Het is lastig te voorspellen en voor te stellen hoe AI in de toekomst impact gaat hebben op organisaties. Dit wordt ook wel een systeemtechnologie genoemd: een technologie die dermate disruptief is dat niemand kan overzien wat de impact gaat zijn op de langere termijn. Toch zijn er aan aantal ontwikkelingen zichtbaar die de moeite waard zijn om te verkennen. Een niet onbelangrijke: AI wordt steeds duurder.
Tokenpocalyps
Volgens de Stanford AI Index Report (2026) blijven de kosten voor het trainen én gebruiken van geavanceerde AI-modellen stijgen, ondanks efficiëntere modellen. Vooral de groei van AI-gebruik leidt tot een toenemende vraag naar rekenkracht, energie en gespecialiseerde hardware. KPMG schat dat de wereldwijde uitgaven aan AI-ontwikkeling en gebruik in 2026 2,1 biljoen euro zal zijn: een stijging van 44% ten opzichte van het jaar ervoor, zo is begin augustus te lezen in een Volkskrant artikel. Deze verwachte extreme stijging in kosten wordt ook wel de “Tokenpocalyps” genoemd.
AI-bedrijven worstelen ondertussen met hun business model. De meeste AI tools zijn in de basis gratis met een maximaal verbruik. Op dit moment kost iedere nieuwe gebruiker hen veel geld. Dit is niet ongebruikelijk voor nieuwe bedrijven, zolang de omzet stijgt kan de winst doelstelling uitgesteld worden. Op de langere termijn is dat uiteindelijk niet houdbaar. En dat betekent dat de rekening een keer bij de gebruiker neergelegd zal worden en langzamerhand is die verschuiving al zichtbaar.
De token-economie: van abonnement naar verbruik
Tokens zijn kleine eenheden tekst die als input en output voor het model dienen. Tokens zijn daarmee een eenheid geworden waarmee het AI-verbruik kan worden gemeten: hoe meer tokens worden verwerkt, hoe hoger de kosten. Hoewel veel AI-bedrijven hun modellen in de basis vaak gratis aanbieden zitten daar tegenwoordig steeds vaker restricties aan. Bij intensief gebruik kan het model een tijd niet gebruikt worden of dient een (duurder) abonnement afgesloten te worden. De echte grootverbruikers worden steeds vaker op basis van het tokenverbruik belast.
Een vakgebied waar veel AI ingezet wordt is het programmeren van software. Onderzoeksbureau Gartner voorspelt dat de kosten voor AI-ondersteund programmeren in 2028 hoger kunnen uitvallen dan het salaris van een gemiddelde softwareontwikkelaar. Tools zoals Claude Code worden steeds beter in het schrijven van code, maar dit vraagt in verhouding meer tokens dan bijvoorbeeld het opstellen van een e-mail of het stellen van een vraag. Uber zag de kosten al de pan uitstijgen en sinds juni 2026 mogen medewerkers maximaal 1.500 dollar per maand uitgeven per AI-tool .
Financiële strop
Bij grootschalige inzet van generatieve AI kunnen de bedragen snel oplopen, terwijl AI steeds meer verweven raakt in bestaande processen en applicaties. Ook wordt AI in toenemende mate ingezet om slim te automatiseren. Met name AI agents zijn op dat vlak veelbelovend. Agents zijn taakspecifieke tools gebaseerd op generatieve AI. Agent worden in toenemende mate ingezet bij processen zoals klantcontact, documentverwerking en kennismanagement. Op de korte termijn kan dit leiden tot kostenbesparing op personeel, maar de vraag is of dit op de langere termijn ook geldt. Als AI teveel geintegreerd is in de organisatie en vervolgens duurder wordt dan het inhuren van mensen, dan dreigt een financiële strop.
Impact op mens en omgeving
Naast de directe financiële kosten brengt AI ook kosten met zich mee die zelden in een businesscase worden meegenomen. Denk aan de milieukosten, met name door het energie- en waterverbruik van datacenters. Volgens de International Energy Agency (2025) en het eerder genoemde Stanford AI Index Report (2026) neemt het energieverbruik van AI-datacenters exponentieel toe, wat een groeiende belasting vormt voor het milieu. Ook als het gaat om de impact op de samenleving zijn er zorgen: het lijkt erop dat AI de digitale kloof vergroot: vooral mensen die al digitaal vaardig zijn profiteren van de komst van AI, terwijl mensen die lastig kunnen meekomen in de digitale samenleving verder achterop raken. InnoValor deed de afgelopen maanden onderzoek naar dit onderwerp voor Gebruiker Centraal.
Hoewel het lastiger is om dergelijke kosten in een businesscase mee te wegen, is het voor overheidsorganisaties belangrijk om hier rekening mee te houden in het ontwerp. Toch blijkt dat de niet-financiele lasten vaak terzijde wordt geschoven, om het complexe AI-vraagstuk niet nog ingewikkelder te maken. Zelfregulering is hier mogelijk dus niet de oplossing en targets voor energieverbruik of andere overheidsmaatregelen zou dit sturing kunnen geven.
Tokenminimalisatie
De stijgende kosten en toenemende afhankelijkheid vragen om een kritische houding: is AI werkelijk de beste oplossing voor de gestelde uitdaging? En niet: "we moeten iets met AI." En dat begint heel ouderwets met het maken van een eerlijke business case. Er zijn namelijk genoeg uitdagingen waar AI niet per see de beste oplossing voor is. Heel vaak kan een probleem opgelost worden zonder AI.
En als er wel voor AI gekozen wordt als oplossing, dan is het goed om na te denken over het tokenverbruik. Zo moet de zwaarte van een model passen bij de taak die uitgevoerd moet worden. Een te zwaar model voor de taak maakt AI inzet onnodig duur. Ter illustrtatie: het eerder genoemde voorbeeld van Uber kreeg nog een noemenswaardig staartje: door het slimmer en gerichter inzetten van AI, heeft uber uiteindelijk flink kosten kunnen besparen. Voor iedere vraag die aan AI gesteld wordt, wordt de meest efficiente route bepaald: voor kleine taken wordt een licht model ingezet en voor zware taken een zwaar model. Een ontwikkeling die in het verlengde ligt hiervan is de recente ontwikkeling van classificatie modellen zoals Jev. Voor veel taken is geen uitgebreid antwoord nodig, waardoor een LLM wat zwaar geschut is. Denk aan ja/nee vragen of de vraag "is dit fraude?". Met een classificatie model kan je dat soort vragen goedkoper beantwoorden. In dit filmpje vind je een korte uitleg over Jev.
Ten slotte is het nog goed om na te denken over de hoeveelheid context die aan een model meegegeven wordt. Nu is de denkwijze vaak: "hoe meer context hoe beter", omdat dit betere antwoorden kan genereren. Allerlei documenten worden aangeleverd en het model maakt er een mooi lopend verhaal van. Maar als we meer richting tokenbelasting bewegen, is het aan te raden om hier kritischer op te zijn. Elke analyse vraagt denkkracht en daarmee tokens, dus als een document slechts beperkt waarde toevoegt, is dat in toenemende mate weggegooid geld. Dit hangt weer sterk samen met bewustwording en AI-geletterdheid. Als medewerkers beter snappen hoe AI werkt, kunnen ze het efficienter inzetten.
In de volgende blog zal ingegaan worden op de achterblijvende baten van AI en de moeite die organisaties hebben met het opschalen van AI innovaties.. In deel 3 van de reeks onderzoeken we het stokpaardje van digitale soevereiniteit ten aanzien van het inzetten van AI. In het afsluitende deel het spannende onderwerp van dystopische alarmsignalen. Afgelopen weekend waarschuwde Dario Amodei, CEO van Anthropic dat AI het internet zou kunnen overnemen. Moet je rekening houden met dat soort scenario's en hoe doe je dat?