Op 27 januari 2025 veegde een Chinese 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 trigger was DeepSeek – en zijn “misdaad” was openheid.
Zelfs Bitcoin (BTC) wankelde kortstondig toen de markt een simpele boodschap begon te verwerken: frontier‑AI is niet langer het exclusieve domein van een handvol 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 vrijkomen.
- Het gemeten kwaliteitsverschil tussen de beste open en gesloten modellen op publieke ranglijsten kromp in circa een jaar van 8 procent naar minder dan 2 procent, terwijl de inference‑prijzen honderden keren daalden.
- Lage implementatiekosten, nationale soevereiniteitsagenda’s, mildere regulering en een uitdijend ontwikkelaars‑ecosysteem geven open weights nu serieuze tractie tegenover API‑only‑spelers.
Wat open‑weight‑AI wérkelijk inhoudt
De term wordt vaak slordig gebruikt, dus precisie is belangrijk. Open weight betekent dat een ontwikkelaar de uiteindelijke parameters van een getraind neuraal netwerk vrijgeeft: de getallen die vastleggen wat het model heeft geleerd. Je kunt ze downloaden, op eigen hardware draaien en verder fine‑tunen.
Open weight is niet hetzelfde als open source. De Open Source Initiative publiceerde op 28 oktober 2024 zijn Open Source AI‑definitie, met een duidelijk hogere lat. Om te kwalificeren moeten gewichten, trainingscode én voldoende detail over de trainingsdata worden vrijgegeven, zodat een kundige partij het systeem in grote lijnen kan reproduceren.
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 uitgesproken over dat onderscheid en stelt dat alleen open weights niet de vrijheden bieden die we kennen van open‑source‑software. Dat gat voedt een voortdurende strijd over “open washing”: bedrijven die zich open noemen, terwijl ze cruciale onderdelen achterhouden die reproductie door derden onmogelijk maken.
Toch zijn de gewichten voor de meeste builders de buit waar het om draait. Met die parameters kun je een model uitrollen, verkleinen, hertrainen en in producten verwerken. In grote lijnen krijg je per categorie het volgende:
- Open weight: de getrainde parameters, meestal onder een licentie die gebruik, aanpassing en vaak commerciële inzet toestaat.
- Volledig open source: gewichten plus trainingscode en genoeg documentatie over de data om het model te herbouwen.
- Gesloten: niets te downloaden, alleen afgemeten toegang via een interface.
Die middelste categorie groeit explosief – en bezorgt de gesloten labs slapeloze nachten.
Lees ook: Nvidia daalt bijna 5% door ongetekende OpenAI‑garantie van 250 miljard dollar
Hoe dit verschilt van de aanpak van OpenAI en Anthropic
OpenAI en Anthropic hanteren precies de omgekeerde strategie. Ze houden hun beste gewichten strikt binnenshuis, in eigen datacenters, en verkopen alleen toegang via een API. Je stuurt een prompt, krijgt een antwoord – maar raakt het model zelf nooit aan.
Dat model heeft een duidelijke commerciële logica. Het beschermt de trainingsinvestering, houdt de abonnementsmeter tikkend en geeft het lab de mogelijkheid om gedrag bij te sturen of toegang eenzijdig in te trekken.
Er is ook een veiligheidsargument. Anthropic‑topman Dario Amodei betoogt dat een ontwikkelaar, zodra gewichten publiek zijn, zijn grip verliest op het aanscherpen van veiligheidsrails of het terugdraaien van een gevaarlijk systeem.
De keerzijde is afhankelijkheid.
Als een model uitsluitend op andermans servers draait, bepaalt de leverancier de prijs, de uptime, de datastructuur en het uitfaseringsschema. Je product draait bovenop infrastructuur die je niet controleert en niet kunt inspecteren.
Ondanks jarenlange retoriek over open onderzoek bracht OpenAI sinds GPT‑2 in 2019 geen enkele open taalmodel meer uit – tot 5 augustus 2025. De twee gpt‑oss‑modellen, gelanceerd onder de ruime Apache 2.0‑licentie, voelen vooral als een erkenning van de druk die open weights inmiddels uitoefenen. De pionier van het gesloten API‑businessmodel moest het open kamp op diens eigen terrein van repliek dienen.
Lees ook: OpenAI zoekt 250 miljard dollar Nvidia‑krediet voor megacampus in Ohio
Tien redenen waarom open weights het gecentraliseerde model bedreigen
Niets van wat volgt garandeert dat open weights uiteindelijk de wedstrijd 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 consequent – en loopt in tegen het gesloten, gemeterde model.
Wat veranderd is: de argumenten om een stevige premie te betalen voor het huren van een black box worden steeds dunner. De convergentie is tegelijk technisch, economisch én politiek.
Dit zijn tien redenen waarom de balans is verschoven.
De kwaliteitskloof is bijna verdwenen
De cruciale ontwikkeling is convergentie. Stanford’s AI Index 2025 constateerde dat het scoreverschil tussen het beste gesloten en beste open model op de Chatbot Arena‑ranglijst is teruggelopen van 8 procent in januari 2024 tot 1,7 procent in februari 2025.
De frontier is bovendien drukker geworden. De kloof tussen de nummer één en nummer tien op de lijst slonk in één jaar van 11,9 procent tot 5,4 procent.
Als de op één na beste optie slechts een fractie kost van de nummer één, wordt het lastig een hoge premie voor gesloten toegang te blijven verantwoorden. Dat is een prijsprobleem voor iedereen van wie het hele verdienmodel draait op exclusiviteit.
De prijs van intelligentie is ingestort
De kosten zakten nog sneller dan de kwaliteitskloof. Op basis van data van Epoch AI en Artificial Analysis meldt de AI Index dat de prijs om een GPT‑3.5‑achtige query te draaien is gedaald van circa 20 dollar per miljoen tokens in november 2022 naar 0,07 dollar in oktober 2024.
Dat is een daling met een factor 280 in minder dan twee jaar.
DeepSeek trok dezelfde logica door naar training. In het V3‑technisch rapport claimt het lab dat de eindtraining ongeveer 5,6 miljoen dollar kostte op 2.048 Nvidia H800‑chips – tegenover de tientallen tot honderden miljoenen die vergelijkbare Westerse modellen vergen. Goedkope intelligentie bevoordeelt de partij die breed kan uitrollen, niet degene die het strengst afschermt.
Je bezit het model zelf
Huur je een gesloten model, dan neem je de regels van de verhuurder over. De aanbieder kan prijzen verhogen, voorwaarden aanpassen of de versie uitfaseren waar jouw product van afhankelijk is.
Als je de gewichten zelf in handen hebt, verdwijnt die machtspositie grotendeels. Je kunt een versie bevriezen, jarenlang door blijven draaien en van infrastructuur‑ of cloudleverancier wisselen zonder je hele stack te herschrijven.
Vendor lock‑in is geen theoretisch spookbeeld. Het vertaalt zich in overstapkosten, gedwongen migraties en prijzen waar nauwelijks over te praten valt. Eigen gewichten halen systematisch de angel uit die problemen:
- Je bevriest een modelversie en houdt die zo lang stabiel als jij nodig vindt.
- Je kunt wisselen tussen clouds, of on‑prem draaien, zonder fundamentele herbouw.
- Je voorkomt onverwachte deprecations die een live‑product van de ene op de andere dag breken.
Zelfs ruime open licenties hebben voetnoten die je moet lezen. De Llama‑voorwaarden van Meta verplichten elke partij met meer dan 700 miljoen maandelijkse actieve gebruikers tot aparte onderhandelingen, precies de reden waarom puristen Llama geen echte open source noemen.
Privacy en datasoevereiniteit
Bepaalde data mogen het gebouw juridisch niet uit. Ziekenhuizen, banken en overheidsinstellingen kunnen doorgaans geen gevoelige dossiers naar een externe API sturen.
Open weights draaien die logica om: je verplaatst het model naar de data. Je kunt inference on‑premises of in een strikt afgeschermde private cloud doen, zodat gevoelige informatie nooit een leveranciersgrens passeert.
Alleen al dat kenmerk opent deuren die voor gesloten API’s dicht blijven. In sterk gereguleerde sectoren is lokale controle vaak de beslissende factor.
Landen bouwen hun eigen modellen
De soevereiniteitsangst is mondiaal. Overheden zien afhankelijkheid van een handvol Amerikaanse of Chinese API’s steeds meer als strategisch risico.
Op 2 september 2025 lanceerden EPFL, ETH Zurich en het Swiss National Supercomputing Centre Apertus, een volledig open model dat is getraind op 15 biljoen tokens in meer dan 1.000 talen. Het Technology Innovation Institute in Abu Dhabi duwt sinds 2023 zijn open Falcon‑familie, terwijl andere staten hun eigen nationale trajecten hebben opgetuigd.
Het patroon herhaalt zich per regio:
- Zwitserland bracht Apertus uit met gewichten, data én code volledig publiek.
- De VAE heeft meerdere Falcon‑generaties onder ruime licenties vrijgegeven.
- Frankrijk, India, Japan en Zuid‑Korea financieren eigen model‑ of compute‑programma’s.
Je bouwt geen soevereine AI op een model dat je alleen mag huren. Open weights zijn een randvoorwaarde – en maken overheden tot natuurlijke sponsors van het open kamp.
Toezichthouders leunen richting open
Ook beleid begint openheid te belonen. Op 23 juli 2025 publiceerde het Witte Huis het “America’s AI Action Plan”, met een aparte paragraaf “Encourage Open-Source and Open-Weight AI”.
Europa volgt structureel een vergelijkbare lijn, zij het met een andere toon. De AI‑verordening van de EU geeft aanbieders van gratis en open source general‑purpose‑modellen gedeeltelijke vrijstelling van bepaalde documentatieplichten, zolang het model niet als systemisch risico wordt aangemerkt.
De prikkels wijzen daarmee eerder richting vrijgave dan richting op slot draaien – in elk geval voor modellen onder de frontier. Als de dominante overheid in de AI‑race open weights expliciet aanmoedigt, verliest het gesloten default‑model 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 publieke datasets.
De downloadraces vertellen de rest. 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 de 700 … miljoen cumulatieve downloads op Hugging Face tegen januari 2026 en meer dan 180.000 afgeleide versies, waarmee het Llama onderweg voorbijstreeft als meest ‘geforkte’ open modelfamilie.
Elke fine-tune, adapter en kwantisatie bovenop een open model vergroot het concurrentievoordeel. Een gesloten API kan die cumulatieve community-inspanning niet vangen, omdat niemand kan bouwen op een model dat hij niet daadwerkelijk in handen heeft.
Het Draait Op Je Laptop
Open weights komen samen met alledaagse hardware via een goedkope toolchain. Kwantisatie perst een model terug naar lagere precisie, zodat het in minder geheugen past. Met technieken als LoRA kun je vervolgens bijsturen zonder het hele model opnieuw te trainen.
Lokale runtimes hebben dat mainstream gemaakt. Ollama, llama.cpp en vLLM stellen ontwikkelaars inmiddels in staat krachtige modellen te draaien op één enkele consumenten‑GPU of zelfs op een laptop.
Een model dat je op een machine van zo’n 2.000 dollar kunt draaien, is een model dat niemand op afstand kan uitzetten. Die onafhankelijkheid is precies wat het gemeterde, centrale model niet kan bieden.
Controleerbaarheid En Uitlegbaarheid
Wat je niet ziet, kun je niet controleren. Gesloten API’s leveren alleen uitkomsten, zonder inkijk in het onderliggende mechanisme.
Met open weights kunnen onderzoekers direct in een model kijken, faalpatronen analyseren en de veiligheid in de openbaarheid testen. Juist die transparantie is de reden dat het open kamp stelt dat zijn modellen op termijn gemakkelijker — niet moeilijker — betrouwbaar te maken zijn.
Voor gereguleerde sectoren die beslissingen moeten kunnen onderbouwen, is die zichtbaarheid geen luxe. Het is vaak een juridische plicht.
De Gedecentraliseerde Frontier
De nieuwste drijfveer ligt op het snijvlak van AI en crypto. Als de weights 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 hebben gedaan dat ze claimen. Bittensor exploiteert een token-gestuurde markt voor machine‑intelligentie, verrekend in de eigen TAO‑token (TAO).
De eerlijke kanttekening: gedecentraliseerde training is vandaag trager en duurder dan een centraal cluster. Maar de combinatie van open weights met verifieerbare, getokeniseerde compute is een echt nieuw concurrentie-aspect dat gesloten labs niet kunnen kopiëren.
Ook lezen: Pixel 11 Wordt Duurder En Google Wijt Dat Aan AI‑Datacenters
Het Eindoordeel
Open weights zullen de gesloten labs niet wegvagen. Aan de absolute frontier wint nog altijd wie het meest uitgeeft aan rekenkracht, open releases lopen nog maanden achter op de beste gesloten modellen, en publieke weights brengen misbruikrisico’s mee die je na publicatie niet meer kunt terugdraaien.
Maar “overwinnen” betekent niet “uitwissen”. Het betekent het zwaartepunt verleggen — en die verschuiving is al gaande.
Het kwaliteitsverschil is flinterdun, de prijs van intelligentie nadert nul, en overheden, ontwikkelaars en toezichthouders kiezen steeds vaker voor modellen die ze daadwerkelijk kunnen vasthouden. Gecentraliseerde AI blijft gemak verkopen in de absolute top. De rest van de markt loopt geruisloos richting de modellen waarvan ze de weights zelf kunnen bezitten.
Lees ook: Apple Verliest De Greep Op Geheugenprijzen En De Consument Draait Op Voor Het Verschil
