Törésvonal a nyílt vs. zárt forráskódú AI modellek között
(2026 augusztus)
A kínai nyílt forráskódú/nyílt súlyokkal kódolt modellek alacsonyabb költségei, térnyerése közvetlen fenyegetést jelent az amerikai tech-óriások adatközpont-beruházásainak megtérülésére. A fejlesztők már a nyílt és a zárt megközelítés közötti arany középutat, az „open weights”, azaz a nyílt súlyok koncepcióját kutatják. A globális technológiai piacon kemény küzdelem folyik a jövő fejlesztési irányairól. Az egyik oldalon a piacvezető, többnyire amerikai, zárt modellek megalkotói (mint az OpenAI és az Anthropic) állnak, akik a biztonsági kockázatokra és a hatalmas tőkeigényre hivatkozva védik a rendszereik mögött álló kódot és architektúrát. A másik oldalon a klasszikus nyílt forráskód (open source) főleg kínai hívei érvelnek amellett, hogy a teljes kódnyilvánosság elengedhetetlen a gyorsabb innovációhoz és a kibervédelmi rések hatékonyabb kiszűréséhez.
A köztes megközelítés: a nyílvános súlyozású (eredeti nevén: open weights) koncepció.
Az MI-modellek a tudásukat a betanítás során azonosított mintázatokból nyerik, amelyeket számértékek – azaz exponenciális felejtési tényezők, súlyok – formájában tárolnak. Ha nagyok, közel egységnyiek a súlyok, alig felejt a rendszer. A súlyok határozzák meg a rendszer működését és válaszadását. Zárt rendszerek esetén a súlyok teljesen rejtettek, a modell csak a megadott korlátok között használható. Nyílt súlyú modellek esetében a betanított modell paraméterei hozzáférhetőek, a modellt a felhasználók saját infrastruktúrán is futtathatják és finomhangolhatják, ami nem jelenti azt, hogy a tréningadatok vagy a teljes fejlesztési folyamat is nyilvános lenne.
A súlyok közzététele arany középút a nyílt és a zárt fejlesztés között, amit a nyílt forráskód hívei nem tartanak elég bátor lépésnek, a zárt rendszerek fejlesztői a visszaélések kockázatától tartanak. A háttérben komoly piaci erők mozognak: az Nvidia, a Microsoft és a Meta azért szorgalmazza a nyíltabb struktúrákat, mert új vállalkozások tömegének adhatna lendületet.
Az EU AI Act követelményeinek való megfelelés szempontjából a különböző AI-modellekről nem a modell származási helye dönti el, hogy megfelel-e az európai szabályozásnak. Fontosabb, hogy milyen módon használják, milyen adatokat kezel, milyen jogalapon és milyen célból történik a súlyok megválasztása. A nyílt súlyú modellek kedvezőbb adatvédelmi megoldást is jelenthetnek, mint a zárt, kizárólag felhőből elérhető rendszerek. A nyílt súlyú modelleket saját hardveren, akár a vállalat saját adatközpontjában is lehet futtatni, -ami a kínaiak fejlesztési iránya-, és ami jelentősen egyszerűsítheti az adatkezelés kontrollját, és egyes felhasználási esetekben megkönnyítheti a GDPR-nak és az EU AI Act követelményeinek való megfelelést is.
A nyílt súlyú (open-weights) és a zárt modellek közötti törésvonal öt kritikus iparági trendje:
1. A 33% vs. 4% bevételi paradoxon. Miközben az open-weights modellek hódítanak, a monetizáció komoly kihívás elé néz. Hatalmas globális használati arány: a Mozilla 2026-os jelentése szerint a világ AI-feladatait 33%-ban nyílt modellek futtatják, de a bevételeik csak a globális AI-piac bevételeinek mindössze 4%-át teszik ki. A nyílt modelleket fejlesztő cégek (különösen a kínai laborok) finanszírozása hosszú távon bizonytalan.
2. Bár a benchmarkokon a különbség közel eltűnt modellek között, a feladatok komplexitása alapján éles a határvonal.
A mindennapi, nagy volumenű feladatoknál (MMLU, kódolás) a nyílt modellek utolérték a zárt piacvezetőket. A nehezebb matematikai és tudományos teszteken (pl. FrontierMath) a zárt modellek még mindig 15–30 százalékpontos előnyt élveznek. A vállalatok 80%-a a megszokás és a garantált terméktámogatás miatt továbbra is zárt rendszerekért fizet.
3. Az önálló ágensek (Agentic AI) térhódítása. A verseny már nem a chatbotokról, hanem a teljes digitális munkaerő kiváltásáról szól. Az önálló ágensek önálló munkavégzése: az olyan nyílt forráskódú projektek, mint az OpenClaw és a Hermes Agent már nemcsak szöveget generálnak. Képesek fájlrendszereket szkennelni, és önállóan kommunikálni külső csatornákon, a vállalatok így teljesen saját kézben tarthatják az automatizált munkafolyamatokat.
4.A törésvonal nemcsak Kína és az USA között húzódik, hanem az amerikai tech-óriásokat is megosztja. Az open-weight koalíció: 2026 júliusában a Meta, a Microsoft, az Nvidia és az OpenAI közös nyílt levelet adott ki az open-weights modellek védelmében. A zárt tábor: A Google, az Anthropic, az Apple és az Amazon megtagadta az aláírást. Nemzetbiztonsági dilemma lett belőle. A vitát az amerikai kormányzat szigorítási tervei generálják, mivel a nyílt modellek könnyebben visszaélések (deepfakes, kibertámadások) eszközévé válhatnak.
5. A magyar cégek számára kulcsfontosságú pénzügyi szempont a teljes költség. és az olyan csúcsmodellek futtatásához, mint a Moonshot AI-féle Kimi K3 vagy az Nvidia Nemotron 3 Ultra, méregdrága szerverklaszterek (pl. 8 db H100-as GPU) szükségesek. Szakértői költségek is vannak, a modellek finomhangolása, karbantartása és biztonsági felügyelete komoly mérnöki kapacitást igényel. Hibrid rendszerek realitása: sok nagyvállalatnál a saját szerveres üzemeltetés végül drágábbá válhat, mint a zárt API-k használata, ha a teljes működési költséget nézzük.
A kínai nyílt-modell áttörése:
Miközben az amerikai piacon az adatközpont-építésre és az infrastruktúrára szánt százmilliárd dolláros beruházási hullám történik, a kínai AI-ipar több meghatározó szereplője stratégiai eszközként használhatja az open-weight modellkiadásokat. A szakértők szerint mindössze néhány hónappal van lemaradva Kína. A kínai tech-szektor szereplői, az Alibabától a Z.ai-on át a DeepSeekig, szinte valamennyi élvonalbeli AI-rendszerüket nyílt forráskódúvá tették. A stratégiának a legújabb mérföldköve a Moonshot AI szabadon hozzáférhető, Kimi K3 névre keresztelt AI-modellje. A fejlesztővállalat közlése szerint a Kimi K3 a világ legnagyobb nyílt forráskódú rendszere, amely több kulcsfontosságú benchmarkon megközelíti vagy bizonyos részterületeken eléri a vezető zárt modellek teljesítményét.
Miközben az amerikai piacon az adatközpont-építésre és az infrastruktúrára szánt százmilliárd dolláros beruházási hullám történik, a kínai AI-ipar több meghatározó szereplője stratégiai eszközként használhatja az open-weight modellkiadásokat. A szakértők szerint mindössze néhány hónappal van lemaradva Kína. A kínai tech-szektor szereplői, az Alibabától a Z.ai-on át a DeepSeekig, szinte valamennyi élvonalbeli AI-rendszerüket nyílt forráskódúvá tették. A stratégiának a legújabb mérföldköve a Moonshot AI szabadon hozzáférhető, Kimi K3 névre keresztelt AI-modellje. A fejlesztővállalat közlése szerint a Kimi K3 a világ legnagyobb nyílt forráskódú rendszere, amely több kulcsfontosságú benchmarkon megközelíti vagy bizonyos részterületeken eléri a vezető zárt modellek teljesítményét.
Az ingyenes, nyílt forráskódú kínai modell megjelenése, amely felveszi a versenyt a Szilícium-völgy legértékesebb cégeinek drága rendszereivel, rávilágított a Wall Street egyik legégetőbb dilemmájára: valóban indokoltak-e a nyugati tech-óriások gigantikus adatközpont-beruházásai, ha a piacon lényegesen alacsonyabb költségvetésből is előállíthatók azonos vagy közel azonos képességű modellek?
Egy másik kérdés, hogy a kínai nyílvános paraméteres modellek okozta nyomásra csökken-e az OpenAI vagy az Anthropic ára?
A kínai modellek között már most is vannak olyan megoldások, amelyek olcsóbban használhatók, mint a nagy amerikai modellek. Az amerikai fejlesztők is szélesebb modellpalettát kínálnak: vannak kisebb, olcsóbb és gyorsabb modellek, a jóval drágább, nagyobb képességű modellek mellett, erősen differenciálnak az ár és a teljesítmény alapján. Erős árverseny alakul ki az egyes teljesítményszinteken, miközben a prémium nagy modellek esetében a szolgáltatók továbbra is megpróbálhatják megfizettetni a magasabb intelligenciát, megbízhatóságot, biztonságot és vállalati szolgáltatásokat.
A nyílt forráskódú kínai modellek térnyerése és alacsony üzemeltetési költsége alapjaiban írják felül a vállalati IT- és digitális stratégiákat, ami a magyarországi vállalatok és intézményi befektetők számára két területen hoz változást: az egyik a vállalati AI-integráció költségeinek csökkenése.
A hazai cégeknek már nem kell drága, zárt felhőalapú API-előfizetésekre és változó árazású token-modellekre építeniük az AI-stratégiájukat. A szabadon elérhető és alakítható nyílt modellek sok felhasználónál csökkenthetik az integrációs költségeket. Egy saját infrastruktúrán futó open-weight modell adja valószínűleg a legjobb ár-érték arányt. Egy kritikus, komplex agentikus feladatra továbbra is megérheti egy drágább nagy modell használata. Valószínűleg egy többmodelles, hibrid világ felé haladunk.
A lényeg, hogy a vállalatnak a teljes birtoklási költséget kell néznie: a modell árát, az infrastruktúrát, az üzemeltetést, a fejlesztést, a biztonságot és a szükséges szakértelmet együtt.
A részvénypiaci és portfólió-kockázatok átértékelődnek. Ha az alacsonyabb költségű kínai modellek miatt a zárt szoftveróriások profitja szűkül, és a túlzott adatközpont-kapacitások megtérülési ideje hosszabb lesz, az a globális indexeken keresztül a magyar befektetési portfóliókra is hatással lesz. De a kínai modellek esetén a globális elterjedtségből nehéz nyereséges üzletet csinálni, mert az olcsóbb open-weight modellek és a saját infrastruktúrán futtatott megoldások teljes beruházási költségét és üzleti értékét kell tekinteni.