Stijgen je AI-kosten ook? Dan verbruik je waarschijnlijk meer dan je denkt.
De prijs per token daalt al jaren, en tóch loopt de rekening op. Dat is geen fout in je administratie, maar een direct gevolg van hoe AI-toepassingen werken. Op deze pagina lees je waar het verbruik weglekt en aan welke knoppen je kunt draaien.
Waarom stijgen AI-kosten terwijl tokens goedkoper worden?
Omdat het verbruik harder groeit dan de prijs daalt. Een taalmodel onthoudt niets tussen aanroepen, dus alle instructies, opgehaalde documenten en eerdere stappen gaan telkens opnieuw mee. Een taak van twintig stappen betaalt die context twintig keer. Grip krijg je door verbruik zichtbaar te maken, context te snoeien en werk naar het lichtste passende model te routeren.
- Verbruik groeit sneller dan de prijs per token daalt
- Herhaalde context is de grootste verborgen kostenpost
- Uitvoer- en redeneertokens wegen zwaarder dan invoer
- Sturen op kosten per taak, niet op het maandtotaal
De paradox: goedkoper per token, duurder per maand
Wie de tarieven van de grote modellenaanbieders volgt, ziet ze al jaren dalen. Wie tegelijk de eigen AI-uitgaven volgt, ziet die stijgen. Die twee lijnen spreken elkaar niet tegen: ze meten iets anders. De ene meet de prijs van een eenheid, de andere het aantal eenheden dat je verbruikt.
En dat aantal groeit hard, omdat élke verbetering die je in een AI-toepassing aanbrengt tokens kost. Je geeft het model betere instructies, laat het eerst in je eigen documenten zoeken, geeft het toegang tot je systemen, laat het zijn eigen werk controleren. Stuk voor stuk zinvolle stappen. Bij elkaar betekenen ze dat één vraag van een gebruiker onder water een reeks aanroepen wordt, met bij elke aanroep een groter pakket aan meegestuurde context.
Daar komt bij dat verbruik zich anders gedraagt dan een licentie. Een abonnement is voorspelbaar: je weet wat het per maand doet. Verbruik reageert op gedrag — op een drukke week, op een team dat een nieuwe workflow ontdekt, op een proces dat vaker misgaat dan verwacht. Zonder zicht daarop ontdek je pas achteraf wat er is gebeurd.
Het goede nieuws: dit is bijna nooit een technisch onoplosbaar probleem. In vrijwel elke AI-toepassing die wij openmaken, zit een fors deel van het verbruik in werk dat niemand mist als het wegvalt.
Waar het verbruik weglekt
Zes mechanismen verklaren het grootste deel van een oplopende AI-rekening. Ze staan zelden in een dashboard, maar zitten wel in bijna elke toepassing.
01
Context die bij elke stap opnieuw meegaat
Een taalmodel onthoudt niets tussen twee aanroepen. Alles wat het moet weten, stuur je elke keer opnieuw mee. Een assistent die een taak in twintig stappen afhandelt, verstuurt die verzamelde geschiedenis dus twintig keer. Niet de eerste vraag is duur, maar de twintigste.
02
Instructies en tool-definities die altijd meereizen
De systeeminstructie, de gedragsregels en de beschrijvingen van alle koppelingen waar de AI bij mag: die blokken staan vaak vast, maar reizen mee met élke aanroep. Ze zijn onzichtbaar in je interface en zwaar op je factuur.
03
Zoekresultaten die te ruim binnenkomen
Zoekt een oplossing eerst in je eigen documenten, dan is de verleiding groot om ruim op te halen: meer fragmenten, grotere stukken, extra overlap. Dat verkleint de kans op een gemist antwoord, maar elk extra fragment betaal je bij iedere vraag opnieuw.
04
Uitvoer weegt zwaarder dan invoer
Wat het model schrijft, telt bij vrijwel elke aanbieder een veelvoud zwaarder dan wat je erin stopt. Modellen die hardop 'nadenken' voor ze antwoorden, produceren bovendien tussenstappen die je nooit te zien krijgt maar wel meetellen. Een instructie als 'wees uitgebreid' is daarmee een kostenbeslissing.
05
Herhalingen, herstelpogingen en lussen
Een mislukte aanroep die automatisch opnieuw wordt geprobeerd, een agent die blijft rondcirkelen omdat een stap niet lukt, een gebruiker die drie keer herformuleert: dat verbruik staat nergens als 'fout' geregistreerd. Het verdwijnt in het totaal en groeit stilletjes mee.
06
Het zwaarste model als standaardkeuze
In de bouwfase kies je het sterkste model, want dan werkt alles. Die keuze blijft daarna vaak staan, ook voor het simpele routeerwerk: een e-mail categoriseren, een formulier samenvatten, een veld invullen. Zwaar gereedschap voor licht werk is de duurste gewoonte die er is.
Zes knoppen waar je aan kunt draaien
Je hoeft niet te kiezen tussen goedkoop en goed. In de praktijk werken deze zes ingrepen op elkaar in — en samen leveren ze veel meer op dan elk afzonderlijk.
Routeer op moeilijkheid
Niet elke vraag verdient het zwaarste model. Laat een licht model het routinewerk doen en schakel alleen op wanneer de taak dat echt vraagt, of wanneer het lichte model zelf aangeeft er niet uit te komen. Dit is meestal de grootste besparing én de minst zichtbare verandering voor gebruikers.
Hergebruik wat toch niet verandert
Vaste instructies, standaardcontext en documentatie kun je laten hergebruiken in plaats van elke keer opnieuw af te rekenen. Voorwaarde is dat je je aanvraag zo opbouwt dat het vaste deel vooraan staat en het variabele deel achteraan. Een structuurkeuze van een middag, met effect op elke aanroep daarna.
Zet uitgesteld werk in de wachtrij
Niet alles hoeft binnen een seconde antwoord te geven. Nachtelijke verrijking van je CRM, het opschonen van een documentarchief, rapportages: dat werk mag wachten. Aanbieders belonen dat met een duidelijk lager tarief per verwerkte batch.
Snoei in wat je meestuurt
Vat lange gesprekken samen in plaats van ze integraal mee te slepen. Haal minder maar preciezer op uit je eigen bronnen. Schrap tool-beschrijvingen die de AI in dit proces toch nooit gebruikt. Minder context is vaak ook een beter antwoord: modellen verliezen scherpte in een overvol venster.
Zet grenzen in de techniek, niet in een memo
Een maximum aantal stappen per opdracht, een plafond per team, een signaal wanneer verbruik afwijkt van het patroon. Grenzen die in de software zitten werken; grenzen die alleen in beleid staan, ontdek je pas bij de eindafrekening.
Meet per taak, niet per maand
Eén totaalbedrag per maand vertelt je niets. Kosten per afgehandelde aanvraag, per verwerkt document of per opgelost ticket vertellen je alles: welke toepassing zichzelf terugverdient, welke uit de hand loopt, en waar opschalen verstandig is.
MKB of enterprise: de winst zit op een andere plek
Het mechanisme is hetzelfde, de grootste besparing niet. Begin daar waar jouw organisatie het meeste laat liggen.
MKB
Opruimen wat je al hebt
- Licenties die je betaalt voor mensen die de tool nauwelijks openen.
- Drie assistenten naast elkaar die grotendeels hetzelfde werk doen.
- Automatiseringen die op de achtergrond verbruiken zonder eigenaar.
- Eén iemand die het verbruik in de gaten houdt, in plaats van niemand.
Meestal een kwestie van dagdelen, niet van maanden. De winst zit in overzicht: weten wat je afneemt, wie het gebruikt en wat het oplevert.
Enterprise
Sturen op wat verspreid is
- Verbruik toewijzen aan teams en toepassingen in plaats van aan één verzamelpost.
- Plafonds en signalering in de techniek, niet alleen in beleid.
- Een kostentoets voordat een nieuwe toepassing productie in gaat.
- Afspraken over welk model standaard is en wanneer je opschaalt.
Hier is niet de losse ingreep het probleem, maar dat niemand het geheel overziet. Grip ontstaat zodra elk team zijn eigen verbruik ziet en erop wordt aangesproken.
De vraag is niet "wat kost het", maar "wat kost één taak"
Een maandbedrag zegt weinig. Het vertelt je niet welke toepassing zichzelf terugverdient en welke stilletjes geld verbrandt. Zodra je het verbruik terugrekent naar één afgehandelde aanvraag, één verwerkt document of één beantwoorde klantvraag, wordt het gesprek concreet.
Want dan kun je de enige vergelijking maken die er echt toe doet: wat kost deze taak met AI, en wat kost dezelfde taak zonder? Valt die vergelijking goed uit, dan is een stijgende rekening geen probleem maar een teken dat je opschaalt. Valt hij slecht uit, dan weet je precies welke toepassing je moet aanpakken — en niet dat "AI duur is".
Die rekensom is ook de reden dat we niet met een prijslijst werken. De waarde van een AI-oplossing zit in wat een taak kost ten opzichte van wat hij oplevert, en dat verschilt per proces en per organisatie. Wat wél overal geldt: als je die verhouding niet meet, stuur je op gevoel.
Meer over de investering in een traject lees je op wat kost AI-implementatie. Hoe agents werken en waarom ze zoveel verbruiken, staat uitgelegd in de kennisbank bij AI-agent en RAG. Sta je nog aan het begin, kijk dan bij beginnen met AI.
Zo krijgen we je tokenkosten beheersbaar
Geen grote saneringsoperatie, maar vier stappen die je verbruik zichtbaar maken en zichtbaar houden.
-
Zichtbaar maken waar het heen gaat
eerste stapWe brengen je verbruik terug naar toepassing, team en taak. Zonder dat beeld is elke besparing een gok. Vaak blijkt het grootste deel van de rekening uit een handvol processen te komen.
-
Het makkelijke geld eerst
korte doorlooptijdOverbodige context, ongebruikte koppelingen, herhaalwerk dat hergebruikt kan worden en het te zware model op licht werk. Ingrepen die de gebruiker niet merkt en die je direct terugziet.
-
Kwaliteit bewaken bij elke ingreep
doorlopendGoedkoper mag nooit slechter betekenen. We leggen vooraf vast wat een goed antwoord is, meten dat bij elke aanpassing en draaien terug wat de kwaliteit aantast. Besparen zonder meetlat is uitstel van gedoe.
-
Borgen zodat het niet terugkomt
structureelPlafonds, signalering en een vaste kostentoets bij elke nieuwe toepassing. Zo blijft grip een eigenschap van je organisatie in plaats van een project dat je één keer hebt gedaan.
Benieuwd waar jouw verbruik weglekt?
De AI Readiness Scan brengt in kaart welke toepassingen je draait, wat ze opleveren en waar je grip mist. Een concreet startpunt voor een gesprek over kosten.
Doe de AI Readiness Scan
Veelgestelde vragen over tokenkosten
Wat zijn tokens precies?
Een token is een stukje tekst: vaak een woord, soms een deel van een woord of een leesteken. Taalmodellen rekenen niet per vraag maar per token, en tellen daarbij zowel wat je erin stopt als wat eruit komt. Zodra je AI in een proces gebruikt in plaats van in een chatvenster, wordt dat aantal het getal dat je rekening bepaalt.
Waarom stijgt mijn AI-rekening terwijl de tarieven dalen?
Omdat je verbruik harder groeit dan de prijs per token daalt. Toepassingen worden slimmer door meer context mee te sturen: langere instructies, opgehaalde documenten, gespreksgeschiedenis, tussenstappen. Elke verbetering kost tokens. Dat de eenheid goedkoper wordt, merk je pas als je ook stuurt op het aantal eenheden dat je verbruikt.
Waarom zijn AI-agents zo veel duurder dan een chatbot?
Een chatvraag is één keer heen en weer. Een agent werkt in stappen: plannen, iets opzoeken, een systeem raadplegen, controleren, bijstellen. Bij elke stap gaat de hele verzamelde context opnieuw mee, inclusief alle tussenresultaten. Analisten zien daardoor dat agentische taken een veelvoud verbruiken van een enkele chatvraag — afhankelijk van de taak loopt dat sterk uiteen, en juist die onvoorspelbaarheid maakt begrenzing belangrijk.
Is dit ook relevant als MKB-organisatie?
Ja, maar de aandacht ligt anders. Bij kleinere organisaties zit het geld meestal in licenties die niet gebruikt worden, in drie assistenten naast elkaar die grotendeels hetzelfde doen, en in automatiseringen die op de achtergrond verbruiken zonder dat iemand daar zicht op heeft. Dat is vaak in een paar dagdelen opgeruimd, terwijl grotere organisaties eerder zitten met verbruik dat over veel teams verspreid is.
Gaat de kwaliteit omlaag als ik op kosten stuur?
Niet als je het zorgvuldig doet. Snoeien in context maakt antwoorden vaak juist scherper, omdat het model minder ruis hoeft te wegen. Het risico zit in blind overstappen op een lichter model. Daarom leggen we eerst vast wat een goed antwoord is, testen we elke aanpassing daartegen en draaien we terug wat niet standhoudt.
Wanneer is een eigen model op eigen infrastructuur interessant?
Pas als je volume voorspelbaar en groot is, of als je gegevens absoluut niet naar buiten mogen. Onder die drempel betaal je vooral voor mensen en beheer in plaats van voor rekenkracht. Voor de meeste organisaties is slimmer omgaan met bestaande modellen een snellere en veiligere route dan zelf hosten.
Hoe voorkom ik dat het na een half jaar weer uit de hand loopt?
Door grip in de techniek te leggen in plaats van in afspraken. Plafonds per toepassing, signalering bij afwijkend verbruik en een vaste kostentoets voordat een nieuwe toepassing live gaat. Wie kosten per afgehandelde taak blijft volgen, ziet een probleem aankomen in plaats van het achteraf op de factuur te ontdekken.
Loopt je AI-rekening harder op dan je verwacht had?
Plan een vrijblijvend gesprek. We kijken mee naar wat je draait, waar het verbruik vandaan komt en welke ingrepen in jouw situatie het snelst effect hebben.