ChatGPT Work, credits en tokengebruik uitleg: waarom AI-kosten lastiger te beheren worden

Met ChatGPT Work en GPT-5.6 verschuift AI-gebruik verder richting betalen op basis van credits en tokengebruik. Dat maakt krachtige AI-taken mogelijk, maar het maakt kosten ook minder voorspelbaar. Voor bedrijven wordt daarom niet alleen de vraag welk model het beste is, maar vooral: wie gebruikt welk model, voor welke taak en met welke afspraken?

OpenAI introduceert bij GPT-5.6 drie hoofdmodellen: Sol, Terra en Luna. Sol is bedoeld voor complex werk, Terra voor dagelijks werk met balans tussen kwaliteit en kosten, en Luna voor sneller en goedkoper gebruik. Daaronder spelen keuzes mee zoals reasoning, snelheid, context, bestanden, toolgebruik en koppelingen.

Onze eerste indruk van ChatGPT Work is dubbel. Wij gaan hier zelf veel gebruik van maken. Voor ons type werk is het logisch: onderzoek doen, documenten maken, context verzamelen, workflows voorbereiden en taken uitwerken. Maar of klanten dit op dezelfde manier moeten gebruiken, is een andere vraag.

Zeker als medewerkers niet goed weten welke stand, welk model of welke werkwijze past bij hun taak, kan het verbruik snel oplopen.

Wat is er precies veranderd?

ChatGPT Work en Codex delen volgens OpenAI dezelfde usage-, pricing- en creditstructuur. In de praktijk betekent dit dat gebruik niet alleen draait om “hoe vaak iemand iets vraagt”, maar om hoeveel tokens een taak verbruikt.

Tokens zijn kleine stukjes informatie die het model leest en schrijft. Niet alleen je prompt telt mee. Ook bestanden, eerdere context, toolresultaten, MCP-koppelingen, tussenstappen en het uiteindelijke antwoord kunnen meetellen.

Credits maken dat tokengebruik makkelijker te administreren, maar niet per se makkelijker te begrijpen. De creditkosten hangen af van onder andere:

• het gekozen model
• de hoeveelheid input
• de hoeveelheid output
• cached input
• de context die wordt meegestuurd
• de reasoning-instelling
• de snelheid of fast mode
• tools en koppelingen
• achtergrondtaken en automatiseringen

Dat is belangrijk. Want voor een medewerker voelt het soms als één vraag. Voor het systeem kan het een taak zijn met veel context, meerdere tussenstappen, toolcalls en output.

Dan is “ik heb maar één prompt gestuurd” geen goede indicatie meer van het werkelijke verbruik.

We gaan een beetje terug naar de oude modelselector

Een paar jaar geleden had je in ChatGPT een modelselector met allerlei opties. Veel gebruikers wisten niet goed wat ze moesten kiezen. GPT-4, GPT-4 Turbo, mini-modellen, legacy-modellen, tijdelijke varianten: het voelde soms alsof je eerst AI-beheerder moest zijn voordat je gewoon aan je werk kon beginnen.

Daarna werd het simpeler. ChatGPT koos vaker automatisch. De gebruiker hoefde minder na te denken over het model.

Nu zien we weer een nieuwe vorm van keuzedruk ontstaan.

Het zijn misschien geen acht losse modellen meer, maar er zijn wel drie hoofdmodellen met onderliggende keuzes in snelheid, inspanning en taaktype. En die keuzes hebben invloed op de kosten.

Dat is voor gevorderde gebruikers handig. Voor normale teams is het een risico.

Want de meeste medewerkers denken niet in tokens, context windows, outputkosten of reasoning effort. Zij denken: ik wil deze mail samenvatten, dit document laten maken, deze dataset begrijpen of deze klantvraag uitwerken.

Daar zit precies de spanning.

Waarom dit voor bedrijven lastig wordt

Voor bedrijven wordt AI-gebruik niet alleen een adoptievraag, maar ook een beheer- en procesvraag.

Bij Claude zagen we dit al langer. In Claude Code en vergelijkbare AI-codeomgevingen is tokengebruik al een zichtbaar onderwerp. Teams letten op context, modelkeuze, fast mode, usage dashboards en kosten per developer. Anthropic adviseert zelf om kosten te beheren via modelkeuze, contextmanagement, extended thinking-instellingen en het beperken van MCP-overhead.

Bij ChatGPT komt die manier van denken nu dichter bij de gewone werkvloer.

En dat maakt het ingewikkeld.

Een ontwikkelaar of AI-specialist begrijpt vaak nog wel waarom een taak duurder wordt. Een office manager, marketeer, planner, werkvoorbereider of financieel medewerker ziet vooral een knop, een promptveld en een resultaat.

Als de tool vraagt of iets sneller, slimmer of dieper moet, is de verleiding groot om de beste stand te kiezen. Zeker als de kosten niet direct zichtbaar zijn per handeling.

Maar in een organisatie met tientallen of honderden gebruikers kan dat snel optellen.

Vooral grotere bedrijven krijgen hiermee te maken.

Bij klein mkb is het risico vaak overzichtelijker. Je ziet sneller wie wat gebruikt. Er zijn minder lagen. Afspraken kunnen eenvoudiger worden gemaakt.

Bij grotere organisaties ligt dat anders.

Daar kunnen veel medewerkers tegelijk AI gebruiken voor uiteenlopende taken. De ene medewerker laat een lang document samenvatten. De ander koppelt bestanden. Een derde gebruikt MCP-servers. Een vierde laat ChatGPT Work een complete presentatie, analyse of planning maken. Een vijfde zet standaard de krachtigste stand aan, omdat dat veiliger voelt.

Los van elkaar lijkt dat logisch.

Samen kan het moeilijk te monitoren worden.

En dan ontstaat er een herkenbaar probleem: de organisatie wil AI breder inzetten, maar heeft te weinig zicht op welk gebruik waarde oplevert en welk gebruik vooral credits verbruikt.

Het probleem is niet dat AI geld kost. Het probleem is dat het lastig wordt om de kosten te koppelen aan waarde.

MCP-koppelingen maken dit extra belangrijk

MCP-servers en koppelingen kunnen AI veel waardevoller maken. Ze zorgen ervoor dat een AI-systeem informatie kan ophalen, acties kan voorbereiden en beter aansluit op echte bedrijfsprocessen.

Maar ze maken het kostenplaatje ook minder zichtbaar.

Als een medewerker een simpele vraag stelt, kan daar achter de schermen meer gebeuren. Denk aan context ophalen, bestanden lezen, externe systemen raadplegen, toolresultaten verwerken en daarna een antwoord opbouwen.

Dat kan inhoudelijk heel nuttig zijn. Maar het betekent ook dat de zichtbare prompt maar een deel van het werk laat zien.

Voor bedrijven is dit een belangrijk punt. Niet om MCP-koppelingen te vermijden, maar om ze bewust in te richten.

Een koppeling moet passen bij een proces. Niet bij nieuwsgierigheid alleen.

Wat betekent dit voor medewerkers?

Voor medewerkers betekent dit dat AI-geletterdheid een nieuwe laag krijgt.

Het is niet meer genoeg om te leren hoe je een goede prompt schrijft. Medewerkers moeten ook leren wanneer een lichte taak genoeg is, wanneer diep nadenken nodig is en wanneer een krachtig model echt meerwaarde heeft.

Dat hoeft niet technisch te worden. Je hoeft medewerkers niet op te leiden tot tokenanalist.

Maar je moet wel praktische afspraken maken.

Bijvoorbeeld:

• Gebruik een licht model voor simpele samenvattingen, herschrijvingen en eerste opzetten.
• Gebruik een krachtiger model alleen voor complex werk waar kwaliteit, redenering of risico echt zwaarder weegt.
• Gebruik fast mode alleen als snelheid belangrijker is dan kostenbeheersing.
• Voeg niet standaard hele dossiers, mappen of lange chats toe als een korte context genoeg is.
• Start een nieuwe taak wanneer oude context niet meer relevant is.
• Gebruik MCP-koppelingen alleen wanneer de taak echt bedrijfscontext nodig heeft.
• Laat gevoelige of belangrijke output altijd controleren door een mens.

Dit zijn geen technische regels. Dit zijn werkafspraken.

En juist daar gaat het vaak mis bij AI-adoptie.

De kernvraag is niet welk model het beste is

Het beste model is niet altijd de beste keuze.

Voor een complexe analyse, technische taak of strategisch document kan een krachtig model logisch zijn. Voor een korte tekst, eerste samenvatting of simpele structurering is dat vaak onnodig.

De betere vraag is daarom:

Welke taak voeren we uit, welk risico zit erin en hoeveel kwaliteit is hier echt nodig?

Dat is een procesvraag.

Bij Jouw Copiloot kijken we daarom niet eerst naar de tool of het model. We kijken eerst naar het werkproces. Waar lekt tijd weg? Waar ontstaan fouten? Waar is de werkdruk hoog? Welke taken komen vaak terug? Waar is kwaliteit belangrijk? En welke AI-inzet levert daar aantoonbaar waarde op?

Pas daarna kies je de juiste oplossing.

Soms is dat ChatGPT Work. Soms is dat Copilot. Soms Claude. Soms een digitale medewerker. Soms een eenvoudige automatisering. Soms vooral training en duidelijke afspraken.

De technologie volgt het proces.

Wat bedrijven nu moeten doen

Bedrijven die ChatGPT Work, Claude of andere AI-tools breder willen inzetten, doen er verstandig aan om niet alleen licenties te regelen, maar ook gebruiksafspraken.

Begin klein. Kies een paar processen waar AI aantoonbaar waarde kan leveren. Denk aan documentvoorbereiding, klantcommunicatie, rapportages, interne overdracht, planning of kwaliteitscontrole.

Meet daarna wat er gebeurt.

Niet alleen hoeveel mensen AI gebruiken, maar vooral:

• hoeveel tijd wordt bespaard
• waar neemt foutgevoeligheid af
• waar wordt output consistenter
• waar ervaren medewerkers meer rust
• welke taken worden duurder dan verwacht
• welke modelkeuzes leveren echt betere resultaten op
• welke koppelingen zijn waardevol
• welke prompts of workflows moeten worden gestandaardiseerd

Daarmee voorkom je dat AI een nieuwe kostenpost wordt zonder grip.

AI moet niet alleen slimmer worden. Het gebruik ervan moet ook slimmer worden ingericht.

Onze verwachting

Onze verwachting is dat deze ontwikkeling de komende tijd belangrijker wordt. Niet alleen voor developers, maar ook voor gewone bedrijfsprocessen.

AI wordt krachtiger. Taken worden groter. Agentic workflows worden normaler. Tools gaan meer context ophalen en meer werk zelfstandig voorbereiden.

Dat is interessant. Daar zit veel waarde.

Maar het betekent ook dat bedrijven AI niet meer kunnen behandelen als een losse tool waar iedereen maar wat mee probeert. Zeker niet als kosten, kwaliteit en veiligheid belangrijk zijn.

De bedrijven die hier het meeste uit halen, zijn waarschijnlijk niet de bedrijven die overal de zwaarste AI-stand aanzetten. Het zijn de bedrijven die helder weten welke processen AI waard zijn, welke taken licht kunnen blijven en waar diepere AI-inzet echt rendement oplevert.

De winst zit niet in onbeperkt gebruik.

De winst zit in bewuste toepassing.

Conclusie

ChatGPT Work en GPT-5.6 maken AI krachtiger, maar ook minder eenvoudig te beheren. Credits, tokens, modellen, snelheid, reasoning en MCP-koppelingen zorgen voor meer mogelijkheden én meer keuzes.

Voor individuele power users is dat prettig. Voor bedrijven vraagt het om duidelijke afspraken.

Wie AI serieus wil inzetten, moet niet alleen medewerkers toegang geven. Je moet ook uitleggen wanneer ze welk type AI-gebruik inzetten, hoe ze context beperken, wanneer krachtige modellen nodig zijn en hoe je kosten koppelt aan waarde.

Begin daarom niet bij de modelselector.

Begin bij het proces.

Wil je weten waar AI in jullie organisatie de meeste waarde oplevert, zonder dat het een oncontroleerbare kostenpost wordt? Plan dan een gratis quickscan op locatie. We kijken drie uur mee naar jullie processen, werkdruk, foutgevoeligheid en kansen, en brengen in kaart waar AI praktisch en verantwoord kan helpen.