AI in een finance-team kost grofweg 30 tot 90 dollar per gebruiker per maand aan licenties, plus verbruikskosten die voor typisch finance-werk in de tientallen euro's per maand blijven, plus een implementatielast die de eerste drie maanden het grootste kostenpost is. De besparing meet je niet in bespaarde uren maar in doorlooptijd, foutpercentage en werk dat je niet meer inhuurt.
Tarieven bijgewerkt op 10 september 2026. Prijzen van AI-leveranciers wijzigen elk kwartaal en veel tarieven zijn introductietarieven met een einddatum. Controleer altijd bij de leverancier voordat je een businesscase indient.
Elke CFO stelt uiteindelijk dezelfde twee vragen. Wat kost dit per maand, en hoe weet ik straks of het iets heeft opgeleverd. De eerste vraag is met een rekensom te beantwoorden. De tweede is lastiger, en daar loopt het bij de meeste organisaties spaak: MIT onderzocht driehonderd publieke AI-implementaties en concludeerde dat 95 procent van de pilots geen meetbaar effect op de winst-en-verliesrekening liet zien. Uit de PwC CEO Survey van januari 2026 kwam een vergelijkbaar beeld: 56 procent van de CEO's zag over het afgelopen jaar geen meetbare ROI.
Dat is geen argument om niet te beginnen. Het is een argument om vooraf te bepalen wat je gaat meten.
De drie kostenlagen
Een AI-begroting die alleen naar licenties kijkt, klopt niet. Er zijn drie lagen, en de derde is de grootste.
Laag 1: licenties per gebruiker
Dit is het bedrag dat op de offerte staat. Peildatum september 2026, in dollars omdat de leveranciers zo factureren:
| Product | Prijs per gebruiker per maand | Opmerking |
|---|---|---|
| Microsoft 365 Copilot | $30 | add-on bovenop een bestaande M365-licentie |
| Microsoft 365 Copilot Business | $18 tot $21 | tot 300 gebruikers, actietarief loopt tot eind 2026 |
| ChatGPT Enterprise | circa $60 | seat-prijs, doorgaans met een minimum aantal seats |
| Claude of ChatGPT team-tier | $25 tot $30 | per gebruiker, geen Office-integratie |
Let op de valstrik bij Copilot: de $30 is een add-on. Je onderliggende Microsoft-licentie komt er nog bij, en die ging per 1 juli 2026 omhoog (E3 van $36 naar $39, E5 van $57 naar $60). De all-in kosten per gebruiker liggen daarmee eerder tussen $50 en $90 dan op $30.
Laag 2: verbruik per token
Zodra je iets bouwt in plaats van koopt, betaal je per verwerkte tekst in plaats van per persoon. Dat rekent anders en is voor finance-werk vaak verrassend goedkoop. De actuele tarieven per miljoen tokens staan in de modelvergelijking; de bandbreedte loopt van ongeveer één dollar voor een licht model tot vijf dollar voor een zwaar model aan invoerkosten.
Reken het om naar iets herkenbaars. Een miljoen tokens is ruwweg 750.000 woorden, oftewel een stapel van 1.500 pagina's. Concrete finance-voorbeelden:
- Bulkclassificatie van bankmutaties. Een mutatie plus context is ongeveer 200 tokens in en 50 uit. Bij 2.000 mutaties per maand op een licht model kom je op ongeveer 40 cent per maand. Dit is geen typefout.
- Variance-toelichting bij de maandafsluiting. Een rapportage-extract van 20 pagina's in, twee pagina's toelichting uit, twaalf keer per jaar, op een werkpaard-model: enkele euro's per jaar.
- Een contractenportefeuille van 500 pagina's laten lezen. Ongeveer 350.000 tokens in één request op een zwaar model, dus onder de twee dollar per doorloop.
Twee dingen halveren die kosten nog eens en worden vaak vergeten. Cache-hits worden bij Anthropic afgerekend tegen tien procent van het invoertarief, wat scheelt zodra je dezelfde kennisbank telkens meestuurt. En de batch-API halveert beide tarieven voor werk dat niet meteen terug hoeft, zoals nachtelijke classificatie.
De conclusie voor de meeste MKB-finance-teams: verbruikskosten zijn niet je probleem. Licenties en implementatie wel.
Laag 3: wat het je eigen mensen kost
Dit is de laag die businesscases breekt, en hij staat zelden in de begroting.
- Inrichting. Kennisbank opbouwen, instructies schrijven, koppelingen leggen, rechten inregelen. Reken op 40 tot 80 uur voor een serieuze eerste use-case
- Governance. Beleid opstellen, tiers vaststellen, verwerkersovereenkomsten regelen, de AI-inventarisatie bijhouden. Eenmalig 20 tot 40 uur, daarna onderhoud
- Leercurve. Een team dat AI serieus gebruikt, verliest de eerste maand tijd voordat het tijd wint. Reken op twee tot vier uur per persoon aan echte oefening, niet aan een webinar
- Controle. AI-output op cijfers moet gecontroleerd worden. Die controletijd verdwijnt niet en hoort in je rekensom
Bij een finance-team van zes personen loopt die eerste laag al snel op tot 100 tot 150 uur in het eerste kwartaal. Tegen een intern uurtarief van 60 euro is dat 6.000 tot 9.000 euro, tegenover ongeveer 2.500 euro aan licenties over datzelfde kwartaal.
Rekenvoorbeeld: finance-team van zes
Een MKB-finance-team: een finance-manager, twee controllers, twee AP/AR-medewerkers, een parttime analist. Microsoft-huis, Exact als boekhouding.
Jaar 1
| Post | Bedrag |
|---|---|
| Copilot Business, 6 gebruikers, 12 maanden | circa $1.500 |
| Twee zware seats (controller-werk) | circa $1.400 |
| API-verbruik voor twee geautomatiseerde routines | circa $150 |
| Inrichting en governance, 130 uur intern | circa €7.800 |
| Training en oefentijd, 20 uur intern | circa €1.200 |
| Totaal jaar 1 | circa €12.000 |
Jaar 2 en verder
| Post | Bedrag |
|---|---|
| Licenties en verbruik | circa €3.000 |
| Onderhoud kennisbank en governance, 30 uur | circa €1.800 |
| Totaal per jaar | circa €4.800 |
Dat is de kostenkant. De hele vraag is of de opbrengstkant daar overheen komt, en dat is precies wat de meeste organisaties niet meten.
Waarom 95 procent geen meetbare opbrengst laat zien
Uit het MIT-onderzoek komt een oorzaak die voor finance juist gunstig is. Meer dan de helft van de bedrijfsbudgetten voor AI gaat naar zichtbare toepassingen in sales en marketing, terwijl back-office-automatisering, de categorie met de aantoonbaar sterkste ROI, chronisch ondergefinancierd blijft. Finance zit in de categorie waar het rendement zit, en krijgt er het minste geld voor.
De tweede oorzaak is meettechnisch. Wat er meestal gebeurt: een team gaat AI gebruiken, iedereen vindt het prettig, en na een half jaar vraagt de directie wat het heeft opgeleverd. Dan blijkt dat niemand heeft vastgelegd hoe lang het werk vóór AI duurde. Zonder nulmeting bestaat je besparing alleen als gevoel, en een gevoel overleeft geen budgetgesprek.
Het meetkader: vier niveaus
Meet op vier niveaus, van makkelijk naar waardevol. De eerste twee zijn eenvoudig en zeggen weinig. De laatste twee zijn lastiger en zijn de enige die tellen.
Niveau 1: activiteit. Hoeveel mensen gebruiken het, hoe vaak, waarvoor. Makkelijk uit de licentiestatistieken te halen. Zegt niets over waarde, maar wel of iets überhaupt gebruikt wordt. Als dit nul is, hoef je niet verder te meten.
Niveau 2: tijd per taak. Hoe lang duurde deze taak eerst, hoe lang nu. Dit is het niveau waar de meeste rapportages stoppen, en het is verraderlijk. Bespaarde uren zijn pas geld als die uren aan iets anders besteed worden of niet meer ingekocht hoeven te worden. Anders is het comfort, geen besparing.
Niveau 3: doorlooptijd en kwaliteit. Dit is waar het interessant wordt, omdat het meetbaar is zonder timesheets.
- Werkdagen tot de close klaar is
- Werkdagen tot de rapportage bij het MT ligt
- Aantal correcties na oplevering
- Aantal vragen van de accountant op dezelfde post
- DSO, als je AI op debiteurenbeheer inzet
Benchmarks uit FP&A-onderzoek geven een orde van grootte: forecast-cyclustijd ongeveer 30 procent korter, productietijd van rapportages ongeveer 40 procent, doorlooptijd van scenario-analyses tot 70 procent. Gebruik die niet als belofte maar als toets: haal je in de buurt, of zit je er ver vandaan.
Niveau 4: geld. De enige vraag die de directie stelt. Drie vormen waarin AI in finance echt geld raakt:
- Werk dat je niet inhuurt. De interim-controller die je bij de jaarafsluiting niet nodig hebt, de uitzendkracht bij de piek. Dit is het hardste getal dat je hebt
- Vrijgemaakte cash. Sneller factureren en gerichter opvolgen verkort je DSO. Eén dag DSO is bij 10 miljoen omzet ruim 27.000 euro
- Voorkomen fouten. Een niet-gemiste BTW-correctie, een tijdig gesignaleerde afwijking. Lastig hard te maken, maar noteer ze als ze zich voordoen
Het meetprotocol: twaalf weken
Zo maak je het uitvoerbaar zonder een meetbureaucratie op te tuigen.
Week 0: nulmeting. Voordat er iets verandert, leg je vast: hoeveel werkdagen kost de close nu, hoeveel dagen tot de rapportage, wat is de DSO, hoeveel correcties waren er de afgelopen drie maanden. Vraag daarnaast aan elk teamlid welke drie taken de meeste tijd kosten en laat ze die tijd één maand grofweg bijhouden. Grof is genoeg, dit hoeft niet op de minuut.
Week 1 tot 4: één use-case. Niet vijf tegelijk. Eén afgebakende taak, met een eigenaar, waarvan je de nulmeting hebt.
Week 5 tot 8: meten en bijstellen. Dezelfde getallen opnieuw. Wat werkt niet, en ligt dat aan het model, de instructies of het proces? Meestal aan het laatste.
Week 9 tot 12: vaststellen en uitbreiden. Zet de uitkomst naast de nulmeting. Is het effect zichtbaar op niveau 3, dan breid je uit. Is het alleen zichtbaar op niveau 1 en 2, dan heb je een prettige tool en geen businesscase, en is dat ook goed om te weten.
Leg de uitkomst vast in dezelfde vorm als je nulmeting, op één pagina. Dat is het document waarmee je volgend jaar budget krijgt.
Wat je niet moet meten
- Tevredenheid als hoofdmaat. Iedereen vindt AI prettig. Dat correleert niet met waarde
- Aantal prompts of gesprekken. Meet activiteit, geen resultaat
- Bespaarde uren zonder bestemming. Zolang je niet kunt zeggen waar die uren naartoe zijn gegaan, is het geen besparing
- Alles tegelijk. Vier of vijf getallen die je consequent bijhoudt verslaan een dashboard met dertig indicatoren dat na twee maanden verstoft
De vuistregel
Voor een MKB-finance-team van vijf tot tien mensen ligt het omslagpunt laag. Als AI in het eerste jaar één maand interim-inzet uitspaart, of de DSO met vier dagen verkort, dan is de businesscase rond. Dat is een lage lat, en precies daarom is de vraag niet of het uit kan, maar of je het gaat meten.