Öppna AI-modeller tar mark — men 'öppen' betyder inte alltid vad du tror

Halverade ikapptaggningstider — öppna modeller springer allt snabbare

Sedan ChatGPT skakade om teknikbranschen i slutet av 2022 har spelplanen förändrats snabbare än de flesta förutspådde. Enligt analysföretaget SemiAnalysis, rapporterar Computer Sweden, tar det numera hälften så lång tid för varje ny generation av öppna modeller att komma ikapp sin tids ledande slutna modell. Det är en remarkabel trend — och den visar inga tecken på att avta.

För den som följt branschen är det här ingen tillfällighet. Öppna modeller drar nytta av en global gemenskap av forskare och ingenjörer som itererar snabbt, delar förbättringar och bygger vidare på varandras arbete. Det är samma dynamik som en gång gjorde Linux till ryggraden i modern infrastruktur — fast i ett betydligt högre tempo.

'Öppen' är inte ett ja eller nej — det är ett spektrum

Här är det dags att bromsa och nyansera. För det är lätt att tro att alla öppna AI-modeller är likvärdiga, men så är definitivt inte fallet.

Den vanligaste varianten i företagssammanhang är modeller med öppna vikter — de matematiska parametrar som styr modellens beteende är tillgängliga för allmänheten. Företag kan ladda ned modellen, finjustera den med egna uppgifter och driftsätta den internt. Det är en konkret och värdefull frihet.

Men — och det här är viktigt — öppna vikter betyder inte öppen källkod i ordets fulla bemärkelse. Träningsdata och underliggande källkod är ofta fortfarande dolda. Organisationen Open Source Initiative är tydlig på den punkten: för att en modell verkligen ska kunna kallas äkta öppen källkod krävs att även träningsdata och teknisk dokumentation är fritt tillgängliga.

Praktiskt innebär det att du som verksamhet kan anpassa en modell med öppna vikter — men du kan inte fullt ut granska hur den ursprungligen tränades, vilka värderingar som kodades in, eller vilken data som formade dess grundläggande beteende. Det är en betydelsefull begränsning, särskilt ur ett gransknings- och tillförlitlighetsperspektiv.

Varför väljer ändå så många företag öppna modeller?

Nvidias vd Jensen Huang lyfte nyligen fram det Huang kallar den avgörande fördelen med öppna vikter: organisationer kan kontrollera sina egna uppgifter, granska modellerna i tillräcklig utsträckning och anpassa dem efter verksamhetens specifika behov.

Det är ett argument som landar väl hos många svenska företag — och med rätta. Slutna tjänster som ChatGPT, Gemini och Claude är kraftfulla, men de för med sig en rad beroendeförhållanden: du har begränsad insyn i hur din data hanteras, du är beroende av leverantörens prismodell och du kan inte anpassa modellens kärnbeteende på djupet.

För verksamheter med känsliga uppgifter — vård, juridik, finans, offentlig sektor — kan möjligheten att driftsätta en modell helt på egen infrastruktur vara avgörande. Inte minst ur ett dataskyddsperspektiv, där den europeiska lagstiftningen ställer höga krav.

Fyra frågor svenska verksamheter bör ställa

När du utvärderar en AI-plattform — öppen eller sluten — föreslår jag att du ställer åtminstone dessa frågor:

1. Vad är faktiskt tillgängligt? Är det enbart vikterna, eller även träningsdata och källkod?
2. Var hanteras uppgifterna? Kan du driftsätta modellen på din egen infrastruktur eller i en europeisk molntjänst?
3. Vilka licensvillkor gäller? Flera populära modeller med 'öppna' vikter har kommersiella begränsningar som kan påverka din användning.
4. Hur ser granskningsbarheten ut? Kan du verifiera modellens beteende tillräckligt för din verksamhets krav på tillförlitlighet?

Öppen eller sluten är alltså inte den enda dimensionen att välja längs. Det handlar om en hel uppsättning avvägningar — och ju mer du förstår spektrumet, desto bättre rustad är du att göra ett välgrundat val.