Los modelos de IA de EE. UU. reflejan a DeepSeek: peor rendimiento, mayores costos, pero adaptados al cumplimiento normativo estadounidense

El proyecto inaugural de Mustafa Suleyman, antiguo director tecnológico de OpenAI, ha invertido inesperadamente la dinámica del desarrollo de modelos de lenguaje grandes entre China y Estados Unidos. El 15 de julio, lanzó Thinking Machines Lab y presentó su primer modelo, Inkling. Aprovechando una arquitectura de expertos híbridos inspirada en DeepSeek-V3 y utilizando datos sintéticos de modelos abiertos como Kimi K2.5 de Moonshot para la inicialización del entrenamiento posterior, los resultados son matizados. En múltiples pruebas de evaluación, Inkling se queda atrás de Kimi y GLM, con una tarifa notablemente más alta. A pesar de haber recaudado 2000 millones de dólares y alcanzar una valoración de 12000 millones de dólares, el debut no cumplió con las expectativas, aunque Suleyman puede que nunca haya buscado el nivel más alto desde el principio.

Al examar el hardware, Inkling iguala el prestigio de un laboratorio destacado. Emplea una arquitectura de expertos híbridos con 975 mil millones de parámetros totales, activando 41 mil millones por token. El entrenamiento previo utilizó 45 billones de tokens en texto, imágenes, audio y video, admitiendo hasta 1 millón de tokens de contexto. El modelo procesa texto, imágenes y audio, generando texto mientras permite una intensidad de razonamiento ajustable para equilibrar el rendimiento, la velocidad y el costo. Con pesos liberados bajo la licencia permisiva Apache 2.0, los desarrolladores pueden implementarlos por su cuenta o ajustar finamente mediante la plataforma Tinker de Thinking Machines. La estrategia es clara: en lugar de dirigirse directamente a los consumidores, Inkling sirve como base para aplicaciones empresariales de inteligencia artificial.

El informe técnico revela un detalle crítico en su arquitectura. Thinking Machines declara explícitamente que el diseño de expertos híbridos de Inkling sigue a DeepSeek-V3, con numerosos módulos de expertos donde cada token activa solo un subconjunto, junto con el equilibrio de carga de pérdida sin asistente de DeepSeek-V3. La influencia china se extiende al entrenamiento: el entrenamiento posterior comenzó con ajuste fino supervisado utilizando datos sintéticos de modelos de pesos abiertos, citando específicamente Kimi K2.5.

Se perfila una hoja de ruta clara: un laboratorio estadounidense fundado por el antiguo director tecnológico de OpenAI, cuyo primer modelo refleja la arquitectura de DeepSeek, y el entrenamiento posterior depende de los datos de Kimi. Tomar prestado de modelos abiertos no es inherentemente problemático, ya que DeepSeek y Kimi comparten públicamente los pesos y los derechos de uso, construyendo sobre logros públicos. Más impactante aún, a pesar de absorber tecnologías de modelos chinos, Inkling no logra superar a sus predecesores. Thinking Machines admite sinceramente: Inkling no es actualmente el modelo más fuerte, ya sea de código abierto o cerrado.

Las cifras destacan la disparidad. En evaluaciones puras de texto de exámenes humanos finales, Inkling obtuvo un 29,7 %, mientras que Kimi K2.6 y GLM 5.2 alcanzaron el 35,9 % y el 40,1 %, respectivamente. Con herramientas habilitadas, Inkling subió al 46 %, aún por detrás del 54 % de Kimi K2.6 y del 54,7 % de GLM 5.2. En SWE-Bench Pro, que prueba capacidades reales de ingeniería de software, Inkling obtuvo un 54,3 %, en comparación con el 58,6 % de Kimi K2.6 y el 62,1 % de GLM 5.2. La brecha fue más pronunciada en Terminal Bench 2.1, donde Inkling obtuvo un 63,8 %, mientras que Kimi K2.6 y GLM 5.2 alcanzaron el 71,3 % y el 82,7 %, respectivamente.

Inkling destaca en el diseño de aplicaciones web, la comprensión de audio y la evaluación de seguridad, incluso superando a Kimi y DeepSeek en ciertas tareas matemáticas. Sin embargo, aún no ha alcanzado el nivel más alto para el razonamiento integral, la programación y las capacidades de agentes. Las tarifas no ofrecen alivio: en la plataforma Tinker, la versión de 64K cobra 1,87 dólares por millón de Prefill Tokens y 4,68 dólares por millón de Sample Tokens, ya descontados cinco días. La versión de 256K cuesta 3,74 y 9,36 dólares, respectivamente. En comparación con las tarifas de API de Kimi K2.6 de 0,95 dólares para entrada y 4 dólares para salida, y las de GLM 5.2 de 1,4 y 4,4 dólares, el precio de prellenado de Inkling es casi el doble del de Kimi K2.6, con costos de generación más altos y sin una ventaja de precio obvia. La situación es delicada: la arquitectura hace referencia a DeepSeek, el entrenamiento posterior depende de Kimi, el rendimiento se queda atrás de los principales modelos abiertos chinos y las tarifas son más altas.

El interés radica en el trasfondo único de Thinking Machines. La empresa se asemeja a una red de antiguos empleados de OpenAI: presentada en febrero de 2025, el equipo de unas 30 personas incluía a dos tercios procedentes de OpenAI, con otros de Meta y Mistral. Los miembros fundadores incluyeron a John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch y Luke Metz, con Reuters informando que Suleyman reclutó al menos a 20 investigadores de su antiguo empleador.

Suleyman se unió a OpenAI en 2018, contribuyendo a DALL-E, Codex, ChatGPT y Sora, convirtiéndose en director tecnológico en 2022 y sirviendo brevemente como director ejecutivo interino después del despido de Altman en noviembre de 2023. Este grupo, íntimamente familiarizado con el desarrollo y la comercialización de OpenAI, se fue para construir un nuevo sistema técnico, lo que llevó a los externos a esperar una ruta inspirada en OpenAI. En cambio, la fuente técnica principal apunta a modelos chinos, lo que señala un cambio drástico: aquellos que conocían mejor a OpenAI adoptaron finalmente el plano técnico de los modelos chinos.

Esta conclusión requiere un análisis cuidadoso. Los modelos de última generación recientes de OpenAI son de código cerrado, lo que impide el acceso externo a los pesos, la arquitectura o los planes de entrenamiento. Incluso si Suleyman conocía las tecnologías internas, no podría transferir los secretos comerciales de OpenAI a la nueva empresa. Por el contrario, DeepSeek y Kimi han liberado públicamente los pesos e informes técnicos, permitiendo que sus arquitecturas, métodos de entrenamiento y herramientas sean investigados y reutilizados legalmente.

Inkling es un modelo de pesos abiertos, y para las empresas que construyen un ecosistema abierto, adoptar soluciones maduras de modelos abiertos como DeepSeek y Kimi es una elección de ingeniería lógica. Desarrollar un modelo abierto ignorando los logros chinos públicamente disponibles incurriría en mayores costos de prueba y error. Por lo tanto, inspirarse en modelos chinos no demuestra que Suleyman crea que DeepSeek supera a OpenAI. Las diferencias en apertura y condiciones de referencia son distintas, pero la señal es clara: los modelos chinos se han convertido en una referencia clave para los equipos de inteligencia artificial estadounidenses en el espacio de pesos abiertos.

La verdadera pregunta es por qué Thinking Machines, con arquitecturas y experiencias de entrenamiento existentes, produjo un Inkling con un rendimiento más débil y precios más altos. Suleyman tiene un equipo de primera, fondos abundantes y los últimos sistemas de entrenamiento de NVIDIA. No hay razón para pasar por alto estas brechas, lo que sugiere que la alternativa de alto costo puede ser una decisión calculada.

Considerando el tratamiento de Thinking Machines, Inkling debería ser más que un modelo decente. En julio de 2025, la empresa completó una ronda de semillas de 2000 millones de dólares antes de lanzar cualquier producto, valorándola en 12000 millones de dólares, con inversores que incluyen a16z, NVIDIA, AMD y Sequoia. Cuatro meses después, las negociaciones apuntaban a una valoración de hasta 500000 millones de dólares, posicionando a la empresa como un posible competidor de OpenAI y Anthropic. Lanzar un producto que rinde por debajo de los modelos chinos y cuesta más no cumple con las expectativas. Sin embargo, desde una perspectiva empresarial, Suleyman puede que nunca haya tenido la intención de ganar las pruebas de evaluación.

La empresa enfatiza los pesos abiertos, la multimodalidad y la personalización, alentando a las empresas a utilizar Tinker para ajustar finamente Inkling en modelos especializados para atención al cliente, programación y agentes industriales. Suleyman apuesta por un mercado que no prioriza las clasificaciones de las pruebas de evaluación. Las empresas se preocupan más por la implementación privada, el control de datos y el entrenamiento continuo según sus necesidades comerciales. Gran parte de esta demanda es satisfecha por los modelos abiertos chinos: OpenAI y Anthropic siguen siendo de código cerrado, y después de que Llama4 de Meta no rindiera como se esperaba, redujo sus esfuerzos de código abierto. Mientras tanto, DeepSeek, Kimi, Qwen y GLM liberan continuamente pesos, con un rendimiento cercano a los modelos cerrados estadounidenses a precios mucho más bajos.

Las empresas estadounidenses han respondido rápidamente: según los datos de OpenRouter proporcionados a CNBC, desde febrero de 2026, la cuota semanal de modelos chinos en tokens llamados por empresas estadounidenses a través de la plataforma ha superado el 30 %, alcanzando el 46 %, en comparación con un promedio del 4,5 % en la primera mitad de 2025. Cursor probó múltiples modelos base para Composer2, eligiendo finalmente Kimi K2.5 por su fuerte evaluación. Bridgewater Fund ajustó finamente Qwen de Alibaba a través de Tinker, logrando mejores resultados que algunos modelos cerrados de primera categoría. Los modelos abiertos chinos se han convertido en un atajo para ahorrar costos para las empresas estadounidenses, pero este camino ahora está bajo presión.

Simultáneamente, el ambiente regulatorio estadounidense hacia los modelos chinos de inteligencia artificial se está endureciendo. Departamentos relevantes han emitido advertencias sobre seguridad de datos, fuentes de modelos y riesgos de la cadena de suministro, con algunas empresas que utilizan modelos chinos enfrentando investigaciones. Incluso sin restricciones unificadas, la incertidumbre política afecta las elecciones empresariales, especialmente para aquellas que manejan negocios gubernamentales y datos sensibles.

Esto crea un espacio de mercado para Inkling: un modelo de pesos abiertos de una empresa estadounidense, que utiliza la licencia Apache 2.0, admite implementación privada y personalización. Las empresas estadounidenses lo eligen sin preocuparse por controversias políticas por el uso de modelos chinos, lo que facilita pasar las revisiones de cumplimiento de clientes gubernamentales y grandes corporaciones. El verdadero valor de Inkling radica en esta certeza de cumplimiento: Suleyman transformó los logros públicos de DeepSeek y Kimi en un modelo proporcionado por una empresa estadounidense. No necesita derrotar a los modelos chinos en las pruebas de evaluación, solo ser una opción aceptable para las empresas estadounidenses reacias a continuar utilizando modelos chinos. Esto explica su precio más alto: la política ha reducido el ámbito competitivo, haciendo que las brechas de rendimiento y precio sean menos críticas. Para algunas empresas estadounidenses, un modelo ligeramente más débil y más caro es suficiente.