Wat kan je doen tegen die sterk stijgende AI-kosten?

Twee jaar geleden was AI het toverwoord waar niemand een prijskaartje aan hing. Nu bellen advocatenkantoren in paniek hun leverancier omdat de factuur niet meer te betalen is en schrapt Uber licenties nadat het jaarbudget al in april op was. In mijn nieuwste artikel leg ik uit waar die rekening vandaan komt en welke stappen ik nu aanraad om er weer grip op te krijgen.

Bij Uber was het jaarbudget voor AI-codeertools in april van dit jaar al vrijwel op. Inderdaad, na amper 4 maanden. Het bedrijf had het gebruik intern juist flink aangewakkerd, onder meer met ranglijsten van de meest actieve teams (op basis van aantal gebruikte tokens). Toen COO Andrew Macdonald moest toegeven dat al dat gebruik nauwelijks te koppelen was aan klantwaarde… kwamen er alsnog harde maandlimieten.

Dit is inmiddels ook in Nederland aan de orde van de dag. Het FD onthulde deze zomer dat advocatenkantoren in paniek raken door fors stijgende prijzen voor AI-modellen. Juridisch platform Elgar Weijtmans, hoofd technologie bij HVG Law, vertelde de krant dat hij kantoren aan de telefoon krijgt die simpelweg niet weten hoe ze dit nog moeten betalen.

Legaltechexpert Douwe Groenevelt schat dat kantoren die met de beste modellen willen blijven werken, rekening moeten houden met kosten die 2 – 3x hoger uitvallen. Bij due diligence onderzoeken (waarbij AI honderdduizenden documenten moet doorspitten) loopt de rekening het hardst op. Precies het soort werk waarvoor AI juist was aangeschaft volgens de experts.

Het interessante om te lezen, is dat er geen onwil is om te betalen voor de AI-diensten. Niemand rekende zich rijk. Maar vrijwel niemand had vooraf goed door hoe het prijsmodel werkt. Dat is precies de blinde vlek waar dit hele verhaal om draait.

Niets nieuws onder de zon

Ik zie bij elke grote technologische doorbraak steeds twee dezelfde bedrijven. Eerst een fase waarin niemand op de rekening let, gevolgd door een fase waarin iedereen dat opeens wel doet. Meestal een stuk pijnlijker dan verwacht.

Bij internet gebeurde dat precies. Begin jaren negentig zetten bedrijven een website neer alsof het gratis goodwill was. Tien jaar later klapte de dotcom-bubbel uit elkaar, deels omdat niemand had uitgerekend wat al die serverruimte en bandbreedte werkelijk kostte vs. wat het opleverde.

Cloud computing volgde hetzelfde script. Amazon Web Services beloofde dat bedrijven nooit meer zelf servers hoefden te kopen en dat klopte ook. Alleen ontdekten IT-afdelingen een paar jaar later dat hun cloudrekening jaarlijks fors groeide, simpelweg omdat niemand bijhield welke server nog draaide en waarom. Uit die chaos ontstond trouwens een hele discipline (FinOps) met maar één doel: de wildgroei in kosten terugdringen.

Ook AI zie je nu dezelfde route volgend, alleen sneller en met een prijsmodel dat nog ondoorzichtiger is dan bij cloud. Een server had tenminste een vaste maandprijs. De AI-rekening beweegt mee met elk gesprek, elke agent die zelfstandig aan de slag gaat en elk document dat wordt ingelezen. Die leercurve gaat dit keer een stuk pijnlijker uitpakken.

Van verwondering naar verdriet

Forrester voorspelde voor 2026 een afrekenmoment voor AI, en die voorspelling komt uit. Het bureau ziet een groeiende kloof tussen wat leveranciers beloven en wat bedrijven daadwerkelijk terugzien. Minder dan een derde van de besluitvormers kan de waarde van AI koppelen aan echte financiële groei.

Dat zie ik ook echt terug bij veel organisaties waar ik mee mag werken; de CFO’s krijgen het steeds vaker weer over de AI-budgetten (in plaats van de CEO die vooral enthousiast wil investeren). Forrester verwacht dat bedrijven daardoor een kwart van hun geplande AI-uitgaven doorschuiven naar 2027.

De cijfers bevestigen dat beeld. Gartner verwacht dat de wereldwijde AI-uitgaven dit jaar uitkomen op zo’n $2,5 biljoen, een stijging van 44% ten opzichte van vorig jaar. KPMG ondervroeg begin dit jaar ruim tweeduizend senior leiders en zag dat bijna de helft van de bedrijven AI-uitrolplannen heeft uitgesteld of heroverwogen zodra de operationele kosten zwaarder gingen wegen dan de verwachte waarde.

Onderzoeksbureau CloudZero vond dat 40% van de ondervraagde bedrijven inmiddels meer dan $10 miljoen per jaar aan AI uitgeeft. Slechts 22% van hen kon de kosten precies volgen tot op het niveau van losse transacties.

Voorspellen lijkt moeilijker dan verwacht

Als ondernemer wil je niet alleen zekerheid over de financiën, vaak weet je wel een beetje wat je kan verwachten qua facturen en kosten. Waarom is dit bij AI zo anders? Traditionele software, denk aan een CRM-systeem of een projectmanagementtool, werkt met een vaste prijs per gebruiker per maand.

Je weet vooraf precies wat je kwijt bent. AI-modellen doorbreken die zekerheid volledig, want ze rekenen op basis van zogenaamde tokens (de kleine stukjes tekst waarin een taalmodel taal verwerkt).

Zolang een medewerker af en toe iets vraagt aan een chatbot, blijft die rekening overzichtelijk. Zodra bedrijven overstappen op agents die zelfstandig meerdere stappen zetten, plannen maken, zichzelf controleren en herhalen tot het resultaat klopt… loopt het verbruik hard op.

Eerder schreef ik al dat agents de grootste AI-trend van het moment zijn en dat zie je nu ook echt gebeuren: de meeste bedrijven leggen er juist nu de focus op, omdat ze het grootste rendement beloven.

Als econoom zie ik hier wel een hele interessante paradox. De prijs per token daalt al maanden razendsnel. Stanford berekende dat de kosten om prestaties op GPT-3.5-niveau te halen tussen eind 2022 en eind 2024 ruim 280x lager werden.

Maar toch blijven de totale bedrijfsuitgaven aan AI fors stijgen. Dat komt in mijn optiek niet omdat intelligentie duurder wordt, maar omdat bedrijven simpelweg veel meer van die goedkopere intelligentie inkopen. Dat noemen we ook wel het Jevons-effect: wordt iets goedkoper, dan gebruiken we het zoveel meer dat de totale rekening alsnog stijgt. Dat is precies wat er nu met AI gebeurt.

Het topje van de ‘AI-sberg’

Het sentiment is in mijn optiek wel echt duidelijk omgeslagen rondom AI. Waar ik in het begin vanuit publieken vooral nog verwondering en enthousiasme terug hoor, zijn het nu ook veel kritische noten op gebied van soevereiniteit, impact op werknemers en dus de kosten.

Kosten die niet op de oorspronkelijke offerte stonden. De modelrekening is in mijn optiek namelijk maar het topje van de ijsberg, als je scherper gaat kijken naar alles wat nodig is om AI ook echt aan het werk te zetten.

Om bijvoorbeeld een AI-assistent echt bruikbaar te maken, moet hij toegang krijgen tot bedrijfsdata. Dat vraagt om vector databases, die documenten doorzoekbaar maken voor een taalmodel.

Die opslag en verwerking kost geld, net als het dataverkeer tussen systemen, de logging en de beveiliging eromheen. Bij één chatbot valt dat nog mee. Zodra meerdere afdelingen eigen AI-toepassingen bouwen, stapelt het zich razendsnel op.

Daarnaast dwingt de Europese AI Act bedrijven in hogere risicocategorieën tot investeringen in risicobeheer, documentatie en kwaliteitscontrole. Die rekening verschijnt niet op de factuur van OpenAI of Anthropic, maar groeit wel stap voor stap mee naarmate de wet verder in werking treedt.

Tijd als kostenpost

Een kostenpost die zelden serieus wordt meegeteld, is de tijd die medewerkers kwijt zijn aan het corrigeren van AI-output. Ik sprak een executive die maandelijks duizenden dollars betaalde aan een AI-schrijftool en er vervolgens achter kwam dat zijn team net zoveel tijd kwijt was aan het herschrijven van de teksten als ze eerst zelf hadden gekost.

Zijn conclusie was ontnuchterend simpel: een goede schrijver bleek uiteindelijk goedkoper dan de dure geautomatiseerde variant. Hij schafte de tool af en gaf het budget terug aan zijn team.

Ook de modelkeuze zelf is een kostenpost die vaak ten onrechte wordt genegeerd. MIT Sloan onderzocht het gebruik via OpenRouter en vond dat gesloten modellen gemiddeld zo’n 6x zo duur waren als open alternatieven, terwijl die laatste bijna 90% van dezelfde prestaties leverden.

Toch kiezen veel teams standaard voor het duurste en bekendste model, ook voor taken die daar helemaal niet om vragen. Vergelijkbaar met iedereen in de organisatie een sportwagen geven om naar de supermarkt te rijden.

Het speelkwartier is over

Ik zie weinig organisaties echt stoppen met het gebruik van AI, maar wel veel gedisciplineerder ermee aan het werk. Bij Microsoft rolde men begin dit jaar Claude Code breed uit onder werknemers, om enkele maanden later het grootste deel van die licenties weer te schrappen en medewerkers richting de eigen GitHub Copilot te sturen.

Officieel ging het om standaardisering, maar kostenbeheersing speelde volgens ingewijden zeker mee.

Amazon verwijderde een interne ranglijst die bijhield hoeveel AI-medewerkers gebruikten, nadat bleek dat sommige AI-agents onnodige taken uitvoerden om hoger op die lijst te eindigen.

Een leidinggevende waarschuwde het personeel expliciet om AI niet te gebruiken puur om te kunnen zeggen dat je AI gebruikt. Een herkenbaar managementprobleem: zodra AI-gebruik zelf een KPI wordt, gaat iedereen dat gebruik maximaliseren in plaats van de waarde ervan (tokenmaxxing).

Spotify meldde dat de operationele kosten in het eerste kwartaal van dit jaar met 17% stegen, met AI-investeringen als een van de belangrijkste oorzaken. Het bedrijf blijft investeren, maar bespreekt intern inmiddels ook of elke nieuwe modelupgrade de hogere rekening nog wel waard is.

Zelf de kosten beheersbaar houden

Voor mijn eigen gebruik en dat van klanten, ben ik flink in de materie gedoken om te kijken hoe je de kosten in de gaten kan houden en kan optimaliseren. Mijn top 5:

1. Kies het juiste model voor de juiste taak. Je pakt ook geen Ferrari om even het hoekje om naar de supermarkt te rijden. Toch doen bedrijven precies dat met AI: elke simpele samenvatting of routinevraag gaat naar het duurste topmodel, terwijl een lichter en goedkoper model hetzelfde resultaat levert. Een slimme tussenlaag die dit automatisch verdeelt, kan de kosten volgens meerdere leveranciers met 40% tot 50% terugbrengen.
2. Zet AI-agents op een strakke leiband. Een agent zonder grenzen is als een stagiair die nooit naar huis gaat en ’s nachts stiekem doorwerkt met de bedrijfscreditcard in de hand. Spreek daarom vooraf een maximaal aantal stappen af, een tokenbudget per taak en een moment waarop iemand er nog even naar kijkt voordat het verdergaat.
3. Stuur geen telefoonboek als je maar één nummer nodig hebt. Veel organisaties gooien complete documenten of hele e-mailketens in een prompt, terwijl maar een klein deel daarvan relevant is. Kortere, scherpere prompts verbruiken minder tokens en leveren vaak nog een beter antwoord op ook.
4. Zet een meter op elke kraan. Zonder inzicht in wie wat verbruikt, blijft AI een collectieve rekening waar niemand zich verantwoordelijk voor voelt. Koppel API-sleutels aan afdelingen, bouw realtime dashboards en laat het systeem zelf aan de bel trekken bij afwijkend gebruik. In de FinOps-gemeenschap zegt inmiddels 98% van de professionals AI-uitgaven actief te beheren, tov 31% nog maar 2 jaar geleden. Die discipline wordt razendsnel de norm.
5. Tel geen stappen, meet vooruitgang. Het aantal prompts, tokens of actieve gebruikers zegt evenveel over echte waarde als een stappenteller over je conditie. Het kan medewerkers zelfs aanzetten tot onnodig gebruik, precies zoals bij Amazon gebeurde. Meet in plaats daarvan kwaliteit, doorlooptijd, klanttevredenheid en de tijd die er écht mee bespaard wordt.

Pluk de vruchten

AI is in mijn optiek niet te duur. Het ongerichte gebruik ervan is dat wel en dat is een wezenlijk ander probleem met een heel andere oplossing. De bedrijven die nu voorop lopen, behandelen rekenkracht niet meer als een onuitputtelijke grondstof, maar als een kostbare nutsvoorziening waarin elk token zijn plek moet verdienen.

Ik zie dit bij bedrijven die dit serieus nemen: AI verandert van hype-object naar een normale bedrijfskostenpost. Even scherp bewaakt als elke andere investering. Dat is winst en geen verlies.

Wie die discipline nu al inricht, hoeft straks niet in paniek te bellen zoals de advocatenkantoren deden, maar plukt de vruchten van een technologie die eindelijk serieus wordt genomen in plaats van blindelings omarmd.