De meeste mensen die dagelijks met AI werken, werken met een gesloten model zonder dat ze zich dat realiseren. Ze openen een chatvenster, typen een vraag, en krijgen een antwoord. Wat er achter dat venster gebeurt, op welke server het model draait, hoe het is getraind en wie het bijwerkt, dat blijft onzichtbaar. Die onzichtbaarheid is tegelijkertijd de kracht en de kwetsbaarheid van gesloten modellen. De kracht: alles werkt zonder dat je er iets voor hoeft in te richten. De kwetsbaarheid: je hebt geen grip op wat er onder de motorkap verandert.
Roland Bieleveldt
Een gesloten model is een AI-model waarvan de gewichten, de trainingscode en de trainingsdata niet openbaar zijn. De gebruiker heeft geen toegang tot het model zelf. Wat de gebruiker heeft, is toegang tot een dienst: een interface of een API waarmee verzoeken naar het model kunnen worden gestuurd en antwoorden worden terugontvangen.
Het model draait op de servers van de modelbouwer. De modelbouwer beheert de infrastructuur, voert de pretraining en posttraining uit, bepaalt de alignment-keuzes en verzorgt de updates. De gebruiker kan het gedrag van het model op verschillende manieren sturen: via prompts, via systeeminstructies die het model context en richting geven, via eigen kennisbronnen die aan het model worden meegegeven (retrieval-augmented generation, of RAG), en via de instellingen die de aanbieder beschikbaar stelt. Dat geeft meer grip dan je op het eerste gezicht zou denken. Maar het model zelf blijft een black box: de gebruiker kan zien wat erin gaat en wat eruit komt, niet wat er tussenin gebeurt.
Claude van Anthropic, ChatGPT van OpenAI en Gemini van Google zijn gesloten modellen. Ze zijn gebouwd door grote modelbouwers die miljarden investeren in pretraining, posttraining en alignment, en die het resultaat als dienst aanbieden.
De meest directe manier om een gesloten model te gebruiken is via een chatinterface: een scherm waarin je vragen kunt stellen en antwoorden krijgt. Dat is de vorm die de meeste mensen kennen van ChatGPT of Claude.
Voor organisaties die AI structureel willen inzetten, is de API de centrale toegangsweg. API staat voor application programming interface: een gestandaardiseerde manier waarop software met het model communiceert. Via een API kan een organisatie het model inbouwen in eigen systemen. Een klantenserviceplatform dat automatisch conceptantwoorden genereert. Een juridisch systeem dat contracten samenvat. Een financiële tool die rapportages opstelt. In elk geval stuurt het systeem een verzoek naar het model en verwerkt het antwoord, zonder dat een mens handmatig een chatvenster hoeft te openen.
De kosten worden meestal per gebruik berekend, per verwerkte token, de kleinste teksteenheid die het model verwerkt. Hoe meer tekst het model verwerkt en genereert, hoe hoger de kosten. Sommige aanbieders bieden ook een vast abonnement aan voor individuele gebruikers. Voor organisaties die via de API werken, is het principe vrijwel overal hetzelfde: betalen naar gebruik.
Achter een gesloten model zit meer dan de meeste gebruikers beseffen. Een heel apparaat dat zorgt dat het model werkt, verbetert en veilig blijft.
Modelbouwers brengen regelmatig nieuwe versies uit. Elke versie is het resultaat van nieuwe pretraining, verfijnde posttraining en/of bijgestelde alignment. De gebruiker profiteert van die verbeteringen zonder er zelf iets voor te hoeven doen. Het model wordt beter terwijl de gebruiker gewoon doorwerkt.
De modelbouwer bepaalt de alignment-keuzes: welk gedrag het model vertoont, waar het weigert en hoe het omgaat met gevoelige onderwerpen. Die keuzes zijn het resultaat van intensieve posttraining, feedback van miljoenen gebruikers en voortdurende bijsturing. Voor de meeste organisaties is dat een voordeel: de veiligheidsmaatregelen zijn ingebouwd zonder dat de organisatie er zelf in hoeft te investeren.
Rond gesloten modellen bouwen aanbieders een heel ecosysteem: documentatie, ontwikkelaartools, integraties met populaire software, technische ondersteuning en een gemeenschap van ontwikkelaars die kennis delen. Dat ecosysteem verlaagt de drempel voor inzet en maakt het makkelijker om het model in te bouwen in bestaande werkprocessen.
De voordelen van gesloten modellen hebben een keerzijde. Drie beperkingen komen in de praktijk het vaakst terug.
Wie een gesloten model inbouwt in bedrijfsprocessen, bouwt een afhankelijkheid op. De aanbieder bepaalt de prijs, de beschikbaarheid en de prestatie-eigenschappen. Modellen worden bijgewerkt en die updates veranderen soms het gedrag. Een model dat drie maanden lang consistent reageerde op een bepaald type prompt, kan na een update net anders reageren. Dat is zelden dramatisch, maar het is ook niet voorspelbaar.
De afhankelijkheid gaat verder dan techniek. Aanbieders kunnen hun voorwaarden wijzigen, hun prijsmodel aanpassen of functies toevoegen en verwijderen. Een organisatie die haar hele AI-inzet op één aanbieder heeft gebouwd, heeft geen uitwijkmogelijkheid als die aanbieder een koers kiest die niet meer past.
Bij elk verzoek aan een gesloten model worden de data verstuurd naar de servers van de aanbieder. Dat betekent niet automatisch dat de aanbieder die data voor eigen doeleinden gebruikt. De meeste aanbieders garanderen inmiddels via hun API- en enterprise-contracten dat data niet worden ingezet voor verdere training en dat ze na verwerking worden gewist. Voor veel organisaties zijn die garanties voldoende. Maar het feit blijft dat de data de organisatie verlaten. Voor organisaties met de strengste privacyvereisten, in sectoren als zorg, financiële dienstverlening of overheid, kan dat een onoverkomelijk bezwaar zijn, ongeacht de contractuele afspraken.
Een gesloten model is aanpasbaar via prompting, systeeminstructies en RAG. Sommige aanbieders bieden daarnaast de mogelijkheid om het model te fine-tunen via hun platform. Maar de fundamentele eigenschappen van het model liggen vast. De alignment-keuzes van de modelbouwer zijn niet aanpasbaar. Hoe het model omgaat met gevoelige onderwerpen, waar het weigert, welke toon het hanteert op specifieke vragen: dat is bepaald door de modelbouwer. Voor de meeste gebruikers werkt dat prima. Maar voor organisaties die het gedrag van het model willen vormgeven naar eigen inzicht, is het een harde grens.
Wat het werken met gesloten modellen in de praktijk oplevert, en waar het schuurt, wordt zichtbaar in twee situaties.
Een regionaal ziekenhuis implementeerde in zes weken een AI-ondersteund systeem voor het genereren van ontslagbrieven. Het gesloten model was direct inzetbaar via een API-koppeling met het elektronisch patiëntendossier. Geen eigen servers, geen modelconfiguratie, geen trainingsdata nodig. De artsen merkten dat het model bij een update van de aanbieder plotseling uitgebreidere waarschuwingen toevoegde aan medische adviezen: passages die klinisch correct maar klinisch onnodig waren. Het ziekenhuis kon die verandering niet terugdraaien. Het moest wachten tot de aanbieder de balans bijstelde, en ondertussen de extra tekst handmatig verwijderen. Dat is de realiteit van een gesloten model: de verbeteringen komen vanzelf, de veranderingen ook.
Een middelgroot adviesbureau gebruikt een gesloten model voor het opstellen van offertes, rapporten en klantcommunicatie. De keuze was pragmatisch: het bureau heeft geen IT-afdeling die een model zou kunnen hosten, en de kosten zijn bij het huidige volume beheersbaar. Wat het bureau waardeert, is de snelheid waarmee nieuwe mogelijkheden beschikbaar komen. Toen de aanbieder een functie uitbracht waarmee het model langere documenten in één keer kon verwerken, verbeterde de kwaliteit van de rapportsamenvattingen merkbaar. Geen investering, geen migratie, geen technisch project. Het werkte gewoon beter dan de week ervoor.
Wie wil begrijpen hoe open-weight modellen werken, wat het verschil is met gesloten modellen op het gebied van controle, kosten en aanpasbaarheid, en wie de belangrijkste aanbieders zijn, leest verder bij Open-weight modellen (cluster 2.4b).
Wie wil begrijpen waarom modellen van verschillende aanbieders zich anders gedragen op dezelfde vraag, vindt de verklaring bij Posttraining: van basismodel naar assistent (cluster 2.3).
Wie wil weten hoe het basismodel wordt opgebouwd dat zowel aan gesloten als aan open-weight modellen ten grondslag ligt, leest Pretraining: het fundament bouwen (cluster 2.2).