Van onderzoeksmodel tot zwaargewicht: de Kimi-K2-reeks

Kimi K2: de technische basis

De oorspronkelijke Kimi K2-versie werd in juli 2025 voorgesteld en uitgebreid beschreven in een technisch rapport (“Kimi K2: Open Agentic Intelligence”). Technisch gaat het om een zogenoemd mixture-of-experts-model (MoE): in plaats van één enkel, doorlopend actief neuraal netwerk bestaat het model uit veel gespecialiseerde deelnetwerken (“experts”), waarvan per aanvraag slechts een klein deel daadwerkelijk wordt geactiveerd. Bij Kimi K2 gaat het volgens opgave van Moonshot AI om in totaal ongeveer één biljoen parameters, waarvan bij elke afzonderlijke aanvraag ongeveer 32 miljard actief worden gebruikt. Het model verdeelt zich over 384 experts, waarvan er per tekstfragment 8 gericht worden geselecteerd, aangevuld met een altijd actieve “gedeelde” expert.

Deze opbouw verklaart waarom Kimi K2 ondanks zijn enorme totale omvang relatief economisch kan worden geëxploiteerd: niet het volledige biljoen parameters moet voor elke aanvraag worden doorgerekend, maar slechts een klein, geselecteerd deel. Het model werd volgens opgave van Moonshot AI getraind met een speciaal ontwikkelde optimalisatiemethode (MuonClip), die bij zo grote MoE-modellen de trainingsstabiliteit moet verbeteren. De oorspronkelijke basisversie bood een contextvenster van 128.000 tokens, de tegelijk gepubliceerde Instruct-versie (voor dialogen en instructies) werd uitgebreid naar 256.000 tokens.

Kimi K2 Thinking: denken en handelen in één model

In het najaar van 2025, volgens overeenstemmende berichten in november 2025, presenteerde Moonshot AI met “Kimi K2 Thinking” een variant die bovendien een uitgebreid, meerstaps-denkproces vóór het eigenlijke antwoord inbouwt en daarbij al tijdens het denkproces hulpmiddelen kan aanroepen (bijvoorbeeld een websearch of een rekenmachine). Volgens beschikbare benchmarkgegevens behaalde het model op de bekende programmeertest “SWE-Bench Verified” een waarde van ongeveer 71 procent en kon het in testscenario’s meerdere honderden achtereenvolgende hulpmiddelaanroepen zelfstandig uitvoeren, om complexe, langdurige taken op te lossen. Daarmee positioneerde Moonshot AI zich gericht in het gebied van de zogenoemde agentmodellen, die niet alleen antwoorden, maar meerstaps-taken zelfstandig plannen en uitvoeren.

De doorontwikkeling in 2026: K2.5, K2.6 en K3

In de loop van 2026 publiceerde Moonshot AI meerdere verdere uitbreidingsniveaus. Volgens overeenstemmende, maar niet altijd eenduidige bronnen verschenen K2.5 en in april 2026 K2.6 met een naar 256.000 tokens uitgebreid contextvenster en verbeterde programmeervaardigheden, gevolgd door een op programmeertaken gespecialiseerde variant genaamd K2.7 Code. In juli 2026 volgde uiteindelijk Kimi K3, dat volgens opgave van de fabrikant aantreedt met een naar ongeveer 1 miljoen tokens vergroot contextvenster en native beeldverwerking (vision) – volgens opgave van Moonshot AI viermaal zo groot als het contextvenster van K2.6. Over de precieze parameteromvang van K3 circuleren in verschillende bronnen uiteenlopende gegevens (deels in de orde van ongeveer twee tot drie biljoen totale parameters); een eenduidig, officieel definitief cijfer is momenteel niet met volledige zekerheid te bevestigen, waarom hier bewust wordt gesproken van een orde van grootte in plaats van een exact cijfer.

Wat maakt de Kimi-modellen technisch en strategisch bijzonder?

Open gewichten met commerciële voorwaarde

Moonshot AI publiceert de modelgewichten van K2 en de opvolgers onder een zelf geformuleerde, aangepaste MIT-licentie. In de kern gaat het om een zeer vrije opensourcelicentie, die ook commercieel gebruik toestaat. Een bijzonderheid: wie een product of dienst op basis van de modellen exploiteert met meer dan 100 miljoen actieve gebruikers per maand of meer dan 20 miljoen Amerikaanse dollar maandomzet, moet de vermelding “Kimi K2” zichtbaar in de eigen interface tonen. Voor de meeste kleinere en middelgrote toepassingen – ook uit de vastgoedbranche – speelt deze clausule praktisch geen rol, maar ze toont dat “open” bij Kimi niet helemaal onvoorwaardelijk is bedoeld.

Agentvaardigheden en groot contextvenster

De strategische focus van de Kimi-modellen ligt duidelijk op zogenoemde agentvaardigheden: de mogelijkheid om meerstaps-taken met hulpmiddelgebruik, webtoegang en code-uitvoering zelfstandig te behandelen, in plaats van alleen losse vragen te beantwoorden. In combinatie met een zeer groot contextvenster – bij K3 ongeveer een miljoen tokens – kunnen daardoor zeer omvangrijke documentverzamelingen in één keer worden verwerkt, bijvoorbeeld meerdere honderden pagina’s aan contractdocumenten of een grotere verzameling objectdocumenten.

Onthoud: het grote contextvenster maakt het mogelijk om zeer veel documenten gelijktijdig in te lezen – dat vervangt echter geen zorgvuldige controle van de uitvoer, want ook een groot contextvenster beschermt niet tegen fouten of weglatingen in het resultaat.

Toepassingsvoorbeelden uit de praktijk

1. Geautomatiseerde samenvatting van grote dossiers

Een medewerker bij een vastgoedbeheerder zou via de API meerdere honderden afrekeningen van bijkomende kosten of notulen van eigenaarsvergaderingen in één enkele ronde kunnen laten inlezen, om bijzonderheden – zoals ongewoon hoge kostenposten – geautomatiseerd te laten markeren. Het grote contextvenster van K2.6 of K3 maakt dit technisch mogelijk, zonder de documenten vooraf in veel kleine stukjes te moeten opsplitsen.

2. Concept en lay-out van een verkoopbrochure

In de agentmodus kan een makelaar een eerste, meerpagina’s tellende conceptversie van een objectbrochure inclusief eenvoudige webweergave laten maken, die vervolgens handmatig redactioneel wordt gecontroleerd en afgestemd op de werkelijke, juridisch bindende objectgegevens.

3. Programmeerondersteuning voor interne hulpmiddelen

Omdat de Kimi-modellen in benchmarks voor programmeertaken bijzonder sterk scoren, gebruiken sommige IT-afdelingen van vastgoedbedrijven Kimi ter ondersteuning bij het maken van kleine interne automatiseringsscripts, bijvoorbeeld voor het vergelijken van huurlijsten tussen twee softwaresystemen.

4. Onderzoek en marktobservatie

Via de webbrowsingfunctie van de agentmodus kan een model worden ingezet voor de doorlopende observatie van publiek toegankelijke marktgegevens, bijvoorbeeld voor het samenvatten van renteontwikkelingen of algemeen toegankelijke vastgoedmarktrapporten – belangrijk hierbij is uitsluitend te werken met publiek beschikbare, niet-persoonsgebonden bronnen.

5. Meertalige communicatie

Bij internationale vastgoedportefeuilles kan een financieel medewerker Kimi gebruiken om standaardbrieven of samenvattingen tussen meerdere talen om te zetten – ook hier geldt echter de eerder beschreven beperking bij persoonsgebonden content.

Onthoud: hoe groter de hoeveelheid gegevens die een model in één keer verwerkt, hoe belangrijker de vraag wordt waar deze gegevens zich precies bevinden tijdens de verwerking – prestatie en gegevensbescherming zijn twee gescheiden vragen die beide moeten worden beantwoord.

Veelgestelde vragen over de Kimi-modellen

Wat is het verschil tussen Kimi K2 en Kimi K2 Thinking?

Kimi K2 is het oorspronkelijke basismodel, Kimi K2 Thinking is een in november 2025 voorgestelde variant die vóór het antwoord een uitgebreider, meerstaps-denkproces met hulpmiddelgebruik inbouwt en daardoor bij complexe taken beter scoort.

Hoe groot is het contextvenster van de actuele modellen?

De modellen van de K2-reeks bieden meestal 256.000 tokens context, het in juli 2026 voorgestelde Kimi K3 wordt opgegeven met ongeveer een miljoen tokens.

Zijn de Kimi-modellen echt open source?

De modelgewichten zijn openlijk toegankelijk en gepubliceerd onder een aangepaste, zeer vrije MIT-licentie. Een bijzonderheid is de attributieverplichting voor zeer grote commerciële toepassingen (meer dan 100 miljoen gebruikers of 20 miljoen Amerikaanse dollar maandomzet).

Zijn de modellen geschikt voor programmeertaken?

Ja, de Kimi-K2-reeks en vooral de gespecialiseerde variant K2.7 Code scoren relatief sterk in publieke programmeerbenchmarks en worden vaak ingezet voor coding-agenten.

Kan ik de modellen zelf exploiteren, in plaats van de Kimi-website te gebruiken?

Ja, omdat de gewichten openlijk worden gepubliceerd, kunnen ze via verschillende cloudaanbieders of op eigen hardware worden geëxploiteerd. Dit vereist echter technische vakkennis en voldoende rekencapaciteit, omdat het om zeer grote modellen gaat.

Basisinformatie over het bedrijf Moonshot AI, over prijzen en over gegevensbescherming vindt u op onze aanbiederspagina. Een vergelijking van alle tien AI-aanbieders in het cluster vindt u op de overzichtspagina.

De Grok-modelfamilie in overzicht

Grok 3 – de vorige generatie

Grok 3 was lange tijd het hoofdmodel van xAI en vormt inmiddels de basis voor het gratis niveau. Het beheerst de basistaken van een chatbot – vragen beantwoorden, teksten formuleren, eenvoudig onderzoek – maar biedt een aanzienlijk kleiner contextvenster en minder nauwkeurigheid bij complexe, meerstaps-taken dan de nieuwere modellen.

Grok 4 en Grok 4 Heavy

Grok 4 was de volgende grote stap en leverde aanzienlijk betere resultaten bij logisch denken en complexere vraagstukken. De variant Grok 4 Heavy gaat nog een stap verder: het gebruikt bij moeilijke taken meerdere parallelle denkprocessen en vergelijkt de resultaten voordat een antwoord wordt gegeven. Dat maakt Grok 4 Heavy langzamer en aanzienlijk duurder, maar daarvoor ook betrouwbaarder bij lastige taken – zoals wiskundige berekeningen of meerstaps-analyses.

Grok 4.1 Fast – snel en goedkoop

Voor taken waarbij het vooral gaat om snelheid en lage kosten – zoals het automatisch beantwoorden van veel korte aanvragen in een app –, biedt xAI met Grok 4.1 Fast een afgeslankte, maar zeer snelle en goedkope variant. De inhoudelijke diepte is geringer, maar voor eenvoudige, herhalende taken volstaat dat meestal.

Grok 4.20 – enorm contextvenster en meer-agenttechniek

Met Grok 4.20 introduceerde xAI begin 2026 een model dat intern werkt met meerdere gespecialiseerde “rollen”, die elkaar controleren voordat een antwoord wordt gegeven – simpel gezegd: één rol coördineert, één controleert feiten, één beoordeelt technische details, één levert creatieve formuleringen. Voor gebruikers uit zich dat vooral in betrouwbaardere antwoorden bij langere, ingewikkeldere aanvragen. Daarbij komt een zeer groot contextvenster van ongeveer 2 miljoen tekstblokjes (tokens) – dat komt overeen met enkele duizenden pagina’s tekst die het model gelijktijdig “in het hoofd” kan houden, bijvoorbeeld voor de analyse van langere contracten of uitgebreide gegevensverzamelingen.

Grok 4.5 – de actuele focus op complexe en technische taken

Grok 4.5, uitgebracht in juli 2026, is het momenteel meest veeleisende beschikbare model van xAI. Het werd gericht getraind voor langere, veeleisende werkonderdelen – oorspronkelijk vooral voor softwareontwikkeling, inmiddels ook voor andere complexe, meerstaps-taken zoals uitgebreid onderzoek of de analyse van grotere gegevenshoeveelheden. Het contextvenster ligt op ongeveer 500.000 tokens, dus kleiner dan bij Grok 4.20, maar daarvoor werkt het model nauwkeuriger bij moeilijke denktaken. Via de programmeerinterface kost Grok 4.5 ongeveer 2 euro per miljoen invoer- en ongeveer 6 euro per miljoen uitvoer-tekstblokjes.

Grok 5 – wat tot nu toe bekend is

Een opvolgmodel met de werknaam Grok 5 bevindt zich volgens xAI in de trainingsfase op een uitgebreid Colossus-datacenter. Een officiële publicatiedatum is er tot augustus 2026 niet, geruchten stellen dat het model aanzienlijk groter zal uitvallen dan Grok 4 en later in 2026 wordt voorgesteld. Tot de officiële aankondiging blijft Grok 4.5 het krachtigste algemeen beschikbare model.

Onthoud: hoe hoger het versienummer, hoe krachtiger en meestal ook duurder het model – maar niet elke taak heeft het krachtigste model nodig. Voor eenvoudige alledaagse vragen volstaat vaak al de snelle, goedkope variant.

Vergelijkingstabel van de Grok-versies

Realtimegegevenstoegang via X

Een kenmerk dat alle actuele Grok-modellen verbindt, is de directe toegang tot publieke berichten van het platform X. Daardoor kan Grok reageren op gebeurtenissen die pas enkele minuten oud zijn – een duidelijk verschil met modellen waarvan de kennis beperkt is tot een bepaalde trainingsdatum. Het nadeel: berichten op social media zijn niet automatisch gecontroleerd of betrouwbaar, waardoor antwoorden die zich baseren op actuele X-berichten altijd met een gezonde dosis voorzichtigheid moeten worden gelezen, vooral bij omstreden of onduidelijke onderwerpen.

Beeldgeneratie en video met Aurora en Grok Imagine

Voor het genereren van afbeeldingen gebruikt xAI een eigen systeem genaamd Aurora, dat inmiddels onder de productnaam Grok Imagine wordt vermarkt. Het maakt uit tekstbeschrijvingen afbeeldingen en inmiddels ook korte video’s van enkele seconden lang in verschillende formaten. In het betaalde niveau SuperGrok is de volledige functieomvang van Grok Imagine opgenomen; het gratis niveau biedt slechts een beperkte basisversie. Voor de programmeerinterface wordt de videogeneratie afgerekend naar het aantal gegenereerde seconden, wat het voor korte clips relatief goedkoop maakt.

Toepassingsvoorbeelden uit het dagelijks leven en business

Voorbeeld 1 – dagelijks leven: Een gebruiker plant een reis en laat Grok op basis van actuele berichten op X samenvatten hoe het weer en de verkeerssituatie op de bestemming er momenteel voorstaan – iets wat een model zonder realtimetoegang niet kan leveren.

Voorbeeld 2 – kleinbedrijf: Een medewerker bij een klein ambachtelijk bedrijf gebruikt Grok 4.1 Fast om binnenkomende klantvragen per e-mail voor te sorteren en antwoordvoorstellen te formuleren, die vervolgens door een mens worden gecontroleerd.

Voorbeeld 3 – vastgoed en financiën: Een vastgoedkantoor wil een eerste indruk krijgen van de actuele sfeer rond een bepaalde locatie – bijvoorbeeld of de afgelopen dagen vaker is gesproken over stijgende huren of een nieuw bouwproject in een stad. Grok kan dankzij de toegang tot actuele X-berichten zulke discussies samenvatten en eerste aanwijzingen leveren. Belangrijk hierbij: zo’n sentimentanalyse vervangt geen solide marktanalyse op basis van officiële gegevens, maar levert slechts een snelle, aanvullende indruk.

Voorbeeld 4 – lang document controleren: Een medewerker uploadt een langer huurcontract of een uitgebreide aanbesteding in Grok 4.20 en laat centrale clausules, termijnen en cijfers samenvatten – dankzij het grote contextvenster kan het model de volledige tekst in één keer meenemen, in plaats van deze in delen te moeten opsplitsen.

Voorbeeld 5 – technische taak: Een ontwikkelaar gebruikt Grok 4.5 om een bestaande softwaretoepassing over meerdere bestanden heen te analyseren en verbetervoorstellen voor de programmacode te krijgen – een taak waarvoor het model gericht is getraind.

Onthoud: hoe langer en vertakter de taak, hoe belangrijker het contextvenster wordt – bij korte alledaagse vragen speelt het daarentegen nauwelijks een rol.

Praktijkvoorbeeld: kosten voor de programmeerinterface inschatten

Een vastgoedkantoor wil per maand geautomatiseerd ongeveer 50 objectbeschrijvingen met Grok 4.5 laten voorformuleren. Voor elke beschrijving zijn geschat 1.000 tokens aan invoer (objectgegevens, randvoorwaarden) en 1.500 tokens aan uitvoer (kant-en-klare tekst) nodig.

• Invoer: 50 x 1.000 = 50.000 tokens, bij 2 euro per miljoen tokens is dat ongeveer 0,10 euro
• Uitvoer: 50 x 1.500 = 75.000 tokens, bij 6 euro per miljoen tokens is dat ongeveer 0,45 euro
• Totale kosten per maand: ongeveer 0,55 euro

Het rekenvoorbeeld laat zien: de pure tekstkosten via de programmeerinterface zijn bij overzichtelijke tekstvolumes zeer laag – de eigenlijke kosten ontstaan meestal door de ontwikkeling en het onderhoud van de koppeling, niet door de afzonderlijke aanvragen zelf.

Veelgestelde vragen

Welk Grok-model moet ik als beginner gebruiken?

Voor de instap volstaat doorgaans het standaardmodel in het gratis of het goedkoopste betaalde niveau. Een overstap naar krachtigere modellen loont pas als je tegen grenzen aanloopt bij complexe of lange taken.

Wat betekent “contextvenster” in gewone taal?

Het contextvenster beschrijft hoeveel tekst een model gelijktijdig “in het hoofd” kan houden. Een groot contextvenster is belangrijk wanneer je lange documenten in één keer wilt laten analyseren, maar speelt bij korte vragen nauwelijks een rol.

Is Grok 4.20 hetzelfde als Grok 4?

Nee. Grok 4.20 is een zelfstandige, latere modelgeneratie met een aanzienlijk groter contextvenster en een interne meer-rollen-controle, die bij Grok 4 nog niet aanwezig was.

Wanneer komt Grok 5?

Een officiële datum is er tot augustus 2026 niet. xAI heeft bevestigd dat een opvolgmodel in ontwikkeling is, zonder een precieze datum te noemen.

Kan ik met Grok betrouwbare marktgegevens krijgen voor vastgoedbeslissingen?

Grok kan actuele discussies en sentimenten samenvatten, maar vervangt geen gecontroleerde officiële gegevens of een vakkundige marktanalyse. Het is het meest geschikt als snelle aanvulling, niet als enige beslissingsgrondslag.

Een overzicht van het bedrijf xAI zelf, de prijsniveaus en de privacybeoordeling is te vinden op onze xAI-aanbiederspagina. Wie in plaats daarvan de andere grote AI-aanbieders in vergelijking wil zien, vindt het overzicht op de AI-modellen-vergelijkingspagina.

Waarom “Copilot” niet gelijk is aan “Copilot”

Microsoft heeft de naam Copilot bewust tot een overkoepelend merk gemaakt, vergelijkbaar met hoe andere concerns merken voor complete productfamilies gebruiken. Achter het oppervlak verschillen de varianten echter aanzienlijk: in de gegevensbasis waartoe ze toegang hebben, in het gebruikte taalmodel en in de veiligheids- en privacytoezeggingen die telkens gelden.

Copilot in Windows

De in de taakbalk geïntegreerde variant is in de eerste plaats een algemene chat voor alledaagse vragen, onderzoek en eenvoudige schrijftaken. Deze heeft geen rechtstreekse toegang tot bedrijfsinterne documenten of e-mails en staat daardoor functioneel dichter bij een klassieke chatbot dan bij een echte kantoorassistent.

Microsoft 365 Copilot (Business en Enterprise)

Deze variant is de eigenlijke zakelijke versie. Ze is via de zogenoemde Microsoft Graph-interface verbonden met de documenten, e-mails, agenda-items en chats waartoe de betreffende gebruiker toch al toegang heeft. Daardoor kan ze bijvoorbeeld een samenvatting maken die daadwerkelijk gebaseerd is op de echte projectbestanden van een team, in plaats van alleen algemene wereldkennis weer te geven. Deze koppeling is het beslissende technische verschil met alle andere Copilot-varianten.

Microsoft 365 Premium (opvolger van Copilot Pro)

Het niveau bedoeld voor particuliere gebruikers en zelfstandigen brengt volledige Copilot-functies naar de persoonlijke Office-toepassingen, maar zonder de diepe koppeling met een bedrijfsnetwerk met veel gebruikers, zoals de zakelijke variant biedt. Het richt zich op individuen, niet op teams.

GitHub Copilot: een eigen productlijn

Voor de volledigheid: GitHub Copilot is een zelfstandig product voor softwareontwikkelaars, dat ondersteunt bij het schrijven van programmacode. Het deelt met de overige Copilot-varianten alleen de merknaam en een deel van de onderliggende techniek, maar richt zich op een geheel andere doelgroep en wordt hier alleen ter duiding genoemd.

Welke AI-modellen schuilen er werkelijk achter

Lange tijd draaide praktisch de gehele Copilot-familie uitsluitend op modellen van OpenAI. Dat is in 2026 veranderd. In juli 2026 hebben Microsoft en OpenAI bekendgemaakt dat het nieuwe model GPT-5.6 het voorkeursmodel wordt voor Microsoft 365 Copilot in Word, Excel, PowerPoint en de nieuwe Copilot-werkruimtes. Het model is speciaal geoptimaliseerd voor kenniswerk en moet bij complexere, meerstaps-taken efficiënter werken dan zijn voorgangers.

Tegelijkertijd heeft Microsoft zijn strategie uitgebreid en biedt sinds 2025 in Microsoft 365 Copilot bovendien modellen van Anthropic aan. In de praktijk kunnen beheerders in veel bedrijfsomgevingen inmiddels kiezen of beperken welk model voor welke toepassing wordt gebruikt. Dat is een belangrijk verschil met pure een-model-aanbieders: Copilot werkt technisch eerder als een schakelbord dat op de achtergrond bemiddelt tussen meerdere modellen, dan als een enkel, onveranderlijk taalmodel.

Wie vraagt “welk model gebruikt Copilot”, krijgt in 2026 geen eenvoudig antwoord meer. De juistere vraag luidt: welk model gebruikt Copilot nu net voor deze ene taak, en is dat in de instellingen te veranderen.

Vergelijkingstabel van de Copilot-varianten

Praktische toepassingsvoorbeelden uit het kantooralledaags

Voorbeeld 1: E-mailvloed in Outlook de baas worden

Een administratief medewerker komt terug van een afwezigheid van twee weken en vindt meer dan 200 ongelezen e-mails aan. Copilot vat lange wisselingen samen, markeert de e-mails met directe actiebehoefte en stelt voor routinevragen kant-en-klare antwoordconcepten voor. In plaats van elk bericht apart te openen, krijgt de medewerker binnen enkele minuten een overzicht.

Voorbeeld 2: Vergadersamenvatting in Teams

Na een uur durende projectbespreking maakt Copilot automatisch een samenvatting met de belangrijkste besluiten, openstaande vragen en een lijst met concrete taken inclusief de telkens verantwoordelijke persoon. Wie niet kon deelnemen, hoeft geen opname te bekijken, maar kan de samenvatting in een paar minuten lezen.

Voorbeeld 3: Rendementstabel opbouwen in Excel

Een voorbeeld met betrekking tot de vastgoedbranche: een beheerder wil voor een meergezinswoning het brutohuurrendement van meerdere mogelijke aankoopprijzen doorrekenen. Hij beschrijft Copilot in Excel in gewone woorden welke kolommen hij nodig heeft, bijvoorbeeld aankoopprijs, jaarhuur, bijkomende kosten en het daaruit berekende rendement in procenten. Copilot bouwt daaruit een basisstructuur met de passende formules, die de beheerder vervolgens aanpast aan de werkelijke cijfers van zijn object. Belangrijk hierbij: Copilot levert een bruikbare rekensjabloon, de inhoudelijke controle van de formules en de gebruikte waarden blijft echter de taak van de beheerder zelf.

Voorbeeld 4: Verkoopbrochure herschrijven in Word

Een makelaarskantoor heeft een zakelijke, maar taalkundig zeer droge objecttekst voor een verkoopbrochure opgesteld. Copilot in Word kan de tekst op verzoek in een vriendelijkere, leesvriendelijkere toon brengen, kortere zinnen voorstellen of herhalingen verwijderen, zonder de eigenlijke feiten over het object te veranderen. De mens blijft daarbij verantwoordelijk voor de inhoudelijke juistheid van de gegevens, Copilot neemt alleen de taalkundige fijnbewerking over.

Voorbeeld 5: Eerste dia-indeling in PowerPoint

Voor een interne presentatie over het kwartaalresultaat levert Copilot op basis van een korte steekwoordtekst een eerste dia-indeling inclusief voorstellen voor passende diagramtypen. Dat bespaart vooral het moeizame eerste halfuur van structureren, de eigenlijke inhoudelijke uitwerking blijft nog steeds handwerk.

Wat betekent de modelwissel concreet voor gebruikers

Voor het dagelijkse werk in Word, Excel of Outlook merken de meeste gebruikers de overstap van het ene model naar het andere nauwelijks, omdat Microsoft de modelkeuze grotendeels automatisch op de achtergrond stuurt. Het thema wordt vooral relevant voor IT-verantwoordelijken in bedrijven, die in de adminstellingen kunnen bepalen welke modellen voor hun organisatie überhaupt zijn toegestaan, bijvoorbeeld uit privacyoverwegingen. Voor particuliere gebruikers blijft doorgaans alleen de keuze van het abonnementsniveau over, niet de afzonderlijke modelkeuze.

Veelgestelde vragen over de Copilot-modellen

Is GPT-5.6 beschikbaar in elke Copilot-variant?

Nee. GPT-5.6 wordt vooral ingezet in Microsoft 365 Copilot en in Microsoft 365 Premium. De gratis Windows-variant gebruikt deels vereenvoudigde of oudere modelversies.

Kan ik als gebruiker zelf kiezen welk model Copilot gebruikt?

In bedrijfsomgevingen kunnen beheerders de modelkeuze beperken of vrijgeven. Particuliere gebruikers hebben doorgaans geen directe modelkeuze, maar alleen de keuze van het abonnementsniveau.

Waarom gebruikt Microsoft naast OpenAI ook Anthropic-modellen?

Microsoft volgt sinds 2025 bewust een strategie met meerdere modelaanbieders, om voor verschillende taken telkens passende modellen te kunnen inzetten en niet afhankelijk te zijn van één enkele aanbieder.

Is GitHub Copilot hetzelfde als Microsoft 365 Copilot?

Nee, GitHub Copilot is een zelfstandig product voor softwareontwikkeling met eigen modellen en eigen prijsstructuur, dat met de kantoorversie alleen de merknaam deelt.

Zijn de rekenresultaten van Copilot in Excel betrouwbaar?

Copilot levert een goede basisstructuur en passende formulevoorstellen, maar de inhoudelijke controle van de waarden en formules moet nog steeds door een mens gebeuren, vooral bij zakelijk relevante berekeningen.

Een overzicht van de afzonderlijke prijsniveaus, privacyvragen en de algemene duiding van Microsoft Copilot biedt de aanbiederspagina Microsoft Copilot in overzicht. Wie in plaats daarvan de andere acht aanbieders in vergelijking wil zien, vindt het overzicht op de hoofdpagina vergelijking van alle AI-modellen.

Het basisprincipe: websearch plus taalmodel in plaats van antwoord uit het geheugen

Waarom een puur taalmodel alleen niet volstaat

Een groot taalmodel zoals dat bijvoorbeeld achter klassieke chatbots schuilt, werd op een bepaald moment getraind met enorme hoeveelheden tekst. Daarna beschikt het weliswaar over zeer veel algemene kennis, maar niet over automatische toegang tot nieuwe gebeurtenissen, actuele cijfers of net gepubliceerde studies. Vraag je zo’n model naar de actuele beleidsrente of een gisteren aangenomen wetswijziging, dan kan het eerlijk zeggen dat het dit niet weet, of – in het slechtere geval – iets onjuist verzinnen dat plausibel klinkt. Precies dit probleem lost Perplexity op met een tweetraps-procedure.

De samenwerking: retrieval ontmoet tekstgeneratie

In de eerste fase, de zogenoemde retrieval, doorzoekt Perplexity actuele websites, nieuwsartikelen, vakportalen en deels wetenschappelijke databases naar content die past bij de gestelde vraag. Deze vindplaatsen worden gefilterd, gesorteerd op relevantie en betrouwbaarheid en als basis doorgegeven aan een taalmodel. Pas in de tweede fase vat het taalmodel deze vindplaatsen samen tot een begrijpelijk, coherent antwoord en voorziet elke uitspraak van een voetnoot die verwijst naar de betreffende bron. Je kunt je dat voorstellen als een zeer snelle onderzoeksassistent die eerst tien vakartikelen leest en daarna een samenvatting met bronvermeldingen dicteert – alleen duurt dit proces een paar seconden.

Niet het taalmodel “weet” het antwoord op een actuele vraag, maar het leest dit in realtime uit vers gevonden bronnen en vertaalt dit naar begrijpelijke taal.

Welke modellen schuilen daar concreet achter?

Eigen Sonar-modellen voor standaardaanvragen

Voor de meeste alledaagse aanvragen gebruikt Perplexity eigen, intern ontwikkelde modellen uit de zogenoemde Sonar-reeks. Deze zijn speciaal getraind om websearchresultaten efficiënt te analyseren en snel om te zetten in een schoon, met bronnen onderbouwd antwoord. Het voordeel van eigen modellen zit vooral in snelheid en kostenefficiëntie – voor eenvoudige feitelijke vragen is het meest bewerkelijke beschikbare model niet nodig.

Toegang tot externe topmodellen afhankelijk van abonnement

Voor complexere vraagstukken, langere analyses of op expliciet verzoek grijpt Perplexity bovendien terug op externe taalmodellen van grote aanbieders – afhankelijk van beschikbaarheid en abonnementsniveau bijvoorbeeld actuele modellen uit de reeksen van OpenAI (GPT), Anthropic (Claude) en Google (Gemini). Perplexity ontwikkelt deze modellen niet zelf, maar koppelt ze via programmeerinterfaces en combineert ze met de eigen zoektechnologie. Pro-gebruikers kunnen in de uitgebreide instellingen vaak gericht kiezen welk model een antwoord moet formuleren, terwijl de gratis versie deze keuze automatisch op de achtergrond maakt.

Model Council: meerdere topmodellen gelijktijdig vergelijken

Voor Max-abonnees is er een bijzondere functie, vaak “Model Council” genoemd: daarbij verwerkt Perplexity dezelfde vraag parallel met meerdere leidende taalmodellen gelijktijdig, zet de resultaten tegenover elkaar en vat samen waar de modellen het eens zijn, waar ze van elkaar afwijken en welke aspecten elk model bijzonder goed heeft uitgewerkt. Voor de gewone gebruiker is dat meestal onnodige moeite, maar voor mensen die een echt belangrijke en complexe beslissing gefundeerd willen onderbouwen, kan de modelvergelijking waardevolle extra perspectieven bieden.

Deep Research: meerstaps, zelfsturend onderzoek

Daarnaast is er een modus genaamd Deep Research, waarbij Perplexity niet slechts één enkele zoekopdracht uitvoert, maar zelfstandig meerdere zoekstappen achter elkaar plant: eerst wordt een overzicht verkregen, dan worden gericht afzonderlijke deelvragen nader onderzocht, en aan het einde ontstaat een langer, gestructureerd rapport met veel bronverwijzingen. Deze modus duurt aanzienlijk langer dan een normale aanvraag, maar levert daarvoor bij complexere thema’s zoals marktanalyses ook meer onderbouwde resultaten.

Modi en niveaus in vergelijking

Toepassingsvoorbeelden uit het dagelijks en beroepsleven

Voorbeeld 1: Snelle feitelijke vraag in het dagelijks leven

Een gebruiker wil weten hoe hoog het actuele inflatiepercentage in Duitsland is. De standaardzoekopdracht levert binnen enkele seconden een kort antwoord met de actuele waarde plus verwijzing naar het bijbehorende bericht van het Duitse statistiekbureau – aanzienlijk sneller dan zelf meerdere websites doorklikken.

Voorbeeld 2: Onderzoek naar actuele hypotheekrentes met bronvermelding

Een medewerker in de vastgoedfinanciering wil een globaal overzicht van de actuele ontwikkeling van hypotheekrentes maken voor een interne notitie. Hij formuleert de vraag naar het ongeveer rentepeil voor tienjarige woningleningen en laat de onderliggende bronnen weergeven, bijvoorbeeld actuele berichten van financiële portalen of rentestatistieken. Belangrijk hierbij: Perplexity levert een goede eerste oriëntatie met navolgbare onderbouwing, maar vervangt geen bindend financieel advies en geen dagactuele bankconditieopvraging. Voor een snelle, bronsgebaseerde duiding vóór een adviesgesprek is het nut echter reëel.

Voorbeeld 3: Samenvatting van een langer marktrapport of huurcontract

Een vastgoedbeheerder die een lang marktrapport of een meerpagina’s tellend huurcontract als pdf in een space uploadt, kan vervolgens gerichte vragen daarover stellen, bijvoorbeeld naar de belangrijkste kernpunten, opzegtermijnen of bepaalde kengetallen. Perplexity gebruikt daarbij zowel het geüploade document als aanvullend de actuele websearch om uitspraken te duiden – een juridische toetsing door een vakspecialist vervangt dat echter niet.

Voorbeeld 4: Voorbereiding op een vakgesprek met meerdere perspectieven

Vóór een belangrijke beslissing, bijvoorbeeld een strategische koerswijziging in het eigen bedrijf, kan de Model Council-modus nuttig zijn: drie verschillende topmodellen behandelen dezelfde vraagstelling, en de samenvatting laat zien waar de inschattingen overeenkomen en waar ze uiteenlopen. Dat vervangt geen vakkundig advies, maar geeft wel een breder blikveld dan een enkel AI-antwoord.

Voorbeeld 5: Snelle vertaling en duiding van vreemdtalige bronnen

Omdat veel vakartikelen en studies alleen in het Engels beschikbaar zijn, kan Perplexity vreemdtalige bronnen rechtstreeks in de Nederlandse samenvatting laten meevloeien, inclusief verwijzing naar het origineel. Dat bespaart vaak de omweg via een apart vertaalhulpmiddel.

Wat betekent deze techniek voor de betrouwbaarheid van de antwoorden?

De combinatie van websearch en taalmodel verlaagt het risico op vrij verzonnen uitspraken aanzienlijk, omdat elke bewering idealiter terug te voeren is op een echte bron. Volledig uitgesloten is een fout daarmee echter niet: ook de onderliggende webbronnen kunnen verouderd, onvolledig of gewoon onjuist zijn, en een taalmodel kan bij het samenvatten nuances verliezen. De gouden regel blijft daarom: bronvermeldingen zijn een enorme verlichting bij de controle, maar geen vervanging voor een eigen kritische blik, vooral niet bij zakelijk of financieel relevante beslissingen.

Hoe belangrijker de beslissing, hoe lonender een blik in de originele bron achter de voetnoot – niet alleen in de AI-samenvatting.

Veelgestelde vragen

Welk AI-model gebruikt Perplexity precies?

Er is geen enkel vast model. Perplexity combineert eigen Sonar-modellen met externe topmodellen van verschillende aanbieders en kiest afhankelijk van aanvraag, modus en abonnementsniveau automatisch of op verzoek de passende combinatie.

Wat is het verschil tussen Pro Search en Deep Research?

Pro Search beantwoordt een vraag in één enkele ronde, terwijl Deep Research zelfstandig meerdere zoekstappen achter elkaar plant en aan het einde een uitgebreider, gestructureerd rapport levert.

Loont de Model Council-modus voor particulieren?

Voor eenvoudige alledaagse vragen doorgaans niet, omdat de extra moeite nauwelijks meerwaarde biedt. Bij echt belangrijke, ingrijpende vraagstukken kan de blik uit meerdere modelperspectieven echter zinvol zijn.

Kan ik blindelings vertrouwen op de bronvermeldingen?

Nee. De voetnoten vergemakkelijken de controle aanzienlijk, maar vervangen geen eigen beoordeling van de bron, vooral wanneer een beslissing financiële of juridische gevolgen heeft.

Waarom antwoordt Perplexity bij dezelfde vraag soms verschillend?

Omdat op de achtergrond afhankelijk van belasting, abonnementsniveau en gevonden bronnen verschillende modellen en zoekresultaten kunnen worden gebruikt, zijn licht afwijkende formuleringen of accenten normaal.

Een overzicht van Perplexity AI als totaalproduct, de prijzen en de beoordeling op het gebied van gegevensbescherming biedt de aanbieder-overzichtspagina: Perplexity AI: de AI-zoekmachine met bronvermeldingen in overzicht. Een vergelijking met de andere grote AI-aanbieders in het cluster vindt u op de overzichtspagina: AI-modellen vergeleken.

Van Parijse start-up naar Europese AI-kampioen

Centraal staan Mistral AI als bedrijf, het product Le Chat (dat in 2026 werd omgedoopt tot Mistral Vibe), de modelfamilie van Large tot Small, de actuele prijsmodellen en de vraag voor wie de aanbieder vooral loont – geplaatst in ons overzicht van AI-modellen vergeleken.

• Mistral AI website
• Mistral Vibe direct openen

Opgericht door voormalige Meta- en Google-onderzoekers

Mistral AI werd in april 2023 opgericht in Parijs. De drie oprichters – Arthur Mensch, Guillaume Lample en Timothée Lacroix – kwamen niet uit het niets: zij hadden eerder bij Meta AI (het AI-onderzoekslab van Facebook) en bij DeepMind (Googles AI-dochter) gewerkt aan grote taalmodellen. Deze herkomst is geen toeval, maar verklaart waarom Mistral technisch vanaf het begin op gelijke voet kon meespelen met de Amerikaanse aanbieders, ondanks dat het bedrijf vele malen kleiner is dan OpenAI, Google of Meta.

De missie: Europa’s eigen antwoord op de Amerikaanse AI-dominantie

Mistral ziet zichzelf expliciet als Europees tegenwicht tegen de technologische afhankelijkheid van Amerikaanse cloud- en AI-concerns. Het bedrijf wordt vaak beschreven als “digitale soevereiniteit van Europa in actie”: Frankrijk en de EU steunen Mistral ook politiek, omdat een krachtig AI-bedrijf met vestiging en rechtsgebied in de EU voor veel overheidsinstanties, ministeries en gereguleerde sectoren simpelweg de enige optie is die zonder omwegen aan het Europese privacyrecht voldoet.

Onthoud: Mistral AI is geen klein randverschijnsel, maar momenteel het belangrijkste AI-bedrijf met hoofdkantoor en datacenters in de Europese Unie.

Het product: van Le Chat naar Mistral Vibe

Jarenlang heette de chattoepassing van Mistral gewoon Le Chat (“de chat”) en was te gebruiken als app en in de browser – als directe concurrent van ChatGPT. In mei 2026 heeft Mistral zijn assistent omgedoopt en verder ontwikkeld tot Mistral Vibe. Bestaande klanten hebben daarbij alle eerdere gesprekken, instellingen en abonnementen automatisch meegenomen – alleen de naam en de functieomvang zijn veranderd.

Wat Mistral Vibe (voorheen Le Chat) vandaag kan

• Chatfunctie: klassiek gesprek met het AI-model, zoals bekend van andere aanbieders.
• Websearch: actuele informatie van internet wordt rechtstreeks in het antwoord ingebouwd.
• Beeldgeneratie: het maken van grafieken en illustraties uit tekstbeschrijvingen.
• Documentanalyse: pdf’s, contracten of Excel-tabellen kunnen worden geüpload en samengevat.
• Work Mode: een koppeling met Google Workspace, Outlook en Slack, waarmee de AI afspraken, e-mails en taken rechtstreeks mee beheert.
• Code Mode: een koppeling met GitHub, waarmee eenvoudige programmeertaken tot en met kant-en-klare “pull requests” (voorbereide, ter controle ingediende programmacode-wijzigingen) worden geautomatiseerd.

Voor de meeste particuliere gebruikers en kleinere kantoren zijn vooral de eerste vier punten relevant. Work Mode en Code Mode richten zich sterker op bedrijven met een eigen IT-afdeling.

De Mistral-modelfamilie: een model voor elke taak

Wie zich nader met Mistral AI bezighoudt, stuit al snel op een hele reeks verschillende modelnamen: Large, Medium, Small, Codestral, Devstral, Magistral, Ministral, Pixtral. Voor leken lijkt dat in eerste instantie onoverzichtelijk. In werkelijkheid schuilt er achter deze veelheid echter een duidelijk systeem: Mistral biedt voor verschillende toepassingen verschillend grote en verschillend gespecialiseerde modellen aan – en een deel daarvan zelfs gratis om zelf te exploiteren.

Mistral onderscheidt grofweg tussen algemene taalmodellen (voor tekstbegrip, samenvattingen, onderzoek, alledaagse vragen) en gespecialiseerde modellen voor bepaalde taken zoals programmeren, logisch redeneren of het begrijpen van afbeeldingen. Wie Mistral Vibe dagelijks gebruikt, krijgt de keuze meestal automatisch op de achtergrond geregeld – wie de modellen echter gericht via de programmeerinterface (API) voor eigen toepassingen inzet, moet de verschillen kennen.

Algemene taalmodellen

• Mistral Large 3: het topmodel (vlaggenschip) van Mistral, uitgebracht eind 2025. Het biedt de hoogste antwoordkwaliteit, een zeer groot contextvenster van ongeveer 256.000 tekstblokjes (tokens) en is geschikt voor complexe taken zoals lange contractanalyses of veeleisend onderzoek.
• Mistral Medium 3.5: een middenklassemodel, dat in het voorjaar van 2026 werd geactualiseerd. Het levert een goed compromis tussen snelheid, kosten en kwaliteit en wordt door veel kleine en middelgrote bedrijven ingezet als alledaags model.
• Mistral Small 4: een compact, zeer snel en goedkoop model voor eenvoudige taken met hoog berichtvolume, zoals geautomatiseerde korte antwoorden in de klantenservice.

Gespecialiseerde modellen

• Codestral: gespecialiseerd in programmacode, wordt in veel ontwikkelomgevingen ingezet als automatische aanvulling.
• Devstral 2: een groot model, gespecialiseerd in complete programmeertaken, dat zelfstandig van de opdracht tot het kant-en-klare codevoorstel kan werken.
• Magistral: de reasoning-modelfamilie van Mistral, gespecialiseerd in meerstaps-logisch redeneren, bijvoorbeeld bij wiskundige of juridische vraagstukken met meerdere tussenstappen.
• Pixtral: heette oorspronkelijk het beeldbegripmodel van Mistral, bijvoorbeeld voor het uitlezen van gescande documenten of foto’s. Het zelfstandige Pixtral-merk werd in 2026 stopgezet, de beeldvaardigheden zitten inmiddels rechtstreeks in Large 3, Medium 3.5 en Small 4.
• Ministral (3B / 8B / 14B): zeer kleine, hulpbronvriendelijke modellen voor gebruik op mobiele apparaten of in toepassingen zonder permanente internetverbinding.

Onthoud: groter is niet automatisch beter geschikt – voor eenvoudige, vaak terugkerende taken levert een klein model vaak sneller en goedkoper een voldoende goed resultaat dan het grote vlaggenschipmodel.

Open versus gesloten modellen: een uniek kenmerk van Mistral

Een centraal verschil met veel Amerikaanse aanbieders: Mistral publiceert meerdere van zijn modellen als open modellen (Engels: open weight) onder de Apache-2.0-licentie. Dat betekent dat iedereen deze modellen gratis kan downloaden, op eigen hardware kan exploiteren en zelfs voor eigen doeleinden kan aanpassen. Tot de openlijk beschikbare modellen behoren onder andere Mistral Small, het compacte model “Nemo”, de Ministral-8B-variant, het oudere Mixtral-model en Codestral Mamba.

Het grote vlaggenschipmodel Mistral Large en de nieuwste Medium-versies blijven daarentegen proprietair, dus alleen bruikbaar via de betaalde API of via Mistral Vibe. Voor bedrijven met bijzonder hoge beveiligingseisen – zoals overheidsinstanties die helemaal geen gegevens het eigen datacenter mogen laten verlaten – is precies deze combinatie interessant: een open model zelf hosten en daarmee volledige controle behouden, zonder elk AI-gebruik te moeten opgeven.

Vergelijkingstabel van de belangrijkste modelversies

Prijsmodellen in overzicht

Mistral zet bewust in op een eenvoudig, transparant prijsmodel met weinig niveaus. Dat onderscheidt de aanbieder van sommige concurrenten, die met een verwarrende veelheid aan abonnementsvarianten werken.

Belangrijk voor de duiding: het Pro-abonnement van Mistral geldt in de vakpers als een van de goedkoopste abonnementen onder de grote AI-aanbieders, dat volledige toegang biedt tot een werkelijk krachtig topmodel. Wie dagelijks met AI werkt, bespaart hier merkbaar in vergelijking met sommige Amerikaanse concurrenten.

Gegevensbescherming en AVG: het grootste voordeel van Mistral

Het belangrijkste verschil tussen Mistral en de bekende Amerikaanse of Chinese AI-aanbieders zit niet in de pure kracht van de modellen, maar in het juridische kader. Mistral AI is een Frans bedrijf met hoofdkantoor in Parijs en valt daarmee volledig onder Europees recht – inclusief de Algemene Verordening Gegevensbescherming (AVG) en de nieuwe EU-AI-verordening (AI Act).

Waarom dit voor Duitse gebruikers concreet belangrijk is

Bij veel Amerikaanse aanbieders moeten bedrijven en overheidsinstanties controleren of een gegevensoverdracht naar de VS überhaupt toegestaan is, welk adequaatheidsakkoord van toepassing is en of extra contractbepalingen nodig zijn. Deze toetsing kost tijd, vergt vaak externe privacyadvisering en blijft juridisch een zeker restrisico, omdat de politieke situatie rond zulke akkoorden herhaaldelijk is veranderd.

Bij Mistral vervalt dit probleem grotendeels: de servers staan naar keuze in Frankrijk of Duitsland, er is geen gegevensoverdracht naar derde landen en geen beroep op wankele internationale akkoorden. Voor administratief medewerkers, gemeenten, advocatenkantoren, huisartsenpraktijken of ook vastgoedbeheer die met bijzonder gevoelige gegevens werken, is dat een concreet praktisch voordeel en geen puur marketingargument.

Onthoud: niet de modelgrootte alleen bepaalt of een AI geschikt is voor gebruik met gevoelige gegevens – doorslaggevend is in welk rechtsgebied bedrijf en servers zich daadwerkelijk bevinden.

Sterke en zwakke punten van Mistral AI

Voor wie is Mistral AI geschikt?

Mistral AI is bijzonder geschikt voor iedereen voor wie gegevensbescherming bij kunstmatige intelligentie belangrijk is.

• Overheidsinstanties en publieke diensten
• Advocatenkantoren en huisartsenpraktijken
• Hr-afdelingen
• Kleine bedrijven met klantgegevens
• Zelfstandigen met huurverhoudingen

Wie daarentegen alleen het krachtigste model zoekt en gegevensbescherming van secundair belang vindt, vindt bij Amerikaanse aanbieders deels meer functieomvang.

Praktijkvoorbeeld: kostenvergelijking voor een klein kantoor

Een vastgoedkantoor met vijf medewerkers gebruikt Mistral voor huurderscorrespondentie en contractsamenvattingen.

• Pro-abonnement: 15 euro per persoon/maand
• Teamkosten: ongeveer 75 euro/maand
• Volledig model voor alle medewerkers
• Documentanalyse voor huurcontracten inbegrepen
• Gegevens blijven aantoonbaar binnen de EU

Bij een vergelijkbare Amerikaanse aanbieder komt vaak een vergelijkbare prijs bij kijken. Bovendien moet het kantoor controleren op welke rechtsgrondslag huurdersgegevens naar de VS mogen – bij Mistral vervalt dat.

Wie geïnteresseerd is in AI in de vastgoedsector, vindt met Lukinski AI een Duitse aanvulling voor vastgoedspecifieke vragen.

Praktijkvoorbeelden: welk model voor welke taak

Voorbeeld 1: Samenvatting van een huurcontract

Een medewerker bij een vastgoedbeheerder uploadt een twaalf pagina’s tellend huurcontract in Mistral Vibe en laat de belangrijkste clausules over opzegtermijnen en bijkomende kosten in eenvoudige zinnen samenvatten. Omdat de gegevens in een Mistral-datacenter in Europa worden verwerkt, vervalt de anders noodzakelijke toetsing van een overdracht naar een derde land – een duidelijke tijdswinst ten opzichte van het gebruik van een Amerikaanse dienst voor hetzelfde doel. Belangrijk blijft desondanks: de AI levert een samenvatting ter eigen oriëntatie, geen juridisch bindende informatie.

Voorbeeld 2: Rekenvoorbeeld klantenservice-automatisering

Een webshop ontvangt dagelijks ongeveer 500 korte klantvragen over verzendstatus en retourzendingen. Met het compacte model Mistral Small 4 kost de verwerking per 1 miljoen verwerkte tekstblokjes maar een fractie van de prijs van het grote Large 3-model. Bij ongeveer 500 aanvragen per dag met gemiddeld 300 tekstblokjes per aanvraag en antwoord ontstaan ongeveer 150.000 tekstblokjes per dag, dus ongeveer 4,5 miljoen per maand. Met het kleine model blijven de maandelijkse rekenkosten daarvoor in het lage eencijferige eurobereik – met het grote vlaggenschipmodel zou hetzelfde proces een veelvoud duurder zijn, zonder dat de antwoordkwaliteit voor deze eenvoudige taak merkbaar beter zou worden.

Voorbeeld 3: Programmeerondersteuning met Codestral

Een klein softwareteam gebruikt Codestral rechtstreeks in zijn ontwikkelomgeving om programmacode automatisch te laten aanvullen. Dat bespaart gemiddeld een dubbelcijferig percentage aan schrijftijd voor terugkerende codebouwstenen.

Voorbeeld 4: Beeldherkenning met Mistral Small 4

Een verzekeraar laat schadefoto’s automatisch voorcontroleren met de in Mistral Small 4 geïntegreerde beeldvaardigheden (voorheen vermarkt als zelfstandig Pixtral-model), om duidelijke onjuiste opgaven te herkennen voordat een mens de zaak definitief behandelt.

Voorbeeld 5: Meerstaps-berekening met Magistral

Een belastingkantoor laat een meerstaps-voorbeeldberekening voor de afschrijving van een woning voorbereiden door Magistral, om de afzonderlijke rekenstappen navolgbaar op te schrijven voor de cliënt – de definitieve controle blijft vanzelfsprekend bij de belastingadviseur.

Onthoud: hoe gevoeliger of hoe hoger het volume van een taak, hoe belangrijker de bewuste keuze van het passende model wordt – niet elke taak heeft het duurste vlaggenschipmodel nodig.

Hoe kies je het juiste model?

Veelgestelde vragen over Mistral AI

Is Le Chat nu hetzelfde als Mistral Vibe?

Ja. Mistral heeft zijn chattoepassing in mei 2026 omgedoopt van Le Chat naar Mistral Vibe en uitgebreid met extra functies zoals Work Mode en Code Mode. Bestaande accounts, chatgeschiedenissen en abonnementen werden automatisch overgenomen.

Is Mistral AI echt AVG-conform?

Mistral AI valt als Frans bedrijf rechtstreeks onder de AVG en de EU-AI-verordening. Servers kunnen in Frankrijk of Duitsland worden geëxploiteerd, een gegevensoverdracht naar de VS is niet nodig. Voor rechtszeker gebruik in het eigen bedrijf moet desondanks de actuele verwerkersovereenkomst van Mistral worden gecontroleerd.

Wat kost Mistral AI in vergelijking met andere aanbieders?

Het gratis model volstaat voor incidenteel gebruik, het Pro-abonnement kost ongeveer 15 euro per maand en geldt als een van de goedkoopste volledige toegangen tot een topmodel op de markt.

Wat is het verschil tussen Mistral Large en Mistral Small?

Large is het grote, krachtigste en duurste model voor complexe taken. Small is aanzienlijk compacter, sneller, goedkoper en bedoeld voor eenvoudige, hoogvolumige taken. Voor de meeste alledaagse vragen volstaat Small of Medium volledig.

Kan ik Mistral-modellen gratis op eigen servers exploiteren?

Ja, meerdere modellen zoals Mistral Small, Ministral 8B of Codestral Mamba zijn open gelicentieerd (Apache 2.0) en kunnen gratis worden gedownload en zelf geëxploiteerd, mits de bijbehorende hardware aanwezig is – een voordeel ten opzichte van bijna alle gesloten Amerikaanse aanbieders.

Welk Mistral-model is geschikt voor het samenvatten van contracten?

Voor langere contracten is Mistral Large 3 vanwege het grote contextvenster het meest geschikt, omdat het ook zeer lange documenten volledig kan verwerken.

Is Magistral hetzelfde als Mistral Large?

Nee. Magistral is een eigen, op meerstaps-logisch redeneren gespecialiseerde modelfamilie, terwijl Large een algemeen taalmodel is voor brede toepassingen.

Voor welke beroepsgroepen loont Mistral vooral?

Vooral beroepen met hoge privacybehoefte profiteren: administratie, advocatenkantoren, praktijken, hr-afdelingen en vastgoedbeheerders die regelmatig met persoonsgegevens werken.

Een vergelijking van alle tien AI-aanbieders in ons cluster is te vinden op de overzichtspagina AI-modellen vergeleken.