Wie regelmatig met ChatGPT, Claude of Gemini werkt, is de knop vast tegengekomen: 'denk langer na', een denkstand, of een keuze tussen snel en grondig. Achter die knop zit een van de belangrijkste ontwikkelingen in AI van de afgelopen twee jaar: het reasoning-model, in gewoon Nederlands een redeneer- of denkmodel. In deze uitleg bekijken we wat daar eigenlijk gebeurt, waarom het verschil maakt — en vooral: wanneer je er als ondernemer iets aan hebt, en wanneer je er alleen maar langer op wacht en meer voor betaalt.
Wat is een reasoning-model?
Een gewoon taalmodel begint vrijwel direct met antwoorden: je stelt een vraag, en het model produceert woord voor woord het meest waarschijnlijke antwoord. Dat gaat verrassend vaak goed, maar het heeft een zwakke plek: het model kan niet even 'achteroverleunen' om een probleem in stukken te hakken. Bij een vraag die meerdere denkstappen vraagt — een berekening met tussenstappen, een planning met afhankelijkheden, een stuk code met een verstopte fout — gaat een model dat meteen begint te praten sneller de mist in.
Een reasoning-model pakt dat anders aan. Voordat het antwoord geeft, werkt het eerst intern een denkproces af: het hakt het probleem in stappen, probeert een aanpak, controleert zichzelf en begint zo nodig opnieuw. Pas daarna formuleert het het antwoord dat jij te zien krijgt. OpenAI bracht eind 2024 het eerste grote model van dit type uit, en inmiddels is het denkvermogen geen apart product meer maar een standaardknop: ChatGPT heeft denkniveaus van snel tot zeer grondig, Claude kent 'extended thinking' en Gemini heeft denkstanden tot aan Deep Think. Het idee is overal hetzelfde: jij bepaalt per vraag hoeveel denkwerk het model erin mag stoppen.
Een gewoon model begint meteen te praten; een reasoning-model maakt eerst een kladblaadje vol en geeft dan pas antwoord. Dat kladblaadje zie je niet — maar je betaalt er wel voor.
Wat gebeurt er onder de motorkap — en waarom kost het meer?
Dat interne denkproces bestaat uit precies hetzelfde spul als het antwoord zelf: tekst, in AI-termen tokens. Een denkmodel dat een lastige vraag krijgt, kan intern makkelijk tien keer zoveel tekst produceren als er uiteindelijk in het antwoord belandt. Dat verklaart de twee nadelen die je direct merkt. Ten eerste de snelheid: waar een gewoon antwoord in seconden op je scherm staat, kan een grondige denkstand er tientallen seconden tot minuten over doen. Ten tweede de kosten: wie AI via een API in zijn bedrijfssoftware gebruikt, betaalt per token — en de denktokens tellen gewoon mee, ook al krijg je ze nooit te zien. Dezelfde vraag kan met de denkstand aan een veelvoud kosten van dezelfde vraag zonder.
Voor wie AI alleen via een abonnement gebruikt, zijn de kosten verpakt in limieten: de meeste aanbieders geven je per maand of per week een beperkt aantal 'grondige' beurten, terwijl gewone vragen vrijwel onbeperkt zijn. Ook dan is de vraag dus relevant: aan welke taken wil je je denkbudget uitgeven?
Wanneer loont de denkstand?
De vuistregel: zet het denkwerk aan bij taken waar jijzelf ook een kladblok of een tweede kop koffie bij zou pakken. Dat zijn taken met meerdere stappen, waar een fout in stap twee het hele antwoord onderuit haalt, en waar een fout antwoord je echt geld of tijd kost. Concreet:
- Rekenen en doorrekenen: een offerte met marges en staffels narekenen, een begroting controleren, scenario's vergelijken ("wat als de inkoopprijs 8% stijgt?").
- Analyseren van langere stukken: een contract of aanbesteding doorlopen op risico's en tegenstrijdigheden, meerdere offertes van leveranciers naast elkaar leggen.
- Plannen en structureren: een projectplanning met afhankelijkheden opstellen, een migratie of verhuizing in stappen uitwerken, een lastige personeelspuzzel doordenken.
- Code en techniek: een fout opsporen in een script of koppeling, een technische keuze afwegen voordat er gebouwd wordt.
Bij dit soort taken is het verschil geen nuance maar een wereld: een denkmodel vindt de rekenfout die een snel model eroverheen praat, en ziet de clausule in het contract die met elkaar in tegenspraak is. De extra wachttijd van een minuut valt in het niet bij wat één gemiste fout in een offerte of contract kost.
En wanneer is het zonde van je tijd en geld?
Het eerlijke antwoord: bij het grootste deel van het dagelijkse werk. Een mail herschrijven, een tekst samenvatten, iets opzoeken, een bericht vertalen, een productomschrijving maken — dat kan een snel model net zo goed, en je hebt het antwoord in seconden in plaats van minuten. De denkstand maakt die antwoorden niet wezenlijk beter; je wacht vooral langer op hetzelfde resultaat.
Hetzelfde geldt voor veel automatiseringen. Een AI-assistent die inkomende vragen van klanten beantwoordt, moet vooral snél zijn: een klant die drie minuten op een appje wacht, is al naar de concurrent. Een systeem dat facturen uitleest of mails sorteert, draait honderden keren per dag — doe dat met een zwaar denkmodel en je maandfactuur voor AI-gebruik vermenigvuldigt zich zonder dat het resultaat beter wordt. In de praktijk bouwen wij zulke automatiseringen daarom bijna altijd met een mix: een snel, goedkoop model voor het lopende werk, en een denkmodel dat alleen aanspringt voor de gevallen die er echt om vragen — het lastige twijfelgeval, de maandelijkse analyse, de controle achteraf.
De kunst is niet het slimste model kiezen, maar per taak het júiste model: snel waar het kan, denkend waar het moet.
Zo kies je in de praktijk
Werk je vooral zelf met een AI-assistent, houd het dan simpel. Begin met de gewone, snelle stand. Merk je dat het antwoord wankel is — de berekening klopt niet, de redenering slaat stappen over, het advies voelt oppervlakkig bij een vraag die er echt toe doet — stel dezelfde vraag dan opnieuw met de denkstand aan. Je ontwikkelt snel gevoel voor welke taken het verschil maken. En één gewoonte blijft overeind, denkstand of niet: bij alles wat je naar een klant stuurt of waar geld aan hangt, kijkt er een mens overheen.
Laat je AI in je bedrijfsprocessen draaien, dan is de modelkeuze een ontwerpbeslissing die je vooraf wilt maken — hij bepaalt zowel de kwaliteit als de maandelijkse kosten van je oplossing. Bij Taitanic nemen we die afweging standaard mee: een afgebakend eerste traject begint vanaf zo'n €1.500, en juist bij kleinere budgetten is het zonde om rekenkracht te verspillen aan taken die een licht model prima afhandelt. Twijfel je waar AI in jouw bedrijf het snelst loont — en welk soort model daarbij past? Doe de gratis AI-check, of plan een vrijblijvend gesprek.