Open-weight AI-modellen verslaan de betaalde top niet op pure capaciteit — ze lopen er ongeveer vier maanden achter — maar dat verschil is voor het meeste bedrijfswerk opgehouden ertoe te doen. Epoch AI becijfert de achterstand op zo'n vier maanden, oftewel acht punten op zijn capaciteitsindex, en die achterstand is in twee jaar niet wezenlijk groter geworden. Als een gratis model één release achterloopt en een fractie kost om te draaien, is "achterlopen" niet langer het getal dat de beslissing bepaalt.
Zijn open-weight modellen inmiddels net zo goed als betaalde modellen?
Voor de meeste taken wel. Voor de moeilijkste taken net niet. Het eerlijke antwoord bevat twee getallen. De Capabilities Index van Epoch AI zette de beste open-weight modellen begin 2026 zo'n vier maanden achter de gesloten top — een verschil van acht ECI-punten, vergelijkbaar met de afstand tussen twee opeenvolgende releases van één lab. OpenRouter zag in juni 2026 hetzelfde beeld vanuit de vraagkant: een constant gat van drie tot zes maanden, al ruim achttien maanden lang, zonder aanwijzing dat de frontier-labs wegtrekken.
De specifieke modellen zeggen meer dan het gemiddelde. Op de Artificial Analysis Intelligence Index leidde GLM 5.2 medio juni de open modellen met 51 en stond het bovenaan op de agentische praktijkbenchmark van Artificial Analysis, feitelijk gelijk met GPT-5.5. DeepSeek V4 Pro haalde 80,6% op SWE-bench Verified, de hoogste open-weight score, met het goedkopere V4 Flash op zo'n 1,6 punt daarvan. Medio juli lanceerde Moonshot AI Kimi K3: 2,8 biljoen parameters, ongeveer 104 miljard actief per token, met de volledige gewichten eind die maand — het grootste publiek beschikbare open-weight model.
De top loopt dus nog voorop. Wat veranderde, is dat de tweede plaats echt goed werd — en de tweede plaats is gratis te downloaden.
Wat is het verschil tussen open source en open weight?
Open weights betekent dat u het afgeronde model kunt downloaden en draaien. Open source betekent dat u ook het recept krijgt: de trainingscode en genoeg informatie over de data om het model van de grond af te reproduceren en te auditen. Vrijwel elk model dat vandaag als "open source" wordt vermarkt, is alleen open weight. Meta, Google en de meeste Chinese labs gebruiken het label open source; de Open Source AI Definition van het Open Source Initiative doet dat niet, omdat OSAID 1.0 trainingscode onder een OSI-goedgekeurde licentie vereist, parameters onder vrije gebruiksvoorwaarden, en genoeg data-informatie om het systeem in essentie na te bouwen.
Dat is geen muggenzifterij, want de licenties verschillen op manieren die tot in uw contracten reiken. DeepSeek V4 Flash en GLM 5.2 verschijnen onder MIT, wat werkelijk permissief is. De gewichten van MiniMax M3 staan onder een communitylicentie die naamsvermelding vraagt, waarbij grotere commerciële producten voorafgaande schriftelijke toestemming nodig hebben. Kimi K3 kwam uit onder een eigen licentie in plaats van MIT. NVIDIA's Nemotron 3 Ultra gebruikt OpenMDW. "Open" is een glijdende schaal, en de enige commercieel relevante vraag is: wat staat déze licentie mijn bedrijf toe? Lees hem voordat hij in een klantcontract belandt.
Waarom voelt dit als het pc-moment van toen?
Omdat de personal computer het mainframe niet versloeg op rekenkracht. Begin jaren tachtig was een mainframe sneller, betrouwbaarder en beter ondersteund dan wat er ook op een bureau stond. De pc won toch, op drie dingen die het mainframe voor geen prijs kon bieden: u bezat hem, hij stond waar het werk gebeurde, en hij was goed genoeg voor het werk dat de meeste mensen echt deden. Capaciteit was nooit de beslissende variabele — zeggenschap en nabijheid wel.
Nederland heeft aan die overgang een opvallend scherpe herinnering, want hij werd deels door fiscaal beleid afgedwongen. Vanaf 1 januari 1997 mocht een werkgever onder de pc-privéregeling een thuiscomputer vrij van belasting en premies verstrekken of vergoeden, tot zo'n 5.000 gulden aan apparatuur. Op het hoogtepunt werd ongeveer één op de zes pc's die bij Nederlandse consumenten terechtkwam via de werkgever aangeschaft. Nederlandse fabrikanten als Tulip Computers uit Den Bosch — een tijdlang een van de grootste van Europa — groeiden mede op die bedrijfsregelingen, en Philips zette met MSX een generatie Nederlandse en Vlaamse huiskamers aan de computer. De regeling verdween in augustus 2004, toen haar werk gedaan was: computers waren verhuisd van iets wat u bij een centrale afdeling aanvroeg naar iets wat op uw eigen bureau stond.
Het verhaal van open-weight modellen heeft dezelfde vorm. Een gesloten API-model is timesharing: afgerekend per gebruik, op afstand, uitstekend, en van iemand anders. Een open-weight model dat u zelf host, is de machine onder het bureau — iets achter op de benchmarks, volledig van u, draaiend waar uw data toch al staat. De vergelijking verdient haar plek omdat ook de valkuil zich herhaalt: talloze bedrijven maakten gebruik van de pc-privéregeling en kregen die machines nooit productief, want het bezitten van de hardware was nooit het moeilijke deel. Het bezitten van het proces wel — en dat is niet veranderd.
Waar de vergelijking mank gaat, mag ook gezegd. Een pc was een eenmalige aanschaf die daarna stilletjes afschreef; een open-weight implementatie is een doorlopende verplichting met GPU's, evaluatie en updates eraan vast. En het mainframe werd niet elk kwartaal goedkoper, terwijl de prijzen van gesloten modellen blijven dalen. Gebruik de vergelijking als richtsnoer voor de vórm van de verschuiving, niet als voorspelling van wie het loodje legt.
Wat kost het werkelijk om een open-weight model te draaien?
Twee routes, twee heel verschillende kostenstructuren. Gehost was DeepSeek V4 Flash beschikbaar voor onder de $0,10 per miljoen invoertokens en onder de $0,30 per miljoen uitvoertokens — ruwweg twee ordes van grootte onder de uitvoerprijzen van de top. GLM 5.2 zat onder de $0,50 in en enkele dollars uit per miljoen, nog altijd fors onder gesloten frontier-codeermodellen. De valkuil die mensen verrast: goedkope tokens zijn geen goedkope runs, want deze modellen denken veel, en een breedsprakig redeneermodel met een lage tokenprijs kan een bondig duur model voorbijstreven.
Zelf hosten volgt de vuistregel van ongeveer 0,5 GB geheugen per miljard parameters bij 4-bits kwantisatie. Dat brengt bruikbare modellen binnen bereik van hardware die u wellicht al heeft: een Mac met Apple Silicon en 32 GB unified memory draait modellen in de 30B-klasse op Q4, en Ollama, LM Studio en llama.cpp draaien ze zonder specialistische kennis. Leveranciers claimen vaak dat zelf hosten de totale eigendomskosten over drie jaar met tot 60% verlaagt ten opzichte van API-kosten — behandel dat als een leverancierscijfer en reken uw eigen situatie door, want het geldt alleen bij aanhoudend hoog volume waarbij de GPU bezet blijft.
Wanneer betaalt u als mkb'er of kmo beter voor een gesloten model?
Vaker dan het enthousiasme doet vermoeden. Betaal wanneer de taak aan de bovenkant van de moeilijkheidsschaal zit — zwaar meerstaps redeneren, agentisch werk over lange horizon — want dan is die achterstand van vier maanden precies het verschil dat telt. Betaal wanneer u beeld of video als invoer nodig heeft en dat niet zelf wilt samenstellen. Betaal wanneer niemand in het team een inferentiestack wil beheren, wat bij de meeste bedrijven onder de vijftig medewerkers de eerlijke situatie is. En betaal wanneer het model toch een klein deel van de rekening is; onder pakweg een paar honderd euro per maand is zelf hosten een hobby met een visitekaartje.
Het strategische antwoord is niet kiezen voor een kamp, maar overdraagbaar blijven — het argument dat we maakten in AI-strategie moet niet het beste model najagen, en de reden dat de MCP-laag zwaarder weegt dan de modelkeuze. Onze vergelijkingen van GPT-5.6 met Fable 5 en de Chinese open-weight modellen en van Claude Opus 5 kwamen op dezelfde slotsom uit: het model is het meest vervangbare onderdeel van uw stack, dus bouw zo dat vervangen goedkoop is.
Behandelt de EU AI Act open-source modellen anders?
Ja, maar de uitzondering is smaller dan de meeste samenvattingen suggereren. Om ervoor in aanmerking te komen moet een general-purpose model onder een vrije en open licentie zijn uitgebracht die toegang, gebruik, wijziging en verspreiding toestaat, met publiek beschikbare parameters, en het mag niet te gelde worden gemaakt. Die uitzondering dekt vervolgens slechts twee verplichtingen: het opstellen van technische documentatie, en het aanleveren van bepaalde informatie aan afnemers verderop in de keten. De samenvatting van trainingsdata en het auteursrechtbeleid blijven verplicht, en de uitzondering vervalt volledig voor modellen met systeemrisico.
Voor een mkb'er of kmo die modellen inzet in plaats van traint, is de praktische lezing eenvoudiger: deze verplichtingen landen vooral bij de modelaanbieder, niet bij u. Uw plichten hangen aan wat u bouwt en hoe u dat kenbaar maakt. Kiezen voor open weights ontslaat u niet van de AI Act — het verandert vooral wie stroomopwaarts de documentatielast draagt.
Waarom is dit in Nederland en België een soevereiniteitsvraag, niet alleen een kostenvraag?
In de Benelux landt het open-weight argument minder op prijs dan op zeggenschap, en 2026 heeft dat concreet gemaakt. In april 2026 presenteerden zeven Nederlandse IT-bedrijven de Open Cloud Alliantie, die bestaande Nederlandse datacenters bundelt tot een soeverein alternatief voor AWS, Azure en Google Cloud, bedoeld voor kritieke systemen en gevoelige overheidsdata onder Nederlands en Europees recht. Op EU-niveau ging een aanbesteding voor soevereine cloud van 180 miljoen euro naar vier Europese aanbieders, waaronder het Belgische Proximus. SURF draait binnen onderwijs en onderzoek pilots op basis van Nextcloud.
Open weights zijn de modelversie van datzelfde instinct. Een model waarvan u de parameters in handen heeft, draait in een Nederlands of Belgisch datacenter, onder de AVG, zonder doorgiftevraagstuk en zonder leverancier die het onder u vandaan kan halen. Dat laatste hield in juni 2026 op hypothetisch te zijn, toen een Amerikaanse exportcontrolerichtlijn Anthropic dwong Fable 5 en Mythos 5 wereldwijd voor elke gebruiker uit te schakelen. De maatregel werd op 30 juni ingetrokken en de modellen kwamen na negentien dagen terug, dus het liep goed af — maar hij kwam zonder waarschuwing en zonder beroep. Voor een Nederlands of Vlaams bedrijf met een proces dat op één gesloten model draait, is dat het risico dat de gedachten scherpt. Continuïteit, niet kosten, is het sterkste argument om een open-weight optie warm te houden.
Wat gebeurt er nu verder?
Drie dingen zijn redelijk veilig te verwachten. Het capaciteitsgat blijft ongeveer waar het is — vier maanden is stabiel genoeg gebleken, door meerdere vermeende doorbraken heen, dat wedden op een groter wordend gat al twee jaar een verliezende positie is. Inferentie wordt het controlepunt in plaats van het model: als gewichten gratis zijn, verschuiven marge en lock-in naar wie ze goed draait, en dat verklaart waarom NVIDIA sterke open modellen uitbrengt en waarom hostingpartijen hard op prijs concurreren. En de licentievraag wordt scherper in plaats van zachter, nu OSI aan een update van OSAID werkt en meer labs bijna-frontier gewichten onder eigen voorwaarden uitbrengen.
De voorspelling waar we ons echt achter scharen is saaier dan de pc-vergelijking suggereert: de meeste Nederlandse en Vlaamse bedrijven gaan beide draaien — goedkoop hoogvolumewerk naar een open-weight model, de top gereserveerd voor de moeilijke staart — zonder er ooit een principiële keuze van te maken. Zo zag het pc-tijdperk er uiteindelijk ook uit: het mainframe verdween niet, het hield alleen op de plek te zijn waar het interessante werk gebeurde. Weegt u die verdeling af voor uw eigen stack, dan is dat een evaluatieoefening op uw eigen taken, geen exercitie met benchmarktabellen.
Modelnamen, scores en prijzen in dit artikel weerspiegelen gepubliceerde cijfers per 31 juli 2026 en bewegen snel — controleer ze tegen actuele bronnen voordat u een inkoopbeslissing neemt.
