Open Weights en Closed Source: zo veranderen AI-modellen de markt

AI-modellen die vrij kunnen worden gedownload, worden snel krachtiger, kleiner en goedkoper. Hebben bedrijven voor iedere AI-taak nog wel een kostbaar model uit een enorm datacenter nodig?

AI-modellen die vrij kunnen worden gedownload, worden snel krachtiger, kleiner en goedkoper. Daardoor ontstaat een nieuwe vraag: hebben bedrijven voor iedere AI-taak nog wel een kostbaar model uit een enorm datacenter nodig?

Om die ontwikkeling te begrijpen, is het belangrijk om onderscheid te maken tussen open weights, open source en closed source. Deze termen worden vaak door elkaar gebruikt, maar betekenen niet hetzelfde.

Wat zijn open weights?

Tijdens het trainen van een AI-model worden miljarden of zelfs biljoenen numerieke waarden berekend. Deze waarden worden weights genoemd. Ze bepalen hoe het model informatie verwerkt en een antwoord formuleert.

Bij een model met open weights worden deze getrainde waarden beschikbaar gesteld om te downloaden. Ontwikkelaars en organisaties kunnen het model daardoor op hun eigen computers of servers draaien. Ze kunnen het bovendien aanpassen aan een specifieke toepassing, zonder iedere vraag naar de oorspronkelijke aanbieder te sturen.

Open weights bieden organisaties onder meer:

• meer controle over het model;
• minder afhankelijkheid van één leverancier;
• de mogelijkheid om AI lokaal te gebruiken;
• meer grip op gevoelige gegevens;
• mogelijkheden om het model voor een eigen sector of taak aan te passen.

Open weights betekent echter niet automatisch dat een model volledig open source is.

Open weights is niet hetzelfde als open source

Bij open-source software is de broncode beschikbaar om te bekijken, aan te passen en verder te verspreiden. Voor een volledig open AI-systeem is meer nodig dan alleen toegang tot de weights.

Ook de volgende onderdelen kunnen relevant zijn:

• de broncode waarmee het model is getraind;
• informatie over de gebruikte trainingsdata;
• de trainingsmethode en instellingen;
• de evaluaties en veiligheidsmaatregelen;
• een licentie die hergebruik en aanpassing toestaat.

Een AI-model kan dus open weights aanbieden, terwijl de trainingsdata en een groot deel van het ontwikkelproces gesloten blijven. Ook kan de licentie beperkingen bevatten voor commercieel gebruik of bepaalde toepassingen.

Open weights maken een model bruikbaar en aanpasbaar, maar niet noodzakelijk volledig transparant of reproduceerbaar.

Wat betekent closed source?

Bij een closed-source AI-model blijven de weights, trainingsdata en technische werkwijze grotendeels in handen van de ontwikkelaar. Gebruikers krijgen toegang via een website, app of API.

De aanbieder bepaalt:

• welke modellen beschikbaar zijn;
• hoeveel het gebruik kost;
• welke functies worden aangeboden;
• hoe het model wordt beveiligd;
• onder welke voorwaarden gegevens worden verwerkt;
• wanneer een model wordt aangepast of verwijderd.

Closed-source modellen bieden veel gemak. Een gebruiker hoeft geen eigen servers te beheren en krijgt doorgaans automatisch toegang tot updates, ondersteuning en ingebouwde veiligheidsmaatregelen.

Daar staat tegenover dat de gebruiker afhankelijk blijft van de aanbieder. Prijzen, gebruiksvoorwaarden en toegang kunnen veranderen. Ook is het vaak moeilijker om precies te controleren hoe het model werkt en wat er met ingevoerde informatie gebeurt.

Kleine modellen zijn vaak goed genoeg

Open-weights modellen bestaan in verschillende formaten. Sommige kunnen op een laptop of zelfs op een Raspberry Pi draaien. Andere zijn zo groot dat ze alsnog krachtige en energie-intensieve datacenters nodig hebben.

Vooral kleinere modellen kunnen de economische verhoudingen binnen de AI-markt veranderen. Veel dagelijkse AI-taken zijn relatief eenvoudig, zoals:

• een document samenvatten;
• berichten classificeren;
• informatie uit een tekst halen;
• een e-mail of rapport opstellen;
• interne documenten doorzoeken;
• veelgestelde vragen beantwoorden.

Voor deze taken is niet altijd het grootste en duurste model nodig.

Onderzoekers van Stanford lieten met hun Minions-project zien hoe kleine lokale modellen kunnen samenwerken met een groter model in de cloud. In hun tests bleef 97,9 procent van de kwaliteit van een volledige cloudoplossing behouden, terwijl slechts 17,5 procent van de oorspronkelijke cloudkosten nodig was.

Volgens onderzoek dat door FT Alphaville werd aangehaald, konden kleine modellen bij 98,3 procent van de onderzochte chatvragen even goed of beter presteren dan grotere modellen.

De exacte resultaten zullen per taak verschillen. De belangrijkste conclusie is echter duidelijk: veel vragen hoeven niet automatisch naar het krachtigste beschikbare AI-model te worden gestuurd.

Wat betekent dit voor datacenters?

De afgelopen jaren zijn enorme bedragen geïnvesteerd in nieuwe datacenters, chips en energievoorzieningen. Die investeringen zijn gebaseerd op de verwachting dat het gebruik van grote AI-modellen sterk blijft groeien.

Open-weights modellen kunnen die verwachting veranderen.

Wanneer organisaties een groot deel van hun AI-taken lokaal of met kleinere modellen uitvoeren, neemt de behoefte aan dure cloudverwerking per opdracht af. Grote modellen en datacenters blijven nodig, maar mogelijk niet voor iedere samenvatting, zoekopdracht of eerste tekstversie.

Dat betekent niet dat datacenters overbodig worden. Ook open modellen moeten worden getraind en de grootste varianten hebben veel rekenkracht nodig. Wel ontstaat een efficiëntere verdeling: kleine modellen voor eenvoudige taken en grote modellen voor problemen waarvoor hun extra capaciteit werkelijk nodig is.

Ook aan de top wordt de kloof kleiner

Niet alleen kleine modellen worden beter. Ook grote modellen die mogelijk met open weights verschijnen, naderen de prestaties van de beste closed-source systemen.

Kimi K3 behaalde in juli 2026 de derde plaats op de Intelligence Index van Artificial Analysis. Daarmee kon het model zich meten met enkele van de sterkste closed-source modellen van dat moment.

Daarbij hoort een belangrijke nuance. De ontwikkelaar had aangekondigd de weights van Kimi K3 te willen vrijgeven, maar op het moment van de analyse waren ze nog niet beschikbaar. Kimi K3 was toen dus nog geen daadwerkelijk downloadbaar open-weights model.

De snelle ontwikkeling van modellen als Kimi, DeepSeek en GLM laat wel zien hoe snel een technologische voorsprong kan verdwijnen. Een closed-source aanbieder kan vandaag de beste prestaties leveren, terwijl een goedkoper of opener alternatief enkele maanden later dichtbij komt.

Ook gegevens van modelplatform OpenRouter wijzen in die richting. Volgens FT Alphaville daalde het aandeel vragen waarvoor een closed-source model de beste combinatie van prijs en kwaliteit bood van ongeveer 60 procent aan het begin van het jaar naar circa een kwart.

Controle over gegevens en intellectueel eigendom

Kosten zijn niet de enige reden om voor open weights te kiezen. Voor advocatenkantoren, onderzoeksinstellingen, overheden en bedrijven met waardevol intellectueel eigendom kan controle over gegevens minstens zo belangrijk zijn.

Wanneer een organisatie een model lokaal draait, hoeven vertrouwelijke documenten niet standaard naar een externe aanbieder te worden gestuurd. De organisatie kan zelf bepalen:

• waar informatie wordt opgeslagen;
• wie toegang heeft;
• welke beveiligingsregels gelden;
• of gegevens voor andere doeleinden mogen worden gebruikt;
• hoe lang informatie wordt bewaard.

Dat maakt open weights aantrekkelijk voor sectoren die met bedrijfsgeheimen, persoonsgegevens, juridisch vertrouwelijke informatie of nog niet gepubliceerd onderzoek werken.

Een lokaal model is overigens niet automatisch veilig. De organisatie blijft zelf verantwoordelijk voor beveiliging, updates, toegangscontrole en het testen van de uitvoer. Meer controle betekent vaak ook meer technische verantwoordelijkheid.

De voordelen van closed source blijven bestaan

Open weights zullen closed-source modellen waarschijnlijk niet volledig vervangen. Gesloten aanbieders kunnen belangrijke voordelen bieden:

• eenvoudige ingebruikname;
• professionele ondersteuning;
• regelmatige updates;
• ingebouwde veiligheidsmaatregelen;
• toegang tot de nieuwste functies;
• goede prestaties bij complexe redeneertaken;
• integratie met andere zakelijke diensten.

Voor veel kleine organisaties is een gebruiksklare dienst praktischer dan het zelf installeren en beheren van een model. Het draaien van een open-weights model vraagt technische kennis, geschikte hardware en blijvend onderhoud.

De keuze gaat daarom niet alleen over prestaties. Organisaties moeten ook kijken naar totale kosten, privacy, ondersteuning, snelheid, betrouwbaarheid en de mate van controle die ze nodig hebben.

Een AI-markt met meerdere lagen

De meest waarschijnlijke uitkomst is geen markt met één winnaar, maar een markt met verschillende lagen:

• kleine lokale modellen voor dagelijkse werkzaamheden;
• grote open-weights modellen voor organisaties die meer controle willen;
• closed-source frontiermodellen voor de moeilijkste taken;
• hybride systemen die automatisch het geschikte model selecteren.

De werkelijke uitdaging voor grote AI-aanbieders is niet dat open weights hen onmiddellijk overbodig maken. Het is dat steeds minder vragen het grootste en duurste model nodig hebben.

Wanneer gebruikers voor iedere taak het kleinste geschikte model kunnen kiezen, komt de prijsstelling van closed-source aanbieders onder druk te staan. Daarmee wordt ook de economische onderbouwing van een onbeperkte uitbreiding van datacenters minder vanzelfsprekend.

Open modellen maken toezicht ingewikkelder

De verspreiding van open weights heeft ook gevolgen voor het debat over AI-veiligheid.

In 2023 riepen onderzoekers en technologie-experts in een open brief van het Future of Life Institute op tot een tijdelijke pauze bij de ontwikkeling van systemen die krachtiger waren dan GPT-4. Het doel was tijd te creëren voor betere veiligheidsprotocollen en onafhankelijk toezicht.

Open weights maken dat toezicht ingewikkelder. Geavanceerde modellen bevinden zich niet langer uitsluitend binnen een klein aantal grote laboratoria. Zodra de weights zijn gepubliceerd, kunnen kopieën wereldwijd worden opgeslagen, aangepast en opnieuw verspreid.

Openheid kan onderzoek, innovatie en onafhankelijke controle bevorderen. Tegelijk wordt het moeilijker om de ontwikkeling of toepassing van krachtige modellen centraal af te remmen.

Conclusie

Open weights veranderen de AI-markt omdat ze krachtige technologie buiten de infrastructuur van grote aanbieders beschikbaar maken. Ze geven organisaties meer controle, kunnen de kosten verlagen en maken lokale verwerking van gevoelige informatie mogelijk.

Closed-source modellen blijven aantrekkelijk door hun gebruiksgemak, ondersteuning en hoge prestaties. Maar hun positie is minder vanzelfsprekend wanneer kleinere en meer open alternatieven het grootste deel van de dagelijkse taken aankunnen.

De toekomst van AI zal daarom waarschijnlijk niet volledig open of volledig gesloten zijn. Het wordt een combinatie van lokale modellen, open-weights systemen en closed-source diensten, waarbij gebruikers per taak bepalen welke oplossing de beste verhouding biedt tussen kwaliteit, kosten, privacy en controle.