Open een nieuwe chat. Typ: "Doe alsof je de copywriter van ons merk bent. Dit is onze toon: zelfverzekerd maar niet verkoperig, geen uitroeptekens, spreek de lezer altijd aan met 'je'. Dit is onze doelgroep: SaaS-kopers uit het middensegment die sceptisch zijn over hype. Dit is onze opmaak: korte alinea's, geen em dashes, een kop van minder dan 60 tekens..." Plak de merkgids van drie alinea's die je in een Google Doc bewaart. Stel nu eindelijk je eigenlijke vraag.
Op deze pagina
- De tokenkosten: betalen om jezelf opnieuw uit te leggen
- De tijdskosten: het deel dat niemand in een spreadsheet zet
- De consistentiekosten: de kosten die echt pijn doen
- Waarom 'bewaar het gewoon in een document' dit niet echt oplost
- Wat een Skill-bestand daadwerkelijk verandert
- De berekening voor je eigen workflow
- Veelgestelde vragen
Als je bij die alinea een beetje ineenkromp, ken je het probleem al. De meeste mensen die Claude of ChatGPT gebruiken voor echt, herhaald werk - marketeers, supportleads, analisten, oprichters - doen dit elke keer wanneer ze een nieuw gesprek beginnen. Het voelt als een heffing van twee minuten. Dat is het niet. Het is een terugkerende kostenpost met drie afzonderlijke prijskaartjes: tokens, tijd en consistentie. Laten we ze optellen.
De tokenkosten: betalen om jezelf opnieuw uit te leggen
Een typische "contextdump" - merkstem, doelgroep, toonregels, opmaakvoorkeuren, een paar do's en don'ts - bestaat uit ongeveer 300 tot 600 tokens zodra je de instructies zelf plus de natuurlijke aanloop eromheen meetelt ("even ter herinnering", "zoals we hebben besproken", "zoals altijd"). Dat is nog voordat de eigenlijke vraag wordt gesteld. Het is pure overhead, waar je elke keer voor betaalt, omdat een nieuwe chat niet weet wat je gisteren hebt verteld.
Vermenigvuldig dat nu. Een marketeer of copywriter die bijvoorbeeld 8-10 nieuwe chats per week start voor het schrijven van e-mails, advertentieteksten, varianten van landingspagina's en socialmediaberichten, verstuurt diezelfde context meer dan 400 keer per jaar opnieuw. Bij 300-600 tokens per herhaling komt dat neer op ergens tussen de 120.000 en 240.000 tokens per jaar die alleen worden besteed aan het opnieuw uitleggen van wie je bent en hoe je wilt dat dingen worden geschreven - tokens die geen nieuwe output opleveren.
Dit is het punt waarover je eerlijk moet zijn: met de huidige API-prijzen zal een paar honderdduizend tokens aan gewone invoertekst niemand failliet laten gaan. Zelfs bij een paar dollar per miljoen tokens - en prijzen verschillen per model en veranderen in de loop der tijd, dus zie elk specifiek bedrag als indicatie, niet als absolute waarheid - bedragen de pure kosten van herhaalde context voor één persoon meestal een paar dollar per maand, geen honderden. Alleen de tokenkosten rechtvaardigen de oplossing zelden. Maar ze zijn de kleinste van de drie kosten, en ze stapelen zich op zodra je niet de enige in het team bent die dit doet.
Een promptpakket dat op basis van je echte schrijfvoorbeelden een echt document over je merkstem maakt - geen vage bijvoeglijke naamwoorden - zodat je het één keer kunt plakken en niet elke sessie opnieuw uit je geheugen hoeft samen te stellen.
Bekijk de AI Brand Voice Guide →De tijdskosten: het deel dat niemand in een spreadsheet zet
Tokens zijn goedkoop. Minuten niet. Denk na over wat er echt gebeurt wanneer je een nieuwe chat start voor serieus werk: je moet onthouden wat je het model de vorige keer hebt verteld (of het document opzoeken waarin je het hebt vastgelegd), je plakt of typt het opnieuw, je past de formulering aan omdat je nooit helemaal consistent bent met jezelf, en pas dan - pas daarna - kom je toe aan waarvoor je de chat eigenlijk had geopend.
Reken op een voorzichtige 90 seconden tot 3 minuten per sessie, afhankelijk van hoeveel context de taak nodig heeft. Voor iemand die 8-10 nieuwe chats per week start, betekent dat 15-45 minuten per week die verloren gaan voordat er ook maar iets echt wordt geschreven. Over een jaar is dat ergens tussen de 13 en 39 uur - bijna een volledige werkweek - besteed aan het steeds opnieuw typen van dezelfde setup-instructies in een tekstvak, zonder enige reden behalve dat de AI alles vergat zodra de vorige chat werd gesloten.
En die schatting is nog ruimhartig. Ze gaat ervan uit dat je de context correct onthoudt en niet hoeft te zoeken naar het merkdocument, de toongids of de notitie "zo schrijven we koppen" die ergens op een gedeelde schijf staat. Tel je die zoektijd erbij op, dan loopt het werkelijke getal snel op.
De consistentiekosten: de kosten die echt pijn doen
Dit zijn de kosten die de meeste mensen onderschatten, en ze zijn zichtbaar in de output, niet op de factuur. Wanneer je in elke sessie je context uit het hoofd opnieuw intypt, doe je dat niet identiek. De ene dag zeg je: "zelfverzekerd, maar niet te commercieel." De volgende dag, gehaast, sla je de opmerking over de toon volledig over en vraag je alleen om "pakkende copy". Een week later herinner je je wel het publiek te noemen, maar vergeet je de opmaakregel over em-dashes.
De AI kan onmogelijk weten welke versie van "jou" de echte is - hij doet gewoon zijn best met de beperkte context die in die specifieke chat terechtkomt. Het resultaat is copy die afdrijft: soms merkgetrouw, soms generiek, soms toe aan een volledige herschrijving omdat de toon niet goed zat. Als je ooit twee stukken door AI opgestelde copy van dezelfde persoon hebt vergeleken en je afvroeg waarom de ene de stem perfect treft en de andere klinkt alsof hij door een vreemde is geschreven, dan is dit bijna altijd de reden - niet een slechtere prompt, maar een anders herinnerde prompt.
Ook die inconsistentie heeft een prijs, zelfs als die nooit als aparte kostenpost zichtbaar wordt: meer revisierondes, vaker "kun je het opnieuw proberen?", meer copy die stilletjes niet bij het merk past en toch wordt gepubliceerd omdat niemand het heeft opgemerkt. In tegenstelling tot de tokenkosten loopt deze prijs snel op - hoe meer mensen in een team hun eigen versie van "onze merkstem" improviseren in een chatvenster, hoe meer het merk zelf begint af te drijven.
Een persona voor een senior conversiecopywriter die onderzoek doet voordat hij schrijft - VOC-mining, een messaging-hiërarchie en het in kaart brengen van bezwaren - eenmalig geconfigureerd en identiek in elke chat, zonder dat er opnieuw een briefing nodig is.
Bekijk Jake - Conversiecopywriter →Waarom 'bewaar het gewoon in een document' dit niet echt oplost
Het voor de hand liggende tegenargument is: bewaar de merkgids in een document en plak die er elke keer in. Veel mensen doen precies dat. Maar plakken is ook niet gratis - het zijn nog steeds dezelfde tokens, het kost nog steeds het grootste deel van de tijd (je moet het document nog vinden, openen, kopiëren, plakken en vaak inkorten om het passend te maken), en het laat nog steeds ruimte voor het gebruik van een verouderde versie van het document, het plakken van de verkeerde sectie of het vergeten dat het document überhaupt bestaat, drie maanden later wanneer iemand nieuw bij het team komt.
Een opgeslagen document is een stap beter dan alles uit je geheugen opnieuw typen. Het is niet hetzelfde als een systeem dat al weet wie het moet zijn zodra je de chat opent.
Wat een Skill-bestand daadwerkelijk verandert
Een Skill-bestand - een gestructureerde systeemprompt die je één keer laadt als projectinstructie of aangepaste instructie in Claude, ChatGPT of Gemini - verplaatst dit alles van 'elke sessie opnieuw uitgelegd' naar 'één keer geconfigureerd, voor altijd hergebruikt'. Je schrijft de merkstem, het publiek, de toonregels, de formatvoorkeuren en de rol die de AI moet spelen één keer op, met de zorgvuldigheid van een echte briefing in plaats van een gehaast chatbericht. Daarna begint elke nieuwe chat al met die kennis.
- Tokens: de context staat in de systeemlaag en wordt niet bij elke sessie opnieuw als invoer getypt.
- Tijd: niet zoeken naar het document, niets opnieuw typen, niets bijschaven - je opent de chat en begint aan de daadwerkelijke taak.
- Consistentie: de AI leest elke keer exact dezelfde instructies, zodat de output niet gaat afwijken afhankelijk van hoe gehaast je was bij het instellen van de chat van die dag.
Specifiek voor een contentteam levert dit het snelst meerwaarde op. Een contentmarketingmanager schrijft niet zomaar één stuk - die beheert een redactionele kalender, maakt briefings voor schrijvers en houdt tientallen stukken wekenlang in lijn met het merk. De contentstrategie en het merksysteem telkens opnieuw uitleggen kost niet alleen die ene persoon minuten; het betekent ook dat elk stuk content slechts zo consistent is als degene die die dag toevallig de volledige briefing nog wist.
Een persona van een senior contentmarketingmanager die topicclusters en redactionele kalenders voor 90 dagen opbouwt op basis van je daadwerkelijke merksysteem - één keer ingesteld, consistent voor elke schrijver en elke chat.
Bekijk Lena - Contentmarketingmanager →De berekening voor je eigen workflow
Je hebt geen exacte prijs nodig om te weten of dit op jou van toepassing is. Stel in plaats daarvan drie vragen:
- Hoeveel nieuwe AI-chats start ik in een doorsneeweek voor terugkerende taken - schrijven, analyse, ondersteuningsreacties, alles met een inleiding als 'zo doen we dit'?
- Hoe lang duurt het daadwerkelijk om elke keer de context opnieuw vast te leggen, inclusief de tijd die ik kwijt ben aan het vinden van het juiste document?
- Hoe vaak schiet de output tekort omdat de context die ik die dag gaf onvolledig of net iets anders was dan de vorige keer?
Als de eerlijke antwoorden "meer dan een paar", "meer dan een minuut" en "vaker dan me lief is" zijn, ligt de oplossing niet in een betere prompt. De oplossing is om die prompt helemaal niet opnieuw te schrijven.
Samengevat:
Elke keer aan het begin van een AI-chat je merkstem en rol opnieuw uitleggen kost je ongemerkt tokens, tijd en - het allerbelangrijkste - consistente output. Een skillbestand zoals Jake - Conversiecopywriter of Lena - Contentmarketingmanager schrijf je één keer en gebruik je in elke sessie opnieuw, zodat de AI al weet wie hij hoort te zijn wanneer je begint.
Vul in hoe jij (of je team) AI-chats daadwerkelijk gebruikt en krijg een realistische maandelijkse schatting van verspilde tokens en kosten in euro's voor het opnieuw invoeren van prompts versus een persistent skillbestand. Geen registratie, geen e-mail - alleen de berekening uit dit bericht toegepast op jouw cijfers.
Probeer de calculator →Veelgestelde vragen
Hoeveel tokens kost het eigenlijk per chat om de merkstem opnieuw uit te leggen?
Het hangt af van hoe gedetailleerd je instructies zijn, maar een typische context met toon, doelgroep en opmaak komt, inclusief de natuurlijke inleiding eromheen, uit op ongeveer 300-600 tokens. Dat is de overhead die je betaalt voordat je je echte vraag zelfs maar stelt - en je betaalt die opnieuw in de volgende chat, en in de chat daarna.
Is het niet goedkoper om de instructies gewoon in een opgeslagen document te bewaren en ze elke keer te plakken?
Het is beter dan alles uit je geheugen opnieuw te typen, maar het is nog steeds niet gratis. Je betaalt in elke chat nog steeds dezelfde hoeveelheid tokens, bent nog steeds tijd kwijt aan het zoeken en plakken van het document, en loopt nog steeds het risico een verouderde versie te plakken of een sectie te vergeten. Een skillbestand verwijdert de plakstap volledig - de instructies zijn al geladen voordat de chat begint.
Is dit alleen relevant voor intensieve AI-gebruikers, of tikt het ook aan bij incidenteel gebruik?
Het schaalt mee met de frequentie, maar de consistentiekosten worden zelfs bij een laag volume zichtbaar. Als je maar één keer per week een nieuwe chat start om copy te schrijven, zijn de kosten in tokens en tijd bescheiden - maar de output kan nog steeds variëren, afhankelijk van hoe volledig je die dag je eigen merkrichtlijnen wist toe te passen. Hoe meer mensen in een team dit onafhankelijk van elkaar doen, hoe sneller de merkconsistentie afneemt, ongeacht hoe "af en toe" iemand het gebruikt.