Thinking Machines Lab, una startup de inteligencia artificial creada por la ex directora de tecnología de OpenAI, Mira Murati, lanzó el miércoles 15 de julio de 2026 su primer modelo de IA propio, llamado Inkling. A diferencia de las soluciones de gigantes como OpenAI, Anthropic y Google, Inkling es de código abierto, lo que permite a los desarrolladores y empresas descargarlo y modificarlo directamente.
Inkling es un sistema de “mezcla de expertos” que tiene 975 mil millones de parámetros totales, pero utiliza sólo una fracción, alrededor de 41 mil millones, para cada tarea específica. Esta arquitectura común optimiza modelos extensos, haciéndolos más rápidos y rentables. Según los materiales de lanzamiento de la compañía, el modelo fue entrenado con 45 billones de tokens de texto, imágenes, audio y video, pudiendo razonar de forma nativa en todas estas modalidades. Sin embargo, sus resultados están, por ahora, restringidos a texto y cubren código, artefactos con estilo y datos estructurados.
Este modelo representa el primer avance público de Thinking Machines Lab después de un año y medio centrado en construir una infraestructura de IA en gran medida fuera del centro de atención. Parte de este trabajo ya había sido demostrado en mayo, en un avance de una investigación sobre los “modelos de interacción”, inteligencia artificial creada para escuchar, hablar e incluso interrumpir, a diferencia de los chatbots tradicionales que esperan órdenes. El lanzamiento de Inkling pone a prueba la principal apuesta de la startup: que la IA adaptable por las organizaciones supere a los modelos estandarizados vendidos por los mayores laboratorios.
Inkling está diseñado para proporcionar respuestas precisas, indicando incertidumbre en lugar de conjeturas, y permite a los usuarios ajustar el “esfuerzo de pensamiento” para priorizar la velocidad. En una prueba comparativa, la compañía afirma que Inkling consume un tercio de los tokens utilizados por Nemotron 3 Ultra de Nvidia, su modelo de código abierto de próxima generación, para lograr el mismo rendimiento de codificación.
Thinking Machines no afirma que el Inkling sea el mejor modelo de su clase. Su publicación de blog más reciente afirma explícitamente que Inkling “no es el modelo más potente disponible actualmente, ya sea abierto o cerrado”. El objetivo claro de la empresa es, por el contrario, un rendimiento equilibrado y versátil.
Este enfoque plantea la cuestión de qué audiencia, dentro del mercado corporativo, es el verdadero objetivo de Inkling. Por ahora, Thinking Machines posiciona a Inkling menos como un producto final y más como un punto de partida, algo que las organizaciones pueden mejorar a través de Tinker, la plataforma de personalización de plantillas de la empresa. En consecuencia, la responsabilidad de la seguridad de las personalizaciones recae en los clientes, no en Thinking Machines. Cabe mencionar que la personalización de modelos requiere de profesionales con alta calificación en aprendizaje automático.
OpenAI, Anthropic y Google, por otro lado, adoptaron estrategias muy diferentes con sus respectivos ChatGPT, Claude y Gemini. Todos fueron diseñados para competir principalmente como chatbots de uso general, a los que se agregaron capacidades autónomas y de agente más adelante.
Una publicación realizada por Thinking Machines la semana anterior sirvió de base para este lanzamiento. En él, la empresa argumentaba que la inteligencia artificial entrenada centralmente por una única organización y definida de forma fija tiene un rendimiento inferior a la IA moldeada por las propias organizaciones, ya que gran parte del conocimiento es específico de las personas que lo poseen.
Otros argumentos en contra de los modelos cerrados están ganando terreno. En una publicación de blog publicada el domingo, Satya Nadella, director ejecutivo de Microsoft, una empresa que ha invertido miles de millones en OpenAI y Anthropic, advirtió que las empresas que utilizan modelos patentados de IA terminan pagando el doble. Una vez para los costos de suscripción y otra vez proporcionando el conocimiento empresarial integrado en sus indicaciones y correcciones, que se pueden incorporar en futuras versiones de las plantillas.
Clem Delangue, director ejecutivo de Hugging Face, hizo una predicción similar en una conversación la semana pasada. Dijo que los modelos de vanguardia se centrarán cada vez más en la experimentación y en tareas de alto valor, mientras que la mayor parte del trabajo de producción de IA migrará a alternativas privadas o de código abierto, exactamente la división que Thinking Machines está desarrollando.
El argumento más fuerte a favor del enfoque de Thinking Machines provino de un proyecto reciente con Bridgewater Associates, el fondo de cobertura más grande del mundo, que no es un inversor de Thinking Machines. Los investigadores de ambas empresas tomaron un modelo de código abierto existente y lo capacitaron con la propia experiencia financiera de Bridgewater. El resultado, como se informó, alcanzó el 84,7% en las pruebas de razonamiento financiero, superando a los principales modelos patentados de IA, mientras que su operación costó aproximadamente una catorceava parte del valor. Es importante señalar, sin embargo, que estos resultados provienen de la evaluación de las dos empresas y no de un análisis independiente.
En cualquier caso, Thinking Machines destaca lo rápido que llegó a esta etapa. OpenAI tardó unos cinco años en llevar su tecnología al mercado y generar ingresos, y Anthropic, unos tres. Thinking Machines afirma haber logrado lo mismo en unos nueve meses.
Algunos se preguntarán si Inkling fue entrenado basándose en los resultados de los modelos de la competencia, una práctica conocida como “destilación” que ha sido objeto de escrutinio de la industria. La respuesta corta, según los propios materiales de la empresa, es: parcialmente. Thinking Machines preentrenó a Inkling desde cero, pero utilizó otros modelos de código abierto, incluido Kimi K2.5 de Moonshot AI, para ayudar a generar algunos de sus datos iniciales posteriores al entrenamiento antes de que tomara el control el aprendizaje por refuerzo a gran escala. El próximo modelo, garantiza la empresa, empleará una formación posterior totalmente autónoma.
En cuanto a costes, Thinking Machines se ha mostrado más reservado. La compañía se asoció con Nvidia en marzo para implementar un gigavatio de potencia informática de Vera Rubin y entrenó a Inkling completamente en los sistemas GB300 NVL72 de Nvidia. Sin embargo, no ha dicho cómo planea cubrir estos costos y los ingresos, según la mayoría de los análisis, no han sido una prioridad. Una ronda de recaudación de fondos de 50 mil millones de dólares reportada en noviembre del año pasado supuestamente se estancó en enero, y la compañía ha evitado comentar sobre su situación financiera desde entonces. Una pregunta relacionada es si el gasto de Thinking Machines algún día alcanzará la escala de OpenAI o Anthropic, o si su enfoque centrado en la eficiencia significa una economía diferente. En otras palabras, la apuesta de la compañía puede ser menos por gastar como sus rivales más grandes y más por no tener que hacerlo, ya que como los pesos son públicos, nadie que los descargue está obligado a pagar a Thinking Machines para ejecutarlos, a diferencia de los muros de pago vendidos por OpenAI y Anthropic. Los ingresos de la empresa deben provenir de Tinker, no del modelo en sí, a través de capacitación, ajuste y ahora parte del ecosistema de hosting construido a su alrededor.
La plantilla, al menos, parece más estable. Thinking Machines emplea actualmente a unas 200 personas, un aumento con respecto a las cifras publicadas después de una ola de despidos a principios de este año, incluidos dos cofundadores que se unieron a OpenAI en enero. Thinking Machines, por su parte, no muestra ningún interés en resaltar movimientos individuales, como es común en la mayor parte de la industria. Según una fuente interna de la empresa, su cultura, por diseño, prioriza la continuidad sobre la dependencia de cualquier personalidad. Esto tiene sentido ya que cambiar de equipo representa un revés menor cuando inicialmente las personas nunca estuvieron en un pedestal.
