Claude Opus 5.5 komt sterk naar voren in een nieuwe vergelijking van zakelijke AI-taken door Dust. Bij het maken van dashboards en presentaties vond het bedrijf echter geen duidelijke winnaar. De belangrijkste boodschap: beoordeel AI op het werk dat je ermee wilt uitvoeren.
Dust, een platform voor zakelijke AI-agents, publiceerde op 7 oktober de eerste Dust Index. Het onderzoek combineert modeltests, geanonimiseerde gebruiksgegevens van klanten en interviews met medewerkers die AI-assistenten bouwen en onderhouden.
Claude sterk bij samenvatten en financiële analyse
Dust vergeleek Claude Opus 5.5, GPT-6 Astra, GLM 5.3 en Grok 4.7 bij drie soorten werkzaamheden: informatie uit meerdere bronnen samenbrengen, financiële gegevens analyseren en presentaties of dashboards maken.
Bij het samenvatten van verspreide bedrijfsinformatie behaalde Opus 5.5 de hoogste voorkeursscore. GLM 5.3 en GPT-6 Astra volgden en lagen volgens Dust vrijwel gelijk. Ook bij financiële analyse kwam Opus in de hoogste inspanningsstand als sterkste kandidaat naar voren.
Bij dashboards en presentaties ontstond geen duidelijke ranglijst. Alle geteste modellen konden die maken; de voorkeur hing meer af van ontwerp en smaak. Dust adviseert daarom ook goedkopere opties te testen.
Dat sluit aan op onze vergelijking van Claude-modellen voor verschillende werkzaamheden: een duurder model hoeft niet voor iedere opdracht de beste keuze te zijn.
Een klein aantal gedeelde agents krijgt veel gebruik
Een opvallende uitkomst zit in het gebruik van gedeelde AI-assistenten. Op Dust gaat 65 procent van alle berichten aan agents naar zelfgebouwde agents die meerdere mensen gebruiken.
Bij de onderzochte Enterprise-klanten had slechts 1,8 procent van de zelfgebouwde agents minstens vijftig gebruikers. Die kleine groep was wel verantwoordelijk voor 43,3 procent van het totale berichten- en interactievolume.
Denk aan een assistent waarmee een verkoopteam klantonderzoek voorbereidt. Als meerdere collega’s dezelfde instructies en informatie gebruiken, wordt de kennis van de maker breder inzetbaar.
Daar hoort onderhoud bij. Iemand moet controleren of de informatie actueel blijft en of een modelwissel de resultaten verandert. Wie nog niet bekend is met deze systemen, kan onze uitleg over AI-agents lezen.
Onze kijk: meet de kosten per bruikbaar resultaat
Voor Nederlandse bedrijven is vooral de praktische meetlat interessant. Wat kost een gecontroleerd klantonderzoek, een bruikbare rapportage of een correcte analyse?
Een stijgende AI-rekening kan betekenen dat medewerkers meer werk verzetten. Maar een agent kan ook geld verbruiken door mislukte pogingen. Alleen het totaalbedrag maakt dat verschil niet zichtbaar.
Onze aanpak zou zijn: vergelijk modellen op een aantal eigen opdrachten en registreer de kosten, kwaliteit en benodigde correcties. Bewaar daarnaast instructies en bedrijfskennis zo dat je die bij een modelwissel kunt blijven gebruiken.
De resultaten vragen wel om context. Dust onderzoekt gebruik binnen zijn eigen platform en verkoopt zelf hulpmiddelen voor AI-beheer. De cijfers beschrijven die omgeving en zijn geen algemene uitspraken over alle bedrijven of AI-modellen.