Mira Murati ha scelto una strada diversa da quella dei grandi laboratori che oggi dominano l’intelligenza artificiale generativa. La sua startup, Thinking Machines Lab, ha presentato il 15 luglio 2026 Inkling, il primo modello sviluppato internamente dalla società. Non è il modello più potente sul mercato, e la stessa azienda lo dichiara apertamente. Il punto, però, è un altro: Inkling nasce per essere modificato, adattato e riaddestrato da aziende, ricercatori e sviluppatori sui propri dati, senza dipendere in tutto da un fornitore centrale. È qui che Murati prova a inserire un cuneo nel duopolio di fatto costruito finora da OpenAI e Anthropic.
Inkling è stato rilasciato con formula “open weights”, cioè con i pesi del modello disponibili per l’uso e la modifica. Non è sinonimo di completa apertura in ogni componente della filiera, ma segna una differenza netta rispetto ai modelli chiusi, accessibili solo via api o servizi cloud.
Per il mercato enterprise questa distinzione conta molto: significa più controllo sull’hosting, sui costi, sulle prestazioni e soprattutto sul trattamento dei dati proprietari.
Indice degli argomenti:
Che cos’è Inkling e perché conta
Secondo la scheda tecnica pubblicata da Thinking Machines Lab, Inkling è un modello multimodale general purpose capace di ricevere input di testo, immagini e audio e di generare output testuali. La data di rilascio indicata nel model card è il 15 luglio 2026 e la licenza dichiarata è Apache 2.0. L’azienda lo presenta come una base ampia e bilanciata, pensata più per l’adattabilità che per la leadership assoluta nei benchmark.
Sul piano dimensionale il modello ha 975 miliardi di parametri complessivi, ma soltanto 41 miliardi risultano “attivi” per ciascuna richiesta. È una scelta architetturale che punta a contenere i costi di inferenza e a migliorare velocità ed efficienza. In altri termini, Thinking Machines non sta dicendo al mercato “abbiamo costruito il cervello più grande”, ma “abbiamo costruito un sistema abbastanza forte da essere utile e abbastanza efficiente da essere economicamente gestibile”. Per molte imprese questa promessa è più concreta della rincorsa al record.
Wired ha scritto che Inkling è stato addestrato da zero per comprendere testo, audio e video e che la sua uscita serve anche a consolidare la credibilità industriale della startup in una competizione molto costosa e molto affollata. Axios ha aggiunto che il modello è disponibile sia con i pesi completi su Hugging Face sia sulla piattaforma Tinker per il fine-tuning.
È un doppio canale che rafforza il messaggio commerciale dell’azienda: accesso aperto per chi vuole lavorare in proprio e servizio gestito per chi preferisce una soluzione pronta.
La scommessa economica: meno dipendenza dai modelli chiusi
La novità non riguarda solo la tecnica. Riguarda il modello di business dell’AI. Negli ultimi due anni una parte crescente del mercato ha iniziato a mettere in discussione il sistema chiuso dei laboratori di frontiera: poche aziende centralizzano l’addestramento, la distribuzione e gli aggiornamenti dei modelli, mentre i clienti pagano l’accesso e riversano nel sistema dati, prompt e casi d’uso preziosi. Thinking Machines costruisce il proprio posizionamento proprio su questa frizione.
Nel manifesto pubblicato il 10 luglio 2026, la società sostiene che il futuro dell’AI debba essere “umano”, cioè modellato dalla conoscenza locale, dal giudizio e dalle esigenze specifiche di chi la usa. Nel testo viene citato Friedrich Hayek per criticare la concentrazione della conoscenza in un’intelligenza centrale.
Questa impostazione intercetta una domanda reale. Business Insider ha riferito, all’inizio di luglio 2026, che Satya Nadella ha sostenuto la necessità per ogni impresa di costruire modelli propri o almeno una strategia multi-modello, invece di dipendere da un numero ristretto di foundation model generalisti. Nello stesso periodo Axios ha richiamato le critiche di Alex Karp, amministratore delegato di Palantir, ai sistemi chiusi giudicati troppo costosi e poco chiari sul fronte della protezione della proprietà intellettuale. Non è un fronte ideologico: è un conflitto sul valore economico dei dati aziendali.
Per una banca, una casa farmaceutica o un gruppo manifatturiero, il punto non è soltanto avere accesso al modello “migliore” in astratto. Il punto è capire chi controlla il ciclo di apprendimento, chi vede i dati, chi incassa il valore generato dai flussi informativi interni e quanto costa trasformare un modello generale in uno strumento adatto a compiti specifici. Inkling entra nel mercato con questa promessa: restituire margini di sovranità tecnica ed economica agli utilizzatori.
Tinker, il prodotto che può fare la differenza
Il modello da solo non basta. Thinking Machines prova a rendere concreta la sua proposta con Tinker, una piattaforma cloud per il fine-tuning già lanciata in precedenza e ora usata come veicolo commerciale di Inkling. L’idea è semplice: permettere a uno sviluppatore o a un team aziendale di personalizzare un modello industriale senza doversi occupare direttamente della gestione dell’infrastruttura gpu sottostante. È qui che la startup tenta di spostare il discorso dall’annuncio alla produttività.
Il caso più citato finora è quello di Bridgewater Associates. Nel report pubblicato il 30 giugno 2026, Thinking Machines e Bridgewater spiegano di aver usato Tinker per riaddestrare il modello cinese Qwen3-235B su dati e giudizi interni relativi a compiti finanziari. Nella documentazione pubblicata da Thinking Machines, il modello base Qwen registra un’accuratezza media del 44,8%, che sale al 73,48% con una prima fase di addestramento.
Il Wall Street Journal riferisce che il sistema affinato per Bridgewater ha superato GPT-5 e Claude Opus nella selezione di documenti finanziari, con costi di calcolo ridotti di oltre 13 volte. Il dettaglio è importante: il vantaggio competitivo non nasce solo dal modello di partenza, ma dalla qualità dei dati proprietari e dalla capacità di trasformarli in addestramento utile.
Per Thinking Machines questa è la migliore dimostrazione commerciale possibile. Se una grande istituzione finanziaria ottiene risultati migliori con un modello aperto ben specializzato che con i sistemi chiusi più celebrati, allora la tesi di Murati acquista spessore industriale. E cambia anche il linguaggio della concorrenza: non più “chi ha il benchmark più alto”, ma “chi produce più valore nel contesto operativo reale”.
Il nodo geopolitico dei modelli aperti
Il rilascio di Inkling si inserisce anche in una partita geopolitica. Negli ultimi mesi molte aziende statunitensi hanno guardato con interesse ai modelli open-weight cinesi per compiti meno sofisticati, sia per ridurre i costi sia per diversificare i fornitori. Il Wall Street Journal segnala che tra i nomi osservati dal mercato ci sono Alibaba e startup più giovani come Z.ai.
Wired, dal canto suo, nota che alcuni dei migliori modelli aperti oggi arrivano proprio dalla Cina e che Thinking Machines prova a proporsi come alternativa statunitense con prestazioni comparabili.
Anche Axios scrive che nella fase finale dell’addestramento Thinking Machines ha utilizzato dati generati da modelli aperti esistenti, incluso Kimi K2.5 del laboratorio cinese Moonshot AI. Questo dettaglio rende il quadro ancora più interessante: mentre Washington e Silicon Valley discutono di sovranità tecnologica, la filiera dell’ai resta ibrida e interdipendente. Le aziende americane vogliono modelli nazionali aperti, ma continuano a misurarsi con un ecosistema in cui la Cina gioca un ruolo crescente nell’offerta di sistemi efficienti e personalizzabili.
Per Murati, quindi, Inkling non è solo una sfida a OpenAI e Anthropic. È anche un tentativo di evitare che il segmento open-weight di alta fascia finisca presidiato soprattutto da operatori cinesi. Questo aspetto conta per ragioni industriali, ma anche per motivi regolatori, di compliance e di gestione del rischio reputazionale nelle grandi imprese occidentali.
I soldi dietro la strategia
Sul fronte finanziario, Thinking Machines parte da una posizione rara anche per gli standard della corsa all’AI. La startup ha raccolto nel 2025 un seed round da 2 miliardi di dollari, con una valutazione di 12 miliardi, prima ancora di aver rilasciato un modello o un prodotto maturo. La disponibilità di capitale le ha permesso di costruire un team di primo piano, attrarre infrastruttura e reggere il costo di una strategia che abbina ricerca, prodotto e hardware.
A questo si aggiunge la partnership annunciata il 10 marzo 2026 con Nvidia. Nel comunicato ufficiale le due aziende parlano di un accordo pluriennale per distribuire almeno un gigawatt di sistemi Nvidia Vera Rubin di nuova generazione a supporto dell’addestramento dei modelli frontier e delle piattaforme di personalizzazione di Thinking Machines. Nvidia comunica anche di aver effettuato un investimento significativo nella startup. La combinazione tra capitale, accesso ai chip e prodotto verticale spiega perché il mercato segua con attenzione ogni mossa di Murati.
Questo non elimina il problema centrale: costruire e servire modelli di grandi dimensioni resta molto costoso. Proprio per questo l’enfasi su efficienza e fine-tuning non è un dettaglio tecnico, ma la base del conto economico. Se il costo per uso e personalizzazione scende abbastanza, il modello aperto può diventare una scelta non solo tecnica ma finanziaria.
Sicurezza, apertura e limiti della scommessa
Thinking Machines afferma di aver sottoposto Inkling a test di sicurezza, compresi i rischi di supporto alla costruzione di armi biologiche o ad attacchi informatici, e di aver ottenuto buoni risultati. Allo stesso tempo ammette di star ancora studiando come adattare le salvaguardie a un modello con pesi aperti. È uno dei punti più delicati dell’intera operazione, perché i sostenitori dei modelli proprietari usano proprio questo argomento per giustificare un maggior controllo sulle release.
La startup, in sostanza, prova a tenere insieme due obiettivi che spesso vengono presentati come incompatibili: maggiore apertura e uso responsabile. Non è detto che il mercato, i regolatori e la comunità di ricerca diano la stessa risposta. Ma il fatto che la società espliciti questo problema fin dal lancio indica che la partita non si gioca solo sulle prestazioni. Si gioca anche sulla capacità di rendere sostenibile un modello aperto senza trasformarlo in un rischio ingestibile.
Che cosa cambia per OpenAI, Anthropic e per il mercato
Inkling da solo non ribalta gli equilibri dell’AI. Thinking Machines stessa dice che non è il modello complessivamente più forte disponibile oggi. Però il rilascio segna un passaggio più importante del semplice debutto di una nuova startup. Porta nel cuore della competizione una tesi economica precisa: il valore dell’intelligenza artificiale non risiede solo nella scala del modello generale, ma nella capacità di incorporare conoscenza locale, dati privati e vincoli operativi delle singole organizzazioni.
Se questa tesi regge, i grandi laboratori chiusi restano centrali per i modelli di punta, ma smettono di essere l’unico snodo dove passa il valore. Una parte crescente del mercato potrebbe preferire sistemi meno spettacolari nei benchmark pubblici, ma più economici, controllabili e adattabili. È la logica che spinge i cloud provider a offrire cataloghi multi-modello e che incoraggia molte aziende a combinare modelli proprietari, open-weight e soluzioni specializzate.
Per Murati, la prova comincia adesso. Il successo di Inkling non dipenderà solo dall’attenzione mediatica o dalla qualità tecnica del debutto. Dipenderà da quante aziende riusciranno davvero a usare Tinker e i pesi aperti per costruire sistemi migliori dei modelli generalisti sul lavoro quotidiano: finanza, ricerca, documentazione, sviluppo software, assistenza, processi industriali.
Se quel passaggio avverrà, la presa dei giganti sull’AI potrebbe allentarsi non per un crollo improvviso, ma per una lenta redistribuzione del valore verso chi controlla i propri dati e sa trasformarli in vantaggio competitivo.
Partecipa alla community