The Price Reversal Phenomenon: When Cheaper Reasoning Models End Up Costing More

Each language version is independently generated for its own context, not a direct translation.

De Prijsvalstrik: Waarom de "goedkoopste" AI soms het duurst is

Stel je voor dat je een klus wilt laten doen en je zoekt een vakman. Je kijkt naar het uurtarief.

Vakman A vraagt €20 per uur.
Vakman B vraagt €100 per uur.

Logisch zou je denken: "Ik kies Vakman A, dat is veel goedkoper!" Maar wat als Vakman A, ondanks zijn lage tarief, 10 uur nodig heeft om een taak te klaren die Vakman B in 1 uur afheeft? Dan betaal je €200 aan Vakman A, terwijl Vakman B je slechts €100 kost.

Dit is precies wat er gebeurt met de nieuwste, slimste kunstmatige intelligentie (AI) die "redeneert". Een recent onderzoek van wetenschappers van Stanford, Berkeley en Microsoft laat zien dat we op een valstrik lopen: de prijs die op het bordje staat, zegt vaak niets over wat je echt betaalt.

Hier is wat ze ontdekten, vertaald in alledaags taal:

1. De "Denk-tokens" zijn de onzichtbare kostenpost

Normaal gesproken betaal je voor AI per woord dat je invoert en per woord dat de AI terugstuurt. Maar deze nieuwe, slimme AI-modellen doen iets extra's: ze denken na voordat ze antwoorden.

Stel je voor dat de AI een student is die een examen maakt.

De zichtbare antwoorden zijn het geschreven antwoord op het papier.
De denk-tokens zijn de krabbels, de uitgewerkte formules en de gedachtestrategieën in de marge die je niet ziet, maar waar de AI wel tijd en energie aan besteedt.

Het probleem? De ene AI (zoals Gemini 3 Flash) is erg goedkoop per woord, maar hij is een "overdenker". Hij krabbelt en schrijft duizenden regels in de marge voordat hij het antwoord geeft. De andere AI (zoals GPT-5.2) is duurder per woord, maar hij is een "snelle denker". Hij krabbelt nauwelijks en komt direct tot de kern.

2. De omgekeerde prijsvalstrik

De onderzoekers keken naar 8 verschillende AI-modellen en 9 soorten moeilijke taken (van wiskundepuzzels tot code schrijven). Het resultaat was verbluffend:

In 22% van de gevallen was het model dat op het bordje "goedkoper" stond, in werkelijkheid duurder.
Soms was het verschil enorm: een model kon 28 keer zo duur blijken te zijn dan een duurdere concurrent, puur omdat het zoveel meer "denktijd" (en dus tokens) verbruikte.

Een concreet voorbeeld:
Gemini 3 Flash staat genoteerd als 78% goedkoper dan GPT-5.2. Maar toen ze dezelfde moeilijke wiskundevraag stelden, bleek Gemini 3 Flash 22% duurder te zijn. Waarom? Omdat Gemini 3 Flash 20 keer meer "denktokens" gebruikte om tot hetzelfde antwoord te komen. De lage prijs per token werd volledig opgegeten door het enorme aantal tokens.

3. Waarom is dit zo lastig te voorspellen?

Je zou denken: "Oké, als ik weet dat een model veel denkt, kan ik dat dan niet voorspellen?" Helaas niet.

De onderzoekers deden een experiment: ze gaven exact dezelfde vraag aan hetzelfde model, vijf keer op een rij.

De eerste keer kostte het misschien €0,01.
De tweede keer €0,03.
De derde keer €0,09.

Zelfs bij dezelfde vraag, met dezelfde AI, kan de "denktijd" variëren met een factor van 9,7. Het is alsof je een taxi neemt en de ritprijs elke keer anders is, afhankelijk van hoe de chauffeur die dag in de stemming is. Er is dus een onvoorspelbare "ruis" in het systeem. Je kunt niet zeker weten of een vraag goedkoop of duur wordt voordat je hem stelt.

Wat betekent dit voor jou?

Kijk niet alleen naar het prijskaartje: Als je een AI kiest voor je bedrijf of app, is de prijs per token een slechte maatstaf. Een goedkoop model kan je bankrekening leegmaken als het veel "overdenkt".
Test het zelf: Je moet je eigen werklast testen. Wat goedkoop is voor een simpele vraag, kan extreem duur zijn voor een complexe wiskundepuzzel.
De markt moet transparanter worden: De onderzoekers pleiten ervoor dat AI-bedrijven niet alleen de prijs per token tonen, maar ook een schatting geven van hoeveel "denktijd" een vraag waarschijnlijk kost.

Kortom: In de wereld van slimme AI is de goedkoopste optie vaak een valstrik. De echte prijs wordt bepaald door hoe hard de machine moet "nadenken", en dat is een kostenpost die je vaak pas ziet als de factuur binnenkomt.

Each language version is independently generated for its own context, not a direct translation.

Titel: Het Prijsomkeerfenomeen: Wanneer Goedkopere Redeneringsmodellen Duurder Uitvallen

1. Het Probleem

Ontwikkelaars en consumenten kiezen steeds vaker voor Redenerende Taalmodellen (RLMs) op basis van de vermeldde API-prijzen (per miljoen tokens). Er heerst een impliciete aanname dat een model met een lagere eenheidsprijs ook altijd lagere totale kosten zal veroorzaken, ongeacht de werklast.

Dit paper daagt deze aanname uit. Het onderzoekt de kloof tussen de genoteerde API-prijzen en de werkelijke inferentiekosten. De auteurs ontdekken dat de vermeldde prijzen een onbetrouwbare proxy zijn voor de werkelijke kosten, vooral bij modellen die "redeneren" (thinking tokens genereren). Dit leidt tot het prijsomkeerfenomeen: in een aanzienlijk aantal gevallen is een model met een lagere vermeldde prijs in werkelijkheid aanzienlijk duurder dan een model met een hogere prijs.

2. Methodologie

De auteurs hebben een systematische studie uitgevoerd met een "cost auditing framework" (kostenauditkader):

Modellen: Er zijn 8 toonaangevende RLMs geëvalueerd, waaronder GPT-5.2, GPT-5 Mini, Gemini 3.1 Pro, Gemini 3 Flash, Claude Opus 4.6, Claude Haiku 4.5, Kimi K2.5 en MiniMax M2.5.
Taken: De modellen zijn getest op 9 diverse datasets, variërend van wiskundige problemen (AIME, LiveMathBench) en wetenschappelijke QA (GPQA) tot codegeneratie (LiveCodeBench) en open-ended chat.
Kostenberekening: De werkelijke kosten ( $c_m(q)$ ) worden berekend als de som van de input- en outputkosten, gewogen naar het daadwerkelijke aantal tokens:
$c_m(q) = p_{i,m} \cdot n_{i,m}(q) + p_{o,m} \cdot n_{o,m}(q)$
Waarbij $n$ het aantal tokens is (prompt, redenering/thinking, en generatie) en $p$ de prijs per token.
Analyse: De auteurs vergeleken de rangschikking van modellen op basis van hun vermeldde prijs met de rangschikking op basis van werkelijke kosten. Ze voerden ook ablatiestudies uit en analyseerden de variabiliteit van tokens per query.

3. Belangrijkste Bijdragen

Ontdekking van het Prijsomkeerfenomeen: Het paper is het eerste dat systematisch aantoont dat lagere API-prijzen niet garanderen lagere totale kosten.
Identificatie van de Oorzaak: De auteurs identificeren thinking tokens (onzichtbare tokens die het model gebruikt voor interne redenering) als de primaire drijvende kracht achter kostenverschillen.
Open Uitdaging: Het formaliseren van de voorspelling van werkelijke kosten per query als een fundamenteel moeilijk probleem vanwege irreducibele variabiliteit.
Open Data: Publicatie van de dataset en code om verder onderzoek te stimuleren.

4. Resultaten

Frequentie en Ernst van Omkeringen:
- In 21,8% van de modelpaar-vergelijkingen over de verschillende taken is de prijsomkering opgetreden (het goedkopere model was duurder).
- De ernst kan extreem zijn: in sommige gevallen is het verschil in werkelijke kosten tot 28 keer hoger dan de vermeldde prijs zou suggereren.
- Voorbeeld: Gemini 3 Flash heeft een vermeldde prijs die 78% lager is dan die van GPT-5.2, maar de werkelijke kosten over alle taken zijn 22% hoger.
De Rol van Thinking Tokens:
- Thinking tokens vormen het grootste deel van de output-tokens en dus de totale kosten voor de meeste modellen.
- Er is enorme heterogeniteit in het verbruik: op dezelfde query kan het ene model 900% meer thinking tokens verbruiken dan een ander.
- Case Study: Op een AIME-wiskundevraag gebruikte GPT-5.2 slechts 562 thinking tokens, terwijl Gemini 3 Flash meer dan 11.000 tokens gebruikte voor hetzelfde antwoord. Ondanks de lagere prijs per token, was de totale kosten voor Gemini 3 Flash 2,5 keer zo hoog.
Ablatiestudie (Bewijs van Causaliteit):
- Toen de kosten van thinking tokens in de berekening op nul werden gesteld, verbeterde de correlatie tussen prijsrang en kostenrang drastisch.
- De Kendall's $\tau$ (rangcorrelatie) steeg van 0,563 naar 0,873.
- Het aantal rangomkeringen daalde met 70%. Dit bevestigt dat thinking tokens de oorzaak zijn van de omkeringen.
Voorspelbaarheid van Kosten:
- Het voorspellen van de kosten per query is fundamenteel moeilijk. Zelfs bij identieke prompts varieert het aantal thinking tokens door interne stochasticiteit van het model.
- In experimenten met herhaalde runs van dezelfde query varieerden de kosten met een factor tot 9,7x (bij GPT-5 Mini).
- Dit creëert een irreducibele ruisvloer: zelfs een perfecte predictor kan de variatie binnen een enkele query niet volledig elimineren.

5. Betekenis en Implicaties

Voor Ontwikkelaars en Bedrijven: Het vertrouwen op vermeldde API-prijzen voor modelselectie is riskant, vooral bij redeneringsintensieve taken. Een "goedkoop" model kan een budgettair fiasco worden. Werklast-specifieke kostenaudits met representatieve queries zijn essentieel.
Voor AI-aanbieders: Het huidige model van het vermelden van prijs per token zonder transparantie over thinking-token-verbruik is ontoereikend. Er wordt opgeroepen tot transparante kostenopbouw per verzoek en APIs die de verwachte "thinking overhead" blootleggen.
Voor de Onderzoeksgemeenschap: Inferentiekosten moeten worden opgenomen als een primaire evaluatiemeter naast nauwkeurigheid. Het voorspellen van kosten voor redenerende modellen is een complex, open probleem dat verder onderzoek vereist.

Conclusie:
Het paper waarschuwt dat de schijnbare goedkoopheid van bepaalde RLMs een illusie kan zijn. Door de enorme variatie in het verbruik van "thinking tokens", kunnen goedkopere modellen in de praktijk exorbitant duurder zijn. De oplossing ligt in transparantie, gedetailleerde kostenmonitoring en een verschuiving van prijs-gebaseerde naar kosten-bewuste modelselectie.