TL;DR
- Wat: DeepSeek V4 Flash, een open-source AI-model met 284 miljard parameters, draait lokaal op een NVIDIA DGX Station — zonder cloud.
- Waarom relevant: lokaal AI draaien betekent dat je bedrijfsdata het pand niet verlaat, en je niet afhankelijk bent van een API-abonnement.
- Wat je ermee kunt: verken of lokale AI op termijn past bij jouw databehoefte en privacyeisen, en houd de hardwarekosten in de gaten.
Tech-reviewer Matthew Berman liet onlangs op X zien dat DeepSeek V4 Flash draait op een NVIDIA DGX Station — een soort bureau-supercomputer. Ik viel erover omdat het laat zien hoe snel de grens verschuift tussen "AI in de cloud" en "AI op je eigen kantoor".
Wat is DeepSeek V4 Flash precies?
DeepSeek V4 Flash is een AI-taalmodel dat eind april 2026 werd uitgebracht door het Chinese lab DeepSeek. Het model heeft 284 miljard parameters in totaal, maar door een slim ontwerp — een zogenaamde Mixture-of-Experts-architectuur — zijn er bij elke vraag slechts 13 miljard actief. Vergelijk het met een groot kantoor waar 284 specialisten zitten, maar waar per klantvraag alleen de 13 relevantste collega's aan het werk gaan.
Wat mij opvalt aan dit model:
- Het ondersteunt een contextlengte van één miljoen tokens. Dat is ruwweg het equivalent van een boek van zo'n 750.000 woorden dat je in één keer kunt "voeren" aan het model.
- Het gebruikt slechts 10% van de rekenkracht en 7% van het geheugen vergeleken met zijn voorganger bij het verwerken van grote contexten.
- Het is uitgebracht onder een MIT-licentie — open-source dus, met open weights. Dat betekent dat iedereen het model mag downloaden, aanpassen en inzetten.
- De API-prijs ligt rond de $0,14 per miljoen input-tokens. Ter vergelijking: vergelijkbare modellen van OpenAI en Anthropic kosten een veelvoud daarvan.
In benchmarks presteert V4 Flash op het niveau van modellen als GPT-5.4 en Claude Opus 4.6, terwijl het aanzienlijk goedkoper is. Het is niet het allerbeste model op elke taak, maar de verhouding tussen prestatie en prijs is opvallend scherp.
De DGX Station: een supercomputer op je bureau
De NVIDIA DGX Station is geen gewone desktop. Het nieuwste model is uitgerust met de GB300 Grace Blackwell Ultra-chip en beschikt over 748 GB aan geheugen — verdeeld over 252 GB GPU-geheugen en 496 GB systeemgeheugen. Het apparaat levert tot 20 petaFLOPS aan AI-rekenkracht.
De prijs? Afhankelijk van de configuratie tussen de 80.000 en 125.000 dollar. Dat is geen impulsaankoop, maar het is ook geen datacenter. Het is een toren die onder of naast een bureau past, zonder speciale koeling of serverruimte.
Wat Berman demonstreerde, is dat DeepSeek V4 Flash op zo'n machine lokaal draait. Geen cloud, geen API-calls naar een externe server. Het model past in het geheugen van de DGX Station, en de inferentie — het daadwerkelijk genereren van antwoorden — gebeurt volledig op de hardware zelf.
Waarom lokaal draaien interessant is voor ondernemers
Ik denk dat de meeste MKB-ondernemers voorlopig prima uit de voeten kunnen met een API-abonnement bij OpenAI, Anthropic of DeepSeek zelf. Maar er zijn scenario's waarin lokaal draaien relevant wordt:
Dataprivacy en regelgeving
Als je werkt met persoonsgegevens, medische dossiers, financiële data of juridische stukken, dan wil je misschien niet dat die informatie naar een externe server gaat — ook niet als de aanbieder belooft dat ze er niets mee doen. Met een lokaal model verlaat de data je netwerk niet. Voor bedrijven die onder de AVG of sectorspecifieke regelgeving vallen, kan dat een wezenlijk verschil maken.
Onafhankelijkheid
API-diensten kunnen prijzen verhogen, voorwaarden wijzigen of simpelweg offline gaan. Wie een open-source model lokaal draait, heeft die afhankelijkheid niet. Je bepaalt zelf wanneer je updatet, en je workflow stopt niet als een externe dienst een storing heeft.
Kosten bij hoog volume
Volgens analyses wordt self-hosting goedkoper dan API-gebruik bij ongeveer 200 miljoen tokens per dag. Dat is veel — de meeste MKB-bedrijven zitten daar niet aan. Maar voor bedrijven die AI structureel inzetten in hun processen, bijvoorbeeld voor het verwerken van grote hoeveelheden documenten, kan die drempel sneller bereikt worden dan je denkt.
De realiteit: nog niet voor iedereen
Laat ik eerlijk zijn: een investering van 80.000 tot 125.000 dollar voor een DGX Station is voor de meeste Nederlandse ondernemers niet realistisch. En dat is ook niet het punt. Wat mij hier opvalt, is de richting.
Een paar jaar geleden had je een heel datacenter nodig om een model van dit kaliber te draaien. Nu past het op een apparaat dat je onder je bureau kunt zetten. NVIDIA biedt met de DGX Spark ook een instapmodel aan voor zo'n 4.700 dollar — met minder geheugen, geschikt voor modellen tot 200 miljard parameters. En de community experimenteert al met het draaien van gekwantiseerde versies van V4 Flash op nog bescheidenere hardware.
Kun je je voorstellen wat dit betekent als deze trend nog twee, drie jaar doorzet? De hardware wordt krachtiger en betaalbaarder. De modellen worden efficiënter. Het is niet ondenkbaar dat je over een paar jaar een AI-model van dit niveau draait op hardware die vergelijkbaar is met een stevige werkstation-PC.
Wat dit concreet betekent
Voor de meeste ondernemers is de praktische les nu niet "koop een DGX Station". Wat mij betreft is het dit:
- Weet dat open-source modellen bestaan die presteren op het niveau van commerciële diensten. DeepSeek V4 Flash is gratis te downloaden en te gebruiken.
- Denk na over je datastrategie. Als je nu al veel met AI werkt, is het verstandig om te weten welke data je waar naartoe stuurt — en of je daar op termijn anders over wilt denken.
- Houd de hardwaremarkt in de gaten. De prijzen dalen en de prestaties stijgen. Wat nu 80.000 dollar kost, kan over twee jaar een fractie daarvan zijn.
Ik vind het eerlijk gezegd fascinerend dat een model dat op benchmarks mee kan met GPT-5.4 en Claude Opus 4.6, volledig open-source beschikbaar is en op een bureaucomputer past. Dat was twee jaar geleden ondenkbaar.
Voor mij is dit vooral een signaal dat de AI-markt niet alleen draait om de grote clouddiensten. Er groeit een parallel ecosysteem van open modellen en lokale hardware. En hoe dat ecosysteem zich ontwikkelt, is iets waar iedere ondernemer die met AI werkt — of dat overweegt — minstens één oog op mag houden.