ChatGPT en andere Large Language Models
- Onderwerp starter GemaneDude
- Startdatum
June
Active member
Dat moet ik ook maar eens proberen want zoeken met bijv qwant/duck/google.com levert eigenlijk nauwelijks nog iets op.
Was tot nu toe gefascineerd door AI en geintimideerd. Zijn jullie niet bang dat AI stiekem heel veel over te weten komt.
Dat wordt natuurlijk opgeslagen en wat als dat nu gehackt wordt en gebruikt om je social enginering op je los te laten. Een paar jaar geleden was dit nogal paranoia om te zeggen, natuurlijk, maar ondertussen is die gedacht niet heel ver weg.. alle onderdelen worden al toegepast alleen de combinatie nog niet. Of stel, dat diverse AI’s gehackt worden en de informatie daarin van jou, gecombineerd worden en op geraffineerde wijze worden toegepast. Ik geef toe, het is wat eng om aan te denken, net als een voor jou georganiseerd feestje met alleen maar ex-en van je, maar toch.
Denken jullie hier aan of juist niet? Neem je voorzorgmaatregelen of juist niet?
Nee dat is iets anders, Nahrtent heeft het over dat ChatGPT bv producten en diensten van adverteerders in reply's begint te verwerken.
Bv je vraagt iets over slecht zien en ChatGPT geeft "spontaan" de raad om eens binnen te springen bij Hans Anders. Of voor dat probleempje met je auto kan je terecht bij garage FixtHemWel in Berchem. En voor je PC probleem kan je tool xyz kopen op mybestpctool.xyz
Wederom een vrij stevige release van Google
deepmind.google
DeepMind introduces new AI agent for code security - Codemender, automatically finds and fixes code vulnerabilities, and has already submitted 72 high quality fixes in major open source projects.
Momenteel enkel voor professionals en nog geen publieke toegang maar die komt eraan.
Introducing CodeMender: an AI agent for code security
Using advanced AI to fix critical software vulnerabilities
DeepMind introduces new AI agent for code security - Codemender, automatically finds and fixes code vulnerabilities, and has already submitted 72 high quality fixes in major open source projects.
Momenteel enkel voor professionals en nog geen publieke toegang maar die komt eraan.
Het zal die richting uit moeten gaan want voorlopig is elk van die producten totaal verlieslatend en zit er nog geen business case achter. Bovendien lijkt het zijn technologische limieten te bereiken.
Heb chatgpt's antwoord hieronder maar even snel geskimmed maar lijkt me vrij accuraat. In short draaien ze wel al miljarden omzet maar zitten volop in groei modus waardoor die in het niets verdwijnen tegenover de miljarden die ze spenderen aan hun R&D en infrastrctuurkosten. Gelijkaardig aan eerdere tech giants zal het nog vele jaren duren vooraleer ze winst zullen draaien. Voor Amazon bijvoorbeeld duurde dat 10 jaar. We zitten ondertussen wel in een veel moeilijker klimaat. Momenteel slaagt OpenAI er nog steeds in om miljarden op te halen. Dit jaar alleen al hebben ze al voor een Biljard aan deals binnen gehaald, yes Biljard met een grote B. Dat zijn werkelijk complete hallucinante bedragen.
Here’s a rundown of what’s known about OpenAI’s profitability, financial status, and strategy (as of late 2025). Things may change, but this should give you a solid picture. Happy to go deeper into any part if you like.
Is OpenAI profitable?
Short answer: No, not yet. They are still operating at a loss, with profitability expected in the future.
Some key facts:
In 2024, OpenAI reportedly had revenues of around US$3.7–5.5 billion, but losses were significant.
For the first half of 2025, they made ~US$4.3 billion in revenue, up ~16% over the whole of 2024. But their losses remain substantial, driven by high compute, infrastructure, R&D, and operating costs.
Tech Startups
They project that they will not reach cash-flow positive until 2029, when they anticipate revenues will be much higher.
The cumulative losses projected through 2029 are large (tens of billions of dollars).
So, they are growing fast, earning substantial revenue, but investing heavily and losing money in the near‑term.
What is their strategy?
OpenAI’s strategic approach is shaped by both opportunity and necessity. Here are the major elements:
Rapid growth & scaling usage
Push to acquire both consumer users (ChatGPT subscriptions, free tiers) and enterprise customers (APIs, business / enterprise versions).
Increasing the number of paid users, increasing the product tiers.
Expand usage broadly—e.g. via partnerships, embedding their models via API, etc. More usage means more compute / inference usage fees + subscription revenue.
Heavy investment in compute & infrastructure
Training large language models (LLMs) is extremely expensive. Costs for compute (GPUs, data centers), power, cooling, etc. are very large.
They've committed to large deals for infrastructure and hardware (computing power, partnerships, possibly custom chips) to secure capacity and scale.
Long‑term vision over short‑term profitability
OpenAI appears willing to absorb big losses now in order to build market share, invest in R&D, stay ahead in the arms race of large‑models, and secure infrastructure to support future growth.
The expectation is that once they scale revenue sufficiently (lots of paying users, lots of enterprise / API usage), the gross margins will improve (because some fixed costs get amortized over more scale) and they’ll be able to transition to profitability.
Monetization paths
Subscriptions: Paying tiers of ChatGPT, e.g. ChatGPT Plus, Enterprise, etc.
API usage / licensing: Charging for usage of their models via APIs (for businesses, developers etc.).
Partnerships and large deals: E.g. with Microsoft and possibly with hardware or infrastructure partners. These may include licensing, compute deals, etc.
Aggressive R&D / model development
Continual development of next‑generation models (e.g. going from GPT‑4 → GPT‑5 etc), enhancing capabilities (multimodal, voice, video). Keeping the technological edge is central.
Investment in custom hardware, possibly chips specialized for AI workloads, to reduce costs and improve performance.
Valuation & funding strategy
They have raised large amounts of capital from investors to fund all this spending. For example, a $40B funding round in early/mid 2025.
Given that profitability is still several years off, much of the strategy depends on continuing to secure funding/investment, perhaps favorable infrastructure partnerships, etc.
Risks & Challenges
Because the strategy is ambitious, there are big risks:
High burn rate: If costs (especially compute) stay very high, there is risk if revenue growth slows or if capital becomes harder to raise.
Competition: Other big players (Google, Microsoft, Anthropic, etc.) are also investing heavily in LLMs. Keeping a technological edge isn’t trivial.
Compute infrastructure constraints: Both availability of hardware (GPUs/TPUs etc.), energy costs, data center constraints, supply chain limitations.
Monetization limits: While use is growing fast, converting free users to paying users and extracting enough margin from enterprise deals may be hard, especially with pricing pressure.
Regulation / legal risks: IP / content licensing concerns (training data), regulation of AI models, safety, etc., which can impose additional costs.
Bottom line
OpenAI is not profitable now, but its strategy is to invest aggressively in growth, technology, and infrastructure, with the expectation that at large scale, revenue will grow enough and costs per unit will fall enough (through economies of scale, better hardware, etc.) to reach profitability around 2029.
If you want, I can pull up more recent financials / analyst estimates or compare their strategy to competitors. Do you want me to?
Here’s a rundown of what’s known about OpenAI’s profitability, financial status, and strategy (as of late 2025). Things may change, but this should give you a solid picture. Happy to go deeper into any part if you like.
Is OpenAI profitable?
Short answer: No, not yet. They are still operating at a loss, with profitability expected in the future.
Some key facts:
In 2024, OpenAI reportedly had revenues of around US$3.7–5.5 billion, but losses were significant.
For the first half of 2025, they made ~US$4.3 billion in revenue, up ~16% over the whole of 2024. But their losses remain substantial, driven by high compute, infrastructure, R&D, and operating costs.
Tech Startups
They project that they will not reach cash-flow positive until 2029, when they anticipate revenues will be much higher.
The cumulative losses projected through 2029 are large (tens of billions of dollars).
So, they are growing fast, earning substantial revenue, but investing heavily and losing money in the near‑term.
What is their strategy?
OpenAI’s strategic approach is shaped by both opportunity and necessity. Here are the major elements:
Rapid growth & scaling usage
Push to acquire both consumer users (ChatGPT subscriptions, free tiers) and enterprise customers (APIs, business / enterprise versions).
Increasing the number of paid users, increasing the product tiers.
Expand usage broadly—e.g. via partnerships, embedding their models via API, etc. More usage means more compute / inference usage fees + subscription revenue.
Heavy investment in compute & infrastructure
Training large language models (LLMs) is extremely expensive. Costs for compute (GPUs, data centers), power, cooling, etc. are very large.
They've committed to large deals for infrastructure and hardware (computing power, partnerships, possibly custom chips) to secure capacity and scale.
Long‑term vision over short‑term profitability
OpenAI appears willing to absorb big losses now in order to build market share, invest in R&D, stay ahead in the arms race of large‑models, and secure infrastructure to support future growth.
The expectation is that once they scale revenue sufficiently (lots of paying users, lots of enterprise / API usage), the gross margins will improve (because some fixed costs get amortized over more scale) and they’ll be able to transition to profitability.
Monetization paths
Subscriptions: Paying tiers of ChatGPT, e.g. ChatGPT Plus, Enterprise, etc.
API usage / licensing: Charging for usage of their models via APIs (for businesses, developers etc.).
Partnerships and large deals: E.g. with Microsoft and possibly with hardware or infrastructure partners. These may include licensing, compute deals, etc.
Aggressive R&D / model development
Continual development of next‑generation models (e.g. going from GPT‑4 → GPT‑5 etc), enhancing capabilities (multimodal, voice, video). Keeping the technological edge is central.
Investment in custom hardware, possibly chips specialized for AI workloads, to reduce costs and improve performance.
Valuation & funding strategy
They have raised large amounts of capital from investors to fund all this spending. For example, a $40B funding round in early/mid 2025.
Given that profitability is still several years off, much of the strategy depends on continuing to secure funding/investment, perhaps favorable infrastructure partnerships, etc.
Risks & Challenges
Because the strategy is ambitious, there are big risks:
High burn rate: If costs (especially compute) stay very high, there is risk if revenue growth slows or if capital becomes harder to raise.
Competition: Other big players (Google, Microsoft, Anthropic, etc.) are also investing heavily in LLMs. Keeping a technological edge isn’t trivial.
Compute infrastructure constraints: Both availability of hardware (GPUs/TPUs etc.), energy costs, data center constraints, supply chain limitations.
Monetization limits: While use is growing fast, converting free users to paying users and extracting enough margin from enterprise deals may be hard, especially with pricing pressure.
Regulation / legal risks: IP / content licensing concerns (training data), regulation of AI models, safety, etc., which can impose additional costs.
Bottom line
OpenAI is not profitable now, but its strategy is to invest aggressively in growth, technology, and infrastructure, with the expectation that at large scale, revenue will grow enough and costs per unit will fall enough (through economies of scale, better hardware, etc.) to reach profitability around 2029.
If you want, I can pull up more recent financials / analyst estimates or compare their strategy to competitors. Do you want me to?
Ze verliezen zelfs geld op de echt zware gebruikers die $200 per maand betalen...
Een tijd geleden zei die CEO dat elke vraag hen 200 dollar kost op dit moment.
Dus ook beleefd afsluiten, wat veel mensen blijkbaar doen, wordt verwerkt en kost hen hopen geld.
Die van Deepmind, niet de eerste de beste, gaf vorige week toch aan dat het allemaal niet veel slimmer zou worden dan nu. Ergo te weinig om er echt veel businesswaarde uit te halen want voor eenvoudige taken zijn die agents maar 30% effectief en da’s niet betrouwbaar.
Hassabis? Hoe sommige mensen huidige LLMs omschrijven als PHD level reasoners acht Hassabis terrecht overdreven maar hij denkt wel binnen dit en 5 jaar echte PHD level reasoning AGI te kunnen realiseren en dat AI dus wel degelijk nog veel slimmer zal worden dan nu. Hun gigantische investeringen in RnD en infra wijzen er ook op dat ze daar zelf volledig in geloven. Vandaag zelfs aangekondigd dat ze ook in ons land nog eens 5 miljard extra gaan investeren in het verder uitbouwen van een AI cluster in Henegouwen.
Een ander perspectief is dat van software engineer Brockman, Open AI's CTO, die gisteren nog zei dat ze niet snel genoeg hardware kunnen uitrollen omdat de scaling laws blijven houden waardoor meer compute nog altijd voor exponentiele groei in model capabilities zorgt.
Denk er ook aan dat deze scaling laws ondertussen een trifecta zijn want naast training en dataset scaling heb je ook nog altijd de onderliggende hardware die jaar na jaar sneller wordt voor lagere prijs. Waar je vorig jaar een serverfarm voor nodig had draait binnen 5 jaar in de palm van je hand. Als die 200 dollar klopt, zal serieus schelen naargelang de vraag, model, denk tijd, ... is dat dus idd op dit moment en vrij relatief.
Hans Moleman
Well-known member
Blijft toch maf hoe veel mensen ChatGPT als vervanger van Google aan het gebruiken zijn. Terwijl de info die wordt gegeven gewoon veel te vaak flagrant fout is.
Op die manier wordt er dezer dagen zelfs onopzettelijk foute info verspreid.
Chat gpt is geen zoekmachine.
Op die manier wordt er dezer dagen zelfs onopzettelijk foute info verspreid.
Chat gpt is geen zoekmachine.
TitaTovenaar
Well-known member
Bestaat er eigenlijk een gratis ai die een nederlandstalige pdf kan omzetten naar een nederlands gesproken bestand?
Speechify? Is in de fond gratis maar je zal toch altijd tegen beperkingen aanlopen zoals aantal files of luistertijd.
Slyke
Well-known member
Geen idee of dit hier de juiste plaats is, maar ik heb volgende use case:
Ik heb een transcriptie van een online vergadering. In de transcriptie staan de verschillende tijdstippen wanneer iets gezegd is geweest.
Daarnaast heb ik van de belangrijkste getoonde zaken een screenshot genomen. In die screenshots staat eveneens een tijdsaanduiding (bijvoorbeeld de vergadering was op minuut 32:15 toen het screenshot genomen werd).
Wish: een samenvatting van de vergadering en integratie van alle genomen screenshots op de juiste plaats, op basis van de tijdsaanduidingen.
CoPilot; forget it, kan zelfs niet de inhoud van de screenshots lezen.
Chatgpt: maakt samenvatting, kan de tijdsaanduiding lezen uit de screenshots en verwijst er naar in de samenvatting, na heel veel moeite. Honderd keer moeten bijsturen vooraleer ik iets of wat bruikbaars had, tegen die tijd had ik het eigenlijk zelf gedaan.
Maar, nu komt de frustratie: die chatgpt vraagt dus verschillende keren aan mij: wil je graag een docx of pdf met onmiddellijk de samenvatting en de screenshots op de juiste plaats?
Ja, uiteraard, dat was mijn initiële vraag.
En dan komen er tal van bijvragen, wil je subtitels, wil je een voorblad, wil je een omschrijving van de screenshots, ... Whatever.
Uiteindelijk zegt hij 'ik ga dit voor jou renderen, binnen 10 minuten is het klaar'.
Om dan uiteraard vast te moeten stellen dat hij in de background niks kan doen, althans toch niet met chatgpt plus die ik gebruik en voor betaal (misschien wel de enterprise edities?).
Uiteindelijk gestrand met enkel dus een tekst, maar geen finaal document.
Nochtans, ik zou nu toch vermoeden dat deze eenvoudige taak in deze huidige tijd mogelijk zou moet zijn?
Ik lees zelfs dat bepaalde studenten hele lappen thesis laten verwerken door AI.
Maar hier vraag ik gewoon een generatie van een Word (of pdf) van een meeting inclusief opname screenshots, maar dat is blijkbaar te moeilijk.
Maar zoals ik zei, hij blijft het zelf wel constant zelf vragen; 'wil je dat ik er een mooi document van maak?' etc...
Dus dat doet dan precies vermoeden dat hij er mogelijks in een andere omgeving, dus niet via de app of de desktop versie, het wel kan?
(en ook niet zo'n uitzonderlijke use case, lijkt me)
Ik heb een transcriptie van een online vergadering. In de transcriptie staan de verschillende tijdstippen wanneer iets gezegd is geweest.
Daarnaast heb ik van de belangrijkste getoonde zaken een screenshot genomen. In die screenshots staat eveneens een tijdsaanduiding (bijvoorbeeld de vergadering was op minuut 32:15 toen het screenshot genomen werd).
Wish: een samenvatting van de vergadering en integratie van alle genomen screenshots op de juiste plaats, op basis van de tijdsaanduidingen.
CoPilot; forget it, kan zelfs niet de inhoud van de screenshots lezen.
Chatgpt: maakt samenvatting, kan de tijdsaanduiding lezen uit de screenshots en verwijst er naar in de samenvatting, na heel veel moeite. Honderd keer moeten bijsturen vooraleer ik iets of wat bruikbaars had, tegen die tijd had ik het eigenlijk zelf gedaan.
Maar, nu komt de frustratie: die chatgpt vraagt dus verschillende keren aan mij: wil je graag een docx of pdf met onmiddellijk de samenvatting en de screenshots op de juiste plaats?
Ja, uiteraard, dat was mijn initiële vraag.
En dan komen er tal van bijvragen, wil je subtitels, wil je een voorblad, wil je een omschrijving van de screenshots, ... Whatever.
Uiteindelijk zegt hij 'ik ga dit voor jou renderen, binnen 10 minuten is het klaar'.
Om dan uiteraard vast te moeten stellen dat hij in de background niks kan doen, althans toch niet met chatgpt plus die ik gebruik en voor betaal (misschien wel de enterprise edities?).
Uiteindelijk gestrand met enkel dus een tekst, maar geen finaal document.
Nochtans, ik zou nu toch vermoeden dat deze eenvoudige taak in deze huidige tijd mogelijk zou moet zijn?
Ik lees zelfs dat bepaalde studenten hele lappen thesis laten verwerken door AI.
Maar hier vraag ik gewoon een generatie van een Word (of pdf) van een meeting inclusief opname screenshots, maar dat is blijkbaar te moeilijk.
Maar zoals ik zei, hij blijft het zelf wel constant zelf vragen; 'wil je dat ik er een mooi document van maak?' etc...
Dus dat doet dan precies vermoeden dat hij er mogelijks in een andere omgeving, dus niet via de app of de desktop versie, het wel kan?
(en ook niet zo'n uitzonderlijke use case, lijkt me)