Hé Jamal, goedendag! Welkom bij deze speciale aflevering van onze interne podcast. Vandaag duiken we in een belangrijk verslag dat we ‘Codex’ hebben genoemd, van 14 september 2026. Het draait allemaal om één ding: hoe kunnen we slimmer, zuiniger werken met onze AI-modellen, zonder in te leveren op de kwaliteit die we leveren? We hebben gekeken naar ons huidige gebruik en ik heb wat concrete aanbevelingen voor je. De kernboodschap is eigenlijk heel simpel: voor dagelijkse, routineuze taken kunnen we waarschijnlijk prima uit de voeten met een lichter, en dus goedkoper, AI-model. Bewaar de zwaardere, krachtigere modellen voor de echt complexe opdrachten.

Laten we beginnen met een snelle blik op ons huidige gebruik. Op het moment van meten zagen we dat we slechts 1% van ons algemene accountvenster hadden gebruikt – er is dus nog volop ruimte. Dit venster wordt trouwens op 21 september gereset. Goed om te weten is dat ‘Spark’ helemaal niet is gebruikt en we op dit moment geen extra credits beschikbaar hebben. Ons account draait onder een interne ‘prolite’ label, we loggen lokaal in via ChatGPT, en de globale configuratie staat momenteel op ‘gpt-6-astra’ met een laag redeneerniveau, de standaardinstelling dus. De AGENTS.md is 22.310 bytes en we hebben 22 serverdeclaraties gevonden in de MCP-configuratie, maar dat zegt nog niets over hun activiteit.

Tijdens de specifieke taak waar we deze meting op hebben uitgevoerd, zagen we dat het model 44.772 invoertokens verwerkte, waarvan 14.976 gecachet waren. Er kwamen 206 uitvoertokens uit. Dat eerste aantal invoertokens is ongeveer 17,3% van het gemelde contextvenster, en ongeveer een derde van die invoer was gecachet. Dit laat zien dat caching werkt, wat goed nieuws is voor efficiëntie! Maar onthoud wel: dit is een momentopname van de eerste aanroep in die sessie, niet van al het verbruik vandaag of van het hele account. De startcontext, met instructies, gereedschappen en voorgeschiedenis, telt hier natuurlijk ook mee. Het gerapporteerde contextvenster voor deze taak was 258.400 tokens.

Het is belangrijk om te snappen dat er drie verschillende meters zijn: je abonnementslimiet (het algemene accountvenster, dat dus voor 1% is gebruikt), tokens (de informatie die het model leest en schrijft, waarbij dezelfde geschiedenis bij meerdere aanroepen kan meetellen) en API-kosten (die ontstaan bij gebruik van een eigen API-sleutel, anders dan onze huidige ChatGPT-aanmelding). We hebben de API-facturatie en externe abonnementen overigens niet gecontroleerd in dit rapport.

Dan komen we bij het belangrijkste punt: de modelkeuze. We kunnen hier veel slimmer worden. Voor eenvoudige taken zoals duidelijke extractie, omzetting of korte samenvattingen is ‘Luna / Low’ prima. Voor het dagelijkse werk en afgebakende codewijzigingen adviseer ik je ‘Terra / Low’, eventueel Medium. Dit model is significant goedkoper. Voor complex onderzoek of lastige code kun je ‘Sol / Medium’ inzetten. En voor de echt moeilijke taken met veel stappen en afwegingen, daarvoor blijft ‘Astra / Low of Medium’ onze go-to. Het is cruciaal om te begrijpen dat Terra voor identieke tokenaantallen 80% goedkoper is voor invoer en 76% voor uitvoer dan Astra. Dat is een enorm verschil! Wel even opletten: ‘Low’ maakt Astra niet automatisch goedkoper dan Terra. En een belangrijke tip: zet ‘Fast’ standaard uit, want Astra Fast verbruikt 2,5 keer het standaardtarief. Gelukkig staat de servicetier lokaal al op default.

Om efficiënter te werken, zijn er ook een aantal concrete werkwijzen. Ten eerste: geef per opdracht heldere doelen, bronnen, grenzen en het vereiste bewijs mee. Vermijd het inlezen van complete logs, transcripties of documentatiesites in de chat. Bewaar per project een compact STAND.md-bestand als overdracht en start een nieuwe taak bij een nieuw onderwerp of grote faseovergangen, waarbij dit bestand de context overdraagt. En heel belangrijk: stel geen willekeurige kleine contextlimieten in, dat kan juist extra samenvattingen en herlezingen veroorzaken. We adviseren ook om Conductor een voorstel te laten maken voor het verkorten van algemene instructies en het alleen laden van domeinregels in passende projecten. Denk hierbij aan die oude heartbeat en dubbele instructies die we vonden – dat zijn concrete kandidaten voor controle. Minder onnodige context betekent minder verbruik, en bekijk ook welke MCP-servers per project echt nodig zijn.

Ons concrete voorstel is daarom: maak ‘Terra / Low’ de standaard voor nieuwe dagelijkse taken, en houd ‘Astra’ achter de hand voor de zware klussen. Maar voordat we dit breed uitrollen, doen we eerst een beperkte vergelijking. We nemen drie representatieve taken, gebruiken dezelfde bronnen en controleren de kwaliteit, de hoeveelheid herstelwerk, de tijd en natuurlijk het tokenverbruik. Pas daarna passen we de standaard aan. Er is nu nog geen exact bewijs voor de totale besparing op jouw totale werk. Deze veranderingen zijn veilig; gedeelde instellingen, andere modellen, hooks of LaunchAgents zijn niet aangepast, en er zijn geen betaalde diensten geactiveerd.

Tot slot nog een belangrijke waarneming buiten de scope van dit advies: we hebben tijdens de inspectie een API-sleutel in plaintext aangetroffen in de lokale configuratie. Die waarde staat niet in dit verslag, maar ik raad sterk aan om Conductor te laten beoordelen hoe we dit veiliger kunnen opslaan en eventueel roteren. Deze sleutel verscheen overigens onbedoeld in de tooluitvoer tijdens onze inspectie, er is niets aan gewijzigd.

Wat nu openstaat is jouw toestemming voor deze voorgestelde wijzigingen, het uitvoeren van die modelvergelijking, een check van onze API-facturatie en, indien van toepassing, publicatiecontrole als Conductor dit verslag publiek maakt. Na ons onderzoek zagen we trouwens dat het algemene accountvenster op 2% stond, een lichte stijging, maar dat is accountbreed en niet direct toe te schrijven aan ons onderzoek alleen.

Dus Jamal, de bottom line is: met slimme modelkeuzes en een paar aanpassingen in onze werkwijze kunnen we significant zuiniger omgaan met onze AI-resources, zonder in te boeten op de kwaliteit van ons werk. We kijken ernaar uit om dit met je te bespreken en de volgende stappen te bepalen. Bedankt voor het luisteren!