Er is een reflex in de techwereld die zegt: meer is beter. Meer functies, meer integraties, meer kant-en-klare bouwstenen. Bij gewone software valt dat vaak nog mee, ongebruikte knoppen kosten je hooguit wat overzicht. Maar bij Ai-agents werkt die reflex actief tegen je, en het kost je bij elke opdracht geld. Ik kwam daar achter door twee opzetten eerlijk naast elkaar te leggen, en het verschil was groot genoeg om me van gedachten te doen veranderen.

De belofte: één commando, en je hebt alles#

Ik was aan het uitzoeken hoe ik mijn Ai-agents beter kon structureren. Een populair open-source framework beloofde precies wat je wilt horen: één installatiecommando, en je krijgt er een compleet arsenaal bij. In dit geval 98 kant-en-klare agents, een stel automatische koppelingen, en 272 gereedschappen die de Ai kan gebruiken. Alles wat je maar zou kunnen willen, meteen beschikbaar.

Dat klinkt als een geweldige deal. Waarom zou je zelf iets bouwen als iemand anders al 272 dingen voor je heeft klaargezet? Ik was bijna om. Maar ik wilde eerst meten of het ook echt beter werkte, in plaats van het aan te nemen. Dus deed ik een simpele test.

De test: dezelfde taak, twee opzetten#

Ik nam één en dezelfde taak en liet die twee keer uitvoeren. Eén keer met het volledige framework erachter, met al die 98 agents en 272 tools geladen. En één keer met een kale opzet, alleen het hoognodige. Het resultaat, de kwaliteit van het werk dat eruit kwam, was in beide gevallen gelijk. Even goed, geen merkbaar verschil in de uitkomst.

Alleen: de volledige opzet verbruikte 48% meer tokens om tot datzelfde resultaat te komen. Bijna de helft meer. En tokens zijn precies waar je Ai-rekening op gebaseerd is: hoe meer tekst er door het model heen moet, hoe hoger de kosten. Ik betaalde dus bijna anderhalf keer zoveel voor exact hetzelfde werk. Niet voor betere output. Voor identieke output.

Waarom “beschikbaar” al geld kost#

Hier zit de kern, en het is contra-intuïtief, dus ik leg het rustig uit. Je zou denken: die 272 tools kosten toch alleen iets als de Ai ze gebruikt? Als hij er maar drie inzet, betaal ik toch niet voor de andere 269?

Zo werkt het helaas niet. Om te kúnnen kiezen welk gereedschap hij pakt, moet het Ai-model bij elke beurt een beschrijving van álle beschikbare gereedschappen meekrijgen. Het moet weten wat er in de la ligt voordat het iets kan pakken. En elke zo’n beschrijving kost ongeveer 100 tokens aan tekst die telkens opnieuw wordt meegestuurd.

Reken even mee. 272 gereedschappen, elk zo’n 100 tokens aan beschrijving, dat is grofweg 27.000 tokens aan overhead. Bij iedere keer dat het model opnieuw moet nadenken. Dat is de la vol gereedschap die je telkens moet uitstallen, ook al gebruik je er maar een paar uit. Je betaalt voor het uitstallen, niet voor het gebruiken. En bij 272 stuks stapelt dat uitstallen zich op tot bijna de helft extra op je rekening.

Dat is precies wat de 48% verklaart. Het was niet dat de agents inefficiënt werkten. Het was de pure aanwezigheid van al die ongebruikte mogelijkheden die de context opblies.

Cherry-pick: neem alleen wat je nodig hebt#

Wat ik uiteindelijk deed, was het framework niet in zijn geheel installeren. In plaats daarvan heb ik er de paar onderdelen uitgehaald die ik echt kon gebruiken, en de rest laten liggen. Cherry-picken, letterlijk de krenten uit de pap.

En hier zit nog een tweede inzicht dat me hielp. Het waardevolste aan zo’n framework bleek niet de gereedschapskist, maar de manier van werken die erin zat: een gestructureerde aanpak die een klus in vaste fasen opknipt, met een moment van bezinning tussen elke fase. Dat werkende idee kon ik overnemen zonder ook maar één van die 272 tools te installeren. De discipline zat in de aanpak, niet in de toolchain. De winst zat in de denkstappen, en die kosten geen tokens.

Met andere woorden: ik kreeg het beste deel gratis, en liet het dure deel staan. De kale opzet, aangevuld met die werkwijze, leverde dezelfde kwaliteit tegen bijna de helft minder kosten.

Wat betekent dit voor jouw bedrijf?#

De meeste MKB’ers bouwen niet zelf Ai-agents, en toch is deze les direct bruikbaar, want hetzelfde patroon duikt overal op zodra je Ai-tools gaat combineren.

Wees wantrouwig tegenover “alles-in-één” Ai-oplossingen die pochen met honderden functies, integraties of mogelijkheden. Bij Ai is een lange functielijst geen pluspunt maar een kostenpost, ook als je het grootste deel nooit aanraakt. Vraag een leverancier niet hoevéél een tool kan, maar wat het voor jóuw specifieke proces kost aan verbruik.

Kies bewust wat je aanzet. Als een Ai-assistent koppelingen heeft met tien systemen die je niet gebruikt, zet ze dan uit als dat kan. Elke actieve koppeling die de Ai moet “kennen” telt mee in de kosten van elke vraag.

En kijk verder dan de gereedschapskist. Vaak zit de echte waarde van een aanpak niet in de tools, maar in de manier van werken eromheen: het opknippen in stappen, het controleren tussendoor, het vastleggen van beslissingen. Dat kun je overnemen zonder de dure infrastructuur mee te kopen.

De reflex “meer is beter” kost je bij Ai concreet geld. De kunst is niet om zoveel mogelijk te kunnen, maar om precies genoeg te kunnen. Dat is bijna altijd goedkoper, en vaak ook nog eens overzichtelijker.

Wil je weten waar in jouw Ai-gebruik onnodige overhead zit, en hoe je hetzelfde resultaat voor minder haalt? Kijk op de consulting-pagina hoe ik werk. En om zelf grip te krijgen op wat je Ai-gebruik kost, download je de gratis Ai-kostenwijzer voor het mkb.