McKinsey ziet kostenverschillen tot factor 30 bij AI-agenten

Op 26 september 2026 waarschuwde McKinsey dat de kosten van dezelfde opdracht bij verschillende AI-agenten in het uiterste geval een factor 30 kunnen verschillen. Die boodschap gaat over bedrijven die AI niet alleen inzetten voor een losse vraag aan een chatbot, maar voor taken met meerdere stappen. Volgens McKinsey moeten organisaties niet uitsluitend kijken naar de prijs van modelgebruik. Relevant zijn de totale rekenkosten die nodig zijn om het werk daadwerkelijk af te ronden.

Een AI-agent kan een opdracht opsplitsen, tussenuitkomsten beoordelen, zijn aanpak bijstellen en opnieuw een model raadplegen. Hij kan ook externe hulpmiddelen of systemen aanroepen. Daardoor bevat één workflow vaak veel meer modelinteracties dan een gewone chatbotvraag. Elke extra stap kan extra tokens en rekenwerk vragen. Dat maakt de kosten van een afgeronde taak minder voorspelbaar, ook wanneer de prijs per afzonderlijke token daalt.

Goedkopere tokens leiden niet vanzelf tot lagere uitgaven

Onderzoek wijst op sterk dalende eenheidsprijzen. De Stanford AI Index 2025 stelde dat een modelquery met prestaties op GPT-3.5-niveau op een standaardbenchmark daalde van 20 dollar per miljoen tokens in november 2022 naar 0,07 dollar in oktober 2024. De OESO schatte in juli 2026 dat kwaliteitsgecorrigeerde prijzen voor tekst-naar-tekst-AI tussen januari 2024 en april 2026 met bijna 80 procent waren gedaald. Zulke prijsdalingen maken meer toepassingen bereikbaar, maar zeggen weinig over het totale volume dat bedrijven vervolgens gebruiken.

Coforge meldde tijdens een recente toelichting aan bestuurders dat de kosten per token voor dezelfde AI-intelligentie in zeven maanden ongeveer honderdmaal waren gedaald, terwijl het tokenverbruik ongeveer 8.000 maal toenam. Dat zijn cijfers van Coforge over de platforms die het bedrijf observeerde, niet een volledige meting van de markt. Zij illustreren wel het mechanisme: als toepassingen goedkoper worden, kunnen organisaties veel meer en zwaardere taken aan AI toevertrouwen, waardoor hun totale factuur alsnog stijgt.

• Meet de kosten van een volledig afgewerkte taak, niet alleen het aantal tokens.
• Neem modeloproepen, infrastructuur, orkestratie en menselijke controle samen mee.
• Gebruik niet voor elke taak automatisch hetzelfde, meest complexe model.
• Koppel verbruik aan aantoonbare bedrijfswaarde en aan de kwaliteit van het resultaat.

Programmeertaken vragen uitzonderlijk veel verbruik

McKinsey richt de waarschuwing nadrukkelijk op softwareontwikkeling. Agentische hulpmiddelen die programmeerwerk automatiseren, kunnen volgens het adviesbureau bijzonder veel tokens gebruiken. Een werkdocument uit 2026 van onderzoekers verbonden aan onder meer de University of Michigan, Stanford, Google DeepMind, Microsoft AI en MIT vond dat agentische codeertaken ongeveer duizend keer meer tokens verbruikten dan de gebruikte vergelijkingsopdrachten voor code-redeneren en code-chat. Bij herhaalde uitvoeringen van dezelfde taak kon het totale tokenverbruik bovendien tot dertigmaal verschillen.

Een hoog verbruik is op zichzelf geen bewijs dat een inzet onrendabel is. Een agent kan economisch zinvol zijn wanneer hij waardevol werk betrouwbaar voltooit of aantoonbaar menselijke tijd bespaart. Eerder onderzoek waarnaar McKinsey verwijst, stelde dat agentische AI bij bepaalde werkzaamheden van transformatiekantoren 35 tot 40 procent van de menselijke tijd kan reduceren, en in sommige gevallen meer dan 70 procent. De bron geeft echter geen garantie dat zulke resultaten in iedere organisatie, taak of implementatie worden bereikt.

Budgetoverschrijdingen maken sturing urgenter

In McKinseys AI-enquête van 2026 zei ongeveer een derde van de ondervraagde organisaties meer dan 10 procent van het technologie- en communicatiebudget in AI te steken. Zestig procent was van plan de AI-uitgaven in het daaropvolgende jaar op te voeren. Ongeveer een vijfde meldde dat AI-uitgaven al druk zetten op de operationele kosten. Volgens de berichtgeving noemden McKinsey-bestuurders die uitgaven steeds concreter en zichtbaarder.

Een afzonderlijke McKinsey Enterprise AI FinOps Survey uit mei 2026 telde 75 gekwalificeerde respondenten uit vijf sectoren. Daarin meldde 93 procent het AI-budget te hebben overschreden. De beperkte groep respondenten betekent dat het cijfer niet zonder meer voor alle ondernemingen geldt. Het onderstreept wel dat experimenteerbudgetten niet altijd passen bij systemen die voortdurend agentische taken uitvoeren en waarvan het gebruik per opdracht sterk kan wisselen.

Gartner beschreef dit in augustus 2026 als de Inference Paradox. Volgens die analyse kan het routeren van een taak naar een agentisch redeneermodel de inferentiekosten van een aanbieder minstens vijfmaal hoger maken dan een eenvoudige chatbotinteractie. Bij complexere taken loopt dat vaak verder op. Gartner voorspelt dat de inferentiekosten per agentische workflow tot 2028 meer dan vervijfvoudigen. Het gaat om een verwachting van Gartner, niet om een vaststaand kostenpad voor alle gebruikers.

Voor Nederlandse en Belgische organisaties ligt de praktische vraag daarom bij de inrichting van processen. Open-weight-modellen of kleinere modellen kunnen voor bepaalde onderdelen goedkoper zijn, terwijl zwaardere modellen gereserveerd kunnen blijven voor ingewikkelde opdrachten. Open-weight betekent niet automatisch volledig open source; trainingsdata en andere onderdelen kunnen onbekend blijven. De komende twaalf maanden wordt volgens McKinsey het meten van kosten en opbrengsten van agentische AI een belangrijkere bestuurstaak. Een helder overzicht per workflow biedt daarvoor meer houvast dan een tokenprijs alleen.