Vier AI-labs brengen in één week nieuwe modellen uit

Anthropic, Meta, Google en OpenAI brachten tussen 1 en 3 september alle vier een nieuw model uit, een tempo dat CNBC op 6 september beschrijft als model fatigue bij de bedrijven die deze modellen moeten inkopen.

Voor een Nederlands bedrijf dat AI in een product of een proces heeft zitten, verandert daarmee vooral de agenda. Het vergelijken zelf wordt een vaste kostenpost: ceo's en IT-managers steken volgens CNBC onevenredig veel tijd en budget in het naast elkaar leggen van kosten en capaciteiten om niet achterop te raken. De koptarieven van de nieuwe modellen liggen dicht bij elkaar. Het verschil zit in de regels eronder, en die zie je pas als je de prijspagina echt openslaat.

Drie dagen, zes lanceringen

De volgorde was strak. Op dinsdag 1 september kwam Anthropic met Claude Fable 5.1 en het afgeschermde Mythos 5.1. Woensdag volgden Meta met Muse Spark 1.3 en Google met Gemini 3.8 Flash. Donderdag zette OpenAI GPT-6 Astra in de markt, en dezelfde dag gaf de Mohamed bin Zayed University of Artificial Intelligence in Abu Dhabi zijn K2 Horizon-modellen vrij aan de open-source-gemeenschap.

Daar kwam op donderdag nog een verschuiving in de infrastructuur bovenop. Jensen Huang bevestigde dat Nvidia Hugging Face overneemt voor 12,93 miljard dollar, met de toezegging dat het platform open blijft voor het hele ecosysteem en dat Nvidia-rekenkracht optioneel blijft. De plek waar veel Nederlandse teams hun open modellen vandaan halen, krijgt daarmee een chipfabrikant als eigenaar.

Waar het verschil in je maandrekening zit

De twee zwaarste releases van de week dragen exact dezelfde kopprijs: 10 dollar per miljoen invoertokens en 50 dollar per miljoen uitvoertokens. Daaronder lopen ze uiteen.

Anthropic liet die kopprijs staan en verlaagde in plaats daarvan het herlezen van gecachete context van 1,00 naar 0,25 dollar per miljoen tokens. Het bedrijf komt daarmee uit op ongeveer 25 procent lagere kosten voor een typische workload en tot ongeveer 45 procent voor sterk agentisch werk. Wat die korting bij jou waard is, hangt volledig af van je eigen verhouding tussen herlezen context en verse invoer, zoals de rekensom achter cache reads die 75 procent goedkoper werden laat zien.

Bij OpenAI zit de val aan de andere kant. GPT-6 Astra heeft een contextvenster van 1.050.000 tokens, maar volgens de eigen modeldocumentatie worden verzoeken boven 272.000 invoertokens voor het hele verzoek tegen twee keer het invoer- en cachetarief en anderhalf keer het uitvoertarief afgerekend. Een groot venster nodigt uit om alles in de prompt te proppen. Precies dat gedrag verdubbelt de rekening.

Dat is het soort detail dat een upgrade duur maakt of juist goedkoop, en het staat in geen enkele lanceringskop. Wie in dezelfde week vier modellen langs de meetlat legt, komt er alleen achter door per aanbieder de tariefpagina te lezen en het eigen verbruikspatroon ernaast te houden.

Waarom de labs zo dicht op elkaar leveren

Sam Altman zegt dat de bedrijven allemaal naar een hoger releasetempo bewegen en schrijft een deel van de opeenhoping toe aan teams die terug zijn van zomervakantie. Dat verklaart de timing, niet de druk erachter.

Ahmed Abbasi, hoogleraar aan de Mendoza School of Business van Notre Dame, noemt de echte motor: de ontwikkelaars spelen allemaal het share-of-wallet-spel, waarin ze elkaar bijhouden en tegelijk hun innovatietempo moeten laten zien. Runpod-ceo Zhen Lu, die zelf AI-rekencapaciteit verkoopt, vat de uitwerking op de afnemerskant samen met de zin die de term opleverde: model fatigue is volgens hem een reëel verschijnsel, hoe enthousiast hij verder ook is over wat er uitkomt.

De veiligheidsrekening loopt mee

Abbasi zet er een waarschuwing bij die verder gaat dan vermoeide inkopers. Met agents die zo snel doorontwikkelen wordt het aanvalsoppervlak volgens hem veel groter, en dat kan totale chaos worden als er niet wordt opgelet. Dat is geen abstractie voor wie deze modellen daadwerkelijk laat handelen: OpenAI leverde Astra uit met bewaking op elke tool-aanroep die een lopende API-taak simpelweg afbreekt.

De spanning tussen die twee sporen is niet nieuw. Eind juli vroegen 1.134 medewerkers van OpenAI, Anthropic, Google en Meta de Amerikaanse overheid om instrumenten waarmee het tempo van geautomatiseerde AI-ontwikkeling bewust geremd kan worden. Zes weken later staan dezelfde vier bedrijven in één week met nieuwe frontier-modellen in de etalage.

Van elke release najagen naar een vaste evaluatiecyclus

Wat er verschuift, is niet welk model deze week wint. Het is dat de vergelijking een terugkerende taak wordt met een prijskaartje in uren. Eén release kost al werk: OpenAI publiceerde twee dagen na Astra een eigen promptgids met een blokkeerlijst van woorden die het model moet vermijden, omdat de oude prompts niet zomaar meeverhuizen. Vermenigvuldig dat met vier aanbieders per week en je hebt geen inkoopvraag meer maar een proces.

De praktische scheidslijn loopt tussen twee houdingen. Wie elke aankondiging najaagt, migreert continu en verliest de vergelijkingsbasis, want elke test draait op een andere onderlaag. Wie een vast moment prikt, bijvoorbeeld per kwartaal, meet dezelfde eigen taken tegen dezelfde eigen kosten en kan een release die daartussen valt gewoon laten liggen tot dat moment.

Het releasetempo is daarmee zelf een leverancierskenmerk geworden, naast prijs, datalocatie en beschikbaarheid. Een aanbieder die drie keer per kwartaal een nieuw vlaggenschip neerzet, verplaatst een deel van zijn ontwikkelkosten naar jouw team, in de vorm van hertesten, herschreven prompts en opnieuw doorgerekende tarieven. Zolang de vier grootste labs elkaar in dezelfde week blijven overbieden, is de enige variabele die je zelf in de hand hebt hoe vaak je meekijkt.