AI-kosten en ROI: de complete gids voor bestuurders (2026)

Wat zijn AI-kosten en ROI, en waarom nu?

AI-kosten zijn alle uitgaven die samenhangen met het inzetten van kunstmatige intelligentie: de directe kosten van modelgebruik (tokens, abonnementen, API-calls), plus de indirecte kosten van integratie, beheer, toezicht en herstel als het misgaat. ROI (return on investment) is de verhouding tussen wat die inzet oplevert (bespaarde kosten of extra omzet) en wat hij kost. Klinkt eenvoudig. In de praktijk is bijna geen van beide getallen zichtbaar in de meeste organisaties.

Dat dit nu urgent wordt, heeft drie oorzaken. Ten eerste is de adoptie geëxplodeerd: volgens de Stanford AI Index 2025 gebruikte 78% van de organisaties in 2024 AI, tegen 55% een jaar eerder, en het gebruik van generatieve AI meer dan verdubbelde van 33% naar 71%. Ten tweede blijft het rendement achter: uit de State of AI van McKinsey (november 2025) blijkt dat 88% van de organisaties AI gebruikt in minstens één functie, maar dat slechts 39% enig EBIT-effect rapporteert, en bij de meesten van hen is dat minder dan 5% van de EBIT. Ten derde loopt de rekening op een manier op die klassieke IT-budgettering niet vangt, omdat je bij verbruiksmodellen per token betaalt en de kosten meebewegen met elk gebruik.

Aan de bestuurstafel merk ik: de vraag is bijna nooit "moeten we iets met AI doen". Dat is allang beslist. De vraag die niemand scherp kan beantwoorden is "wat kost het ons nu, en wat levert het op". Zolang dat antwoord ontbreekt, stuur je op onderbuik, en dan is elke prijsverhoging van een leverancier een verrassing in plaats van een scenario waar je op voorbereid bent.

Waarom daalt de prijs per token terwijl je rekening stijgt?

Dit is de kern van waarom AI-kosten zo lastig te sturen zijn. De prijs per eenheid daalt hard, terwijl je totale uitgave stijgt. Beide zijn tegelijk waar.

De cijfers over de prijsdaling zijn niet subtiel. Voor het niveau van GPT-3.5 daalde de prijs volgens de Stanford AI Index 2025 van ongeveer 20 dollar per miljoen tokens in november 2022 naar 0,07 dollar per miljoen tokens in oktober 2024, een daling van meer dan 280 keer in bijna twee jaar. Als je alleen naar dat getal kijkt, lijkt AI vrijwel gratis geworden.

Toch stijgt de rekening. De reden is een oud economisch patroon: als iets goedkoper wordt, ga je het meer gebruiken, en vaak zoveel meer dat de totale uitgave stijgt ondanks de lagere stukprijs. Een goedkoop model nodigt uit tot langere prompts, meer context, meer automatische aanroepen, agents die zichzelf herhalen, en toepassingen die je bij de oude prijs nooit had overwogen. De stukprijs zakt met een factor tien, het gebruik gaat met een factor honderd omhoog, en per saldo betaal je meer.

De les is niet dat je de prijsdaling moet negeren. De les is dat prijs per token de verkeerde stuurknop is. Je stuurt op totaal verbruik, op welke toepassingen dat verbruik veroorzaken, en op de vraag of dat verbruik ook waarde produceert. Wie dat mechanisme in de praktijk wil zien, kan het teruglezen in de analyse van hoe AI-budgetten bij grote techbedrijven ontspoorden en waarom terugdraaien niet de oplossing bleek.

Waaruit bestaan de echte kosten van AI?

De rekening die je van OpenAI, Anthropic of je SaaS-leverancier krijgt, is het topje. De totale kosten (TCO, total cost of ownership) bestaan uit een zichtbaar en een verborgen deel, en het verborgen deel is vaak groter.

De zichtbare kosten zijn de tokens, de abonnementen en de API-facturen. Die staan op een factuur en zijn relatief makkelijk te vinden, al is de verdeling over teams en toepassingen meestal een raadsel. De verborgen kosten zitten in integratie, data-voorbereiding, beheer, menselijk toezicht, herstelwerk bij fouten, en de tijd die medewerkers kwijt zijn aan het controleren van AI-output. Die laatste categorie verschijnt op geen enkele AI-factuur, maar drukt wel op je organisatie.

Wat ik hier zie: de meeste kostenoverzichten die ik langs zie komen, tellen alleen de facturen op. Dan lijkt AI goedkoop. Zodra je het toezicht, het herstel en de integratie meerekent, verandert het plaatje, en soms blijkt een "goedkope" toepassing duurder dan het handmatige proces dat hij verving. Dat is geen argument tegen AI. Het is een argument om de hele rekening te tellen voordat je een businesscase goedkeurt. Hoe je die volledige rekening opstelt, werk ik stap voor stap uit in de TCO van AI berekenen; voor de verborgen kant, zoals het energieverbruik dat aanbieders bewust moeilijk meetbaar houden, is er een aparte diepgaande analyse.

Waarom haalt 95% geen ROI, en wat doet de 5% anders?

Het meest geciteerde cijfer van 2025 komt uit het rapport The GenAI Divide: State of AI in Business 2025 van het NANDA-initiatief van MIT. De bevinding: ongeveer 95% van de organisaties in de dataset haalt geen meetbaar resultaat uit generatieve AI-pilots, en slechts ongeveer 5% bereikt een snelle omzetversnelling. De rest blijft steken met weinig tot geen aantoonbaar effect op de winst-en-verliesrekening.

Belangrijker dan het cijfer is het verschil tussen de winnaars en de rest. Uit hetzelfde onderzoek komen drie patronen naar voren die verklaren waarom de 5% wel rendement haalt.

Ten eerste: kopen verslaat bouwen. Organisaties die een gerichte oplossing inkochten bij een gespecialiseerde leverancier waren volgens het rapport ongeveer twee keer zo vaak succesvol als organisaties die zelf een tool probeerden te bouwen (grofweg 67% succes bij inkopen tegenover ongeveer 33% bij zelf bouwen). Bijna overal probeerde men een eigen tool te maken, en juist dat bleek de minst betrouwbare route.

Ten tweede: back office verslaat etalage. Meer dan de helft van de generatieve AI-budgetten ging naar sales- en marketingtools, terwijl de grootste ROI juist in back-office-automatisering zat. Het geld ging naar de zichtbare, sexy toepassingen; het rendement zat in de saaie, repetitieve processen.

Ten derde: de McKinsey-data laat zien dat de kleine groep die wel opschaalt (ongeveer 6% van de respondenten kwalificeert als high performer) systematisch werkprocessen herontwerpt in plaats van AI als een laagje boven het bestaande proces te leggen. Ze veranderen het werk, niet alleen het gereedschap.

De grafiek hieronder maakt de kloof zichtbaar: van brede adoptie, via de kleine groep die enig EBIT-effect ziet, naar de zeer kleine groep die daadwerkelijk opschaalt.

Bron: McKinsey, The State of AI 2025 (november 2025). De grafiekspec staat onderaan in het Cursor-blok.

Dat AI niet altijd het antwoord is, is geen ketterij maar een businesscase-vraag; er is een aparte post die precies dat uitwerkt.

Hoe meet je ROI van AI zonder jezelf voor de gek te houden?

De meeste ROI-berekeningen voor AI zijn optimistisch omdat ze een verzonnen besparing vermenigvuldigen met een groot getal. "Deze tool bespaart elke medewerker 30 minuten per dag" klinkt indrukwekkend, tot je merkt dat die 30 minuten nergens op de winst-en-verliesrekening terugkomen omdat er niemand minder gaat werken en er geen extra omzet ontstaat.

Een bruikbare ROI-meting voor AI rust op drie principes. Ten eerste: meet effecten die je in de boeken terugziet, niet gevoelde tijdwinst. Bespaarde tijd telt pas als hij wordt omgezet in minder kosten (minder inhuur, minder overwerk) of in meer output tegen dezelfde kosten. Ten tweede: tel de volledige kosten, inclusief de verborgen categorieën uit de TCO-tabel hierboven, anders vergelijk je een halve kostenkant met een hele batenkant. Ten derde: kies een meetperiode en een nulmeting vooraf, zodat je achteraf niet hoeft te geloven dat het effect er was.

De basisformule blijft simpel:

ROI = (baten in euro's − volledige kosten in euro's) ÷ volledige kosten in euro's

De moeilijkheid zit niet in de formule maar in het eerlijk invullen ervan. Voor een verzekeraar is een concreet voorbeeld: een AI die schadeclaims voorsorteert bespaart pas geld als er daadwerkelijk minder handmatige beoordeling nodig is, en die besparing moet je afzetten tegen de kosten van het model, de integratie, én het toezicht dat je juist bij claims niet mag wegbezuinigen. Reken je alleen de tokenkosten, dan lijkt het een koopje. Reken je het toezicht mee, dan is de vraag scherper: verschuift AI het werk, of neemt het echt werk weg? Waarom bespaarde tijd op zichzelf geen rendement is, werk ik uit in ROI van AI eerlijk meten.

Hoe krijg je grip op AI-kosten? (FinOps voor AI)

Grip op cloudkosten kreeg de afgelopen jaren een eigen vakgebied: FinOps, de praktijk om technische teams, finance en management samen te laten sturen op verbruik. De FinOps Foundation heeft daar inmiddels een expliciete tak voor AI aan toegevoegd, "FinOps for AI", omdat AI-verbruik dezelfde onvoorspelbaarheid heeft als cloud, maar dan sterker.

De kern is dat AI-kosten pas beheersbaar worden als drie dingen op orde zijn: zichtbaarheid, toewijzing en sturing. Zichtbaarheid betekent dat je weet hoeveel er wordt verbruikt, door wie en waarvoor. Toewijzing betekent dat je die kosten kunt koppelen aan een team, een toepassing of een klant. Sturing betekent dat je op basis daarvan grenzen kunt stellen: quota per gebruiker, limieten per toepassing, en een keuze welk model waar wordt ingezet.

Een praktische zelfcheck om te zien of je grip hebt:

• [ ] Weet je wat je organisatie deze maand aan AI heeft uitgegeven, in één getal?
• [ ] Kun je dat getal uitsplitsen naar team of toepassing?
• [ ] Is er één iemand eindverantwoordelijk voor het AI-budget?
• [ ] Zijn er quota of limieten per gebruiker of per toepassing?
• [ ] Weet je welke toepassing het meeste verbruikt, en of die ook het meeste oplevert?
• [ ] Heb je een scenario voor het geval een leverancier zijn prijs verdubbelt?

Kun je meer dan twee van deze vragen niet beantwoorden, dan stuur je op onderbuik. Dat is geen ramp, maar het is wel het eerste wat je repareert voordat je meer AI uitrolt. Hoe je deze drie stappen concreet invoert, staat in FinOps voor AI in de praktijk. Het uitgangspunt dat een vaste prijs bij een leverancier niet hetzelfde is als een vaste kostprijs, is een aparte diepgaande post waard.

AI-kosten, vendor lock-in en de rekening die je niet ziet aankomen

De grootste verborgen kostenpost staat op geen enkele factuur: de afhankelijkheid van je leverancier. Veel AI-tools zijn een softwarelaag boven een model van OpenAI of Anthropic (een "wrapper"), en als eindgebruiker heb je vaak geen zicht op welk model eronder draait, wat het echt kost, en wat er gebeurt als de leverancier zijn prijs verhoogt of het model wisselt.

Dat risico is niet theoretisch. Een prijsverhoging bij een leverancier vertaalt zich direct naar jouw kostprijs, zonder dat jij aan de knoppen zit. En de afhankelijkheid gaat dieper dan prijs: hoe strakker je processen en agents in één leverancier zijn ingebouwd, hoe moeilijker en duurder het is om over te stappen als dat model wegvalt, duurder wordt, of om een andere reden onbruikbaar raakt. Overstappen naar een goedkoper of inferieur alternatief redt je operatie dan niet automatisch.

Voor bestuurders zijn er twee kostenposten die hier samenkomen. De eerste is de continuïteitskost: wat gebeurt er met je bedrijfsvoering als een cruciaal model niet meer beschikbaar is? De tweede is de energiekost, die relevant wordt omdat de EU AI Act transparantie over onder meer energieverbruik gaat afdwingen, terwijl de grote aanbieders die metingen nu bewust buiten onafhankelijke ranglijsten houden. Beide zijn onderdelen van de echte kostprijs van AI, ook al staan ze niet op de maandfactuur.

Wat ik hier zie: in verzekeringen weten we hoe je omgaat met afhankelijkheid van één partij, want dat is precies wat herverzekering en spreiding oplossen. Bij AI zie ik organisaties die risico bij één leverancier concentreren op een manier die ze bij geen enkele andere kritieke leverancier zouden accepteren. De vraag "wat kost het ons als deze partij wegvalt" hoort net zo goed bij AI als bij elke andere leverancier van een kernproces.

De grootste misverstanden over AI-kosten en ROI

Misverstand: goedkopere tokens betekenen een lagere AI-rekening. In werkelijkheid stijgt de totale uitgave meestal, omdat goedkoper gebruik uitnodigt tot veel meer gebruik. Je stuurt op totaal verbruik, niet op stukprijs.

Misverstand: een vaste prijs bij een leverancier is een vaste kostprijs. In werkelijkheid kan de leverancier zijn tarief verhogen of het onderliggende model wijzigen, en dan verandert jouw kostprijs zonder dat jij iets kunt doen.

Misverstand: bespaarde tijd is rendement. In werkelijkheid telt bespaarde tijd pas als ROI wanneer hij leidt tot lagere kosten of hogere omzet die je in de boeken terugziet. Gevoelde tijdwinst is geen EBIT.

Misverstand: zelf bouwen is goedkoper dan inkopen. In werkelijkheid was zelf bouwen volgens het MIT-onderzoek juist de minst succesvolle route; gerichte inkoop bij een specialist leverde ongeveer twee keer zo vaak resultaat op.

Misverstand: de tokenkosten zijn de AI-kosten. In werkelijkheid zijn integratie, toezicht, herstel en afhankelijkheid vaak groter dan de factuur, en die staan nergens op.

Misverstand: meer AI uitrollen levert vanzelf meer rendement op. In werkelijkheid haalt de kleine groep die rendement boekt dat door processen te herontwerpen, niet door AI als een laagje boven bestaand werk te leggen.

Stappenplan: grip op AI-kosten in 30-60-90 dagen

Grip krijgen op AI-kosten is geen project van een jaar. Het is een kwestie van in de juiste volgorde beginnen. Consultant-taal helpt niet; deze stappen wel.

Eerste 30 dagen: zichtbaarheid.

• [ ] Verzamel alle AI-uitgaven van de afgelopen drie maanden in één overzicht, inclusief SaaS-tools met een AI-component.
• [ ] Wijs één eindverantwoordelijke aan voor het AI-budget. Niet een commissie.
• [ ] Breng in kaart welke toepassingen draaien, en wie ze gebruikt.

Wat je hier NIET doet: meteen tools verbieden. Je meet eerst, want blokkeren zonder zicht drijft gebruik naar de schaduw.

Dag 30 tot 60: toewijzing en toetsing.

• [ ] Koppel de kosten aan teams en toepassingen, zodat je weet waar het verbruik vandaan komt.
• [ ] Zet per grote toepassing de volledige kosten (inclusief toezicht en integratie) tegenover het aantoonbare effect.
• [ ] Identificeer de toepassingen die veel verbruiken en weinig opleveren.

Wat je hier NIET doet: elke toepassing willen kwantificeren tot achter de komma. Het gaat om de grote posten, niet om perfectie.

Dag 60 tot 90: sturing.

• [ ] Stel quota of limieten in per gebruiker of per toepassing waar het verbruik ontspoort.
• [ ] Maak een overstapscenario voor je meest kritieke leverancier.
• [ ] Beleg de AI-kosten als vaste budgetlijn in de reguliere planning- en controlcyclus.

Wat je hier NIET doet: de sturing eenmalig inrichten en vergeten. AI-verbruik verandert per kwartaal, dus de review is terugkerend.

AI-kosten en de regelgeving

Kosten en regelgeving raken elkaar op twee punten. Het eerste is transparantie over energieverbruik en modelgebruik. De EU AI Act (Verordening 2024/1689) brengt verplichtingen mee rond documentatie en transparantie van AI-systemen, en juist rond energieverbruik houden de grote aanbieders zich nu afzijdig van onafhankelijke metingen. Voor een organisatie betekent dat: de informatie die je nodig hebt om de echte kostprijs (inclusief duurzaamheid) te bepalen, is nu nog onvolledig, en dat verandert naarmate de handhaving vordert.

Het tweede punt is toezicht als kostenpost. Compliance rond AI, van het aanwijzen van verantwoordelijken tot het inrichten van menselijk toezicht, is geen gratis bijzaak maar een reële kostenpost die in je businesscase hoort. Wie de baten van een AI-toepassing berekent zonder de compliance-kosten mee te tellen, rekent zich rijk. Voor de volledige uitwerking van de wettelijke kant is er een aparte hub over de EU AI Act en een hub over AI-governance.

Veelgestelde vragen

Verder verdiepen

De diepere vragen rond AI-kosten en ROI werk ik uit in losse artikelen. Samen vormen ze het cluster onder deze gids.

Kosten berekenen en meten - De echte rekening van AI: de TCO berekenen — waarom de total cost of ownership hoger uitvalt dan de factuur. - FinOps voor AI in de praktijk — grip krijgen op AI-kosten via zichtbaarheid, toewijzing en sturing. - Bespaarde tijd is geen ROI — hoe je rendement meet dat de winst-en-verliesrekening ook herkent.

Kosten begrijpen en beheersen - Grip op AI-kosten: waarom Uber en Microsoft AI terugdraaien — hoe AI-budgetten ontsporen en waarom terugdraaien niet de oplossing is. - AI-kosten: waarom dit geen bubbel is maar een rekening — waarom stijgende AI-kosten geen zeepbel zijn maar een structurele rekening. - Gratis AI voorbij: waarom ChatGPT dommer voelt — wat de prijs van "gratis" AI werkelijk is.

Afhankelijkheid en leveranciersrisico - Weet jij of je een AI-wrapper inkoopt? — hoe je herkent of je grip hebt op je AI-kostprijs. - AI vendor lock-in: waarom de kill switch jouw probleem is — hoe diep afhankelijkheid van één leverancier je operatie raakt. - Waarom OpenAI nu jouw concurrent wordt — wat het betekent als je leverancier ook je concurrent is. - Open source AI als bestuurlijke noodzaak — open modellen als tegenwicht tegen lock-in.

Rendement en de verborgen rekening - AI is niet altijd het antwoord — wanneer AI de businesscase niet haalt. - De vier AI-gebruikers in je organisatie — hoe gebruikspatronen je verbruik en kosten bepalen. - AI-energieverbruik meten kan niet, en dat is bewust zo — de verborgen energiekost achter je AI-rekening.

Voor de bredere strategische en wettelijke context: de hub over AI-governance en de hub over de EU AI Act.

Over Marc Diks

Marc Diks schrijft over AI, bestuur en verzekeren. Hij kijkt naar AI vanaf de bestuurstafel en door de bril van 25 jaar verzekeringservaring, en bouwt zelf productie-AI zonder formele codeerachtergrond. Die combinatie maakt dat hij AI-kosten en governance niet als abstract IT-vraagstuk behandelt, maar als bestuurlijke keuze met een prijskaartje. Meer over Marc: /about.

---

Wil je sparren over grip op AI-kosten in jouw organisatie? Neem contact op of check de AI Act Impact Scanner om te zien welke verplichtingen op je afkomen. Wekelijks mijn kijk op AI en bestuur in je inbox: schrijf je in voor de nieuwsbrief.