Het nummer één platform voor cybersecurity in Nederland

Beheer en risico's van open-weight AI in organisaties

4 min lezen

Steeds meer organisaties gebruiken open-weight AI, maar missen vaak duidelijke governance en veiligheidsmaatregelen voor deze modellen.

Open-weight AI wint snel terrein in het bedrijfsleven. Volgens schattingen draaide in september 2026 al 42% van de ondervraagde ondernemingen open-weight modellen in productie, een stijging ten opzichte van 31% twee maanden eerder. Het gebruik van zulke modellen brengt echter ook verantwoordelijkheden met zich mee die normaal door een provider worden beheerd, terwijl veel organisaties nog geen duidelijke eigenaarschap en controles hebben ingesteld.

Het verschil tussen het huren van AI-capaciteit en het zelf draaien van een open-weight model is fundamenteel. Bij gebruik via een provider wordt het model en de infrastructuur beheerd door die partij, inclusief updates en veiligheidsmaatregelen. Een open-weight model daarentegen stelt organisaties in staat de parameters, oftewel de 'gewichten' van het model, te downloaden en zelf te draaien op eigen infrastructuur. Dit maakt maatwerk mogelijk, maar brengt ook kosten en risico's met zich mee. Hoewel open-weight modellen steeds beter worden, lopen ze volgens inschattingen nog ongeveer vier maanden achter op de meest geavanceerde modellen. Open-weight betekent bovendien niet automatisch open-source; toegang tot de gewichten garandeert geen toegang tot de trainingscode of de details van de trainingsdata.

De voordelen van open-weight AI botsen soms met risico's. Zo kan een bankanalist die een provider-gehost model gebruikt voor het samenvatten van een leningaanvraag, te maken krijgen met datadeling buiten de eigen organisatie. Veranderingen in prijsstelling of beleid van de provider kunnen bovendien de bedrijfsvoering verstoren. Draait het model echter binnen de eigen infrastructuur, dan blijft gevoelige data binnen de organisatie en kunnen eigen toegangscontroles worden toegepast. Toch zijn er ook risico's bij open-weight modellen die makkelijk over het hoofd worden gezien. Sommige modelbestanden kunnen kwaadaardige code bevatten of verborgen gedrag activeren bij specifieke input. Daarnaast kan een model op een publieke repository zijn aangepast zonder transparantie over de wijzigingen, wat kan leiden tot achterdeurtjes of zwakke veiligheidsregels. Updates worden niet automatisch doorgevoerd, waardoor organisaties zelf verantwoordelijk zijn voor het bijhouden, testen en implementeren van nieuwe versies. Het zelf draaien van modellen vergroot ook het aanvalsoppervlak, omdat er extra IT-assets zoals servers en GPU’s nodig zijn die beveiligd moeten worden.

Om deze risico's te beheersen, is het essentieel dat governance gelijktijdig met de implementatie van open-weight AI wordt ingericht. Organisaties dienen een vaste reviewcyclus in te stellen voor updates en beveiligingsmeldingen, met duidelijke goedkeuringsprocessen voor nieuwe versies. Elk model moet een eigenaar krijgen die verantwoordelijk is voor het gebruik, de updates en incidenten. Daarnaast is het belangrijk om de herkomst, versie, licentie en aanpassingen van elk model vast te leggen, inclusief een unieke bestands-hash die veranderingen detecteert. Teams moeten toegang krijgen tot een interne goedgekeurde repository waar modellen gecontroleerd kunnen worden op bron en integriteit. De richtlijn hierbij is ‘vertrouwen na testen’ om de veiligheid en betrouwbaarheid van open-weight AI binnen organisaties te waarborgen.

Gepubliceerd op 19 nov 2026

Reacties

Reageer als eerste

Je e-mailadres wordt niet gepubliceerd.

Premium partners

  • Normity
  • CertificeerWijzer
  • DeepCalls
  • Edufort
  • BrightSecurity
  • Vallem
  • Brandaris Cybersecurity
  • Normec Certification B.V.
  • Afier
  • Normec Certification Institute (NCI)