AI-tokens zijn 300× goedkoper.
Waarom stijgt uw rekening?

Dennis van Alphen · Aion · 6 augustus 2026 · 5 minuten lezen

In december 2025 gaf Uber vijfduizend engineers toegang tot Claude Code. In april 2026 was het volledige jaarbudget voor AI op. Vier maanden.

CTO Praveen Neppalli Naga bevestigde het aan The Information: het bedrijf moest terug naar de tekentafel wat betreft zijn aannames. Individuele engineers kwamen uit op $500 tot $2.000 per maand.

Maar het detail dat er in de meeste doorvertellingen uitvalt, is het interessantste. Uber rangschikte engineers op interne leaderboards op basis van hun Claude Code-gebruik. Meer tokens verbruiken betekende een hogere score. En de teams die de meeste tokens verbruikten, waren niet de teams die het meeste opleverden.

Het bedrijf had dus precies gekregen waar het op stuurde. Het stuurde alleen op de verkeerde variabele.

De reflex, en waarom die het probleem niet raakt

De reactie op dit soort verhalen is voorspelbaar: dashboards, budgetalerts, cost governance. De FinOps Foundation noemt AI-kostenbeheersing de belangrijkste prioriteit voor 2026, en 73% van de organisaties meldt dat hun AI-kosten hoger uitvielen dan begroot. Gartner voorspelde in juni 2025 al dat meer dan 40% van de agentic AI-projecten vóór eind 2027 zou sneuvelen, deels vanwege de kosten.

De cijfers zijn echt. Maar de conclusie die eraan wordt gehangen klopt niet, en wel om twee redenen.

Het is niet de prijs. Het is het volume.

De prijs van AI is spectaculair gedaald. Een model op GPT-4-niveau kostte in maart 2023 zo'n $30 per miljoen tokens. Vandaag krijgt u vergelijkbare kwaliteit voor rond de $0,10. Een factor 300 in drie jaar.

Die daling heeft echte oorzaken: concurrentie tussen labs, efficiëntere modellen, goedkopere inferentie. Maar de prijs per token is niet wat uw rekening bepaalt. Dat is het aantal tokens dat een taak verbruikt.

En toch stijgt uw rekening. Dat is geen tegenstrijdigheid, het is een rekensom.

Sommige AI-labs verwachten dat de uitgaven aan AI de komende jaren oplopen tot het niveau van de loonkosten.

Terwijl de prijs per token daalde, explodeerde het aantal tokens per taak. Een redenerende agent kan vijf tot dertig keer zoveel tokens verbruiken als één modelaanroep voor dezelfde taak, doordat retries, tool-calls en herlezen van context zich opstapelen.

EY presenteert dit als een gemodelleerde vergelijking van dezelfde workflow, niet als gemeten uitkomst. Dat maakt het geen zwak cijfer. Het maakt het een illustratie van een mechanisme, en zo noem ik het hier ook.

Bij Uber had niemand de prijslijst verkeerd gelezen. Het gebruiksmodel was veranderd.

Een korte opmerking over wie dit verhaal vertelt

Kijk waar de "AI-kostencrisis"-berichtgeving vandaan komt. Een opvallend groot deel wordt gepubliceerd door leveranciers van cost-tooling, FinOps-platformen en API-aggregatiediensten, partijen met een direct commercieel belang bij de urgentie.

Neem het cijfer dat overal circuleert: een factor acht kostenverschil tussen gelaagde en frontier-only architecturen, $2,31 tegen $18,40 per miljoen tokens. Het komt uit één rapport: het 2026 AI API Infrastructure Report van AI.cc, een API-aggregator die zelf routing aanbiedt, rondgestuurd via betaalde persdistributie. Zelf-gerapporteerde platformcijfers dus, niet onafhankelijk geverifieerd, van een partij met direct belang bij een spectaculair besparingsverhaal. De richting klopt, routing is goedkoper, maar dit is precies het type cijfer dat je niet als hard feit moet overnemen.

Het onderliggende punt over routing klopt nog steeds. Het cijfer waarmee het overal wordt onderbouwd, is niet onafhankelijk hard te maken.

Weeg de bron mee. Dat is geen cynisme, dat is basishygiëne.

Waar het geld wél weglekt

De prijsspreiding tussen het goedkoopste en het duurste productiemodel is inmiddels een factor duizenden. In die spreiding zit het deel van uw kostenprobleem dat u zelf in de hand hebt. Meer gebruikers en bredere inzet jagen de totale rekening óók op. Maar dat is uitgave die idealiter waarde koopt. De spreiding tussen modellen is de kost die vaak géén extra waarde oplevert. En die spreiding is een ontwerpbeslissing, geen rapportagebeslissing.

Het goedkoopste model is bijna nooit honderd keer slechter dan het duurste. In dat gat tussen kostenverhouding en kwaliteitsverhouding zit de besparing die routing binnenhaalt, en een onafhankelijke benchmarker die zelf geen routing verkoopt, laat die spreiding gewoon zien.

Een dashboard vertelt u achteraf dat u een e-mailsamenvatting door een redeneermodel hebt gehaald. Het voorkomt het niet. De architectuur die bepaalt wélk model welke taak krijgt, doet dat wel, en die bouwt u één keer.

Dit is het verschil tussen kostenbeheersing en boekhouden. Het eerste verandert het resultaat. Het tweede documenteert het.

En let op waar het bij Uber echt misging: niet in het ontbreken van een dashboard, maar in een incentivestructuur die tokenverbruik beloonde. Dat is geen meetprobleem. Dat is een ontwerpprobleem. Eén casus bewijst geen algemene wet. Maar het onderliggende principe, je krijgt het gedrag dat je beloont, is niet Uber-specifiek.

De noemer die niemand meet

Dan het grotere punt.

Dat gat is het echte verhaal. Niet omdat AI niet werkt. In echte werkomgevingen laten studies productiviteitswinsten van 15 tot 30% zien, in gecontroleerde experimenten 20 tot 60%. Maar omdat die winst extreem ongelijk verdeeld is. Bij klantenservice: circa 34% winst voor beginnende medewerkers, tegen vrijwel nul voor ervaren collega's in dezelfde rol.

Figuur 2 — De achterstand smelt weg (Epoch Capabilities Index, 2023–2026)

Wat figuur 2 het meeste zegt, is niet de bovenrand. Het is de samenpakking eronder: de achterhoede van vandaag doet wat de koploper van anderhalf jaar geleden deed.

Dat is precies waarom routing werkt. U hoeft niet te kiezen tussen goedkoop en goed. Dat onderscheid is voor het meeste werk gewoon veel kleiner geworden.

En bij Uber was de uitkomst allerminst eenduidig negatief: 95% van de engineers gebruikte maandelijks AI-tools, en ongeveer 70% van de gecommitte code kwam eruit voort. Tegelijk zei de COO dat het heel lastig is een lijn te trekken tussen die statistieken en de conclusie dat er nu daadwerkelijk 25% meer bruikbare features uitkomen.

Dat is precies waarom "gewoon meer AI implementeren" een te dun antwoord is. Meer gebruik is niet automatisch meer output.

De goedkoopste knop waar niemand aan draait

Er is één ingreep die zowel de kostenkant als de opbrengstkant raakt, en die vrijwel overal onderbenut blijft: mensen leren ermee werken.

BCG vat het samen in wat zij de 10-20-70-verdeling noemen: ongeveer 10% van de inspanning zit in de technologie, 20% in de algoritmes en data, en 70% in mensen, processen en organisatorische verandering. Let wel: dit gaat over wat AI ópbrengt, niet over wat het kost. Op de opbrengstkant is de modelkeuze de kleinste factor; op de kostenkant is precies diezelfde keuze een enorme hefboom (figuur 3). Routing verandert wat u betaalt, training verandert wat u eruit haalt. En de aandacht gaat bijna volledig naar dat kleine stukje techniek.

Het gat is nog schever dan dat. In recent Europees onderzoek gebruikte 39% van de werkenden AI, terwijl slechts 15,9% aangaf training van de werkgever te krijgen. De verspreiding loopt vooruit op de aanpassing.

Twee kanttekeningen, want die horen erbij.

Ten eerste: de meeste cijfers over het rendement van AI-training komen van partijen die AI-training verkopen. Dezelfde bronkritiek die geldt voor de kostencrisis-berichtgeving, geldt hier onverkort. Ik heb ze daarom weggelaten.

Ten tweede, en belangrijker: het verband is correlationeel. Organisaties die hun mensen opleiden zijn doorgaans ook de organisaties met betere processen, duidelijkere use cases en volwassener governance. Dat trainen zelf de oorzaak is van het hele verschil, is niet vastgesteld.

Maar het mechanisme is wel plausibel. En de Uber-casus laat precies zien waarom. Een engineer die "schrijf even deze functie" typt, weet niet dat daarachter honderdduizend redeneertokens en tool-loops kunnen zitten. Die kosten zijn voor de gebruiker volledig onzichtbaar. Je kunt dat oplossen met een dashboard dat het achteraf laat zien, of met een medewerker die vooraf weet wat hij aanzet.

Dat tweede is goedkoper, en het werkt ook wanneer niemand naar het dashboard kijkt.

Trainen gaat trouwens niet alleen over kosten, maar net zo goed over hoe en wat je vraagt. Je kunt elke microstap apart uitschrijven, of één goed geformuleerde, geaggregeerde opdracht geven en zo met minder, scherpere vragen meer werk gedaan krijgen. Ook dat is een vaardigheid die je kunt aanleren.

Wat dit betekent

Als u dit jaar één ding aan uw AI-inzet verandert, maak het dan niet een dashboard.

• Maak het de routing.Bepaal per werkstroom wat het goedkoopste model is dat de kwaliteitsdrempel haalt. Dat bouwt u één keer, en het werkt daarna elke dag.
• Maak het de incentives.Uber beloonde tokenverbruik en kreeg tokenverbruik. Beloon uitkomsten en u krijgt uitkomsten.
• Maak het de mensen.Een medewerker die begrijpt wat hij aanzet, is goedkoper dan elke monitoringlaag die hem achteraf corrigeert. En het is een van de ingrepen die tegelijk de kosten drukt én de opbrengst verhoogt.

Dit is precies het soort routing dat we bij Aion voor organisaties inrichten: een goedkoop model bepaalt de klasse van elk verzoek en stuurt het naar het juiste model, vastgehouden per gesprek. Even sparren?

Kostenbeheersing zonder opbrengstmeting is geen control. Dat is boekhouden.