Waarom Lokale AI-Codingtools Nu Slim Zijn (Niet Trendy, Gewoon Praktisch)

Laten we het hebben over geld. Ja, dat gênante gesprek dat steeds meer techbedrijven nu moeten voeren.

Niet zo lang geleden voelden AI-codingassistenten aan als gratis geld voor het grijpen. Je team levert sneller op, bugs nemen af, en de maandelijkse factuur? Peanuts vergeleken bij serverkosten en salaries. Dan ging ergens iemand de cijfers natrekken en ontdekte dat "peanuts" nogal eufemistisch was.

De realiteit: AI tooling is duur

Bij intensief gebruik lopen die vriendelijke per-seat-abonnementen snel op. Power users die maandelijks €500 tot €2.000 verbranden aan tokens? Dat is geen uitzondering meer. De rekensom voor een team van tien engineers? Reken maar op €5.000 tot €15.000 per maand. En als dat budget op dag 22 van een sprint op is, zit je met een probleem.

De industrie kreeg hier langzaam genoeg van. Uber zette een limiet van €1.500 per maand per engineer. Microsoft haalde Claude Code-licenties weg bij bepaalde afdelingen. TechCrunch schreef over de "tokenrekening die betaald moet worden." De tijd van onbeperkte AI-honger? Voorbij.

Het alternatief: lokaal draaien

Wat als je team een lokale coding agent heeft die het saaie werk oppikt wanneer de cloudrekening te hoog wordt? Bestandsaanpassingen, boilerplate genereren, tests schrijven, documentatie bijwerken. Allemaal taken die geen dure API-call nodig hebben.

Voor teams met moderne hardware — zeker Mac-gebruikers met M-chips en voldoende RAM — is dit nu realistischer dan ooit. Je hardware staat al op je bureau. De modellen zijn gratis. De enige kosten: stroom en een uurtje installatiewerk.

Wat werkt in de praktijk

Na wat experimenteren kwam ik uit op een opzet die verrassend goed functioneert: een lokale coding agent met Qwen3-Coder-30B draaiend via Apples MLX-framework. Zo krachtig als Claude of GPT-4? Nee. Maar gratis, snel, en het draait op hardware die ik toch al had.

De opzet heeft drie onderdelen: de agent zelf (lichtgewicht, kan bestanden lezen, aanpassingen maken, bash-commando's uitvoeren), een model server voor inference, en de modelgewichten. Qwen3-Coder-30B is een mixture-of-experts model — 30 miljard parameters totaal, maar slechts 3 miljard actief per token. Net alsof je sportwagenprestaties krijgt voor de prijs van een fiets.

Op een M4 Pro MacBook Pro met 48 GB RAM draait dit moeiteloos routineklussen: bestandsaanpassingen, kleine refactors, testgeneratie, code reviews voor simpele wijzigingen. De agent gaat je microservices niet architecten, maar dat hoeft ook niet. Die moet de 80% aanpakken die saai is, niet moeilijk.

De echte waarde

Wat mijn perspectief veranderde: een lokale agent is geen vervanging voor cloud AI. Het is verzekering.

Als je budget halverwege de sprint op is, wil je niet dat engineers met hun duimen draaien. Een lokaal alternatief betekent dat het saaie werk gewoon doorgaat. Senior engineers kunnen triage plegen: wat verdient cloud-aandacht? Juniors blijven productief op straightforward taken. Niemand zit stil.

Dit verandert ook de afweging welke taken cloud-AI verdienen. In plaats van "gebruik Claude voor alles" wordt het: "cloud AI voor de lastige puzzels, lokale AI voor routinewerk." Over een heel team.shift dat je budgetverbruik significant.

Aan de slag

Technisch genoeg om via SSH op een server te komen? Dan kun je dit ook. De tooling is volwassen geworden. Projecten als Ollama, LM Studio en MLX's eigen server maken het verrassend eenvoudig om binnen een uur een werkend model draaiend te krijgen.

De echte investering is niet technisch — het is mentaal. Stop met cloud AI als onbeperkt behandelen. Budgetteer het. En heb een lokaal alternatief als het op is.

Voor startups die elke euro omdraaien en enterprise-teams waar AI-kosten nu ineens posten zijn die verantwoord moeten worden, past deze aanpak. Je cloudfactuur is nu misschien €10.000 per maand. Met een lokaal alternatief voor routinewerk? Misschien €4.000 — plus een backup als modelproviders hun prijzen weer veranderen.

De tokenrekening komt eraan. Fijn om een plan te hebben.