Thinking Machines Lab, une startup d’intelligence artificielle créée par l’ancienne CTO d’OpenAI Mira Murati, a lancé mercredi 15 juillet 2026 son premier modèle d’IA propre, appelé Inkling. Contrairement aux solutions de géants comme OpenAI, Anthropic et Google, Inkling est open source, permettant aux développeurs et aux entreprises de le télécharger et de le modifier directement.
Inkling est un système « mélange d’experts » qui compte 975 milliards de paramètres au total, mais n’en utilise qu’une fraction, environ 41 milliards, pour chaque tâche spécifique. Cette architecture commune optimise les modèles étendus, les rendant plus rapides et plus rentables. Selon les documents de lancement de l’entreprise, le modèle a été formé avec 45 000 milliards de jetons texte, image, audio et vidéo, étant capable de raisonner de manière native dans toutes ces modalités. Cependant, ses sorties sont, pour l’instant, limitées au texte, couvrant le code, les artefacts stylisés et les données structurées.
Ce modèle représente la première avancée publique de Thinking Machines Lab après un an et demi consacré à la construction d’une infrastructure d’IA largement ignorée. Une partie de ce travail avait déjà été démontrée en mai, dans une avant-première de recherches sur les « modèles d’interaction », une intelligence artificielle créée pour écouter, parler et même interrompre, contrairement aux chatbots traditionnels qui attendent des commandes. Le lancement d’Inkling teste le principal pari de la startup : que l’IA adaptable par les organisations surpasse les modèles standardisés vendus par les plus grands laboratoires.
Inkling est conçu pour fournir des réponses précises, indiquant l’incertitude plutôt que les conjectures, et permet aux utilisateurs d’ajuster « l’effort de réflexion » pour donner la priorité à la vitesse. Dans un test de référence, la société affirme qu’Inkling consomme un tiers des jetons utilisés par le Nemotron 3 Ultra de Nvidia, son modèle open source de nouvelle génération, pour obtenir les mêmes performances de codage.
Thinking Machines ne prétend pas que l’Inkling est le meilleur modèle de sa catégorie. Leur article de blog le plus récent indique explicitement qu’Inkling n’est “pas le modèle le plus puissant actuellement disponible, qu’il soit ouvert ou fermé”. L’objectif clair de l’entreprise est plutôt une performance équilibrée et polyvalente.
Cette approche soulève la question de savoir quel public, au sein du marché des entreprises, est la véritable cible d’Inkling. Pour l’instant, Thinking Machines positionne Inkling moins comme un produit final que comme un point de départ, quelque chose que les organisations peuvent améliorer grâce à Tinker, la plateforme de personnalisation de modèles de l’entreprise. Par conséquent, la responsabilité de la sécurité des personnalisations incombe aux clients et non à Thinking Machines. Il convient de mentionner que la personnalisation des modèles nécessite des professionnels hautement qualifiés en apprentissage automatique.
OpenAI, Anthropic et Google ont en revanche adopté des stratégies très différentes avec leurs ChatGPT, Claude et Gemini respectifs. Tous ont été conçus pour rivaliser principalement en tant que chatbots à usage général, avec des capacités autonomes et d’agent ajoutées ultérieurement.
Une publication réalisée par Thinking Machines la semaine précédente a servi de base à ce lancement. Dans ce document, l’entreprise fait valoir que l’intelligence artificielle formée de manière centralisée par une seule organisation et définie de manière fixe est moins performante que l’IA façonnée par les organisations elles-mêmes, dans la mesure où une grande partie des connaissances est spécifique aux personnes qui les détiennent.
D’autres arguments contre les modèles fermés gagnent du terrain. Dans un article de blog publié dimanche, Satya Nadella, PDG de Microsoft, une entreprise qui a investi des milliards dans OpenAI et Anthropic, a averti que les entreprises qui utilisent des modèles d’IA propriétaires finissent par payer deux fois. Une fois pour les frais d’abonnement et encore une fois en fournissant les connaissances métier intégrées dans leurs invites et corrections, qui peuvent être intégrées dans les futures versions des modèles.
Clem Delangue, PDG de Hugging Face, a fait une prédiction similaire lors d’une conversation la semaine dernière. Il a déclaré que les modèles de pointe seront de plus en plus axés sur l’expérimentation et les tâches à forte valeur ajoutée, tandis que la plupart des travaux de production d’IA migreront vers des alternatives privées ou open source – exactement la division que Thinking Machines est en train de développer.
L’argument le plus fort en faveur de l’approche Thinking Machines est venu d’un projet récent avec Bridgewater Associates, le plus grand fonds spéculatif au monde, qui n’est pas un investisseur de Thinking Machines. Les chercheurs des deux sociétés ont pris un modèle open source existant et l’ont perfectionné grâce à l’expertise financière de Bridgewater. Le résultat, comme indiqué, a atteint 84,7 % aux tests de raisonnement financier, surpassant les principaux modèles d’IA propriétaires, tout en coûtant environ un quatorzième de la valeur de fonctionnement. Il est toutefois important de noter que ces résultats proviennent de l’évaluation des deux sociétés, et non d’une analyse indépendante.
Quoi qu’il en soit, Thinking Machines souligne la rapidité avec laquelle il est parvenu à ce stade. Il a fallu environ cinq ans à OpenAI pour commercialiser sa technologie et générer des revenus, et à Anthropic environ trois ans. Thinking Machines prétend avoir atteint le même objectif en neuf mois environ.
Certains se demanderont si Inkling a été formé sur la base des résultats des modèles concurrents, une pratique connue sous le nom de « distillation » qui a fait l’objet d’un examen minutieux de l’industrie. La réponse courte, selon les documents de l’entreprise, est : partiellement. Thinking Machines a pré-entraîné Inkling à partir de zéro, mais a utilisé d’autres modèles open source, notamment Kimi K2.5 de Moonshot AI, pour l’aider à générer certaines de ses données post-formation initiales avant que l’apprentissage par renforcement à grande échelle ne prenne le relais. Le prochain modèle, garantit l’entreprise, emploiera une post-formation entièrement autonome.
Concernant les coûts, Thinking Machines s’est montré plus réservé. La société s’est associée à Nvidia en mars pour déployer un gigawatt de puissance de calcul Vera Rubin et a entièrement formé Inkling sur les systèmes GB300 NVL72 de Nvidia. Cependant, elle n’a pas précisé comment elle envisageait de couvrir ces coûts et les revenus, selon la plupart des analyses, n’ont pas été une priorité. Une levée de fonds de 50 milliards de dollars annoncée en novembre de l’année dernière aurait été bloquée en janvier et la société a depuis lors évité de commenter sa situation financière. Une question connexe est de savoir si les dépenses de Thinking Machines atteindront un jour l’ampleur d’OpenAI ou d’Anthropic, ou si son approche axée sur l’efficacité signifie une économie différente. En d’autres termes, le pari de l’entreprise consiste peut-être moins à dépenser comme ses plus grands rivaux qu’à ne pas avoir besoin de le faire, car puisque les poids sont publics, personne qui les télécharge n’est obligé de payer des Thinking Machines pour les faire fonctionner, contrairement aux paywalls vendus par OpenAI et Anthropic. Les revenus de l’entreprise doivent provenir de Tinker, et non du modèle lui-même, via la formation, le réglage, et désormais une partie de l’écosystème d’hébergement construit autour de lui.
Le personnel, au moins, semble plus stable. Thinking Machines emploie actuellement environ 200 personnes, une augmentation par rapport aux chiffres publiés après une vague de licenciements plus tôt cette année, dont deux cofondateurs qui ont rejoint OpenAI en janvier. Thinking Machines, à son tour, ne montre aucun intérêt à mettre en évidence les mouvements individuels, comme cela est courant dans la plupart des secteurs. Selon une source interne à l’entreprise, sa culture, de par sa conception, donne la priorité à la continuité plutôt qu’à la dépendance à l’égard d’une quelconque personnalité. Cela est logique dans la mesure où changer d’équipe représente un revers mineur alors que les gens n’ont jamais été mis sur un piédestal au départ.
