De AI-rekening komt eraan — en Silicon Valley begint zenuwachtig te worden

De afgelopen drie jaar leek kunstmatige intelligentie vooral één richting te kennen: groter, sneller en goedkoper. Elke paar maanden verscheen een nieuw model dat slimmer was dan het vorige, terwijl investeerders honderden miljarden dollars richting AI-datacenters, chips en cloudinfrastructuur stuurden. Het dominante verhaal was simpel: AI zou de productiviteit explosief verhogen, software goedkoper maken en uiteindelijk bijna elke kenniswerker ondersteunen of vervangen.

Maar onder dat optimistische verhaal begint nu een tweede werkelijkheid zichtbaar te worden. Een werkelijkheid waarin de operationele kosten van AI veel harder stijgen dan veel bedrijven hadden verwacht. Een werkelijkheid waarin token-gebaseerde facturering langzaam de “gratis lunch” beëindigt. En misschien nog belangrijker: een werkelijkheid waarin zelfs de grootste technologiebedrijven beginnen te twijfelen of de rekensom nog wel klopt.

De eerste signalen zijn inmiddels zichtbaar. Volgens berichten uit de sector heeft Microsoft interne licenties voor Claude Code geschrapt nadat de kosten van token-gebaseerde facturering te hoog opliepen. Uber zou intern hebben gewaarschuwd dat het bedrijf in enkele maanden tijd een groot deel van het AI-budget voor 2026 al had verbruikt. Tegelijkertijd verhogen AI-bedrijven hun prijzen, verdwijnen vaste abonnementsmodellen en verschuift de markt naar “usage based billing”: betalen per token, per query, per agent-run of per API-call.

Dat lijkt misschien een technisch detail, maar economisch gezien is het een fundamentele verschuiving.

De AI-industrie heeft namelijk jarenlang kunnen groeien dankzij een combinatie van extreem goedkope toegang en enorme subsidies vanuit investeerders. Veel gebruikers raakten gewend aan het idee dat krachtige AI-tools voor twintig of dertig euro per maand beschikbaar zouden blijven. Ontwikkelaars bouwden complete workflows rondom API’s waarvan men aannam dat de prijs per token alleen maar zou dalen.

Maar AI is geen softwareproduct zoals Spotify of Netflix. Het is een infrastructuur-intensief systeem dat gigantische hoeveelheden energie, chips, netwerkcapaciteit en koeling nodig heeft. Elke complexe prompt activeert enorme GPU-clusters. Elke agent die zelfstandig taken uitvoert, kan duizenden of zelfs miljoenen tokens per dag verbruiken. De operationele kosten verdwijnen dus niet nadat het model is getraind. Ze blijven continu doorlopen.

Daar wringt nu precies de schoen.

De grote AI-labs — zoals OpenAI, Anthropic en Google — bevinden zich in een vreemde positie. Enerzijds moeten ze blijven investeren in steeds grotere modellen om technologisch relevant te blijven. Anderzijds stijgen de kosten van inferentie — het daadwerkelijk draaien van modellen voor klanten — explosief. En juist daar zit het verdienmodel.

Het probleem is dat veel zakelijke gebruikers nu ontdekken dat AI op schaal veel duurder is dan gedacht.

Een individuele gebruiker die af en toe een prompt invoert, kost relatief weinig. Maar een softwarebedrijf dat duizenden ontwikkelaars AI-code-assistenten laat gebruiken, of een consultancybedrijf dat complete agentic workflows draait, kan plotseling miljoenen tokens per dag verbranden. Dan verandert AI van een handige tool in een structurele operationele kostenpost.

En daar begint prijselasticiteit een rol te spelen.

Dat begrip wordt in de AI-hype opvallend weinig besproken. Alsof AI een magische technologie zou zijn waarvoor klanten onbeperkt willen blijven betalen. Maar AI blijft uiteindelijk gewoon een instrument. Niet meer en niet minder. Net zoals cloudsoftware, CAD-tools of ERP-systemen heeft ook AI een prijs waarbij klanten afhaken.

De vraag is dus niet óf er een grens zit aan AI-uitgaven, maar waar die grens ligt.

Voor individuele ontwikkelaars ligt die grens waarschijnlijk relatief laag. Een hobbyprogrammeur of kleine startup accepteert misschien twintig tot vijftig euro per maand voor een krachtige AI-assistent. Maar wat gebeurt er wanneer die kosten oplopen naar honderden euro’s per gebruiker per maand? Of wanneer agents zelfstandig code schrijven, documenten analyseren en datasets verwerken, waardoor tokenverbruik exponentieel stijgt?

Dan ontstaat een nieuwe afweging: levert AI nog genoeg productiviteit op om de kosten te rechtvaardigen?

Voor grote bedrijven geldt precies hetzelfde, alleen met grotere getallen. Een multinational kan honderden miljoenen investeren in AI, maar CFO’s kijken uiteindelijk naar ROI. Wanneer AI-gebruik sneller groeit dan de productiviteitswinst, ontstaat een probleem dat opvallend veel lijkt op eerdere technologiezeepbellen.

Dat maakt de huidige situatie fundamenteel anders dan veel optimistische AI-scenario’s suggereren.

Want de AI-sector heeft niet alleen een technologisch vraagstuk, maar ook een infrastructureel en financieel vraagstuk. De hyperscalers bouwen momenteel datacenters op een schaal die historisch ongekend is. Er worden wereldwijd honderden miljarden dollars uitgegeven aan GPU’s, stroomvoorziening, glasvezelnetwerken en koelsystemen. Sommige projecten vragen meer elektriciteit dan middelgrote steden.

Maar dat roept een ongemakkelijke vraag op: hoelang kan deze CAPEX-golf doorgaan?

Een groot deel van de huidige AI-investeringen is gebaseerd op verwachtingen van toekomstige groei. Investeerders accepteren voorlopig enorme verliezen omdat men gelooft dat AI uiteindelijk een dominante infrastructuurlaag van de economie wordt. Maar zodra omzetgroei begint af te remmen terwijl operationele kosten blijven stijgen, verandert de dynamiek.

Dan ontstaan drie mogelijke scenario’s.

Het eerste scenario is dat AI-bedrijven prijzen blijven verhogen om hun operationele kosten te compenseren. Dat lijkt nu al voorzichtig te gebeuren. Maar hogere prijzen kunnen adoptie vertragen. Ontwikkelaars gaan dan optimaliseren, minder tokens gebruiken of overstappen naar goedkopere modellen. Sommige workflows verdwijnen simpelweg omdat de businesscase niet meer klopt.

Het tweede scenario is dat AI-labs prijzen juist laag houden om marktaandeel te behouden. Maar dan absorberen zij zelf de verliezen. Dat kan tijdelijk zolang investeerders bereid blijven om miljarden bij te storten, maar uiteindelijk moeten ook AI-labs winstgevend worden. Zeker wanneer beursgangen dichterbij komen en aandeelhouders harde cijfers eisen.

Het derde scenario is misschien het meest interessant: een verschuiving naar kleinere, efficiëntere modellen en lokale AI-systemen.

Veel bedrijven beginnen inmiddels te ontdekken dat ze niet altijd het krachtigste frontier-model nodig hebben. Voor talloze toepassingen zijn kleinere gespecialiseerde modellen voldoende. Dat kan leiden tot een markt waarin goedkope, efficiënte AI belangrijker wordt dan maximale intelligentie.

Dat zou ironisch genoeg kunnen betekenen dat de huidige wedloop richting steeds grotere modellen economisch doodloopt.

Want de geschiedenis van technologie laat zien dat technische superioriteit niet automatisch leidt tot economisch succes. Concorde was technologisch indrukwekkend maar commercieel onhoudbaar. Kernfusie is wetenschappelijk fascinerend maar economisch nog steeds problematisch. En ook de dotcom-bubbel draaide uiteindelijk niet om technologie, maar om waarderingen die losraakten van realistische kasstromen.

De AI-sector lijkt nu langzaam dezelfde realiteit te ontmoeten.

Dat betekent niet dat AI gaat verdwijnen. Integendeel. AI zal vrijwel zeker een blijvende technologie worden. Maar de markt begint zich mogelijk te realiseren dat “meer AI” niet automatisch betekent dat elke investering rationeel is.

Daarom wordt 2026 waarschijnlijk een cruciaal jaar.

Niet omdat AI plotseling stopt met verbeteren, maar omdat de economische werkelijkheid zichtbaarder wordt. De vraag verschuift van “wat kan AI?” naar “wat mag AI kosten?”. En dat is een veel hardere vraag.

Voor ontwikkelaars, startups en bedrijven betekent dit dat de experimenteerfase langzaam eindigt. AI-gebruik moet zich steeds vaker financieel bewijzen. Workflows die alleen werken dankzij goedkope tokens of gesubsidieerde toegang kunnen plotseling onrendabel worden.

En precies daar ontstaat misschien de grootste paradox van deze AI-golf.

De technologie wordt slimmer. Maar tegelijkertijd wordt de rekening zichtbaarder.