Heeft elke AI-taak echt Claude of GPT nodig? Wat Zoho’s AI-strategie betekent voor het MKB

Salesforce kiest een heel andere richting dan Zoho als het om de prijs van AI gaat.

Zoho geeft klanten miljoenen tokens en laat ze zelf bepalen waar die intelligentie naartoe gaat. Salesforce duwt het model juist naar de achtergrond en rekent af per handeling die een agent uitvoert. Een standaardactie in Agentforce kost 20 Flex Credits, ongeveer 10 dollarcent. Een pakket van 100.000 credits komt daarmee neer op zo’n 5.000 acties.

Zet dat naast 30 miljoen tokens per maand bij Zoho en je vergelijkt geen prijzen meer. Je vergelijkt twee verschillende ideeën over wat je eigenlijk koopt.

Dat roept een grotere vraag op dan welk platform goedkoper is. Waar gaan bedrijven in het AI-tijdperk voor betalen: tokens, acties, agents, of uiteindelijk resultaat?

Die vraag hoort bij een bredere verschuiving die ik in dit artikel uitwerk. Waarom ik denk dat de toekomst van AI in bedrijven multi-model is, met verschillende modellen voor verschillende soorten werk.

Veel bedrijven denken over AI in één beweging. We willen AI, dus we koppelen Claude of GPT, en daarna sturen we alles naar dat model.

Begrijpelijk. Maar kijk eens naar de vragen die in een gemiddelde werkweek langskomen:

• Is deze e-mail een klacht?
• Bij welke productcategorie hoort deze aanvraag?
• Is er sinds gisteren daadwerkelijk iets veranderd bij deze klant?
• Vat dit CRM-record even samen.
• Heeft deze lead prioriteit?

Voor geen van deze vragen heb je het krachtigste redeneermodel ter wereld nodig. Toch sturen veel organisaties precies dat werk naar hun duurste model, omdat het nu eenmaal het model is dat ze hebben gekoppeld.

De vraag die daaronder ligt is interessanter: wat als 80 procent van je AI-werk prima door kleinere en goedkopere modellen gedaan kan worden, en je de zware modellen alleen nog inzet voor de lastige 20 procent? Zoho maakt die vraag op dit moment heel concreet.

De 30 miljoen tokens van Zoho zijn interessanter dan ze lijken

Binnen Zia Agents biedt Zoho een Standard Tier met Zoho-gehoste modellen. Daar hoort een gratis maandbudget bij van 30 miljoen tokens. De Pro Tier, met GLM 5, komt op 20 miljoen tokens per maand. Verbruik daarboven wordt afgerekend via AI-credits.

Eén onderscheid is belangrijk, want het wordt in de meeste artikelen overgeslagen. Gehost door Zoho is niet hetzelfde als ontwikkeld door Zoho. Modellen als Qwen en GLM worden door Zoho aangeboden en gedraaid, maar komen van andere partijen. Daarnaast bouwt Zoho aan een eigen modellenlijn onder de naam Zia LLM.

Zoho zet dus twee sporen naast elkaar: eigen modellen ontwikkelen, en sterke opensourcemodellen beschikbaar maken binnen het eigen platform.

Hoe goed zijn die modellen eigenlijk?

Dit is de vraag die de meeste ondernemers direct stellen, en terecht.

Een model als Qwen 3.5 35B is geen eenvoudig classificatiemodel meer. Het kan redeneren, externe tools aanroepen, informatie uit ongestructureerde tekst halen, code schrijven, met meerdere talen omgaan en langere contexten verwerken. Ook meerstapstaken zijn geen probleem meer.

Benchmarks vertellen je niet hoe goed een model presteert in jouw specifieke proces. Wat ze wel laten zien: dit is een andere categorie dan de kleine lokale modellen van een paar jaar geleden. Voor veel routinewerk in een bedrijf is dat ruim voldoende.

Wat betekenen 30 miljoen tokens in de praktijk?

Een simpel rekenkader maakt het tastbaar.

Met een kanttekening: een agentrun is zelden één prompt. Tool calls, meegestuurde context, redeneerstappen en meerdere ronden verhogen het verbruik flink.

Maar zelfs met een ruime marge praten we niet over een handvol experimenten. We praten over duizenden AI-acties per maand, zonder dat daar een aparte factuur tegenover staat.

Een concreet voorbeeld: signalen bij je klanten volgen

Stel, je volgt 5.000 klanten en prospects. Er komen doorlopend signalen binnen: een nieuwe directeur, een vacature, een reorganisatie, een overname, een financieringsronde, een nieuwe vestiging, gewijzigde wetgeving, een negatieve review, een aanpassing op de website.

Je hoeft Claude niet naar ieder signaal te laten kijken. Je bouwt er lagen in.

Laag 1: detectie. Qwen of GLM. Is er daadwerkelijk iets veranderd, of is dit ruis?

Laag 2: classificatie. Qwen of GLM. Wat voor verandering is dit, en hoe relevant is die?

Laag 3: context uit het CRM. Zoho-agent. Wie is deze klant, wat gebruiken ze, welke deals, contactpersonen en activiteiten liggen er?

Laag 4: complexe analyse. Alleen bij de gevallen die er echt toe doen: Claude, GPT of Gemini. Wat kan deze verandering commercieel betekenen voor dit account?

Laag 5: actie. Zoho maakt een taak aan, past het account aan, informeert de accountmanager, stelt een opportunity voor of zet een conceptmail klaar.

Laag 6: de mens. Bij alles wat geld, reputatie of een klantrelatie raakt, beslist een mens.

Van de 5.000 accounts komen er misschien 40 per week door laag 3 heen. Alleen die 40 kosten je duur modelverbruik. De rest is afgehandeld voor een fractie van de kosten.

Dit leidt tot een andere manier van bouwen

Wie zo werkt, komt vanzelf uit op drie lagen.

Efficiënte intelligentie. Kleinere modellen voor volume: classificeren, informatie eruit halen, samenvatten, doorsturen, bewaken, eenvoudige beslissingen.

Zware intelligentie. Claude, GPT of Gemini voor diepere analyse, ambiguïteit, strategie en communicatie die echt goed moet zijn.

Menselijke intelligentie. Voor uitzonderingen, grote bedragen, juridische en ethische afwegingen, en alles wat de relatie met een klant raakt.

Het doel is niet om het slimste model te gebruiken. Het doel is om het goedkoopste model te gebruiken dat de taak betrouwbaar uitvoert.

Dat klinkt zuinig, maar het is vooral praktisch. Het maakt AI betaalbaar genoeg om continu mee te draaien in plaats van alleen wanneer iemand op een knop drukt.

Waarom Zoho hier interessant wordt

Niet omdat Zoho het beste taalmodel heeft. Dat claimt Zoho zelf ook niet.

Wel omdat er steeds meer onderdelen onder één dak komen. Data uit CRM, Desk, Books en Recruit. Gebeurtenissen wanneer er iets verandert. Agents die daarop reageren. Modellen van Zoho zelf én van Anthropic, OpenAI of Google. Acties die records aanpassen, workflows starten of een API aanroepen. En goedkeuring door een mens waar dat nodig is.

Daarmee verschuift Zoho langzaam van bedrijfssoftware met wat AI-functies naar een regielaag voor AI in je processen. Voor het MKB is dat relevanter dan de vraag welk model op dit moment het hoogst scoort in een benchmark.

Drie kanttekeningen

Modelkwaliteit. Niet elke taak is geschikt voor een goedkoper model. Testen en meten blijft nodig, zeker bij werk waar een fout direct zichtbaar is voor een klant.

Tokenverbruik. 30 miljoen klinkt als heel veel. Lange context en agents die in rondjes redeneren verbruiken sneller dan je denkt.

Beschikbaarheid. Welke modellen je ziet, hangt af van je datacenter en regio. De documentatie hierover is nog niet overal consistent: de ene pagina noemt Qwen 14B, Qwen 30B MoE en GLM 4.7 Flash in de Standard Tier, de andere noemt Qwen 3.5 35B MoE. Controleer dus wat er in jouw omgeving daadwerkelijk beschikbaar is voordat je een ontwerp vastlegt.

De toekomst is waarschijnlijk multi-model

De afgelopen jaren ging het gesprek vooral over GPT tegenover Claude tegenover Gemini. Waarschijnlijk is dat de verkeerde discussie geweest.

Bedrijven kiezen op termijn geen model. Ze bouwen een inrichting waarin kleine modellen het volume doen, zware modellen de complexiteit, agents de coördinatie en mensen het oordeel.

De 30 miljoen tokens van Zoho zijn dus interessant, maar niet in de eerste plaats omdat ze gratis zijn. Ze zijn interessant omdat ze het financieel realistisch maken om AI doorlopend in je processen te laten meelopen.

Denk je nog na over welk AI-model je bedrijf moet kiezen, of denk je al na over welk model welke taak moet doen?