Verslaat efficiëntie de schaal?

Over de aanname dat groter altijd beter is, het moment waarop die aanname scheurde, en wat dat betekent voor wie een model kiest.

Laatst nagekeken: 4 september 2026

Tussen 2023 en 2025 gold in de AI-sector één vuistregel: wie de meeste rekenkracht heeft, wint. Grotere modellen, meer chips, meer datacenters. Op die aanname rustten de investeringsbeslissingen van de hele sector, en een aanzienlijk deel van de beurswaarderingen die eraan vasthingen.

In januari 2025 kwam die aanname voor het eerst zichtbaar onder druk.

Wat er gebeurde

 Het Chinese DeepSeek publiceerde zijn V3- en R1-modellen. Het opvallende was niet de prestatie op zich, maar de verhouding tussen prestatie en middelen.

Volgens het eigen technische rapport van DeepSeek werd V3 getraind in 2,788 miljoen H800-GPU-uren, wat bij een aangenomen tarief van twee dollar per uur neerkomt op ongeveer 5,58 miljoen dollar. Ramingen voor vergelijkbare westerse modellen liggen een orde van grootte hoger.

Bij dat cijfer hoort een kanttekening die in veel berichtgeving wegvalt: het slaat op de finale trainingsrun. Voorafgaand onderzoek en verworpen experimenten zitten er niet in. DeepSeek vermeldt dat zelf. Wie de volledige ontwikkelkost zou meetellen, komt hoger uit. Ook zonder die correctie blijft het verschil aanzienlijk.

De reactie van de markt was onmiddellijk. De aankondiging wiste in één handelsdag ongeveer 589 miljard dollar van de beurswaarde van Nvidia.

Waarom die reactie zo scherp was

 De waardering van een chipfabrikant in deze markt rust op de verwachting dat modellen groter, duurder en hardwarehongeriger blijven worden. Onder die aanname is rekenkracht schaars, en schaarste bepaalt de prijs.

Wat DeepSeek liet zien, is dat een aanzienlijk deel van de vooruitgang ook uit architectuur en trainingsmethode kan komen in plaats van uit meer apparatuur. Als dezelfde prestatie haalbaar is met minder chips, dan is de schaarste kleiner dan aangenomen.

Dat verklaart de omvang van de reactie. Er werd niet één concurrent bijgeprijsd, er werd een aanname bijgesteld waarop een hele investeringslogica rustte.

Wat het niet bewijst

Drie correcties op het verhaal zoals het vaak wordt verteld.

• De curve is gepiekt en teruggevallen 
• DeepSeek staat vandaag vierde op maandelijkse actieve gebruikers. Het aandeel in het wereldwijde chatbotverkeer piekte op ongeveer 12,1 procent in februari 2025 en stabiliseerde rond 4,1 procent in mei 2026. Een technische doorbraak vertaalt zich dus niet automatisch in blijvende marktpositie.
• De investeringen zijn niet gestopt
• Integendeel: de grote aanbieders trokken hun budgetten in 2026 juist op. Efficiëntiewinst leidt in deze markt tot méér gebruik, niet tot minder. Wie goedkoper kan rekenen, rekent meer.
• Eén geval is geen wetmatigheid 
• Dat efficiëntie hier de schaal versloeg, betekent niet dat schaal er niet toe doet. De grootste modellen presteren nog altijd het best op de moeilijkste algemene taken. De juiste conclusie is smaller: voor een groeiend aantal concrete taken is het grootste model niet langer het enige werkbare antwoord.
• 
  

Wat dit betekent voor wie een model kiest

Precies die smallere conclusie is voor een onderneming de bruikbare.

De vraag is niet meer welk model het beste is in het algemeen, maar welk model volstaat voor uw taak. Dat verschil heeft praktische gevolgen.

• Een kleiner model kan op eigen apparatuur draaien 
• De grootste modellen vereisen infrastructuur die u niet zelf zet. Een kleiner model dat op uw taak voldoende presteert, kunt u in eigen beheer nemen, met alles wat daaruit volgt voor jurisdictie en controle.
• Een kleiner model is voorspelbaarder in kosten. U betaalt de apparatuur die er staat, niet een tarief per gebruik dat een derde partij vaststelt.
• De maatstaf verschuift van benchmark naar taak. Een model dat op algemene tests hoger scoort, is niet noodzakelijk het model dat uw facturen beter controleert. Dat is een meetprobleem, en het is oplosbaar: u legt vooraf vast wat u meet en waartegen.

De keerzijde hoort erbij. Een kleiner model presteert zwakker op algemene en creatieve taken. U beheert zelf infrastructuur. En u draagt zelf de verantwoordelijkheid voor de werking, want er is geen leverancier die daarvoor instaat.

Waarom wij hiervoor kiezen

Thor 1.0 bouwt op Mistral Small 3, een klein open-weight model, en niet op het grootste model dat beschikbaar is.

Dat is dezelfde afweging als hierboven. Het model moet op afgezonderde apparatuur in een Belgisch datacenter kunnen draaien, wat bij de grootste modellen niet haalbaar is. En het moet goed genoeg zijn op één afgebakende taak: het naast elkaar leggen van een inkoopfactuur, de bijhorende bestelbon en de geregistreerde goederenontvangst.

Of dat lukt, weten we niet. Daarom leggen we de meetlat vooraf vast, samen met een nulmeting: een foutmarge onder 8 procent op de testset, bij maximaal 3 procentpunten terugval op algemene benchmarks. Die tweede drempel is er omdat afstemmen op één taak doorgaans ten koste gaat van andere.

Dat is het inhoudelijke punt achter dit hele artikel. De vraag is niet of uw model het grootste is, maar of u kunt aantonen dat het goed genoeg is voor wat u ermee doet. Dat vraagt een meetpunt, en de meeste organisaties hebben dat vandaag niet.