Op 12 juni 2026 kreeg Anthropic een brief van de Amerikaanse overheid. Om 17:21 uur. Met de opdracht om zijn twee krachtigste AI-modellen per direct uit te zetten. Voor alle klanten. Wereldwijd. Binnen enkele uren.
En dat gebeurde.
Stel even dat jouw klantenservice op zo'n model draaide. Of je claimafhandeling. Of je hele documentverwerking. Dan stond je bedrijfsproces die dag stil, om redenen die niets met jou te maken hebben, op een moment dat je niet kon voorzien.
Nu zal elke specialist hier meteen tegenin brengen: switchen van model is allang geen probleem meer. En dat klopt. Moderne tooling is zo gebouwd dat je het ene model inruilt voor het andere met een kleine aanpassing in de configuratie. Wie netjes met een abstractielaag werkt, hangt aan geen enkele aanbieder vast. In theorie zet je een uitgevallen model in een middag om naar een alternatief.
In theorie. Want het probleem ontstaat niet bij het switchen zelf. Het ontstaat wanneer de werking van je proces afhankelijk is geworden van dat ene specifieke model. Een prompt die maandenlang is bijgeslepen op de eigenaardigheden van precies dat model. Een workflow die leunt op een capaciteit die dat model net iets beter deed dan de rest. Een output waarvan de kwaliteit stilzwijgend op dat niveau is afgestemd. Dan is een ander model er technisch zo voor in de plaats geschoven, maar presteert je proces ineens slechter, en kom je daar pas achter als het al draait. Switchen kan dan wel, maar gratis is het niet.
Dat is de echte les van het besluit. Niet dat je vastzit aan een leverancier, maar dat afhankelijkheid sluipt. Je merkt het pas als de stekker eruit gaat.
Dat besluit is de scherpste van drie ontwikkelingen die deze maanden samenvallen, en die samen één conclusie opdringen. Open source AI is geen technische voorkeur meer voor de liefhebber. Het is een bestuurlijke verzekering. De kosten van proprietary AI staan op het punt structureel te stijgen. Een overheid heeft laten zien dat ze een commercieel model van de ene op de andere dag kan uitzetten. En de hardware om modellen zelf te draaien is betaalbaar geworden voor gewone bedrijven.
Drie ontwikkelingen, één rode draad: wie de controle over zijn AI volledig uit handen geeft, geeft meer weg dan hij denkt.
TL;DR
- Een overheid zette een commercieel AI-model uit. Op 12 juni dwong de Amerikaanse overheid Anthropic om zijn twee beste modellen binnen enkele uren wereldwijd uit te schakelen. Wie zijn proces op één model bouwt, kan zomaar stilvallen.
- Switchen kan, afhankelijkheid sluipt. Moderne tooling laat je makkelijk van model wisselen. Maar zodra je werking is bijgeslepen op precies dat ene model, presteert een alternatief ineens slechter. Dat merk je pas als het al draait.
- De tokenprijs die je nu betaalt is gesubsidieerd. OpenAI verbrandt naar verwachting 14 miljard dollar in 2026. Normalisatie van 30 tot 50% binnen één tot twee jaar is realistisch. Bij open source beweegt die prijs niet mee.
- De hardware werd betaalbaar. NVIDIA's DGX Spark draait modellen tot 200 miljard parameters lokaal, vanaf zo'n 4.000 dollar. Het laatste praktische excuus om het niet te onderzoeken is een stuk zwakker geworden.
- Open source is geen tweede keus meer, maar een verzekering. Niet tegen één risico, maar tegen drie die tegelijk groter werden: kosten, afhankelijkheid en continuïteit.
Even scherpstellen: wat is open source AI eigenlijk?
Eerst de term, want die wordt in de AI-wereld slordig gebruikt. Een echt open source model geeft je volledige vrijheid om te gebruiken, te bestuderen én te wijzigen. Maar de meeste modellen die zo heten, zijn eigenlijk open weight modellen: de parameters zijn openbaar en je kunt het model lokaal draaien, maar de trainingsdata en -methoden zijn niet volledig inzichtelijk. Llama van Meta, DeepSeek R1 en Alibaba's Qwen-reeks vallen in die categorie.
Voor de praktijk maakt dat onderscheid weinig uit. Wat telt is dit: je kunt deze modellen gratis downloaden, op je eigen hardware draaien, en je betaalt alleen voor de rekenkracht. Geen API-factuur die meegroeit met je gebruik. Geen data die je omgeving verlaat. Geen leverancier die de voorwaarden bepaalt. Dat was altijd al aantrekkelijk. Door de drie ontwikkelingen hieronder is het meer dan dat geworden.
Ontwikkeling één: de rekening die je niet zelf in de hand hebt
Ik schreef eerder al over grip op AI-kosten, naar aanleiding van Uber dat in vier maanden door zijn complete AI-jaarbudget heen was. De kern van dat stuk: token-verbruik is een nieuw type kostenpost die meegroeit met enthousiasme in plaats van met iets wat je kunt begroten. Dat probleem kun je zelf managen met plafonds en zichtbaarheid.
Maar er zit een tweede bodem onder, en die ligt buiten je invloed. De prijs die je vandaag per token betaalt, is niet de echte prijs. De grote AI-labs draaien met verlies. OpenAI verbrandt naar verwachting 14 miljard dollar in 2026 en blijft, ondanks dalende tokenprijzen, structureel negatief in zijn marges. Dat is geen ongeluk. Ze verkopen bewust onder de kostprijs om marktaandeel te pakken, gefinancierd door investeerders die hun geld ooit terug willen zien. De prijslijst op je dashboard is gesubsidieerd.
Meerdere analyses gaan ervan uit dat die prijzen binnen één tot twee jaar normaliseren. Omhoog dus, met schattingen van 30 tot 50 procent. Niet omdat de techniek duurder wordt, maar omdat de subsidie een keer ophoudt.
Lees die zin nog eens als bestuurder. Je bouwt nu processen op een prijs waarvan de leverancier openlijk toegeeft dat hij er verlies op draait. Op het moment dat die leverancier winstgevend moet worden, en dat moment komt, verandert jouw kostenstructuur zonder dat jij iets aan je gebruik hebt veranderd. Bij een open source model dat je zelf draait, gebeurt dat niet. Je betaalt voor hardware en stroom. Die prijs beweegt niet mee met de kwartaalcijfers van een Amerikaanse aanbieder die zijn investeerders moet terugbetalen.
Dat is het verschil tussen een energierekening die je deels zelf opwekt en een abonnement waarvan iemand anders de tarieven bepaalt.
Ontwikkeling twee: een overheid zette een model uit
Dit is de ontwikkeling waarmee ik dit stuk opende, omdat ze een risico zichtbaar maakt dat de meeste bestuurders niet op hun lijstje hebben staan. Even de feiten erbij. Anthropic, de maker van Claude, kreeg de directive op grond van exportcontrole-bevoegdheden. De officiële reden: de overheid meende dat er een methode bestond om de veiligheidsmaatregelen van de modellen te omzeilen.
Anthropic protesteerde, en niet zonder grond. Het bedrijf stelde dat de capaciteit waar de overheid zich zorgen over maakte breed beschikbaar is bij andere modellen, en dat het terugroepen van een commercieel model dat door honderden miljoenen mensen wordt gebruikt op basis van zo'n bevinding buitenproportioneel is. Of ze gelijk hebben, laat ik in het midden. Dat is hier niet het punt.
Het punt is wat dit blootlegt. Een van de toonaangevende AI-aanbieders ter wereld moest zijn beste product van de ene op de andere dag uitzetten, omdat één overheid daartoe besloot. Geen geleidelijke afbouw. Geen overgangstermijn. Eén brief, en het model was weg. En het ging niet om een obscure aanbieder, maar om Anthropic, juist het bedrijf dat zijn reputatie heeft gebouwd op veiligheid en zorgvuldigheid.
Ik schetste in de opener al wat dat betekent als jouw proces erop draait. Hier raakt het aan iets wat groter is dan kostenbeheersing: soevereiniteit. Wie de controle over zijn kritieke gereedschap volledig uit handen geeft aan een leverancier in een ander rechtsgebied, accepteert dat een buitenlandse overheid kan bepalen of dat gereedschap morgen nog werkt. Voor een hobbyproject is dat geen ramp. Voor een organisatie die er processen op heeft gebouwd, is het een strategisch risico van de eerste orde.
Een open weight model dat lokaal op je eigen hardware draait, kan niemand bij je weghalen. Geen leverancier, geen overheid, geen exportcontrole. Het model staat op je eigen schijf, het draait in je eigen omgeving, en het blijft werken of Washington nu wel of niet een brief stuurt. Dat is niet het belangrijkste argument voor open source als je naar de techniek kijkt. Maar als je naar continuïteit kijkt, is het misschien wel het belangrijkste argument dat er is.
Ontwikkeling drie: de hardware werd betaalbaar
Het sterkste tegenargument tegen open source was altijd praktisch. Je hebt servers nodig, GPU's, kennis van modelhosting. Een open model lokaal draaien klonk als iets voor bedrijven met een eigen datacenter en een team engineers. Voor de gemiddelde MKB-organisatie was dat een reële drempel, en het is een eerlijk bezwaar.
Die drempel is aan het verdwijnen. NVIDIA bracht de DGX Spark uit, een apparaat ter grootte van een Mac Mini dat NVIDIA zelf "de kleinste AI-supercomputer ter wereld" noemt. De Founders Edition kost rond de 4.000 dollar, met instapvarianten van partnerfabrikanten vanaf ongeveer 3.000 dollar. Voor dat geld krijg je 128 GB unified memory, genoeg om modellen tot 200 miljard parameters lokaal te draaien. Koppel je er twee aan elkaar, dan draai je modellen tot 405 miljard parameters. Dat is het formaat waarop de grootste open modellen draaien.
Even ter vergelijking. Een maand cloud-GPU-toegang voor zwaar ontwikkelwerk kost al snel 2.000 tot 5.000 dollar. Een apparaat dat eenmalig 4.000 dollar kost en daarna jaren meegaat, verdient zich bij serieus gebruik binnen een paar maanden terug. En het draait alles lokaal: geen API-kosten, geen latency van een externe server, geen data die je omgeving verlaat.
Eerlijk blijven: het is geen wondermachine. De geheugenbandbreedte is de bottleneck, het ding is niet de snelste optie voor pure inference, en voor een bedrijf zonder enige technische capaciteit is het nog steeds geen plug-and-play. Maar het verandert de rekensom fundamenteel. Lokaal draaien is geen datacenter-project meer. Het is een apparaat op een plank dat minder kost dan een degelijke laptop voor twee medewerkers. Het laatste praktische excuus om het niet te onderzoeken, is daarmee een stuk zwakker geworden.
Eerlijk over wat hier tegenin gaat
Ik zou mijn eigen geloofwaardigheid ondergraven als ik deed alsof open source nu probleemloos is. Drie tegenwerpingen blijven staan, en één ervan komt voort uit precies het verhaal dat ik net vertelde.
Het overheidsbesluit snijdt namelijk twee kanten op. Ja, een lokaal model kan niemand bij je weghalen. Maar dat betekent ook dat een open weight model dat eenmaal is vrijgegeven, niet meer terug te roepen is als het gevaarlijk blijkt. Het staat op Hugging Face, het is duizenden keren gedownload, en geen overheid ter wereld krijgt het nog van het internet. Dat is precies waarom regelgevers er huiverig voor zijn. Soevereiniteit en oncontroleerbaarheid zijn hier twee kanten van dezelfde medaille. Wie controle wint over zijn eigen gereedschap, accepteert dat datzelfde gereedschap door niemand meer gecorrigeerd kan worden.
Daarnaast blijft technische capaciteit nodig. De DGX Spark verlaagt de drempel, maar hij haalt hem niet weg. Iemand moet het model installeren, onderhouden, updaten en draaiende houden. Voor een organisatie zonder enige technische rol blijft dat een investering, in mensen of in een partner.
En tot slot: niet alles wat "open source" heet, is het ook echt. Meta's Llama-licentie kent commerciële beperkingen. DeepSeek heeft zijn trainingsdata niet volledig gepubliceerd. De Chinese herkomst van sommige modellen roept zijn eigen vragen op over dataveiligheid en geopolitieke afhankelijkheid. Je ruilt de ene afhankelijkheid niet zomaar in voor totale vrijheid. Je ruilt hem in voor een andere, die je beter zelf kunt sturen.
Die nuances mag je niet wegpoetsen. Maar ze veranderen de hoofdlijn niet. Ze maken hem alleen volwassener.
En presteert het dan goed genoeg?
De terechte vraag onder dit alles: is open source kwalitatief op niveau? Want soevereiniteit en lage kosten zijn niets waard als het model je vraag niet aankan.
Ik heb dat zelf getest. Niet als benchmark-oefening, maar omdat ik wilde weten welk model het beste verzekeringsadvies geeft, een domein waar ik dagelijks mee werk. Qwen 3.6 Plus, een open weight model van Alibaba, eindigde als een van de sterkste. Gratis te draaien. Op het specifieke domein waar ik het voor nodig had, hield het meer dan zijn mannetje tegenover de proprietary alternatieven waarvoor ik betaal.
Dat sluit aan op wat de bredere markt allang laat zien. DeepSeek R1 presteert op het niveau van OpenAI's o1. Meta's Llama 3 in de 70-miljard-variant scoort vergelijkbaar met GPT-4, en de 405-miljard-variant overtreft het op meerdere taken. Voor de meeste zakelijke toepassingen — documenten samenvatten, klantmails categoriseren, interne kennis doorzoeken of rapporten opstellen — heb je het allerbeste frontier model helemaal niet nodig. Je hebt een model nodig dat goed genoeg is voor jóúw vraag. En dat niveau is met open source ruimschoots bereikbaar.
Wat dit betekent voor jouw strategie
Als je als bestuurder AI serieus neemt, was "open source vs. proprietary" tot voor kort een afweging die je kon uitstellen. Dat kan niet meer. De drie ontwikkelingen samen maken er een vraag van die nu op tafel hoort.
Vier vragen helpen je verder. Hoe afhankelijk ben ik van één leverancier in één rechtsgebied, en wat gebeurt er met mijn processen als die leverancier zijn prijs verhoogt, zijn model afkoppelt, of door zijn eigen overheid wordt gedwongen het uit te zetten? Welke van mijn AI-toepassingen verwerken data of draaien processen die te kritiek zijn om volledig uit handen te geven? Wat zijn mijn werkelijke kosten over twee jaar, als de huidige gesubsidieerde tokenprijs met 30 tot 50 procent stijgt? En heb ik de technische capaciteit om een alternatief te draaien, of kan ik die opbouwen of inkopen?
Niemand zegt dat je morgen je OpenAI-abonnement moet opzeggen. Voor veel taken blijft een proprietary API de slimste keuze: laagdrempelig, snel, en bij laag volume prima betaalbaar. De juiste strategie is bijna nooit zwart-wit. Het is een mix, waarin je bewust kiest welke processen op een soeverein, lokaal fundament moeten staan en welke gerust in de cloud van een leverancier mogen draaien.
Maar die keuze moet bewust zijn. De meeste organisaties zijn bij proprietary terechtgekomen omdat het de weg van de minste weerstand was, niet omdat ze de afweging hebben gemaakt. Dat was te billijken toen AI nieuw en goedkoop was en niemand een model kon uitzetten. Die tijd is voorbij.
Geen tweede keus, maar een verzekering
Open source AI was ook zonder dit nieuws al een even goede en vaak goedkopere keuze. Inmiddels is het meer. Het is de verzekering tegen drie risico's die alle drie tegelijk groter zijn geworden: een kostenstructuur die je niet zelf bepaalt, een afhankelijkheid die een overheid kan opzeggen, en een drempel die net hoog genoeg was om het uit te stellen.
Die drempel is verlaagd. De kosten lopen op. En de overheid heeft laten zien dat ze de stekker eruit kan trekken.
De vraag is niet langer of open source goed genoeg is. Die vraag is beantwoord. De vraag is of jouw organisatie het zich kan veroorloven om de controle over haar kritieke gereedschap volledig in handen te laten van een partij die je niet kent, in een land waar je geen stem hebt, tegen een prijs die nog moet stijgen. Dat is geen technische keuze. Het is een bestuurlijke. En het nieuws van deze maand maakt hem urgenter dan hij ooit was.
Meer lezen? Eerder schreef ik over grip op AI-kosten, over waarom OpenAI steeds meer je concurrent wordt en over de blinde vlek in de boardroom.