Haiku 5.5 vs. GPT-6 Luna: wat zegt een test van één cent?

TL;DR

• Wat: Een virale tweet vergelijkt Claude Haiku 5.5 en GPT-6 Luna op een codeertaak — Luna deed het in 1 minuut voor minder dan één cent, Haiku had bijna 7 minuten nodig voor vijf cent.
• Waarom relevant: Beide modellen kosten nu $0,10 per miljoen inputtokens — AI-kosten voor routinetaken worden verwaarloosbaar klein.
• Wat je ermee kunt: Kijk niet alleen naar de prijs per token, maar test welk model het snelst en goedkoopst jouw specifieke taak afhandelt.

Gisteren verscheen er een tweet van @RoundtableSpace die flink rondging: Claude Haiku 5.5 en GPT-6 Luna kregen allebei dezelfde opdracht — het bouwen van een raketlancering-simulatie in code. Luna deed het in 1 minuut en 5 seconden voor minder dan een cent. Haiku had 6 minuten en 58 seconden nodig en kostte vijf cent. Ik vond die vergelijking interessant, niet om een winnaar te kronen, maar omdat het iets laat zien over waar we nu staan met AI-kosten.

Twee modellen, dezelfde prijslijst, heel ander resultaat

Wat mij opviel toen ik de cijfers naging: Claude Haiku 5.5 en GPT-6 Luna hebben vrijwel identieke tarieven. Beide rekenen $0,10 per miljoen inputtokens en $0,50 per miljoen outputtokens. Anthropic bracht Haiku 5.5 uit op 7 oktober 2026, OpenAI lanceerde Luna op 22 september 2026. De prijzen zijn met 50 tot 90 procent gedaald ten opzichte van hun voorgangers.

Toch kostte dezelfde taak bij Luna een fractie van wat Haiku nodig had. Hoe kan dat? Het verschil zit niet in de prijs per token, maar in hoeveel tokens een model produceert om een opdracht af te ronden. Volgens een analyse van OrcaRouter genereert Haiku aanzienlijk meer outputtokens per taak. Het model is — zo lijkt het — breedsprakiger. Dat maakt het bij gelijke tarieven toch duurder in de praktijk.

Snelheid versus kwaliteit: het genuanceerde verhaal

De tweet roept de vraag op of het "seizoen van kleine modellen" voorbij is. Dat vind ik eerlijk gezegd te kort door de bocht. Eén coderingstest is geen benchmark.

Wat zeggen onafhankelijke metingen? Artificial Analysis geeft Haiku 5.5 een Intelligence Index-score van 43, tegenover 38 voor Luna. Op snelheid draait het om: Haiku haalt 244 tokens per seconde, Luna 128. Haiku is hier dus sneller in ruwe tokenproductie — maar als Luna minder tokens nodig heeft om dezelfde taak te voltooien, kan het eindresultaat toch sneller klaar zijn.

Een kleinschalige hands-on test van Kingy AI met 40 taken liet zien dat Haiku 75 procent van de opdrachten correct afrondde en Luna 63,75 procent. Maar Luna was gemiddeld meer dan twee keer zo snel per taak. Dat is een patroon dat ik vaker zie: het ene model levert betere resultaten, het andere is zuiniger en sneller.

Een belangrijk voorbehoud

De benchmarks zijn lastig te vergelijken. Anthropic test Terminal-Bench met Claude Code, OpenAI met Codex. Kingy AI merkt op dat de scores veranderen afhankelijk van de testomgeving. En de steekproef van 40 taken is klein. Ik zou deze cijfers dus niet als definitief bewijs behandelen — eerder als richtinggevend.

Wat betekent dit voor een ondernemer?

Laat ik het even concreet maken. Stel dat je als ondernemer een geautomatiseerd proces hebt dat dagelijks honderd klantvragen samenvat, of productbeschrijvingen genereert, of e-mails classificeert. Bij de huidige tarieven van $0,10 per miljoen inputtokens praat je over kosten van een paar cent per dag. Misschien een paar euro per maand.

Dat is een fundamentele verschuiving. Een jaar geleden kostte hetzelfde werk bij Haiku 4.5 nog $1,00 per miljoen inputtokens — tien keer zoveel. De prijsdaling van 75 tot 90 procent in één generatie betekent dat de API-kosten voor veel toepassingen geen serieuze kostenpost meer zijn.

De echte kosten zitten elders. Uit Nederlands onderzoek blijkt dat 19 procent van de mkb-ondernemers openstaat voor AI mits de kosten laag blijven. Die drempel wordt nu weggenomen — maar integratie, testen en onderhoud blijven staan. Een recent overzicht waarschuwt dat de werkelijke eigendomskosten 30 tot 60 procent boven het API-tarief kunnen liggen zodra je overschrijdingskosten, integratie en afstemming meetelt.

De juiste vraag is niet "welk model is beter"

Ik denk dat de tweet van RoundtableSpace iets blootlegt dat belangrijker is dan de uitslag Haiku-versus-Luna. De vraag is niet meer welk model het beste is in het algemeen. De vraag is: welk model het best past bij jouw specifieke taak, gegeven jouw eisen aan snelheid, kwaliteit en kosten.

Kun je je voorstellen wat dit betekent als je twee of drie van dit soort modellen naast elkaar kunt inzetten? Een model dat snel en goedkoop samenvat, een ander dat zorgvuldiger codeert, een derde dat documenten analyseert. De kosten per model zijn zo laag geworden dat het verschil zit in de orkestratie — hoe je ze inzet — niet in de tokens zelf.

Voor een mkb-ondernemer die overweegt om AI te integreren in bedrijfsprocessen, is dit wat mij betreft het signaal: de API-kosten zijn geen excuus meer om te wachten. De investering zit in het uitzoeken wáár automatisering waarde toevoegt en het opzetten van een werkend proces eromheen.

Een cent verschil, een groter punt

De vergelijking uit de tweet — vijf cent versus minder dan één cent — is op zichzelf bijna komisch klein. Maar dat is precies het punt. We discussiëren nu over fracties van centen voor taken die een jaar geleden nog tientallen centen kostten en twee jaar geleden helemaal niet door een machine konden worden gedaan.

Voor mij is dit vooral een signaal dat de concurrentie tussen Anthropic en OpenAI in het segment van de kleine, goedkope modellen volop gaande is. En dat de winnaar uiteindelijk niet het model is dat de meeste benchmarks wint, maar het model dat jouw specifieke werkstroom het efficiëntst afhandelt. Dat kun je alleen ontdekken door het te proberen.