Åpne AI-modeller sto for 45 prosent av lanseringene

Nøkkelpunkter per 8. september 2026:

45 prosent av lanseringene hadde åpne vekter blant 138 modeller sporet gjennom tolv måneder frem til september 2026 (benchlm.ai).
Åpen vekt er ikke åpen kildekode. OpenAI slapp gpt-oss-120b og gpt-oss-20b som nedlastbare modeller, men ikke den fullstendige kildekoden (Digi.no).
Regelverket gjelder allerede. Forpliktelsene for generelle AI-modeller begynte å gjelde 2. august 2025, med frist 2. august 2027 for eldre modeller (EU-kommisjonen).
Pensjoneringsvinduene er korte. OpenAI ga o3 en nedtrappingsperiode på 90 dager og GPT-4.5 bare 30 dager før modellene forsvant fra ChatGPT (OpenAI, 2026).
Bytte av leverandør er teknisk mulig, men sjelden reelt fordi kostnad og kompleksitet gjør det til noe annet enn et alternativ i praksis (E24).

Hva åpne vekter er, og hva de ikke er

En språkmodell består av flere lag som ofte klumpes sammen i samtalen om åpenhet. Vektene er tallene modellen har lært under trening. Koden er programvaren som trener og kjører den. Treningsdataene er materialet modellen lærte av. Når en leverandør slipper åpne vekter, får du det første laget, og som regel ikke de to andre.

Forskjellen er ikke akademisk. Da OpenAI slapp gpt-oss-120b og gpt-oss-20b, kunne hvem som helst laste dem ned fra Hugging Face og GitHub, men selskapet slapp ikke den fullstendige kildekoden (Digi.no). Du kan kjøre modellen. Du kan ikke reprodusere den.

Alura mener at åpen vekt ikke er det samme som åpen kildekode, og at forskjellen hører hjemme i beslutningsgrunnlaget, ikke i fotnotene. Et styre som tror det har kjøpt full innsyn, har kjøpt noe annet enn det som faktisk ligger på bordet.

Vekter, kode og treningsdata er tre ulike ting

Vektene alene gir deg driftsfrihet. Du kan kjøre modellen i eget datasenter, i en sky du selv velger, eller på maskiner i Norge. Du slipper å sende data til en tredjepart for hver forespørsel. Det er en reell endring i risikobildet, og for mange virksomheter er det hele poenget.

Vektene alene gir deg derimot ikke innsyn i hvordan modellen ble til. Uten treningskode og datagrunnlag kan du ikke etterprøve hvorfor modellen svarer som den gjør, og du kan ikke trene den på nytt hvis du oppdager en systematisk skjevhet. Du kan justere den, men du arver alt som ligger under. Det er en viktig grense å kjenne før noen lover revisorer full sporbarhet.

Lisensen avgjør hva du faktisk har lov til

«Åpen» er ikke en juridisk kategori. Lisensen som følger vektene bestemmer om du kan bruke modellen kommersielt, om du kan finjustere den, om du kan videredistribuere resultatet, og om det finnes brukstilfeller leverandøren har forbeholdt seg retten til å forby. Noen lisenser er nær standard programvarelisenser. Andre har bruksbegrensninger som en jurist bør lese før produksjonssetting.

Sjekk tre ting før du regner modellen som fri: bruksrett i kommersiell sammenheng, rett til å distribuere finjusterte varianter, og eventuelle terskler knyttet til antall brukere eller omsetning. Dette tar en time å avklare i forkant og måneder å rydde opp i etterpå. Praktisk sett hører lisensvurderingen sammen med det bredere valget av språkmodell.

Hva du får kontroll over, og hva du ikke får

Kontrollen du kjøper med åpne vekter er konkret og avgrenset. Du kontrollerer hvor modellen kjører, hvor lenge den er tilgjengelig, hvilken versjon som er i drift, og hvem som ser dataene. Du kontrollerer ikke modellens interne oppførsel, treningsgrunnlaget, eller hvorvidt en ny og bedre modell gjør din valgte variant utdatert om et halvår.

Egenskap	Lukket API	Åpne vekter	Åpen kildekode i streng forstand
Last ned modellen selv	Nei	Ja	Ja
Kjør i eget miljø	Nei	Ja	Ja
Tilgang til treningskode	Nei	Vanligvis ikke	Ja
Dokumentert treningsdata	Nei	Vanligvis ikke	Ja
Leverandøren kan slå den av	Ja	Nei, for din kopi	Nei
Du bærer driftsansvaret	Nei	Ja	Ja
Finjustering på egne data	Begrenset	Ja	Ja

Tabellen er ikke en rangering. Den er en påminnelse om at kolonnene løser forskjellige problemer. Hvis problemet ditt er at data ikke kan forlate landet, løser åpne vekter det. Hvis problemet er at ingen internt kan drifte en GPU-klynge, gjør de det verre.

138 lanseringer på tolv måneder: slik ser modellmarkedet ut nå

BenchLM sporet 138 modellanseringer i løpet av tolv måneder frem til 3. september 2026, og 45 prosent av de klassifiserte utgivelsene var åpne vektmodeller (benchlm.ai). En stor del av alt som kom på markedet, kunne altså lastes ned og kjøres av den som ville.

Tempoet er ujevnt fordelt. August 2026 var den travleste måneden alene, med 26 lanseringer (benchlm.ai). Det er mer enn en modell annenhver dag i en enkelt måned.

Åpen vekt er ikke lenger en nisje

For tre år siden var åpne modeller i hovedsak et forskningsfenomen med noen få kommersielt brukbare unntak. I dag er andelen så høy at et innkjøp som bare vurderer lukkede API-er, utelater en stor del av markedet uten å ha begrunnet det. Det er ikke det samme som at åpne modeller er riktig valg. Det betyr at fraværet av vurderingen er en svakhet i beslutningsgrunnlaget.

Bredden er også større enn navnene folk kjenner. Meta gjorde Llama-familien multimodal med Llama 4 i 2025, Alibaba har gitt ut Qwen3 som en familie av åpne hybrid-resonnerende modeller, og Microsoft Phi er en familie av små språkmodeller for kommersielle og forskningsmessige oppgaver (NVIDIA). Det finnes en åpen modell i nesten hver størrelsesklasse nå.

Hva tempoet gjør med planleggingshorisonten

Når markedet leverer denne kadensen, blir en treårig modellstrategi meningsløs som dokument og farlig som forpliktelse. Det som er riktig valg i dag, er sannsynligvis ikke det beste valget om ni måneder. Konsekvensen er ikke at du skal utsette beslutningen, men at arkitekturen må tåle at modellen byttes ut.

I praksis betyr det et abstraksjonslag mellom applikasjonen og modellen, et evalueringssett som kan kjøres mot en ny kandidat på en dag, og prompter som er versjonert som kode. Virksomheter som har dette på plass, bruker en uke på å bytte modell. Virksomheter som ikke har det, bruker et kvartal og en usikker leveranse.

Les også: Norske SMB-er kan endelig kjøre AI lokalt med Gemma 4 12B. Gemma 4 12B kjører multimodal AI lokalt på en 16 GB-laptop.

Fire spørsmål før du velger mellom åpen og lukket modell

Valget mellom en åpen vektmodell og et lukket API er sjelden et teknologispørsmål alene. Det er et spørsmål om hvor mye driftsansvar organisasjonen kan bære, hvor sensitive dataene er, hvor stor byttekostnaden allerede har rukket å bli, og hva regelverket krever av dere. Fire spørsmål dekker det meste.

Spørsmål	Peker mot åpne vekter hvis	Peker mot lukket API hvis
Hva koster det å bytte i dag?	Dere har allerede ett dominerende plattformforhold	Bruken er liten og eksperimentell
Hvor sensitive er dataene?	Personopplysninger, helsedata eller forretningshemmeligheter	Offentlig eller lavrisiko innhold
Hvem drifter dette?	Dere har eller kjøper drift av GPU-infrastruktur	Ingen intern kapasitet til plattformdrift
Hva krever regelverket?	Dere trenger dokumentert kontroll over versjon og miljø	Leverandørens etterlevelse dekker deres bruk

Spørsmål 1: hva er den reelle byttekostnaden i dag?

Avhengighet måles ikke i kontrakter, men i hvor mange arbeidsprosesser som stopper hvis leverandøren endrer noe. Norske virksomheter har flyttet store deler av driften til plattformer de ikke kontrollerer selv, og de som har bygget hele arbeidsflaten rundt en leverandør, blir særlig sårbare (E24).

Regn ut byttekostnaden før du trenger den. Hvor mange integrasjoner, hvor mange prompter, hvor mange finjusterte varianter, hvor mange brukere med innarbeidede vaner? Tallet du kommer frem til, er prisen på å ikke ha et alternativ. Det er også det eneste tallet som gjør forhandlingen med leverandøren reell.

Spørsmål 2: hvor sensitive er dataene som faktisk sendes inn?

Mange virksomheter vurderer datasensitivitet på systemnivå og undervurderer hva brukerne limer inn i praksis. Et kundeserviceverktøy som formelt behandler ordrenumre, mottar i praksis fritekst med helseopplysninger, klagesaker og navngitte tredjepersoner. Vurderingen bør gjøres på det faktiske datainnholdet, ikke på den tiltenkte bruken.

Hvis konklusjonen er at data ikke kan forlate egne systemer, snevrer valget seg raskt inn. Da er spørsmålet ikke lenger åpen mot lukket, men hvilken åpen modell som er god nok i den størrelsen dere kan drifte. Her er lokal kjøring i SMB-er et mer nyansert tema enn det ofte fremstilles som.

Spørsmål 3: hvem skal faktisk drifte dette om atten måneder?

Egen drift av vekter er en plattformoppgave, ikke et prosjekt. Noen må oppgradere kjøremiljøet, håndtere GPU-driverproblemer, overvåke latens, rulle modellversjoner og svare når svartidene plutselig dobles en tirsdag. Hvis den personen ikke finnes i organisasjonskartet, finnes ikke kapasiteten heller.

Alternativet er å kjøpe driften av noen andre og likevel beholde vektene. Det er et mellomvalg som ofte overses: du kjører en åpen modell hos en driftspartner, beholder retten til å ta vektene med deg, og slipper å bygge kompetansen internt. Kontrollen ligger i lisensen og i modellkopien, ikke i hvem som eier serverne.

Spørsmål 4: hva krever regelverket av akkurat deres bruk?

EU har vedtatt verdens første omfattende AI-lov, og systemene klassifiseres etter risiko for brukerne (EU-kommisjonen). Hva som gjelder for dere, avhenger av hva løsningen brukes til, ikke av om modellen er åpen eller lukket.

Alura mener at regelverket for generelle AI-modeller gjelder allerede, og at etterlevelse bør avklares før modellvalget låses. Rekkefølgen er poenget. En juridisk avklaring som kommer etter at integrasjonene er bygget, blir en dyr omkamp.

Praktisk: slik tester du en åpen modell før den går i produksjon

Alura mener du skal teste modellen på egne data i et avgrenset miljø før produksjon, ikke på leverandørens benchmarktall alene. Grunnen er enkel: benchmarker måler generell kapasitet på oppgaver som sjelden ligner dine. En modell kan sette rekorder på kodebenchmarker og likevel svare feil på deres avtaleverk.

Fase	Hva du gjør	Beslutningspunkt
Forberedelse	Bygg et evalueringssett på 100 til 300 reelle oppgaver med fasit	Er fasiten enig med seg selv?
Kandidatvalg	Kjør to til fire modeller i ulik størrelse mot samme sett	Er forskjellen større enn støyen?
Skyggetest	Kjør parallelt med dagens løsning uten å vise svarene til brukerne	Holder kvaliteten på ekte trafikk?
Lasttest	Mål latens og gjennomstrømning ved forventet topplast	Holder svartiden når alle jobber?
Beslutning	Sammenlign mot terskler satt før testen startet	Går den, eller går den ikke?

Bygg evalueringssettet fra egne saker, ikke fra fantasien

Et brukbart evalueringssett består av faktiske oppgaver fra egen drift, med et svar noen fagperson har godkjent som riktig. Ta med de vanskelige tilfellene, de tvetydige, og de der riktig svar er «dette kan jeg ikke besvare». Et sett som bare inneholder enkle spørsmål, gir en modell full score og deg ingen informasjon.

Sett av tid til uenigheten. Når to fagpersoner scorer det samme svaret ulikt, har du oppdaget noe viktigere enn modellkvalitet: oppgaven er underspesifisert. Den ryddejobben må gjøres uansett hvilken modell dere velger.

Kjør skyggetest før brukerne ser noe

Skyggetest betyr at den nye modellen får samme forespørsler som dagens løsning, men at svarene logges i stedet for å vises. Etter noen uker har du en sammenligning på ekte trafikk, med ekte fordeling av rare spørsmål. Det er den eneste testen som fanger opp hva brukerne faktisk gjør, i motsetning til hva prosjektbeskrivelsen sa at de skulle gjøre.

Skyggetesten avslører også de kjedelige feilene: tegnsettproblemer med æ, ø og å, formateringsavvik, og systematiske misforståelser av norske fagbegreper. Dette er ofte den reelle forskjellen mellom en internasjonal toppmodell og en mindre åpen modell, og det er sjelden synlig i en benchmark.

Mål latens og gjennomstrømning under realistisk last

Kvalitet er bare den ene halvdelen. Ytelse på papiret varierer voldsomt med maskinvare: NVIDIA oppgir opptil 1,5 millioner tokens per sekund for gpt-oss-modeller på et GB200 NVL72-system, og en ytelsesfordel på 15x for GB200 NVL72 over H200 på DeepSeek-R1 (NVIDIA). Tallene gjelder maskinvare de færreste SMB-er kjøper.

Det du trenger å vite er mer beskjedent: hva blir svartiden på deres maskiner, ved deres samtidighet, med deres kontekstlengde? Mål ved forventet topplast, ikke ved gjennomsnitt. En modell som svarer på to sekunder alene og tolv sekunder når hele avdelingen er på jobb, er ikke klar for produksjon.

Leverandøravhengighet i norske virksomheter

Norske virksomheter er blitt dypt avhengige av globale teknologigiganter, og avhengigheten har vokst ubevisst og gradvis gjennom små valg (E24). Ingen har vedtatt den. Den har oppstått.

Poenget er ikke at plattformleverandørene er upålitelige. Poenget er at valg av IT-løsninger ikke bare handler om teknologi, men om hvem som styrer virksomheten (E24). AI-laget forsterker et mønster som allerede var der.

Avhengigheten oppstår gradvis, ikke i en kontrakt

Første steg er en API-nøkkel til en pilot. Andre steg er tre integrasjoner fordi det gikk fort. Tredje steg er at kundeservice, salg og HR har hver sin arbeidsflyt bygget på samme leverandør. Ingen av stegene var feil isolert sett, og summen er likevel at bytte blir så kostbart og komplekst at det sjelden fremstår som et reelt alternativ (E24).

Motmiddelet er ikke å nekte å bruke store leverandører. Det er å måle avhengigheten før den blir strukturell, og å holde minst en reell alternativ vei åpen. En åpen modell som kjører i et testmiljø og scorer akseptabelt på deres evalueringssett, er et slikt alternativ. Den koster lite å vedlikeholde og er verdt mye den dagen noe endrer seg.

Åpne vekter er et forhandlingskort, ikke en garanti

Alura mener åpne vekter er et forhandlingskort mot leverandøravhengighet, ikke en garanti for kontroll. En nedlastet modellkopi kan ingen slå av. Men den fjerner ikke avhengigheten av skyleverandøren som kjører den, av GPU-tilgangen, av verktøykjeden rundt, eller av kompetansen hos de tre personene som forstår oppsettet.

Verdien av kortet ligger i at det er dokumentert brukbart. En åpen modell som er testet, som scorer godt nok, og som noen vet hvordan settes i drift, endrer samtalen med leverandøren. En åpen modell som bare er nevnt i et notat, gjør ikke det.

Når leverandøren pensjonerer modellen du bygde på

Dette er den konkrete risikoen som sjelden står i risikoanalysen. OpenAI pensjonerer modeller fra ChatGPT med spesifikke datoer, og har oppgitt en nedtrappingsperiode på 90 dager for o3 og 30 dager for GPT-4.5 (OpenAI, 2026). Det er kortere enn de fleste endringsprosesser i en mellomstor bedrift.

Med åpne vekter forsvinner ikke modellen. Kopien din blir liggende så lenge du orker å drifte den. Til gjengjeld slutter noen andre å forbedre den, og du sitter med sikkerhetsoppdateringer og kjøremiljø på egen kappe.

Oppgraderinger endrer oppførsel, ikke bare ytelse

En ny modellversjon er ikke en patch. GPT-5.3-Codex ble lansert som en agentisk kodingsmodell som er raskere og setter nye rekorder på benchmarks, med en hastighetsforbedring på 25 prosent sammenlignet med tidligere modeller (OpenAI, 2026). Raskere og bedre er godt nytt, helt til prompter som var finjustert mot forrige versjon begynner å oppføre seg annerledes.

Leverandørene endrer også retningslinjene modellen følger. OpenAI har oppdatert Model Spec for å klargjøre prinsipper for tenåringer og håndtering av falske premisser (OpenAI, 2026). Endringer i hva en modell nekter å svare på, treffer produksjonsflyter uten forvarsel.

Slik ser en brukbar exit-plan ut

En exit-plan er tre ting på papir og en ting i drift. På papir: hvilken alternativ modell dere ville brukt, hva som må endres teknisk, og hvor lang tid det tar. I drift: at evalueringssettet kan kjøres mot en ny kandidat uten at noen må bygge testrigg først.

Prøv planen en gang i året, på samme måte som en brannøvelse. Bytt modell i et testmiljø, kjør evalueringssettet, noter hva som gikk galt. Kostnaden er noen dager. Alternativet er å finne ut av det når nedtrappingsvarselet allerede har startet klokka.

Kostnad og infrastruktur: hva det koster å kjøre vektene selv

Den vanligste feilberegningen er å sammenligne API-prisen per token med strømregningen for en GPU. Det er ikke de samme kostnadspostene. Egen drift flytter kostnaden fra variabel til fast, og fra leverandørens balanse til din.

Kostnadspost	Lukket API	Egen drift av åpne vekter
Beregning	Per token, variabelt	Fast kapasitet, betales uansett bruk
Maskinvare	Ingen	GPU, minne, nettverk, avskrivning
Drift og vakt	Inkludert	Egne folk eller driftspartner
Oppgraderinger	Leverandøren gjør det	Deres prosjekt, gjentatte ganger
Ledig kapasitet	Betaler ikke for den	Betaler for den hver time
Byttekostnad senere	Høy og skjult	Lavere, men ikke null

Konklusjonen avhenger av utnyttelsesgrad. Ved lav og ujevn bruk vinner API-et nesten alltid. Ved høy og jevn bruk begynner egen drift å konkurrere, og ved streng datalokalisering er regnestykket underordnet fordi alternativet ikke finnes.

Modellstørrelsen styrer maskinvarebehovet

Antall parametere avgjør hvor mye minne modellen trenger, og dermed hvilken maskinvare som holder. Spennet er stort: Microsoft Phi-3.5-mini-Instruct har 3,8 milliarder parametere, mens Alibabas Qwen3 finnes i MoE-varianter som 235B-A22B og 30B-A3B (NVIDIA). Det er forskjellen på en arbeidsstasjon og en serverpark.

Blandingsmodeller endrer regnestykket noe. Kimi K2 aktiverer 32 milliarder parametere per forespørsel av et langt større totalt antall (NVIDIA), som gir høy kapasitet uten at all beregning skjer hver gang. Minnebehovet følger likevel totalen, ikke den aktiverte delen, og det er der budsjettet knekker. Kvantisering flytter grensen nedover, og komprimerte modeller er ofte veien inn for mindre virksomheter.

Gjennomstrømning er variabelen ingen budsjetterer

Det holder ikke at modellen får plass. Den må levere nok tokens per sekund til at brukerne ikke sitter og venter. Maskinvaregenerasjon betyr mye her: NVIDIA oppgir 4x gjennomstrømningsforbedring for B200 mot H200 på Llama 3.3 70B, og 3x for samme modell med spekulativ dekoding i TensorRT-LLM (NVIDIA).

Det praktiske rådet er å måle med deres egen kontekstlengde. Lange dokumenter, lang samtalehistorikk og store systemprompter spiser kapasitet raskt. En konfigurasjon som holder for korte spørsmål, kollapser når noen limer inn en femtisiders avtale.

Når API-et fortsatt er det billigste svaret

Hvis bruken er under noen tusen forespørsler i døgnet, varierer kraftig gjennom uka, og dataene ikke er sensitive, er egen drift sannsynligvis dyrere og tregere å komme i gang med. Da er det bedre å bruke tiden på evalueringssettet og abstraksjonslaget, slik at bytte er mulig senere.

En mellomvei som fungerer for mange: lukket API for de tunge resonneringsoppgavene, åpen modell lokalt for det store volumet av enkle og datasensitive oppgaver. Prisforskjellene mellom leverandørene er også reelle, og rimeligere modellalternativer hører hjemme i sammenligningen.

Les også: Bør norske team kjøre lokale AI-kodeassistenter selv?. DeepReinforce slapp Ornith-1.0 som åpne kodemodeller.

AI Act og forpliktelsene for generelle AI-modeller

Reglene for generelle AI-modeller er ikke fremtid. Forpliktelsene for leverandører av slike modeller har trådt i kraft i EU, og skal gi tydeligere informasjon om hvordan modeller trenes, bedre håndheving av opphavsrett og mer ansvarlig AI-utvikling (EU-kommisjonen).

Terskel eller dato	Hva den betyr
10^23 FLOP	Treningsberegning som definerer en generell AI-modell
10^25 FLOP	Terskel for modeller med systemisk risiko og ekstra forpliktelser
2. august 2025	Forpliktelsene begynner å gjelde for modeller som plasseres på EU-markedet
2. august 2027	Frist for modeller som allerede var på markedet før 2. august 2025
24 måneder etter ikrafttredelse	AI Act fullt anvendelig
36 måneder etter ikrafttredelse	Forpliktelser for høyrisikosystemer gjeldende

Alle tallene i tabellen er hentet fra EU-kommisjonen og EU-kommisjonen.

Hva som utløser reglene for generelle AI-modeller

En generell AI-modell er definert som en som er trent med over 10^23 FLOP og kan generere språk, mens 10^25 FLOP markerer terskelen for modeller med systemiske risikoer som utløser ekstra forpliktelser (EU-kommisjonen). Terskelen er teknisk, men konsekvensen er organisatorisk: den avgjør hvem som må dokumentere hva.

For de fleste norske SMB-er er dette leverandørens forpliktelse, ikke deres. Men den forutsetningen bør skrives ned og etterprøves, ikke antas. En kommisjonsside kan leses på en time. En feilplassert antakelse om rollefordeling kan koste et helt prosjekt.

Blir dere leverandør hvis dere finjusterer?

Dette er spørsmålet som oftest står ubesvart i norske AI-prosjekter. Kommisjonen har publisert veiledning om hvem som må overholde reglene, sammen med maler for databruk, og bekrefter at en atferdskodeks er et verktøy for etterlevelse (EU-kommisjonen). Svaret finnes altså, men det må hentes og dokumenteres for deres konkrete tilfelle.

Praktisk anbefaling: still spørsmålet før dere begynner å finjustere, ikke etter. Hvis konklusjonen er at dere trer inn i en leverandørrolle, endrer det dokumentasjonskravene, og det er billigere å bygge dokumentasjonen underveis enn å rekonstruere den i ettertid.

Dokumentasjon, merking og opphavsrett i praksis

Generativ AI som ChatGPT er ikke klassifisert som høyrisiko, men må overholde gjennomsiktighetskrav, og AI-generert innhold må merkes tydelig (EU-kommisjonen). Kravet gjelder uavhengig av om modellen er åpen eller lukket.

Høyrisikosystemer er en annen kategori. De må vurderes før de settes på markedet og gjennom hele livssyklusen (EU-kommisjonen). Hvis løsningen deres brukes i rekruttering, kredittvurdering eller lignende, er det den vurderingen som styrer tidsplanen, ikke modellvalget.

Merking er en produktbeslutning, ikke en juridisk fotnote

Kravet om tydelig merking av AI-generert innhold treffer grensesnittet. Det betyr at noen må bestemme hvordan et AI-generert utkast ser ut for en saksbehandler, hvordan det ser ut for kunden, og hva som skjer når et menneske redigerer teksten etterpå. Disse valgene tas best i designfasen.

Praktisk sett trenger dere en enkel regel alle forstår: hva merkes, hvordan, og hvem eier vurderingen når noe er delvis AI-generert. En regel som krever juridisk skjønn i hvert tilfelle, blir ikke fulgt.

Opphavsrett og treningsdata når vektene er åpne

Reglene for generelle AI-modeller skal blant annet gi bedre håndheving av opphavsrett, og Kommisjonen har publisert maler for databruk (EU-kommisjonen). For dere som bruker en åpen modell, er det praktiske spørsmålet hva leverandøren har publisert om treningsgrunnlaget.

Her slår begrensningen ved åpne vekter inn igjen. Uten dokumentert treningsdata kan dere ikke selv verifisere opphavsrettssituasjonen, og må lene dere på leverandørens erklæringer. Det er akseptabelt, men det bør stå i risikoregisteret som en avhengighet, ikke som en løst sak.

Markedsobservasjon: OpenAI og Alibaba setter tempoet

OpenAI og Alibaba hadde flest sporede utgivelser i tolvmånedersperioden, med 13 hver (benchlm.ai). To laboratorier med svært ulik strategi ligger altså likt på kadens.

Det interessante er ikke rangeringen, men hva den viser om markedsdynamikken. Presset fra åpne modeller har flyttet det som tidligere var et rent lukket premiumsegment.

OpenAI åpnet vektene for første gang siden 2019

gpt-oss-120b og gpt-oss-20b var de første åpne modellene fra selskapet siden GPT-2 kom i 2019, og de er beregnet på utviklere, forskere, bedrifter og foretak (Digi.no). To modellstørrelser dekker to ulike behov: en for servere, en som er realistisk å kjøre på mer beskjeden maskinvare.

Selskapet bekrefter selv at det har introdusert to open-weight-modeller (OpenAI, 2026). At en aktør som har bygget forretningsmodellen på lukkede API-er slipper åpne vekter, sier noe om hvor sterkt presset fra den åpne siden har blitt.

Den åpne familien er bredere enn de kjente navnene

Et realistisk kandidatfelt inkluderer DeepSeek, Gemma, gpt-oss, Kimi, Llama, Nemotron, Phi og Qwen (NVIDIA). Noen er optimalisert for resonnering, noen for kode, noen for å kjøre på lite minne. NVIDIA Nemotron-familien fremheves for resonnering og agentiske oppgaver (NVIDIA).

Bredden betyr at spørsmålet «hvilken åpen modell» sjelden har ett svar. Det har ett svar per oppgave. Team som skriver mye kode, bør vurdere lokale kodeassistenter som en egen kategori, med egne krav til latens og kontekstvindu.

Vanlige feil når virksomheter tar i bruk åpne modeller

Feilene går igjen på tvers av bransje og størrelse. De handler sjelden om teknologi og nesten alltid om rekkefølge: noe blir låst før det er avklart.

Å tro at åpen vekt gir full innsyn

Dette er den dyreste misforståelsen, fordi den brukes til å berolige styret. Åpne vekter gir driftskontroll, ikke innsyn i hvordan modellen ble laget. Når fullstendig kildekode ikke følger med (Digi.no), er full etterprøvbarhet ikke på bordet.

Fiks det ved å skille de to påstandene i all intern kommunikasjon. «Vi kontrollerer hvor og hvor lenge modellen kjører» er sant. «Vi kan revidere hvordan den ble trent» er det ikke.

Å velge modell på benchmark alene

Benchmarktall er relative og ofte kontekstavhengige. OpenAI oppgir for eksempel at 56 prosent av ekspertevaluatorene foretrakk o3-mini over o1-mini (OpenAI, 2026). Det er nyttig informasjon om en generell preferanse, og null informasjon om hvordan modellen håndterer deres avtaletekster på norsk.

Fiks det ved å kreve at enhver modellanbefaling kommer med resultater fra deres eget evalueringssett. Uten det er anbefalingen en gjengivelse av leverandørens markedsføring.

Å utsette den regulatoriske avklaringen til etter pilot

Piloten har ingen juridisk risiko, tenker mange, og det stemmer ofte. Problemet oppstår når piloten glir over i produksjon uten et eget beslutningspunkt. Da er integrasjonene bygget, brukerne vant, og avklaringen kommer som en bremse i stedet for en premiss.

Fiks det med en enkel regel: ingen produksjonssetting uten at rollefordelingen under regelverket for generelle AI-modeller er skrevet ned. Nasjonale myndigheter skal dessuten tilby testmiljøer for AI for å støtte innovasjon (EU-kommisjonen), noe som gjør det lettere å teste før man forplikter seg.

Ofte stilte spørsmål om åpne AI-modeller

Spørsmålene under er de som kommer igjen i ledergrupper som vurderer åpne vekter for første gang.

Er åpne modeller gratis?

Vektene kan lastes ned uten lisenskostnad, som med gpt-oss-modellene på Hugging Face og GitHub (Digi.no). Alt annet koster: maskinvare, drift, overvåking, oppgraderinger og folk som kan noe. Total eierkostnad er summen av alt dette, ikke av nedlastingen.

Trenger vi egne GPU-er for å komme i gang?

Ikke nødvendigvis. Du kan leie kapasitet, bruke en driftspartner, eller starte med en liten modell på maskinvare dere allerede har. Modeller i småklassen, som Phi-3.5-mini-Instruct med 3,8 milliarder parametere, stiller helt andre krav enn de store variantene (NVIDIA). Poenget med en pilot er å finne ut hvilken størrelse som er god nok.

Hvor mye dårligere er en åpen modell enn en lukket?

Det avhenger helt av oppgaven. På avgrensede, gjentakende oppgaver med god kontekst er forskjellen ofte liten nok til at den ikke merkes. På åpne resonneringsoppgaver, lange dokumenter og krevende norsk fagspråk er avstanden typisk større. Svaret finnes bare i deres eget evalueringssett, ikke i en generell påstand.

Hva skjer hvis modellen vi valgte ikke oppdateres mer?

Vektene fortsetter å virke. Du får ikke forbedringer, og du må selv følge med på sikkerhetsproblemer i kjøremiljøet rundt. Sammenlignet med lukkede modeller, der nedtrappingsperioder kan være så korte som 30 dager (OpenAI, 2026), gir du deg selv tid. Tid er ikke det samme som en plan.

Bør vi vente til markedet roer seg?

Markedet roer seg ikke med det første. Med 138 lanseringer på tolv måneder og 26 i den travleste måneden alene (benchlm.ai), er høy kadens tilstanden, ikke en fase. Det rasjonelle er å bygge for utskiftbarhet i stedet for å vente på stabilitet.

Oppsummering: når åpne vekter faktisk lønner seg

Åpne vektmodeller utgjorde en betydelig andel av alle lanseringer det siste året, og det gjør dem til et alternativ som må vurderes, ikke til et svar som gjelder alle. De lønner seg tydeligst når data ikke kan forlate egne systemer, når volumet er høyt og jevnt, eller når byttekostnaden mot dagens leverandør allerede har blitt uhåndterlig.

De lønner seg dårligst når bruken er liten og ujevn, når ingen i organisasjonen kan drifte plattformen, eller når prosjektet trenger den absolutt beste resonneringen på komplekse oppgaver. Da er et lukket API riktig valg, og innsatsen bør gå til abstraksjonslag og evalueringssett som gjør bytte mulig senere.

Uansett hvilken vei dere går: avklar rollefordelingen under regelverket for generelle AI-modeller før modellvalget låses, og test på egne data i et avgrenset miljø før produksjon. De to stegene koster lite og fjerner mesteparten av risikoen for en dyr omkamp.

Sjekklisten før dere låser modellvalget

Seks punkter, i denne rekkefølgen. Ett: skriv ned hva byttekostnaden fra dagens løsning er i dag. To: klassifiser dataene som faktisk sendes inn, ikke de som var tenkt. Tre: avklar rollefordelingen under regelverket, med frister som 2. august 2027 for modeller som allerede var på markedet før 2. august 2025 som referansepunkt (EU-kommisjonen).

Fire: bygg evalueringssettet fra egne saker og sett terskler før testen starter. Fem: mål latens og gjennomstrømning ved topplast, ikke ved gjennomsnitt. Seks: øv på modellbytte en gang i året. Virksomheter som gjør disse seks tingene, har et reelt valg. De som hopper over dem, har en leverandør.

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.

Kilder

benchlm.ai. AI Model Release Statistics (2026): Launch Cadence by Lab
Digi.no. Open AI slipper AI-modeller med åpne vekter - Digi.no - Nyhetsstudio
EU-kommisjonen. EU rules on general-purpose AI models start to apply, bringing more transparency, safety and accountability | Shaping Europe’s digital future
OpenAI (2026). Model Release Notes | OpenAI Help Center
E24. Vi har mindre kontroll enn vi tror – E24
NVIDIA. AI Models - NVIDIA Developer
EU-kommisjonen. EU AI Act: first regulation on artificial intelligence | Topics