De vraag die ik in 2026 het vaakst hoor, is een variant op “welk AI-model moeten we gebruiken?” GPT-5.6, Claude Fable 5, Gemini, of dat open model dat iedereen ineens de hemel in prijst? Het is de verkeerde vraag. Een serieuze AI-strategie bouw je rond de beslissing die je wilt veranderen, de data die je al bezit en de mensen die het resultaat moeten vertrouwen — niet rond het model dat toevallig bovenaan de ranglijst staat in de week dat je tekent.
Ik run een AI-consultancy. Ik heb deze ene vraag meer budgetten zien verzwelgen dan welke technische beperking van een model dan ook. Dus dit is het essay dat ik elke ondernemer zou willen meegeven vóór het eerste gesprek: waarom het model de minst strategische keuze is die je maakt, en waar een AI-strategie werkelijk uit bestaat zodra je stopt met naar benchmarks staren.
Waarom “welk AI-model moeten we kiezen?” de verkeerde vraag is
Kijk eerst naar wat die ranglijst eigenlijk doet. Om de paar weken claimt een nieuw model de kop van een of andere benchmark. GPT-5.6 loopt uit op redeneren, Claude pakt lange context en code, Gemini wint op kosten en multimodaal werk, en een open model van DeepSeek of een Chinees lab evenaart ze stilletjes voor een tiende van de prijs. Bouw je je plan rond “het beste model,” dan heb je een verplichting van twaalf maanden verankerd aan een getal dat sneller verandert dan je kwartaalrapportage.
De economie maakt het punt beter dan ik kan. Stanfords AI Index liet zien dat de kosten van een query op GPT-3.5-niveau daalden van twintig dollar per miljoen tokens eind 2022 naar zeven cent eind 2024 — een daling van 280 keer in ongeveer achttien maanden. In diezelfde periode werden modellen tegelijk goedkoper én beter, en dichtten open modellen het gat met de gesloten top van acht procent tot onder de twee procent op sommige benchmarks, in één jaar tijd. De modellaag is het snelst vercommoditiseerde deel van de hele stack. Je strategie inzetten op de koploper van vandaag is als een huis kopen omdat je de telefoon van deze maand mooi vond.
Er is ook een stillere reden. De mensen die deze modellen bouwen, wisselen voortdurend van stoel. 2026 is één lange talentenoorlog geweest — onderzoekers die tussen labs bewegen, nieuwe clubs die van de ene op de andere dag ontstaan, roadmaps die worden herschreven zodra een oprichter vertrekt. Ik noem het niet om te roddelen; ik noem het omdat een strategie die afhangt van de richting van één lab, gegijzeld wordt door beslissingen in een gebouw dat je nooit vanbinnen ziet. Modelonafhankelijkheid is geen technisch detail. Het is een verzekering.
En de kosten van dat najagen zijn niet alleen verspilde licenties. Elke keer dat een team overstapt naar het nieuwste model, herschrijft iemand de prompts, draait de tests opnieuw, en traint opnieuw de mensen die de oude uitkomst net begonnen te vertrouwen. Die onrust heeft een naam in de bedrijven waarmee ik werk: het is de reden dat het AI-project acht maanden later nog altijd “bijna live” is. De ranglijst schoof vier keer en het team volgde braaf vier keer, en de dinsdagochtendtaak die het had moeten oplossen, gebeurt nog steeds met de hand.
Waar een AI-strategie werkelijk uit bestaat
Als ik een bedrijf doorlicht dat denkt een “AI-strategie” te hebben, vind ik meestal een boodschappenlijstje met tools. Een echte strategie heeft vier lagen, en slechts één daarvan is het model.
Het symptoom is makkelijk te herkennen. Vraag het team de strategie te beschrijven en je hoort een merknaam in de eerste zin. Vraag wat er voor het bedrijf verandert en het wordt stil. Die volgorde — eerst de tool, dan de uitkomst — is precies omgekeerd, en zo eindigt een bedrijf met zes pilots en nul opgeleverde systemen. Draai het om. Benoem eerst de uitkomst, dan wordt het model een implementatiedetail waarover je later, goedkoop, kunt bekvechten zodra je weet wat het moet doen.
De eerste is de beslissing. Geen capaciteit — een beslissing: het concrete dat iemand op een dinsdagochtend anders doet zodra het systeem werkt. “Sorteer deze vierhonderd tickets per dag automatisch voor en stuur de bovenste tien procent naar een specialist” is een beslissing. “AI inzetten voor betere inzichten” is een wens. Kun je de beslissing niet benoemen, dan redt geen enkel model je — een punt dat ik tot vervelens toe maak in hoe ik weet dat een project gaat mislukken.
De tweede laag is je data — waar die staat, wie eigenaar is, hoe schoon die is, of het model er überhaupt bij kan zonder compliancehoofdpijn. De derde is integratie: het roemloze leidingwerk dat een resultaat terugduwt in het ERP, het planpakket, de inbox waar het werk echt gebeurt. De vierde zijn de mensen die de uitkomst genoeg moeten vertrouwen om ernaar te handelen. Geen van deze vier verandert elk kwartaal. Je ticketdata is volgend jaar nog steeds je ticketdata. Je monteurs zijn nog steeds je monteurs. Het model is het enige onderdeel dat je tijdens een lunchpauze kunt vervangen.
Dit is geen theorie die ik verzon. McKinsey’s State of AI 2025 vond dat de meeste organisaties de adoptiegrens gepasseerd zijn — bijna iedereen gebruikt ergens AI — terwijl slechts een kleine minderheid echte waarde op ondernemingsniveau vangt; de rest zit vast in de kloof tussen gebruik en impact. De projecten die stranden, stranden vrijwel nooit op de kwaliteit van het model. Ze stranden op de andere drie lagen: rommelige data, geen integratie, geen adoptie. En laat dat nu net zijn waar een modelgeobsedeerde strategie geen aandacht aan besteedt.
Het model is een commodity; je data en proces niet
Ontwerp er dus naar. De nuttigste architectuurbeslissing die een Nederlandse mkb’er kan nemen, is het model achter zijn eigen dunne laag te zetten — je prompts, je evaluaties, je datapijplijn, je guardrails aan jouw kant van de streep — zodat GPT inruilen voor Claude voor een open model een middagje werk is, geen verbouwing. Heb je de opties zelf vergeleken, dan weet je al dat ze voor de meeste taken dicht genoeg bij elkaar liggen om uitwisselbaar te zijn; over die afweging schreef ik in OpenAI vs Anthropic vs open source.
In de praktijk is die laag niets exotisch. Het is een klein stukje code waar elke modelaanroep doorheen gaat, een map met prompts die je net als andere broncode versiebeheert, en — het deel dat de meeste teams overslaan — een set evaluaties die een model scoren op jóuw taken met jóuw data. Die evaluaties zijn het echte bezit. Ze veranderen “is het nieuwe model beter?” van een kwestie van meningen en persberichten in een getal dat je op vrijdagmiddag afleest. Zonder die evaluaties vertrouw je op een benchmark die iemand anders op andermans probleem draaide, en hoop je dat het op het jouwe past.
Als het model verwisselbaar is, gebeuren er drie goede dingen. Je zit nooit vast aan de prijs van één leverancier of de storing van één lab. Je laat een goedkoper of open model het routinevolume doen en reserveert het dure topmodel voor de lastige tien procent. En als de koploper van volgende maand verschijnt — en die verschijnt — test je hem tegen je eigen evaluaties en neem je hem binnen een dag over als hij wint, in plaats van je hele programma opnieuw te verantwoorden. De slotgracht was nooit het model. De slotgracht is het eigen proces en de schone data die je eromheen bouwde, en díe bezit je echt.
Hoe dit eruitziet voor een Nederlandse mkb’er
Concreet: open het gesprek niet met “laten we model X gebruiken.” Open het met één veelvoorkomende, saaie, dure taak — de offertes die een dag kosten, de facturen die iemand met de hand overtypt, de tickets die niemand vóór donderdag sorteert. Bouw iets duns rond die ene beslissing, houd het model achter je eigen laag, meet of het dinsdagochtendgedrag echt veranderde, en verbreed pas daarna. Ik heb twee bedrijven dezelfde maand met hetzelfde budget zien starten: de één verankerd aan een model, die het jaar besteedde aan migreren telkens als de ranglijst schoof; de ander verankerd aan een proces, die stilletjes opleverde en er onderhuids van model wisselde zonder dat iemand het merkte. Dezelfde tools. Een totaal andere uitkomst.
Wil je een verdedigbare volgorde, dan is die vervelend consistent: begrijp waar je staat vóór je iets koopt. Dat is het hele doel van een eerlijke AI-readinessassessment — die vertelt je welke van de vier lagen je echte knelpunt is, en dat is bijna nooit het model. Negen van de tien keer zit de bottleneck in data of adoptie, en honderdduizend euro aan topmodel doet voor geen van beide iets.
Wanneer het model wél uitmaakt
Ik ga niet doen alsof de keuze nooit uitmaakt — dat zou zijn eigen soort hype zijn. Er zijn echte gevallen waarin het model, of waar je het host, wel degelijk strategisch is. Heb je heel lange context nodig, gespecialiseerd redeneren, on-premise draaien voor dataresidentie, of EU-gehoste inferentie om schoon te blijven onder de AI Act en de AVG, dan is de klasse van model die je kiest een eersteordebeslissing, geen detail. Maar let op het woord klasse. Je kiest een categorie die aan een eis voldoet — open en zelf gehost, of EU-regio, of lange context — niet een positie op een ranglijst. De eis is duurzaam. De positie is ruis.
Dezelfde logica geldt voor kosten op schaal. Duw je miljoenen aanroepen per maand, dan is het verschil tussen twee modellen geen afrondingsfout meer maar een regel op de winst-en-verliesrekening — maar ook dan kies je op een duurzame eis, prijs per bruikbare uitkomst, niet op welk model vorige week de benchmark won. Zulke eisen horen met inkt in de strategie. Een ranglijstpositie nooit; tegen de tijd dat het document geprint is, is die alweer verouderd.
Dat onderscheid is de hele discipline. Kies een klasse model om een reden die je kunt opschrijven, en behandel het specifieke model binnen die klasse als vervangbaar. Waar dit de komende jaren heen gaat, maakt het punt alleen maar scherper — mijn lezing daarvan zette ik uiteen in waar AI naartoe gaat in 2026 — maar de rode draad is simpel: capaciteit blijft stijgen en prijzen blijven dalen, dus het domste wat je kunt doen is een strategie bevriezen rond één momentopname van een markt die zichzelf elk kwartaal opnieuw beprijst.
Begin bij de beslissing, niet bij de download
Als je één ding meeneemt van een AI-consultant die zijn brood verdient met het bouwen van deze systemen, laat het dit zijn: het model dat je vandaag kiest, is het meest vervangbare onderdeel van je AI-strategie. Besteed je schaarse aandacht aan de delen die blíjven — de beslissing, de data, de integratie, het vertrouwen — en houd het model aan een lijn die je naar believen korter maakt of verwisselt. Dat is geen voorzichtigheid om de voorzichtigheid. Zo stop je met het betalen van de ranglijstbelasting, en dat is meestal het verschil tussen een programma dat zich opstapelt en een dat je elk kwartaal opnieuw bouwt.
Vraagt iemand wat die discipline kost om goed op te zetten, dan is het eerlijke antwoord dat het veel goedkoper is dan de migraties die het voorkomt — ik houd een open overzicht bij van wat AI-consultancy kost zodat niemand hoeft te gokken. En begin je liever vanuit een beslissing dan vanuit een demo, dan is dat precies het gesprek waar ons werk rond AI-audit & strategie om draait. Breng het dinsdagochtendprobleem mee. Over het model maken we ons als laatste druk, zoals het hoort.
Veelgestelde vragen
Welk AI-model moet een mkb-bedrijf in 2026 kiezen?
Voor de meeste taken is het eerlijke antwoord dat vrijwel elk actueel topmodel volstaat, dus kies het model dat je later het makkelijkst kunt vervangen. GPT-5.6, Claude en Gemini liggen zo dicht bij elkaar dat de keuze het succes zelden bepaalt. Beslis op integratie, prijs en dataresidentie, houd het model achter je eigen laag, en hertest zodra er een nieuwe koploper verschijnt — bouw er niet omheen.
Hoe stel je een AI-strategie op die nieuwe modellen overleeft?
Veranker haar aan de dingen die niet elk kwartaal veranderen: de concrete beslissing die je wilt verbeteren, je data, de integratie in bestaande systemen en het vertrouwen van gebruikers. Behandel het model als een verwisselbaar onderdeel achter je eigen prompts en evaluaties. Verschijnt er een beter model, dan test en adopteer je het in een dag in plaats van je hele programma opnieuw te verantwoorden.
Moeten we wachten op een beter AI-model voordat we beginnen?
Nee. Modellen worden voortdurend goedkoper en beter — inferentiekosten daalden zo’n 280 keer in achttien maanden — dus “wachten op beter” is een permanent excuus. Begin nu met een echte beslissing en houd het model bewust vervangbaar; je vangt vandaag waarde en erft elke toekomstige verbetering vrijwel gratis, omdat upgraden een verwisseling wordt in plaats van een verbouwing.
Maakt het uit welk model we kiezen als we het later toch wisselen?
Minder dan de meeste mensen vrezen, mits je op verandering hebt ontworpen. Zit het model achter je eigen dunne laag — je datapijplijn, prompts en guardrails aan jouw kant — dan is wisselen een middag, geen project. De echte fout is je bedrijfslogica rechtstreeks aan de API van één leverancier vastlassen, waardoor elke modelwissel een migratie wordt.