Wat kost het eigenlijk om Claude/ChatGPT voor werk te gebruiken? Een realistische uitsplitsing van de tokenberekening

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 een stuk 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 het feit dat de AI "duur" is. Het gaat meestal om wat je verstuurt, niet alleen om wat je vraagt.

In dit bericht wordt de daadwerkelijke berekening stap voor stap uitgelegd - in begrijpelijke taal, zonder jargon - zodat je kunt zien waar de kosten echt vandaan komen en waarom de oplossing niet is "AI minder gebruiken", maar "stoppen met elke keer opnieuw voor jezelf te betalen om alles uit te leggen."

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 driekwart van een woord - dus 1.000 woorden tekst zijn 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 brengen mensen in verwarring wanneer ze 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.
• Elk bericht verstuurt het hele gesprek opnieuw. Dit is het deel dat bijna niemand beseft totdat het zo wordt uitgelegd. Chatgebaseerde AI-modellen hebben niet het permanente geheugen van een menselijke collega tussen berichten door. Om een antwoord te genereren dat logisch aansluit op de context, 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 kletsen" duurder wordt naarmate een gesprek langer duurt

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 en 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 om alles wat eraan voorafging opnieuw te verzenden. 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 daadwerkelijke "nieuwe" inhoud per bericht ongeveer even groot.

Dit is richtinggevende rekenkunde, 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 ongeacht het tarief hetzelfde: 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 wel.

Waar de verspilling daadwerkelijk zit

Kijk nu naar 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 contractclausule controleren - begint niet elke taak met een blanco lei. Die legt elke keer opnieuw uit:

• "Je bent een ervaren [role]. Gedraag je als een senior [X]. Dit is onze merkstem / de context van ons team / onze voorkeuren voor de opmaak..."
• Achtergrondinformatie over het bedrijf, het project, de doelgroep en de beperkingen.
• Dezelfde toon- en stijlinstructies 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 binnen één langdradig 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 aanpakken 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 met rolkadering: "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 eigenlijke taak. Vervolgens komen er vaak nog een paar vervolgberichten in dezelfde thread om zaken te verduidelijken of aan te scherpen - waarbij alles erboven opnieuw wordt meegestuurd. Vermenigvuldig dat patroon van boilerplate plus vervolgberichten over 10 afzonderlijke taken en je betaalt in wezen de hele dag, elke dag, tientallen keren opnieuw voor vrijwel dezelfde instructies.

Aanpak B: een gestroomlijnde, op een skill file gebaseerde werkwijze

De rol, de toon, de standaarden 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. Alles wordt één keer vooraf vastgelegd, compact 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 vast bovenaan.

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, op dezelfde manier als het probleem van de groeiende conversatie, maar dan in tegengestelde richting.

Analytics, zonder opnieuw typen

Rafa - Marketing Analytics Specialist AI Skill

$19deze skill vs $200/uureen analytics-consultant

Een vooraf gemaakte systeemprompt die Claude of ChatGPT verandert in een senior marketinganalist - campagnerendement, attributie en rapportagestandaarden worden één keer vastgelegd, zodat je de rol niet telkens opnieuw hoeft uit te leggen wanneer je nieuwe cijfers plakt.

Bekijk Rafa - Marketing Analytics Specialist →

Waarom een goed opgebouwd skillbestand beter is dan een ad-hocprompt

Niet alle "herbruikbare prompts" lossen dit probleem op. Een opgeblazen, al te algemene 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 telkens opnieuw getypt. De factor die er echt toe doet is beknoptheid: een skillbestand dat precies zegt wat de rol is, precies hoe de uitvoer 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 skillbestand en een losse prompt die je steeds opnieuw schrijft: het gaat niet alleen om gemak, maar om het permanent verkleinen van het herhaalde deel van elk bericht dat je verstuurt, gedurende de hele levensduur van die werksessie.

Operationswerk, één nette configuratie

Owen - Operations Manager AI Skill

$19deze skill vs $200/uureen operations consultant

Configureert Claude of ChatGPT als senior operations manager - SOP's, procesaudits en prioriteringskaders zijn ingebouwd, zodat elke nieuwe taak beknopt begint in plaats van dat je je operationele context helemaal opnieuw moet uitleggen.

Bekijk Owen - Operations Manager →

Praktische gewoonten die echt verschil maken

Ongeacht welke tool of welk plan je gebruikt, verminderen een paar gewoonten de "verborgen kosten van opnieuw verzenden" meer dan al het andere:

• Begin nieuwe taken in nieuwe gesprekken in plaats van alles op te stapelen in één steeds langer wordende thread. Een nieuw, gericht gesprek stuurt per bericht veel minder geschiedenis opnieuw mee.
• 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, uitgebreide systeemprompt blijft boilerplate die opnieuw wordt verzonden - beperk deze tot wat de uitvoer daadwerkelijk verandert.
• Vraag om de lengte van de uitvoer die je daadwerkelijk nodig hebt. Uitvoertokens 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 berekenen - tarieven en modellen veranderen, en de exacte bedragen kun je het beste bij de bron bevestigen in plaats van op basis van een schatting van een derde partij.

Automatiseer het terugkerende werk zelf

Arthur - AI Operations Agent

$39deze skill vs $150/uureen operationsconsultant

Een geconfigureerde operations-agent-skill voor terugkerende, gestructureerde taken - ontworpen om instructies compact en consistent te houden in plaats van bij elk nieuw verzoek steeds verder uit te dijen.

Bekijk Arthur - AI Operations Agent →

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 schrijft - zelfs bij exact dezelfde vraag.

Waarom kost een lang gesprek zoveel meer dan een kort gesprek, voor dezelfde taak?

Omdat de meeste chatgebaseerde AI-tools uit zichzelf geen geheugen tussen berichten bewaren - om bericht 20 zinnig te kunnen beantwoorden, moet het systeem de eerste 19 berichten (en zijn eigen 19 antwoorden) samen met bericht 20 opnieuw verwerken. De gespreksgeschiedenis wordt telkens volledig opnieuw verstuurd, waardoor de kosten doorgaans veel sneller groeien 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 vervolgens hergebruikt. Wat een goede prompt onderscheidt van een ad-hoc prompt is discipline: hij beschrijft de rol, normen en uitvoerindeling precies en beknopt, zodat het opnieuw verstuurde gedeelte met "standaardtekst" zo klein mogelijk blijft en toch zijn werk doet.

Moet ik me zorgen maken over exacte bedragen, of alleen over het gedrag?

Richt je eerst op het gedrag - door herhaalde context te beperken en nieuwe gesprekken te starten voor nieuwe taken, verlaag je je gebruik ongeacht wat het tarief per token deze maand is. Als je de exacte kosten voor je eigen volume wilt berekenen, haal dan de actuele gepubliceerde tarieven van de prijspagina van je provider en reken die af tegen je eigen gebruikelijke aantal berichten.