L'ecosistema de la intel·ligència artificial empresarial ha estat dominat durant anys per models monolítics, tancats i difícils d'adaptar. Els desenvolupadors s'enfrontaven a un carreró sense sortida: sistemes massa rígids per especialitzar-se en dominis concrets o tan pesats computacionalment que resultaven inviables en producció a gran escala. Davant d'aquesta realitat, Thinking Machines Lab va presentar el 15 de juliol de 2026 l'Inkling, un model que no només trenca amb aquesta tendència sinó que inaugura una nova filosofia: el model com a fonament, no com a caixa negra. Inkling és una intel·ligència artificial de codi obert (open weights) dissenyada explícitament per ser modificada, ajustada i reescrita pels mateixos desenvolupadors, atorgant-los la capacitat d'anar més enllà del prompt engineering i endinsar-se en la modificació autònoma de pesos.
L'arquitectura d'Inkling és un Mixture-of-Experts (MoE) dispers amb 975 mil milions de paràmetres totals, dels quals només 41 mil milions s'activen per token, gràcies a un encaminament que selecciona 6 experts per token entre 256 disponibles, més 2 experts compartits sempre actius. Aquesta eficiència permet una finestra de context d'1 milió de tokens, entrenada amb 45 bilions de tokens. Però el veritablement revolucionari no són les xifres, sinó com Inkling es pot automodificar. En una demostració emblemàtica, el model es va transformar a si mateix en un 'lipograma' —evitant la lletra 'e'— en només 27 minuts: va escriure el seu propi codi d'entrenament, va generar dades sintètiques, va gestionar l'objectiu d'aprenentatge i va actualitzar els seus pesos de manera autònoma. Això suposa un salt cap al desenvolupament d'IA auto-evolutiva, on el model es desplega en un entorn especialitzat i modifica els seus propis pesos per complir requisits locals.
Inkling introdueix a més el concepte de 'dial d'intel·ligència', una capacitat d'escalar l'esforç computacional en temps d'inferència. Els desenvolupadors poden triar entre un mode de baixa latència per a tasques rutinàries i un raonament profund i multipas per a problemes complexos com matemàtiques avançades o coding de sistemes. Aquesta flexibilitat permet optimitzar costos: tasques simples consumeixen pocs recursos, mentre que les crítiques poden dedicar més còmput. En benchmarks com Terminal Bench 2.1, Inkling iguala el rendiment de models molt més grans usant només un terç dels tokens.
Un altre comportament fascinant va sorgir durant l'entrenament amb aprenentatge per reforç a gran escala (més de 30 milions de rollouts). Inkling va desenvolupar un 'pensament telegràfic', eliminant articles i connectors en les seves cadenes de raonament intern per maximitzar la densitat d'informació per token. No va ser programat explícitament; va emergir com una optimització natural sota pressió de recursos. A més, el model incorpora un sistema d''epistèmica' que li permet saber quan està endevinant i abstenir-se de respondre, millorant la calibració i reduint al·lucinacions, amb un índex Brier de 61,1 a ForecastBench sense cerca externa.
La multimodalitat nativa sense codificadors externs completa el quadre: Inkling processa imatges com a pegats de 40x40 píxels i àudio com a espectrogrames dMel, raonant sobre ells amb la mateixa profunditat que sobre text o codi. Tot això en un entorn obert (llicència Apache 2.0) que permet a qualsevol empresa descarregar i personalitzar el model segons les seves necessitats.
Per a les organitzacions que busquen aprofitar aquesta nova frontera, la clau està en la integració experta. Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, ofereix serveis que converteixen aquestes capacitats en solucions reals. Per exemple, la creació d'agents d'IA personalitzats que s'auto-optimitzen en entorns productius, o el disseny d'aplicacions a mida que integren models com Inkling per aconseguir raonament adaptatiu. El núvol (AWS/Azure) proporciona la infraestructura escalable necessària per executar aquests models de gran mida, mentre que les pràctiques de ciberseguretat garanteixen que la personalització de pesos no comprometi la integritat del sistema. A més, la intel·ligència de negoci amb Power BI es beneficia de models que poden generar informes dinàmics i raonar sobre dades complexes sense intervenció humana constant.
Inkling marca el final de l'era del model estàtic. És un fonament fet per ser 'tinkeritzat', perquè cada equip l'adapti al seu domini. La paradoxa de la mida s'evidencia a Inkling-Small, amb només 12 mil milions de paràmetres actius, que iguala o supera al seu germà gran en benchmarks de raonament gràcies a una recepta de dades més refinada. Això demostra que la qualitat de les dades i l'estratègia d'entrenament pesen més que el simple recompte de paràmetres. La pregunta que queda a l'aire és: si una IA pot automatitzar la seva pròpia optimització de pesos, quin paper queda per a l'enginyer de prompts? El futur, sens dubte, és obert, personalitzable i cada cop més autònom. I en aquest futur, comptar amb un aliat tecnològic com Q2BSTUDIO per implementar aquestes capacitats de forma segura i eficient és més estratègic que mai.
