Google bundelt Colab-GPU's in AI-abonnementen

TL;DR

• Wat: Google koppelt krachtige GPU's (A100 en H100) aan zijn AI Pro- en Ultra-abonnementen, waarmee je direct in de browser AI-modellen kunt draaien en finetunen.
• Waarom relevant: voor ondernemers die met AI willen experimenteren vervalt de drempel van dure eigen hardware — je betaalt een maandelijks bedrag en krijgt toegang tot professionele rekenkracht.
• Wat je ermee kunt: bekijk of een Google AI Pro-abonnement van $20/maand voldoende is om een taalmodel op je eigen bedrijfsdata te trainen, vóórdat je investeert in duurdere oplossingen.

Ik stuitte op een bericht van het officiële Google Gemma-account op X waarin wordt aangekondigd dat Google zijn AI-abonnementen koppelt aan Colab — het populaire online notebook-platform voor AI-experimenten. Wat mij triggerde: je krijgt nu via een abonnement toegang tot GPU's die normaal duizenden euro's kosten, en je kunt er direct modellen mee draaien. Dat vind ik het melden waard.

Wat is er precies veranderd?

Google heeft zijn abonnementenstructuur herschikt. Volgens meerdere bronnen, waaronder Engadget en het officiële Google-blog, ziet het er nu als volgt uit:

• AI Pro ($20 per maand): je ontvangt 200 Colab-rekeneenheden per maand. Dat is volgens een Taiwanees techbericht genoeg om een NVIDIA A100 GPU met 80 GB geheugen te gebruiken.
• AI Ultra ($100 per maand): vijf keer hogere gebruikslimieten dan Pro, 20 TB cloudopslag en volgens de brontweet ook toegang tot NVIDIA H100-GPU's.
• AI Ultra ($200 per maand): nog ruimere limieten en toegang tot Project Genie.

Ik moet hier een kanttekening bij plaatsen: de bronnen spreken elkaar deels tegen over welk abonnementsniveau precies toegang geeft tot welke GPU. Sommige melden dat A100-toegang pas bij een hoger niveau beschikbaar is, andere dat het al bij Pro kan. Ik zou aanraden om de officiële Colab-pagina te checken voor je een abonnement afsluit.

Wat wél duidelijk is: de richting. Google maakt zware rekenkracht beschikbaar via een consumentenabonnement. Dat is nieuw.

Waarom 80 GB geheugen ertoe doet

Om te begrijpen waarom dit interessant is, even een korte uitleg. Een AI-model is in wezen een enorm wiskundig bestand. Hoe groter het model, hoe meer geheugen (VRAM) je grafische kaart nodig heeft om het te laden en te gebruiken.

De Gemma 4-modellenfamilie, die Google in april 2026 uitbracht onder de Apache 2.0-licentie, bevat modellen van verschillende groottes. Het grootste, Gemma 4 31B, heeft volgens cloudprice.net zo'n 74 GB GPU-geheugen nodig als je het op volle precisie draait. Dat past dus nét op een A100 met 80 GB.

Vergelijk het met het werkgeheugen van je computer: als een programma 15 GB RAM nodig heeft en je laptop maar 16 GB heeft, dan past het — maar krap. Zo werkt het hier ook.

Volgens het Gemma-account op X kun je met die 80 GB ruimte het volgende doen:

• Gemma 4 31B volledig draaien in bf16-precisie
• Een kleiner model (Gemma 4 E4B) volledig finetunen
• Grotere modellen finetunen met geheugenbesparende technieken zoals LoRA en QLoRA

Ik kon deze specifieke claims niet bij een tweede bron verifiëren, dus neem ze als indicatie, niet als garantie.

Finetunen — wat is dat en waarom zou je het willen?

Hier wordt het voor ondernemers relevant. "Finetunen" betekent dat je een bestaand AI-model bijschoolt op jouw eigen data. Stel dat je als ondernemer een webshop hebt met duizenden productomschrijvingen en klantgesprekken. Een standaard taalmodel geeft generieke antwoorden. Een finetuned model kan leren om in jouw tone of voice te schrijven, jouw producten te kennen en jouw klantvragen beter te beantwoorden.

Het punt is: volledig finetunen van een groot model vreet geheugen. Daar komen twee technieken om de hoek kijken die in de brontweet worden genoemd.

LoRA: slimme plaknotities

LoRA staat voor Low-Rank Adaptation. In plaats van alle miljoenen parameters van een model aan te passen, voeg je een klein setje extra parameters toe en train je alleen díe. Volgens een uitleg op DEV Community kun je het vergelijken met een dik studieboek waar je plaknotities in plakt: het boek zelf blijft ongewijzigd, maar de notities maken het relevant voor jouw specifieke situatie.

QLoRA: het boek ook nog comprimeren

QLoRA gaat een stap verder. Het comprimeert het oorspronkelijke model naar 4-bit precisie — veel compacter dan normaal — waardoor het in minder geheugen past. De plaknotities werken nog steeds hetzelfde. Het resultaat: je kunt een groter model finetunen op bescheidener hardware.

Wat mij hier opvalt is dat Google deze technieken expliciet noemt in combinatie met hun abonnementen. Ze zeggen eigenlijk: "Met ons Pro-abonnement kun je modellen niet alleen draaien, maar ook aanpassen aan jouw situatie." Dat is een ander verhaal dan alleen een chatbot beschikbaar stellen.

Wat betekent dit praktisch voor een ondernemer?

Ik wil eerlijk zijn: finetunen is niet iets wat je zomaar even doet op een vrije vrijdagmiddag. Je hebt data nodig, kennis van het proces, en een duidelijk doel. Maar de drempel wordt wél lager.

Een paar dingen om te overwegen:

De kosten zijn overzichtelijk. $20 per maand voor een AI Pro-abonnement is een fractie van wat je kwijt bent als je zelf GPU-tijd huurt. Ter vergelijking: een A100 80 GB huren bij een cloudprovider kost volgens Spheron al snel $1,50 tot $3 per uur. Met 200 rekeneenheden per maand heb je beperkte maar reële rekentijd.

De modellen zijn open. Gemma 4 is uitgebracht onder de Apache 2.0-licentie, wat betekent dat je de modellen commercieel mag gebruiken. Dat is een belangrijk verschil met gesloten modellen waar je afhankelijk bent van de API-voorwaarden van de aanbieder.

Alternatieven bestaan. Voordat je gaat finetunen, is het verstandig om te bekijken of je met prompt engineering of RAG (Retrieval Augmented Generation — waarbij je bedrijfsdocumenten aan een model koppelt zonder het te hertrainen) al ver genoeg komt. Finetunen is krachtig, maar je deelt daarbij mogelijk gevoelige bedrijfsdata met het trainingsproces.

Het is een browseroplossing. Colab draait in je browser. Je hoeft niets te installeren. Voor een snelle test of proof of concept is dat ideaal. Voor productiewerk zul je waarschijnlijk iets robuusters nodig hebben.

De benchmarks — hoe goed is Gemma 4 eigenlijk?

Google rapporteert indrukwekkende scores voor Gemma 4 31B: 85,2 op MMLU-Pro en 89,2 op AIME 2026, aldus Let's Data Science. Maar ik vind het belangrijk om te vermelden dat onafhankelijke evaluaties, zoals die van Artificial Analysis, lager uitkomen. Vendorbenchmarks zijn vergelijkbaar met een autoverkoper die het verbruik opgeeft: het klopt onder laboratoriumomstandigheden, maar in de praktijk kan het anders uitpakken.

Het model scoort volgens datzelfde bericht als derde op de Arena AI-ranglijst voor tekst, wat erop wijst dat het competitief is. Maar "competitief" hangt af van je specifieke toepassing.

Een lager instapniveau voor AI-experimenten

Wat ik vooral meeneem uit dit bericht is niet zozeer de technische specificatie van GPU's of modelgroottes. Het is de verschuiving die Google hier maakt: professionele AI-rekenkracht wordt onderdeel van een consumenten­abonnement. Je hoeft geen cloud-engineer te zijn om een open model op serieuze hardware te draaien.

Is dat genoeg om er als ondernemer morgen mee aan de slag te gaan? Waarschijnlijk niet zonder enige voorbereiding. Maar het feit dat de afstand tussen "een idee hebben voor AI in je bedrijf" en "het daadwerkelijk testen" steeds kleiner wordt — dat vind ik een ontwikkeling die het volgen waard is.