GazdaságSzerző: portfolio 2026. 08. 30. 5 percnyi olvasás
A generatív mesterséges intelligencia piacán kirobbant nyílt vs. zárt architektúrás háború már régen nem csupán szoftverfejlesztési dogmákról szól. A kínai nyílt forráskódú/nyílt súlyú modellek jóval alacsonyabb költségszintje és térnyerése közvetlen fenyegetést jelent az amerikai tech-óriások adatközpont-beruházásainak megtérülésére, miközben a fejlesztői szféra már a nyílt és a zárt megközelítés közötti arany középutat, az „open weights”, azaz a nyílt súlyok koncepcióját kutatja.
A globális technológiai piacon kemény küzdelem folyik a fejlesztési modellek jövőjéről. 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 szigorúan védik a rendszereik mögött álló kódot és architektúrát. A másik oldalon a klasszikus nyílt forráskód (open source) hívei érvelnek amellett, hogy a teljes kódnyilvánosság elengedhetetlen a gyorsabb innovációhoz és a kibervédelmi rések hatékonyabb kiszűréséhez.
A vita hevében azonban megjelent egy köztes megközelítés: a nyílt súlyok (eredeti nevén: open weights) koncepciója.
Az MI-modellek a tudásukat a betanítás során azonosított mintázatokból nyerik, amelyeket számértékek – azaz súlyok – formájában tárolnak. Ezek a súlyok határozzák meg a rendszer alapvető működését és válaszadási mechanizmusait.
A nyílt súlyok közzététele egyfajta arany középút a nyílt és a zárt fejlesztés között, ám míg a nyílt forráskód megrögzött hívei ezt még mindig nem tartják elég bátor lépésnek, a zárt rendszerek fejlesztői a visszaélések kockázatától tartanak. A háttérben ugyanakkor komoly piaci erők mozognak: az Nvidia, a Microsoft és a Meta azért is szorgalmazza a nyíltabb struktúrákat, mert a zárt modellek dominanciájának megtörése új vállalkozások tömegének adhatna lendületet.
A különböző MI-modellekről nem önmagában a modell származási helye dönti el, hogy megfelel-e az európai szabályozásnak. Sokkal fontosabb, hogy milyen módon használják, milyen adatokat kezel, milyen jogalapon és milyen célból történik az adatkezelés.
Bizonyos szempontból a nyílt súlyú modellek akár kedvezőbb adatvédelmi megoldást is jelenthetnek, mint a zárt, kizárólag felhőből elérhető rendszerek. Ezeket ugyanis saját hardveren, akár a vállalat saját adatközpontjában is lehet futtatni. Ez jelentősen egyszerűsítheti az adatkezelés kontrollját, és bizonyos felhasználási esetekben megkönnyítheti a GDPR-nak és az EU AI Act követelményeinek való megfelelést.
Miközben az amerikai piacon az adatközpont-építésre és az infrastruktúrára szánt százmilliárd dolláros beruházási hullám dominál, a kínai MI-ipar több meghatározó szereplője stratégiai eszközként használja az open-weight modellkiadásokat, hogy ezen keresztül zárkózzon fel a globális versenyben. És a szakértők szerint mindössze néhány hónappal van lemaradva. A kínai tech-szektor szereplői, az Alibabától a Z.ai-on át a DeepSeekig, szinte valamennyi élvonalbeli MI-rendszerüket nyílt forráskódúvá tették.
Ennek a stratégiának a legújabb mérföldköve a Moonshot AI szabadon hozzáférhető, Kimi K3 névre keresztelt MI-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.
Egy ingyenes, nyílt forráskódú kínai modell megjelenése, amely felveszi a versenyt a Szilícium-völgy legértékesebb cégeinek drága rendszereivel, rávilágított a Wall Street legégetőbb dilemmájára: valóban indokoltak-e a nyugati tech-óriások gigantikus adatközpont-beruházásai, ha a piacon lényegesen alacsonyabb költségvetésből is előállíthatók azonos képességű modellek?
Egy másik kérdés, hogy a kínai open-weight modellek okozta rányomásra csökken-e az OpenAI vagy az Anthropic ára?
A kínai modellek között már most is vannak olyan megoldások, amelyek lényegesen olcsóbban használhatók, mint a legnagyobb amerikai frontier modellek, miközben bizonyos feladatokban nagyon versenyképes teljesítményt nyújtanak. Ugyanakkor az amerikai szereplők maguk is egyre szélesebb modellpalettát kínálnak: vannak kisebb, olcsóbb és gyorsabb modellek, illetve jóval drágább, nagyobb képességű modellek. Vagyis ők is erősen differenciálnak ár és teljesítmény alapján.
Ebből kifolyólag nem egyszerűen általános árcsökkentésre kell számítani. Inkább arra, hogy egyre erősebb árverseny alakul ki az egyes teljesítményszinteken, miközben a prémium modellek esetében a szolgáltatók továbbra is megpróbálhatják megfizettetni a magasabb intelligenciát, megbízhatóságot, biztonságot és vállalati szolgáltatásokat.
A nyílt forráskódú kínai modellek térnyerése és a rendkívül alacsony üzemeltetési költségek alapjaiban írják felül a vállalati IT- és digitális stratégiákat. A magyarországi vállalatok és intézményi befektetők számára ez két területen hoz közvetlen változást:
1. A vállalati MI-integráció költségeinek drasztikus csökkenése:
A hazai cégeknek már nem feltétlenül kell méregdrága, zárt felhőalapú API-előfizetésekre és változó árazású token-modellekre építeniük az MI-stratégiájukat. A szabadon elérhető és alakítható nyílt modellek bizonyos felhasználási esetekben nagyságrendekkel csökkenthetik az integrációs költségeket.
A vállalatoknak el kell gondolkodniuk azon, hogy melyik feladatra melyik AI modell gazdaságosabb. Egy egyszerű dokumentumosztályozásra vagy nagy volumenű szövegfeldolgozásra lehet, hogy egy saját infrastruktúrán futó open-weight modell adja a legjobb ár-érték arányt. Egy kritikus, komplex agentikus feladatra viszont továbbra is megérheti egy drágább frontier 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.
2. Részvénypiaci és portfólió-kockázatok átértékelése:
A hazai befektetőknek fel kell készülniük a nemzetközi technológiai szektor átárazódására. Ha az alacsonyabb költségű kínai modellek miatt a zárt szoftveróriások marzsa szűkül, és a túlzott adatközpont-kapacitások megtérülési ideje hosszab lesz, az a globális indexeken keresztül a magyar befektetési portfóliókra is hatással lesz.
Ugyanakkor a kínai modellek térnyerése sem mentes a belső feszültségektől: a globális elterjedtségből rendkívül nehéz nyereséges üzletet csinálni, mivel a nyílt rendszereket nehezebb monetizálni (ezért fordulnak egyes szereplők a tőzsdei tőkebevonás felé). A vállalati döntéshozók számára a tanulság inkább az, hogy a zárt modellek használata már nem magától értetődő alapértelmezés. Minden AI-projektnél érdemes összevetni a frontier API-k, az olcsóbb open-weight modellek és a saját infrastruktúrán futtatott megoldások teljes költségét és üzleti értékét.
A címlapkép illusztráció. Címlapkép forrása: Getty Images
Napi