De prijs per token lijkt de kostprijs van AI, maar dat is hij zelden. Waarom hetzelfde model tot 9,7 keer in verbruik kan verschillen, wat thinking tokens met je marge doen, en waarom je stuurt op kosten per taak in plaats van prijs per token.
Veel ondernemers die met AI bouwen, kijken eerst naar de prijslijst. Wat kost het model per miljoen tokens? Welk model is goedkoper? Waar krijg je de meeste capaciteit voor de laagste prijs? Dat lijkt logisch, want AI-modellen worden meestal afgerekend per token. Als model A goedkoper is per token dan model B, dan zou model A ook goedkoper moeten zijn in gebruik.
Maar zo simpel is het niet. En dat verschil raakt niet je techniek, het raakt je marge. Wie AI in een product of proces verwerkt, ontdekt vaak pas bij de eerste groeispurt dat de echte kostprijs ergens anders zit dan op de prijslijst. In dit stuk leggen we uit waarom de API-prijs minder zegt dan je denkt, en op welk getal je wél moet sturen. Het sluit aan bij een eerder verhaal over wat een AI-agent echt kost: ook daar zit de rekening zelden in het model zelf.
Een recente analyse van acht grote reasoning-modellen laat zien dat de prijs per token lang niet altijd voorspelt wat een taak uiteindelijk echt kost. In meer dan één op de vijf vergelijkingen bleek het model dat op papier goedkoper was, in de praktijk juist duurder uit te vallen.
In het meest extreme geval liep dat verschil op tot 28 keer. Dat is geen afrondingsverschil. Dat is het verschil tussen een gezonde marge en een product dat financieel onvoorspelbaar wordt.
De fout die veel bedrijven maken, is dat ze AI-kosten bekijken alsof het om een vaste eenheidsprijs gaat. Alsof je zegt: dit model kost zoveel per token, dus bij ongeveer zoveel gebruikers betalen we ongeveer zoveel per maand.
Maar in werkelijkheid betaal je niet alleen voor de prijslijst. Je betaalt voor hoe het model zich gedraagt. En dat gedrag verschilt enorm per model.
Het ene model geeft een compact antwoord. Het andere redeneert veel uitgebreider. Sommige reasoning-modellen gebruiken grote hoeveelheden interne thinking tokens om tot een antwoord te komen. Die tokens zijn voor de gebruiker vaak niet zichtbaar als gewone output, maar ze tellen wel mee in het verbruik en dus in de kosten. Daardoor kan een model dat goedkoop lijkt per token alsnog duurder zijn per afgeronde taak — niet omdat de prijslijst verkeerd is, maar omdat het model veel meer tokens nodig heeft om hetzelfde werk te doen.
Je betaalt niet voor een model. Je betaalt voor gedrag.
Voor ondernemers is dit een belangrijk onderscheid. Je wilt niet weten welk model de laagste tokenprijs heeft. Je wilt weten welk model de beste verhouding biedt tussen de dingen die er echt toe doen:
Want uiteindelijk verkoop je geen tokens aan je klant. Je verkoopt een resultaat: een ingevuld rapport, een geclassificeerde lead, een samenvatting, een analyse, een gegenereerd voorstel, een automatische workflow, een agent die een taak afrondt.
Daarom moet je AI-kosten niet alleen meten per input of output, maar per bruikbare uitkomst. Een goedkoop model dat drie keer zoveel tokens gebruikt, vaker opnieuw moet proberen of inconsistent reageert, kan duurder zijn dan een model met een hogere prijs per token dat sneller tot een goed resultaat komt.
Je verkoopt geen tokens aan je klant. Je verkoopt een resultaat.
De onderzoekers wijzen vooral naar één belangrijke oorzaak: thinking tokens. Bij reasoning-modellen zit een groot deel van het werk niet in het zichtbare antwoord, maar in het redeneerproces daarachter. En dat redeneerproces kan per model sterk verschillen.
In de analyse kwam naar voren dat één model op dezelfde vraag tot 900% meer thinking tokens kon gebruiken dan een ander model. Dat betekent dat twee modellen dezelfde taak kunnen uitvoeren, maar met een totaal ander kostenprofiel.
Voor een losse test maakt dat misschien weinig uit. Maar zodra je AI in een product of proces verwerkt, wordt dat verschil groot. Stel dat je duizenden klantvragen, leads, documenten of analyses per maand verwerkt. Dan bepaalt niet de prijs per token je marge, maar het totale tokenverbruik per taak. En juist dat verbruik blijkt grillig.
Nog opvallender: het probleem zit niet alleen tussen verschillende modellen. Ook hetzelfde model kan bij dezelfde vraag verschillende hoeveelheden tokens gebruiken.
In de test zagen de onderzoekers dat het thinking-tokenverbruik bij herhaalde runs tot 9,7 keer kon verschillen. Met andere woorden: dezelfde vraag, hetzelfde model, maar een veel zwaarder redeneerpad. Dat maakt AI-kosten lastiger voorspelbaar dan veel bedrijven verwachten.
Vooral bij agentic workflows, waarbij een AI meerdere stappen uitvoert, tools aanroept, informatie ophaalt en tussenresultaten verwerkt, kan dit effect zich opstapelen. Eén extra redeneerstap lijkt klein. Tien extra redeneerstappen per taak zijn al merkbaar. Duizenden taken per maand maken het een structureel kostenrisico.
Je kunt het vergelijken met een goedkoop vliegticket. Op de eerste pagina lijkt het ticket €19 te kosten. Maar daarna komen bagage, stoelkeuze, administratiekosten en andere toeslagen erbij. Uiteindelijk betaal je geen €19, maar €140.
Bij AI gebeurt iets vergelijkbaars. De tokenprijs is het ticket. Maar het daadwerkelijke gebruik — hoeveel tokens het model nodig heeft, hoeveel thinking tokens erbij komen, hoeveel retries nodig zijn, hoeveel context je meestuurt en hoe vaak een workflow opnieuw draait — bepaalt de echte rekening. Wie alleen naar de prijslijst kijkt, mist dus een groot deel van de kostprijs.
Voor bedrijven die AI inzetten in klantoplossingen, interne workflows of schaalbare producten is dit geen technisch detail. Het raakt direct aan je businessmodel.
Als je een vaste prijs rekent voor een AI-functionaliteit, maar de onderliggende kosten per taak sterk schommelen, dan draag jij het risico. Niet de klant. Niet het model. Niet de leverancier. Jij. Daarom moet AI-kostenbeheersing onderdeel zijn van het ontwerp, niet iets wat je achteraf in de gaten houdt.
Dat betekent in de praktijk onder andere:
De keuze voor een AI-model is daarmee niet alleen een technische keuze. Het is een productbeslissing.
Een goedkoper model kan prima zijn voor eenvoudige classificatie, extractie of eerste filtering. Maar voor complexe redenering kan een duurder model alsnog voordeliger zijn, omdat het minder tokens gebruikt, minder vaak faalt of sneller tot een bruikbaar resultaat komt. Andersom kan een krachtig reasoning-model overkill zijn voor simpele taken.
De beste oplossing is vaak niet één model voor alles, maar een slimme architectuur waarin taken worden verdeeld. Daarbij helpt het om te weten wanneer je een vaste keten nodig hebt en wanneer een agent die zelf beslist — het verschil tussen een AI-workflow en een agent bepaalt mede welk model waar nodig is:
Zo bouw je niet alleen een AI-feature, maar een beheersbaar AI-systeem.
De belangrijkste les is simpel: AI-kosten zitten niet in de prijslijst, maar in de uitvoering.
AI-kosten zitten niet in de prijslijst, maar in de uitvoering.
Wie AI serieus wil inzetten, moet verder kijken dan de marketingpagina van een modelaanbieder. De echte vraag is niet welk model goedkoop lijkt, maar welk model voorspelbaar waarde levert tegen acceptabele kosten.
Voor ondernemers is dat cruciaal. Want zodra AI onderdeel wordt van je dienstverlening, worden modelkosten onderdeel van je marge. En marges wil je niet baseren op aannames die bij de eerste groeispurt niet blijken te kloppen. Als je AI-oplossing schaalbaar moet zijn, moet je ook je AI-kosten schaalbaar ontwerpen. Niet achteraf, maar vanaf het begin.
Een lage API-prijs betekent niet automatisch lage kosten. De werkelijke kostprijs van AI wordt bepaald door wat een model nodig heeft om een taak af te ronden: tokens, thinking tokens, retries, context en workflowstappen. Voor iedereen die bouwt op AI is dat een belangrijke verschuiving in denken.
Niet sturen op prijs per token, maar op kosten per resultaat.
Wil je weten wat AI in jouw situatie oplevert zonder dat de kosten per taak je marge opeten? Begin bij het werk dat zich elke week herhaalt en bouw het op een fundament dat je kunt beheersen. Kijk hoe een bedrijfs-OS AI, context en modelkeuze op één plek samenbrengt, of doe de Quickscan — dan zie je in een paar minuten waar voor jou de grootste winst zit. Liever direct sparren? Plan een vrijblijvend gesprek in.
De cijfers in dit artikel komen uit een publieke analyse van reasoning-modellen en zijn illustratief bedoeld om het mechanisme te laten zien, niet om een specifiek model aan te bevelen of een exacte uitkomst te garanderen. Wat AI in jouw situatie kost, hangt af van je taken, je modelkeuze, je integraties en het volume dat je verwerkt.
De Quickscan duurt één uur. Jullie weten daarna precies wat er speelt, of jullie daarna klant worden of niet.
