AI-coding kan straks misschien duurder worden dan een ontwikkelaar

Van productiviteitsrevolutie naar kostenval: AI-coding kan voor bedrijven straks duurder uitvallen dan het salaris van een ontwikkelaar, voorspellen marktonderzoekers.

Volgens marktonderzoeksbureau Gartner zullen het toenemende tokenverbruik en de overstap naar verbruiksgebaseerde prijsmodellen het programmeren met generatieve AI steeds duurder maken. In 2028 zouden de kosten volgens Gartner zelfs hoger kunnen uitvallen dan het wereldwijde gemiddelde salaris van een softwareontwikkelaar. Die prognose is gebaseerd op een wereldwijd gemiddelde ontwikkelaarsbeloning van ongeveer 2.000 dollar per maand.

“Bedrijven gaan snel van de testfase naar grootschalige inzet van AI-codeeragenten, maar velen onderschatten de financiële gevolgen van het stijgende tokenverbruik”, aldus Gartner-analist Nitish Tyagi. Volgens hem zal zuiniger omgaan met tokens niet vanzelf voortkomen uit de keuzes van ontwikkelaars. Die geven doorgaans de voorkeur aan gebruiksgemak en snelheid boven kostenefficiëntie. Zonder een goed georganiseerd operationeel model voor softwareontwikkeling kunnen de kosten sneller oplopen dan de productiviteitswinst die AI-tools moeten opleveren.

Tegenover The Register nuanceerde Tyagi dat de kosten uiteraard niet overal ter wereld boven het salaris van een ontwikkelaar zullen uitkomen. In de Verenigde Staten liggen de lonen bijvoorbeeld aanzienlijk hoger dan in India. Wel zijn de tokenkosten per ontwikkelaar in India inmiddels al hoger dan de salarissen. Waar de kosten voorheen tussen de 20 en 100 dollar per ontwikkelaar lagen, gaat het nu om bedragen van 2.000 tot 5.000 dollar, en in sommige gevallen zelfs om 20.000 dollar.

“Leidinggevenden in softwareontwikkeling maken zich steeds meer zorgen, omdat tokengebaseerde AI-uitgaven steeds moeilijker te rechtvaardigen zijn en budgetten vaak sneller uitgeput raken dan verwacht”, zegt Tyagi. Zo zorgde Uber-CTO Praveen Neppalli Naga in april voor ophef door te verklaren dat het jaarlijkse tokenbudget van het bedrijf al volledig was verbruikt. In mei voegde Uber-president Andrew Macdonald daar in een podcast aan toe dat de voordelen van AI-inzet voor het bedrijf nog onduidelijk zijn. Er was volgens hem geen duidelijke toename zichtbaar van nuttige functies voor consumenten. Een vergelijkbaar beeld is te zien in Duitsland, waar volgens een enquête van Bitkom ongeveer een derde van de ondervraagde bedrijven verrast werd door de kosten van hun AI-toepassingen.

Volgens Gartner ontbreekt het leveranciers bovendien aan transparantie over de manier waarop tokenverbruik wordt berekend en gefactureerd. Ook beschikken AI-codeeragenten nog niet over geïntegreerde functies voor kostenoptimalisatie. Daardoor wordt het voor bedrijven lastiger om de kosten nauwkeurig te voorspellen en te beheersen.

Daarnaast wijst Gartner op gebrekkige sturing van het AI-gebruik binnen organisaties als belangrijke oorzaak van oplopende uitgaven. Veelvoorkomende problemen zijn onder meer ongecontroleerde autonomie van agentgestuurde workflows en overvolle contextvensters. Tyagi verwacht dat de prijsstijging voorlopig zal aanhouden: “De kosten van AI-coding zullen verder toenemen, omdat investeringen in infrastructuur en uitdagingen rond winstgevendheid de prijzen van AI-modellen verder opdrijven.”

Om de kosten beheersbaar te houden adviseren de Gartner-analisten onder meer om limieten voor tokenverbruik in te stellen en geautomatiseerde monitoring toe te passen. Daarnaast zouden AI-taken zo veel mogelijk moeten worden opgesplitst, zodat ook kleinere modellen ze kunnen uitvoeren. De krachtigste modellen zouden alleen moeten worden ingezet voor complexe taken met een hoge toegevoegde waarde. Verder is het volgens Gartner verstandig ontwikkelaars te trainen in het schrijven van efficiënte prompts, waarbij alleen relevante informatie wordt opgenomen en de context waar mogelijk wordt samengevat.

Volgens Gartner dreigt AI-coding zonder strak kostenbeheer zijn economische voordeel deels te verliezen. Organisaties zullen daarom niet alleen hun AI-gebruik, maar ook hun ontwikkelprocessen en modelkeuze kritisch moeten afstemmen om de verwachte productiviteitswinst daadwerkelijk te realiseren.