Waarom AI-budgetten minder voorspelbaar zijn

Bij klassieke bedrijfssoftware zit het budget vrij eenvoudig in elkaar. Je betaalt voor licenties, implementatie, opleiding en misschien jaarlijks onderhoud. Zodra alles draait, blijven de kosten binnen een vork die iedereen aan het bestuur kan uitleggen. Bij artificiële intelligentie ligt dat anders. Een AI-project dat als beperkte proef start, kan onverwacht duurder uitvallen wanneer het gebruik toeneemt, wanneer er data blijkt te ontbreken of wanneer medewerkers meer moeten controleren dan vooraf gedacht. Dat maakt AI-budgetten niet onbeheersbaar. Het betekent wel dat je ze anders moet opbouwen en opvolgen dan je gewend bent van je ERP of CRM.

Kort gezegd: bij klassieke software liggen licenties, implementatie en onderhoud grotendeels vast. Bij AI bewegen vijf posten mee: gebruikskosten die stijgen met het volume, datavoorbereiding die tegenvalt, modelkeuzes die wijzigen, integraties die uitbreiden en menselijke controle die meer tijd vraagt dan gepland. Een AI-budget is daarom geen vast bedrag maar een bandbreedte met aannames. Wie die aannames expliciet maakt, kan bijsturen voor de kosten ontsporen.

Waarom klassieke software beter voorspelbaar lijkt

Traditionele software voert regels uit die iemand vooraf heeft geschreven. Dezelfde gegevens erin geven hetzelfde resultaat eruit. Dat maakt de kostenstructuur helder: een vaste licentieprijs, een afgebakend implementatieproject, kosten voor configuratie en integratie, periodiek onderhoud, ondersteuning en opleiding. Ook klassieke softwareprojecten lopen wel eens uit. Zodra de oplossing stabiel draait, kun je de maandelijkse kost echter redelijk voorspellen.

AI-oplossingen zitten fundamenteel anders in elkaar. De uiteindelijke kost hangt niet alleen af van het aantal gebruikers. Ze hangt ook af van hoeveel informatie er passeert, welke modellen je aanspreekt en hoeveel menselijke controle er nodig blijft.

Zes redenen waarom een AI-budget onderweg beweegt

1. Gebruikskosten stijgen mee met het volume. Veel AI-diensten rekenen per verwerking: per document, per afbeelding, per audiominuut of per hoeveelheid tekst. Een toepassing die tijdens de proef honderd documenten per maand verwerkt, oogt financieel prima. Schaal je op naar tienduizend documenten, dan krijg je plots een heel andere rekening. Het succes van de toepassing kan letterlijk je factuur doen groeien.

2. Niet elk AI-model kost evenveel. Voor eenvoudige taken volstaat een goedkoper model. Complexe analyses, grotere documenten of een hogere nauwkeurigheid vragen een krachtiger en duurder model. Tijdens een eerste demonstratie zie je vaak het beste model in actie. Pas later merk je hoeveel het kost om dat kwaliteitsniveau op grotere schaal aan te houden.

3. De data zelf. Leveranciers verpakken een AI-project graag als een technologieproject. In werkelijkheid gaat een groot deel van het budget naar het verzamelen, opschonen en op elkaar afstemmen van data. Productcodes, klantgegevens of procesinformatie zijn soms gewoon niet consistent genoeg om er betrouwbaar mee te bouwen. Dat voorbereidend werk zien we in de praktijk keer op keer onderschat. Meer daarover lees je in ons artikel over bedrijfsdata klaarmaken voor AI.

4. Integraties. Een AI-oplossing moet meestal samenwerken met bestaande systemen zoals je ERP, CRM, documentbeheer of boekhoudpakket. De AI-functionaliteit is vaak snel gebouwd. De integratie in bestaande processen vraagt veel meer tijd, zeker bij oudere software, maatwerk of verspreide databronnen.

5. Menselijke controle. Een AI-systeem geeft niet automatisch een resultaat waar je zomaar op kunt voortbouwen. Bij financiële, commerciële of operationele beslissingen moet iemand controleren, corrigeren of goedkeuren. Die controle is een echte operationele kost. Een oplossing die twintig minuten automatiseert maar daarna vijftien minuten controle vraagt, levert veel minder op dan de eerste demonstratie deed vermoeden.

6. Monitoring en opvolging. Klassieke automatisering draait jarenlang op dezelfde regels. De prestaties van AI kunnen wijzigen zodra de invoer, de bedrijfscontext, de documenten of de onderliggende modellen veranderen. Je wilt dus doorlopend weten:

• hoeveel resultaten je moet corrigeren;
• bij welke uitzonderingen het systeem faalt;
• hoe vaak medewerkers moeten ingrijpen;
• hoeveel elke verwerking kost;
• of de tijdswinst die op papier beloofd was ook echt overeind blijft.

Bereken niet alleen de projectkost

Een degelijk AI-budget bestaat uit minstens vier onderdelen die je best apart bekijkt:

• Eenmalige kosten: analyse, implementatie, configuratie, integraties, datavoorbereiding en opleiding.
• Terugkerende vaste kosten: platformlicenties, ondersteuning, beveiliging, hosting en onderhoud.
• Variabele gebruikskosten: die stijgen mee met het aantal verwerkingen, documenten, gebruikers of modelaanroepen.
• Interne bedrijfskosten: ook de tijd van je medewerkers telt. Procesanalyse, controles, correcties, overleg en verandermanagement zijn geen gratis middelen.

Werk met scenario's in plaats van één budgetbedrag

Een AI-budget wordt betrouwbaarder wanneer je niet één cijfer op tafel legt maar minstens drie scenario's:

• Basisscenario: wat kost de oplossing bij het verwachte gebruik?
• Groeiscenario: wat gebeurt er wanneer het gebruik drie of tien keer groter wordt?
• Tegenvallend scenario: wat als er meer controles, extra aanpassingen of onverwachte dataverbeteringen nodig zijn?

Zo krijgt de directie geen schijnbaar precies bedrag maar een realistische bandbreedte. Dat maakt het gesprek meteen eerlijker.

Welke cijfers moet een CFO opvolgen?

Beoordeel een AI-project niet alleen op technische prestaties. Volg ook de financiële en operationele indicatoren:

• de kost per verwerking;
• de tijdswinst per dossier;
• het percentage resultaten dat je manueel aanpast;
• de foutkosten voor en na invoering;
• het aantal menselijke interventies;
• de totale maandelijkse gebruikskosten;
• de gerealiseerde terugverdientijd.

De kost per verwerking is vaak interessanter dan de totale softwarekost. Hij maakt zichtbaar of het systeem ook bij hogere volumes rendabel blijft.

Bouw kostenbeheersing in vanaf het ontwerp

Financiële controle mag niet pas beginnen wanneer de eerste facturen in je mailbox belanden. Ze hoort al tijdens de analyse in het ontwerp:

• laat eenvoudige taken uitvoeren door goedkopere modellen;
• stel limieten in per gebruiker of afdeling;
• stuur alleen relevante gegevens naar het model;
• beperk menselijke controle tot risicovolle gevallen;
• rapporteer gebruik en kosten per proces;
• leg vooraf stopcriteria vast, zodat een project dat niet werkt ook echt gestopt kan worden.

Conclusie

AI-budgetten zijn minder voorspelbaar omdat de kosten afhangen van gebruik, datavolume, modelkeuze, integraties en menselijke controle. Een klassieke raming met alleen licenties en implementatiekosten volstaat niet. Een goed AI-budget bestaat uit scenario's, houdt rekening met de interne inspanning en koppelt de kosten aan meetbare bedrijfsresultaten.

De juiste vraag is dus niet gewoon "wat kost deze AI-oplossing?". De juiste vraag is: "wat kost elke betrouwbare verwerking, hoeveel werk bespaart ze en blijft die verhouding aantrekkelijk wanneer het gebruik groeit?"

Veelgestelde vragen

Waarom zijn AI-budgetten minder voorspelbaar dan ERP-budgetten? AI-kosten hangen af van het aantal gebruikers, het verwerkingsvolume, het model dat je aanspreekt, hoeveel data je moet voorbereiden en hoeveel menselijke controle je nodig hebt. Bij klassieke software zijn dat vaste posten. Bij AI schalen ze mee met gebruik en context. Daardoor is één enkel budgetcijfer onbetrouwbaar.

Welke posten moet ik minimaal in een AI-budget opnemen? Eenmalige kosten (analyse, implementatie, integratie, datavoorbereiding, opleiding), terugkerende vaste kosten (platformlicenties, hosting, ondersteuning, beveiliging), variabele gebruikskosten die meestijgen met het volume en interne bedrijfskosten voor procesanalyse, controle en verandermanagement.

Wat is een realistische bandbreedte voor een AI-budget? Werk met minstens drie scenario's: een basisscenario bij het verwachte gebruik, een groeiscenario bij drie tot tien keer meer gebruik en een tegenvallend scenario met extra controles en dataverbeteringen. Zo geef je de directie een realistische bandbreedte in plaats van een schijnbaar precies bedrag.