De eerste fase van AI-uitrol in organisaties zag er voor veel bedrijven hetzelfde uit: toegang geven, aanmoedigen, loslaten. Experimenteer. Bouw een agent. Kijk wat er gebeurt. Het was een bewuste keuze, en niet eens een slechte. Je ontdekt pas wat AI voor je organisatie betekent als mensen er echt mee aan de slag gaan, niet in een training, maar in het echte werk.
Zeker bij tools als Claude Code of GitHub Copilot werd snel duidelijk hoe transformerend dat gebruik kan zijn. Engineers die uren werk in minuten afhandelen. Processen die geautomatiseerd worden. Teams die zeggen: dit wil ik niet meer missen.
Echter ergens in dat experiment begon een meter te draaien. En die meter liep harder dan de meeste organisaties hadden voorzien.
Wat de cijfers vertellen
Op het eerste gezicht lijkt dat vreemd. De kostprijs van AI-modellen is de afgelopen jaren spectaculair gedaald. Wat enkele jaren geleden nog duur en exclusief was, is vandaag veel toegankelijker geworden.
En toch stijgen enterprise AI-facturen snel.
Hoe dat kan? Gebruik ontploft wanneer je het vrijgeeft. Maar wat het gebruik echt opjaagt, is de shift naar agentic AI. Waar medewerkers vroeger af en toe een vraag stelden aan een chatbot, laten ze vandaag steeds vaker volledige taken, workflows en processen uitvoeren door AI-agents.
Daardoor groeit niet alleen het aantal interacties, maar ook de hoeveelheid rekenkracht die organisaties verbruiken. De prijs per AI-interactie daalt. De totale factuur stijgt.
Een concreet voorbeeld: Uber gaf in december 2025 vijfduizend engineers toegang tot Claude Code. Tegen april 2026 had het bedrijf zijn volledige jaarbudget voor AI opgebruikt. Dat is geen uitzondering en het begint ook in België stilaan door te sijpelen.
Meer dan een kostenprobleem
Kosten zijn het meest zichtbare gevolg, maar ze vertellen niet het volledige verhaal.
Er is ook het energie-aspect. AI-gebruik heeft een fysieke voetafdruk: rekenkracht, koeling, datacenters. Elke prompt die twee keer gesteld wordt, elke agent die onnodig een reeks stappen doorloopt, het telt op. Dat is geen reden om AI niet te gebruiken, maar het is wel een reden om er bewuster mee om te gaan.
En dan is er nog een derde effect dat minder zichtbaar is dan kosten of energieverbruik.
De afgelopen twee jaar, en vooral het voorbije jaar, hebben veel organisaties bewust gewerkt aan het creëren van een AI-reflex. Medewerkers moesten leren om AI te gebruiken, om een promptvenster te openen, om te experimenteren, om AI een vast onderdeel van hun werk te maken. Dat was nodig om er een gewoonte van te maken en de licenties in zekere mate te laten renderen.
Maar nu begint een volgende fase. Niet elke vraag hoeft immers automatisch naar AI. Niet elke taak vraagt een agent. Niet elk probleem vereist het krachtigste model of een uitgebreide analyse. Tussen de vraag en de prompt moet opnieuw een denkstap komen.
Wat probeer ik te bereiken? Is AI hier de beste keuze? Welke aanpak is proportioneel voor dit probleem?
De uitdaging verschuift dus van AI gebruiken naar AI bewust gebruiken. Een sterke AI-reflex blijft daarbij waardevol. Maar in fase twee moet die aangevuld worden met iets anders: oordeelsvermogen. Weten wanneer je AI inzet, hoe je het inzet en wanneer je het misschien beter niet inzet.
Wat nu nodig is
De overstap van "laat iedereen experimenteren" naar "gebruik dit verantwoord" is niet vanzelfsprekend. Het is een leerproces met drie lagen.
- Nadenken voor je prompt
De eerste laag is het nadenken voor je prompt. Wat wil ik bereiken? Heb ik AI hier nodig, of kan ik dit ook zelf? Een goed gestelde vraag leidt vaker tot een bruikbaar antwoord, en kost minder. Dat lijkt voor de hand liggend, maar het vraagt oefening in een omgeving waar iedereen net gewend is geraakt aan trial and error zonder drempel.
- Het onderscheid leren maken
De tweede laag is het onderscheid leren maken. Waar ben je zelf goed in? Wat kan AI sneller en beter? En hoe stuur je dat aan zonder jezelf weg te organiseren uit je eigen werk? Dat is een persoonlijke vraag die elk teamlid voor zichzelf moet beantwoorden. Het antwoord verschilt per rol, per taak, per dag.
- Tool-geletterdheid
De derde laag is tool-geletterdheid. Begrijpen hoe AI-tools werken. Weten dat niet elke taak hetzelfde model of dezelfde hoeveelheid rekenkracht vereist. Het juiste hulpmiddel kiezen voor de juiste taak in plaats van standaard het krachtigste model gebruiken. Dat vraagt basiskennis, maar ook nieuwsgierigheid. Wat vandaag klopt, kan morgen alweer veranderd zijn. Dat maakt het een continu leerproces, en dat is precies wat het uitdagend maakt.
Uiteindelijk blijft dit een menselijk vraagstuk
Veel gesprekken over AI-gebruik gaan vandaag over technologie, budgetten en governance, maar uiteindelijk draait dit vraagstuk vooral om mensen. Over hoe we nieuwe gewoontes ontwikkelen, hoe we goede keuzes maken, hoe we leren wanneer AI waarde toevoegt en wanneer niet. En hoe we voorkomen dat efficiëntie een doel op zich wordt.
De eerste fase van AI-adoptie draaide om experimenteren. De volgende fase draait om oordeelsvermogen: niet persé minder AI gebruiken, wel bewuster.