Een half miljard dollar in een maand en niemand zag het aankomen

Axios meldde het zonder veel ophef. Een bedrijf liep ruim 500 miljoen dollar aan AI-gerelateerde kosten op in een enkele maand. Het getal is groot genoeg om abstract te voelen, maar het mechanisme erachter niet. Niemand had een limiet ingesteld. Niemand had in kaart gebracht welke teams welke modellen in welke volumes draaiden. Niemand had AI-uitgaven tot iemands expliciete taak gemaakt.

Dat is het eigenlijke verhaal. Niet het getal. Het getal is gewoon wat gebeurt wanneer de structuur ontbreekt.

Dit is het patroon dat we nu in organisaties zien. AI-tooling wordt snel geadopteerd, vaak op team- of individueel niveau, en de financiële en operationele gevolgen worden langzaam, of helemaal niet, begrepen. Op het moment dat iemand uit finance een vraag stelt, is de blootstelling al echt.

Hoe het begint

De meeste AI-uitgaven beginnen verstandig. Een productteam voegt een code-assistent toe. Een contentteam experimenteert met een generatietool. Iemand uit operations verbindt een API om een workflow te automatiseren die vroeger drie uur per week kostte. Elke keuze is redelijk. Elke kostprijs klein.

Het probleem is structureel, niet individueel. Deze keuzes worden parallel gemaakt, over departments heen, zonder gezamenlijk beeld van accumulatie. Usage-based pricing betekent dat de rekening schaalt met gedrag, niet met een vast contract. Als gedrag snel verandert, en dat doet wanneer mensen iets nuttigs vinden, dan verandert de kostencurve ook snel.

Code-assistenten zijn hier een nuttig voorbeeld. Tools zoals Claude Code, GitHub Copilot en vergelijkbare producten worden per token of per seat gefactureerd, afhankelijk van plan. Token-gebaseerd gebruik in het bijzonder kan sterk toenemen wanneer developers werken aan grote codebases of geautomatiseerde agents in loops draaien. Één verkeerd geconfigureerde agent job zonder spending cap kan continu draaien en een rekening genereren die niets te maken heeft met de schatting die iemand in een kickoff gemaakt heeft.

De governance gap is echt, en hij is breed

De meeste organisaties hebben inkoopprocessen voor software. SaaS-contracten gaan door legal. Infrastructuurkosten zitten in engineering-budgetten met iemand die verantwoordelijk is. AI-tooling, zeker in de huidige vorm, valt vaak door het gat tussen die twee categorieën.

Het is geen klassieke software, omdat de kostprijs niet vast is. Het is geen klassieke infrastructuur, omdat het niet altijd door engineering beheerd wordt. Het leeft in een grijze zone: geadopteerd door teams die snel willen werken, gefactureerd door vendors die geen prikkel hebben om het af te remmen, en gereviewd door finance teams die nog niet het vocabulaire hebben om de rekening ter verantwoording te roepen.

Een Gartner-forecast uit 2023 schatte dat in 2026 meer dan 80 procent van de ondernemingen generatieve AI APIs of modellen in productieomgevingen zou gebruiken. Het adoptiesnelheid staat niet ter discussie. Wat achterblijft is de managementlaag.

Voor agencies en studios is het risico iets anders maar even echt. Wij zijn degenen die AI in workflows van cliënten inbedden, op model-APIs bouwen, en architectuurkeuzes maken die lange-termijn kostenconsumptie hebben. Wanneer we het ausgavenprofiel van wat we bouwen niet begrijpen, creëren we problemen die we uiteindelijk moeten uitleggen.

Wat echte verantwoordelijkheid werkelijk inhoudt

De AI-begroting in eigendom nemen vereist geen nieuw departement en geen 40-slide framework. Het vereist enkele keuzes die de meeste organisaties nog niet hebben gemaakt.

Ten eerste moet iemand benoemd worden. Geen commissie. Één persoon of rol die zicht heeft op alle AI-tooling-uitgaven, met de autoriteit om vragen te stellen en grenzen in te stellen. In een kleinere organisatie is dat waarschijnlijk de CTO of een senior productleider. In een grotere kan het een aparte functie moeten zijn, maar het begint met een naam op een verantwoordelijkheid.

Ten tweede moeten token- en gebruikslimieten op infrastructuurniveau ingesteld worden, niet op basis van vertrouwen. De meeste grote modelaanbieders bieden harde spending caps. De meeste organisaties hebben deze niet ingeschakeld. Een cap inschakelen is een kwestie van tien minuten. Het niet inschakelen is een keuze die zich over tijd samenvoegt.

Ten derde moet de adoptiekaart bestaan. Welke teams gebruiken welke tools, op welk prijsmodel, met welk verwacht gebruik? Dit hoeft niet uitgebreid te zijn. Een gedeeld spreadsheet dat maandelijks gereviewd wordt is nuttiger dan een niet-gereviewd dashboard. Het punt is dat iemand het onlangs heeft bekeken.

Ten vierde hebben geautomatiseerde agent workflows een eigen categorie nodig. Human-in-the-loop gebruik is over het algemeen voorspelbaar. Agents die in loops draaien zijn dat niet. Elke workflow waar een model andere modellen aanroept, of waar een proces volgens schema zonder menselijk onderzoek per stap draait, verdient aparte aandacht. Dit zijn de scenario's waar kosten rustig en snel kunnen toenemen.

Waarom dit voor agencies van belang is

Agencies bevinden zich in een interessante positie. We adopteren snel omdat clients het verwachten en omdat goed werk in toenemende mate ervan afhangt. Maar we dragen ook een bepaald soort verantwoordelijkheid mee: we doen aanbevelingen waar andere organisaties op handelen. Wanneer we een systeem bouwen met onvoorspelbaar kostengedrag en we stellen het niet aan de orde, dragen we een deel van dat resultaat mee.

Er is ook een commercieel perspectief. Agencies die op model-APIs bouwen geven gebruikskosten vaak door aan clients, soms met opslag, soms doorgerekend. Wanneer die kosten niet gemonitord worden, kan de rekening voor de client iedereen verrassen, inclusief de agency. Dat is niet het goede moment om te ontdekken dat het prijsmodel niet goed begrepen was.

De organisaties die wij het meest respecteren in deze ruimte zijn niet degenen die het snelst werken. Zij zijn degenen die een helder beeld hebben opgebouwd van wat ze uitgeven, waarom, en wat ze terug krijgen. Die helderheid vertraagt goed werk niet. Het is wat goed werk duurzaam maakt.

Het 500 miljoen dollar verhaal zal niet het laatste zijn. De getallen zullen variëren, maar de structuur erachter zal hetzelfde zijn: snelle adoptie, langzame governance, en een rekening die aankwam voordat de vraag gesteld was. De vraag is nu al het stellen waard, terwijl het antwoord nog beheersbaar is.

Waar te beginnen

Als je dit leest en je organisatie heeft geen heldere antwoorden op drie vragen, begin daar.

Wie is verantwoordelijk voor AI-uitgaven? Niet wie gebruikt AI-tools. Wie is verantwoordelijk voor het totale getal?

Wat zijn je harde limieten? Niet beleid of richtlijnen. Werkelijke caps ingesteld in de providerconsole.

Wat draait zonder menselijk onderzoek? Geautomatiseerde workflows, geplande agents, alles wat een model aanroept zonder dat iemand het eerst controleert.

Die drie vragen zullen niet alles oplossen. Maar ze zullen de gaten oppervlakkig maken die van belang zijn, en ze doen het voordat de rekening dat doet.