Mira Murati, la exdirectora de tecnología de OpenAI, ha dado un paso decisivo con el lanzamiento de Inkling, el primer modelo de inteligencia artificial de su empresa, Thinking Machines (startup enfocada en el desarrollo de modelos de lenguaje altamente personalizables). A diferencia de los sistemas cerrados que dominan el mercado actual, este lanzamiento apuesta por una arquitectura de pesos abiertos, permitiendo a los desarrolladores descargar, auditar y ajustar el código según sus necesidades específicas sin depender de licencias costosas o acceso restringido.
Un cambio de enfoque en la economía de la IA
La estrategia detrás de Inkling es clara: competir contra los modelos chinos que han dominado el ecosistema de código abierto durante el último año. Mientras que empresas como Meta han virado hacia políticas más restrictivas con su familia de modelos Llama, Thinking Machines busca ofrecer una alternativa robusta fabricada en Occidente. Inkling es un modelo tipo mixture-of-experts —una arquitectura que activa solo una fracción de sus 975.000 millones de parámetros para cada consulta—, lo que le permite procesar tareas con mayor velocidad y un costo operativo menor.
Lo que me parece más revelador es el modelo de negocio. En lugar de cobrar por el uso de una API (interfaz de programación que conecta sistemas), Thinking Machines monetiza Tinker, una plataforma que facilita el proceso de fine-tuning, es decir, el entrenamiento especializado de un modelo genérico con datos propios de una empresa. Es un cambio de paradigma: la empresa ya no vende el acceso a la "caja negra" del modelo, sino que vende la infraestructura para que los equipos técnicos construyan sobre ella.
Los resultados preliminares en entornos corporativos son prometedores. En una colaboración con Bridgewater Associates (fondo de inversión global de alto perfil), investigadores utilizaron Tinker para entrenar Inkling con datos financieros especializados. El resultado fue un sistema ligero que superó a las alternativas comerciales líderes en pruebas de razonamiento financiero, operando a menos del 10% del costo total. Para un director de empresa, la lección es obvia: la personalización extrema puede superar a la potencia bruta cuando se trata de casos de uso específicos.
La apuesta por la eficiencia sobre la escala
Thinking Machines desarrolló Inkling en apenas nueve meses, una fracción del tiempo que consumen los gigantes del sector como OpenAI o Anthropic. Esta velocidad fue posible gracias a una alianza estratégica con Nvidia y el uso de su infraestructura de cómputo avanzada. Además, el modelo incluye controles de "esfuerzo de pensamiento" para equilibrar velocidad y precisión, junto con una función que señala cuando el sistema no está seguro de su respuesta, algo inusual en una industria que suele priorizar la fluidez sobre la veracidad.
Si me preguntan, la verdadera innovación aquí no es el modelo en sí, sino la commoditización de la tecnología de lenguaje. Al hacer que la personalización sea accesible y económica, Thinking Machines está forzando a que las empresas dejen de ver la IA como un gasto operativo recurrente y empiecen a tratarla como una arquitectura de software propia. Cuando una organización entrena su propio modelo, este se convierte en parte de su base tecnológica; cambiar de proveedor en el futuro se vuelve una decisión mucho más costosa y compleja.
Para los inversores y líderes de tecnología en América Latina, este desarrollo es una señal de que el mercado está migrando hacia la soberanía de los datos. En un contexto donde la regulación y la privacidad cobran mayor peso, tener el control total sobre los pesos de un modelo —y no depender de la conexión a los servidores de un tercero en Silicon Valley— dejará de ser una opción técnica para convertirse en una ventaja competitiva esencial. La era de pagar simplemente por "acceso" está llegando a su fin; la era de la IA corporativa bajo control propio acaba de comenzar.
