AI-codeertools kunnen in 2028 meer kosten dan ontwikkelaars verdienen

AI-codeerassistenten werden gepresenteerd als een productiviteitsrevolutie. Voor veel ondernemingen blijkt eerst echter een ander probleem zichtbaar te worden: een rekening die sneller groeit dan de efficiëntiewinst.

Gartner voorspelt dat de kosten van AI-codeertools per ontwikkelaar in 2028 hoger kunnen zijn dan het salaris van de gemiddelde softwareontwikkelaar . Die waarschuwing verscheen op 24 juni 2026 in Gartners onderzoek How to Optimize Token Consumption for AI Coding . Het gaat om een prognose op basis van bepaalde aannames, niet om een zekerheid . Maar signalen uit de markt laten zien waarom bedrijven zich nu al zorgen maken.

Waarom AI-codering zo duur kan worden

Volgens Gartner komen twee ontwikkelingen samen .

• Het tokengebruik stijgt sterk. Tokens zijn de kleine tekst- en data-eenheden waarmee grote taalmodellen werken en waarop veel AI-diensten hun prijs baseren. Naarmate ontwikkelaars AI-agents intensiever en zelfstandiger inzetten, loopt het aantal verwerkte tokens snel op. Dat kan de daling van de prijs per token ruimschoots tenietdoen.
• Vaste abonnementen maken plaats voor betalen naar gebruik. Leveranciers zoals Anthropic, Cursor en GitHub Copilot bewegen steeds meer richting verbruikte of per token afgerekende diensten. Daardoor is de rekening niet langer grotendeels vast, maar groeit die mee met het gebruik .

Nitish Tyagi, senior principal analyst bij Gartner, vertelde aan The Register dat AI-rekeningen kunnen oplopen van $20 of $100 per ontwikkelaar per maand naar $2.000 of zelfs $5.000 . Tyagi waarschuwde bovendien dat de kosten waarschijnlijk blijven stijgen doordat investeringen in infrastructuur en problemen rond winstgevendheid de modelprijzen onder druk zetten .

Uber verbruikte het jaarbudget in vier maanden

Uber is een van de duidelijkste voorbeelden van wat er kan gebeuren wanneer brede toegang tot AI-codeeragents wordt gecombineerd met verbruikstarieven. Het bedrijf had zijn volledige AI-codeerbudget voor 2026 al in april opgebruikt .

Daarop stelde Uber een limiet in van $1.500 per maand per medewerker en per AI-codeertool. De maatregel geldt voor agentische programmeerplatforms zoals Claude Code van Anthropic en Cursor . Het budget voor de ene tool staat daarbij los van dat voor een andere tool .

De adoptie was ondertussen snel gestegen: in maart 2026 gebruikte 84% van de Uber-ingenieurs Claude Code, tegenover 32% eind 2025 . Voor de limieten werden maandelijkse kosten van $500 tot $2.000 per ingenieur gemeld . De operationeel directeur van Uber zei volgens berichtgeving: “The link between AI spend and customer value is not there yet” — de koppeling tussen AI-uitgaven en klantwaarde is er volgens hem nog niet .

Ook andere bedrijven lopen tegen de rekening aan

Uber staat niet alleen. Microsoft trok de toegang tot Claude Code voor ontwikkelaars enkele maanden na de introductie weer in, mede vanwege zorgen over de kosten. Priceline kreeg naar verluidt te maken met vijfvoudige prijsstijgingen voor AI-codeertools .

Gartner voorspelt daarnaast dat in 2027 40% van de ondernemingen die AI-codeertools met verbruiksprijzen gebruiken, te maken krijgt met ongeplande kosten die meer dan twee keer zo hoog zijn als begroot .

Een opvallend voorbeeld komt uit de consultancysector. Volgens berichtgeving op basis van uitgelekte audio waren bij Accenture niet de ontwikkelaars, maar juist niet-technische medewerkers verantwoordelijk voor het hoogste tokengebruik. Zij gebruikten AI bijvoorbeeld om pdf-bestanden om te zetten in presentaties . Accenture wil daarom “Token IQ” lanceren, een product waarmee leidinggevenden beter moeten kunnen beoordelen of AI-uitgaven voldoende rendement opleveren .

KPMG: bedrijven weten vaak niet wat AI werkelijk kost

Zelfs wanneer ondernemingen bereid zijn de uitgaven te beheersen, ontbreekt vaak de benodigde informatie. De Global AI Pulse-enquête van KPMG over het tweede kwartaal van 2026 ondervroeg meer dan 2.100 senior leiders in twintig landen . Slechts 26% van de organisaties zei realtime volledig zicht te hebben op de kosten van AI-gebruik .

• 50% heeft slechts gedeeltelijk inzicht.
• 22% heeft weinig of geen inzicht en ziet de kosten pas wanneer de factuur binnenkomt .

Steve Chase, KPMG’s wereldwijde hoofd AI, omschreef dit als een belangrijk risico op financiële ondoorzichtigheid. Sommige klanten zouden hun jaarlijkse token- en cloudbudget al binnen enkele maanden hebben opgebruikt; bij één klant verzesvoudigde het tokengebruik . Door facturering op basis van gebruik zijn traditionele IT- en financiële controles minder geschikt om de uitgaven voorspelbaar te houden .

Wat Gartner adviseert

Gartner pleit niet voor een volledige terugtrekking uit AI, maar voor een strakker operationeel model. De belangrijkste aanbevelingen zijn :

• Maak gebruiksregels per toepassing. Bepaal wanneer een AI-agent wel en niet mag worden ingezet en hoeveel zelfstandigheid passend is. Gartner onderscheidt daarbij drie modellen: werk onder leiding van de ontwikkelaar, ontwikkelaar met een agent en volledig agentgestuurd werk .
• Kies een model dat past bij de taak. Routinetaken zoals tests schrijven, refactoring, het opzetten van basisstructuren en documentatie kunnen vaak door kleinere en goedkopere gespecialiseerde modellen worden uitgevoerd. De duurste frontiermodellen zijn vooral bedoeld voor complexere taken .
• Verbeter de context. Met zogenoemde context engineering geven ontwikkelaars AI-systemen gerichtere en relevantere informatie. Zo worden minder tokens verspild aan dubbele of irrelevante context .
• Gebruik caching, batching en monitoring. Het tijdelijk hergebruiken van dezelfde context, het bundelen van verzoeken en realtime monitoring kunnen onnodige berekeningen en verbruik beperken .
• Meet de volwassenheid van AI-codering. Engineeringteams moeten eerst hun huidige gebruikspatronen en processen in kaart brengen voordat ze meer autonome agents inzetten .
• Bouw een FinOps-achtige bestuurslaag. Denk aan realtime verbruiksrapportages, budgetten per gebruiker en automatische waarschuwingen bij afwijkend of excessief gebruik .

De productiviteitswinst is bovendien niet voor elke taak hetzelfde. Bij afgebakende opdrachten — zoals tests, refactoring, scaffolding, documentatie en eenvoudige bugfixes — kan de doorvoer volgens Gartner duidelijk meervoudig verbeteren. Bij architectuurbeslissingen, nieuwe vormen van debugging en redeneren over meerdere systemen is de winst veel beperkter . Bedrijven doen er daarom goed aan AI vooral in te zetten waar de verhouding tussen opbrengst en kosten aantoonbaar gunstig is.

De belangrijkste les voor bedrijven

De periode van onbeperkt experimenteren met AI-codeertools loopt ten einde. De technologie kan echte productiviteitswinst opleveren, maar zonder duidelijke regels kunnen de kosten sneller oplopen dan de besparingen .

De aanpak van Gartner betekent dus niet dat bedrijven AI moeten afschrijven. Wel moeten ze AI behandelen als een volwaardige kostenpost: met realtime inzicht, passende modellen, duidelijke gebruiksgrenzen en een directe koppeling tussen verbruik en bedrijfswaarde.