De prognose die Canva zelf koos te verlagen

Toen Canva zijn cijfers over het tweede kwartaal van 2026 presenteerde, opende topvrouw Melanie Perkins met het getal dat analisten het minst hadden verwacht: de groeiprognose voor het hele jaar, verlaagd van 30 naar 20 procent, een volle derde onder het eigen eerdere doel van het bedrijf. Ze presenteerde het niet als een tegenvaller. Ze noemde het "een bewuste beslissing om de economie op orde te krijgen" van de kosten voor het draaien van Canva's AI-functies - het soort formulering die een topvrouw kiest wanneer een getal beweegt omdat de leiding daarvoor koos, niet omdat de markt het afdwong.

Het kwartaal zelf was naar gewone maatstaven niet zwak. De omzet kwam uit op 921,9 miljoen dollar (1,32 miljard Australische dollar), een stijging van 25,2 procent op jaarbasis, een groeicijfer waarmee de meeste softwarebedrijven trots zouden pronken. Het bleef alleen achter bij het tempo dat Canva's eigen roadmap veronderstelde, en sommige nieuwere AI-functies verschenen tot zes maanden later dan gepland - een vertraging die achteraf te herleiden is tot hetzelfde onderliggende probleem als de verlaagde prognose.

Niets hierin leest als een bedrijf in de problemen. Het leest als een bedrijf dat zijn eigen AI-ambitie had geprijsd op een getal dat niet bleek te houden, dat vroeg genoeg opmerkte om er nog iets aan te doen, en dat op zoek ging naar de reden.

Waarom de rekensom niet meer klopte

De diagnose: Perkins noemde drie concrete oorzaken, en elk daarvan verdient het gelezen te worden als checklist, niet als excuus. De gemiddelde kosten om binnen Canva's producten één AI-taak af te handelen waren te hoog opgelopen om de daaromheen gebouwde prijsstelling te dragen. Het bedrijf leunde, in haar eigen woorden, te zwaar op frontier-modellen - de grote externe systemen van aanbieders zoals OpenAI - voor werk dat geen capaciteit van frontier-niveau nodig had. En Canva's eigen prijsstelling, verbruiksmodel en gebruikscontroles hadden geen gelijke tred gehouden met hoeveel vraag er werkelijk kwam zodra de functies op schaal live stonden, in plaats van in een pilot.

Waarom dit telt: elk van die tekortkomingen lijkt afzonderlijk klein en stapelt zich slecht op. Een functie die op pilotvolume is doorgerekend, oogt betaalbaar. Diezelfde functie, vermenigvuldigd met miljoenen gebruikers die inmiddels verwachten dat ze in een abonnement zit in plaats van per gebruik afgerekend, wordt een kostenregel die sneller groeit dan de omzetregel ernaast. Canva bouwt producten voor ontwerpteams, marketeers en kleine ondernemingen in heel Europa die datzelfde mechanisme vanuit kopersperspectief voelen telkens wanneer een leverancier de prijs van een AI-toevoeging zonder waarschuwing verandert; hier is de leverancierskant van precies datzelfde mechanisme, bij een bedrijf groot genoeg om de cijfers te publiceren.

Wat deze diagnose ongewoon nuttig maakt, is dat het geen verhaal is over AI die in het abstracte duur is. Het is het verhaal van een specifieke mismatch: de catalogusprijs van een frontier-aanbieder betalen voor taken die een kleiner, doelgericht gebouwd model tegen een fractie van de kosten had kunnen afhandelen, bij een volume waarbij die fractie oploopt tot echt geld.

Negentig procent goedkoper, zelf gebouwd

De oplossing: Canva besteedde ongeveer drie maanden aan het herbouwen van zijn AI-stack rond modellen die het zelf bezit, grotendeels gebouwd op de technologie achter Leonardo.AI, de in Sydney gevestigde generatieve-AI-startup die Canva in 2024 overnam. De logica erachter is smal en specifiek: frontier-modellen aanhouden voor de taken die echt frontier-capaciteit nodig hebben, en de hoogvolume, herhaalbare inferentie - het merendeel van wat een ontwerptool een AI-model daadwerkelijk vraagt te doen - verplaatsen naar infrastructuur die Canva zelf beheert en zelf beprijst.

De resultaten zijn het deel om bij stil te staan. Canva rapporteert in totaal een verlaging van ongeveer 90 procent van de AI-kosten per taak. Per model uitgesplitst: het eigen beeldmodel bleek ongeveer 30 keer goedkoper dan vergelijkbare frontier-modellen, het videomodel ongeveer 17 keer goedkoper, en een stijloverdrachtsmodel ongeveer 23 keer goedkoper. Dat zijn geen marginale efficiëntiewinsten door betere prompts of caching. Het is het verschil tussen een verdienmodel dat werkt bij het volume dat Canva daadwerkelijk bedient en een verdienmodel dat dat niet doet.

Niets hiervan leest als een bedrijf onder financiële druk. Canva blijft voor het negende jaar op rij winstgevend en houdt 1,47 miljard dollar aan contanten aan. De correctie was een keuze vanuit een positie van kracht, geen redding vanuit een positie van zwakte - precies daarom is het de moeite waard om te bestuderen in plaats van weg te zetten als een noodverhaal.

De build-versus-buy-val waarin elke roadmap kan trappen

Het patroon: Canva's omslag is een levend, door cijfers onderbouwd geval van een val waarin veel kleinere bedrijven trappen, met veel minder ruimte om de klap op te vangen. Een productroadmap wordt opgeschaald tegen de catalogusprijs van een extern frontier-model voordat iemand de unit-economics bij het werkelijke gebruiksvolume heeft doorgerekend. De pilot klopt. De brede uitrol niet, omdat het verbruik sneller groeit dan de eigen prijsstelling en gebruikscontroles van de leverancier waren gebouwd om op te vangen - en tegen de tijd dat dat zichtbaar wordt, liggen de roadmap en de daarop gebouwde klantverwachtingen al vast.

Wat u anders moet doen: behandel de API-kosten van een frontier-model als een variabele die sneller kan bewegen dan uw eigen productprijzen erop kunnen reageren, niet als een vaste invoer die u eenmalig doorrekent en daarna vergeet. Bereken voordat u een AI-functie op schaal uitrolt de kosten per taak bij zoiets als tien keer uw verwachte volume, niet bij het pilotvolume, want het pilotvolume is precies het getal dat dit probleem verbergt totdat het duur wordt om te verhelpen. Canva's concrete antwoord - de hoogvolume, meest gestandaardiseerde inferentie zelf in huis halen en frontier-API's reserveren voor de echt lastige taken - is een concreet patroon dat elk productteam met de middelen om een kleiner model te bouwen of te kopen kan overnemen; de rekendiscipline erachter staat elk team open, ongeacht de omvang.

De les vereist niet dat een bedrijf zijn eigen AI-modellen bouwt om er nuttig van te zijn. Ze vereist dat u de prijsstelling van een leverancier behandelt als een beweeglijk onderdeel van het verdienmodel, getoetst aan het volume dat het product daadwerkelijk zal bereiken, voordat dat volume er is en de rekening voor u beslist.

Lees hierna: Uw AI-leverancier krijgt misschien een noodstop  |  Rust trekt de grens die AI niet mag overschrijden