Tokenmaxxing is voorbij, maar rantsoeneren lost niets op

Een paar maanden geleden was de boodschap bij grote werkgevers nog dwingend: gebruik AI, of blijf achter. Bij Accenture, waar senior medewerkers volgens uitgelekte audio hun promotie misliepen als ze de tools links lieten liggen, is dat beeld nu omgeslagen. In dezelfde interne opname zoekt het concern juist naar manieren om die medewerkers af te remmen, omdat het tokenverbruik de kosten opjaagt. De techpers doopte het meteen het tijdperk van token rationing.

Ik snap de reflex om de kraan dicht te draaien. Maar rantsoeneren lost niets op, het is dezelfde denkfout als tokenmaxxing, alleen in de spiegel. Allebei sturen ze op verbruik. De eerste AI-golf draaide om zoveel mogelijk tokens verstoken, en die golf is voorbij. Maar de bedrijven die de tweede golf winnen, zetten geen verbruikslimiet, ze herinrichten hun budget rond aantoonbare output. De vraag is niet hoeveel AI je gebruikt, maar wat elke euro oplevert.

Van aanjagen naar de noodrem

Het patroon is breder dan Accenture. Uber zette een rem op tools als Claude Code en Cursor nadat het zijn complete AI-budget in vier maanden had opgebrand, en GitHub stapte over van een vast abonnement naar afrekenen per token. Steeds dezelfde beweging: eerst aanjagen, dan in paniek terugschakelen.

Daaronder zit een venijnige paradox: de prijs per token daalt, maar de totale rekening stijgt doordat AI-agenten steeds meer tokens verstoken. “We zitten op een omslagpunt waarop AI een materieel onderdeel van onze kostenstructuur wordt, en de uitgaven worden heel onvoorspelbaar”, zo verwoordde Accenture’s agentic-AI-strateeg Justice Kwak het in de uitgelekte audio die 404 Media publiceerde. Onvoorspelbaar is het kernwoord. Niemand wist wat het verbruik zou opleveren, dus niemand kon bijsturen toen het ontspoorde.

Rantsoeneren is tokenmaxxing in de spiegel

Een verbruikslimiet voelt als grip, maar hij meet nog steeds het verkeerde. Het verrassende inzicht uit Accenture’s eigen data was dat niet de engineers de meeste tokens stookten, maar de niet-technische medewerkers, met alledaagse klusjes als een PDF omzetten naar presentatieslides. Het probleem daar was niet dat er te veel tokens omgingen. Het probleem was dat een triviale taak naar een duur frontier-model ging terwijl een goedkoper model volstond, en dat niemand de kosten aan een uitkomst koppelde.

Draai je dan simpelweg de kraan dicht, dan ruil je de ene blinde vlek in voor de andere: je snijdt net zo hard in het gebruik dat wél rendeert. En juist daar wreekt het zich, want de kloof tussen koplopers en achterblijvers is geen geldkwestie maar een kwestie van beslissingsarchitectuur: wie AI structureel laat renderen, wint het van wie er een paar abonnementen bij heeft. Een botte rantsoenering straft de koploper en de verspiller even hard.

De winnaars begroten op output, niet op verbruik

Uitkomstgedreven budgetteren betekent dat je niet stuurt op hoeveel AI je team verstookt, maar op wat elke ingezette euro oplevert, per taak, per proces, per afdeling. Je begroot vooraf op een resultaat in plaats van op een verbruiksplafond, en je meet achteraf of dat resultaat er ook kwam. Verbruik wordt zo een gevolg, geen doel.

Concreet verschuiven er dan drie dingen:

• Van verbruik naar uitkomst als rekeneenheid. De token is een input, geen resultaat. Steeds meer leveranciers snappen dat: Salesforce rekent bij zijn serviceagent pas af zodra een ticket echt is opgelost, niet per gesprek of per token. Zelfs de modelbouwers erkennen het, getuige het feit dat OpenAI ChatGPT Enterprise uitgavencontroles en verbruiksanalytics gaf. Grip op verbruik is geen luxe meer, het hoort bij het product.
• Van breed uitsmeren naar één scherp gekozen proces. Hier liggen de pijnlijkste cijfers. Uit het MIT-onderzoek State of AI in Business, waarin 95 procent van de bedrijfs-AI-pilots geen meetbaar rendement oplevert, blijkt dat het zelden aan het model ligt. Het ligt aan waar het geld heen gaat: meer dan de helft van de AI-budgetten gaat naar sales en marketing, terwijl de sterkste opbrengst in de saaie achterkant van het bedrijf zit. De vijf procent die wél rendeert, begint bij één concreet knelpunt en lost dat goed op.
• Van generieke chatbot naar de werkstroom in. Een algemene tool werkt prima voor een los klusje, maar levert in een bedrijfscontext te weinig op omdat hij zich niet aanpast aan je werkstroom. De waarde zit niet in een chatbot náást het werk, maar in AI die in een proces is ingebouwd, gevoed met jouw data en jouw stappen.

Voor een klein bedrijf is die heroriëntatie geen luxe maar bittere noodzaak. Een multinational kan een ontspoord AI-abonnement nog een kwartaal laten lopen, jij voelt elke euro meteen. Tegelijk heb je een voordeel dat de grote jongens missen: je hoeft niet 95 procent van je pilots te verspillen om bij de juiste 5 procent uit te komen. Met één afdeling en een handvol processen kun je vooraf benoemen welke uitkomst telt, of dat nu twee uur minder per offerte is of een dag eerder een factuur de deur uit. Die scherpte is precies wat een groot concern, verzopen in losse experimenten, zo moeilijk terugvindt.

Dat dit kan zonder de rekening uit het oog te verliezen, is een kwestie van uitvoering: meet eerst wie wat verbruikt, stel harde budgetlimieten per gebruiker en agent in en route elke taak naar het juiste model. Maar de techniek volgt de keuze, niet andersom. Eerst bepaal je welke uitkomst een euro AI moet opleveren.

“Maar dan vertraag je toch alles?”

De sterkste tegenwerping is dat al dat meten en koppelen juist remt wat AI zo aantrekkelijk maakte: snelheid en vrij experimenteren. In de eerste fase klopte dat ook. Je moest ongeremd proberen om te ontdekken waar AI in jouw bedrijf wel en niet werkt. Dat ongerichte experiment had echte waarde toen niemand het antwoord kende.

Maar precies dat argument verloopt nu. Het experiment is duur geworden, “materieel” in Kwaks woorden, en daarmee is de vrijblijvendheid voorbij. Begroten op output is geen rem, het is de voorwaarde om door te kunnen investeren. Wie weet welk proces rendeert, kan daar juist méér geld in stoppen terwijl de concurrent in paniek de hele kraan dichtdraait. De rantsoeneerder bezuinigt blind, de uitkomstdenker herverdeelt gericht. Op termijn wint de tweede, niet omdat hij minder uitgeeft, maar omdat hij weet waarvoor.

De token was nooit de eenheid die telde

Tokenmaxxing en rantsoeneren zijn twee antwoorden op dezelfde verkeerde vraag: hoeveel AI gebruiken we? De enige vraag die de tweede golf beslist, is waarvoor. Een token is een meter op de leiding, geen maat voor wat er uit de kraan komt. Zolang je je AI afrekent in verbruik, stuur je op de meter en niet op het water. De bedrijven die dat omdraaien, die elke euro AI aan een aantoonbare uitkomst hangen, hoeven straks niet te rantsoeneren. Ze weten gewoon waar hun geld heen gaat, en wat het terugbrengt.