💻 computer science

The Inference Bottleneck: A Formal Model of Vertical Foreclosure in AI Markets

Dit artikel presenteert een formeel speltheoretisch model dat verticale uitsluiting in AI-inferentiemarkten analyseert via mechanismen zoals QoS-discriminatie en routing-bias, en een beleidskader voor 'Neutrale Inferentie' voorstelt om concurrentie en welvaart te beschermen.

Oorspronkelijke auteurs: Gaston Besanson

Gepubliceerd 2026-04-21

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Gaston Besanson

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat de wereld van kunstmatige intelligentie (AI) een enorme, drukke stad is. In deze stad zijn er twee soorten spelers:

De "Infrastructuurbouwers": Dit zijn de bedrijven die de superkrachtige hersenen (de AI-modellen) bouwen en verhuren via een kabelnetwerk. Denk aan Google, OpenAI en Anthropic. Zij verkopen de "elektriciteit" die nodig is om AI-apps te laten werken.
De "App-bouwers": Dit zijn de ontwikkelaars die leuke apps maken (zoals een chatbot voor je huiswerk, een coderingsassistent of een schrijftool) en die elektriciteit nodig hebben van de infrastructuurbouwers om te kunnen werken.

Het probleem in het verhaal:
Soms is één infrastructuurbouwer ook zelf een app-bouwer. Ze hebben hun eigen super-app en verhuren tegelijkertijd de elektriciteit aan hun concurrenten.

Deze paper, geschreven door Gaston Besanson, onderzoekt een sluimerend gevaar: Wat als de eigenaar van de elektriciteitsnetwerk zijn eigen app een beetje meer stroom geeft, terwijl hij de concurrenten netjes laat fladderen?

Hij doet dit niet door de concurrenten te kopen of hun elektriciteit te stelen (dat is te makkelijk te zien). Hij doet het door kwaliteit te manipuleren.

De drie trucs van de "Slechte Buurman"

De paper beschrijft drie manieren waarop deze "Slechte Buurman" (de geïntegreerde techreus) zijn concurrenten kan dwarsbomen zonder dat het direct als prijsdumping lijkt:

De "Trage Kabel" (Kwaliteitsdiscriminatie):
Stel je voor dat de eigenaar van het netwerk zijn eigen app laat werken via een snelle, glimmende fiberkabel. Maar voor de concurrenten gebruikt hij een oude, stoffige koperkabel.
- Het resultaat: De concurrentie-apps zijn traag, haperen vaak of hebben minder geheugen. De eigen app werkt vlekkeloos. Niemand merkt het direct, maar de gebruiker kiest natuurlijk voor de snelle app.
- In de paper: Dit heet "Quality-of-Service" (QoS) discriminatie. Latency (vertraging) en context-limieten worden gebruikt als wapen.
De "Vriendelijke Portier" (Routing Bias):
Stel je voor dat de eigenaar ook de portier is van een groot winkelcentrum (zoals een zoekmachine of een assistent-app). Als een gebruiker vraagt: "Wie kan mij helpen met dit probleem?", wijst de portier altijd naar de eigen winkel, zelfs als er een concurrentie-winkel net naast staat die beter is.
- Het resultaat: De concurrenten krijgen geen klanten, niet omdat ze slecht zijn, maar omdat ze nooit worden aanbevolen.
De "VIP-Club" (Tier-based Access):
Dit is de nieuwste en slimste truc. De eigenaar heeft een "super-geheime" versie van zijn AI (bijvoorbeeld de allerbeste versie voor cybersecurity).
- De truc: Hij geeft deze super-versie alleen aan een kleine groep vrienden (partners) en houdt hem weg van de rest. De concurrenten krijgen alleen de "gewone" versie.
- Het resultaat: De concurrenten kunnen simpelweg niet concurreren op het hoogste niveau, omdat ze fysiek geen toegang hebben tot de beste technologie. Het is alsof je een racewedstrijd organiseert, maar de concurrenten mogen alleen met fietsen, terwijl jij met een Formule 1-auto mag rijden.

Waarom is dit gevaarlijk?

De paper legt uit dat dit niet alleen slecht is voor de concurrenten, maar voor ons allemaal.

Innovatie stopt: Als je weet dat je concurrenten je altijd een trage kabel geven, stop je met het bouwen van nieuwe, spannende apps.
Kwaliteit daalt: Omdat er minder concurrentie is, heeft de grote baas geen reden om zijn eigen app te verbeteren.
De prijs: Uiteindelijk betalen wij als gebruikers de rekening in de vorm van slechtere diensten en minder keuze.

De Oplossing: "Neutrale Inference"

De auteur stelt voor dat we niet per se de grote bedrijven moeten verbieden (dat zou de innovatie kunnen doden), maar dat we regels moeten stellen voor hoe ze hun netwerk beheren. Hij noemt dit "Neutrale Inference".

Het is als een verkeersregelaar die ervoor zorgt dat:

Iedereen dezelfde snelheid op de snelweg krijgt (geen trage kabels voor anderen).
De portier eerlijk kijkt naar wie het beste is, en niet alleen naar wie zijn broer is.
Als er een "VIP-club" is voor de allerbeste technologie, moet er een duidelijk pad zijn om die club open te stellen voor iedereen, tenzij er een echte veiligheidsreden is (zoals het voorkomen van gevaarlijke AI).

De Conclusie in het Kort

De paper doet een analyse van de huidige markt (in 2026) en zegt:

Google en OpenAI hebben de grootste kans om deze trucs te gebruiken, omdat ze zowel de elektriciteit leveren als de beste apps hebben.
Microsoft heeft de mogelijkheid om dit te doen, maar doet het (nog) niet zo erg, waarschijnlijk omdat ze bang zijn voor concurrentie en toezicht.
Anthropic zit in een tweesplitsing: voor consumenten is het veilig, maar in de zakelijke wereld (waar ze zelf ook apps maken) is er een risico.

De boodschap: We moeten opletten dat de "elektriciteitsleveranciers" niet hun eigen licht laten branden en de buren in het donker laten staan. Als we dit niet regelen, verliezen we de beste ideeën van de toekomst.

1. Het Probleem: Verticale Afsluiting in AI-inferentiemarkten

De paper adresseert een fundamenteel economisch probleem in de opkomende markt voor generatieve AI: verticale afsluiting (vertical foreclosure) via inferentie-infrastructuur.

Context: De concurrentievoordeel verschuift van eenmalig modeltrainen naar continue inferentie, distributie en routing. Grote spelers zoals Google, OpenAI, Microsoft en Anthropic controleren wat de auteur "cognitieve infrastructuur" noemt: schaalbare inferentiecapaciteiten die downstream-toepassingen nodig hebben.
Het Mechanisme: Verticaal geïntegreerde bedrijven (die zowel de API leveren als een concurrerende toepassing hebben) kunnen concurrenten uitsluiten zonder prijsdumping te gebruiken. In plaats daarvan discrimineren ze op kwaliteit van dienstverlening (QoS) (zoals latentie, doorvoer, contextlimieten) of via routing bias in assistent-interfaces.
De Nieuwe Dimensie: De paper introduceert een derde mechanisme: tier-based access discrimination. Dit gebeurt wanneer providers toegang tot de meest geavanceerde modelklassen (bijv. "Mythos" of "Deep Think") beperken tot een selecte groep partners, terwijl concurrenten toegang hebben tot de standaard "frontier"-modellen.

2. Methodologie: Een Formeel Game-theoretisch Model

De paper ontwikkelt een formeel economisch model om de prikkels voor niet-prijsdiscriminatie te analyseren.

Modelstructuur:
- Een tweelaagsmarkt: Een upstream provider ( $U$ ) levert API-toegang aan downstream ontwikkelaars ( $i$ ) en concurreert zelf ook downstream met een eigen applicatie.
- Vraag: Logit-vraagfunctie waarbij consumenten kiezen op basis van totale kwaliteit ( $Q_i$ ) en prijs.
- Kwaliteit: De waargenomen kwaliteit is een som van inferentie-kwaliteit ( $q_i$ ) en applicatie-inspanning ( $e_i$ ): $Q_i = \alpha \cdot q_i + (1-\alpha) \cdot e_i$ . Hierbij is $\alpha$ het aandeel van de inferentiekwaliteit.
- Kosten: De upstream provider heeft kwadratische kosten voor het leveren van QoS. Discriminatie is mogelijk omdat de provider $q_U$ (voor zichzelf) en $q_i$ (voor concurrenten) kan kiezen.
Calibratie: De paper gebruikt een "stijlvolle calibratie" (stylized calibration) met data van april 2026 voor vier providers. Het benadrukt dat de resultaten comparatieve risicokarteringen zijn onder specifieke aannames, geen structurele schattingen met econometrische precisie.
Extensies: Het model wordt uitgebreid met:
- Dynamische afsluiting ("open early, closed late").
- Routing bias in assistent-laag interfaces.
- Tier-based toegang (met parameters voor de "tier gap" $\tau$ en partner-exclusiviteit $\kappa$ ).

3. Belangrijkste Bijdragen

De paper levert vier specifieke bijdragen ten opzichte van eerdere beleidsdiscussies:

Formeel model van QoS-discriminatie: Het leidt af onder welke voorwaarden het voor een provider winstgevend is om de QoS voor concurrenten te verlagen. Het levert een expliciete lokale evenwichtsbeschrijving op van de QoS-kloof ( $\Delta q^*$ ).
Tier-based toegang als nieuw mechanisme: Het onderscheidt tussen discriminatie binnen een gedeelde model-laag en toegangsdiscriminatie op het niveau van de "capability frontier". Dit laatste genereert duurzamere rentes en vereist een andere beleidsaanpak.
Transparante calibratie: Het maakt de methodologie expliciet door parameters te categoriseren als observeerbaar, afgeleid of oordeelsgebaseerd. Dit maakt de risicokartering reproduceerbaar en toont aan welke conclusies robuust zijn.
Brug naar regelgeving: Het koppelt abstracte modelprimitieven (zoals $\alpha$ , $\lambda$ , $S$ ) aan concrete, meetbare observables voor toezichthouders (zoals latency-metingen, marktaandelen, contractduur).

4. Kernresultaten en Evenwichtskenmerken

De QoS-kloof (Propositie 1)

De paper leidt een expliciete formule af voor de evenwichtskloof in kwaliteit tussen de eigen applicatie van de provider en die van concurrenten:
$\Delta q^* = q^*_U - q^*_i$
De grootte van deze kloof is:

Stijgend in de belangrijkheid van inferentiekwaliteit ( $\alpha$ ).
Stijgend in de downstream-marge van de provider ( $m_U$ ).
Dalend in de API-prijs ( $p$ ) en de elasticiteit van concurrentie-instroom ( $\eta$ ).

Cruciaal inzicht: Discriminatie treedt niet op bij een enkele drempelwaarde voor $\alpha$ , maar bij een gezamenlijke grens in de ruimte van $(m_U, p, \eta)$ . Discriminatie is winstgevend zolang de winst van "business stealing" (meer marktaandeel voor eigen app door concurrenten te verzwakken) groter is dan het verlies aan API-omzet door minder concurrenten.

Tier-based Afsluiting (Propositie 5)

Voor tier-based toegang geldt dat de "foreclosure gain" stijgt met de tier gap ( $\tau$ , het kwaliteitsverschil tussen modellen) en de partner-exclusiviteit ( $\kappa$ , het percentage klanten dat toegang ontbreekt). Deze rentes zijn minder vatbaar voor competitieve erosie dan standaard QoS-discriminatie.

Empirische Risicokartering (April 2026)

Op basis van de calibratie worden de volgende risico's geïdentificeerd:

Google (Gemini): Hoogst risico. Combineert enorme downstream-reikwijdte (Search, OS, Browser) met hoge marges en lock-in. De model-implied QoS-kloof is het grootst (~0.27).
OpenAI (GPT): Verhoogd risico. Door de verschuiving naar consumentenabonnementen en hoge integratie, overlapt het nu sterk met Google.
Microsoft (Copilot): Hoge structurele capaciteit voor afsluiting, maar verminderde gerealiseerde discriminatie. Door de integratie van rivalen (zoals Anthropic) in Copilot en toezicht, is de daadwerkelijke routing bias vrijwillig beperkt.
Anthropic (Claude): Gesplitst risico.
- Consumentenkanalen: Laag risico (API-omzet domineert, afsluiting zou te veel API-inkomsten kosten).
- Enterprise Coding-agent: Verhoogd risico (Claude Code concurreert met tools die op dezelfde API draaien).
- Cybersecurity Tier (Project Glasswing): Risico op tier-gating, maar voldoet momenteel aan voorwaarden voor een "safety carve-out" (veiligheidsuitzondering) vanwege transparante release-paden.

5. Beleidsimplicaties en "Neutral Inference"

De paper stelt een vier-pijler gedragskader voor, genaamd "Neutral Inference", om afsluiting te voorkomen zonder structurele scheiding (die innovatie zou schaden):

QoS-pariteit: Geen materiële verbetering van inferentie-kwaliteit voor eigen diensten ten opzichte van vergelijkbare API-gebruikers.
Routing-transparantie: Auditabele logs van hoe verkeer wordt gerouteerd; verbod op systematische voorkeursrouting naar eigen diensten als alternatieven objectief beter zijn.
FRAND-style non-discriminatie: Eerlijke, redelijke en niet-discriminerende voorwaarden (geen prijs- of niet-prijsstraffen voor concurrenten).
Tier-transparantie en release-discipline: Voor beperkte toegang tot geavanceerde modellen: publieke motivering, audit van partnerselectie, en een vastgestelde release-pad naar algemeen gebruik.

Welvaartseffecten:
De paper schat dat onder huidige discriminatie een welvaartverlies van $35 tot $95 miljard per jaar optreedt (centraal: ~$66 miljard). Een toepassing van het "Neutral Inference"-kader zou naar schatting een netto-welvaartswinst van $40 tot $55 miljard per jaar opleveren, rekening houdend met mogelijke innovatiekosten.

6. Significatie

Deze paper is significant omdat het:

De theoretische basis legt voor niet-prijsdiscriminatie in AI-markten, een gebied waar antitrust-analyse vaak vastloopt op prijsgebaseerde modellen.
Een praktische brug slaat tussen abstracte economische modellen en concrete toezichtsmetingen (bijv. hoe een toezichthouder een QoS-kloof meet via "matched-pair" audits).
Een nuance introduceert in het debat over AI-regulering: het onderscheidt tussen illegale commerciële afsluiting en legitieme veiligheidsbeperkingen (tier-gating voor risicovolle modellen), mits aan strikte transparantievoorwaarden wordt voldaan.
Laat zien dat concurrentiedruk en toezicht (zoals bij Microsoft) al kunnen leiden tot een vermindering van discriminatie, wat suggereert dat beleidsinstrumenten gericht zijn op het handhaven van deze druk.

Kortom, de paper biedt een formeel raamwerk om te begrijpen waarom en wanneer AI-providers concurrenten zullen uitsluiten via kwaliteit en toegang, en biedt toezichthouders de tools om dit te detecteren en te reguleren zonder de innovatie te verstikken.