Alisina NawabiHet zijn niet de leaderboards maar de inkoopafdelingen die nu het verschil voelen. Sridhar Ramaswamy, de CEO van datareus Snowflake, deelde publiek een eigen benchmark waarin het Chinese open-weight model GLM-5.2 het opneemt tegen Claude Opus 4.7 op echte dataprogrammeertaken. De uitkomst is opvallend: de twee zitten dicht bij elkaar, terwijl het ene model een veelvoud kost van het andere.
Wat de benchmark liet zien
Het team van Snowflake testte beide modellen op 103 dbt-taken die op zowel DuckDB als Snowflake moesten slagen, een realistische opzet waarin code op meerdere dataplatforms moet kloppen. De score met drie pogingen kwam uit op 66 procent voor GLM-5.2 tegen 67 procent voor Opus 4.7, feitelijk gelijkspel. Bij één poging won Opus met 53,7 tegen 47,6 procent. Ramaswamy merkte op dat GLM op sommige taken als enige tot een oplossing kwam, juist omdat het consequenter controleert of de code op beide platforms werkt.
Het prijsverschil is waar het wringt. GLM-5.2 rekent ongeveer 1,40 dollar per miljoen invoertokens en 4,40 dollar voor uitvoer; voor Opus 4.7 staat dat op 5 en 25 dollar. Per uitvoertoken is dat ongeveer een vijfde van de prijs.
De nuance: meer tokens, meer omwegen
De prijs per token is niet hetzelfde als de prijs per klus. GLM verbruikte in de test 860 miljoen afgerekende tokens tegen 439 miljoen voor Opus, bijna het dubbele, met gemiddeld meer beurten en meer uitvoeringsstappen. In een uitschieter had GLM 411 tool-aanroepen en 24 minuten nodig voor een taak die Opus in 9 minuten en 49 aanroepen klaarde. Soms gaf GLM het ook simpelweg op als het geen schrijfpad vond. Ramaswamy's conclusie is nuchter: het volume aan controleslagen voorspelt niet de juistheid. Zelfs met dat dubbele tokenverbruik blijft GLM door het lagere tarief goedkoper, maar de kloof is kleiner dan de stickerprijs suggereert.
Deze benchmark staat niet op zichzelf. Eerder bleek dit model al GPT-5.5 te verslaan op coding voor een fractie van de prijs, en het is afkomstig van Zhipu, dat GLM-5.2 als open alternatief voor de westerse gesloten modellen op de markt zet. Nieuw is dat nu een CEO van een groot databedrijf zijn naam onder een eigen praktijktest zet.
Wat betekent dit voor jou
Voor elk Nederlands bedrijf met een AI-budget is dit een concreet ijkpunt. Open-weight modellen zijn geen experiment meer voor hobbyisten, maar een serieuze optie waar een beursgenoteerde CEO publiek op durft te benchmarken. Voor coding- en datataken kan dat de kosten fors drukken, zeker als je het model zelf draait of via een Europese aanbieder afneemt in plaats van per token bij te betalen aan een Amerikaanse leverancier. Reken wel met het echte plaatje: tel het hogere tokenverbruik en de extra omwegen mee, niet alleen het tarief per miljoen tokens. Want open-weight zelf draaien is niet automatisch goedkoper dan een cloud-API per miljoen tokens zodra je alle stappen meerekent.
En weeg de herkomst mee. Een Chinees model is aantrekkelijk geprijsd, maar er zijn signalen dat code van Chinese modellen vaker kwetsbaarheden bevat, dus laat output altijd controleren en houd gevoelige data onder eigen beheer. De boodschap is niet blind overstappen, maar dat de prijs-prestatieverhouding inmiddels zo scheef ligt dat geen enkele inkoper de open modellen nog ongemoeid kan laten.
Veelgestelde vragen
Slim kiezen tussen AI-modellen
De goedkoopste sticker is zelden de echte rekening. Ik help je een AI-opzet kiezen en bouwen die op prijs, prestaties en eigenaarschap klopt, end-to-end van meedenken tot realisatie en self-hosted waar dat kan.
Dit artikel is geproduceerd samen met het Agent Team. Meer over de redactie.
