Bij 107 bedrijven gaat de uitgave aan AI-infrastructuur sneller dan het vermogen van organisaties om de economie ervan te begrijpen en te beheren. De meeste bedrijven draaien AI momenteel op vertrouwde fundamenten: hyperscale-cloudplatforms en API's van modelaanbieders. Toch verschuiven hun volgende uitgaveprioriteiten naar gespecialiseerde rekendiensten die vrijwel geen van hen vandaag de dag gebruiken. Een meerderheid verwacht binnen het komende jaar van infrastructuuraanbieder te wisselen of er een toe te voegen, en velen zijn van plan dit binnen een kwartaal te doen.

Inkoopbeslissingen worden minder gedreven door gepubliceerde tokenprijzen dan door integratie met bestaande systemen en total cost of ownership. Dat is opmerkelijk omdat de meeste bedrijven nog steeds geen duidelijk inzicht hebben in hun eenheidskosten. GPU's draaien vaak op halve benutting of lager, en minder dan de helft van de respondenten houdt nauwkeurig bij wat hun AI-rekenkracht daadwerkelijk kost. Het resultaat, volgens deze editie van VentureBeat Pulse Research, is een zich verbredende rekenkloof: snelle en aanzienlijke infrastructuurinvesteringen die vooruitlopen op de meetsystemen die nodig zijn om deze te beheersen. Dit patroon doet denken aan eerdere cloudadoptiecycli waarbij uitgaven sneller gingen dan financieel beheer, maar AI-rekenkracht vergroot de druk omdat GPU-capaciteit veel duurder is dan traditionele cloudresources en de vraag ernaar toevoerbeperkt is geweest.

Het onderzoek onderzoekt zakelijke AI-infrastructuur en rekenkracht, waaronder waar organisaties staan in hun AI-implementatietraject, welke aanbieders en platforms ze vandaag gebruiken, hoe tevreden ze zijn, wat hen zou bewegen om van aanbieder te wisselen, waar ze nieuwe investeringen willen evalueren, en hoe goed ze de economie kunnen meten en beheren van de rekellaag onder hun AI-systemen.

De centrale bevinding is de kloof tussen hoe agressief bedrijven investeren in AI-infrastructuur en hoe weinig van de economie ervan ze kunnen zien. Slechts ongeveer één op de vijf respondenten, of 21%, zegt AI op schaal in productie te draaien. Desondanks lopen de uitgaveplannen uit op die volwassenheid: het meest genoemde gebied dat bedrijven in het komende jaar willen evalueren, zijn AI-gespecialiseerde clouds, met 45%, hoewel die laag door vrijwel geen van deze bedrijven vandaag wordt gebruikt. Tegelijkertijd wordt de bestaande rekenkracht onderbenut: 83% rapporteert een GPU-benutting van 50% of minder, terwijl slechts 44% de AI-rekenkosten nauwkeurig kan bijhouden. Bedrijven verwerven sneller meer infrastructuur dan ze kunnen verantwoorden voor wat ze al hebben.

Leveranciersrelaties zijn eveneens onbestendig. Een duidelijke meerderheid, 64%, is van plan om binnen 12 maanden van infrastructuuraanbieder te wisselen of er een toe te voegen, waaronder 38% binnen het komende kwartaal. Voor een fundamentele categorie zoals rekenkracht vertegenwoordigt dat een ongewoon hoge voorgenomen verloop. Bij de selectie van aanbieders zijn de belangrijkste criteria integratie met de bestaande stack, genoemd door 41%, en total cost of ownership, genoemd door 35%. Kosten per miljoen tokens is de beslissende factor voor slechts 8%. Ondertussen blijft de volgende technische beperking die waarschijnlijk infrastructuurkeuzes zal vormgeven — de verschuiving van GPU-rekenkracht naar geheugenbandbreedte naarmate inference schaalt — buiten de planning van veel bedrijven, waarbij ongeveer één op de vijf zich er niet van bewust is of deze nog niet aanpakt.

Methodologie

VentureBeat voerde het onderzoek uit als onderdeel van de lopende Pulse Research-serie. Deze editie was gericht op zakelijke AI-infrastructuur, rekenkracht en inference-economie. Antwoorden zijn gefilterd op organisaties met meer dan 100 werknemers, wat n=107 opleverde. De kleinste omvangcategorie, bedrijven met 1–100 werknemers, is uitgesloten. De antwoorden komen uit één Q2 2026-golf die in juni is uitgevoerd.

Omdat de bevindingen op één golf zijn gebaseerd in plaats van een samengevoegde steekproef over meerdere maanden, moet het rapport dwarsdoorsnede-gewijs worden gelezen en leidt het geen maand-tot-maand-trends af. Verschillende vragen lieten meerdere selecties toe, waardoor sommige percentages kunnen optellen tot meer dan 100%.

Naar organisatieomvang is de steekproef geconcentreerd in de middelgrote markt. Bedrijven met 101–250 werknemers vertegenwoordigen 36%, gevolgd door 251–1.000 werknemers met 27%, 1.001–5.000 werknemers met 22%, 5.001–10.000 werknemers met 8%, en 10.001 of meer werknemers met 7%. Naar functie omvatten respondenten managers met 38%, individuele medewerkers met 28%, VP's en directeuren met 19%, en C-suite-executives met 13%. De steekproef heeft geloofwaardige inkoopbevoegdheid: 45% is uiteindelijke beslisser en nog eens 30% is aanbeveler of beïnvloeder van AI-oplossingen.

Technologie/Software is de grootst vertegenwoordigde sector, met 26%, gevolgd door Gezondheidszorg/Life Sciences met 15%, Financiële dienstverlening met 13%, en Detailhandel/E-commerce met 12%.

Bij 107 respondenten is de steekproef groot genoeg om richtinggevend inzicht te geven, maar moet worden behandeld als een richtinggevend signaal in plaats van een nauwkeurige meting. Het is zelfgeselecteerd en geen kanssteekproef. Het neigt ook naar middelgrote organisaties en vroege adopters. De resultaten kunnen daarom het beste worden gelezen als het perspectief van organisaties die actief AI-infrastructuur opbouwen, niet als een blik vanuit de grootste hyperscale-aanbieders.

Bevinding 1: Ambities lopen voor op productievolwassenheid

Slechts één op de vijf bedrijven draait AI op schaal in productie.

VentureBeat vroeg waar organisaties staan in hun AI-implementatietraject. De meesten zijn nog bezig met opbouwen naar productie in plaats van AI op schaal te draaien.

De volwassenheidscurve is sterk gewicht naar eerdere fasen. Driekwart van de bedrijven, of 76%, is ofwel aan het experimenteren of draait slechts enkele workloads in productie. Slechts 21% zegt dat AI op schaal in productie is. Die context is belangrijk voor de rest van de bevindingen: veel van de infrastructuurbeslissingen in het onderzoek worden genomen door organisaties die nog in een vroeg implementatiestadium verkeren en wiens rekenvoetafdruk en kosten waarschijnlijk zullen groeien. De evaluatie- en wisselintenties die in Bevindingen 3 en 4 worden besproken, vormen de voorhoede van die opbouw, niet de vaste voorkeuren van aanbieders die al hebben bepaald wat werkt.

Bevinding 2: Bedrijven leunen momenteel op hyperscalers en model-API's

Gespecialiseerde GPU-clouds hebben vandaag weinig aanwezigheid.

VentureBeat vroeg welke aanbieders en platforms bedrijven momenteel gebruiken om AI te draaien. Het antwoord is grotendeels het gevestigde cloud- en modelecosysteem.

De huidige stack is gecentreerd op hyperscalers en API's. Google Cloud leidt met 48%. Algemene clouds — Google, Microsoft, AWS en Oracle — samen met grote model-API's zoals Gemini, OpenAI en Anthropic, vertegenwoordigen in wezen alle huidige implementaties. Gespecialiseerde "neocloud"-GPU-aanbieders die vaak verschijnen in discussies over AI-infrastructuur, waaronder CoreWeave, Lambda, Crusoe, Nebius en soortgelijke partijen, registreren bij deze bedrijven vandaag op of nabij nul. Deze aanbieders bouwen GPU-dichte datacenters die speciaal zijn ontworpen voor AI-training en -inference, en bieden vaak gegarandeerde toegang tot veelgevraagde acceleratoren die moeilijk te reserveren zijn op algemene clouds — een propositie die miljarden aan kapitaalinvesteringen in de categorie heeft aangetrokken. Desondanks is adoptie onder deze groep bedrijven nog niet tot stand gekomen. Slechts 6% draait eigen on-premise GPU-clusters en 4% gebruikt een aangepaste open-source stack.

Voorlopig draaien bedrijven AI op aanbieders die ze al gebruiken. Dat maakt de evaluatie-intenties in Bevinding 3 des te significanter.

Een opmerking over het interpreteren van deze percentages: zoals beschreven in de methodologie is de steekproef zelfgeselecteerd en neigt naar de middelgrote markt. De vraagaanbied-vraag telde elke aanbieder die een respondent gebruikt, met gemiddeld 2,1 selecties per respondent. Daardoor meten de cijfers aanwezigheid in de stack, niet uitgaveaandeel of status als primaire aanbieder. Een steekproef die zo is opgebouwd, levert een andere aanbiedersmix op dan een op uitgaven gewogen volkstelling van de bredere markt. De sterke positie van Google in deze steekproef is bijvoorbeeld consistent met zijn langdurige positie onder kleinere bedrijven die AI-oplossingen opbouwen. Deze percentages moeten worden gelezen als een momentopname van wat deze AI-actieve groep vandaag gebruikt, en verschillen tussen deze cijfers en brancheschattingen van marktaandeel moeten worden beschouwd als een eigenschap van de steekproef in plaats van een tegenspraak.

Bevinding 3: Nieuwe uitgaven zijn gericht op infrastructuur die bedrijven nauwelijks gebruiken

AI-gespecialiseerde clouds staan bovenaan de lijst van geplande evaluaties.

VentureBeat vroeg waar bedrijven in de komende 12 maanden AI-infrastructuur willen evalueren. Hun antwoorden wijzen weg van de stacks die ze momenteel draaien.

De grootste spanning in het rapport is dat AI-gespecialiseerde clouds het meest genoemde geplande evaluatiegebied zijn, met 45%, hoewel vrijwel geen van deze bedrijven die categorie vandaag gebruikt, zoals opgemerkt in Bevinding 2. Bijna een derde, 32%, is van plan niet-Nvidia-acceleratoren te evalueren, terwijl 28% volgende-generatie Nvidia-silicon wil evalueren. Gedecentraliseerde computernetwerken trekken interesse van 16%, en soevereine rekenkracht van 11%.

Vergeleken met huidige gebruik zijn deze geplande evaluaties niet louter incrementeel. Ze markeren de voorhoede van een mogelijke her-platforming. De vraag naar de richting van de beweging wijst dezelfde kant uit: elke infrastructuurbenadering breidt netto uit, maar gespecialiseerde AI-clouds hebben het hoogste netto momentum met +24, net boven de hyperscalers met +22. Bedrijven bereiden zich voor om een aanzienlijk deel van hun AI-rekenkracht weg te halen van algemene cloudinfrastructuur.

Dit patroon zet een trend voort die VentureBeat zag in de enquêtegolf van april-mei. Destijds was het gebruik van AI-gespecialiseerde clouds eveneens marginaal: CoreWeave werd gebruikt door 3% van de bedrijven, Lambda door 4% en Crusoe door 2%. Toen bedrijven werd gevraagd welke verandering ze in hun AI-infrastructuurstrategie over de komende 12 maanden planden, was het meest voorkomende antwoord het verplaatsen van workloads naar gespecialiseerde AI-clouds, met 33%. Toen de respondenten uit april-mei werd gevraagd welke opkomende rekenoptie ze het waarschijnlijkst zouden evalueren, trokken AI-gespecialiseerde clouds opnieuw de meeste reacties. Over twee enquêtegolven en verschillend geformuleerde vragen verschijnt hetzelfde patroon: de cloudcategorie die bedrijven het liefst willen beoordelen, is de categorie die ze nauwelijks zijn begonnen te gebruiken.

Bevinding 4: Veel bedrijven verwachten van aanbieder te wisselen

Zes op de tien zijn van plan binnen een jaar te wisselen of aanbieders toe te voegen, en velen verwachten binnen een kwartaal actie te ondernemen.

VentureBeat vroeg of en wanneer bedrijven van plan zijn om van infrastructuuraanbieder te wisselen of er een toe te voegen. Weinig respondenten zijn van plan om alles bij het oude te laten.

Voor een rekencategorie is de hoeveelheid voorgenomen beweging aanzienlijk. Slechts 36% zegt geen plannen te hebben om te veranderen. Dat betekent dat 64% van plan is om binnen 12 maanden van aanbieder te wisselen of er een toe te voegen, en 38% is van plan dit binnen het komende kwartaal te doen.

De aanbieders die de meeste wisseloverweging aantrekken, zijn opnieuw de gevestigde partijen. Microsoft Azure en Google Cloud trekken elk 33%, gevolgd door OpenAI met 30% en Gemini met 22%. Dit suggereert dat veel van de nabije beweging een herverdeling tussen de grote aanbieders en een consolidatie van uitgaven is, in plaats van een directe verschuiving naar nieuwe aanbieders. De neocloud-interesse beschreven in Bevinding 3 is voornamelijk een evaluatiestelling voor 12 maanden; de aanbiederveranderingen die in het komende kwartaal worden verwacht, lijken voornamelijk gevestigde aanbieders te zijn die marktaandeel uitwisselen.

Methodologische opmerking: respondenten die zowel "geen plannen om te veranderen" als een specifiek wisseltijdvak selecteerden, zijn geteld als wisselaars, op basis van de logica dat het noemen van een tijdvak het specifiekere antwoord is. Drie respondenten zijn op basis van deze regel heringedeeld.

Bevinding 5: Tokenprijs is niet de belangrijkste inkoopfactor

Integratie en total cost of ownership wegen zwaarder dan de verkoopprijs.

VentureBeat vroeg wat het belangrijkst is wanneer bedrijven een AI-infrastructuuraanbieder kiezen. De gepubliceerde prijs eindigde als laatste.

Bedrijven kopen AI-infrastructuur niet primair op basis van de prijsmaatstaf die aanbieders vaak het sterkst benadrukken. Integratie met de bestaande stack leidt met 41%, gevolgd door total cost of ownership met 35%. De toonaangevende maatstaf van kosten per miljoen tokens is de beslissende factor voor slechts 8%, het laagste resultaat onder de genoemde criteria.

Het patroon is consistent: kopers optimaliseren voor hoe een aanbieder in hun werkomgeving past en wat het kost om in de praktijk te draaien, in plaats van zich te richten op geadverteerde eenheidstarieven. Alleen tokenprijzen verbergen het volledige kostenplaatje, dat ook netwerkverkeer, data-egress, opslag voor modelgewichten en trainingsdata, overhead van niet-benutte capaciteit en de technische inspanning om pijplijnen te integreren en te onderhouden omvat. Dit wijst ook vooruit naar Bevinding 7. Bedrijven zeggen dat total cost of ownership een centrale beslissingsfactor is, maar de meesten kunnen deze nog niet nauwkeurig meten. Hun gestelde prioriteit en hun gemeten capaciteit zijn niet op elkaar afgestemd.

Bevinding 6: Durige GPU's zijn vaak onderbenut

83% rapporteert een GPU-benutting van 50% of minder.

VentureBeat vroeg welk deel van hun GPU-capaciteit bedrijven daadwerkelijk gebruiken. Het antwoord benadrukt een algemeen erkende maar minder frequent gekwantificeerde inefficiëntie.

Toelichting: Bandpercentages tellen elke selectie tegen alle 107 gekwalificeerde respondenten. Veertien respondenten selecteerden meer dan één band, waardoor de bands overlappen. Op respondentniveau rapporteerden 83 van de 100 GPU-draaiende bedrijven een benutting van 50% of lager.

De al ingezette rekenkracht draait onder de capaciteit. Bij het samenvoegen van de bands op of onder halve benutting rapporteert 83% van de bedrijven die GPU's draaien een benutting van 50% of minder. Bijna de helft, of 49%, draait op 25% of lager. Slechts 12% overschrijdt de 50%-benutting, terwijl nog eens 8% het gebruik helemaal niet meet.

Inactieve acceleratoren zijn dure activa. On-demand toegang tot een enkele hoogwaardige GPU zoals een Nvidia H100 kan enkele dollars per uur kosten op hyperscale-platforms, en zakelijke workloads vereisen vaak multi-GPU-instanties die de uurkosten aanzienlijk verhogen. Aanhoudende benutting onder 50% op capaciteit tegen die prijzen vertaalt zich direct in aanzienlijke terugkerende verspilling. Dit is een van de duidelijkste maatstaven van de rekenkloof: bedrijven zijn van plan meer GPU's en gespecialiseerde rekenkracht te kopen, zoals te zien in Bevinding 3, terwijl de capaciteit die ze al draaien aanzienlijk onbenut blijft. De huidige vloot heeft een grote efficiëntiemarge, waarvan het grootste deel niet wordt gemeten.

Bevinding 7: Uitgaven gaan sneller dan meting

Minder dan de helft houdt de rekenkosten nauwkeurig bij.

VentureBeat vroeg of bedrijven de kosten en het rendement van hun AI-infrastructuuruitgaven kunnen kwantificeren, en hoe tevreden ze zijn met de infrastructuur die ze gebruiken. De resultaten laten zien dat financieel inzicht achterblijft bij investeringen.

Meting loopt achter op uitgaven. Minder dan de helft van de bedrijven, 44%, houdt de kosten en het rendement van hun AI-rekenkracht nauwkeurig bij. De rest volgt het slechts gedeeltelijk, met 39%, kan het nog niet kwantificeren, met 20%, of heeft er geen prioriteit aan gegeven, met 6%. De kosten van AI-rekenkracht zijn verdeeld over rekenkracht, geheugen, netwerkverkeer en data-egress in patronen die verschillen van traditionele cloudworkloads, en gedeelde GPU-clusters maken het moeilijk om uitgaven toe te schrijven aan individuele teams, projecten of bedrijfsresultaten — een meetuitdaging die de cloud-FinOps-discipline nog steeds aan het uitbreiden is om te dekken.

Die kloof is van belang omdat total cost of ownership het op één na belangrijkste inoopcriterium was in Bevinding 5. Bedrijven kiezen aanbieders op een economische basis die velen van hen nog niet met nauwkeurigheid kunnen meten.

De tevredenheid met de huidige infrastructuur is matig positief maar niet sterk. Op een vijfpuntsschaal gemiddelt de algemene tevredenheid 4,0. Het gemak van implementatie gemiddelt 3,8, en waar voor geld gemiddelt 3,9. Het zwakkere resultaat voor waar voor geld is opvallend omdat kosten moeilijk te beoordelen zijn zonder gedisciplineerde meting. Bedrijven geven snel uit terwijl ze langzaam verantwoorden.

Bevinding 8: Veel bedrijven zijn nog niet gericht op de volgende inference-beperking

Naarmate inference verschuift van rekenkracht naar geheugen, zijn de antwoorden versnipperd.

Tot slot vroeg VentureBeat hoe bedrijven een opkomende beperking in grootschalige inference zouden aanpakken: de verschuiving van GPU-rekenkracht naar geheugen, specifiek KV-cache-capaciteit. De antwoorden suggereren dat deze grens nog geen grote operationele prioriteit is voor veel organisaties.

De geheugenbeperking is reëel, maar het beheer ervan is beperkt. Naarmate productiemodellen contextvensters van 128.000 tokens of meer ondersteunen, groeit het geheugen dat nodig is om tussenliggende inference-status op te slaan — de KV-cache — met zowel de contextlengte als het aantal gelijktijdige gebruikers, wat druk creëert die extra ruwe GPU-rekenkracht niet aanpakt. Gevraagd naar welke benadering ze zouden vertrouwen nu de bindende beperking in inference verschuift van rekenkracht naar geheugenbandbreedte, gaven bedrijven uiteenlopende antwoorden. Dell leidt met 31%, gevolgd door Nvidia met 16%. De overige antwoorden zijn versnipperd over opslagaanbieders, open-source tooling en efficiëntietechnieken op modelniveau.

Het meest opvallend is dat ongeveer één op de vijf bedrijven, of 18%, de beperking niet herkent of nog niet is begonnen deze aan te pakken. Voor een verschuiving die inference-kosten en -architectuur zal beïnvloeden, is de markt nog vroeg en onbestendig. In overeenstemming met de meetkloof in Bevinding 7 hebben veel bedrijven nog geen duidelijk beeld. Dit is de volgende fase van de rekenkloof, die aanbreekt voordat veel organisaties de huidige hebben opgelost.

Conclusie: Snellere uitgaven kunnen de rekenkloof verbreden

Organisaties met meer dan 100 werknemers investeren sneller in AI-infrastructuur dan ze kunnen meten. De meesten zijn nog in een vroeg implementatiestadium, maar hun uitgaveplannen wijzen voorbij hun huidige stacks naar gespecialiseerde clouds en alternatieve acceleratoren die vrijwel niemand van hen vandaag gebruikt. Een duidelijke meerderheid is van plan om binnen het komende jaar van aanbieder te wisselen.

Hun inkooplogica is gericht op integratie en total cost of ownership in plaats van op de gepubliceerde prijs, wat een praktische benadering is. Het probleem is dat veel bedrijven die economie nog niet duidelijk kunnen zien.

De zichtbaarheidskloof is concreet. Voor de overgrote meerderheid van de bedrijven die GPU's draaien, ligt de benutting op halve capaciteit of lager. Minder dan de helft kan nauwkeurig bijhouden wat hun AI-rekenkracht kost of oplevert. De tevredenheid is toereikend maar niet enthousiast, en ze is het zwakst rond waar voor geld, de dimensie die het moeilijkst te beoordelen is zonder meting.

Tegelijkertijd doet de volgende beperking — de verschuiving van rekenkracht naar geheugen in grootschalige inference — zich voor terwijl veel bedrijven er nog niet van bewust zijn of nog niet zijn begonnen deze aan te pakken. Een groeiend ecosysteem van kostenobservatie- en GPU-planningstools komt op om de meetkloof aan te pakken, maar of bedrijven die mogelijkheden overnemen voordat ze zich committeren aan hun volgende laag infrastructuur, blijft een open vraag. Bij 107 respondenten in één Q2-golf biedt het onderzoek een richtinggevende uitlezing. Het neigt naar de middelgrote markt en eerdere adopters. Maar de richting is consistent: de wil om uit te geven loopt voor op de instrumentatie die nodig is om effectief uit te geven.

De rekenkloof is niet alleen een capaciteitsprobleem dat meer hardware vanzelf kan oplossen. Het is in de eerste plaats een probleem van begrijpen wat de hardware al kost. Latere enquêtegolven zullen uitwijzen of bedrijven die zichtbaarheid opbouwen voordat de her-platforming versnelt, of dat ze de volgende laag infrastructuur kopen met hetzelfde beperkte zicht op de economie ervan.

De bevindingen zijn gebaseerd op enquêteresponses van 107 gekwalificeerde zakelijke respondenten bij organisaties met meer dan 100 werknemers, afkomstig uit één Q2 2026-golf in juni. Omdat dit één golf is in plaats van een samengevoegde steekproef over meerdere maanden, zijn de resultaten dwarsdoorsnede-gewijs in plaats van een maand-tot-maand-trend. Bij 107 respondenten moeten de bevindingen worden behandeld als een richtinggevend signaal in plaats van een nauwkeurige meting. De steekproef is zelfgeselecteerd, neigt naar de middelgrote markt en leunt naar eerdere adopters in plaats van de grootste hyperscale-aanbieders. Respondenten omvatten managers, individuele medewerkers, VP's en directeuren, en C-suite-executives, met geloofwaardige inkoopbevoegdheid over Technologie/Software, Gezondheidszorg/Life Sciences, Financiële dienstverlening, Detailhandel/E-commerce en andere sectoren.