Een opvallend opiniestuk haalde deze maand de voorpagina van Hacker News: er zou nauwelijks nog een nadeel zitten aan overstappen naar open AI-modellen (Bron: marble.onl). Provocerend, maar het raakt een echte verschuiving. De afstand tussen open modellen die je zelf draait en de gesloten diensten van OpenAI en Anthropic is in 2026 kleiner dan ooit. Voor Nederlandse bedrijven verandert dat de rekensom — al is “alles overzetten” zelden het juiste antwoord.
Het gat is geslonken tot een half jaar
Tot voor kort hadden gesloten API’s een soort monopolie op de slimste modellen. Dat beeld klopt niet meer. In 2026 scoren open modellen als DeepSeek, Qwen, Llama, GLM en Gemma op standaard-benchmarks binnen handbereik van de gesloten flagships; in lang-context-redeneren en coderen lopen open architecturen op sommige punten zelfs voorop (Bron: DiscreteStack). Analisten schatten het resterende gat op zo’n zes tot negen maanden: een open model van vandaag evenaart wat de frontier ongeveer een half jaar geleden kon (Bron: Interconnects — Nathan Lambert).
Voor wie AI inzet voor afgebakend, herhaalbaar werk — samenvatten, classificeren, code genereren — is dat half jaar achterstand vaak niet voelbaar.
Waarom bedrijven kijken naar open modellen
De aantrekkingskracht zit zelden in pure rekenkracht. Het draait om drie dingen die voor een organisatie zwaarder wegen.
Het eerste is datasoevereiniteit. Draai je een open model op je eigen of op Europese infrastructuur, dan verlaat gevoelige data je omgeving niet. Onder de AVG is dat geen detail maar een kernvraag, zeker in de zorg, het onderwijs en de financiële sector.
Het tweede is voorspelbare kosten. Bij een gesloten API reken je per token af, en dat loopt hard op zodra je AI in agent-achtige werkstromen zet die veel heen-en-weer praten. Een model op eigen infrastructuur kost een vast bedrag, ongeacht hoe vaak je het aanroept (Bron: MindStudio).
Het derde is maatwerk en licentievrijheid. Qwen valt onder Apache 2.0, DeepSeek onder MIT — licenties waarmee je commercieel mag draaien en bijtrainen zonder royalty’s (Bron: Joshua Schultz — Open-Weight Models 2026 cheatsheet). Je kunt het model voeden met je eigen documenten en vakjargon.
Beginner-tip:“Bijtrainen” (fine-tunen) betekent een bestaand model verder oefenen op jouw eigen voorbeelden, zodat het beter past bij jouw vakgebied. Je bouwt geen model vanaf nul — je verfijnt er een dat al bestaat.
Waar gesloten modellen nog winnen
Eerlijk blijven: de gesloten labs hebben nog een echte voorsprong. Modellen als ChatGPT en Claude zijn doorgaans robuuster als directe assistent die constant nieuwe, onvoorspelbare vragen krijgt. Daar zitten lastig meetbare kwaliteiten in die in benchmarks niet goed zichtbaar worden (Bron: Interconnects — Nathan Lambert). Voor de kenniswerker die de hele dag wisselende dingen aan AI vraagt, merk je dat verschil.
Wil je weten wat die gesloten modellen op hun best doen, lees dan ons stuk over hoe GPT-5 Pro een drie jaar oud immunologie-raadsel oploste — precies het soort open, creatieve taak waar de frontier nog voorop loopt.
Hoe een overstap er in de praktijk uitziet
De verstandigste aanpak is geen alles-of-niets. Veel bedrijven kiezen een tussenvorm: open modellen voor het volume-werk dat voorspelbaar en privacygevoelig is, en een gesloten model achter de hand voor de zwaarste redeneer- of agent-taken. Zo profiteer je van lagere, voorspelbare kosten en datasoevereiniteit, zonder de scherpste kant van de frontier op te geven.
Begin klein. Kies één concrete werkstroom — bijvoorbeeld interne documenten doorzoeken of klantvragen voorsorteren — en test daar een open model. Meet of de kwaliteit voldoet en wat het je aan beheer kost. Pas als dat klopt, breid je uit. De grootste fout is je hele AI-gebruik in één keer ombouwen op basis van een benchmark-score; de echte kosten zitten in hosting, updates en beveiliging die je dan zelf overneemt.
Voor wie nog aan het begin staat met AI in het bedrijf: ons overzicht AI voor het MKB helpt je de eerste stappen te zetten voordat je over modellen gaat nadenken.