Hvad er Open-source AI?

Hvordan virker open-source AI?

Kernen i open-source AI er, at modellens vægte (de trænede parametre) og ofte også træningskoden er offentligt tilgængelige. Det adskiller sig fundamentalt fra proprietære modeller, hvor du kun har adgang til en API og aldrig ser, hvad der foregår under overfladen.

I praksis betyder det, at en virksomhed kan downloade en model som Mistral Small 4, Googles Gemma 4 eller Alibabas Qwen3.8-27B og køre den på egne servere, enten on-premise eller i et privat cloud-miljø. Al data forbliver inden for virksomhedens egne systemer, og der sendes intet til en ekstern leverandør.

Modellerne kan desuden fine-tunes til specifikke formål. Hvor en generel LLM ved lidt om alt, kan en fine-tunet open-source model blive ekspert inden for jeres branche, jeres sprog eller jeres interne processer.

I AI-verdenen betyder "open source" ikke altid det samme som i traditionel software. Mange kendte modeller er reelt open weight, hvor vægtene er frie, men træningsdata og -metoder er lukkede. Licenserne varierer også. Mistral Small 4, Gemma 4, Qwen3.8 og OpenAI's gpt-oss er udgivet under Apache 2.0, og DeepSeek V4.1 under MIT. Mistral Large 4 bruger derimod en MIT-afledt licens med begrænsninger for model-as-a-service, og Kimi K3-licensen kræver en særskilt aftale med Moonshot, hvis I sælger modellen som tjeneste og omsætter for mere end 20 mio. dollars over 12 måneder. Llama 4-licensen kræver Metas tilladelse, hvis I har over 700 mio. månedlige brugere. Licensen afgør, hvad I reelt kan bruge modellen til.

Pr. november 2026 kommer de stærkeste open-weight-modeller primært fra kinesiske laboratorier, blandt andre DeepSeek V4.1, Z.ai's GLM-5.3, Moonshots Kimi K3 og Alibabas Qwen3.8. I Europa udgav Mistral den 29. oktober 2026 Mistral Large 4 med cirka 1.000 mia. parametre, hvoraf 49 mia. er aktive pr. token. Google har Gemma 4, og OpenAI udgav i august 2025 sine første open-weight-modeller, gpt-oss. Flere af de store modeller, blandt andre Mistral Large 4, DeepSeek V4.1 og Kimi K3, har kontekstvinduer på 1 million tokens. Metas Llama 4 fra april 2025 findes stadig, men hører ikke længere til i toppen.

Hvor tæt de åbne modeller er på de lukkede, afhænger af, hvordan der måles. Da Artificial Analysis lancerede Intelligence Index v5 den 27. oktober 2026 med nye og sværere test, voksede afstanden fra den bedste open-weight-model til den førende lukkede model fra 3 til 12 point. Blandt modeller med frigivne vægte er afstanden til den førende model 26 point, og den er størst på de sværeste ræsonnerings- og forskningsopgaver.

Consile rådgiver om valg, tilpasning og deployment af open-source AI-modeller. Kontakt os for at vurdere, om open source er den rette strategi for jeres AI-projekt.

Open-source AI i erhvervslivet

Open-source AI løser et konkret problem for mange virksomheder: afhængighed af en enkelt leverandør. Når jeres AI-system kører på en proprietær API, bestemmer leverandøren prisen, vilkårene og modellens adfærd. Med open source ejer I selv stakken.

Omkostningerne er ofte markant lavere over tid. Inference-omkostninger for open-source modeller på optimeret infrastruktur kan være 80-90% lavere end tilsvarende proprietære API-kald. For organisationer med høje volumen af AI-forespørgsler er besparelsen betydelig.

Datasuverænitet er en anden afgørende fordel. Virksomheder i regulerede brancher som finans, sundhed og den offentlige sektor kan have krav om, at data ikke forlader egne systemer. Open-source AI gør det muligt at køre generativ AI fuldt on-premise og dermed overholde databeskyttelseskrav uden kompromiser.

Konkrete enterprise-anvendelser inkluderer intern videnshåndtering, hvor en RAG-pipeline bygget på en open-source LLM besvarer medarbejderspørgsmål baseret på virksomhedens egne dokumenter. Kundeservice, hvor en tilpasset model håndterer forespørgsler på dansk med branchespecifik viden. Og automatisering af analysearbejde, hvor en fine-tunet model genererer rapporter baseret på interne data.

Den hybride tilgang vinder frem: mange virksomheder kombinerer open-source modeller til opgaver, hvor kontrol og pris er afgørende, med proprietære modeller til opgaver, der kræver den absolut nyeste frontier-kapacitet. Det giver fleksibilitet uden at gå på kompromis.

Hvad open-source AI ikke er

Open-source AI er ikke gratis i den forstand, at det ingen ressourcer kræver. Modellerne skal hostes, vedligeholdes og overvåges. Det kræver teknisk kompetence at opsætte infrastrukturen, optimere ydeevnen og sikre, at modellen opfører sig korrekt over tid. For virksomheder uden intern ML-kapacitet kan den samlede omkostning overstige prisen for en managed proprietær løsning.

Open source betyder heller ikke automatisk sikkerhed. Selvom koden er gennemsigtig, og fejl kan identificeres af fællesskabet, er det virksomhedens eget ansvar at holde modellen opdateret, beskytte mod hallucinationer og implementere passende guardrails. Transparens er en fordel, men det erstatter ikke en aktiv sikkerhedsindsats.

Endelig er "open source" ikke en garanti for fuld åbenhed. Mange populære modeller er reelt "open weights", hvor vægtene er tilgængelige, men træningsdata og -metoder forbliver lukkede. Det påvirker muligheden for at vurdere bias, datakvalitet og reproducerbarhed. Virksomheder bør altid læse licensen grundigt, før de bygger forretningskritiske systemer på en open-source model.