Wat kost een AI agent per maand? Vier posten, en drie ervan staan met een prijs per eenheid in de gepubliceerde prijslijst van de modelleverancier: invoertokens, uitvoertokens en de tijd dat de sessie draait. De vierde staat op geen enkele prijslijst en is vaak de grootste: de tijd van de mens die nakijkt.

Dit is voor een founder of directeur die een bedrag wil dat van hemzelf is in plaats van een range uit een blog. Alle prijzen hieronder komen uit de prijslijst van Anthropic, geraadpleegd op 18 oktober 2026, en worden in dollars genoemd zoals de bron ze publiceert.

Wat kost een AI-agent per maand?

De rekening bestaat uit deze vier posten. Twee getallen vul je zelf in: het aantal runs per maand en je eigen uurtarief.

PostPrijs per eenheid (prijslijst 18-10-2026)Jouw aantal per maandJouw bedrag
Invoertokens (de opdracht, de context, de tool-antwoorden)$4 per miljoen op Claude Opus 5.5, $2 op Sonnet 5.5, $0,10 op Haiku 5.5 bij prompts tot 100.000 tokens[1]
Uitvoertokens (wat de agent schrijft en besluit)$20 per miljoen op Opus 5.5, $10 op Sonnet 5.5, $0,50 op Haiku 5.5[1]
Sessieruntime (de tijd dat de sessie running is)$0,08 per sessie-uur[1]
Controletijd van je eigen mensenjouw bruto loonkosten per uur
Zoekopdrachten, als de agent het web gebruikt$10 per 1.000 zoekopdrachten, bovenop de tokens[1]

Let op de derde rij. Die runtime loopt alleen terwijl de sessie de status running heeft; tijd in idle, dus wachten op je volgende bericht of op een bevestiging van een tool, telt niet mee[1]. Een agent die de hele dag “aan” staat maar niets doet, kost aan runtime dus niets.

Waarom verbruikt een agent meer dan een chatbot?

Omdat elke tool-aanroep een extra ronde door het model is. Een chatbot krijgt een vraag en geeft een antwoord. Een agent krijgt een vraag, besluit dat hij een systeem moet aanroepen, krijgt daar een antwoord op terug, en dat antwoord gaat als nieuwe invoer opnieuw het model in. De documentatie noemt dat letterlijk een tool-ronde, en noemt als geval waarin die niet nodig is: vragen die het model uit zijn eigen kennis kan beantwoorden, zoals samenvatten of vertalen[2].

Dat de agent dat zelf beslist, is het punt. Met de standaardinstelling bepaalt het model per beurt of het een tool aanroept of direct antwoordt: het roept aan wanneer het verzoek past bij de beschreven mogelijkheid van die tool en het antwoord nog niet in de context staat[3]. Tool use is daarmee een contract: jouw applicatie legt vast welke operaties bestaan en welke vorm in- en uitvoer hebben, het model bepaalt wanneer en hoe het die aanroept[2]. Het is precies bedoeld als brug tussen een verzoek in gewone taal en het systeem dat het uitvoert, zoals een database of een interne API[2].

Drie dingen volgen daaruit voor de rekening. Elk tool-antwoord is invoer waar je voor betaalt. Hoe meer stappen een taak heeft, hoe meer rondes. En een agent hoort alleen te bestaan als het werk te open is voor een vaste workflow[4]: is de volgorde vast, dan is een workflow goedkoper, want die hoeft niets te beslissen. Het verschil tussen de twee staat in AI-agent of chatbot kiezen en wat een agent precies is in wat is een AI-agent.

Hoe reken je van kosten per run naar kosten per maand?

De documentatie rekent één sessie regel voor regel voor, en dat is de vorm die je overneemt. Het voorbeeld is een sessie van één uur op Claude Opus 5.5 met 50.000 invoertokens en 15.000 uitvoertokens, waarvan 40.000 invoertokens uit de cache komen[1]:

RegelBerekeningKosten
Ongecachete invoertokens10.000 x $4 / 1.000.000$0,04
Cache-reads40.000 x $4 x 0,05 / 1.000.000$0,008
Uitvoertokens15.000 x $20 / 1.000.000$0,30
Sessieruntime1,0 uur x $0,08$0,08
Totaal$0,428

Zonder caching komt dezelfde sessie op $0,58 uit: invoertokens 50.000 x $4 / 1.000.000 = $0,20, plus uitvoer $0,30, plus runtime $0,08[1]. De factor 0,05 in de tweede regel is geen afronding: op Claude Opus 5.5 en Sonnet 5.5 kost een cache-hit 5 procent van de gewone invoerprijs, waar het op andere modellen 10 procent is[1].

Van hier naar een maand is één vermenigvuldiging. Draait die agent 200 keer per maand, dan is dat 200 x $0,428, dus ongeveer $85,60 aan model en runtime. Draait hij 2.000 keer, dan is het tien keer zoveel. Het aantal runs is de enige aanname in dat bedrag, en dat is er één die jij kunt opzoeken in plaats van schatten: kijk hoe vaak het proces vorige maand liep.

Wat je in dit rekenvoorbeeld niet terugziet, is een bedrag per gebruiker of per maand abonnement. Dat is bewust. Een agent op de API betaal je per verbruik, en wie met seats voor zijn team rekent, rekent een andere vraag door.

Wat kost de controletijd van je eigen mensen?

Dit is de vierde post en hij staat op geen enkele prijslijst. Reken hem zo: minuten nakijken per run, maal het deel van de runs dat je nakijkt, maal je eigen bruto loonkosten per uur.

Een voorbeeld van de rekenvorm, met jouw getallen in te vullen: 200 runs per maand, waarvan je in de eerste maanden de helft nakijkt, op 4 minuten per keer, is ruim 6 uur werk. Zet daar je eigen uurtarief naast en vergelijk dat met de $85,60 aan tokens en runtime. In de meeste eerste maanden is de controletijd het grootste bedrag op de rekening.

WeAdapt noemt hier geen gemiddeld uurtarief en geen gemiddelde controletijd, want daar is geen bron voor die dat hard maakt. Wat wel vaststaat is waarom die post er is: de agent beslist zelf wanneer hij een tool aanroept[3], en die ruimte is precies de reden dat iemand meekijkt tot het patroon bekend is. Wie dat deel wegstreept, rekent een agent door die niemand controleert.

Hoe je dit tegen de opbrengst zet, met de uren die het proces nu kost, staat in ROI van AI-automatisering berekenen. De vier posten van een heel traject, inclusief bouwen en beheren, staan in wat kost AI-automatisering. Dit artikel gaat alleen over de maandrekening van één agent.

Waarom een goedkoper model niet altijd goedkoper is

Op de prijslijst staat Haiku 5.5 op $0,10 per miljoen invoertokens en Opus 5.5 op $4[1]. Dat lijkt een eenvoudige keuze, maar er zit een addertje onder dat zelden genoemd wordt: hoeveel tokens dezelfde tekst oplevert, hangt af van de tokenizer van het model, de taal en het soort inhoud[1]. Claude 4.7 en latere modellen gebruiken een nieuwere tokenizer die ongeveer 30 procent meer tokens voor dezelfde tekst produceert dan eerdere modellen[1].

Praktisch betekent dat twee dingen. Een vergelijking van twee modellen op prijs per miljoen tokens is geen vergelijking van je rekening, want het aantal tokens verschilt per model. En reken je een pilot op het ene model door naar het andere, dan klopt je aantal tokens niet meer. Tel ze opnieuw, met de token-telling van het model dat je gaat gebruiken[1].

De documentatie zelf houdt het simpel in het advies: Haiku voor eenvoudige taken, Sonnet voor de meeste productieworkloads, Opus voor het meest complexe denkwerk[1]. Welk model bij welke stap van jouw agent hoort, is het soort keuze dat WeAdapt bij het bouwen van AI-agents per stap maakt in plaats van voor het hele systeem in één keer.

Wat de rekening verlaagt, kort

Twee dingen staan als vermenigvuldiger in de prijslijst. De Batch API verwerkt grote aantallen verzoeken asynchroon met 50 procent korting op invoer en uitvoer[1], en een cache-hit kost 10 procent van de gewone invoerprijs, of 5 procent op Opus 5.5 en Sonnet 5.5[1]. Die vermenigvuldigers stapelen volgens de documentatie met andere prijsmodificatoren, en batch- en cachingkortingen zijn te combineren[1].

Eén kanttekening die bij agents hoort: de batchkorting geldt niet voor sessies van beheerde agents, omdat die stateful en interactief zijn[1]. Caching wel.

Hoe je de rekening systematisch verlaagt, is een eigen vraag met eigen afwegingen, en die hoort niet in een artikel dat uitrekent wat iets kost. Wil je weten wat jouw proces per maand gaat kosten voordat er iets gebouwd is? Plan een gesprek, of lees in de FAQ wat er in een traject zit. WeAdapt bouwt maatwerk AI-tools en rekent de maandrekening vooraf door met jouw volume, niet met een range.

Bronnen

  1. Anthropic, Pricing (platform.claude.com, geraadpleegd 18 oktober 2026)
  2. Anthropic, How tool use works (platform.claude.com, geraadpleegd 16 september 2026)
  3. Anthropic, Tool use (platform.claude.com, geraadpleegd 20 september 2026)
  4. n8n, Build and manage agents (github.com, geraadpleegd 20 september 2026)