Een hallucinatie afschrijven

We corrigeren onze EBITDA nu voor een geavanceerde papegaai die het internet heeft gelezen.

En niet alleen die van mijn bedrijf. Wij allemaal, als sector. In elk bedrijf ter wereld is de snelst groeiende post op de begroting iets wat drie jaar geleden niet bestond, geen bureau heeft en pertinent weigert zijn eigen prijzen uit te leggen.

Jouw bedrijf probeert op dit moment een hallucinatie af te schrijven. Ergens verderop in de gang zit je financiële afdeling in een raamloze kamer te zweten boven spreadsheets, op zoek naar een manier om een vibe te activeren.

Gartner zegt dat er dit jaar $2,52 biljoen aan AI-uitgaven wereldwijd is.¹ Dat is 44% meer dan vorig jaar. Toch ziet maar 14% van de CFO’s een duidelijk, meetbaar rendement.² Vijfennegentig procent van de pilots met generatieve AI levert geen merkbare impact op de winst-en-verliesrekening.³

We geven op ongekende schaal geld uit aan iets wat we niet zinvol kunnen volgen. En het wordt zes keer erger.

Voor elke dollar aan tools zes aan het werk zelf

Sequoia publiceerde vorige week een stuk met de titel “Services: The New Software”. Het is een briljante schatkaart die precies laat zien waar de AI-goudkoorts woedt. Wat ontbreekt, is dat CFO’s in bedrijven de schoppen blind moeten betalen.

De stelling is simpel: voor elke dollar die een bedrijf aan softwaretools uitgeeft, geeft het zes dollar uit aan de diensten die die tools ondersteunen. Een QuickBooks-licentie van $10K stelt niets voor naast de accountant van $120K die de boeken echt afsluit. De echte kans voor AI is dus niet een betere QuickBooks bouwen. Het is het ding bouwen dat de boeken afsluit.

Om duidelijk te zijn: je vervangt niet zomaar Jim van Boekhouding. Je vervangt Jim door een algoritme dat een miljoen facturen per seconde verwerkt, virtuele gin drinkt, geen idee heeft wat geld eigenlijk is en stug weigert zijn werkwijze te laten zien. Het salaris van $120K van Jim is weg. Nu betaal je $400K aan API-calls aan een entiteit die je niet op een verbetertraject kunt zetten.

Sequoia noemt dit “autopilots”. Geen copilots die een professional helpen met het werk, maar autopilots die direct het resultaat leveren. De NDA opstellen. De claim afhandelen. Het IT-ticket triëren. De koper is niet meer het advocatenkantoor of de makelaar. De koper is het bedrijf dat de klus geklaard wil hebben.

Ze hebben de TAM in kaart gebracht en die is enorm. Verzekeringsmakelaardij: $140–200B. IT managed services: $100B+. Boekhouding en accountantscontrole: $50–80B. Werving: $200B+. Managementadvies: $300–400B.

Lees het zeker, het raamwerk is fenomenaal. Maar ik wil het hebben over wat ontbreekt: hoe krijg je eigenlijk een gespecificeerde bon van een vogel?

3.600 kopieerapparaten

Gisteravond ging ik op LinkedIn een beetje los over kopieerapparaten. De metafoor: bedrijven bestellen 600 kopieerapparaten zonder te weten wat ze willen printen. De AI-uitgaven exploderen en niemand koppelt ze aan omzet.

Ik dacht te klein. Sequoia’s verhouding van 6:1 verandert de rekensom.

Stel dat je 600 engineers hebt. Je geeft ze elk een AI-codeerassistent van $20 per maand. Dat is $144K per jaar. Veel geld, maar het is te volgen. Je weet wie een licentie heeft. Je weet wat ze hebben opgeleverd. Je CFO kan een rechte lijn trekken van de uitgaven naar het headcountplan.

Pas nu die 6:1 toe.

Die $144K aan toolkosten betekent $864K aan AI-diensten: de uitbestede autopilot-boekhouding, de agentic IT-support, de geautomatiseerde schadeafhandeling. Dat geld staat niet bij een headcountpost. Het komt binnen als leveranciersfacturen, API-rekeningen en adviesovereenkomsten zonder enige koppeling aan een project, een product of een financieel resultaat.

Je hebt geen 600 kopieerapparaten gekocht. Je hebt er 3.600 gekocht. En 3.000 ervan staan ergens in een weiland, vastgelopen, agressief blanco pagina’s de wind in te printen. Ze rekenen je $140 per uur voor “strategische doorvoer” en sturen facturen naar je crediteurenadministratie met als onderwerp “AI-powered transformation, NIET BEANTWOORDEN.”

79% van alle AI-uitgaven. 0% toegewezen.

De zichtbaarheidskloof

Er zijn twee trendlijnen in AI voor bedrijven die wettelijk niet in dezelfde grafiek zouden mogen staan.

De ene lijn schiet verticaal omhoog. De andere trilt nauwelijks. De ruimte ertussen, zo’n $2 biljoen, is geld dat ergens naartoe is gegaan, en niemand bij finance kan uitleggen waarheen. Het zijn de onkosten van de papegaai. De adviesuren van de blender. Het is $2 biljoen aan “kijk, de output is toch prima, kunnen we het hier volgend kwartaal over hebben?”

Op Sequoia’s kaart ontbreekt een as

Sequoia’s kansenkaart heeft twee dimensies: hoeveel van het werk “intelligentie” is (regelgebaseerd) tegenover “oordeelsvermogen” (instinct), en hoeveel er al is uitbesteed. Autopilots winnen waar de intelligentie hoog is en het werk is uitbesteed. Een wrijvingsloze leverancierswissel.

Prima raamwerk. Maar er mist een dimensie.

De derde as is hoe moeilijk de kosten toe te wijzen zijn. En die hangt precies samen met het verkeerde.

X-as: gemak van AI-automatisering. Y-as: moeilijkheid van kostentoewijzing. Hoe makkelijker iets te automatiseren is, hoe moeilijker het te verantwoorden is.

De sectoren die Sequoia aanwijst als de grootste goudmijnen voor autopilots zijn precies dezelfde sectoren waar kostentoewijzing een complete nachtmerrie is. Verzekeringsmakelaardij? De AI-rekenkosten per polis zijn onzichtbaar. IT managed services? Het tokenverbruik per ticket is niet te achterhalen zonder tooling die niet bestaat. En boekhouding, wat pijnlijk ironisch is, scoort het slechtst van allemaal, omdat meerdere AI-tools aan elke opdracht zitten en niemand bijhoudt welke papegaai het grootboek nu echt heeft afgestemd.

Sequoia bracht in kaart waar het geld heen stroomt. Deze grafiek laat zien waar het verdwijnt.

Autopilots maken het probleem erger, niet beter

Hier blijf ik steeds op terugkomen.

Bij een copilot, bijvoorbeeld Harvey dat aan een advocatenkantoor verkoopt, heb je een papieren spoor. Een licentie per gebruiker. Een professional die de tool gebruikte. Een dossiernummer. Drie kostenregels, één resultaat. Vervelend om af te stemmen, maar prima te doen.

Bij een autopilot, een AI die de afgeronde NDA rechtstreeks aan het bedrijf verkoopt, koop je het resultaat blind in. Eén factuur. Geen specificatie. Je betaalt McKinsey-tarieven voor een blender die een synoniemenwoordenboek heeft ingeslikt, en je hebt geen idee hoeveel er naar rekenkracht ging, hoeveel naar menselijke controle en hoeveel naar de blender zelf.

Standaard belandt die kost in de operationele uitgaven.

Kan je finance-team niet aantonen dat het onder R&D of geactiveerde softwareontwikkeling valt volgens IAS 38 of ASC 350-40, dan is het een directe klap op de winst-en-verliesrekening. Je marge zakt. Je mist R&D-belastingkrediet ter waarde van 6–10% van de kwalificerende uitgaven. Het geld valt dwars door de kloof tussen “we hebben een resultaat gekocht” en “we kunnen niet bewijzen wat dat resultaat kostte om te maken.”

Dezelfde uitgaven. $250K verschil in effect op de marge.

Zie het bestuursoverleg voor je. Je CFO zweet door een overhemd dat meer kostte dan de huur van de meeste mensen en probeert uit te leggen waarom de EBITDA 8% lager is ondanks een recordoutput. Het echte antwoord, “een levende PDF-lezer vond dat hij een Q3-bonus verdiende en we moeten zijn vibes wettelijk als operationele uitgaven boeken”, valt niet goed bij institutionele beleggers. Dus zegt hij: “we investeren in AI-native transformatie.” Iedereen knikt en niemand stelt een vervolgvraag, want niemand weet welke vervolgvraag je dan moet stellen.

Dit hebben we eerder gezien (zo’n beetje)

In 2014 namen bedrijven de cloud over zonder kostenbeheer. De AWS-rekeningen verdubbelden elk jaar. CFO’s kregen facturen die ze niet aan een team konden toewijzen, laat staan aan een product.

Maar de cloud was gewoon de computer van iemand anders huren. Een vergeten EC2-instance die zes maanden bleef draaien, stond daar gewoon. Hij kostte geld, maar was inert. In 2014 was het ergste scenario dat je een server een weekend liet draaien en $5.000 verspilde.

AI is niet inert. In 2026 is het ergste scenario dat je vergat een virtuele McKinsey-consultant te ontslaan die al zes maanden 40.000 nutteloze Jira-tickets hallucineert en je per token factureert. Hij staat niet stil. Hij neemt beslissingen. Je hebt een spook in dienst dat 24/7 werkt, vol vertrouwen onzin op schaal produceert en niet ontslagen kan worden omdat niemand meer weet wie hem heeft aangenomen.

In 2018 was FinOps een vak. In 2020 bracht niemand nog een cloudworkload live zonder kostentag. De sector bouwde een hele governancelaag omdat ongevolgde cloudkosten de marges kapotmaakten.

AI heeft hetzelfde nodig. Behalve dat de curve steiler is.

De cloud kreeg zijn governancemoment bij ongeveer 3,4 keer de beginuitgaven. AI is voorbij 5 keer geschoten en er is geen equivalent.

En het is fundamenteel lastiger dan de cloud, om één reden: AI-kosten zijn geen infrastructuurkosten. Het zijn personeelskosten met een andere pet op.

De autopilot die de boeken afsluit, was vroeger een mens. Een mens in je headcountplan, in je model voor activering van R&D, in je aanvraag voor belastingkrediet. Een mens die je workforce-planningsteam kon voorspellen. Een mens die, cruciaal, op een 1:1 kwam opdagen, uitlegde waar hij mee bezig was geweest en feedback aannam.

Nu is die mens je best betaalde freelancer: een wolk wiskunde die nooit slaapt, weigert een urenstaat in te vullen, af en toe de juniors gaslight en niet op een verbetertraject kan. Het werk gebeurt nog steeds. De kostenstructuur veranderde van “salaris + secundaire arbeidsvoorwaarden” naar “tokens + API-calls.” Maar niemand paste het personeelsmodel aan, want eerlijk, wat vul je in bij “functie”? Onstoffelijke kenniswerker (gevoelig voor hallucinaties)?

Hoe doe je headcountplanning als de helft van je “headcount” een API-call is? Hoe voorspel je capaciteit als degene die het werk doet per milliseconde factureert, onvoorspelbaar schaalt en soms gewoon dingen verzint?

Dit is geen financieel probleem en ook geen engineeringprobleem. Het is een Workforce Engineering-probleem. En bijna niemand lost het op.

De clou

Sequoia heeft gelijk. De dienstenmarkt is vele malen groter dan de softwaremarkt. Autopilots gaan werkbudgetten binnenhalen die zes keer zo groot zijn als de toolbudgetten waar iedereen om vecht.

Maar iemand moet de boeken uitzoeken. Niet de door AI gegenereerde boeken, maar de echte. Die waarin je je bestuur uitlegt waaraan je $864K hebt uitgegeven, aan welk project het gekoppeld was, of het als CapEx telt en hoeveel je ervan als R&D-krediet kunt terugvragen.

Want op dit moment maken we collectief miljoenen over aan een stevig eigenwijze wolk wiskunde. We kunnen zijn urenstaten niet zien. We kunnen zijn methodiek niet controleren. En als we hem vragen zijn prijzen uit te leggen, schrijft hij een heel zelfverzekerd gedicht over synergie.

De kopieerapparaten printen nog steeds. Het zijn er nu 3.600. En de papegaai heeft net weer een factuur gestuurd.

Will Hackett is CTO en medeoprichter van Flowstate, een Workforce Engineering-platform voor moderne engineeringteams.

Gartner, “Worldwide AI Spending Will Total $2.5 Trillion in 2026,” January 2026. ↩
RGP, “The AI Foundational Divide: From Ambition to Readiness,” December 2025. Survey of 200 US CFOs across technology, healthcare, financial services and retail/CPG ($500M–$10B+ revenue). ↩
MIT 2025 AI Report, as cited in Stanford HAI research. ↩