Marty Kausas, ceo van klantensupport-softwarebedrijf Pylon, onlangs een AI-budgetteringsuitdaging belichtte waarmee veel bedrijven waarschijnlijk te maken krijgen. De jaarlijkse Anthropic-rekening van Pylon, zo noteerde hij, zou naar verwachting stijgen van ongeveer $400.000 naar $1,4 miljoen zodra het bedrijf de 150 seats overschreed. De stijging werd niet veroorzaakt door een plotselinge piek in gebruik. In plaats daarvan vloeide ze voort uit een structurele prijswijziging: boven de 150 seats zou Pylon overstappen van een abonnement met gebundeld gebruik naar een enterprise-abonnement waarbij tokens apart werden gefactureerd tegen standaard API-tarieven.

Kausas was ronduit in zijn beoordeling: na jarenlang werknemers te hebben aangemoedigd om AI-tools te omarmen, was Pylon begonnen met het instellen van uitgavelimieten en het eisen van goedkeuring voor aanvullend verbruik.

De situatie van Pylon illustreert een bredere transformatie die gaande is. Veel bedrijven namen AI in eerste instantie aan onder zeer gunstige voorwaarden — gebundeld gebruik, introductieprijzen, royale enterprise-kortingen en relatief beperkte inzet. Naarmate die regelingen aflopen en pilotprojecten evolueren tot productiesystemen, komt de werkelijke kosten van enterprise AI in beeld.

Tegelijkertijd wordt de onderliggende technologie zelf goedkoper. Inferentiekosten zijn aanzienlijk gedaald, de concurrentie tussen modelaanbieders blijft fel, en organisaties hebben nu meer mogelijkheden om taken toe te wijzen aan kleinere, efficiëntere modellen. Belangrijke aanbieders zoals OpenAI, Anthropic en Google hebben de afgelopen twee jaren herhaaldelijk de API-prijzen voor hun vlaggenschipmodellen verlaagd, terwijl open-source-alternatieven van Meta en anderen verdere neerwaartse druk hebben toegevoegd.

De paradoxale resultaat is dat AI in isolatie goedkoper kan worden om te gebruiken, terwijl het aanzienlijk duurder wordt om te opereren binnen een organisatie. Naarmate modellen capabeler worden, geven bedrijven ze meer werk, rolpen ze uit naar meer werknemers en verwerken ze ze in meer producten. De resulterende toename in volume en complexiteit kan de besparingen van lagere prijzen per eenheid gemakkelijk overschrijden.

Dit fenomeen is niet uniek voor AI. Computing werd goedkoper en organisaties consumeerden er veel meer van. Opslagprijzen daalden en bedrijven hielden veel meer gegevens achter. Bandbreedtekosten daalden en video ging het internetverkeer domineren. Efficiëntie breidt marktent consequent uit — een patroon dat economen al sinds de negentiende eeuw waarnemen, toen efficiëntere kolenverbrandende motoren paradoxaal genoeg het totale kolenverbruik lieten stijgen in plaats van verlagen. AI zal waarschijnlijk hetzelfde traject volgen — maar met een cruciaal verschil: een groot deel van het verbruik zal voor leidinggevenden moeilijk te observeren zijn.

Traditionele enterprise-software wordt doorgaans geprijsd rond een zichtbare eenheid: een seat, een transactie of een klantaccount. Agentic AI-systemen daarentegen kunnen autonoom en ongelijkmatig kosten genereren. Twee werknemers met dezelfde licentie kunnen radicaal verschillende hoeveelheden rekenkracht consumeren. Een systeem kan capabeler worden terwijl het tegelijkertijd langere contexten vereist, meer redeneringstappen nodig heeft en meer aanroepen naar externe tools doet. In tegenstelling tot SaaS-abonnementen, waarbij de kosten lineair schalen met het aantal medewerkers, introduceert op tokens gebaseerde prijsstelling variabiliteit waar de meeste enterprise-budgetteringsprocessen niet voor zijn ontworpen.

Dit creëert een volledig nieuwe managementuitdaging. Bedrijven kunnen niet langer de aanschaf van toegang tot AI gelijkstellen aan het beheersen van de kosten ervan.

Tijdens de eerste fase van enterprise AI-adoptie was dit probleem gemakkelijk over het hoofd te zien. De meeste organisaties voerden experimenten uit en deelden een beperkt aantal licenties uit. Deze initiatieven toonden aan of werknemers AI-tools zouden gebruiken, maar ze beantwoordden niet de vraag die er nu het meest toe doet: of dat gebruik voldoende economische waarde oplevert.

Naarmate AI-budgetten overstappen van experimenteel naar materieel, moeten bedrijven adoptiecijfers vervangen door eenheidseconomie. Voor een klantensupportsysteem kunnen de relevante maatstaven de kosten per succesvol opgeloste zaak, de oplossingstijd en het escalatiepercentage omvatten. Voor Smartling, een door AI aangedreven vertaalbedrijf, kunnen zinvolle maatstaven onder meer de kosten omvatten voor het produceren van content op een overeengekomen kwaliteitsniveau, de tijd die nodig is om een nieuwe markt te betreden, of de hoeveelheid content die een bedrijf economisch in elke taal beschikbaar kan maken.

Deze maatstaven zijn inherent moeilijker te berekenen dan eenvoudige gebruiksstatistieken. Ze vereisen dat bedrijven het gewenste resultaat definiëren voordat ze een technologie inzetten, een basislijn vaststellen en zowel rekening houden met de kosten van de technologie als met de menselijke arbeid die eromheen overblijft.

In de afgelopen jaren heeft het proces om Smartling rond AI op te bouwen aangetoond dat de kernuitdaging nooit lag in het introduceren van AI in de organisatie of het overtuigen van mensen om het te gebruiken. De echte uitdaging was het identificeren van de plek waar AI de economie van het werk materieel veranderde.

Een goedkopere vertaling biedt bijvoorbeeld beperkte waarde als de vereiste menselijke correctie de besparingen tenietdoet. De relevante maatstaf is niet het aantal woorden dat door een AI-systeem gaat, maar de kosten en bedrijfswaarde van het produceren van bruikbare meertalige content.

Hetzelfde beginsel geldt in de hele onderneming. Elke AI-inzet moet beginnen met een duidelijke economische hypothese: welke kosten zullen dalen, welke beperking zal worden opgeheven, of welke inkomstenstroom zal groeien? Elke inzet moet vervolgens worden geëvalueerd tegen die hypothese — niet tegen het ruwe volume van verbruikte AI.

De volgende fase van enterprise AI zal daarom niet worden gedefinieerd door welke bedrijven de hoogste adoptiegraad bereiken. Het zal worden gedefinieerd door welke bedrijven de economie van wat ze hebben geadopteerd werkelijk begrijpen.

Organisaties die AI-uitgaven kunnen koppelen aan omzet, marge, capaciteit of strategisch voordeel, zullen blijven investeren — zelfs naarmate hun absolute uitgaven stijgen.

AI hoeft niet goedkoop te worden om zijn plaats in de onderneming te rechtvaardigen. Het moet economisch leesbaar worden. De bedrijven die dit bereiken, zullen niet noodzakelijkerwijs het minst aan AI besteden, maar ze zullen precies weten wat elke extra dollar oplevert.

De in Fortune.com-commentaarstukken uitgedrukte meningen zijn uitsluitend de opvattingen van de auteurs en weerspiegelen niet noodzakelijkerwijs de meningen en overtuigingen van Fortune.

Dit verhaal was oorspronkelijk te lezen op Fortune.com.