Regelgeving
Anysphere overweegt Cursor af te halen van Chinese open-weightmodellen

Belangrijkste puntenDe verkennende uitfasering door Anysphere signaleert dat geopolitiek risico nu de…
Meer weergeven
- De verkennende uitfasering door Anysphere signaleert dat geopolitiek risico nu de leveringsbeslissingen van AI-codeerplatforms vormgeeft.
- Composer 2 was gebouwd op een Moonshot AI-basis die publiekelijk alleen door een onafhankelijke ontwikkelaar werd geïdentificeerd.
- Het verwijderen van Chinese open-weight-modellen voordat betrouwbare alternatieven bestaan, kan de kosten verhogen en de markt concentreren.
Anysphere, de ontwikkelaar van het AI-codeerplatform Cursor, heeft onderzoekers van het Huis van Afgevaardigden verteld dat het vanwege geopolitieke risico’s wil onderzoeken of het Chinese open-weight-AI-modellen geleidelijk kan uitfaseren, volgens een gezamenlijk congresrapport dat op 20 november 2026 is gepubliceerd.
Dit is een verkennend plan, geen voltooide uitfasering, en de commissies hebben geen definitief besluit of tijdschema bekendgemaakt. De House Committee on Homeland Security en de House Select Committee on China publiceerden hun bevindingen na een onderzoek dat in april 2026 begon en op 31 juli 2026 werd uitgebreid van Airbnb en Anysphere naar DoorDash.
Bij open-weightmodellen kunnen de getrainde parameters worden gedownload, uitgevoerd en aangepast zonder tussenkomst van de oorspronkelijke ontwikkelaar. Daardoor kunnen afgeleide modellen zich verspreiden zonder een doorlopende commerciële relatie. Volgens de commissies was Composer 2, het eigen vlaggenschipmodel van Cursor, gebaseerd op een model van Moonshot AI. De identiteit van dat basismodel werd pas openbaar nadat een onafhankelijke ontwikkelaar die had vastgesteld.
In het technische rapport van Cursor wordt Kimi K2.5 genoemd als dat basismodel. Composer 2 werd verder voorgetraind met een gegevensmix die zwaar op code was gericht, gevolgd door grootschalige reinforcement learning in realistische Cursor-sessies, met dezelfde tools en testopzet als het ingezette model.
Waarom Chinese modellen ingeburgerd raakten
Airbnb meldde dat aangepaste versies van Alibaba’s Qwen-modellen een AI-assistent ondersteunen die dagelijks ongeveer 80.000 interacties met gasten en hosts afhandelt. Daarnaast is er een fijn afgestemd model dat dagelijks ongeveer 250.000 ondersteuningsgevallen en telefoongesprekken samenvat. Beide draaien op infrastructuur van dienstverleners in de VS.
DoorDash meldde dat het 25 Chinese modelfamilies had goedgekeurd en op substantiële wijze had ingezet, wat wordt gedefinieerd als minstens $5,000 aan reken- en gebruikskosten. Het bedrijf schatte dat het vervangen van één in China ontwikkeld model dat in een groter systeem is ingebed tot zes maanden kan duren, hoewel de meeste andere toepassingen vrijwel onmiddellijk konden worden overgezet.
De commissies wezen op kosten, maatwerk en prestaties die dicht bij het technologische front liggen als drijfveren voor de invoering. Ook constateerden ze dat de Verenigde Staten geen concurrerend open-weightalternatief hebben voor de prijs en prestaties waar de markt om vraagt.
In het rapport worden de gepubliceerde API-prijzen vergeleken voor één miljoen invoertokens en één miljoen uitvoertokens (kleine woord- en tekenonderdelen waarmee het modelgebruik wordt gemeten):
| Model | Ontwikkelaar | Geschatte kosten |
|---|---|---|
| Qwen3-235B-A22B-Instruct | Alibaba | $1.15 |
| DeepSeek-R1 | DeepSeek | $2.74 |
| Kimi K2.6 | Moonshot AI | $4.95 |
| Claude Opus 4.8 | Anthropic | $30 |
| GPT-5.5 | OpenAI | $35 |
Bij deze cijfers is geen rekening gehouden met verschillen in mogelijkheden, caching, kortingen voor batchverwerking, promoties of kosten van zelfhosting. Ze illustreren de prijsdruk die de invoering stimuleert. Open weights stellen bedrijven bovendien in staat modellen op hun eigen gegevens af te stemmen en ze in te zetten op infrastructuur waarover ze zelf de controle hebben.
De veiligheidskwestie staat los van de locatie waar de modellen worden gehost. Door modellen op infrastructuur in de VS te draaien, wordt rechtstreekse blootstelling van gegevens beperkt, maar volgens het rapport verandert dat niets aan de manier waarop het onderliggende model is getraind of aan het gedrag dat het kan vertonen onder omstandigheden die bij reguliere evaluaties buiten beeld blijven.
Voorgestelde beperkingen en risico’s bij vervanging
De 12 aanbevelingen in het rapport leggen op zichzelf geen beperkingen op. Ze zouden voortbouwen op een bevel van het Department of Homeland Security dat DeepSeek-producten en -diensten uitsluit van federale civiele aanbestedingen en verwijdering ervan uit systemen van overheidsinstanties vereist, met inbegrip van producten van derden die op DeepSeek zijn gebaseerd. De voorzitters bevelen aan deze beperkingen uit te breiden naar andere in China ontwikkelde modellen en afgeleide modellen daarvan in alle federale informatiesystemen en bij werk in het kader van federale contracten, met beperkte ontheffingen voor onderzoek, tests en defensieve beveiliging. Ook bevelen ze aan die modellen en afgeleide modellen te weren uit nauwkeurig afgebakende, risicovolle functies van kritieke infrastructuur. De planning voor verwijdering zou worden gekoppeld aan de beschikbaarheid van betrouwbare alternatieven, met tijdelijke uitzonderingen wanneer er geen betrouwbaar alternatief bestaat.
Om de regels handhaafbaar te maken, zouden een standaard voor de herkomst van modellen, onder leiding van het National Institute of Standards and Technology, en een machineleesbare stuklijst voor AI de basismodellen, belangrijke fine-tuning en bronnen voor distillatie documenteren. De vereiste zou gelden voor federale opdrachtnemers en voor AI die wordt gebruikt in risicovolle functies van kritieke infrastructuur; elders zou ze vrijwillig zijn. Een nationaal Amerikaans initiatief voor open-weight-AI zou publieke computerbronnen, gedeelde evaluatie-infrastructuur, vrijwillige licentieverlening van resultaten van Amerikaanse frontiermodellen aan gekwalificeerde ontwikkelaars van open-weightmodellen voor training, en een gegarandeerde federale basisvraag combineren.
De commissies waarschuwen dat het verwijderen van Chinese modellen voordat er betrouwbare open-weightalternatieven bestaan, de kosten kan opdrijven en de markt kan concentreren bij gesloten, propriëtaire aanbieders. Het verkennende plan van Anysphere illustreert daarom de bredere uitdaging bij de uitvoering: beperkingen vereisen betrouwbare herkomstregistraties om ingebedde modellen op te sporen en geloofwaardige alternatieven om te voorkomen dat Chinese open weights worden ingeruild voor hogere kosten of afhankelijkheid van gesloten modellen.












