AI-budgetten in 2026: kijk niet naar de bubbel, maar naar inference, agents en echte vraag

Kort antwoord: de bubbelvraag is te breed

De vraag “zit AI in een bubbel?” klinkt scherp, maar helpt weinig als je morgen moet beslissen over licenties, modelgebruik, agents, data-integraties of een interne pilot. Voor een belegger kan een brede marktcorrectie interessant zijn. Voor een AI-lead, product owner of operator is de nuttiger vraag veel concreter: waar wordt AI werkelijk gebruikt, welke kosten ontstaan door dat gebruik en welke output is goed genoeg om structureel op te vertrouwen?

Een nuchter AI-budget begint daarom niet bij het sentiment rond de markt, maar bij de workflow. Welke taak komt vaak genoeg terug? Welke gebruiker of klant ervaart daar echte frictie? Hoe vaak moet het model draaien voordat één bruikbaar resultaat ontstaat? Welke menselijke controle blijft nodig? En wie is bereid om voor die verbetering te betalen, direct of indirect via lagere doorlooptijd, betere service of minder handmatig werk?

Dat onderscheid voorkomt twee fouten. De eerste fout is alles wegzetten als hype omdat er speculatie in de markt zit. De tweede fout is elk goed ogend prototype behandelen als bewijs dat de businesscase rond is. Tussen die twee uitersten ligt het werk dat er echt toe doet: per usecase bepalen of de kosten, risico’s, controlelast en opbrengst in verhouding staan.

Waarom goedkope AI-abonnementen geen volledig kostenbeeld geven

Veel AI-beslissingen starten bij een zichtbare prijs: een maandabonnement, een seats-model of een bundel voor een team. Dat is begrijpelijk, maar het is zelden het hele kostenbeeld. Onder de voorkant zitten modelaanroepen, contextlengte, opslag, retrieval, toolgebruik, retries, evaluaties, logging, beveiliging en support. De prijs die de gebruiker ziet, hoeft dus niet hetzelfde te zijn als de onderliggende kostendynamiek van intensief gebruik.

Dat betekent niet dat elk goedkoop abonnement automatisch onhoudbaar is. Het betekent wel dat je als organisatie moet opletten zodra een experiment verandert in een productieproces. Een paar losse prompts per dag is iets anders dan een workflow die honderden keren per week documenten analyseert, antwoorden opstelt, systemen raadpleegt en menselijke reviewers inschakelt. De kosten verschuiven dan van “we proberen een tool” naar “we draaien een proces”.

Voor budgethouders is vooral de overgang belangrijk. In de experimenteerfase is de zichtbare toolprijs vaak genoeg om te starten. In de operationele fase moet je rekenen met gebruiksintensiteit, piekbelasting, foutafhandeling, rechtenbeheer, datakwaliteit en integratie. Wie die overgang niet expliciet maakt, krijgt later discussies over kosten die niet in de oorspronkelijke businesscase stonden.

Inference en agents veranderen de budgetvraag

Inference is het moment waarop een model daadwerkelijk output genereert voor een gebruiker of proces. Bij klassieke software is extra gebruik niet altijd lineair duur op dezelfde manier. Bij AI-workflows kan extra gebruik sneller zichtbaar worden in compute, context, tokens, toolcalls en evaluaties. Zeker bij generatieve toepassingen is het verschil tussen een demo en een vaak gebruikte workflow groot.

Agents maken die vraag nog concreter. Een agent geeft niet alleen één antwoord op één vraag, maar kan meerdere stappen doorlopen: informatie ophalen, een plan maken, een systeem raadplegen, een concept produceren, een fout herstellen en opnieuw proberen. Dat kan waardevol zijn, maar het vergroot ook het aantal beslismomenten. Elke stap kan kosten toevoegen en elke stap kan controle vragen.

Daarom moet een agentbudget niet worden beoordeeld alsof het alleen om softwarelicenties gaat. Stel per agenttaak vragen als: hoeveel runs verwachten we per week, hoeveel retries accepteren we, welke taken mogen zelfstandig, waar is menselijke review verplicht, welke logs bewaren we, wat gebeurt er bij onzekerheid en wanneer stopt de agent? Autonomie is geen doel op zichzelf. Betere werkverdeling, heldere grenzen en meetbare output zijn belangrijker.

Echte AI-waarde herkennen: vraag, workflow en betalingsbereidheid

Een indrukwekkende demo bewijst dat iets mogelijk is. Het bewijst nog niet dat er duurzame waarde ontstaat. Echte AI-waarde wordt pas zichtbaar wanneer een workflow herhaald wordt gebruikt, de output controleerbaar is en iemand de verbetering belangrijk genoeg vindt om er tijd, budget of procesruimte voor vrij te maken. Dat kan een klant zijn, maar ook een interne afdeling die aantoonbaar minder handmatig werk heeft of sneller tot een besluit komt.

Een bruikbaar besliskader begint met vier vragen. Eén: is er voldoende taakvolume? Twee: is de output te controleren zonder dat de controle bijna net zo veel werk kost als de oorspronkelijke taak? Drie: zijn foutkosten acceptabel en is escalatie geregeld? Vier: is er een eigenaar die verantwoordelijk is voor kwaliteit, budget en doorontwikkeling? Als een usecase op deze punten vaag blijft, is opschalen te vroeg.

Voor Funnel Adviseur is dit vergelijkbaar met hoe je naar funnel-automatisering kijkt. Je automatiseert niet omdat automatisering modern klinkt, maar omdat een herhaalbaar proces beter kan worden ontworpen. In B2B website automatisering geldt hetzelfde principe: eerst de klantreis, datastroom en opvolging begrijpen, daarna pas tooling kiezen. AI verandert de mogelijkheden, maar niet de noodzaak van procesdiscipline.

Praktisch kader voor AI-beslissers

Maak per AI-usecase een eenvoudige budgetkaart. Noteer de taak, het verwachte volume, de gebruikte modellen of tools, de integraties, de datarisico’s, de menselijke review, de acceptabele foutmarge en de eigenaar. Voeg daarna toe welke kosten variabel zijn. Denk aan modelgebruik, opslag, monitoring, evaluatie, support en onderhoud. Dit maakt het gesprek veel concreter dan een algemene discussie over AI-investeringen.

Werk vervolgens met kleine evaluaties en stopregels. Een goede pilot heeft niet alleen een startdatum, maar ook criteria om door te gaan, aan te passen of te stoppen. Bijvoorbeeld: de output moet in een afgesproken percentage van de gevallen bruikbaar zijn na review, de reviewtijd mag niet boven een grens komen, gevoelige data mag niet buiten het afgesproken proces terechtkomen en gebruikers moeten de workflow daadwerkelijk blijven gebruiken.

De kern is: investeer waar gebruik en controle samenkomen. Veel gebruik zonder controle wordt risicovol. Veel controle zonder volume wordt duur. Een lage toolprijs zonder herhaalbare workflow zegt weinig. Een duurdere oplossing kan verdedigbaar zijn als de taak vaak voorkomt, de output betrouwbaar te beoordelen is en de organisatie weet wie verantwoordelijk is. Zo wordt AI-budgettering minder een gok op de hype en meer een ontwerpkeuze in de bedrijfsvoering.

Wat dit betekent voor je roadmap

Een AI-roadmap hoeft niet vol te staan met grote transformatieclaims. Sterker nog: hoe abstracter de ambitie, hoe moeilijker het budgetgesprek wordt. Vertaal de roadmap liever naar clusters van usecases: klantinteractie, interne kennis, documentverwerking, salesvoorbereiding, support, planning of kwaliteitscontrole. Per cluster kun je bepalen welke taken geschikt zijn voor assistentie, welke voor gedeeltelijke automatisering en welke voorlopig menselijk moeten blijven.

Gebruik de AI-kennisbank van Funnel Adviseur als plek om begrippen, keuzes en praktijkvragen te ordenen. Niet elk team hoeft direct een agentplatform te bouwen. Soms is een betere promptbibliotheek, een veilige kennisinterface of een duidelijk reviewproces al waardevoller dan een complex autonome workflow. De beste AI-keuze is vaak de keuze die je proces begrijpelijker maakt in plaats van alleen indrukwekkender.