Een lagere prijs per AI-token klinkt als goed nieuws voor CIO’s en CFO’s. Gartner waarschuwt echter voor het tegenovergestelde effect: de inferencekosten per agentic workflow kunnen tot 2028 met meer dan vijf keer toenemen.
Dat betekent nadrukkelijk niet dat iedere AI-licentie of iedere token vijf keer duurder wordt. Gartner beschrijft juist een paradox: modellen worden efficiënter en de kosten per eenheid dalen, maar AI-toepassingen worden tegelijkertijd complexer. Ze gebruiken meer tokens, schakelen vaker tussen modellen en voeren meer stappen uit. Daardoor kunnen de totale kosten per workflow veel sneller stijgen dan de prijs per afzonderlijke AI-eenheid daalt.
Voor enterprise organisaties is dat een belangrijk verschil.
De discussie over AI-kosten gaat tot nu toe vaak over de prijs van een Copilot-licentie, een AI-add-on of een token. De interessantere vraag wordt echter:
wat kost het om een AI-workflow daadwerkelijk op grote schaal te laten draaien?
Daarmee raakt de ontwikkeling direct aan software subscriptions, cloudkosten, FinOps, software asset management en contractstrategie.
Goedkopere AI kan juist meer AI uitlokken
De economische logica achter Gartner’s voorspelling is relatief eenvoudig.
Wanneer de kosten van een technologie dalen, wordt het aantrekkelijker om die technologie voor meer toepassingen in te zetten. Bij AI komt daar iets bijzonders bij: nieuwe modellen maken niet alleen bestaande toepassingen goedkoper, maar maken ook nieuwe, complexere toepassingen mogelijk.
Een eenvoudige chatbot heeft relatief weinig modelinteracties nodig. Een agent die zelfstandig een bedrijfsproces uitvoert, kan daarentegen meerdere keren redeneren, informatie ophalen, systemen aanroepen, resultaten controleren en opnieuw een model inschakelen.
Elke afzonderlijke stap kan goedkoop zijn.
De volledige workflow hoeft dat niet te zijn.
Gartner noemt drie ontwikkelingen die deze dynamiek versterken: de kosten van foundation models verbeteren snel, die efficiëntiewinst maakt het aantrekkelijker om krachtigere modellen in te zetten en geavanceerdere AI-workflows gebruiken veel meer tokens dan eenvoudige chatbotinteracties.
Dat is de kern van de zogenoemde Inference Paradox.
Betere unit economics kunnen leiden tot hogere totale AI-uitgaven.
Van licentiekosten naar kosten per bedrijfsproces
Dit is vanuit software licensing een belangrijker ontwikkeling dan alleen een nieuwe prijslijst van een leverancier.
Traditionele enterprise software is relatief eenvoudig te begroten.
Een organisatie koopt bijvoorbeeld 4.000 gebruikerslicenties en sluit daarvoor een contract af met een vaste prijs per gebruiker per maand. De kosten zijn vervolgens redelijk goed te voorspellen.
AI maakt softwaregebruik dynamischer.
Een medewerker kan een AI-agent inzetten die zelfstandig werkzaamheden uitvoert. Die agent kan vervolgens andere systemen gebruiken, documenten verwerken en meerdere modelinteracties starten.
Het aantal menselijke gebruikers blijft gelijk.
Het softwareverbruik kan ondertussen sterk toenemen.
Daarmee ontstaat een verschuiving van:
“Hoeveel gebruikers hebben we?”
naar:
“Hoeveel softwarecapaciteit verbruiken onze processen?”
Dat betekent niet dat het traditionele per-user model verdwijnt. Daarvoor is geen bewijs. Wat wel zichtbaar wordt, is een combinatie van vaste subscriptions met variabele AI-consumptie.
Microsoft werkt bijvoorbeeld naast vaste licentiemodellen met Copilot-tegoed voor bepaalde usage-based AI-diensten. Microsoft beschrijft dit expliciet als een aanvulling op abonnementen waarbij klanten betalen op basis van daadwerkelijk gebruik.
SAP hanteert een vergelijkbare hybride benadering. Premium AI kan afhankelijk van de functionaliteit per gebruiker per maand of op basis van consumptie worden afgerekend. AI Units functioneren daarbij als een centrale consumptie-eenheid.
De ontwikkeling is daarmee groter dan één leverancier.
AI introduceert een nieuwe variabele kostenlaag binnen enterprise software. Meer over deze verschuiving van het traditionele SaaS-model naar nieuwe vormen van softwareconsumptie leest u in Hoe AI het SaaS-model ingrijpend verandert in 2026.
Het probleem voor CFO’s: de softwarefactuur wordt minder lineair
Een traditionele softwarebegroting heeft vaak een relatief lineaire structuur.
Meer gebruikers betekent meer licenties.
Een groei van 10 procent in gebruikers leidt — afhankelijk van contract en prijsstructuur — ongeveer tot een vergelijkbare groei in licentiekosten.
Bij AI hoeft dat niet zo te werken.
Een organisatie kan bijvoorbeeld nauwelijks groeien in personeelsaantallen, terwijl het aantal geautomatiseerde AI-workflows sterk toeneemt. Microsoft AI Tokens en Copilot Credits veranderen stilletjes uw IT-budget
Daarmee ontstaat een nieuwe verhouding:
personeelsgroei ≠ softwaregroei
Dat is financieel relevant.
Een organisatie die haar IT-budget voornamelijk modelleert op basis van headcount en bestaande subscriptions kan de toekomstige AI-consumptie daardoor onderschatten.
Vooral wanneer AI wordt geïntegreerd in operationele processen.
Een experiment met 50 gebruikers is financieel iets anders dan dezelfde technologie inzetten voor een proces dat iedere dag tienduizenden documenten, transacties of verzoeken verwerkt.
De AI-businesscase moet daarom op workflow-niveau worden gemaakt
Dit vraagt om een andere manier van TCO-berekening.
De vraag is niet alleen wat een AI-product per gebruiker kost.
De businesscase moet kijken naar de volledige keten:
licentie → AI-capaciteit → cloudconsumptie → workflow → bedrijfswaarde
Daarbij moet een organisatie ook rekening houden met schaal.
Een AI-workflow die €0,10 kost en honderd keer per maand wordt uitgevoerd, is financieel nauwelijks relevant.
Dezelfde workflow die miljoenen keren wordt uitgevoerd, kan een substantiële kostenpost worden.
Daarom is het verstandiger om AI-investeringen niet uitsluitend op basis van een gemiddelde maandprijs te beoordelen.
Werk met scenario’s:
laag gebruik
Wat kost de oplossing wanneer adoptie beperkt blijft?
verwacht gebruik
Wat gebeurt er bij de geplande toepassing?
hoog gebruik
Wat gebeurt er wanneer AI breed wordt geadopteerd?
geautomatiseerd gebruik
Wat gebeurt er wanneer agents zelfstandig processen gaan uitvoeren?
Juist dat laatste scenario ontbreekt nog regelmatig in traditionele softwarebusinesscases.
Daar ontstaat een nieuwe rol voor Software Asset Management
Software Asset Management heeft traditioneel vooral gekeken naar bezit, rechten, gebruik en compliance.
AI voegt daar een andere dimensie aan toe.
Een organisatie kan volledig compliant zijn en toch een inefficiënte AI-kostenstructuur hebben.
De vraag wordt dan niet alleen:
“Hebben we de juiste licentie?”
maar ook:
“Gebruiken we de betaalde AI-capaciteit op de economisch meest verstandige manier?”
Dat vraagt om inzicht in daadwerkelijke consumptie.
Niet iedere AI-taak hoeft immers met hetzelfde model of dezelfde hoeveelheid intelligentie te worden uitgevoerd.
Gartner wijst zelf op inference-tiering, routing en orchestration als manieren om complexe taken af te stemmen op kostenefficiëntere intelligentie.
Dat heeft een directe financiële consequentie.
Een eenvoudige taak die door een duur reasoning-model wordt uitgevoerd, kan technisch uitstekend werken maar economisch onnodig duur zijn.
De uitdaging voor organisaties wordt daarom om AI-capaciteit te koppelen aan de waarde en complexiteit van de taak.
Niet iedere AI-workflow verdient dezelfde intelligentie
Dit is waarschijnlijk een van de belangrijkste lessen uit Gartner’s analyse.
Een organisatie hoeft niet voor iedere taak de zwaarste beschikbare AI in te zetten.
Een eenvoudige classificatie, samenvatting of routinematige verwerking vraagt mogelijk om veel minder rekenintensieve AI dan een complexe analyse of autonome besluitondersteuning.
Daarmee ontstaat een principe dat vergelijkbaar is met cloud cost optimization:
gebruik niet standaard de duurste capaciteit wanneer goedkopere capaciteit hetzelfde zakelijke resultaat levert.
Het verschil is dat dit bij AI veel dynamischer kan worden.
De architectuur van een AI-platform wordt daardoor óók een kostenbeslissing.
Modelkeuze, routing en orchestration zijn niet alleen technische keuzes voor de enterprise architect.
Ze beïnvloeden uiteindelijk de software-TCO.
Waarom procurement eerder aan tafel moet zitten
Hier ligt een duidelijke rol voor procurement.
AI wordt nog vaak als innovatieproject gestart en pas later vertaald naar een contract.
Dat is bij traditionele software al niet ideaal. Bij consumption-based AI kan het financiële risico groter zijn.
De technische architectuur bepaalt immers gedeeltelijk hoe de kostenstructuur eruitziet.
Wanneer een organisatie kiest voor een platform waarbij AI-consumptie sterk gekoppeld is aan één cloud- of softwareleverancier, kan die keuze later ook commerciële gevolgen hebben.
Daarom moeten procurement, FinOps, enterprise architecture en software asset management eerder gezamenlijk naar AI-initiatieven kijken.
Niet om innovatie af te remmen, maar om te voorkomen dat een technische keuze automatisch een langdurige commerciële verplichting wordt.
De contractprijs is niet hetzelfde als de totale kosten
Een veelgemaakte fout bij softwareonderhandelingen is het vergelijken van de prijs per gebruiker zonder de volledige commerciële structuur te analyseren.
Bij AI kan dat nog problematischer worden.
Een leverancier kan een aantrekkelijke subscriptionprijs aanbieden terwijl aanvullende AI-consumptie separaat wordt afgerekend.
Of een organisatie kan een pakket met AI-functionaliteit aanschaffen waarvan slechts een deel daadwerkelijk wordt gebruikt.
Ook kunnen verschillende onderdelen van dezelfde workflow over verschillende contracten en leveranciers zijn verdeeld.
Dan ontstaat een situatie waarin niemand de volledige kosten van het proces ziet.
De softwareleverancier ziet zijn eigen subscription.
De cloudleverancier ziet zijn consumption.
De business ziet productiviteitswinst.
FinOps ziet cloudspend.
Procurement ziet het contract.
Maar de CFO wil uiteindelijk weten:
wat kost deze workflow ons totaal?
Dat is de relevante managementinformatie.
AI kan tegelijkertijd kosten toevoegen én kosten elimineren
Daarmee moeten we ook oppassen voor een te eenvoudige conclusie dat agentic AI alleen maar duurder wordt.
Dat volgt niet uit Gartner’s onderzoek.
AI kan ook bestaande software vervangen.
Een organisatie kan bijvoorbeeld bestaande tooling consolideren wanneer bepaalde functionaliteit door AI wordt overgenomen. Het kan daardoor zinvol zijn om niet alleen de extra AI-kosten te begroten, maar ook te onderzoeken welke bestaande subscriptions kunnen verdwijnen.
Dat maakt de analyse strategischer.
De relevante vergelijking is niet:
oude software + nieuwe AI = hogere kosten
maar:
oude software − geëlimineerde functionaliteit + AI-kosten = nieuwe software-TCO
Daarmee wordt AI een vraagstuk van portfolio-optimalisatie.
En juist daar ligt een duidelijke relatie met software licensing.
De volgende stap is niet nóg een AI-abonnement
Voor CIO’s is het daarom verstandig om de discussie over agentic AI niet te reduceren tot de vraag welke AI-oplossing moet worden aangeschaft.
De belangrijkere vragen zijn:
Welke processen gaan we automatiseren?
Welke AI-capaciteit is daarvoor noodzakelijk?
Hoe ontwikkelt het gebruik zich bij schaal?
Welke kosten zijn vast?
Welke kosten zijn variabel?
Welke bestaande software kan verdwijnen?
Welke commitments leggen we contractueel vast?
En hoe eenvoudig kunnen we het model of de leverancier later wijzigen?
Die vragen bepalen uiteindelijk veel meer van de businesscase dan de prijs van één AI-licentie.
Wat Gartner vooral duidelijk maakt
De Gartner-voorspelling is daarom relevant buiten de AI-infrastructuur zelf.
Het belangrijkste inzicht is niet dat AI duur wordt.
Het is dat de economische relatie tussen AI-capaciteit en softwaregebruik verandert.
Als modellen goedkoper worden, kunnen organisaties meer AI inzetten.
Als AI complexer wordt, groeit het aantal modelinteracties.
Als agents zelfstandig processen uitvoeren, neemt het verbruik verder toe.
En als AI onderdeel wordt van dagelijkse bedrijfsprocessen, verschuift een deel van de IT-kosten van voorspelbare subscriptions naar variabele consumptie.
Daarmee ontstaat een situatie die CIO’s en CFO’s al kennen uit cloud computing, maar die bij AI nog moeilijker te voorspellen kan zijn.
Wat organisaties nu zouden moeten veranderen
De belangrijkste stap is om AI niet uitsluitend als een licensingvraagstuk en ook niet uitsluitend als een cloudvraagstuk te behandelen.
Het is een TCO- en governancevraagstuk.
Een volwassen aanpak begint met het koppelen van vier perspectieven:
Software licensing
Welke subscriptions en rechten zijn nodig?
AI consumption
Hoeveel capaciteit wordt daadwerkelijk gebruikt?
Cloud & FinOps
Welke infrastructuurkosten ontstaan daardoor?
Contractstrategie
Welke verplichtingen en prijsrisico’s leggen we vast?
Voor grotere enterprise organisaties is het verstandig om vervolgens meerdere scenario’s over een periode van drie tot vijf jaar door te rekenen. Dat sluit ook aan bij hoe BeSharp Experts complexe licensing- en cloudvraagstukken benadert: niet alleen de huidige kosten vergelijken, maar verschillende toekomstige scenario’s en hun totale economische impact beoordelen.
Strategische conclusie
De Gartner-voorspelling verdient aandacht, maar niet omdat AI simpelweg vijf keer duurder zou worden.
Dat is niet wat Gartner zegt.
De relevante ontwikkeling is dat de prijs per AI-eenheid kan dalen terwijl de kosten van complete AI-workflows juist sterk toenemen.
Voor enterprise organisaties betekent dat een verschuiving in de manier waarop softwarekosten moeten worden bestuurd.
De traditionele vraag — hoeveel licenties hebben we nodig? — blijft bestaan.
Daar komt een nieuwe vraag naast:
hoeveel AI-capaciteit gaan onze bedrijfsprocessen verbruiken en wat kost dat op schaal?
Dat vraagt om een nauwere samenwerking tussen CIO, procurement, finance, FinOps, enterprise architecture en Software Asset Management.
Niet iedere AI-workflow hoeft maximaal intelligent te zijn. Niet iedere subscription hoeft voor iedere gebruiker te worden aangeschaft. En niet iedere nieuwe AI-functionaliteit rechtvaardigt een nieuwe langlopende commitment.
De organisaties die daar vooraf keuzes in maken, hebben een betere uitgangspositie wanneer AI van experiment naar bedrijfskritische infrastructuur verschuift.
BeSharp Experts helpt organisaties bij het beoordelen van softwarelicenties, subscriptions, cloudkosten en contractuele scenario’s. Bij nieuwe AI-modellen ligt de toegevoegde waarde vooral in het beoordelen van de totale commerciële impact, in plaats van uitsluitend de prijs van de nieuwe technologie.
FAQ
Wordt AI volgens Gartner vijf keer duurder?
Nee. Gartner voorspelt dat de inferencekosten per agentic workflow tot 2028 met meer dan vijf keer kunnen toenemen. Dat is iets anders dan een vijfvoudige stijging van iedere AI-licentie of tokenprijs.
Waarom kunnen AI-kosten stijgen als tokens goedkoper worden?
Omdat complexere AI-workflows aanzienlijk meer tokens en modelinteracties kunnen gebruiken. Bovendien maakt lagere unit pricing het aantrekkelijker om krachtigere modellen en meer AI-toepassingen in te zetten.
Wat betekent dit voor softwarelicenties?
Naast vaste subscriptions kunnen variabele AI-kosten ontstaan. Leveranciers combineren steeds vaker per-user pricing met consumption-based modellen. Microsoft doet dit bijvoorbeeld met Copilot-tegoed voor bepaalde usage-based AI-diensten.
Wat betekent agentic AI voor IT-budgettering?
Het verband tussen het aantal medewerkers en softwarekosten wordt minder lineair. AI-agents kunnen zelfstandig grote aantallen workflows uitvoeren, waardoor daadwerkelijke consumptie een belangrijkere budgetvariabele wordt.
Waarom moeten FinOps en Software Asset Management samenwerken?
Omdat AI-kosten zich over meerdere lagen kunnen verspreiden: software subscriptions, AI-consumptie, cloudinfrastructuur en aanvullende platformdiensten.
Hoe kunnen organisaties AI-kosten beheersen?
Door AI-workflows op gebruik en waarde te analyseren, modellen passend bij de taak te kiezen, consumption te monitoren en contracten te beoordelen op flexibiliteit, commitments en prijsmechanismen.