Afscheid van ‘tokenmaxxing’: AI moet niet méér werken, maar méér waarde creëren
Jarenlang leek het succes van artificiële intelligentie relatief eenvoudig te meten. Hoe meer medewerkers AI gebruikten, hoe beter. Hoe meer prompts werden verstuurd en hoe meer tokens door modellen werden verwerkt, hoe groter de indruk dat een organisatie vooruitgang boekte. Maar met de opkomst van agentic AI begint die logica steeds meer te wankelen.
De volgende fase draait niet langer om hoeveel AI een organisatie gebruikt, maar om wat die AI daadwerkelijk bereikt.
Van AI-gebruik naar bedrijfsresultaat
Binnen veel organisaties zijn adoptiecijfers uitgegroeid tot een belangrijke graadmeter voor AI-succes. Er wordt gekeken naar het aantal actieve gebruikers, uitgevoerde opdrachten, API-calls of verbruikte tokens.
Die cijfers vertellen echter vooral iets over activiteit. Ze zeggen veel minder over de uiteindelijke bedrijfswaarde.
Een organisatie kan miljoenen tokens verwerken zonder dat klanten sneller geholpen worden, medewerkers productiever worden of operationele kosten dalen. Tegelijk kan een relatief kleine hoeveelheid AI-gebruik juist een aanzienlijke impact hebben wanneer daarmee een complex proces grotendeels wordt geautomatiseerd.
Daar ontstaat een fundamenteel verschil tussen usage en outcomes: gebruik tegenover resultaat.
De valkuil van ‘tokenmaxxing’
IBM gebruikt daarvoor het begrip ‘tokenmaxxing’: het idee dat intensiever gebruik van AI bijna automatisch gelijkstaat aan meer waarde.
In de eerste fase van generatieve AI was dat begrijpelijk. Organisaties wilden medewerkers aan de technologie laten wennen en experimenteerden massaal met copilots, chatbots en taalmodellen. Adoptie was toen op zichzelf al een belangrijke stap.
Met AI-agenten verandert het speelveld. Een agent kan immers zelfstandig verschillende stappen uitvoeren, informatie verzamelen, systemen raadplegen, een model inschakelen, resultaten controleren en vervolgens een volgende actie ondernemen. Eén zakelijke opdracht kan daardoor achter de schermen duizenden of zelfs miljoenen tokens verbruiken.
Tokenvolume wordt dan steeds minder bruikbaar als maatstaf voor succes.
Minder tokens is evenmin automatisch beter
Het tegenovergestelde kamp maakt volgens dezelfde redenering een vergelijkbare fout. Sommige organisaties proberen AI-systemen zo weinig mogelijk tokens te laten gebruiken om kosten te drukken.
Efficiëntie blijft belangrijk, maar minimale tokenconsumptie hoeft niet tot maximale bedrijfswaarde te leiden.
Wanneer een AI-agent bijvoorbeeld extra redeneerstappen nodig heeft om een complexe klantvraag correct op te lossen, kan een hoger verbruik economisch verantwoord zijn. De relevante vraag is dan niet hoeveel tokens de agent heeft gebruikt, maar hoeveel waarde de volledige taak heeft opgeleverd tegenover de totale kosten. Daarmee verschuift de discussie van tokenmaxxing naar valuemaxxing.
Agentic AI verandert de rekensom
Agentic AI maakt deze verschuiving extra belangrijk omdat AI steeds vaker complete workflows krijgt toegewezen.
Een klassieke chatbot reageert op een vraag. Een agent kan een doel krijgen.
Zo'n systeem kan bijvoorbeeld gegevens verzamelen, documenten analyseren, verschillende modellen inschakelen, bedrijfssoftware gebruiken, acties uitvoeren en controleren of het gewenste resultaat daadwerkelijk bereikt werd.
Daardoor ontstaat een nieuwe eenheid waarmee organisaties AI kunnen beoordelen: niet de prompt, token of modelsessie, maar de voltooide taak of het gerealiseerde bedrijfsresultaat.
De vraag wordt bijvoorbeeld hoeveel tijd een agent bespaart, hoeveel cases hij succesvol afhandelt, hoeveel fouten worden vermeden of hoeveel extra omzet een geautomatiseerd proces genereert.
Niet elk probleem vraagt om het grootste model
Ook modelkeuze wordt daarmee strategischer.
Organisaties hoeven niet iedere opdracht naar het krachtigste en duurste AI-model te sturen. Eenvoudige taken kunnen vaak door kleinere en goedkopere modellen worden uitgevoerd, terwijl complexere opdrachten naar krachtigere reasoningmodellen gaan.
Die aanpak wordt vaak omschreven als model orchestration.
Een intelligent systeem bepaalt daarbij welk model, welke tool of welke combinatie daarvan het meest geschikt is voor een specifieke stap. Het doel is niet maximale AI-capaciteit op ieder moment, maar de juiste hoeveelheid intelligentie voor het gewenste resultaat.
Dat kan de economische logica van AI aanzienlijk veranderen.
AI-efficiëntie krijgt een bredere betekenis
Efficiëntie betekent daardoor niet simpelweg minder tokens gebruiken.
Een agent die twee keer zoveel tokens verbruikt maar een proces vijf keer sneller voltooit, kan economisch veel efficiënter zijn. Hetzelfde geldt wanneer een krachtiger model duurder is per aanvraag, maar aanzienlijk minder menselijke correcties nodig heeft.
Organisaties zullen daarom steeds vaker naar de volledige keten moeten kijken: modelkosten, infrastructuur, menselijke tussenkomst, snelheid, kwaliteit en uiteindelijk de waarde van het resultaat.
AI wordt daarmee minder een technologisch experiment en steeds meer een economische optimalisatievraag.
Van dashboard vol gebruikscijfers naar dashboard vol resultaten
Ook de manier waarop organisaties AI meten kan hierdoor veranderen.
In plaats van vooral te rapporteren hoeveel medewerkers een AI-tool gebruiken, kunnen dashboards steeds vaker laten zien hoeveel processen succesvol zijn afgerond, hoeveel menselijke uren zijn bespaard, hoeveel uitzonderingen moesten worden doorgestuurd en welke kosten tegenover iedere voltooide taak staan.
Voor agentic AI is dat een logische volgende stap.
Want wanneer autonome systemen steeds grotere delen van bedrijfsprocessen uitvoeren, wordt activiteit op zichzelf een zwakke indicator. Een agent die voortdurend bezig is maar weinig bereikt, is uiteindelijk niet waardevoller dan een medewerker die de hele dag klikt zonder resultaat.
De volgende AI-fase draait om waarde
De eerste golf van generatieve AI draaide grotendeels om toegang en adoptie. Organisaties wilden ontdekken wat de technologie kon en zoveel mogelijk medewerkers ermee laten experimenteren.
De volgende fase lijkt zakelijker te worden.
Niet het aantal prompts, tokens of AI-gebruikers staat dan centraal, maar de verhouding tussen kosten en gerealiseerde waarde. Agentic AI versterkt die ontwikkeling omdat modellen niet alleen informatie produceren, maar steeds vaker daadwerkelijk werk uitvoeren.
Daarmee verandert uiteindelijk ook de belangrijkste vraag die bedrijven over AI stellen. Niet langer: hoeveel gebruiken medewerkers AI? Maar: welke resultaten levert AI daadwerkelijk op? En precies daar kan het verschil ontstaan tussen organisaties die vooral veel AI consumeren en organisaties die AI daadwerkelijk omzetten in bedrijfswaarde.
