AI-toepassingen vinden steeds sneller hun weg naar organisaties. Maar naarmate chatbots en AI-agents op grotere schaal worden ingezet, groeit ook de aandacht voor hun werkelijke kosten en opbrengsten. Het aantal gebruikers of verbruikte tokens vertelt daarbij slechts een deel van het verhaal.
Een AI-pilot begint vaak met een eenvoudige vraag: kan dit werken?
Een eerste prototype wordt ontwikkeld, medewerkers testen de mogelijkheden en de resultaten zijn veelbelovend. Een chatbot beantwoordt vragen op basis van interne documenten. Een AI-agent verzamelt informatie, verwerkt gegevens of voert taken uit in verschillende softwaresystemen.
Wanneer zo'n toepassing succesvol blijkt, volgt doorgaans een volgende vraag: wat kost dit wanneer niet tien, maar honderden of duizenden medewerkers ermee aan de slag gaan?
Daarmee verschuift de aandacht van de technische mogelijkheden naar de economische haalbaarheid. De prijs van een AI-abonnement is meestal gemakkelijk te achterhalen. De totale kostprijs van een AI-toepassing is een stuk ingewikkelder.
Wat kost een AI-agent eigenlijk?
Veel generatieve AI-systemen werken met zogenaamde tokens. Dat zijn kleine eenheden waarin taalmodellen tekst en andere informatie verwerken. Bij API-gebaseerde toepassingen wordt het verbruik vaak aangerekend op basis van de hoeveelheid informatie die naar het model wordt gestuurd en de hoeveelheid die het model genereert.
De prijs hangt onder meer af van het gekozen model, het type verwerking en de manier waarop de toepassing wordt gebruikt. Sommige aanbieders werken met vaste abonnementen of inbegrepen gebruiksvolumes. Andere gebruiken variabele tarieven, credits of gereserveerde capaciteit.
Bij AI-agents kan de kostenstructuur nog complexer worden.
Een klassieke chatbot genereert doorgaans een antwoord op een vraag. Een AI-agent kan daarnaast een opdracht opsplitsen in verschillende stappen, gegevens ophalen uit andere systemen, hulpmiddelen inschakelen en resultaten controleren.
Dat betekent dat één opdracht meerdere modelaanroepen kan veroorzaken. Bij complexere taken kunnen ook verschillende AI-modellen of gespecialiseerde agents samenwerken.
Een opdracht die voor de eindgebruiker uit één handeling bestaat, kan achter de schermen dus uit een hele reeks processen bestaan.
Bovendien zijn tokens niet de enige kostenfactor. Ook infrastructuur, gegevensopslag, systeemintegraties, monitoring, beveiliging en het onderhouden van kennisbronnen vragen investeringen. Daarnaast blijft menselijke tussenkomst vaak nodig om resultaten te controleren, fouten te herstellen of uitzonderingen af te handelen.
De totale kostprijs van een AI-toepassing gaat daardoor verder dan de factuur van de modelaanbieder.
Tokenmaxxing: wanneer AI-gebruik zelf een doel wordt
Terwijl organisaties hun AI-investeringen proberen te beheersen, ontstond in de technologiesector een opmerkelijke trend: tokenmaxxing.
IBM omschrijft tokenmaxxing als een informele term voor het stimuleren van medewerkers om hun AI-tokenverbruik te maximaliseren. Het doel is doorgaans om experimenteren met AI en het automatiseren van dagelijkse taken aan te moedigen. In sommige organisaties werd dat gebruik opgevolgd via dashboards, individuele ranglijsten of doelstellingen rond tokenverbruik.[1]
Het achterliggende idee is begrijpelijk: intensief gebruik kan medewerkers helpen om sneller vertrouwd te raken met AI en nieuwe automatiseringsmogelijkheden te ontdekken.
Maar het verband tussen gebruik en productiviteit is niet vanzelfsprekend.
Een medewerker die veel vragen stelt aan een chatbot, creëert niet noodzakelijk meer waarde dan een collega die met een beperkt aantal gerichte opdrachten een volledige werkstroom vereenvoudigt.
Ook technologiebedrijven stellen de manier waarop ze AI-adoptie meten inmiddels bij. WIRED berichtte op 2 september 2026 dat Meta zijn richtlijnen voor prestatiebeoordelingen aanpaste. Verwijzingen naar AI-gebruik als beoordelingscriterium werden afgezwakt of verwijderd. Resultaten konden nog steeds met AI worden bereikt, maar AI-gebruik was niet langer op zichzelf het doel.[2]
Dat illustreert een belangrijk onderscheid: AI-gebruik meten is iets anders dan de resultaten van AI-gebruik meten.
AI-adoptie groeit sneller dan aantoonbare bedrijfswaarde
Dat onderscheid komt ook naar voren in internationaal onderzoek.
In McKinsey's State of AI in 2025 gaf 23 procent van de respondenten aan dat hun organisatie minstens één agentic AI-systeem aan het opschalen was. Nog eens 39 procent experimenteerde met AI-agents. Samen betekent dit dat 62 procent minstens aan het experimenteren of opschalen was.[3]
Tegelijk meldde slechts 39 procent een aantoonbare impact van AI op de bedrijfswinst, gemeten via EBIT, op het niveau van de volledige organisatie.[3]
De onderzoeksresultaten wijzen op een verschil tussen brede toepassing en meetbare financiële resultaten op organisatieniveau.
Dat betekent niet dat de overige organisaties geen voordelen ervaren. AI kan de kwaliteit van dienstverlening verbeteren, kennis toegankelijker maken, innovatie ondersteunen of medewerkers helpen bij complexe taken. Zulke effecten zijn niet altijd onmiddellijk zichtbaar in financiële resultaten.
Bovendien is tijdswinst niet automatisch gelijk aan een kostenbesparing. Wanneer een medewerker dankzij AI sneller een verslag opstelt, ontstaat er tijd voor andere activiteiten. Of die tijd ook tot bijkomende organisatorische waarde leidt, hangt af van de manier waarop het werk verder wordt ingericht.
Het meten van AI-rendement vereist daardoor meer dan het opvolgen van licentiekosten, gebruikersaantallen of technische verbruiksgegevens.
Van kosten per token naar kosten per resultaat
Binnen FinOps, het vakgebied dat zich bezighoudt met het financieel beheer van technologieverbruik, groeit daarom de aandacht voor de economische prestaties van afzonderlijke AI-toepassingen.
De FinOps Foundation waarschuwt dat de geadverteerde prijs per miljoen tokens slechts een vertrekpunt is. Input en output worden vaak verschillend geprijsd. Ook het type model, de gebruikte modaliteit, lange gespreksgeschiedenissen en het ontwerp van de toepassing beïnvloeden de uiteindelijke kostprijs.[4]
De organisatie adviseert daarom om modellen niet alleen te vergelijken op hun prijs per token, maar op hun cost per successful outcome: de kostprijs per succesvol afgeronde opdracht.[4]
In plaats van uitsluitend te meten hoeveel tokens een toepassing verbruikt, wordt gekeken naar wat dat verbruik uiteindelijk oplevert.
Bij een AI-agent voor klantendienst kan dat de kostprijs zijn van een correct afgehandelde klantvraag. Bij documentverwerking gaat het bijvoorbeeld om de kostprijs per correct verwerkt dossier. Bij softwareontwikkeling kan worden gekeken naar de kostprijs van een voltooide taak die voldoet aan de afgesproken kwaliteitseisen.
Ook mislukte pogingen, herwerkingen en menselijke controles moeten daarbij worden meegerekend.
Het goedkoopste AI-model per token is dan ook niet noodzakelijk de goedkoopste oplossing per afgewerkte taak. Een krachtiger model kan duurder zijn in gebruik, maar tegelijk minder fouten maken of minder pogingen nodig hebben om tot een bruikbaar resultaat te komen. Een goedkoper model kan door langere prompts, extra correctierondes en meer gegenereerde tekst uiteindelijk duurder uitvallen.[4]
Omgekeerd kan een eenvoudige automatisering voor bepaalde processen efficiënter zijn dan een complexe AI-agent.
De economische vergelijking verschuift zo van de prijs van de technologie naar de totale kostprijs van het werk dat ermee wordt uitgevoerd.
Een andere manier van meten
Voor organisaties betekent dit dat verschillende soorten indicatoren naast elkaar nodig zijn.
Gebruikscijfers blijven relevant. Ze laten zien of medewerkers een technologie daadwerkelijk inzetten, hoe intensief toepassingen worden gebruikt en waar de vraag naar AI-ondersteuning groeit.
Technische verbruiksgegevens helpen dan weer bij het voorspellen van kosten, het beheren van capaciteit en het opsporen van inefficiënte processen.
Maar om de toegevoegde waarde te beoordelen, zijn ook andere gegevens nodig:
- het aantal correct afgeronde taken;
- de kwaliteit van de resultaten;
- de hoeveelheid benodigde menselijke controle;
- de werkelijke tijdswinst;
- het aantal mislukte pogingen of herwerkingen;
- de invloed op bestaande processen en dienstverlening;
- de kostprijs per succesvol resultaat.
Daarvoor is een vergelijking met de oorspronkelijke werkwijze belangrijk. Zonder zicht op de kosten, doorlooptijd en kwaliteit vóór de invoering van AI blijft het moeilijk om te bepalen welke verbetering de technologie daadwerkelijk oplevert.
De meetmethode verschilt bovendien per toepassing. Een chatbot voor interne kennisdeling heeft andere succescriteria dan een AI-agent die financiële gegevens verwerkt of een systeem dat medewerkers ondersteunt bij beslissingen.
Opschalen vraagt ook financieel inzicht
De groei van agentic AI maakt deze economische benadering steeds relevanter.
Waar eenvoudige AI-toepassingen doorgaans een relatief overzichtelijk gebruikspatroon hebben, kunnen agents meerdere stappen uitvoeren, externe diensten aanspreken en afhankelijk van de opdracht sterk uiteenlopende hoeveelheden rekenkracht verbruiken.
Dat maakt het moeilijker om de totale kosten vooraf in te schatten.
Volgens het State of FinOps 2026-onderzoek beheert inmiddels 98 procent van de respondenten AI-uitgaven, tegenover 31 procent twee jaar eerder. AI-kostenbeheer is er bovendien de meest gezochte nieuwe FinOps-vaardigheid. Respondenten noemen vooral zichtbaarheid in AI-kosten, het toewijzen van uitgaven aan bedrijfsonderdelen en het bepalen van waarde en rendement als uitdagingen.[5]
Daarmee komt AI-financiering steeds nadrukkelijker op het snijvlak van technologie, financieel beheer en organisatieontwikkeling te liggen.
Het succes van een AI-toepassing laat zich immers niet aflezen aan één dashboard. Technisch verbruik, kwaliteit, menselijke inspanning en organisatorische resultaten moeten samen worden bekeken.
De vraag bij het opschalen van AI verandert daardoor geleidelijk. Naast de technische haalbaarheid en de mate van adoptie komt ook de economische houdbaarheid centraal te staan.
Niet alleen hoeveel AI een organisatie gebruikt, maar vooral wat die inzet kost en welke aantoonbare waarde ze oplevert.
Bronnen
[1] https://www.ibm.com/think/topics/tokenmaxxing — IBM — What Is Tokenmaxxing? [2] https://www.wired.com/story/meta-pushes-its-new-ai-agent-on-employees-but-eases-off-on-tokenmaxxing — WIRED — Meta Pushes Its New AI Agent on Employees—but Eases Off on Tokenmaxxing [3] https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-2025 — McKinsey — The State of AI in 2025 [4] https://www.finops.org/wg/genai-finops-how-token-pricing-really-works — FinOps Foundation — GenAI FinOps: How Token Pricing Really Works [5] https://data.finops.org — FinOps Foundation — State of FinOps 2026