Meta en Microsoft verminderen het interne gebruik van Claude en sturen medewerkers steeds nadrukkelijker richting eigen AI-tools. Dat lijkt op het eerste gezicht vooral slecht nieuws voor Anthropic, maar de ontwikkeling zegt iets veel groters over de volgende fase van de AI-markt. Nu coding agents op grote schaal worden ingezet, verschuift de discussie van pure modelkwaliteit naar kosten per taak, controle over data, distributie en de vraag wie uiteindelijk de economische waarde van AI binnen het eigen platform houdt.

Bij Microsoft liep het interne gebruik van Anthropic-technologie eerder dit jaar richting minstens $1 miljard op jaarbasis, waarna dat niveau met meer dan een derde werd teruggebracht. Bij Meta is het aantal Claude Code-gebruikers ongeveer gehalveerd van circa 60.000 naar 30.000, terwijl MetaCode inmiddels meer dan 30.000 gebruikers telt en Muse Code boven 6.000 zit. Toch blijft Claude belangrijk: Meta besteedde in een recente periode van 28 dagen nog meer dan $105 miljoen aan Claude Code. De boodschap is daarom niet dat Claude wordt afgewezen, maar dat twee van de grootste technologiebedrijven minder afhankelijk willen worden van externe AI.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

■ Meta: het aantal Claude Code-gebruikers is gedaald van circa 60.000 naar ongeveer 30.000, terwijl MetaCode inmiddels meer dan 30.000 interne gebruikers telt en Muse Code boven 6.000 zit. Meta besteedde desondanks in een recente periode van 28 dagen nog meer dan $105 miljoen aan Claude Code, waardoor sprake is van afbouw en niet van een volledige overstap.
■ Microsoft: het interne Anthropic-gebruik liep eerder dit jaar richting minstens $1 miljard op jaarbasis, maar is inmiddels met meer dan een derde teruggebracht. Microsoft wil meer AI-gebruik binnen zijn eigen softwarelaag en Copilot-omgeving houden, zodat het meer controle krijgt over modelkeuze, distributie en kosten.
■ Kosten: wanneer tienduizenden engineers dagelijks coding agents gebruiken, worden inference- en tokenkosten een materiële operationele post. Daardoor ontstaat een sterke economische prikkel om eenvoudige taken naar goedkopere of eigen modellen te sturen en premium-modellen alleen te gebruiken wanneer hun extra kwaliteit daadwerkelijk waarde toevoegt.
■ Distillation: voor Meta speelt naast kosten ook controle over trainingsdata. Output van externe modellen kan niet onbeperkt worden gebruikt om eigen concurrerende modellen te verbeteren. Daardoor wil Meta voorkomen dat code of modeloutput van Claude of andere externe systemen ongecontroleerd in de ontwikkel- en trainingscyclus van eigen modellen terechtkomt.
■ Beleggingscase: Claude lijkt technologisch niet het probleem. Het grotere risico voor Anthropic is dat grote klanten premium-modellen steeds selectiever inzetten, terwijl Microsoft en Meta juist meer economische waarde naar hun eigen distributie-, agent- en modelplatformen proberen te trekken.

Claude wordt niet afgewezen, maar economisch opnieuw gewogen

De eerste fout zou zijn om de afbouw van intern Claude-gebruik te interpreteren als bewijs dat het product niet goed genoeg is. De cijfers wijzen eerder op het tegenovergestelde. Claude is binnen grote ontwikkelorganisaties zo intensief gebruikt dat de financiële gevolgen zichtbaar zijn geworden. Zodra een AI-assistent niet meer door enkele teams maar door tienduizenden engineers wordt gebruikt, verandert de rekensom fundamenteel.

Een premium-model kan per individuele taak relatief goedkoop lijken, maar bij miljoenen prompts, lange contextvensters en steeds autonomere agents stapelen de kosten zich snel op. Coding agents lezen complete repositories, genereren code, draaien meerdere iteraties en verwerken steeds grotere hoeveelheden context. Daardoor wordt het gebruik van AI niet alleen een productiviteitsvraagstuk, maar ook een volwaardige kostenpost binnen de IT- en ontwikkelorganisatie.

Voor Anthropic ontstaat daarmee een nieuwe uitdaging. Het bedrijf hoeft Claude niet te verliezen als klant om toch minder omzet per klant te genereren. Wanneer een onderneming alleen de moeilijkste 20% of 30% van de taken naar Claude stuurt en de rest naar goedkopere modellen, kan het gebruik sterk dalen terwijl Claude technisch gezien nog steeds de voorkeursoplossing blijft voor complexe opdrachten.

Microsoft wil de rekening én de distributielaag controleren

Bij Microsoft ligt de economische logica relatief helder. Het bedrijf heeft geen belang bij onbeperkte directe afhankelijkheid van een externe modelleverancier wanneer het met GitHub Copilot, Azure en zijn eigen AI-stack zelf de distributielaag richting ondernemingen en ontwikkelaars bezit.

Dat is strategisch belangrijk. Wie de interface controleert, hoeft niet voor iedere taak hetzelfde model te gebruiken. Een eenvoudige codecorrectie kan door een goedkoper model worden afgehandeld, terwijl een complexe architectuuropdracht naar een krachtiger premium-model kan worden gestuurd. Voor de eindgebruiker verandert de ervaring nauwelijks, maar voor Microsoft kunnen de economics sterk verbeteren.

Die modelrouting kan uiteindelijk een belangrijk onderdeel van de marge worden. Het verschil tussen een dure frontier-modelcall en een veel goedkoper eigen of alternatief model is op individuele basis klein, maar bij miljarden tokens wordt dat verschil materieel. Microsoft heeft daardoor een sterke prikkel om de gebruiker binnen Copilot te houden en achter de schermen steeds efficiënter te bepalen welk model voor welke taak wordt ingezet.

Daarmee wordt Copilot meer dan alleen een AI-product. Het kan uitgroeien tot een economische router tussen gebruikers en modellen. De partij die die router bezit, kan leveranciers tegen elkaar afwegen op kwaliteit, snelheid en prijs en daarmee zelf een groter deel van de economische waarde vasthouden.

Meta wil van externe AI-uitgaven eigen technologie maken

Bij Meta is de ontwikkeling strategisch nog interessanter. Het bedrijf gebruikt Claude nog steeds intensief, maar bouwt tegelijkertijd MetaCode en Muse Code op. Dat betekent dat Meta externe modellen niet simpelweg probeert te vervangen om kosten te besparen. Het probeert een eigen ontwikkelomgeving te creëren die door dagelijks gebruik voortdurend beter kan worden.

Wanneer meer engineers MetaCode gebruiken, krijgt Meta meer directe feedback over fouten, ontbrekende functionaliteit en zwakke plekken van zijn eigen modellen. Die informatie kan vervolgens worden gebruikt om nieuwe versies te verbeteren. Daardoor ontstaat een intern vliegwiel: meer gebruik levert meer feedback op, betere modellen leiden tot meer gebruik en de afhankelijkheid van externe leveranciers kan vervolgens verder afnemen.

De cijfers laten zien dat dit proces al omvangrijk is. MetaCode heeft meer dan 30.000 gebruikers en bevindt zich daarmee inmiddels in dezelfde orde van grootte als het resterende interne Claude Code-gebruik. Muse Code is met meer dan 6.000 gebruikers nog kleiner, maar vormt eveneens een eigen alternatief binnen de organisatie.

Tegelijkertijd blijft de omvang van Meta’s Claude-uitgaven opvallend. Meer dan $105 miljoen in slechts 28 dagen maakt duidelijk dat de omschakeling nog lang niet voltooid is. Meta gebruikt externe frontier-modellen dus nog steeds wanneer de productiviteit hoog genoeg is, maar probeert parallel zijn eigen alternatief steeds sterker te maken.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

Distillation gaat over meer dan alleen kosten

Bij Meta speelt bovendien een strategisch risico dat bij Microsoft minder centraal staat: distillation. In deze context gaat het om het gebruik van output van een krachtig extern model om een ander model te verbeteren.

Stel dat een engineer Claude gebruikt om complexe code of een hoogwaardige oplossing te genereren en die output vervolgens terechtkomt in trainingsdata voor een intern Meta-model. Dan kan Meta feitelijk kennis van een concurrerend model gebruiken om zijn eigen systeem beter te maken. Juist daar liggen contractuele, juridische en concurrentiegevoelige grenzen.

Meta moet daarom niet alleen kijken naar welke tool technisch het beste werkt, maar ook naar waar de output terechtkomt en hoe die later wordt gebruikt. Dat wordt belangrijker naarmate eigen modellen en externe modellen binnen dezelfde ontwikkelomgeving naast elkaar bestaan.

Het probleem is daarmee groter dan privacy. Het gaat om intellectueel eigendom, trainingsdata en strategische onafhankelijkheid. Voor een onderneming die zelf foundation models en coding agents wil bouwen, is dat een wezenlijk andere situatie dan voor een gewone zakelijke klant die alleen een AI-tool wil gebruiken.

De volgende AI-strijd draait om kosten per taak

De eerste fase van generatieve AI draaide vooral om benchmarks. Wie het beste model had, trok gebruikers en aandacht. Die fase is niet voorbij, maar de economische laag wordt nu belangrijker.

Een onderneming wil niet per definitie voor iedere taak het beste model ter wereld gebruiken. Zij wil het goedkoopste model gebruiken dat voor die specifieke taak voldoende kwaliteit levert. Dat klinkt als een klein verschil, maar het kan de economische structuur van de AI-sector sterk veranderen.

Voor eenvoudige taken kan een kleiner model voldoende zijn. Voor complexere code, reasoning of agentic workflows kan een premium-model nodig blijven. Daardoor ontstaat een gelaagde markt waarin verschillende modellen naast elkaar worden gebruikt, afhankelijk van moeilijkheidsgraad, latency, kosten en gewenste betrouwbaarheid.

Dat is gunstig voor bedrijven die de distributielaag beheersen. Microsoft kan die rol via Copilot vervullen. Meta probeert hetzelfde binnen zijn eigen ontwikkelomgeving. Google heeft vergelijkbare mogelijkheden via zijn cloud- en software-ecosysteem. De onafhankelijke modelleverancier zit daardoor in een andere positie: hij moet niet alleen het beste model bouwen, maar ook voortdurend bewijzen dat de extra kwaliteit de hogere prijs rechtvaardigt.

Het risico voor Anthropic is selectief gebruik, niet volledige vervanging

Voor Anthropic is het grootste risico daarom niet dat grote klanten Claude van de ene op de andere dag uitschakelen. Het grotere risico is dat klanten veel rationeler gaan bepalen wanneer Claude werkelijk nodig is.

Dat kan een subtiele maar belangrijke verschuiving veroorzaken. Een klant kan volledig tevreden blijven over Claude en tegelijkertijd zijn uitgaven fors verlagen. Wanneer eenvoudige workloads intern of via een goedkoper model worden afgehandeld en Claude alleen nog voor de moeilijkste taken wordt ingezet, daalt het totale tokenvolume zonder dat de technologische reputatie van Claude aantoonbaar verslechtert.

Daarmee kan Anthropic uiteindelijk meer last krijgen van prijsdruk dan van pure vraaguitval. Premium-modellen blijven relevant, maar het aantal workloads waarvoor klanten bereid zijn de premiumprijs te betalen kan kleiner worden.

Voor de waardering van onafhankelijke modelbouwers wordt dat een belangrijk punt. Hoge omzetgroei zegt minder wanneer die groei alleen in stand kan worden gehouden door steeds grotere hoeveelheden dure compute. De kwaliteit van de omzet, de prijs per taak en de brutomarge worden daardoor steeds belangrijker.

De agentlaag kan uiteindelijk de belangrijkste positie worden

De ontwikkeling bij Meta en Microsoft wijst op een bredere verschuiving binnen AI. Het bedrijf dat het beste foundation model bezit, hoeft uiteindelijk niet automatisch de grootste economische winnaar te worden.

De partij die de gebruiker bezit, de workflow controleert en verschillende modellen kan combineren, kan een sterkere positie krijgen. Voor een engineer maakt het uiteindelijk weinig uit welk model achter een interface draait zolang het antwoord goed, snel en betrouwbaar is.

Dat geeft de eigenaar van de agent- of softwarelaag enorme flexibiliteit. Hij kan modellen vervangen, combineren of op prijs tegen elkaar uitspelen zonder dat de gebruiker naar een andere omgeving hoeft te verhuizen.

Daarmee ontstaat mogelijk dezelfde dynamiek die eerder in andere technologiecycli zichtbaar was. De infrastructuur onder de applicatie blijft belangrijk, maar de partij met distributie en directe klantrelatie kan een groter deel van de economische waarde naar zich toe trekken.

Investment View

De ontwikkeling is negatief voor Anthropic in de zin dat twee zeer grote klanten hun interne Claude-gebruik terugbrengen. De reden lijkt echter niet te zijn dat Claude technologisch tekortschiet. Het risico zit vooral in de economics: grote ondernemingen worden kritischer op welke taken werkelijk een premium-model vereisen en welke goedkoper kunnen worden afgehandeld.

Voor Microsoft is de strategie logisch en potentieel positief. Het bedrijf kan via GitHub Copilot steeds meer AI-gebruik binnen zijn eigen softwarelaag houden en modellen vervolgens dynamisch selecteren op kwaliteit en kosten. Daarmee versterkt Microsoft zowel zijn distributie als zijn onderhandelingspositie tegenover modelleveranciers.

Voor Meta is het strategische voordeel anders. Het bedrijf probeert externe AI-uitgaven geleidelijk om te zetten in eigen technologische capaciteit. Wanneer MetaCode en Muse Code door dagelijks intern gebruik snel beter worden, kan Meta zijn afhankelijkheid van externe modellen verlagen terwijl het tegelijkertijd meer controle krijgt over trainingsdata en intellectueel eigendom.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

De bredere conclusie is dat de AI-strijd een nieuwe fase ingaat. Modelkwaliteit blijft essentieel, maar is niet langer voldoende. Kosten per taak, controle over data, distributie, modelrouting en bezit van de agentlaag worden steeds belangrijker.

De uiteindelijke winnaar hoeft daardoor niet het bedrijf met het absoluut beste model te zijn. Het kan de partij worden die voor iedere afzonderlijke taak het beste model tegen de beste economics kan inzetten en tegelijkertijd de gebruiker binnen het eigen ecosysteem houdt.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

English

Meta and Microsoft Reduce Internal Claude Usage: Cost, Data and Control Become the New AI Battleground

Meta and Microsoft are reducing internal use of Claude and increasingly directing employees toward their own AI tools. At first glance this appears mainly negative for Anthropic, but the development says something much larger about the next phase of the AI market. As coding agents are deployed at scale, the debate is shifting from pure model quality toward cost per task, control of data, distribution and the question of who ultimately captures the economic value of AI inside its own platform.

At Microsoft, internal use of Anthropic technology had earlier been running toward at least $1 billion annually before that level was reduced by more than one-third. At Meta, the number of Claude Code users has roughly halved from around 60,000 to 30,000, while MetaCode now has more than 30,000 users and Muse Code more than 6,000. Claude nevertheless remains important: Meta spent more than $105 million on Claude Code during a recent 28-day period. The message is therefore not that Claude is being rejected, but that two of the world's largest technology companies want to become less dependent on external AI.

■ Meta: the number of Claude Code users has fallen from roughly 60,000 to around 30,000, while MetaCode now has more than 30,000 internal users and Muse Code more than 6,000. Meta nevertheless spent more than $105 million on Claude Code during a recent 28-day period, indicating a gradual reduction rather than a complete switch.
■ Microsoft: internal Anthropic usage had earlier been running toward at least $1 billion annually but has now been reduced by more than one-third. Microsoft wants to keep more AI activity inside its own software layer and Copilot environment, giving it greater control over model selection, distribution and costs.
■ Costs: once tens of thousands of engineers use coding agents every day, inference and token costs become a material operating expense. This creates a strong economic incentive to route simple tasks toward cheaper or proprietary models and reserve premium models for workloads where their additional quality genuinely creates value.
■ Distillation: alongside costs, Meta also needs to control training data. Output from external models cannot simply be used without restriction to improve competing internal models. Meta therefore wants to prevent code or model output from Claude or other external systems from entering the development and training cycle of its own models without sufficient control.
■ Investment case: Claude itself does not appear to be the technological problem. The larger risk for Anthropic is that major customers use premium models increasingly selectively, while Microsoft and Meta try to shift more economic value toward their own distribution, agent and model platforms.

Claude Is Not Being Rejected, but Economically Reassessed

The first mistake would be to interpret the reduction in internal Claude usage as evidence that the product is not good enough. The numbers point more toward the opposite. Claude has been used so intensively inside large development organizations that the financial consequences have become visible. Once an AI assistant is used not by a few teams but by tens of thousands of engineers, the economics change fundamentally.

A premium model can look relatively inexpensive on an individual task, but costs accumulate rapidly across millions of prompts, long context windows and increasingly autonomous agents. Coding agents read full repositories, generate code, perform multiple iterations and process larger amounts of context. AI usage therefore becomes not only a productivity question but also a substantial operating expense within IT and engineering organizations.

For Anthropic, this creates a new challenge. The company does not need to lose Claude as a customer in order to generate less revenue from that customer. If an enterprise routes only the most difficult 20% or 30% of workloads toward Claude and handles the rest with cheaper models, usage can fall substantially while Claude remains the preferred solution for complex assignments.

Microsoft Wants to Control Both the Bill and the Distribution Layer

At Microsoft, the economic logic is relatively straightforward. The company has little incentive to maintain unlimited direct dependence on an external model provider when GitHub Copilot, Azure and its broader AI stack already give it control over distribution to enterprises and developers.

That is strategically important. The company controlling the interface does not need to use the same model for every task. A simple code correction can be handled by a cheaper model, while a complex architecture problem can be routed toward a more powerful premium model. The end-user experience changes very little, while the economics for Microsoft can improve considerably.

Model routing could therefore become an important part of margins. The difference between an expensive frontier-model call and a much cheaper proprietary or alternative model may appear small on an individual basis, but across billions of tokens it becomes material. Microsoft consequently has a strong incentive to keep users inside Copilot and determine increasingly efficiently which model handles which workload behind the scenes.

Copilot therefore becomes more than an AI product. It can evolve into an economic router between users and models. The company owning that router can compare suppliers on quality, speed and price while retaining a larger share of the economic value itself.

Meta Wants to Turn External AI Spending Into Proprietary Technology

At Meta, the development is strategically even more interesting. The company still uses Claude heavily while simultaneously building MetaCode and Muse Code. This means Meta is not simply trying to replace external models to reduce costs. It is trying to create a proprietary development environment that continually improves through daily internal usage.

As more engineers use MetaCode, Meta receives more direct feedback about failures, missing functionality and weaknesses in its own models. That information can then be used to improve future versions. This creates an internal flywheel: more usage produces more feedback, better models encourage greater usage and dependence on external suppliers can subsequently decline further.

The figures show that this process is already substantial. MetaCode has more than 30,000 users and is therefore now in roughly the same order of magnitude as the remaining internal Claude Code usage. Muse Code remains smaller at more than 6,000 users but also represents an internal alternative.

At the same time, the scale of Meta's Claude spending remains striking. More than $105 million in only 28 days makes clear that the transition is far from complete. Meta is therefore still using external frontier models when productivity is high enough, while simultaneously strengthening its own alternative.

Distillation Is About More Than Cost

Meta also faces a strategic issue that is less central at Microsoft: distillation. In this context, distillation involves using output from a powerful external model to improve another model.

Suppose an engineer uses Claude to generate complex code or a high-quality solution and that output later enters training data for an internal Meta model. Meta could effectively be using knowledge from a competing model to improve its own system. That is exactly where contractual, legal and competitive boundaries become relevant.

Meta therefore has to consider not only which tool performs best, but also where the output ultimately goes and how it is later used. This becomes increasingly important as proprietary and external models coexist inside the same development environment.

The issue is therefore larger than privacy. It involves intellectual property, training data and strategic independence. For a company building its own foundation models and coding agents, that is fundamentally different from an ordinary enterprise customer simply using an AI tool.

The Next AI Battle Is About Cost per Task

The first phase of generative AI was primarily about benchmarks. The provider with the best model attracted users and attention. That phase is not over, but the economic layer is becoming increasingly important.

An enterprise does not necessarily want to use the world's best model for every task. It wants to use the cheapest model that delivers sufficient quality for that particular task. That may sound like a small distinction, but it can materially change the economics of the AI industry.

A smaller model may be sufficient for simple tasks. More complex code, reasoning or agentic workflows may still require a premium model. This creates a layered market in which different models coexist depending on task difficulty, latency, cost and required reliability.

That benefits companies controlling the distribution layer. Microsoft can fulfil this role through Copilot. Meta is attempting to do the same inside its own development environment. Google has similar capabilities through its cloud and software ecosystem. The independent model provider is therefore in a different position: it must not only build the best model but continually prove that the additional quality justifies the higher price.

The Risk for Anthropic Is Selective Usage, Not Full Replacement

For Anthropic, the largest risk is therefore not that major customers switch Claude off overnight. The greater risk is that customers become much more rational about deciding when Claude is genuinely necessary.

That can create a subtle but significant change. A customer can remain fully satisfied with Claude while materially reducing spending. If simple workloads are handled internally or through cheaper models and Claude is reserved for the hardest tasks, total token volume declines even if Claude's technological reputation remains intact.

Anthropic may therefore ultimately face greater pricing pressure than outright demand destruction. Premium models remain relevant, but the share of workloads for which customers are willing to pay premium prices can become smaller.

For the valuation of independent model builders, this becomes increasingly important. High revenue growth matters less if it can only be maintained through ever-larger amounts of expensive compute. Revenue quality, pricing per task and gross margins therefore become more important.

The Agent Layer Could Ultimately Become the Most Valuable Position

The developments at Meta and Microsoft point toward a broader shift across AI. The company owning the best foundation model does not automatically have to become the largest economic winner.

The participant owning the user, controlling the workflow and combining multiple models may gain a stronger position. For an engineer, it ultimately matters little which underlying model runs behind an interface as long as the answer is good, fast and reliable.

This gives the owner of the agent or software layer enormous flexibility. Models can be replaced, combined or played against one another on price without forcing the user to migrate to a different environment.

That may create a dynamic seen in earlier technology cycles. The infrastructure beneath the application remains important, but the company owning distribution and the direct customer relationship can capture a larger share of the economics.

Investment View

The development is negative for Anthropic in the sense that two very large customers are reducing their internal Claude usage. The reason does not appear to be technological weakness. The main risk lies in economics: large enterprises are becoming more disciplined about which tasks genuinely require a premium model and which can be handled more cheaply.

For Microsoft, the strategy is logical and potentially positive. Through GitHub Copilot, Microsoft can keep more AI usage inside its own software layer while dynamically selecting models based on quality and cost. This strengthens both its distribution and bargaining position versus model providers.

For Meta, the strategic benefit is different. The company is gradually trying to convert external AI spending into proprietary technological capability. If MetaCode and Muse Code improve rapidly through daily internal usage, Meta can reduce dependence on external models while gaining greater control over training data and intellectual property.

The broader conclusion is that the AI battle is entering a new phase. Model quality remains essential but is no longer sufficient. Cost per task, control of data, distribution, model routing and ownership of the agent layer are becoming increasingly important.

The eventual winner therefore does not necessarily have to be the company with the single best model. It may be the company capable of deploying the best model for each individual task at the best economics while keeping the user inside its own ecosystem.