Como o Inkling, novo modelo da Thinking Machines, desafia as gigantes da IA

Na manhã de quarta-feira, 15 de julho de 2026, a Thinking Machines Lab, startup de inteligência artificial fundada por Mira Murati, ex-CTO da OpenAI, lançou oficialmente seu primeiro modelo proprietário de inteligência artificial, batizado de Inkling. Diferente dos sistemas fechados que dominam o setor tecnológico atual, a nova ferramenta adota uma filosofia de pesos abertos (open-weight), permitindo que desenvolvedores e companhias externas realizem o download e modifiquem seu código diretamente de acordo com suas próprias necessidades. O lançamento sinaliza o início de um teste real para a tese central defendida pela fundadora: a de que modelos altamente adaptáveis e moldados pelas próprias organizações apresentarão desempenho superior em relação às soluções generalistas e padronizadas comercializadas hoje pelos grandes laboratórios.

Com uma arquitetura de 975 bilhões de parâmetros totais, o Inkling se posiciona como um forte competidor de código aberto, desafiando a hegemonia técnica de gigantes consolidadas do setor, como a OpenAI, a Anthropic e o Google. No entanto, para otimizar os custos de operação e garantir respostas velozes aos usuários finais, a ferramenta funciona a partir de um sistema de mistura de especialistas (mixture-of-experts ou MoE). Essa engenharia de computação faz com que o modelo ative apenas uma fração de seu tamanho total — aproximadamente 41 bilhões de parâmetros — para realizar qualquer tarefa específica que lhe seja demandada no dia a dia, mantendo o processo consideravelmente mais rápido e barato de executar.

O treinamento do modelo da Thinking Machines Lab foi realizado sobre um conjunto massivo de dados composto por 45 trilhões de tokens abrangendo simultaneamente formatos de texto, imagem, áudio e vídeo. Segundo os documentos oficiais de divulgação distribuídos pela companhia fundada por Mira Murati, o sistema é capaz de realizar raciocínios nativos conectando diretamente essas quatro diferentes mídias. Por enquanto, as saídas públicas fornecidas pelo sistema estão limitadas a formatos de texto tradicional, incluindo códigos de programação computacional, artefatos com estilos específicos e conjuntos estruturados de dados.

A estreia do Inkling

A chegada do Inkling representa o primeiro grande marco prático e público da Thinking Machines Lab após um ano e meio de trabalho intensivo no desenvolvimento de infraestrutura de dados, mantido majoritariamente longe dos olhos do público. Parte desse esforço técnico havia surgido timidamente em maio, quando a startup lançou uma prévia de pesquisa focada em seus modelos de interação (interaction models). Aquela tecnologia experimental foi projetada especificamente para ouvir e falar — inclusive demonstrando capacidade de interromper o usuário no meio de uma frase —, opondo-se à dinâmica tradicional e estática de pergunta e resposta que caracteriza a maioria dos chatbots atualmente disponíveis no mercado global.

Para se diferenciar das plataformas tradicionais de inteligência artificial, o Inkling foi projetado de modo a fornecer respostas devidamente calibradas. Em termos práticos, isso significa que o sistema possui mecanismos projetados para apontar e sinalizar de maneira clara as suas incertezas para os operadores corporativos, optando por indicar dúvidas no lugar de inventar fatos ou dar respostas imprecisas por adivinhação. O modelo também permite que os usuários aumentem ou diminuam o chamado esforço de raciocínio (thinking effort), oferecendo uma barra de controle direta na qual é possível trocar agilidade computacional por maior rigor na lógica das respostas entregues.

Essa flexibilidade operacional do Inkling é sustentada por métricas de eficiência divulgadas pela própria Thinking Machines Lab. Em testes de benchmark voltados ao desenvolvimento de sistemas, a nova inteligência de pesos abertos de Mira Murati consome apenas um terço (1/3) do volume de tokens demandados pelo Nemotron 3 Ultra — o modelo de pesos abertos de última geração desenvolvido pela Nvidia — para alcançar o mesmo nível de desempenho em tarefas de codificação. Esse ganho representa uma redução drástica na necessidade de recursos computacionais necessários para empresas interessadas em automatizar tarefas técnicas.

A arquitetura do modelo

Apesar dos indicadores de otimização energética e de tokens obtidos frente à concorrência, a Thinking Machines Lab não tenta sustentar que o Inkling seja a ferramenta de melhor desempenho em todas as categorias. Em um artigo publicado em seu blog oficial de tecnologia, a empresa de Mira Murati afirma de maneira categórica que o modelo não deve ser considerado a solução geral mais potente do mercado tecnológico moderno, seja ela fechada ou de código aberto. A prioridade de desenvolvimento para o sistema de 975 bilhões de parâmetros foi assegurar um desempenho técnico equilibrado e versátil em diferentes tipos de operação de dados.

Essa abordagem voltada à versatilidade gera discussões no mercado empresarial sobre qual segmento de clientes corporativos será atraído pela tecnologia de pesos abertos da Thinking Machines. Até o presente momento, a empresa de Mira Murati opta por posicionar o modelo menos como uma aplicação finalizada e mais como uma base sólida para que outras empresas construam suas soluções proprietárias. O ponto de partida para essa personalização profunda ocorre por meio da plataforma integrada de customização mantida pela própria startup, denominada comercialmente de Tinker.

Ao adotar esse modelo de distribuição, as corporações clientes que utilizam o Inkling tornam-se as únicas responsáveis por garantir a segurança e a integridade de todas as customizações executadas sobre os pesos abertos originais. Diferente do ecossistema centralizado mantido por concorrentes, a Thinking Machines Lab delega essa governança técnica integralmente às áreas de TI das corporações. Isso significa que a adoção da plataforma Tinker exigirá que as empresas contratem ou possuam talentos altamente especializados em engenharia de machine learning para implementar e gerenciar as alterações de código.

A customização via Tinker

A escolha estratégica de focar na flexibilização corporativa distancia de forma considerável a Thinking Machines Lab de outros grandes nomes de destaque na indústria de tecnologia. Companhias como a OpenAI com o ChatGPT, a Anthropic com o Claude e o Google com a família de modelos Gemini focaram seus esforços prioritários em erguer chatbots de uso geral de alto desempenho técnico para o mercado de consumo de massa, estruturando posteriormente suas funcionalidades de agentes digitais autônomos sobre essas soluções centralizadas.

A fundamentação para a abordagem defendida por Mira Murati foi exposta em detalhes em um manifesto publicado pela própria Thinking Machines na semana anterior ao anúncio do Inkling. A equipe de cientistas e desenvolvedores defendeu que modelos que passam por treinamentos centralizados em uma única empresa de tecnologia e permanecem congelados em sua versão final apresentam resultados piores do que modelos moldados continuamente pelas próprias organizações usuárias. O motivo reside no fato de que grande parte do conhecimento operacional profundo é altamente específico das pessoas que o detêm no cotidiano corporativo.

O ceticismo corporativo contra os modelos fechados tradicionais de inteligência artificial vem ganhando força global de maneira constante. Em uma recente publicação técnica de domingo, o CEO da Microsoft, Satya Nadella — líder da gigante que já alocou bilhões de dólares em investimentos estratégicos tanto na OpenAI quanto na Anthropic —, emitiu um aviso contundente ao ecossistema corporativo sobre os riscos de dependência dessas tecnologias proprietárias fechadas e a desvantagem financeira do seu modelo comercial.

Empresas que utilizam modelos proprietários de IA pagam duas vezes pelo serviço: primeiro na assinatura, e depois ao entregar o conhecimento corporativo inserido nos prompts, que é absorvido pelas novas versões do modelo.

O debate de mercado

A tese de Satya Nadella se alinha diretamente com as previsões de outras lideranças de destaque no mercado de tecnologia mundial. O CEO da Hugging Face, Clem Delangue, compartilhou previsões muito semelhantes em entrevista concedida à equipe de reportagem do veículo TechCrunch. Segundo a visão detalhada pelo executivo da plataforma de código aberto, os chamados modelos de fronteira fechados serão cada vez mais restritos ao campo de experimentações científicas e a tarefas de valor extremamente elevado, enquanto a produção pesada diária será executada por soluções de código aberto ou sistemas privados, exatamente a fatia de mercado que o Inkling e o ecossistema Tinker visam ocupar.

O argumento mais evidente em defesa do modelo comercial adotado pela Thinking Machines Lab originou-se de uma colaboração recente desenvolvida ao lado da Bridgewater Associates, considerada a maior gestora de fundos de hedge do planeta. Vale apontar que a Bridgewater Associates não possui qualquer tipo de participação acionária ou investimento financeiro na startup fundada por Mira Murati. Juntos, pesquisadores de ambas as companhias utilizaram um modelo de código aberto comum para treiná-lo em profundidade com o conhecimento e dados financeiros confidenciais da gestora.

O resultado prático dessa parceria entre as equipes técnicas obteve uma pontuação de 84,7% de acerto em testes de raciocínio de alta complexidade do setor de finanças. Esse resultado superou a marca dos modelos fechados e proprietários mais potentes do planeta, apresentando ainda um ganho de eficiência financeira significativo: o processamento diário desse sistema adaptado custou à gestora de investimentos apenas um quatorze avos (1/14) do valor gasto para rodar as soluções proprietárias equivalentes do mercado, embora esses números advenham de medições internas e não de auditoria externa independente.

Infraestrutura de hardware

Para viabilizar o desenvolvimento e a disponibilização de sua tecnologia de pesos abertos de forma rápida, a Thinking Machines Lab vem estruturando alianças técnicas cruciais no setor de computação física. Em março, a startup formalizou um acordo robusto de colaboração com a Nvidia com o propósito de implantar uma capacidade computacional equivalente a um gigawatt (1 GW) em chips baseados na próxima arquitetura da fabricante de semicondutores, denominada Vera Rubin. Essa infraestrutura deu à startup as condições necessárias para treinar o Inkling em tempo recorde.

O treinamento completo de 975 bilhões de parâmetros do Inkling foi executado utilizando os sistemas integrados corporativos Nvidia GB300 NVL72. Embora os resultados práticos dessa infraestrutura tenham se mostrado eficientes, a empresa de Mira Murati tem adotado uma postura consideravelmente mais reservada em relação à gestão de seus custos de operação e investimento técnico em hardware de ponta, além de não detalhar publicamente de que maneira projeta gerar receitas robustas o bastante para amortizar essas contas.

Essa postura mais cautelosa por parte dos diretores da Thinking Machines Lab ocorre em paralelo a um momento delicado no mercado global de capital de risco e financiamentos técnicos. Informações de bastidores indicavam que uma rodada massiva de investimentos avaliada em US$ 50 bilhões estava em fase de estruturação em novembro do ano passado, mas as negociações perderam força e terminaram paralisadas em janeiro de 2026. Desde então, os representantes oficiais da companhia têm se recusado de forma sistemática a tecer comentários públicos sobre sua rodada de capitalização ou fontes de financiamento.

Esse cenário financeiro sugere que a tese de negócios da Thinking Machines depende menos de igualar o ritmo acelerado de queima de caixa e investimento em supercomputadores de seus principais concorrentes diretos, apostando que esse nível de gasto não será necessário no longo prazo. Uma vez que os pesos do Inkling são públicos para download gratuito, a monetização da startup não virá da cobrança pelo acesso às respostas de inteligência artificial. A receita necessária deverá ser gerada na plataforma corporativa Tinker, através de serviços técnicos de consultoria de dados, processos de ajuste fino e participação financeira sobre a hospedagem das customizações geradas em seu ecossistema.

Desempenho e cultura interna

Outro elemento de grande relevância apontado pela Thinking Machines é a rapidez de engenharia demonstrada na maturação de sua tecnologia. Enquanto a gigante OpenAI precisou de cerca de cinco anos de operação de pesquisa para conseguir colocar suas tecnologias primárias no mercado corporativo e registrar receitas, e a concorrente Anthropic levou aproximadamente três anos para cumprir meta parecida, a startup liderada por Mira Murati alega ter completado essa complexa trajetória técnica e estruturado seus sistemas comerciais em um intervalo de apenas nove meses.

Esse ritmo acelerado de treinamento gerou especulações e discussões técnicas no setor de tecnologia sobre a possibilidade de a equipe de engenheiros da startup ter recorrido ao processo de destilação de modelos concorrentes, prática que envolve utilizar as saídas geradas por sistemas rivais mais caros para treinar uma ferramenta menor. Os relatórios oficiais de treinamento do Inkling reconhecem parcialmente a prática, apontando que o sistema passou por pré-treinamento integral do zero, mas utilizou modelos de pesos abertos desenvolvidos por terceiros — como o modelo Kimi K2.5, criado pela Moonshot AI — para estruturar uma porção de seus dados iniciais de pós-treinamento, antes da aplicação de métodos de aprendizado por reforço em escala.

Os pesquisadores da Thinking Machines Lab sustentam que as próximas gerações de seus modelos de inteligência artificial utilizarão processos de pós-treinamento totalmente independentes e auto-contidos, eliminando a dependência do uso de bases de dados de parceiros externos como a Moonshot AI. No campo de recursos humanos, a startup opera atualmente com um quadro técnico de cerca de 200 funcionários ativos, um crescimento operacional expressivo após uma onda de desligamentos e transições de cargos registradas mais cedo este ano.

A mais significativa dessas reestruturações de pessoal ocorreu em janeiro de 2026, quando dois dos cofundadores originais decidiram se desligar da equipe de Mira Murati para retornar aos quadros de colaboradores da rival OpenAI. Esse movimento de saída levou a startup a reforçar internamente uma postura cultural focada na continuidade de seus processos de engenharia técnica de inteligência artificial, evitando depender excessivamente de personalidades públicas individuais para sua promoção corporativa. Trata-se de um posicionamento singular para uma empresa cuja própria identidade comercial ainda se encontra profundamente conectada ao nome de sua famosa fundadora.