El debate que La Ecuación Digital viene planteando desde hace meses sobre inteligencia artificial entra ahora en una fase más explícita: la cuestión relevante para las empresas ya no pasa solo por acceder al modelo más potente, sino por saber quién decide cómo se adapta esa inteligencia al trabajo real de cada organización. Thinking Machines Lab, la compañía fundada por Mira Murati, ha situado esa idea en el centro de su visión pública con un mensaje que combina ambición técnica, crítica a la centralización y una defensa de la IA personalizable como infraestructura empresarial.
La compañía sostiene que la inteligencia artificial debe extender la voluntad y el juicio humano, no sustituirlos ni dejarlos fuera del proceso. La formulación tiene una carga filosófica evidente, aunque su derivada más concreta está en el terreno operativo: modelos que puedan aprender del conocimiento local de una empresa, interfaces capaces de sostener una colaboración continua y herramientas que permitan adaptar el comportamiento de la IA más allá de una instrucción escrita en una caja de texto.
Thinking Machines Lab se presenta como una empresa de investigación y producto centrada en sistemas de IA más comprensibles, personalizables y capaces de trabajar con personas. En mayo, la compañía presentó una vista previa de sus interaction models, modelos diseñados para procesar audio, vídeo y texto de forma continua y responder en tiempo real, en lugar de funcionar como una capa conversacional añadida sobre arquitecturas pensadas para otro tipo de uso.
La IA personalizable frente al modelo genérico
El planteamiento de Thinking Machines Lab parte de una crítica al modo en que se consume buena parte de la IA generativa actual. Los modelos se entrenan en pocos megacentros de datos, se distribuyen después como servicios relativamente cerrados y llegan a las organizaciones con una capacidad limitada para absorber el conocimiento específico que emerge en el trabajo diario. La empresa no niega el valor de los modelos frontera. Al contrario, afirma que la inteligencia del modelo sigue siendo una base necesaria. La diferencia está en qué ocurre después de entrenarlo.
Murati y su equipo colocan el foco en el conocimiento tácito: aquello que no siempre está documentado, que cambia con la experiencia y que suele residir en equipos, procesos, decisiones acumuladas y criterios difíciles de convertir en una base de datos. Para una empresa, esa distinción es relevante. La ventaja competitiva no está solo en disponer de más información, sino en cómo se interpreta, cuándo se aplica y qué excepciones se reconocen en cada contexto.
El manifiesto de Thinking Machines Lab utiliza ejemplos sencillos, como un chef que ajusta una receta o un comerciante que reorganiza precios y productos, para defender una idea conocida en economía y gestión: el conocimiento productivo está distribuido. En una compañía tecnológica, industrial, financiera o sanitaria, ese conocimiento aparece en la forma de procedimientos internos, prioridades comerciales, estándares de calidad, restricciones regulatorias y hábitos profesionales. No siempre es visible desde fuera. Tampoco permanece estable.
Ahí se abre la distancia con una IA genérica. Un modelo puede ser capaz de programar, resumir documentos o resolver tareas complejas, pero eso no garantiza que entienda los criterios particulares de una organización. La personalización mediante prompts puede ajustar la superficie de la respuesta. Thinking Machines Lab plantea algo más profundo: que las empresas puedan adaptar modelos a sus necesidades, incluso mediante entrenamiento de pesos, una frontera mucho más delicada desde el punto de vista técnico y de seguridad.
Del prompt al control del comportamiento
La personalización de la IA suele presentarse como una cuestión de interfaz: mejores instrucciones, memoria de usuario, conectores con aplicaciones internas o agentes integrados en flujos de trabajo. Thinking Machines Lab desplaza el debate hacia la arquitectura del modelo. Su argumento es que, si los valores, preferencias y criterios de una organización solo influyen a través del prompt, el sistema cambia de tono, pero no necesariamente de hábitos.
Esa idea conecta con una preocupación creciente entre directivos. Muchas empresas han empezado a incorporar asistentes de IA en atención al cliente, desarrollo de software, análisis comercial o gestión documental. Sin embargo, el control real sobre el comportamiento del sistema sigue siendo limitado cuando el proveedor mantiene el núcleo del modelo, decide sus reglas de alineamiento y actualiza sus capacidades sin que el cliente tenga plena visibilidad sobre los cambios.
La propuesta de la tecnológica abre un terreno más exigente para la gobernanza de la IA. Permitir que una organización modifique de forma significativa el comportamiento de un modelo puede aumentar su utilidad, pero también amplifica los riesgos: sesgos internos, usos indebidos, pérdida de trazabilidad, problemas de cumplimiento o exposición de conocimiento sensible. El propio texto de la compañía reconoce que la capacidad de moldear un modelo también puede emplearse con fines dañinos.
Para el mercado empresarial, este punto será decisivo. La promesa de una IA más adaptable no puede separarse de la necesidad de auditoría, gobierno del dato y límites operativos. Cuanto más cerca esté el modelo de los procesos críticos, mayor será la exigencia de explicar cómo aprende, quién lo modifica, qué controles existen y qué ocurre cuando sus recomendaciones entran en conflicto con las políticas internas.
Interaction models: colaboración frente a autonomía
Uno de los elementos más concretos de la visión de Thinking Machines Lab es su apuesta por los interaction models. La compañía sostiene que la colaboración entre humanos e IA no puede quedar limitada al formato dominante de hoy, una instrucción escrita, una espera y una respuesta. En el trabajo real, las personas corrigen, interrumpen, señalan, reformulan y cambian de criterio sobre la marcha.
Los modelos de interacción intentan trasladar esa dinámica a la IA. Según la explicación técnica publicada por la empresa, estos sistemas están pensados para captar información multimodal de manera continua y actuar en tiempo real, con la interacción integrada en el propio modelo y no como una capa externa.
El movimiento conecta con una dirección que ya empieza a verse en el mercado, como el lanzamiento de GPT-Live por parte de OpenAI, orientado a conversaciones de voz más naturales, continuas y capaces de gestionar interrupciones. La diferencia está en el alcance: Thinking Machines Lab plantea ese salto como una arquitectura nativamente multimodal, con audio, vídeo y texto en tiempo real, no solo como una evolución de la interfaz de voz. En el trabajo real, las personas corrigen, interrumpen, señalan, reformulan y cambian de criterio sobre la marcha.
Ese énfasis en la interacción desplaza el foco respecto a otra línea dominante de la industria. Buena parte del sector se ha orientado en los últimos meses hacia agentes capaces de ejecutar tareas durante periodos cada vez más largos con menor intervención humana. Esa dirección seguirá avanzando, sobre todo en software, análisis de datos y automatización administrativa. Sin embargo, Thinking Machines introduce un matiz: medir solo cuánto tiempo puede trabajar un sistema por sí mismo deja fuera la pregunta sobre qué pueden lograr personas y máquinas cuando colaboran de manera continua.
Para una organización, esa distinción afecta a la implantación. Un agente autónomo puede ser útil para tareas cerradas, repetibles y bien evaluadas. En decisiones abiertas, con objetivos cambiantes o conocimiento local, la autonomía total puede generar fricción. La colaboración en tiempo real, si funciona, permitiría que la IA acompañe procesos sin expulsar al experto humano del circuito de decisión.
Una crítica a la concentración de la IA
El texto de Thinking Machines también contiene una crítica más amplia al poder que acumulan los grandes laboratorios de IA. La compañía advierte de que los valores, la voz y los límites de los modelos están siendo definidos por un número reducido de organizaciones. En sistemas cada vez más presentes en decisiones profesionales, esa concentración no es solo técnica. También afecta a la cultura empresarial, la competencia y la gobernanza.
La visión de Murati apuesta por una alineación más distribuida: un ecosistema de modelos moldeados en distintos lugares, por distintas personas y con criterios diversos. Es una posición atractiva para empresas que quieren evitar una dependencia excesiva de proveedores únicos. También plantea preguntas complejas. La diversidad de modelos puede favorecer la adaptación, pero complica la estandarización, la supervisión y la interoperabilidad.
El contraste más interesante está en la infraestructura. Thinking Machines defiende una IA distribuida, aunque opera en una industria donde el acceso al cómputo está concentrado en muy pocos actores. Reuters informó en marzo de 2026 de un acuerdo plurianual con Nvidia que incluye acceso a al menos un gigavatio de procesadores de próxima generación, junto a una inversión estratégica del fabricante de chips. TechCrunch publicó en abril que la compañía también había firmado un acuerdo multimillonario con Google Cloud para ampliar el uso de infraestructura de IA basada en GPUs de Nvidia.
Esa paradoja no invalida el planteamiento, pero lo sitúa en su terreno real. Construir una alternativa a los grandes laboratorios exige operar con los mismos recursos escasos que explican la concentración del mercado: capital, talento, datos, energía, chips y acuerdos cloud. La descentralización de la experiencia de uso no implica necesariamente descentralización de la cadena industrial que la hace posible.
La derivada empresarial de la visión de Murati
La visión de Thinking Machines llega en un momento en el que muchas empresas están pasando de la experimentación con IA generativa a decisiones más estructurales. Ya no se trata solo de probar asistentes, generar textos o acelerar código. La cuestión empieza a ser qué parte del conocimiento corporativo se entrega a sistemas externos, qué capacidad de adaptación tienen esos sistemas y qué dependencia se crea cuando una organización integra IA en procesos de negocio.
En ese terreno, el mensaje de Murati funciona como una señal de mercado. La próxima fase de la IA empresarial no se decidirá únicamente en benchmarks de rendimiento, sino en la capacidad de combinar potencia, personalización y control. Los proveedores que consigan ofrecer modelos avanzados sin borrar las diferencias operativas de cada cliente tendrán una ventaja clara. Los que prometan autonomía sin mecanismos de supervisión suficientes encontrarán más resistencia en sectores regulados o intensivos en conocimiento experto.
La visión de Murati conecta, además, con una línea que otras compañías han empezado a formular desde el terreno de la gobernanza. Paula Goldman, responsable de uso ético y humano en Salesforce, defiende que la IA empresarial necesita mantener a las personas «al mando», con mecanismos de supervisión, confianza y alfabetización que permitan corregir el comportamiento de los agentes cuando operan en procesos reales. La diferencia está en el punto de partida: Salesforce lo plantea desde la adopción responsable de agentes en la empresa; Thinking Machines lo lleva al diseño del modelo, a la interfaz y a la capacidad de personalización profunda.
Thinking Machines no ha resuelto todavía todas las tensiones que plantea. Su visión exige modelos más interactivos, herramientas de ajuste más seguras y una forma de medir el valor de la colaboración humano-IA que no dependa solo de tareas autónomas. También requiere convencer a las empresas de que personalizar un modelo no implica asumir una carga técnica imposible de gobernar.
En la empresa, el debate acaba trasladándose al control operativo. La inteligencia artificial empezará a influir en decisiones, procesos, conocimiento interno y ventaja competitiva, y la potencia del modelo no bastará para medir su valor. Pesará también la capacidad de cada organización para personalizarlo, supervisarlo y entender qué aprende, qué automatiza y qué recomienda.
