AI in het bedrijfsleven: de volledige kosten tellen

AI is verder gegaan dan alleen theorie en noviteit. Voor veel organisaties maakt het nu deel uit van de infrastructuur, naast de core systemen. Veel mensen denken nog steeds aan AI als iets dat voornamelijk bestaat uit openbare LLM’s en chatbots – iets waar je even naar kunt kijken en dan weer weg kunt gooien. Als je AI door deze bril bekijkt, kan het zijn dat je de bredere range van modellen en technieken mist die resultaten efficiënter kunnen verbeteren met minder risico.

De waarheid is dat AI moet worden beoordeeld als elke andere grote infrastructuurinvestering – met een duidelijk zicht op kosten, voordelen en operationeel risico vanaf het begin. Het brengen van AI naar een bruikbare staat betekent investeren in kwaliteitsdata-pijpleidingen, observabiliteit, governance en de mensen die het in overeenstemming houden met de gewenste bedrijfsresultaten. Als je hierin tekort schiet, wordt de rekening simpelweg naar de toekomst verplaatst met extra rente.

Hoe AI-kosten echt schalen

Het is begrijpelijk dat teams aannemen dat AI-kosten in een rechte lijn groeien: twee keer zoveel werk doen, twee keer zoveel geld betalen. In werkelijkheid kunnen inspanning, kosten en resultaten onafhankelijk van elkaar bewegen op verrassende manieren. Vraag een AI om een lang document in één keer te lezen en het moet elke woord in relatie tot elk ander woord overwegen. In de meeste populaire LLM’s betekent dit dat de inspanning en dus de kosten niet groeien zoals mensen natuurlijk verwachten – twee keer zoveel invoer, twee keer zoveel kosten – maar in plaats daarvan ongeveer met het vierkant van de invoerlengte. Een bewustzijn van fundamenten zoals deze kan een echte impact hebben op de onderkant van elke AI-implementatie. Als een organisatie die grote hoeveelheden tekst elke dag verwerkt, bijvoorbeeld een regulator, vanaf het begin ontwerpt rondom grafiekzoek- of ophaalpijpleidingen in plaats van hele documenten naar het model te sturen, is de eindgebruikerservaring nog steeds “een vraag stellen, antwoord krijgen in seconden”, net als bij een openbare chatbot. Dat houdt AI-enthousiaste executives tevreden met directe interacties, terwijl onder de oppervlakte het systeem veel minder onnodig werk doet en de compute-rekening veel lager is als gevolg.

Hoe AI-uitgaven zich over de organisatie verspreiden

Technologiekeuzes zijn slechts een deel van het verhaal, de rest is hoe organisaties AI benaderen om te beginnen. In veel organisaties zit data-voorbereiding bij engineering. Compliance-reviews zitten bij juridische zaken. Cloud-uitgaven leven bij platform- of infrastructuurteams. Modelselectie, configuratie en eventuele fine-tuning zitten meestal bij een paar specialistische operators. Elke groep ziet zijn eigen deel van het werk en zijn eigen begrotingslijn. De uitgaven verschijnen als compute hier, freelancer-tijd daar en mensen die tijd absorberen in “business as usual” over meerdere teams. Met cijfers verspreid over kostenplaatsen, kan het volledige gelande kosten van een enkele AI-initiatief niet zichtbaar zijn in één plek en kan het gemakkelijk worden onderschat. In die omgeving kunnen AI-kosten stilzwijgend uit de hand lopen, simpelweg omdat niemand het hele nummer in één plek bijhoudt.

Een praktische aanpak voor AI-kostenbeheer

AI vermijden is niet de juiste zet voor organisaties, maar het behandelen van AI als een vangnettechnologie evenmin. Een goede strategie is altijd om te beginnen met het gewenste resultaat en terug te werken. Niet elke zaak heeft een state-of-the-art, duur model nodig. Veel taken kunnen worden afgehandeld door goed begrepen machine learning-technieken die onder de AI-paraplu vallen en kunnen draaien op bestaande infrastructuur.

Begin klein met pilotprojecten die de totale kosten van eigendom meten, niet alleen modelgebruik, wat betekent dat je naar compute kijkt, natuurlijk, maar ook naar integratiewerk, engineerstijd, changemanagement en compliance-inspanning. Het doel is om de kleinste en eenvoudigste model te kiezen die een aanvaardbaar resultaat levert, in plaats van aan te nemen dat “meer model” betekent “meer voordeel”.

AI is niet één ding. Het is een combinatie van technieken en tools die op verschillende manieren kunnen worden gebruikt. Als je het zo ziet, breekt het de mystiek rond indrukwekkende resultaten af en laat het bedrijven toe om zijn kracht met meer verantwoordelijkheid en effect te benutten.

Mensen, tijd en AI

Elke AI-implementatie is in de praktijk een samenwerking tussen mensen en software. Of dat nu formeel wordt erkend of niet, zo wordt het werk gedaan. De huidige verschuiving naar meer agentic AI – tools die stappen kunnen ketenen, andere systemen kunnen aanroepen en met minder aanzetten kunnen handelen – verandert dat niet, het verhoogt juist de inzet voor het goed krijgen van de menselijke kant van de workflow.

Deze tools kunnen gemakkelijk worden overbelast. Wanneer een systeem antwoorden presenteert op een vloeiende en vertrouwenwekkende manier, is het natuurlijk voor mensen om aan te nemen dat het meestal goed is. Als zo’n tool zonder adequate training, duidelijke grenzen en verstandige controles in een workflow wordt geplaatst, kan het stilzwijgend een stroom van kleine fouten genereren. Elke fout moet door een persoon worden ontdekt, begrepen en gefixt. Op papier ziet de AI efficiënt uit, in de praktijk is er een verborgen kostenpost in extra menselijke tijd die besteed wordt aan het schoonmaken na de AI. In klantgerichte of gereguleerde omgevingen kunnen die kleine fouten ook een reputatiekostenpost met zich meebrengen. Echter, de tools worden geleverd of gebruikt, de verantwoordelijkheid voor hun uitvoer ligt nog steeds bij de organisatie en, in dagelijkse termen, bij de menselijke operators die ze gebruiken. Dat moet expliciet worden begrepen voor deze tools echt nuttig kunnen zijn.

Een beter patroon is een bewuste partnerschap: ervaren mensen blijven duidelijk verantwoordelijk voor resultaten, en AI wordt gebruikt om de delen van het werk te versnellen die het past, zoals samenvatten, opstellen, sorteren, zoeken. Zelfs als enige controle en correctie nog steeds nodig is, kan het algemene effect van goed geïntroduceerde en goed beheerde AI in workflows meer snelheid, consistentie en capaciteit zijn dan een team alleen kan bereiken.

Bestuur als onderdeel van de AI-begroting

Zelfs als technische keuzes solide zijn en het gebruik efficiënt is, zal een groeiend deel van de AI-uitgaven worden besteed aan bestuur in plaats van pure compute. Voor organisaties die opereren in de EU, maakt de AI-wet dat heel duidelijk. Het neemt een risicogebaseerd perspectief op AI en dat is niet alleen van toepassing op openbare producten. Interne systemen die worden gebruikt in gebieden zoals werving en promotie, werknemerbeheer en -bewaking, en bepaalde veiligheidsgerelateerde besluitvorming kunnen onder de reikwijdte vallen en verwachtingen met zich meebrengen over risicobeheer, documentatie, logging en menselijke toezicht. Andere regio’s bewegen zich in een soortgelijke richting, zelfs als de regels er een beetje anders uitzien, de algemene trend is hetzelfde: grotere organisaties worden verwacht om te weten waar AI wordt gebruikt, wat het doet en hoe het wordt gecontroleerd.

De praktische uitwerking hiervan is dat interne AI-projecten nu een bestuurswerkload van hun eigen kunnen hebben, die niet optioneel is. Elke nieuwe use case kan een nieuwe risico- of impactbeoordeling betekenen, meer monitoring en meer vragen van compliance-, audit- of risicoteams. Niets van dat zal verschijnen in modelgebruiksstatistieken, maar het is echte inspanning die moet worden betaald.

Opnieuw, dit is geen reden om AI te vermijden. Het is een herinnering dat de operationele kosten van een intern AI-geactiveerd proces niet alleen de prijs van het aanroepen van een model zijn. Bestuur en regelgevende verwachtingen maken nu deel uit van de totale kosten van eigendom

Waar AI-implementaties misgaan

Een vertrouwd patroon in AI-projecten is de kloof tussen hoe een systeem eruitziet in een demo en hoe het zich gedraagt op grote schaal in de praktijk. In een gecontroleerde omgeving, met een smalle reeks vragen en vriendelijke data, kunnen de resultaten feilloos lijken. Het is gemakkelijk om in dat moment aan te nemen dat het systeem klaar is om een hele categorie werk aan te pakken.

De problemen beginnen meestal later te verschijnen, wanneer het systeem wordt blootgesteld aan de volledige variatie en volume van het echte gebruik: ongebruikelijke queries, gestreste gebruikers, onvolledige records, rommelige randgevallen. Scheuren die onzichtbaar waren in de demo beginnen te verschijnen als misleide antwoorden, gemiste nuances, ondersteuningslussen, langere verwerkingstijden en stille schade aan vertrouwen. Interne metrics zoals “queries afgehandeld” en “tijd bespaard” kunnen er op papier goed uitzien, maar de ervaring van eindgebruikers kan een ander verhaal vertellen.

Direct van een gepolijste demo of kleine pilot overschakelen waar succes onder gecontroleerde omstandigheden wordt behandeld als bewijs dat het systeem klaar is voor bredere implementatie, kan een dure fout zijn. In de echte wereld brengen gebruikers rommelige queries, onvolledige data en hun eigen aannamen over wat het gereedschap kan doen. Als verwachtingen niet worden beheerd en de workflow rond het systeem niet wordt ontworpen met fallbacks en escalatie in gedachten, betaalt de organisatie twee keer: een keer voor de bouw en nog een keer in extra ondersteuning, herwerk, klachten en verloren vertrouwen. De technologie kan indrukwekkend lijken op papier, maar zonder een pragmatische aanpak van hoe het echt mensen en processen ontmoet, verdampt de return on investment snel.

De andere kant is dat goed ontworpen systemen, met duidelijke grenzen en menselijke eigenaarschap vanaf het begin, dingen kunnen doen die geen enkel menselijk team alleen kan beheren: het scannen van enorme hoeveelheden informatie in seconden, het opsporen van patronen over jaren van data en het afhandelen van routineuze beslissingen op een schaal die anders onbereikbaar zou zijn. Het punt is dat om die voordelen te verdienen, organisaties hun ambities moeten matchen met een realistisch perspectief op hoe de technologie zich zal gedragen zodra het in de wereld is.

Afsluitende gedachten

Niets van dit is een argument tegen AI. Het is een argument voor het behandelen van AI met dezelfde ernst als elk ander systeem dat het bedrijfsleven materieel kan veranderen.

Als AI goed wordt gebruikt, helpt het kleine teams om op een grotere schaal te werken, patronen te ontdekken die handmatig moeilijk te vinden zouden zijn en expertoordeel verder te helpen. Maar om daar te komen, is een duidelijk zicht nodig op waar AI wordt gebruikt, wat het in totaal kost en hoe het wordt bestuurd. Dat betekent dat er bewuste keuzes moeten worden gemaakt over modellen en architectuur, investeren in data en observabiliteit en processen ontwerpen waarin mensen in de lus blijven.

“Move fast and break things” was een slogan geschreven voor menselijke teams die werkten aan menselijke schaal systemen: als iets brak, rolde je het terug, repareerde het en ging verder. Zodra AI wordt ingeweven in beslissingen over klanten, werknemers of burgers, kan dezelfde houding problemen produceren die sneller verspreiden, harder slaan en veel moeilijker zijn om terug te draaien. Snelheid is nog steeds belangrijk, en AI kan hier zeker bij helpen, maar het moet worden gematcht met een duidelijk zicht op risico, kosten en verantwoordelijkheid.

Er is geen manier om kosten of risico’s volledig te elimineren. Maar er is een duidelijk verschil tussen organisaties die vertrouwen op ad-hocexperimenten en diegene die AI op een gemeten manier in hun operaties integreren, met zicht vanuit uitgaven tot succes. Over de verscheidenheid aan problemen en resultaten die organisaties tegenkomen, is er geen enkele AI-oplossing die alles kan oplossen. Effectief gebruik van AI in het bedrijfsleven moet altijd gespecialiseerd, beheerd en zorgvuldig gespecificeerd zijn.