Op 27 januari 2025 veegde een Chinees AI-lab waar de meeste beleggers nog nooit van hadden gehoord in één beursdag 589 miljard dollar van de beurswaarde van Nvidia. Het was het grootste eendaagse verlies in de geschiedenis van de Amerikaanse aandelenmarkt. De katalysator was DeepSeek – en zijn “misdaad” was openheid.
Zelfs Bitcoin (BTC) wankelde toen de markt een eenvoudige boodschap verwerkte: frontier-AI is niet langer het exclusieve domein van een handvol gesloten labs.
Belangrijkste punten
- Open-weight modellen publiceren hun getrainde parameters, zodat iedereen ze kan downloaden, draaien en aanpassen. Dat verschilt van volledig open source AI, die óók trainingsdata en -code vrijgeeft.
- Het gemeten kwaliteitsverschil tussen de beste open en gesloten modellen op publieke ranglijsten kromp in ongeveer een jaar van 8 procent naar minder dan 2 procent, terwijl de inference-prijzen honderden keren daalden.
- Lage deploymentkosten, nationale soevereiniteitsprojecten, vriendelijkere regulering en een enorm ontwikkelaars-ecosysteem geven open weights nu serieuze momentum tegenover pure API-aanbieders.
Wat open-weight AI echt betekent
De term wordt vaak losjes gebruikt, dus precisie is cruciaal. Open weight betekent dat een ontwikkelaar de definitieve 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 níet hetzelfde als open source. De Open Source Initiative publiceerde op 28 oktober 2024 zijn Open Source AI Definition, met een aanzienlijk hogere lat. Om te kwalificeren zijn gewichten, trainingscode én voldoende detail over de trainingsdata nodig om het systeem in grote lijnen te kunnen nabouwen.
De meeste modellen die vandaag als open source worden vermarkt, halen die drempel niet. Meta’s Llama, Alibaba’s Qwen en DeepSeek leveren wel gewichten, maar niet het volledige datarecept.
De Open Source Initiative is daar glashelder over en stelt dat open weights op zichzelf niet de vrijheden bieden die we kennen van open source software. Dat verschil voedt een voortdurende strijd over “open washing”: bedrijven schermen met openheid terwijl ze de cruciale onderdelen achterhouden die reproductie van het werk mogelijk maken.
Toch zijn voor de meeste bouwers juist de gewichten de hoofdprijs. Met de weights kun je een model uitrollen, verkleinen, hertrainen en in productie brengen. In de praktijk komt elke categorie neer op het volgende:
- Open weight: de getrainde parameters, meestal onder een licentie die gebruik, aanpassing en vaak ook commerciële inzet toestaat.
- Volledig open source: gewichten plus trainingscode én genoeg datadocumentatie om het model te reconstrueren.
- Gesloten: niets te downloaden, alleen verbruiksgemeten toegang via een interface.
Vooral die middelste categorie explodeert in populariteit – en juist die houdt de gesloten labs ’s nachts wakker.
Ook interessant: Nvidia daalt bijna 5% door een ongetekende OpenAI‑garantie van $250 miljard
Hoe dit verschilt van het model van OpenAI en Anthropic
OpenAI en Anthropic hanteren precies het tegenovergestelde model. Hun beste gewichten blijven opgesloten in eigen datacenters; toegang verloopt uitsluitend via een API. Je stuurt een prompt, krijgt een antwoord – maar raakt het model zelf nooit aan.
Commercieel is dat logisch. Het beschermt de trainingsinvestering, houdt de abonnementsmeter draaien en geeft het lab de macht om gedrag bij te sturen of toegang in te trekken.
Ook qua veiligheid geldt dat argument. Anthropic-topman Dario Amodei betoogt dat een ontwikkelaar, zodra de weights publiek zijn, niet langer in staat is om vangrails te updaten of een gevaarlijk systeem terug te halen.
De keerzijde is afhankelijkheid.
Als het model alleen op andermans servers leeft, bepaalt de aanbieder de prijs, uptime, datatermen en het afbouwschema. Jouw product draait bovenop infrastructuur die je niet beheerst en niet kunt controleren.
Ondanks jarenlange retoriek over open onderzoek had OpenAI sinds GPT-2 in 2019 geen enkel open taalmodel meer vrijgegeven – tot 5 augustus 2025. De twee gpt-oss‑modellen, gelanceerd onder de soepele Apache 2.0‑licentie, zijn een directe concessie aan de druk die open weights inmiddels uitoefenen. Het bedrijf dat het gesloten API‑model groot maakte, moest de open hoek op eigen terrein beantwoorden.
Ook interessant: OpenAI zoekt $250 miljard Nvidia‑krediet voor megacampus in Ohio
Tien redenen waarom open weights het gecentraliseerde model bedreigen
Niets hiervan garandeert dat open weights de strijd definitief winnen. De absolute frontier ligt nog steeds bij de grote labs, en de risico’s zijn reëel. Maar de trend van de afgelopen drie jaar is onmiskenbaar: hij loopt in tegen de gesloten, verbruiksgemeten aanpak.
De argumenten om een forse premie te betalen voor een zwarte doos worden steeds zwakker. De convergentie is tegelijk technisch, economisch én politiek.
Dit zijn tien redenen waarom de balans is verschoven.
De kwaliteit kloof is bijna weg
De kern is convergentie. De AI Index 2025 van Stanford stelt dat het scoreverschil tussen het beste gesloten en beste open model op de Chatbot Arena‑ranglijst daalde van 8 procent in januari 2024 naar 1,7 procent in februari 2025.
Ook de frontier zelf is drukker geworden. De kloof tussen plek één en tien op de ranglijst kromp in een jaar van 11,9 procent naar 5,4 procent.
Als de nummer twee een fractie kost van de nummer één, wordt de premie voor gesloten toegang lastig te verdedigen. Dat is een prijsprobleem voor iedereen wiens hele businessmodel draait op exclusiviteit.
De prijs van intelligentie is ingestort
De kosten daalden nog sneller dan de kwaliteitskloof. Op basis van data van Epoch AI en Artificial Analysis rapporteert de AI Index dat de prijs om een GPT‑3.5‑achtige query te draaien van circa 20 dollar per miljoen tokens in november 2022 naar 0,07 dollar in oktober 2024 is gezakt.
Dat is grofweg een 280‑voudige daling in minder dan twee jaar.
DeepSeek past dezelfde logica toe op training. In het V3‑technisch rapport claimt het lab een eindtraining van zo’n 5,6 miljoen dollar op 2.048 Nvidia H800‑chips – tegenover de tientallen tot honderden miljoenen die vergelijkbare westerse modellen kosten. Goedkope intelligentie beloont wie breed kan uitrollen, niet wie het hardst bewaakt.
Je bezit het model
Huur je een gesloten model, dan erf je de regels van de verhuurder. De aanbieder kan prijzen verhogen, voorwaarden aanscherpen of precies die versie uitfaseren waarop jouw product is gebouwd.
Bezit je de weights, dan verdwijnt die machtspositie. Je kunt een versie “bevriezen”, jarenlang doordraaien en van leverancier wisselen zonder je hele stack te herschrijven.
Vendor lock‑in is geen theoretische zorg; het manifesteert zich als overstapkosten, gedwongen migraties en een prijspolitiek waar je weinig tegenin kunt brengen. Met eigen weights haal je systematisch de angel uit die problemen:
- Bevries een modelversie en houd die zo lang stabiel als nodig.
- Wissel tussen cloudproviders of draai on‑premises, zonder zware herbouw.
- Voorkom verrassings‑deprecations die een live‑product in één nacht breken.
Zelfs royale open licenties kennen voetnoten. Meta’s Llama‑voorwaarden verplichten bedrijven met meer dan 700 miljoen maandelijkse actieve gebruikers tot een apart contract. Dat is precies waarom puristen Llama geen échte open source noemen.
Privacy en datasoevereiniteit
Bepaalde data mogen juridisch het pand simpelweg niet verlaten. Ziekenhuizen, banken en overheidsinstanties kunnen gevoelige dossiers vaak niet via een externe API sturen.
Open weights draaien de logica om: het model gaat naar de data, niet andersom. Je kunt inference on‑premises of in een private cloud uitvoeren, zodat gevoelige informatie nooit een leveranciersgrens passeert.
Alleen al dat ene kenmerk opent deuren die voor gesloten API’s dicht blijven. Voor veel gereguleerde toepassingen is on‑prem‑controle de beslissende factor.
Landen bouwen hun eigen modellen
Soevereiniteitsangst is wereldwijd mainstream geworden. Steeds meer overheden zien afhankelijkheid van een paar Amerikaanse of Chinese API’s als strategisch risico.
Op 2 september 2025 introduceerden EPFL, ETH Zurich en het Swiss National Supercomputing Centre Apertus, een volledig open model getraind op 15 biljoen tokens in meer dan 1.000 talen. Het Technology Innovation Institute in Abu Dhabi bouwt sinds 2023 aan de open Falcon‑familie, en andere staten zijn met eigen initiatieven gevolgd.
Het patroon herhaalt zich per regio:
- Zwitserland lanceerde Apertus met gewichten, data én code publiek beschikbaar.
- De VAE bracht meerdere Falcon‑modellen onder soepele voorwaarden uit.
- Frankrijk, India, Japan en Zuid‑Korea steunen eigen model‑ of rekenprogramma’s.
Je kunt geen soevereine AI‑infrastructuur bouwen op een model dat je alleen mag huren. Open weights zijn de basisvoorwaarde – en maken overheden tot natuurlijke sponsors van het open kamp.
Toezichthouders bewegen richting open
Ook beleid begint openheid te belonen. Op 23 juli 2025 presenteerde het Witte Huis het document “America's AI Action Plan”, met een expliciete paragraaf “Encourage Open-Source and Open-Weight AI”.
Europa stuurt in structuur dezelfde kant op, zij het minder uitgesproken. De AI‑verordening van de EU geeft aanbieders van gratis en open source algemene‑doelmodellen gedeeltelijke vrijstellingen van documentatie‑eisen, zolang een model niet als systemisch risico is aangemerkt.
De prikkels wijzen daarmee bij sub‑frontier modellen eerder richting vrijgave dan afsluiting. Als de grootste overheid in de AI‑race open weights actief aanmoedigt, verliest het gesloten defaultmodel zijn vanzelfsprekende voordeel.
Het ontwikkelaars‑ecosysteem is een vliegwiel
Schaal voedt schaal. Hugging Face groeide in 2025 naar 13 miljoen gebruikers, meer dan twee miljoen publieke modellen en ruim 500.000 openbare datasets.
De downloadwedloop vertelt de rest. Meta meldde dat Llama op 18 maart 2025 de grens van één miljard downloads passeerde, tegenover 650 miljoen begin december 2024, terwijl Alibaba’s Qwen de 700 … miljoen cumulatieve downloads op Hugging Face tegen januari 2026, plus meer dan 180.000 afgeleide varianten. Daarmee is het Llama voorbijgestreefd als meest ‘geforkte’ open modellenfamilie.
Elke fine-tune, adapter en kwantisatie bovenop een open model vergroot het concurrentievoordeel. Een gesloten API kan die cumulatieve community‑inspanning eenvoudig niet vangen, omdat niemand echt kan voortbouwen op een model dat hij niet in handen heeft.
Het Draait Gewoon Op Je Laptop
Open gewichten vinden hun weg naar standaardhardware via een goedkope toolchain. Kwantisatie comprimeert een model naar lagere numerieke precisie zodat het in minder geheugen past, terwijl technieken als LoRA het mogelijk maken om te fine‑tunen zonder het hele model opnieuw te trainen.
Lokale runtimes hebben dit mainstream gemaakt. Ollama, llama.cpp en vLLM stellen ontwikkelaars inmiddels in staat om krachtige modellen te draaien op één consumenten‑GPU of zelfs gewoon op een laptop.
Een model dat op een machine van 2.000 dollar kan draaien, is een model dat niemand op afstand kan uitzetten. Die autonomie is precies wat het gemeterde, volledig beheerde model niet kan bieden.
Controleerbaarheid En Uitlegbaarheid
Wat je niet kunt zien, kun je niet onderzoeken. Gesloten API’s leveren enkel uitkomsten, zonder inzicht in de onderliggende mechanismen.
Met open gewichten kunnen onderzoekers een model direct analyseren, faalpatronen in kaart brengen en de veiligheid openlijk testen. Die transparantie is precies de reden waarom het open kamp stelt dat zijn modellen op termijn juist makkelijker betrouwbaar te maken zijn.
Voor gereguleerde sectoren die beslissingen moeten kunnen uitleggen, is die zichtbaarheid geen luxe. Het is vaak een wettelijke plicht.
De Gedecentraliseerde Frontlinie
De nieuwste drijfveer ligt op het snijvlak van AI en crypto. Als gewichten open zijn, hoeft de rekenkracht om ze te trainen en te draaien niet in één datacenter van één partij te staan.
Projecten als Prime Intellect hebben modellen getraind op wereldwijd verspreide hardware, met mechanismen om te verifiëren dat externe machines het opgegeven werk daadwerkelijk hebben uitgevoerd. Bittensor runt een token‑gestuurde markt voor machine‑intelligentie, afgerekend in zijn eigen TAO‑token (TAO).
De eerlijke kanttekening: gedecentraliseerde training is vandaag nog trager en duurder dan een gecentraliseerd cluster. Maar de combinatie van open gewichten met verifieerbare, getokeniseerde rekenkracht vormt wél een echt nieuw concurrentiefront dat gesloten labs niet eenvoudig kunnen kopiëren.
Ook interessant: Pixel 11 Wordt Duurder, En Volgens Google Zijn AI‑Datacenters De Schuldige
Het Eindoordeel
Open gewichten zullen de gesloten labs niet wegvagen. Aan de absolute frontier blijft gelden: wie het meeste aan rekenkracht uitgeeft, loopt voorop. Open releases blijven maanden achter op de beste gesloten modellen, en publiek verspreide gewichten brengen misbruikrisico’s mee die je niet meer kunt terugdraaien zodra ze eenmaal zijn uitgeleverd.
Maar “overstijgen” betekent niet “uitwissen”. Het gaat om het verleggen van het zwaartepunt – en die verschuiving is al bezig.
Het kwaliteitsverschil is flinterdun geworden, de prijs van intelligentie nadert nul, en overheden, ontwikkelaars en toezichthouders kiezen steeds vaker voor modellen die ze fysiek kunnen bezitten. Gecentraliseerde AI blijft gemak verkopen aan de absolute top. De rest van de markt loopt in stilte weg richting modellen waarvan het de gewichten zélf kan bezitten.
Lees Ook: Apple Verliest De Grip Op Geheugenprijzen En Consumenten Betalen De Rekening