Waarom schakelde ChatGPT me over naar een mini-model, en wat je eraan doet

Je bereikte een limiet en werd overgezet naar een fallback-model

Je verbeeldde het je niet. Als je je tegoed op het sterke model opgebruikt, blokkeert ChatGPT je meestal niet en weigert het niet te antwoorden. Het geeft het gesprek door aan een kleiner, goedkoper model en gaat verder in dezelfde thread, met dezelfde typeanimatie. Niets in het antwoord meldt dat de machine erachter veranderde. Je merkt het alleen omdat de antwoorden korter, vlakker, vergeetachtiger en zelfverzekerder fout werden.

OpenAI documenteert dit als bedoeld gedrag. De release notes van het model beschrijven een mini-model dat gebruikers bereiken nadat ze rate limits op het hoofdmodel hebben geraakt, en merken op dat het, omdat het als fallback dient, niet verschijnt in de modelkiezer. Die ene ontwerpkeuze verklaart het grootste deel van de verwarring: je kunt de fallback niet selecteren, dus je denkt er nooit aan om te controleren of je erop zit.

Dus de eerlijke diagnose: het model werd waarschijnlijk daadwerkelijk slechter, en niemand deed iets met het model dat je koos. Je werd ervan af gehaald. De rest hiervan gaat over hoe je dat in dertig seconden bevestigt en hoe je stopt ermee verrast te worden.

Controleer eerst of dit jouw probleem is en niet een van de twee lookalikes. Werd je regelrecht gestopt door een bericht dat je abonnement of je limiet noemt, dan is dat een limiet die je kunt zien, en ChatGPT zegt dat ik mijn limiet heb bereikt behandelt dat. Falen antwoorden met generieke foutmeldingen in elk gesprek, dan is dat een storing, en wat te gebruiken als ChatGPT plat ligt is de snellere leesstof. Dit artikel is voor het derde geval, dat zonder enige foutmelding: alles werkt nog, het is gewoon slechter.

Wat er daadwerkelijk gebeurt als je de limiet bereikt

Elk consumenten-AI-abonnement meet gebruik op de een of andere manier, omdat het draaien van een groot model per bericht echt geld kost. Wat verschilt, is wat er gebeurt aan de rand, en welke van deze drie je krijgt, bepaalt hoe verward je uiteindelijk bent.

Gedrag bij de limiet	Wat je ziet	Hoe verwarrend het is
Harde stop	Een banner zegt dat je op bent tot een genoemd tijdstip, en niets wordt verstuurd	Vervelend, maar eerlijk. Je weet precies waar je aan toe bent
Zichtbare downgrade	Een melding zegt dat je bent overgezet naar een kleiner model	Licht vervelend, nog steeds eerlijk
Stille fallback	Het gesprek gaat gewoon verder, beantwoord door een ander model	Degene die mensen laat denken dat het product kapot is

ChatGPT valt meestal in de derde rij. Er is vaak een melding op het moment van de wissel, maar meldingen scrollen weg en blijven niet naast de antwoorden staan die erna komen. Diep in een lange thread, waarin je antwoorden leest in plaats van de interface eromheen, merk je het niet. Later keert het model stilletjes terug naar normaal zodra je venster reset, en daarom concluderen mensen dat de kwaliteit willekeurig is in plaats van gemeten.

Een opmerking over cijfers, want hier gaan de meeste artikelen over dit onderwerp fout. Aanbieders veranderen limieten voortdurend en zonder aankondiging, en limieten verschillen per abonnement, model, functie en soms actuele belasting, dus elk cijfer dat in een artikel staat, heeft een korte houdbaarheid. Deze is twee keer veranderd in twee maanden. OpenAI mat jarenlang op een voortschrijdend venster van een paar uur, Engadget meldde dat het gratis abonnement dat venster rond juli 2026 leek te hebben ingeruild voor één wekelijks tegoed, en begin augustus 2026 kondigde OpenAI aan dat gewone tekstchat onbeperkt werd over alle tiers heen, terwijl aparte limieten bleven gelden voor bestanden, afbeeldingen, spraak en het genereren van afbeeldingen. Lees dat als een waarschuwing over gedrukte cijfers in plaats van als de huidige stand van zaken, dit artikel inbegrepen. Controleer de eigen limietenpagina van je aanbieder vanuit je account in plaats van te vertrouwen op een samenvatting van een derde partij. ChatGPT zegt dat ik mijn limiet heb bereikt behandelt de resetvraag volledig.

Hoe je herkent welk model je nu antwoordt

Vertrouw niet op het gevoel, controleer het. Interfaces worden om de paar maanden herontworpen, dus in plaats van te beschrijven waar een knop vandaag zit, volgt hier waar je op moet letten. Dit is gekoppeld aan functies, niet aan pixels, dus het overleeft herontwerpen.

1. De modelnaam bovenaan het gesprek. Elke chatapp toont het geselecteerde model in de header of naast het invoerveld. Dat vertelt je wat er geselecteerd is, wat niet altijd is wat er antwoordde.
2. De besturing onder een individueel antwoord. Beweeg over of houd een specifiek antwoord lang ingedrukt. De kleine rij daar (kopiëren, duimpjes, opnieuw proberen) bevat meestal een optie om opnieuw te genereren of "probeer opnieuw", en in ChatGPT laat dat menu je de vraag opnieuw sturen naar een benoemd model. Nuttig om een sterker model af te dwingen, maar behandel het als een manier om opnieuw te vragen, niet als een bonnetje: vanaf augustus 2026 konden we vanuit OpenAI's eigen documentatie niet bevestigen dat ChatGPT aangeeft welk model het antwoord produceerde dat al voor je staat. Bouw je diagnose niet rond het vinden van een label per bericht.
3. De gebruiks- of limietenpagina in accountinstellingen. Controleer die, maar verwacht weinig: consumentenabonnementen tonen niet betrouwbaar een lopende teller, en het resettijdstip verschijnt vaker in het limietbericht dan op een instellingenpagina.
4. De melding op het moment van de wissel. Als die verschijnt, staat hij in de thread in plaats van als pop-up, dus als je eraan voorbij scrolde, staat hij daar nog in het transcript.
5. Vraag de chatbot niet welk model het is. Een model weet niet betrouwbaar zijn eigen naam of versie, en zal vol vertrouwen noemen wat het meest besproken werd in zijn trainingstekst. Dat antwoord is niets waard. Waarom AI dingen fout doet behandelt deze categorie zelfverzekerde onzin.

Omdat elk van die dingen afhangt van een interface die verandert, is de check die daadwerkelijk standhoudt gedragsmatig. Bewaar ergens een korte benchmarkprompt, iets waarvan je een goed antwoord meteen herkent. Een lastige herschrijving, een klein logicaraadsel uit je eigen werk. Als de kwaliteit niet klopt, stuur hem. Je weet binnen seconden of je praat met het model dat je denkt, en geen enkel herontwerp kan je dat afnemen.

Waarom het kleinere model anders aanvoelt

De fallback is geen gesaboteerde versie van het grote model. Het is een ander, kleiner model, apart getraind, gekozen omdat het veel minder kost om te draaien. Kleinere modellen zijn echt goed in de makkelijke meerderheid van verzoeken, en daarom werken ze überhaupt als fallback. Ze falen op een herkenbaar patroon, en zodra je het patroon kent, kun je de wissel opmerken zonder enige interface.

• Korter werkgeheugen in de praktijk. Het kleinere model heeft vaak een kleiner contextvenster, en zelfs waar het opgegeven venster vergelijkbaar is, houdt het vroege details minder betrouwbaar vast. Het symptoom is iets opnieuw uitleggen wat je twintig berichten geleden al vastlegde, of een beperking laten vallen die je aan het begin instelde. Wat een contextvenster is legt uit waarom de kwaliteit vaak al zakt voordat je de limiet bereikt.
• Zwakkere instructieopvolging, vooral gestapelde instructies. Eén instructie volgt het op. Vier tegelijk ("onder de 200 woorden, geen bullets, tweede persoon, houd de klantnaam eruit") is waar het er stilletjes een of twee begint te laten vallen. Dit is het meest betrouwbare teken.
• Vlakkere structuur. Antwoorden drijven naar een generieke vorm: korte inleiding, drie kopjes, samenvatting. Het grotere model is beter in beslissen dat jouw vraag een andere vorm verdient.
• Zelfverzekerdere fouten. Dezelfde vloeiende stem, iets minder vermogen erachter, dus het gat tussen hoe zeker het klinkt en hoe juist het is, wordt groter.
• Zwakker meerstaps-redeneren. Alles wat meerdere tussenresultaten tegelijk vasthoudt (een berekening met voorwaarden, een plan met afhankelijkheden, debuggen) verslechtert veel meer dan een herschrijving.

Let op wat er niet op die lijst staat: los gesprek, korte herschrijvingen, snelle uitleg, toonwijzigingen, een alinea opschonen. Op dat werk is het kleinere model bijna niet te onderscheiden en sneller. Dat is het ontwerp, geen ongeluk. De fallback is alleen een probleem als hij landt op verzoeken die het grotere model nodig hadden, en je niet kunt zien welke je kreeg.

Nog iets om naast de fallback in gedachten te houden: assistenten routeren ook automatisch, en beslissen voor jou of een vraag een snel model verdient of een tragere redeneervariant. Wordt die router opnieuw afgesteld, dan komen identieke prompts terug met een andere diepgang dan vorige week, wat van buitenaf er precies uitziet als een model dat slechter wordt. Tussen fallback en routing maakt één app de beslissing zonder het je te vertellen, dus je kunt "het model veranderde" niet scheiden van "ik werd overgezet" of "ik stelde een slechtere vraag".

Wat je eraan doet

In ruwe volgorde van moeite. De eerste drie zijn gratis en kosten minuten.

1. Bevestig voordat je klaagt. Draai je opgeslagen benchmarkprompt. Komt het antwoord vlakker terug dan je weet dat die prompt verdient, dan zit je op de fallback en ben je meestal weer normaal zodra het venster reset.
2. Budgetteer het sterke model. Doe wegwerpwerk (herschrijvingen, brainstorms, snelle vragen) ergens goedkoops. Lange, ongerichte threads verbruiken het tegoed het snelst.
3. Begin een nieuwe chat per taak. Lange threads dragen de hele geschiedenis mee in elk verzoek, wat meer kost en de kleinere fallback eerder laat worstelen.
4. Splits de instructie op terwijl je op het kleine model zit. Het volgt één instructie betrouwbaar op en vier onbetrouwbaar, dus stuur vier berichten.
5. Verifieer alles waarop je zou handelen. In een fallback-venster blijft het zelfvertrouwen hoog terwijl de nauwkeurigheid daalt. Dat is precies het moment waarop een verkeerd getal doorglipt.
6. Houd een tweede sterk model binnen bereik. De verrassing doet alleen pijn als één app de routeringsbeslissing bezit en je nergens anders heen kunt als die je overzet. Een tweede account, of een werkruimte met meerdere modellen tegelijk, verandert een stille downgrade in een keuze die jij maakt.

Niets daarvan laat rate limits verdwijnen, en niemand zou je iets anders moeten vertellen. Capaciteit kost overal geld. Wat verandert, is dat de limiet zichtbaar en herstelbaar wordt, in plaats van dat je een week later ontdekt dat de helft van je werk werd opgesteld door een model dat je nooit koos. Weet je niet zeker welk model bij welk werk past, dan is hoe je een AI-model kiest een raamwerk in plaats van een ranglijst.