Wanneer kies je een AI taalmodel en wanneer gewone code?
AI heeft altijd een antwoord, maar soms is gewone programmeercode beter, sneller én goedkoper. Met een voorbeeld uit onze praktijk: code doet de voorselectie, het model alleen specifieke taken.
De meeste taken die je vandaag naar een taalmodel stuurt, hebben er geen nodig. Een model is duur en traag voor werk dat zich duizend keer per dag herhaalt en geen oordeel vraagt. Bewaar het voor de gevallen die echt afweging nodig hebben: interpreteren, schrijven, een grensgeval beoordelen. De rest doe je met gewone code. Wij verwerken dagelijks in workflows voor onze klanten duizenden documenten, transcripts, berichten... "Ouderwetse" maar oh zo betrouwbare programmeercode maakt de eerste schifting, daarna gaat alleen het deel dat overblijft, vaak nog slechts zo'n tien procent, naar een model. Dat is goedkoper, sneller en het eindresultaat is betrouwbaarder en consistenter. Hieronder hoe die afweging werkt, met een voorbeeld uit onze eigen praktijk.
Uber was in april door zijn AI-budget voor heel 2026 heen
Fortune meldde dat de rekening van Uber voor tools als Claude Code en Cursor binnen vier maanden op was. Een deel van de verklaring: het bedrijf zette medewerkers op interne ranglijsten op basis van hun verbruik. Hoe meer tokens, hoe hoger op de lijst. Uber stelde daarna een maandplafond in per medewerker.
Dat patroon zie je breder. Het zwaarste model, maximale inzet, op elke taak. Het meeste daarvan is verspild geld. Een directeur van een recruitmentbureau vertelde me vorige week dat AI bij hen niet werkte. Zijn bureau krijgt 90.000 sollicitaties per maand en haalde ze stuk voor stuk door een model om kandidaten aan opdrachtgevers te koppelen. De rekening brak het bedrijf.
De oplossing was simpel: stop met elke sollicitant naar het model sturen. De meeste vallen al af op een harde eis die de opdrachtgever stelt, bijvoorbeeld een minimale typesnelheid. Dat controleer je met twee regels code, en de vijver van 90.000 slinkt naar 10.000. Pas die 10.000 verdienen de aandacht van een model.
Gebruik een model voor oordeel, niet voor sorteerwerk
Voor verkennen, schrijven, interpreteren en het wegen van een grensgeval verdient een taalmodel zijn geld. Voor werk dat een vaste regel volgt en zich de hele dag herhaalt, is gewone code beter. Die is goedkoop, snel en doet elke keer precies hetzelfde. Een model dat duizend keer per dag dezelfde simpele check uitvoert, betaalt zich nooit terug.
Een Anthropic-engineer kwam tot een vergelijkbare conclusie over de keuze tussen een vaste workflow en een autonoom model. In negen van de tien gevallen is een vaste workflow de betere keuze boven een model dat zelf bepaalt wat het doet. Dezelfde logica werkt een niveau lager: in het grootste deel van de stappen heb je helemaal geen model nodig.
Hoe wij honderden documenten per dag scannen zonder een model te belasten
Wij scannen elke dag honderden documenten op bepaalde eigenschappen. Zouden we dat door een taalmodel laten doen, dan werd het zelfs met de goedkoopste modellen een dure en trage onderneming. Honderden documenten, elke dag, een model dat elk stuk leest en beoordeelt: de kosten lopen op en de doorlooptijd ook.
Dus doen we de eerste schifting met ouderwetse, saaie, degelijke code. Die controleert de eigenschappen die je met een regel kunt vastleggen, zonder dat er een model aan te pas komt. Wat overblijft, vaak nog maar zo'n tien procent, gaat door naar een taalmodel voor het werk dat wél oordeel vraagt. Het model krijgt alleen de gevallen waar het verschil maakt, en je betaalt voor een tiende van het volume in plaats van het geheel.
Ook ná de voorselectie kies je bewust welk model
Bij die laatste tien procent stopt het denken niet. Niet elk geval heeft het zwaarste en duurste model nodig. Een eenvoudige controle kan naar een klein, goedkoop model, een lastige afweging naar een groter. Wie standaard het duurste model op alles zet, betaalt voor een nauwkeurigheid die het werk vaak niet vraagt.
Diezelfde voorzichtigheid geldt voor de modellen zelf. We schreven eerder over het model-onafhankelijk ontwerpen van je workflow, zodat je kunt wisselen zodra een model duurder, trager of onbeschikbaar wordt. Wie zijn werk opknipt in losse stappen, houdt de ruimte om te wisselen.
Wekelijkse inzichten in je mail.
Dilemma's, doorbraken en blinde vlekken uit onze AI-praktijk.
Wat dit betekent voor je AI-rekening
De meeste bedrijven zien niet waar hun AI-geld heen gaat. Je kunt niet snijden in wat je niet in beeld hebt. In een recente post deelde Zapier de uitkomst van een eigen test: van alle stappen in hun werkprocessen had maar 18 procent echt een model nodig. De rest naar code verplaatsen verlaagde de kosten met gemiddeld 76 procent.
Voor bedrijven die hun AI-inzet willen opschalen zonder dat de rekening ontspoort, is de oefening concreet. Loop je AI-rekening regel voor regel langs. Stel bij elke regel één vraag: heeft dit echt een model nodig, of kan het met code? Het deel dat met code kan, draait daarna vrijwel gratis en valt zelden om. Het deel dat overblijft, krijgt de aandacht en het budget dat het verdient.
De meeste bedrijven weten niet welk deel van hun AI-werk eigenlijk gewone code zou moeten zijn. Wil je daar zicht op krijgen? Plan een kennismaking in, we kijken graag met je mee.
