# Marktontwikkeling open versus closed modellen | llmnet.nl Deel:[š•](https://twitter.com/intent/tweet?url=https%3A//nieuws.llmnet.nl/open-vs-closed-modellen-marktontwikkeling&text=Marktontwikkeling%20open%20versus%20closed%20modellen)[LinkedIn](https://www.linkedin.com/sharing/share-offsite/?url=https%3A//nieuws.llmnet.nl/open-vs-closed-modellen-marktontwikkeling)[Reddit](https://www.reddit.com/submit?url=https%3A//nieuws.llmnet.nl/open-vs-closed-modellen-marktontwikkeling&title=Marktontwikkeling%20open%20versus%20closed%20modellen)[Facebook](https://www.facebook.com/sharer/sharer.php?u=https%3A//nieuws.llmnet.nl/open-vs-closed-modellen-marktontwikkeling)[Kopieer link](#) # Marktontwikkeling open versus closed modellen Door Ivo Donker - 3 augustus 2026 De markt voor grote taalmodellen is veranderd van een overzichtelijk veld met enkele pioniers in een gelaagd ecosysteem. Waar de discussie voorheen primair ging over de prestatieverschillen tussen propriĆ«taire API's en vrij toegankelijke gewichten, verschuift de nadruk nu naar commerciĆ«le belangen, infrastructuur en totale beheerskosten. De wisselwerking tussen gesloten en open modellen bepaalt niet alleen hoe leveranciers hun investeringen terugverdienen, maar ook hoe organisaties hun IT-architectuur inrichten. In deze analyse kijken we naar de economische dynamiek achter deze marktontwikkeling. We analyseren welke verdienmodellen de basis vormen voor de huidige AI-markt, hoe de aanwezigheid van open gewichten zorgt voor prijsdruk op API's, en welke strategische overwegingen meewegen bij het maken van een duurzame technologiekeuze. ## Marktstructuur en positionering van spelers De aanbieders van taalmodellen laten zich grofweg verdelen in drie categorieĆ«n op basis van hun go-to-market-strategie: - Zuivere gesloten aanbieders: Deze partijen stellen hun modellen uitsluitend beschikbaar via beheerde API's of afgesloten cloud-omgevingen. Ze richten zich op de absolute bovenkant van de markt en investeren zwaar in grootschalige trainingsclusters. Het intellectueel eigendom rondom de modelgewichten en de trainingsdata blijft strikt geheim. - Aanbieders van open gewichten: Deze ontwikkelaars stellen de modelparameters publiek beschikbaar. Gebruikers kunnen deze gewichten downloaden en lokaal of in een eigen cloud-infrastructuur draaien. Deze partijen verdienen hun geld vaak niet direct met de gewichten zelf, maar met aanvullende diensten, enterprise-ondersteuning of infrastructuur. Om geschikte modellen binnen deze categorie te vinden, kun je overzichten raadplegen in de [directory voor open source modellen](https://directory.llmnet.nl/open-source-modellen). - Hybride spelers: Grote platform- en cloudleveranciers combineren beide benaderingen. Ze bieden propriĆ«taire modellen aan voor complexe taken, maar publiceren tegelijkertijd lichtere open modellen of ondersteunen een breed scala aan open-source alternatieven op hun eigen cloudplatforms. ## Onderliggende verdienmodellen Het bouwen en onderhouden van geavanceerde taalmodellen vereist kapitaalintensieve investeringen in rekenkracht, datacenters en gespecialiseerd talent. De manier waarop ontwikkelaars deze investeringen terugverdienen varieert sterk per marktsegment. Verdienmodel | Primaire inkomstenbron | Belangrijkste voordeel voor aanbieder | API-omzet per token | Verbruik van invoer- en uitvoertokens | Directe koppeling tussen gebruik en omzet | SaaS-abonnementen | Vast bedrag per gebruiker per maand | Voorspelbare terugkerende inkomsten | Cloud-infrastructuur | Verhuur van compute (GPU/TPU) en opslag | Marge op de onderliggende rekenkracht | Ecosysteem-binding | Verkoop van aanvullende software en hardware | Verhoging van de overstapkosten voor klanten | Voor partijen die uitsluitend afhankelijk zijn van API-omzet per token geldt dat de marges onder druk staan. Zodra vergelijkbare prestaties worden geleverd door goedkopere of open alternatieven, moeten de prijzen per token dalen om marktaandeel te behouden. Cloudproviders bevinden zich in een sterkere positie: zij verdienen aan de rekenkracht die nodig is om zowel gesloten API's als zelfgehoste open modellen te laten draaien. In de uitgebreide analyse over de [hardware- en chips-race](https://nieuws.llmnet.nl/chips-en-hardware-race) wordt dieper ingegaan op de impact van compute-kosten op de totale marktwaarde. ## Waarom partijen gewichten vrijgeven zonder directe omzet Het op het eerste gezicht paradoxale gedrag om krachtige modellen gratis beschikbaar te stellen, berust op duidelijke strategische mechanismen. In de software-industrie is het gratis aanbieden van een onderliggende laag een beproefde manier om de waarde te verschuiven naar de eigen kernactiviteiten. Ten eerste speelt het principe van 'commoditisering van de aanpalende laag'. Als een bedrijf zijn hoofdinkomsten haalt uit hardware of cloudinfrastructuur, heeft het er belang bij dat de software die op die hardware draait zo goedkoop en toegankelijk mogelijk is. Door hoogwaardige modelgewichten vrij te geven, erodeert de marginale waarde van propriĆ«taire API-modellen, terwijl de vraag naar rekenkracht om die open modellen te draaien juist toeneemt. Ten tweede fungeert het openstellen van gewichten als een krachtig middel voor talentwerving en de vestiging van een industriestandaard. Ontwikkelaars en onderzoekers bouwen hun workflows en tooling bij voorkeur op rondom modellen die ze zonder beperkingen kunnen inspecteren en aanpassen. Dit creĆ«ert een vliegwieleffect waarbij het ecosysteem rondom een specifiek model groeit, wat de ontwikkelaar helpt om de beste technici aan zich te binden. ## Prijsdruk en de bodem in de API-markt De continue stroom van kwalitatief hoogwaardige open modellen heeft een rechtstreeks effect op de tarieven van propriĆ«taire API's. Zodra een open model een prestatieniveau bereikt dat 'goed genoeg' is voor standaardtoepassingen, vervalt voor veel organisaties de bereidheid om een premie te betalen voor een gesloten API. Dit fenomeen trekt een prijsbodem onder de markt. Aanbieders van gesloten API's worden gedwongen hun prijzen per token periodiek te verlagen of meer functionaliteit te bieden voor dezelfde prijs. Hierbij ontstaat een duidelijke tweedeling in de vraag: Prijsgevoelig segment: Taken zoals tekstsamenvatting, eenvoudige classificatie, informatie-extractie en tweedelijns klantenservice worden in toenemende mate overgeheveld naar efficiĆ«nte open modellen of gespecialiseerde kleine taalmodellen. Zie voor een verdieping over deze categorie het artikel over [kleine taalmodellen en hun inzetbaarheid](https://nieuws.llmnet.nl/kleine-taalmodellen). Prijs-ongevoelig segment: Complexe redeneertaken, geavanceerde code-generatie en toepassingen waar de allerhoogste nauwkeurigheid vereist is, blijven het domein van de grootste gesloten modellen. Organisaties die deze modellen inzetten, betalen voor de marginale prestatiewinst die het verschil maakt tussen een geslaagde of mislukte automatisering. ## De feitelijke prestatiekloof De afstand tussen de absolute top van propriĆ«taire modellen en de best presterende open modellen is geen statisch gegeven. Er is sprake van een golfbeweging. Wanneer een nieuw vlaggenschipmodel van een gesloten aanbieder verschijnt, ontstaat er tijdelijk een duidelijke afstand in capaciteiten. In de maanden die volgen, sluiten open modellen die kloof voor een groot deel, ondersteund door efficiĆ«ntere trainingsmethoden en betere datakwaliteit. Het is belangrijk om onderscheid te maken tussen benchmarks en praktische productiewaarde. Een gesloten model kan op gestandaardiseerde tests enkele procentpunten hoger scoren, maar in een bedrijfsspecifieke context kan een kleiner, fijneafstemd open model beter presteren op de specifieke domeintaak. Een breder overzicht van deze ontwikkeling staat beschreven in het artikel over [trends in open-source LLM's](https://nieuws.llmnet.nl/open-source-llm-trends). ## Wat 'open' betekent in de commerciĆ«le praktijk In het commerciĆ«le debat wordt de term 'open' vaak onnauwkeurig gebruikt. Het beschikbaar stellen van modelgewichten is fundamenteel anders dan traditionele open-source software. Bij open gewichten (open weights) ontvangt de gebruiker de getrainde parameters van het netwerk. Dit maakt het mogelijk om het model lokaal uit te voeren en fijn af te stemmen. Echter, de broncode van de trainingspijplijn, het architectuurontwerp en ā€“ bovenal ā€“ de exacte trainingsdata worden zelden openbaar gemaakt. Hierdoor is het model niet vanaf de grond af aan te reproduceren of te auditeren. Daarnaast leggen veel ontwikkelaars van open gewichten gebruiksbeperkingen op via aangepaste licenties. Zo worden er soms limieten gesteld aan het aantal maandelijkse actieve gebruikers, of wordt het verboden om de output van het model te gebruiken voor het trainen van concurrerende modellen. Voor een grondige juridische duiding van deze licentievoorwaarden verwijzen we naar het overzicht over het [licentiedebat rondom open modellen](https://nieuws.llmnet.nl/licentiedebat-open-modellen). ## Regelgeving en soevereiniteit in Europa en Nederland Voor Europese en Nederlandse organisaties spelen wetgeving en data-soevereiniteit een steeds grotere rol bij de keuze tussen open en gesloten structuren. De Europese AI Act stelt specifieke eisen aan transparantie, risicobeheer en documentatie. De verplichtingen verschillen afhankelijk van het type model en de manier waarop het wordt ingezet. Bij het gebruik van Amerikaanse API-diensten krijgen organisaties te maken met complexe vraagstukken rondom gegevensoverdracht buiten de Europese Economische Ruimte (EER), verwerkersovereenkomsten en het risico op ongeautoriseerde toegang door derden. Dit stelt strenge eisen aan de naleving van privacywetgeving. Open modellen die worden gehost binnen de eigen IT-infrastructuur of bij een Europese cloudprovider bieden op dit vlak maximale controle. De data verlaat de eigen omgeving niet, wat essentieel is voor de overheid, de gezondheidszorg en de financiĆ«le sector. Deze behoefte aan digitale soevereiniteit vormt een sterke drijfveer voor de adoptie van open gewichten in de regio. ## Keuzeafwegingen voor organisaties Bij het bepalen van de juiste strategie staan IT-beslissers voor de afweging tussen gemak en controle. De keuze voor een gesloten API of een zelfgehost open model is zelden een alles-of-niets-beslissing; veel organisaties hanteren een hybride aanpak. Om te bepalen welke route het meest geschikt is, kan een organisatie de volgende criteria hanteren: - Snelheid van implementatie: Gesloten API's vereisen geen beheer van infrastructuur en bieden een directe toegang via eenvoudige integraties. Dit is ideaal voor het valideren van concepten en pilots. - Dataprivacy en vertrouwelijkheid: Wanneer strikte geheimhouding vereist is of wanneer privacygevoelige gegevens worden verwerkt, biedt een lokaal gehost open model superieure garanties. - Aanpasbaarheid: Open modellen laten zich diepgaand aanpassen aan specifieke bedrijfsprocessen middels fine-tuning en aanpassing van de modelarchitectuur. - Voorspelbaarheid van kosten: Bij een hoog en continu volume aan verzoeken worden de tokenkosten van API's substantieel. Zelf hosten op vaste GPU-infrastructuur kan bij voldoende schaal voordeliger zijn. Een gedetailleerde berekening van de infrastructuur- en beheerkosten is te vinden in de gids over [TCO van open versus closed modellen](https://hub.llmnet.nl/tco-open-vs-closed). Voor strategische begeleiding bij de defensie van deze keuzes kun je de richtlijnen raadplegen over [bouwen of kopen van AI-oplossingen](https://consultancy.llmnet.nl/bouwen-of-kopen). ## Nuchtere vooruitblik en marktveronderstellingen De markt voor taalmodellen ontwikkelt zich snel, maar een aantal structurele trends en onzekerheden laat zich helder formuleren. ### Structurele ontwikkelingen - Prijserosie voor basistaken: De kosten voor standaard inferentie (het genereren van antwoorden) zullen blijven dalen doordat open modellen en efficiĆ«ntere hardware de kostprijs per token naar beneden drukken. - Specialisatie van modellen: In plaats van Ć©Ć©n universeel model zullen IT-landschappen bestaan uit een combinatie van kleine, gespecialiseerde modellen voor specifieke taken en een groot model voor complexe vraagstukken. - Verhoogde aandacht voor governance: Documentatie, modelkaarten en het voldoen aan wetgeving worden een integraal onderdeel van het selectieproces. Praktische handvatten hiervoor staan in de handleiding over [het lezen van modelkaarten en licenties](https://hub.llmnet.nl/modelkaarten-en-licenties-lezen). ### Expliciete marktveronderstellingen en onzekerheden - Aanname: Dat de prestatiekloof tussen open en gesloten modellen klein blijft voor alledaagse taken. Indien gesloten aanbieders door een nieuwe doorbraak een kwalitatieve sprong maken die open modellen niet kunnen bijbenen, kan de markt opnieuw naar gesloten API's escaleren. - Aanname: Dat grote techbedrijven open gewichten blijven subsidiĆ«ren uit strategische overwegingen. Mocht de druk van aandeelhouders op directe winstgevendheid van AI-divisies toenemen, kan de bereidheid om geavanceerde gewichten kosteloos te delen afnemen. - Aanname: Dat de aanvoer van hardware en energie voldoende meegroeit om aan de stijgende vraag naar inferentie en training te voldoen. Restricties op de distributie van geavanceerde chips kunnen de verhoudingen in de markt ingrijpend veranderen. ## Lees ook - [Trends in open-source LLM's](https://nieuws.llmnet.nl/open-source-llm-trends) - [Het licentiedebat rondom open modellen](https://nieuws.llmnet.nl/licentiedebat-open-modellen) - [Kleine taalmodellen en hun inzetbaarheid](https://nieuws.llmnet.nl/kleine-taalmodellen) - [De chips- en hardware-race in de AI-industrie](https://nieuws.llmnet.nl/chips-en-hardware-race) - [TCO van open versus closed modellen](https://hub.llmnet.nl/tco-open-vs-closed) - [Strategie: AI-modellen bouwen of kopen](https://consultancy.llmnet.nl/bouwen-of-kopen) llmnet.nl - AI-Nieuws & Onderzoek