Laatst gecheckt op 8 juli 2026. Modelnamen en prijzen in dit soort stukken verouderen snel, dus behandel de cijfers als een momentopname en verifieer ze vóór je een keuze maakt.

Een tijdje terug schreef ik dat je niet elke Ai-vraag aan het duurste model moet stellen: routinewerk kan tientallen tot honderden keren goedkoper met nauwelijks kwaliteitsverlies, als je maar per taak kiest. Deze week kwam daar een stevig argument bij, en het komt uit een onverwachte hoek: niet van een goedkoper commercieel model, maar van een open model dat plotseling in de buurt komt van de allerduurste topmodellen.

Voor een MKB’er die Ai serieus inzet is dat relevant. Niet omdat je nu meteen moet overstappen, maar omdat je onderhandelingspositie tegenover je Ai-leverancier zojuist is verbeterd. Er is een geloofwaardig alternatief bijgekomen, en het is makkelijker in te pluggen dan je zou denken.

Wat er precies gebeurde#

Ontwikkelaar Martin Alderson publiceerde op 6 juli een veelbesproken analyse (bovenaan Hacker News beland) over wat hij “de aankomende marge-instorting van Ai” noemt. Zijn kernpunt: een open model genaamd GLM 5.2, van de aanbieder Z.ai, is volgens hem het eerste open-gewichten-model dat écht meekomt met de topmodellen van de grote labs voor agentisch werk. Hij gebruikt zelf normaal het duurste Claude-model als dagelijkse werkpaard, en zegt in de praktijk nauwelijks verschil te merken.

Het prijskaartje is waar het interessant wordt. GLM 5.2 gaat grofweg om de €4 per miljoen tokens. Ter vergelijking: het duurste topmodel zit rond de €23 per miljoen tokens. Dat is dus minder dan 20% van die prijs, en volgens Aldersons schatting zo’n 15% van de prijs van het nieuwste model van de andere grote aanbieder. Let op: dit zijn zakelijke API-tarieven (exclusief btw) die de aanbieders zelf in dollars afrekenen, zo’n $4,40 versus $25 per miljoen; de euro’s hier zijn omgerekend en schommelen mee met de koers. Reken het dus na op het moment dat het je geld gaat kosten.

Er zit één eerlijke nuance in die vergelijking: GLM 5.2 gebruikt méér tokens voor dezelfde taak, omdat het model veel “nadenkt”. Een appels-met-appels-verhouding is het dus niet. Alderson schat dat het voor vrijwel alle werkstromen alsnog meer dan 50% goedkoper uitpakt, bij een vergelijkbaar kwaliteitsniveau. Zelfs als je zijn cijfers voorzichtig halveert, blijft het een groot verschil.

De drie haken, want die zijn er#

Dit is precies het punt waarop de meeste enthousiaste Ai-berichten stoppen, en waar het voor jouw bedrijf pas echt begint. Een goedkoper model dat trager is of belangrijke dingen niet kan, is geen besparing maar een verborgen kostenpost. Alderson is er eerlijk over, en die eerlijkheid is goud waard. Drie beperkingen:

1. Het is trager. Het model denkt veel na, en dat kost tijd. Voor werk op de achtergrond dat niet op de seconde hoeft (documenten verwerken, code-reviews ‘s nachts, batches classificeren) is dat geen probleem. Voor interactief werk waarbij iemand op een antwoord zit te wachten, is die traagheid wél merkbaar en irritant.

2. Het leest geen afbeeldingen. GLM 5.2 heeft geen “vision”: het kan geen screenshots, gescande PDF’s of ontwerpbestanden lezen. Als een flink deel van jouw Ai-werk bestaat uit het uitlezen van facturen-als-plaatje, formulieren of foto’s, dan valt dit model daarvoor gewoon af. De topmodellen zijn hier de afgelopen tijd juist veel beter in geworden.

3. Het zoekt slecht op het web. Verrassend genoeg blijkt dit een echte blokkade. Veel Ai-taken leunen op even iets opzoeken, en de web-zoekfunctie rond dit model is nu nog zwak en traag. Voor werk dat volledig op je eigen documenten en data draait, speelt dit niet. Voor werk dat het internet op moet, wel.

De rode draad: dit is een uitstekend model voor afgebakende, niet-tijdkritische, tekst-op-tekst taken op je eigen data. Precies het soort routinewerk dat je toch al niet naar het duurste model zou willen sturen. En precies daarom past het zo goed in de aanpak die ik eerder beschreef.

Waarom het “makkelijk inpluggen” het echte nieuws is#

De technische verrassing zit niet in het model zelf, maar in hoe eenvoudig je het gebruikt. De gangbare aanbieders van GLM 5.2 bieden endpoints die compatibel zijn met zowel het OpenAI- als het Anthropic-formaat. In gewone taal: je hoeft je bestaande Ai-koppeling niet te herbouwen. Je wijst hem naar een ander adres, plakt er een andere sleutel in, en zegt welk model hij moet gebruiken. Klaar.

Dat is een wereld van verschil met de klassieke leveranciers-lock-in, waar je jaren over een migratie doet. Hier zijn de overstapkosten laag. En dat is nu juist het punt dat ertoe doet voor een MKB’er: je zit niet vast. Als je Ai-leverancier de prijzen fors verhoogt of zijn voorwaarden weer eens verandert, heb je een reëel alternatief achter de hand dat je in een middag kunt testen.

De AVG-adder onder het gras#

Nu de belangrijkste waarschuwing, en die krijgt in de meeste technische stukken te weinig aandacht. “Open model” betekent níet automatisch “veilig voor je bedrijfsdata”.

De officiële dienst van de maker (Z.ai) heeft zwakke voorwaarden rond datagebruik en -bewaring, en een stevige verbondenheid met China. Voor bedrijfsgegevens of klantdata is die route dus in de praktijk een no-go, zeker onder de AVG. Alderson noemt dit zelf een “non-starter” voor zakelijk gebruik.

Maar, en dit is de crux van een open model: omdat de gewichten open zijn, ben je niet aan die ene aanbieder gebonden. Je kunt hetzelfde model afnemen bij andere hosters die wél fatsoenlijke contractuele afspraken bieden. En in het uiterste geval kun je het volledig op eigen hardware draaien, waardoor zelfs data die je aan géén enkele derde partij mag toevertrouwen alsnog door een model van dit niveau kan. Dat is precies wat een gesloten topmodel je niet biedt.

Kortom: de vraag is niet “GLM of niet”, maar “welke aanbieder van dit model, met welke voorwaarden”. Kies je de goedkoopste, dan kan dat je onder de AVG duur komen te staan. Behandel het model en de aanbieder als twee losse keuzes.

Wat betekent dit concreet voor jouw bedrijf?#

Ik zou hier niet van omvallen en morgen alles ombouwen. Maar ik zou het wél serieus meewegen, om drie redenen:

  1. Je routering wint een goedkope laag. Ik verdeel mijn Ai-werk al in lagen: eerst een gratis script dat beslist óf Ai nodig is, dan een goedkoop model voor routinewerk, en pas een duur model voor echte oordeelsvorming. Dat sneed fors in een maandbudget van rond de €1.700 aan API-kosten. Een open model op dit niveau is een sterke nieuwe kandidaat voor die middelste laag: tekst-op-tekst achtergrondwerk, batches, code-reviews.

  2. Je onderhandelt beter. Alleen al het bestaan van een geloofwaardig, drop-in alternatief houdt je huidige leverancier scherp. Je bent geen gevangen klant meer.

  3. Sommige data kan nu ook lokaal. Voor de meest gevoelige klus, de data die je aan niemand buiten de deur wilt geven, komt een eigen model van hoog niveau ineens binnen bereik. Reken alleen eerst de hardwaresom nuchter door: eigen hardware verdient zich vaak pas na jaren terug, en is alleen zinnig als je hem over meerdere taken tegelijk inzet.

De verstandige eerste stap is geen overstap, maar een test. Pak een handvol échte taken uit je eigen bedrijf, precies zoals ik beschreef in bouw je eigen mini-benchmark, en laat je huidige model en dit open model ze allebei doen. Meet het, geloof de marketing niet. Als het goede genoeg blijkt voor jouw routinewerk, heb je de keuze. En die keuze zelf, los van of je hem gebruikt, is het echte nieuws van deze week.

Verder aan de slag? Download gratis de Ai-kostenwijzer voor het mkb om per taak te bepalen welk model de beste prijs-kwaliteit geeft, of lees hoe je je eigen mini-benchmark bouwt om modellen op cijfers te vergelijken. Wil je samen kijken waar in jouw bedrijf de snelle winst zit, zonder verkooppraatje? Kijk dan op de consulting-pagina.