AI kost geen banen, wel veel tokens

AI kost geen banen, wel veel tokens.

Dat is bewust scherp geformuleerd. De ILO concludeerde in 2025 dat ongeveer één op de vier banen wereldwijd enige blootstelling aan generatieve AI kent, maar dat verandering van werkzaamheden waarschijnlijker is dan volledige vervanging. Gartner meldde in mei 2026 bovendien dat minder dan 1% van de ontslagen op dat moment rechtstreeks aan AI kon worden toegeschreven.

De AI-rekening is ondertussen wél concreet. Gartner verwacht wereldwijd $2,59 biljoen aan AI-uitgaven in 2026, terwijl meer dan 40% van de agentic-AI-projecten voor eind 2027 kan worden stopgezet door oplopende kosten, onduidelijke bedrijfswaarde en onvoldoende risicobeheersing.

De vraag is daarom niet alleen welke banen AI verandert, maar vooral: welke AI gebruiken we, waarvoor, tegen welke kosten en met welk resultaat?

Waarom bij meer dan 40% van de agentic-AI-projecten de stekker eruit kan gaan

Gartner voorspelde in juni 2025 dat meer dan 40% van de agentic-AI-projecten voor eind 2027 wordt geannuleerd vanwege oplopende kosten, onduidelijke bedrijfswaarde of onvoldoende risicobeheersing.

Veel projecten bevinden zich nog in de experimenteerfase. Een proof of concept werkt technisch en vervolgens ontstaat al snel de gedachte dat dezelfde toepassing zonder problemen naar honderden of duizenden medewerkers kan worden opgeschaald. Daar gaat het mis.

In januari 2026 meldde Gartner dat minstens de helft van de generatieve-AI-projecten na de proof-of-conceptfase was verlaten. Slechte datakwaliteit, inadequate risicocontroles, stijgende kosten en onduidelijke bedrijfswaarde speelden daarbij een rol.

Een AI-opdracht van één medewerker kost misschien bijna niets. Maar schaal hetzelfde gebruik op naar honderden medewerkers, verschillende AI-systemen, grote documenten en agents die zelfstandig tientallen vervolgacties uitvoeren. Dan verandert de rekensom.

De Financial Times beschreef in juli 2026 hoe grote bedrijven hun AI-gebruik scherper zijn gaan begrenzen vanwege oplopende kosten. Uber introduceerde volgens de krant bijvoorbeeld een maandelijks tokenbudget van $1.500 per gebruiker nadat het AI-budget sneller dan verwacht werd verbruikt.

AI-gebruik is niet automatisch productief AI-gebruik. Stuur daarom niet op maximaal gebruik, maar op aantoonbare waarde per toepassing.

Wilt u AI inzetten zonder tokens te verspillen? In onze klassikale AI-training leren uw medewerkers het juiste model kiezen, gericht prompten en AI alleen gebruiken waar het aantoonbaar kosten bespaart en waarde oplevert. Laat hieronder uw gegevens achter voor meer informatie.

Goedkopere AI kan toch tot een hogere AI-rekening leiden

AI-modellen worden op onderdelen goedkoper. Toch kunnen de totale AI-kosten voor bedrijven blijven stijgen.

Dat lijkt tegenstrijdig, maar is eenvoudig te verklaren.

Een token is een kleine rekeneenheid waarin taalmodellen informatie verwerken. Bij professionele AI-diensten wordt een deel van de rekening direct of indirect bepaald door hoeveel informatie een model moet verwerken en produceren.

De prijs per token vertelt echter maar een deel van het verhaal. Stel dat een medewerker met enkele duizenden tokens een analyse uitvoert waarmee twee uur werk wordt bespaard. Dan zijn die tokens waarschijnlijk bijzonder productief.

Laat een andere medewerker een uitgebreide workflow honderdduizenden tokens verwerken om een rapport te produceren dat niemand gebruikt, dan creëert die toepassing weinig economische waarde.

Daarom moeten bedrijven niet alleen vragen: Hoeveel tokens gebruiken we?

De betere vraag is: Welke waarde creëren we met die tokens?

Noem het tokenproductiviteit.

Meer AI-gebruik is op zichzelf geen KPI.

• Een accountmanager die een kwalitatief betere offerte in een kwart van de tijd schrijft wel.
• Een klantenservicemedewerker die sneller betrouwbare informatie vindt wel.
• Een analist die een dag handmatig werk terugbrengt naar een uur wel.

Begin daarom bij het werkproces, niet bij de tool: welk probleem moet AI sneller, goedkoper of beter oplossen? Kies daarna pas het systeem.

Dat sluit aan bij een bredere AI-strategie voor bedrijven zonder eindeloos tool-hoppen.

AI-agents veranderen de kostenstructuur compleet

Bij een gewone chatbot is de relatie tussen mens en AI redelijk overzichtelijk. U stelt een vraag. Het model geeft antwoord. Misschien volgt nog een tweede vraag.

Bij AI-agents werkt dat anders.

Een agent kan een opdracht opsplitsen, informatie verzamelen, bestanden lezen, tools gebruiken, resultaten beoordelen, fouten proberen te herstellen en daarna zelfstandig de volgende stap uitvoeren.

Eén opdracht van een medewerker kan daardoor achter de schermen tientallen of honderden AI-interacties veroorzaken.

Onderzoekers van onder andere MIT, Stanford en de University of Michigan onderzochten in 2026 het tokenverbruik van acht frontiermodellen bij agentic coding-taken. De verschillen waren enorm.

In de onderzochte benchmark verbruikten agentic taken tot 1.000 keer zoveel tokens als gewone code-reasoning- en code-chat-taken. Runs van dezelfde taak konden bovendien tot 30 keer verschillen in totaal tokenverbruik.

Dat zijn geen algemene vermenigvuldigingsfactoren die op iedere AI-agent kunnen worden toegepast. Het onderzoek ging specifiek over agentic coding-taken. Maar het laat wel zien waarom organisaties voorzichtig moeten zijn met het extrapoleren van chatbotkosten naar autonome agents.

Nog belangrijker: méér tokenverbruik leverde in het onderzoek niet automatisch een beter resultaat op. De nauwkeurigheid bereikte regelmatig een optimum bij een gemiddeld kostenniveau en vlakte daarna af.

Een autonome agent heeft geen natuurlijke kostenrem. Daarom moeten organisaties vooraf grenzen stellen aan stappen, budget, modelkeuze en menselijke controle.

Van AI-clutter naar één duidelijk AI-beleid

Een van de grootste problemen ontstaat voordat iemand überhaupt naar het tokenverbruik kijkt.

Een organisatie geeft medewerkers toegang tot AI en laat vervolgens iedereen zelf bepalen hoe het gebruikt wordt.

Marketing gebruikt ChatGPT, development Claude en sales Gemini. Ondertussen sluit een medewerker zelf een abonnement af, bouwt IT een agent en uploadt iemand vertrouwelijke documenten naar een dienst die intern nooit is beoordeeld.

Dat is geen AI-strategie. Dat is AI-clutter.

Zodra medewerkers zelfstandig tools, modellen en workflows gaan selecteren, verliest de organisatie het overzicht over data, risico's én kosten.

Daarom hoort bij serieus AI-gebruik een praktisch AI-beleid voor bedrijven. Dat beleidsdocument hoeft geen document van tachtig pagina's te worden.

Iedere medewerker zou minimaal antwoord moeten kunnen geven op vijf vragen:

1. Welke AI-systemen mag ik gebruiken?
2. Voor welke werkzaamheden mag ik ze gebruiken?
3. Welke bedrijfs- en persoonsgegevens mogen erin?
4. Wanneer moet ik de output zelf controleren?
5. Wanneer mag ik géén AI gebruiken?

Voor ontwikkelaars, power users en medewerkers die agents bouwen, komt daar nog een zesde vraag bij:

Hoeveel rekenkracht en budget mag deze toepassing gebruiken voor het resultaat dat we ermee willen bereiken?

Daarmee wordt AI-beleid meer dan een privacydocument. Het wordt een operationeel kader voor verantwoord én economisch AI-gebruik.

Niet iedere taak heeft het zwaarste AI-model nodig

De nieuwste en krachtigste AI voelt automatisch als de beste keuze. Dat is niet altijd zo.

Een complexe analyse van verschillende contracten stelt andere eisen dan het classificeren van duizenden standaardreacties. Een strategische analyse vraagt iets anders van een model dan het extraheren van drie vaste gegevens uit een document.

Dat verschil is rechtstreeks zichtbaar in de prijzen van AI-aanbieders. Bij OpenAI verschillen de actuele tarieven bijvoorbeeld sterk tussen de verschillende modelniveaus. Ook gecachte input en bepaalde verwerkingsvormen kennen andere prijzen.

Dat betekent dat modelkeuze rechtstreeks invloed heeft op de rekening. De regel moet daarom niet zijn:

Gebruik altijd het goedkoopste model.

Een betere regel is:

Gebruik het lichtste model dat de taak betrouwbaar genoeg kan uitvoeren.

Voor eenvoudige, repetitieve werkzaamheden kan een kleiner model uitstekend functioneren. Alleen wanneer een taak werkelijk complexere analyse of redenering nodig heeft, hoeft een zwaarder model te worden ingezet. Bij grotere toepassingen kan dat proces zelfs worden geautomatiseerd via model routing.

Daarmee wordt AI-kosten beheersen onderdeel van de technische architectuur in plaats van afhankelijk van de discipline van iedere medewerker.

Wie modellen inhoudelijk wil vergelijken, kan beginnen met onze gids voor AI-modellen in 2026.

Een lange prompt is niet automatisch een dure of slechte prompt

Als tokens geld kosten, lijkt de oplossing eenvoudig: medewerkers moeten kortere prompts schrijven. Maar zo werkt het niet.

Een prompt van twintig woorden die vier slechte antwoorden oplevert kan uiteindelijk meer verwerking, tijd en geld kosten dan één duidelijke prompt met voldoende relevante context.

Het doel is dus niet: zo weinig mogelijk tokens.

Het doel is: zo weinig mogelijk irrelevante verwerking voor een betrouwbaar resultaat.

Dat onderscheid wordt steeds belangrijker nu AI-systemen enorme hoeveelheden informatie kunnen verwerken.

Dat een model een compleet personeelshandboek kán lezen, betekent niet dat het dat voor iedere vraag moet doen.

Als het antwoord in drie relevante paragrafen staat, hoeft u niet automatisch tweehonderd pagina's mee te sturen.

Voor technische AI-toepassingen bestaan daarnaast technieken zoals prompt caching. Daarbij kan herhaalde input efficiënter en tegen andere tarieven worden verwerkt.

Voor medewerkers is vooral het basisprincipe relevant:

Geef AI voldoende relevante context, niet automatisch alle beschikbare context.

Dat is ook waarom AI-tools zonder goede training zelden hun volledige waarde opleveren. Goed prompten betekent niet zoveel mogelijk woorden gebruiken. Het betekent dat u AI precies de informatie geeft die nodig is om de taak goed uit te voeren.

AI-personeelstraining voorkomt ook onnodige AI-kosten

Technische limieten alleen zijn niet genoeg. Medewerkers bepalen dagelijks welke tool ze gebruiken, hoeveel context ze meesturen en voor welke taken ze AI inzetten.

Training moet daarom verder gaan dan prompts. Medewerkers moeten begrijpen welke AI is toegestaan, welke data erin mag, wanneer menselijke controle nodig is en wanneer een eenvoudiger model of helemaal geen AI de betere keuze is.

Voor management en technische teams komt daar AI-governance bij: wie bewaakt kosten en risico's, wie mag toepassingen opschalen en wanneer wordt een experiment stopgezet?

AI-geletterdheid betekent niet ieder knopje kennen. Het betekent begrijpen wat u gebruikt, waarom en met welke consequenties.

Van tokenverbruik naar tokenproductiviteit

Bedrijven gaan niet minder AI gebruiken, maar meer. Daarom is minder tokenverbruik niet het doel. Meer waarde per AI-taak wel.

Een organisatie die €10.000 aan AI uitgeeft en daarmee aantoonbaar €100.000 aan waarde creëert, staat er beter voor dan een organisatie die €2.000 besteedt aan experimenten die niemand gebruikt.

Kostenbeheersing draait daarom om regie: kies systemen, stel grenzen, train medewerkers en meet resultaten.

Organisaties die nog niet weten waar ze staan, kunnen eerst hun AI-readiness onderzoeken.

Trek de stekker uit AI die vooral tokens verbruikt. Niet uit AI die aantoonbaar goed werk produceert.

Veelgestelde vragen over AI-kosten en tokenverbruik

Wat is een token bij AI?

Een token is een kleine eenheid waarin een taalmodel informatie verwerkt. Een token kan een woord, een deel van een woord of bijvoorbeeld een leesteken vertegenwoordigen. Veel professionele AI-diensten drukken API-verbruik uit in aantallen input- en outputtokens. Hoeveel tokens een tekst bevat, verschilt per taal, model en tokenizer. Zie tokens daarom vooral als een rekeneenheid voor AI-verwerking en niet simpelweg als het aantal woorden.

Waarom kunnen AI-agents veel duurder zijn dan gewone ChatGPT-opdrachten?

Een normale AI-interactie bestaat vaak uit een vraag en een antwoord. Een agent kan zelfstandig meerdere stappen uitvoeren, informatie ophalen, tools gebruiken, bestanden verwerken, resultaten controleren en vervolgens nieuwe modeloproepen uitvoeren. Onderzoek uit 2026 vond bij agentic coding-taken in de onderzochte benchmark een tokenverbruik tot 1.000 keer dat van gewone code-chat- en reasoning-taken. Dat betekent nadrukkelijk niet dat iedere agent duizend keer zoveel kost. Het laat wel zien waarom agentgebruik apart moet worden gemonitord en begroot.

Hoe kan een bedrijf AI-kosten beperken?

Begin niet met een algemeen bevel om minder AI te gebruiken. Bepaal welke toepassingen aantoonbare bedrijfswaarde creëren. Selecteer vervolgens goedgekeurde systemen en modellen. Voor technische toepassingen kunnen kostenbudgetten, caching, model routing, limieten op agentstappen en monitoring helpen. Combineer technische maatregelen met AI-beleid en personeelstraining, zodat medewerkers begrijpen waarom bepaalde keuzes zijn gemaakt.

Moeten medewerkers kortere prompts schrijven om tokens te besparen?

Niet per definitie. Een extreem korte maar onduidelijke prompt kan verschillende slechte antwoorden veroorzaken. Een langere prompt met relevante context kan daardoor juist efficiënter zijn. Het doel is niet de kortste prompt, maar de juiste hoeveelheid informatie voor een goed resultaat. Vermijd vooral informatie die voor de opdracht niet relevant is.

Waarom worden zoveel AI-projecten stopgezet?

Volgens Gartner zal meer dan 40% van de agentic-AI-projecten voor eind 2027 worden geannuleerd vanwege oplopende kosten, onduidelijke bedrijfswaarde of onvoldoende risicocontroles. Gartner rapporteerde daarnaast dat minstens de helft van generatieve-AI-projecten eind 2025 na de proof-of-conceptfase was verlaten. Een technisch werkend AI-project is dus nog niet automatisch een economisch of organisatorisch succesvol project.

Wat heeft AI-personeelstraining met AI-kosten te maken?

Veel kostenbeslissingen ontstaan tijdens dagelijks gebruik. Welk systeem kiest een medewerker? Hoeveel informatie wordt meegestuurd? Is AI voor deze taak überhaupt zinvol? Wordt een zware AI-oplossing ingezet voor iets wat eenvoudiger kan? Training helpt medewerkers bewust met deze keuzes om te gaan. Daarmee vormen training, beleid, governance en technische controles samen één systeem voor verantwoord AI-gebruik.

Gaat AI dan helemaal geen banen kosten?

Dat kunnen we niet stellen. De titel van dit artikel is bewust prikkelend. De ILO concludeerde dat ongeveer één op de vier banen wereldwijd enige blootstelling aan generatieve AI kent, maar verwacht dat verandering van werkzaamheden voor de meeste beroepen waarschijnlijker is dan volledige vervanging. Gartner meldde in mei 2026 bovendien dat minder dan 1% van de ontslagen op dat moment rechtstreeks aan AI kon worden toegeschreven. De uiteindelijke arbeidsmarkteffecten zullen verschillen per sector, beroep en land.

Bronnen

• Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, 25 juni 2025.
• Gartner, Why 50% of GenAI Projects Fail — And How to Beat the Odds, 26 januari 2026.
• Gartner, Gartner Forecasts Worldwide AI Spending to Grow 47% in 2026, 19 mei 2026.
• Gartner, Applying Uniform Governance Across AI Agents Will Lead to Enterprise AI Agent Failure, 26 mei 2026.
• Gartner Data & Analytics Summit 2026, Day 3 Highlights, 13 mei 2026.
• International Labour Organization, Generative AI and Jobs: A 2025 Update, 20 mei 2025.
• Bai et al., How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks, 2026.
• OpenAI, API Pricing.
• OpenAI, Prompt Caching.
• Financial Times, We created a monster: companies rein in AI usage as costs strain budgets, juli 2026.