Op 15 september 2026 publiceerde Mozilla een analyse die de gemeten achterstand tussen toonaangevende open-weightmodellen en gesloten frontiermodellen schat op ongeveer 4,4 maanden. Dat cijfer komt uit een aangepaste analyse van METR-taakhorizondata, met gegevens tot 1 september. Het is dus geen universele ranglijst en ook geen garantie dat elk Chinees model elke Amerikaanse tegenhanger evenaart. Wel maakt het duidelijk hoe snel de kloof in bepaalde taken kleiner wordt.
Voor organisaties draait de keuze daardoor minder om een simpel kamp — open of gesloten — en meer om de concrete opdracht. Wie lage kosten, lokale inzet of aanpasbaarheid nodig heeft, kijkt anders naar een model dan een bedrijf dat een lange, complexe professionele taak met ondersteuning en compliance-verpakking wil uitbesteden.
De schatting van 4,4 maanden heeft duidelijke voorwaarden
De METR-methode vergelijkt hoe lang een menselijke expert aan een taak zou werken voordat die taak buiten het betrouwbare bereik van een model valt. In Mozilla’s analyse ligt het belangrijkste voordeel van gesloten systemen bij taken die voor een expert ongeveer acht tot twaalf uur duren. Taken onder acht uur liggen doorgaans binnen het bereik van beide categorieën; boven twaalf uur is geen van beide categorieën in het algemeen betrouwbaar.
Die tijdshorizon is een model voor taakvermogen, geen stopwatch voor elke toepassing. De uitkomst hangt af van de benchmark, de gebruikte hardware, de evaluatieharnas en de werklast. Een model dat in een gehoste API dicht bij een gesloten concurrent komt, kan in een lokaal scenario veel verder achterlopen zodra de beschikbare hardware beperkt is.
Open weights zijn niet hetzelfde als open source
Een open-weightmodel stelt de getrainde gewichten — de parameters die het gedrag van het model sturen — downloadbaar beschikbaar. Daardoor kunnen gebruikers het model zelf hosten of aanpassen, binnen de voorwaarden van de licentie.
Dat betekent niet automatisch dat het model volledig open source is. Voor echte reproduceerbaarheid zijn ook zaken nodig zoals toegang tot of transparantie over de trainingsdata, de trainingscode en de volledige methode waarmee het model is gemaakt. Bij open-weightreleases ontbreekt vaak een deel daarvan. De gewichten zijn beschikbaar; het volledige recept meestal niet.
Dat onderscheid is praktisch belangrijk. Downloadbare gewichten geven een organisatie meer controle over implementatie en gegevensstromen, maar ze vertellen niet vanzelf hoe het model is getraind of waarop het is geëvalueerd.
Waar komen de modellen dicht bij elkaar?
In de Artificial Analysis Intelligence Index v4.1.1 stonden op 1 september 2026 vier gesloten modellen boven de vier daaropvolgende open-weightmodellen. Kimi K3 en GLM-5.3 kregen in die momentopname elk een score van 60. Kimi K3 stond daarmee drie punten onder de genoemde gesloten leider; de momentopname zegt niets over latere posities op een veranderende ranglijst.
Een afzonderlijke, neutrale vergelijking op Terminal-Bench 2.1 laat hetzelfde patroon zien: dicht bij elkaar, maar niet gelijk.
| Model | Score op Terminal-Bench 2.1 | Gemelde prijs per taak |
| GLM-5.2 | 67,79% | $0,43 |
| Claude Opus 4.7 | 68,54% | $1,98 |
| Claude Opus 4.8 | 71,91% | $2,41 |
De drie scores zijn afkomstig uit dezelfde aangehaalde vergelijking. GLM-5.2 kwam dus dicht bij Claude Opus 4.7, terwijl Claude Opus 4.8 hoger uitkwam. Tegelijk lag de gemelde taakprijs van GLM-5.2 in die vergelijking aanzienlijk lager. Dat is een API- of lijstprijs voor die specifieke taak, geen complete berekening van de totale eigendomskosten.
De echte scheidslijn is de werklast
Gesloten modellen behouden volgens Mozilla vooral een voorsprong bij expertmatig professioneel werk, lange contexten en sommige intensieve retrievaltaken. Dat zijn situaties waarin het model veel informatie moet vasthouden, bronnen moet combineren of langere tijd zelfstandig aan een ingewikkelde opdracht moet blijven werken.
Voor routinematig werk, kostenbewuste toepassingen en organisaties die modellen willen verplaatsen tussen infrastructuren kunnen open weights aantrekkelijker zijn. De keuze hoeft bovendien niet overal binnen één organisatie hetzelfde te zijn: een eenvoudig terugkerend proces kan bij een goedkoper open model passen, terwijl een kritieke deadline een gesloten model rechtvaardigt.
Lagere API-kosten zijn niet hetzelfde als goedkoop zelf hosten
De prijsvoorsprong verdwijnt niet automatisch zodra een model lokaal wordt ingezet. Dan komen hardware, engineering, onderhoud, integratie, beveiliging, evaluatie en ondersteuning erbij. De sterkste open modellen vragen bovendien veel rekenkracht.
Kimi K3 is daarvan een duidelijk voorbeeld. Het model telt in totaal ongeveer 2,8 biljoen parameters, waarvan circa 104 miljard actief zijn. Het native MXFP4-checkpoint is ongeveer 1,56 TB groot en verdeeld over 96 shards. In de door Mozilla beschreven configuratie zijn minstens 64 accelerators nodig. Dat maakt Kimi K3 als volledige native configuratie geen realistische lokale installatie voor een doorsneegebruiker.
Een kleiner model kan een ander hardwareprofiel hebben. Mozilla noemt Inkling-Small als voorbeeld van een model dat volgens de beschrijving op één B300 past; die situatie mag niet worden gelijkgesteld aan de inzetvereisten van Kimi K3.
Gebruik groeit sneller dan inkomsten
Open-weightmodellen waren in de aangehaalde OpenRouter-momentopname van augustus 2026 sterk vertegenwoordigd: acht van de tien modellen met het hoogste tokenvolume hadden open weights, waaronder zeven modellen die in China zijn gebouwd. Dat meet gebruik op één platform, niet de volledige AI-markt.
Een oudere observatie van de Linux Foundation over mei tot en met september 2025 wees juist 96% van de model-laaginkomsten toe aan gesloten aanbieders. De twee cijfers gaan over verschillende perioden en meeteenheden. Veel gebruik op een routerplatform vertaalt zich dus niet automatisch in het grootste aandeel van de omzet.
Waarom organisaties toch voor gesloten modellen betalen
Gesloten aanbieders leveren doorgaans directe toegang via een dienst of API, naast ondersteuning, compliance-verpakking en een duidelijk aanspreekpunt voor de exploitatie. Bij open deployment moet een organisatie zelf meer van die operationele laag opbouwen.
Daar staat tegenover dat open weights meer controle over hosting en aanpassing kunnen bieden. De economische vraag is daarom niet simpelweg welk model de hoogste benchmarkscore heeft, maar hoeveel waarde een organisatie hecht aan flexibiliteit tegenover operationele eenvoud. De gemeten voorsprong van gesloten systemen is vooral relevant wanneer een specifieke taak die extra capaciteit nodig heeft.
Een open ecosysteem met een smalle machtsbasis
De verschuiving heeft ook een strategische kant. De open-modellenmarkt wordt in de aangehaalde analyse in toenemende mate gevoed door Chinese labs, terwijl de sterkste gesloten frontiermodellen geconcentreerd blijven bij Amerikaanse bedrijven. Dat creëert een merkwaardige tegenstelling: meer keuze in de manier waarop modellen worden gebruikt, maar minder spreiding in de partijen die de belangrijkste open modellen leveren.
Voor ontwikkelaars en bedrijven betekent dat dat modelkwaliteit slechts één criterium is. Licentievoorwaarden, hardwarebehoefte, hosting, onderhoud en de mate van transparantie bepalen samen of een open-weightmodel werkelijk de betere keuze is.
