Mira Murati, conocida por su trayectoria en inteligencia artificial, ha presentado junto a Thinking Machines Lab una visión que desafía el paradigma actual de modelos centralizados y congelados. Su propuesta: una IA distribuida, personalizable y moldeada por los usuarios, donde el conocimiento tácito y local de cada organización pueda ser incorporado directamente en los pesos del modelo. Este enfoque no solo cambia la arquitectura técnica, sino que redefine quién controla y alinea la inteligencia artificial.
La idea central es que la mayor parte del conocimiento valioso en empresas e instituciones es tácito, se actualiza constantemente mediante la retroalimentación y no puede ser extraído ni capturado en una base de datos estática. Un chef que perfecciona una receta, un médico que adapta protocolos o un abogado que afina su estilo: todos ellos poseen un saber que la IA tradicional, entrenada una vez y luego congelada, no puede reflejar. Thinking Machines Lab propone que la IA debe ser distribuida para gestionar ese conocimiento distribuido, no para extraerlo ni reemplazarlo.
Para lograrlo, el laboratorio ha definido cuatro direcciones técnicas. La primera consiste en entrenar modelos multimodales con capacidad de interacción continua y personalización. La segunda, desarrollar herramientas como Tinker, que permiten a los equipos técnicos ajustar los pesos de los modelos mediante técnicas como LoRA (Low-Rank Adaptation). La tercera, construir interfaces que amplíen el canal de comunicación humano-máquina, pasando de turnos de texto a micro-turnos de unos 200 milisegundos que integran audio, vídeo y texto en tiempo real. La cuarta, publicar investigación abierta para que más ingenieros comprendan cómo se construyen los modelos.
Este cambio de paradigma tiene implicaciones profundas para empresas que buscan adoptar IA de manera soberana. En lugar de alquilar un modelo fijo que apenas puede ser modificado mediante instrucciones superficiales, las organizaciones pueden poseer adaptadores de pesos exportables, entrenados con sus propios datos y que reflejan sus valores y procesos. Por ejemplo, un hospital podría afinar un modelo con sus protocolos internos manteniendo los datos y los pesos en sus instalaciones. Un despacho de abogados podría adaptar el modelo a su estilo y actualizarlo cada vez que cambien las directrices internas. Un equipo de soporte técnico podría corregir al modelo en plena interacción, guiándolo con micro-turnos continuos.
Desde una perspectiva técnica, Thinking Machines Lab plantea que la alineación no debe ser un único punto de captura centralizado. Si todo el poder de decidir qué valores incorpora un modelo reside en un solo laboratorio, se crea un riesgo de captura o sesgo uniforme. Por eso, proponen que los valores se codifiquen en los pesos, no en los prompts. Los prompts cambian la capa superficial del comportamiento, pero los hábitos profundos del modelo permanecen fijos. En cambio, los pesos ajustados mediante fine-tuning llevan consigo la huella de la organización que los entrenó.
Esta visión conecta directamente con la necesidad de contar con infraestructura técnica adecuada. Las empresas que deseen implementar este tipo de IA distribuida requieren plataformas de desarrollo de software a medida que integren modelos abiertos, sistemas de almacenamiento seguro, y capacidades de orquestación en la nube. Aquí es donde compañías como Q2BSTUDIO aportan su experiencia, ofreciendo servicios que van desde la personalización de modelos de lenguaje hasta la integración con entornos cloud como AWS o Azure, garantizando que los datos y los adaptadores permanezcan bajo control del cliente.
Además, la seguridad se convierte en un pilar fundamental. Al poseer los pesos del modelo y los datos de entrenamiento, la organización debe protegerse contra accesos no autorizados y posibles fugas de información. Los servicios de ciberseguridad resultan esenciales para auditar el pipeline de fine-tuning, blindar los entornos de inferencia y garantizar que la IA personalizada no exponga vulnerabilidades. Igualmente, la inteligencia de negocio (BI) y herramientas como Power BI se benefician de modelos que comprenden el lenguaje propio de la empresa, permitiendo generar informes y análisis contextualizados sin depender de asistentes genéricos.
Los agentes de IA, una de las tendencias más prometedoras, también encajan en esta filosofía. En lugar de agentes autónomos que actúan sin supervisión, Thinking Machines Lab aboga por agentes colaborativos que interactúan en micro-turnos con los humanos, corrigiendo su rumbo en tiempo real. Esto permite tareas complejas donde la inteligencia humana y la artificial se complementan, como la revisión de documentos legales o el diagnóstico asistido por imagen. La combinación de fine-tuning local con interfaces multimodales abre la puerta a sistemas que aprenden y se adaptan al contexto específico de cada equipo.
En definitiva, la propuesta de Mira Murati y Thinking Machines Lab representa un giro hacia una IA más democrática y útil. No se trata de construir modelos más grandes, sino de distribuirlos de manera que cada organización pueda cultivar su propio conocimiento sin perder el control. Para que esta visión sea práctica, se necesita un ecosistema de herramientas de desarrollo, plataformas cloud seguras y consultoría especializada. Empresas como Q2BSTUDIO están preparadas para acompañar a las organizaciones en este camino, ofreciendo soluciones de software a medida, integración en la nube y protección de datos, para que la IA personalizada sea una realidad operativa y no solo un concepto teórico.
