In de farmaceutische industrie duurt het doorgaans twintig jaar voordat een patent verloopt en generieke alternatieven de markt betreden. Bij AI duurt datzelfde proces slechts weken. De snelheid waarmee AI-modellen gecommoditiseerd worden is ongekend en roept een fundamentele vraag op: zou je generieke AI kopen?
De omzetkloof
De Amerikaanse AI-labs, met OpenAI en Anthropic voorop, genereerden in 2025 gezamenlijk zo'n $22 miljard aan omzet. Chinese concurrenten kwamen uit op $1,8 miljard, een verhouding van 12:1. Maar die kloof wordt niet veroorzaakt door verschil in gebruik. Het verschil zit vrijwel volledig in de prijs.
De prijsval
In 2024 stortten de prijzen van Chinese AI-API's in met zo'n 90%. Waar Amerikaanse modellen gemiddeld $3,38 per miljoen input-tokens rekenen, liggen Chinese modellen rond de $0,48. Dat is een factor zeven verschil voor vergelijkbare prestaties.
DeepSeek V3 presteert op benchmarks vergelijkbaar met modellen als GPT-5.2, maar tegen een fractie van de kosten. Het model werd getraind voor ongeveer $6 miljoen, terwijl OpenAI meer dan $100 miljoen investeerde in vergelijkbare modellen. DeepSeek draait met 122 medewerkers een geschatte jaaromzet van $220 miljoen.
Drie krachten hierachter
Er zijn drie factoren die deze snelle prijserosie aandrijven:
1. Knowledge distillation
Kleinere modellen worden getraind op de output van grotere, duurdere modellen. Dit maakt het mogelijk om tegen lage kosten modellen te bouwen die kwalitatief in de buurt komen van de frontier-modellen. De ethische en juridische implicaties hiervan zijn nog volop in discussie, maar de kritiek voelt wel een beetje als hypocriet, gezien de manier waarop AI-labs zelf gebruik maken van data.
2. Hyperscaler-subsidies
Grote cloudplatformen subsidieerden AI-modellen agressief om marktaandeel te veroveren. Door modellen onder de kostprijs aan te bieden, versnellen ze de race naar de bodem en maken ze het moeilijker voor onafhankelijke labs om hun R&D-investeringen terug te verdienen.
3. Architectuurefficiency
DeepSeek bewees dat je met slimme architectuurkeuzes en een klein team vergelijkbare resultaten kunt behalen als labs met duizenden medewerkers. Dit ondermijnt het narratief dat alleen Big Tech met miljarden aan compute de beste modellen kan bouwen.
Een samengeperste tijdlijn
Het verschil met de farmaceutische industrie is de tijdlijn. Waar patenten twintig jaar bescherming bieden, worden AI-modellen binnen weken gereverse-engineered of gekopieerd. Er is geen intellectueel eigendom dat de marge beschermt. Zodra een nieuw model uitkomt, volgen goedkopere alternatieven vrijwel onmiddellijk.
Dit roept een existentiele vraag op voor westerse AI-labs die tientallen miljarden investeren in R&D: hoe verdien je die investering terug als je product binnen weken een generiek alternatief heeft?
Wat betekent dit voor bedrijven?
Voor eindgebruikers is dit goed nieuws: betere modellen tegen lagere prijzen. Maar voor bedrijven die AI-tools inzetten roept het een urgentere vraag op: op welk model heb je gebouwd?
Veel AI-producten zijn hard gekoppeld aan één modelleverancier. Ze gebruiken OpenAI's API, bouwen hun hele product eromheen, en hopen dat de prijs-kwaliteitverhouding gunstig blijft. Maar in een markt waar modellen binnen weken commoditiseren, is die afhankelijkheid een risico. Wat als een concurrent morgen hetzelfde biedt tegen een tiende van de prijs? Wat als je huidige provider de prijzen verhoogt, of de API verandert?
Waarom wij bewust modelonafhankelijk bouwen
Bij CID hebben we vanaf dag één gekozen voor een architectuur zonder vendor lock-in op AI-modellen. Ons executiesysteem draait op Anthropic Claude, Google Gemini of OpenAI, en schakelen tussen providers vereist nul codewijzigingen. Alleen een environment variable.
Dat is geen technisch detail. Het is een strategische keuze. Wij zelf gebruiken bijvoorbeeld naast de bekende modellen ook MiniMax 2.5, die op het gebied van programmeren vergelijkbare resultaten behaalt als een model zoals Claude Sonnet maar tegen een fractie van de kosten, en zelf te hosten.
In een wereld waarin modellen razendsnel een commodity worden, is het model zelf niet je concurrentievoordeel. De waarde zit in wat je er omheen bouwt:
- Organisatiegeheugen: blueprints en beslispatronen die zich aanpassen aan hoe jouw team werkt
- Volledige transparantie: geen black-box AI, maar inspecteerbare executieplannen met audittrails
- Gestructureerde executie: niet chatten met een AI, maar signalen automatisch omzetten in acties
Als morgen een nieuw model uitkomt dat twee keer zo goed is tegen de helft van de prijs, dan profiteren CID-gebruikers daar direct van. Geen migratie, geen vendor-gesprekken, geen herbouw.
De echte vraag
De analogie met generieke medicijnen gaat maar tot op zekere hoogte op. Bij medicijnen bestaat een duidelijk regulatoir kader en patentbescherming. Bij AI ontbreekt dat allebei.
Maar de vraag voor bedrijven is niet "zou je generieke AI kopen?". Natuurlijk zou je dat doen als de prestaties vergelijkbaar zijn. De echte vraag is: heb je een systeem gebouwd dat je die vrijheid geeft?
Wie vandaag vastgeketend zit aan één model, betaalt morgen de prijs van die afhankelijkheid. De winnende strategie is investeren in de lagen boven het model: de executie-intelligentie, het organisatiegeheugen, en de workflow-infrastructuur die modelonafhankelijk is. Dat is precies wat we bij CID bouwen.