AI schaalt pas als elke workflow een prijskaartje krijgt

Inleiding

De volgende AI-discussie in bedrijven gaat niet meer over toegang.

Ook niet over enthousiasme.

En steeds minder over de vraag welk model "het beste" is.

De echte vraag wordt zakelijker: wat kost een AI-workflow ons werkelijk, wat levert die op, en wie stuurt daarop?

Dat klinkt financieel. Dat is het ook. Maar het is tegelijk strategisch. Want zodra AI verschuift van losse pilots naar dagelijkse operatie, verandert het karakter van de kosten. Dan koop je niet langer alleen software in. Dan koop je variabele intelligentie in: tokens, modelaanroepen, routering, orkestratie, herhaalpogingen, menselijke controle, governance en steeds vaker agentgedrag dat zichzelf vermenigvuldigt.

Meerdere actuele bronnen van McKinsey, PwC, BCG, Stanford en Deloitte wijzen dezelfde kant op: AI faalt op schaal niet alleen door cultuur, data of governance. Het faalt ook zodra de rekening sneller groeit dan het stuurvermogen.

Goedkopere modellen maken de factuur niet vanzelf kleiner

Dat is de paradox van dit moment.

PwC schreef op 20 juli 2026 dat tokenprijzen dalen, terwijl AI-rekeningen toch oplopen. Hun verklaring is simpel: lagere instapkosten verleiden organisaties om AI overal in te bouwen, ook waar workflows nodeloos complex of duur worden. Goedkoper per token betekent dus niet automatisch goedkoper per bedrijfsuitkomst.

McKinsey beschreef diezelfde verschuiving op dezelfde datum nog scherper. In een enterprise AI FinOps-survey uit mei 2026 zagen zij dat AI-uitgaven bijna verviervoudigen wanneer organisaties van losse use cases naar brede adoptie bewegen. Onder de respondenten zei 93 procent inmiddels het AI-budget te overschrijden. Dat is geen detail meer voor IT. Dat is een managementsignaal.

De managementles is ongemakkelijk maar nuttig: AI wordt voor veel organisaties een nieuwe variabele kostensoort die direct aan marge, budgetdiscipline en investeringsruimte raakt.

De prompt is niet de juiste rekeneenheid

Veel bedrijven kijken nog te klein.

Ze tellen prompts, seats of toollicenties. Maar de betere vraag is: wat kost een afgeronde uitkomst?

BCG formuleerde dat op 1 juli 2026 als een overgang van klassieke FinOps naar "return on AI". Hun punt is sterk: traditionele softwarelogica schiet tekort, omdat AI niet netjes als vaste seat of voorspelbare workload werkt. De relevante eenheid is de workflow. Je wilt kunnen zien wat er gebeurt, de kosten kunnen bijsturen en vervolgens kunnen bewijzen dat de activiteit waarde creëert. Lukt dat niet, dan moet je stoppen of minimaliseren.

PwC komt praktisch op hetzelfde uit. Daar draait de sturing om AI-kosten per uitkomst. Niet alleen: wat kost een modelaanroep? Wel: wat kost een correcte offerte, een goedgekeurde claim, een afgehandeld klantcontact, een bruikbare analyse of een verkoopactie die echt converteert?

Dat is een wezenlijk verschil. Het verplaatst de discussie van techniek naar bedrijfsvoering.

Juist agenten maken deze stap urgent

Vooral agentic AI maakt dit acuut.

McKinsey waarschuwt dat kosten moeilijk voorspelbaar worden zodra AI-workflows plannen maken, tools aanroepen, subagents inzetten en iteratief blijven draaien. Stanford onderbouwde dat op 14 april 2026 met een working paper over programmeertaken met AI-agenten. Dat onderzoek gaat niet over alle kantoorprocessen, maar de economische les is breder toepasbaar: agentische taken verbruikten daar ongeveer duizend keer zoveel tokens als eenvoudige varianten voor codeanalyse en chat, terwijl runs op exact dezelfde taak tot ongeveer dertig keer konden verschillen in totaal verbruik en hogere kosten niet vanzelf tot betere kwaliteit leidden.

Die observatie is belangrijk voor iedere directie. Niet omdat elk bedrijf coding agents inzet, maar omdat hetzelfde patroon in veel AI-processen dreigt: autonome stappen stapelen context, calls en controlelagen op. Daardoor wordt AI snel een volumespel dat pas laat zichtbaar wordt op de factuur.

Wie AI-agenten alleen ziet als productiviteitsversneller, ziet dus maar de helft van het verhaal. Ze zijn ook een nieuwe kostenmotor.

Schalen vraagt om financiële architectuur, niet alleen technische architectuur

Hier gaat het vaak mis.

Veel organisaties investeren eerst in tooling en pas later in kostendiscipline. Maar juist op schaal werkt dat achterstevoren.

McKinsey stelt dat slechts een minderheid van bedrijven al echt volwassen AI FinOps-capaciteiten heeft. PwC voegt daaraan toe dat discipline niet ontstaat met alleen dashboards. Je moet kostencontroles in de architectuur zelf inbouwen: routing naar goedkopere modellen waar dat kan, budgetgrenzen voor een call, escalatiepoorten bij uitzonderingen, audit trails en duidelijke eigenaars voor kosten per uitkomst.

PwC maakt dat tastbaar met een praktijkvoorbeeld: een wereldwijd technologiebedrijf bracht in een kritieke pipeline de kosten per run met 65 tot 80 procent terug en kreeg tegelijk drie tot vijf keer meer AI-capaciteit binnen hetzelfde budget. Dat is precies waarom dit onderwerp niet alleen defensief is. Goede kostendiscipline vergroot ook je offensieve speelruimte.

Daar zit een belangrijk zakelijk inzicht in. AI-governance gaat niet alleen over veiligheid, compliance of ethiek. Governance gaat ook over economische frictie. Als niemand vooraf bepaalt welke workflow een geavanceerd model echt nodig heeft, welke context overbodig is, hoeveel herhaalpogingen acceptabel zijn en wanneer een mens moet ingrijpen, dan groeit de uitgave vanzelf harder dan de waarde.

De bedrijven die hier vroeg grip op krijgen, bouwen dus niet alleen een veiligere AI-stack. Ze bouwen een beter verdedigbaar operating model.

De CFO en CIO moeten hetzelfde gesprek voeren

Dit onderwerp hoort daarom niet thuis in een hoekje van innovatie.

PwC schrijft expliciet dat AI-kosten een vast punt op de CFO-agenda moeten worden, niet een incidentele IT-bijlage. Dat is logisch. Zodra AI beslissingen, serviceprocessen, analyses en commerciële workflows mee gaat uitvoeren, raakt het direct aan brutomarge, doorlooptijd, foutkosten en kapitaalallocatie.

Deloitte liet begin 2026 al zien hoe snel de context verandert. In hun 2026 AI-onderzoek groeide toegang tot AI-tools sterk, terwijl veel organisaties nog midden in de sprong van pilot naar productie zitten. Juist dan ontstaat het risico dat AI-adoptie sneller gaat dan de discipline waarmee bedrijven infrastructuur, governance en waardecreatie organiseren.

Daarom moeten CFO en CIO dichter op elkaar komen te zitten.

De CIO kan niet meer volstaan met technische beschikbaarheid. De CFO kan niet wachten tot de kwartaalfactuur laat zien wat het gebruik was. Samen moeten zij sturen op vragen als:

1. Welke workflows verdienen het duurste model echt?
2. Wat zijn onze beoogde kosten per uitkomst?
3. Waar verdwijnt volume in herhaalpogingen, onnodig grote context of herhaalde agentstappen?
4. Welke besparingen herinvesteren we, en welke uitgaven stoppen we?
5. Wanneer levert een goedkopere route minder kwaliteit op dan verantwoord is?

Dit zijn geen operationele detailvragen meer. Dit zijn vragen over concurrentiekracht.

Het mkb hoeft niet klein te denken

Voor middelgrote bedrijven is dit juist een kans.

Niet omdat zij meer budget hebben, maar omdat zij eenvoudiger kunnen sturen.

Een mkb-bedrijf hoeft geen zwaar programma voor centrale AI-aansturing op te tuigen om volwassen te beginnen. Wel moet het eerder zakelijk gaan kijken naar AI. Dat betekent:

1. Kies eerst drie tot vijf workflows met direct bedrijfsgewicht, niet dertig losse experimenten.
2. Meet per workflow niet alleen gebruik, maar ook kosten, tijdwinst, foutreductie, omzetimpact of marge-effect.
3. Leg vooraf vast wanneer een duurder model nodig is en wanneer een lichtere variant voldoende is.
4. Bouw eenvoudige escalatieregels in voor hoge kosten, lage zekerheid of uitzonderingen.
5. Herinvesteer vrijgespeelde ruimte bewust in de workflows waar AI aantoonbaar harder rendeert.

Dat klinkt misschien nuchter. Precies dat is de kracht.

De eerste AI-voorsprong kwam vaak uit snelheid van experimenteren. De volgende voorsprong komt waarschijnlijk uit snelheid van sturen.

De winnaars leren niet alleen sneller automatiseren, maar sneller alloceren

De kern van deze fase is dus niet dat bedrijven minder AI moeten gebruiken.

Integendeel.

McKinsey waarschuwt terecht dat simpelweg bezuinigen de verkeerde reflex is. De betere reactie is vraagsturing: minder verspilling, betere routing, scherpere sourcing en meer geld naar de workflows waar AI echt verschil maakt.

Daarmee verschuift AI van hypebudget naar allocatievraagstuk. En precies daar wordt het interessant voor leiderschap.

Want als elk team AI kan aanzetten, maar niemand kan uitleggen welke workflow tegen welke kosten welke waarde levert, dan groeit vooral de activiteit. Niet het voordeel.

Bedrijven die die discipline wel opbouwen, krijgen iets waardevols terug: meer bruikbare AI voor hetzelfde budget, betere voorspelbaarheid, sterkere besluitvorming en meer ruimte om opnieuw te investeren.

AI schaalt dus niet zodra iedereen ermee werkt.

AI schaalt zodra de organisatie weet welke intelligentie zij wil inkopen, waar die moet landen, wat die mag kosten en wanneer zij zichzelf terugverdient.

Of nog eenvoudiger:

AI schaalt pas als elke belangrijke workflow een prijskaartje krijgt.