Atlassian schrapte eerder dit jaar 1.600 banen om meer AI-investeringen te kunnen doen. Ook op dat gebied blijkt een budgetlimiet nodig, met individuele “AI-wallets” als persoonlijke token-budgetten voor medewerkers. Is het een sterk alternatief voor tokenmaxxing, ofwel het onbegrensd gebruik van AI, en wat zijn de risico’s?
Tokenmaxxing is al een tijdje ‘uit de mode’; fikse AI-kosten zijn zeker het afgelopen halfjaar zichtbaar geworden op de financiële overzichten. Het alternatief is een begrenzing van het ‘verbranden van tokens’ zoals het vaak wordt genoemd. Atlassian kiest voor uiteenlopende budgetten afhankelijk van de medewerker. Hooggeplaatsten aan de R&D-kant van het bedrijf kunnen bijvoorbeeld 2.000 dollar per maand inzetten voor AI, tegenover 500 dollar voor lagere functies. Atlassian ziet de oplossing als een “significant budget” voor het gebruik van meerdere AI-tools.
Wie krijgt meer AI?
Het klinkt logisch: geef de meest waardevolle medewerkers een groter AI-budget, want zij zullen hun productiviteit en inventiviteit kunnen versterken op een manier die hogere kosten rendabel maakt. De vraag is of een omgekeerde opzet niet net zo zinnig is. Geef instaprollen een riant budget voor experimentatie en vraag van het hooggeplaatste personeel meer efficiëntie omtrent hun AI-gebruik.
Overigens geldt voor alle medewerkers een interessante uitdaging. Normaliter kiest personeel ervoor om praktisch altijd te kiezen voor het sterkste AI-model dat beschikbaar is. Met een AI-wallet op zak is er voor het eerst een duidelijke, zij het indirecte prikkel om voor goedkopere opties te gaan. Wat als je 50 taken kunt afronden met het goedkopere GPT-5.6 Terra voor dezelfde prijs als 20 taken met GPT-5.6 Sol? Wanneer is een taak complex genoeg om het gebruik van Claude Fable 5 te legitimeren tegenover Opus of Sonnet? Dit zijn open vragen en het antwoord verschilt per rol.
Een AI-wallet biedt een legitieme begrenzing die dergelijke afwegingen aanmoedigt en succesvolle experimenten beloont. De volgende stap is vervolgens kalibratie: wat zijn best practices voor de inzet van duurdere LLM’s, of welke medewerkers blinken uit in efficiëntie op het gebied van tokens? Wie nog sterker dan voorheen presteert maar zijn of haar AI-wallet niet leegmaakt, zal wellicht veel expertise hebben opgebouwd tegenover collega’s die alle tokens verbruiken zonder een significante prestatiewinst.
De hamvraag: loont AI überhaupt?
De bevindingen rondom de ROI van AI zijn op zijn zachtst gezegd grillig. Daar waar vorig jaar 95 procent van ondervraagde bedrijven volgens MIT nog geen betekenisvol rendement had behaald, zouden 88 procent van Deloitte-geënquêteerden zelfverzekerd zijn over het meten van dit rendement. De proef op de som zou weleens een AI-wallet kunnen zijn.
Denk aan het testen van verschillende teams over enkele weken waarbij de gebruikte LLM’s per week steeds een stukje goedkoper moeten zijn. Of laat medewerkers testen met een tijdelijk verdubbeld budget: is de efficiëntiewinst, indien al meetbaar, betekenisvol anders geworden? Het lastigste aan deze testscenario’s is dat de beste LLM’s voortdurend veranderen en de use cases ook door de tijd heen variëren. Programmeurs konden al in de begindagen van GitHub Copilot vijf jaar geleden profiteren van sterkere code completion, terwijl een designteam mogelijk pas na enkele nieuwe versies van ChatGPT, Gemini of Claude de potentiële voordelen zag.
Desondanks is de stap van Atlassian op zijn minst een zinnig geformuleerde proefballon. Andere bedrijven zullen vergelijkbare plannen hebben gehad, maar deden dat nog niet met de algemeen erkende torenhoge tokenkosten die het laatste halfjaar zo stevig zijn gestegen. Redenerende modellen met tool-calls en sub-agents vreten tokens zoals nooit tevoren, met inventieve ideëen voor het bezweren van de kosten tot gevolg.
Lees ook: Het probleem met AI model routing