A Thinking Machines Lab, startup de inteligência artificial criada pela ex-CTO da OpenAI Mira Murati, lançou na quarta-feira, 15 de julho de 2026, seu primeiro modelo de IA próprio, batizado de Inkling. Diferente das soluções de gigantes como OpenAI, Anthropic e Google, o Inkling é de código aberto, permitindo que desenvolvedores e empresas o baixem e modifiquem diretamente.
O Inkling é um sistema “mixture-of-experts” que possui 975 bilhões de parâmetros totais, mas utiliza apenas uma fração, cerca de 41 bilhões, para cada tarefa específica. Essa arquitetura comum otimiza modelos extensos, tornando-os mais rápidos e econômicos. De acordo com os materiais de lançamento da empresa, o modelo foi treinado com 45 trilhões de tokens de texto, imagem, áudio e vídeo, sendo capaz de raciocinar nativamente em todas essas modalidades. Contudo, suas saídas são, por enquanto, restritas a texto, abrangendo código, artefatos estilizados e dados estruturados.
Este modelo representa o primeiro avanço público do Thinking Machines Lab após um ano e meio focado na construção de infraestrutura de IA, em grande parte, longe dos holofotes. Parte desse trabalho já havia sido demonstrada em maio, numa prévia de pesquisa sobre “modelos de interação”, inteligências artificiais criadas para ouvir, falar e até interromper, diferentemente dos chatbots tradicionais que esperam por comandos. O lançamento do Inkling testa a principal aposta da startup: que a IA adaptável por organizações supera os modelos padronizados vendidos pelos maiores laboratórios.
O Inkling foi projetado para fornecer respostas precisas, indicando incertezas em vez de suposições, e permite aos usuários ajustar o “esforço de pensamento” para priorizar velocidade. Em um teste de referência, a companhia afirma que o Inkling consome um terço dos tokens utilizados pelo Nemotron 3 Ultra da Nvidia seu modelo de código aberto de última geração para alcançar o mesmo desempenho em codificação.
A Thinking Machines não alega que o Inkling seja o melhor modelo da categoria. A publicação mais recente em seu blog declara explicitamente que o Inkling “não é o modelo mais forte disponível atualmente, seja ele aberto ou fechado”. O objetivo evidente da empresa é, em vez disso, um desempenho equilibrado e versátil.
Essa abordagem levanta a questão de qual público, dentro do mercado corporativo, é o verdadeiro alvo do Inkling. Por enquanto, a Thinking Machines posiciona o Inkling menos como um produto final e mais como um ponto de partida, algo que as organizações podem aprimorar através do Tinker, a plataforma de personalização de modelos da empresa. Consequentemente, a responsabilidade pela segurança das customizações recai sobre os clientes, e não sobre a Thinking Machines. Vale ressaltar que a personalização de modelos exige profissionais com alta qualificação em aprendizado de máquina.
OpenAI, Anthropic e Google, por outro lado, adotaram estratégias bem distintas com seus respectivos ChatGPT, Claude e Gemini. Todos foram desenvolvidos para competir primariamente como chatbots de propósito geral, com recursos autônomos e de agente adicionados posteriormente.
Uma publicação feita pela Thinking Machines na semana anterior serviu como base para este lançamento. Nele, a empresa argumentou que a inteligência artificial treinada centralmente por uma única organização e definida de forma fixa tem um desempenho inferior à IA que é moldada pelas próprias organizações, uma vez que grande parte do conhecimento é específico das pessoas que o detêm.
Outros argumentos contra os modelos fechados estão ganhando força. Em uma postagem de blog publicada no domingo, Satya Nadella, CEO da Microsoft empresa que investiu bilhões na OpenAI e na Anthropic alertou que companhias que utilizam modelos de IA proprietários acabam pagando duas vezes. Uma vez pelos custos de assinatura e novamente ao cederem o conhecimento de negócios embutido em seus prompts e correções, que podem ser incorporados em futuras versões dos modelos.
Clem Delangue, CEO da Hugging Face, fez uma previsão semelhante em uma conversa na semana passada. Ele afirmou que os modelos de ponta serão cada vez mais direcionados para experimentação e tarefas de alto valor, enquanto a maior parte do trabalho de produção de IA migrará para alternativas privadas ou de código aberto exatamente a divisão que a Thinking Machines está desenvolvendo.
O argumento mais sólido para a abordagem da Thinking Machines veio de um projeto recente com a Bridgewater Associates, o maior fundo de hedge do mundo, que não é um investidor da Thinking Machines. Pesquisadores de ambas as empresas pegaram um modelo de código aberto existente e o treinaram adicionalmente com a expertise financeira da própria Bridgewater. O resultado, segundo divulgado, alcançou 84,7% em testes de raciocínio financeiro, superando os principais modelos de IA proprietários, enquanto custava aproximadamente um décimo quarto do valor para operar. É importante notar, contudo, que esses resultados provêm da avaliação das duas companhias, e não de uma análise independente.
De qualquer forma, a Thinking Machines destaca a rapidez com que atingiu este estágio. A OpenAI levou cerca de cinco anos para lançar sua tecnologia no mercado e gerar receita, e a Anthropic, aproximadamente três. A Thinking Machines afirma ter alcançado o mesmo em cerca de nove meses.
Alguns questionarão se o Inkling foi treinado com base em resultados de modelos de concorrentes, uma prática conhecida como “destilação” que tem sido objeto de escrutínio na indústria. A resposta curta, conforme os materiais da própria empresa, é: parcialmente. A Thinking Machines fez o pré-treinamento do Inkling do zero, mas utilizou outros modelos de código aberto incluindo o Kimi K2.5 da Moonshot AI para auxiliar na geração de parte de seus dados iniciais de pós-treinamento, antes que o aprendizado por reforço em larga escala assumisse o controle. O próximo modelo, a empresa garante, empregará um pós-treinamento totalmente autocontido.
Em relação aos custos, a Thinking Machines tem sido mais reservada. A empresa firmou uma parceria com a Nvidia em março para implantar um gigawatt de capacidade de computação Vera Rubin e treinou o Inkling inteiramente em sistemas GB300 NVL72 da Nvidia. No entanto, não informou como planeja cobrir esses custos, e a receita, segundo a maioria das análises, não tem sido uma prioridade. Uma rodada de captação de fundos de 50 bilhões de dólares, reportada em novembro do ano passado, teria estagnado em janeiro, e a empresa tem evitado comentar sobre sua situação financeira desde então. Uma questão correlata é se os gastos da Thinking Machines um dia alcançarão a escala da OpenAI ou da Anthropic, ou se sua abordagem focada em eficiência significa uma economia diferente. Em outras palavras, a aposta da empresa pode ser menos sobre gastar como seus rivais maiores e mais sobre não precisar fazê-lo, pois, uma vez que os pesos são públicos, ninguém que os baixa é obrigado a pagar a Thinking Machines para executá-los, ao contrário do acesso pago vendido pela OpenAI e Anthropic. A receita da empresa deve vir do Tinker, não do modelo em si, por meio de treinamento, ajustes finos e, agora, uma parte do ecossistema de hospedagem construído em torno dele.
O quadro de funcionários, ao menos, parece mais estável. A Thinking Machines emprega atualmente cerca de 200 pessoas, um aumento em relação aos números divulgados após uma onda de desligamentos no início deste ano, incluindo dois co-fundadores que se juntaram à OpenAI em janeiro. A Thinking Machines, por sua vez, não demonstra interesse em destacar movimentos individuais, como é comum na maior parte da indústria. De acordo com uma fonte interna da empresa, sua cultura, por concepção, prioriza a continuidade em detrimento da dependência de qualquer personalidade. Isso faz sentido, pois a mudança de equipes representa um menor revés quando as pessoas nunca foram colocadas em um pedestal inicialmente.
