Haiku 5.5 en GPT-6 Luna: dezelfde prijs, toch 12x duurder

TL;DR

• Wat: Claude Haiku 5.5 en GPT-6 Luna kosten op papier hetzelfde per token, maar in de praktijk kan Haiku tot 12x duurder uitvallen door een andere prijsstaffel en hogere tokenverbruik.
• Waarom relevant: als je AI-kosten begroot op basis van lijstprijzen, kun je flink misgrijpen — de werkelijke factuur hangt af van hoe het model je taak uitvoert.
• Wat je ermee kunt: test dezelfde taak op beide modellen en vergelijk de échte factuur, niet alleen de prijs per token.

Anthropics nieuwste kleine model — Claude Haiku 5.5 — ging op 7 oktober live met een opvallende kopprijs: $0,10 per miljoen input-tokens, precies gelijk aan OpenAI's GPT-6 Luna. Ik viel over een tweet van @nex_ify die claimde dat dezelfde geanimeerde 3D-scène (een voxel-pagoda-eiland) bij Haiku $24,96 kostte en bij Luna $1,91. Dezelfde taak, dezelfde lijstprijs — twaalf keer zoveel betaald. Dat trok mijn aandacht, want dit raakt precies het punt waar veel ondernemers tegenaan lopen: de sticker zegt weinig over de rekening.

Dezelfde lijstprijs, een andere staffel

Laat ik beginnen met wat er op papier staat, want dat is het eerste dat je ziet als je de prijspagina opent.

Bron: OrcaRouter, VentureBeat

Tot 100.000 tokens zijn de twee identiek. Maar zodra een prompt of conversatie langer wordt — en bij codegeneratie voor een 3D-scène gaat dat snel — klapt de prijs van Haiku naar vijf keer zoveel per token, terwijl Luna pas bij 272.000 tokens omhoogschaalt, en dan nog naar veel lagere tarieven.

Stel dat je een prompt van 200.000 tokens stuurt. Bij Luna betaal je nog steeds het basistarief. Bij Haiku zit je al in de dure staffel. Dat verschil tikt snel aan.

Het tokenizer-effect: dezelfde tekst, meer tokens

Wat mij hier extra opvalt, is een detail dat makkelijk over het hoofd te zien is. Anthropic heeft Haiku 5.5 een nieuwe tokenizer gegeven. Volgens meerdere bronnen, waaronder Anthropics eigen documentatie, telt die tokenizer dezelfde tekst als ruwweg 30% méér tokens dan de vorige Haiku-versie.

Dat klinkt technisch, maar het werkt als volgt: stel je hebt een stuk code van 1000 woorden. Bij Luna wordt dat misschien geteld als 1500 tokens. Bij Haiku 5.5 kan datzelfde stuk code 1950 tokens kosten — puur door de manier waarop het model de tekst opknipt. Je betaalt per token, dus 30% meer tokens betekent 30% meer kosten, nog vóór je naar de prijsstaffel kijkt.

Breedsprakigheid kost geld

En dan is er nog het punt dat mij het meest aan het denken zette. Volgens een analyse van Artificial Analysis, aangehaald door OrcaRouter, genereerde Haiku 5.5 op een gestandaardiseerde benchmark ongeveer 440 miljoen output-tokens. Luna kwam op 140 miljoen — voor dezelfde set taken. De mediaan van alle geteste modellen lag rond de 100 miljoen.

Haiku 5.5 is, om het netjes te zeggen, behoorlijk breedsprakig. En omdat output-tokens doorgaans het duurst zijn (vijf keer de prijs van input-tokens), is dát waar de factuur explodeert.

Ik denk dat dit precies verklaart wat @nex_ify liet zien met die voxel-scène. Een geanimeerd 3D-pagoda-eiland genereren via een AI-model vereist waarschijnlijk flinke lappen code. Als Haiku daar drie keer zoveel output voor nodig heeft, tegen een vijf keer hogere tokenstaffel, en dan ook nog eens 30% meer tokens telt — dan kom je inderdaad uit op een factor 12 verschil. De wiskunde klopt, ook al is de lijstprijs identiek.

Wat zegt Artificial Analysis over kwaliteit?

Overigens: het is niet zo dat Haiku slecht scoort. Op de Intelligence Index haalde Haiku 5.5 een score van 43,40 tegenover Luna's 38,12. Het model is kwalitatief sterker op die maatstaf, maar de kosten per taak lagen op $0,21 tegenover $0,07 — een factor drie. Bij taken die veel output vragen, zoals codegeneratie, kan dat verschil dus nog groter worden.

Wat betekent dit als je AI inzet voor je bedrijf?

Kun je je voorstellen dat je een AI-tool inbouwt in je bedrijfsproces — zeg een chatbot, een rapportgenerator, of een tool die productbeschrijvingen schrijft — en je budget baseert op de lijstprijs per token? Dan zou je er met Haiku 5.5 flink naast kunnen zitten.

De les die ik hieruit trek is niet dat Haiku een slecht model is, of dat Luna per definitie beter is. Wat mij betreft gaat het om drie dingen:

1. Lijstprijzen zijn startpunten, geen eindpunten. De werkelijke kosten hangen af van hoe lang je prompts zijn, hoeveel output het model genereert, en hoe de tokenizer telt.
2. Test op je eigen werkbelasting. Een benchmark is nuttig, maar jouw factuur wordt bepaald door jouw specifieke taken. Stuur dezelfde prompt naar twee modellen en vergelijk de facturen.
3. Verbositeit is een kostenpost. Een model dat meer uitleg geeft dan je nodig hebt, is niet genereuzer — het is duurder. Kijk of je de output-instellingen kunt aanpassen. Bij Haiku 5.5 is er bijvoorbeeld een instelling voor 'effort level' die de breedsprakigheid kan beperken, al moet je zelf testen of de kwaliteit dan nog voldoet.

Prijzenoorlog met kleine lettertjes

Wat ik eerlijk gezegd fascinerend vind aan deze situatie, is dat Anthropic en OpenAI op papier precies dezelfde prijs hanteren — tot op de cent. Dat is geen toeval. Dit is een bewuste prijzenoorlog. Maar de werkelijke concurrentie zit niet in de kopprijs. Die zit in de staffeldrempels, de tokenizer-efficiëntie, en het gedrag van het model.

Voor een ondernemer die AI-kosten wil beheersen, is dit een belangrijk signaal. De markt beweegt naar goedkopere modellen — Haiku 5.5 is 75% goedkoper dan zijn voorganger, en Luna is gehalveerd ten opzichte van eerdere GPT-6-varianten. Maar goedkoper op papier en goedkoper in de praktijk zijn twee verschillende dingen.

Voor mij is dit vooral een herinnering dat je bij AI-diensten niet alleen naar de menukaart moet kijken, maar ook naar de porties die je krijgt opgeschept. Soms is het goedkoopste gerecht op de kaart het duurste bord op tafel.