Waarom AI-budgetten minder voorspelbaar zijn dan klassieke softwarebudgetten

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

Waarom klassieke software beter voorspelbaar lijkt

Traditionele software voert regels uit die iemand vooraf heeft geschreven. Dezelfde gegevens erin geeft hetzelfde resultaat eruit en dat maakt de kostenstructuur helder: een vaste licentieprijs, een afgebakend implementatieproject, kosten voor configuratie en integratie, periodiek onderhoud, ondersteuning en opleiding. Klassieke softwareprojecten lopen natuurlijk ook wel eens uit maar zodra de oplossing stabiel draait kan je de maandelijkse kost redelijk voorspellen. AI-oplossingen zitten fundamenteel anders in elkaar want de uiteindelijke kost hangt niet alleen af van het aantal gebruikers maar ook van hoeveel informatie er passeert, welke modellen je aanspreekt en hoeveel menselijke controle er nog nodig blijkt.

Zes redenen waarom een AI-budget onderweg beweegt

De eerste reden is dat gebruikskosten meestijgen met het volume. Veel AI-diensten rekenen per verwerking, per document, per afbeelding, per audiominuut of per hoeveelheid tekst, wat betekent dat een toepassing die tijdens de proef honderd documenten per maand verwerkt financieel prima oogt maar plots een heel andere rekening geeft wanneer je naar tienduizend documenten opschaalt. Het succes van de toepassing kan letterlijk je factuur doen groeien.

De tweede reden is dat niet elk AI-model evenveel kost. Voor eenvoudige taken volstaat een goedkoper model, terwijl complexe analyses, grotere documenten of hogere nauwkeurigheid een krachtiger en duurder model vragen. Tijdens een eerste demonstratie zie je vaak het beste model in actie en pas later merk je hoeveel het kost om datzelfde kwaliteitsniveau op grotere schaal aan te houden.

De derde reden zit in de data zelf. Leveranciers verpakken een AI-project graag als een technologieproject, terwijl in werkelijkheid een groot deel van het budget naar het verzamelen, opschonen en op elkaar afstemmen van data gaat. Productcodes, klantgegevens of procesinformatie zijn soms gewoonweg niet consistent genoeg om er betrouwbaar mee te bouwen en dat voorbereidend werk zien we in de praktijk keer op keer onderschat.

De vierde reden zijn integraties. Een AI-oplossing moet meestal samenwerken met bestaande systemen zoals je ERP, CRM, documentbeheer of boekhoudpakket en waar de AI-functionaliteit vaak snel gebouwd is vraagt die integratie met bestaande processen veel meer tijd, zeker wanneer er oudere software of maatwerk of verspreide databronnen in het spel zijn.

De vijfde reden is menselijke controle. Een AI-systeem geeft niet automatisch een resultaat waar je zomaar op mag voortgaan. Bij financiële, commerciële of operationele beslissingen moet iemand controleren, corrigeren of goedkeuren en die menselijke controle is een echte operationele kost. Een oplossing die twintig minuten automatiseert maar daarna vijftien minuten controle vraagt levert veel minder waarde op dan die eerste demonstratie deed vermoeden.

De zesde reden is monitoring en opvolging. Klassieke automatisering blijft jarenlang op dezelfde regels draaien, terwijl AI-prestaties kunnen wijzigen zodra de invoer, de bedrijfscontext, de documenten of de onderliggende modellen veranderen. Je wil dus continu weten hoeveel resultaten je moet corrigeren, bij welke uitzonderingen het systeem faalt, hoe vaak medewerkers moeten ingrijpen, hoeveel elke verwerking kost en of de tijdswinst die je op papier had beloofd ook effectief overeind blijft.

Bereken niet alleen de projectkost

Een degelijk AI-budget bestaat uit minstens vier onderdelen die je vaak apart moet bekijken. De eenmalige kosten zoals analyse, implementatie, configuratie, integraties, datavoorbereiding en opleiding. De terugkerende vaste kosten zoals platformlicenties, ondersteuning, beveiliging, hosting en onderhoud. De variabele gebruikskosten die meestijgen met het aantal verwerkingen, documenten, gebruikers of modelaanroepen. En tot slot de interne bedrijfskosten, want ook de tijd van je medewerkers telt mee: procesanalyse, controles, correcties, overleg en veranderingsbegeleiding 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. Een basisscenario dat toont hoeveel de oplossing kost bij het verwachte gebruik. Een groeiscenario dat laat zien wat er gebeurt wanneer het gebruik drie of tien keer groter wordt. En een tegenvallend scenario dat rekening houdt met meer controles, extra aanpassingen of onverwachte dataverbeteringen. Zo krijgt de directie geen schijnbaar precies bedrag maar een realistische bandbreedte die het gesprek meteen eerlijker maakt.

Welke cijfers moet een CFO opvolgen

Een AI-project mag je niet alleen op technische prestaties beoordelen. 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 en de gerealiseerde terugverdientijd. Die kost per verwerking is trouwens vaak interessanter dan de totale softwarekost want die 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: eenvoudige taken laten uitvoeren door goedkopere modellen, limieten per gebruiker of afdeling instellen, alleen relevante gegevens naar het model sturen, menselijke controle beperken tot risicovolle gevallen, het gebruik en de kosten per proces rapporteren en vooraf stopcriteria vastleggen zodat een project dat niet werkt ook effectief gestopt kan.

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 interne inspanningen en koppelt de kosten aan meetbare bedrijfsresultaten. De juiste vraag is dus niet gewoon “wat kost deze AI-oplossing” maar “wat kost iedere betrouwbare verwerking, hoeveel werk bespaart ze en blijft die verhouding aantrekkelijk wanneer het gebruik groeit”.