Revolut laat zien waarom de volgende fase van de AI-boom niet alleen over groei zal gaan, maar vooral over rendement. Voor ongeveer 2.000 engineers gebruikt het bedrijf zelf gehoste GLM-modellen als standaard voor een groot deel van het dagelijkse werk, terwijl Claude Code van Anthropic en Codex van OpenAI vooral beschikbaar blijven voor de moeilijkste taken.

Revolut draait deze omgeving op ongeveer 56 NVIDIA B200-GPU’s en spreekt over gemengde kosten van circa $0,30 per miljoen tokens, ongeveer een tiende van wat het bedrijf eerder aan Anthropic en OpenAI betaalde.

Crash

Als deze aanpak breed navolging krijgt, kan dat uiteindelijk leiden tot een crash in delen van de AI-markt. Niet omdat AI mislukt, maar omdat de prijs van intelligentie veel sneller kan dalen dan de kosten van de infrastructuur die ervoor wordt gebouwd. De sector investeert honderden miljarden dollars in modellen, GPU’s, data centers, stroomvoorziening en netwerken. \

Wanneer klanten een groot deel van hun dagelijkse werkzaamheden voor een fractie van de huidige prijs kunnen uitvoeren, wordt de belangrijkste vraag niet langer hoeveel AI wordt gebruikt, maar hoeveel van die enorme investeringen uiteindelijk werkelijk wordt terugverdiend.

■ Anthropic en OpenAI: Het directe risico is minder volume tegen lagere prijzen. Frontier-modellen kunnen technisch de beste blijven en toch een kleiner deel van het totale AI-budget krijgen.
■ De volledige AI-keten: Wanneer lagere prijzen leiden tot zwakkere marges en een lager rendement op nieuwe infrastructuur, kan de druk uiteindelijk overslaan naar chips, memory, networking, data centers en energie.
■ Crashscenario: AI kan technologisch zeer succesvol worden terwijl AI-aandelen hard dalen wanneer toekomstige vrije kasstromen veel lager blijken dan de huidige waarderingen veronderstellen.

Revolut verandert vooral wie het grootste deel van de rekening krijgt

De belangrijkste boodschap is niet dat GLM beter zou zijn dan Claude of Codex. Revolut houdt de frontier-modellen juist beschikbaar wanneer extra kwaliteit nodig is. Het fundamentele verschil zit in de verdeling van het gebruik. Goedkopere open modellen verwerken het dagelijkse volume, terwijl de duurste modellen alleen worden ingezet wanneer de extra kwaliteit werkelijk economische waarde toevoegt.

Dat is financieel belangrijk omdat het meeste volume juist in dagelijkse werkzaamheden zit. Een onderneming heeft veel meer eenvoudige vragen, standaardaanpassingen in code, documentatie en interne zoekopdrachten dan uitzonderlijk moeilijke problemen. Wanneer 80% of 90% van die taken naar een goedkoper model verschuift, kan een frontier-model de moeilijkste opdrachten blijven winnen en toch veel omzet per klant verliezen.

Voor Anthropic en OpenAI verschuift de strijd daardoor van absolute modelkwaliteit naar economische waarde per uitgegeven dollar. De relevante vraag voor een onderneming wordt niet langer welk model het slimste is, maar hoeveel extra resultaat de hogere prijs daadwerkelijk oplevert.

Revoluts $0,30 is geen universele marktprijs

De genoemde kostprijs van ongeveer $0,30 per miljoen tokens moet zorgvuldig worden geïnterpreteerd. Dit is geen prijs die iedere onderneming simpelweg kan reproduceren door dezelfde modelgewichten te downloaden. Revolut heeft de schaal, technische kennis en infrastructuur om de hardware zeer intensief te gebruiken en de kosten over grote hoeveelheden verkeer te verdelen.

Daarbij spelen optimalisaties zoals quantization, caching, batching, context caps, efficiënte routering van workloads en verdere tuning van inference een belangrijke rol. Dezelfde 56 B200-GPU’s kunnen bij een minder geoptimaliseerde omgeving een veel hogere kostprijs opleveren. Revoluts cijfer is daarom vooral een voorbeeld van wat bij voldoende schaal en technische efficiëntie mogelijk is en niet een universele benchmark voor iedere onderneming.

Juist die nuance maakt de case belangrijker. Niet ieder bedrijf kan dit morgen kopiëren, maar grote banken, verzekeraars, softwarebedrijven en andere ondernemingen krijgen nu wel een concreet voorbeeld van hoe zij hun afhankelijkheid van dure externe API’s kunnen verkleinen. Ook bedrijven die uiteindelijk niet volledig zelf gaan hosten krijgen daardoor meer onderhandelingsmacht tegenover Anthropic, OpenAI en andere aanbieders.

De grootste winst ontstond toen tokens niet langer werden gerantsoeneerd

Revolut rapporteert ongeveer 60% verbetering in coding time en circa 70% verbetering in de totale lead time. Die cijfers zijn interne metingen en moeten daarom niet worden behandeld als onafhankelijk bewezen rendement. De verklaring achter de verbetering is echter minstens zo belangrijk als het exacte percentage.

Toen gebruik duurder was, gingen engineers voorzichtig om met hun tokens. AI werd vooral gebruikt voor de zwaarste programmeerproblemen en de taken waarbij de meerwaarde direct duidelijk was. Zodra de kosten fors daalden, werd AI ook ingezet voor documentatie, Jira, Slack, interne zoekopdrachten, analyse en allerlei kleinere werkzaamheden die samen een groot deel van een werkdag vormen.

Daarmee verandert de economische discussie. Een iets minder krachtig model dat vrijwel onbeperkt kan worden gebruikt, kan uiteindelijk meer productiviteit opleveren dan een technisch sterker model dat vanwege de prijs alleen voor uitzonderlijke taken wordt ingezet.

Volume-elasticiteit is de sterkste bull-case

Dit gedrag laat meteen ook de sterkste tegenkracht tegen de bearish case zien. Wanneer intelligentie tien keer goedkoper wordt, hoeft het gebruik niet slechts tien keer te stijgen. Het kan veel sterker toenemen omdat medewerkers AI ineens inzetten voor werkzaamheden waarvoor het eerder economisch niet logisch was.

Revolut laat precies dat mechanisme zien. Zodra rantsoenering verdween, nam het aantal toepassingen toe. Dat betekent dat lagere prijzen niet automatisch lagere totale omzet voor de sector hoeven te betekenen. Wanneer de prijs tien keer daalt en het gebruik honderd keer stijgt, wordt de totale markt ondanks de lagere prijs veel groter.

Dat is de belangrijkste reden waarom wij uit de Revolut-case niet concluderen dat Anthropic, OpenAI of de volledige AI-sector automatisch in de problemen komen. De uiteindelijke uitkomst hangt af van de verhouding tussen prijsdaling, volumegroei en de kosten van compute.

Toch is pricing power het eerste echte probleem

De markt heeft lange tijd aangenomen dat de sterkste frontier-modellen een hoge prijs konden blijven vragen omdat er weinig goede alternatieven bestonden. Die situatie verandert wanneer open modellen snel genoeg verbeteren om voor het grootste deel van dagelijkse workloads goed genoeg te worden.

Wanneer een open model 90% tot 95% van het gewenste resultaat levert tegen ongeveer 10% van de kosten, wordt het moeilijk om voor iedere taak het duurste model te blijven gebruiken. Voor complexe softwarearchitectuur, diep onderzoek of zware reasoning kan de extra kwaliteit van Claude of Codex absoluut waardevol blijven. Voor duizenden standaardtaken kan die extra kwaliteit economisch nauwelijks opwegen tegen het prijsverschil.

Open modellen hoeven Claude en OpenAI dus niet overal te verslaan. Ze hoeven alleen goed genoeg te worden voor het grootste deel van het dagelijkse gebruik. Dat is een veel lagere drempel en daardoor een veel realistischer risico voor pricing power.

Anthropic is hier bijzonder gevoelig voor

Voor Anthropic is deze ontwikkeling extra relevant omdat ongeveer 79% van de omzet over de eerste negen maanden van 2026 uit inkomsten kwam die direct samenhangen met werkelijk gebruik. Dat bedroeg ongeveer $26,3 miljard. Wanneer grote zakelijke klanten eenvoudige en middelzware workloads naar eigen modellen verschuiven, kan het aantal betaalde Claude-tokens per klant daardoor aanzienlijk afnemen.

Dat kan tegelijkertijd samengaan met lagere prijzen op de tokens die wel bij Claude blijven. Anthropic kan dus zowel op volume als op prijs druk ervaren terwijl de onderneming enorme hoeveelheden compute nodig heeft om nieuwe modellen te trainen en bestaande modellen beschikbaar te houden.

Juist wanneer een onderneming grotendeels verdient aan werkelijk gebruik, is het verschil tussen standaard en premiumlaag zeer belangrijk. Claude kan technologisch uitstekend blijven en toch een minder aantrekkelijk economisch model krijgen wanneer klanten het alleen nog inzetten wanneer de meerwaarde uitzonderlijk groot is.

De enorme verplichtingen maken de rekensom scherper

Anthropic heeft daarnaast ongeveer $895,4 miljard aan aangegane verplichtingen, vrijwel volledig gekoppeld aan compute en infrastructuur. Ongeveer $447,5 miljard daarvan wordt vóór eind 2030 verwacht. Dat betekent niet dat Anthropic morgen bijna $900 miljard moet betalen, maar het laat wel zien hoe groot de toekomstige financiële verplichtingen inmiddels zijn.

Het belangrijkste verschil is dat toekomstige omzet relatief snel kan reageren op lagere prijzen en veranderingen in klantgedrag, terwijl een deel van de infrastructuurkosten veel verder vooruit is vastgelegd. Wanneer een klant minder tokens afneemt, kan de omzet snel veranderen. Een langlopend compute-contract verdwijnt niet automatisch even snel.

Daar zit de financiële kwetsbaarheid. De inkomsten zijn relatief flexibel en gevoelig voor prijs en gebruik, terwijl een belangrijk deel van de kosten veel minder flexibel kan zijn. Wanneer de marktprijs van intelligentie sneller daalt dan Anthropic verwacht, kan het rendement op de aangegane infrastructuur veel lager uitvallen.

Hierdoor wordt de toekomstige beurswaardering kwetsbaarder

Een onderneming kan uitzonderlijk snel groeien en toch een slechte belegging blijken wanneer beleggers vooraf te veel hebben betaald voor die groei. Voor Anthropic wordt daarom niet alleen omzet belangrijk, maar vooral de kwaliteit van die omzet en de vrije kasstroom die uiteindelijk overblijft na alle compute-uitgaven.

Beleggers zullen steeds meer willen weten hoeveel klanten Claude als standaard blijven gebruiken, hoeveel volume naar goedkopere alternatieven verschuift, hoe snel de gemiddelde prijs daalt en hoeveel extra infrastructuur nodig is om iedere nieuwe dollar omzet te genereren.

Wanneer Anthropic wordt gewaardeerd alsof Claude jarenlang de standaardlaag blijft bij grote ondernemingen, terwijl Claude in werkelijkheid steeds vaker een premiumlaag boven goedkopere modellen wordt, kan de waarderingsmultiple fors dalen zonder dat Anthropic als bedrijf hoeft te stoppen met groeien.

OpenAI staat breder, maar heeft hetzelfde economische probleem

OpenAI heeft meer mogelijkheden om inkomsten te genereren. ChatGPT, zakelijke abonnementen, Codex, API’s en andere producten maken het bedrijf minder afhankelijk van één enkele bron. Dat geeft OpenAI meer bescherming wanneer de prijs van losse tokens daalt.

Maar ook OpenAI kan niet ontsnappen aan commoditisering wanneer vergelijkbare intelligentie steeds goedkoper beschikbaar komt. De onderneming heeft zelf laten zien dat prijzen van nieuwe modelgeneraties fors kunnen dalen naarmate inference efficiënter wordt.

OpenAI moet daarom steeds meer waarde creëren bovenop het basismodel. Distributie, agents, integratie in bedrijfsprocessen, veiligheid, betrouwbaarheid en complete oplossingen worden belangrijker. Een klant zal veel makkelijker onderhandelen over de prijs van één miljoen tokens dan over een product dat aantoonbaar miljoenen aan kosten bespaart of een belangrijk bedrijfsproces automatiseert.

De hybride markt is waarschijnlijker dan volledige commoditisering

Wij verwachten niet dat alle bedrijven Claude, Codex en andere frontier-modellen volledig vervangen door open modellen. Veel ondernemingen willen geen eigen GPU-cluster beheren en beschikken niet over de technische kennis om inference op grote schaal zelf te optimaliseren.

Ook compliance, support, veiligheid, betrouwbaarheid en eenvoudige integratie blijven belangrijke redenen om externe leveranciers te gebruiken. Voor de moeilijkste workloads blijft maximale modelkwaliteit bovendien veel belangrijker dan prijs.

Daarom lijkt een hybride markt waarschijnlijker. Open modellen verwerken het grote dagelijkse volume, goedkopere commerciële modellen bedienen het middensegment en frontier-modellen blijven beschikbaar voor hoogwaardige taken waar extra kwaliteit echt economische waarde toevoegt.

Dat is minder extreem dan volledige commoditisering, maar kan nog steeds een fundamentele verandering zijn voor de omzetmix van Anthropic en OpenAI. Frontier-modellen hoeven niet volledig te verdwijnen om veel minder tokens tegen premiumprijzen te verwerken.

Goed genoeg kan economisch gevaarlijker zijn dan het beste model

Het grootste risico is daarom niet dat open modellen de nummer één worden op iedere benchmark. Het risico is dat ze goed genoeg worden om voor het merendeel van de dagelijkse toepassingen de economisch logische keuze te zijn.

Een bedrijf kan bijvoorbeeld besluiten om 80% van het volume via een eigen open model te verwerken en slechts 20% naar Claude of Codex te sturen. Dat kan technisch een uitstekende architectuur zijn en financieel veel goedkoper uitpakken.

Voor Anthropic en OpenAI blijft dan een aantrekkelijke premiumbusiness over, maar die kan veel kleiner zijn dan de markt die beleggers vandaag in hun groeiverwachtingen verwerken.

Dit raakt uiteindelijk de volledige AI-capexcyclus

De grootste implicatie gaat daarom verder dan alleen de modelbedrijven. De huidige AI-boom wordt gedragen door een ongekend grote investeringsgolf in GPU’s, data centers, memory, networking, energie en andere infrastructuur.

Die investeringen zijn economisch logisch zolang zij uiteindelijk voldoende omzet, winst en vrije kasstroom genereren. Het feit dat er veel vraag naar compute bestaat is daarvoor op zichzelf niet voldoende. Het gaat uiteindelijk om het rendement op iedere geïnvesteerde dollar.

Wanneer de prijs van AI-diensten sneller daalt dan de kosten van de infrastructuur, kan een data center technisch volledig bezet zijn en financieel toch minder aantrekkelijk worden. Veel gebruik betekent niet automatisch hoge marges.

Dat is het punt waarop een probleem rond pricing power kan veranderen in een veel groter probleem voor aandelenmarkten.

AI kan explosief groeien terwijl AI-aandelen toch crashen

Dit lijkt tegenstrijdig, maar is historisch volkomen mogelijk. De internettechnologie bleek uiteindelijk veel belangrijker dan vrijwel iedereen tijdens de internetzeepbel kon voorzien. Toch verloren talloze internetaandelen daarna 70%, 80% of vrijwel hun volledige waarde.

De technologie was niet het probleem. De prijs die beleggers betaalden voor toekomstige winst was het probleem.

Bij AI kan hetzelfde gebeuren. De technologie kan wereldwijd miljarden gebruikers krijgen, enorme productiviteitswinst opleveren en vrijwel ieder bedrijfsproces veranderen. Wanneer de prijs van intelligentie ondertussen zo sterk daalt dat een groot deel van de economische waarde bij gebruikers terechtkomt, kunnen de winsten van leveranciers veel lager uitvallen dan de huidige waarderingen veronderstellen.

De technologie kan dus winnen terwijl de belegger verliest.

Zo loopt het scenario van prijsdruk naar een crash

De eerste stap is dat open modellen goed genoeg worden voor het bulkvolume. Grote ondernemingen gebruiken frontier-modellen alleen nog voor de moeilijkste taken, waardoor het premiumvolume relatief afneemt.

Daarna ontstaat prijsdruk. Anthropic, OpenAI en andere aanbieders verlagen hun tarieven, introduceren goedkopere modellen of geven grotere volumekortingen om klanten vast te houden. Het aantal tokens kan blijven stijgen, maar omzet en brutomarge groeien minder snel.

Vervolgens komt het rendement op de enorme infrastructuur onder druk. Compute-contracten, GPU’s, data centers en energievoorziening verdwijnen namelijk niet even snel als de prijs van AI daalt. De terugverdientijd wordt daardoor langer en vrije kasstroom blijft achter.

De cruciale volgende stap is dat managementteams kritischer worden op nieuwe projecten. Wanneer nieuwe data centers, extra GPU-clusters of andere investeringen niet langer hetzelfde rendement beloven, wordt toekomstige capex vertraagd.

Vanaf dat moment kan het probleem zich verspreiden van Anthropic en OpenAI naar hyperscalers, chipbedrijven, memory, networking, stroomvoorziening en data centers.

Een dubbele herwaardering kan koersen zeer hard raken

Hoge groeiaandelen zijn bijzonder kwetsbaar wanneer zowel de verwachte winst als de waarderingsmultiple daalt. Stel puur ter illustratie dat een bedrijf wordt gewaardeerd op 40 keer de toekomstige winst. Wanneer de winstverwachting vervolgens 25% daalt en beleggers daarna nog maar 25 keer de winst willen betalen, resteert theoretisch nog ongeveer 47% van de oorspronkelijke beurswaarde.

De winstverwachting is dan slechts 25% gedaald, maar de koers kan ruim 50% lager staan. Dat komt doordat zowel de winst als de prijs die beleggers voor iedere dollar winst willen betalen omlaag gaat.

Dat is precies het mechanisme waardoor een normale correctie kan veranderen in een echte crash. AI hoeft niet te verdwijnen en de omzet hoeft niet in te storten. De verwachtingen hoeven alleen veel te hoog te zijn geweest.

NVIDIA kan in de eerste fase juist profiteren

De Revolut-case is op korte termijn niet noodzakelijk negatief voor NVIDIA en andere leveranciers van infrastructuur. Zelf gehoste modellen hebben nog steeds krachtige hardware nodig en Revolut gebruikt voor deze omgeving ongeveer 56 B200-GPU’s.

Wanneer meer grote ondernemingen dezelfde strategie volgen, kan een deel van het geld dat voorheen naar externe API’s ging verschuiven naar eigen GPU’s, servers, memory en networking. Self-hosting kan daardoor in de eerste fase juist extra vraag naar hardware creëren.

Het echte risico voor NVIDIA en de infrastructuurketen is een tweede-orde-effect. Wanneer ondernemingen en hyperscalers later ontdekken dat het totale rendement op AI-investeringen lager is dan verwacht, kan de volgende ronde aan investeringen worden vertraagd.

De eerste golf van open modellen kan dus bullish zijn voor hardware, terwijl dezelfde ontwikkeling enkele jaren later juist bearish kan worden wanneer de monetisatie onvoldoende blijkt.

Dat maakt een mogelijke crash eerder vertraagd dan onmiddellijk

Een eventuele crash hoeft daarom helemaal niet snel te komen. Goedkopere AI kan eerst voor een nieuwe versnelling van de investeringscyclus zorgen. Meer ondernemingen bouwen eigen capaciteit, werknemers gebruiken AI veel intensiever en de totale vraag naar compute stijgt.

Pas later wordt zichtbaar hoeveel winst die enorme hoeveelheid compute werkelijk produceert. Wanneer blijkt dat veel infrastructuur tegen te optimistische verwachtingen is gebouwd, kan het sentiment snel veranderen.

Dat is kenmerkend voor kapitaalintensieve cycli. De markt maakt zich meestal niet druk wanneer iedereen investeert en de vraag sterk groeit. De problemen ontstaan wanneer beleggers voor het eerst twijfelen of al die investeringen voldoende rendement opleveren.

De sterkste bull-case blijft de enorme groei van het gebruik

Daarom moeten we de andere kant van de analyse nadrukkelijk behouden. Lagere prijzen kunnen zoveel extra vraag veroorzaken dat Anthropic, OpenAI en de volledige infrastructuurketen uiteindelijk alsnog sterk groeien.

Revolut laat dat mechanisme zelf zien. Zodra tokens niet meer hoefden te worden gerantsoeneerd, werd AI voor veel meer werkzaamheden gebruikt. De vraag werd elastisch.

Wanneer intelligentie tien keer goedkoper wordt en het totale gebruik twintig, vijftig of honderd keer stijgt, kan de totale omzetmarkt uiteindelijk veel groter worden. Een kleiner marktaandeel hoeft dan niet automatisch minder absolute omzet te betekenen.

De uiteindelijke uitkomst wordt daarom bepaald door drie zaken: hoe snel de prijs daalt, hoeveel het gebruik stijgt en hoe snel de kosten voor compute dalen.

De echte financiële test wordt vrije kasstroom

Voor beleggers is omzet uiteindelijk niet genoeg. De waarde van een onderneming wordt op lange termijn bepaald door hoeveel cash na alle noodzakelijke investeringen overblijft.

Dat maakt AI anders dan klassieke software. Bij traditionele software kost een extra gebruiker vaak relatief weinig. Bij AI vraagt iedere nieuwe workload opnieuw compute en moeten voortdurend nieuwe modellen en infrastructuur worden gefinancierd.

Een bedrijf kan daardoor indrukwekkende omzetgroei laten zien terwijl de vrije kasstroom achterblijft omdat bijna even snel nieuwe investeringen nodig zijn.

Precies daarom wordt de verhouding tussen capex en monetisatie het belangrijkste financiële thema van de volgende fase van de AI-boom.

Investment view

Wij blijven voor de lange termijn positief over AI, halfgeleiders en robotics. Goedkopere intelligentie kan de toepassing van AI enorm versnellen en uiteindelijk veel meer vraag naar compute creëren dan vandaag wordt verwacht. De Revolut-case verandert daarom niet onze structurele overtuiging dat AI één van de belangrijkste technologieën van de komende decennia wordt.

Wel worden wij kritischer op waarderingen die alleen houdbaar zijn wanneer extreem hoge groei, sterke pricing power en enorme capex jarenlang tegelijkertijd kunnen worden volgehouden. Vooral ondernemingen zonder sterke vrije kasstroom of met zeer grote financiële verplichtingen zijn kwetsbaar wanneer de prijs van intelligentie sneller daalt dan verwacht.

Voor Anthropic is het risico duidelijk. Ongeveer 79% van de omzet over de eerste negen maanden van 2026 kwam uit gebruik, terwijl de onderneming ongeveer $895,4 miljard aan verplichtingen heeft die vrijwel volledig samenhangen met compute en infrastructuur. Wanneer volume naar open modellen verschuift en prijzen tegelijkertijd dalen, kan het rendement op die enorme verplichtingen veel lager worden.

OpenAI staat breder door ChatGPT, abonnementen en andere producten, maar ook daar wordt steeds belangrijker hoeveel economische waarde het bedrijf werkelijk kan vasthouden wanneer intelligentie goedkoper wordt. Het bedrijf moet steeds verder opschuiven van het verkopen van tokens naar complete oplossingen waarvan de financiële waarde voor de klant duidelijk aantoonbaar is.

Voor NVIDIA en andere infrastructuurbedrijven kan self-hosting in eerste instantie juist positief zijn omdat ondernemingen eigen GPU-capaciteit nodig hebben. Het echte neerwaartse risico ontstaat pas wanneer hyperscalers en enterprises later concluderen dat de totale AI-investeringen onvoldoende rendement opleveren en de volgende ronde aan capex werkelijk wordt teruggeschroefd.

Eindconclusie

De Revolut-case gaat uiteindelijk niet over de vraag of GLM beter is dan Claude of Codex. Het gaat over de veel belangrijkere vraag wie de economische waarde van AI uiteindelijk weet vast te houden.

AI kan extreem succesvol worden en tegelijkertijd veel goedkoper worden. Voor gebruikers is dat fantastisch. Bedrijven kunnen veel meer processen automatiseren, werknemers worden productiever en AI kan bijna overal worden ingezet.

Voor beleggers ligt de rekensom moeilijker. De huidige AI-boom vraagt honderden miljarden dollars aan investeringen en die investeringen moeten uiteindelijk worden terugverdiend via marges en vrije kasstroom. Wanneer de prijs van intelligentie sneller daalt dan verwacht, kan de terugverdientijd van de huidige infrastructuur sterk oplopen.

Daar ligt het scenario waarin een echte crash in AI-aandelen mogelijk wordt. Eerst verliest de frontierlaag pricing power. Daarna komen marges en vrije kasstroom onder druk. Vervolgens blijkt een deel van de enorme capex minder aantrekkelijk en gaan hyperscalers en andere ondernemingen nieuwe investeringen kritischer beoordelen. Zodra capex werkelijk vertraagt, kan de herwaardering zich verspreiden naar chips, memory, networking, data centers en energie.

Wij verwachten niet dat dit scenario volledig uitkomt. De hybride markt is waarschijnlijker en de enorme volume-elasticiteit van AI kan een belangrijk deel van de prijsdruk compenseren. Open modellen kunnen het bulkvolume overnemen terwijl frontier-modellen sterke economische waarde blijven leveren bij de moeilijkste taken.

De soep wordt daarom waarschijnlijk niet zo heet gegeten als in de meest negatieve case. Maar het risico is te belangrijk om te negeren.

De grootste fout voor beleggers zou zijn om technologische groei automatisch gelijk te stellen aan hoge rendementen voor iedere onderneming in de keten. Dat zijn twee verschillende zaken.

Positief zijn over AI betekent daarom niet automatisch positief zijn over iedere AI-waardering. De uiteindelijke winnaars worden niet noodzakelijk de bedrijven met het slimste model, de meeste GPU’s of de hoogste capex. De echte winnaars worden de ondernemingen die na prijsdalingen, toenemende concurrentie en enorme investeringen daadwerkelijk sterke vrije kasstromen en een duurzaam hoog rendement op geïnvesteerd kapitaal weten vast te houden.

🔵 English version

Revolut exposes the vulnerable side of the AI boom: open models could ultimately trigger a crash in AI stocks

Revolut demonstrates why the next phase of the AI boom will not only be about growth, but increasingly about returns. For roughly 2,000 engineers, the company uses self-hosted GLM models as the default for a large share of everyday work, while Anthropic's Claude Code and OpenAI's Codex remain primarily available for the hardest tasks. Revolut runs this environment on roughly 56 NVIDIA B200 GPUs and reports blended costs of around $0.30 per million tokens, approximately one-tenth of what it previously paid Anthropic and OpenAI.

If this approach is adopted broadly, it could ultimately contribute to a crash across parts of the AI market. Not because AI fails, but because the price of intelligence could fall much faster than the cost of the infrastructure being built to deliver it. The industry is investing hundreds of billions of dollars in models, GPUs, data centers, power infrastructure and networking. If customers can perform a large share of everyday workloads at a fraction of today's cost, the critical question becomes not how much AI is used, but how much of that enormous investment can ultimately be earned back.

■ Anthropic and OpenAI: The immediate risk is lower volume at lower prices. Frontier models can remain technically superior while capturing a smaller share of total AI spending.
■ The entire AI value chain: If lower pricing leads to weaker margins and lower returns on new infrastructure, pressure can eventually spread into semiconductors, memory, networking, data centers and energy.
■ Crash scenario: AI can become an extraordinary technological success while AI stocks fall sharply if future free cash flows prove materially lower than current valuations assume.

Revolut primarily changes who captures most of the spending

The main message is not that GLM is better than Claude or Codex. Revolut specifically keeps frontier models available when additional quality is required. The fundamental difference lies in how usage is allocated. Cheaper open models process everyday volume, while the most expensive systems are deployed only when incremental quality genuinely creates economic value.

That matters financially because most volume comes from everyday work. Enterprises handle far more routine questions, standard code changes, documentation tasks and internal searches than exceptional problems. If 80% or 90% of those workloads migrate toward a cheaper model, a frontier system can continue winning the hardest assignments while still losing substantial revenue per customer.

Competition therefore shifts from absolute model quality toward economic value per dollar spent. The relevant enterprise question is no longer which model is smartest, but how much additional output the higher price actually produces.

Revolut's $0.30 is not a universal market price

The reported cost of approximately $0.30 per million tokens needs to be interpreted carefully. It is not a price every company can simply reproduce by downloading the same model weights. Revolut has the scale, technical expertise and infrastructure required to utilise hardware intensively and spread costs across very large volumes of traffic.

Optimisations such as quantization, caching, batching, context caps, efficient workload routing and further inference tuning all play an important role. The same 56 B200 GPUs can generate a far higher cost base in a less optimised environment. Revolut's figure should therefore be viewed as an example of what may be achievable at sufficient scale and technical efficiency rather than a universal benchmark for self-hosting.

That nuance strengthens the broader case. Not every company can replicate the architecture tomorrow, but large banks, insurers, software companies and other enterprises now have a concrete example of how dependence on expensive external APIs can be reduced. Even companies that never fully self-host can gain additional negotiating leverage against Anthropic, OpenAI and other providers.

The largest gain emerged when tokens no longer needed to be rationed

Revolut reports roughly a 60% improvement in coding time and approximately a 70% improvement in overall lead time. These are internal measurements and should not be treated as independently proven returns. The mechanism behind the improvement is at least as important as the exact percentage.

When usage was more expensive, engineers became cautious with tokens. AI was primarily reserved for difficult programming problems and tasks where its incremental value was obvious. Once costs fell sharply, AI was also used for documentation, Jira, Slack, internal search, analysis and many smaller activities that together represent a large share of the working day.

That changes the economic discussion. A slightly less powerful model that can be used almost without restriction can ultimately create greater productivity than a technically superior model that is deployed only for exceptional tasks because of cost.

Volume elasticity is the strongest bull case

This behaviour immediately reveals the strongest counterargument to the bearish case. If intelligence becomes ten times cheaper, usage does not need to increase merely tenfold. It can rise much faster as employees begin applying AI to work that previously did not justify the cost.

Revolut demonstrates precisely that mechanism. Once rationing disappeared, the number of use cases increased. Lower prices therefore do not automatically imply lower total industry revenue. If pricing falls tenfold while usage rises one hundredfold, the total market becomes dramatically larger despite lower unit economics.

That is the main reason we do not conclude from Revolut that Anthropic, OpenAI or the entire AI sector automatically face structural decline. The ultimate outcome depends on the relationship between pricing declines, volume growth and compute costs.

Pricing power nevertheless becomes the first real problem

Markets long assumed the strongest frontier models would maintain premium pricing because serious alternatives were limited. That position changes when open models improve sufficiently to become good enough for most routine workloads.

If an open model provides 90% to 95% of the desired outcome at roughly 10% of the cost, it becomes increasingly difficult to justify the most expensive model for every task. For complex software architecture, deep research or difficult reasoning, the incremental quality of Claude or Codex can remain extremely valuable. For thousands of standard workloads, however, that quality premium may not economically justify the price difference.

Open models therefore do not need to defeat Claude and OpenAI everywhere. They only need to become good enough for most everyday usage. That is a much lower hurdle and therefore a much more realistic threat to pricing power.

Anthropic is particularly exposed

Anthropic is especially sensitive because roughly 79% of revenue during the first nine months of 2026 came from consumption-based revenue, representing around $26.3 billion. If major enterprise customers shift simple and medium-complexity workloads toward internal models, paid Claude-token volume per customer can decline materially.

That can happen alongside lower pricing on the tokens that remain with Claude. Anthropic can therefore face pressure on both volume and price while still requiring enormous amounts of compute to train new models and operate existing ones.

When a company earns most of its revenue from actual usage, the difference between default layer and premium layer becomes highly important. Claude can remain technologically excellent while becoming a less attractive economic model if customers increasingly reserve it only for tasks where its incremental value is exceptional.

Enormous commitments sharpen the mathematics

Anthropic also carries approximately $895.4 billion of committed spending, almost entirely related to compute and infrastructure. Roughly $447.5 billion is expected before the end of 2030. That does not mean Anthropic must pay almost $900 billion tomorrow, but it demonstrates how large its future financial commitments have become.

The important distinction is that future revenue can react relatively quickly to lower prices and changes in customer behaviour, while a meaningful share of infrastructure costs has been committed much further in advance. Customer token consumption can change quickly. Long-term compute agreements cannot necessarily be reduced at the same speed.

That is the financial vulnerability. Revenue is relatively flexible and sensitive to usage and pricing, while part of the cost base can be considerably less flexible. If the market price of intelligence declines faster than Anthropic expects, returns on committed infrastructure can deteriorate materially.

This makes future public-market valuation more vulnerable

A company can grow extremely quickly and still become a poor investment if investors initially paid too much for that growth. For Anthropic, the discussion therefore increasingly shifts from revenue alone toward revenue quality and the free cash flow ultimately remaining after compute spending.

Investors will increasingly focus on how many customers continue using Claude as the default, how much volume migrates toward cheaper alternatives, how rapidly average pricing falls and how much incremental infrastructure is required to generate each new revenue dollar.

If Anthropic is valued as though Claude remains the default layer across large enterprises for years while it increasingly becomes a premium layer above cheaper models, the valuation multiple can fall substantially even while the company continues growing.

OpenAI is broader but faces the same economic problem

OpenAI has more ways to monetise. ChatGPT, enterprise subscriptions, Codex, APIs and other products make it less dependent on any single revenue source. That provides more protection as raw token prices decline.

OpenAI still cannot escape commoditisation if comparable intelligence becomes increasingly cheap elsewhere. The company itself has demonstrated how substantially prices can decline across model generations as inference becomes more efficient.

OpenAI therefore needs to create more value above the base model. Distribution, agents, enterprise integration, safety, reliability and complete solutions become increasingly important. Customers can negotiate aggressively over the cost of one million tokens. A product that demonstrably saves millions of dollars or automates a critical workflow carries far stronger pricing power.

A hybrid market is more likely than full commoditisation

We do not expect every company to fully replace Claude, Codex and other frontier models with open systems. Many organisations have no desire to operate their own GPU clusters and lack the technical expertise required to optimise inference at large scale.

Compliance, support, security, reliability and ease of integration also remain important reasons to use external providers. For the hardest workloads, maximum model quality remains much more important than price.

A hybrid market therefore appears more likely. Open models process the bulk of everyday volume, lower-cost commercial models serve the middle tier and frontier models remain available for high-value tasks where additional quality genuinely produces economic value.

That is less extreme than complete commoditisation but can still represent a fundamental change in Anthropic's and OpenAI's revenue mix. Frontier models do not need to disappear completely to process far fewer tokens at premium pricing.

Good enough can be economically more dangerous than best

The greatest risk is therefore not that open models become number one on every benchmark. The risk is that they become good enough to represent the economically rational choice for most daily applications.

An enterprise might route 80% of volume through its own open model and send only 20% toward Claude or Codex. That can be an excellent technical architecture while reducing overall costs dramatically.

Anthropic and OpenAI would retain an attractive premium business, but that business may be materially smaller than the market embedded in current growth assumptions.

This ultimately reaches the entire AI capex cycle

The largest implication therefore extends beyond the model providers. The current AI boom is supported by an unprecedented investment wave in GPUs, data centers, memory, networking, energy and other infrastructure.

Those investments are economically justified as long as they ultimately generate sufficient revenue, profits and free cash flow. High compute demand alone is not enough. What ultimately matters is the return on each dollar invested.

If AI-service pricing falls faster than infrastructure costs, a data center can be technically fully utilised while becoming financially less attractive. High utilisation does not automatically create high margins.

That is the point at which a pricing-power problem can become a much broader equity-market problem.

AI can grow explosively while AI stocks still crash

This sounds contradictory, but history shows it is entirely possible. Internet technology ultimately became far more important than most people imagined during the dot-com bubble, yet countless internet equities subsequently lost 70%, 80% or almost their entire value.

The technology was not the problem. The price investors paid for future profits was.

AI can follow the same pattern. The technology can reach billions of users, generate enormous productivity gains and transform almost every business process. If intelligence simultaneously becomes so cheap that a large share of economic value flows toward users, supplier profits can still fall well below current valuation assumptions.

The technology can therefore win while the investor loses.

This is how pricing pressure can become a crash

The first stage is open models becoming good enough for bulk workloads. Enterprises reserve frontier models for the hardest tasks and relative premium volume declines.

Pricing pressure then follows. Anthropic, OpenAI and other providers reduce pricing, introduce cheaper models or offer larger volume discounts to retain customers. Token consumption can continue rising while revenue and gross margins grow more slowly.

Returns on infrastructure then come under pressure. Compute contracts, GPUs, data centers and power infrastructure do not decline in cost at the same pace as AI pricing. Payback periods lengthen and free cash flow disappoints.

The critical next step is greater management discipline around new projects. If additional data centers, GPU clusters or other infrastructure no longer promise the same economic returns, future capex is delayed.

At that point, pressure can spread from Anthropic and OpenAI toward hyperscalers, semiconductor companies, memory, networking, power infrastructure and data-center providers.

A double rerating can hit valuations extremely hard

High-growth equities are particularly vulnerable when both expected earnings and valuation multiples decline. Consider a purely illustrative company valued at 40 times future earnings. If expected earnings later fall by 25% and investors become willing to pay only 25 times earnings, the theoretical equity value falls to roughly 47% of its previous level.

Expected earnings have declined only 25%, but the share price can fall more than 50% because both earnings and the price investors are willing to pay for each dollar of earnings decline simultaneously.

That is exactly how an ordinary correction can become a genuine crash. AI does not need to disappear and revenue does not need to collapse. Expectations simply need to have been far too high.

NVIDIA can initially benefit

The Revolut case is not necessarily negative for NVIDIA or other infrastructure suppliers in the near term. Self-hosted models still require powerful hardware and Revolut uses roughly 56 B200 GPUs for the described environment.

If more large enterprises follow a similar strategy, some spending previously directed toward external APIs may shift toward owned GPUs, servers, memory and networking. Self-hosting could therefore initially create incremental hardware demand.

The true risk for NVIDIA and the infrastructure chain is a second-order effect. If enterprises and hyperscalers later discover that total returns on AI investment are lower than expected, the next round of spending can slow.

The first wave of open-model adoption can therefore be bullish for hardware while the same development may become bearish several years later if monetisation proves insufficient.

That makes any potential crash more delayed than immediate

A crash does not therefore need to arrive quickly. Cheaper AI can first create another acceleration in the investment cycle. More enterprises build internal capacity, employees consume much more AI and total compute demand expands.

Only later does the market learn how much profit all that compute actually generates. If monetisation disappoints after major infrastructure has already been built or contracted, the entire investment cycle can suddenly be viewed differently.

That is typical of capital-intensive cycles. Markets rarely worry while investment and demand are accelerating. Problems begin when investors first question whether all that investment will produce adequate returns.

Explosive usage growth remains the strongest bull case

The other side of the analysis therefore needs to remain explicit. Lower prices can create so much incremental demand that Anthropic, OpenAI and the entire infrastructure chain ultimately continue growing strongly.

Revolut demonstrates the mechanism itself. Once tokens no longer needed to be rationed, AI was used across far more workflows. Demand became highly elastic.

If intelligence becomes ten times cheaper and total usage increases twenty, fifty or one hundred times, the overall revenue pool can become far larger. Lower market share does not automatically mean lower absolute revenue.

The ultimate outcome therefore depends on three variables: how quickly pricing declines, how much usage increases and how rapidly compute costs fall.

The true financial test is free cash flow

For investors, revenue alone is ultimately insufficient. Long-term corporate value depends on how much cash remains after all required investment has been funded.

That makes AI different from classic software. In traditional software, serving another user often carries relatively little incremental cost. AI requires additional compute for every workload and continual investment in new models and infrastructure.

A company can therefore show spectacular revenue growth while free cash flow disappoints because new investment requirements rise almost as quickly.

That is why the relationship between capex and monetisation becomes the central financial issue in the next phase of the AI boom.

Investment view

We remain positive on AI, semiconductors and robotics over the long term. Cheaper intelligence can accelerate adoption dramatically and ultimately create far more compute demand than markets currently expect. Revolut therefore does not change our structural view that AI will become one of the defining economic technologies of the coming decades.

We do, however, become more critical of valuations that only remain attractive if extraordinary growth, strong pricing power and enormous capex can all continue simultaneously for years. Companies without strong free cash flow or carrying major financial commitments become particularly vulnerable when the price of intelligence falls faster than expected.

Anthropic faces the clearest risk. Roughly 79% of revenue during the first nine months of 2026 came from usage, while the company reports approximately $895.4 billion of commitments almost entirely related to compute and infrastructure. If volume migrates toward open models while pricing declines simultaneously, returns on those commitments can deteriorate materially.

OpenAI has more defensive layers through ChatGPT, subscriptions and other products, but it too increasingly needs to demonstrate how much economic value it can retain as intelligence becomes cheaper. The business must continue moving from selling tokens toward complete solutions whose financial value to customers is clearly demonstrable.

For NVIDIA and other infrastructure suppliers, self-hosting can initially be positive because enterprises require their own GPU capacity. The real downside risk only emerges when hyperscalers and enterprises later conclude that total AI investment is generating insufficient returns and genuinely reduce the next round of capex.

Final conclusion

The Revolut case is ultimately not about whether GLM is better than Claude or Codex. It is about the far more important question of who ultimately retains the economic value created by AI.

AI can become extraordinarily successful while simultaneously becoming dramatically cheaper. For users, that is excellent. Enterprises can automate far more processes, employees become more productive and AI can be deployed almost everywhere.

For investors, the mathematics is more difficult. The current AI boom requires hundreds of billions of dollars of investment, and those investments ultimately need to be earned back through margins and free cash flow. If the price of intelligence falls much faster than expected, infrastructure payback periods can extend materially.

That is the scenario in which a genuine AI-stock crash becomes possible. Frontier-model pricing power weakens first. Margins and free cash flow subsequently come under pressure. Enormous capex becomes harder to justify and hyperscalers and other enterprises become more selective around future investment. Once capex genuinely slows, the rerating can spread into semiconductors, memory, networking, data centers and energy.

We do not expect the full scenario to materialise. A hybrid market is more likely and the enormous volume elasticity of AI can offset a meaningful part of pricing pressure. Open models can capture bulk workloads while frontier systems continue delivering substantial economic value on the hardest tasks.

The most bearish scenario will therefore probably not unfold in its purest form. But the risk is too important to ignore.

The biggest mistake investors could make is to assume technological growth automatically translates into high returns for every company in the value chain. Those are two very different things.

Being bullish on AI therefore does not automatically mean being bullish on every AI valuation. The ultimate winners will not necessarily be the companies with the smartest model, the most GPUs or the highest capex. The real winners will be those that, after falling prices, rising competition and enormous investment, can still sustain strong free cash flow and high returns on invested capital.