AI:s öppen källkod når brytpunkten: Företag överger dyra modeller för billigare kinesiska alternativ

De tre krafterna som driver förändringen

1. Skyhöga API-räkningar för proprietära modeller

Ekonomin i API-baserade proprietära modeller blir smärtsam i stor skala. Ett företag som bearbetar 100 miljoner tokens per dag via ett proprietärt API kan spendera över 500 000 dollar per månad. Samma arbetsbelastning på självhostade modeller med öppen källkod kostar en bråkdel av det, även med hänsyn till infrastruktur och ingenjörskostnader . Detta ekonomiska tryck är den främsta utlösaren för förändringen, med två tredjedelar av organisationerna i en undersökning som rapporterar att AI med öppen källkod är billigare att driftsätta än proprietär AI .

2. Multimodell-routing blir mainstream

Verktyg som OpenRouter och liknande AI-marknadsplatser har blivit standardarkitekturen för företag. Dessa verktyg gör det möjligt för företag att tilldela varje uppgift till den billigaste adekvata modellen och spara dyra premium-API:er endast för det mest komplexa arbetet. Detta tillvägagångssätt turbo-laddar kostnadsbesparingarna och driver direkt den dramatiska förändringen i token-routing mot alternativ med öppen källkod . Resultatet har blivit en årlig minskning av token-kostnaderna för företag från 18,40 dollar per miljon tokens under första kvartalet 2025 till 6,07 dollar under första kvartalet 2026 .

3. Prestandagapet har i praktiken försvunnit

Det kvalitativa argumentet för att betala en premie för proprietära modeller har försvagats dramatiskt. I slutet av 2025 hade MMLU-riktmärkesgapet mellan modeller med öppen källkod och proprietära modeller minskat från 17,5 procentenheter till bara 0,3 – gapet hade i praktiken stängts på allmänna kunskapsriktmärken . På LMSys Chatbot Arena är gapet nu inom några dussin Elo-poäng, vilket ligger inom felmarginalen för vissa mätvärden .

Ledande kinesiska modeller är nu riktmärken för värde. DeepSeek-V3.2 matchar GPT-5.1 till en tiondel av inferenskostnaden . När det gäller agentisk prestanda har modeller som GLM-4.7 slagit varje proprietär modell på τ²-Bench . Denna prestandajämvikt innebär att för den stora majoriteten av företagsanvändningsfall – vissa analytiker uppskattar 80 % – levererar modeller med öppen källkod nu jämförbara eller överlägsna resultat .

Kinesiska modeller leder satsningen på öppen källkod

Berättelsen handlar inte längre bara om öppen källkod kontra proprietär; det handlar alltmer om amerikanskt kontra kinesiskt ledarskap inom öppen källkod. Kinesiska utvecklare har aggressivt antagit en distributionsstrategi med öppen källkod för att driva global adoption, och det fungerar.

• Nedladdningsdominans: Mellan augusti 2024 och augusti 2025 stod kinesiska utvecklare av öppna modeller för 17,1 % av alla nedladdningar på Hugging Face, vilket något överträffade amerikanska utvecklare på 15,8 % .
• Marknadsandelsökning: Alibabas Qwen och DeepSeek har fångat uppskattningsvis 15 % av den globala AI-marknaden från och med januari 2026, upp från knappt 1 % i början av 2025 . Qwen passerade Metas Llama som den mest nedladdade LLM-familjen på Hugging Face i september 2025 .
• Volym av lanseringar: I juli 2025 hade Kina släppt cirka 1 509 av världens cirka 3 755 offentliga LLM:er – långt fler än något annat land .

Denna översvämning av kapabla, lågkostnadsmodeller förändrar i grunden globala AI-försörjningskedjor och ekonomiska överväganden för företag världen över.

Kostnadskonsekvenserna för företag

Kostnadsfördelarna med att byta är svindlande och mångdimensionella.

Även när man tar hänsyn till de operationella omkostnaderna för självhostning är en arbetsbelastning på 100 miljoner tokens per dag 55 % billigare med öppen källkod, och vid 1 miljard tokens per dag ökar besparingen till 81 % .

Trycket på OpenAI och Anthropic

Denna förändring har skapat en existentiell kris för pionjärerna inom den proprietära AI-eran. När företag röstar med sina plånböcker kläms OpenAI och Anthropic från alla håll.

Ett brutalt priskrig

Wall Street Journal och Bloomberg har rapporterat om ett eskalerande priskrig mellan de två företagen . Sam Altman har medgett att kostnader är ett "enormt problem" för kunderna, och OpenAI överväger enligt uppgift kraftiga prissänkningar på tokens för att motverka Anthropics framgångar på företagsmarknaden .

Siffrorna ljuger inte

• OpenAI:s rörelsemarginal: OpenAI redovisade en justerad rörelsemarginal på -122 % under första kvartalet 2026 och förlorade 1,22 dollar för varje intjänad dollar .
• Anthropics explosiva tillväxt: Anthropics årliga intäktstakt steg till 47 miljarder dollar i maj 2026, upp från cirka 10 miljarder dollar för hela 2025, kraftigt drivet av företagsadoptionen av Claude Code .
• Växande hot: Kinesiska modeller som Zhipus GLM 5.2 ligger nu inom en procentenhet från Anthropics Opus 4.8 på agentiska riktmärken till ungefär en femtedel av kostnaden . Dessutom lägger effektivitetsfokuserade produkter från Microsoft, Amazon och Google också nytt tillväxttryck på båda företagen .

IPO-risken

Båda företagen tävlar mot börsnoteringar i slutet av 2026 . Den centrala risken är att krympande marginaler för att konkurrera med öppen källkod och kinesiska alternativ kommer att undergräva deras förmåga att upprätthålla de massiva infrastruktursatsningar som krävs för att behålla en ledande position . En analytiker från D.A. Davidson noterade att nuvarande tillväxttakter kanske inte är hållbara när utgiftsmiljön förändras .

Vägen framåt: En hybridvärld

Framtiden för AI för företag är inte ett binärt val mellan öppet och stängt. Data tyder på att en hybridarkitektur håller på att bli den nya normalen. Företag kommer att använda proprietära modeller för högrisk-, varumärkesexponerade eller juridiskt reglerade arbetsflöden där garantier och SLA:er är icke förhandlingsbara . För kostnadskänslig batchbearbetning, innehållsgenerering i hög volym och lokala driftsättningar kommer modeller med öppen källkod – särskilt de från Kina – att bli standard .

Den strategiska slutsatsen för alla företagsledare är tydlig: eran av att betala en premie för AI-kapacitet är över. All AI-strategi som inte tar hänsyn till de sjunkande kostnaderna och den ökande kvaliteten hos modeller med öppen källkod är redan föråldrad.