AI is goedkoop. Net zoals Uber ooit goedkoop was.

De afgelopen maanden bekruipt mij steeds vaker dezelfde gedachte wanneer ik de stroom aan berichten over kunstmatige intelligentie voorbij zie komen. Vrijwel iedere nieuwe toepassing wordt gepresenteerd als sneller, slimmer en goedkoper dan de bestaande manier van werken.

Organisaties vervangen software door AI, bouwen AI-assistenten voor medewerkers, automatiseren processen die voorheen veel menselijke aandacht vroegen en rekenen zich ondertussen rijk met businesscases waarin productiviteitsverbeteringen van tientallen procenten eerder uitgangspunt dan uitzondering lijken te zijn. Wie naar alle enthousiasme luistert, zou bijna vergeten dat achter iedere technologische revolutie uiteindelijk een economische realiteit schuilgaat.

Juist die economische realiteit krijgt momenteel opvallend weinig aandacht.

Misschien komt dat doordat de mogelijkheden van AI zo indrukwekkend zijn dat vrijwel alle aandacht uitgaat naar wat de technologie kan en nauwelijks naar wat de technologie daadwerkelijk kost. Misschien komt het doordat organisaties zich nog bevinden in een fase van experimenteren en ontdekken, waardoor vragen over rendement en kostprijs vanzelf naar de achtergrond verdwijnen.

Toch is het precies die discussie die de komende jaren bepalend zal worden voor het succes van AI binnen organisaties. Niet omdat de technologie minder krachtig wordt, maar omdat iedere technologische innovatie uiteindelijk wordt geconfronteerd met dezelfde vraag: wie betaalt de rekening?

Wanneer ik daarover nadenk, moet ik regelmatig terugdenken aan de opkomst van Uber. Tien jaar geleden leek het alsof de wetten van de economie tijdelijk waren afgeschaft. Taxiritten werden goedkoper, de dienstverlening verbeterde en consumenten profiteerden zichtbaar van een nieuwe digitale werkelijkheid. Achter de schermen vloeiden echter miljarden dollars aan investeringskapitaal naar een businessmodel dat jarenlang verlieslatend bleef. De gebruiker zag een goedkope rit, terwijl investeerders de werkelijke kosten voor hun rekening namen in de hoop dat schaalgrootte en marktdominantie op termijn zouden leiden tot winstgevendheid.

Het interessante is dat vrijwel niemand destijds sprak over gesubsidieerde taxiritten. We spraken over innovatie, disruptie en digitale transformatie. Pas veel later ontstond een bredere discussie over de vraag of de prijzen die consumenten betaalden eigenlijk wel een realistische afspiegeling vormden van de onderliggende economische werkelijkheid.

Precies dezelfde vraag zouden we vandaag kunnen stellen over kunstmatige intelligentie.

Waarom AI vandaag goedkoper lijkt dan het werkelijk is

Een medewerker krijgt voor enkele tientjes per maand toegang krijgt tot een systeem dat teksten schrijft, programmeercode genereert, rapportages opstelt, analyses uitvoert, contracten beoordeelt en complexe vraagstukken samenvat. Zo ontstaat gemakkelijk de indruk dat kunstmatige intelligentie een bijna oneindige bron van goedkope productiviteit is geworden.

Die conclusie klinkt logisch zolang we uitsluitend kijken naar het maandelijkse abonnement dat op de factuur verschijnt. Zodra we echter verder kijken dan de gebruikersinterface en ons verdiepen in de infrastructuur die nodig is om deze diensten mogelijk te maken, ontstaat een heel ander beeld.

De verborgen infrastructuur achter iedere AI-prompt

Achter iedere prompt bevinden zich immers enorme datacenters, gespecialiseerde AI-processoren, complexe netwerken, miljardeninvesteringen in onderzoek en een energieverbruik dat inmiddels vergelijkbaar is geworden met dat van complete industriële sectoren. Vrijwel alle grote technologiebedrijven investeren momenteel bedragen die enkele jaren geleden uitsluitend voorkwamen in infrastructuurprojecten van nationale overheden.

Dat doen zij niet omdat de huidige inkomsten die investeringen volledig rechtvaardigen. Zij geloven dat kunstmatige intelligentie een dominante economische infrastructuur van de toekomst zal worden.

Daarmee ontstaat een interessante tegenstelling denk ik. Terwijl gebruikers AI ervaren als een relatief goedkope technologie, worden op de achtergrond investeringen gedaan die juist wijzen op een buitengewoon kapitaalintensieve industrie. Dat verschil tussen gebruikersprijs en economische kostprijs zou weleens veel relevanter kunnen zijn dan de meeste organisaties zich vandaag realiseren.

Wat mij daarbij opvalt, is dat veel organisaties AI vooral benaderen vanuit gebruik en veel minder vanuit rendement. We spreken over aantallen gebruikers, prompts, licenties en AI-projecten. Maar we besteden veel minder aandacht aan de vraag welke concrete economische waarde we realiseren. Die focus op adoptie en gebruik zagen we eerder ook terug in onze analyse van de AI-realiteit van 2026. Hierin stond de verhouding tussen investeringen, kosten en opbrengsten centraal.

Waarom het rendement van AI straks centraal staat

Dat is opmerkelijk, omdat juist data-gedreven organisaties normaal gesproken bekendstaan om hun vermogen om investeringen meetbaar te maken. Wanneer een organisatie miljoenen investeert in een ERP-systeem, verwachten bestuurders doorgaans een onderbouwing van de verwachte voordelen. Wanneer een productiebedrijf investeert in een nieuwe productielijn, worden capaciteit, rendement en terugverdientijd zorgvuldig doorgerekend.

Rondom AI lijkt soms een uitzondering te gelden, waarbij enthousiasme over de mogelijkheden belangrijker wordt gevonden dan inzicht in de daadwerkelijke opbrengsten.

Dat is begrijpelijk, maar waarschijnlijk niet houdbaar.

Naarmate AI verder doordringt in bedrijfsprocessen, zullen bestuurders steeds vaker willen weten hoeveel waarde daadwerkelijk wordt toegevoegd. Niet hoeveel prompts medewerkers hebben ingevoerd, maar hoeveel betere beslissingen zijn genomen. Niet hoeveel documenten automatisch zijn gegenereerd, maar hoeveel tijd werkelijk is bespaard. En niet hoeveel processen zijn geautomatiseerd, maar hoeveel extra omzet, marge of kwaliteit daardoor is ontstaan.

Op dat moment verschuift de discussie automatisch van technologie naar economie.

Van technologische innovatie naar economische realiteit

Dat is ook het moment waarop de vergelijking met Uber opnieuw interessant wordt. De echte vraag is immers niet of AI indrukwekkend is. Daarover bestaat nauwelijks nog discussie. De echte vraag is of de huidige prijsstelling uiteindelijk een realistisch beeld geeft van de werkelijke kosten van grootschalige AI-toepassingen. Wanneer de vraag naar rekenkracht blijft groeien, energie schaarser wordt, investeerders rendement gaan eisen en aanbieders hun miljardeninvesteringen moeten terugverdienen, ontstaat onvermijdelijk een andere economische werkelijkheid dan die van vandaag. Toch?

Misschien blijkt dan dat kunstmatige intelligentie nog steeds een fantastische investering is. Misschien blijkt zelfs dat de huidige verwachtingen worden overtroffen. Tegelijkertijd is het goed mogelijk dat organisaties ontdekken dat niet iedere toepassing economisch even aantrekkelijk is en dat sommige vormen van automatisering uiteindelijk veel duurder blijken dan aangenomen.

Dat zou overigens geen mislukking van AI zijn. Het zou simpelweg betekenen dat de markt volwassen wordt.

Misschien kijken we daarom over tien jaar niet terug op deze periode als het moment waarop kunstmatige intelligentie de wereld veroverde, maar als de periode waarin we massaal gefascineerd raakten door de mogelijkheden van AI zonder ons voldoende af te vragen wat die mogelijkheden werkelijk kostten.

Net zoals we vandaag niet meer praten over de goedkope taxiritten van Uber, maar over het businessmodel dat daarachter schuilging, zouden toekomstige bestuurders zich weleens kunnen verbazen over hoe vanzelfsprekend wij ervan uitgingen dat kunstmatige intelligentie voor vrijwel niets beschikbaar zou blijven.

En juist dat maakt dit uiteindelijk geen technologisch vraagstuk, maar een vraagstuk over data, economie en bestuurlijke besluitvorming. Want technologie wordt pas echt interessant wanneer we niet alleen begrijpen wat zij kan, maar ook wanneer we begrijpen wat zij kost.