Koopgids · Elk kwartaal bijgewerkt
De beste open-source AI van 2027, voor bedrijven die hun AI zelf willen bezitten
Een analyse van de open-weight-modelfamilies die een bedrijf vandaag kan draaien en van de laag die er een eigen model van maakt, vergeleken op zeven gepubliceerde criteria, met onderbouwde licenties, kosten en de beproefde route van gehuurde naar eigen AI.
Inhoud
In het kort
De beste open-source AI voor een bedrijf is een model dat het zelf bezit: een open-weight-model, getraind op de eigen data en bediend achter een router die het bedrijf zelf beheert. OpenLazarus is onze eerste keuze om daar te komen. Onder de modellen zelf is GLM de beproefde standaard voor programmeerwerk op schaal, biedt DeepSeek modellen op frontier-formaat onder de MIT-licentie, is Mistral de Europese ontwikkelaar met het breedste aanbod, draaien Gemma 4 en gpt-oss op één GPU onder Apache 2.0 en is OLMo de enige volledig open familie.
- Een model dat uw bedrijf bezit: OpenLazarus. Brengt de data van het bedrijf op orde, traint er open-weight-modellen op en stuurt elke vraag naar een frontier-, open of eigen getraind model.
- Programmeerwerk op schaal: GLM (Z.ai). De familie waarop Revolut ongeveer 2.000 engineers liet overstappen, voor ongeveer een tiende van de eerdere rekening.
- De ruimste licentie op frontier-formaat: DeepSeek. MIT voor code en gewichten, met een context van een miljoen tokens.
- Een Europese ontwikkelaar: Mistral AI. Apache-gelicentieerde modellen uit Frankrijk, met gepubliceerde voorbeelden voor fine-tuning.
- Eén GPU of op het apparaat: Gemma 4 (Google). Apache 2.0, van telefoon tot één GPU van 80 GB, en te fine-tunen op een gaming-GPU.
- Volledig open: OLMo (Ai2). De enige familie die naast de gewichten ook de trainingsdata en de trainingscode publiceert.
Waarom bedrijven overstappen op open modellen
De meeste bedrijven gebruiken AI op dezelfde manier: ze huren een handvol frontier-modellen van een paar laboratoria en betalen voor elke prompt. Die opzet kent twee kosten die meegroeien met het gebruik. De eerste is de rekening. Voordat Revolut van koers veranderde, gaven sommige van zijn engineers elk $ 1.000 tot $ 10.000 per maand uit aan AI-programmeertools, en het bedrijf moest strikte budgetten invoeren1. De tweede kost is minder zichtbaar. Als elk bedrijf zijn werk naar dezelfde modellen stuurt, krijgt het dezelfde antwoorden als zijn concurrenten.
Open-weight-modellen veranderen beide. Een bedrijf kan de gewichten downloaden, ze draaien op hardware die het zelf beheert, betalen voor de hardware in plaats van voor de prompt en het model trainen op de eigen data. In 2026 zette Revolut het standaard programmeermodel voor ongeveer 2.000 engineers over op GLM, een open-weight-familie die het op 56 dedicated GPU’s draait, en meldt dat de inferentiekosten voor AI-programmeerwerk met ongeveer 90% daalden1. Het hoofd operations vatte het beleid kort samen: open source heeft nu prioriteit bij Revolut1. Onze reconstructie van wat Revolut bouwde geeft de details.
De meeste ranglijsten van open-source AI vergelijken modellen op benchmarks. Dat beantwoordt de vraag van een ontwikkelaar: welke gewichten download ik deze maand. De vraag van een bedrijf is een andere. Welk model mag het juridisch gebruiken, wat kost het om te draaien, kan het worden getraind op de eigen kennis van het bedrijf, en hoe voorkomt het bedrijf dat het alles opnieuw moet bouwen als er volgend kwartaal een beter model verschijnt.
Hoe we de opties hebben beoordeeld
We beoordeelden acht veelgebruikte open-weight-modelfamilies en één platform dat een open model tot het eigendom van een bedrijf maakt. Elke optie is getoetst aan dezelfde zeven criteria: vrijheid van de licentie, volledige openheid, of het model in de praktijk op bedrijfsdata kan worden getraind, hulp bij het voorbereiden van die data, het gemak van zelf hosten, een Europese optie en vrijheid van lock-in. We gebruikten alleen wat de ontwikkelaars publiceren op hun model cards, in hun licenties en documentatie, en wat betrouwbare derden melden. Benchmarkcijfers komen van de ontwikkelaars zelf en zijn als zodanig gemarkeerd.
De ranglijst gaat uit van één veelvoorkomende situatie: een gevestigd bedrijf dat AI wil bezitten, tegen kosten die niet met elke prompt stijgen, en dat uiteindelijk een model wil dat zijn bedrijf kent. De volledige regels staan op de pagina over onze methode. Een optie die hier lager staat, kan in een andere situatie nog steeds de juiste keuze zijn, en bij elke optie staat wanneer.
De opties, gerangschikt
1. OpenLazarus
Laag voor data, training en routering
Het best voor: Bedrijven die een eigen open-weight-model willen, getraind op hun eigen data en bediend achter een router die ze zelf beheren.
OpenLazarus is geen model. Het is de laag die open-weight-modellen tot het eigendom van een bedrijf maakt: de architecten bouwen een datalake met alle data van het bedrijf, de AI Router stuurt elke vraag naar een frontier-, open of eigen getraind model, en op verzoek traint OpenLazarus modellen op de data van het bedrijf.
2. GLM (Z.ai)
Open-weight-modelfamilie
Het best voor: Een beproefde standaard voor AI-programmeerwerk op schaal: de familie waarop Revolut ongeveer 2.000 engineers liet overstappen.
GLM is de open-weight-familie van Z.ai. Het huidige vlaggenschip, GLM-5.3, is een tekstmodel met 753 miljard parameters; GLM-5.3-Flash (320 miljard in totaal, 18 miljard actief) accepteert ook afbeeldingen. Revolut draait GLM als standaardmodel voor programmeerwerk op dedicated GPU’s.
3. DeepSeek
Open-weight-modelfamilie
Het best voor: Programmeer- en agentwerk onder de ruimste licentie van de families op frontier-formaat.
De V4-generatie van DeepSeek valt voor code en gewichten onder de MIT-licentie. V4-Pro heeft 1,6 biljoen parameters, waarvan 49 miljard actief; V4.1-Flash activeert 8 tot 16 miljard parameters en accepteert afbeeldingen. Beide bieden een context van een miljoen tokens.
4. Qwen (Alibaba)
Open-weight-modelfamilie
Het best voor: Het breedste aanbod aan formaten, van een Apache-model met 27 miljard parameters tot een vlaggenschip van 2,4 biljoen.
Qwen3.8 loopt van een dicht model met 27 miljard parameters dat afbeeldingen en video leest, uitgebracht onder Apache 2.0, tot Qwen3.8-2.4T-A95B, een tekstmodel met 2,4 biljoen parameters, waarvan 95 miljard actief, en een eigen context van 262.144 tokens.
5. Mistral AI
Open-weight-modelfamilie
Het best voor: Europese bedrijven die een Europese ontwikkelaar willen en Apache-gelicentieerde modellen die ze kunnen fine-tunen.
Mistral brengt de meeste open modellen uit onder Apache 2.0, waaronder Mistral Small 4 (119 miljard parameters, 6,5 miljard actief, context van 256.000 tokens) en de Ministral 3-familie. Het vlaggenschip, Mistral Large 4, valt onder een aangepaste MIT-licentie die een commerciële licentie vereist om het als dienst te draaien.
6. Gemma 4 (Google)
Open-weight-modelfamilie
Het best voor: Kleine modellen en modellen op het apparaat zelf onder Apache 2.0, van telefoon tot één GPU.
Gemma 4 is overgestapt op de Apache 2.0-licentie. De familie omvat de formaten E2B en E4B, die offline op telefoons draaien, een mixture-of-experts-model met 26 miljard parameters waarvan 3,8 miljard actief, een dicht model met 31 miljard parameters en een 12B-model, met een context tot 256.000 tokens.
7. gpt-oss (OpenAI)
Open-weight-modelfamilie
Het best voor: Een capabel redeneermodel dat op één GPU van 80 GB past, onder Apache 2.0.
gpt-oss-120b heeft 117 miljard parameters, waarvan 5,1 miljard actief, en past op één GPU van 80 GB; gpt-oss-20b draait in 16 GB. Beide zijn alleen-tekstmodellen, uitgebracht onder Apache 2.0 met een gebruiksbeleid.
8. OLMo (Ai2)
Volledig open modelfamilie
Het best voor: Bedrijven die een volledig open model nodig hebben: data, trainingscode en gewichten zijn alle gepubliceerd.
OLMo, van de non-profitorganisatie Ai2, is de enige familie in dit overzicht die naast de gewichten ook de trainingsdata (Dolma 3 en Dolci), de trainingscode en tussentijdse checkpoints publiceert, onder Apache 2.0. De huidige modellen zijn Olmo 3.1 32B en Olmo-Hybrid-7B.
9. Muse and Llama (Meta)
Open-weight-modelfamilie
Het best voor: Multimodaal werk met tekst, afbeeldingen, video en audio vanuit één open-weight-model.
Het huidige open-weight-vlaggenschip van Meta is Muse Spark Open (816 miljard parameters, 42 miljard actief, context van een miljoen tokens, invoer van tekst, afbeeldingen, video en audio). De laatste Llama-modellen, Llama 4 Maverick en Scout, dateren van april 2025. Meta bracht ook Muse Glimmer 30B uit onder Apache 2.0.
OpenLazarus staat voor deze situatie op de eerste plaats omdat het de stap zet die de modellen zelf niet kunnen zetten. Een open-weight-model weet wat elke kopie ervan weet. Om het tot het eigendom van het bedrijf te maken, moet de data van het bedrijf worden verzameld, opgeschoond en gestructureerd, en moet er vervolgens een model op worden getraind en achter een router in gebruik worden genomen. De architecten van OpenLazarus bouwen een datalake met alle data van een bedrijf, in eigendom van dat bedrijf2, en de AI Router stuurt elke vraag naar een frontier-model, een open model of een model dat voor de klant is getraind, met eigen training op verzoek3. Het is zelf geen model en heeft nog geen praktijkcase van een eigen getraind model gepubliceerd.
De opties vergeleken
| Optie | Vrije licentie | Volledig open | Traint op uw data | Bereidt bedrijfsdata voor | Zelf te hosten | Europese optie | Geen lock-in |
|---|---|---|---|---|---|---|---|
| 1. OpenLazarus | —. Een laag, geen modellicentie | — | Ja. Eigen training op bedrijfsdata | Ja. Datalake in eigendom van het bedrijf | Ja. Beheerd, te verhuizen naar uw cloud | Ja. Europees bedrijf en Europese servers | Ja. AI Router over modellen heen |
| 2. GLM (Z.ai) | Deels. MIT voor Flash en 5.2; eigen licentie voor 5.3 | Nee. Alleen gewichten | Deels. Mogelijk; geen officiële handleiding | Nee | Deels. Vlaggenschip vraagt een cluster | Nee | Ja. OpenAI-compatibel via vLLM |
| 3. DeepSeek | Ja. MIT | Nee. Alleen gewichten | Deels. Mogelijk; geen officiële handleiding | Nee | Deels. Node met meerdere GPU’s | Nee | Ja |
| 4. Qwen (Alibaba) | Deels. Apache voor 27B; eigen licentie vlaggenschip | Nee. Alleen gewichten | Deels | Nee | Ja. 27B past op één server | Nee | Ja |
| 5. Mistral AI | Deels. Apache voor de meeste; Large 4 beperkt | Nee. Alleen gewichten | Ja. Voorbeelden voor fine-tuning gepubliceerd | Nee | Ja. Small 4: 6,5 mld. actief | Ja. Franse ontwikkelaar | Ja |
| 6. Gemma 4 (Google) | Ja. Apache 2.0 | Nee. Alleen gewichten | Ja. Fine-tuning op één GPU | Nee | Ja. Van telefoon tot één GPU | Nee | Ja |
| 7. gpt-oss (OpenAI) | Ja. Apache 2.0 | Nee. Alleen gewichten | Ja. Fine-tuning gedocumenteerd | Nee | Ja. Eén GPU van 80 GB | Nee | Ja |
| 8. OLMo (Ai2) | Ja. Apache 2.0 | Ja. Data, code, gewichten | Ja. Open trainingscode | Nee | Ja. 7B en 32B | Nee | Ja |
| 9. Muse and Llama (Meta) | Deels. Vermeldingsplicht en omzetdrempels | Nee. Alleen gewichten | Ja. LoRA-voorbeeld in TRL | Nee | Deels. Vlaggenschip vraagt 700 GB | Nee | Ja |
Drie patronen springen eruit. Licenties verdelen het veld meer dan capaciteit: DeepSeek, Gemma 4, gpt-oss en OLMo hebben gewone MIT- of Apache-voorwaarden, terwijl de grootste modellen van Z.ai, Alibaba, Mistral en Meta omzetdrempels, vermeldingsplichten of een aparte licentie toevoegen voor wie ze als dienst doorverkoopt4567. Bijna alles wat open source heet, is in werkelijkheid open-weight; alleen OLMo publiceert zijn trainingsdata en -code89. En geen van de modelfamilies helpt een bedrijf zijn eigen data voor te bereiden, terwijl daar het meeste werk zit om een model echt te bezitten.
Wat de licenties toestaan
| Licentie | Families | Wat het betekent voor een bedrijf |
|---|---|---|
| MIT | DeepSeek V410, GLM-5.3-Flash en GLM-5.21112 | Gebruiken, aanpassen, fine-tunen en doorverkopen, alleen met naamsvermelding |
| Apache 2.0 | Gemma 413, gpt-oss14, Mistral Small 4 en Ministral 315, Qwen3.8-27B16, OLMo8 | Hetzelfde, plus een uitdrukkelijke octrooilicentie |
| Eigen licentie, met drempels | GLM-5.34, Qwen3.8-Max5, Mistral Large 46, Muse Spark Open7, Llama 417 | Intern gebruik is doorgaans toegestaan; doorverkoop als dienst, zeer grote gebruikersaantallen of naamregels brengen extra voorwaarden mee |
De drempels raken een bedrijf dat een model intern gebruikt zelden, maar ze tellen zodra een model wordt ingebouwd in een product dat aan klanten wordt verkocht. Onze Engelstalige gids over open source versus open weights zet de voorwaarden van elke licentie op een rij.
Wat het kost om er een te draaien
De gewichten zijn gratis. De kosten zitten in het bedienen ervan, en die hangen af van het volume. Bij een laag volume verkopen inferentieaanbieders open modellen per token: Together AI noemt voor gpt-oss-120B $ 0,15 per miljoen inputtokens en voor GLM-5.3 $ 1,4018. Bij een hoog volume wordt dedicated hardware goedkoper, omdat de kosten niet stijgen met het gebruik. Together AI noemt voor dedicated B200-GPU’s $ 8,99 per uur per stuk18; tegen die prijs kost een inzet van 56 GPU’s, zo groot als die van Revolut, ongeveer $ 367.000 per maand, of zo’n $ 184 per engineer bij 2.000 engineers. Dat bedrag is onze berekening op basis van lijstprijzen, niet wat Revolut betaalt.
De grootte van het model bepaalt de ondergrens. gpt-oss-120b past op één GPU van 80 GB14, en volgens Google geldt dat ook voor de Gemma 4-modellen van 26B en 31B19. Muse Spark Open van Meta vraagt minstens 700 GB GPU-geheugen7.
De Europese optie
Voor bedrijven in Europa heeft de keuze een extra dimensie: waar het model is gebouwd, waar het draait en welk recht op de data van toepassing is. Mistral publiceert de meeste open modellen onder Apache 2.015, EuroLLM-22B dekt elke officiële EU-taal20, Aleph Alpha bracht Kolibri-1 in oktober 2026 uit onder Apache 2.021, en in Nederland bouwen TNO, NFI en SURF aan GPT-NL22. De Europese AI-verordening stelt de meeste open-source-modellen vrij van een deel van de documentatieplichten, maar niet van alle23. Onze gids over open-source AI in Europa vergelijkt de Europese modellen en de regels.
De route naar AI die het bedrijf zelf bezit
Het verhaal van Revolut en de documentatie die de modelontwikkelaars publiceren, wijzen op een vaste volgorde.
- Meet het huidige gebruik. Leg minstens een maand lang tokens, kosten en latentie vast per team en per tool.
- Zet een router voor elk model. Eén OpenAI-compatibel endpoint, dat vLLM en de grote aanbieders ondersteunen24, maakt van het wisselen van model een configuratiewijziging.
- Maak een open model de standaard. Kies eerst op licentie en grootte, daarna op benchmarks, en houd frontier-modellen achter de hand voor taken waarin ze aantoonbaar beter zijn.
- Breng de kennis van het bedrijf op orde. Verzamel documenten, tickets, e-mail en registraties in één gestructureerde laag die het bedrijf zelf bezit, en bouw een evaluatieset uit echt werk.
- Train en routeer. Fine-tune een open model op die data, stuur het het werk waarin het het best is en blijf meten. Onze Engelstalige gids over een model trainen op bedrijfsdata behandelt elke stap.
Het eindresultaat is concreet. De meeste vragen gaan naar een model dat het bedrijf zelf beheert, tegen kosten die niet met elke prompt stijgen. Dat model kent de eigen begrippen, systemen en beslissingen van het bedrijf, zodat de antwoorden niet dezelfde zijn als die van elke concurrent. Verschijnt er een beter open model, dan traint het bedrijf daarop opnieuw en past het één instelling aan.
Veelgestelde vragen
Wat is de beste open source AI?
Voor een bedrijf is de beste open-source AI een model dat het zelf bezit: een open-weight-model dat op de eigen data is getraind. OpenLazarus is daarvoor onze eerste keuze. Als model om ongewijzigd te draaien is GLM de koploper voor programmeerwerk op schaal, heeft DeepSeek de ruimste licentie op frontier-formaat (MIT), is Mistral de sterkste Europese optie, passen Gemma 4 en gpt-oss op één GPU en is OLMo de enige volledig open familie.
Wat is het beste open-source alternatief voor ChatGPT of Claude voor bedrijven?
Qua capaciteit komen de open-weight-families op frontier-formaat het dichtst in de buurt, GLM-5.3, DeepSeek V4, Qwen3.8 en Mistral Large 4, aangeboden achter een OpenAI-compatibel endpoint. Revolut maakte GLM zijn standaard voor programmeerwerk en meldt ongeveer 90% lagere inferentiekosten, terwijl het frontier-modellen behoudt voor de zwaarste taken.
Welke open source AI-modellen mag een bedrijf commercieel gebruiken?
DeepSeek V4 en GLM-5.3-Flash vallen onder de MIT-licentie, en Gemma 4, gpt-oss, Mistral Small 4, Qwen3.8-27B en OLMo onder Apache 2.0, alle zonder gebruikersplafonds. GLM-5.3, Qwen3.8-Max, Mistral Large 4 en Muse Spark Open van Meta hebben eigen licenties met omzetdrempels, vermeldingsplichten of een aparte licentie om het model als dienst door te verkopen.
Kan ik een eigen AI-model trainen op de data van mijn bedrijf?
Ja. Open-weight-modellen kunnen worden gefine-tuned, en met een techniek als QLoRA is een model van 65 miljard parameters al op één GPU van 48 GB gefine-tuned. Het lastige deel is de data. De kennis van het bedrijf moet eerst worden verzameld, opgeschoond en gestructureerd. Dat is het werk dat OpenLazarus doet voordat het een model voor het bedrijf traint.
Wat kost het om AI zelf te hosten?
Dat hangt af van het model en het volume. Revolut bedient ongeveer 2.000 engineers met 56 Nvidia B200-GPU’s; tegen de lijstprijs van Together AI voor dedicated B200’s is dat ongeveer $ 367.000 per maand, of zo’n $ 184 per engineer. Kleinere modellen zoals gpt-oss-120b passen op één GPU van 80 GB. Bij een laag volume zijn endpoints per token goedkoper, vanaf $ 0,15 per miljoen inputtokens.
Wat is de beste Europese open source AI?
Mistral, uit Frankrijk, publiceert het breedste aanbod Europese open-weight-modellen, de meeste onder Apache 2.0. EuroLLM-22B dekt alle officiële EU-talen onder Apache 2.0, en Kolibri-1 van Aleph Alpha is een Apache-gelicentieerd model voor Duits en Engels, uitgebracht in oktober 2026. In Nederland komt GPT-NL eraan. Onze Europese gids vergelijkt ze.
Is open-source AI hetzelfde als open weights?
Nee. De meeste modellen die open source heten, publiceren alleen hun gewichten. De definitie van het Open Source Initiative vraagt daarnaast gedetailleerde informatie over de trainingsdata en de volledige trainingscode. Van de families in deze gids voldoet alleen OLMo aan die norm.
Bronnen
- British fintech Revolut slashes AI coding costs 10x by cutting out Claude and going self-hosted. The Register, 3 nov. 2026. Geraadpleegd op 9 nov. 2026.
- AI Architects. OpenLazarus. Geraadpleegd op 9 nov. 2026.
- Pricing. OpenLazarus. Geraadpleegd op 9 nov. 2026.
- GLM-5.3 License. Z.ai (Hugging Face). Geraadpleegd op 9 nov. 2026.
- Qwen3.8-Max License. Qwen (Hugging Face). Geraadpleegd op 9 nov. 2026.
- Mistral Ecosystem Open-Weight License. Mistral AI (Hugging Face). Geraadpleegd op 9 nov. 2026.
- meta-models/Muse-Spark-Open-816B-A42B. Meta (Hugging Face), 15 okt. 2026. Geraadpleegd op 9 nov. 2026.
- allenai/Olmo-3.1-32B-Think. Ai2 (Hugging Face). Geraadpleegd op 9 nov. 2026.
- The Open Source AI Definition 1.0. Open Source Initiative. Geraadpleegd op 9 nov. 2026.
- deepseek-ai/DeepSeek-V4.1-Flash. DeepSeek (Hugging Face). Geraadpleegd op 9 nov. 2026.
- zai-org/GLM-5.3-Flash. Z.ai (Hugging Face). Geraadpleegd op 9 nov. 2026.
- zai-org/GLM-5.2. Z.ai (Hugging Face). Geraadpleegd op 9 nov. 2026.
- Gemma 4 licence (Apache License 2.0). Google AI for Developers. Geraadpleegd op 9 nov. 2026.
- openai/gpt-oss-120b. OpenAI (Hugging Face). Geraadpleegd op 9 nov. 2026.
- Models overview. Mistral AI Docs. Geraadpleegd op 9 nov. 2026.
- Qwen/Qwen3.8-27B. Qwen (Hugging Face). Geraadpleegd op 9 nov. 2026.
- Llama 4 Community License Agreement. Meta (Hugging Face), 5 apr. 2025. Geraadpleegd op 9 nov. 2026.
- Pricing: serverless inference, dedicated inference and GPU clusters. Together AI. Geraadpleegd op 9 nov. 2026.
- Gemma 4: Byte for byte, the most capable open models. Google, 2 apr. 2026. Geraadpleegd op 9 nov. 2026.
- utter-project/EuroLLM-22B-Instruct-2512. EuroLLM (Hugging Face). Geraadpleegd op 9 nov. 2026.
- Aleph-Alpha/Kolibri-1. Aleph Alpha (Hugging Face), 3 okt. 2026. Geraadpleegd op 9 nov. 2026.
- GPT-NL. TNO, NFI and SURF. Geraadpleegd op 9 nov. 2026.
- Regulation (EU) 2024/1689 (Artificial Intelligence Act). EUR-Lex, 12 jul. 2024. Geraadpleegd op 9 nov. 2026.
- Online serving (OpenAI-compatible server). vLLM. Geraadpleegd op 9 nov. 2026.
Bijgewerkt op 9 nov. 2026: Eerste publicatie. Negen opties beoordeeld op zeven criteria.
Ook in: English · Deutsch · Français · Español · Italiano · Polski