Åpen kildekode-AI gir SMB-er 90 prosent av ytelsen

Hva åpen kildekode-AI er, og hva som skiller den fra proprietære modeller

Åpen kildekode-AI er modeller der vektene, altså de trente parameterne, er tilgjengelige slik at du kan laste dem ned, kjøre dem på egen infrastruktur og tilpasse dem. Det står i kontrast til proprietære modeller, der du får tilgang gjennom et API og betaler per bruk uten innsyn i hvordan modellen er bygget. For en norsk SMB handler forskjellen mindre om ideologi og mer om kontroll: hvem eier dataene, hvor kjører modellen, og hva som skjer den dagen leverandøren endrer pris eller vilkår. Åpen kildekode-AI gir SMB-er kostnadseffektivitet ved å fjerne lisensavgifter og abonnementer, men flytter samtidig ansvaret for drift og etterlevelse over på deg.

Skillet er ikke svart-hvitt. De fleste bedrifter havner i en blanding, der noen oppgaver løses med et proprietært API og andre med en åpen modell de kjører selv. Hvis du vil forstå de vanligste modellfamiliene før du leser videre, har vi en egen gjennomgang av GPT, Claude, Gemini og andre modeller som forklarer hvordan de skiller seg fra hverandre.

Åpen vekt versus lukket API

En proprietær modell leveres som en tjeneste: du sender en forespørsel, får et svar, og leverandøren eier alt imellom. En åpen modell leveres som en fil du selv kan hoste. Det gir deg to ting den lukkede ikke gir: du ser hva modellen faktisk er, og du kan flytte den. Åpenhet i åpen kildekode-AI bygger tillit og muliggjør overholdelse av regulatoriske standarder, fordi du kan dokumentere hva som skjer med dataene.

Prisen for den friheten er at du selv må stille med drift, sikkerhet og oppdateringer. Den samme kilden er tydelig på at SMB-er må overvinne barrierer som teknisk ekspertise, sikkerhet og støttestrukturer for å hente ut gevinsten. Åpen kildekode er ikke gratis, den flytter kostnaden fra lisens til kompetanse.

Modellstørrelse i praksis

Åpne modeller finnes i mange størrelser, og størrelsen avgjør både kvalitet og driftskostnad. Metas llama2 har 70 milliarder parametere, mens en kuratert modell som IBMs granite.13b ligger på 13 milliarder parametere. For smale oppgaver holder det ofte med mye mindre: en modell som slate.153m med 153 millioner parametere kan unngå ukontrollerbare kostnader fordi den er billig å kjøre.

Poenget for en SMB er at du ikke trenger den største modellen for de fleste oppgaver. Klassifisering, uttrekk av data og enkel saksbehandling kan kjøres på små modeller som koster lite per forespørsel. Store, dyre modeller reserveres for det som faktisk krever dem.

Hvorfor 90-prosenttallet gir mening

Tittelens tall stammer fra en observasjon fra bransjen selv. Idit Levine, CEO i Solo.io, anslår i en samtale gjengitt av TechCrunch at en åpen modell yter omtrent 90 prosent sammenlignet med en stor proprietær modell for mange praktiske oppgaver. Hun ser samtidig en trend der kunder flytter over til open source-modeller på egne servere.

De siste ti prosentpoengene er ikke uvesentlige, men de er heller ikke avgjørende for de fleste forretningsoppgaver. Spørsmålet er ikke om den åpne modellen er like god på alt, men om den er god nok på det du faktisk skal bruke den til.

Betaler du to ganger? Nadellas advarsel

Microsoft-sjef Satya Nadella har en advarsel som treffer kjernen i valget. Ifølge TechCrunch advarer Nadella om at AI-brukere betaler to ganger: en gang med penger, og en gang ved å avsløre proprietær kunnskap til modellprodusenten. For en bedrift som bygger konkurransefortrinnet sitt på egne data og arbeidsmåter, er den andre betalingen ofte den dyreste.

Penger og proprietær kunnskap

Argumentet er ikke at proprietære modeller er dårlige. Det er at prisen du ser i fakturaen ikke er hele regningen. Når du kjører sensitive prosesser gjennom en ekstern modell, gir du samtidig fra deg innsikt i hvordan bedriften din løser oppgaver. Nadella mener det er hyklersk at modellprodusenter trener fritt på offentlige data, men begrenser destillasjon tilbake til kundene.

Han er ifølge samme kilde spesielt bekymret når modellprodusenter reserverer seg retten til å lære fra kundedata. Det er her en SMB bør stoppe opp og lese vilkårene nøye: hva har leverandøren lov til å gjøre med det du sender inn?

Modeller lærer av det du legger igjen

Nadella beskriver hvordan modeller lærer av det han kaller exhaust: prompts, verktøybruk og korrigeringene brukerne gjør underveis. Det er ikke bare de eksplisitte dataene du laster opp som har verdi, men mønsteret i hvordan du jobber. Over tid kan den innsikten være mer verdifull enn selve datasettet.

For en bedrift som har bygget en effektiv arbeidsflyt, betyr det at hver interaksjon potensielt trener opp en modell du ikke eier. Det er ikke et argument mot AI, men et argument for å tenke gjennom hvor læringen havner.

Rammeverk for valget mellom åpen og proprietær

Valget bør ikke avgjøres av hva som er mest omtalt. Alura mener at valget mellom åpen og proprietær AI bør styres av datakontroll og bruksområde, ikke av hype. To spørsmål gjør mesteparten av jobben: hvor sensitive er dataene, og hvor kritisk er oppgaven. Svarene plasserer deg som regel ganske entydig på den ene eller andre siden.

Kriterium	Peker mot åpen kildekode	Peker mot proprietær
Datakontroll	Sensitive person- eller forretningsdata som må bli i eget miljø	Alminnelige data uten strenge krav til lokasjon
Bruksområde	Smale, gjentakende oppgaver med kjent format	Bred, åpen bruk der ytelse på alt betyr mest
Intern kompetanse	Du har eller kan bygge teknisk drift	Du vil unngå å drifte infrastruktur selv
Kostnadsprofil	Høyt, forutsigbart volum	Lavt eller uforutsigbart volum
Regulatorisk risiko	Krav om full dokumentasjon og innsyn	Standard bruk med lav risiko

Datakontroll som første kriterium

Hvis dataene ikke kan forlate ditt eget miljø, er valget nesten tatt. En åpen modell du hoster selv lar deg holde alt innenfor egne vegger, noe som er avgjørende i bransjer med strenge krav. Åpenhet i åpen kildekode-AI muliggjør overholdelse av regulatoriske standarder nettopp fordi du kontrollerer hele kjeden.

Motsatt, hvis du jobber med alminnelige, ikke-sensitive data, er datakontroll et svakere argument. Da bør bekvemmelighet og ytelse veie tyngre, og et proprietært API er ofte raskere å komme i gang med.

Bruksområde og risikonivå

Smale oppgaver med kjent format egner seg godt for åpne modeller, fordi du kan velge en liten, billig modell og tilpasse den. Åpen kildekode-AI kan brukes til kundetilpasning, prediktiv analyse, prosessautomatisering og chatboter, som alle er avgrensede bruksområder. Jo mer forutsigbar oppgaven er, jo mindre trenger du den bredeste modellen.

For bred, utforskende bruk der du ikke vet hva du kommer til å spørre om, er en stor proprietær modell ofte det tryggeste. Kombinasjonen av åpen modell for produksjon og proprietær modell for eksperimentering er vanlig, og fornuftig.

Intern kompetanse avgjør realismen

Rammeverket faller sammen hvis du ikke har folk til å drifte det. Ferdighetsgapet er reelt: 71 prosent av selskapene rapporterer et AI-ferdighetsgap. I RSMs undersøkelse oppga 35 prosent mangel på interne ferdigheter som en av de største hindringene, og hele 70 prosent sa de trengte ekstern hjelp for å få mest mulig ut av løsningene sine.

For en SMB betyr det at åpen kildekode-veien krever en ærlig vurdering: har du kompetansen internt, kan du leie den inn, eller vil driftsbyrden spise opp besparelsen på lisens? Det er et bedre spørsmål å stille før kontrakten enn etter.

Ytelsen i praksis: hvor nær 90 prosent kommer åpne modeller

Ytelse er kontekstavhengig. En åpen modell som yter rundt 90 prosent av en stor proprietær modell på generelle oppgaver, kan yte 100 prosent på en smal oppgave du har tilpasset den til, og under 90 på noe helt annet. Tallet er en tommelfingerregel, ikke en garanti.

Hva de siste ti prosentene faktisk koster

De ti prosentpoengene ligger som regel i de vanskeligste kantene: sjeldne språknyanser, kompleks resonnering over mange steg, og oppgaver modellen ikke har sett før. For mye forretningsarbeid er disse kantene ikke der verdien skapes. Rutinemessig saksbehandling, oppsummering og klassifisering ligger godt innenfor det åpne modeller mestrer.

Regnestykket blir da: betaler du for de siste ti prosentene fordi du trenger dem, eller fordi det er tryggest? For kritiske, åpne bruksområder kan svaret være ja. For det meste av daglig drift er det ofte nei.

RAG lukker mye av gapet

Mye av forskjellen mellom en åpen og en proprietær modell handler ikke om modellen, men om hva den har tilgang til. Med RAG, der modellen henter fra dine egne dokumenter før den svarer, kan en mindre modell prestere langt over sin vektklasse. RAG reduserer hallusinasjoner og lar AI si jeg vet ikke når svaret ikke finnes i kildene.

For en SMB med et avgrenset kunnskapsområde er dette ofte viktigere enn å velge den største modellen. Kvaliteten på dataene dine påvirker resultatet mer enn de siste milliardene med parametere. Vil du gå dypere i hvordan data blir til innsikt, har vi skrevet om AI-drevet analyse fra data til innsikt.

Mindre modeller, kontrollert kostnad

Ytelse må ses mot pris per forespørsel. En stor modell koster mer å kjøre, og på høyt volum blir forskjellen betydelig. Derfor er poenget med at mindre modeller kan unngå ukontrollerbare kostnader så viktig for SMB-er som skal skalere.

Den praktiske strategien er å matche modellstørrelse til oppgave. Bruk en liten modell der det holder, og reserver den store for det som virkelig krever den. Da får du både kostnadskontroll og ytelse der det teller.

Kostnad: bortfall av lisensavgifter mot behov for kompetanse

Åpen kildekode-AI flytter kostnad, den fjerner den ikke. Du sparer på lisens, men betaler for drift og kompetanse. Om regnestykket går i pluss avhenger av volum og av hva du allerede har av folk.

Kostnadselement	Åpen kildekode	Proprietær
Lisens og abonnement	Bortfaller	Løpende, per bruk eller per sete
Infrastruktur og drift	Bæres av deg	Inkludert i tjenesten
Intern kompetanse	Nødvendig	Lavere krav
Skalering ved høyt volum	Forutsigbar	Kan vokse raskt
Ekstern rådgivning	Ofte nødvendig i starten	Ofte nødvendig i starten

Lisensavgiften forsvinner

Den mest håndfaste besparelsen er direkte. Åpen kildekode-AI gir kostnadseffektivitet ved å eliminere lisensavgifter og abonnementer. På høyt, forutsigbart volum er dette der åpne modeller skinner, fordi du ikke betaler en økende regning per forespørsel.

Fellesskapet rundt modellene er en del av verdien. Fellesskapsstøtte er en styrke ved åpen kildekode-AI, med tilgang til dokumentasjon, verktøy og forbedringer du ikke betaler for direkte.

Kompetanse er den nye regningen

Besparelsen på lisens spises fort opp hvis du må bygge et helt team for å drifte modellen. RSMs tall er nøkterne: 92 prosent møtte utfordringer med å implementere AI, der dårlig datakvalitet lå på 41 prosent og personvern- og sikkerhetsbekymringer på 39 prosent.

Samtidig er AI-bruken utbredt: 91 prosent oppgir at organisasjonen bruker AI i forretningspraksis, opp fra 78 prosent året før. Adopsjonen er høy, men gjennomføringen er der pengene brennes eller spares.

Slik unngår du leverandørlåsning

Alura mener at leverandørlåsning er en strategisk risiko for SMB-er, ikke bare et kostnadsspørsmål. Når en leverandør eier modellen, dataene og læringen, mister du forhandlingskraft og fleksibilitet. Prisen kan settes opp, vilkårene kan endres, og du har lite du kan gjøre. Å redusere den risikoen begynner før du signerer, ikke etter.

Eierskap til egne data

Det viktigste grepet er å beholde eierskapet til dataene og retten til å ta dem med deg. Nadella oppfordrer selskaper til å bygge egne proprietære læringsmiljøer i skyen nettopp for å unngå at verdien lekker til modellprodusenten. Data du eier og kan flytte er data ingen leverandør kan holde deg gissel med.

I praksis betyr det å kreve eksport av data i standardformat, klare grenser for hva leverandøren kan trene på, og dokumentasjon av hvor dataene lagres. Dette er kontraktsarbeid, ikke teknologi, og det er ofte her låsningen faktisk avgjøres.

Egne læringsmiljøer

Idit Levine beskriver ifølge TechCrunch en trend der kunder flytter til open source-modeller på egne servere. Motivet er ikke bare kostnad, men kontroll over læringen: forbedringene modellen får av å jobbe med dine data, forblir dine.

For en SMB betyr ikke dette at du må bygge alt fra bunnen. Det betyr at du bør vite hvor læringen havner, og velge en arkitektur der du kan bytte modell uten å miste det du har opparbeidet.

Behandle AI som modell, tjeneste og data

Beste praksis er å ikke se på en AI-leverandør som en enkelt ting. Beste praksis i 2026 er å behandle tredjeparts AI som en pakke av modell, tjeneste og data. Hver av de tre kan låse deg på sin måte, og hver må håndteres i kontrakten.

Konkret betyr det exit-klausuler for alle tre lagene: rett til å skifte modell, rett til å avslutte tjenesten uten å miste tilgang, og rett til å ta dataene med deg. En kontrakt uten disse tre er en kontrakt som gjør leverandøren til eneste vei ut.

EU AI Act og nedstrømsansvar for åpne modeller

Her er en misforståelse som kan bli dyr. Alura mener at åpen kildekode ikke fritar deg fra EU AI Act; nedstrømsansvaret følger med. At en modell er åpen betyr ikke at bruken din er uregulert. Bygger du en tjeneste på en åpen modell, blir du selv ansvarlig for at sluttresultatet er i tråd med regelverket.

Dato	Hva som trer i kraft
2. februar 2025	Forbudte AI-praksiser håndheves
2. august 2025	Krav til GPAI-modeller trer i kraft
2. august 2026	Full etterlevelsesfrist for de fleste bestemmelser
2. august 2027	Utvidet frist for høyrisiko-AI i regulerte produkter

Fristene du må planlegge etter

EU AI Act rulles ut i etapper. Ifølge Supplier Shields gjennomgang har forbudte AI-praksiser vært håndhevet siden 2. februar 2025, mens GPAI-modellkrav trådte i kraft 2. august 2025. Den brede fristen for de fleste bestemmelser er 2. august 2026, med en utvidet frist til 2. august 2027 for høyrisiko-AI innebygd i regulerte produkter.

Verdantix peker på at den endelige fristen for overholdelse er 2. august 2027, da bruk av godkjente GPAI-modeller blir obligatorisk. Loven treffer også norske selskaper: den gjelder ekstraterritorielt for organisasjoner hvis AI-systemer påvirker EU-borgere eller selskaper.

Nedstrømsleverandør for modeller som Llama 3

Dette er kjernen for åpen kildekode. Verdantix er tydelig: leverandører som bygger på åpne modeller som Llama 3, står overfor betydelig ansvar som nedstrømsleverandører. Bruker du en åpen modell i din egen tjeneste, arver du forpliktelser du ikke kan skyve over på den som lagde modellen.

Ansvaret skjerpes med bruksområdet. Integrering av AI-modeller i høyrisikoapplikasjoner som rekruttering eller kritisk infrastruktur utløser de strengeste kravene, inkludert tredjepartsrevisjon. Bruker du en åpen modell til å sile jobbsøkere, er du i den strengeste kategorien uansett hvor gratis modellen var.

Bøtene som gjør dette til styrerommets sak

Sanksjonene er ikke symbolske. Verdantix oppgir at bøter for GPAI-relaterte brudd kan nå opptil 30 millioner euro eller 7 prosent av global omsetning. Supplier Shield legger til at forbudt AI-praksis kan koste opptil 35 millioner euro, at GPAI-modellbrudd kan gi bøter på inntil 15 millioner euro eller 3 prosent av omsetningen, og at villedende informasjon kan koste 7,5 millioner euro.

Risikoen er allerede en realitet i tallene. Ifølge en IBM-rapport gjengitt av Verdantix rapporterte 13 prosent av organisasjonene brudd på AI-modeller eller applikasjoner, samtidig som 88 prosent av bedriftene forventes å ha implementert generativ AI innen utgangen av 2025. Reguleringen kommer, og bruken kommer raskere.

Leverandørstyring som disiplin

AI-valget er i praksis et leverandørvalg, også når modellen er åpen. Med mindre selskapet ditt bygger generativ AI internt, er en vesentlig del av risikostyringen leverandørrisikostyring. Da bør du behandle det som en disiplin med egne rutiner, ikke som et engangsinnkjøp.

Sjekklisten før du signerer

Leverandørstyring for AI handler om å nøye velge, overvåke og kontrollere tredjepartsleverandører som leverer AI-systemer eller funksjoner. Reguleringen gjør dette til en kjøpers utfordring: leverandørens AI kan bli din forpliktelse. Rådet fra fagmiljøet er enkelt: ikke signer før du har gått gjennom sjekklisten.

Sjekkpunkt	Hva du krever dokumentert
Databruk	Hva leverandøren kan trene på og lagre
Eksportrett	Uttrekk av data og modelltilpasninger i standardformat
Etterlevelse	Rolle under EU AI Act og nedstrømsansvar
Exit	Oppsigelse uten tap av tilgang eller data
Revisjon	Rett til innsyn og tredjepartsrevisjon der det kreves

Reduser listen med impact mot integrasjon

Mengden AI-leverandører er en utfordring i seg selv. I et eksempel gjengitt på LinkedIn reduserte en organisasjon listen fra 23 til 10 leverandører ved å bruke en enkel impact versus integration matrix. Poenget er å skille leverandører som gir reell verdi fra de som bare hevder å være uunnværlige.

Forfatteren beskriver hvordan hver leverandør i samtaler hevdet å være den eksklusive AI-løsningen for noe kritisk. En strukturert matrise er forsvaret mot den retorikken: den tvinger frem en vurdering av faktisk effekt mot faktisk integreringskostnad.

Styring før kontrakt, ikke etter

De som lykkes starter med intern styring. Ifølge samme kilde begynner suksessrike organisasjoner med sterk intern styring gjennom AI Centers of Excellence, strukturerte evalueringsrammeverk og klare suksessmålinger før kontrakter signeres. Rekkefølgen er poenget: rammeverket kommer først, leverandøren etterpå.

AI-styring er ikke en enkelt funksjon. IAPP understreker at AI governance ikke er en enkelt funksjon, disiplin eller teknologi, og at selskaper i feltet begynte å dukke opp så tidlig som i 2010. IAPPs egen rapport klassifiserer styringsleverandører i fire kategorier, et signal om at dette nå er et modent marked du kan kjøpe hjelp i.

Markedet: hvor forbruket vokser og hva det betyr for norske kjøpere

Beslutningen tas i et marked som vokser raskt, og som er ujevnt fordelt geografisk. Å forstå hvor pengene og modellene faktisk er, hjelper en norsk kjøper å lese sin egen forhandlingsposisjon.

Marked	2025	2029/2030
Globalt AI-programvaremarked	$174 milliarder	$467 milliarder (2030)
GenAI-programvare	$63,7 milliarder	$220 milliarder (2030)
Totale globale AI-utgifter (Gartner)	$1,5 billioner	$3,3 billioner (2029)
AI-governance-marked	$890 millioner (2024)	$5,8 milliarder (2029)

Hvor forbruket vokser

Tallene er store uansett hvordan du snur dem. Gartner anslår ifølge Vention at totale globale AI-utgifter når nesten 1,5 billioner dollar i 2025, over 2 billioner i 2026 og 3,3 billioner innen 2029. Selve AI-programvaremarkedet anslås å vokse fra 174 milliarder dollar i 2025 til 467 milliarder innen 2030, mens generativ AI-programvare vokser fra 63,7 til 220 milliarder dollar med en CAGR på 29 prosent.

Zapier oppgir tilsvarende at global AI-bruk forventes å nå 2,02 billioner dollar i 2026. Markedet for styringsverktøy vokser i takt: fra 890 millioner dollar i 2024 til 5,8 milliarder innen 2029, en årlig vekst på 45 prosent. Etterspørselen etter compliance-hjelp er en indikasjon på hvor mye regulering veier.

Adopsjonen er høy, gevinsten ujevn

Bruk er ikke lenger et konkurransefortrinn, det er baseline. Vention oppgir at 93 prosent av selskapene allerede bruker AI, og at McKinsey-tall viser 88 prosent bruk i minst en forretningsfunksjon og 79 prosent bruk av generativ AI. Zapier bekrefter bildet med 92 prosent av store bedrifter som behandler AI som en prioritet.

Gevinsten er derimot ikke garantert. Bare 39 prosent av bedriftene har sett en EBIT-effekt fra AI. Skillet mellom å bruke AI og å tjene på det er stort, og det er der leverandørvalg og gjennomføring avgjør.

Europa henger etter, og det angår deg

For en norsk kjøper er den geopolitiske skjevheten relevant. Carnegie oppgir at bare 11 prosent av EU-selskaper bruker AI, at 73 prosent av de grunnleggende AI-modellene har kommet fra USA siden 2017, og at 61 prosent av global AI-finansiering flyter til amerikanske selskaper.

Avhengigheten stikker dypt. Carnegie peker på at 70 prosent av det europeiske skymarkedet domineres av Amazon, Google og Microsoft. Åpen kildekode er en av få hendlene europeiske SMB-er har for å redusere avhengigheten av noen få amerikanske plattformer, fordi modellen kan flyttes og kjøres lokalt.

Kjøpere blir mer krevende

Markedet modnes, og kjøperne med det. IDC observerer at kjøpere blir mer kresne i valg av AI-leverandører og krever klarere bevis på at AI kan levere reelle forretningsresultater. De ser etter signaler om passform, tillit, modenhet og verdi, ikke løfter.

Veksten i regionene illustrerer tempoet. IDC anslår at AI- og GenAI-forbruk i Asia-Stillehavsregionen når 370 milliarder dollar innen 2029, en femdobling fra 2024. For en norsk kjøper er lærdommen å opptre som den krevende kjøperen: be om bevis, ikke ta hypen på ordet.

Vanlige feil SMB-er gjør i valget

De fleste feilene er ikke tekniske, de er strategiske. De handler om å velge av feil grunn, undervurdere kostnaden ved gjennomføring, eller anta at åpen kildekode betyr regelfritt.

Å velge etter hype i stedet for behov

Den vanligste feilen er å la overskrifter, ikke bruksområde, styre valget. IDC minner om at det viktigste er å bevise reell forretningsverdi og differensiere seg fra hypen. Åpen eller proprietær er et middel, ikke et mål.

En sunn test er å spørre hva du faktisk skal løse før du spør hvilken modell. Hvis svaret på modellspørsmålet kommer først, velger du sannsynligvis etter hva som er mest omtalt, ikke hva som passer.

Å undervurdere kompetansebehovet

Åpen kildekode ser gratis ut helt til du skal drifte den. Med et AI-ferdighetsgap hos 71 prosent av selskapene og 70 prosent som trengte ekstern hjelp, er antakelsen om at teamet ordner det selv ofte feil.

Løsningen er ikke å droppe åpen kildekode, men å budsjettere kompetansen ærlig. Legg driftskostnad og eventuell innleie inn i regnestykket før du sammenligner med lisensprisen på et proprietært alternativ.

Å tro at åpen kildekode betyr regelfritt

Den dyreste feilen er å anta at fravær av lisens betyr fravær av ansvar. Som Verdantix understreker, står de som bygger på åpne modeller som Llama 3 overfor betydelig ansvar som nedstrømsleverandører. Reguleringen følger bruken, ikke lisensmodellen.

Antallet land som lovregulerer AI øker raskt: Supplier Shield oppgir en markant økning i AI-relaterte lovgivningsomtaler på tvers av 75 land siden 2023. Å bygge etterlevelse inn fra start er billigere enn å bøte på det senere.

Ofte stilte spørsmål om åpen kildekode-AI for SMB-er

Her er de spørsmålene norske ledere oftest stiller når de vurderer åpen kildekode-AI mot et proprietært alternativ.

Er en åpen modell god nok for oss?

For de fleste avgrensede forretningsoppgaver, ja. Anslaget om rundt 90 prosent av ytelsen til en stor proprietær modell dekker rutinemessig saksbehandling, oppsummering og klassifisering med god margin. Kombinert med RAG mot egne data lukkes mye av det resterende gapet.

Spørsmålet er ikke om den er like god på alt, men om den er god nok på det du faktisk skal bruke den til. For smale oppgaver er svaret som regel ja.

Sparer vi faktisk penger på åpen kildekode?

Du sparer på lisens, siden åpen kildekode eliminerer lisensavgifter og abonnementer, men du betaler i drift og kompetanse. På høyt, forutsigbart volum går regnestykket ofte i pluss. På lavt eller uforutsigbart volum kan et proprietært API være billigere totalt.

Regn med kompetansekostnaden. Med 70 prosent som trengte ekstern hjelp, er innleie i en oppstartsfase mer regel enn unntak.

Gjelder EU AI Act for oss når vi bruker en åpen modell?

Ja. Bruker du en åpen modell i din egen tjeneste, blir du nedstrømsleverandør med betydelig ansvar. Loven gjelder ekstraterritorielt, så norske selskaper som betjener EU-kunder omfattes. Er bruksområdet høyrisiko, som rekruttering, gjelder de strengeste kravene.

Planlegg etter fristene: 2. august 2026 for de fleste bestemmelser og 2. august 2027 for høyrisiko-AI i regulerte produkter.

Hvor lang tid tar en implementering?

Basert på erfaring fra leverandørstyringssystemer ser de fleste organisasjoner første resultater innen 3 til 4 måneder, med full implementering på 6 til 12 måneder. Tallene gjelder styringssystemer, men gir en realistisk ramme også for AI-prosjekter mer generelt.

Forvent en modningsfase. De første månedene handler like mye om data og prosess som om selve modellen.

Hvordan reduserer vi leverandørlåsning konkret?

Behandle AI som en pakke av modell, tjeneste og data, og krev exit-rett for alle tre. Behold eierskapet til dataene og retten til å ta dem med deg, i tråd med rådet om å bygge egne læringsmiljøer.

Ikke signer før sjekklisten er gjennomgått: ikke signer før du har vurdert databruk, eksportrett og etterlevelse.

Oppsummering: en sjekkliste før du signerer

Valget mellom åpen og proprietær AI er en forretningsbeslutning, ikke en teknisk preferanse. Den bør styres av datakontroll og bruksområde, den må ta høyde for EU AI Act, og den avgjøres i kontrakten like mye som i teknologien. Under er en sjekkliste du kan bruke før du forplikter deg.

Steg	Spørsmål å svare på
Datakontroll	Må dataene bli i eget miljø? Hvis ja, peker det mot åpen kildekode.
Bruksområde	Er oppgaven smal og forutsigbar, eller bred og utforskende?
Kompetanse	Har vi drift internt, eller må vi leie inn? Er kostnaden budsjettert?
Regulering	Er bruken høyrisiko under EU AI Act? Hvem er nedstrømsleverandør?
Leverandørlåsning	Har vi exit-rett for modell, tjeneste og data?
Bevis	Har leverandøren vist reell verdi, eller bare lovet den?

Det som avgjør beslutningen

Start med dataene og oppgaven, ikke med modellen. Åpen kildekode gir deg kontroll og kan fjerne lisensavgiften, men flytter kostnaden til kompetanse og drift. Proprietært gir bekvemmelighet, men kan låse deg og la deg betale to ganger, med penger og med proprietær kunnskap.

Uansett hvilken vei du velger, gjelder det samme: reguleringen følger bruken, ikke lisensen, og forpliktelsene er reelle. Med bøter opptil 30 millioner euro eller 7 prosent av global omsetning for GPAI-brudd, er dette en beslutning som hører hjemme i ledelsen, ikke bare hos IT.

Neste steg for en norsk SMB

Behandle AI som en leverandørdisiplin med egne rutiner, og bygg styringen før du signerer, slik de mest vellykkede organisasjonene gjør gjennom strukturerte evalueringsrammeverk og klare suksessmålinger. Reduser leverandørlisten med en effekt-mot-integrasjon-vurdering, og krev bevis på verdi før du forplikter budsjett.

Åpen kildekode-AI gir de fleste SMB-er mesteparten av ytelsen til en lavere lisenskostnad, men gevinsten er ekte bare hvis du håndterer kompetansen, kontrakten og etterlevelsen med samme alvor som prisen. Det er der en norsk SMB vinner eller taper på valget.

I Alura hjelper vi norske bedrifter med å bygge AI-strategi som faktisk lar seg gjennomføre. Vi kombinerer dyp teknisk innsikt med erfaring fra alt fra SMB til enterprise, og leverer veikart som virker i praksis, ikke bare i PowerPoint.

Bestill en strategiøkt: en halvdags samtale der vi kartlegger virksomhetens AI-modenhet, identifiserer de tre prosessene med størst potensial, og leverer et konkret veikart med budsjettramme. Uforpliktende.