Nova faza otvorenih modela
U proljeće 2026. generativna umjetna inteligencija ulazi u novu fazu. Gotovo svaki tjedan pojavljuje se novi veliki jezični model, a posebno se ističe eksplozija otvorenih ili „open‑weight” modela. Riječ je o sustavima čije su težine javno dostupne za preuzimanje, prilagodbu i lokalno pokretanje, bez obvezne ovisnosti o jednom komercijalnom API‑ju.
Modeli poput Gemma 4, Qwen 3 ili GLM‑5.1 pokazuju da open‑weight više nisu samo jeftina alternativa zatvorenim rješenjima. U mnogim zadacima postižu performanse usporedive s vrhunskim komercijalnim modelima, uz nekoliko ključnih prednosti: veću kontrolu nad podacima, predvidljivije troškove i mogućnost duboke prilagodbe specifičnim domenama.
Za europske tvrtke, javni sektor i istraživačke institucije to otvara prostor za stvaranje vlastite, „suverene” AI infrastrukture. No istovremeno dolaze i nova pravila igre, prije svega kroz EU AI Act, koji uvodi posebne obveze za general‑purpose modele, bez obzira jesu li otvoreni ili zatvoreni.
Što zapravo znači open‑weight LLM?
Open‑weight model nije nužno i potpuno otvoren u klasičnom open‑source smislu. Ključna razlika je u tome da su težine modela dostupne za preuzimanje i pokretanje na vlastitoj infrastrukturi. No licenca može biti restriktivna, primjerice ograničavati komercijalnu uporabu ili zahtijevati dodatne ugovore za određene domene.
Tehničke prednosti otvorenih težina
- Lokalno pokretanje: modeli se mogu izvršavati na vlastitim GPU klasterima, u privatnim cloud okruženjima ili na edge uređajima, bez slanja podataka izvan organizacije.
- Prilagodba i fino podešavanje: mogućnost treniranja na vlastitim datasetovima, uključujući specijalizirane domene poput medicine, prava, energetike ili proizvodnje.
- Optimizacija inferencije: timovi mogu prilagoditi kvantizaciju, kompresiju i arhitekturu inferencijskih servisa kako bi smanjili latenciju i trošak po upitu.
- Integracija s postojećom infrastrukturom: modeli se povezuju s postojećim sustavima za autentikaciju, logiranje, nadzor i upravljanje podacima.
Za razliku od isključivo API‑temeljenih rješenja, open‑weight pristup omogućuje potpunu kontrolu nad cjelokupnim lancem obrade – od ingestije podataka do generiranja odgovora.
Europska perspektiva: suverenost podataka i lokalna infrastruktura
Europa već godinama naglašava važnost digitalnog suvereniteta. U području AI‑a to znači kontrolu nad podacima, modelima i infrastrukturom, uz poštivanje strogih pravila zaštite privatnosti i sigurnosti.
Zašto su otvoreni modeli ključni za Europu
- Podaci ostaju u EU‑u: organizacije mogu trenirati i pokretati modele u europskim podatkovnim centrima, pod jurisdikcijom EU‑a i u skladu s GDPR‑om.
- Lokalna prilagodba jeziku i kontekstu: open‑weight modeli se lakše prilagođavaju manjim jezicima i specifičnim pravnim ili administrativnim okvirima, što je ključno za hrvatski, slovenski ili baltičke jezike.
- Neovisnost o pojedinom dobavljaču: smanjuje se rizik od zaključavanja na jednog pružatelja usluge i iznenadnih promjena cijena ili uvjeta korištenja API‑ja.
- Razvoj lokalnog ekosustava: potiče se razvoj europskih platformi za treniranje, inferenciju i orkestraciju modela, kao i specijaliziranih integratora.
Primjeri iz prakse uključuju nacionalne jezične modele za javnu upravu, interne pravne asistente u bankama ili medicinske pomoćnike u bolnicama, gdje je neprihvatljivo slati osjetljive zapise na servere izvan EU‑a.
EU AI Act: nova pravila za general‑purpose i otvorene modele
EU AI Act uvodi kategoriju general‑purpose AI (GPAI) modela, u koju spadaju i većina velikih jezičnih modela. Otvorenost težina ne oslobađa proizvođače i korisnike od odgovornosti, već donosi specifične obveze.
Ključne obveze za GPAI modele
- Tehnička dokumentacija: detaljan opis arhitekture, trening postupka, korištenih datasetova (barem na razini kategorija) i poznatih ograničenja modela.
- Procjena i upravljanje rizicima: analiza mogućih štetnih upotreba, poput generiranja dezinformacija, diskriminatornih odluka ili povrede autorskih prava.
- Transparentnost prema korisnicima: jasne informacije o sposobnostima i ograničenjima modela, uključujući tipične pogreške i sklonost halucinacijama.
- Praćenje performansi: kontinuirano testiranje i evaluacija, posebno za modele koji se koriste u visokorizičnim područjima.
Za organizacije koje koriste open‑weight modele to znači da moraju razumjeti ne samo tehničke karakteristike, već i pravni status modela: pod koju licencu spada, tko je formalni „provider” u smislu AI Acta i koje obveze time preuzimaju.
Otvorenost vs. odgovornost
Otvaranje težina ne znači i prebacivanje odgovornosti na zajednicu. Ako tvrtka preuzme open‑weight model, fino ga podesi na svojim podacima i ponudi kao uslugu trećim stranama, ona u mnogim slučajevima postaje pružatelj AI sustava u smislu AI Acta. To povlači obveze oko dokumentacije, nadzora i upravljanja rizicima, osobito ako se sustav koristi u sektorima poput zdravstva, financija ili zapošljavanja.
Hibridni pristup: kombinacija zatvorenih i otvorenih modela
U praksi se u Europi sve više etablira hibridni pristup. Umjesto izbora „ili–ili”, organizacije kombiniraju zatvorene i otvorene modele ovisno o vrsti zadatka, osjetljivosti podataka i zahtjevima performansi.
Tipična arhitektura hibridnog sustava
- Vrhunski zatvoreni model (putem API‑ja) za kompleksno rezoniranje, višekoračne zadatke, kreativno pisanje i multimodalne interakcije.
- Jedan ili više open‑weight modela koji se pokreću na vlastitim serverima ili u europskim cloudovima, za zadatke koji uključuju osjetljive podatke, rad u offline okruženjima ili stroge zahtjeve privatnosti.
- Orkestracijski sloj koji odlučuje koji će se model pozvati za pojedini upit, uzimajući u obzir vrstu podataka, procijenjeni rizik i cijenu po upitu.
Primjerice, chatbot za korisničku podršku može koristiti zatvoreni model za generiranje općih odgovora i obradu složenih upita, dok se interni dokumenti, ugovori ili medicinski zapisi obrađuju isključivo kroz open‑weight model koji se izvršava unutar privatne mreže.
Prednosti hibridnog pristupa
- Optimizacija troškova: skupi API pozivi rezervirani su za situacije kada su stvarno potrebni, dok većinu volumena obrađuju lokalni modeli.
- Smanjenje rizika: osjetljivi podaci nikada ne napuštaju kontrolirano okruženje, što olakšava usklađenost s GDPR‑om i internim sigurnosnim politikama.
- Fleksibilnost: organizacije mogu relativno brzo zamijeniti modele, dodavati nove specijalizirane modele ili mijenjati konfiguraciju bez velikih promjena u aplikacijama.
Kako birati open‑weight model u praksi
Za timove koji tek ulaze u područje AI‑a, izbor modela često je zbunjujući. Umjesto da se vode samo benchmark rezultatima, korisno je postaviti nekoliko konkretnih kriterija.
Ključna pitanja pri odabiru
- Gdje se podaci obrađuju? Može li se model pokrenuti u podatkovnim centrima unutar EU‑a, na postojećim GPU klasterima ili u privatnom oblaku?
- Kakva je licenca? Dopušta li komercijalnu uporabu, postoje li ograničenja po sektorima, zahtijeva li atribuciju ili dodatne ugovore?
- Postoji li podrška za fino podešavanje? Jesu li dostupni alati i primjeri za treniranje na vlastitim datasetovima, te je li licencom pokriven takav oblik prilagodbe?
- Kako se model uklapa u AI Act? Spada li u kategoriju GPAI modela, postoje li već pripremljeni dokumentacijski paketi i smjernice za usklađenost?
- Ekosustav i zajednica Postoje li aktivni projekti, alati za inferenciju, optimizirane verzije za različite hardverske platforme i iskustva drugih korisnika?
U ranoj fazi mnoge organizacije počinju s manjim, ekonomičnim modelima za interne prototipove, a zatim postupno prelaze na veće modele ili specijalizirane varijante kako se slučajevi uporabe kristaliziraju.
Nove uloge: spoj tehnike i regulative
Širenje open‑weight modela i dolazak AI Acta potiču nastanak novih uloga u organizacijama. Tehnološke i pravne kompetencije sve se više isprepliću.
Ključni profili u nadolazećim godinama
- Inženjer za optimizaciju inferencije: fokusiran na performanse modela u produkciji, kvantizaciju, skaliranje i integraciju s postojećim sustavima.
- Stručnjak za usklađenost AI sustava: razumije AI Act, GDPR i sektorske regulative; surađuje s razvojnih timovima na dizajnu sustava koji su usklađeni od samog početka.
- Data steward / upravitelj podataka: definira pravila za prikupljanje, anotiranje i korištenje datasetova za treniranje, uz jasne politike zadržavanja i pseudonimizacije.
- AI produkt menadžer: prevodi poslovne ciljeve u konkretne AI funkcionalnosti, bira kombinaciju otvorenih i zatvorenih modela te upravlja životnim ciklusom AI proizvoda.
Organizacije koje rano uspostave suradnju između tih uloga imaju veću šansu da izbjegnu skupe kasnije preinake i regulatorne rizike.
Strategijska pitanja za europske aktere
Nova generacija open‑weight modela mijenja ravnotežu snaga u globalnoj AI utrci. Europa više nije osuđena na uvoz zatvorenih modela iz SAD‑a ili Kine, već može graditi vlastite, konkurentne i lokalno prilagođene AI proizvode.
Što odlučivati danas, a što kasnije?
- Danas: definirati politiku podataka (što smije napustiti organizaciju, što ne), usvojiti osnovne smjernice za korištenje otvorenih modela i započeti s pilot‑projektima u kontroliranim okruženjima.
- U sljedećih 12–24 mjeseca: standardizirati orkestracijski sloj za rad s više modela, uspostaviti formalne procese procjene rizika i dokumentacije u skladu s AI Actom.
- Dugoročno: ulagati u vlastite domenske modele, sudjelovati u europskim inicijativama za zajedničke datasetove i razvijati interne kompetencije za treniranje i održavanje modela.
Pitanje više nije treba li koristiti otvorene modele, nego kako ih strateški uklopiti u poslovanje. Oni koji uspiju uskladiti tehničke odluke s regulativom, uz jasnu viziju privatnosti, sigurnosti i održivosti, imat će realnu priliku konkurirati i izvan europskog tržišta.
