De rekening die je niet ziet aankomen
De meeste mensen die Claude of ChatGPT elke dag voor hun werk gebruiken, hebben nooit echt gekeken waarvoor ze betalen. Er is een maandelijks abonnement, of een API-sleutel met een saldo dat stilletjes afneemt, en het getal verandert - soms langzamer dan verwacht, soms veel sneller. Als je je ooit hebt afgevraagd waarom een "lichte" week met AI-ondersteund werk meer kostte dan een zware week, ligt het antwoord bijna nooit bij de AI die "duur" is. Het gaat meestal om wat je verstuurt, niet alleen om wat je vraagt.
In dit artikel wordt de daadwerkelijke berekening in gewone taal uitgelegd - zonder jargon - zodat je kunt zien waar de kosten echt vandaan komen en waarom de oplossing niet is om "AI minder te gebruiken", maar om te stoppen met elke keer dat je een bericht stuurt voor het opnieuw uitleggen van jezelf te betalen.
Tokens in gewone taal
Elk bericht dat je verstuurt en elk antwoord dat je terugkrijgt, wordt opgesplitst in kleine stukjes die tokens worden genoemd. Als vuistregel is één token ongeveer drie kwart van een woord - 1.000 woorden tekst zijn dus ongeveer 1.300-1.400 tokens. Korte woorden, veelgebruikte uitdrukkingen en code worden vaak in minder tokens per woord gecomprimeerd; ongebruikelijke woorden, opmaak en niet-Engelse tekst kunnen meer tokens gebruiken.
Twee dingen zorgen vaak voor verwarring wanneer mensen hier voor het eerst over nadenken:
- Beide richtingen tellen mee. De woorden die je typt (invoer) en de woorden die de AI terugschrijft (uitvoer) worden allebei in rekening gebracht of gemeten. Een lang, gedetailleerd antwoord kost meer dan een antwoord van één regel, zelfs op dezelfde vraag.
- Bij elk bericht wordt het hele gesprek opnieuw verzonden. Dit is het deel dat bijna niemand beseft totdat het overzichtelijk wordt weergegeven. Chatgebaseerde AI-modellen hebben niet het permanente geheugen tussen berichten dat een menselijke collega wel heeft. Om een antwoord te genereren dat in de context klopt, moet het systeem het hele gesprek tot dan toe opnieuw lezen - je eerste bericht, het eerste antwoord daarop, je tweede bericht, het tweede antwoord daarop, enzovoort - elke keer dat je op verzenden drukt.
Waarom "gewoon chatten" duurder wordt naarmate een gesprek langer wordt
Dit is het deel dat er echt toe doet. Stel je een gesprek voor dat kort begint en op natuurlijke wijze langer wordt, zoals echte werkgesprekken:
- Bericht 1: je verstuurt 200 woorden aan context en krijgt 150 woorden terug.
- Bericht 2: het systeem moet nu bericht 1 én je nieuwe bericht verwerken en daarna opnieuw antwoorden.
- Bericht 3: het verwerkt berichten 1 en 2 opnieuw, plus je nieuwe bericht.
Bij bericht 10 betaal je niet voor "één nieuwe vraag". Je betaalt elke keer opnieuw voor het verzenden van alles wat eraan voorafging. De gespreksgeschiedenis is cumulatief - die wordt niet vanzelf gereset of gecomprimeerd. Een gesprek van 20 beurten is niet twee keer zo duur als een gesprek van 10 beurten; door het opnieuw verzenden kan het uiteindelijk meerdere keren duurder uitvallen, ook al bleef de hoeveelheid daadwerkelijke "nieuwe" inhoud per bericht ongeveer even groot.
Dit is een indicatieve berekening, geen prijstabel - aanbieders bepalen en wijzigen hun eigen tarieven per token, en je moet altijd de actuele gepubliceerde prijzen op de website van de aanbieder (anthropic.com of openai.com) controleren als je exacte bedragen voor je abonnement wilt. Maar het mechanisme blijft hetzelfde, ongeacht het tarief: zelfs bescheiden kosten per token lopen snel op wanneer ze worden vermenigvuldigd over een steeds langere gesprekshistorie. Het tarief is niet de belangrijkste hefboom. De omvang van wat je opnieuw verstuurt is dat wel.
Waar de verspilling daadwerkelijk zit
Voeg daar nu aan toe hoe de meeste mensen daadwerkelijk werken. Een doorsnee kenniswerker die AI-ondersteunde taken uitvoert - e-mails opstellen, gesprekken samenvatten, een spreadsheet analyseren, een briefing schrijven, een contractbepaling controleren - begint niet elke taak vanaf nul. Ze leggen het elke keer opnieuw uit:
- 'Je bent een ervaren [role]. Gedraag je als een senior [X]. Hier is onze merkstem / de context van ons team / onze voorkeuren voor opmaak...'
- Achtergrondinformatie over het bedrijf, het project, het publiek en de beperkingen.
- Dezelfde instructies voor toon en stijl die ze gisteren en de dag ervoor hebben getypt.
Niets daarvan is 'nieuwe' informatie voor de taak zelf - het is boilerplate. Maar omdat het telkens opnieuw in het chatvenster wordt getypt (of erger nog, organisch wordt opgebouwd in één lang, meanderend gesprek), wordt het elke keer meegeteld, opnieuw verzonden en opnieuw in rekening gebracht.
Een illustratief voorbeeld: 10 taken per dag, twee verschillende manieren
Laten we twee benaderingen voor dezelfde werkdag vergelijken - 10 AI-ondersteunde taken, waarbij de AI telkens als een bepaald type specialist moet optreden (bijvoorbeeld een marketinganalist die campagnecijfers beoordeelt of een operationsmanager die een procesdocument aanscherpt).
Aanpak A: ad-hoc opnieuw getypte prompts
Bij elk van de 10 taken begint de persoon met het opnieuw typen (of kopiëren en plakken uit een oud document) van een of twee alinea's waarin de rol wordt geschetst: 'Je bent een senior marketinganalist met expertise in attributie en campagne-ROI. Analyseer de volgende gegevens en geef me een gestructureerde samenvatting met aanbevelingen...' Daarna volgt de daadwerkelijke taak. Vervolgens zijn er vaak een paar vervolgberichten binnen dezelfde chat om zaken te verduidelijken of te verfijnen - en elk daarvan stuurt alles erboven opnieuw mee. Vermenigvuldig dat patroon van boilerplate plus vervolgberichten over 10 afzonderlijke taken en je betaalt de hele dag, elke dag, in feite tientallen keren opnieuw voor vrijwel dezelfde instructies.
Aanpak B: een slanke opzet op basis van een skill file
De rol, de toon, de normen en de werkwijze worden één keer zorgvuldig vastgelegd in een compacte systeemprompt - een 'skill file' - en aan het begin van de sessie geladen in plaats van opnieuw getypt. Het wordt vooraf eenmalig ingesteld, beknopt gehouden (geen uitweidingen, geen overbodige instructies) en bij elke taak binnen die rol opnieuw gebruikt. De persoon geeft alleen de taak aan. Er hoeft niet opnieuw te worden uitgelegd wie de AI moet zijn, hoe antwoorden moeten worden opgemaakt of hoe 'goed' eruitziet - dat ligt al beknopt bovenaan vast.
Het verschil in tokenberekening gaat niet over dat de AI in Aanpak B "harder werkt" - het gaat erom dat het herhaalde, boilerplategedeelte van elk bericht drastisch kleiner wordt. Minder boilerplate die per bericht opnieuw wordt verzonden, in elk bericht van elke taak, elke dag - dat stapelt zich snel op, net zoals het probleem van groeiende gesprekken, maar dan in tegengestelde richting.
Een vooraf gebouwde systeemprompt die Claude of ChatGPT verandert in een senior marketinganalist - met campagnerendement, attributie en rapportagestandaarden één keer vastgelegd, zodat je de rol niet telkens opnieuw hoeft uit te leggen wanneer je nieuwe cijfers invoert.
Bekijk Rafa - Marketing Analytics Specialist →Waarom een goed gebouwd Skill-bestand beter is dan een ad-hocprompt
Niet alle "herbruikbare prompts" lossen dit probleem op. Een opgeblazen, overdreven generieke systeemprompt - vijf pagina's vage instructies "voor het geval dat" - kan net zo verspillend zijn als alles opnieuw typen, omdat het nog steeds boilerplate is die bij elk bericht opnieuw wordt verzonden, alleen één keer geplakt in plaats van elke keer opnieuw te worden getypt. De hefboom die er echt toe doet, is beknoptheid: een Skill-bestand dat precies zegt wat de rol is, precies hoe de output moet worden opgemaakt en precies wanneer iets "klaar" is - niets meer - en dat één keer per sessie vooraf wordt gegeven.
Dat is het echte verschil tussen een Skill-bestand en een losse prompt die je steeds opnieuw herschrijft: het gaat niet alleen om gemak, maar om het permanent verkleinen van het herhaalde deel van elk bericht dat je verstuurt, gedurende de hele duur van die werksessie.
Configureert Claude of ChatGPT als een senior operationsmanager - met SOP's, procesaudits en prioriteringskaders ingebouwd, zodat elke nieuwe taak beknopt begint in plaats van je operationele context telkens opnieuw vanaf nul uit te leggen.
Bekijk Owen - Operations Manager →Praktische gewoonten die echt verschil maken
Ongeacht welke tool of welk abonnement je gebruikt, een paar gewoonten verminderen de "verborgen kosten van opnieuw verzenden" meer dan al het andere:
- Begin nieuwe taken in nieuwe gesprekken in plaats van alles in één steeds langer wordende thread te stapelen. Een nieuw, gericht gesprek verzendt per bericht veel minder geschiedenis opnieuw.
- Geef de rol en context één keer vooraf, beknopt, in plaats van die telkens opnieuw in de taak zelf uit te leggen.
- Houd de vooraf gegeven instructies beknopt. Een lange, uitgesponnen systeemprompt blijft boilerplate die opnieuw wordt verzonden - beperk deze tot wat de output daadwerkelijk verandert.
- Vraag om de lengte van de output die je daadwerkelijk nodig hebt. Outputtokens tellen ook mee, en "geef me een gestructureerde samenvatting" kost doorgaans minder dan een open vraag als "vertel me alles hierover."
- Controleer de actuele, gepubliceerde prijzen rechtstreeks bij je provider als je je eigen kosten nauwkeurig wilt modelleren - tarieven en modellen veranderen, en de exacte cijfers kun je het beste bij de bron bevestigen in plaats van via een schatting van een derde partij.
Een geconfigureerde operations-agent-skill voor terugkerende, gestructureerde taken - ontworpen om instructies compact en consistent te houden in plaats van ze bij elk nieuw verzoek te laten uitdijen.
Bekijk Arthur - AI Operations Agent →Vul in hoe jij (of je team) AI-chats daadwerkelijk gebruikt en krijg een realistische maandelijkse schatting van tokenverspilling en kosten voor opnieuw prompten versus een persistent skillbestand. Geen registratie, geen e-mail - alleen de berekening uit dit bericht, toegepast op jouw cijfers.
Probeer de calculator →Veelgestelde vragen
Betaal ik echt voor de antwoorden van de AI, en niet alleen voor mijn eigen berichten?
Ja. Zowel wat je verstuurt als wat je terugkrijgt, wordt meegeteld. Een model dat standaard lange, grondige antwoorden schrijft, gebruikt meer outputtokens dan een model dat beknopte, gerichte antwoorden geeft - zelfs bij exact dezelfde vraag.
Waarom kost een lang gesprek per taak zoveel meer dan een kort gesprek?
Omdat de meeste chatgebaseerde AI-tools uit zichzelf geen geheugen tussen berichten bewaren - om bericht 20 zinvol te kunnen beantwoorden, moet het systeem de eerste 19 berichten (en zijn eigen 19 antwoorden) opnieuw verwerken. De volledige gespreksgeschiedenis wordt elke keer opnieuw verzonden, waardoor de kosten doorgaans veel sneller stijgen dan de gesprekslengte zelf.
Is een skillbestand gewoon een chique naam voor een opgeslagen prompt?
Functioneel gezien wel - het is een systeemprompt of projectinstructie die je één keer schrijft en hergebruikt. Wat een goede prompt onderscheidt van een ad-hocprompt is discipline: hij beschrijft de rol, standaarden en uitvoerindeling precies en beknopt, zodat het deel met "standaardtekst" dat bij elk bericht opnieuw wordt verzonden zo klein mogelijk blijft en toch zijn werk doet.
Moet ik me zorgen maken over exacte bedragen in euro's, of alleen over het gedrag?
Richt je eerst op het gedrag - herhaalde context schrappen en nieuwe gesprekken starten voor nieuwe taken verlaagt je gebruik, ongeacht wat het tarief per token deze maand toevallig is. Als je exacte kosten voor je eigen volume wilt berekenen, haal dan de actuele gepubliceerde tarieven van de prijspagina van je aanbieder en bereken de kosten op basis van je eigen gebruikelijke aantal berichten.
Samengevat:
De tokenkosten van dagelijks AI-werk worden veel sterker bepaald door herhaalde, standaardcontext dan door het tarief per token zelf - bij elk bericht wordt het hele gesprek opnieuw verzonden, waardoor ad-hoc opnieuw getypte prompts zich snel opstapelen. Een beknopt, vooraf geladen skillbestand zoals Rafa of Owen beperkt die verspilling door de rol één keer, strak en duidelijk, te laden in plaats van die in elk afzonderlijk bericht opnieuw uit te leggen.
