Thinking Machines lanza Inkling, su primer modelo abierto contra la IA de talla única

Thinking Machines Lab, el laboratorio de inteligencia artificial fundado por Mira Murati, ex directora de tecnología de OpenAI, presentó Inkling, su primer modelo propio. A diferencia de los modelos estrella de OpenAI, Anthropic o Google, Inkling es de pesos abiertos: cualquier desarrollador o empresa puede descargarlo, ejecutarlo y modificarlo directamente.

¿Qué es Inkling y por qué genera tanto ruido?

Inkling es un sistema mixture-of-experts con 975.000 millones de parámetros totales, aunque solo activa unos 41.000 millones para cada tarea, un diseño que mantiene el modelo rápido y más barato de operar. Fue entrenado con 45 billones de tokens de texto, imagen, audio y video, y razona de forma nativa en esos formatos. Se publica bajo licencia Apache 2.0, lo que permite usarlo y comercializarlo sin pagar regalías. Es el primer resultado público de la compañía después de año y medio construyendo infraestructura de IA casi en silencio: según Thinking Machines, llegó al mercado en unos nueve meses, frente a los cinco años de OpenAI y los tres de Anthropic.

¿En qué se diferencia de ChatGPT, Claude o Gemini?

ChatGPT, Claude y Gemini se venden como asistentes de propósito general, entrenados de forma centralizada y luego "sellados". Inkling va por lo contrario: es un punto de partida para que cada organización lo ajuste con su propio conocimiento a través de Tinker, la plataforma de personalización de la empresa. La contra: afinar un modelo así requiere talento serio de machine learning y hace responsable al cliente de que sus ajustes sean seguros. El modelo está diseñado para dar respuestas calibradas, incluso señalando cuándo no está seguro en lugar de inventar, y permite subir o bajar el "esfuerzo de razonamiento" para cambiar velocidad por precisión.

¿Conviene rentar o ser dueño de tu modelo de IA?

Esta es la pregunta de fondo, y ya no es teórica para los equipos comerciales de Chile y Latinoamérica. En un texto reciente, el CEO de Microsoft, Satya Nadella, advirtió que las empresas que usan modelos propietarios "pagan dos veces": una en la suscripción y otra al entregar el conocimiento de negocio contenido en sus miles de prompts y correcciones, que puede terminar absorbido por futuras versiones del modelo.

El caso más citado: investigadores de Thinking Machines y del fondo Bridgewater tomaron un modelo abierto y lo entrenaron con la experiencia financiera del fondo. El resultado obtuvo 84,7% en pruebas de razonamiento financiero, superando a modelos propietarios de punta, y costando cerca de catorce veces menos operarlo, según la evaluación de las propias compañías.

¿Qué tan potente es Inkling?

Thinking Machines es explícita: Inkling "no es el modelo más fuerte disponible hoy, ni cerrado ni abierto". Apunta a un rendimiento parejo más que a liderar rankings. Aun así, debuta con 41 puntos en el Artificial Analysis Intelligence Index, lo que lo convierte en el modelo de pesos abiertos líder de un laboratorio de Estados Unidos, tres puntos por encima del anterior referente, el Nemotron 3 Ultra de Nvidia. En una prueba, la empresa afirma que Inkling usa un tercio de los tokens de ese modelo para igualar su desempeño en programación.

Análisis de Revenue Hub

Para un líder comercial B2B en Chile o Latinoamérica, Inkling no es la noticia de "qué modelo uso para escribir correos". Es la señal más clara de que se abre una segunda vía: dejar de rentar inteligencia genérica y empezar a construir un activo propio, entrenado con el conocimiento de tu operación comercial (tu proceso de ventas, tus objeciones, tu historial de CRM). El argumento de Nadella es incómodo pero real: cada prompt y cada corrección que tu equipo hace en una herramienta cerrada es, además de un gasto, una transferencia de tu ventaja competitiva.

La decisión no es blanca o negra. Ser dueño de un modelo exige talento de datos y de machine learning que la mayoría de las empresas de la región todavía no tiene, y un mal ajuste es peor que usar un modelo estándar. Lo sensato hoy es no casarse con una sola opción: usar modelos cerrados para lo genérico y de alto valor puntual, mientras identificas el proceso donde tu data propietaria justifica personalizar. Ese mapa (qué dato tienes, qué proceso mueve ingresos, qué puedes automatizar sin exponer tu conocimiento) es exactamente el tipo de diagnóstico de RevOps que conviene tener antes de que la brecha con tus competidores se abra.

Si quieres seguir cómo la IA está redibujando el stack comercial, revisa nuestra cobertura en Tendencias SaaS y los análisis del blog de Revenue Hub.