Voor wie is dit artikel?Voor iedereen die AI in zijn bedrijf gebruikt of overweegt en wil snappen of de kosten stabiel blijven. De kern in één zin: reken erop dat AI-diensten de komende jaren duurder worden. De rest van het artikel is de uitleg.
Wat de State-of-AI-analyse zegt over de AI-rekening
De State of AI 2026 zet niet het volgende model centraal, maar de rekening erachter. De auteur stelt dat generatieve AI (AI die tekst, beeld of code maakt — ChatGPT, Claude, Copilot) nu draait op een enorme verborgen subsidie.
Hij schat dat er wereldwijd voor grofweg 600 miljard dollar aan kosten wordt “weggeslikt” in investeringen in GPU’s, datacenters en infrastructuur. Zonder die steun zouden veel populaire AI-diensten een stuk duurder zijn. Voor gebruikers voelt AI nu goedkoop en vanzelfsprekend. Voor de partijen erachter is het vooral een gok op toekomstige opbrengsten.
De analyse maakt een duidelijk onderscheid tussen twee fases. Training: zware, af en toe draaiende jobs om een model te bouwen. Inferentie: het dagelijkse werk waarbij dat model al je prompts, transacties en documenten verwerkt. Juist die inferentie, die de hele dag doorloopt, blijkt de grootste kostenpost te zijn. Voor wie de begrippen scherp wil hebben: onze uitleg over inferentie versus training geeft de technische context bij deze financiële discussie.
De kernboodschap: het huidige prijsniveau van veel AI-tools is geen natuurwet. Het is een strategische keuze, gefinancierd met veel kapitaal en draaiend op infrastructuur die op meerdere punten begint te knellen.
Beginner-tip:“Inferentie” klinkt technisch, maar het is gewoon: wat er gebeurt elke keer dat jij een vraag stelt aan ChatGPT. Voor een korte uitleg in gewone taal, ziewat AI-inferentie is.
Energie, chips en macht: waar de AI-sector nu op vastloopt
AI en het volle stroomnet
Eerst de energie. Grote AI-datacenters vragen enorm veel, en vooral continu, vermogen. Niet hier en daar een piek, maar dag en nacht hoge belasting.
Netbeheerders kunnen dat niet zomaar aansluiten. Op verschillende plekken lopen wachttijden voor nieuwe, grote aansluitingen op tot meerdere jaren. Er moeten kabels worden getrokken, stations worden bijgebouwd en soms extra productie worden geregeld. Dat kost tijd, vergunningen en geld.
De analyse schetst scenario’s waarin datacenters, met AI als grote motor, richting 2030 een duidelijk merkbaar deel van het totale stroomverbruik pakken. Dat is niet automatisch een ramp, maar het betekent wel keuzes: welke industrieën krijgen voorrang, waar mogen nieuwe datacenters komen, en onder welke voorwaarden?
Voor AI-bedrijven wordt locatie hiermee een strategische keuze. Niet alleen: waar staat de glasvezel? Maar ook: waar kan nog vermogen bij, zonder vast te lopen in netcongestie?
Chipproductie als bottleneck
Dan de hardware. De modernste AI-chips komen uit een klein aantal fabrieken in een beperkte regio. Wie daar geen contracten heeft, staat achteraan.
Dat maakt de sector kwetsbaar. Een exportverbod, een natuurramp of politieke spanning kan direct doorwerken in leveringen en prijzen. Overheden proberen dat te ondervangen met nieuwe chipfabrieken dichter bij huis, maar die staan er niet morgen.
In de tussentijd blijft de markt vooral draaien om toegang. De grootste spelers kopen jaren vooruit in. Kleinere partijen moeten creatiever zijn: delen van clusters, efficiënter gebruik van bestaande hardware of kiezen voor lichtere modellen. De machtsbalans in AI hangt daarmee niet alleen aan algoritmes, maar ook aan wie de chips in handen heeft. Een nieuwe laag in dit verhaal zijn gespecialiseerde AI-chips in laptops en telefoons — ze verplaatsen een deel van de inferentieload naar de edge en verminderen zo de druk op centrale datacenters.
Gevorderden:De “subsidie”-framing is nuttig maar niet compleet: een deel van wat als kosten wordt geboekt (hardware-CAPEX) schrijven providers af over 4-6 jaar, terwijl de inferentie-revenue per token daalt. Reken bij een businesscase met twee scenario’s: token-prijs stabiel (optimistisch) of jaarlijks +25-40% (pessimistisch, in lijn met verwachte normalisatie).
Arbeidsmarkt en verschuivende rollen
Tot slot de arbeid. De analyse gebruikt een brede blik op werkloosheid en onderbenutting: mensen die minder uren werken dan ze willen, of die ontmoedigd zijn geraakt. Binnen dat beeld wordt AI genoemd als een van de factoren die werk verschuift.
Vooral routinematig kenniswerk is kwetsbaar. Denk aan standaardrapportages, eenvoudige code, basis support, vertalingen. Dat zijn precies de taken waar generatieve modellen inmiddels goed in zijn. Dat betekent niet dat al die banen verdwijnen, maar wel dat een deel van de werkzaamheden verschuift naar systemen.
Tegelijk ontstaan er nieuwe rollen: mensen die AI-systemen ontwerpen, koppelen aan processen, beoordelen en bijsturen. Seniorprofielen die AI slim inzetten, worden productiever. Junioren hebben minder “eenvoudig werk” om in te groeien. Dat is geen zwart-witbeeld, maar het schuurt wel met hoe organisaties nu vaak zijn ingericht.
Wat je hier nu mee moet
Voor developers en techteams
Voor developers is de praktische les simpel: ontwerp alsof rekenkracht en stroom straks duurder en schaarser zijn dan vandaag. Gebruik AI waar het waarde toevoegt, niet overal “voor de zekerheid”.
Concreet: let op het aantal calls, de contextlengte en de modelkeuze. Bouw caching in waar het kan. Kies voor lichtere of lokale modellen als de use-case dat toelaat, bijvoorbeeld open-source modellen als kostenalternatief. Zorg dat je niet vastzit aan één leverancier, maar wissel kunt schakelen tussen modellen en aanbieders.
En: test je architectuur ook op scenario’s waarin capaciteit tijdelijk beperkt is. Kun je terugschakelen naar een eenvoudiger pad? Kun je met batching, wachtrijen of degradatiemodi de boel overeind houden als het druk wordt of als prijzen stijgen?
Voor product, management en beleid
Voor product- en businesskant is het vooral een waarschuwing tegen te rooskleurige rekensommen. Een businesscase die uitgaat van “AI blijft zo goedkoop als nu” is kwetsbaar. Reken liever met scenario’s: wat als inferentie twee keer zo duur wordt, of als bepaalde modellen niet meer beschikbaar zijn in jouw regio?
Voor beleid en bestuur komt er een laag bij: AI-infrastructuur is geen abstracte cloud, maar beton, staal, kabels en mensen. Beslissingen over nieuwe datacenters, subsidies en locaties raken direct aan netcapaciteit, ruimtelijke ordening en arbeidsmarkt. Het is logisch dat overheden daar scherper naar gaan kijken.
Voor mkb en kenniswerkers is dit geen ver-van-je-bedshow. Wie nu AI-diensten inbouwt in zijn bedrijf, bouwt óók op een kostenplaatje dat later kan verschuiven.
Zet AI bewust in: gericht, efficiënt, met oog voor alternatieven. Voor kenniswerkers is dit hét moment om vaardigheden op te bouwen rond het samenwerken met AI — systemen snappen, uitkomsten beoordelen, processen herontwerpen.
Als de subsidies afnemen en de echte kosten van AI zichtbaarder worden, hebben de bedrijven die nu al nuchter en doordacht met AI omgaan een voorsprong.
Voor MKB en ondernemers — wat betekent dit?
- Moet je iets? Ja, één ding: zet in je jaarbudget voor 2027 een post “AI-kostenstijging” van +30% tot +60%. Niet omdat het dan zo zal zijn, maar omdat je daarmee niet verrast wordt.
- Wat merk je er concreet van? Een marketingbureau met 12 man dat ChatGPT Teams gebruikt voor €30 per seat per maand, kan over 18-24 maanden naar €45-60 per seat gaan. Een webshop die AI inzet voor productomschrijvingen (via de OpenAI API) kan de factuur zien verdubbelen bij gelijk gebruik. Een accountantskantoor dat Copilot in Word gebruikt, merkt waarschijnlijk minder — Microsoft heeft dat in bredere licenties gebundeld.
- Wat is je eerste stap? Kijk deze week in je meest recente AI-factuur (OpenAI, Anthropic, Microsoft, Google). Vraag jezelf: als deze kosten volgend jaar 50% hoger zijn, blijft mijn businesscase dan nog staan? Zo nee, begin met caching, lichtere modellen of een alternatief. Zo ja, dan ben je goed voorbereid.