AI DAGELIJKS

Open-source AI: krachtig, maar veiligheid blijft achter

5 augustus 2026 | Boris Kusters

Inhoud

Open-source AI: krachtig, maar veiligheid blijft achter

Er verschijnt deze week een rapport dat een ongemakkelijke waarheid blootlegt over open-source AI. Zoals we eerder schreven: GLM-5.2 haalt de top van open-source AI al aardig dicht bij de duurste modellen. Het Chinese AI-bedrijf Z.ai bracht met dat model iets uit dat qua kunnen bijna in de buurt komt van de meest geavanceerde modellen van Anthropic en OpenAI. Goed nieuws voor je portemonnee, zou je zeggen: eindelijk een goedkoop alternatief dat serieus meekan.

Maar onderzoeksbureau SaferAI zet daar deze week een stevige kanttekening bij. In hun nieuwste analyse concluderen ze dat GLM-5.2 weliswaar de capaciteiten van de duurste modellen benadert, maar dat de veiligheidsmaatregelen eromheen ver achterblijven. Geen strenge red teaming, weinig documentatie over misbruikrisico's, nauwelijks ingebouwde grenzen. Precies het soort model waar jij als ondernemer misschien binnenkort mee gaat werken, zonder dat je het doorhebt.

In dit artikel leg ik uit wat er precies mis is, waarom het verschil tussen kunnen en veilig kunnen er voor jouw bedrijf toe doet, en hoe je een verstandige keuze maakt tussen goedkope open modellen en duurdere, beter beveiligde alternatieven.

Wat het SaferAI-rapport concreet zegt

SaferAI is een onderzoeksorganisatie die AI-bedrijven en hun modellen beoordeelt op veiligheidsbeleid, vergelijkbaar met hoe een kredietbeoordelaar bedrijven langs de meetlat legt. Ze keken naar GLM-5.2, het open-weight model van Z.ai, en zetten de resultaten af tegen de closed-source modellen van Anthropic, OpenAI en Google.

Op capaciteiten scoort GLM-5.2 verrassend goed: redeneren, code schrijven, complexe taken uitvoeren, het model doet nauwelijks onder voor de duurdere concurrentie. Op veiligheid is het beeld heel anders. SaferAI mist bij Z.ai onder meer gedegen red-teaming, transparante rapportage over risico's, en concrete maatregelen tegen misbruik zoals het genereren van desinformatie of hulp bij cyberaanvallen.

Dat gat is geen incident. Het past bij een patroon: AI-labs die snel willen groeien, zetten hun energie eerst in capaciteit en pas later, als het al te laat is, in veiligheid. Voor een klein lab met beperkt budget is een veiligheidsteam nu eenmaal duurder dan nog een trainingsronde.

Waarom dit een MKB-probleem is, niet alleen een techprobleem

Je zou kunnen denken: dit is een academische discussie tussen AI-labs, wat heeft dat met mijn bedrijf te maken? Nogal wat, eigenlijk. Steeds meer Nederlandse MKB-bedrijven experimenteren met goedkope of gratis AI-modellen, vaak via tussenpartijen die toegang bieden tot modellen als GLM-5.2 tegen een fractie van de prijs van Claude of ChatGPT. Voor interne taken, een eerste concept, wat brainstormen, is dat prima.

Het wordt riskant zodra je zo'n model klantcontact laat doen, laat schrijven voor je website, of laat meebeslissen in processen. Een model zonder stevige veiligheidslaag is gevoeliger voor jailbreaks, genereert sneller ongepaste of onjuiste content, en biedt weinig garanties over hoe het omgaat met gevoelige informatie die je erin stopt.

Daar komt bij: de verantwoordelijkheid verschuift niet naar Z.ai zodra jij hun model inzet. Onder de EU-AI-Act en de AVG ben jij als aanbieder van de toepassing verantwoordelijk voor hoe een AI-systeem zich gedraagt richting jouw klanten, ongeacht of het onderliggende model open of gesloten is. Een goedkoop model dat een keer flink de mist ingaat bij een klant, kost je meer dan het aan API-kosten heeft bespaard.

Hoe je als MKB verstandig kiest tussen open en gesloten modellen

Er is geen universeel goed of fout antwoord, het hangt af van wat je ermee doet. Een bruikbare vuistregel: hoe dichter een taak bij je klant komt en hoe gevoeliger de data, hoe meer reden om te kiezen voor een model met aantoonbaar sterkere veiligheidswaarborgen, ook als dat duurder is.

Voor interne experimenten, ruwe concepten of taken zonder klantcontact kan een goedkoop open-weight model als GLM-5.2 een prima werkpaard zijn. Voor klantenservice, juridische of financiële adviesteksten, of alles waar reputatieschade dreigt, is de investering in Claude Opus 5 van Anthropic, met uitgebreidere veiligheidstesten en documentatie, vaak het overwegen waard.

Bouw daarnaast nooit je hele bedrijfsproces op één model, open of gesloten. Wij schreven eerder al waarom je als MKB niet blind op één AI-leverancier moet bouwen, dat advies geldt hier des te meer: spreid je risico, test verschillende modellen op jouw specifieke taak, en leg vast welk model voor welk doel is goedgekeurd.

Wat dit betekent voor jou

Mijn insteek: open-source en open-weight AI zijn goed nieuws voor het MKB, ze drukken de prijs en breken de macht van een paar grote Amerikaanse spelers. Maar goedkoop en krachtig betekent niet automatisch verantwoord. Het SaferAI-rapport is een goede aanleiding om, voordat je overstapt naar het volgende goedkope model, even na te denken over waar het risico zit.

Bij Marketing Maatwerk in Enschede zie ik dagelijks bedrijven die AI willen inzetten zonder gedoe. Dat begint met een eerlijke inschatting van waar een goedkoop model past en waar je beter iets steviger inzet. Twijfel je welke aanpak bij jouw bedrijf past? Boek een korte sparring boeken en we denken mee.

Werkt deze AI-ontwikkeling door in jouw bedrijf? een korte sparring boeken.

Veelgestelde vragen

Wat is een open-weight AI-model?

Een open-weight model is een AI-model waarvan de fabrikant de getrainde modelbestanden vrijgeeft, zodat je het zelf kunt downloaden en draaien. Dat is anders dan closed-source modellen zoals Claude of ChatGPT, die je alleen via een API van de aanbieder gebruikt. Open-weight is niet hetzelfde als volledig open-source: trainingsdata en broncode blijven vaak geheim.

Is GLM-5.2 veilig genoeg om in mijn bedrijf te gebruiken?

Voor interne taken zonder klantcontact of gevoelige data kan het prima. Voor klantgerichte of gevoelige toepassingen raadt het SaferAI-rapport voorzichtigheid aan: het model mist onder meer red-teaming en transparante risicorapportage, dus bouw zelf extra controle in als je het toch inzet.

Wat is het verschil tussen open-source en closed-source AI?

Bij open-source of open-weight AI krijg je de modelbestanden en kun je het model zelf hosten, vaak goedkoper en met meer controle over je data. Closed-source modellen zoals Claude of GPT draaien alleen via de servers van de aanbieder, maar komen doorgaans met strengere veiligheidstests en meer documentatie.

Moet ik me als MKB aan de EU-AI-Act houden als ik een open-source model gebruik?

Ja. De EU-AI-Act kijkt naar hoe jij een AI-toepassing inzet, niet naar of het onderliggende model open of gesloten is. Als aanbieder van de toepassing richting jouw klanten blijf jij verantwoordelijk, net als onder de AVG voor de gegevens die je erin verwerkt.

Is Claude of ChatGPT veiliger dan GLM-5.2?

Volgens het SaferAI-rapport wel: Anthropic en OpenAI investeren aantoonbaar meer in red-teaming, misbruikpreventie en transparante rapportage dan Z.ai bij GLM-5.2. Qua ruwe capaciteiten ontlopen de modellen elkaar echter weinig.

Hoe weet ik of een AI-leverancier genoeg aan veiligheid doet?

Kijk of de leverancier een publiek veiligheidsrapport of model card publiceert, of ze onafhankelijke red-teaming laten uitvoeren, en of ze duidelijk maken welke grenzen het model wel en niet kent. Ontbreekt dat allemaal, ga dan extra voorzichtig om met klantgerichte of gevoelige toepassingen.