# Licenties van open modellen: wat mag je commercieel doen? [Naar de inhoud](#lm-inhoud)Netwerk/NL[EN](/en/)[Hubhub.llmnet.nlModellen vergelijken op taak, taal, kosten en licentie.](https://hub.llmnet.nl/)[Communitycommunity.llmnet.nlPrompttechnieken, patronen en systeemprompts.](https://community.llmnet.nl/)[APIapi.llmnet.nlLLM's robuust in software: rate limits, routing, structured output.](https://api.llmnet.nl/)[Consultancyconsultancy.llmnet.nlAI invoeren in een organisatie, van pilot tot productie.](https://consultancy.llmnet.nl/)[Nieuwsnieuws.llmnet.nlOntwikkelingen in AI, geduid voor Nederland.](https://nieuws.llmnet.nl/)[Benchmarkbenchmark.llmnet.nlZelf meten wat AI-kwaliteit is, voor jouw taken.](https://benchmark.llmnet.nl/)[Vacaturesvacatures.llmnet.nlAI-rollen, salarissen en carrièrepaden in Nederland.](https://vacatures.llmnet.nl/)[Lerenleren.llmnet.nlAI-concepten in gewoon Nederlands, van beginner tot bouwer.](https://leren.llmnet.nl/)[Gidsgids.llmnet.nlAI privé draaien op eigen Mac, pc, NAS of thuisserver.](https://gids.llmnet.nl/)[Directorydirectory.llmnet.nlHet AI-ecosysteem in kaart: tools, modellen, bedrijven.](https://directory.llmnet.nl/)[Radarradar.llmnet.nlSignalen uit X, onderzoek en communities voor indie developers.](https://radar.llmnet.nl/)[llmnet.nl — hoofdsite](https://llmnet.nl/)[](https://x.com/intent/post?url=https%3A%2F%2Fhub.llmnet.nl%2Flicenties-van-open-modellen-wat-mag-je-commercieel-doen&text=Licenties%20van%20open%20modellen%3A%20wat%20mag%20je%20commercieel%20doen%3F)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fhub.llmnet.nl%2Flicenties-van-open-modellen-wat-mag-je-commercieel-doen)[](https://www.reddit.com/submit?url=https%3A%2F%2Fhub.llmnet.nl%2Flicenties-van-open-modellen-wat-mag-je-commercieel-doen&title=Licenties%20van%20open%20modellen%3A%20wat%20mag%20je%20commercieel%20doen%3F)[](#)[](https://x.com/intent/post?url=https%3A%2F%2Fhub.llmnet.nl%2Flicenties-van-open-modellen-wat-mag-je-commercieel-doen&text=Licenties%20van%20open%20modellen%3A%20wat%20mag%20je%20commercieel%20doen%3F)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fhub.llmnet.nl%2Flicenties-van-open-modellen-wat-mag-je-commercieel-doen)[](https://www.reddit.com/submit?url=https%3A%2F%2Fhub.llmnet.nl%2Flicenties-van-open-modellen-wat-mag-je-commercieel-doen&title=Licenties%20van%20open%20modellen%3A%20wat%20mag%20je%20commercieel%20doen%3F)[](#) # Licenties van open modellen: wat mag je commercieel doen? Door Ivo Donker — samengesteld met AI-ondersteuning (Claude & Gemini) De term "open source" wordt in het AI-landschap veelvuldig gebruikt voor taalmodellen en multimodale netwerken waarvan de gewichten publiek te downloaden zijn. Toch dekt deze vlag zelden de traditionele juridische lading. Waar klassieke opensourcesoftware onder strikte definities van het Open Source Initiative (OSI) valt, hanteren aanbieders van moderne AI-modellen vaak aangepaste gebruikersovereenkomsten, gedragsclausules en distributiebeperkingen. Wie een model integreert in een commerciële SaaS-dienst, interne procesautomatisering of klantgerichte chatbot, moet exact weten welke rechten en verplichtingen van toepassing zijn. Een verkeerde aanname over modelrechten kan leiden tot verplichte hercertificering, onverwachte licentiekosten bij opschaling of zelfs een verbod op het gebruik van afgeleide datasets. Daarnaast spelen beheer en levenscyclus een doorslaggevende rol; wie wil weten hoe modelupdates en uitfaseringen contractueel worden opgevangen, kan de richtlijnen over [modelversies en het plannen van een modelmigratie](https://hub.llmnet.nl/modelversies-en-deprecatie) raadplegen. In dit artikel behandelen we de verschillende licentievormen, hun commerciële beperkingen en de technische consequenties voor productieomgevingen. ## Het onderscheid tussen open source en open weights In traditionele softwareontwikkeling biedt een opensourcelicentie (zoals MIT, BSD of GPL) volledige toegang tot de menselijk leesbare broncode. Iedereen mag de broncode inspecteren, aanpassen, compileren en commercieel exploiteren zonder functionele beperkingen op het toepassingsgebied. Bij grote taalmodellen (LLM's) ligt dit fundamenteel anders. Een neuraal netwerk bestaat uit miljarden numerieke parameters (weights), trainingsscripts, datatransformatiepijplijnen en tokenizerconfiguraties. Wanneer een organisatie alleen de modelgewichten publiceert zonder de trainingsdata, dataladingsscripts en exacte filtermethoden vrij te geven, spreekt men van open weights in plaats van strikte open source. De licentievoorwaarden die aan deze gewichten worden gekoppeld, bepalen wat een afnemer mag doen. Veel aanbieders kiezen bewust voor hybride licentievormen waarin weliswaar geen royalty's worden gevraagd, maar wel restricties worden opgelegd rond maandelijkse gebruikersaantallen, het trainen van concurrerende modellen of specifieke bedrijfstakken. Voor een gedetailleerde juridische analyse van commerciële rechten verwijzen we naar het achtergrondartikel over [commerciële gebruiksrechten en verplichtingen bij open modellen](https://hub.llmnet.nl/commerciele-gebruiksrechten-open-modellen). Het is van cruciaal belang om vooraf vast te stellen of een modelbestand onder een gestandaardiseerde softwarelicentie valt of onder een modelspecifieke licentieovereenkomst. ## Permissieve softwarelicenties: Apache 2.0 en MIT Echte permissieve licenties vormen de meest ongecompliceerde basis voor commerciële softwareontwikkeling. Modellen die zijn vrijgegeven onder Apache 2.0 (zoals diverse releases van Mistral AI, Qwen en vroege Falcon-modellen) of MIT geven ontwikkelaars maximale operationele vrijheid. Onder deze voorwaarden mag een organisatie: - Het model intern draaien op eigen servers of in een virtuele cloudomgeving; - Het model integreren in een betaalde commerciële applicatie of SaaS-dienst; - De gewichten aanpassen via full fine-tuning, LoRA of quantisatie en het resultaat intern of extern distribueren; - Inference aanbieden via een publieke of private API aan betalende eindgebruikers; - De gegenereerde data gebruiken voor interne evaluatie en het trainen van andere modellen, mits niet gebonden aan afzonderlijke platformvoorwaarden. De belangrijkste verplichting bij Apache 2.0 en MIT is attributie. Wie het originele model of een afgeleide versie herdistribueert (bijvoorbeeld door gewichten mee te leveren in downloadable software), moet de originele licentietekst, copyright-notices en eventuele NOTICE-bestanden behouden. Wordt het model louter server-side aangeroepen via een API zonder de gewichten zelf te distribueren naar de client, dan gelden de herdistributie-eisen niet voor de eindgebruiker van de interface. ## Community-licenties met drempelwaarden: Het Llama-model Sinds de introductie van Llama door Meta is er een nieuw licentiemodel populair geworden: de Community License Agreement. Deze voorwaarden zijn ontworpen om innovatie door ontwikkelaars en het mkb kosteloos mogelijk te maken, terwijl dominante technologiebedrijven worden verplicht een afzonderlijke commerciële licentie aan te vragen. De kern van deze licenties bevat twee cruciale beperkingen die een bedrijf nauwgezet moet controleren: - De MAU-drempel (Monthly Active Users): Indien een product of dienst op de datum van uitgave van het model meer dan 700 miljoen maandelijks actieve gebruikers heeft, of dit aantal tijdens de gebruiksperiode bereikt, mag het model niet zonder uitdrukkelijke schriftelijke toestemming van de licentiegever worden gebruikt. Voor de overgrote meerderheid van het bedrijfsleven vormt dit getal geen barrière, maar voor telecomproviders, grote marktplaatsen en sociale platformen vereist dit direct juridisch beraad. - Merk- en naamsvermelding: Afgeleide modellen moeten vaak verplicht de oorspronkelijke merknaam in de benaming opnemen (bijvoorbeeld "Built with Llama" of "Fine-tuned Llama"). Daarnaast vereisen dergelijke overeenkomsten strikte acceptatie van het bijbehorende Acceptable Use Policy (AUP), waarin het genereren van content voor bepaalde gereguleerde of schadelijke doeleinden contractueel wordt uitgesloten. ## Het verbod op synthetische distillatie en modelverbetering Een van de meest over het hoofd geziene valkuilen in moderne modellicenties is het verbod op modeldistillatie. Zowel commerciële API-aanbieders als bepaalde open-weight licenties verbieden gebruikers om de uitvoer van model A te gebruiken om model B te trainen, te verfijnen of te evalueren wanneer model B een concurrent is. Bij Llama-licenties is er een specifieke nuance: men mag gegenereerde data van Llama gebruiken om afgeleide versies van Llama te trainen en verbeteren, maar niet om een fundamenteel ander basismodel (zoals een eigen neuraal netwerk of een concurrerend model van een andere partij) te optimaliseren. Bij closed-source aanbieders (zoals OpenAI, Anthropic en Google) is het gebruik van API-outputs voor modeltraining contractueel doorgaans volledig uitgesloten voor concurrerende diensten. Wie modeloutput over meerdere backends bundelt of vergelijkt, kan de architectuur bekijken in de [uitleg over LLM-aggregators](https://api.llmnet.nl/aggregator-uitleg) om datastromen en licentiegrenzen te bewaken. Het onbedoeld wegschrijven van API-antwoorden naar een trainingsdataset voor interne LoRA-adapters kan immers leiden tot een schending van de licentieovereenkomst. ## Verantwoorde AI-licenties: OpenRAIL en gedragsbeperkingen Organisaties zoals BigScience (BLOOM) en Stability AI hebben het OpenRAIL-raamwerk (Responsible AI License) geïntroduceerd. OpenRAIL-licenties combineren de open beschikbaarheid van modelgewichten met juridisch bindende gebruiksbeperkingen (use restrictions). In tegenstelling tot zuivere opensourcelicenties, die volgens de OSI-filosofie geen restricties op toepassingsgebieden mogen bevatten ("geen discriminatie naar werkterrein"), verbiedt OpenRAIL expliciet de inzet voor specifieke doelen. Typische uitsluitingen omvatten: - Volledig geautomatiseerde besluitvorming in juridische, medische of financiële toewijzingsprocessen zonder menselijke tussenkomst; - Sociale kredietsystemen en biometrische surveillance in openbare ruimtes; - Generatie van medisch diagnostisch advies zonder gekwalificeerd toezicht; - Militaire toepassingen en wapenontwikkeling; - Grootschalige desinformatiecampagnes of geautomatiseerde spam. Bovendien bevat OpenRAIL een downstream-verplichting: wie een OpenRAIL-model fine-tunt of herdistribueert, is verplicht om dezelfde gebruiksbeperkingen op te leggen aan zijn eigen eindgebruikers. Dit betekent dat SaaS-aanbieders deze restricties moeten doorvertalen in hun algemene voorwaarden en gebruikersovereenkomsten. ## Multi-modale modellen en domeinspecifieke restricties Naast tekstmodellen worden gespecialiseerde modellen voor beeld, spraak en audio steeds vaker lokaal ingezet. Deze modaliteiten brengen specifieke intellectuele eigendoms- en privacyvraagstukken met zich mee die rechtstreeks invloed hebben op de toepasbaarheid. Voor audio- en spraaktoepassingen geldt dat stemkloning en trainingsdata extra juridische haken en ogen kennen; zie het overzicht over [AI voor muziek en audiomodellen](https://hub.llmnet.nl/audio-en-muziek-modellen) voor specifieke modaliteitseisen. Terwijl spraak-naar-tekstmodellen zoals Whisper onder de uiterst vrije MIT-licentie vallen, bevatten modellen voor zang- en muziekgeneratie vaak non-commerciële clausules (zoals CC-BY-NC) vanwege auteursrechtelijke claims op het onderliggende trainingsmateriaal. Let op bij Creative Commons (CC-BY-NC): Modellen die zijn gemarkeerd met "Non-Commercial" mogen op geen enkele wijze worden gebruikt voor directe of indirecte inkomstengeneratie. Dit sluit niet alleen verkoop van API-toegang uit, maar ook intern zakelijk gebruik ter ondersteuning van betaalde werknemers. ## Dataverwerking, privacy en de AVG bij lokale modellen Een veelgehoord argument voor het draaien van open-weight modellen op eigen infrastructuur is data-soevereiniteit. Omdat prompts en documenten de eigen IT-omgeving niet verlaten, vervallen bepaalde risico's rond doorgifte naar derde landen (zoals de VS). Dit ontslaat een organisatie echter niet van complianceverplichtingen. Wanneer een model persoonsgegevens verwerkt binnen een bedrijfsapplicatie, helpt de gids over [AI-modellen en privacy en AVG-compliance](https://hub.llmnet.nl/ai-modellen-en-privacy-avg-compliance) om de rol van verwerker en verwerkersovereenkomsten juridisch dicht te timmeren. Ook een lokaal open-weight model moet getoetst worden op data-minimalisatie, bewaartermijnen en het risico op het reproduceren van persoonsgegevens die tijdens de pre-training in het netwerk zijn opgeslagen. ## Vergelijkend overzicht van gangbare modellicenties Om snel inzicht te krijgen in wat wel en niet is toegestaan, toont onderstaande tabel de belangrijkste kenmerken van de meest gebruikte licentietypen voor open modellen. Licentietype | Commercieel toegestaan? | Distillatie toegestaan? | Gebruikersplafond (MAU) | Attributieplicht | Typische modellen | Apache 2.0 | Ja, onbeperkt | Ja (conform voorwaarden) | Geen | Ja (NOTICE/Licentietekst) | Mistral 7B (v0.1), Qwen 2.5 (delen), Falcon | MIT | Ja, onbeperkt | Ja | Geen | Ja (Copyright notice) | Whisper, BERT, diverse Hugging Face tools | Llama Community | Ja (onder voorwaarden) | Alleen voor Llama-derivaten | 700 miljoen MAU grens | Ja ("Built with Llama") | Llama 3, Llama 3.1, Llama 3.3 | Gemma Terms of Use | Ja (onder voorwaarden) | Beperkt conform Google AUP | Geen expliciet getal | Ja | Gemma 2, CodeGemma, RecurrentGemma | OpenRAIL-M / RAIL | Ja (met use-restrictions) | Afhankelijk van variant | Geen | Ja + downstream clausules | BLOOM, Stable Diffusion (vroegere versies) | CC-BY-NC 4.0 | Nee (strikt non-commercieel) | Nee voor commerciële doelen | N.v.t. | Ja | Onderzoeksmodellen, diverse audio/videonetwerken | ## Modelkaarten en licentieteksten valideren voor productie In de praktijk kan de licentie van een model wijzigen tussen verschillende releases van dezelfde ontwikkelaar. Zo kan een basismodel (base weights) zijn vrijgegeven onder Apache 2.0, terwijl het instructie-afgestelde model (Instruct/Chat) valt onder een restrictievere overeenkomst vanwege synthetische data die tijdens het post-training proces is gebruikt. Voor een methodische aanpak bij het controleren van documentatie biedt de handleiding over [modelkaarten en modellicenties lezen voor productie](https://hub.llmnet.nl/modelkaarten-en-licenties-lezen) praktische handvatten. Controleer altijd het bestand LICENSE of LICENSE.txt in de root van de model-repository op Hugging Face of GitHub, en vertrouw niet uitsluitend op de metadata-tags in de webinterface. ## Stappenplan voor juridisch veilige modelselectie Om verrassingen tijdens de uitrol te voorkomen, kunnen ontwikkelteams een gestructureerd validatieproces hanteren: - Verifieer de specifieke checkpoint-licentie: Controleer per individueel modelbestand (base vs. instruct vs. quantized GGUF/EXL2) welke voorwaarden gelden. Quantisaties die door de community zijn geüpload, behouden altijd de licentie van het originele basismodel. - Toets de Use-Case aan het Acceptable Use Policy: Ga na of de beoogde functionaliteit (bijv. analyse van financiële documenten of geautomatiseerde communicatie) niet botst met specifieke sectorbeperkingen in RAIL- of Community-licenties. - Breng de datastromen in kaart: Indien modeluitvoer wordt opgeslagen voor continue kwaliteitsverbetering of training van kleinere submodellen, stel dan vast of de licentiegever distillatie toestaat. - Implementeer de vereiste attributie: Zorg dat documentatie, help-secties of API-notices de vereiste bronvermeldingen bevatten conform Apache-, MIT- of Llama-richtlijnen. - Leg het besluit vast in een intern register: Documenteer de licentievorm, datum van download en toegestane gebruiksdoelen in een software bill of materials (SBOM). Door deze verificatiestappen standaard op te nemen in de ontwikkelingspijplijn, blijft de inzet van open modellen juridisch robuust, schaalbaar en toekomstbestendig.