OpenAI overweegt volgens berichtgeving forse prijsverlagingen voor tokens. Daarmee wil het bedrijf sterker concurreren met Anthropic, dat vooral in enterprise-AI en codingtools duidelijk momentum heeft gekregen. De gesprekken zijn nog niet definitief, maar de richting is helder: de AI-markt verschuift van schaarste en hype naar prijs, distributie, kostencontrole en bewezen rendement.

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.

■ OpenAI overweegt forse tokenprijsverlagingen om marktaandeel terug te winnen van Anthropic.
■ Lagere prijzen kunnen AI-adoptie versnellen en klanten helpen.
■ De risicozijde zit bij margedruk als compute, HBM, memory chips, stroom en datacenters duur blijven.
■ De beurs wil niet alleen groei zien, maar winstgevende groei.
■ AI blijft structureel bullish, maar de prijsoorlog maakt het businessmodel van AI-labs kwetsbaarder.

Dat maakt dit bericht belangrijker dan een gewone prijsactie. Lagere tokenprijzen kunnen AI-gebruik versnellen, omdat bedrijven meer toepassingen kunnen draaien voor minder geld. Dat is positief voor klanten, ontwikkelaars en de bredere adoptie van AI. Maar voor AI-bedrijven zelf ontstaat een nieuwe druk. Als de prijs per token daalt, terwijl compute, HBM, memory chips, stroom en datacentercapaciteit duur blijven, komt de marge onder druk.

De kern is dus niet dat AI zwakker wordt. De kern is dat de sector volwassener wordt. In de eerste fase draaide alles om modelkracht, snelheid en marktaandeel. In de volgende fase zal de beurs steeds meer letten op winstgevende groei. Meer tokens, meer gebruikers en meer agents zijn goed voor adoptie, maar niet automatisch goed voor waarderingen als de kostenbasis hoog blijft.

Voor beleggers wordt dit een belangrijk kantelpunt. De vraag is niet langer alleen hoeveel AI wordt gebruikt. De vraag wordt hoeveel winst overblijft per eenheid AI-gebruik. Dat maakt prijszetting, schaal, infrastructuur, software-integratie en kosten per token veel belangrijker dan in de eerste hypefase.

Investment view

Wij blijven onderliggend bullish op AI als structureel groeiverhaal, maar deze mogelijke prijsoorlog bevestigt dat de sector een nieuwe fase ingaat. De markt gaat minder betalen voor alleen groei en meer eisen stellen aan marge, schaalvoordeel, distributie, klantbinding en rendement op investeringen.

🟪 Lagere tokenprijzen zijn positief voor AI-adoptie, omdat meer bedrijven meer toepassingen kunnen draaien.
🟪 Voor AI-labs ontstaat risico als de verkoopprijs sneller daalt dan de kosten voor compute, chips, geheugen, stroom en datacenters.
🟪 Voor de beurs wordt winstgevende groei belangrijker dan alleen groei in tokens, gebruikers of agents.

Onze visie is genuanceerd positief. Goedkopere AI kan de markt vergroten. Meer bedrijven kunnen AI inzetten, ontwikkelaars kunnen meer agents bouwen en ondernemingen kunnen meer workflows automatiseren. Dat ondersteunt de lange termijn bullcase voor 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.

Maar de winnaars worden niet automatisch de partijen met het beste model. De winnaars worden de bedrijven die AI goedkoop kunnen leveren, klanten kunnen vasthouden, compute efficiënt gebruiken, infrastructuur controleren en duidelijke ROI kunnen aantonen. Dat maakt het speelveld harder en selectiever.

Wat is er aan de hand?

Volgens berichtgeving overweegt OpenAI significante verlagingen van de prijzen die klanten betalen voor tokens. Tokens zijn de rekeneenheid waarmee AI-bedrijven gebruik factureren. Hoe meer tekst, code, analyse, context en output een model verwerkt, hoe meer tokens worden gebruikt.

OpenAI wil hiermee sterker concurreren met Anthropic. Vooral Claude Code heeft veel aandacht gekregen bij softwareontwikkelaars en enterprise-klanten. Anthropic heeft daardoor momentum opgebouwd in precies het segment waar OpenAI met Codex ook sterker wil worden.

De mogelijke prijsverlagingen zijn dus niet alleen een commerciële stap. Ze laten zien dat de AI-markt competitiever wordt. Klanten vergelijken modellen, letten op kosten en willen meer waarde voor minder geld. Dat hoort bij een markt die volwassen wordt, maar het verandert wel de waarderingsdiscussie.

Waarom tokens zo belangrijk zijn

Tokens zijn de economische basis van veel AI-modellen. Zij bepalen hoeveel klanten betalen en hoeveel omzet AI-bedrijven uit gebruik halen. Een prijsverlaging per token raakt dus direct de inkomsten per eenheid gebruik.

Voor klanten is dat gunstig. Goedkopere tokens maken AI toegankelijker. Bedrijven kunnen meer experimenteren, meer agents draaien, meer code laten schrijven en grotere workflows automatiseren. Dat kan de adoptie versnellen.

Voor aanbieders is het ingewikkelder. Zij moeten dezelfde of betere prestaties leveren tegen een lagere prijs. Als de kosten per token niet in hetzelfde tempo dalen, loopt de marge terug. Dat is vooral gevoelig omdat frontier AI-modellen extreem veel compute vragen.

Daarom is tokenpricing zo beursgevoelig. Het bepaalt niet alleen hoeveel AI wordt gebruikt, maar ook hoeveel winst de sector uiteindelijk kan maken.

De margeknijp

De belangrijkste spanning zit tussen prijsdruk aan de voorkant en kosteninflatie aan de achterkant. OpenAI en Anthropic kunnen prijzen verlagen om klanten te winnen of vast te houden. Maar hun kosten worden bepaald door GPU’s, HBM, memory chips, netwerken, datacenters, stroom, koeling, modeltraining en inference.

Als die kosten niet snel genoeg dalen, ontstaat een margeknijp. De klant betaalt minder, maar de aanbieder blijft afhankelijk van dure infrastructuur. Dat is precies het risico in deze fase van de AI-cyclus.

Dit risico wordt groter door schaarste in de keten. HBM blijft cruciaal voor AI-accelerators. GPU-capaciteit blijft duur. Datacenters zijn niet snel gebouwd. Stroomaansluitingen zijn een bottleneck. Memory chips en geavanceerde packaging blijven belangrijke onderdelen van de kostenstructuur.

Daarom is een prijsoorlog in AI anders dan een normale softwarekorting. Traditionele software heeft vaak zeer hoge brutomarges zodra het product is gebouwd. AI-inference blijft variabele kosten hebben. Elke vraag, elke agent-run en elke codingtaak gebruikt compute. Daardoor is prijsdruk directer verbonden met operationele kosten.

Groei blijft mogelijk, maar de beurs wil meer

Lagere prijzen kunnen de groei in AI-gebruik juist versnellen. Meer bedrijven zullen AI inzetten als de kosten dalen. Meer ontwikkelaars zullen agents bouwen. Meer afdelingen kunnen AI-tools gebruiken. Dat is positief voor de penetratie van AI.

Maar de beurs gaat steeds minder tevreden zijn met alleen gebruiksgroei. Beleggers willen zien dat groei uiteindelijk winstgevend wordt. Dat is de verandering. Het verhaal verschuift van “AI groeit hard” naar “AI groeit hard genoeg én levert voldoende marge op.”

Die tweede voorwaarde wordt belangrijk. Als het aantal tokens stijgt, maar de prijs per token daalt en de kostenbasis hoog blijft, kan omzetgroei minder waardevol zijn dan de markt hoopt. Groei zonder marge is in een hypefase aantrekkelijk. In een beursfase wordt dat veel kritischer beoordeeld.

Dat geldt zeker nu OpenAI en Anthropic richting een publieke markt bewegen. Beleggers zullen niet alleen kijken naar omzetgroei, maar ook naar brutomarge, cash burn, compute-verplichtingen, klantbehoud en prijszettingsmacht.

Waarom Anthropic de druk verhoogt

Anthropic heeft met Claude en vooral Claude Code sterk momentum gekregen. Coding is een belangrijke markt omdat softwareontwikkeling een duidelijke zakelijke toepassing heeft. Als AI daar productiviteit verhoogt, kunnen bedrijven grote budgetten vrijmaken.

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.

Voor OpenAI is dat strategisch gevoelig. OpenAI heeft met ChatGPT een zeer sterk consumentenmerk, maar enterprise-coding en agentic workflows zijn de gebieden waar grote zakelijke contracten kunnen ontstaan. Als Anthropic daar marktaandeel wint, moet OpenAI reageren.

Een prijsverlaging kan dan logisch zijn. OpenAI kan proberen klanten terug te halen of te voorkomen dat nieuwe enterprise-budgetten naar Anthropic gaan. Maar Anthropic zal waarschijnlijk niet stil blijven zitten als OpenAI agressief verlaagt. Daardoor kan een prijsoorlog ontstaan.

Dat is goed voor klanten, maar gevaarlijk voor marges. Het maakt ook duidelijk dat modelkwaliteit alleen niet genoeg is. Klanten willen prijs, betrouwbaarheid, veiligheid, integratie, snelheid, compliance en duidelijke productiviteitswinst.

Commoditisering van AI

De mogelijke prijsoorlog laat zien dat delen van AI richting commoditisering bewegen. Dat betekent niet dat alle modellen hetzelfde zijn. Frontiermodellen blijven verschillen in kwaliteit, contextlengte, codingprestaties, reasoning, veiligheid en tooling.

Maar voor veel zakelijke toepassingen kan de klant pragmatischer worden. Als twee modellen goed genoeg zijn voor een taak, wordt prijs belangrijker. Als overstappen relatief makkelijk is via API’s, integratielagen of modelrouters, neemt de prijsdruk toe.

Dat raakt de waardering van AI-labs. Een uniek product met sterke prijszettingsmacht krijgt een hogere waardering dan een product dat klanten makkelijk kunnen vergelijken en vervangen. De vraag wordt dus hoe duurzaam het onderscheid tussen OpenAI, Anthropic, Google, xAI, Meta en open-source alternatieven werkelijk is.

De sterkste spelers zullen zich daarom moeten onderscheiden via meer dan modelkwaliteit. Distributie, workflow-integratie, enterprise-relaties, data, compliance, developer-ecosystemen en kostenvoordeel worden doorslaggevend.

Tokenmaxxing en het ROI-probleem

Een extra probleem is dat bedrijven steeds meer letten op wat AI-gebruik werkelijk oplevert. Bij codingtools en agents kunnen tokenkosten snel oplopen. Sommige bedrijven zagen AI-budgetten sneller verdwijnen dan verwacht. Dat leidt tot nieuwe interne discussies over limieten, budgetten en meetbare productiviteit.

Het begrip tokenmaxxing past hierin. Het gaat om het maximaliseren van tokengebruik in de hoop productiviteit te verhogen. Maar meer tokengebruik betekent niet automatisch meer waarde. Een agent kan veel tokens verbruiken zonder dat de output in verhouding staat tot de kosten.

Dat maakt enterprise-klanten kritischer. Zij willen niet alleen meer AI, maar betere AI-economie. Minder verspilling, betere budgetcontrole, duidelijke kosten per workflow en zichtbare impact op omzet, kosten, snelheid of productkwaliteit.

Voor OpenAI en Anthropic is dit belangrijk. Als klanten hun AI-gebruik gaan beperken, helpt een lagere tokenprijs wel, maar het lost niet alles op. De klant wil uiteindelijk bewijs dat AI de kosten waard is.

Waarom dit ook gevolgen heeft voor chips en memory

De prijsoorlog aan de voorkant heeft direct verband met de infrastructuur aan de achterkant. AI-bedrijven kunnen alleen lagere prijzen aanbieden als zij hun kosten per token omlaag krijgen. Daarvoor zijn efficiëntere modellen, betere inference, goedkopere compute, snellere chips, meer HBM, betere datacenters en lagere stroomkosten nodig.

Dat betekent dat de vraag naar chips en memory niet zomaar verdwijnt. Integendeel, als lagere prijzen AI-gebruik versnellen, kan het volume aan inference juist sterk toenemen. Meer AI-gebruik betekent meer compute, meer dataverkeer en meer geheugenbehoefte.

Maar de beurs zal ook hier scherper gaan kijken. Als tokenprijzen dalen, kan de markt zich afvragen wie de marge behoudt. Gaat de waarde naar chipmakers, omdat compute schaars blijft? Gaat de waarde naar hyperscalers, omdat zij infrastructuur bezitten? Of komt de druk terecht bij AI-labs, omdat zij tussen klanten en infrastructuur in zitten?

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.

Voor memory chips en HBM blijft de onderliggende vraag sterk zolang AI-volumes stijgen. Maar als AI-labs door prijsdruk minder winstgevend worden, kan de markt tijdelijk nerveus worden over de houdbaarheid van AI-capex. Dat maakt het beeld niet bearish, maar wel gevoeliger.

De zoektocht naar goedkopere en zuinigere AI-oplossingen versnelt

Als tokenprijzen dalen, wordt de druk groter om AI goedkoper te laten draaien. Bedrijven zullen daardoor nadrukkelijker zoeken naar modellen, chips, geheugentechnieken en architecturen die minder compute, minder geheugen en minder stroom nodig hebben. Dat kan gaan om efficiëntere modellen, betere compressie, slimmere inference, modelrouting, kleinere specialistische modellen, nieuwe memory-technieken en hardware die meer prestaties levert per watt.

Dit is belangrijk voor de hele AI-keten. Lagere prijzen aan de voorkant dwingen innovatie aan de achterkant af. AI-bedrijven kunnen niet eindeloos goedkoper leveren als de kosten voor GPU’s, HBM, memory chips, stroom en datacentercapaciteit hoog blijven. Daardoor ontstaat een sterke prikkel om minder zware modellen te gebruiken waar dat kan, workloads slimmer te verdelen en hardware efficiënter in te zetten.

Voor beleggers betekent dit dat de markt breder moet kijken dan alleen brute rekenkracht. De volgende fase draait niet alleen om wie de meeste chips kan kopen, maar ook om wie AI het goedkoopst, snelst en efficiëntst kan leveren. Bedrijven die helpen om het geheugenverbruik te verlagen, inference goedkoper te maken of energieverbruik te beperken, kunnen daardoor een belangrijkere rol krijgen.

Software wordt waarschijnlijk een steeds belangrijkere laag

De prijsoorlog maakt ook duidelijk dat software uiteindelijk een nog belangrijkere rol kan krijgen. Als modellen onderling beter vergelijkbaar worden en klanten scherper op kosten letten, verschuift het onderscheid naar de softwarelaag bovenop de modellen. Daar zitten workflow-integratie, modelrouting, security, compliance, data-integratie, gebruikerservaring, automatisering en meetbare productiviteit.

Dat kan een belangrijk kantelpunt worden. De waarde ligt dan niet alleen bij het model zelf, maar bij de manier waarop AI in bedrijfsprocessen wordt ingebouwd. Een bedrijf wil niet alleen een goedkoper model, maar een systeem dat taken uitvoert, fouten beperkt, veilig met data omgaat, kosten bewaakt en aantoonbaar tijd of geld bespaart.

Daarom kan software uiteindelijk een groter deel van de economische waarde naar zich toetrekken. Modellen blijven belangrijk, maar de laag die bepaalt welk model wanneer wordt gebruikt, hoeveel tokens worden verbruikt, welke data wordt opgehaald en welke workflow wordt afgerond, wordt strategisch. In een markt met prijsdruk kan juist die softwarelaag bepalen wie marge behoudt en wie alleen volume draait.

Hyperscalers kunnen sterker staan

Hyperscalers kunnen in deze fase relatief sterker staan. Bedrijven als Microsoft, Google, Amazon en mogelijk Meta hebben eigen datacenters, eigen infrastructuur, eigen chips of chipprogramma’s, grote enterprise-relaties en sterke distributiekanalen.

Als tokenprijzen dalen, wordt schaal belangrijker. Wie compute goedkoper kan inkopen, efficiënter kan draaien of intern kan optimaliseren, heeft voordeel. Hyperscalers kunnen AI bundelen met cloud, software, security, data en enterprisecontracten. Daardoor kunnen zij prijsdruk beter absorberen dan pure AI-labs.

Dat betekent niet dat hyperscalers geen risico lopen. Zij investeren ook enorm in datacenters, chips, stroom en infrastructuur. Maar zij hebben meer manieren om AI te monetiseren. Zij verdienen niet alleen aan tokens, maar ook aan cloudconsumptie, softwareabonnementen, dataopslag, tooling en platformgebruik.

Voor pure AI-labs ligt dat moeilijker. Zij moeten frontiermodellen blijven ontwikkelen, compute inkopen of financieren, klanten winnen en prijzen verlagen. Dat is een lastige combinatie.

OpenAI en Anthropic richting de beurs

De timing is belangrijk omdat OpenAI en Anthropic richting publieke markten bewegen. Een IPO of beursnotering maakt de financiële vragen harder. Private markten kunnen langer focussen op groei en strategische positie. Publieke markten vragen sneller naar marges, kasstroom en discipline.

Een prijsoorlog vlak voor een beursgang is daarom dubbel. Aan de ene kant kan het groei versnellen en marktaandeel beschermen. Aan de andere kant maakt het beleggers kritischer over winstgevendheid. Wie nu forse waarderingen wil rechtvaardigen, moet aantonen dat prijsverlagingen niet alleen volume opleveren, maar ook een pad naar gezonde marges.

Dat wordt de kern van de IPO-discussie. Niet alleen: hoe snel groeit OpenAI? Niet alleen: hoe snel groeit Anthropic? Maar: wie kan AI op grote schaal leveren met voldoende marge, klantbinding en controle over compute-kosten?

Wat betekent dit voor OpenAI?

Voor OpenAI kan een prijsverlaging strategisch logisch zijn. Het bedrijf wil enterprise-klanten vasthouden, Codex versterken en voorkomen dat Anthropic te veel marktaandeel wint in coding en agentic workflows. Door tokenprijzen te verlagen kan OpenAI de drempel voor gebruik verlagen en meer volume aantrekken.

Maar OpenAI neemt daarmee ook risico. Als klanten meer gaan gebruiken tegen lagere prijzen, moet de kostenbasis snel genoeg verbeteren. Anders stijgt het gebruik, maar blijft de winstgevendheid achter. Dat wordt extra gevoelig als OpenAI naar de beurs wil en beleggers meer transparantie eisen.

OpenAI moet dus bewijzen dat het schaalvoordelen kan realiseren. Lagere inferencekosten, betere modelarchitecturen, efficiëntere routing, eigen infrastructuurafspraken en betere productbundeling worden cruciaal.

Wat betekent dit voor Anthropic?

Voor Anthropic is het succes van Claude Code een kracht en een risico. Het laat zien dat het bedrijf een product heeft waarvoor enterprise-klanten willen betalen. Dat is positief. Maar succes trekt concurrentie aan. Als OpenAI agressief verlaagt, moet Anthropic waarschijnlijk reageren om zijn positie te verdedigen.

Anthropic kan zich blijven onderscheiden op kwaliteit, veiligheid, coding en enterprisebetrouwbaarheid. Maar als klanten prijsgevoeliger worden, zal ook Anthropic moeten laten zien dat de business niet alleen snel groeit, maar ook gezond kan schalen.

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.

Het risico is dat de markt Claude Code ziet als een sterke productdoorbraak, maar daarna ontdekt dat het gebruik zeer kostbaar is en dat klanten budgetten gaan beperken. Dan blijft de toepassing waardevol, maar wordt de omzetgroei minder voorspelbaar.

Wie profiteert?

Enterprise-klanten profiteren het meest direct. Lagere tokenprijzen maken AI goedkoper en vergroten de ruimte om te experimenteren. Bedrijven kunnen meer workflows automatiseren, meer codingtools gebruiken en meer interne processen ondersteunen.

Ontwikkelaars profiteren ook. Goedkopere tokens verlagen de drempel om agents, copilots, zoektools, analyseproducten en automatiseringssoftware te bouwen. Dat kan de softwaremarkt versnellen.

Hyperscalers kunnen profiteren als AI-gebruik harder groeit en zij de infrastructuur leveren. Cloudconsumptie, opslag, dataverkeer en compute kunnen toenemen. Wie de laagste kostenbasis heeft, kan in een prijsoorlog marktaandeel winnen.

Ook bedrijven die AI-efficiëntie verbeteren kunnen profiteren. Denk aan optimalisatie van inference, modelrouting, memory-efficiëntie, compressie, chips, stroomarchitectuur en datacenterinfrastructuur.

Wie loopt risico?

Pure AI-labs lopen het grootste margerisico als zij prijzen moeten verlagen zonder volledige controle over de kostenbasis. Zij zitten tussen klanten die minder willen betalen en infrastructuurleveranciers die schaars en duur blijven.

Neoclouds kunnen kwetsbaar worden als klanten prijsdruk doorgeven, terwijl zij zelf dure GPU-capaciteit hebben gefinancierd. Als contracten of bezettingsgraad tegenvallen, kan de hefboom negatief werken.

AI-infrastructuurspelers kunnen tijdelijk onder druk komen als beleggers vrezen dat prijsdruk bij AI-labs leidt tot lagere capex. Dat hoeft fundamenteel niet juist te zijn, maar in een nerveuze markt kan die redenering snel ontstaan.

Ook softwarebedrijven die AI-functionaliteit duur inkopen en goedkoop willen doorverkopen, kunnen in de knel komen. Als zij AI in producten bundelen zonder de kosten goed door te rekenen, kunnen marges onder druk komen.

Wat moet de beurs volgen?

De beurs moet niet alleen letten op gebruikersgroei of tokenvolume. De echte signalen zitten in prijs per token, kosten per token, brutomarge, compute-contracten, HBM-beschikbaarheid, datacenterkosten, stroomkosten en klantretentie.

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.

Ook usage caps worden belangrijk. Als grote bedrijven AI-gebruik beperken, zegt dat iets over de kostenperceptie. Als prijsverlagingen die limieten verminderen en usage opnieuw versnellen, kan dat positief zijn. Maar als klanten ondanks lagere prijzen streng blijven sturen op budgetten, is dat een waarschuwing.

Verder moet de markt kijken naar overstapgedrag. Als klanten makkelijk wisselen tussen OpenAI, Anthropic, Google of open-source modellen, neemt prijszettingsmacht af. Als klanten juist dieper integreren in één platform, wordt klantbinding sterker.

De belangrijkste vraag blijft: groeit AI-gebruik winstgevend genoeg om de waarderingen te dragen?

Waarom dit geen einde van de AI-bullcase is

Een prijsoorlog betekent niet dat AI zwak is. In veel markten dalen prijzen juist omdat gebruik snel groeit en concurrentie toeneemt. Lagere prijzen kunnen de eindmarkt vergroten. Dat is op lange termijn positief voor AI-adoptie.

De nuance is dat niet iedereen op dezelfde manier profiteert. Klanten kunnen winnen terwijl aanbieders margedruk voelen. Hyperscalers kunnen profiteren terwijl pure AI-labs onder druk komen. Chipmakers kunnen volumes zien stijgen terwijl beleggers tijdelijk twijfelen aan de duurzaamheid van capex.

AI blijft dus een structureel groeiverhaal. Maar de markt wordt selectiever. Niet elk bedrijf dat AI-omzet groeit, verdient automatisch een hogere waardering. De beurs zal meer onderscheid maken tussen groei met marge en groei die vooral compute verbrandt.

Conclusie

OpenAI’s mogelijke tokenprijsverlagingen zijn geen teken dat AI minder belangrijk wordt. Het is juist een teken dat AI een nieuwe fase ingaat. De markt verschuift van schaarste en hype naar prijs, schaal, distributie en winstgevende groei. Dat is gezond voor adoptie, maar harder voor bedrijfsmodellen die nog afhankelijk zijn van dure compute.

Voor klanten en ontwikkelaars zijn lagere tokenprijzen positief. Zij kunnen meer AI gebruiken, meer agents bouwen en meer workflows automatiseren. Voor OpenAI en Anthropic is het beeld gemengder. Zij kunnen volume winnen, maar moeten bewijzen dat lagere prijzen niet leiden tot structurele margedruk.

De kern voor beleggers is duidelijk. AI-gebruik kan blijven groeien, maar de beurs wil straks zien dat die groei winstgevend is. Als tokenprijzen dalen terwijl GPU’s, HBM, memory chips, stroom en datacenters duur blijven, ontstaat een margeknijp. Dat is het echte risico achter de mogelijke prijsoorlog.

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.

Onderliggend blijft AI bullish, maar de markt gaat scherper selecteren. De winnaars worden de partijen met schaal, infrastructuur, lage kosten, sterke distributie, slimme softwarelagen en bewezen ROI. De verliezers worden bedrijven die veel gebruik genereren, maar te weinig marge overhouden. Dat maakt deze fase niet minder belangrijk, maar wel veel serieuzer voor beleggers.

🔵 English version

OpenAI and Anthropic: lower token prices accelerate AI, but make margins more vulnerable

According to reports, OpenAI is considering significant price cuts for tokens. The company wants to compete more aggressively with Anthropic, which has gained clear momentum in enterprise AI and coding tools. The discussions are not final, but the direction is clear: the AI market is moving from scarcity and hype toward pricing, distribution, cost control and proven returns.

That makes this report more important than a normal pricing move. Lower token prices can accelerate AI usage, because companies can run more applications for less money. That is positive for customers, developers and broader AI adoption. But for AI companies themselves, new pressure emerges. If price per token falls while compute, HBM, memory chips, power and data center capacity remain expensive, margins come under pressure.

The core message is therefore not that AI is becoming weaker. The core message is that the sector is maturing. In the first phase, everything revolved around model power, speed and market share. In the next phase, public markets will increasingly focus on profitable growth. More tokens, more users and more agents are good for adoption, but not automatically good for valuations if the cost base remains high.

For investors, this becomes an important turning point. The question is no longer only how much AI is used. The question becomes how much profit remains per unit of AI usage. That makes pricing, scale, infrastructure, software integration and cost per token much more important than in the first hype phase.

■ OpenAI is considering significant token price cuts to regain market share from Anthropic.
■ Lower prices can accelerate AI adoption and help customers.
■ The risk side is margin pressure if compute, HBM, memory chips, power and data centers remain expensive.
■ Public markets want to see not only growth, but profitable growth.
■ AI remains structurally bullish, but the price war makes the business model of AI labs more vulnerable.

Investment view

We remain fundamentally bullish on AI as a structural growth story, but this potential price war confirms that the sector is entering a new phase. The market will pay less for growth alone and demand more margin, scale advantages, distribution, customer retention and return on investment.

🟪 Lower token prices are positive for AI adoption, because more companies can run more applications.
🟪 For AI labs, risk emerges if selling prices fall faster than the cost of compute, chips, memory, power and data centers.
🟪 For public markets, profitable growth becomes more important than growth in tokens, users or agents alone.

Our view is nuanced positive. Cheaper AI can expand the market. More companies can deploy AI, developers can build more agents and enterprises can automate more workflows. That supports the long-term AI bull case.

But the winners will not automatically be the companies with the best model. The winners will be the companies that can deliver AI cheaply, retain customers, use compute efficiently, control infrastructure and demonstrate clear ROI. That makes the playing field tougher and more selective.

What is happening?

According to reports, OpenAI is considering significant cuts to the prices customers pay for tokens. Tokens are the unit used by AI companies to bill usage. The more text, code, analysis, context and output a model processes, the more tokens are consumed.

OpenAI wants to compete more aggressively with Anthropic. Claude Code in particular has gained strong attention among software developers and enterprise customers. Anthropic has built momentum in exactly the segment where OpenAI also wants Codex to become stronger.

The potential price cuts are therefore not just a commercial step. They show that the AI market is becoming more competitive. Customers are comparing models, watching costs and demanding more value for less money. That is part of a maturing market, but it does change the valuation debate.

Why tokens matter so much

Tokens are the economic foundation of many AI models. They determine how much customers pay and how much revenue AI companies generate from usage. A price cut per token therefore directly affects revenue per unit of usage.

For customers, that is favorable. Cheaper tokens make AI more accessible. Companies can experiment more, run more agents, write more code and automate larger workflows. That can accelerate adoption.

For providers, it is more complicated. They must deliver the same or better performance at a lower price. If cost per token does not fall at the same pace, margins decline. That is especially sensitive because frontier AI models require enormous compute.

That is why token pricing is so important for public market investors. It determines not only how much AI is used, but also how much profit the sector can ultimately generate.

The margin squeeze

The main tension is between price pressure at the front end and cost inflation at the back end. OpenAI and Anthropic can reduce prices to win or retain customers. But their costs are driven by GPUs, HBM, memory chips, networking, data centers, power, cooling, model training and inference.

If those costs do not fall fast enough, a margin squeeze emerges. The customer pays less, but the provider remains dependent on expensive infrastructure. That is exactly the risk in this phase of the AI cycle.

This risk is amplified by supply chain scarcity. HBM remains crucial for AI accelerators. GPU capacity remains expensive. Data centers cannot be built quickly. Power connections are a bottleneck. Memory chips and advanced packaging remain important parts of the cost structure.

That is why an AI price war is different from a normal software discount. Traditional software often has very high gross margins once the product is built. AI inference continues to have variable costs. Every query, every agent run and every coding task uses compute. That makes price pressure more directly connected to operating costs.

Growth can continue, but markets want more

Lower prices can actually accelerate AI usage growth. More companies will use AI if costs fall. More developers will build agents. More departments can use AI tools. That is positive for AI penetration.

But public markets will be less satisfied with usage growth alone. Investors want to see that growth eventually becomes profitable. That is the change. The story shifts from “AI is growing fast” to “AI is growing fast enough and generating enough margin.”

The second condition becomes important. If token volumes rise, but price per token falls and the cost base remains high, revenue growth can be less valuable than the market hopes. Growth without margin is attractive in a hype phase. In a public market phase, it is judged more critically.

That is especially true now that OpenAI and Anthropic are moving toward public markets. Investors will not only look at revenue growth, but also at gross margin, cash burn, compute commitments, customer retention and pricing power.

Why Anthropic is increasing the pressure

Anthropic has gained strong momentum with Claude and especially Claude Code. Coding is an important market because software development has a clear business use case. If AI raises productivity there, companies can allocate large budgets.

For OpenAI, this is strategically sensitive. OpenAI has a very strong consumer brand with ChatGPT, but enterprise coding and agentic workflows are areas where large business contracts can emerge. If Anthropic wins share there, OpenAI must respond.

A price cut can therefore be logical. OpenAI can try to win back customers or prevent new enterprise budgets from moving to Anthropic. But Anthropic is unlikely to stand still if OpenAI cuts aggressively. That can create a price war.

That is good for customers, but dangerous for margins. It also shows that model quality alone is not enough. Customers want price, reliability, safety, integration, speed, compliance and clear productivity gains.

Commoditization of AI

The possible price war shows that parts of AI are moving toward commoditization. That does not mean all models are the same. Frontier models still differ in quality, context length, coding performance, reasoning, safety and tooling.

But for many business use cases, customers may become more pragmatic. If two models are good enough for a task, price becomes more important. If switching is relatively easy through APIs, integration layers or model routers, price pressure increases.

That affects the valuation of AI labs. A unique product with strong pricing power earns a higher valuation than a product customers can easily compare and replace. The question therefore becomes how durable the differentiation between OpenAI, Anthropic, Google, xAI, Meta and open-source alternatives really is.

The strongest players will need to differentiate through more than model quality. Distribution, workflow integration, enterprise relationships, data, compliance, developer ecosystems and cost advantage become decisive.

Tokenmaxxing and the ROI problem

A further issue is that companies are paying more attention to what AI usage actually delivers. With coding tools and agents, token costs can rise quickly. Some companies saw AI budgets disappear faster than expected. That has led to new internal discussions about limits, budgets and measurable productivity.

The concept of tokenmaxxing fits here. It refers to maximizing token usage in the hope of increasing productivity. But more token usage does not automatically mean more value. An agent can consume many tokens without producing output that justifies the cost.

That makes enterprise customers more critical. They do not only want more AI, but better AI economics. Less waste, better budget control, clear cost per workflow and visible impact on revenue, costs, speed or product quality.

For OpenAI and Anthropic, this matters. If customers start limiting AI usage, lower token prices help, but they do not solve everything. Customers ultimately want proof that AI is worth the cost.

Why this also affects chips and memory

The price war at the front end is directly connected to infrastructure at the back end. AI companies can only offer lower prices if they reduce cost per token. That requires more efficient models, better inference, cheaper compute, faster chips, more HBM, better data centers and lower power costs.

That means demand for chips and memory does not simply disappear. On the contrary, if lower prices accelerate AI usage, inference volume can rise significantly. More AI usage means more compute, more data traffic and more memory demand.

But markets will also look more carefully here. If token prices fall, investors may ask who keeps the margin. Does the value go to chipmakers because compute remains scarce? Does it go to hyperscalers because they own infrastructure? Or does the pressure land on AI labs because they sit between customers and infrastructure?

For memory chips and HBM, underlying demand remains strong as long as AI volumes rise. But if AI labs become less profitable because of price pressure, the market may temporarily become nervous about the sustainability of AI capex. That does not make the picture bearish, but it does make it more sensitive.

The search for cheaper and more efficient AI solutions accelerates

If token prices fall, the pressure to run AI more cheaply increases. Companies will therefore search more actively for models, chips, memory techniques and architectures that require less compute, less memory and less power. That can include more efficient models, better compression, smarter inference, model routing, smaller specialist models, new memory techniques and hardware that delivers more performance per watt.

This matters for the entire AI chain. Lower prices at the front end force innovation at the back end. AI companies cannot keep delivering cheaper AI if the costs of GPUs, HBM, memory chips, power and data center capacity remain high. That creates a strong incentive to use lighter models where possible, distribute workloads more intelligently and use hardware more efficiently.

For investors, this means the market must look more broadly than brute compute alone. The next phase is not only about who can buy the most chips, but also about who can deliver AI the cheapest, fastest and most efficiently. Companies that help reduce memory usage, lower inference costs or reduce energy consumption can therefore play a more important role.

Software is likely to become an increasingly important layer

The price war also shows that software can eventually play an even more important role. If models become easier to compare and customers focus more closely on costs, differentiation shifts toward the software layer above the models. That is where workflow integration, model routing, security, compliance, data integration, user experience, automation and measurable productivity sit.

This can become an important turning point. Value then lies not only in the model itself, but in the way AI is embedded into business processes. A company does not only want a cheaper model, but a system that executes tasks, reduces errors, handles data safely, monitors costs and demonstrably saves time or money.

Software can therefore ultimately capture a larger share of the economic value. Models remain important, but the layer that determines which model is used when, how many tokens are consumed, which data is retrieved and which workflow is completed becomes strategic. In a market with price pressure, that software layer can determine who preserves margin and who only generates volume.

Hyperscalers may be better positioned

Hyperscalers may be relatively better positioned in this phase. Companies such as Microsoft, Google, Amazon and possibly Meta have their own data centers, infrastructure, chips or chip programs, large enterprise relationships and strong distribution channels.

If token prices fall, scale becomes more important. Whoever can source compute more cheaply, run it more efficiently or optimize internally has an advantage. Hyperscalers can bundle AI with cloud, software, security, data and enterprise contracts. That allows them to absorb price pressure more effectively than pure AI labs.

That does not mean hyperscalers have no risk. They are also investing heavily in data centers, chips, power and infrastructure. But they have more ways to monetize AI. They do not only earn from tokens, but also from cloud consumption, software subscriptions, data storage, tooling and platform usage.

For pure AI labs, that is more difficult. They must continue developing frontier models, buy or finance compute, win customers and cut prices. That is a difficult combination.

OpenAI and Anthropic moving toward public markets

The timing matters because OpenAI and Anthropic are moving toward public markets. An IPO or listing makes the financial questions harder. Private markets can focus longer on growth and strategic position. Public markets ask more quickly about margins, cash flow and discipline.

A price war just before going public is therefore double-edged. On one hand, it can accelerate growth and protect market share. On the other hand, it makes investors more critical of profitability. Anyone wanting to justify large valuations now must show that price cuts do not only create volume, but also a path to healthy margins.

That becomes the core of the IPO debate. Not only: how fast is OpenAI growing? Not only: how fast is Anthropic growing? But: who can deliver AI at scale with sufficient margin, customer retention and control over compute costs?

What does this mean for OpenAI?

For OpenAI, a price cut can be strategically logical. The company wants to retain enterprise customers, strengthen Codex and prevent Anthropic from winning too much share in coding and agentic workflows. By lowering token prices, OpenAI can reduce the barrier to usage and attract more volume.

But OpenAI also takes risk. If customers use more at lower prices, the cost base must improve quickly enough. Otherwise usage rises, but profitability lags. That becomes even more sensitive if OpenAI wants to go public and investors demand more transparency.

OpenAI must therefore prove it can realize scale advantages. Lower inference costs, better model architectures, more efficient routing, infrastructure agreements and stronger product bundling become crucial.

What does this mean for Anthropic?

For Anthropic, the success of Claude Code is both a strength and a risk. It shows the company has a product enterprise customers are willing to pay for. That is positive. But success attracts competition. If OpenAI cuts aggressively, Anthropic will probably need to respond to defend its position.

Anthropic can continue to differentiate on quality, safety, coding and enterprise reliability. But if customers become more price-sensitive, Anthropic must also show that the business can not only grow quickly, but scale healthily.

The risk is that the market sees Claude Code as a strong product breakthrough, but then discovers that usage is expensive and customers start restricting budgets. The application can remain valuable, but revenue growth becomes less predictable.

Who benefits?

Enterprise customers benefit most directly. Lower token prices make AI cheaper and create more room to experiment. Companies can automate more workflows, use more coding tools and support more internal processes.

Developers also benefit. Cheaper tokens lower the barrier to building agents, copilots, search tools, analytics products and automation software. That can accelerate the software market.

Hyperscalers can benefit if AI usage grows faster and they provide the infrastructure. Cloud consumption, storage, data traffic and compute can increase. Whoever has the lowest cost base can gain share in a price war.

Companies that improve AI efficiency can also benefit. This includes inference optimization, model routing, memory efficiency, compression, chips, power architecture and data center infrastructure.

Who is at risk?

Pure AI labs face the biggest margin risk if they must lower prices without full control over the cost base. They sit between customers who want to pay less and infrastructure providers that remain scarce and expensive.

Neoclouds can become vulnerable if customers pass price pressure down while they themselves financed expensive GPU capacity. If contracts or utilization disappoint, leverage can work negatively.

AI infrastructure players can temporarily come under pressure if investors fear that price pressure at AI labs leads to lower capex. That does not have to be fundamentally correct, but in a nervous market that narrative can emerge quickly.

Software companies that buy AI functionality at high cost and resell it cheaply can also get squeezed. If they bundle AI into products without properly charging for it, margins can come under pressure.

What should the market follow?

The market should not only track user growth or token volume. The real signals are price per token, cost per token, gross margin, compute contracts, HBM availability, data center costs, power costs and customer retention.

Usage caps also matter. If large companies restrict AI use, that says something about cost perception. If price cuts reduce those limits and usage accelerates again, that can be positive. But if customers continue to manage budgets tightly despite lower prices, that is a warning.

The market should also monitor switching behavior. If customers can easily switch between OpenAI, Anthropic, Google or open-source models, pricing power declines. If customers become deeply integrated into one platform, retention becomes stronger.

The key question remains: is AI usage growing profitably enough to support valuations?

Why this is not the end of the AI bull case

A price war does not mean AI is weak. In many markets, prices fall precisely because usage grows quickly and competition increases. Lower prices can expand the end market. Long term, that is positive for AI adoption.

The nuance is that not everyone benefits in the same way. Customers can win while providers face margin pressure. Hyperscalers can benefit while pure AI labs come under pressure. Chipmakers can see volumes rise while investors temporarily question the sustainability of capex.

AI therefore remains a structural growth story. But the market becomes more selective. Not every company growing AI revenue automatically deserves a higher valuation. Investors will increasingly distinguish between growth with margin and growth that mainly burns compute.

Conclusion

OpenAI’s possible token price cuts are not a sign that AI is becoming less important. They are a sign that AI is entering a new phase. The market is shifting from scarcity and hype toward price, scale, distribution and profitable growth. That is healthy for adoption, but tougher for business models still dependent on expensive compute.

For customers and developers, lower token prices are positive. They can use more AI, build more agents and automate more workflows. For OpenAI and Anthropic, the picture is more mixed. They can win volume, but must prove that lower prices do not create structural margin pressure.

The core message for investors is clear. AI usage can keep growing, but public markets will want to see that this growth is profitable. If token prices fall while GPUs, HBM, memory chips, power and data centers remain expensive, a margin squeeze emerges. That is the real risk behind the potential price war.

Underlying, AI remains bullish, but the market will become more selective. The winners will be the companies with scale, infrastructure, low costs, strong distribution, smart software layers and proven ROI. The losers will be companies that generate a lot of usage but keep too little margin. That does not make this phase less important, but it makes it much more serious for investors.