GPAI en artikel 53

Bouw je voort op GPT, Claude, Gemini, Llama of Mistral, dan is er één vraag die het waard is om goed te beantwoorden: heb je genoeg aan het model gedaan om er de aanbieder van te worden?

Voor de meeste bedrijven is het antwoord ruimschoots nee, en dat is de moeite waard om te weten, want de angst richt echte schade aan - teams begroten voor verplichtingen die ze niet hebben. Voor een minderheid is het antwoord ja, en die heeft daar meestal geen idee van, omdat wat het in gang zette een technische beslissing was die maanden vóór iemand aan regelgeving dacht werd genomen.

Waar je vrijwel zeker staat

Waar de grens werkelijk ligt

De verordening publiceert geen rekendrempel waaronder fine-tunen veilig is, wat onhandig maar niet ongebruikelijk is. Wat ze wel doet, is de status van aanbieder koppelen aan wie een model voor algemene doeleinden in de handel brengt, en een partij die een model substantieel wijzigt behandelen alsof die dat voor de gewijzigde versie heeft gedaan.

In de praktijk beslissen vier factoren het. Geen ervan is op zichzelf doorslaggevend; samen wel.

1. De omvang van de wijziging

Een paar honderd voorbeelden LoRA-fine-tuning om de toon bij te stellen is geen nieuw model. Voortgezette pre-training op miljarden tokens wel. Hoe meer rekenkracht en data ten opzichte van de oorspronkelijke trainingsrun, hoe meer je op een aanbieder lijkt.

2. Of de parameters wezenlijk zijn veranderd

Adapterlagen die de basisgewichten ongemoeid laten zitten aan het ene uiteinde. Hertraining van alle parameters aan het andere.

3. Of het taakdomein is veranderd

Dit is de factor die mensen onderschatten. Een algemeen model fine-tunen om beter te worden in je bestaande domein is verfijning. Een algemeen model nemen en er iets van maken dat een wezenlijk andere klus doet - een codemodel dat een klinische samenvatter wordt - lijkt veel meer op het creëren van een nieuw model.

4. Of het nog steeds voor algemene doeleinden is

Artikel 53 gaat over AI-modellen voor algemene doeleinden - modellen die aanzienlijke algemeenheid vertonen en een breed scala aan verschillende taken competent kunnen uitvoeren. Heb je een algemeen model versmald tot een tool met één doel, dan ben je mogelijk buiten het GPAI-terrein geraakt, ook al heb je zwaar gewijzigd. Je bent dan misschien de aanbieder van een AI-systeem, en dat is een andere vraag met andere plichten.

Wat artikel 53 daadwerkelijk vereist

Ben je GPAI-aanbieder, dan zijn er vier verplichtingen. Van toepassing sinds 2 augustus 2025, handhaafbaar sinds 2 augustus 2026.

Nog twee punten. Aanbieders van modellen die onder een vrije en opensourcelicentie zijn uitgebracht, met publiek beschikbare gewichten en architectuur, zijn vrijgesteld van de eerste twee - maar niet van het auteursrechtbeleid of de samenvatting van de trainingsdata, en helemaal niet als het model een systeemrisico oplevert. En modellen boven de drempel voor systeemrisico dragen aanvullende plichten uit artikel 55: modelevaluatie, adversarieel testen, incidentmeldingen en cyberbeveiliging. Lees je deze pagina om je positie te bepalen, dan train je geen model met systeemrisico.

De groep die het meest is blootgesteld

Niet de labs - die hebben complianceteams. Het zijn bedrijven die in 2024 of 2025 een serieuze fine-tune deden om prestatieredenen, toen aan die beslissing geen enkele regulatoire overweging vastzat, en die er sindsdien niet meer naar hebben gekeken.

Een herkenbaar voorbeeld: een team neemt een model met open gewichten, zet de pre-training voort op een groot eigen corpus om het te specialiseren, en brengt het uit binnen zijn product. Achttien maanden later was dat een substantiële wijziging, is het bedrijf aantoonbaar GPAI-aanbieder, zijn de verplichtingen handhaafbaar, en heeft niemand in het bedrijf ooit artikel 53 gelezen, omdat men zichzelf als SaaS-bedrijf ziet en niet als modelaanbieder.

Komt die vorm je bekend voor, dan is de samenvatting van de trainingsdata de verplichting om als eerste naar te kijken. Die is openbaar, dus de afwezigheid ervan is het zichtbaarst.

Twee dingen die dit niet is

Niet hetzelfde als je risiconiveau. Artikel 53 gaat over modelaanbieder zijn. Of je systeem hoog risico, beperkt risico of minimaal risico is, is een aparte vraag die via bijlage III en artikel 6(3) wordt beantwoord. Je kunt GPAI-aanbieder zijn met een systeem van minimaal risico, of downstream gebruiksverantwoordelijke met een systeem van hoog risico. Ze lopen niet gelijk op.

Niet hetzelfde als aanbieder van een AI-systeem zijn. Op grond van artikel 25 kun je de aanbieder van een AI-systeem worden door er je naam op te zetten of het beoogde doel ervan te wijzigen - zonder ook maar één modelgewicht aan te raken. Andere route, ander pakket verplichtingen. Beide kunnen tegelijk gelden.

Vier vragen om het te beslechten

1. Heb je überhaupt modelgewichten gewijzigd? Nee → je bent downstream. Klaar.
2. Zo ja, hoeveel? Adapters en kleine datasets binnen het eigen domein blijven veilig downstream. Volledige hertraining op een groot corpus niet.
3. Is het taakdomein veranderd? Een model naar een wezenlijk andere klus duwen weegt zwaar in de richting van de status van aanbieder.
4. Is het resultaat nog steeds voor algemene doeleinden? Heb je het versmald tot één taak, dan gelden de GPAI-plichten mogelijk niet - maar controleer of je nu in plaats daarvan de aanbieder van een AI-systeem bent.

Schrijf de antwoorden op met je redenering en zet er een datum bij. Kom je dicht bij de grens uit, dan is dat document wat het volgende gesprek - met een advocaat, een overnemende partij of de juridische afdeling van een zakelijke klant - kort maakt.