Thinking Machines Lab ha presentado Inkling-Small, una versión más ligera de su familia de modelos abiertos que busca acercar capacidades multimodales avanzadas a empresas y desarrolladores con menos coste de inferencia. La startup fundada por Mira Murati, exdirectiva de OpenAI, intenta demostrar que la próxima fase de la IA no dependerá solo de modelos cada vez más grandes.
Inkling, el modelo principal presentado hace dos semanas, es un sistema de mezcla de expertos con 975.000 millones de parámetros totales y 41.000 millones activos por token. Soporta contexto de hasta un millón de tokens y fue entrenado con texto, imágenes, audio y video. Inkling-Small reduce la escala y activa unos 12.000 millones de parámetros por token, manteniendo una receta técnica similar y buscando menor latencia.
La compañía lo presenta como parte de una estrategia abierta. Los pesos están disponibles para descarga y personalización, y Thinking Machines ofrece Tinker como plataforma para ajustar modelos sin que cada empresa tenga que construir toda la infraestructura desde cero. El mensaje es claro: no todas las compañías quieren alquilar una caja negra, muchas quieren adaptar el modelo a sus propios datos y procesos.
La eficiencia se ha convertido en una prioridad porque la IA generativa ya no se evalúa solo por rankings. Una empresa que atiende clientes, revisa contratos o genera código necesita saber cuánto cuesta cada interacción, cuánta memoria requiere el modelo y qué latencia tendrá en producción. Un modelo más pequeño que conserve suficiente calidad puede ser más valioso que uno superior en pruebas académicas pero difícil de operar.
El lanzamiento también tiene una dimensión competitiva. Los modelos abiertos chinos, como DeepSeek, Kimi o Qwen, han presionado a los laboratorios estadounidenses con precios agresivos y buen rendimiento. Thinking Machines intenta ocupar un espacio distinto: una alternativa estadounidense de pesos abiertos, multimodal y orientada a personalización empresarial.
Eso no significa que el camino sea sencillo. Los modelos abiertos trasladan más responsabilidad al usuario. Quien descarga pesos necesita infraestructura, conocimiento de seguridad, evaluación, filtros y gobernanza. Si el modelo se personaliza con datos internos, también hay que controlar fugas, sesgos y cumplimiento normativo. La apertura reduce dependencia del proveedor, pero no elimina el trabajo serio de despliegue.
Para startups y empresas españolas, la noticia importa por una razón práctica: la oferta de modelos se está fragmentando. Ya no se trata solo de elegir entre OpenAI, Anthropic, Google o Meta. Aparecen modelos especializados, tamaños diferentes, licencias abiertas y plataformas de ajuste que permiten una arquitectura más flexible. Ese cambio puede bajar barreras para productos verticales de IA.
Inkling-Small todavía tendrá que demostrar rendimiento real fuera de benchmarks y demos. Los compradores empresariales mirarán coste, estabilidad, documentación, soporte y facilidad de integración. También compararán si la promesa de personalización compensa frente a APIs cerradas que ofrecen menos control pero más simplicidad operativa.
La apuesta de Thinking Machines encaja con una tendencia clara: la ventaja en IA se mueve de tener el modelo más grande a saber escoger, ajustar y operar el modelo adecuado. En esa lógica, una versión pequeña y abierta puede ser más estratégica que un sistema gigantesco reservado a pocos clientes con presupuestos enormes.
