Op 27 januari 2025 veegde een Chinese onderzoeksgroep waar de meeste beleggers nog nooit van hadden gehoord, in één handelsdag 589 miljard dollar van de beurswaarde van Nvidia. Het was het grootste eendaagse verlies in de geschiedenis van de Amerikaanse aandelenmarkt. De aanleiding was DeepSeek, en de “zonde” was openheid.
Zelfs Bitcoin (BTC) wankelde toen de markt een simpele gedachte begon te prijzen: frontier‑AI is niet langer het exclusieve domein van een paar gesloten labs.
Kernpunten
- Open‑weight modellen publiceren hun getrainde parameters zodat iedereen ze kan downloaden, draaien en aanpassen. Dat verschilt van volledig open‑source AI, waar óók trainingsdata en -code worden meegeleverd.
- Het gemeten kwaliteitsverschil tussen de beste open en gesloten modellen op publieke ranglijsten kromp in circa een jaar van 8 procent tot minder dan 2 procent, terwijl inferentiekosten honderden keren daalden.
- Lage implementatiekosten, nationale soevereiniteitsagenda’s, soepelere regelgeving en een enorm ontwikkelaarsecosysteem geven open weights inmiddels serieuze tractie tegenover pure API‑spelers.
Wat open‑weight AI precies is
De term wordt vaak losjes gebruikt, dus precisie is belangrijk. Open‑weight betekent dat een ontwikkelaar de uiteindelijke parameters van een getraind neuraal netwerk vrijgeeft: de getallen die coderen wat het model heeft geleerd. Je kunt ze downloaden, op eigen hardware draaien en verder verfijnen.
Open‑weight is niet hetzelfde als open source. De Open Source Initiative publiceerde op 28 oktober 2024 haar Open Source AI Definition, en die legt de lat hoger. Om te kwalificeren zijn gewichten, trainingscode én voldoende detail over de trainingsdata nodig, zodat een deskundige het systeem in grote lijnen kan reconstrueren.
De meeste modellen die vandaag als open source in de markt worden gezet, halen die norm niet. Meta’s Llama, Alibaba’s Qwen en DeepSeek leveren wel de gewichten, maar niet het volledige data‑recept.
De Open Source Initiative is daar helder over en stelt dat alleen open weights niet de vrijheden bieden die we van open‑sourcesoftware gewend zijn. Dat gat voedt een voortdurende strijd over “open washing”: bedrijven die schermen met openheid, maar cruciale onderdelen achterhouden waarmee anderen hun werk zouden kunnen reproduceren.
Toch zijn de gewichten voor de meeste bouwers de hoofdprijs. Met alleen de weights kun je een model uitserveren, verkleinen, hertrainen en in producten verwerken. Kijk wat elke categorie in de praktijk overdraagt:
- Open‑weight: de getrainde parameters, meestal onder een licentie die gebruik, wijziging en vaak ook commerciële inzet toestaat.
- Volledig open source: gewichten plus trainingscode en voldoende datadocumentatie om het model opnieuw op te bouwen.
- Gesloten: niets is downloadbaar, alleen verbruiksgestuurde toegang via een interface.
Juist die middencategorie explodeert in populariteit – en zorgt voor slapeloze nachten in de gesloten labs.
Lees ook: Nvidia daalt bijna 5% door een OpenAI-garantie van $250 mrd die nog niet getekend is
Hoe dit verschilt van de aanpak van OpenAI en Anthropic
OpenAI en Anthropic hanteren precies de omgekeerde strategie. Zij houden hun beste gewichten achter slot en grendel in eigen datacenters en verkopen toegang via een API. Je stuurt een prompt, je krijgt een antwoord – maar het model zelf krijg je nooit te zien.
Dat ontwerp is commercieel logisch. Het beschermt de investeringen in training, houdt de abonnementsmeter lopen en geeft het lab volledige controle om gedrag te patchen of toegang in te trekken.
Er is ook een veiligheidsargument. Anthropic‑topman Dario Amodei betoogt dat een ontwikkelaar, zodra gewichten eenmaal publiek zijn, de controle verliest om vangrails bij te werken of een gevaarlijk systeem terug te roepen.
De keerzijde is afhankelijkheid.
Als het model alleen op andermans servers draait, bepaalt de leverancier de prijs, de uptime, de datatermen en het tempo waarin versies worden uitgefaseerd. Jouw product draait op infrastructuur die je niet bezit en niet kunt inspecteren.
Ondanks jarenlange retoriek over open onderzoek had OpenAI sinds GPT‑2 in 2019 geen enkel open taalmodel meer uitgebracht – tot 5 augustus 2025. De twee gpt‑oss‑modellen, gelanceerd onder de soepele Apache 2.0‑licentie, voelen als een directe concessie aan de druk van open weights. Het bedrijf dat het gesloten API‑model groot maakte, zag zich gedwongen de open‑kampioenen op hun eigen terrein te beantwoorden.
Lees ook: OpenAI zoekt $250 mrd aan Nvidia‑krediet voor megacampus in Ohio
Tien redenen waarom open weights het gecentraliseerde model bedreigen
Geen van de onderstaande punten garandeert dat open‑weight AI de strijd uiteindelijk wint. De frontier blijft voorlopig in handen van de grote labs en de risico’s zijn reëel. Maar de trend van de afgelopen drie jaar loopt duidelijk tegen het gesloten, verbruiks‑geprijsde model in.
De kern is dat de argumenten om een forse premie te betalen voor een gehuurde black box steeds minder overtuigen. De kloof verkleint tegelijk op technisch, economisch én politiek vlak.
Dit zijn tien redenen waarom de machtsbalans verschuift.
De kwaliteitskloof is vrijwel verdwenen
De belangrijkste factor is convergentie. De AI Index 2025 van Stanford constateerde dat het scoreverschil tussen het beste gesloten en het beste open model op de Chatbot Arena‑ranglijst daalde van 8 procent in januari 2024 tot 1,7 procent in februari 2025.
Ook de frontier zelf werd drukker. De kloof tussen het eerste en het tiende model op de ranglijst kromp binnen een jaar van 11,9 procent naar 5,4 procent.
Als de nummer twee bijna net zo goed presteert als de koploper, maar slechts een fractie kost, wordt de premie voor gesloten toegang moeilijk verdedigbaar. Voor partijen die hun hele propositie bouwen op exclusiviteit is dat een direct prijsprobleem.
De prijs van ‘intelligentie’ is ingestort
De kosten daalden nog harder dan de kwaliteitskloof. Op basis van data van Epoch AI en Artificial Analysis meldde de AI Index dat de prijs om een GPT‑3.5‑achtige query te draaien daalde van circa 20 dollar per miljoen tokens in november 2022 naar 0,07 dollar in oktober 2024.
Dat is grofweg een factor 280 in minder dan twee jaar.
DeepSeek trok dezelfde logica door naar training. In het V3‑technische rapport claimt de groep een eindtrainingsrun van ongeveer 5,6 miljoen dollar op 2.048 Nvidia H800‑chips – tegenover de tientallen tot honderden miljoenen die vergelijkbare westerse modellen kostten. Goedkope intelligentie beloont wie breed kan uitrollen, niet wie het strengst bewaakt.
Je bezit het model
Huur je een gesloten model, dan erf je ook de regels van de verhuurder. De leverancier kan prijzen verhogen, voorwaarden aanpassen of juist die versie uitfaseren waar jouw product op leunt.
Bezit je de weights, dan verdwijnt die hefboom. Je kunt een versie bevriezen, jarenlang in productie houden en van infrastructuurleverancier wisselen zonder je hele stack om te bouwen.
Vendor lock‑in is geen academische zorg, maar vertaalt zich naar overstapkosten, gedwongen migraties en tarieven waarover nauwelijks te onderhandelen valt. Eigendom van weights haalt de angel uit elk van die punten:
- Bevries een modelversie en houd die stabiel zolang je wilt.
- Wissel tussen cloudproviders, of stap over naar eigen hardware, zonder herontwerp.
- Voorkom onverwachte uitfaseringen die een draaiend product overnight breken.
Zelfs royale open licenties kennen haken en ogen. De voorwaarden voor Meta’s Llama verplichten bedrijven met meer dan 700 miljoen maandelijkse actieve gebruikers tot een aparte overeenkomst – precies de reden waarom puristen Llama niet als écht open source bestempelen.
Privacy en datasoevereiniteit
Bepaalde data mogen juridisch het pand niet verlaten. Ziekenhuizen, banken en overheidsdiensten kunnen gevoelige dossiers vaak simpelweg niet via een externe API versturen.
Open weights draaien die logica om: je verplaatst het model naar de data. Inference draait on‑premises of in een strikt afgeschermde cloud, waardoor gevoelige informatie geen leveranciersgrens oversteekt.
Alleen al dat ene kenmerk opent deuren die voor gesloten API’s gesloten blijven. Bij gereguleerde implementaties is on‑prem‑controle vaak de doorslaggevende factor.
Landen bouwen eigen modellen
Soevereiniteitsangst is wereldwijd. Steeds meer regeringen zien afhankelijkheid van een handvol Amerikaanse of Chinese API’s als strategisch risico.
Op 2 september 2025 presenteerden EPFL, ETH Zurich en het Zwitserse National Supercomputing Centre Apertus: een volledig open model, getraind op 15.000 miljard tokens in meer dan 1.000 talen. Het Technology Innovation Institute in Abu Dhabi duwt sinds 2023 zijn open Falcon‑familie naar buiten, en andere staten volgden met eigen nationale projecten.
Het patroon keert overal terug:
- Zwitserland bracht Apertus uit met gewichten, data én code volledig publiek.
- De VAE leveren opeenvolgende Falcon‑modellen onder soepele voorwaarden.
- Frankrijk, India, Japan en Zuid‑Korea steunen eigen model‑ of compute‑programma’s.
Je kunt geen soevereine AI bouwen op een model dat je alleen mag huren. Open weights zijn de basisvoorwaarde – waardoor overheden natuurlijke bondgenoten van het open kamp worden.
Toezichthouders trekken richting openheid
Ook beleid begint openheid te belonen. Op 23 juli 2025 presenteerde het Witte Huis het rapport “America’s AI Action Plan”, met een hoofdstuk “Encourage Open-Source and Open-Weight AI” (“Stimuleer open‑source en open‑weight AI”).
Europa volgt in structuur een vergelijkbare lijn, zij het met andere motieven. De AI Act van de EU geeft aanbieders van gratis en open‑source general‑purpose modellen een gedeeltelijke vrijstelling van bepaalde documentatieplichten, zolang het model niet als systeemrisico is aangemerkt.
De prikkels wijzen daarmee steeds vaker richting vrijgave in plaats van opsluiting – in elk geval voor modellen onder de frontier. Als de grootste overheid in de AI‑wedloop open weights actief aanmoedigt, verliest het gesloten standaardmodel zijn vanzelfsprekende voordeel.
Het ontwikkelaarsecosysteem werkt als vliegwiel
Schaal voedt schaal. Hugging Face groeide in 2025 naar 13 miljoen gebruikers, meer dan twee miljoen publieke modellen en ruim 500.000 publieke datasets.
De downloadwedrennen vertellen de rest van het verhaal. Meta meldde dat Llama op 18 maart 2025 de grens van één miljard downloads passeerde, tegen 650 miljoen begin december 2024, terwijl Alibaba’s Qwen opliep tot 700 … miljoen cumulatieve downloads op Hugging Face tegen januari 2026, en meer dan 180.000 afgeleide versies – genoeg om Llama onderweg voorbij te streven als meest ‘geforkte’ open modelfamilie.
Elke fine-tune, adapter en kwantisatie bovenop een open model vergroot diens voorsprong. Een gesloten API kan die cumulatieve community‑inspanning simpelweg niet vangen, omdat niemand kan voortbouwen op een model dat hij niet daadwerkelijk kan bezitten.
Het Draait Op Je Laptop
Open gewichten komen binnen bereik van doorsneehardware via een goedkope toolchain. Kwantisatie comprimeert een model naar lagere precisie zodat het in minder geheugen past, terwijl technieken als LoRA het mogelijk maken om door te trainen zonder het volledige model opnieuw te moeten trainen.
Lokale runtimes hebben dit mainstream gemaakt. Ollama, llama.cpp en vLLM stellen ontwikkelaars inmiddels in staat om capabele modellen te draaien op één consumenten‑GPU of zelfs een laptop.
Een model dat je op een machine van 2.000 dollar kunt draaien, is een model dat niemand op afstand kan uitzetten. Precies die onafhankelijkheid kan het afgerekende API‑model niet leveren.
Controleerbaarheid En Uitlegbaarheid
Wat je niet kunt zien, kun je niet controleren. Gesloten API’s geven alleen uitkomsten terug, zonder mogelijkheid om het onderliggende mechanisme te onderzoeken.
Open gewichten stellen onderzoekers in staat een model rechtstreeks te ontleden, faalmodi te bestuderen en de veiligheid openlijk te testen. Juist die transparantie is de kern van het betoog van het open kamp: dat hun modellen op termijn makkelijker, niet moeilijker, betrouwbaar te maken zijn.
Voor gereguleerde sectoren die elke beslissing moeten kunnen uitleggen, is die inzichtelijkheid geen luxe, maar vaak een juridische verplichting.
De Gedecentraliseerde Frontier
De nieuwste drijfveer ligt op het snijvlak van AI en crypto. Als gewichten open zijn, hoeft de rekenkracht voor training en inference niet meer in het datacenter van één bedrijf te staan.
Projecten als Prime Intellect hebben modellen getraind op wereldwijd verspreide hardware, met mechanismen om te verifiëren dat externe machines het werk dat ze claimen ook werkelijk hebben uitgevoerd. Bittensor bouwt aan een door tokens gestimuleerde markt voor machine‑intelligentie, geprijsd in zijn TAO (TAO)‑token.
De eerlijke kanttekening: gedecentraliseerde training is vandaag nog trager en duurder dan een centraal cluster. Maar de combinatie van open gewichten met verifieerbare, getokeniseerde compute is een echt nieuw concurrentie‑front waar gesloten labs niet zomaar in kunnen meedoen.
Ook interessant: Pixel 11 Wordt Duurder, En Volgens Google Zijn AI‑Datacenters De Reden
Het Eindoordeel
Open gewichten gaan de gesloten labs niet wegvagen. Aan de frontlinie blijft gelden: wie het meeste uitgeeft aan compute, loopt voorop; open releases lopen nog altijd enkele maanden achter op de beste gesloten modellen, en publiek vrijgegeven gewichten brengen misbruikrisico’s met zich mee die je niet meer kunt terugdraaien zodra ze in omloop zijn.
Maar “overwinnen” betekent niet “uitwissen”. Het betekent dat het zwaartepunt verschuift – en die verschuiving is al ingezet.
Het kwaliteitsverschil is minimaal, de marginale prijs van intelligentie nadert nul, en overheden, ontwikkelaars en toezichthouders kiezen steeds vaker voor modellen die ze echt in handen kunnen krijgen. Gecentraliseerde AI blijft aan de top gemak verkopen. De rest van de markt loopt stilletjes weg richting gewichten die het zelf kan bezitten.
Lees Verder: Apple Verliest De Controle Over Geheugenprijzen En De Consument Betaalt De Rekening
