LLM-portabiliteit: hoe voorkom je vastzitten aan één AI-leverancier?
Stel je voor dat je mobiele telefoonnummer alleen zou werken bij één provider, en dat je bij een overstap je hele nummer, contacten en berichtengeschiedenis kwijtraakt. Zo werkte het vroeger ook echt, totdat 'nummerbehoud' werd ingevoerd. Bij grote taalmodellen (Large Language Models, ofwel LLM's) — de AI-systemen achter chatbots als ChatGPT, Claude en Gemini — speelt een vergelijkbaar probleem. Bedrijven en ontwikkelaars bouwen apps, prompts (instructies aan de AI) en maatwerkmodellen rond één specifieke leverancier, en merken vervolgens dat overstappen naar een ander model duur, tijdrovend of zelfs onmogelijk is.
LLM-portabiliteit is de verzamelnaam voor technieken, formaten en afspraken die dit overstappen makkelijker maken. Het gaat over de vraag: kun je je AI-model, je data, je instructies en de 'gereedschappen' die je AI gebruikt, meenemen naar een ander systeem zonder helemaal opnieuw te beginnen? Net zoals een USB-C-oplader tegenwoordig op de meeste telefoons past, streeft de sector naar manieren om AI-onderdelen uitwisselbaar te maken tussen verschillende platforms en aanbieders.
Wat is het precies?
LLM-portabiliteit is geen los technisch trucje, maar een verzameling van losse problemen die allemaal met 'meeneembaarheid' te maken hebben. Het is nuttig om ze uit elkaar te trekken.
Ten eerste is er modelportabiliteit: kun je het eigenlijke model — de bestanden met 'gewichten' die bepalen hoe de AI reageert — verplaatsen naar andere hardware of software? Grote modellen worden vaak opgeslagen in specifieke bestandsformaten. Safetensors, ontwikkeld door AI-platform Hugging Face, is zo'n formaat: een veilige, uniforme manier om modelgewichten op te slaan die door vrijwel elk gangbaar AI-framework gelezen kan worden. GGUF, bedacht door ontwikkelaar Georgi Gerganov voor zijn project llama.cpp (2023), is een ander formaat, speciaal gemaakt om zware modellen ook op een gewone laptop te laten draaien via compressie ('quantisatie'). Daarnaast bestaat ONNX (Open Neural Network Exchange), een open standaard uit 2017 van onder meer Microsoft en Meta, die modellen overdraagbaar maakt tussen verschillende reken-frameworks.
Ten tweede is er API-portabiliteit. De meeste ontwikkelaars praten niet rechtstreeks met een model, maar met een API (application programming interface): een gestandaardiseerd 'loket' waar je een vraag instuurt en een antwoord terugkrijgt. Omdat OpenAI's ChatGPT-API in de praktijk de meest gebruikte werd, zijn veel concurrenten — waaronder Mistral, Groq en tal van zelf te hosten servers zoals Ollama en vLLM — hun eigen loket op dezelfde manier gaan inrichten. Dat heet 'OpenAI-compatibel'. Wie zijn software daarop bouwt, kan met een kleine aanpassing overstappen naar een ander model.
Ten derde is er context- en gereedschapsportabiliteit: de manier waarop een AI-model toegang krijgt tot externe informatie (bijvoorbeeld je agenda, een database of een zoekmachine) en tools kan aanroepen. Hiervoor introduceerde AI-bedrijf Anthropic in november 2024 het Model Context Protocol (MCP), een open standaard die vastlegt hoe een AI-assistent met externe bronnen en tools moet 'praten', ongeacht welk onderliggend model wordt gebruikt.
Tot slot is er nog promptportabiliteit: instructies die goed werken bij het ene model, werken vaak anders — of zelfs helemaal niet — bij een ander model, omdat elk model op zijn eigen manier is getraind. Dit is misschien wel het lastigste onderdeel om echt op te lossen.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is het vermijden van vendor lock-in: afhankelijkheid van één leverancier waardoor je geen onderhandelingsmacht meer hebt over prijs, privacyvoorwaarden of beschikbaarheid. Bedrijven die hun volledige klantenservice-chatbot bouwen rond één AI-aanbieder lopen risico als die aanbieder de prijzen verhoogt, de dienst verandert, of zelfs stopt.
Een tweede doel is concurrentie en innovatie stimuleren. Als overstappen makkelijk is, moeten AI-aanbieders concurreren op kwaliteit en prijs in plaats van op opsluiting van klanten. Dat is ook waarom veel onderzoekers en toezichthouders portabiliteit zien als iets dat een gezonde marktwerking in de snel groeiende AI-sector ondersteunt.
Ten derde speelt soevereiniteit en controle een rol, vooral in Europa. Organisaties en overheden willen niet afhankelijk zijn van Amerikaanse of Chinese clouddiensten voor kritieke toepassingen. Open, overdraagbare modellen die je zelf kunt hosten — zoals Llama van Meta of Mistral van het Franse Mistral AI — geven meer grip op waar data wordt verwerkt en onder welke wetgeving.
Tot slot hoopt men doorontwikkeling te versnellen: als onderzoekers modellen makkelijk kunnen uitwisselen, testen en combineren zonder telkens nieuwe technische bruggen te bouwen, gaat de wetenschappelijke vooruitgang sneller.
Voorbeelden uit de praktijk
Hugging Face Hub en Safetensors (sinds 2022): het platform Hugging Face fungeert als een soort centrale bibliotheek waar duizenden open modellen in een gestandaardiseerd formaat worden gedeeld, zodat ontwikkelaars ze met dezelfde code kunnen laden, ongeacht wie het model maakte.
GGUF en llama.cpp (2023): dankzij dit formaat kunnen modellen als Llama en Mistral in sterk gecomprimeerde vorm op consumenten-laptops draaien, via populaire toepassingen zoals Ollama en LM Studio. Dit maakte lokaal, offline AI-gebruik voor het eerst echt toegankelijk voor een breed publiek.
Model Context Protocol (MCP), Anthropic, november 2024: dit protocol werd in 2025 overgenomen door concurrenten, waaronder OpenAI, dat aankondigde MCP te ondersteunen in zijn eigen producten. Ook Google DeepMind gaf steun aan het protocol. Dat is opvallend, omdat directe concurrenten zelden dezelfde technische standaard omarmen — een teken dat de sector zelf ziet dat fragmentatie een probleem is.
LiteLLM (vanaf 2023): een open source hulpmiddel waarmee ontwikkelaars met één stuk code kunnen communiceren met meer dan honderd verschillende AI-aanbieders, doordat het al die verschillende API's vertaalt naar één gestandaardiseerde vorm.
ONNX Runtime (sinds 2017, Linux Foundation): oorspronkelijk bedacht voor 'klassieke' neurale netwerken, wordt deze standaard inmiddels ook gebruikt om taalmodellen over te zetten tussen verschillende hardwareplatforms, zoals van een Nvidia-videokaart naar een chip van een andere fabrikant.
Hoe ver is de techniek?
LLM-portabiliteit is verre van compleet. Op het niveau van bestandsformaten is er reële vooruitgang: Safetensors en GGUF worden breed ondersteund, en het overzetten van een open model tussen verschillende software-omgevingen is tegenwoordig relatief eenvoudig geworden.
Op API-niveau bestaat er in de praktijk een de-facto standaard (het OpenAI-formaat), maar dat is geen officiële, door een onafhankelijke instantie beheerde norm — het is gewoon het formaat van de marktleider, dat anderen zijn gaan kopiëren. Dat werkt vaak, maar niet altijd: nieuwe functies van het ene model (bijvoorbeeld een bepaalde manier van 'redeneren' tonen) hebben lang niet altijd een tegenhanger bij een ander model.
MCP is het jongste en meest in ontwikkeling zijnde onderdeel. Het protocol lost een reëel probleem op — elke AI-tool moest voorheen apart geprogrammeerd worden om met elke databron te praten — maar de brede adoptie dateert pas van 2025 en de standaard ontwikkelt nog volop door.
De grootste, nog onopgeloste hindernis is gesloten modellen. Bij aanbieders als OpenAI en Google is het onderliggende model zelf geen bestand dat je kunt downloaden en meenemen — je krijgt alleen toegang via hun API. Portabiliteit is dan hooguit gedeeltelijk: je kunt je vragen (prompts) en workflows overzetten, maar niet het model zelf. Ook promptportabiliteit blijft technisch een openstaand probleem: een instructie die bij het ene model perfect werkt, kan bij het andere tot merkbaar andere of slechtere resultaten leiden, en daar bestaat vooralsnog geen automatische oplossing voor.
Wie werken eraan?
Anthropic ontwikkelde en beheert het Model Context Protocol. OpenAI zette met zijn API-formaat de facto-standaard voor tekstinteractie en steunt inmiddels ook MCP. Hugging Face (met Franse en Amerikaanse wortels) beheert de belangrijkste open modellenbibliotheek en het Safetensors-formaat. Meta publiceert open modellen (de Llama-reeks) en was mede-oprichter van ONNX. Microsoft is eveneens medeoprichter van ONNX en integreert portabiliteitstechnologie in zijn Azure-cloudplatform. Google DeepMind steunt inmiddels ook MCP.
Daarnaast is er een actieve open source-gemeenschap: individuele ontwikkelaars zoals Georgi Gerganov (llama.cpp/GGUF) en projecten als vLLM en Ollama zorgen voor praktische, breed gebruikte gereedschappen zonder daarbij een enkel bedrijf te vertegenwoordigen. Het Franse Mistral AI profileert zich expliciet met open, overdraagbare modellen als tegenwicht tegen Amerikaanse cloudreuzen — mede vanuit Europese wensen rond digitale soevereiniteit. De Linux Foundation AI & Data biedt een neutraal, non-profit onderkomen voor standaarden als ONNX, zodat geen enkel bedrijf er alleen over beslist.