Model-agnostische strategie: waarom bedrijven niet op één AI-model wedden
Stel je voor dat een taxibedrijf zijn hele vloot van één automerk koopt. Werkt dat merk mee aan een terugroepactie, gaat failliet of verhoogt plotseling de prijzen van onderdelen, dan staat het hele bedrijf stil. Verstandiger is het om auto's van meerdere merken te gebruiken, zodat je altijd kunt wisselen. Iets vergelijkbaars gebeurt nu in de wereld van kunstmatige intelligentie (AI). Bedrijven die AI-taalmodellen zoals ChatGPT, Claude of Gemini gebruiken in hun software, willen niet afhankelijk zijn van precies dat ene model. Ze kiezen voor een model-agnostische strategie: hun systeem is zo gebouwd dat het moeiteloos kan overstappen naar een ander AI-model, of zelfs meerdere modellen tegelijk kan gebruiken.
Het woord "agnostisch" betekent hier niet iets religieus, maar "onverschillig ten opzichte van" of "onafhankelijk van". Een model-agnostisch systeem maakt het niet uit welk AI-model er precies "onder de motorkap" draait, zolang het maar de juiste taak uitvoert. Voor gewone gebruikers van een app of dienst verandert er meestal niets zichtbaars. Achter de schermen geeft dit bedrijven echter meer vrijheid, lagere risico's en vaak ook lagere kosten, omdat ze niet vastzitten aan één techleverancier.
Wat is het precies?
Om te snappen wat model-agnostisch betekent, helpt het om te weten hoe de meeste AI-toepassingen tegenwoordig zijn opgebouwd. Een bedrijf bouwt zelden zijn eigen AI-taalmodel van de grond af — dat kost honderden miljoenen euro's aan rekenkracht en data. In plaats daarvan huurt het bedrijf toegang tot een bestaand model, bijvoorbeeld via een API (een soort digitale bestelbalie waarmee software met een AI-model kan "praten").
Bouwt een bedrijf zijn software zo dat die alleen met de API van bijvoorbeeld OpenAI kan communiceren, dan is dat systeem model-specifiek. Elke eigenaardigheid van dat ene model wordt in de code verwerkt. Wil het bedrijf later overstappen naar een ander model, dan moet het grote delen van de software herschrijven.
Bij een model-agnostische aanpak wordt er tussen de eigen software en de AI-modellen een extra laag gebouwd: een abstractielaag. Die laag vertaalt verzoeken naar het formaat dat elk specifiek model verwacht, en vertaalt de antwoorden weer terug naar een uniform formaat. Zo kan een ontwikkelaar in de eigen code gewoon "stel deze vraag aan het taalmodel" schrijven, zonder zich zorgen te maken welk merk model dat op dat moment daadwerkelijk beantwoordt.
In de praktijk gebeurt dit met gestandaardiseerde interfaces en routeersoftware. Sommige systemen kiezen automatisch het goedkoopste model voor een simpele taak en een duurder, krachtiger model voor een complexe taak. Andere systemen laten meerdere modellen dezelfde vraag beantwoorden en vergelijken de uitkomsten, om fouten (ook wel "hallucinaties" genoemd — het zelfverzekerd verzinnen van onjuiste informatie) te verminderen.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is het vermijden van vendor lock-in: de situatie waarin een bedrijf zo afhankelijk is geworden van één leverancier dat overstappen praktisch onmogelijk of extreem duur wordt. In de AI-sector is dat risico reëel, want de markt verandert snel. Prijzen van AI-modellen schommelen, nieuwe modellen verschijnen elke paar maanden die beter of goedkoper zijn, en soms verdwijnen oudere modellen helemaal (worden "uitgefaseerd").
Een tweede doel is kostenbeheersing. Niet elke taak vereist het duurste, krachtigste model. Een eenvoudige vraag beantwoorden kost met een lichter model een fractie van de prijs. Door slim te wisselen tussen modellen kunnen bedrijven flink besparen op hun AI-rekening.
Ten derde speelt betrouwbaarheid mee. Als de servers van één AI-leverancier uitvallen — wat in de praktijk voorkomt — kan een model-agnostisch systeem automatisch overschakelen naar een ander model, zodat de dienst online blijft. Dit heet redundantie.
Tot slot is er een geopolitiek en juridisch aspect. Europese bedrijven en overheden maken zich zorgen over afhankelijkheid van Amerikaanse of Chinese techbedrijven voor kritieke AI-infrastructuur, mede vanwege regelgeving zoals de Europese AI-verordening (AI Act) en discussies over dataprivacy. Model-agnostisch werken maakt het makkelijker om, indien nodig, over te stappen naar een Europees alternatief.
Voorbeelden uit de praktijk
Amazon Bedrock (gelanceerd door AWS in 2023) is een platform waarmee bedrijven via één interface toegang krijgen tot modellen van verschillende aanbieders, waaronder Anthropic, Meta, Mistral AI en Amazons eigen Titan-modellen. Klanten kunnen binnen dezelfde applicatie wisselen tussen modellen zonder hun code volledig te herschrijven.
Microsoft Azure AI Foundry (de opvolger van wat eerder Azure AI Studio heette) biedt ondernemingen een vergelijkbare "modeltuin": naast OpenAI's modellen — waar Microsoft nauw mee samenwerkt — zijn ook modellen van Meta, Mistral en andere partijen beschikbaar.
LangChain, een softwareframework dat sinds 2022 populair werd onder ontwikkelaars, is expliciet ontworpen om model-agnostisch programmeren makkelijker te maken. Ontwikkelaars schrijven hun applicatielogica los van een specifiek AI-model en kunnen met een paar regels code wisselen tussen bijvoorbeeld OpenAI, Anthropic of open-source-modellen.
OpenRouter is een dienst die als één API-poort naar tientallen verschillende AI-modellen fungeert, van grote commerciële spelers tot kleinere open-source-modellen, en zo ontwikkelaars in staat stelt per taak het meest geschikte of goedkoopste model te kiezen.
Ook grote softwarebedrijven zoals Salesforce hebben publiekelijk een model-agnostische koers aangekondigd voor hun AI-assistenten (zoals Einstein Copilot), om niet afhankelijk te zijn van één AI-leverancier bij het bedienen van miljoenen zakelijke klanten.
Hoe ver is de techniek?
Model-agnostische infrastructuur is inmiddels gangbare praktijk bij grote cloudbedrijven en veel technisch volwassen AI-startups. De basistechniek — een abstractielaag tussen applicatie en model — is niet nieuw of ingewikkeld; vergelijkbare aanpakken bestaan al decennia in andere delen van de software-industrie, bijvoorbeeld tussen software en databases.
Toch zijn er praktische obstakels. Verschillende AI-modellen reageren niet altijd identiek op dezelfde vraag, ook al is de invoer technisch gezien hetzelfde. Sommige modellen zijn beter in programmeertaken, andere in het samenvatten van tekst of in meerdere talen. Volledig "plug and play" wisselen zonder kwaliteitsverlies is daardoor niet altijd mogelijk: bedrijven moeten per model testen en soms de aansturing (de zogeheten "prompt", de instructietekst die naar het model gestuurd wordt) aanpassen.
Daarnaast verschillen AI-modellen in functies: het ene model kan bijvoorbeeld wel afbeeldingen analyseren en het andere niet, of ze verschillen in de hoeveelheid tekst die ze in één keer kunnen verwerken (het zogeheten "contextvenster"). Een volledig naadloze overstap is dus niet gegarandeerd en vereist voortdurend onderhoud van de abstractielaag naarmate modellen veranderen.
De trend gaat wel duidelijk richting meer standaardisatie. Steeds meer aanbieders volgen vergelijkbare API-formaten (vaak geïnspireerd op dat van OpenAI), wat het voor ontwikkelaars makkelijker maakt om tussen modellen te wisselen zonder alles opnieuw te bouwen.
Wie werken eraan?
De grote clouddienstverleners — Amazon (AWS), Microsoft (Azure) en Google (Google Cloud, met het platform Vertex AI) — investeren fors in model-agnostische platforms, omdat dit hen in staat stelt zowel eigen modellen als die van concurrenten aan te bieden en zo klanten aan hun cloudinfrastructuur te binden.
Gespecialiseerde softwarebedrijven zoals LangChain Inc., LlamaIndex en OpenRouter richten zich volledig op de tussenlaag zelf, los van welke cloud een bedrijf gebruikt. Ook Databricks, bekend van data-analyseplatforms, heeft met Mosaic AI een model-agnostisch aanbod ontwikkeld na de overname van het AI-bedrijf MosaicML in 2023.
In Europa zijn spelers als het Franse Mistral AI relevant: niet als bouwer van agnostische platforms, maar als een van de alternatieve modellen die bedrijven juist willen kunnen inzetten naast Amerikaanse aanbieders, mede om aan Europese regelgeving en datasoevereiniteit te voldoen. Ook onderzoeksinstituten en normeringsorganisaties, zoals groepen rond open AI-standaarden, dragen bij aan pogingen om API's tussen aanbieders beter op elkaar te laten aansluiten — al bestaat er nog geen universele, door de hele sector erkende standaard.