El Primer Producto Tinker de Mira Murati Enfrenta una Batalla Cuesta Arriba Mientras Ingenieros Cuestionan su Propuesta de Valor
El primer producto de la startup de Mira Murati recibe un frío recibimiento
Los ingenieros dudan del beneficio de su API de ajuste fino mientras los rivales de código abierto se mantienen fuertes
SAN FRANCISCO — Cuando Mira Murati salió de OpenAI el otoño pasado, tras meses de supuesta tensión, el mundo de la IA contuvo el aliento. La exdirectora de tecnología, considerada durante mucho tiempo una de las voces más influyentes de la compañía, tenía algo nuevo entre manos. Esta semana, su startup Thinking Machines finalmente desveló el misterio. ¿El producto debut? Tinker: una API gestionada que promete hacer que el ajuste fino de grandes modelos de lenguaje de peso abierto sea mucho menos engorroso.
Sin embargo, en lugar de aplausos, el lanzamiento fue recibido con escepticismo.
«Unsloth es mucho mejor», comentó un ingeniero de CTOL.digital en nuestro canal interno de Slack, resumiendo gran parte de la reacción inicial de la industria. El análisis de nuestro equipo señala serias dudas sobre si Tinker realmente ofrece algo nuevo.
Para Murati, lo que está en juego no podría ser mayor. Al lanzar un servicio de ajuste fino en lugar de perseguir el próximo gran modelo al estilo GPT, está apostando a que el futuro de la IA reside en la personalización. Es un golpe directo a la filosofía de "caja cerrada" de su exempleador, y una apuesta que podría validar la elevada valoración de Thinking Machines o exponerla como sobrevalorada.
La Promesa: Simplificar la Parte Más Difícil
Sobre el papel, Tinker hace una oferta sencilla. Se encarga de los complejos dolores de cabeza de la infraestructura (como la programación, la asignación de recursos y la recuperación de fallos), al tiempo que otorga a los investigadores el control sobre sus datos y algoritmos. Los equipos pueden pasar de un modelo a otro, desde construcciones más pequeñas hasta gigantes masivos como Qwen-235B-A22B, con una sola línea de código.
El sistema funciona en los clústeres internos de Thinking Machines y utiliza LoRA (Adaptación de Rango Bajo) para extender los recursos computacionales a través de múltiples tareas de entrenamiento, reduciendo potencialmente los costes. Para ayudar a los desarrolladores a empezar, la compañía también lanzó el «Tinker Cookbook», una biblioteca de código abierto de métodos modernos de post-entrenamiento.
Algunos grupos de investigación de peso ya han probado el producto. Equipos de Princeton, Stanford y Berkeley probaron Tinker en proyectos que abarcan desde la demostración de teoremas matemáticos hasta el razonamiento químico. Redwood Research incluso lo usó para entrenar Qwen3-32B en problemas complejos de control de IA.
El Problema: Convencer a Alguien de que Es Diferente
Aquí está el inconveniente: nada de eso responde a la pregunta que los ingenieros siguen planteándose: ¿por qué cambiar de las herramientas de código abierto en las que ya confían?
La revisión del equipo de ingeniería de CTOL.digital destaca dos puntos débiles. El primero es la pura y simple duda. Sin evaluaciones comparativas publicadas que comparen Tinker con sistemas probados como Unsloth o TRL, los desarrolladores no tienen cifras concretas para juzgar si es más rápido, más barato o más estable. Lo que quieren son «ventajas claras y probadas». Hasta ahora, no las han visto.
El segundo golpea más fuerte. Algunos ingenieros descartan Tinker como un «espectáculo para inversores», una herramienta construida para impresionar a los patrocinadores en lugar de servir a los usuarios reales. Una vez que esa percepción se afianza, los argumentos superficiales sobre la facilidad de uso no lo arreglarán.
«Queremos resultados transparentes y reproducibles que superen a las pilas actuales en coste y rendimiento», afirma rotundamente uno de nuestros ingenieros. Hasta que esos aparezcan, la sospecha prevalece.
Lo que Falta: Pruebas Convincentes
El mayor vacío en el debut de Tinker es fácil de detectar: la ausencia de evaluaciones comparativas independientes. No se ha publicado ni una sola ejecución de entrenamiento que lo compare con alternativas en las métricas que realmente importan: coste por token, rendimiento, estabilidad del entrenamiento, tiempo de convergencia.
Ese silencio deja a los ingenieros adivinando en lugar de evaluando. No pueden saber si la infraestructura gestionada de Tinker realmente aligera la carga, o si su truco LoRA realmente ahorra dinero en comparación con ejecutar Unsloth en GPUs alquiladas.
Igualmente notable es lo que no se dice. La falta de informes detallados de errores o análisis de fallos sugiere que la mayoría de los desarrolladores aún no han invertido un tiempo serio en probarlo. Una vez que el acceso beta se amplíe y los usuarios empiecen a compartir registros, configuraciones y errores reproducibles, la retroalimentación se endurecerá en críticas agudas o se suavizará hasta la aceptación.
El Panorama General: Una Apuesta Contra la Fiebre de la IGA
El lanzamiento de Tinker también revela algo más profundo sobre la perspectiva de Murati. Al elegir la infraestructura de ajuste fino en lugar del desarrollo de modelos de frontera, está señalando que no espera un salto innovador hacia la inteligencia general artificial en un futuro cercano.
Esa visión la coloca en compañía de otros exalumnos de OpenAI, como el cofundador John Schulman y los investigadores Barret Zoph y Luke Metz, quienes han virado hacia modelos de peso abierto. Juntos, sus movimientos sugieren una creencia compartida: ahora mismo, adaptar modelos abiertos ofrece un valor más práctico que competir por el próximo sistema cerrado gigante.
El debate llega al corazón de la industria de la IA. ¿Proviene el progreso de la construcción de modelos cada vez más grandes y estrictamente vigilados, o de la invención de formas más inteligentes de adaptar los que ya existen?
El Camino a Seguir: Demuéstralo o Desaparece
Thinking Machines está sacando gradualmente a los usuarios de la lista de espera. El servicio es gratuito durante la beta, pero la fijación de precios cambiará pronto a un modelo basado en el uso. Cuando se le preguntó sobre la fría recepción entre los ingenieros, la compañía se negó a hacer comentarios. Tampoco compartió datos de evaluación comparativa contra sistemas rivales.
Ese silencio deja solo un camino a seguir. Para ganarse la confianza, el equipo de Murati necesita publicar pruebas contundentes: evaluaciones comparativas reproducibles, ahorros de costes reales, mejoras en la estabilidad y aumentos de productividad documentados con curvas de entrenamiento reales. Sin ellas, Tinker corre el riesgo de ser recordado como un debut llamativo que no logró consolidarse.
Algunos ingenieros de CTOL.digital lo dicen sin rodeos: «Esperen críticas más sustantivas una vez que la beta se expanda y los usuarios publiquen configuraciones, registros y resultados de fallos. Pero, esperen, ¿están llorando los inversores ahora?»
La reputación de Murati de sus años en OpenAI todavía le otorga atención. Si la mantiene, dependerá de lo que venga después, no de promesas, sino de pruebas.