Een beknopt, praktisch overzicht voor ondernemers en marketeers. Dit artikel legt uit wat er in het afgelopen jaar veranderde op Hugging Face, waarom het belangrijk is voor jouw organisatie en welke concrete keuzes je vandaag kunt maken. Geen hype. Alleen wat werkt en waarom.
Kernpunten in één oogopslag
Open source AI groeit snel: Hugging Face telt inmiddels 11 miljoen gebruikers, meer dan 2 miljoen publieke modellen en ruim 500.000 datasets. Dat betekent niet alleen meer interesse, maar vooral meer creatie: fijn-afstemming, adapters en applicaties nemen toe. Toch blijft gebruik geconcentreerd: 0,01% van de modellen levert bijna de helft van alle downloads. Voor jou als ondernemer is de les helder: veel keuze, maar echte aandacht concentreert zich rond een klein aantal standaarden — kies bewust en bouw waar anderen actief zijn.
Groei versus concentratie
Het aantal repositories, modellen en datasets is bijna verdubbeld in een jaar. Dat klinkt aantrekkelijk, maar de werkelijkheid is dubbel: ongeveer de helft van de modellen krijgt minder dan 200 downloads. Dat betekent dat veel releases weinig impact hebben. Voor marketing en productontwikkeling is relevant dat zichtbaarheid en hergebruik schaarser zijn dan de ruwe aantallen suggereren. Investeer waar community-engagement zichtbaar is en kies modellen met aantoonbare downstream-bruikbaarheid, niet alleen met veel sterren.
Open source in concurrentie — wie doet wat
Meer bedrijven gebruiken open modellen als basis. Meer dan 30% van de Fortune 500 heeft geverifieerde accounts op Hugging Face. Startups nemen open weights vaak als default, en IDE's zoals VSCode ondersteunen open en gesloten modellen naast elkaar. Grote spelers voegen meer repositories toe; NVIDIA steekt in bijdragen en tooling. De zakelijke les: open modellen verlagen toetredingsdrempels en maken aanpassing goedkoper, omdat je niet van één cloudleverancier afhankelijk bent. Dat betekent: je productroadmap kan sneller itereren als je open keuzes slim inzet, maar je moet ook plannen voor onderhoud en security van afgeleide artefacten.
De geografische verschuiving — China, VS en het middenveld
De verspreiding van downloads en releases is veranderd: China heeft de Verenigde Staten in sommige maandelijkse statistieken ingehaald en is verantwoordelijk voor een groot deel van nieuwe, snel-adoptieve modellen. Tegelijkertijd groeit het aandeel individuele ontwikkelaars: onafhankelijke bijdragers stegen van 17% naar 39% van alle downloads. Voor Nederlandse en Europese bedrijven is dat relevant omdat keuze van model vaak samenhangt met taal, juridische kaders en lokale infrastructuur. Zoek modellen die aansluiten op je markt — lokale of regionaal getrainde gewichten werken doorgaans beter voor niet‑Engelstalige toepassingen en maken naleving makkelijker.
Welke modellen en papers trekken aandacht
De modellen die het meeste 'like'-aandacht krijgen verschuiven van Amerikaanse families naar een internationaler plaatje, met Chinese modellen als DeepSeek-R1 bovenaan. Wetenschappelijke bijdragen blijven vooral van grote labs, vaak uit China en de VS. Dat betekent voor jou: aandacht en reputatie concentreren zich nog steeds bij organisaties met zichtbare onderzoeksoutput. Gebruik die signalen als filter — likes en upvotes zijn geen gebruiksstatistiek, maar ze helpen wel om snelle consistentie en community-trust te herkennen.
Afgeleide modellen en adoptiepatronen
Afgeleide modellen (fine-tunes, merges, adapters) zijn de motor van adoptie. Alibaba heeft bijvoorbeeld meer derivative modellen dan Google en Meta bij elkaar. Voor productteams is dit goed nieuws: je hoeft niet altijd bij het beste basismodel te beginnen; vaak volstaat een slimme fine-tune voor jouw taak. Plan daarom tijd en budget in voor voortdurende verbetering: de meeste modellen verliezen na release snel aan zichtbaarheid. Regelmatige updates en domeinspecifieke fine-tunes houden je toepassing relevant.
Toegankelijkheid, modelgrootte en praktijkgebruik
In de praktijk domineren kleinere modellen omdat ze goedkoper en sneller uit te rollen zijn. De mediaan van gedownloade modellen ligt nog steeds onder de paar miljard parameters. Voor commerciële toepassingen betekent dit: kies modellen die passen bij je latency-, kosten- en privacy-eisen. Quantization, adapters en light-weight families maken vaak het verschil tussen een theoretisch goede en een praktisch inzetbare oplossing. Als je met beperkte hardware werkt, kijk altijd eerst naar beproefde, lichtere opties.
Compute en hardware — wat je moet weten
Ontwikkeling volgt hardwaretrends. NVIDIA blijft dominant, maar ondersteuning voor AMD en Chinese chips groeit. Sommige modellen verschijnen expliciet geoptimaliseerd voor lokale hardware, wat aantrekkelijk is voor organisaties die data niet naar buitenlandse clouds willen sturen. Voor beslissers betekent dit twee dingen: 1) houd rekening met deploykosten en beschikbare infrastructuur; 2) denk na over partnerships of investeringen in on-premise of regionale hosting als compliance of latency belangrijk zijn. Publieke financiering van data centers voor open ontwikkeling blijft een gesprek dat invloed heeft op de lange termijn.
Sub-community: robotica — snelle opkomst
Robotica is een van de snelst groeiende domeinen op Hugging Face. Aantal robotica-datasets steeg van circa 1.100 in 2024 naar bijna 27.000 in 2025. Projecten als LeRobot en RoboMIND leveren schaal en diversiteit: echte trajecten, meerdere robottypes en veel taken. Voor bedrijven in logistiek, handel of productontwikkeling betekent dit dat open datasets en community-tools rijp genoeg zijn om prototypes sneller te testen in de echte wereld. Begin klein: valideer op een smal takenpakket, bouw iteratief en gebruik de community als testbed.
Sub-community: AI voor wetenschap — samenwerking op schaal
Wetenschappelijke toepassingen — zoals eiwitvouwing en materiaalkunde — gebruiken open modellen en datasets steeds vaker. Hier zien we veel samenwerkingen over instellingen heen. Voor bedrijven in gezondheidszorg of industrieel onderzoek biedt dat kansen: open projecten versnellen literatuuronderzoek en hypothesetesten, wat tijd en kosten bespaart. Toch blijft direct experimenteren vaak institutioneel en gereguleerd. Gebruik open bronnen primair voor onderzoek en validatie, en schakel experts in voor klinische of gereguleerde stappen.
Wat dit concreet betekent voor ondernemen en marketing
Open source AI is geen abstract thema meer; het is een praktisch instrument dat je product en marketing kan versnellen. Begin met drie acties: 1) kaart je use cases en kies modellen die functioneel en economisch passen; 2) reserveer capaciteit voor fine-tuning en onderhoud — een model is geen eenmalige aankoop; 3) kies partners voor hosting en compliance, zeker als data lokaal moet blijven. Communiceer intern dat open niet automatisch gratis of zonder risico is: het vergt beheer, maar levert flexibiliteit en vaak lagere totale kosten voor maatwerk.
Vooruitblik: waar je op moet letten in 2026
De geografische competitie blijft belangrijk: Westerse alternatieven proberen marktaandeel terug te winnen, maar Chinese modellen hebben momentum. Sub-domeinen zoals robotica en AI voor wetenschap blijven groeien en trekken investeringen. Voor jou betekent dat: wees selectief, bouw expertise in fine-tuning en deployment, en beheer risico's rond governance en privacy. Open source is niet de gemakkelijke weg — maar het is de route die flexibiliteit, aanpassing en lokale controle mogelijk maakt. Stap voor stap: valideer een proefproject, leer van de community, en schaal pas wanneer je metrics aantonen dat gebruikerswaarde duidelijk stijgt.
Slot — hoe ik je help verder te gaan
Als je dit leest en je voelt dat open modellen relevant zijn voor je product of marketing, denk klein en praktisch. Begin met één haalbaar experiment dat in een paar weken resultaat oplevert. Meet download- en gebruikscijfers, pas bij en publiceer de learnings. Als je hulp wilt bij het kiezen van een model, het opzetten van fine-tuning of het beoordelen van hostingopties, help ik je graag. Geen beloften, wel ervaring en heldere adviezen zodat je niet hoeft te gokken.