Over de AI-rekening die door een prijsverlaging toch niet kleiner wordt
Gisteren verlaagde OpenAI de prijzen van twee GPT-5.6-modellen. Luna zakte van een dollar naar twintig cent per miljoen invoertokens en van zes dollar naar $1,20 op de uitvoer: tachtig procent eraf. Terra ging twintig procent omlaag, het zwaarste model Sol bleef staan op $5 en $30. De reactie op LinkedIn en in de bestuurskamers is steeds dezelfde: eindelijk wordt AI betaalbaar.
Dat klopt ook. Alleen lag bij de organisaties waar we binnenkomen de blokkade zelden bij de tokens.
Wat er precies goedkoper werd
In onze trajecten onderscheiden we drie fasen. De eerste is AI-geletterdheid: mensen weten wat het is en wat het ongeveer kan. De tweede is AI-bekwaamheid, zwaarder dan het klinkt: wie AI zelfstandig en verantwoord inzet in zijn eigen werk, weet ook wanneer hij het antwoord niet moet vertrouwen. De derde fase is resultaat: processen en verdienmodellen die opnieuw zijn ontworpen met AI als uitgangspunt.
De prijsverlaging helpt bij fase één en twee. Experimenteren wordt goedkoper, meer mensen kunnen ermee oefenen, een mislukte proef kost minder. Dat is echte winst en niemand moet daar kleinerend over doen.
Fase drie heeft er niets aan. Daar zit de kostenpost niet in rekentijd maar in bestuurlijke aandacht, in het openbreken van processen die al jaren zo lopen, en in de bereidheid om te ontdekken dat een afdeling die dertig jaar goed werk leverde straks iets anders moet doen.
Het Finse softwarebedrijf Frends liet Sapio Research 611 IT- en businessbeslissers in zes Europese landen ondervragen. Nederland komt daar als hekkensluiter uit: 21 procent van de AI-projecten levert een meetbaar resultaat op, het laagste percentage van de onderzochte markten. Dat is geen cijfer over een prijskaartje.
Waarom een centraal AI-team het niet redt
De verleiding is groot. Je zet een clubje bij elkaar dat er verstand van heeft, geeft ze budget en een mandaat, en laat de rest doorwerken. Overzichtelijk, beheersbaar, en het staat goed in de kwartaalrapportage.
Het werkt om twee redenen niet. De eerste is dat fase één en twee door de organisatie zelf doorlopen moeten worden. Wie zijn eigen werk niet AI-bekwaam heeft leren doen, kan het voorstel van het centrale team niet beoordelen, en tekent dus voor iets wat hij niet overziet of houdt het tegen om de verkeerde reden.
De tweede reden is wat je overhoudt. Een team op afstand kan alleen puntoplossingen leveren, want meer dan dat kent het niet van het werk: een chatbot hier, een samenvatter daar, een classificatiestap in het inkoopproces. Een paar jaar later zijn het er tientallen, weet niemand meer wie welke beheert en draait de helft op een uitgefaseerd model.
Die fasen moet je dus door met een substantiële groep. Niet met iedereen tegelijk, wel met genoeg mensen om het werk waar het over gaat werkelijk te kunnen herontwerpen.
De klant heeft inmiddels ook een AI
Dit deel zien organisaties structureel over het hoofd, omdat het buiten de eigen muren gebeurt. Kifid, het klachteninstituut voor financiële dienstverlening, meldde in mei dat steeds meer consumenten hun klacht met AI opstellen. Dat is op zichzelf te verwachten. Interessanter is wat het instituut erbij zegt: in die stukken zitten regelmatig fouten, waaronder verwijzingen naar wetten die niet bestaan. Procedures worden er onnodig ingewikkeld van en de behandeltijden lopen op.
De aanname in veel directiekamers is dat een klant met AI vooral een scherpere klant is, juridisch beter beslagen, lastiger af te wimpelen. De praktijk is rommeliger. Je krijgt meer stukken binnen, ze zijn langer, ze klinken stelliger, en een deel ervan is aantoonbaar onjuist op een manier die je wel moet weerleggen. Een lang stuk met keurig opgemaakte verwijzingen waarvan er één naar een niet-bestaand wetsartikel wijst, kost een behandelaar veel meer tijd dan een vage klacht van tien regels, en nog veel meer als hij die verwijzing niet controleert.
Het gaat verder dan klachten. Dezelfde verschuiving zit in offerteaanvragen die met een gegenereerd programma van eisen binnenkomen, in sollicitaties, in bezwaarschriften, en in de vragen aan je servicedesk van mensen die het antwoord al ergens hebben gelezen en nu willen weten waarom jouw versie afwijkt. Een nieuw businessmodel bouw je daarom van binnen én van buiten. Wie alleen zijn eigen productiviteit meet en niet wat AI met zijn instroom doet, kijkt naar de helft van de rekening.
Risico als reden om te wachten
Een aparte groep houdt vol dat het niet mag. AVG, aansprakelijkheid, de AI-verordening, "onze sector is anders".
Die bezwaren zijn niet verzonnen. Ze zijn alleen zelden nog origineel: verwerkersovereenkomsten en DPIA's, modellen die binnen de EU of op eigen infrastructuur draaien, en de oude oplossing dat een mens tekent voor wat er uitgaat. Dat kost werk en geld. Onbekend terrein is het niet.
Overtuigender dan die opsomming is waar de governance in de praktijk blijkt te zitten. PwC ondervroeg 1.217 bestuurders wereldwijd en trof bij de koplopers niet minder maar meer papierwerk aan: zij werken 1,7 keer zo vaak met een gedocumenteerd raamwerk voor verantwoorde AI en hebben anderhalf keer zo vaak een multidisciplinaire governancecommissie. Van diezelfde koplopers zegt 69 procent actuele en robuuste beveiliging toe te passen. Het zijn dus dezelfde bedrijven: wie het meeste met AI doet, heeft het risico het beste geregeld. Dat is de omgekeerde volgorde van eerst afwachten tot het veilig voelt.
Het verschil tussen "we mogen dit niet" en "we hebben nog niet uitgezocht of het mag" is een middag met de juridische afdeling. Dat die middag er al jaren niet van komt, zegt iets anders dan wat er in de stuurgroepnotulen staat.
Het fundament bepaalt hoe ver je komt
Met AI bovenop bestaande werkwijzen haal je twintig procent productiviteitswinst. Een net resultaat, en een ander soort resultaat dan waar hetzelfde PwC-onderzoek op wijst.
Daar loopt het rendement namelijk scherp uiteen. Twintig procent van de organisaties vangt 74 procent van alle door AI gedreven waarde, en de bedrijven die het hoogst scoren op PwC's fitheidsindex melden omzet- en efficiencywinst die 7,2 keer zo hoog ligt als bij de middenmoot. Die index bestaat uit zestig praktijken, verdeeld over het gebruik van AI en wat PwC de fundamenten noemt. Het is zelfgerapporteerd en bewijst geen oorzakelijk verband, maar de verdeling is er niet minder scheef om.
Neem één zo'n fundament: bij de koplopers krijgt 59 procent van de medewerkers een prestatieprikkel om met AI te experimenteren. Zet dat naast een organisatie waar een mislukte proef in het beoordelingsgesprek terugkomt, en je hebt een plausibeler verklaring voor het verschil dan de keuze van het model.
En dan kom je bij het lastige deel. Leiderschap, cultuur, lef, abstractievermogen, procesdenken, informatie-architectuur — bij veel van de bedrijven waar wij komen staat dat niet op het niveau dat zulke stappen vraagt. We komen binnen om "AI te komen doen" en zitten al snel over de verzameling roze olifanten te praten. Een directie die in verbeteringen van tien procent denkt en daar de doelen op heeft ingericht. Een informatiehuishouding die zo versnipperd is dat geen model er iets zinnigs uit haalt, omdat het antwoord in vier systemen staat en drie keer verschilt.
Om te kunnen verspringen moet je je stevig kunnen afzetten. Het fundament waarop je bedrijf staat is bepalend, en op vrijwel alle vlakken tegelijk.
Over een jaar is de tokenprijs waarschijnlijk opnieuw gehalveerd. De rekening voor bestuurlijke aandacht, procesherontwerp en een fatsoenlijke informatiehuishouding staat dan nog precies zo hoog als vandaag. Met dat verschil dat je klanten er een jaar langer op geoefend hebben.
Bronnen:
- OpenAI-prijswijziging GPT-5.6 Luna, Terra en Sol, 30 juli 2026
- Frends (Finland) / Sapio Research, "State of Integration & AI 2026", 7 mei 2026
- PwC, "Decoding ROI from AI" / AI performance study, 16 april 2026
- Kifid over AI-gebruik bij het indienen van klachten, mei 2026
Benieuwd wat AI voor jouw organisatie kan betekenen? Laten we kijken wat er mogelijk is.
Neem contact op
