Vorige maand rekende ik een AI-toepassing op OpenAI door die op papier 2 cent per document kostte. Een koopje, dacht ik. Toen telde ik het toezicht, de correcties en de koppeling erbij. Het was geen koopje meer.
Dat is geen rekenfout. Dat is de rekening die niemand optelt.
De prijs die je van OpenAI, Anthropic of je softwareleverancier krijgt, is het makkelijkste getal in het hele verhaal. Het staat op een factuur, je kunt het opzoeken, je kunt het vergelijken. Precies daarom kijkt iedereen ernaar. En precies daarom klopt de businesscase zo vaak niet: het getal dat het makkelijkst te vinden is, is meestal het kleinste deel van wat AI je echt kost.
Wat total cost of ownership eigenlijk betekent
Total cost of ownership, afgekort TCO, is een oud begrip uit de IT. Het idee: tel niet alleen de aanschafprijs, maar alles wat een systeem gedurende zijn hele leven kost. Bij een auto is dat niet alleen de aankoopprijs, maar ook verzekering, onderhoud, brandstof en het waardeverlies. Bij AI werkt het net zo, alleen zijn de verborgen posten groter en slechter zichtbaar.
Ik deel de kosten graag in twee stapels. De ene stapel staat op een factuur. De andere niet.
Op de factuur staan de tokens, de abonnementen en de API-kosten. Dat is de zichtbare stapel. Die is relatief eerlijk, al is de verdeling over teams en toepassingen vaak een raadsel.
De onzichtbare stapel is groter. Daar zit de integratie: iemand moet de AI koppelen aan je bestaande systemen, en die koppeling moet onderhouden worden. Daar zit het datawerk: documenten klaarzetten, opschonen, ontsluiten. Daar zit het menselijk toezicht: iemand die de output controleert voordat hij naar een klant gaat. Daar zit het herstel: wat kost het als een model iets verzint en die fout doorwerkt in een klantbrief? En daar zit, helemaal onderaan, de afhankelijkheid van je leverancier, die pas een prijs krijgt op het moment dat het misgaat.
De post die iedereen vergeet: toezicht
Van al die verborgen kosten wordt er één structureel onderschat. Het menselijk toezicht.
Dit is de post die me het vaakst opvalt, omdat hij haaks staat op de belofte waarmee AI verkocht wordt. De belofte is dat AI werk overneemt. De praktijk is dat AI werk verplaatst, en dat het verplaatste werk vaak minder zichtbaar en daardoor minder afgerekend is.
De redenering die ik vaak hoor: AI neemt werk over, dus de mens kan weg. In de praktijk verschuift het werk vaker dan dat het verdwijnt. Iemand moet de output nog steeds beoordelen, zeker bij alles wat richting een klant of een beslissing gaat. Dat controleren kost tijd, en die tijd staat op geen enkele AI-factuur.
In verzekeringen zie ik dit scherp. Neem een model dat schadeclaims voorsorteert. Op papier bespaart dat handmatige beoordeling. Maar bij claims mag je het toezicht juist niet wegbezuinigen, want een verkeerde beslissing raakt een klant en soms de toezichthouder. Dus je houdt een mens in de lus. De AI maakt het werk sneller, niet gratis. Wie de businesscase alleen op de tokenkosten baseert, rekent een halve kostenkant tegen een hele batenkant. Dat een AI niet altijd het antwoord is, is precies deze rekensom die anders uitvalt dan je hoopt.
Waarom de factuur zelf ook nog eens beweegt
Zelfs de zichtbare stapel is minder vast dan hij lijkt. Je betaalt bij de meeste AI-diensten per gebruik, en gebruik is geen constante.
De prijs per token daalt hard. Volgens de Stanford AI Index 2025 (opent in nieuw venster) zakte de prijs voor het niveau van GPT-3.5 van ongeveer 20 dollar per miljoen tokens in november 2022 naar 0,07 dollar per miljoen tokens in oktober 2024. Dat is een daling van meer dan 280 keer in bijna twee jaar. Als je alleen naar dat cijfer kijkt, lijkt AI bijna gratis te worden.
Toch stijgt bij de meeste organisaties de rekening. De reden is een oud patroon: als iets goedkoper wordt, ga je het zoveel meer gebruiken dat je totale uitgave stijgt. Dat is de Jevons-paradox, die ik eerder beschreef. Een goedkoop model nodigt uit tot langere prompts, meer context, en agents die zichzelf herhalen. De stukprijs zakt met een factor tien, het verbruik gaat met een factor honderd omhoog. Voor je TCO betekent dit: je kunt de kostenkant niet één keer berekenen en klaar zijn. Verbruik verandert per kwartaal.
Vier plekken waar de verborgen rekening zit
Als ik een AI-businesscase doorreken, loop ik vier posten langs die bijna nooit in de eerste versie staan.
1. Integratie en onderhoud
Een AI-tool die los staat, doet weinig. De waarde ontstaat als hij gekoppeld is aan je systemen, en die koppeling is geen eenmalig klusje. Modellen veranderen, API's veranderen, jouw systemen veranderen. Iemand houdt dat bij. Reken dat mee, ook als het "even snel" lijkt.
2. Datawerk
AI is zo goed als de data die je erin stopt. Documenten klaarzetten, opschonen en ontsluiten is werk, en het is werk dat je vaak onderschat omdat het saai is. In veel projecten is dit de grootste verborgen post, groter dan het model zelf.
3. Toezicht en herstel
Behandeld in de vorige sectie, maar het hoort in elk rijtje: de tijd om output te controleren, plus de kosten als een fout er doorheen glipt. Bij alles wat een klant raakt, is dit geen optionele post.
4. Afhankelijkheid van je leverancier
De duurste post staat op geen enkele factuur: wat gebeurt er als je leverancier zijn prijs verhoogt of zijn model wijzigt? Veel tools zijn een laag boven een model van OpenAI of Anthropic, en of je een wrapper inkoopt merk je vaak pas als de prijs omhoog gaat. Die afhankelijkheid is een kostenpost, ook al kun je hem nu nog niet in euro's opschrijven. Ik werkte dat verder uit in het stuk over vendor lock-in en de kill switch.
Volg mij op LinkedIn
En de post die zelfs de leverancier niet meet
Er is een verborgen kost die zo diep zit dat de leverancier hem zelf niet publiceert: het energieverbruik. Voor de duurzaamheidskant van je AI-rekening zou je willen weten hoeveel energie een model kost. Dat blijkt bijna niet te achterhalen, want de grote aanbieders houden zich bewust afzijdig van onafhankelijke metingen. Tot de EU AI Act die transparantie afdwingt, is dit een blinde vlek in elke complete TCO-berekening. Ik noem hem hier omdat een eerlijke rekening ook de posten benoemt die je nog niet kunt invullen.
Een rekensom die het verschil laat zien
Laat ik het concreet maken met een illustratie. De getallen hieronder zijn ter illustratie, niet uit een onderzoek, maar de verhouding klopt met wat ik in de praktijk terugzie.
Stel, een toepassing die documenten verwerkt. De factuur zegt 2 cent per document, en je verwerkt er tienduizend per maand. Dat is 200 euro. Op de factuur. Klaar, zou je denken.
Nu de rest. De koppeling bouwen en onderhouden kost een paar dagen per kwartaal van iemand die dat kan. Het datawerk om de documenten leesbaar te krijgen, kostte vooraf weken en blijft terugkomen. En bij tien procent van de documenten klopt de output niet helemaal, dus iemand controleert en corrigeert. Reken dat toezicht op een paar uur per week. Die uren staan op geen enkele AI-factuur, maar ze zijn echt, en opgeteld over een jaar overtreffen ze de 2.400 euro aan tokenkosten met gemak.
De les is niet dat de toepassing slecht is. Misschien is hij prima, zelfs met de volledige rekening. De les is dat je die volledige rekening pas ziet als je hem maakt, en dat de 200 euro op de factuur je een gevoel van goedkoop geeft dat niet klopt. Ik ben ervan overtuigd: de meeste teleurstellende AI-businesscases zijn geen falende technologie. Het zijn goede toepassingen die tegen een verkeerde, veel te lage kosteninschatting werden afgezet.
Hoe ik een AI-businesscase doorreken
Geen ingewikkeld model. Drie regels, en die halen de meeste luchtbellen er al uit.
Ten eerste: tel beide stapels. Zet de factuurkosten en de verborgen kosten naast elkaar voordat je een baten-getal noemt. Als de verborgen stapel leeg blijft, heb je niet goed gekeken.
Ten tweede: reken met verbruik dat groeit, niet met verbruik van vandaag. Een toepassing die nu 200 euro per maand kost, kan bij bredere uitrol een veelvoud kosten, omdat meer mensen hem meer gaan gebruiken. Wie verbruikt wat, bepaalt je rekening, en dat hangt af van welke gebruikers je in je organisatie hebt.
Ten derde: zet er een houdbaarheidsdatum op. Een TCO van AI is geen som die je één keer maakt. Herhaal hem elk kwartaal, want de prijzen, de modellen en het gebruik bewegen allemaal.
Waarom leveranciers de factuur laag houden
Er zit een reden achter dat de zichtbare kosten zo laag ogen. Leveranciers concurreren op het getal dat jij het makkelijkst vergelijkt, en dat is de prijs per token of per seat. Dat getal willen ze laag houden, want daarmee winnen ze de vergelijking. De kosten die zij bij jou neerleggen, de integratie, het toezicht, het datawerk, staan niet op hun prijslijst omdat het jouw kosten zijn, niet die van hen.
Dat is geen kwade opzet, het is hoe de markt werkt. Maar het betekent dat je nooit een eerlijke TCO uit een prijslijst haalt. De prijslijst is geoptimaliseerd om goedkoop te lijken. Jouw rekening ontstaat pas als je optelt wat de leverancier bewust buiten zijn getal laat. Wie dat niet doet, vergelijkt appels met een deel van een appel, en kiest vervolgens de aanbieder die het beste is in laag lijken, niet in goedkoop zijn.
Waarom dit een bestuursvraag is, geen IT-detail
Je zou denken dat TCO thuishoort bij inkoop of IT. Bij AI hoort hij aan de bestuurstafel, en wel om een simpele reden: de verborgen kosten raken je marge, en de afhankelijkheid raakt je continuïteit. Dat zijn geen technische vraagstukken. Dat zijn bestuurlijke.
Het bredere plaatje, van grip op je verbruik tot het meten van rendement, staat in mijn gids over AI-kosten en ROI. Deze post gaat over één stuk daarvan: de rekening eerlijk optellen voordat je hem goedkeurt.
Ik begon met een toepassing die 2 cent per document leek te kosten. Toen ik alles meetelde, was het geen 2 cent meer. Dat is geen argument tegen AI. Het is een argument om de hele rekening te tellen, want de goedkoopste toepassing op de factuur is niet altijd de goedkoopste in je organisatie.
Bronnen
* Daling van de prijs per token voor GPT-3.5-niveau (van 20 naar 0,07 dollar per miljoen tokens): hai.stanford.edu (opent in nieuw venster) * Waarom zoveel AI-projecten geen meetbaar resultaat halen (MIT NANDA, via Fortune): fortune.com (opent in nieuw venster)