Open source-AI

Open source-AI betyder, at selve den trænede model, vægtene eller "weights", er tilgængelige, så I kan hente den ned og køre den i eget miljø eller i en sky, I vælger. Modsat er lukkede modeller kun tilgængelige via leverandørens tjeneste, hvor I sender forespørgsler til dem. Åbne vægte giver kontrol over drift og dataflow, men de kommer sjældent med de oprindelige træningsdata eller fuld dokumentation.

Sådan virker Open source-AI i praksis

Tænk på en åben model som en færdig maskine, I kan flytte ind i jeres serverrum. I får softwaren og en stor fil med vægtene; I selv bestemmer, om modellen kører på en lokal server, en virtuel maskine i en offentlig sky eller via en hostingpartner. Det betyder, at forespørgsler og kundedata kan blive inden for jeres netværk, hvis I sætter det op rigtigt. Til gengæld er vedligehold, sikkerhedspatching og opgradering jeres ansvar. Det svarer til at købe en kopi af et kontorprogram i stedet for at abonnere på en tjeneste: friheden er større, men ansvaret følger med.

Hvorfor Open source-AI betyder noget for din virksomhed

Valget mellem åben og lukket model påvirker tre konkrete ting: hvor data opbevares, hvor mange penge I bruger på drift, og hvor afhængige I bliver af en leverandør. Hvis I kræver, at kundedata aldrig må forlade jeres netværk, eller hvis I har særlige sikkerhedsregler, så er en åbent vægt-model ofte den eneste mulighed. Hvis I derimod vil slippe for drift, opdateringer og sikre svartider, kan en lukket model fra en leverandør være billigere i drift, fordi I betaler for service i stedet for for hardware og ekspertise.

Du skal kunne stille de rigtige spørgsmål i mødet med en leverandør: Hvem har adgang til trænings- og logdata? Hvad koster inferens pr. forespørgsel versus hardwareinvestering? Hvem opdaterer modellen? Hvis du får det svar, kan du beslutte, om åben model giver reel gevinst, eller om en lukket model som Claude eller Gemini i praksis er bedre for forretningen.

Eksempel: Open source-AI hos en IT-chef i en mellemstor produktionsvirksomhed

IT-chefen i en produktionsvirksomhed skulle midlertidigt sikre intern adgang til en sprogmodel, dagen efter at en ekstern leverandør lukkede adgangen til et diagnostikværktøj. Det var mandag morgen, to uger før en større leverandøraudit, og presset var højt. Han hentede to open-weight modeller og testede dem over tre dage på et lille sæt af 60 maskinmanualer og 400 support-e-mails. Det fungerede nok til interne søgninger, men blev tungt at drive på virksomhedens ældre servere, og der opstod ukendte fejl i to PDF-importer. IT-chefen måtte ringe til en ekstern konsulent for at optimere GPU-konfigurationen, hvilket kostede tre dages ekstra arbejde og en enkelt weekend med overvågning.

Modellen gav kontrol over dataflowet, alt blev lokal, men prisen var tid, specialkompetence og en periode med ustabil performance. Den erfaring gjorde det klart, at næste gang skulle der være en plan for test af PDF-parsning og en budgetpost til ekstern hjælp, før man downloader vægtene.

Open weights er ikke det samme som fuld open source

Når en model kommer med "open weights", betyder det, at I kan hente og køre vægtene. Det betyder sjældent, at I også får de data, modellen er trænet på. Træningsdata er ofte proprietære eller anonymiserede, og adgang til dem gives kun i få tilfælde. Licenser bestemmer, hvad I må med modellen i praksis: MIT-licensen er meget permissiv, I kan bruge, ændre og distribuere koden næsten frit med ret simpel angivelse af ophavsret. Apache 2.0 ligner MIT, men tilføjer en udtrykkelig patentlicens og krav om at medtage eventuelle NOTICE-filer, hvilket giver lidt mere juridisk klarhed hvis der er patenter involveret. Begge licenser gør det muligt at bruge modellen i kommercielle projekter, men læs licensen nøje og tjek med jeres juridiske afdeling, hvis I er i tvivl.

Hvad du skal være opmærksom på

Træningsdata, ansvar og vedligehold er de tre store risici. Fordi træningsdata sjældent følger med, ved I ikke altid, hvilke bias eller begrænsninger modellen har. Åbne modeller kan også have licensvilkår, der begrænser visse typer brug, eller de kan være under hurtig udvikling uden supportaftale. Vær samtidig realistisk om omkostninger: open weights kræver ofte investering i GPU-hardware eller betalbare cloud-instans-timer til inferens, samt løbende opsyn og sikkerhedsarbejde. Til tider er en lukket model som Llama (Meta AI) i en hostet udgave, DeepSeek eller en kommerciel tjeneste et enklere valg, fordi leverandøren håndterer drift og opdateringer.

Praktisk: lav en lille proof-of-concept med et konkret sæt dokumenter, involver både IT og jura, og beregn både timeforbrug og driftomkostninger. Overvej en hybrid: kør følsomme data på en åben model lokalt, brug en lukket model til generelle opgaver. Det koster noget, men så undgår I at stå alene, når noget går galt.

Når medarbejderne selv skal kunne bruge Open source-AI og ikke bare kende ordet, sker det hurtigst på en AI-workshop.