Ik stel in bijna elk gesprek over AI-agents dezelfde vraag: wat kost één afgehandelde taak? Het totaalbedrag op de creditcard weet iedereen. Het bedrag per ticket, factuur of offerte weet bijna niemand.
Met een chatlicentie kon dat nog. Met agents die zelf stappen zetten, tools aanroepen en opnieuw proberen, niet meer. Wie AI-kosten niet per taak kent, schaalt blind.
- Een maandtotaal is geen sturingsinformatie. Kosten per werkeenheid wel.
- Agents maken AI-kosten variabel: retries, lange context en toolcalls tikken per stap door.
- Tel ook de minuten menselijke review mee. Anders lijkt elke agent goedkoop.
- Eerst meten en een plafond zetten, dan pas optimaliseren met kleinere modellen, caching of batch.
Wat er gebeurde
Het patroon is steeds hetzelfde. Een team start met een paar licenties en een API-key op de bedrijfscreditcard. De eerste maanden is het bedrag klein, dus niemand kijkt. Dan komt er een agent bij die mail sorteert, een tweede die offertes voorbereidt, en een workflow die ‘s nachts documenten samenvat.
Op een dag stijgt de rekening. Finance vraagt waarom. Het antwoord is meestal een schouderophaal: “meer gebruik”. Welke agent, welk proces, welke klant? Dat staat nergens, omdat alle aanroepen over één key lopen en niemand ze ooit heeft gelabeld.
Het lastige is niet dat AI duur is. Vaak is het per taak juist goedkoop vergeleken met handwerk. Het lastige is dat je dat niet kunt laten zien. En wat je niet kunt laten zien, wordt bij de eerste budgetronde geschrapt of juist ongecontroleerd uitgebreid.
Een maandtotaal vertelt je wat AI kostte. Kosten per taak vertellen je of het iets oplevert.
Waarom AI-kosten per taak nu relevant zijn
Bij chat betaal je grofweg per gebruiker. Bij agents betaal je per stap. Elke stap stuurt context mee, roept misschien een tool aan en kan mislukken en opnieuw beginnen. Met always-on agents die de hele dag doorwerken wordt dat verschil alleen groter.
De FinOps Foundation (FinOps for AI) zegt het nuchter: prijzen hangen af van tokens, API-calls of rekentijd, en je wilt kosten volgen per eenheid werk. Ze raden ook limieten en quota per team of project aan. Dat is geen exotisch advies. Het is hoe je cloudkosten al jaren hoort te beheren.
Waar de kosten per taak meestal onzichtbaar weglekken:
- Retries en loops. Een agent die vastloopt en vijf keer opnieuw probeert, kost vijf keer zoveel. Zonder plafond merk je dat pas op de factuur.
- Context die elke stap opnieuw meegaat. Lange instructies, hele mailthreads of documenten die bij iedere aanroep opnieuw worden ingestuurd.
- Een te zwaar model voor simpel werk. Classificeren of samenvatten vraagt zelden het duurste model.
- Toolcalls en externe API’s. Zoekopdrachten, OCR of databronnen hebben hun eigen meter.
- Menselijke review. Tien minuten controle per output kost meer dan alle tokens samen. Laat je dat weg, dan rekent elke business case zich rijk.
De hefbomen bestaan wel. Zowel Anthropic (prompt caching) als OpenAI (prompt caching) documenteren hoe je vaste prompt-onderdelen hergebruikt tegen lagere kosten. Alleen: je weet pas of dat loont als je weet wat een taak nu kost. Dat is hetzelfde punt als bij AI-ROI zonder baseline: zonder nulmeting is elke besparing een verhaal.
Wat je nu kunt doen: AI-kosten per taak in zes stappen
Geen nieuw FinOps-platform nodig. Wel een spreadsheet, een paar labels en de discipline om er maandelijks naar te kijken.
- Kies per proces één werkeenheid. Een afgehandeld ticket, een verwerkte factuur, een opgestelde offerte. Niet “tokens”, maar iets wat de business herkent.
- Label elke aanroep. Aparte keys, projecten of metadata per agent en per proces. Dan kun je de rekening splitsen in plaats van raden.
- Tel alles mee. Modelkosten, toolkosten, retries en de minuten menselijke controle. Deel door het aantal afgehandelde eenheden.
- Zet een plafond per run en per dag. Een maximaal aantal stappen of een budget per taak, plus een alert bij overschrijding. Een loop moet stoppen, niet doorrekenen.
- Optimaliseer pas daarna. Een kleiner model voor eenvoudige stappen, caching van vaste instructies, batch voor werk dat niet direct hoeft. Meet het effect per taak.
- Leg het naast de baseline. Wat kostte dezelfde eenheid handmatig? Pas dan weet je of opschalen verstandig is. Bij AI-automatisering met een vast maandritme hoort die vergelijking in elke kwartaalreview.
Wat “goed genoeg” vandaag al is
Voor je twee belangrijkste agents één getal: kosten per afgehandelde taak, inclusief review, deze maand en vorige maand. Dat is genoeg om een budgetgesprek te voeren zonder schouderophaal. De rest kan later.
Wil je weten waar je modelkeuze en promptopbouw geld laten liggen? Kijk naar AI-model optimalisatie. Draai je agents liever met meting en plafonds vanaf dag één, dan past managed AI-agents beter. Of plan gewoon een kort gesprek via contact.
Wil je weten wat één taak van jouw AI echt kost?
We brengen samen je AI-kosten per proces in kaart, zetten plafonds en kijken waar optimalisatie loont. Nuchter, met cijfers uit je eigen omgeving.