Techbranschen stod inför en omvälvning i slutet av 2022 i och med lanseringen av Open AI:s Chat GPT, en enkel chattbot som kunde svara på frågor – nästan som genom ett trollslag.
De tidiga banbrytande stora språkmodellerna (LLM) från Open AI och konkurrenter som Anthropic och Google kunde resonera, lösa problem och besvara detaljerade frågor som ställdes till dem med hjälp av naturligt språk. Men ingen visste exakt vad som fanns i de svarta lådorna bakom tjänsterna.
Snart dök AI-modeller som Metas Llama och Mistral upp för att bryta det proprietära AI-monopolet. Dessa typer av modeller kunde laddas ner fritt och anpassas för specifika tillämpningar.
I slutet av 2024 släppte det kinesiska företaget Deepseek V3, en öppen modell som enligt uppgift tränats till en bråkdel av den kostnad som de amerikanska pionjärlaboratorierna lagt ut. En resonemangsmodell, R1, följde i januari 2025 och betraktades som ett reellt hot mot pionjärmodellerna.
Under det senaste året har öppna modeller som Alibabas Qwen och Moonshots Kimi också vunnit mark bland företag inom resonemangs-, agent- och fysisk AI. ”Resultatet är en tydlig trend: för varje generation tar det hälften så lång tid för öppen källkodsmodeller att komma ikapp den första slutna källkodsmodellen i sin era”, förklarade analysföretaget SemiAnalysis i ett nyhetsbrev denna månad.
Olika typer av öppna modeller
Det finns nu flera versioner av ”öppna” AI-modeller, däribland ”open-weight”-modeller och ”open-source”-modeller. Även om de låter liknande är det viktigt att förstå hur de skiljer sig åt.
De vanligaste ”öppna” modellerna som används i företag är modellerna med öppna vikter. Dessa låter företag anpassa AI-tjänster och verktyg efter sina egna interna krav. Företagsledare och it-beslutsfattare kan se in i modellen, granska den och finjustera den efter sina egna specifika data.
Öppna vikter är de parametrar som bearbetas med matematiska tekniker för att producera ett resultat. Företag kan anpassa en modell genom att finjustera vikterna, lägga till sina interna data och driftsätta den internt. ”Modeller med öppna vikter bidrar till att ge den tryggheten genom att de gör det möjligt för organisationer att kontrollera sina egna data, utvärdera och anpassa modellerna efter sina egna behov samt driftsätta dem där verksamhetens krav så kräver”, sa Nvidias vd Jensen Huang i ett brev som publicerades förra månaden.
Men – och här ligger den största skillnaden – modeller med öppna vikter döljer information såsom kod och träningsdata, vilket innebär att vissa delar inte kan modifieras. Enligt Open Source Initiative (OSI) offentliggör en verkligt öppen källkodsmodell även de data som den tränats på, tillsammans med annan information som gör det möjligt att studera, granska, använda, modifiera och fritt distribuera dessa modeller.
Användning av öppna modeller i företag
Visst erbjuder tjänster som Chat GPT, Googles Gemini och Anthropics Claude välutvecklade AI-funktioner; de kommer inte att försvinna inom den närmaste framtiden. Men tjänsterna är dyra och kan vara överdimensionerade för vissa specifika företagsändamål.
Många företag kan ha större nytta av en liten språkmodell (SLM) eller en LLM som är inriktad på just deras specifika behov. Öppna modeller är tomma dukar på vilka företagen kan måla upp sina arbetsflöden, säger Deepak Seth, senior director analyst på Gartner.
– Ett företags verkliga behov ligger i specifika arbetsflöden med specifika data, och en sluten allroundmodell som tränats på hela internet är överdimensionerad för de flesta av dem, säger Seth.
Kina är en förespråkare för öppen källkod och öppna modeller i takt med att landet i allt högre grad blir en AI-konkurrent till USA. Andra stora ekonomier, däribland Tyskland, Frankrike och Indien, uppmuntrar också införandet av öppna modeller.
Företag som Servicenow och RWS har tagit i bruk dussintals open source-modeller (utöver egna modeller) som är specialiserade på specifika uppgifter.
– Vi bör inte vara rädda för att använda en strategi med flera leverantörer om vi tror att vi kan dra nytta av olika AI-verktyg, snarare än att riskera att låsas in i ett enda AI-verktyg, säger Max Goss, forskningschef på Gartner.
Vid fysisk drift, till exempel i ett fordon eller på plats, måste beslut fattas på millisekunder – ibland direkt på enheten. Det gynnar modeller som är specialbyggda, effektiva och kan köras nära den plats där data genereras, säger Praveen Murugesan, vice vd för teknik på Samsara.
– Öppna modeller möjliggör en sådan skiktad distribution eftersom företaget styr var varje modell körs och vilka data den hanterar, säger Murugesan.
Styrning och kontroll som viktiga tillgångar
I takt med att fler företag anammar AI blir drifttiden allt viktigare för att arbetsflödena ska fungera smidigt. Öppna källkodsmodeller ger företagen större kontroll över sin AI-framtid – och skydd mot sårbarheter som upptäcks i proprietära stora språkmodeller.
Att säkra och kontrollera AI-system och data är en del av den styrning som krävs för att framgångsrikt implementera AI inom företag.
– Man bygger faktiskt gränserna runt det. Så den ansvarsfulla AI:n är inbyggd, säger Jinsook Han, grundare och partner på Spruce Peak Ventures.
Öppna modeller kan köras internt, avskilda från molnet. Det ger ytterligare säkerhet, särskilt för reglerade branscher där datakontroll är avgörande.
– Det finns definitivt en tendens mot att känna sig tryggare med en mer öppen modell och att förlita sig på: Jag vill ha allt lokalt. Jag vill ha det här i mitt arbetssystem, säger Han.
Företagen kommer att vilja ha modeller som är tränade på deras egen information och kommer att behöva gedigen kontroll över verktygen på grund av oro för läckage av immateriella rättigheter, säger Craig LeClair, vice vd och chefsanalytiker på Forrester Research.
– Öppna källkodsmodeller kommer att köras i kontrollerade lokala miljöer, vilket ganska snabbt gör dem mindre öppna, säger LeClair.
Öppna modeller gör det möjligt för företag att ”granska vikterna, kontrollera träningsdata eller isolera driftsättningen”, säger Goss från Gartner.
– Man kan inte styra det man inte ser.
AI och digital suveränitet
Öppna modeller kan hjälpa länder att anpassa AI så att den uppfyller inhemska seder, traditioner, policyer och regionala regleringskrav.
– Öppna modeller är viktiga för suverän AI så att nationer kan förstå, anpassa och kontrollera de system som driver den digitala infrastrukturen, säger Richard Morton, chef för Institute of Foundation Models vid Mohamed bin Zayed University of Artificial Intelligence i Abu Dhabi.
Öppna modeller är också bättre på att driva innovation utifrån lokal kunskap och lokala krav, säger Kari Briski, vice vd för generativ AI-programvara hos Nvidia.
– Öppna modeller och öppna data fungerar som en startpunkt: man behöver inte återskapa och samla in kunskapen från internet som en förträningsmodell, säger Briski.
Nackdelarna med att satsa på öppenhet
Proprietär teknik kan hämma innovation, även om den erbjuder en högre säkerhetsnivå än öppen teknik, säger Jack Gold, chefsanalytiker på J. Gold Associates.
Och även om öppna modeller finns tillgängliga från stora tjänsteleverantörer, faller ansvaret för deras implementering, underhåll och uppdateringar i många fall på företagen själva.
Utöver det är öppna modeller kanske inte alltid fullständigt granskade, vilket medför en risk att proprietär information i en modell kan läcka utanför företagets gränser, säger Gold.
Till exempel har det funnits stort intresse för Open Claw, som kan skanna filsystem, få tillgång till personlig information och kommunicera med stora språkmodeller, men agenterna kan skapa nya angreppsyta; det är därför som ledande tekniker experimenterar noggrant innan de implementerar dem i företaget.
– Vi tror starkt på öppen källkod och är oerhört glada över att se ekosystemet kring dessa öppen källkodsmodeller växa och blomstra. Med tiden kommer dessa öppen källkodsmodeller att få sin egen plats, säger Samar Abbas, medgrundare och vd för Temporal.
I slutändan behöver företagen en förteckning över varje modell och agent – både godkända och skuggmodeller – med en tydlig överblick över vilka data var och en har åtkomst till, säger Abbas.
– Vissa arbetsflöden kräver en sluten modell av högsta klass. Många gör det inte, och en öppen modell anpassad till interna data kommer att prestera bättre än en horisontell sluten modell.