Niet alleen omdat we niet afhankelijk willen worden van “Big Tech” maar ook omdat “tokentekort” gewoon een echt ding aan het worden is.
Een paar dagen geleden schreef ik al over het maken van video’s met AI. En dan niet de deepfakes waar het vaak over gaat, maar gewoon educatieve video’s. Video’s met uitleg over bepaalde onderwerpen, als alternatief voor de opgenomen PowerPoints met audio. Ik constateerde toen al dat Claude Code dat goed kon, maar dat het proces veel ’tokens’ vergt. En hoewel Anthropic onlangs nog de hoeveelheid tokens die een gebruiker krijgt bij een betaald basis abonnement (23 euro per maand) uitgebreid heeft, liep ik ook vandaag er weer tegenaan. En niet eens bij het maken van een video maar omdat ik hem een kruiswoordpuzzel wilde laten bedenken op basis van een groot aantal AVG gerelateerde termen en beschrijvingen.
Ik kan je de podcast AI Daily Brief (op YouTube of Spotify) aanbevelen als je meer wilt weten hierover. Luister bijvoorbeeld naar The AI Subsidy Era is Over of Who Cares About Consumer AI waarbij het enerzijds gaat om het feit dat zulke maandabonnementen gewoon minder opleveren voor bedrijven dan het kost. Ik schreef er eerder ook al eens een blogpost over.
En hoewel 2026 net als 2025 (en 2027, 2028, …) geen fijne tijd is om zelf te moeten/willen investeren in lokale AI, bleek ook nu dat modellen zoals Qwen3.6:35b zoals ik die via NOLAI kan gebruiken of zelfs op mijn antieke RTX2060 kaart met 8GB VRAM, goed genoeg kunnen zijn om het nodige onderwijswerk voor elkaar te krijgen.
Het overgrote deel van de video hierboven bij dit bericht is volledig met open source middelen gemaakt. Het model is open source, het draait op een open source server, de harness voor de AI-agent die ik gebruikt heb (Pi.dev) is open source. Het renderen van de video gebeurde met FFmpeg, ook open source. Het transcript is gemaakt met Whisper, een van de weinige open source en lokaal te gebruiken modellen van OpenAI. Niet alles was open source. Voor de afbeeldingen die je ziet heb ik Nano Banana van Google gebruikt. De Tekst naar spraak is gedaan met AI Studio. Ik heb met Parkiet geëxperimenteerd, dat draait lokaal op mijn computer, maar dat leverde bij teksten van meer dan 10 seconden heel vreemde resultaten.
Dus nee, ik zeg zeker niet “vandaag stoppen met het gebruik van alle externe AI”. Lijkt me sowieso niet de meest efficiënte manier van het gebruik van resources als iedereen een dikke grafische kaart in een PC thuis nodig heeft om dat voor elkaar te krijgen. Maar…terwijl de kruiswoordpuzzel nog niet klaar is en het volgende tokenlimiet alweer in zicht komt (in 15 minuten weet Claude met 1 complexe prompt er met gemak 80% van de limiet voor 5 uur doorheen te jagen zonder dat je maar iets van de voortgang ziet of kunt volgen!) is duidelijk dat we als onderwijs er gewoon voor moeten gaan zorgen dat we eigen capaciteit beschikbaar krijgen. Het zal vast niet de populaire opinie zijn in een tijd dat het “We moeten helemaal niet persé iets met AI in het onderwijs” nog tamelijk dominant is in het geheel. Mark my words: nu is de tijd om te leren wat open source modellen zijn!
Overigens: ook bij Qwen3.6 geldt dat een kleiner model (dan de modellen waar je bij OpenAI, Google of Anthropic mee werkt) veronderstelt dat je duidelijker bent wat je wilt dat het model doet. Je kunt niet zomaar een vage prompt geven en hopen dat er iets moois uitkomt. Qwen heeft nogal de neiging om aan zichzelf te gaan twijfelen en dan in loops terecht te komen. Dat is deels te tweaken in de instellingen van hoe het model vanuit Pi.dev benaderd wordt, maar het helpt ook als je gestructureerd bent in de opbouw van de video, wat het model moet aanpassen etc.
Waarschijnlijk had ik de video hierboven sneller kunnen maken op basis van PowerPoint en een tool om een schermopname te maken. De winst zit hem in dit soort gevallen ook meestal niet in de eerste (of vaak zelf niet de tweede) keer uitvoeren van de handelingen. Dan ben je zelf immers nog flink aan het leren.
