*Sneller, goedkoper, opener. En toch verdienen de grote AI-bedrijven meer dan ooit. Hoe dat rijmt, bepaalt hoe jij de komende jaren automatiseert.*
Er is een demo die je een keer moet zien. Je typt een vraag in een chatbot en het antwoord staat er al. Niet woord voor woord, zoals bij ChatGPT, maar in één klap, sneller dan je kunt knipperen. De site heet chatjimmy.ai en draait op een chip van Taalas, een Canadese start-up die Meta's taalmodel Llama 3.1 8B, een relatief klein model, letterlijk in silicium heeft gebakken [2].
Gratis demo van Taalas, zonder account. Vraag om een lang verhaal en kijk hoe snel het er staat.
Om te begrijpen waarom dat zo snel is, helpt het te weten hoe een gewone AI-chip werkt. Een taalmodel bestaat uit miljarden getallen, de gewichten, en voor elk woord dat het schrijft moet een GPU die getallen opnieuw uit het geheugen halen. Dat heen en weer gesleep is de rem. Bij Taalas zitten de gewichten vast in de schakelingen zelf. Het bedrijf meldt zelf bijna 17.000 tokens per seconde voor één gebruiker, waarbij een token een stukje tekst is van ongeveer driekwart woord. Dat is een meting van de fabrikant, niet onafhankelijk herhaald, maar zelfs als je er een flinke marge van aftrekt blijft het tientallen keren sneller dan een Nvidia-GPU [2].
De grote jongens geloven het kennelijk. AMD kondigde op 6 augustus 2026 aan Taalas over te nemen [1]. Nvidia legde voor ongeveer 20 miljard dollar de technologie en een groot deel van het team van Groq binnen, een andere maker van chips speciaal voor snelle tekstgeneratie [4]. En OpenAI sloot met Cerebras, dat chips bouwt zo groot als een hele siliciumwafer, een contract van meer dan 20 miljard dollar voor 750 megawatt aan rekenkracht. Samen lanceerden ze Codex-Spark, een codeermodel dat meer dan 1.000 tokens per seconde schrijft [3].
Waarom zoveel geld voor snelheid? Omdat snelheid bepaalt wat er überhaupt kan. Een chatvraag die een halve seconde eerder beantwoord wordt, is leuk. Maar het echte nieuwe werk zit in AI-agents: systemen die zelfstandig een taak uitvoeren. Zo'n agent roept het model 10 tot 20 keer achter elkaar aan en verbruikt volgens Gartner 5 tot 30 keer zoveel tokens als een gewone chatvraag [5]. Elke stap wacht op de vorige. Als elke stap tien seconden duurt, ben je minuten kwijt en haakt de gebruiker af. Wordt elke stap tien keer sneller, dan voelt de agent als een collega die meteen aan de slag gaat.
Er is wel een adder onder het gras. De extreme snelheid van Taalas werkt nu alleen met kleine modellen; één chip draait bovendien maar één model [2]. Cerebras en Groq draaien wel grote modellen, met minder extreme winst. Of snelle chips in 2027 ook de zwaarste modellen aankunnen, is een open vraag.
Ondertussen gebeurt er iets opmerkelijks aan de andere kant van de markt. Open modellen, modellen waarvan de gewichten vrij te downloaden zijn, lopen steeds dichter achter de gesloten topmodellen aan. Volgens onderzoeksinstituut Epoch AI bedraagt die achterstand sinds januari 2026 gemiddeld zo'n vier maanden. Een paar jaar geleden was dat nog een hele generatie [6].
De koplopers komen opvallend genoeg vooral uit China: GLM van Z.ai, Qwen van Alibaba, Kimi van Moonshot en DeepSeek. Het belangrijkste westerse open model is gpt-oss van OpenAI zelf [6]. Meta, jarenlang hét gezicht van open AI met Llama, bracht in april 2026 met Muse Spark juist een gesloten topmodel uit, al blijft het daarnaast open modellen maken [16].
Tegelijk wordt alles goedkoper. Onderzoekers van de Tsinghua-universiteit beschreven de "densing law": wat een model per parameter kan, verdubbelt ongeveer elke 3,3 maanden [8]. En volgens Epoch AI daalt de prijs van een vaste prestatie met ongeveer 47 procent per kwartaal. Ruwweg dertien keer goedkoper per jaar [7]. Wat vandaag een duur topmodel vergt, draait over een jaar op een bescheiden machine.
Maar hier zit een kanttekening die je in de enthousiaste berichtgeving vaak mist. De open modellen die het dichtst bij de top zitten, zijn enorm. Kimi K2.6 heeft een biljoen parameters, GLM-5.1 telt er 744 miljard. Wie zoiets thuis wil draaien, zit aan machines van 13.000 tot 15.000 dollar en haalt dan soms maar een paar woorden per seconde [11]. Dat is trager dan leessnelheid; een mens verwerkt zo'n 5 tot 8 tokens per seconde.
Wat wél op gewone hardware past, is een klasse lager. Een laptop of pc met 32 GB geheugen draait modellen als Qwen3.6-35B of Gemma 4 26B. Met een mini-pc van rond de 3.600 dollar of een stevige MacBook Pro kom je op snelheden van 54 tot 88 tokens per seconde, zo'n tien keer zo snel als je leest [9][10].
| Hardware | Prijs | Model | Snelheid |
| Mini-pc met AMD Strix Halo, 128 GB | ~$3.600 | gpt-oss-120b | ~54 tokens/s |
| Nvidia DGX Spark, 128 GB | ~$6.950 | gpt-oss-120b | ~59 tokens/s |
| MacBook Pro M5 Max, 128 GB | ~$7.000 | gpt-oss-120b | ~88 tokens/s |
*Metingen van onafhankelijke testsites, niet van de fabrikanten. [9][10]*
En die klasse lager is beslist geen speelgoed. Op SWE-bench Verified, een gangbare test voor programmeerwerk, scoort Qwen3.6-35B rond de 73 procent. De beste gesloten modellen halen op een zwaardere variant van die test boven de 85 procent. De getallen zijn niet een-op-een vergelijkbaar, maar de richting is duidelijk: voor veel dagelijks werk is het lokale model goed genoeg, en voor het allerlastigste werk is het dat niet [10].
Je zou verwachten dat dit slecht nieuws is voor Anthropic en OpenAI. Het tegendeel gebeurt. Anthropic ging van een jaaromzet op basis van de lopende maand van ongeveer 9 miljard dollar eind 2025 naar meer dan 65 miljard eind juli 2026, meldde Reuters, en diende in oktober 2026 zijn beursaanvraag in [12][13]. Bij OpenAI lopen de cijfers uiteen: Axios meldde in september 2026 bijna 70 miljard dollar, Reuters kwam later uit op ongeveer 50 miljard. Hoe dan ook, het zijn bedragen die een jaar eerder ondenkbaar waren [14].
Tegelijk daalde het aandeel open modellen in zakelijk gebruik van 19 naar 11 procent, volgens onderzoek van Menlo Ventures [15]. Hoe kan dat, als open modellen zo inhaalden?
Het antwoord zit in wat die bedrijven eigenlijk verkopen. Steeds minder kaal modeltoegang, steeds meer complete producten: Claude Code bij Anthropic, Codex bij OpenAI, Muse Code bij Meta. Veel van Anthropic's groei komt van Claude Code, een programmeertool [12][13]. En voor dat soort werk geldt: het laatste stukje kwaliteit maakt het verschil tussen een taak die lukt en een agent die halverwege vastloopt. Zelf een model draaien vraagt bovendien installatie, beveiliging, updates en beheer. Bedrijven betalen dus niet alleen voor een sterk model, maar voor een werkwijze die meteen werkt en blijft werken.
De voorspellingen lijken elkaar tegen te spreken, maar dat valt mee. Investeerder Peter Fenton van Benchmark verwacht dat binnen 18 tot 24 maanden meer dan 90 procent van alle tokens van open modellen komt. Dat is een optimistische investeerdersvoorspelling, geen zekerheid [18]. Analisten van Morningstar verwachten juist dat de grote labs hun voorsprong behouden door betere modellen, distributie en partnerschappen [19]. Beide kunnen tegelijk uitkomen: open modellen pakken het meeste volume, de labs houden het waardevolste werk.
Zo ontstaat in 2027 een markt in lagen. Bovenaan de topmodellen in de cloud, voor het zwaarste werk: complexe agents, lastige code, taken waar een fout duur is. Daaronder open modellen als goedkope bulk, voor de enorme hoeveelheid alledaagse verzoeken. En op kantoor of in eigen datacenter een lokale laag voor gevoelige gegevens en vaste taken. Forrester verwacht dat in 2027 meer dan de helft van de Europese bedrijven die AI gebruiken zo'n eigen "soevereine" laag toevoegt, onder Europese controle. Wel met een kanttekening: die laag krijgt naar verwachting minder dan 10 procent van het rekenwerk en vervangt niets [17]. Het is een aanvulling, geen vluchtroute.
Geen omwenteling dus, maar een splitsing. En dat is goed nieuws, want het betekent dat je keuzes kunt maken in plaats van één paard te kiezen.
Praktisch betekent het vier dingen:
De chip van Taalas en de omzetcijfers van Anthropic lijken twee tegengestelde verhalen. Samen vertellen ze er één: AI wordt overal tegelijk sneller, goedkoper en beter, en de waarde verschuift naar wie het slimst kiest welk werk waar draait. Die keuze maak je niet in 2027. Die maak je nu, in hoe je je automatiseringen inricht. Heb je daar hulp bij nodig? Neem dan vooral contact op voor vrijblijvend advies.
Bronnen verzameld op 30 oktober 2026. Omzetcijfers zijn jaaromzetten op basis van de lopende maand, geen gecontroleerde jaarcijfers.
1. [AMD: AMD acquires Taalas (persbericht, 6 augustus 2026)](https://ir.amd.com/news-events/press-releases/detail/1296/amd-acquires-taalas-to-advance-compute-solutions-for-rapidly-growing-ai-inference-market)
2. [NYU Shanghai RITS: AMD acquires Taalas, the startup etching LLMs into silicon](https://rits.shanghai.nyu.edu/ai/amd-acquires-taalas-the-startup-etching-llms-into-silicon/)
3. [Cerebras: kwartaalcijfers, Form 8-K (SEC)](https://www.sec.gov/Archives/edgar/data/0002021728/000162828026044941/cbrsannouncesfinancialresu.htm) en [Cerebras: resultaten eerste kwartaal 2026](https://investors.cerebras.ai/news-releases/news-release-details/cerebras-systems-announces-strong-first-quarter-2026-results)
4. [GPUsmith: Nvidia Groq 3 LPU explained](https://gpusmith.com/articles/en/nvidia-groq-3-lpu-explained)
5. [iTiger: tokenvraag door agents (cijfers van Gartner en Goldman Sachs)](https://www.itiger.com/news/1135681610)
6. [Epoch AI: Open models lag state-of-the-art closed models by 4 months](https://epoch.ai/data-insights/open-closed-eci-gap) en [Epoch AI: Open-weight models](https://epoch.ai/topics/open-models)
7. [Epoch AI: The plunging price of thought](https://epoch.ai/publications/the-plunging-price-of-thought)
8. [Xiao e.a. (Tsinghua): Densing Law of LLMs, arXiv](https://arxiv.org/abs/2412.04315v2)
9. [ComputingForGeeks: DGX Spark vs Strix Halo vs Mac](https://computingforgeeks.com/dgx-spark-vs-strix-halo-vs-mac-studio/)
10. [ComputingForGeeks: open source LLM comparison](https://computingforgeeks.com/open-source-llm-comparison/)
11. [Hacker News: Local models in mid-2026](https://hackernews-dynamic.seasondane.workers.dev/news/48524855)
12. [Reuters: Anthropic revenue run rate tops $65 billion](https://www.reuters.com/technology/anthropic-revenue-run-rate-tops-65-billion-source-says-2026-08-17/)
13. [Fortune: Anthropic's S-1](https://fortune.com/2026/10/28/anthropic-s-1-where-openai-might-have-advantage/)
14. [Axios: OpenAI's annual recurring revenue nears $70B](https://axios.com/2026/09/29/scoop-openais-annual-recurring-revenue-nears-70b) en [Economic Times: Anthropic vs OpenAI (Reuters-cijfers)](https://economictimes.indiatimes.com/markets/us-stocks/wall-street-guide/anthropic-vs-openai-how-claude-makers-growth-is-challenging-chatgpt-ahead-of-ipo/printarticle/135215446.cms)
15. [Menlo Ventures: The State of Generative AI in the Enterprise](https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/)
16. [Zapier: Meta AI Muse Spark](https://zapier.com/blog/meta-ai-muse-spark/)
17. [Forrester: Predictions 2027, Europe wants control but can't pull the plug](https://www.forrester.com/blogs/predictions-2027-europe-wants-control-but-cant-pull-the-plug/)
18. [The Outpost: companies pivot to cheaper AI models (Peter Fenton)](https://theoutpost.ai/news-story/companies-pivot-to-cheaper-ai-models-as-open-source-systems-challenge-industry-giants-28479/)
19. [Morningstar: Do AI labs like Anthropic and OpenAI have economic moats?](https://global.morningstar.com/en-ca/stocks/do-ai-labs-like-anthropic-openai-have-economic-moats)
Nederlands
English