De echte AI-rekening: waarom slecht aangestuurde agents duurder worden dan mensen
De prijs per AI-token daalt, maar de totale rekening van bedrijven stijgt snel. Autonome agents gebruiken veel meer rekenkracht dan klassieke chatbots en leveren bij een hoger verbruik niet automatisch betere resultaten. Daardoor ontstaat een nieuw managementvraagstuk. Organisaties moeten niet alleen bepalen waar ze AI inzetten, maar ook hoeveel autonomie systemen krijgen, hoe kwaliteit wordt gemeten en welke bedrijfskennis ze mogen gebruiken. De AI-winnaars worden niet noodzakelijk de bedrijven met de meeste agents, maar de ondernemingen die digitale arbeid het best organiseren.
Goedkopere AI, maar een steeds hogere rekening
Jarenlang draaide het debat over artificiële intelligentie rond één dominante vraag: hoeveel banen zal AI vervangen? De eerste ervaringen met grootschalige AI-implementaties tonen echter dat bedrijven met een veel directer probleem worden geconfronteerd. Niet menselijke arbeid, maar slecht georganiseerde digitale arbeid dreigt een onverwacht dure productiefactor te worden.
De technologie zelf wordt goedkoper. De kostprijs om AI-modellen een bepaalde hoeveelheid tekst te laten verwerken, is de voorbije jaren spectaculair gedaald. Toch zien organisaties hun totale AI-uitgaven snel oplopen. Volgens een analyse die McKinsey op 13 juli 2026 publiceerde, verdrievoudigden de uitgaven van ondernemingen aan grote taalmodellen in een periode van twaalf maanden. In een afzonderlijke bevraging gaf een ruime meerderheid van de deelnemende bedrijven aan het vooropgestelde AI-budget te hebben overschreden.
Dat lijkt tegenstrijdig, maar is het niet. Goedkopere intelligentie leidt niet automatisch tot lagere kosten wanneer bedrijven er steeds grotere hoeveelheden van gebruiken. Met de opkomst van autonome AI-agents verandert bovendien de aard van het verbruik. Een chatbot beantwoordt een vraag. Een agent plant een opdracht, raadpleegt databronnen, gebruikt software, controleert tussentijdse resultaten en probeert opnieuw wanneer iets mislukt. Elke stap verbruikt tokens, rekenkracht en vaak ook externe diensten.
Van AI-gebruik naar ‘tokenmaxxing’
In Silicon Valley duikt daarom steeds vaker het begrip tokenmaxxing op: het idee dat medewerkers en AI-systemen zo veel mogelijk rekencapaciteit moeten gebruiken om de productiviteit te verhogen.
Investeerder Chamath Palihapitiya waarschuwde op 14 juli dat veel financieel directeurs mogelijk nog onvoldoende zicht hebben op hoeveel AI binnen hun organisaties wordt verbruikt. Sommige ondernemingen moedigden medewerkers aanvankelijk zelfs aan om AI zo intensief mogelijk te gebruiken, onder meer via interne ranglijsten. Nu het experimentele gebruik wordt omgezet in structurele bedrijfsprocessen, wordt ook de bijbehorende rekening zichtbaar.
Veel tokens verbruiken staat echter niet gelijk aan veel waarde creëren.
Onderzoekers die het tokenverbruik van AI-agents bij programmeeropdrachten analyseerden, kwamen tot een opvallende conclusie. Agentische taken konden ongeveer duizend keer meer tokens gebruiken dan gewone gesprekken of eenmalige redeneeropdrachten over code. Het verbruik voor exact dezelfde taak kon tussen verschillende uitvoeringen bovendien tot een factor dertig verschillen.
Nog belangrijker: meer tokens leverden niet automatisch een beter resultaat op. De nauwkeurigheid bereikte vaak een optimaal niveau bij een gemiddeld verbruik en verbeterde daarna nauwelijks meer. Sommige agents bleven dus rekenen, zoeken en corrigeren zonder dat de kwaliteit evenredig toenam.
Ook Anthropic stelde bij de ontwikkeling van zijn onderzoeksagents vast dat meerdere samenwerkende agents aanzienlijk meer capaciteit verbruiken. Een klassieke agent gebruikte in zijn tests ongeveer vier keer zoveel tokens als een normale chatinteractie. Bij een systeem met meerdere agents liep dat op tot ongeveer vijftien keer zoveel. Zulke architecturen kunnen waardevol zijn voor complexe opdrachten die echt parallel kunnen worden uitgevoerd, maar zijn economisch moeilijk te verantwoorden voor eenvoudige of sterk onderling afhankelijke taken.
Digitale medewerkers zonder leidinggevende
De vergelijking tussen AI-agents en medewerkers is niet perfect, maar ze helpt wel om het probleem te begrijpen.
Een agent krijgt een taak, beschikt over bepaalde hulpmiddelen en moet binnen vastgelegde grenzen een resultaat produceren. Zonder duidelijke opdracht kan hij verkeerde aannames maken. Zonder budgetlimiet kan hij eindeloos nieuwe zoekopdrachten, modelaanroepen en correctierondes starten. Zonder kwaliteitscriteria weet hij niet wanneer het werk voldoende goed is.
In menselijke organisaties worden zulke problemen aangepakt met verantwoordelijkheden, processen, budgetten, kwaliteitscontroles en leidinggevenden. Bij AI ontbreekt die managementlaag vaak nog.
Bedrijven installeren een krachtig model, koppelen er interne gegevens en software aan en verwachten vervolgens dat productiviteitswinst vanzelf ontstaat. Wanneer de resultaten tegenvallen, voegen ze extra instructies, meer context, een duurder model of bijkomende agents toe. Dat kan het systeem beter maken, maar het kan een slecht ontworpen proces ook gewoon duurder maken.
Een onduidelijke opdracht wordt immers niet noodzakelijk duidelijker door er meer intelligentie op los te laten. Soms betaalt een organisatie vooral voor AI die de fouten van andere AI probeert te herstellen.
De goedkoopste token is niet altijd de beste maatstaf
Alleen naar de prijs per miljoen tokens kijken, volstaat daarom niet meer. Een goedkoop model dat twintig pogingen nodig heeft, kan duurder uitvallen dan een krachtiger model dat de taak meteen correct uitvoert. Omgekeerd is het evenmin rationeel om voor elke samenvatting, classificatie of standaardmail het meest geavanceerde model te gebruiken.
De relevante maatstaf wordt de kostprijs per bruikbaar resultaat.
Daarin zitten niet alleen de tokens die een model verwerkt. Ook de kosten van databanken, zoekopdrachten, beveiliging, monitoring, menselijke controle en foutcorrectie moeten worden meegerekend. Wanneer een medewerker een uur nodig heeft om een foutieve AI-uitvoer te herstellen, maakt die tijd deel uit van de werkelijke AI-rekening.
McKinsey stelt daarom dat ondernemingen intelligentie meer als kapitaal moeten behandelen. Niet elke opdracht rechtvaardigt hetzelfde model, dezelfde contextgrootte of dezelfde mate van autonomie. Voor elke belangrijke toepassing moet duidelijk zijn waarom een bepaald systeem wordt gebruikt, wie verantwoordelijk is en onder welke voorwaarden de aanpak wordt aangepast.
Bedrijfskennis wordt belangrijker dan het model
Naarmate AI-modellen dichter bij elkaar komen te liggen, verschuift het concurrentievoordeel bovendien naar de informatie waartoe die modellen toegang hebben.
Een algemeen taalmodel kent de interne afspraken van een onderneming niet. Het weet niet welke uitzonderingen bij een bepaalde klant gelden, waarom een procedure in het verleden werd aangepast of welke informele regels ervaren medewerkers toepassen. Zonder die context moet het systeem gokken.
Waardevolle bedrijfskennis bevindt zich echter zelden in één nette databank. Ze zit verspreid over handleidingen, e-mails, chatgesprekken, vergaderverslagen en vooral in de hoofden van mensen.
Daardoor krijgt AI-implementatie ook een gevoelige menselijke dimensie. Organisaties hebben de kennis van ervaren medewerkers nodig om agents betrouwbaar te maken, terwijl diezelfde medewerkers kunnen vrezen dat ze door hun expertise te documenteren hun eigen werk automatiseerbaar maken.
Dat probleem kan niet met een betere prompt worden opgelost. Het vereist vertrouwen, transparantie en duidelijke afspraken over hoe AI wordt gebruikt. Medewerkers moeten weten of de technologie hen ondersteunt, hun functie verandert of daadwerkelijk taken overneemt. Zonder die duidelijkheid ontstaat een prikkel om kennis juist niet te delen.
De organisaties die dit spanningsveld negeren, riskeren technisch geavanceerde agents te bouwen die cruciale bedrijfservaring missen. Volgens McKinsey worden eigen data, beslissingsgeschiedenis en procescontext juist belangrijker nu de onderliggende modellen steeds gemakkelijker toegankelijk worden.
Waarom evaluaties belangrijker worden dan prompts
De volgende fase van bedrijfs-AI zal daarom waarschijnlijk minder draaien om indrukwekkende demonstraties en meer om systematische evaluatie.
In de AI-sector worden zulke testmethodes doorgaans evals genoemd. Een eval bepaalt vooraf wat een goed resultaat is, test het systeem met representatieve voorbeelden en meet waar het fout loopt. Het is het verschil tussen zeggen dat een agent “goede klantendienst” moet leveren en exact vastleggen welke antwoorden correct, veilig, volledig en commercieel wenselijk zijn.
Softwareontwikkeling loopt hierin voorop omdat resultaten er relatief eenvoudig kunnen worden gecontroleerd. Code compileert of compileert niet. Een automatische test slaagt of faalt. Een wijziging veroorzaakt wel of geen nieuwe fouten.
In andere bedrijfsprocessen is succes minder binair, maar hetzelfde principe blijft bruikbaar. Een verkoopagent kan worden beoordeeld op correcte kwalificatie, geplande afspraken en naleving van merkregels. Een juridisch systeem kan worden getest op ontbrekende clausules en foutieve verwijzingen. Een klantenservice-agent kan worden gemeten op oplossingspercentage, escalaties en klanttevredenheid.
OpenAI omschrijft evals als een cyclus van specificeren, meten en verbeteren. Daarbij zijn domeinexperts minstens even belangrijk als technische teams. Zij moeten bepalen wat een goed resultaat betekent, welke fouten onaanvaardbaar zijn en welke uitzonderingen het systeem moet herkennen. Evals vervangen menselijke expertise dus niet. Ze zetten die expertise om in een herhaalbaar kwaliteitskader.
Een goede prompt blijft nuttig, maar is slechts één onderdeel van het systeem. Zonder evaluatie weet een organisatie niet of een gewijzigde prompt echt beter werkt, alleen anders klinkt.
AI-transformatie wordt permanent onderhoud
Veel ondernemingen behandelen AI nog als een tijdelijk innovatieproject. Ze selecteren een toepassing, bouwen een proefproject en verwachten daarna een afgerond product.
Agentische systemen passen moeilijk in dat model.
De gebruikte modellen veranderen voortdurend. De prijsstructuren van leveranciers wijzigen. Interne data worden aangevuld. Bedrijfsprocessen evolueren. Nieuwe fouten worden pas zichtbaar wanneer het systeem in de praktijk op uitzonderlijke situaties botst.
AI-transformatie wordt daardoor eerder een permanente verbetercyclus dan een eenmalige implementatie. Organisaties moeten het gedrag van agents blijven volgen, kosten per resultaat meten, evaluaties uitbreiden en regelmatig controleren of een eenvoudiger systeem dezelfde taak niet goedkoper kan uitvoeren.
Dat vraagt een combinatie van technische kennis, procesinzicht en klassiek management.
De opkomst van de AI-manager
AI maakt leidinggevenden dan ook niet automatisch overbodig. Integendeel: hoe meer digitale arbeid een organisatie inzet, hoe groter de behoefte aan mensen die bepalen wat die systemen moeten doen.
De toekomstige AI-manager hoeft niet noodzakelijk zelf modellen te bouwen. De belangrijkste vaardigheden liggen elders: doelen verduidelijken, processen ontleden, kwaliteitscriteria vastleggen, budgetten bewaken en beslissen wanneer menselijke tussenkomst noodzakelijk blijft.
Ook eigenaarschap wordt cruciaal. Wanneer een agent een verkeerd besluit neemt, moet duidelijk zijn wie verantwoordelijk is voor de opdracht, de gebruikte data, de technische configuratie en de uiteindelijke controle. Zonder zulke verantwoordelijkheden wordt AI een gedeeld experiment waarvan niemand de volledige kosten of risico’s beheert.
De vraag voor bestuurders is daarom niet hoeveel AI hun onderneming gebruikt. Zelfs het aantal agents of verbruikte tokens zegt weinig over de werkelijke vooruitgang.
De relevante vragen zijn fundamenteler. Welke bedrijfswaarde levert een systeem? Tegen welke totale kostprijs? Hoe vaak maakt het fouten? Wie grijpt in wanneer het fout loopt? En wordt het proces door elke nieuwe versie aantoonbaar beter?
De volgende fase van de AI-revolutie zal niet alleen worden bepaald door slimmere modellen. Ze zal worden bepaald door organisaties die digitale arbeid even zorgvuldig leren ontwerpen en aansturen als menselijke arbeid.
De bedrijven die winnen, zijn vermoedelijk niet degene die de meeste AI inzetten. Het zijn de bedrijven die precies weten welke problemen hun agents moeten oplossen, wanneer ze moeten stoppen en hoeveel hun antwoord werkelijk waard is.