OpenAI koopt tienduizenden Macs voor agenttraining

OpenAI heeft tienduizenden Mac minis en Mac Studios ingekocht om er AI-agents op te trainen. Dat meldde The Information zondag, waarna onder meer Crypto Briefing en CoinDesk het bericht overnamen. Het gaat om gewone consumentencomputers die in racks belanden, naast de GPU-clusters waar het zware rekenwerk gebeurt.

Waarom een Mac en geen GPU

Een model dat zelfstandig een computer bedient, leert dat door het te doen: klikken, typen, wachten tot een venster laadt, opnieuw proberen als er een dialoogvenster tussendoor komt. Daarvoor is een echte macOS-omgeving nodig, met Finder, Safari, Mail en alle andere programma’s waar zo’n agent doorheen moet navigeren. Een GPU-cluster genereert de tekst, maar draait geen macOS. Apple staat virtualisatie van het systeem alleen toe op eigen hardware, dus wie op schaal wil trainen, koopt fysieke Macs.

De aantallen komen voort uit de trainingsmethode. Bij reinforcement learning doet een agent duizenden pogingen per taak, waarvan het merendeel misgaat, en elke poging heeft een eigen schone omgeving nodig. Reken dat door en je zit al snel op hele hallen vol kleine kastjes. OpenAI gaf Codex in april 2026 de mogelijkheid om op macOS het scherm te lezen en apps te bedienen, en die functie moet ergens getraind zijn.

Anthropic huurt liever

Anthropic kiest volgens hetzelfde bericht een andere route en huurt Mac minis via AWS, dat de machines als losse EC2-instances verhuurt. Dat scheelt kapitaalbeslag en logistiek, al zit je dan wel vast aan de tarieven en de beschikbaarheid van Amazon. Beide labs komen op hetzelfde punt uit: agenttraining vraagt om hardware die niets met inferentie te maken heeft. Dat staat los van de miljardencontracten voor rekenkracht en de enorme GPU-orders die de labs deze zomer sloten.

De concurrentie op dit terrein is scherp. Alibaba liet vorige week zien dat zijn Qwen-UI-Agent schermen beter bedient dan GPT-5.6, precies de discipline waarvoor OpenAI nu hardware inslaat.

Wat betekent dit

Voor Apple is dit een bijvangst waar het bedrijf zelf weinig aan hoeft te doen. De marges op een Mac Studio liggen ver boven die op een iPhone, en een order van tienduizenden stuks telt aan. Voor de rest van de markt zegt het iets over waar de investeringen heen schuiven. De vorige fase draaide om zo groot mogelijke modellen trainen; deze fase draait om modellen die echte software bedienen, en dat vraagt om saaie, alledaagse machines in plaats van alleen om acceleratoren.

Voor bedrijven die met agents experimenteren, verklaart het ook waarom die functies nog wisselvallig werken. De trainingsomgeving is pas net op schaal aan het komen. Wie zelf agents op de eigen systemen wil loslaten, doet er goed aan de risico’s van agentzwermen mee te wegen, want de aandacht voor toezicht loopt achter op de rekenkracht. En de prijsdalingen bij GPT-5.6 Sol laten zien dat de kosten per taak snel kunnen kantelen zodra zo’n trainingsslag rendeert.