AI-budget krimpen zonder je team te ontslaan

Sophie Jansen · 2026-07-10

Stel je voor: je geeft een ingenieur een half miljoen euro per jaar, maar hij gebruikt voor minder dan de helft daarvan aan AI-tokens. Jensen Huang, de baas van Nvidia, vindt dat een alarmsignaal. Hij zei het onlangs in een podcast: als een dure ingenieur niet genoeg AI inzet, dan klopt er iets niet. Nvidia zelf werkt toe naar een jaarlijkse tokenrekening van bijna 2 miljard euro voor zijn engineers. ### Waarom bedrijven zo veel uitgeven aan AI Dit verhaal gaat niet alleen over Nvidia. Grote techbedrijven zoals Google, Amazon, Microsoft en Meta geven samen zo'n 700 miljard euro uit aan AI in 2026. Dat is bijna het dubbele van vorig jaar. En tegelijkertijd verdwijnen er banen. Uit cijfers van een Amerikaans outplacementbureau blijkt dat AI nu al vier maanden op rij de belangrijkste reden is voor ontslagen. Meta ontsloeg in mei 8.000 mensen, terwijl de omzet met 33% groeide. Dat klinkt vreemd, maar het is simpel: de besparingen gaan rechtstreeks naar AI-investeringen. Toch werkt dat niet altijd. Uit een onderzoek van Gartner onder 350 grote bedrijven blijkt dat 80% van hen mensen heeft ontslagen zonder dat de winst omhoogging. Analist Helen Poitevin zegt het hard: "Mensen ontslaan maakt budget vrij, maar levert geen rendement op." ### De dure les van Uber Uber leerde het op de harde manier. In december gaf het bedrijf 5.000 engineers AI-tools. In april was het hele AI-budget voor 2026 al op. De COO gaf toe dat 70% van de code door AI was geschreven, maar dat klanten er niets van merkten. De link tussen AI-uitgaven en echte waarde ontbreekt nog. ### Waar je het tokenbudget kunt buigen Gelukkig zijn er slimmere manieren om kosten te besparen dan mensen ontslaan. Hier zijn een paar bewezen trucs: - **Prompt caching**: verwerk dezelfde tekst niet steeds opnieuw. Door slim te cachen kun je de kosten met 59 tot 70% verlagen. Een beveiligingsbedrijf deed dit en bespaarde miljoenen. - **Kies het juiste model**: gebruik niet altijd het duurste model. Voor simpele taken zoals classificatie of samenvattingen kun je een kleiner, goedkoper model inzetten. Dat scheelt tot 80%. - **Batchverwerking**: als je geen realtime antwoord nodig hebt, kun je taken in batches verwerken. Dat levert vaak 50% korting op. - **RAG en promptcompressie**: geef het model alleen de relevante stukken informatie mee, niet de hele kennisbank. En knip overbodige voorbeelden weg. - **Open-weight modellen**: voor teams die de infrastructuur zelf beheren, zijn open modellen een stuk goedkoper dan de duurste API's. ### Conclusie: investeer in slimme engineering, niet in ontslagen De echte les is simpel: behandel je tokenbudget als flexibel en je team als vast. Ontslagen kosten kennis en leveren zelden iets op. Door te investeren in technische optimalisaties kun je het AI-budget tot wel 70% verlagen, zonder dat je iemand hoeft te ontslaan. Uber heeft inmiddels een maandelijkse limiet van 1.500 euro per engineer ingesteld. Dat is een begin, maar er is meer mogelijk.