Microsoft stopt met intern Claude-gebruik omdat AI-kosten te hard oplopen

maandag, 25 mei 2026 om 7:12

Microsoft stopt grotendeels met interne Claude Code-licenties en stuurt medewerkers richting GitHub Copilot CLI, nadat de kosten van AI-codetools te hoog werden. Dat melden onder meer The Verge en TechRadar. De overstap moet uiterlijk op 30 juni 2026 plaatsvinden en raakt teams rond Windows, Microsoft 365, Outlook, Teams en Surface.

De beslissing laat zien dat zelfs een van de grootste cloudbedrijven ter wereld moeite heeft met de kosten van generatieve AI op schaal. Claude Code, de programmeerassistent van Anthropic, werd sinds december intern gebruikt door duizenden Microsoft-medewerkers. Volgens The Verge bleef toegang tot Claude-modellen wel mogelijk via Copilot CLI, maar Microsoft wil de directe workflow standaardiseren rond zijn eigen GitHub-product.

Waarom stopt Microsoft met Claude Code?

Microsoft stopt niet omdat Claude Code onbruikbaar was, maar omdat grootschalig gebruik financieel lastig voorspelbaar werd. Bij token-gebaseerde prijzen betalen bedrijven niet alleen per gebruiker, maar voor elke prompt, uitvoer en gegenereerde coderegel.

Dat model maakt populaire AI-tools duur zodra veel ontwikkelaars ze dagelijks gebruiken. TechRadar wijst erop dat de deadline samenvalt met het einde van Microsofts fiscale jaar, wat de kostenbesparing extra aannemelijk maakt.

AI-prijzen zetten bedrijfsbudgetten onder druk

De stap past in een bredere verschuiving binnen enterprise-AI. Volgens inkoopplatform Tropic zijn AI-gedreven softwarevernieuwingen de afgelopen periode 20 tot 37 procent duurder geworden.

Ook Uber liep tegen die realiteit aan. Forbes schreef dat Uber zijn AI-budget voor 2026 al in vier maanden had opgebruikt door intensief gebruik van AI-codetools zoals Claude Code.

Wat betekent dit voor bedrijven?

De Microsoft-keuze maakt duidelijk dat AI-adoptie niet meer alleen draait om productiviteit. Bedrijven moeten nu ook meten hoeveel tokens teams verbruiken, welke taken AI echt versnelt en waar intern standaardiseren goedkoper is dan externe tools blijven stapelen.

Voor AI-leveranciers ontstaat daarmee een spanningsveld. Hogere gebruikskosten zijn nodig om rekenkracht en modelontwikkeling te bekostigen, maar te hoge kosten kunnen juist remmen op brede adoptie.