De open-source AI-beweging heeft oprecht indrukwekkende modellen voortgebracht. DeepSeek verwerkt nu meer dan een derde van alle tokens die via de AI-gateway van Vercel stromen. GLM-5.2 van Z.ai staat qua volume stevig in de top vier van het platform. Dit zijn geen hobbyprojecten. Het zijn systemen van productieniveau die echte enterprise-workloads op enorme schaal verwerken. Gezien deze cijfers zou het makkelijk zijn om aan te nemen dat frontier-labs zoals Anthropic een existentiële bedreiging voor hun marktpositie ervaren.

Die aanname miskent wat er feitelijk aan de hand is.

Het werkelijke werk van frontier-modellen

Decagon-CEO Jesse Zhang heeft een duidelijkere manier voorgesteld om de splitsing tussen propriëtaire en open-source AI te begrijpen. De competitie is geen simpele race om elkaar te vervangen. In plaats daarvan dienen de twee categorieën verschillende fasen van een enkele enterprise-levenscyclus.

Frontier-modellen fungeren als de ontdekkingslaag. Wanneer een bedrijf begint te onderzoeken hoe AI een intern proces zou kunnen veranderen, is de taak bijna altijd slecht gedefinieerd. De inputs zijn rommelig. De gewenste outputs zijn vaag. Succes vereist het redeneren door ambiguïteit, het afhandelen van edge cases die het team nog niet heeft gecatalogiseerd, en het aanpassen aan prompts die per uur veranderen. Dit is prototyping- en proof-of-concept-werk. Het vereist het meest capabele systeem dat beschikbaar is, ongeacht de kosten, omdat het alternatief een mislukt experiment is waar je niets van leert.

In deze fase is een duur frontier-model geen overhead. Het is de kosten van marktonderzoek, gecomprimeerd in een paar API-aanroepen. Zodra de use case is bewezen en de workflow in kaart is gebracht, verandert de aard van het probleem. De ambiguïteit verdwijnt. Inputs worden gestandaardiseerd. Prompts stabiliseren. De taak is routineus geworden. Op dat punt migreren veel ondernemingen de workload naar een lichter, goedkoper model. Open-source alternatieven nemen het stokje over en domineren de productiefase, terwijl frontier-modellen aan de frontlinie blijven staan om de volgende golf van onbekende problemen aan te pakken.

Dit is geen theorie over hoe AI zou moeten werken. Het is een beschrijving van hoe budgetten momenteel al verschuiven.

Wanneer workloads naar de lagere markt verschuiven

De migratie naar open source is echt, en dat is zichtbaar in de verkeersgegevens. De enorme stijging van DeepSeek naar meer dan een derde van het tokenvolume op de infrastructuur van Vercel laat zien dat bedrijven enorme hoeveelheden inference draaien via goedkopere modellen. GLM-5.2 van Z.ai heeft ook een topvier-positie veroverd door een constante, voorspelbare hoeveelheid verkeer af te handelen.

Deze modellen blinken uit in taken die getemd zijn. Denk aan grootschalige data-extractie uit gestandaardiseerde formulieren, eerste-lijns triage bij klantensupport die tickets routeert op basis van duidelijke trefwoorden, of routineuze code linting en documentatiegeneratie. De prompts zijn getemptlatiseerd. De foutmodi zijn begrepen. Het bedrijfsrisico van een slechte output is beperkt. Wanneer het werk gedefinieerd en repetitief is, worden de kosten van inference het belangrijkste aandachtspunt. Het draaien van diezelfde workload op een model van zes cent in plaats van een premium-tier is financieel direct logisch.

Maar volume is geen omzet. Het feit dat open-source modellen de tokenaantallen domineren, betekent niet dat ze ook de waardeschap domineren. Tokenvolume meet activiteit. Tokenuitgaven meten waar bedrijven bereid zijn voor te betalen voor onvervangbare capaciteiten.

Waar het geld daadwerkelijk naartoe gaat

De data van Vercel’s AI-gateway maakt de economische splitsing onmogelijk te negeren. Ondanks de dominantie van DeepSeek in ruw tokenverkeer, blijft Anthropic meer dan de helft van de totale AI-uitgaven op het platform opeisen. Het gat tussen activiteit en uitgaven komt neer op een verbijsterend prijsverschil.

Volgens OpenRouter-gegevens kost Anthropic’s Opus 4.8 ongeveer $1,37 per miljoen tokens. DeepSeek’s V4Flash kost ongeveer zes cent voor hetzelfde volume. Opus is ongeveer drieëntwintig keer duurder geprijsd. Die multiplier is belangrijker dan ruwe tokenaantallen ooit zouden kunnen zijn. Een development team zou negentig procent van hun inference-volume naar het goedkopere model kunnen verplaatsen en toch zien dat het dure model het grootste deel van hun budget beslaat.

Deze discrepantie is geen toeval. Het weerspiegelt de realiteit dat frontier-aanbieders iets anders verkopen. Ze verkopen niet alleen tokens. Ze verkopen het vermogen om problemen op te lossen waarvoor geen vastgestelde handleidingen bestaan. De ondernemingen die premies betalen, doen dat niet uit onwetendheid. Ze doen dat omdat de taken die ze aan deze modellen toewijzen ofwel een hoge inzet hebben, ofwel structureel complex zijn. Een juridisch team dat nieuwe regelgevende blootstelling analyseert, kan geen gehallucineerde bronvermelding tolereren. Een productteam dat een complexe agentic workflow ontwerpt, heeft nodig dat het model de logica correct koppelt over meerdere stappen. De kosten van falen in deze scenario's overstijgen de kosten van de API-aanroep ruimschoots.

Kapitaaluitgaven vloeien naar de laag waar de waarde nog wordt gecreëerd, en niet enkel wordt uitgevoerd.

De markt groeit sneller dan de migratie

Als open-source modellen zo veel goedkoper zijn en ondernemingen actief volwassen workloads naar hen toe verschuiven, waarom zijn de uitgaven aan frontier-modellen dan niet ingestort? Het antwoord is dat de totale markt van adresseerbare AI-taken sneller groeit dan welk enkel model deze kan commoditiseren.

Elke keer dat een bedrijf succesvol een voorspelbare workflow automatiseert met een open-source alternatief, gebeuren er twee dingen. Ten eerste bespaart dat team geld op de uitvoering. Ten tweede worden die middelen en dat talent herverdeeld naar moeilijkere, aangrenzende problemen. Het routinematige werk wordt nu door machines afgehandeld, wat betekent dat mensen zich kunnen concentreren op het onregelmatige, het strategische en het ongekende. Het nieuw ontdekte probleem vereist bijna altijd de redeneerdiepte van een frontier-model.

Dit patroon herhaalt zich in verschillende sectoren. Een bank automatiseert documentbeoordeling met een goedkoop model en richt zich vervolgens op het bouwen van een dynamisch risicomodel dat genuanceerd oordeel vereist. Een softwarebedrijf automatiseert testgeneratie en probeert vervolgens een autonome debugging-agent te bouwen die fouten in gedistribueerde systemen moet traceren. De frontier blijft zich voortbewegen. Zodra een taak een commodity wordt, ontstaat er een complexere use case die premium capaciteiten vereist.

Veel bedrijfstaken blijven ook te gevoelig om uit handen te geven aan de huidige generatie open-source alternatieven. Medische triage-ondersteuning, financiële prognoses onder toezicht van regelgevers en strategische analyses op directieniveau brengen neerwaartse risico's met zich mee die de inferentiekosten irrelevant maken vergeleken met nauwkeurigheid en betrouwbaarheid. Deze workloads creëren een duurzame premiumlaag. Het resultaat is een stabiele tweeledige economie: een laag met hoge marges voor complexe redenering en ontdekking, en een laag met een hoog volume voor routinematige productie-uitvoering.

Wat dit betekent voor zakelijke kopers

De praktische les is dat de selectie van modellen de volwassenheid van het werk moet volgen, niet de ideologie. Bouw en valideer nieuwe AI-applicaties op de meest capabele frontier-modellen die je kunt bereiken. Betaal de meerprijs tijdens de ontdekkingsfase. Dat is goedkoper dan bouwen op een beperkt model, er niet in slagen waarde te bewijzen en het project vervolgens op te geven. Zodra de inputs, outputs en foutmodi bekend zijn, kun je agressief optimaliseren. Verplaats de stabiele workload naar een open-source alternatief en profiteer van de kostenbesparingen.

Proberen elke taak in een enkele laag te dwingen, is een recept voor ofwel verspild kapitaal, ofwel gemiste mogelijkheden. De bedrijven die dit correct navigeren, zullen standaard hybride architecturen gebruiken, niet als een compromis.

Het verhaal hier is niet dat open source verliest, of dat frontier-labs onoverwinnelijk zijn. Het is dat beide lagen groeien, maar dat ze in verschillende richtingen groeien. Open-source modellen slokken de bekende wereld van AI-taken op. Frontier-modellen claimen het onbekende. Voor de afzienbare toekomst is dat een comfortabele regeling voor beiden.