Open een nieuwe chat. Typ: ‘Doe alsof je de copywriter van ons merk bent. Dit is onze toon: zelfverzekerd maar niet opdringerig, geen uitroeptekens, spreek de lezer altijd aan met “je”. Dit is onze doelgroep: SaaS-kopers in het middensegment die sceptisch staan tegenover hype. Dit is onze opmaak: korte alinea’s, geen gedachtestreepjes, een kop van minder dan 60 tekens...’ Plak de merkhandleiding van drie alinea’s die je in een Google-document bewaart. Stel nu eindelijk je daadwerkelijke vraag.
Als die alinea je een beetje deed huiveren, ken je het probleem al. De meeste mensen die Claude of ChatGPT gebruiken voor echt, herhaald werk — marketeers, supportleads, analisten, oprichters — doen elke keer dat ze een nieuw gesprek beginnen iets in deze trant. Het voelt als een belasting 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, voorkeuren voor opmaak, een paar do's en don'ts — bevat, zodra je de instructies zelf en het natuurlijke voorspel eromheen meetelt (‘even ter herinnering’, ‘zoals we hebben besproken’, ‘zoals altijd’), ongeveer 300 tot 600 tokens. En dat is nog vóór de daadwerkelijke vraag wordt gesteld. Het is pure overhead, waar je elke keer voor betaalt, omdat een nieuwe chat niet meer weet wat je gisteren hebt verteld.
Vermenigvuldig dat nu. Een marketeer of copywriter die bijvoorbeeld 8-10 nieuwe chats per week start om e-mails, advertentieteksten, varianten van landingspagina's en socialmediaberichten te schrijven, stuurt diezelfde context meer dan 400 keer per jaar opnieuw. Bij 300-600 tokens per herhaling komt dat neer op 120.000 tot 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 enkele nieuwe output opleveren.
Dit is het punt waarover we eerlijk moeten zijn: tegen 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 de prijzen verschillen per model en veranderen in de loop der tijd, dus beschouw elk specifiek bedrag als een indicatie, niet als absolute waarheid — bedragen de pure kosten van het herhalen van 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 jij 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 opstelt — geen vage bijvoeglijke naamwoorden — zodat je het één keer kunt plakken en het niet elke sessie opnieuw uit je geheugen hoeft samen te stellen.
AI-gids voor merkstem bekijken →De tijdskosten: het deel dat niemand op een spreadsheet zet
Tokens zijn goedkoop. Minuten niet. Bedenk wat er werkelijk 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 zelf nooit helemaal consequent bent, en pas daarna — pas dan — kom je toe aan waarvoor je de chat eigenlijk opende.
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 voordat er überhaupt echt geschreven wordt. Over een jaar is dat ergens tussen de 13 en 39 uur — bijna een volledige werkweek — die je besteedt aan het steeds opnieuw typen van dezelfde instructies in een tekstvak, zonder andere reden dan 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 toonrichtlijnen of de notitie "zo schrijven we koppen" die ergens op een gedeelde schijf staat. Tel die zoektijd erbij op en het werkelijke getal loopt snel op.
De kosten van inconsistentie: degene die echt pijn doet
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 je hoofd opnieuw typt, doe je dat niet telkens identiek. De ene dag zeg je: "zelfverzekerd maar niet te verkoperig." De volgende dag heb je haast, sla je de toonnotitie volledig over en vraag je alleen om "pakkende copy." Een week later denk je eraan het publiek te vermelden, 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 verschuift: soms helemaal in lijn met het merk, soms generiek, soms toe aan een volledige herschrijving omdat de toon niet klopt. Als je ooit twee stukken door AI opgestelde copy van dezelfde persoon hebt vergeleken en je afvroeg waarom het ene de stem perfect treft en het andere klinkt alsof het door een vreemde is geschreven, dan is dit bijna altijd de reden — geen slechtere prompt, maar een anders herinnerde prompt.
Ook die inconsistentie heeft een prijs, zelfs als die nooit als aparte post op de factuur verschijnt: meer correctierondes, vaker "kun je het opnieuw proberen?", meer copy die ongemerkt niet bij het merk past en toch wordt gepubliceerd omdat niemand het opmerkt. In tegenstelling tot de tokenkosten loopt deze kostenpost snel op — hoe meer mensen in een team hun eigen versie van "onze merkstem" improviseren in een chatvenster, hoe meer het merk zelf begint te verschuiven.
Een persona voor een senior conversiecopywriter die onderzoek doet voordat hij schrijft — VOC-mining, messaginghiërarchie, bezwaren in kaart brengen — eenmalig geconfigureerd en identiek in elke chat, zonder dat een nieuwe 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 iedere keer in. Veel mensen doen precies dat. Maar plakken is ook niet gratis — het kost nog steeds dezelfde tokens, neemt nog steeds het grootste deel van de tijd in beslag (je moet het document nog altijd 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 beter dan telkens opnieuw uit het geheugen typen. Maar het is niet hetzelfde als een systeem dat al weet wie het hoort te 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 — verandert dit alles van ‘in iedere sessie opnieuw uitgelegd’ in ‘één keer geconfigureerd, voor altijd hergebruikt’. Je schrijft de merkstem, de doelgroep, de toonregels, de formatvoorkeuren en de rol die de AI moet spelen één keer op, met dezelfde zorg als bij het schrijven van een echte briefing in plaats van een gehaast chatbericht. Daarna begint iedere nieuwe chat met die kennis.
- Tokens: de context staat in de systeemlaag en hoeft niet in iedere sessie opnieuw als invoer te worden getypt.
- Tijd: geen document zoeken, niets opnieuw typen, niets bijschaven — je opent de chat en begint aan de daadwerkelijke taak.
- Consistentie: de AI leest iedere keer exact dezelfde instructies, zodat de output niet afwijkt afhankelijk van hoe gehaast je was bij het instellen van de chat van die dag.
Specifiek voor een contentteam levert dit het snelst cumulatieve voordelen op. Een contentmarketingmanager schrijft niet slechts één stuk — die beheert een redactionele kalender, brieft schrijvers en zorgt er gedurende weken voor dat tientallen stukken bij het merk passen. De contentstrategie en het merksysteem telkens opnieuw uitleggen kost niet alleen die persoon minuten; het betekent ook dat elk stuk content slechts zo consistent is als degene die die dag toevallig de volledige briefing wist te onthouden.
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 iedere schrijver en iedere chat.
Bekijk Lena - Contentmarketingmanager →De berekening maken 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, supportreacties, alles met een inleiding als ‘zo doen we dit’?
- Hoe lang duurt het daadwerkelijk om elke keer de context opnieuw op te bouwen, inclusief de tijd die ik kwijt ben aan het vinden van het juiste document?
- Hoe vaak mist de output zijn doel 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 ik zou willen’ zijn, dan is de oplossing geen betere prompt. De oplossing is om die prompt helemaal niet opnieuw te schrijven.
Samengevat:
Als je bij het begin van elke AI-chat je merkstem en rol opnieuw uitlegt, kost dat je ongemerkt tokens, tijd en — het allerbelangrijkst — 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.
Vul in hoe jij (of je team) AI-chats daadwerkelijk gebruikt en krijg een realistische schatting van de maandelijkse verspilling aan tokens en kosten in euro’s voor het opnieuw geven van prompts versus een persistent skillbestand. Geen registratie, geen e-mail — alleen de berekening uit dit artikel, toegepast op jouw cijfers.
Probeer de calculator →Veelgestelde vragen
Hoeveel tokens kost het per chat eigenlijk 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, meestal uit op zo’n 300–600 tokens. Dat is de overhead die je betaalt voordat je überhaupt je echte vraag 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 overtypen, maar het is nog steeds niet gratis. Je betaalt in elke chat opnieuw dezelfde hoeveelheid tokens, besteedt nog steeds tijd 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 stapelt het zich ook op bij incidenteel gebruik?
Het schaalt mee met de frequentie, maar de kosten voor consistentie worden zelfs bij laag volume zichtbaar. Als je maar één keer per week een nieuwe chat begint om teksten 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 hebt onthouden. Hoe meer mensen in een team dit onafhankelijk van elkaar doen, hoe sneller de merkconsistentie afneemt, ongeacht hoe ‘occasioneel’ iemand het gebruikt.
