De onzekere winstgevendheid van grote AI-bedrijven zoals OpenAI en Anthropic betekent dat de prijzen, beschikbaarheid en functies van de tools die je nu gebruikt, de komende tijd kunnen veranderen. Dit komt doordat deze bedrijven onder druk staan om winst te maken op hun enorme investeringen, wat leidt tot strategische verschuivingen die direct impact hebben op hun klanten.

Wat er aan de hand is

Volgens een analyse in The Verge bevinden grote AI-bedrijven zich op een “monetization cliff” – een punt waarop winst moet gaan ontstaan uit de honderden miljarden aan investeringen in chips en datacenters. De afgelopen weken markeren een belangrijk kantelpunt, waarbij zowel Anthropic als OpenAI reageren op de realiteit van het moeten gaan verdienen. De directe aanleiding voor deze verandering is de opkomst van AI-agents, zoals Claude Code en OpenAI’s Codex. Deze agenten zijn waardevol voor klanten, maar verbruiken ook aanzienlijk meer rekenkracht (compute) dan verwacht. Dit dwingt bedrijven tot moeilijke keuzes over welke producten ze blijven ondersteunen. Een concreet voorbeeld is dat OpenAI onlangs abrupt zijn video-generatie-app Sora stopte, ondanks een licentieovereenkomst van $1 miljard met Disney, omdat het te duur was om te draaien en de rekenkracht nodig was voor Codex.

Wat dit betekent

Voor ondernemers en professionals die afhankelijk zijn van AI-tools, vertaalt deze financiële druk zich naar drie concrete risico’s. Ten eerste kan de prijsstabiliteit verdwijnen; de kosten voor het gebruik van API’s of abonnementen kunnen onverwacht stijgen als bedrijven hun verbruiksmodellen aanpassen. Ten tweede loop je het risico dat een dienst waarop je bent gaan bouwen, plotseling wordt stopgezet of sterk ingeperkt, zoals gebeurde met Sora. Ten derde zie je een duidelijke strategische verschuiving: bedrijven zullen hun schaarse rekenkracht prioriteren voor de meest winstgevende productlijnen, zoals AI-agents voor coderen of data-analyse, mogelijk ten koste van andere, creatievere tools.

Hoe je dit kunt toepassen

De praktische toepassing hangt af van jouw situatie. Het kernadvies is om de afhankelijkheid van één leverancier of één specifieke, dure AI-tool te verminderen en je gebruik toekomstbestendig in te richten.

Als je een proces hebt geautomatiseerd met een specifieke AI-API… overweeg dan om de kritieke stappen in dat proces te documenteren en te onderzoeken of er alternatieve, open-source modellen of andere aanbieders zijn die dezelfde functie kunnen vervullen. Dit beperkt het risico op operationele stilstand bij prijsveranderingen of het wegvallen van een dienst.

Als je een nieuw project plant dat afhankelijk is van geavanceerde AI… zoals video-generatie of complexe agenten, wees dan extra kritisch op de kostenstructuur op de lange termijn. Vraag je af of de leverancier een duidelijke weg naar winstgevendheid heeft en of de functionaliteit ook bereikbaar is met een combinatie van eenvoudigere, minder compute-intensieve tools.

Als je AI gebruikt voor kernactiviteiten zoals klantenservice of data-analyse… richt je dan op tools die gebaseerd zijn op de strategische prioriteiten van de aanbieders. De trend wijst erop dat “agent”-achtige tools voor productiviteit (zoals code-assistenten en data-agents) de komende tijd waarschijnlijk beter ondersteund en verder ontwikkeld zullen worden dan meer experimentele, media-genererende functies.

Bron: The Verge