Elk groot AI-model heeft inmiddels een instelling die bepaalt hoe lang het nadenkt voordat het antwoordt. OpenAI en xAI noemen die instelling reasoning effort, Anthropic noemt het effort, en Qwen combineert een thinking mode met effort levels. In de apps zie je dezelfde knop terug als Instant tot en met Extra High in ChatGPT, als een Effort-menu in Claude en als Fast, Expert en Heavy in Grok.
De instelling verandert drie dingen tegelijk: de kwaliteit van het antwoord, de wachttijd en de kosten. In deze gids lees je hoe elke leverancier dit in oktober 2026 heeft ingericht, wat de gemeten verschillen zijn en welk niveau bij welke taak past.
In het kort:
- Effort bepaalt hoeveel tokens een model besteedt aan redeneren, tool calls en het antwoord zelf, en reasoning tokens worden als output gefactureerd, ook als je ze nooit te zien krijgt.
- De meeropbrengst neemt snel af. Bij GPT-6.1 Sol levert de stap van low naar medium zes punten op in de Artificial Analysis Intelligence Index, leveren de drie stappen boven medium samen vier punten op en kost max per taak ongeveer 5,5 keer zoveel als low.
- Medium is voor het meeste werk het juiste startpunt. Kies low of uit voor eenvoudige taken met een hoog volume, en bewaar xhigh of max voor langlopende agent-taken waarbij je eigen tests een meetbare winst laten zien.
Wat zijn effort levels in AI?
Effort levels vertellen een reasoning model hoeveel werk het in een antwoord moet steken. Voordat het antwoordt, genereert een reasoning model interne reasoning tokens waarmee het een probleem in stappen opdeelt, aanpakken uitprobeert en zijn eigen werk controleert. Het effort level stuurt hoeveel van die tokens het model daaraan besteedt.
Het idee erachter heet test-time compute: in plaats van een groter model te gebruiken, laat je hetzelfde model meer rekenwerk per vraag doen. OpenAI beschrijft de afweging in zijn reasoning-handleiding: een lagere effort geeft voorrang aan snelheid en minder tokens, een hogere effort laat het model grondiger nadenken. Effort is een richtlijn en geen harde limiet. Ook op een laag niveau denkt een model dus na over een echt lastig probleem, alleen minder lang dan op een hoog niveau.
Wat verandert er als je het effort level verhoogt?
Een hoger effort level verandert de kwaliteit, de wachttijd en de prijs tegelijk, maar die drie bewegen niet in dezelfde verhouding.
Kwaliteit: echte winst die afvlakt
Een hogere effort verbetert de resultaten op moeilijke taken, maar elke extra stap levert minder op. De onafhankelijke benchmarker Artificial Analysis test hetzelfde model op elke instelling en isoleert zo het effect van effort. De resultaten voor GPT-6.1 Sol laten het patroon duidelijk zien.
| Instelling GPT-6.1 Sol | Score Intelligence Index | Kosten per benchmarktaak | Verschil met vorige instelling |
|---|---|---|---|
| Low | 42 | $ 0,13 | Startpunt |
| Medium | 48 | $ 0,21 | +6 punten voor +$ 0,08 |
| High | 50 | $ 0,32 | +2 punten voor +$ 0,11 |
| Xhigh | 51 | $ 0,39 | +1 punt voor +$ 0,07 |
| Max | 52 | $ 0,72 | +1 punt voor +$ 0,33 |
De cijfers zijn gelezen op 8 oktober 2026. De index combineert tien evaluaties, van agentic coding tot redeneren over lange context. Van low naar medium levert zes punten op voor acht cent meer per taak. De drie stappen van medium naar max leveren samen vier punten op en maken een taak ruim drie keer zo duur, en de laatste stap alleen verdubbelt de kosten bijna voor één punt.
Snelheid: het model typt niet langzamer, maar meer
Een hogere effort is trager omdat het model meer tokens genereert, niet omdat het ze langzamer genereert. Op dezelfde pagina van Artificial Analysis blijft de outputsnelheid van GPT-6.1 Sol op alle vijf de instellingen tussen 49 en 56 tokens per seconde. De QwenCloud-documentatie van Alibaba laat het effect van de andere kant zien: bij qwen3.7-plus bestond meer dan 60 procent van de output tokens uit reasoning, en het uitzetten van thinking verkortte de totale responstijd met 60 tot 75 procent.
Kosten: je betaalt voor denkwerk dat je niet ziet
Reasoning tokens worden gefactureerd als output tokens, en die kosten bij de modellen in dit artikel drie tot vijf keer zoveel als input tokens. In onze uitleg over tokens in AI lees je hoe tokenprijzen werken. De API-prijzen in dit artikel zijn dollarprijzen, dus wat je in euro’s betaalt, hangt ook af van de wisselkoers.
Een rekenvoorbeeld maakt duidelijk wat dat betekent. Neem een verzoek met 3.000 input tokens en een antwoord van 500 tokens, tegen $ 2 per miljoen input tokens en $ 10 per miljoen output tokens. Dat is de lijstprijs van zowel Claude Sonnet 5.5 als GPT-6.1 Sol. De aantallen reasoning tokens hieronder zijn illustratief, want volgens OpenAI kan één verzoek er van een paar honderd tot tienduizenden gebruiken.
| Reasoning tokens per verzoek | Kosten per verzoek | Kosten per 10.000 verzoeken |
|---|---|---|
| 0 (thinking uit) | $ 0,011 | $ 110 |
| 2.000 | $ 0,031 | $ 310 |
| 15.000 | $ 0,161 | $ 1.610 |
De prijs per token is in elke rij gelijk, toch wordt de rekening bijna vijftien keer zo hoog. Benchmarks bevestigen dat op grotere schaal: Artificial Analysis meette dat Claude Sonnet 5.5 op max effort ongeveer 193.000 output tokens per taak gebruikte, zo’n zeven keer zoveel als GPT-6 Astra op zijn eigen max-instelling.
Hoe werken effort levels in ChatGPT en de OpenAI API?
ChatGPT werkt met denkniveaus in de modelkiezer, de OpenAI API met de parameter reasoning.effort.
Denkniveaus in de ChatGPT-app
Sinds GPT-6 in oktober 2026 in ChatGPT wordt uitgerold, biedt de Thinking-schuifregelaar Instant, Medium, High, Extra High en Pro. Volgens het helpcentrum van OpenAI draaien de eerste vier niveaus op GPT-6 Sol en gebruikt Pro het model GPT-6 Pro, dat op GPT-6 Astra draait. Plus bevat Instant, Medium en High, terwijl je voor Extra High en Pro een Pro-, Business- of Enterprise-abonnement nodig hebt. Gebruikers van Free en Go krijgen één Think-optie die op GPT-5.6 Luna draait. Op Plus en Pro schakelt Instant niet meer vanzelf een niveau hoger als een vraag complex blijkt, dus kies het niveau zelf.
Reasoning effort in de OpenAI API
In de Responses API kan reasoning.effort de waarden none, minimal, low, medium, high, xhigh of max hebben, maar elk model ondersteunt een eigen selectie. GPT-6 Astra accepteert geen none, en GPT-6.1 Sol ondersteunt none noch minimal en staat standaard op medium. Daarnaast is er een aparte pro mode waarmee GPT-5.6- en GPT-6-modellen meer werk doen op lastige taken, los van het effort level. Volgens de prijslijst van OpenAI kost GPT-6 Astra $ 10 per miljoen input tokens en $ 50 per miljoen output tokens, GPT-6.1 Sol $ 2 en $ 10, en GPT-6 Luna $ 0,10 en $ 0,50.
Hoe werken effort levels in Claude?
Claude biedt op de nieuwste modellen vijf effort levels: low, medium, high, xhigh en max.
Effort in de Claude-apps
In de Claude-apps staat effort in het modelmenu naast de verzendknop, en per model is het aanbevolen niveau gemarkeerd als Default. Volgens het helpcentrum van Anthropic duurt een hogere effort langer en zit je sneller aan de limieten van je abonnement. Het helpcentrum raadt daarom de standaardinstelling aan voor dagelijkse taken en Max alleen voor het moeilijkste werk waarbij correctheid cruciaal is.
De effort-parameter in de Claude API
In de API stel je effort in met output_config.effort. Volgens de documentatie van Anthropic staan de meeste Claude-modellen standaard op high, maar Claude Opus 5.5 en Claude Haiku 5.5 op medium. Een verzoek zonder effort-instelling draait op Opus 5.5 dus één niveau lager dan op Opus 5. Anthropic positioneert low voor snel en goedkoop werk zoals subagents, en xhigh voor agentic taken en codeertaken die langer dan 30 minuten duren.
Effort geldt voor alle output tokens, ook voor tool calls, dus een agent op low effort doet ook minder en kortere tool calls. Bij Claude Opus 5.5 staat adaptive thinking altijd aan, waardoor effort de belangrijkste knop is voor zowel diepgang als kosten. Volgens de prijslijst van Anthropic kost Opus 5.5 $ 4 per miljoen input tokens en $ 20 per miljoen output tokens, Sonnet 5.5 $ 2 en $ 10, en Haiku 5.5 $ 0,10 en $ 0,50 voor prompts tot 100.000 tokens.
Hoe werken effort levels in Qwen?
Qwen biedt de meest gedetailleerde controle van de vier, omdat Alibaba een aan/uit-schakelaar, een tokenbudget en benoemde niveaus combineert, en omdat veel Qwen-modellen ook op je eigen hardware draaien.
Volgens de QwenCloud-documentatie zetten hybride Qwen-modellen thinking per verzoek aan of uit met enable_thinking, terwijl thinking-only-modellen altijd redeneren. De parameter thinking_budget begrenst het aantal thinking tokens, waarna het model direct antwoordt. Nieuwere modellen hebben daarnaast reasoning_effort, met bij qwen3.8-max de opties low, medium en xhigh. De standaard is daar xhigh, waardoor de duurste instelling het startpunt is, en het model weigert verzoeken die reasoning_effort en thinking_budget combineren. Bij de open-source hybride Qwen3-modellen sla je met /no_think in een bericht het denken voor die beurt over.
QwenCloud rekent voor qwen3.8-max $ 2 per miljoen input tokens en $ 6 per miljoen output tokens, en sommige hybride modellen hanteren in thinking mode een ander tarief. Bij open-weight modellen zoals Qwen3.8-27B, dat ook standaard op xhigh staat, betaal je effort in GPU-tijd en responstijd in plaats van per token. Het effort level wordt dan onderdeel van de dimensionering van je eigen hardware. Voor organisaties die onder de AVG persoonsgegevens verwerken en die gegevens in eigen beheer willen houden, is dat geen bijzaak, want daar is lokaal draaien vaak juist de reden om voor een open-weight model te kiezen.
Hoe werken effort levels in Grok?
Grok redeneert op de huidige modellen altijd, dus je kiest hoeveel het nadenkt, maar niet of het nadenkt.
De reasoning-documentatie van xAI noemt low, medium, high en xhigh voor grok-4.7 en grok-4.6, met high als standaard, terwijl grok-4.5 ophoudt bij high. Bij grok-4.20-multi-agent bepaalt dezelfde parameter hoeveel agents aan een verzoek werken, vier of zestien, in plaats van hoe lang één model redeneert. Grok 4.7 kost $ 2 per miljoen input tokens en $ 6 per miljoen output tokens.
De Grok-apps werken in plaats daarvan met een moduskiezer. Fast antwoordt snel, Expert denkt grondig na, Auto kiest tussen die twee, en Heavy zet voor abonnees van SuperGrok Heavy een team van agents op de vraag. In onze complete gids voor Grok AI lees je meer over het product.
Effort levels vergeleken: ChatGPT, Claude, Qwen en Grok
Elke leverancier biedt een snelle instelling, een gebalanceerde standaard en één of twee niveaus voor het zwaarste werk, zoals de tabel hieronder laat zien.
| Leverancier | API-parameter en niveaus | Standaard | In de app |
|---|---|---|---|
| OpenAI (ChatGPT) | reasoning.effort: none, minimal, low, medium, high, xhigh, max (selectie per model) | Medium bij GPT-6.1 Sol | Instant, Medium, High, Extra High, Pro |
| Anthropic (Claude) | output_config.effort: low, medium, high, xhigh, max | High; medium bij Opus 5.5 en Haiku 5.5 | Effort-menu plus een aparte thinking-schakelaar |
| Alibaba (Qwen) | enable_thinking, thinking_budget, reasoning_effort: low, medium, xhigh | Xhigh bij qwen3.8-max | Thinking-schakelaar in Qwen Code |
| xAI (Grok) | reasoning_effort: low, medium, high, xhigh | High | Auto, Fast, Expert, Heavy |
Welk effort level gebruik je voor welke taak?
Begin bij de taak en niet bij het model, want het juiste niveau hangt af van hoeveel redeneerwerk de taak vraagt en wat een fout antwoord kost. De tabel combineert de aanbevelingen van de leveranciers zelf tot één ladder.
| Taak | Begin bij | Ga omhoog als | ChatGPT / Claude / Grok-app |
|---|---|---|---|
| Classificatie, routing, extractie, eenvoudige opzoekvragen, spraak | Uit of low | De input dubbelzinnig is of fouten duur zijn | Instant / Low / Fast |
| Chat, antwoorden aan klanten, korte herschrijvingen, subagents | Low | Antwoorden stappen of controles overslaan | Instant / Low / Auto |
| Concepten schrijven, samenvattingen, data-analyse, spreadsheets, dagelijks programmeerwerk | Medium | De output klopt maar oppervlakkig is, of de taak veel stappen heeft | Medium / Medium / Auto |
| Complexe debugging, planning in meerdere stappen, contract- of financiële analyse, onderzoekssynthese | High | De kwaliteit op je testset nog per run verschilt | High / High / Expert |
| Langlopende agents, diepgaand onderzoek, security- en code review, de moeilijkste wiskunde en code | Xhigh of max | Je evaluaties een meetbare winst ten opzichte van high laten zien, en alleen dan | Extra High of Pro / Max / Heavy |
Begin bij taken met een hoog volume één niveau lager dan je denkt nodig te hebben en test of de kwaliteit standhoudt, want de besparing telt bij elk verzoek op. Is een fout duur, zoals een cijfer in een directierapportage, begin dan één niveau hoger en controleer het resultaat alsnog zelf.
Is een hoger effort level altijd beter?
Een hoger effort level is niet altijd beter. Meer denkwerk helpt bij problemen die redeneren vragen, maar kan juist schaden bij taken waarvoor dat niet nodig is. Onderzoekers die met Anthropic samenwerkten, bouwden taken waarbij langer redeneren de nauwkeurigheid verlaagde: modellen raakten afgeleid door irrelevante details, hielden vast aan schijnpatronen of verloren randvoorwaarden uit het oog. De richtlijnen van Anthropic voor Claude Opus 4.7 voegen daaraan toe dat max bij de meeste workloads veel kost voor weinig winst en bij taken met gestructureerde output kan leiden tot onnodig lang nadenken. Effort is een afstelknop en geen oplossing voor een zwakke prompt. Daarom zet de reasoning-handleiding van OpenAI een helder doel, duidelijke randvoorwaarden en een vast outputformaat voorop.
Verhoog je het effort level of kies je een groter model?
Een hogere effort en een ander model zijn twee routes naar betere antwoorden, en welke route goedkoper is, verschilt per situatie. Artificial Analysis vond dat Claude Sonnet 5.5 op low, medium en high achterblijft bij GPT-6 Sol op high, xhigh en max, waarbij Sol hoger scoort met minder output tokens. Vergelijk model en effort daarom samen en niet los van elkaar. In productie leidt dat meestal tot routing: een goedkoop model op low effort handelt de eenvoudige verzoeken af en alleen de lastige gevallen gaan verder, zoals we uitleggen in ons artikel over LLM-kosten verlagen.
Welke fouten maken effort-instellingen duur?
De meeste verrassingen met reasoning models komen voort uit vijf fouten die je kunt voorkomen.
- Teams accepteren de standaardinstelling zonder die te controleren, terwijl de standaard per leverancier en zelfs per modelversie verschilt, zoals de vergelijkingstabel laat zien.
- De outputlimiet staat te krap. Die limiet omvat ook de reasoning tokens, dus een antwoord kan stoppen voordat er zichtbare tekst verschijnt, terwijl je wel betaalt voor de input en het redeneren. OpenAI raadt aan om bij de start minstens 25.000 tokens te reserveren.
- Effort wordt midden in een gesprek aangepast. Bij Claude maakt een nieuwe effort-waarde op verzoekniveau de prompt cache ongeldig, dus gebruik bij Claude de effort-instelling per bericht en bij GPT-6-modellen de configuratie-update midden in het gesprek.
- Instellingen worden meegenomen naar een nieuwe modelversie. Anthropic geeft aan dat de niveaus van Claude Sonnet 5.5 opnieuw zijn gekalibreerd, zodat hetzelfde niveau niet evenveel denkwerk oplevert als bij Sonnet 5.
- Effort wordt gebruikt om de lengte te sturen. Het bepaalt hoeveel werk het model doet, maar niet betrouwbaar hoeveel het schrijft. Anthropic zegt dat expliciet voor Claude Opus 5, dus vraag in de prompt om de lengte die je wilt.
Hoe vind je het juiste effort level voor je eigen workload?
De betrouwbaarste aanpak is een kleine effort-sweep: draai dezelfde echte voorbeelden op twee of drie niveaus en kies het laagste niveau dat nog aan je kwaliteitseis voldoet. OpenAI en Anthropic raden allebei aan om op je eigen evaluaties te testen, omdat het effect van effort per taak verschilt.
- Verzamel 20 tot 50 echte voorbeelden van de taak, inclusief een paar lastige gevallen, en leg vast hoe een correct antwoord eruitziet.
- Draai ze op het standaardniveau en op één niveau lager en hoger, met dezelfde prompt en hetzelfde model.
- Vergelijk het aandeel correcte antwoorden, de output tokens per verzoek en de tijd tot een volledig antwoord, met de usage-gegevens uit elke API-response.
- Kies het laagste niveau waarvan je de kwaliteit accepteert, en herhaal de vergelijking als het model, de prompt of de taak verandert.
In een typische toepassing draait hetzelfde model uiteindelijk op low voor intake en classificatie, op medium voor het schrijven van concepten en op high voor de paar stappen waarin een fout duur is. Wil je hulp bij het opzetten van evaluaties, routing of kostenbeheersing voor je eigen toepassing? Het AI-consultancyteam van DataNorth helpt je daarbij.
Veelgestelde vragen (FAQ)
Wat is het verschil tussen effort en extended thinking?
Effort bepaalt hoeveel werk een model in het hele antwoord steekt, terwijl extended thinking de aparte redeneerstap vóór het antwoord is. In de Claude-apps zijn het twee instellingen: het effort level voor de grondigheid en een thinking-schakelaar die bepaalt of het redeneren eerst zichtbaar wordt. Bij modellen met adaptive thinking bepaalt effort ook hoe vaak en hoe diep het model nadenkt.
Kun je reasoning helemaal uitzetten?
Reasoning helemaal uitzetten kan bij sommige modellen, maar niet bij allemaal. OpenAI-modellen die de instelling none ondersteunen, Claude-modellen waarbij thinking uit kan en de hybride modellen van Qwen kunnen antwoorden zonder te redeneren. GPT-6 Astra, GPT-6.1 Sol, Claude Opus 5.5 en de huidige Grok-modellen redeneren altijd, dus bij die modellen is het laagste niveau de snelste optie.
Verandert het effort level als je een model vraagt om harder na te denken?
In ChatGPT verandert het niveau daar niet door: OpenAI geeft aan dat je het denkniveau niet wijzigt door in je prompt te vragen om harder of dieper na te denken, dus kies het niveau in de modelkiezer. In de API verandert alleen de effort-parameter het niveau, al raadt Anthropic aan om een zin toe te voegen als “deze taak vraagt om redeneren in meerdere stappen” wanneer effort om redenen van snelheid laag moet blijven.
Welk effort level is het beste voor programmeren?
Medium is een goed startpunt voor dagelijks programmeerwerk, met high of xhigh voor complexe debugging en lange agentic coding-sessies. Anthropic raadt xhigh aan als startpunt voor programmeren met Claude Opus 4.7 en 4.8, maar medium voor goed afgebakende agentic coding met Claude Sonnet 5.5. Test daarom twee niveaus op je eigen codebase.
