AI-agent kosten besparen: waarom 20 losse agents duurder zijn dan één centrale laag
AI-agent kosten besparen draait zelden om een duurder of goedkoper AI-model. Het draait om hoeveel keer dezelfde data wordt opgehaald. Een bedrijf dat twintig agents bouwt en elke agent zijn eigen koppeling laat leggen met het CRM, het ERP of het voorraadsysteem, betaalt twintig keer voor informatie die er al lag. Gartner voorspelt dat het gemiddelde Fortune 500-bedrijf in 2028 boven de 150.000 AI-agents draait, tegen minder dan 15 in 2025. Bijna niemand heeft daar een kostenplaatje bij.
Aflevering 1 Autonome AI agents veilig inzetten benoemde de hype rond autonome agents. Aflevering 2 AI-agent toegangsrechten regelen introduceerde het stoplicht mechanisme om toegang en toestemming apart te bewaken. Deze aflevering laat zien wat het kost als dat mechanisme nergens centraal staat.
Wat AI-agent kosten besparen in de praktijk betekent
Bij de meeste bedrijven ontstaat het kostenprobleem niet met opzet. Een marketingteam bouwt een agent die campagne data samenvat. Een finance team bouwt er een die facturen controleert. Een operationeel team bouwt er een die voorraadniveaus checkt. Elk van die beslissingen is op zichzelf logisch.
Het probleem is dat geen van die agents weet dat de andere twee bestaan. Onderzoeksbureau Kore.ai beschrijft een herkenbaar patroon: wanneer vijf teams onafhankelijk van elkaar een vergelijkbare agent bouwen, bijvoorbeeld een document samenvatter, loopt de opgetelde redundantie op tot 20 à 35% van het volledige AI-budget van een organisatie. Vijf aparte contracten, vijf keer dezelfde infrastructuur, vijf sets API-tokens, voor werk dat één agent met de juiste toegang net zo goed voor iedereen had kunnen doen.
Bij een transportbedrijf met een man of tachtig op de loonlijst ziet dat er zo uit: een planningsagent, een facturatie agent en een klantenservice agent vragen alle drie los van elkaar dezelfde ritgegevens op bij hetzelfde systeem. Drie keer inloggen, drie keer dezelfde data over de lijn, drie keer een los stukje onderhoud zodra dat systeem een update krijgt. AI-agent kosten besparen begint met de vraag of dat één keer of drie keer nodig is.
Hoeveel AI-agents heeft een bedrijf eigenlijk, en wat kost dat overzicht niet hebben
Gartner noemt het agent sprawl: de ongecontroleerde wildgroei van AI-agents zonder centraal overzicht. Volgens hun persbericht van eind april 2026 had het gemiddelde Fortune 500-bedrijf in 2025 nog geen 15 agents. Tegen 2028 wordt dat aantal geschat op ruim 150.000, een tienduizendvoudige groei in drie jaar. Slechts 13% van de organisaties denkt dat de eigen governance dat kan bijbenen, en maar 18% heeft een volledige, actuele lijst van welke agents er draaien.
Een onderzoek van OutSystems onder bijna 1.900 IT-leiders wereldwijd, gepubliceerd in april 2026, bevestigt hetzelfde gat vanuit een andere hoek: 94% ziet agent wildgroei als directe oorzaak van meer complexiteit, meer technische schuld en meer veiligheidsrisico. Slechts 12% heeft daar een centraal platform voor ingericht. Deloitte's State of AI in the Enterprise 2026, gebaseerd op meer dan 3.000 seniorleiders in 24 landen, ziet het gebruik van agents oplopen van 23% nu naar een verwachte 74% binnen twee jaar, terwijl slechts 21% een volwassen governance-model heeft ingericht.
Amazon zag hetzelfde probleem groot genoeg worden om er in april 2026 een eigen product voor te lanceren: Agent Registry, een centrale catalogus van elke agent binnen een organisatie. AWS omschreef het probleem zelf treffend: zodra bedrijven opschalen naar honderden of duizenden agents, wordt bijhouden wat er draait, van wie, en of het is goedgekeurd een operationele crisis op zich. Dat is geen abstracte zorg. Het is precies het moment waarop AI-agent kosten besparen ophoudt een optimalisatie te zijn en een noodzaak wordt.
Waarom de rekening zo snel oploopt: de tokenkant van AI-agent kosten
Naast dubbele koppelingen speelt er nog een tweede, minder zichtbare kostenfactor: hoe een agent zelf met tokens omgaat. Een AI-agent werkt niet zoals een chatbot waarbij je één vraag stelt en één antwoord krijgt. Een agent doorloopt een reeks stappen, en bij elke stap stuurt hij de volledige opgebouwde geschiedenis opnieuw mee: het systeemprompt, eerdere tool-aanroepen, eerdere antwoorden, plus de nieuwe stap.
Onderzoeksbureau LeanOps analyseerde dertig engineeringteams die agents in productie draaiden en vond dat AI-agents daardoor 10 tot 100 keer zoveel tokens verbruiken als een chatbot voor dezelfde taak. Bij die dertig teams bestond gemiddeld 62% van de rekening uit precies dat: dezelfde, ongewijzigde context die telkens opnieuw werd verstuurd.
Hetzelfde onderzoek beschrijft een SaaS-bedrijf met 35 engineers dat na een audit de maandelijkse agent-kosten terugbracht van 87.000 naar 24.000 dollar. Geen enkel model werd vervangen. De oorzaken waren stuk voor stuk herkenbaar: geen caching van het systeemprompt, een controleagent die standaard het duurste model gebruikte voor routinewerk, en geen enkele budgetgrens per gebruiker. Na drie weken aan aanpassingen: 756.000 dollar besparing op jaarbasis, zonder dat de productiviteit daalde.
Dat is dezelfde logica als bij de transportbedrijf-casus hierboven, alleen dan binnen één agent in plaats van tussen agents. AI-agent kosten besparen zit zelden in het kiezen of vermijden van een duurder model. Het zit in het stoppen met twee keer betalen voor hetzelfde, of dat nu twee agents zijn die dezelfde data ophalen, of één agent die dezelfde context twintig keer opnieuw verstuurt.
Wat de wetgeving nog niet regelt voor AI-agent kosten
Sinds 2 augustus 2026 handhaaft de EU AI Act ook op artikel 15, dat cyberweerbaarheid eist van wat de wet de actielaag noemt: de API's en systemen die een agent daadwerkelijk aanroept, niet alleen het model zelf. Artikel 12 verplicht daarnaast tot logging van die interacties. Geen van beide artikelen verlaagt de kosten. Ze doen het tegenovergestelde: elke extra, los gebouwde agent is niet alleen een extra kostenpost, maar ook een extra stuk actielaag dat gelogd en beveiligd moet worden.
Twintig ongecoördineerde agents die allemaal apart bij dezelfde data komen, zijn dus niet alleen twintig keer zo duur. Ze leveren ook twintig keer zoveel losse stukken actielaag op, die allemaal gedocumenteerd moeten worden zodra een toezichthouder ernaar vraagt. Dat onderwerp krijgt een eigen, volledige aflevering later in deze reeks. Voor nu is de kern genoeg: AI-agent kosten besparen en compliance-last beperken lopen voor een groot deel over hetzelfde pad.
Hoe je AI-agent kosten wel structureel verlaagt
Wij zijn niet tegen agents, integendeel. Bouw er zoveel als een afdeling nodig heeft. Het probleem zit nooit in het aantal agents. Het zit in hoeveel van die agents apart hun eigen weg naar dezelfde data bouwen.
1. Eén centrale ophaallaag in plaats van twintig losse koppelingen
In plaats van twintig agents die allemaal zelf inloggen op het CRM, het ERP en de financiële administratie, kan een handvol agents volstaan met precies één koppeling: naar een laag die centraal ophaalt, valideert en doorgeeft. Minder tokens, minder losse verbindingen, minder plekken waar iets kan misgaan.
2. Weet hoeveel agents er draaien voordat het een kostenprobleem wordt
Gartner's eigen aanbeveling begint met een inventaris, niet met een verbod. AWS bouwde er zelfs een apart product voor. Zonder een lijst van welke agents er zijn en wat ze raken, ontdek je redundantie pas op het moment dat de rekening binnenkomt.
3. Valideer eenmalig, niet twintig keer
Dit is precies waar wij al jaren zitten, ver voordat het woord "agent" op elke slide verscheen. Wij valideren wat er tussen systemen beweegt op het moment dat het beweegt, één keer, centraal. Voor een agent die om klantdata vraagt is het dezelfde aanpak: valideer bij de bron, niet bij elke afzonderlijke agent die er los naartoe zou lopen.
4. Reken kosten na aan resultaat, niet aan enthousiasme
LeanOps trekt een harde conclusie uit hun eigen dertig audits: zonder bewust kostenbeheer, schalen agent-kosten mee met de motivatie van de bouwer, niet met de waarde die het oplevert. Een agent die niemand actief controleert, blijft kosten tot iemand het toevallig opmerkt.
Twintig agents die allemaal apart bij dezelfde data komen, voelen aan als vooruitgang omdat elke agent zijn eigen probleem oplost. De rekening zegt iets anders: hoeveel van die twintig ritten was eigenlijk dezelfde rit?
Hoe Compass AI-agent kosten concreet naar beneden brengt
Bij Compass zetten we precies de laag neer die in de vier stappen hierboven ontbreekt: één centrale verbinding tussen al je agents en de systemen waar ze iets uit nodig hebben, zoals het CRM, ERP, de financiële administratie of het voorraadsysteem. In plaats van dat elke agent zelf inlogt, zelf een koppeling onderhoudt en zelf dezelfde informatie ophaalt, doet die laag het één keer: ophalen, valideren tegen de regels die daarvoor gelden, en doorgeven aan wie erom vraagt.
Dat scheelt op drie plekken meteen geld. Eén koppeling in plaats van twintig betekent één stuk onderhoud in plaats van twintig, ook op het moment dat een bronsysteem een update krijgt. Eén validatiemoment in plaats van twintig losse, zelfgebouwde controles betekent minder kans dat een agent iets verkeerd interpreteert en het werk moet overdoen, met alle tokens en tijd die daarbij verloren gaan. En omdat die laag al vastlegt wat erdoorheen gaat, staat de logging die artikel 12 van de AI Act vraagt er automatisch bij, in plaats van dat iemand die achteraf per agent moet reconstrueren.
Dit is geen toekomstplan. We doen dit al voor koppelingen zonder agent aan de andere kant, en doen dit dus ook voor agents als nieuwe aanvrager van diezelfde informatie: zelfde validatielaag, zelfde discipline, nieuwe gebruiker.
Tel voor je eigen bedrijf eens hoeveel agents er op dit moment apart bij hetzelfde CRM, ERP of voorraadsysteem binnenkomen. Weet je dat aantal uit je hoofd, of moet je het navragen bij drie verschillende teams voor je een antwoord hebt?
Veelgestelde vragen
Sterk verschillend. Een agent die alleen data ophaalt en samenvat, kost weinig. Een agent die veel stappen doorloopt en bij elke stap de volledige geschiedenis opnieuw meestuurt, kan tien tot honderd keer zoveel tokens verbruiken voor hetzelfde eindresultaat, simpelweg door hoe hij is gebouwd.
Meestal ergens anders. Het duurste model kiezen is zelden de hoofdoorzaak. De hoofdoorzaak is dubbel werk: meerdere agents die apart dezelfde data ophalen, of één agent die dezelfde context telkens opnieuw verstuurt zonder dat iemand dat bijhoudt.
Nee. Het aantal agents is niet het probleem. Twintig agents met één gedeelde, gevalideerde toegang tot data kosten minder dan drie agents die allemaal apart hun eigen koppeling bouwen. De vraag is niet hoeveel agents, maar hoeveel losse wegen naar dezelfde data.
Bij de meeste bedrijven weet niemand dat exact. Gartner vond dat slechts 18% van de organisaties een volledige, actuele inventaris heeft. Beginnen met een simpele lijst, wie heeft welke agent gebouwd en welke systemen raakt hij, legt vaak al de grootste overlap bloot.
Allebei. Dezelfde laag die voorkomt dat twintig agents apart dezelfde data ophalen, is ook de laag die bijhoudt wie welke actie mocht uitvoeren. Kosten besparen en overzicht houden lopen hier voor een groot deel over hetzelfde spoor.
Begin met de agents die dezelfde systemen raken, niet met alle agents tegelijk. Als twee of meer agents bij hetzelfde CRM of ERP-systeem komen, is dat de eerste plek waar één gedeelde koppeling meteen geld bespaart.
Ja. Dit is precies wat we al doen. Data centraal ophalen, valideren en doorgeven, zodat niet elke agent of elk systeem apart zijn eigen weg naar dezelfde bron hoeft te bouwen. Voor AI-agents is het dezelfde aanpak, toegepast op een nieuw soort aanvrager. Geen toekomstplan, we zetten dit op als project, afgestemd op jouw systemen en jouw agents.
