de geheugenfabrikanten die daar niet meegenomen zijn.

[Gamebuster]

Zeker LLMs die in processen meedraaien en duizenden keren per dag aangeroepen worden, zullen MI vervangen worden door gewone code.

Onzin. Zelfs lokale modellen zijn nu al prima geschikt voor taken die "gewone code" niet (makkelijk) kunnen oplossen, en binnen een paar jaar heeft ieder smart-device voldoende hardware aan boort voor lokale modellen.

Ook "cloud modellen", zoals de goedkopere flash-lite/haiku modellen zijn prima geschikt voor vele taken. Ik voer complete log-dumps aan LLMs voor analyze voor nog geen dollar per dag.

[locke960]

en zijn er in ieder geval ook nadelen aan zoals verlies van vaardigheden bij gebruikers

Dat is een voordeel in de ogen van AI bedrijven. Het maakt klanten afhankelijker.

[lighting_]

pak jij tegenwoordig pen en papier? Gebruik jij geen calculator?

[chris_0611]

Een calculator is accuraat. Als mijn calculator 60% van de tijd dingen vol overtuiging hallucineert, dan zou ik inderdaad pen en papier gebruiken ja.

[bzuidgeest]

Je zou ook gewoon een betere rekenmachine kunnen kopen.

[chris_0611]

Als de auto 60% van de tijd willekeurig naar een verkeerde bestemming zou rijden, zou ik een paard pakken inderdaad.

[lighting_]

je antwoord is het bewijs dat je geen valide argumenten heb. Hoeveel tel nummers ken je nog uit je hoofd?

[Reactie gewijzigd door lighting_ op 8 juni 2026 11:16]

[icecreamfarmer]

Nee jij komt met achterlijke voorbeelden.

[lighting_]

omdat jij ook geen goed argument heb Werk jij nog met fax?

[Reactie gewijzigd door lighting_ op 8 juni 2026 11:39]

[chris_0611]

Als de telefoon waar in ik het opsla 60% van de tijd een fout nummer zou bellen (en me vol overtuiging zou gaslighten dat hij toch echt het juiste nummer belt), dan zou ik inderdaad weer telefoonnummers uit mijn hoofd gaan leren ja.

Snap je het nu bijna?

[thePiett]

Ik krijg hier een beetje het "Metaverse gevoel" bij: ik vraag me af wie hier nu echt op zit te wachten. Er wordt veel geld in gepompt zonder dat het duidelijk is of er wel genoeg vraag is. Ik denk dat ze moeten oppassen dat het niet te invasief of privacy gevoelig wordt.

[LittleKiller]

Wij gebruiken inmiddels door het gehele bedrijf agentic AI. Daar zit echt veel waarde in.

Wat altijd door mijn hoofd spookt is dat op een gegeven moment de wet van dimishing returns toch echt om de hoek zal komen.

Ik ben echt benieuwd hoe open source modellen zich dan verhouden tot de frontier modellen. Hardware zal goedkoper en meer dedicated AI worden, local AI zal denk ik echt een grote concurrent zijn voor openai.

Ik ben benieuwd of ze het hoofd boven water kunnen houden, het zelfde geldt voor anthropic overigens.

Dus deze stap, om minder AI focussed te zijn, maar meer service, kan ik wel begrijpen.

[DeNachtwacht]

Helaas gaat die vlieger niet op. Goede lokale modellen zullen zeker steeds beter worden, maar de cloud modellen zijn (geschat) enkele terabytes groot. Dat zijn natuurlijk bedrijfsgeheimen, maar je ziet dus als dat dat totaal andere koek is dan zelfs een model van 26 gigabyte wat je kan draaien op een RTX 5090 met 32 GB VRAM. Een optie is het taalmodel in dedicated ram te draaien, dan kun je als consument tot 128 of zelfs 256 gb gaan maar houdt het ook op (en is je bankrekening leeg met 32GB voor €400 momenteel ). Nadeel van dedicated ram is ook dat het zelfs in de beste gevallen (macbooks) 3 tot 4x langzamer is dan vram en je dus flink langer op antwoord moet wachten.

Grote bedrijven en/of onderwijsinstellingen zijn al actief met eigen setups met bijvoorbeeld de "redelijk betaalbare" RTX Blackwell 6000 pro met 96GB vram (+/- €9000), maar je ziet al dat je daar dus ook voor meerdere GPU's moet gaan voordat je echt in de buurt van de grote cloudmodellen komt.

Tel daarbij het nadeel op dat dat dus betekent dat als Piet van de administratie nu aan het prompten is, de hele afdeling financieën dus moet wachten tot hij klaar is bij lokale modellen: je kan alleen samen aan de slag op zo'n ding als het vram gesplitst wordt door kleinere modellen te gebruiken en we hebben net gezien dat je dat niet wil.

Kortom, Lokale AI wordt zeker steeds leuker, maar dat kan pas echt zakelijk interessant gaan worden als iedereen op zijn eigen device die terabytes aan vram heeft, en daar zijn we nog wel even vandaan zullen we maar eufemistisch zeggen

[Reactie gewijzigd door DeNachtwacht op 8 juni 2026 09:09]

[siggy]

Mwoa valt reuze mee hoor. Het complete MKB heeft geen mega modellen nodig voor 90% wat op dit moment uitbesteed kan worden aan agentic AI modellen.

Als je naar high tech industrie gaat kijken, ja vast. Specialistische industrie, vast. Maar voor het mkb is een dgx of 2 al meer dan genoeg. En het is gewoon fte-besparend, danwel omzet verhogend.

Wat is nou de prijs van een dgx tov een (extra) medewerker? Zelfs een paar honderd euro per maand aan een model in de cloud is peanuts vergeleken met wat een medewerker zou kosten.

Open source gaat echt het ding worden voor mkb, maar voor de grote jongens die zullen vast en zeker in de cloud blijven. En dat is beide prima.

[thePiett]

Op de lange termijn "wint" het bedrijf misschien wel wat closed-source modellen lokaal draaibaar maakt. Goed getrainde modellen met recente traininggegevens. Even afgezien van hoe je dat technisch oplost. Bedrijven willen gewoon hun (gevoelige) data niet delen. Maar de echte waarde zit in het meesturen van je data in context. En ik denk dat de cloud onhoudbaar is. Er zit een rem op de bouw van nieuwe datacenters. Anthropic heeft nu al moeite met de capaciteit. Het wordt onbetaalbaar.

En als je erover nadenkt: AI hoeft helemaal niet in een datacenter te draaien. AI vereist vooral krachtige hardware, niet de volledige set voorzieningen die een datacenter biedt. Redundantie, fysieke beveiliging en noodstroom zijn nodig voor de continuïteit van de dienstverlening voor een cloudprovider, maar niet voor de werking van het AI-model zelf.

[DeNachtwacht]

Waar heb ik gezegd dat ik kies voor een extra medewerker? De discussie ging over lokaal of cloudgebruik. En juist bij lokaal gebruik komt het inhuren van die extra medewerker al snel in het zicht ;)

En daarom gaat dat MKB massaal voor cloudmodellen. Hardware moet je onderhouden, kost geld in aanschaf, moet een ruimte voor worden ingericht en veroudert elke paar jaar waardoor je het hele riedeltje weer opnieuw kan doen.

Het verbaast mij ergens dat er zoveel geloof is in eigen zakelijke modellen draaien, we zijn net éindelijk zover dat ook elke MKB'er ziet dat met je mail en data echt het veiligst en goedkoopst in de cloud kan zitten (mag natuurlijk wel een europese cloud worden, maar verder... ) in plaats van dat je dat op een servertje in de meterkast draait. En nu we eindelijk zover zijn begint bij AI ineens iedereen weer te denken dat het handig is het thuis zelf te doen.

Ik voorspel echt dat ook hier cloudmodellen de toekomst zijn en blijven. Alleen al door de enorm prijzige hardware die je ervoor nodig hebt.

[Reactie gewijzigd door DeNachtwacht op 8 juni 2026 09:49]

[batjes]

Voor specialistische industrie zou je prima een lokaal model zelf kunnen trainen dat qua resources nog binnen de perken blijft.

[ManIkWeet]

Tel daarbij het nadeel op dat dat dus betekent dat als Piet van de administratie nu aan het prompten is, de hele afdeling financieën dus moet wachten tot hij klaar is bij lokale modellen: je kan alleen samen aan de slag op zo'n ding als het vram gesplitst wordt door kleinere modellen te gebruiken en we hebben net gezien dat je dat niet wil.

Dat klopt niet helemaal, het is wel degelijk mogelijk om meerdere gebruikers op 1 model te draaien. De enige extra (V)RAM dat je dan nodig hebt, is de context.

Er zijn dus wel winsten te behalen op "consumenten"hardware bij het draaien van meerdere queries tegelijk. Dit kan interessant zijn voor multi-agent workflows (dus 1 LLM die kleine taakjes maakt, en meerdere agents die de taakjes afhandelt)

[DeNachtwacht]

Ehm, je hebt gelezen welk voorbeeld ik noemde qua grootte? Een 26GB model draaien op een 32GB gpu is dus per gebruiker 6 GB aan context. En ik kan je vertellen dat is nog aan de krappe kant. Dus als er 6 man gaan zitten prompten kun je dus zelfs in dit krappe voorbeeld nog 6x6GB vram = 36GB vram erbij reken naast je model van 26GB. Dan zit je dus sowieso al aan die RTX 6000 Pro blackwell van €9000 (en vergeet het systeem er niet omheen te bouwen).

Ik heb zelf inmiddels aardig wat ervaring met Qwen 3.6 27B en Gemma 4 27B, op een RTX 5090. In beide gevallen rond de 24GB groot en dan zit mijn VRAM in beide gevallen net in de veilige marge met 30-31.5GB in gebruik. Deze twee modellen zijn de eerste die vrij aardig werken voor programmeren, maar ook op een RTX 5090 is een cloudmodel gewoon flink sneller, en daarnaast is het kwalitatief echt niet vergelijkbaar. Flink grote prompts met vibecoden leiden helaas toch nog tot echt aantoonbaar fout uitgevoerde opdrachten (dat is dus iets anders dan een cloudmodel dat iets niet goed doet omdat je het zelf niet duidelijk omschrijven hebt).

Dus nee, ik denk niet dat lokale AI echt de toekomst op lange termijn gaat zijn voor zakelijk gebruik.

[Zoijar]

Zo werkt een llm niet, ze zijn stateless. Je verbruikt niet ineens meer vram met groeiende context. (Het zijn matrix vermenigvuldigingen, wanneer de dimensie vast staat blijft alles constant, enige is de attention masking bij padded sequences)

[Reactie gewijzigd door Zoijar op 8 juni 2026 10:20]

[DeNachtwacht]

Hmm dit is voor mij nieuw, die context is toch per actieve sessie per gebruiker? Als ik naar mijn ollama server van (bijv) 4 verschillende PC's prompts verstuur zeg jij dus dat de context net zo groot blijft (en ongeacht de lengte van de chat) vergeleken met wanneer dat maar vanaf 1 pc gebeurt?

[rjd22]

Dit is ook de reden waarom er vaak meerdere GPU's ingezet worden. Ikzelf draai lokale modellen (nu qwen 3.6 35B-A3B) voor programmeren en deze werkt met opencode echt ruim voldoende op mijn AMD 64GB workstation. Het meerdeel van de taken die ik hem laat doen kan hij zonder interventie gewoon uitvoeren.

Het voordeel van programmeren is dat je niet een heel groot model nodig hebt om dit goed te doen. Zolang je hem maar genoeg info geeft over je architectuur.

Wel let ik zelf heel erg op mijn eigen brainrot. Dus ik werk naast het model ook gewoon nog zelf en doe gedegen onderzoek. Want het verlies van kennis en kunde is echt reëel.

[Reactie gewijzigd door rjd22 op 8 juni 2026 09:58]

[DeNachtwacht]

Tip: Qwen 3.6 27B werkt fijner

Maar ik vind het dus (ook Gemma 4) nog geen waardige vervangers voor cloudmodellen, en zie dat ook bij programmeren nog niet snel gebeuren.

[Zoijar]

Zelfs geen context die gaat er altijd helemaal in (sequence length). Je kan meerdere prompts in 1 sequence packen, of sowieso sequences batchen. Dat doen de ai boeren zelf ook, men denkt toch niet dat die 1 gpu per gebruiker allocaten?

[W!mpix]

Momenteel zijn ze terabytes groot, zouden nieuwe compressietechnieken en optimalisaties op software en algoritme niveau er niet voor kunnen zorgen dat ze niet langer zoveel ruimte in beslag nemen?

[DeNachtwacht]

het probleem is hier het aantal virtuele neuronen. Opensource modellen zijn vaak 12B - 27B soms max 35B groot (ofwel "neuronen"). Van de cloudmodellen
- zijn de schattingen dat ze minstens 800-900B groot zijn
- is van chatGPT 5.2 een schatting gemaakt dat deze ongeveer 10% van het aantal digitale neuronen van menselijke hersenen heeft. Neem om dat even te beseffen mee dat ze daar dus al een jaar of 10 aan werken.

Nu gaan de ontwikkelingen snel, maar het zal dus nog rustig 10 jaar duren voordat zo'n cloudmodel 50-60% van de menselijke hersenen is qua capactiteit. En je ziet hierbij dus ook dat dat lokaal gaan draaien voorlopig echt out of the question is.

[xbeam]

Voor het automatiseren van taken binnen bedrijven heb juist helemaal niet grote modellen nodig. Kost alleen maar veel verloren comput en langzaam en.

hoe kleiner hoe beter

[therazo]

Zeker wel. Bijvoorbeeld quantization helpt hier al enorm mee en er zijn talloze versies van de open-weight modellen. Je kan op Huggingface 'Quantizations` selecteren om deze versies voor een specifiek model te vinden. Ook standaardondersteuning voor Multi-Token Prediction (MTP) helpt, bijvoorbeeld in Gemma 4.

[watercoolertje]

Niet helemaal want die pas je dan ook toe in het datacenter. Dus stel dat we lokaal met een truucje 10x betere modellen kunnen draaien, dan kan je dat truucje in een datacenter natuurlijk ook toepassen.

Het is een beetje het laptop-gpu vs desktop-gpu verhaal, elk truucje wat de laptop-gpu op zou krikken naar een desktop-gpu kan je ook toepassen op de desktop-gpu, dus die zal altijd zijn voorsprong behouden.

Wat wel zo is is dat de lokale modellen 'voldoende' kunnen zijn voor bepaald gebruik (zijn ze in zekere zin nu ook al), maar ze zullen altijd achterlopen op een datacenter. Een beter model is echter niet altijd nodig.

[Reactie gewijzigd door watercoolertje op 8 juni 2026 10:14]

[De Vliegmieren]

open-weight modellen zijn net zo goed met zulke grote datasetten getrained en lopen helemaal niet ver achter op de frontier models.

Je kan zelfs open source modellen zelf trainen (een redelijk dure grap als je geen serieus doeleinde nastreeft), en de datasets van bijv. Allen AI's Olmo 2 zijn gewoon te downloaden.

Natuurlijk ga je die dingen niet lokaal draaien op je gamer hardware, maar een cluster inference GPUs met HBM is prima door grotere bedrijven en organisaties aan te schaffen, of anders toegang ertoe te huren.

[bzuidgeest]

Terrabytes is gewoon te behappen als je echt wil. Zeker in de toekomst. En die echt grote modellen draaien zelden op 1 GPU. Het grootste deel is MoE, multiple of expert. Betekend dat een model van 80B bestaat uit allemaal kleine agents/experts van 3B of zo en die draaien apart. Die kan je dus over kleinere GPU's load balancen.

[Oon]

Zal nog héél lang duren voor lokale LLM's relevant zijn hoor. Zelfs de nieuwste hardware is enorm traag in vergelijking met de resources die achter zo'n ChatGPT sessie hangen, en waar die hosted modellen zich in prijzen is het harnas waar ze in hangen dat een legio aan tools heeft die uitgevoerd kunnen worden.
Je kunt prima een beetje model lokaal draaien, maar de ervaring is verre van hetzelfde, en de output is gewoon van nóg lagere kwaliteit

[therazo]

Oneens. We zien nu overal dat de verliezen voor de AI bedrijven te groot worden, en limieten- en prijzen flink aangescherpt worden. Bijvoorbeeld GitHub Copilot met usage-based billing is een groot discussiepunt bij ons. De enige reden dat cloud-LLMs voor consumenten nu gratis/goedkoop zijn, is vanwege geld van investeerders. Met mijn RTX 3060 12GB kan je hele leuke modellen lokaal draaien, die snel- en slim genoeg zijn voor simpele dagelijkse taken. Agent harness van bijvoorbeeld Claude Code of GitHub Copilot is inmiddels ook publiek bekend.

Het gat tussen lokaal- en cloud is echt kleiner geworden afgelopen jaar.

[RobertPeterson]

Hangt er toch wel vanaf waarvoor je het gebruikt denk ik? Qwen 3.6 is een goed bruikbaar model voor eigenlijk alles.

Daarnaast is Qwen 3 coder een echt goed coder. Hang het aan open router en je mcp servers en je hebt een prima proffesioneel workflow. Alleen het echte Agentic werk is lokaal niet te doen op consumenten hardware.

Prima om in VScode te draaien, prima om webdevelopment en software development met grote repos lokaal te draaien.

[Oon]

Tja, andere verwachtingen misschien?
Ik heb voorbeelden gezien van o.a. Qwen maar ik was nou niet echt onder de indruk, ligt toch nog ver achter op bijv. Claude Code en daar ben ik in kwaliteit en snelheid ook al niet echt van onder de indruk.
Ik ben nog geen LLM tegengekomen die aan mijn eisen voor een junior voldoet, maar er zijn genoeg mensen die er zo ongetest mee in productie gaan

[De Vliegmieren]

Zover lopen open-weight models niet achter op de frontier models hoor.

Als het loont kan een bedrijf/organisatie ook zelf een cluster GPUs met HBM kopen. En indien gewenst, kan het natuurlijk ook toegang gehuurd worden zonder dat je voor de softwarelaag betaalt zoals bij LLM aanbieders.

Het draait nu dus voor de grote LLM aanbieders vooral om innovatie en subsidiëring van tokens om klanten te binden, maar ik ben niet overtuigd dat de huidige markt reeds een captive audience is van deze aanbieders.

[Reactie gewijzigd door De Vliegmieren op 8 juni 2026 10:54]

[themadone]

Als we even de splitsing maken tussen de meest recente reddit posts in het model hebben zitten en gewoon een simpele agentic workflow willen uitvoeren kan dit laatste prima lokaal.

Je moet niet verwachten dat je met een single prompt alles gaat fixxen met lokale modellen, echter is dat ook bij de cloud modellen een ongelooflijke token waste. Als je kleine werkprocesses wil automatiseren zijn een paar nette blackwells echt meer dan zat om tot een mooi resultaat te komen.

Zelf bijvoorbeeld al een meeting notulist, RAG set up(praat met je docs) en een zooi andere random taken volledig weggeautomatiseerd op deze manier en ik kan je melden dat het tot nu toe zeer goed werkt en eigenlijk geen fouten maakt(na tuning uiteraard).

Er zit veel waarde in kleine gerichte LLM's die hebben geen mega cloud infra nodig en ook niet de daar bijbehorende resource waste.

[Scribe]

Ben benieuwd waar jullie agentic AI voor gebruiken, tot nu toe zijn de meeste toepassingen die ik gezien heb een leuk nieuwtje maar niet echt professioneel toepasbaar

[Kloppendlid]

Zelf gebruik ik Cursor i.c.m. Opus 4.6 om de meeste(bijna alle) van mijn programmeer taken over te nemen. Met de juiste instructies maakt hij een plan om bepaalde functionaliteiten aan mijn best grote(Python / Javascript / Vue gebaseerde) applicatie toe te voegen.
De structuur van de applicatie bepaal ik, hoe componenten opgebouwd zijn en hoe alles functioneel aan elkaar geknoopt zit. Dit weet hij prima te analyseren en als er iets nieuws toegevoegd moet worden gaat dat in 90% van de gevallen zonder problemen.

Ik gebruik LLM's nu een jaar en sinds Opus 4.6 begin dit jaar is uitgekomen is mijn productiviteit enorm omhoog gegaan. Als een klant een bepaalde toevoeging wil in de applicatie is dit met een duidelijk plan binnen een paar uur te realiseren (wat eerst wel een paar dagen tijd kostte) en allemaal in de juiste structuur en opmaak.

[Martinspire]

En wat als Opus daadwerkelijk kost wat de werkelijke kosten zijn + winst? Want nu is het nog heel erg gesubsidieerd. Je ziet bij de uitrol van de nieuwe Github Copilot prijzen al dat de kosten ineens een veelvoud zijn van je voorgaande prijzen, dus hoe meer je eraan verslaafd raakt om het duurste model te gebruiken, hoe harder de klap is als je vanwege financiële redenen ineens wat anders moet gaan gebruiken...

[Kloppendlid]

Uiteindelijk is het een rekensommetje natuurlijk, wat kost het t.o.v. wat het oplevert en wat kun je doorberekenen aan klanten.

Stel dat het gebruik 1k per maand(wat het nu bij lange nog niet kost) zou kosten en het verdubbeld mijn productiviteit dan heeft het al een positieve impact voor mij.

[wiseger]

Maar wat als het over vijf jaar vier keer zo duur is als jij kost en nog altijd tot een verdubbeling van je productiviteit leidt. Kan je dan nog terug schakelen? Is er nog voldoende personeel over om weer zelf aan de slag te gaan of wordt je gedwongen om toch maar de hogere prijs gewoon te betalen want de organisatie kan niet meer zonder.

Er zitten echt wel paralellen met de grootschalige outsourcing projecten die 20 jaar geleden begonnen. Op een gegeven moment was er helemaal geen optie meer om nog terug te gaan en moest je gewoon betalen wat er gevraagd werd na afloop van een contract.. De rekensommetjes werden daarna ook niet langer gemaakt.

[Kloppendlid]

Ik denk dat je altijd flexibel moet blijven en er voor moet zorgen dat je nooit afhankelijk bent van 1 ei in je mandje. Maar je moet ook niet uit angst voor eventuele toekomstige veranderingen het agentic AI gebeuren links laten liggen.

Probeer zoveel mogelijk alle voordelen te benutten van de mogelijkheden die geboden worden. Een jaar geleden was ik nog best sceptisch over wat het deed en kon maar dat is de afgelopen maanden wel omgedraaid.

En misschien is het over een jaar wel weer allemaal anders maar dan pas ik mij wel weer aan.

[wiseger]

Je bent wel erg optimistisch ingesteld merk ik. Waarom zou iemand straks nog een dure prompter inhuren als de volgende generatie AI dat zelf veel beter kan?

Nu moet de business nog de gewenste functionaliteit uitleggen aan anderen die weinig kennis van de business processen hebben. Een proces waar vaak interpretatie verschillen ontstaan. Laat de AI gewoon rechtstreeks werken met de business waarna de AI vervolgens andere AI aan het werk zet.

Als de prijs maar laag genoeg blijft, zal de automatisering met AI echt geen harde grenzen kennen. De enige vraag die overblijft, wat zijn straks de kosten van AI voor een bedrijf?

[Kloppendlid]

Als de volgende generatie dat prima kan, waarom niet. De toekomst blijft altijd koffiedik kijken.
De wereld veranderd continu (in de IT misschien wel bizar veel de afgelopen 25-30 jaar) maar zolang je flexibel kunt blijven kun je hopelijk gewoon meebewegen met de meeste golven.

En er zal ongetwijfeld werk verdwijnen, er zullen vast ook nieuwe deuren open gaan.
Is het goed, is het slecht? Geen flauw idee. Maar ik ben liever positief dan negatief over de toekomst en ik ga er vanuit dat alles wel goedkomt.

[oCe]

Precies dit inderdaad. Heb je een solide codebase? Goede documentatie/structuur? Omschrijf duidelijk de taken, de wensen, de beperkingen, etc: enorme productiviteitsboost te behalen.

[robinofski]

Er zal ook best veel animo zijn voor deze bedrijven om juist die local modellen de kop in te duwen. Op wat voor manier dan ook.

[Oon]

Zolang ze hun modellen groter (en hopelijk beter) blijven maken kan een lokaal model dat niet bijhouden. Die moeten zoveel efficienter zijn dat je gewoon heel veel verliest tot er veel rondes aan optimalisatie zijn geweest

[The-Source]

Je kan lokaal ook naast publiek draaien. Waarbij je lokaal gebruikt voor (niet uitsluitend) simpelere taken. Maar je kan lokaal 'verplicht' zijn om te gebruiken wanneer je met gevoelige data werkt die het bedrijf nooit mogen verlaten.

Je moet gewoon goed begrip hebben van het landschap, wat er mogelijk is maar ook welke limitaties erzijn binnen AI model maar ook bedrijfspolicy / gebruikersdata.
Daarom is het nooit zo zwart wit tussen lokaal is beter of publiek is beter. Het kan gewoon zo zijn dat je soms geen keus hebt tussen de 2 ivm andere factoren.

[Keypunchie]

Ik ben echt benieuwd hoe open source modellen zich dan verhouden tot de frontier modellen. Hardware zal goedkoper en meer dedicated AI worden, local AI zal denk ik echt een grote concurrent zijn voor openai.

Zou je zeker hiermee bezig houden, om de heel simpele reden: agentic AI van de grote providers gaat duurder worden: al die miljarden moeten terugverdiend.

Binnen ons bedrijf maken we zeker ook veel gebruik van AI, maar vanwege de onvolwassenheid kan het nog zeker niet op het kritieke pad, maar alleen maar ondersteunend ingezet worden.

[Blokker_1999]

Iedereen droomt ervan om een superapp te bouwen na het zien van deze apps in China. Maar ze vergeten dat wij in een andere wereld leven. De superapps in China zijn kunnen ontstaan omdat er niet echt alternatieven waren tijdens de opkomst van die apps, daar staat tegenover dat de superapps die we nu in het westen zien opkomen moeten opboksen tegen gevestigde waardes, en dat maakt de kans op slagen natuurlijk veel kleiner.

[Oon]

Niet alleen is er in China geen alternatief, de Chinese techsector hangt grotendeels samen met de overheid en die apps zijn zo goed als verplicht.
Als de Nederlandse overheid ook ineens wereldwijd techbedrijven gaat opkopen zoals de Chinese overheid doet via bijv. Tencent dan kunnen wij ook ooit een totalitaire app hebben waar we alles van betalen en identificeren tot chatten mee doen, zodat de overheid alles dat we zeggen kan controleren

[Zwarte_os]

Iedereen Het MT die ingefluisterd worden door consultants die elkaar vooral napraten. Ik heb weinig mensen en product teams gezien die enthousiast worden van het idee van een super app.

[Mol_1248163264]

Zeggen zie hier eigenlijk dat ze de AI strijd aan het verliezen zijn en wanhopig andere manieren zoeken om geld te kunnen verdienen? Per maand stroomt er bij OpenAI miljarden dollars uit aan kosten terwijl de opbrengsten te laag zijn om deze kosten te dekken.

Het bedrijf verwacht dat ze rond 2029 winstgevend zullen zijn als het bedrijf enorm gegroeid is. (wat niet waarschijnlijk is vanwege de concurrentie)

[Jedotw]

Je benoemt één van de grote problemen: vooralsnog is het schuiven met honderden miljarden, op basis van niet onderbouwde toekomstige inkomsten. Daarnaast is er een enorm tekort aan datacenters, dat zeker niet gerealiseerd gaat worden in de tijdspanne die de AI-bedrijven communiceren. Onderzoek wijst uit dat slechts 22% van de projecten met AI in het bedrijsfleven succesvol is, waarbij dan nog eens het overgrote deel "chatdiensten" zijn. Consumentengebruik zal enorm afnemen op het moment dat er betaald moet gaan worden en dat is dichterbij dan we allemaal denken.

Het is te schandalig voor worden dat de AI-bedrijven niet aan de GAAP-regels hoeven te voldoen en maar incorrecte informatie blijven publiceren. Mooiste voorbeeld is toch wel OpenAI: (gechargeerd) we hebben dit jaar 50 miljoen geïnvesteerd in een nieuwe LLM. We verwachten dat die in 2027 100 miljoen gaat opbrengen dus dit jaar een winst van 50 miljoen...

[Mol_1248163264]

Dit verhaal met deze grote AI bedrijven begint ook steeds meer op "The Big Short" uit 2015 te lijken. Veel analisten zien dat OpenAI nooit winstgevend gaat worden vanwege de hoge kosten/concurrentie en uiteindelijk failliet gaat. Maar de investeringen gaan intussen door want "AI is de toekomst" totdat het straks fout gaat.

Probleem met AI is dat op dit moment de schaalvoordelen niet van toepassing zijn. Naarmate de modellen groter/slimmer worden, neemt het aantal berekeningen en dus kosten ook met dezelfde verhouding toe.

Eerst zal de wetenschap de AI modellen efficiënter moeten maken, voordat de schaalvoordelen van toepassing kunnen zijn.

[Reactie gewijzigd door Mol_1248163264 op 8 juni 2026 10:08]

[Wolfos]

Ik denk dat OpenAI er wel komt met de winstgevendheid. Ze geven momenteel twee keer zoveel uit als binnen komt, maar ze zijn nog niet echt aan het bezuinigen geslagen. Er word nog volop ontwikkeld. Daarnaast word hardware per regel steeds efficienter. Geef het tien jaar en ze gebruiken de helft van de elektriciteit en de helft van de servers voor hetzelfde resultaat.

[Sjaakys]

Bij ons wordt er ook veel gebruik gemaakt van de betaalde business licentie. Wij betalen nu € 21 per maand per user, dat is peanuts maar er wordt dan ook verlies gemaakt.

Vanaf welk prijspunt gaat OpenAI echt verdienen aan hun dienst? Ik heb werkelijk geen idee. €50, €100, €300? Ik vind dat belangrijk om te weten want dan kan je preventief keuzes maken om juist niet te investeren omdat je weet dat de kosten ooit veel hoger gaan worden.

Heeft iemand daar een beetje een idee van? Als ik het ChatGPT zelf vraag krijg ik geen fatsoelijk antwoord.

[svennd]

Ik vermoed dat geen enkel abbo op dit moment de kosten draagt. Pas nu zie ik managers voor heel het team een subscription nemen, waarvan ik dan vermoed dat er wel een paar weinig gebruik zullen van maken.

[wiseger]

Het is nauwelijks te bepalen. Er wordt enorm geinvesteerd in hardware om modellen te ontwikkelen maar wat nu exact de afschrijvingstermijn van die hardware is?

[mocean]

6 maanden tot 1 jaar? Als de hardware enorm snel innoveert dan is hardware die teveel energie slurpt echt heel snel 'op'. En aangezien de energiekosten echt huge zijn, denk ik niet dat die hardware zomaar een 2e leven kan krijgen.

[wiseger]

Ik weet het niet, ik heb er echt geen idee van maar uiteindelijk is het de vraag, van die 600 miljard USD aan investeringen in OpenAI, hoeveel is daar op dit moment nog van over als daadwerkelijke productie middelen en welk deel daarvan is er 'verbrand', geld wat uitgegeven is maar waar geen opbrengsten meer van te verwachten zijn?

[mocean]

Ja de verhouding training/gebruik is m.i. onbekend; maar ik vrees dat de huidige abo-bedragen nog niet de variabele kosten drukken....

[Jefrey Lijffijt]

De modellen hebben verschillende groottes en daarmee energieverbruik. Het is dus een vraag die niet beantwoord kan worden. Ze kunnen aan abonnementen voor 20 euro ook winst maken, maar ze zijn blijkbaar te bang dat als ze niet iets bieden dat beter is dan de rest tegen dezelfde prijs, dat ze dan gebruikers kwijt zouden raken. Verder gaat er geen limiet komen aan kwaliteit, maar des te meer kwaliteit je nodig hebt des te meer geld het je gaat kosten. De innovatiesnelheid is wel heel hoog, volgens NVIDIA is er in de afgelopen twee jaar 100x zoveel performance/watt gehaald en dan is er ook nog winst binnen de modelarchitecturen, training en datakwaliteit. Moeilijk om een getal op te plakken, maar wat nu frontier is aan 200 euro/maand is volgend jaar waarschijnlijk al nog maar 20 euro/maand. Ik zou zelf prima durven investeren in use cases die nu wat te duur lijken, want dat is in no time veel goedkoper. Iets moeilijker is als de vereiste kwaliteit totaal niet gehaald wordt, want de 'jagged frontier' houdt in dat het vrij onvoorspelbaar is waar taalmodellen wel en niet goed in zijn.

[Jedotw]

Met de hoeveelheid aan negatieve publicaties de afgelopen periode hebben de AI-bedrijven door dat ze moeten veranderen. Als bijvoorbeeld de COO van Uber het volgende zegt: "It is becoming harder to justify AI costs within the company" en iemand anders: "If you can’t measure how good something is, how much it might cost, or what your return on investment might be, it’s fair to ask why you’re even paying for it in the first place."

Beiden (maar ook anderen) geven dus aan dat de ROI minimaal is of zelfs niet bestaat. En dat geldt dan voor de gebruikers. Maar ook de bedrijven zien in dat de huidige inkomsten niet voldoende zijn, De gevolgen zie je al: abonnementen veranderen (voornamelijk minder tokens voor meer geld, het beëindigen van "gesubsidieerd gebruikt)), kwaliteit van de output vermindert door beperkingen.

[Steven Klink]

Oja natuurlijk! Meer geld was de reden voor AI

[CelisC]

tools die meer geld opleveren

• De gebruikerservaring
• Duurzame oplossingen voor een extreem vervuilend product
• Gebruikers informeren over hoe ze de tools juist wél en juist níét moeten gebruiken
• Geld verdienen

Ik voel me een labrat met hoe vooral Amerikaanse tools toch redelijk door onze strot gedrukt worden. De tech heeft absoluut toegevoegde waarde in bepaalde velden, maar de beweegredenen achter deze corporate tools zijn extreem zorgwekkend. Ik blij er dan ook ver vandaan totdat duidelijk is wat nu écht de kosten zijn van chatbots e.d.

[Reactie gewijzigd door CelisC op 8 juni 2026 10:44]

[Pasteis]

Ik zie dezelfde beweging met AI die Cloud ook eerst had.

Cloud werd (misschien nog wel steeds) aangeboden voor een heel aantrekkelijk bedrag. Zeker het management is gevoelig voor grote kostenbesparingen en gaan daarom mee dat cloud voor het bedrijf veel beter is. Vervolgens worden prijzen stapsgewijs verhoogd en zeker als je een vendor lock hebt hebben deze bedrijven je goed te pakken. Exitplan? Nee, daar hebben ze nog nooit van gehoord.

Nu hetzelfde met AI. Personeel wordt ontslagen, er wordt gekeken naar de snelle opbrengsten om vervolgens achter je oren te krabben, want er zijn een aantal scenario's waar onvoldoende rekening mee is gehouden:

- Grotere limitaties in de cloudmodellen;
- Duurdere abonnementen en tokens;
- Klant verlangt naar persoonlijk contact, maar er is doorgeschoten in automatisering met als gevolg dat communicatie onpersoonlijk wordt.

Netzoals met cloud moet je zoeken naar een goede balans, ook met AI.

Ik snap dat OpenAI deze stap zet, maar ik zou als bestuurder toch echt minder snel geneigd zijn om afhankelijk te worden van een "superapp" die is uitgegeven door een bedrijf wat bovendien ook nog eens Amerikaans is en met Altman een opvallende CEO heeft (zoek zijn achtergrond en verleden maar uit).

Ik ben veel gevoeliger om meerdere diensten te combineren, afhankelijkheid te minimaliseren en goede hybride designs te bedenken met goede exitstrategieën.

[Speedster]

" Ik snap dat OpenAI deze stap zet, maar ik zou als bestuurder toch echt minder snel geneigd zijn om afhankelijk te worden van een "superapp" die is uitgegeven door een bedrijf wat bovendien ook nog eens Amerikaans is"

Wat is er mis met Amerikaanse bedrijven?

"en met Altman een opvallende CEO heeft (zoek zijn achtergrond en verleden maar uit)."

Krijgen we nu huiswerk? Dan willen we ook een overhoring.
Even een linkje naar het opvallende aan Altman is teveel?