Waarom tokenkosten in 2026 de budgetten van financieel directeuren onder druk zetten

In minder dan een jaar zijn de kosten van AI-tokens veranderd van een klein technologisch detail in een budgetprobleem voor de bestuurskamer. Twaalf maanden geleden was ‘tokenkosten’ geen post die de meeste financieel directeuren in de gaten hielden. Nu duiken deze kosten op op alle ongewenste plaatsen: in het nieuws, in interne memo’s, bij budgetstops en tijdens gesprekken over kwartaalcijfers.

Uber gaf zijn ingenieurs eind 2025 toegang tot Claude Code. In april 2026 had het bedrijf zijn volledige jaarlijkse budget voor programmeren met AI in vier maanden opgebruikt. Als reactie stelde Uber een uitgavenlimiet in van 1.500 dollar per werknemer, per maand en per hulpmiddel, zoals Bloomberg als eerste meldde. Als het gebruik van twee agentische programmeerhulpmiddelen tegelijk wordt toegestaan, bijvoorbeeld Claude en Cursor, verdubbelt die grens tot 3.000 dollar per maand per ingenieur. Dat is 36.000 dollar per jaar voor het AI-gebruik van één persoon. Naar schatting heeft Uber ongeveer 4.000 ingenieurs, wat neer zou komen op een AI-uitgave van 144 miljoen dollar.

De uitgaven van Meta kunnen nog hoger zijn. Een interne memo waarschuwde dat de kosten van AI-tokens in 2026 miljarden dollars dreigden te bedragen. De reden ligt in de manier waarop agenten op grote schaal werken. Wanneer een AI-agent verbinding maakt met een codebasis om een fout te verhelpen of software te schrijven, verwerkt hij bij iedere afzonderlijke opdracht duizenden tokens aan achtergrondcontext. Pas dat toe binnen een organisatie ter grootte van Meta en voeg een bedrijfsbrede stimulans toe om ingenieurs Claude te laten gebruiken: het tokengebruik groeit dan niet alleen, maar explodeert.

Volgens Ramps AI Index, die werkelijke betalingen aan leveranciers bij meer dan 70.000 bedrijven volgt, geeft de bovenste 1% van bedrijven die AI invoeren nu ongeveer 7.500 dollar per werknemer per maand uit aan AI. Die uitgaven groeien met 14,1% per maand. Bestuurders van de AI-wervingsstartup Mercor hebben publiekelijk verklaard dat de kosten van AI-tokens bij sommige organisaties de personeelsbeloning beginnen te benaderen of zelfs te overtreffen.

Hieruit valt een les te trekken. Als deze uitgave de grootste technologiebedrijven ter wereld kan verrassen, kan dat iedereen overkomen. Tokenverbruik is een werkelijk nieuwe uitgavencategorie geworden die twee jaar geleden op geen enkele winst-en-verliesrekening voorkwam. De kosten gedragen zich niet als de softwarekosten die financiële teams al tientallen jaren leren modelleren en opnemen in traditionele berekeningen van het rendement op investeringen. Begrijpen waarom de kosten van AI-tokens zich zo anders gedragen dan traditionele software-uitgaven is de eerste stap om ze onder controle te krijgen.

Waarom de kosten van AI-tokens zo moeilijk te voorspellen zijn

Traditionele softwarebudgettering berust op een eenvoudige aanname: de kosten stijgen met het aantal werknemers. Tien extra werknemers betekenen tien extra licenties, tegen een bekende prijs. Dat is eenvoudig te voorspellen en te plannen wanneer bedrijven groeien of nieuwe softwareplatforms aanschaffen.

AI-tokens doorbreken die aanname. De kosten stijgen met het gebruik en niet met het personeelsbestand, en het gebruik is zeer ongelijk, moeilijk te voorspellen en bij autonome agenten niet eens gekoppeld aan een persoon achter een toetsenbord. Eén ingenieur die een agentische programmeersessie uitvoert, kan zonder waarschuwing duizenden dollars in een maand verbruiken, omdat de meter blijft lopen ongeacht of de uitvoer nuttig is. Veel modellen genereren bovendien duizenden verborgen, onzichtbare tokens alleen om stap voor stap te ‘denken’ voordat ze antwoorden, waardoor de kosten per opdracht veelvoudig toenemen.

Dat is het onderdeel dat de meeste organisaties nog niet hebben ingeprijsd: iedere nieuwe dollar aan agentische AI-uitgaven moet ergens vandaan komen. Voor de meeste financieel directeuren is dit geen afrondingsfout die door een innovatiefonds kan worden opgevangen. Het gaat om miljoenen dollars aan nieuwe uitgaven die twee jaar geleden niet bestonden. Daardoor ontstaat een echte afweging met personeelsomvang, andere technologie-investeringen of vrij besteedbare budgetten elders in het bedrijf.

De drie risiconiveaus van zakelijke AI-uitgaven

Wanneer we kijken naar hoe organisaties werkelijk geld uitgeven aan AI, ontstaat een duidelijker patroon. Het kostenrisico is niet gelijkmatig verdeeld. Het concentreert zich op specifieke plaatsen en in een doorsnee organisatie is op dit moment waarschijnlijk maar één van de drie niveaus onder controle.

Zakelijke gebruikers in verkoop, marketing en bedrijfsvoering werken grotendeels met hulpmiddelen die per licentie worden geprijsd: een vast bedrag van 20 tot 30 dollar per gebruiker per maand. Dit is het niveau dat de financiële afdeling al kan budgetteren, omdat het zich precies gedraagt als iedere andere SaaS-post die zij de afgelopen twintig jaar heeft ingekocht.

Ontwikkelaars die agentische programmeerhulpmiddelen gebruiken, zijn de bron van verhalen zoals dat van Uber, en de volledige categorie is zojuist overgestapt van vaste tarieven op prijzen op basis van verbruik. GitHub Copilot stapte in juni 2026 over op tokengebaseerde facturering, en ontwikkelaars voorspelden dat rekeningen zouden stijgen van 29 naar 750 dollar per maand en van 50 naar 3.000 dollar per maand bij intensieve agentische sessies. Uber is hier geen uitzondering, maar een vroege blik op de richting waarin de hele categorie beweegt.

Autonome agenten vormen het niveau dat vrijwel niemand tot nu toe heeft gemodelleerd. Voor een agent bestaat geen concept van een ‘licentie’. De agent draait zonder toezicht, start subagenten, probeert het na een fout opnieuw en verbruikt voortdurend tokens, ongeacht of hij iets waardevols oplevert. Dit is de laag met de minste kostengegevens en de minste precedenten voor budgettering.

Eenvoudig gezegd: het niveau waarmee financieel directeuren het meest vertrouwd zijn, vormt ook het kleinste financiële risico. De twee niveaus die budgetten werkelijk doen exploderen, stappen juist af van voorspelbare prijzen op het moment dat hun gebruik het snelst groeit.

De kloof in het beheer van AI-kosten dichten

De rode draad tussen Uber, Meta en de bredere gegevensverzameling van Ramp is een gebrek aan inzicht. De meeste organisaties hebben geen controlelaag tussen een werknemer of agent en het hulpmiddel dat wordt geopend. Uitgavenlimieten zoals die van Uber zijn een grove oplossing achteraf voor een probleem dat eigenlijk eerder in het proces moet worden aangepakt.

Dat is de kloof die een nieuwere categorie hulpmiddelen, vaak agentorkestratie of agentgateways genoemd, probeert te dichten: iedere taak doorsturen naar het goedkoopste model dat haar kan uitvoeren, uitgavenlimieten afdwingen voordat ze worden overschreden en de financiële afdeling een realtime meter geven in plaats van een maandelijkse verrassing.

Deze categorie ontwikkelt zich snel en valt al uiteen in verschillende lagen. Eén laag bestaat uit gateways met kostenbeheersing die tussen de toepassingen van een organisatie en haar modelleveranciers zitten. Ze voegen uitgavenlimieten per team toe, sturen eenvoudige taken automatisch naar goedkopere modellen en bewaren antwoorden in de cache: dezelfde middelen die Uber handmatig gebruikte toen het zijn limiet invoerde. Een tweede laag is agentorkestratie, die zich richt op het coördineren van meerdere agenten die samenwerken en waarin inzicht in de kosten steeds vaker vanaf het begin wordt ingebouwd in plaats van achteraf toegevoegd. Een nieuwere laag voor de financiële afdeling begint AI-uitgaven te behandelen zoals FinOps-teams cloudkosten al lang behandelen: toegewezen per team en functie, gebudgetteerd en maandelijks beoordeeld, in plaats van achteraf ontdekt.

Daarnaast bestaat een architectuurbenadering die uitgaven probeert te beperken door de afhankelijkheid van grote taalmodellen te verminderen. Sommige bedrijven zijn begonnen met het bouwen van een hybride SLM/LLM-architectuur waarin kleine taalmodellen worden getraind op een beperkte reeks bedrijfstaken, bijvoorbeeld intern beleid, klantenservice, verwerking van leningdocumenten of het analyseren van vrachtmanifesten. De economische voordelen kunnen overtuigend zijn.

Volgens een vergelijking van zakelijke LLM’s uit 2026 kosten gehoste toonaangevende LLM’s bij één miljoen gesprekken per maand tussen 15.000 en 75.000 dollar per maand, terwijl een fijn afgestemd klein taalmodel dat intern wordt ingezet bij hetzelfde volume 150 tot 800 dollar per maand kost. Goldman Sachs beheert AI-uitgaven op grote schaal bijvoorbeeld via een gecentraliseerde modelgateway die iedere aanvraag naar taaktype classificeert en doorstuurt naar het meest kosteneffectieve model voor het werk, van lichte opensourcemodellen tot toonaangevende LLM’s, volledig binnen de eigen beveiligingsgrenzen.

De rode draad is dat de meeste huidige hulpmiddelen door en voor ingenieurs zijn gebouwd om hun productiviteit via agenten sterk te verhogen. De laag die de meeste organisaties nog missen, is de laag die de vragen van een financieel directeur rechtstreeks beantwoordt: welk team, welk budget, hoe voorspellen we de uitgaven en welke zakelijke toepassing wordt door deze uitgave ondersteund? Waarschijnlijk zal juist deze kloof het belangrijkst worden naarmate de uitgaven voor agentische AI zich blijven opstapelen.

Twee jaar geleden bestond niets hiervan als afzonderlijke post. Nu behoren de kosten van AI-tokens tot de snelst groeiende en minst begrepen posten op de balans, en wordt het beheer van AI-kosten snel een centrale financiële discipline in plaats van een nevenproject. Een vergelijkbaar verhaal zagen we toen de cloud voor het eerst werd ingevoerd en de kosten tijdens die eerste golf explodeerden. Organisaties die de uitrol van agentische AI plannen, doen er goed aan dit gesprek tussen techniek en financiën nu te voeren en een beheerstrategie vast te stellen. Uber en Meta hebben al laten zien wat er gebeurt als dat gesprek achteraf plaatsvindt in plaats van vooraf.