Amazon zet een stap die de AI-infrastructuurmarkt op zijn kop kan zetten. Het bedrijf verkoopt zijn zelfontworpen AI-chips straks niet alleen intern, maar ook aan externe datacenters en klanten. Dat plaatst AWS directer tegenover Nvidia en kan de kosten van AI-infrastructuur voor Nederlandse bedrijven flink drukken.
Van kostenbesparing naar nieuwe chipbusiness
Amazon ontwikkelt al jaren eigen chips. Trainium voor AI-training, Inferentia voor inferentie, en Graviton voor algemene cloud workloads. Tot nu toe gebruikte AWS die chips vooral intern, om minder afhankelijk te zijn van Nvidia en de marges op AWS te verbeteren.
CEO Andy Jassy onthulde onlangs de schaal van die operatie. De chipbusiness heeft een jaarlijkse omzet-run rate van meer dan 20 miljard dollar, met een groei van triple-digit percentages op jaarbasis. Jassy stelde dat de business als standalone activiteit, inclusief externe verkoop, zou kunnen doorgroeien naar een run rate van circa 50 miljard dollar per jaar.
Dat is geen marginale operatie meer. Amazon bouwt aan een volwaardig chipbedrijf.
Wat Amazon hiermee wil bereiken
De strategie heeft drie lagen.
Ten eerste wil Amazon zijn eigen kostenstructuur verbeteren. Trainium kan het bedrijf tientallen miljarden aan capex per jaar besparen en enkele honderden basispunten aan operationele marge opleveren ten opzichte van volledig leunen op externe chips.
Ten tweede houdt Amazon meer waarde in eigen huis. Wie Nvidia-GPU's inkoopt, betaalt een forse marge aan een externe partij. Wie eigen chips gebruikt, houdt dat deel van de keten binnen AWS.
Ten derde, en dit is nieuw, wil Amazon die chips ook verkopen buiten AWS. Externe datacenters en andere klanten worden nu actief aangesproken. Daarmee wordt Amazon voor het eerst een directe concurrent van Nvidia als chipverkoper, niet alleen als cloudprovider.
Belangrijk: Jassy gaf aan dat AWS Nvidia-producten blijft aanbieden. Klanten die Nvidia prefereren, kunnen dat blijven doen. De strategie is hybride: eigen chips waar het loont, Nvidia waar de klant dat wil.
Wat dit betekent voor AI-kosten in de praktijk
Voor bedrijven die AI-workloads draaien via AWS, is de potentiële kostenbesparing concreet. Uit rapportage van The Information blijkt dat het gebruik van Inferentia2 en Trainium voor inference in bepaalde scenario's tot 80 procent goedkoper kan zijn dan alternatieven.
In Q1 2026 lieten Trainium en verwante chips al een groei van bijna 40 procent kwartaal-op-kwartaal zien. De AWS AI-revenue run rate bedroeg in datzelfde kwartaal meer dan 15 miljard dollar.
Die cijfers laten zien dat dit geen prille pilot is. Het is een volwassen aanbod dat al op grote schaal wordt gebruikt.
Vier AI-workloads die goedkoper kunnen worden
Niet elke AI-toepassing profiteert even sterk. Voor de volgende workloads is de kans op lagere kosten het grootst:
Inferentie op schaal. Wie dagelijks grote volumes aan AI-aanvragen verwerkt (denk aan chatbots, klantenservice-automatisering of documentverwerking), betaalt nu fors voor GPU-compute. Inferentia is specifiek gebouwd voor dit soort taken en presteert kostenefficiënt bij volume.
Productaanbevelingen en personalisatie. E-commercebedrijven en platformen die real-time aanbevelingsmodellen draaien, hebben baat bij goedkopere inference. De modellen hoeven niet per definitie op Nvidia-hardware te draaien.
Documenten analyseren en samenvatten. Juridische kantoren, financiële dienstverleners en logistieke bedrijven die AI inzetten voor documentverwerking draaien relatief voorspelbare workloads. Juist dat type taak past goed op dedicated inference-chips.
Forecasting en monitoring. Voorspellingsmodellen voor vraag, bezetting of afwijkingen draaien continu op de achtergrond. Als die van GPU-compute naar goedkopere alternatieven kunnen, scheelt dat op jaarbasis merkbaar in de cloudrekening.
Vendor lock-in blijft een reëel risico
Zwaar inzetten op Amazon's eigen chips brengt ook een risico mee. Wie zijn AI-infrastructuur optimaliseert voor Trainium of Inferentia, raakt dieper verankerd in het AWS-ecosysteem. Migreren naar Azure of Google Cloud wordt dan complexer en duurder.
Bovendien is de externe verkoop van Amazon's chips nog in een vroege fase, zoals TechCrunch meldt. De technologie bestaat, maar de marktinfrastructuur (support, tooling, SLA's voor externe afnemers) moet nog verder rijpen.
En voor sommige workloads wint Nvidia nog steeds. Grootschalig modeltraining, geavanceerd beeldgeneratie of toepassingen met specifieke hardware-afhankelijkheden passen beter op Nvidia-GPU's. Amazon's chips zijn sterk in inferentie, maar niet universeel de beste keuze.
Wat dit betekent voor Nederlandse MKB-bedrijven
De directe relevantie zit in drie punten.
Eerst de kosten. Als Amazon's eigen chips de marktprijs voor AI-compute onder druk zetten, dalen de kosten voor AWS-klanten die AI-workloads draaien. Dat verlaagt de drempel om van pilot naar productie te gaan.
Dan de keuzevrijheid. Nederlandse bedrijven die nu afhankelijk zijn van Nvidia-beschikbaarheid (schaars, prijsvolatiel) krijgen straks een geloofwaardig alternatief binnen hetzelfde cloudplatform. Dat maakt AI-architectuurbeslissingen minder afhankelijk van de GPU-markt.
Ten slotte de adoptietijd. Goedkopere compute verkort de periode tussen proof-of-concept en productieimplementatie. Bedrijven die wachten op een rendabele business case voor AI-toepassingen, zien die drempel zakken naarmate de infrastructuurkosten dalen.
Bedrijven in logistiek, e-commerce, zakelijke dienstverlening en SaaS die AI-toepassingen in AWS draaien of overwegen, doen er verstandig aan nu al te kijken welke workloads geschikt zijn voor Amazon's eigen chips.
Conclusie
Amazon's chipstrategie is geen techcuriosa. Het is een structurele verschuiving in de AI-infrastructuurmarkt die de concurrentieverhoudingen met Nvidia verandert en tegelijk de toegankelijkheid van AI-compute voor kleinere afnemers vergroot.
Drie dingen om onthouden:
• Amazon's chipbusiness groeit snel: meer dan 20 miljard dollar run rate, met externe verkoop als volgende stap.
• Inference-workloads kunnen tot 80 procent goedkoper worden op Amazon's eigen hardware vergeleken met GPU-alternatieven.
• Hybride architectuur (eigen chips voor inference, Nvidia voor training en complexe taken) is voor de meeste bedrijven de meest realistische route.
