Radboud Langenhorst
3 minuten
Token debt: de onzichtbare rekening van AI-succes.
De afgelopen weken verschenen berichten dat Microsoft duizenden Claude Code-licenties uitfaseert. Niet omdat Claude tekortschiet. Maar omdat intern gebruik zo snel groeide dat de kosten begonnen te escaleren. Uber zou tegen vergelijkbare uitdagingen zijn aangelopen.
Dat klinkt misschien als een groot-tech-probleem. Maar het is een voorbode van wat veel organisaties binnenkort zelf gaan meemaken.
Software werd altijd goedkoper naarmate meer mensen het gebruikten
Dat was jarenlang het mooie van software. Schaal was je vriend. Meer gebruikers, lagere kosten per hoofd. SaaS maakte dat model tot de standaard.
AI draait dat principe deels om.
Hoe succesvoller je organisatie AI adopteert, hoe groter de kans dat je kosten sneller stijgen dan verwacht. Iedere prompt kost geld. Iedere workflow kost geld. Iedere agent kost geld. Wat vandaag een experiment lijkt, kan morgen een serieuze kostenpost op de P&L worden.
Succesvol gebruik van AI wordt dus bestraft in plaats van beloond.
Dat is een fundamenteel nieuw probleem.
Token Debt
Wat technische schuld was voor software, wordt token debt voor AI.
De definitie: de onzichtbare kosten die organisaties opbouwen wanneer AI-gebruik sneller groeit dan het inzicht in gebruik, modelkeuze en rendement.
Het mechanisme is vertrouwd. Organisaties starten met pilots. De pilots werken. Teams willen meer. Gebruik schaalt. En ergens in dat proces verlies je het overzicht. Je weet niet meer welk model waarvoor wordt ingezet, welke workflows eigenlijk renderen, en wat die dagelijkse AI-activiteit nu eigenlijk kost.
Tot de rekening binnenkomt.
De verkeerde vraag
De discussie is te lang gefocust op "welk model is het beste?". Dat is de verkeerde vraag. De betere vraag is: welk model is goed genoeg voor deze specifieke use case?
Want niet iedere taak hoeft op het duurste model te draaien. Een samenvatting van een intern document vereist geen frontier model. Een eenvoudige classificatietaak ook niet. De kwaliteitsverbetering van het laatste percentiel kost vaak een veelvoud. En op schaal telt dat veelvoud hard op. Op een gegeven moment betaal je niet meer voor resultaat. Je betaalt voor comfort.
FinOps voor AI wordt een vak apart
Ik verwacht dat features voor betere FinOps een van de belangrijkste AI-disciplines van de komende jaren worden. Niet alleen inzicht in gebruik, maar ook grip op kosten, limieten, ROI en modelkeuzes.
Organisaties zullen AI moeten managen zoals ze dat eerder deden met cloud-infrastructuur. Met dashboards, budgetlimieten, kostenallocatie per team, en bewuste keuzes over welk model wanneer wordt ingezet.
Dat klinkt als overhead. Het is het tegenovergestelde. Het is wat schaal mogelijk maakt zonder dat je financiële verrassingen krijgt.
Dan is er nog vendor lock-in
Als je hele organisatie afhankelijk wordt van één model, één prijsstructuur en één leverancier, dan wordt iedere prijsverhoging of contractwijziging ineens jouw probleem.
En die prijsverhogingen komen. De markt is jong. Prijzen bewegen. Modellen verdwijnen of worden aangepast. Wat vandaag de standaard is, is morgen achterhaald.
Daarom geloven wij sterk in een model-agnostische aanpak. Niet omdat Claude vandaag slecht is of Amazon's Nova morgen beter zal zijn (which it probably will), maar omdat niemand weet hoe de markt er over twaalf maanden uitziet.
Wat we wél weten: prijs, kwaliteit en beschikbaarheid blijven continu bewegen.
Je strategie zou daar niet van afhankelijk moeten zijn.
De kern
AI verandert iedere maand. Je fundament zou dat niet moeten doen.
Dat betekent concreet: inzicht in gebruik, bewuste modelkeuzes, governance op agent-niveau, en een platform dat niet vastzit aan één leverancier. Geen filosofie. Gewoon goed infrastructuurdenken.
De organisaties die dat nu regelen, zitten straks niet met een token debt die ze niet zagen aankomen.
Geïnteresseerd in hoe wij model-onafhankelijke en AVG-conforme agents hosten die zorgen voor betere output én beheersbare kosten? Neem contact met ons op.