Chinese AI-prijzen duwen tokenkosten onder $1, terwijl AI-uitgaven blijven stijgen

De felle prijsconcurrentie tussen Chinese AI-labs heeft de verwachtingen over de kosten van taalmodellen flink bijgesteld. De LLM Token Expenditure Index van Silicon Data kwam op 1 september 2026 uit op $0,97 per miljoen tokens: een recordlaag niveau en minder dan de helft van de piek eerder in de zomer. Dat betekent niet dat de vraag naar AI instort. De index meet de feitelijk betaalde, naar gebruik gewogen prijs per miljoen tokens — niet het totale aantal verwerkte tokens of alle AI-uitgaven samen. 24

Wat die prijs van 97 cent wel — en niet — zegt

Silicon Data presenteert SDLLMTK als een maatstaf voor de gemengde prijs van LLM-inferentie: het uitvoeren van een taalmodel nadat het is getraind. De index combineert tarieven van aanbieders met waargenomen gebruik binnen een afgebakende groep modellen. Zo ontstaat een effectieve marktprijs per miljoen tokens. 24

Dat onderscheid is essentieel. Als bedrijven een groter deel van hun taken laten afhandelen door goedkopere modellen, kan de index dalen terwijl zowel het tokenvolume als de totale AI-rekening stijgt. De indicator laat dus vooral zien hoe prijsniveau en gebruiksmix verschuiven, niet hoeveel omzet de hele AI-markt draait.

Goedkope Chinese API’s veranderen de gebruiksmix

De prijsstrijd heeft zeer goedkope alternatieven opgeleverd voor taken waarvoor het duurste grensverleggende model niet nodig is. DeepSeek V4-Flash stond bijvoorbeeld genoteerd op $0,14 per miljoen inputtokens en $0,28 per miljoen outputtokens. 49

DeepSeek verlaagde in mei 2026 bovendien de prijs van V4-Pro met 75%, een stap die in berichtgeving werd gezien als een verdere escalatie van de concurrentie tussen Chinese modelaanbieders. 58 Ook andere prijsverlagingen en goedkope aanbiedingen in het Chinese AI-ecosysteem zetten aanbieders onder druk die concurreren om inferentie op grote schaal. 452

De beschikbare gegevens wijzen op een sterke samenhang tussen die concurrentiedruk en de dalende gemengde tokenprijs. Ze maken het echter niet mogelijk om precies vast te stellen welk aandeel van de daling aan één lab, model of aangekondigde prijsverlaging is toe te schrijven. Efficiëntere modellen, meer rekencapaciteit en de routeringskeuzes van klanten spelen eveneens mee.

Waarom goedkopere tokens tot hogere uitgaven kunnen leiden

De ogenschijnlijke tegenstelling verdwijnt met een simpele formule:

totale tokenuitgaven = effectieve prijs per token × tokenvolume

Een lagere stuksprijs maakt nieuwe toepassingen rendabel. Bedrijven kunnen meer processen automatiseren, langere prompts en contextvensters gebruiken, meer code laten genereren of meer AI-agents inzetten. Als het tokenvolume sneller groeit dan de effectieve prijs daalt, nemen de totale uitgaven toe.

Dat patroon past bij berichten dat de prijs per token sinds 2023 met meer dan 90% is gedaald, terwijl de uitgaven aan gebruik van grote taalmodellen sinds eind 2025 ongeveer zijn verdubbeld. 4143 De verklaring is niet dat de prijsverlagingen falen, maar juist dat zij AI voor veel meer taken economisch aantrekkelijk maken.

China laat zien hoe groot de volumereactie kan zijn

Volgens door Reuters aangehaalde overheidsprognoses lag het dagelijkse AI-tokenverbruik in China in maart 2026 boven 140 biljoen tokens, tegenover 100 biljoen eind 2025. 18

Ook bedrijfsrapportages uit de financiële sector wijzen op snel groeiend gebruik. China Merchants Bank meldde dat de gemiddelde dagelijkse tokenverwerking op jaarbasis met meer dan 78% was gestegen. Afzonderlijke berichtgeving schatte het dagelijkse verbruik van de bank eind mei op circa 33 miljard tokens. 1929 Sommige Chinese banken zouden nog veel grotere stijgingen in gemiddeld dagelijks tokengebruik hebben gemeld. 20

Deze cijfers zijn geen directe maat voor API-omzet en bewijzen evenmin dat elke AI-taak economisch waardevol is. Ze tonen wel dat goedkoper gebruik van modellen op grote schaal wordt omgezet in veel hogere volumes.

Het verdienprobleem voor modelaanbieders

Voor afnemers zijn dalende inferentiekosten gunstig. Voor aanbieders van modellen wordt het verdienmodel lastiger: de omzet per token kan dalen, terwijl de kosten voor chips, datacenters, training en modelontwikkeling hoog blijven.

De belangrijkste vraag is daarom niet meer of klanten goedkope tokens zullen verbruiken — de cijfers suggereren van wel. De vraag is of hogere volumes, premium-modellen en zakelijke producten snel genoeg duurzame omzet en aantoonbare productiviteitswinst kunnen opleveren om de aanhoudende infrastructuurinvesteringen te rechtvaardigen. Berichtgeving over de dalende index wijst op precies dat risico voor de prijszettingsmacht van aanbieders. 436

Waar de markt nu op moet letten

Niet de catalogusprijs van één model, maar de combinatie van vier maatstaven is het meest informatief:

• De gemengde effectieve tokenprijs, zoals SDLLMTK, om te zien naar welke modellen klanten hun werkelijke taken routeren. 2
• Tokenvolumes, die laten zien of lagere prijzen de vraag vergroten.
• Omzet en marges, die duidelijk maken of aanbieders groeiend gebruik in houdbare opbrengsten kunnen omzetten.
• De kwaliteit van de workloads, want veel tokenverbruik is op zichzelf nog geen bewijs van zakelijke waarde.

De kern is helder: goedkope Chinese API’s hebben LLM-inferentie veel goedkoper gemaakt en de gemengde marktprijs onder $1 per miljoen tokens gedrukt. Maar omdat die lagere prijs meer gebruik uitlokt, kunnen tokenverbruik en totale AI-uitgaven tegelijkertijd blijven stijgen. 2441