Nivel: ⭐⭐ Curioso
Mira Murati, la que fuera directora de tecnología de OpenAI durante años, ha lanzado su propio modelo de inteligencia artificial. Se llama Inkling y no es una copia más de lo que ya hay: es abierto, está pensado para que lo personalices tú, y viene con una declaración de intenciones bastante clara: el futuro de la IA no está en APIs caras, sino en modelos que puedas adaptar a tus necesidades.
¿Quién está detrás de Inkling?
Thinking Machines Lab es la startup fundada por Mira Murati tras dejar OpenAI en 2025. En nueve meses han pasado de cero a lanzar su primer modelo — un ritmo que a OpenAI le llevó cinco años y a Anthropic tres. La empresa tiene unos 200 empleados y una filosofía muy concreta: la IA que las organizaciones pueden adaptar a sí mismas siempre ganará a los modelos genéricos entrenados centralmente.
No es una idea nueva, pero viene de quien viene. Murati fue CTO de OpenAI durante el lanzamiento de GPT-4, ChatGPT y DALL-E. Si ella apuesta por modelos abiertos, no es porque no sepa hacer APIs cerradas. Es, tal vez, porque lo que impulsó en su momento a OpenAi (que nació para poner la IA al servicio de la gente) ha quedado diluido entre billetes.
Los números de Inkling
- Arquitectura: Mixture-of-Experts (MoEMoE (del inglés Mixture of Experts, Mezcla de Expertos) — técnica de diseño de modelos de IA que divide el sistema en varios "expertos" especializados y activa solo los que necesita para cada tarea, en lugar de usar todo el modelo a la vez. Así consigue la potencia de un modelo enorme gastando una fracción de los recursos. Muchos de los grandes modelos actuales (GPT-4, Claude, Mistral, DeepSeek) usan esta arquitectura. Para autónomos: los modelos con MoE suelen salir más baratos por API y permiten ejecutar IA potente en hardware modesto.). 975 mil millones de parámetros totales, pero solo activa unos 41 mil millones por tarea. Esto lo hace mucho más eficiente que un modelo monolítico del mismo tamaño.
- Entrenamiento: 45 billones de tokensToken — unidad mínima de información que procesa un modelo de lenguaje (LLM). Un token puede ser una palabra, parte de una palabra o un carácter, según el modelo. Por ejemplo, la frase "Hola, ¿cómo estás?" se divide en varios tokens. Los modelos tienen un límite máximo de tokens por petición (ventana de contexto) y el coste de uso se calcula por tokens procesados. Los tokens de los LLMs no deben confundirse con los tokens de autenticación o seguridad.Similar a: LLM, Ventana de contexto procesando texto, imágenes, audio y vídeo. Soporta entrada multimodal aunque su salida actual es texto.
- Licencia: Open-weightOpen-weight (pesos abiertos) — modelo de IA cuyo "peso" (los millones de parámetros aprendidos durante el entrenamiento) se publica abiertamente para descargarlo y ejecutarlo donde quieras. A diferencia de los modelos cerrados, que solo se usan a través de la API de la empresa que los creó, un modelo open-weight puedes correrlo en tu propio servidor o en tu ordenador. Para autónomos: significa usar IA sin depender de un proveedor, sin subir tus datos a la nube de nadie y sin pagar por uso. No hay que confundirlo con "open source": el código del modelo puede no ser libre, aunque los pesos sí estén publicados.. Puedes descargarlo, modificarlo y fine-tunearlo (es decir, entrenarlo con tus propios datos y casos de uso) para tus necesidades.
- Eficiencia declarada: Usa un tercio de los tokensToken — unidad mínima de información que procesa un modelo de lenguaje (LLM). Un token puede ser una palabra, parte de una palabra o un carácter, según el modelo. Por ejemplo, la frase "Hola, ¿cómo estás?" se divide en varios tokens. Los modelos tienen un límite máximo de tokens por petición (ventana de contexto) y el coste de uso se calcula por tokens procesados. Los tokens de los LLMs no deben confundirse con los tokens de autenticación o seguridad.Similar a: LLM, Ventana de contexto que Nvidia Nemotron 3 Ultra para lograr el mismo rendimiento en coding.
Inkling no pretende ser el modelo más potente del mundo — ellos mismos lo dicen. Su enfoque es ser «equilibrado», útil para una gama amplia de tareas, y sobre todo, personalizable.
El caso que lo cambia todo: Bridgewater Associates
El fondo de inversión Bridgewater Associates (uno de los más grandes del mundo) fine-tuneó un modelo open-source con su conocimiento financiero propietario. Resultado: 84,7% de acierto en pruebas de razonamiento financiero, superando a los mejores modelos propietarios (OpenAI, Anthropic, Google). Y el coste de ejecución fue 1/14 del de los modelos cerrados.
Traducción: una empresa con datos propios puede crear una IA que entiende su negocio mejor que cualquier APIConjunto de reglas y protocolos que permite que dos programas se comuniquen entre sí sin intervención humana. Cuando una app le pide datos a otra (por ejemplo, tu CRM pidiendo el clima a una API meteorológica), lo hace a través de una API. Es lo que permite que las automatizaciones y conexiones entre herramientas funcionen. genérica, y por mucho menos dinero. Esto no es teoría: ya ha pasado, está pasando y nosotros creemos que es el verdadero futuro de la IA.
¿Y un autónomo puede usar Inkling?
Aquí viene el pero. Inkling es open-weightOpen-weight (pesos abiertos) — modelo de IA cuyo "peso" (los millones de parámetros aprendidos durante el entrenamiento) se publica abiertamente para descargarlo y ejecutarlo donde quieras. A diferencia de los modelos cerrados, que solo se usan a través de la API de la empresa que los creó, un modelo open-weight puedes correrlo en tu propio servidor o en tu ordenador. Para autónomos: significa usar IA sin depender de un proveedor, sin subir tus datos a la nube de nadie y sin pagar por uso. No hay que confundirlo con "open source": el código del modelo puede no ser libre, aunque los pesos sí estén publicados., pero su fine-tuning requiere conocimientos de machine learningMachine learning (aprendizaje automático) — rama de la inteligencia artificial en la que el sistema aprende a hacer una tarea a partir de ejemplos y datos, en lugar de seguir reglas programadas a mano. Es la tecnología detrás de los filtros de correo no deseado, el reconocimiento de voz, las recomendaciones de productos o la detección de fraude en los pagos. Para autónomos: está dentro de muchas herramientas que ya usas sin darte cuenta, y también en las nuevas herramientas de IA que pueden redactar, clasificar documentos o analizar datos. Para que se entienda: en vez de darle a la máquina instrucciones paso a paso, le enseñas con ejemplos y ella deduce la regla.. Thinking Machines Lab ha lanzado Tinker, una plataforma para que organizaciones puedan personalizar el modelo sin tener un equipo de científicos de datos. El modelo tiene además «esfuerzo de pensamiento» ajustable: puedes pedirle que razone más profundo (tarda más, gasta más) o que vaya rápido (menos preciso, más barato).
Para un autónomo con perfil técnico: puedes descargarlo y probarlo ya en local si tienes hardware decente. Para el resto: la plataforma Tinker promete bajar esa barrera. Habrá que verlo.
El contexto: ¿por qué importa?
Satya Nadella (CEO de Microsoft) lo dijo claro:
«Las empresas que usan IA propietaria pagan dos veces: una en suscripción y otra regalando el conocimiento de su negocio incrustado en los prompts, que acaba absorbido en futuras versiones del modelo.»
O como lo dijo Clem Delangue (CEO de Hugging Face):
«Los modelos de frontera se reservarán para experimentación y tareas de alto valor, mientras la IA de producción migrará a alternativas privadas u open-source.»
Inkling es la primera gran apuesta de que ese futuro ya está aquí. Viene de quien fue número dos de OpenAI, cuesta una fracción de lo que cuesta una APIConjunto de reglas y protocolos que permite que dos programas se comuniquen entre sí sin intervención humana. Cuando una app le pide datos a otra (por ejemplo, tu CRM pidiendo el clima a una API meteorológica), lo hace a través de una API. Es lo que permite que las automatizaciones y conexiones entre herramientas funcionen. cerrada, y puedes hacerla tuya. Habrá que seguirle la pista.
Imagen: Mira Murati
Fuentes: TechCrunch, Axios, MindStudio