AI zonder API-kosten betekent dat je een eigen model draait op infrastructuur die je zelf bezit of huurt, in plaats van per bevraging af te rekenen bij een cloud-leverancier. Je betaalt dan niet langer per token of per gebruiker, maar één keer voor de opstelling en daarna alleen voor de stroom en het onderhoud. De vraag is niet of dat kan, want het kan, maar wanneer de rekensom in jouw voordeel omslaat.
Hoe werkt de prijs van een cloud-API eigenlijk?
De meeste AI-diensten rekenen af op verbruik. Bij tekstmodellen betaal je per token, een stukje woord van ongeveer vier tekens. Elke vraag die je stelt en elk antwoord dat je terugkrijgt kost tokens, en die tellen op. Een handjevol medewerkers dat af en toe iets vraagt, blijft goedkoop. Maar zodra je AI in een proces zet dat honderden of duizenden keren per dag draait, loopt de meter hard op.
Sommige leveranciers rekenen per zitplaats: een vast bedrag per gebruiker per maand. Dat is voorspelbaar, maar het straft groei af. Elke nieuwe medewerker kost er weer een licentie bij, of je die persoon nu tien of duizend keer per dag laat werken met het model. Voor een team dat snel groeit, wordt dat een stille lekkage in je budget.
Het kenmerk van beide modellen is hetzelfde: je kosten schalen mee met je gebruik. Meer volume betekent letterlijk een hogere factuur. Dat voelt eerlijk als je klein bent, maar het wordt een probleem zodra AI een vast onderdeel van je bedrijfsvoering wordt. Wil je begrijpen hoe die posten zich tot elkaar verhouden, dan helpt ons overzicht van AI-kosten voor het MKB om de grote lijnen scherp te krijgen.
Er zit nog een addertje onder het gras. Cloud-prijzen zijn niet in beton gegoten. Een leverancier kan zijn tarieven verhogen, een goedkoop model uitfaseren of je dwingen naar een duurder plan. Je bouwt je proces op iemand anders zijn prijslijst, en die prijslijst is niet van jou. Zolang je maar weinig gebruikt, merk je daar weinig van. Maar hoe dieper AI in je bedrijf zit, hoe meer je afhankelijk wordt van keuzes waar je zelf geen zeggenschap over hebt.
Wat kost een eigen model werkelijk?
Een eigen opstelling draait de kostenstructuur om. In plaats van een meelopende factuur heb je een vaste investering vooraf, plus een klein bedrag dat blijft terugkomen. Grofweg zijn er drie posten.
De eerste is hardware. Een model draaien vraagt om een machine met een geschikte GPU, of om een gehuurde server met vaste maandprijs. Voor de compactere open modellen die vandaag beschikbaar zijn, is dat lang niet meer zo zwaar als een paar jaar terug. Veel MKB-toepassingen draaien prima op één degelijke machine.
De tweede post is de eenmalige opzet. Denk aan het kiezen en installeren van het juiste model, het eventueel bijtrainen op jouw eigen data, en het koppelen aan je bestaande systemen. Dit is de fase waarin een model van "algemeen slim" naar "nuttig voor jouw bedrijf" gaat. Welke open modellen daarvoor geschikt zijn, lees je in ons stuk over open source AI-modellen voor het MKB.
De derde post is het doorlopende beheer. Een model dat draait, moet je monitoren, af en toe updaten en beveiligen. Dat vraagt om ops-capaciteit, intern of uitbesteed. Het is geen groot bedrag per maand, maar het is er wel, en je moet het meenemen in de som. Bij lokale AI nemen wij dit beheer standaard mee, zodat je er zelf geen team voor hoeft op te tuigen.
Het grote verschil zit in de marginale kosten. Bij een eigen model kost de duizendste vraag van de dag vrijwel niets extra. De hardware staat er toch al, de stroom loopt toch al. Dat is precies waar de winst gaat zitten zodra je volume groeit. Waar een cloud-factuur meebeweegt met elke bevraging, blijft een eigen opstelling gewoon staan waar hij staat. Je verbruik mag verdubbelen, je vaste kosten doen dat niet.
Dat maakt de begroting ook een stuk rustiger. Je weet vooraf wat het draaien van je model per maand kost, ongeacht of het een drukke of een rustige maand wordt. Voor een ondernemer die niet elke maand voor een verrassing op de factuur wil staan, is die voorspelbaarheid op zichzelf al waarde.
Waar ligt het omslagpunt?
Het omslagpunt is het volume waarbij de vaste kosten van een eigen model lager uitkomen dan de meelopende rekening van een cloud-API. Onder dat punt is de cloud goedkoper, want je betaalt alleen voor het weinige dat je gebruikt. Boven dat punt wint het eigen model, want de vaste kosten worden uitgesmeerd over steeds meer bevragingen.
Hieronder een indicatief rekenvoorbeeld. De cijfers zijn bewust rond gehouden en dienen alleen om de vorm van de vergelijking te laten zien, niet om een garantie te geven.
| Scenario | Volume per maand | Cloud-API (per verbruik) | Eigen model (vast) |
|---|---|---|---|
| Laag gebruik | 20.000 bevragingen | ± €400 | ± €900 |
| Middelmatig gebruik | 150.000 bevragingen | ± €2.800 | ± €1.100 |
| Hoog gebruik | 600.000 bevragingen | ± €11.000 | ± €1.400 |
Wat opvalt: bij laag gebruik is de cloud duidelijk goedkoper. Het eigen model draagt dan zijn vaste kosten zonder dat je die eruit haalt. Maar zodra het volume stijgt, blijft de cloudrekening meegroeien terwijl de eigen opstelling nauwelijks duurder wordt. Ergens tussen laag en middelmatig kruisen de twee lijnen elkaar, en vanaf daar wordt het verschil elke maand groter.
[ TIJDWINST ]
Bespaar 12 uur per week op het per hand narekenen en toewijzen van AI-verbruikskosten per afdeling
Hoe zit het over één tot drie jaar?
Een eerlijke vergelijking kijkt niet naar één maand, maar naar de totale eigendomskosten over de looptijd. Een cloud-API heeft geen investering vooraf, dus in maand één ben je goedkoop uit. Maar die factuur komt elke maand terug, en bij groeiend volume wordt hij elke maand hoger.
Een eigen model kost in het eerste jaar meer, omdat de hardware en de opzet in dat jaar vallen. In het tweede en derde jaar zijn die posten er niet meer, en houd je alleen stroom en beheer over. Precies daar wint een eigen opstelling terrein terug. Bij hoog en stabiel volume kan het verschil over drie jaar oplopen tot een veelvoud van de eenmalige investering.
Er is nog een factor die verder gaat dan de rekensom: controle. Bij een eigen model blijft je data binnen je eigen muren en ben je niet afhankelijk van de prijs- en voorwaardenwijzigingen van een externe partij. Dat is een strategisch voordeel dat we uitgebreider behandelen in ons artikel over digitale soevereiniteit en AI in Nederland. Voor een breder beeld van wanneer lokaal draaien loont, is onze pijler over lokale AI voor bedrijven het beste startpunt.
Wat zijn de eerlijke kanttekeningen?
Een eigen model is geen wondermiddel, en het is belangrijk om de nadelen net zo helder te benoemen als de voordelen. Ten eerste is er de investering vooraf. Je moet bereid zijn om in het eerste jaar meer uit te geven dan bij een cloud-abonnement, in ruil voor lagere kosten later. Voor een bedrijf met krappe cashflow is dat een reële afweging.
Ten tweede vraagt een eigen opstelling om ops-capaciteit. Iemand moet het model draaiend houden, updates uitvoeren en beveiliging bewaken. Heb je die kennis niet in huis en besteed je het niet uit, dan schuif je een risico naar de toekomst. Dit is precies waarom wij het beheer als vast onderdeel meeleveren.
Ten derde loont een eigen model pas echt bij voldoende en stabiel volume. Draai je AI maar af en toe, of is je gebruik grillig, dan blijft de cloud vaak de nuchtere keuze. De kunst is om eerlijk in te schatten waar je verbruik over een jaar staat, niet waar het vandaag staat. Een goede automatisering van je processen maakt dat volume trouwens vaak groter en voorspelbaarder dan je denkt.
De juiste keuze hangt dus af van je volume, je groeiverwachting en je bereidheid om vooraf te investeren. Voor veel groeiende MKB-bedrijven kantelt de balans richting een eigen model zodra AI van experiment naar dagelijkse praktijk gaat. Wil je weten waar jouw bedrijf op de curve staat, dan rekenen we het omslagpunt graag met je door op basis van je echte verbruik.