Thinking Machines Lab, ein Startup für künstliche Intelligenz, das von der ehemaligen OpenAI-CTO Mira Murati gegründet wurde, hat am Mittwoch, dem 15. Juli 2026, sein erstes eigenes KI-Modell namens Inkling auf den Markt gebracht. Im Gegensatz zu Lösungen von Giganten wie OpenAI, Anthropic und Google ist Inkling Open Source und ermöglicht es Entwicklern und Unternehmen, es direkt herunterzuladen und zu ändern.
Inkling ist ein „Expertenmix“-System, das über insgesamt 975 Milliarden Parameter verfügt, aber nur einen Bruchteil, etwa 41 Milliarden, für jede spezifische Aufgabe verwendet. Diese gemeinsame Architektur optimiert umfangreiche Modelle und macht sie schneller und kostengünstiger. Den Einführungsmaterialien des Unternehmens zufolge wurde das Modell mit 45 Billionen Text-, Bild-, Audio- und Video-Tokens trainiert und war in der Lage, in all diesen Modalitäten nativ zu argumentieren. Allerdings sind die Ausgaben vorerst auf Text beschränkt und umfassen Code, gestaltete Artefakte und strukturierte Daten.
Dieses Modell stellt den ersten öffentlichen Fortschritt von Thinking Machines Lab dar, nachdem es sich anderthalb Jahre lang weitgehend auf den Aufbau einer KI-Infrastruktur konzentrierte, ohne im Rampenlicht zu stehen. Ein Teil dieser Arbeit wurde bereits im Mai in einer Vorschau auf die Forschung zu „Interaktionsmodellen“ demonstriert, künstlicher Intelligenz, die im Gegensatz zu herkömmlichen Chatbots, die auf Befehle warten, dazu dient, zuzuhören, zu sprechen und sogar zu unterbrechen. Der Start von Inkling stellt die Hauptanliegen des Startups auf die Probe: dass die von Organisationen anpassbare KI die von den größten Labors verkauften standardisierten Modelle übertrifft.
Inkling ist so konzipiert, dass es genaue Antworten liefert, die eher auf Unsicherheit als auf Vermutungen schließen lassen, und es Benutzern ermöglicht, den „Denkaufwand“ so anzupassen, dass die Geschwindigkeit Vorrang hat. In einem Benchmark-Test behauptet das Unternehmen, dass Inkling ein Drittel der Token verbraucht, die Nvidias Nemotron 3 Ultra, sein Open-Source-Modell der nächsten Generation, verwendet, um die gleiche Codierungsleistung zu erreichen.
Thinking Machines behauptet nicht, dass der Inkling das beste Modell seiner Klasse sei. In ihrem jüngsten Blogbeitrag heißt es ausdrücklich, dass Inkling „nicht das stärkste derzeit verfügbare Modell ist, egal ob offen oder geschlossen“. Das klare Ziel des Unternehmens ist stattdessen eine ausgewogene und vielseitige Leistung.
Dieser Ansatz wirft die Frage auf, welche Zielgruppe innerhalb des Unternehmensmarkts Inklings wahre Zielgruppe ist. Vorerst positioniert Thinking Machines Inkling weniger als Endprodukt, sondern mehr als Ausgangspunkt, etwas, das Unternehmen durch Tinker, die Plattform zur Vorlagenanpassung des Unternehmens, verbessern können. Folglich liegt die Verantwortung für die Sicherheit von Anpassungen beim Kunden und nicht bei Thinking Machines. Es ist erwähnenswert, dass die Modellanpassung Fachkräfte mit hohen Qualifikationen im Bereich maschinelles Lernen erfordert.
OpenAI, Anthropic und Google hingegen verfolgten mit ihren jeweiligen ChatGPT, Claude und Gemini sehr unterschiedliche Strategien. Alle wurden in erster Linie als Allzweck-Chatbots konzipiert, wobei später autonome und Agentenfunktionen hinzugefügt wurden.
Als Grundlage für diesen Start diente eine Veröffentlichung von Thinking Machines aus der Vorwoche. Darin argumentierte das Unternehmen, dass künstliche Intelligenz, die zentral von einer einzelnen Organisation trainiert und auf eine feste Weise definiert wird, schlechter abschneidet als KI, die von Organisationen selbst gestaltet wird, da ein Großteil des Wissens spezifisch für die Menschen ist, die es besitzen.
Andere Argumente gegen geschlossene Modelle gewinnen an Bedeutung. In einem am Sonntag veröffentlichten Blogbeitrag warnte Satya Nadella, CEO von Microsoft, einem Unternehmen, das Milliarden in OpenAI und Anthropic investiert hat, dass Unternehmen, die proprietäre KI-Modelle verwenden, am Ende doppelt zahlen. Einmal für die Abonnementkosten und einmal durch die Bereitstellung des in ihre Eingabeaufforderungen und Korrekturen eingebetteten Geschäftswissens, das in zukünftige Versionen der Vorlagen integriert werden kann.
Clem Delangue, CEO von Hugging Face, machte letzte Woche in einem Gespräch eine ähnliche Vorhersage. Er sagte, dass hochmoderne Modelle zunehmend auf Experimente und hochwertige Aufgaben ausgerichtet sein werden, während die meisten KI-Produktionsarbeiten auf private oder Open-Source-Alternativen verlagert werden – genau die Abteilung, die Thinking Machines entwickelt.
Das stärkste Argument für den Thinking Machines-Ansatz stammt aus einem kürzlich durchgeführten Projekt mit Bridgewater Associates, dem weltweit größten Hedgefonds, der kein Thinking Machines-Investor ist. Forscher beider Unternehmen nutzten ein bestehendes Open-Source-Modell und trainierten es mit der eigenen Finanzexpertise von Bridgewater weiter. Berichten zufolge erreichte das Ergebnis bei Tests zum finanziellen Denken 84,7 % und übertraf damit die wichtigsten proprietären KI-Modelle, während der Betrieb etwa ein Vierzehntel des Wertes kostete. Es ist jedoch wichtig zu beachten, dass diese Ergebnisse aus der Bewertung der beiden Unternehmen stammen und nicht aus einer unabhängigen Analyse.
Auf jeden Fall unterstreicht Thinking Machines, wie schnell es dieses Stadium erreicht hat. OpenAI brauchte etwa fünf Jahre, um seine Technologie auf den Markt zu bringen und Einnahmen zu generieren, und Anthropic etwa drei. Thinking Machines behauptet, dasselbe in etwa neun Monaten erreicht zu haben.
Einige werden sich fragen, ob Inkling auf der Grundlage von Ergebnissen aus Wettbewerbsmodellen geschult wurde, eine Praxis, die als „Destillation“ bekannt ist und Gegenstand der Branchenbeobachtung war. Die kurze Antwort lautet laut unternehmenseigenen Unterlagen: teilweise. Thinking Machines trainierte Inkling von Grund auf vor, nutzte jedoch andere Open-Source-Modelle, darunter Kimi K2.5 von Moonshot AI, um einige seiner ersten Post-Training-Daten zu generieren, bevor das groß angelegte Reinforcement Learning die Oberhand gewann. Das Unternehmen garantiert, dass das nächste Modell eine vollständig eigenständige Nachschulung umfassen wird.
Bezüglich der Kosten war Thinking Machines zurückhaltender. Das Unternehmen ging im März eine Partnerschaft mit Nvidia ein, um ein Gigawatt Vera Rubin-Rechenleistung bereitzustellen, und schulte Inkling vollständig auf den GB300 NVL72-Systemen von Nvidia. Es wurde jedoch nicht gesagt, wie es diese Kosten decken will, und die Einnahmen hatten den meisten Analysen zufolge keine Priorität. Eine im November letzten Jahres angekündigte Spendenrunde in Höhe von 50 Milliarden US-Dollar soll im Januar ins Stocken geraten sein, und das Unternehmen hat es seitdem vermieden, sich zu seiner finanziellen Situation zu äußern. Eine damit verbundene Frage ist, ob die Ausgaben von Thinking Machines eines Tages die Größenordnung von OpenAI oder Anthropic erreichen werden oder ob sein effizienzorientierter Ansatz eine andere Wirtschaftlichkeit bedeutet. Mit anderen Worten: Bei der Wette des Unternehmens geht es möglicherweise weniger um Ausgaben wie bei seinen größeren Konkurrenten als vielmehr darum, dies nicht tun zu müssen, da die Gewichte öffentlich sind und niemand, der sie herunterlädt, Thinking Machines dafür bezahlen muss, sie auszuführen, im Gegensatz zu den Paywalls, die von OpenAI und Anthropic verkauft werden. Der Umsatz des Unternehmens muss von Tinker stammen, nicht vom Modell selbst, durch Schulung, Feinabstimmung und nun als Teil des darauf aufbauenden Hosting-Ökosystems.
Zumindest das Personal scheint stabiler zu sein. Thinking Machines beschäftigt derzeit rund 200 Mitarbeiter, ein Anstieg gegenüber den Zahlen, die nach einer Entlassungswelle Anfang des Jahres veröffentlicht wurden, darunter zwei Mitbegründer, die im Januar zu OpenAI kamen. Thinking Machines wiederum zeigt kein Interesse daran, einzelne Bewegungen hervorzuheben, wie es in den meisten Branchen üblich ist. Laut einer unternehmensinternen Quelle legt die Unternehmenskultur von Natur aus Kontinuität über die Abhängigkeit von einer Persönlichkeit. Dies ist sinnvoll, da ein Teamwechsel einen kleinen Rückschlag darstellt, wenn die Leute zunächst nie auf ein Podest gestellt wurden.
