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).
