Open versus gesloten modellen: De Complete Gids

Achter elk AI-model dat je kunt gebruiken, zit een fundamentele keuze. Niet een keuze over technologie of kwaliteit, maar over toegang. En die keuze bepaalt meer dan de meeste organisaties beseffen.

Gesloten modellen

Een gesloten model is een AI-model dat alleen toegankelijk is via de dienst van de modelbouwer. De gebruiker stuurt een verzoek, het model verwerkt dat verzoek op de servers van de aanbieder, en het antwoord komt terug. Het model zelf is niet beschikbaar om te downloaden, te inspecteren of aan te passen. Claude van Anthropic, ChatGPT van OpenAI en Gemini van Google zijn gesloten modellen. De modelbouwer bepaalt hoe het model zich gedraagt, welke grenzen het hanteert en wanneer het wordt bijgewerkt. De gebruiker stuurt via een prompt of via een API (een gestandaardiseerde koppeling waarmee software met het model communiceert), maar verandert het model niet.

Dat levert een direct voordeel op: het werkt meteen. Geen eigen infrastructuur nodig, geen technische expertise om het model te draaien, en de aanbieder zorgt voor updates, veiligheid en schaal. De keerzijde is afhankelijkheid. De data van de gebruiker verlaten de organisatie, de kosten zijn variabel en stijgen met het gebruik, en de aanbieder kan het model aanpassen of de voorwaarden wijzigen zonder dat de gebruiker daar invloed op heeft.

→ Lees meer: Gesloten modellen

Tegenover gesloten modellen staan modellen waarvan de gewichten openbaar zijn. Dat klinkt als een technisch detail. Het is het niet. Het verschil tussen die twee bepaalt hoeveel controle een organisatie heeft over haar eigen AI-inzet, en daar zit meer verwarring over dan je zou verwachten.

Open-weight modellen

Een open-weight model is een AI-model waarvan de getrainde parameters (de gewichten) publiek beschikbaar zijn om te downloaden en te gebruiken. Een organisatie kan zo’n model draaien op eigen servers of bij een hostingpartner, het fine-tunen (verder trainen op eigen voorbeelden) en het aanpassen aan specifieke behoeften. Llama van Meta, Qwen van Alibaba, DeepSeek en Mistral zijn voorbeelden van open-weight modellen.

Het woord “open” is hier preciezer dan het op het eerste gezicht lijkt. Bij een open-weight model zijn de gewichten openbaar, maar de trainingsdata en de trainingscode meestal niet. De gebruiker krijgt het eindresultaat van het trainingsproces, niet het proces zelf. Vergelijk het met een recept en een gerecht: een open-weight model is het afgeleverde gerecht met de ingrediëntenlijst, maar zonder het volledige recept en zonder toegang tot de keuken waar het is bereid.

Open-weight versus open-source

In de AI-wereld worden “open-weight” en “open-source” regelmatig door elkaar gebruikt. Dat is onzorgvuldig, en het verschil doet ertoe.

Een echt open-source model deelt alles: de gewichten, de trainingsdata, de trainingscode en de volledige technische documentatie. Dat maakt het mogelijk om het model volledig te reproduceren, te inspecteren en van de grond af opnieuw te trainen. Voorbeelden als OLMo van het Allen Institute voldoen aan die standaard. De meeste modellen die als “open source” worden aangeduid, waaronder Llama en Mistral, zijn in werkelijkheid open-weight: de gewichten zijn beschikbaar, het complete trainingsproces niet.

Wij gebruiken in deze kennisbank consequent de term “open-weight model” omdat die preciezer beschrijft wat beschikbaar is. Wie wil weten hoeveel controle en inzicht een model werkelijk biedt, begint bij dat onderscheid.

→ Lees meer: Open-weight modellen

Welk type model past, hangt af van zes overwegingen. Wat goed scoort op de ene overweging, scoort soms slecht op een andere. Kosten drukken door een open-weight model te kiezen? Dan stijgt de complexiteit. Privacy waarborgen door alles intern te draaien? Dan heb je technische expertise nodig die er misschien niet is. Dat maakt het een echte afweging.

Kosten

Gesloten modellen rekenen meestal per gebruik: per verwerkte token (de kleinste eenheid waarmee een model tekst verwerkt) of per API-aanroep. Sommige aanbieders bieden ook een vast abonnement aan voor individuele gebruikers. Bij laag volume zijn de kosten in beide gevallen overzichtelijk. Bij hoog volume lopen ze op, soms aanzienlijk. Open-weight modellen vereisen een investering in infrastructuur: eigen servers of een hostingpartner. De vaste kosten zijn hoger, maar bij grote volumes kan de totale kostprijs per verzoek aanzienlijk lager uitvallen.

De kostenafweging verschuift naarmate het gebruik groeit. Een organisatie die dagelijks duizenden verzoeken verwerkt, komt op een punt waarop de variabele kosten van een gesloten model de vaste kosten van een eigen infrastructuur overtreffen. Dat omslagpunt verschilt per situatie, maar het bestaat.

Flexibiliteit

Een gesloten model biedt het model zoals de aanbieder het levert. De gebruiker kan het gedrag sturen via prompting, en sommige aanbieders bieden daarnaast de mogelijkheid om het model te fine-tunen via hun platform. Maar de fundamentele eigenschappen van het model liggen vast. Een open-weight model biedt meer ruimte: de gebruiker kan het fine-tunen op eigen data, de technische instellingen aanpassen en het model integreren in eigen systemen zonder afhankelijkheid van een externe API.

Die flexibiliteit heeft een keerzijde. Een open-weight model aanpassen vereist technische expertise die niet elke organisatie in huis heeft. De drempel is lager dan een paar jaar geleden, maar hij is er nog steeds.

Privacy en datasoevereiniteit

Bij een gesloten model worden de data verwerkt op servers van de aanbieder. Dat betekent niet automatisch dat de aanbieder die data gebruikt voor eigen doeleinden. De meeste grote aanbieders garanderen inmiddels via hun API- en enterprise-contracten dat data niet worden gebruikt voor verdere training, dat verwerking binnen de EU kan plaatsvinden en dat data na verwerking worden gewist. Voor veel organisaties zijn die garanties voldoende.

Maar er zijn situaties waarin ook contractuele garanties niet genoeg zijn. Sommige organisaties werken met data die onder geen beding naar een externe partij mogen worden gestuurd: patiëntgegevens, vertrouwelijke bedrijfsdata of juridisch beschermde documenten. In die gevallen biedt een open-weight model een uitweg: het draait op eigen infrastructuur, en de data verlaten de organisatie niet. Voor een ziekenhuis, een advocatenkantoor of een overheidsinstelling met strenge privacyvereisten kan dat het verschil maken tussen AI wel of niet kunnen inzetten.

Afhankelijkheid

Wie een gesloten model gebruikt, is afhankelijk van de aanbieder. De aanbieder bepaalt de prijsstelling, de beschikbaarheid, de prestatie-eigenschappen en de gebruiksvoorwaarden. Modellen worden regelmatig bijgewerkt, en die updates veranderen soms het gedrag op manieren die de gebruiker niet heeft gevraagd. Een model dat vorige maand optimaal werkte voor een specifieke taak, kan na een update net anders reageren.

Bij een open-weight model is die afhankelijkheid kleiner. Het model verandert niet tenzij de organisatie dat zelf initieert. Maar helemaal vrij van afhankelijkheid ben je ook dan niet. De afhankelijkheid verschuift: van de modelaanbieder naar de infrastructuurpartner, de hostingomgeving en het eigen technische team dat het model beheert.

Aanpasbaarheid

Gesloten modellen zijn beperkt aanpasbaar. Prompting stuurt het gedrag per sessie. Fine-tuning stuurt het gedrag structureler, maar niet elke aanbieder biedt die mogelijkheid, en ook dan blijft het binnen de kaders die de aanbieder stelt. De alignment-keuzes van de modelbouwer liggen vast. Hoe het model omgaat met gevoelige onderwerpen, waar het weigert, welke toon het hanteert: dat is bepaald door de aanbieder. Een organisatie die daar andere keuzes in wil maken, loopt tegen een muur.

Open-weight modellen bieden die ruimte wel. Een organisatie kan het model fine-tunen op eigen voorbeelden, de alignment bijsturen en het gedrag vormgeven naar eigen inzicht. Maar die vrijheid komt met een verantwoordelijkheid: wie de alignment van een model aanpast, is zelf verantwoordelijk voor de veiligheid en de kwaliteit van het resultaat.

Prestatie

Tot voor kort was prestatie het sterkste argument voor gesloten modellen. De beste gesloten modellen presteerden structureel beter dan de beste open-weight modellen, op vrijwel alle taken. Dat beeld is aan het verschuiven. Voor de meeste praktische toepassingen, zoals tekst samenvatten, content genereren, code schrijven en data verwerken, is het verschil tussen de beste open-weight en gesloten modellen inmiddels klein. Op de moeilijkste taken, met name complexe redenering en werkstromen die meerdere stappen vereisen, houden gesloten modellen nog een voorsprong. Die voorsprong wordt elk kwartaal kleiner, maar hij is er nog.

Wat dat betekent voor de keuze: prestatie is steeds minder vaak het doorslaggevende argument. De andere vijf overwegingen wegen zwaarder dan twee jaar geleden. Meer over hoe je de prestaties van modellen vergelijkt, staat op Wat bepaalt de kwaliteit van een model? (cluster 2.5).

In de dagelijkse praktijk kiezen steeds meer organisaties niet voor het ene of het andere, maar voor een combinatie. Een gesloten model voor complexe taken waar de nieuwste prestaties nodig zijn. Een open-weight model voor taken met hoog volume, hoge privacyvereisten of de behoefte aan specifieke aanpassingen. Die hybride benadering zie je vooral bij middelgrote en grote organisaties die de technische capaciteit hebben om beide typen te beheren.

Dat is overigens niet uniek voor AI: organisaties kiezen zelden voor één leverancier of één technologie voor al hun behoeften. De vraag die ertoe doet is niet “gesloten of open?”, maar: welk type model past bij welke taak, welke data en welk risicoprofiel? Wie die vraag per toepassing beantwoordt in plaats van één keer voor de hele organisatie, komt tot betere keuzes.

Wie wil begrijpen hoe gesloten modellen werken, wat ze bieden en waar de beperkingen zitten, leest verder bij Gesloten modellen (cluster 2.4a).

Wie wil weten wat een open-weight model is, wie ze maakt, hoe het prestatieverschil met gesloten modellen zich ontwikkelt en waar de licentievalkuilen zitten, vindt dat bij Open-weight modellen (cluster 2.4b).

Wie wil begrijpen waarom modellen van verschillende aanbieders zich anders gedragen op dezelfde vraag, en hoe posttraining dat gedrag vormt, leest Posttraining: van basismodel naar assistent (cluster 2.3).