La jugada de Murati que redefine el mercado de la IA
Thinking Machines Lab, la startup de inteligencia artificial fundada por Mira Murati tras su salida de OpenAI, está a punto de cerrar una ronda de financiación de 5,000 millones de dólares liderada por la firma de capital de riesgo Accel, según informaron el 6 de noviembre de 2026 Business Insider y The Information. La operación asigna a la empresa una valoración previa a la inversión de 40,000 millones de dólares, más del triple de los 12,000 millones que tenía cuando recaudó su ronda semilla en julio de 2025. En paralelo, Nvidia —el fabricante de chips que se ha convertido en el árbitro del ecosistema de IA— negocia una inversión adicional de aproximadamente 2,500 millones de dólares que elevaría la valoración post-money a cerca de 45,000 millones. El cierre formal de la ronda podría producirse en los días siguientes a esta publicación, según las mismas fuentes.
La noticia coincide con el lanzamiento de Inkling 2 Small, el segundo modelo de la familia Inkling de Thinking Machines Lab, presentado el 5 de noviembre de 2026 a través de Tinker, la plataforma propia de la empresa. El modelo, basado en una arquitectura de mezcla de expertos con 594,000 millones de parámetros totales y 17,000 millones activos por token, está diseñado específicamente para alimentar agentes de inteligencia artificial y sistemas multiagente. Es una declaración de intenciones que sitúa a la empresa de Murati en el centro del debate sobre los modelos de siguiente generación orientados a la autonomía computacional.
De OpenAI a su propio laboratorio: el camino de Murati
El nombre de Mira Murati lleva aparejada una historia inseparable de la de OpenAI, el laboratorio que transformó la industria tecnológica global con el lanzamiento de ChatGPT en noviembre de 2022. Murati llegó a la empresa en 2018, cuando era una organización relativamente pequeña financiada por figuras como Elon Musk y Reid Hoffman. Con los años escaló hasta convertirse en vicepresidenta de investigación y, en 2022, fue nombrada directora de tecnología, un cargo desde el que supervisó el desarrollo de los sistemas más influyentes del sector: GPT-4, DALL-E y la propia arquitectura que alimenta ChatGPT.
En noviembre de 2023, Murati protagonizó uno de los episodios más tensos de la historia reciente de Silicon Valley. Cuando el consejo directivo de OpenAI destituyó abruptamente a Sam Altman, Murati asumió el rol de CEO interina en medio del caos institucional. Durante las 48 horas más turbulentas de la empresa, fue la cara visible de una organización que intentaba encontrar su equilibrio mientras los empleados amenazaban con dimitir en masa. Altman regresó pocos días después, pero el episodio reveló el peso que Murati tenía dentro de la organización y la confianza que el equipo depositaba en ella para sortear la crisis.
Su renuncia, anunciada el 25 de septiembre de 2024, se produjo en la misma semana en que otros ejecutivos de alto rango —John Schulman e Ilya Sutskever— también dejaban la empresa, en una oleada de salidas que generó especulación sobre la cultura interna de OpenAI. Murati no explicó públicamente sus razones en detalle, aunque declaró que se tomaba tiempo para explorar nuevas oportunidades. Cinco meses después, en febrero de 2025, el nombre de su nuevo proyecto quedó confirmado: Thinking Machines Lab.
Los fundadores, la misión y la estructura corporativa
La presentación pública de Thinking Machines Lab en febrero de 2025 llegó acompañada de un equipo fundador que leía como un directorio de exelite técnica de OpenAI. Barret Zoph, que había sido vicepresidente de Investigación, se incorporó como CTO inicial. Luke Metz y Sam Schoenholz, investigadores con trayectorias sólidas en el campo del aprendizaje automático, completaron el núcleo fundador. La empresa se constituyó como public benefit corporation —una figura jurídica que, a diferencia de una corporación ordinaria, establece compromisos explícitos con un propósito social y de bien público—, y Murati retuvo poder de voto decisivo en los asuntos del consejo directivo.
La misión declarada de la empresa apunta a construir sistemas de IA más comprensibles, personalizables y de mayor capacidad general. El énfasis se pone en la multimodalidad nativa —la capacidad de procesar simultáneamente texto, imagen y audio desde el diseño base del modelo— y en lo que la empresa denomina colaboración humano-IA: una visión en la que los sistemas de inteligencia artificial funcionan como asistentes activos y no como herramientas pasivas. Desde el primer día, el posicionamiento de Thinking Machines Lab intentó diferenciarse de OpenAI no solo en términos de estructura corporativa, sino también en la filosofía técnica que guía sus decisiones de diseño.
La ronda semilla y la crisis de talento que puso a prueba el proyecto
En julio de 2025, Thinking Machines Lab cerró una ronda semilla de 2,000 millones de dólares liderada por Andreessen Horowitz (a16z), con participación de Accel y Nvidia. La valoración fue de aproximadamente 12,000 millones de dólares, una cifra que para un proyecto de apenas unos meses de vida ya resultaba extraordinaria y que reflejaba la fe del mercado en la capacidad de Murati para construir un laboratorio competitivo.
Sin embargo, entre octubre de 2025 y enero de 2026, la empresa vivió una crisis de talento que amenazó con desestabilizar su proyecto fundacional. Aproximadamente un tercio de su equipo fundador abandonó la empresa en un período de pocos meses. Barret Zoph regresó a OpenAI en enero de 2026, según reportes que señalaban que su salida no había sido del todo amistosa. Luke Metz se fue a Meta. Sam Schoenholz también regresó a OpenAI. Las bajas no eran ordinarias: eran los investigadores que habían dado forma a la identidad técnica de la empresa desde su nacimiento.
La causa principal de estas salidas fue, según los reportes, los paquetes de compensación extremadamente agresivos que Meta y OpenAI estaban ofreciendo a investigadores de primer nivel. En un mercado donde el talento en IA es el recurso más escaso y disputado del planeta, la capacidad de retener a los mejores se convierte en un desafío existencial para cualquier startup, independientemente del renombre de su fundadora. La guerra por el talento no tiene armisticio en el sector de la inteligencia artificial.
La respuesta de Murati fue nombrar como nuevo CTO a Soumith Chintala, una figura con credenciales únicas en la comunidad de deep learning. Chintala es uno de los creadores originales de PyTorch, el framework de aprendizaje profundo que domina la investigación académica y buena parte de la industria. Su llegada aportó no solo capacidad técnica sino también credibilidad en la comunidad open source, una señal estratégica relevante para una empresa que apuesta por los modelos con pesos abiertos como palanca de adopción.
El primer Inkling y la apuesta por los modelos abiertos
En julio de 2026, Thinking Machines Lab lanzó el modelo Inkling original, con 975,000 millones de parámetros totales y 41,000 millones de parámetros activos. El modelo admitía texto, imagen y audio como entradas, contaba con una ventana de contexto de un millón de tokens —una capacidad que permite procesar documentos de gran extensión o conversaciones largas sin perder coherencia— y sus pesos fueron publicados bajo una licencia permisiva desde el primer día.
La decisión de hacer públicos los pesos del modelo desde el lanzamiento fue una señal estratégica significativa. En un mercado donde OpenAI y Anthropic mantienen sus modelos más potentes como sistemas propietarios de acceso API, el movimiento de Thinking Machines Lab alineó a la empresa con Meta y su estrategia Llama, que ha demostrado que los modelos abiertos generan ecosistemas de adopción más amplios y retroalimentación técnica más rica. La apertura de los pesos también facilita que investigadores académicos, empresas medianas y desarrolladores individuales construyan sobre los modelos de Thinking Machines Lab sin barreras de acceso, generando una comunidad de dependencia tecnológica que a largo plazo refuerza la posición de la empresa en el mercado.
Inkling 2 Small: arquitectura MoE y orientación a agentes
El 5 de noviembre de 2026, un día antes de que se filtraran los detalles de la nueva ronda de financiación, Thinking Machines Lab publicó Inkling 2 Small en su plataforma Tinker. El nombre puede resultar paradójico: con 594,000 millones de parámetros totales, no es precisamente un modelo pequeño en términos absolutos. La denominación “Small” alude a su posición dentro de la familia Inkling 2 y a su arquitectura de mezcla de expertos, que permite ejecutar inferencias activando solo 17,000 millones de parámetros por token, lo que lo hace considerablemente más eficiente en términos de cómputo que los modelos densos de tamaño comparable.
La arquitectura de mezcla de expertos —Mixture of Experts o MoE— es uno de los enfoques más prometedores de la ingeniería de modelos de lenguaje de los últimos años. En lugar de activar todos los parámetros de la red neuronal para procesar cada token, un modelo MoE distribuye cada input entre un subconjunto de redes especializadas llamadas expertos, seleccionadas dinámicamente por un componente llamado router. El resultado es un modelo que combina la capacidad de una red grande con la eficiencia operativa de una red pequeña, siempre que la infraestructura de inferencia esté diseñada para aprovechar esta característica.
Inkling 2 Small admite texto e imágenes como entradas y obtuvo una puntuación de 31 en el Artificial Analysis Intelligence Index, un índice de referencia que agrega múltiples benchmarks de razonamiento, comprensión y capacidades generales. Al momento de su lanzamiento, los pesos del modelo no estaban disponibles públicamente, aunque la empresa anunció que los liberaría bajo licencia Apache 2.0 “la semana siguiente” al lanzamiento, pendiente de completar las pruebas de seguridad internas. El compromiso con la apertura del modelo sigue el patrón establecido por el Inkling original.
La orientación específica hacia agentes de IA es uno de los elementos más interesantes de Inkling 2 Small. Los agentes de IA son sistemas que no se limitan a responder preguntas o generar texto, sino que pueden planificar secuencias de acciones, llamar herramientas externas, navegar por entornos digitales y completar tareas complejas de manera autónoma. La eficiencia en inferencia que ofrece la arquitectura MoE es especialmente valiosa en estos escenarios, donde un agente puede necesitar realizar cientos o miles de llamadas al modelo para completar una tarea. Thinking Machines Lab señala así hacia una visión de sistemas de IA que actúan de manera prolongada y autónoma en el mundo digital.
La alianza estratégica con Nvidia y su significado
En marzo de 2026, Thinking Machines Lab anunció una alianza estratégica con Nvidia que va más allá de una simple inversión financiera. El acuerdo incluye el despliegue de un gigavatio de capacidad de cómputo basada en la arquitectura Vera Rubin, la infraestructura de chips de siguiente generación de Nvidia. Para contextualizar la escala de este compromiso: un gigavatio de capacidad de cómputo representa una inversión de infraestructura en el orden de los miles de millones de dólares, comparable a las apuestas que están haciendo los grandes proveedores de nube en sus centros de datos de IA.
La participación de Nvidia en la nueva ronda de financiación —aproximadamente 2,500 millones de dólares según las fuentes que reportaron la operación— añade una dimensión adicional a esta relación. Jensen Huang, CEO de Nvidia, ha convertido a su empresa en el árbitro financiero de la industria de la IA no solo a través de la venta de chips, sino también mediante inversiones directas en las startups que dependen de su hardware. Thinking Machines Lab se une así a un portafolio de apuestas que incluye a varios de los laboratorios de IA más relevantes del sector.
Para Nvidia, la inversión tiene un valor estratégico que trasciende el retorno financiero: asegura que Thinking Machines Lab seguirá siendo un cliente de hardware de alta gama durante los próximos años. Esta relación opera en un entorno donde los laboratorios de IA más grandes intentan desarrollar sus propios chips personalizados para reducir la dependencia del fabricante de Santa Clara. Sus movimientos como coinversor reflejan, como estrategia de capital bien calculada, una comprensión sofisticada de que la dependencia tecnológica se construye también en la mesa de los accionistas y no solo en los contratos de suministro de hardware.
El mercado de financiación de IA y la presión sobre las valoraciones
La ronda de Thinking Machines Lab se produce en un contexto peculiar: el dinero sigue fluyendo hacia startups de IA en cantidades históricas, pero simultáneamente hay señales de que el mercado está desarrollando un escepticismo creciente sobre la sostenibilidad de algunas valoraciones. OpenAI cerró una ronda de 11,000 millones de dólares a una valoración de 1.25 billones, inferior a los 1.5 billones que originalmente buscaba. Anthropic, por su parte, se acerca a su proceso de salida a bolsa en medio de debate sobre si su valoración de 1.5 billones de dólares está justificada por los fundamentales del negocio. Los inversores más cautelosos señalan datos de plataformas de análisis de gasto corporativo que sugieren cierta desaceleración en la adopción empresarial de herramientas de IA, un debate que se intensifica a medida que el precio de los servicios de IA se convierte en un factor determinante para las empresas que evalúan su adopción.
En este contexto, la valoración de 40,000 millones de Thinking Machines Lab —más del triple en poco más de un año— parece flotar en un nivel diferente de riesgo que las de sus rivales más grandes. La empresa reporta “al menos unos cientos de millones en ingresos anualizados”, una cifra que, aunque significativa para una empresa de menos de dos años de vida, implica un múltiplo de valoración sobre ingresos de varios cientos de veces. Esta métrica es habitual en el sector de la IA en etapas tempranas, donde los inversores apuestan por la captura futura de mercado más que por los fundamentales actuales, pero no deja de generar debate entre los analistas más cautelosos.
Cabe recordar que en algún momento de 2025, Thinking Machines Lab intentó levantar capital a una valoración de 50,000 millones de dólares y esas conversaciones no prosperaron. La ronda que ahora se cierra a 40,000 millones representa, por tanto, tanto un avance enorme respecto a los 12,000 millones de la ronda semilla como un reconocimiento implícito de que el mercado tiene sus propios límites de apetito, incluso para las startups con mayor atractivo narrativo.
La competencia en el segmento de modelos open-weights
Thinking Machines Lab compite en el segmento de modelos con pesos abiertos contra un grupo de actores con más recursos y mayor escala. Meta, con su familia de modelos Llama, ha establecido el estándar de facto para los modelos open-weights de alto rendimiento, con versiones que van desde los modelos ligeros hasta los de más de 400,000 millones de parámetros. Mistral AI, el laboratorio francés fundado por ex investigadores de Google DeepMind y Meta, ha construido una reputación de eficiencia que atrae a desarrolladores que necesitan modelos potentes en entornos con restricciones de cómputo. Google ofrece Gemma como alternativa dentro de su ecosistema, y DeepSeek, el laboratorio chino, ha sorprendido al mercado con modelos que ofrecen rendimiento de frontera a un costo de entrenamiento significativamente inferior al de sus competidores occidentales.
Frente a este panorama, el diferenciador que Thinking Machines Lab intenta construir descansa en tres pilares. El primero es la multimodalidad nativa: mientras varios modelos open-weights se especializan en texto, Inkling fue diseñado desde el inicio para procesar texto, imagen y audio de manera integrada, sin acoplamientos post-entrenamiento que suelen degradar la coherencia de los outputs. El segundo pilar es la plataforma Tinker, que ofrece no solo inferencia sino también fine-tuning comercial, lo que permite a las empresas que adoptan los modelos Inkling ajustarlos a sus casos de uso específicos sin necesidad de construir infraestructura propia. El tercer pilar es, precisamente, la orientación explícita hacia agentes autónomos, una dirección en la que la industria está apostando cada vez con mayor convicción y que requiere modelos diseñados para ciclos de razonamiento iterativo.
La evolución del equipo y el nuevo liderazgo técnico
La crisis de talento de 2025-2026 dejó a Thinking Machines Lab con aproximadamente dos tercios del equipo fundador original. Aunque la pérdida de figuras como Barret Zoph, Luke Metz y Sam Schoenholz fue un golpe simbólico —todos ellos habían contribuido a construir la narrativa de que el laboratorio concentraba lo mejor de la comunidad investigadora de OpenAI—, la empresa siguió adelante y logró cerrar la mayor ronda de su historia pocos meses después de aquellas salidas.
Soumith Chintala aporta una perspectiva diferente a la del equipo original. Como creador de PyTorch en Meta, su trabajo forma parte de la infraestructura invisible que hace posible la investigación de IA en todo el mundo. PyTorch se usa en virtualmente todos los laboratorios de investigación académica relevantes y en la mayoría de los proyectos industriales de aprendizaje profundo. La reputación de Chintala en la comunidad técnica es independiente de cualquier organización específica, lo que da a Thinking Machines Lab una credibilidad técnica que no depende exclusivamente de su historia con OpenAI.
El hecho de que Murati haya mantenido el voto decisivo en el consejo directivo, combinado con la estructura de public benefit corporation, diseña un gobierno corporativo que intenta prevenir el tipo de turbulencia institucional que ella misma vivió en OpenAI en noviembre de 2023. La lección de aquella crisis —que el poder sin controles explícitos genera inestabilidad— parece haber moldeado las decisiones estructurales de la nueva empresa desde su fundación, un detalle que los inversores institucionales como Accel probablemente han valorado en sus análisis de due diligence.
El impacto estructural en la industria tecnológica
La historia de Thinking Machines Lab en sus primeros dos años de vida ilustra varias dinámicas que definen el estado de la industria de la inteligencia artificial en 2026. La primera es que el mercado de capital de riesgo continúa dispuesto a apostar sumas extraordinarias en laboratorios cuya producción intelectual es difícil de valorar con las métricas financieras convencionales. Los 5,000 millones que Accel lidera representan una señal de que la firma cree que Thinking Machines Lab puede convertirse en un actor de primer nivel en el mercado de los sistemas de IA, un mercado que se mide en billones de dólares.
La segunda dinámica es que el talento de élite en investigación de IA sigue siendo el recurso más disputado y volátil del sector, capaz de desestabilizar un proyecto en sus primeras etapas con la misma velocidad con que puede construirlo. Las salidas de Zoph, Metz y Schoenholz, motivadas principalmente por los paquetes salariales de Meta y OpenAI, confirman que la batalla por los investigadores más capaces se libra en el plano de la compensación económica tanto como en el de la misión técnica, una dinámica que redefine el mercado laboral tecnológico a una velocidad que pocas organizaciones saben gestionar.
La tercera dinámica es el rol creciente de los modelos open-weights como palanca de legitimidad y adopción. En un mercado donde OpenAI ha construido su posición dominante sobre la base de modelos propietarios, la apuesta de empresas como Meta, Mistral y ahora Thinking Machines Lab por liberar los pesos de sus modelos abre una vía alternativa hacia la relevancia técnica. Los desarrolladores, investigadores y empresas que construyen sobre modelos abiertos crean un ecosistema de dependencia que, con el tiempo, puede ser tan valioso como el de los modelos propietarios.
La cuarta dinámica es la consolidación de Nvidia como actor financiero del ecosistema de IA, no solo como proveedor de hardware. Sus inversiones en startups como Thinking Machines Lab son simultáneamente apuestas de retorno financiero y mecanismos de fidelización de clientes en un momento en que los laboratorios más grandes exploran alternativas al silicio de Nvidia. La quinta dinámica que merece atención es el surgimiento de los agentes de IA como segmento prioritario: varios laboratorios, incluyendo Thinking Machines Lab con Inkling 2 Small, están reorientando sus esfuerzos hacia modelos capaces de actuar de manera autónoma en entornos digitales complejos, lo que sugiere que la próxima gran batalla del sector no estará en los chatbots sino en los sistemas que actúan de manera independiente en nombre de sus usuarios.
La situación a noviembre de 2026
A 8 de noviembre de 2026, Thinking Machines Lab se encuentra en un momento de transición entre dos capítulos de su historia. La ronda de financiación de 5,000 millones liderada por Accel no ha cerrado oficialmente, aunque múltiples fuentes informadas apuntan a que el cierre es inminente, posiblemente antes de que termine la semana. Ni Thinking Machines Lab ni Accel han emitido comunicados oficiales al respecto, lo que es habitual en las etapas finales de operaciones de esta magnitud antes del anuncio formal.
Los términos de la inversión de Nvidia —los 2,500 millones adicionales que se negocian en paralelo— tampoco se han confirmado oficialmente por ninguna de las partes. Si se materializan, la operación combinada situaría el volumen total captado en esta ronda en el entorno de los 7,500 millones de dólares, una cantidad que convertiría a esta ronda en una de las mayores de la historia del sector de las startups de IA en etapa de crecimiento.
En el plano técnico, Inkling 2 Small está disponible para inferencia en la plataforma Tinker desde el 5 de noviembre, pero sus pesos abiertos todavía no han sido publicados. La empresa indicó que el lanzamiento open-source se produciría “la semana siguiente” al lanzamiento comercial, una vez completadas las evaluaciones de seguridad. El modelo Inkling original, con sus 975,000 millones de parámetros totales y ventana de contexto de un millón de tokens, sigue disponible bajo licencia permisiva y representa el punto de referencia contra el que se comparará a Inkling 2 Small cuando sus pesos queden liberados.
La plataforma Tinker ha crecido como el vehículo comercial principal de la empresa: sirve tanto para acceder a los modelos mediante API como para realizar procesos de fine-tuning personalizados, lo que convierte a Thinking Machines Lab en un competidor no solo en el segmento de modelos sino también en el de infraestructura de entrenamiento y personalización. Esta doble capa de negocio —modelos abiertos que generan adopción y una plataforma comercial que monetiza el uso avanzado— es el mismo modelo que Meta ha desarrollado con Llama y Meta AI, aunque adaptado a las particularidades de un laboratorio más focalizado y con una plataforma propietaria más integrada.
Conclusiones
La ronda de 5,000 millones de dólares que está cerrando Thinking Machines Lab, combinada con el lanzamiento de Inkling 2 Small, proyecta a la empresa de Mira Murati al primer plano de la carrera global por desarrollar los sistemas de inteligencia artificial de siguiente generación. La valoración de 40,000 millones de dólares —con la posibilidad de alcanzar los 45,000 millones tras la inversión de Nvidia— convierte al laboratorio en uno de los proyectos de IA más valiosos del planeta, todo ello a partir de una fundadora que salió de OpenAI hace apenas algo más de dos años.
La historia tiene todos los elementos del canon tecnológico de Silicon Valley: una ejecutiva de alto perfil que abandona una empresa dominante para fundar su propio proyecto, una captación de capital espectacular, una crisis de talento que pone a prueba la resiliencia del equipo, y una apuesta técnica diferenciada —la multimodalidad nativa, los agentes de IA y los modelos open-weights— que intenta trazar una trayectoria propia en un mercado dominado por gigantes.
Lo que diferencia la historia de Murati del arquetipo habitual es la velocidad a la que se está desarrollando. En menos de dos años, Thinking Machines Lab ha pasado de ser un proyecto anunciado a ser un laboratorio con ingresos de cientos de millones, modelos publicados, una alianza estratégica con Nvidia y una valoración que la coloca en el podio del sector. La pregunta que el mercado se hace en noviembre de 2026 no es si Thinking Machines Lab puede sobrevivir, sino si puede escalar lo suficiente para competir de tú a tú con los laboratorios que cuentan con diez veces más recursos. La respuesta a esa pregunta definirá una parte importante del paisaje de la inteligencia artificial en los próximos años.