Mijn limiet zat er gisteren doorheen. Een bericht halverwege, en Claude stopte. Niet gecrasht. Gewoon: limiet bereikt. Ik was niet de enige. Op Reddit, X en Discord verschenen tegelijkertijd honderden soortgelijke meldingen van gebruikers van Claude, ChatGPT en Gemini.
Het is geen toeval en geen technisch falen. De reden is structureel: de vraag naar rekenkracht groeit vier tot vijf keer zo snel als de beschikbare capaciteit. En dat gat wordt de komende twee jaar niet gedicht.
Niet alle AI-gebruik verbruikt evenveel
Een simpele chatbeurt kost weinig rekenkracht. Je stelt een vraag, het model geeft antwoord. Dat verbruik is te vergelijken met Ć©Ć©n lamp aanzetten.
Modellen die redeneren, zoals Claude of ChatGPT’s o-serie, verbruiken al 7,5 keer zo veel als een gewone chatbeurt. En agents draaien dag en nacht door. Een gebruiker die voorheen tien chatberichten per dag stuurde, verhoogt zijn verbruik met een factor tien tot twintig. Zodra hij overstapt op een agent. Zonder dat hij zelf actief typt.
Dat is de kern van het probleem. De vraag naar rekenkracht explodeerde niet omdat er meer mensen zijn die AI gebruiken. Ze explodeerde omdat het gebruik per persoon zwaarder is geworden.
Van 60% naar 34%: bedrijven verlaten de gewone chatfase
Volgens McKinsey en PwC gebruikte in 2024 nog 60% van de bedrijven uitsluitend een standaardtaalmodel voor chat. In 2025 was dat gedaald naar 34%. Het aandeel dat experimenteert met agents steeg van 15% naar 39%. En het aandeel dat agents al actief inzet op meerdere bedrijfsfuncties, sprong van 5% naar 23%.
Dat is een verschuiving in Ć©Ć©n jaar die de rekenwiskunde van AI-platforms fundamenteel veranderde. Elk bedrijf dat van chat naar agents ging, vermenigvuldigt zijn computervraag met een factor twintig. Bij miljoenen bedrijven tegelijk gaat dat systemen over de rand duwen, wat ze ook deden.
Rekenkracht verdubbelt elke zeven maanden. De vraag stijgt sneller.
Epoch AI berekende dat de wereldwijde AI-rekencapaciteit verdubbelt elke zeven maanden. Dat is 3,4 keer per jaar, met een betrouwbaarheidsinterval van 2,8 tot 4,1. De grafiek toont ook wie de capaciteit bezit. Nvidia domineert volledig. De H100- en H200-chips zijn de ruggengraat van vrijwel alle grote AI-systemen. Google (TPU’s), Amazon (Trainium) en AMD (MI300X) vullen de rest in.
Het probleem is niet het getal van 3,4x. Het probleem is dat de vraag 4 tot 5 keer per jaar stijgt. Wiskundig groeit het gat dus elk jaar verder open. En dat gat is zichtbaar in de inboxen van gebruikers die een limietmelding krijgen.
Wie de chips heeft in 2027
De grafiek van ai-2027.com laat zien hoe de verdeling van rekencapaciteit er over twee jaar uitziet. Microsoft, Google en Amazon gaan van 3,5 tot 4 miljoen H100-equivalenten nu naar 18 miljoen elk in december 2027. Meta en xAI gaan richting 9 miljoen. De Chinese Big Four, Baidu, Alibaba, Tencent en Huawei, komen op 8 miljoen. Amerikaanse exportrestricties op Nvidia-chips drukken de Chinese groei.
Twee dingen vallen op.
- Ten eerste: de hyperscalers, Microsoft, Google, Amazon, domineren het landschap volledig. Zij bouwen de infrastructuur, en zij verhuren die aan AI-bedrijven zoals Anthropic en OpenAI. De bedrijven die de modellen bouwen die je gebruikt, zijn dus afhankelijk van de capaciteit die de hyperscalers bereid zijn te leveren.
- Ten tweede: de “Leading AI company”, waarschijnlijk Anthropic en OpenAI gecombineerd, groeit naar 6 miljoen in 2027. Dat is onder Meta en ver onder de hyperscalers.
Dat machtsverschil heeft consequenties. De hyperscalers bepalen hoeveel capaciteit beschikbaar is. Ze bepalen de prijs. En die prijs wordt doorgerekend aan gebruikers via abonnementsmodellen, usage-based billing en rate limits.
Datacenters botsen op stroom, vergunningen en schaarste
Een modern AI-datacenter verbruikt evenveel stroom als een middelgrote stad. Stroomleveranciers kunnen de groei niet bijhouden. In de VS, Europa en Aziƫ lopen projecten vertraging op door overbelaste elektriciteitsnetwerken en lange aansluitingstermijnen. Vergunningstrajecten duren in Europa gemiddeld twee tot vier jaar. En de componenten, specifieke serverchips, koelsystemen en netwerkinfrastructuur zijn schaars.
De productiecapaciteit voor AI-chips bij TSMC en anderen zit vol voor jaren vooruit. De vraag overstijgt de capaciteit nu al. De oplossing ligt twee tot drie jaar verderop.
Infrastructuur als de volgende grote markt
Tot nu toe draaide de AI-economie om modellen: wie bouwt het slimste model? Maar rekenkracht is het nieuwe knelpunt. Wie rekenkracht bezit of controleert, bepaalt wie AI kan inzetten en tegen welke prijs. Dat verschuift de machtsverhoudingen.
Nieuwe spelers bouwen eigen infrastructuur of kopen capaciteit in via cloudcontracten. Nationale overheden, die de strategische waarde van rekenkracht zien, investeren in eigen datacenters, ook in Europa.
Voor de cryptomarkt is dit relevant om twee redenen.
- Ten eerste: tokens van AI-infrastructuurprojecten bewegen mee met dit narratief. Render, Bittensor en Akash zijn de bekendste namen.
- Ten tweede: energie en chips zijn eindige grondstoffen. Wie de infrastructuur bezit, heeft een positie die niet makkelijk te kopiƫren valt. Dat is hetzelfde argument als voor Bitcoin-mining: schaarste als fundament.
Mijn Claude-limiet van gisteren was een klein ongemak. De reden erachter is een structurele verschuiving in hoe de wereld rekenkracht produceert, verdeelt en betaalt. Dat gaat de komende jaren bepalen wie AI kan gebruiken en wie niet.
