Open-weight AI nadert de gesloten topmodellen

De keuze voor AI in organisaties is niet langer zo simpel als: goedkope open modellen óf krachtige propriëtaire modellen. Mozilla’s analyse State of Open Source AI stelt dat toonaangevende open-weight modellen de gesloten top snel naderen. Daardoor kunnen organisaties steeds meer werk naar zulke modellen verplaatsen, terwijl zij premium-API’s van frontiermodellen achter de hand houden voor taken waarbij een kwaliteitsvoordeel echt verschil maakt. 18

De kloof krimpt, maar is niet verdwenen

In berichtgeving over Mozilla’s bevindingen lag het beste Chinese open-weight model, binnen deze prestatievergelijking, nog slechts ongeveer 4,4 maanden achter op de gesloten frontier. 18 Dat is een totaal andere inkoopsituatie dan een markt waarin open modellen principieel ongeschikt zouden zijn voor productiegebruik.

Kimi K3 is illustratief, maar geen definitief oordeel. In een momentopname van de Artificial Analysis Intelligence Index van september behaalde Kimi K3 59,7 punten: zes punten minder dan de algemene koploper met 65,7. Een jaar eerder bedroeg die afstand nog dertien punten. 17 Andere versies van rapporten en benchmarks gebruiken andere modelvergelijkingen en komen op andere verschillen uit. De relevante boodschap is dus vooral de richting: de achterstand neemt af.

Samengestelde benchmarks zijn nuttig om een eerste selectie te maken, maar bewijzen niet welk model in een concrete organisatie het beste werkt. In de praktijk tellen ook responstijd, omgang met lange context, betrouwbaarheid, beveiligingsmaatregelen, integratiewerk, ondersteuning en juridische voorwaarden mee.

Kies per taak, op basis van de gevolgen

Een kleiner wordende kloof betekent niet dat organisaties in één keer alle gesloten modellen moeten inruilen. Logischer is een portfolioaanpak:

• Gebruik open-weight modellen voor veelvoorkomende, herhaalbare taken waarbij kosten, zeggenschap over data, lokale uitvoering of maatwerk zwaar wegen.
• Houd frontier-API’s beschikbaar voor moeilijke taken waarbij aantoonbaar betere kwaliteit financiële, operationele of veiligheidsconsequenties heeft.
• Beoordeel het hele systeem: dus ook retrieval, tools, vangrails, prompts en menselijke controle — niet uitsluitend het basismodel.
• Test toepassingen voortdurend opnieuw. Nieuwe modelreleases kunnen de grens tussen kosten en prestaties snel verschuiven.

Daar zit de praktische betekenis van convergentie: een premie voor een gesloten model is verdedigbaar als die aantoonbaar tot een beter resultaat leidt, niet alleen omdat dat model ooit de enige serieuze optie was.

Open weights zijn meer dan een prijsargument

Met open-weight modellen kunnen organisaties modellen in hun eigen omgeving draaien en aanpassen, in plaats van volledig afhankelijk te zijn van een dienst die door één leverancier wordt geëxploiteerd. CSIS ziet China’s groeiende open-weight ecosysteem als een uitdaging voor Amerikaans AI-leiderschap: het combineert technologische zelfredzaamheid onder exportcontroles met een bewuste strategie om breed aanpasbare modellen te verspreiden. 5

Zo’n verspreiding kan een ecosysteem opbouwen. Ontwikkelaars, integrators, hulpmiddelen, implementaties en technische standaarden kunnen zich rond een modelfamilie vormen, ook als een andere onderneming op een bepaald moment het beste gesloten model heeft. De concurrentievraag is daarom niet alleen wie vandaag een benchmark aanvoert, maar ook wiens technologie de breed gebruikte platformlaag wordt.

Exportcontroles vormen een belangrijk deel van die achtergrond. Onderzoek in het beschikbare bronnenmateriaal beschrijft hoe de Chinese omarming van open AI toenam na Amerikaanse chip-exportcontroles. Dat laat zien dat beperkingen ook binnenlandse alternatieven en de ontwikkeling van open ecosystemen kunnen stimuleren. 11

Beschuldigingen van distillatie vragen om zorgvuldige formulering

De Amerikaanse National Security Agency (NSA), FBI en CISA stelden in een advies van september dat China-gebaseerde AI-bedrijven op industriële schaal campagnes uitvoerden om afgeschermde, propriëtaire mogelijkheden van Amerikaanse frontiermodellen te onttrekken voor trainingsdoeleinden. 1 In berichtgeving over dat advies werd Moonshot AI genoemd als een van de door Amerikaanse instanties aangewezen bedrijven. 3

Dit zijn beschuldigingen van overheidsinstanties, geen publiekelijk definitief beslechte vaststellingen. Het Chinese ministerie van Buitenlandse Zaken verwierp de aantijgingen als ongegrond. 4 Ook moet een vermeende ongeautoriseerde extractie worden onderscheiden van het bredere technische begrip distillatie: een kleiner model leert daarbij van de uitkomsten van een sterker model. CSIS beschrijft dit als een gangbare trainingsmethode met belangrijke strategische gevolgen. 12

Een alternatief bouwen is meer dan een model uitbrengen

Mozilla-CTO Raffi Krikorian vergelijkt deze strategie met Android: het is een ecosysteemargument. Een breed verspreid en aanpasbaar model kan ontwikkelaars en aanvullende infrastructuur aantrekken, zoals een besturingssysteem waarde kan creëren die verder reikt dan de oorspronkelijke maker.

Mozilla benadrukt dat open AI duurzame infrastructuur nodig heeft die verder gaat dan nieuwe modelreleases. In een eerder rapport wees de organisatie op een Zwitsers publiek consortium dat publieke supercomputers gebruikte en vervolgens de gewichten, data en trainingscode vrijgaf. 11 De achterliggende beleidskeuze is investeren in publieke rekenkracht, onafhankelijke instellingen, betrouwbare data en evaluatie, plus hulpmiddelen voor ontwikkelaars — niet slechts een volgende gesloten modelconcurrent financieren.

Kunnen openheid en veiligheid samengaan?

De Open Secure AI Alliance biedt één antwoord. Nvidia lanceerde deze coalitie in juli samen met technologie- en beveiligingspartners om hulpmiddelen voor AI-veiligheid en cybersecurity te ontwikkelen en te delen, vooral rond software en AI-agents. Het initiatief weerspiegelt de gedachte dat controleerbare, gedeelde beveiligingstools onderdeel kunnen zijn van de aanpak van AI-risico’s.

Dat neemt de reële risico’s van breed beschikbare modellen niet weg. Open distributie kan misbruikpreventie en controle lastiger maken. Maar de beleidskeuze is niet simpelweg open versus veilig, of gesloten versus veilig. Zij draait om de waarborgen, toegangscontroles, evaluaties en verantwoordingsmechanismen die bij elke wijze van inzet horen.

De vraag voor inkopers en beleidsmakers

Voor organisaties is de kernvraag helder: wanneer rechtvaardigt de extra kwaliteit van een propriëtair model de extra kosten en afhankelijkheid? Het antwoord verschilt per taak. Organisaties die modelkeuze meetbaar maken, realistische evaluaties uitvoeren en kunnen wisselen van leverancier, staan sterker dan organisaties die zich vastleggen op één modelcategorie.

Voor beleidsmakers is de afweging ingewikkelder. Leiderschap in frontiermodellen, veiligheid en het beperken van misbruik zijn belangrijk. Maar dat geldt ook voor veerkrachtige open ecosystemen en wereldwijde verspreiding van betrouwbare AI-infrastructuur. CSIS waarschuwt dat een strategie die uitsluitend inzet op propriëtair frontierleiderschap terrein kan verliezen aan goedkopere open alternatieven. 15

Nu de modelkloof kleiner wordt, wordt dat debat urgenter. De AI-wedloop zal steeds minder alleen worden beslist door het beste model in een laboratorium, en steeds meer door de vraag wie er het bruikbaarste, aanpasbaarste en betrouwbaarste ecosysteem omheen bouwt.