Waarom agentic AI niet per definitie goedkoper of efficiënter is dan menselijke arbeid

Kunstmatige intelligentie wordt vaak gepresenteerd als de logische route naar meer efficiëntie. Bedrijven horen dagelijks dat AI processen sneller maakt, werk goedkoper uitvoert en organisaties productiever maakt. Daardoor ontstaat al snel het idee dat wanneer een AI een taak kan uitvoeren, die taak automatisch beter, sneller en voordeliger gedaan wordt dan door een mens. Maar precies daar zit een grote denkfout.

AI is namelijk niet per definitie efficiënter dan menselijke arbeid. In veel gevallen kan AI zelfs duurder uitpakken zeker wanneer organisaties zonder duidelijke keuzes zware modellen inzetten op simpele taken. En juist nu AI in steeds meer bedrijfsprocessen wordt ingebouwd, wordt dat een fundamenteel vraagstuk. Want zodra je op grote schaal AI gaat gebruiken, worden modelkeuze, kosten per taak en de inrichting van de samenwerking tussen mens en machine veel belangrijker dan veel bedrijven vandaag beseffen.

Wat we inmiddels geleerd hebben van de nieuwste generatie AI-modellen, is dat het verleidelijk is om overal het zwaarste en slimste model op te zetten. Dat voelt veilig: je kiest immers voor maximale intelligentie, dus dan zal de kwaliteit ook wel het best zijn. Alleen is dat bedrijfseconomisch lang niet altijd verstandig. Als je het meest geavanceerde model gebruikt voor eenvoudige e-mails, standaard samenvattingen, notulen of andere routinetaken, dan kunnen de kosten snel oplopen. Zeker wanneer zo’n model draait in tientallen of honderden dagelijkse workflows, spreek je niet meer over een handige innovatie, maar over een structurele kostenpost die in sommige gevallen duurder wordt dan menselijke inzet.

En dat is een belangrijk inzicht: de vraag is niet alleen of AI een taak kan uitvoeren. De echte vraag is of AI die taak ook tegen de juiste prijs, met het juiste kwaliteitsniveau en binnen de juiste procesinrichting uitvoert.

Een goede manier om dit te begrijpen, is door naar mensen te kijken. In geen enkel gezond bedrijf zet je automatisch je slimste en duurste specialist op iedere taak. Je vraagt ook geen wetenschapper om de hele dag mailtjes te beantwoorden. En je laat waarschijnlijk ook niet het grootste strategische genie van de organisatie alle vergadernotulen uitschrijven. Niet omdat die mensen dat niet zouden kunnen, maar omdat hun capaciteit simpelweg te waardevol is om op die manier in te zetten. Het is inefficiënt, duur en organisatorisch onlogisch.

Met AI werkt het precies zo. Het krachtigste model kan vaak de meeste taken aan, maar dat betekent nog niet dat het voor al die taken ook de juiste keuze is. Een zwaar model inzetten voor eenvoudige, repetitieve handelingen is eigenlijk hetzelfde als top-expertise gebruiken voor werk dat daar helemaal niet om vraagt. Dan betaal je voor een niveau van intelligentie dat je in de praktijk niet nodig hebt.

Dat is precies waarom modelkeuze zo belangrijk wordt. Niet iedere taak vraagt om diep redeneervermogen, geavanceerde analyse of maximale contextverwerking. Veel werkzaamheden binnen bedrijven zijn relatief voorspelbaar: standaardmails, eerste versies van teksten, eenvoudige klantvragen, samenvattingen, classificaties, interne zoekopdrachten of basisrapportages. Voor dat soort werk is een lichter, sneller en goedkoper model vaak al meer dan voldoende. Soms is zelfs een mens nog steeds sneller, betrouwbaarder of goedkoper zeker wanneer een taak weinig schaalvoordeel heeft of sterke context, nuance of verantwoordelijkheid vraagt.

Zodra AI op kleine schaal wordt getest, blijft dit probleem vaak nog onzichtbaar. In pilots lijkt bijna alles waardevol, omdat de focus vooral ligt op wat technisch mogelijk is. Maar zodra AI breed wordt uitgerold door de organisatie, verandert de werkelijkheid. Dan krijg je te maken met enorme volumes aan prompts, documenten, analyses, e-mails en interacties. Op dat moment worden tokenization, rekencapaciteit en kosten per model ineens keiharde bedrijfseconomische factoren. Wat in een demo slim leek, kan op schaal financieel totaal onhoudbaar blijken.

Daarom verschuift de echte managementvraag. De vraag van de toekomst is niet: hoe kunnen we AI gebruiken? De veel belangrijkere vraag is: welk model gebruik je voor welke taak, en wanneer is menselijke inzet nog steeds de betere keuze?

Dat is geen puur technisch vraagstuk. Het gaat tegelijk over strategie, kostenbeheersing, procesontwerp en kwaliteit. Organisaties zullen veel scherper moeten leren kijken naar de aard van het werk. Hoe complex is een taak echt? Hoe groot is de impact van fouten? Hoeveel kwaliteit is werkelijk nodig? Wat kost het model per taak, per workflow en op schaal? En waar voegt menselijke betrokkenheid nog onmiskenbaar waarde toe?

Want juist daar zit het volgende misverstand: dat AI vooral draait om vervanging. Alsof de keuze altijd is tussen mens of machine. In werkelijkheid zit de grootste winst meestal in de combinatie. Niet alles hoeft door mensen gedaan te worden, maar ook zeker niet alles moet volledig geautomatiseerd worden. De kunst is om processen zo in te richten dat AI doet waar AI sterk in is, en mensen doen waar mensen waarde toevoegen.

AI is sterk in snelheid, schaal, patroonherkenning, het maken van eerste versies en het verwerken van grote hoeveelheden informatie. Mensen zijn sterk in context, empathie, oordeel, creativiteit, relationele afstemming en verantwoordelijkheid. Bedrijven die die twee slim combineren, bouwen processen die niet alleen moderner ogen, maar die ook daadwerkelijk beter werken.

En precies daar ontstaat een nieuwe kernvaardigheid voor organisaties: AI-orkestratie. De echte winnaars van de komende jaren zijn waarschijnlijk niet de bedrijven die simpelweg overal AI op zetten, maar de bedrijven die begrijpen hoe ze verschillende modellen slim inzetten, hoe ze kosten beheersen en hoe ze de samenwerking tussen mens en machine goed organiseren.

Die vaardigheid gaat over veel meer dan alleen prompten of tools kennen. Het gaat over begrijpen welk model past bij welke taak. Wanneer een licht model voldoende is. Wanneer een zwaarder model echt meerwaarde heeft. Wanneer menselijke controle nodig blijft. En wanneer een taak gewoon beter bij een medewerker kan blijven liggen, omdat automatisering in dat geval duurder of minder effectief is.

Dat maakt modelkeuze tot een van de belangrijkste skills van de toekomst. Niet omdat technologie minder belangrijk wordt, maar juist omdat AI overal beschikbaar komt. Hoe breder de inzet, hoe belangrijker het wordt om verstandig te kiezen. De organisaties die daar goed in worden, gaan niet alleen slimmer met AI om, maar ook beter met hun mensen, processen en marges.

De toekomst is dus niet aan bedrijven die blind alles automatiseren. De toekomst is aan bedrijven die begrijpen dat efficiëntie niet ontstaat door maximale intelligentie overal in te zetten, maar door per taak de juiste combinatie te kiezen van model, mens en proces.

AI kan ongelooflijk veel, maar dat betekent nog niet dat AI altijd de goedkoopste of efficiëntste medewerker is. Soms wel. Soms niet. En precies het vermogen om dat onderscheid goed te maken, wordt een van de meest waardevolle competenties van deze tijd.

‍

‍

Zelf aan de slag met AI? Bekijk onze e-learning AI Agents of AI workshops voor teams.

// Over de auteur

Job van den Berg

Mede-oprichter, AI Keynote Spreker & Techondernemer

Tech-ondernemer (1989) met een achtergrond als socioloog (Research Master (MSc) in statistiek en sociologie) en een van de meest gevraagde keynote sprekers over AI en data in Nederland. Als mede-oprichter van Ai.nl, The Automation Group en Proxies leidt hij engineers die agentic AI van prototype naar productie brengen binnen enterprises. Op het podium vertaalt Job die hands-on praktijk naar concrete strategieën. Eerder was Job Chief Data bij o.a. DPG Media en Kantar. Hij is co-auteur van 5 boeken over AI waaronder 'AI Agents' en 'Handboek AI Strategie' en een veelgevraagd expert in de landelijke media.

LinkedIn