Grote techbedrijven die werknemers eerder aanspoorden om AI maximaal te gebruiken, lopen nu tegen een hardere realiteit aan. Meer AI-gebruik betekent niet automatisch meer productiviteit, meer software-output of meer waarde voor de klant.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

De eerste fase van de AI-hype draaide om adoptie, gebruik en snelheid. De nieuwe fase draait om rendement, kostencontrole en de vraag of de enorme tokenconsumptie economisch nog te verdedigen is. Zie ook dit artikel dat we eerder schreven.

Investment view

Wij zien in AI steeds meer parallellen met het internet rond 2000. De technologie zelf is revolutionair en zal niet verdwijnen, maar de markt begint kritischer te kijken naar de economische onderkant van het verhaal. Net zoals bij de internetbubbel wordt nu duidelijk dat groei, gebruik en belofte niet genoeg zijn. Uiteindelijk moet er rendement worden geleverd.

De eerste fase van AI draaide om adoptie, schaal en snelheid. Bedrijven wilden laten zien dat medewerkers AI gebruikten, dat enterprise-contracten groeiden en dat de technologie overal kon worden uitgerold. De volgende fase wordt veel strenger. Beleggers gaan niet alleen kijken naar tokenverbruik, cloudomzet en AI-gebruik, maar vooral naar de vraag of dit ook leidt tot hogere marges, lagere kosten, betere producten en aantoonbare productiviteitswinst.

■ De AI-hype verschuift van gebruik naar rendement. Bedrijven willen niet langer alleen meer AI-consumptie zien, maar bewijs dat tokengebruik leidt tot echte productiviteit, betere software en meetbare kostenbesparing.
■ Agentic AI maakt het verdienmodel gevoeliger. Per-tokenprijzen dalen wel, maar het aantal tokens per taak stijgt sneller, waardoor de totale kosten voor klanten en AI-labs blijven oplopen.
■ Software kan juist de nieuwe controlelaag bovenop AI worden. Bedrijven hebben tools nodig die tokenverbruik sturen, kosten meten, modellen slimmer inzetten, toegang controleren en aantonen waar AI echt waarde toevoegt.
■ Voor OpenAI, Anthropic en andere AI-labs wordt dit een belangrijk IPO-risico. Als grote enterprise-klanten consumptie gaan beperken, prijsafspraken heronderhandelen of interne budgetten terugschroeven, wordt het groeiverhaal minder schoon.

Daarmee verandert het AI-verhaal van hype naar discipline. Bedrijven die AI echt kunnen omzetten in economische waarde blijven interessant. Bedrijven die vooral leunen op hoge consumptie, hoge kosten en onduidelijke rendementen krijgen meer druk. Dat is precies wat rond 2000 ook gebeurde. Internet bleef, maar niet elk internetbedrijf bleek een goed aandeel. Bij AI kan hetzelfde gebeuren. De winnaars blijven waarschijnlijk groot, maar de markt zal veel kritischer worden op wie echt waarde creëert en wie alleen omzet of gebruik laat groeien zonder duidelijk rendement.

Tokenmaxxing wordt een kostenprobleem

Bij bedrijven als Microsoft, Meta en Amazon zijn interne doelen gebruikt om medewerkers aan te sporen AI intensiever te gebruiken. Op papier lijkt dat logisch. Meer AI-gebruik zou moeten leiden tot snellere processen, minder handmatig werk en hogere productiviteit. In de praktijk ontstaat er echter een ander probleem. Wanneer AI-gebruik zelf de prestatiemeter wordt, gaan werknemers optimaliseren voor die meter.

Dat is het klassieke probleem van Goodhart’s Law. Zodra een metric een doel wordt, verliest die metric een deel van zijn waarde. Als werknemers worden beoordeeld op AI-gebruik, ontstaat de prikkel om AI vaker in te zetten, ook wanneer de taak dat niet echt nodig heeft. Dan stijgt de tokenconsumptie, maar niet per se de kwaliteit van het werk.

Daar komt bij dat vooral agentic AI veel duurder is dan een normale AI-query. Een standaardvraag aan een taalmodel is relatief overzichtelijk. Een AI-agent werkt anders. Die splitst taken op, controleert zichzelf, voert tussenstappen uit, herhaalt logica en gebruikt soms meerdere modelrondes voordat er een antwoord of actie uitkomt. Daardoor kan één taak veel meer tokens verbruiken dan bedrijven oorspronkelijk hadden ingecalculeerd.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

Dat maakt de kostenstructuur gevaarlijker dan veel beleggers denken. De prijs per token kan dalen, maar als het aantal tokens per taak harder stijgt, gaat de totale rekening alsnog omhoog. Dat is precies de omkering van het oorspronkelijke AI-verhaal. De markt ging ervan uit dat schaal, dalende inferencekosten en efficiëntere modellen de marges zouden verbeteren. Nu blijkt dat complexere toepassingen juist veel meer consumptie kunnen veroorzaken.

OpenClaw laat zien hoe snel de rekening kan oplopen

De casus rond OpenClaw maakt duidelijk hoe extreem dit kan worden. Peter Steinberger, de maker van OpenClaw, gaf aan dat zijn team in één maand 1,3 miljoen dollar aan OpenAI-tokens verbruikte. Dat is geen klein experiment meer, maar een harde illustratie van wat er gebeurt wanneer agentic AI op grotere schaal wordt ingezet.

Voor AI-labs is dit aan de ene kant aantrekkelijk, omdat hogere consumptie tot meer omzet leidt. Aan de andere kant is het een risico, omdat klanten uiteindelijk gaan vragen wat ze concreet terugkrijgen voor die uitgaven. Als de output niet evenredig stijgt, verandert AI van productiviteitsmotor in kostenpost.

Ook de uitspraak van NVIDIA-topman Jensen Huang past in dit beeld. Hij zou engineers hebben aangespoord om AI-tokens te gebruiken ter waarde van minstens de helft van hun jaarlijkse salaris. Strategisch is dat begrijpelijk, omdat NVIDIA profiteert van meer AI-gebruik, meer datacenterbelasting en meer vraag naar chips. Maar voor bedrijven die de rekening moeten betalen, ligt de analyse anders. Daar gaat het niet om consumptie op zichzelf, maar om rendement per uitgegeven dollar.

Uber wordt het kantelpunt in het verhaal

Uber is belangrijk omdat het bedrijf geen AI-scepticus is. Uber heeft AI juist stevig omarmd, interne tooling gebruikt en geprobeerd AI in de organisatie breed te laten landen. Juist daarom is de boodschap van COO Andrew Macdonald zo relevant. Hij gaf aan dat het bedrijf meer moeite heeft om AI-uitgaven te rechtvaardigen en dat het verband tussen AI-consumptie en daadwerkelijk geleverde productfeatures nog niet overtuigend genoeg is.

Dat raakt de kern van het probleem. Tokens verbruiken en waarde leveren zijn niet hetzelfde. Een bedrijf kan veel AI gebruiken, veel budget verbranden en toch onvoldoende extra output zien. Voor managementteams wordt dat steeds moeilijker te verdedigen, zeker wanneer AI-uitgaven beginnen te concurreren met andere kostenposten, zoals personeel, research en development of productinvesteringen.

CEO Dara Khosrowshahi gaf aan dat Uber de hiring vertraagt om AI-uitgaven te financieren. Dat maakt het verhaal nog scherper. AI werd verkocht als technologie die productiviteit zou verhogen en kosten zou verlagen. Wanneer een bedrijf echter personeelsgroei moet afremmen om AI-budget vrij te maken, ontstaat een andere vraag. Is AI al een echte efficiëntiemotor, of is het voorlopig vooral een nieuwe kostencategorie?

Duolingo laat zien waar de prestatiemeter fout loopt

Duolingo past in hetzelfde patroon. Het bedrijf draaide een besluit terug om AI-gebruik mee te nemen in performance reviews. Dat is veelzeggend, omdat werknemers zich begonnen af te vragen of ze AI moesten gebruiken puur om AI te gebruiken. Daarmee wordt duidelijk hoe snel een goedbedoelde productiviteitsprikkel kan veranderen in verkeerd gedrag.

Als AI-gebruik de maatstaf wordt, stijgt het gebruik vanzelf. Maar dat betekent niet dat de output stijgt. Het risico is dat bedrijven een intern AI-dashboard krijgen dat er indrukwekkend uitziet, terwijl de echte operationele resultaten minder overtuigend zijn. Voor beleggers is dat een belangrijk onderscheid. Adoptiepercentages, tokenvolumes en gebruikersstatistieken zijn pas waardevol als ze gekoppeld zijn aan lagere kosten, hogere omzet, betere producten of snellere uitvoering.

Dat is precies waar de AI-markt nu strenger op gaat letten. De vraag is niet meer alleen of bedrijven AI gebruiken. De vraag is of AI-gebruik de winst- en verliesrekening verbetert.

Software wordt de nieuwe controlelaag bovenop AI

De meest interessante beleggingsdraai zit mogelijk niet bij de AI-labs zelf, maar bij de softwarelaag die bovenop AI ontstaat. AI werd de afgelopen jaren vaak neergezet als een bedreiging voor software. Als werknemers rechtstreeks met modellen kunnen werken, zou een deel van de bestaande software minder waardevol worden. De huidige kostenontwikkeling laat echter een ander beeld zien.

Wanneer AI-gebruik onbeperkt wordt gestimuleerd, loopt de tokenconsumptie snel op. Dat maakt AI niet automatisch minder waardevol, maar wel moeilijker te beheren. Bedrijven moeten weten wanneer AI wordt gebruikt, hoeveel tokens een taak verbruikt, welk model wordt ingezet, welke output echt waarde toevoegt en waar verspilling ontstaat. Zonder die controle verandert AI van productiviteitsmotor in een nieuwe kostenlaag.

Daarom kan software juist belangrijker worden. Niet als oude applicatielaag die door AI wordt vervangen, maar als controlelaag die AI economisch bruikbaar maakt. Bedrijven hebben tools nodig voor AI-governance, kostenbeheer, model routing, workflowcontrole, identity, security, compliance en outputmeting. De vraag verschuift dan van “wie gebruikt de meeste AI?” naar “wie gebruikt AI het meest efficiënt?”

Dat is voor beleggers een belangrijke nuance. De AI-keten draait niet alleen om chips, datacenters, cloudcapaciteit en foundation models. Er ontstaat ook een markt voor software die ervoor zorgt dat AI-gebruik niet ontspoort. In die laag kan juist veel waarde ontstaan, omdat bedrijven AI niet willen afbouwen, maar beter willen beheersen.

De paradox is duidelijk. AI werd verkocht als technologie die software zou verdrukken, maar de explosie van tokenkosten kan juist een nieuwe softwarecyclus starten. De winnaars worden dan niet alleen de partijen die AI-capaciteit leveren, maar ook de bedrijven die AI-consumptie meetbaar, bestuurbaar, veilig en winstgevend maken.

Datadog $DDOG

Datadog is één van de zuiverste namen binnen dit thema, omdat het bedrijf al diep in observability, monitoring, logs, traces en application performance zit. Dat is precies de laag die bedrijven nodig hebben wanneer AI-applicaties en AI-agents niet meer in experimenten draaien, maar onderdeel worden van productieomgevingen. Zodra AI in echte workflows terechtkomt, willen bedrijven niet alleen weten of de applicatie werkt. Ze willen ook weten hoeveel tokens er worden verbruikt, welke prompts duur zijn, waar vertraging ontstaat, welke agent-stappen mislukken en welke processen onnodig veel compute vragen.

De kracht van Datadog is dat AI-observability logisch bovenop de bestaande monitoringlaag kan worden gebouwd. Veel klanten gebruiken Datadog al om cloudinfrastructuur, softwareprestaties en digitale omgevingen te volgen. AI wordt dan geen compleet aparte wereld, maar een extra laag binnen dezelfde operationele cockpit. Dat maakt Datadog interessant als bedrijven AI-kosten willen beheersen en tegelijk willen zien of AI ook echt waarde toevoegt. In een wereld waarin tokenverbruik kritisch wordt bekeken, kan Datadog profiteren van de behoefte aan transparantie, controle en meetbaarheid.

De kanttekening is de waardering. Datadog is een kwaliteitsnaam, maar daardoor ligt de lat hoog. Het aandeel moet blijven bewijzen dat groei, marges en AI-gerelateerde productuitbreiding sterk genoeg zijn om die premie te rechtvaardigen.

Dynatrace $DT

Dynatrace past in dezelfde observability-hoek, maar heeft een meer enterprisegerichte positionering. Het bedrijf richt zich op end-to-end inzicht in complexe softwareomgevingen, inclusief infrastructuur, applicaties, gebruikerservaring, datastromen en automatisering. Juist bij grotere bedrijven wordt dat belangrijker naarmate AI dieper in bedrijfsprocessen komt te zitten. Een AI-agent die meerdere systemen aanstuurt, meerdere stappen uitvoert en beslissingen ondersteunt, kan niet als losse black box worden behandeld. Daarvoor is controle nodig over performance, betrouwbaarheid, kosten en datakwaliteit.

Dynatrace kan profiteren van de verschuiving naar AI in productieomgevingen, omdat grote ondernemingen niet alleen willen weten of een model antwoord geeft, maar ook of de volledige keten goed functioneert. Denk aan de data die binnenkomt, de agent die acties uitvoert, de applicatie die reageert en de gebruiker die uiteindelijk output krijgt. Als ergens in die keten vertraging, fout gedrag of verspilling ontstaat, moet dat zichtbaar worden. Dynatrace zit goed gepositioneerd om die complexiteit te monitoren en kan daardoor profiteren van de behoefte aan professionelere AI-operaties.

De kanttekening is dat Dynatrace minder een pure hype-naam is. Dat kan positief zijn voor kwaliteit, maar het aandeel beweegt mogelijk minder hard op AI-sentiment. Daarnaast blijft het bedrijf afhankelijk van enterprisebudgetten en grote softwarecontracten.

Elastic $ESTC

Elastic is interessant omdat het meerdere lagen van het AI-controleverhaal raakt. Het bedrijf zit op search, observability, security en data-analyse. Dat zijn precies de bouwstenen die nodig zijn wanneer bedrijven AI willen koppelen aan hun eigen data. AI wordt pas echt nuttig wanneer modellen snel de juiste informatie kunnen vinden, die informatie kunnen interpreteren en de output betrouwbaar genoeg is om in workflows te gebruiken. Elastic kan daardoor een rol spelen in de infrastructuur achter AI-toepassingen, vooral wanneer zoeken, logging, monitoring en security samenkomen.

De kracht van Elastic is dat het bedrijf niet alleen kijkt naar AI-output, maar ook naar de data- en zoeklaag eronder. Wanneer bedrijven AI inzetten op interne documenten, klantgegevens, logs of operationele data, wordt het belangrijk om te controleren welke informatie wordt opgehaald, hoe snel dat gebeurt en of de uitkomsten bruikbaar zijn. Daarnaast kan Elastic helpen bij monitoring en security rond AI-applicaties. Daardoor past het bedrijf goed in het thema waarin software AI goedkoper, veiliger en beter meetbaar moet maken.

De kanttekening is de concurrentie. Elastic opereert in markten waar grote platformspelers ook actief zijn. Het aandeel heeft potentie, maar het bedrijf moet blijven bewijzen dat het zijn positie in search, observability en security kan vasthouden.

Varonis $VRNS

Varonis is één van de belangrijkste namen aan de data-securitykant van dit verhaal. Als AI meer toegang krijgt tot interne bedrijfsdata, wordt de vraag niet alleen hoeveel AI kost, maar ook welke data AI mag gebruiken. Dat is een cruciaal punt. Generatieve AI kan veel waarde creëren, maar wordt ook gevaarlijker wanneer medewerkers, modellen of agents toegang krijgen tot gevoelige, verkeerd gedeelde of slecht beveiligde informatie. Varonis zit precies op die laag van dataclassificatie, toegangsrechten, datarisico’s en governance.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

De AI-case bij Varonis is dat veilige AI begint bij veilige data. Bedrijven moeten weten waar gevoelige data staat, wie toegang heeft, welke bestanden te breed gedeeld zijn en welke informatie niet door AI gebruikt mag worden. Naarmate AI dieper in bedrijfsprocessen komt, wordt dit probleem groter. Een AI-agent die met verkeerde of te ruime rechten werkt, kan onbedoeld gevoelige informatie blootleggen of gebruiken. Varonis kan profiteren als ondernemingen AI willen uitrollen, maar eerst hun datatoegang en governance op orde moeten brengen.

De kanttekening is uitvoering. Varonis zit in een markt met sterke structurele vraag, maar het aandeel blijft afhankelijk van SaaS-groei, commerciële executie en het vermogen om AI-security als duidelijke groeiversneller te laten zien.

Cloudflare $NET

Cloudflare hoort duidelijk in dit thema, omdat het bedrijf tussen applicaties, gebruikers, netwerken en AI-modellen kan gaan zitten. De AI Gateway van Cloudflare past precies bij het probleem van tokencontrole. Bedrijven die meerdere AI-modellen gebruiken, willen weten welke applicaties de meeste tokens verbranden, welke providers duur zijn, welke requests kunnen worden gecachet en waar routing slimmer kan. Cloudflare kan daardoor een softwarelaag worden die AI-verkeer niet alleen versnelt, maar ook meetbaar en beheersbaar maakt.

De kracht van Cloudflare is dat het bedrijf al een sterke positie heeft aan de rand van het internet, met security, netwerkprestaties, developer tools en traffic control. Als AI-verkeer verder groeit, kan een gatewayfunctie belangrijker worden. Bedrijven willen niet elke AI-call ongecontroleerd naar een model sturen. Ze willen caching, rate limiting, kosteninzicht, beveiliging en modelkeuze centraal regelen. In dat scenario kan Cloudflare profiteren van de behoefte om AI-consumptie efficiënter te maken voordat de kosten verder uit de hand lopen.

De kanttekening is dat Cloudflare vaak stevig gewaardeerd is en dat AI Gateway nog moet bewijzen dat het een grote omzetdriver wordt. Het strategische verhaal is sterk, maar de markt zal uiteindelijk bewijs willen zien in groei, klanten en marges.

Okta $OKTA

Okta is een belangrijke toevoeging, omdat agentic AI een identity-probleem creëert. Als AI-agents zelfstandig taken uitvoeren, toegang vragen tot systemen, data ophalen of acties starten, moeten bedrijven weten wie of wat die agent is. Identity gaat dan niet meer alleen over mensen, maar ook over machines, agents, scripts en autonome workflows. Okta kan profiteren als organisaties AI-agents als volwaardige identities moeten registreren, beheren, beperken en beveiligen.

De kracht van Okta zit in access management en identity governance. In een wereld met agentic AI wordt het gevaarlijk om agents onbeperkte toegang te geven tot bedrijfsapplicaties en data. Bedrijven zullen rechten moeten toewijzen, sessies moeten volgen, toegang moeten intrekken en mogelijk een kill switch nodig hebben wanneer een agent verkeerd handelt. Okta kan daardoor een centrale rol spelen in de vraag welke AI-agent wat mag doen, namens wie en onder welke voorwaarden. Dat maakt identity een onmisbare laag in veilige AI-adoptie.

De kanttekening is dat Okta de afgelopen jaren niet altijd een vlekkeloos groeiverhaal is geweest. Het bedrijf moet bewijzen dat AI-agent identity niet alleen een goed verhaal is, maar ook echte vraag, betere groei en sterkere klantbinding oplevert.

Zscaler $ZS

Zscaler past in het thema via zero-trust security en veilige toegang tot AI-applicaties. Wanneer werknemers en AI-agents meer tools, cloudomgevingen en bedrijfsdata gebruiken, neemt de aanvalsvlakte toe. AI kan productiviteit verhogen, maar ook nieuwe beveiligingsrisico’s creëren. Denk aan datalekken, ongecontroleerd gebruik van AI-apps, gevoelige prompts, shadow AI en agents die toegang krijgen tot systemen waar ze niet thuishoren. Zscaler kan profiteren van de noodzaak om AI-gebruik veilig te maken.

De kracht van Zscaler is dat het bedrijf al diep zit in secure access, cloud security en zero-trust architectuur. Als bedrijven AI-gebruik willen toestaan zonder de controle te verliezen, hebben ze beleid, inspectie, toegangscontrole en databeveiliging nodig. Zscaler kan een rol spelen bij het beveiligen van AI-applicaties, het beheren van AI-verkeer en het beperken van risico’s rond gevoelige bedrijfsinformatie. Binnen de nieuwe AI-controlelaag is Zscaler minder een tokenkostennaam, maar wel een duidelijke securitywinnaar.

De kanttekening is concurrentie en waardering. Zscaler zit in een sterke markt, maar ook in een markt waar veel securitybedrijven AI als groeiverhaal gebruiken. Het aandeel moet blijven bewijzen dat het onderscheidend is en dat AI-security leidt tot extra groei.

ServiceNow $NOW

ServiceNow is geen kleine naam, maar wel één van de meest logische platformwinnaars binnen dit thema. AI moet uiteindelijk landen in gecontroleerde workflows. Bedrijven willen niet alleen een model dat antwoorden geeft, maar systemen die taken uitvoeren binnen IT, HR, finance, operations, risk en compliance. ServiceNow zit al diep in die enterprise-processen en heeft daarmee een sterke uitgangspositie. Als AI-agents binnen bestaande bedrijfsprocessen moeten werken, wordt de workflowlaag belangrijker.

De kracht van ServiceNow is dat AI niet als losse tool hoeft te worden verkocht. Het bedrijf kan AI integreren in bestaande processen waarin klanten al goedkeuringen, escalaties, controles en beleid hebben ingericht. Dat is belangrijk, omdat bedrijven AI niet onbeperkt willen laten handelen. Ze willen AI gebruiken binnen duidelijke grenzen, met zicht op verantwoordelijkheid, risico en output. ServiceNow kan profiteren als AI verschuift van losse experimenten naar gecontroleerde automatisering binnen grote organisaties.

De kanttekening is de waardering. ServiceNow is een premium softwareaandeel. Dat betekent dat beleggers al veel kwaliteit en groei inprijzen. De onderneming moet blijven bewijzen dat AI niet alleen een productverhaal is, maar ook daadwerkelijk extra omzet, klantbinding en marge oplevert.

Snowflake $SNOW

Snowflake hoort in dit thema via de datalaag. AI draait uiteindelijk op data. Bedrijven kunnen de beste modellen gebruiken, maar zonder schone, veilige, toegankelijke en goed beheerde data blijft de output beperkt. Snowflake zit op de fundering van enterprise-data en kan profiteren wanneer bedrijven AI dichter bij hun eigen data willen brengen. Dat is belangrijk, omdat veel ondernemingen terughoudend zijn om gevoelige data ongecontroleerd door externe AI-tools te laten lopen.

De beleggingscase bij Snowflake is dat bedrijven AI willen gebruiken binnen een gecontroleerde dataomgeving. Ze willen data combineren, analyseren en beschikbaar maken voor AI-toepassingen, zonder governance, security en toegang uit het oog te verliezen. Snowflake kan daardoor een belangrijke rol spelen in de overgang van generieke AI-tools naar enterprise-AI die draait op eigen data. De waarde zit niet alleen in het model, maar in de kwaliteit en controle van de data waarop het model werkt.

De kanttekening is dat Snowflake gevoelig blijft voor waardering en consumptiegroei. Het bedrijf moet bewijzen dat AI de vraag naar zijn platform versnelt en dat klanten bereid blijven meer te besteden aan data-infrastructuur.

Palantir $PLTR

Palantir past inhoudelijk zeer goed in dit thema, omdat het bedrijf AI, data, workflows en operationele besluitvorming aan elkaar koppelt. Palantir verkoopt geen losse chatbot, maar een platform waarmee organisaties AI kunnen gebruiken binnen echte processen. Dat is belangrijk in sectoren waar beslissingen zwaar wegen, zoals defensie, overheid, industrie, energie, gezondheidszorg en grote ondernemingen. In zulke omgevingen is controle belangrijker dan snelheid alleen.

De kracht van Palantir zit in het feit dat AI daar niet los bovenop de organisatie hangt, maar wordt verbonden met data, rollen, rechten, workflows en beslissingen. Als AI van demo naar productie gaat, wordt die koppeling belangrijker. Bedrijven willen weten welke data wordt gebruikt, waarom een bepaalde aanbeveling wordt gedaan en welke actie daarna volgt. Palantir kan profiteren van die verschuiving, omdat het juist inspeelt op operationele AI met controle, context en governance.

De kanttekening is de waardering. Palantir is één van de sterkste thematische AI-softwareverhalen, maar ook één van de meest gevoelig geprijsde aandelen. Een goed bedrijf kan een kwetsbaar aandeel zijn wanneer de multiple te ver vooruitloopt op de fundamentals.

GitLab $GTLB

GitLab is interessant vanuit developer workflows. Als AI meer code schrijft, verdwijnt softwareontwikkeling niet. De controlebehoefte wordt juist groter. Bedrijven moeten weten welke code door AI is gegenereerd, wie die code controleert, hoe die wordt getest, waar kwetsbaarheden zitten en hoe veilig die code naar productie gaat. GitLab zit in die DevSecOps-laag en kan profiteren als AI-coding leidt tot meer behoefte aan governance rond softwareontwikkeling.

De kern is dat AI ontwikkelaars sneller kan maken, maar snelheid zonder controle creëert risico’s. Meer AI-code kan leiden tot meer commits, meer afhankelijkheden, meer securityvragen en meer noodzaak voor geautomatiseerde tests en compliance. GitLab kan dan juist belangrijker worden als platform voor versiebeheer, security, CI/CD, releasebeheer en software governance. In dit scenario vervangt AI de developer workflow niet, maar verhoogt AI de eisen aan de workflow.

De kanttekening is concurrentie. Microsoft GitHub blijft een zware tegenstander, zeker door de combinatie met Copilot en de bredere Microsoft-omgeving. GitLab moet daarom blijven aantonen dat het onderscheidend genoeg is voor enterprise-klanten.

JFrog $FROG

JFrog is kleiner en speculatiever, maar inhoudelijk interessant binnen software supply chain security. Als AI steeds meer code, componenten, modellen en agentic workflows genereert, wordt controle over wat wordt gebouwd, opgeslagen, verspreid en vrijgegeven veel belangrijker. JFrog zit op artifact management, software releases, dependencies en supply chain governance. Dat maakt het relevant in een wereld waarin AI de softwareproductie versnelt, maar ook meer risico’s creëert.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

De case bij JFrog past bij het thema van prompt naar productie. AI kan code sneller maken, maar bedrijven moeten daarna controleren of die code veilig, betrouwbaar, reproduceerbaar en compliant is. Dat geldt niet alleen voor traditionele software, maar ook voor AI-modellen, packages, dependencies en interne bouwstenen. JFrog kan profiteren als ondernemingen beseffen dat AI-gegenereerde software niet zomaar rechtstreeks naar productie kan. Er is een controlelaag nodig en JFrog kan daar een rol in spelen.

De kanttekening is dat JFrog minder vanzelfsprekend als AI-winnaar wordt gezien. De markt moet de link tussen AI-code, software supply chain security en governance nog breder gaan waarderen. Daardoor is het aandeel speculatiever.

Atlassian $TEAM

Atlassian past in dit thema via teamproductiviteit, projectcontrole, documentatie en softwareplanning. Als AI meer werk versnelt, moeten teams nog steeds bepalen wat er gebouwd wordt, wie waarvoor verantwoordelijk is, welke beslissingen zijn genomen en hoe projecten worden opgevolgd. Jira, Confluence en de bredere Atlassian-suite zitten precies in die laag van samenwerking en werkorganisatie. Dat wordt belangrijker wanneer AI output versnelt, maar mensen nog steeds richting, controle en prioriteit moeten geven.

De AI-case bij Atlassian is dat meer AI-output juist meer behoefte kan creëren aan workflowdiscipline. Als AI sneller tickets schrijft, documentatie maakt, code ondersteunt of taken voorbereidt, moet een organisatie voorkomen dat chaos ontstaat. Dan zijn projectstructuur, kennisbeheer, planning en samenwerking belangrijk. Atlassian kan profiteren als AI niet leidt tot minder softwaretools, maar tot meer behoefte aan een centrale laag waarin teams werk organiseren, documenteren en controleren.

De kanttekening is dat Atlassian minder direct gekoppeld is aan tokenkosten dan Datadog, Cloudflare of Varonis. Dit is meer een productiviteits- en workflowcase dan een pure AI-kostencontrolecase.

MongoDB $MDB

MongoDB hoort in de datalaag van dit thema. AI-applicaties hebben databases nodig die flexibel kunnen omgaan met applicatiedata, semigestructureerde data, vectors en moderne ontwikkelomgevingen. MongoDB is interessant omdat veel AI-applicaties niet alleen op klassieke tabellen draaien, maar op dynamische datasets, documenten en context. In die wereld kan MongoDB profiteren als ontwikkelaars AI-toepassingen bouwen die snel met veranderende data moeten werken.

De kracht van MongoDB zit in de applicatielaag. Waar Snowflake vooral sterk is in enterprise-data en analytics, zit MongoDB dichter bij de ontwikkelaar die nieuwe applicaties bouwt. Als AI leidt tot een nieuwe golf van applicatieontwikkeling, agentic workflows en datagedreven software, kan MongoDB relevant blijven als databaseplatform. De koppeling met AI zit minder in directe kostencontrole, maar meer in het mogelijk maken van moderne AI-applicaties.

De kanttekening is dat MongoDB geen pure AI-governance- of AI-cost-controlnaam is. Het aandeel kan profiteren van AI-applicatiegroei, maar de link met het tokenkostenprobleem is minder direct dan bij observability, security of gatewaybedrijven.

Confluent $CFLT

Confluent is interessant omdat AI niet alleen historische data nodig heeft, maar ook realtime data. Bedrijven die AI gebruiken voor operationele beslissingen, fraudedetectie, logistiek, klantinteractie of financiële processen hebben actuele datastromen nodig. AI-agents die werken met verouderde data leveren minder waarde. Confluent zit op data streaming en kan profiteren als ondernemingen AI-toepassingen bouwen die direct moeten reageren op events, transacties en signalen.

De koppeling met AI-controle zit in betrouwbaarheid en timing. Wanneer AI-systemen beslissingen nemen op basis van realtime data, moet die data beschikbaar, correct, controleerbaar en bruikbaar zijn. Confluent kan daardoor een infrastructuurlaag worden onder realtime AI-toepassingen. Dit is minder zichtbaar dan observability of security, maar strategisch belangrijk. Veel echte AI-productiviteit zal namelijk niet komen uit losse chats, maar uit systemen die automatisch reageren op actuele bedrijfsdata.

De kanttekening is dat Confluent een moeilijker aandeel blijft. Het bedrijf heeft te maken met concurrentie, waarderingsdruk en vragen rond het consumptiemodel. De thematische link is sterk, maar de uitvoering moet overtuigend blijven.

SentinelOne $S

SentinelOne is een kleinere securitynaam die binnen dit thema past omdat AI de aanvalsvlakte vergroot. Meer AI-tools, meer agents, meer endpoints en meer geautomatiseerde workflows betekenen ook meer risico’s. Bedrijven moeten niet alleen beschermen tegen traditionele aanvallen, maar ook tegen nieuwe dreigingen rond AI-gebruik, identiteiten, datatoegang en geautomatiseerde acties. SentinelOne kan profiteren als AI-security en endpointbeveiliging belangrijker worden binnen enterprise-omgevingen.

De kracht van SentinelOne zit in de combinatie van endpointsecurity, autonome detectie en AI-gedreven beveiliging. Als AI-systemen meer onderdeel worden van bedrijfsprocessen, moeten organisaties sneller verdachte activiteit kunnen herkennen en automatisch kunnen reageren. Dit past bij de bredere trend waarin security niet alleen defensief is, maar steeds meer realtime en geautomatiseerd moet worden. SentinelOne is daarmee geen pure tokencontrole-naam, maar wel een potentiële winnaar binnen de beveiligingslaag rond AI.

De kanttekening is dat SentinelOne competitief in een zware markt zit. CrowdStrike, Microsoft en andere securityspelers blijven sterke concurrenten. Het aandeel is daardoor speculatiever en vraagt om duidelijke verbetering in groei, marges en commerciële uitvoering.

UiPath $PATH

UiPath is een interessante, maar lastige naam. Het bedrijf zit op automation en robotic process automation, een markt die door AI zowel kansen als bedreigingen krijgt. Aan de ene kant kunnen AI-agents klassieke RPA deels vervangen. Aan de andere kant hebben bedrijven juist gecontroleerde automation nodig om AI veilig in processen te gebruiken. UiPath kan profiteren als het zich ontwikkelt van traditionele RPA-speler naar een bredere automatiseringslaag waarin AI-agents, workflows en controles samenkomen.

De AI-case bij UiPath draait om governance van automatisering. Bedrijven willen processen automatiseren, maar niet zonder controle. Ze moeten weten welke taken worden uitgevoerd, waar menselijke goedkeuring nodig is, welke systemen worden geraakt en welke fouten kunnen ontstaan. Als UiPath AI goed weet te integreren in zijn automationplatform, kan het profiteren van de vraag naar gecontroleerde uitvoering in plaats van losse AI-experimenten.

De kanttekening is dat UiPath onder druk kan blijven staan als agentic AI klassieke RPA sneller vervangt dan UiPath zichzelf vernieuwt. Dit is daarom geen eenvoudige kwaliteitscase, maar een aandeel met zowel duidelijke kansen als duidelijke risico’s.

PagerDuty $PD

PagerDuty is de meest speculatieve naam binnen dit mandje. Het bedrijf zit op incident management, operations en digitale responsprocessen. Als AI-systemen vaker in productie draaien, zullen er ook meer alerts, fouten, escalaties en operationele incidenten ontstaan. Bedrijven hebben dan software nodig die problemen snel detecteert, prioriteert en naar de juiste teams doorzet. In die zin kan PagerDuty profiteren van de operationele complexiteit die AI veroorzaakt.

De AI-case is dat agentic systemen niet alleen productiviteit kunnen verhogen, maar ook nieuwe risico’s introduceren. AI-workflows kunnen falen, verkeerde acties starten, verkeerde output geven of vastlopen in kritische processen. Wanneer dat gebeurt, moeten organisaties snel kunnen ingrijpen. PagerDuty kan relevant worden als laag voor incident response, digitale operations en geautomatiseerde escalatie. Dit maakt het aandeel interessant als kleinere naam binnen AI-operations, maar wel met een hoger risicoprofiel.

De kanttekening is dat PagerDuty op dit moment geen duidelijke kwaliteitscompounder is. De groei moet sterker worden en de markt moet opnieuw vertrouwen krijgen in het langetermijnverhaal. Dit is eerder een speculatieve turnaroundnaam dan een veilige softwarewinnaar.

IBM $IBM

IBM is geen pure software-AI-controlenaam, maar hoort als brede enterprise-speler wel in de periferie van dit thema. Via software, consulting, hybrid cloud, governance en kostenbeheer kan IBM profiteren als grote ondernemingen AI niet alleen willen kopen, maar ook willen implementeren, controleren en rendabel maken. Vooral bij complexe enterprise-omgevingen speelt IBM nog altijd een rol, omdat veel grote bedrijven hulp nodig hebben bij integratie, beleid, compliance en modernisering.

De case bij IBM is minder spannend, maar wel institutioneel. Als AI-kosten onderdeel worden van bredere IT-kosten, cloudkosten en governancevraagstukken, kan IBM profiteren via tools, advies en enterprise-relaties. Dit is geen aandeel dat waarschijnlijk de meeste AI-multiple krijgt, maar wel een naam die kan meedoen als grote bedrijven AI serieus willen operationaliseren. De rol is dus meer breed en ondersteunend dan puur gericht op tokencontrole.

De kanttekening is dat IBM minder zuiver is dan namen als Datadog, Cloudflare, Varonis of Okta. De AI-case is breder, maar ook minder scherp. Beleggers zullen IBM waarschijnlijk blijven beoordelen op totale groei, marges, consultingvraag en uitvoering binnen hybrid cloud en software.

De impact op OpenAI, Anthropic en de IPO-markt

Voor OpenAI, Anthropic en andere AI-labs wordt dit een steeds belangrijker punt. Hun waarderingen zijn gebouwd op snelle omzetgroei, grote enterprise-contracten en het idee dat AI onmisbaar wordt voor bedrijven. Dat verhaal blijft sterk zolang klanten blijven opschalen. Maar wanneer grote enterprise-klanten hun consumptie gaan beperken, interne AI-budgetten herzien of harde ROI-eisen stellen, wordt het groeiverhaal minder vanzelfsprekend.

De spanning zit in het verdienmodel. Als AI-labs de prijzen verhogen om marges te verbeteren, kunnen klanten voorzichtiger worden. Als AI-labs consumptieplafonds instellen om verliezen te beperken, kan de omzetgroei afremmen. Als ze de prijzen laag houden om adoptie te stimuleren, blijft de druk op de winstgevendheid bestaan. Dat maakt de weg naar een beursgang complexer.

Voor een IPO-verhaal is timing cruciaal. De eerste AI-lab die naar de beurs gaat, kan waarschijnlijk nog sterk leunen op het groeiverhaal, de strategische positie en de enorme marktpotentie. De tweede partij krijgt mogelijk een moeilijkere discussie met beleggers, zeker als enterprise-klanten inmiddels publiekelijk zeggen dat de AI-ROI nog niet sluit.

Dat betekent niet dat het AI-verhaal kapot is. Het betekent wel dat het verhaal volwassen wordt. De markt gaat niet langer alleen betalen voor belofte, gebruik en hype. De markt gaat vragen naar marges, klantretentie, contractstructuur, prijszettingsmacht en aantoonbare productiviteitswinst.

Wat betekent dit voor beleggers?

Voor beleggers ligt de belangrijkste conclusie in de verschuiving van volume naar kwaliteit. Hoge tokenvolumes zijn niet automatisch positief. Ze kunnen wijzen op adoptie, maar ook op inefficiënt gebruik. Ze kunnen omzetgroei opleveren voor AI-labs, maar ook druk zetten op klanten die de rekening moeten betalen. Ze kunnen meer vraag naar chips en cloudcapaciteit creëren, maar ook leiden tot budgetstress bij enterprise-klanten.

Daarom wordt de AI-keten de komende periode waarschijnlijk selectiever beoordeeld. Bedrijven die aantoonbaar profiteren van AI-infrastructuur, maar niet volledig afhankelijk zijn van onrendabele tokenconsumptie, blijven sterker gepositioneerd. Bedrijven die hun waardering vooral baseren op onbeperkte AI-consumptie krijgen meer vragen. De markt gaat scherper kijken naar wie echt pricing power heeft en wie vooral groei koopt met hoge kosten.

De softwarelaag wordt daardoor belangrijker in de beleggingsanalyse. Niet elk softwarebedrijf profiteert automatisch van AI, maar bedrijven die AI-gebruik kunnen meten, beveiligen, sturen en goedkoper maken, krijgen een sterkere strategische positie. Dat kan een nieuw onderscheid worden binnen de sector. Software die alleen belooft productiviteit te verhogen, zal bewijs moeten leveren. Software die de kosten en risico’s van AI aantoonbaar verlaagt, kan juist meer waard worden.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

Voor dit thema zijn Datadog, Dynatrace, Elastic, Varonis, Cloudflare, Okta en Zscaler de zuiverste namen. Daar zit de directe koppeling met AI-observability, tokencontrole, identity, data security, AI-gatewayfunctionaliteit en governance het sterkst. ServiceNow, Snowflake, Palantir en IBM zijn de grotere platformnamen die kunnen profiteren als AI in gecontroleerde enterprise-workflows, datalagen en IT-processen wordt ingebouwd. JFrog, GitLab, Atlassian, MongoDB, Confluent, SentinelOne, UiPath en PagerDuty zijn kleiner, specifieker of speculatiever, maar kunnen interessant worden als de markt meer waarde gaat toekennen aan software die AI beheersbaar maakt.

Conclusie

De belangrijkste boodschap is dat AI niet verdwijnt, maar dat de vrijblijvendheid uit het verhaal loopt. De vergelijking met internet rond 2000 is daarom relevant. De technologie kan structureel veranderen hoe bedrijven werken, maar dat betekent niet dat elke onderneming, elk verdienmodel en elke waardering automatisch overeind blijft. Uiteindelijk moet de economische waarde zichtbaar worden.

Wij zien dit als een gezonde, maar harde reset van het AI-narratief. De volgende fase wordt niet gewonnen door bedrijven die de meeste tokens verbranden, maar door bedrijven die AI kunnen vertalen naar meetbare productiviteit, lagere kosten, hogere marges en beter gecontroleerde workflows. Juist daarom kan software opnieuw een sleutelrol krijgen. AI creëert het probleem van explosieve consumptie, maar software kan de laag worden die dit probleem beheersbaar maakt.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

Voor OpenAI, Anthropic en andere AI-labs wordt dit de grote test richting een toekomstige beursgang. Voor beleggers betekent dit dat AI nog steeds een belangrijk thema blijft, maar dat de markt vanaf nu veel minder blind zal betalen voor groei zonder zichtbaar rendement. De winnaars in deze cyclus worden waarschijnlijk niet alleen de bedrijven die AI-capaciteit leveren, maar vooral de bedrijven die bewijzen dat AI economisch werkt.

🔵 English version

AI token usage is getting out of control: software can become the new winner

Large technology companies that previously pushed employees to maximize AI usage are now running into a harder reality. More AI usage does not automatically mean more productivity, more software output or more value for the customer. The first phase of the AI hype was about adoption, usage and speed. The new phase is about return, cost control and whether the enormous level of token consumption can still be economically justified.

Investment view

We see growing parallels between AI today and the internet around 2000. The technology itself is revolutionary and will not disappear, but the market is starting to look more critically at the economic foundation of the story. Just as during the internet bubble, it is now becoming clear that growth, usage and promise are not enough. Ultimately, return has to be delivered.

The first phase of AI was about adoption, scale and speed. Companies wanted to show that employees were using AI, that enterprise contracts were growing and that the technology could be rolled out everywhere. The next phase will be much stricter. Investors will not only look at token usage, cloud revenue and AI adoption, but especially at whether this also leads to higher margins, lower costs, better products and measurable productivity gains.

■ The AI hype is shifting from usage to return. Companies no longer want to see only more AI consumption, but proof that token usage leads to real productivity, better software and measurable cost savings.
■ Agentic AI makes the business model more sensitive. Per-token prices may be falling, but the number of tokens per task is rising faster, which means total costs for customers and AI labs continue to move higher.
■ Software may become the new control layer above AI. Companies need tools that steer token usage, measure costs, deploy models more intelligently, control access and show where AI truly adds value.
■ For OpenAI, Anthropic and other AI labs, this becomes an important IPO risk. If large enterprise customers limit consumption, renegotiate pricing or reduce internal budgets, the growth story becomes less clean.

This changes the AI story from hype to discipline. Companies that can truly convert AI into economic value remain interesting. Companies that mostly rely on high consumption, high costs and unclear returns will face more pressure. That is exactly what happened around 2000. The internet remained, but not every internet company turned out to be a good stock. The same can happen with AI. The winners will probably remain large, but the market will become much more critical about who truly creates value and who is only growing revenue or usage without clear returns.

Tokenmaxxing becomes a cost problem

At companies such as Microsoft, Meta and Amazon, internal targets were used to encourage employees to use AI more aggressively. On paper, that makes sense. More AI usage should lead to faster processes, less manual work and higher productivity. In practice, however, a different problem emerges. When AI usage itself becomes the performance metric, employees start optimizing for that metric.

That is the classic problem of Goodhart’s Law. Once a metric becomes a target, it loses part of its value. If employees are judged on AI usage, they have an incentive to use AI more often, even when the task does not really require it. Token consumption then rises, but the quality of the work does not necessarily improve.

On top of that, agentic AI is much more expensive than a normal AI query. A standard question to a language model is relatively straightforward. An AI agent works differently. It breaks tasks into steps, checks itself, performs intermediate actions, repeats logic and sometimes uses multiple model rounds before producing an answer or action. As a result, a single task can consume far more tokens than companies originally expected.

That makes the cost structure more dangerous than many investors think. The price per token can fall, but if the number of tokens per task rises faster, the total bill still goes up. That is the reversal of the original AI story. The market assumed that scale, falling inference costs and more efficient models would improve margins. Now it turns out that more complex applications can actually create much higher consumption.

OpenClaw shows how fast the bill can rise

The OpenClaw case shows how extreme this can become. Peter Steinberger, the creator of OpenClaw, said his team consumed 1.3 million dollars in OpenAI tokens in a single month. That is no longer a small experiment, but a hard illustration of what happens when agentic AI is deployed at larger scale.

For AI labs, this is attractive on one side because higher consumption drives more revenue. On the other side, it is a risk because customers will eventually ask what they are actually getting back for that spending. If output does not rise proportionally, AI changes from a productivity engine into a cost item.

The comment from NVIDIA CEO Jensen Huang fits into the same picture. He reportedly encouraged engineers to consume AI tokens worth at least half their annual salary. Strategically, that is understandable because NVIDIA benefits from more AI usage, more datacenter load and more chip demand. But for companies paying the bill, the analysis is different. For them, the issue is not consumption itself, but return per dollar spent.

Uber becomes the turning point in the story

Uber matters because the company is not an AI skeptic. Uber has strongly embraced AI, used internal tooling and tried to bring AI broadly into the organization. That is exactly why the message from COO Andrew Macdonald is so relevant. He said the company is having more difficulty justifying AI spending and that the link between AI consumption and actually shipped product features is not yet convincing enough.

That goes to the heart of the problem. Consuming tokens and delivering value are not the same thing. A company can use a lot of AI, burn a lot of budget and still fail to see enough incremental output. For management teams, that becomes increasingly difficult to defend, especially when AI spending starts to compete with other cost items such as employees, research and development or product investment.

CEO Dara Khosrowshahi said Uber is slowing hiring to fund AI spending. That makes the story even sharper. AI was sold as technology that would raise productivity and lower costs. But when a company has to slow headcount growth to free up AI budget, the question changes. Is AI already a real efficiency engine, or is it still mainly a new cost category?

Duolingo shows where the performance metric breaks down

Duolingo fits into the same pattern. The company reversed a decision to include AI usage in performance reviews. That is telling because employees started asking whether they had to use AI just to use AI. This shows how quickly a well-intended productivity incentive can turn into the wrong behavior.

If AI usage becomes the benchmark, usage will naturally rise. But that does not mean output rises. The risk is that companies end up with an internal AI dashboard that looks impressive, while the real operating results are less convincing. For investors, that is an important distinction. Adoption percentages, token volumes and usage statistics are only valuable if they are linked to lower costs, higher revenue, better products or faster execution.

That is exactly where the AI market is becoming more demanding. The question is no longer only whether companies use AI. The question is whether AI usage improves the profit and loss statement.

Software becomes the new control layer above AI

The most interesting investment turn may not be at the AI labs themselves, but in the software layer that emerges above AI. In recent years, AI was often presented as a threat to software. If employees can work directly with models, part of the existing software stack could become less valuable. The current cost development points to a different outcome.

When AI usage is encouraged without limits, token consumption rises quickly. That does not automatically make AI less valuable, but it does make it harder to manage. Companies need to know when AI is being used, how many tokens a task consumes, which model is being deployed, which output truly adds value and where waste is emerging. Without that control, AI changes from a productivity engine into a new cost layer.

That is why software can become more important. Not as an old application layer being replaced by AI, but as a control layer that makes AI economically usable. Companies need tools for AI governance, cost management, model routing, workflow control, identity, security, compliance and output measurement. The question then shifts from “who uses the most AI?” to “who uses AI most efficiently?”

For investors, this is an important nuance. The AI chain is not only about chips, datacenters, cloud capacity and foundation models. A market is also emerging for software that prevents AI usage from getting out of control. In that layer, real value can be created because companies do not want to abandon AI, but they do want to manage it better.

The paradox is clear. AI was sold as technology that could pressure software, but the explosion in token costs may actually start a new software cycle. The winners will then not only be the companies providing AI capacity, but also the companies that make AI consumption measurable, controllable, secure and profitable.

Datadog $DDOG

Datadog is one of the purest names within this theme because the company is already deeply positioned in observability, monitoring, logs, traces and application performance. That is exactly the layer companies need when AI applications and AI agents no longer run in experiments, but become part of production environments. Once AI enters real workflows, companies do not only want to know whether the application works. They also want to know how many tokens are being consumed, which prompts are expensive, where latency emerges, which agent steps fail and which processes require unnecessary compute.

Datadog’s strength is that AI observability can be built logically on top of the existing monitoring layer. Many customers already use Datadog to monitor cloud infrastructure, software performance and digital environments. AI then does not become a completely separate world, but an additional layer inside the same operational cockpit. That makes Datadog interesting when companies want to control AI costs while also seeing whether AI truly adds value. In a world where token usage is being scrutinized, Datadog can benefit from the need for transparency, control and measurability.

The caveat is valuation. Datadog is a quality name, but that also means the bar is high. The stock has to keep proving that growth, margins and AI-related product expansion are strong enough to justify that premium.

Dynatrace $DT

Dynatrace fits into the same observability category, but with a more enterprise-focused positioning. The company focuses on end-to-end visibility across complex software environments, including infrastructure, applications, user experience, data flows and automation. This becomes especially important at larger companies as AI moves deeper into business processes. An AI agent that controls multiple systems, executes several steps and supports decisions cannot be treated as a separate black box. Control is needed over performance, reliability, costs and data quality.

Dynatrace can benefit from the shift toward AI in production environments because large enterprises do not only want to know whether a model gives an answer, but also whether the full chain functions properly. Think of the data that comes in, the agent that executes actions, the application that responds and the user who ultimately receives output. If latency, wrong behavior or waste appears anywhere in that chain, it has to become visible. Dynatrace is well positioned to monitor that complexity and can therefore benefit from the need for more professional AI operations.

The caveat is that Dynatrace is less of a pure hype name. That can be positive for quality, but the stock may move less aggressively on AI sentiment. In addition, the company remains dependent on enterprise budgets and large software contracts.

Elastic $ESTC

Elastic is interesting because it touches several layers of the AI control story. The company operates in search, observability, security and data analytics. Those are exactly the building blocks needed when companies want to connect AI to their own data. AI only becomes truly useful when models can quickly find the right information, interpret that information and produce output that is reliable enough to be used in workflows. Elastic can therefore play a role in the infrastructure behind AI applications, especially when search, logging, monitoring and security come together.

Elastic’s strength is that the company does not only look at AI output, but also at the data and search layer underneath. When companies deploy AI on internal documents, customer data, logs or operational data, it becomes important to control which information is retrieved, how quickly that happens and whether the outcomes are usable. Elastic can also help with monitoring and security around AI applications. That makes the company fit well into the theme where software has to make AI cheaper, safer and more measurable.

The caveat is competition. Elastic operates in markets where large platform players are also active. The stock has potential, but the company has to keep proving that it can defend its position in search, observability and security.

Varonis $VRNS

Varonis is one of the most important names on the data security side of this story. If AI gets more access to internal corporate data, the question is not only how much AI costs, but also which data AI is allowed to use. That is a crucial point. Generative AI can create a lot of value, but it also becomes more dangerous when employees, models or agents gain access to sensitive, incorrectly shared or poorly secured information. Varonis sits precisely in that layer of data classification, access rights, data risk and governance.

The AI case for Varonis is that safe AI starts with safe data. Companies need to know where sensitive data sits, who has access, which files are shared too broadly and which information must not be used by AI. As AI moves deeper into business processes, this problem becomes larger. An AI agent that works with the wrong or overly broad permissions can unintentionally expose or use sensitive information. Varonis can benefit when enterprises want to roll out AI, but first need to bring data access and governance under control.

The caveat is execution. Varonis operates in a market with strong structural demand, but the stock remains dependent on SaaS growth, commercial execution and the ability to show AI security as a clear growth accelerator.

Cloudflare $NET

Cloudflare clearly belongs in this theme because the company can sit between applications, users, networks and AI models. Cloudflare’s AI Gateway fits directly into the token control problem. Companies using multiple AI models want to know which applications burn the most tokens, which providers are expensive, which requests can be cached and where routing can become smarter. Cloudflare can therefore become a software layer that not only accelerates AI traffic, but also makes it measurable and controllable.

Cloudflare’s strength is that the company already has a strong position at the edge of the internet, with security, network performance, developer tools and traffic control. If AI traffic continues to grow, a gateway function can become more important. Companies do not want to send every AI call to a model without control. They want caching, rate limiting, cost insight, security and model selection to be centrally managed. In that scenario, Cloudflare can benefit from the need to make AI consumption more efficient before costs spiral further.

The caveat is that Cloudflare is often richly valued and AI Gateway still has to prove that it can become a major revenue driver. The strategic story is strong, but the market will eventually want proof in growth, customers and margins.

Okta $OKTA

Okta is an important addition because agentic AI creates an identity problem. If AI agents independently perform tasks, request access to systems, retrieve data or initiate actions, companies need to know who or what that agent is. Identity is then no longer only about people, but also about machines, agents, scripts and autonomous workflows. Okta can benefit if organizations have to register, manage, restrict and secure AI agents as full identities.

Okta’s strength lies in access management and identity governance. In a world with agentic AI, it becomes dangerous to give agents unlimited access to corporate applications and data. Companies will have to assign permissions, track sessions, revoke access and possibly need a kill switch when an agent behaves incorrectly. Okta can therefore play a central role in the question of which AI agent is allowed to do what, on behalf of whom and under which conditions. That makes identity an essential layer in safe AI adoption.

The caveat is that Okta has not always been a flawless growth story in recent years. The company has to prove that AI agent identity is not only a good narrative, but also leads to real demand, better growth and stronger customer retention.

Zscaler $ZS

Zscaler fits into the theme through zero-trust security and secure access to AI applications. When employees and AI agents use more tools, cloud environments and corporate data, the attack surface increases. AI can raise productivity, but it can also create new security risks. Think of data leaks, uncontrolled use of AI apps, sensitive prompts, shadow AI and agents gaining access to systems where they do not belong. Zscaler can benefit from the need to make AI usage secure.

Zscaler’s strength is that the company is already deeply positioned in secure access, cloud security and zero-trust architecture. If companies want to allow AI usage without losing control, they need policy, inspection, access control and data protection. Zscaler can play a role in securing AI applications, managing AI traffic and limiting risks around sensitive corporate information. Within the new AI control layer, Zscaler is less of a token cost name, but clearly a security winner.

The caveat is competition and valuation. Zscaler operates in a strong market, but also in a market where many security companies use AI as a growth story. The stock has to keep proving that it is differentiated and that AI security leads to additional growth.

ServiceNow $NOW

ServiceNow is not a small name, but it is one of the most logical platform winners within this theme. AI ultimately has to land in controlled workflows. Companies do not only want a model that gives answers, but systems that perform tasks within IT, HR, finance, operations, risk and compliance. ServiceNow is already deeply embedded in those enterprise processes and therefore has a strong starting position. If AI agents have to operate within existing business processes, the workflow layer becomes more important.

ServiceNow’s strength is that AI does not have to be sold as a separate tool. The company can integrate AI into existing processes where customers already have approvals, escalations, controls and policies in place. That matters because companies do not want AI to act without limits. They want to use AI within clear boundaries, with visibility into responsibility, risk and output. ServiceNow can benefit if AI shifts from separate experiments to controlled automation inside large organizations.

The caveat is valuation. ServiceNow is a premium software stock. That means investors already price in a lot of quality and growth. The company has to keep proving that AI is not only a product story, but also actually produces additional revenue, customer retention and margin.

Snowflake $SNOW

Snowflake belongs in this theme through the data layer. AI ultimately runs on data. Companies can use the best models, but without clean, safe, accessible and well-governed data, output remains limited. Snowflake sits on the foundation of enterprise data and can benefit when companies want to bring AI closer to their own data. This is important because many enterprises are reluctant to let sensitive data flow through external AI tools without control.

The investment case for Snowflake is that companies want to use AI inside a controlled data environment. They want to combine, analyze and make data available for AI applications without losing sight of governance, security and access. Snowflake can therefore play an important role in the transition from generic AI tools to enterprise AI that runs on proprietary data. The value is not only in the model, but in the quality and control of the data on which the model works.

The caveat is that Snowflake remains sensitive to valuation and consumption growth. The company has to prove that AI accelerates demand for its platform and that customers remain willing to spend more on data infrastructure.

Palantir $PLTR

Palantir fits very well into this theme because the company connects AI, data, workflows and operational decision-making. Palantir does not sell a separate chatbot, but a platform that allows organizations to use AI within real processes. That is important in sectors where decisions carry weight, such as defense, government, industry, energy, healthcare and large enterprises. In those environments, control matters more than speed alone.

Palantir’s strength is that AI does not sit separately above the organization, but is connected to data, roles, permissions, workflows and decisions. As AI moves from demo to production, that connection becomes more important. Companies want to know which data is being used, why a certain recommendation is made and which action follows afterward. Palantir can benefit from that shift because it specifically focuses on operational AI with control, context and governance.

The caveat is valuation. Palantir is one of the strongest thematic AI software stories, but also one of the most sensitively priced stocks. A good company can still be a vulnerable stock when the multiple runs too far ahead of the fundamentals.

GitLab $GTLB

GitLab is interesting from the developer workflow angle. If AI writes more code, software development does not disappear. The need for control actually becomes greater. Companies have to know which code was generated by AI, who reviews that code, how it is tested, where vulnerabilities sit and how safely that code moves into production. GitLab sits in that DevSecOps layer and can benefit if AI coding leads to more need for governance around software development.

The core point is that AI can make developers faster, but speed without control creates risk. More AI code can lead to more commits, more dependencies, more security questions and more need for automated testing and compliance. GitLab can then become more important as a platform for version control, security, CI/CD, release management and software governance. In this scenario, AI does not replace the developer workflow, but raises the demands placed on that workflow.

The caveat is competition. Microsoft GitHub remains a heavy competitor, especially through the combination with Copilot and the broader Microsoft environment. GitLab therefore has to keep showing that it remains differentiated enough for enterprise customers.

JFrog $FROG

JFrog is smaller and more speculative, but thematically interesting within software supply chain security. If AI generates more code, components, models and agentic workflows, control over what is built, stored, distributed and released becomes much more important. JFrog sits in artifact management, software releases, dependencies and supply chain governance. That makes it relevant in a world where AI accelerates software production, but also creates more risk.

The case for JFrog fits the theme of prompt to production. AI can make code faster, but companies then have to verify whether that code is safe, reliable, reproducible and compliant. This does not only apply to traditional software, but also to AI models, packages, dependencies and internal building blocks. JFrog can benefit when enterprises realize that AI-generated software cannot simply move directly into production. A control layer is needed and JFrog can play a role there.

The caveat is that JFrog is less obvious as an AI winner. The market still has to more broadly appreciate the link between AI code, software supply chain security and governance. That makes the stock more speculative.

Atlassian $TEAM

Atlassian fits into this theme through team productivity, project control, documentation and software planning. If AI accelerates more work, teams still have to decide what gets built, who is responsible for what, which decisions have been made and how projects are followed up. Jira, Confluence and the broader Atlassian suite sit precisely in that layer of collaboration and work organization. This becomes more important when AI accelerates output, while people still have to provide direction, control and prioritization.

The AI case for Atlassian is that more AI output can actually create more need for workflow discipline. If AI writes tickets faster, creates documentation, supports code or prepares tasks, an organization has to prevent chaos. Project structure, knowledge management, planning and collaboration then matter. Atlassian can benefit if AI does not lead to fewer software tools, but to greater need for a central layer where teams organize, document and control work.

The caveat is that Atlassian is less directly tied to token costs than Datadog, Cloudflare or Varonis. This is more of a productivity and workflow case than a pure AI cost control case.

MongoDB $MDB

MongoDB belongs in the data layer of this theme. AI applications need databases that can flexibly handle application data, semi-structured data, vectors and modern development environments. MongoDB is interesting because many AI applications do not only run on classic tables, but on dynamic datasets, documents and context. In that world, MongoDB can benefit if developers build AI applications that need to work quickly with changing data.

MongoDB’s strength lies in the application layer. Where Snowflake is mainly strong in enterprise data and analytics, MongoDB sits closer to the developer building new applications. If AI leads to a new wave of application development, agentic workflows and data-driven software, MongoDB can remain relevant as a database platform. The connection to AI is less about direct cost control, but more about enabling modern AI applications.

The caveat is that MongoDB is not a pure AI governance or AI cost control name. The stock can benefit from AI application growth, but the link to the token cost problem is less direct than it is for observability, security or gateway companies.

Confluent $CFLT

Confluent is interesting because AI does not only need historical data, but also realtime data. Companies using AI for operational decisions, fraud detection, logistics, customer interaction or financial processes need current data flows. AI agents that work with outdated data deliver less value. Confluent sits in data streaming and can benefit if enterprises build AI applications that need to respond directly to events, transactions and signals.

The connection with AI control lies in reliability and timing. When AI systems make decisions based on realtime data, that data has to be available, correct, controllable and usable. Confluent can therefore become an infrastructure layer underneath realtime AI applications. This is less visible than observability or security, but strategically important. Much of the real AI productivity will not come from separate chats, but from systems that automatically respond to current corporate data.

The caveat is that Confluent remains a more difficult stock. The company faces competition, valuation pressure and questions around the consumption model. The thematic link is strong, but execution has to remain convincing.

SentinelOne $S

SentinelOne is a smaller security name that fits into this theme because AI expands the attack surface. More AI tools, more agents, more endpoints and more automated workflows also mean more risks. Companies not only have to protect against traditional attacks, but also against new threats around AI usage, identities, data access and automated actions. SentinelOne can benefit if AI security and endpoint protection become more important inside enterprise environments.

SentinelOne’s strength lies in the combination of endpoint security, autonomous detection and AI-driven security. As AI systems become more embedded in business processes, organizations need to recognize suspicious activity faster and respond automatically. This fits the broader trend in which security is not only defensive, but increasingly realtime and automated. SentinelOne is therefore not a pure token control name, but it is a potential winner within the security layer around AI.

The caveat is that SentinelOne operates in a highly competitive market. CrowdStrike, Microsoft and other security players remain strong competitors. The stock is therefore more speculative and requires clear improvement in growth, margins and commercial execution.

UiPath $PATH

UiPath is an interesting but difficult name. The company operates in automation and robotic process automation, a market that gets both opportunities and threats from AI. On one side, AI agents can partially replace classical RPA. On the other side, companies need controlled automation precisely to use AI safely inside processes. UiPath can benefit if it evolves from a traditional RPA player into a broader automation layer where AI agents, workflows and controls come together.

The AI case for UiPath is about governance of automation. Companies want to automate processes, but not without control. They need to know which tasks are being performed, where human approval is required, which systems are being touched and which errors may arise. If UiPath successfully integrates AI into its automation platform, it can benefit from demand for controlled execution rather than separate AI experiments.

The caveat is that UiPath may remain under pressure if agentic AI replaces classical RPA faster than UiPath can reinvent itself. This is therefore not a simple quality case, but a stock with both clear opportunities and clear risks.

PagerDuty $PD

PagerDuty is the most speculative name in this basket. The company operates in incident management, operations and digital response processes. If AI systems run more often in production, there will also be more alerts, errors, escalations and operational incidents. Companies will then need software that quickly detects problems, prioritizes them and routes them to the right teams. In that sense, PagerDuty can benefit from the operational complexity caused by AI.

The AI case is that agentic systems can not only raise productivity, but also introduce new risks. AI workflows can fail, initiate wrong actions, produce wrong output or get stuck in critical processes. When that happens, organizations need to intervene quickly. PagerDuty can become relevant as a layer for incident response, digital operations and automated escalation. That makes the stock interesting as a smaller name in AI operations, but with a higher risk profile.

The caveat is that PagerDuty is not currently a clear quality compounder. Growth has to strengthen and the market has to regain confidence in the long-term story. This is more of a speculative turnaround name than a safe software winner.

IBM $IBM

IBM is not a pure software AI control name, but as a broad enterprise player it belongs on the edge of this theme. Through software, consulting, hybrid cloud, governance and cost management, IBM can benefit if large enterprises do not only want to buy AI, but also want to implement, control and monetize it. Especially in complex enterprise environments, IBM still plays a role because many large companies need help with integration, policy, compliance and modernization.

The case for IBM is less exciting, but institutional. If AI costs become part of broader IT costs, cloud costs and governance questions, IBM can benefit through tools, consulting and enterprise relationships. This is not a stock that is likely to receive the highest AI multiple, but it is a name that can participate if large companies start operationalizing AI seriously. The role is therefore broader and more supportive than purely focused on token control.

The caveat is that IBM is less pure than names such as Datadog, Cloudflare, Varonis or Okta. The AI case is broader, but also less sharp. Investors will probably continue to judge IBM on total growth, margins, consulting demand and execution within hybrid cloud and software.

The impact on OpenAI, Anthropic and the IPO market

For OpenAI, Anthropic and other AI labs, this becomes an increasingly important issue. Their valuations are built on rapid revenue growth, large enterprise contracts and the idea that AI becomes indispensable for companies. That story remains strong as long as customers continue to scale. But when large enterprise customers start limiting consumption, reviewing internal AI budgets or demanding hard ROI, the growth story becomes less automatic.

The tension sits inside the business model. If AI labs raise prices to improve margins, customers may become more cautious. If AI labs introduce consumption caps to limit losses, revenue growth may slow. If they keep prices low to drive adoption, pressure on profitability remains. That makes the path toward an IPO more complex.

For an IPO story, timing is crucial. The first AI lab to go public can probably still lean heavily on the growth story, the strategic position and the enormous market potential. The second company may face a more difficult discussion with investors, especially if enterprise customers are already saying publicly that AI ROI does not yet close.

That does not mean the AI story is broken. It means the story is maturing. The market will no longer pay only for promise, usage and hype. The market will ask for margins, customer retention, contract structure, pricing power and measurable productivity gains.

What does this mean for investors?

For investors, the main conclusion is the shift from volume to quality. High token volumes are not automatically positive. They can point to adoption, but also to inefficient usage. They can create revenue growth for AI labs, but also pressure the customers paying the bill. They can create more demand for chips and cloud capacity, but also lead to budget stress at enterprise customers.

That is why the AI chain will probably be assessed more selectively in the coming period. Companies that clearly benefit from AI infrastructure but are not fully dependent on uneconomic token consumption remain better positioned. Companies whose valuation is mainly based on unlimited AI consumption will face more questions. The market will look more closely at who truly has pricing power and who is mainly buying growth with high costs.

The software layer therefore becomes more important in the investment analysis. Not every software company automatically benefits from AI, but companies that can measure, secure, steer and reduce the cost of AI usage gain a stronger strategic position. That can become a new distinction within the sector. Software that only promises productivity gains will have to prove them. Software that clearly lowers the costs and risks of AI may become more valuable.

For this theme, Datadog, Dynatrace, Elastic, Varonis, Cloudflare, Okta and Zscaler are the purest names. That is where the direct connection with AI observability, token control, identity, data security, AI gateway functionality and governance is strongest. ServiceNow, Snowflake, Palantir and IBM are the larger platform names that can benefit if AI gets embedded into controlled enterprise workflows, data layers and IT processes. JFrog, GitLab, Atlassian, MongoDB, Confluent, SentinelOne, UiPath and PagerDuty are smaller, more specific or more speculative, but they can become interesting if the market assigns more value to software that makes AI controllable.

Conclusion

The main message is that AI is not disappearing, but the easy part of the story is fading. The comparison with the internet around 2000 is therefore relevant. The technology can structurally change how companies work, but that does not mean every company, every business model and every valuation automatically survives. Ultimately, the economic value has to become visible.

We see this as a healthy but hard reset of the AI narrative. The next phase will not be won by companies that burn the most tokens, but by companies that can translate AI into measurable productivity, lower costs, higher margins and better controlled workflows. That is exactly why software can once again take a key role. AI creates the problem of explosive consumption, but software can become the layer that makes this problem manageable.

For OpenAI, Anthropic and other AI labs, this becomes the major test ahead of any future IPO. For investors, it means AI remains an important theme, but the market will now be much less willing to blindly pay for growth without visible returns. The winners in this cycle are likely not only the companies that deliver AI capacity, but especially the companies that prove AI works economically.