Grote bedrijven raken door hun AI-budget heen in maanden, terwijl jij met een fractie van dat budget meer resultaat kunt halen. De truc is niet meer uitgeven, maar slimmer beginnen: kies één taak, gebruik een eenvoudig model en schaal pas als het werkt.

Wat er aan de hand is

Volgens berichten van Axios en The Wall Street Journal begint Corporate America AI te rantsoeneren. Sommige ondernemingen hebben hun volledige jaarbudget voor AI in een paar maanden opgebrand. Anderen zagen hun AI-uitgaven zonder waarschuwing verdubbelen of verdrievoudigen. De oorzaak is een combinatie van dure API-aanroepen, onbeperkt experimenteren en het gebruik van de duurste modellen voor simpele taken. Waar grote bedrijven eerst volop investeerden, moeten marketingteams nu ineens bezuinigen. Dit patroon is herkenbaar voor iedereen die ooit een dure softwarelicentie kocht en er maar een fractie van gebruikte.

Wat dit betekent

Voor het MKB is dit een waarschuwing én een kans. Grote bedrijven hebben de fouten al gemaakt: ze gebruikten geavanceerde AI voor taken die met een eenvoudiger model net zo goed konden, ze automatiseerden processen zonder de kosten per taak te kennen, en ze lieten teams onbeperkt experimenteren. Jij kunt die fouten overslaan. De les is dat AI niet duur hoeft te zijn als je doelgericht werkt. Waar een corporate tienduizenden euro’s per maand uitgeeft aan AI, kun jij met een paar honderd euro per maand al effectief zijn. Het verschil zit in focus: niet alles tegelijk willen doen, maar één proces écht verbeteren.

Hoe je dit kunt toepassen

Als je een webshop runt en AI gebruikt voor productteksten of klantberichten, begin dan met een goedkoop model zoals GPT-4o mini of Claude Haiku. Deze modellen kosten een fractie van de duurdere varianten en zijn voor standaard marketingteksten meer dan goed genoeg. Je zou kunnen instellen dat alleen complexe vragen, zoals klachten of technische ondersteuning, naar een duurder model gaan. Overweeg om een maand lang bij te houden hoeveel tokens je per taak verbruikt. Zo zie je direct waar de kosten zitten en kun je bijsturen voordat de rekening oploopt.

Als je een team aanstuurt dat AI gebruikt voor contentcreatie, overweeg dan om een vaste workflow in te richten. Laat een junior medewerker eerst de prompt schrijven en controleren, voordat die door een AI-model wordt verwerkt. Dit voorkomt dat het model onnodig lange of irrelevante output genereert. Een mogelijkheid is om per kwartaal een vast budget per teamlid af te spreken, zodat niemand ongemerkt duizenden API-aanroepen doet. Je zou kunnen experimenteren met een limiet van bijvoorbeeld vijftig calls per dag per persoon, en alleen bij uitzondering verhogen.

Als je in de zorg of een andere sector met gevoelige data werkt, is een lokaal model een optie. Hoewel de aanschaf van een eigen server of een krachtige laptop een investering vraagt, bespaar je op de lange termijn op API-kosten. Een klein open-source model zoals Llama 3.2 of Mistral 7B draait op een gemiddelde zakelijke laptop en is geschikt voor taken als samenvatten, notuleren of het genereren van gestandaardiseerde rapporten. Overweeg om eerst een proefperiode van een maand in te stellen met alleen lokaal draaiende modellen, en vergelijk de kosten met een cloud-oplossing.

Als je een marketingbureau runt en AI gebruikt voor meerdere klanten, is het verstandig om per klant een aparte kostenpost bij te houden. Gebruik een eenvoudige spreadsheet of een tool zoals OpenRouter om het verbruik per project te monitoren. Je zou kunnen afspreken dat elk project een vast maandbedrag heeft voor AI, en dat overschrijdingen alleen met goedkeuring van de klant worden doorberekend. Een optie is om voor standaard taken zoals social media posts of nieuwsbrieven een batch-verwerking in te stellen, zodat je niet per stuk betaalt maar per dag of week.

Bron: Marketing AI Institute