Kleine taalmodellen worden volwassen: waarom Phi-4 en Mistral Small interessanter zijn dan GPT-5 voor het MKB

Vandaag lanceerde OpenAI ChatGPT Go: een nieuw abonnement van 8 dollar per maand, wereldwijd beschikbaar. Tegelijkertijd maakte het bedrijf bekend dat het advertenties gaat testen in de gratis versie en in Go. Wat me opviel was niet de lancering zelf, maar het signaal erachter. OpenAI draait op enorme infrastructuurkosten en zoekt wanhopig naar manieren om die te dekken: goedkopere abonnementen, advertentie-inkomsten, volume. De grootste AI-speler ter wereld worstelt met zijn eigen verdienmodel.

En dat is precies waarom de echte innovatie zich stilletjes verplaatst naar de andere kant van het spectrum. Naar kleinere modellen die je zelf kunt draaien.

De opkomst van small language models

De afgelopen maanden is er iets verschoven. Modellen als Phi-4 van Microsoft, Mistral Small en Meta's Llama 3.3 presteren op specifieke taken vergelijkbaar met hun grote broers van een jaar geleden. Niet op alles, dat is belangrijk om te benadrukken. Maar voor gestructureerde taken als het samenvatten van documenten, het classificeren van klantvragen of het extraheren van data uit facturen zijn ze verrassend goed.

Het verschil: deze modellen draaien op hardware die je al in huis hebt. Een recente laptop met 16 GB geheugen kan Phi-4 draaien via tools als Ollama of LM Studio. Geen cloud-abonnement, geen data die je netwerk verlaat, geen maandelijkse factuur die meegroeit met je gebruik.

Wanneer lokaal, wanneer cloud?

Laten we eerlijk zijn: lokale modellen zijn niet voor alles de beste keuze. De kracht van GPT-4o of Claude zit in complexe redenering, creatieve taken en het begrijpen van nuance over lange teksten. Daar winnen grote modellen nog steeds.

Maar voor het MKB zijn er veel taken die niet om die capaciteit vragen. Denk aan:

• E-mailclassificatie: inkomende berichten automatisch labelen en routeren

• Documentextractie: specifieke gegevens uit offertes, facturen of contracten halen

• Interne zoekfunctie: medewerkers laten zoeken in handleidingen en procedures

• Klantvragen beantwoorden: standaardvragen afhandelen op basis van je eigen kennisbank

  
  

Voor dit soort taken bieden small language models drie concrete voordelen: lagere kosten (geen API-kosten per request), privacy (data blijft op je eigen systeem) en voorspelbaarheid (geen afhankelijkheid van externe diensten die prijzen verhogen of voorwaarden wijzigen).

Concrete vergelijking: wat kun je verwachten?

Om het tastbaar te maken, een vergelijking op basis van publieke benchmarks en mijn eigen tests:

• Phi-4 (14B parameters): sterk in redeneren en wiskunde, draait op een goede laptop. Ideaal voor gestructureerde data-analyse en samenvattingen.

• Mistral Small (22B parameters): de beste allrounder in deze klasse. Goed in meertalige taken, wat voor Nederlandse bedrijven relevant is. Heeft een zakelijke licentie.

• Llama 3.3 (70B parameters): het krachtigste open source model van Meta. Draait op een server met een goede GPU, maar levert prestaties die dicht tegen GPT-4 aanzitten. Volledig open source.

  
  

Geen van deze modellen vervangt een GPT-4-klasse model voor complexe analyses of open creatieve opdrachten. Maar voor de 80% van bedrijfstaken die gestructureerd en herhaalbaar zijn, presteren ze meer dan voldoende.

De echte verschuiving

De echte verschuiving zit hem niet in de technologie, maar in het eigenaarschap. Zolang je afhankelijk bent van een API, bepaalt iemand anders je kosten, je privacyvoorwaarden en je beschikbaarheid. De lancering van ChatGPT Go maakt dat pijnlijk zichtbaar: OpenAI moet advertenties inzetten om de kosten te drukken. Wat gebeurt er met jouw data als advertenties onderdeel worden van het platform? Welke concessies volgen er als de financiële druk verder oploopt?

Lokale modellen geven je een alternatief. Niet voor alles, maar voor genoeg om die afhankelijkheid beheersbaar te maken.

Wat kun je nu al doen?

1. Inventariseer welke AI-taken in je bedrijf gestructureerd en herhaalbaar zijn

2. Test een lokaal model via Ollama op één concrete use case, bijvoorbeeld e-mailclassificatie

3. Vergelijk de output met je huidige cloud-oplossing op kwaliteit, snelheid en kosten

4. Begin klein: draai lokaal waar het kan, gebruik cloud waar het moet

Mijn eerlijke inschatting: over een jaar zijn small language models de standaard voor 60 tot 70 procent van zakelijke AI-toepassingen. De modellen zijn er klaar voor. De vraag is of jij er klaar voor bent.

Bronnen: OpenAI, Introducing ChatGPT Go (januari 2026); Microsoft Research, Phi-4 Technical Report (december 2025).