Table of Contents
Introducción: ¿Por qué importa la consistencia en IA?
La inteligencia artificial generativa ha transformado la forma en que interactuamos con la tecnología, desde asistentes virtuales hasta herramientas de automatización empresarial. Sin embargo, uno de los problemas menos discutidos, pero más críticos, es la falta de consistencia en las respuestas. Este fenómeno se presenta cuando un modelo como ChatGPT, al recibir la misma entrada varias veces, genera respuestas distintas cada vez. Aunque parezca un detalle menor, esta variabilidad puede ser un obstáculo significativo para la adopción de la IA en entornos donde la precisión y repetibilidad son esenciales.
Thinking Machines Lab, una startup fundada por Mira Murati, ha centrado su investigación en este problema. Su trabajo busca asegurar que los modelos de IA proporcionen respuestas coherentes y repetibles, lo cual es vital para sectores que dependen de resultados predecibles. La empresa ha logrado avances significativos en poco tiempo, lo que ha despertado el interés de inversores, científicos y líderes tecnológicos por igual.
En este artículo exploraremos a fondo cómo esta startup está abordando el problema de la inconsistencia, por qué es tan relevante y qué implicaciones tiene para el futuro de la inteligencia artificial generativa.
Thinking Machines Lab: Una visión audaz liderada por expertos
Thinking Machines Lab no es una startup cualquiera. Fundada en febrero de 2025 por Mira Murati, exdirectora de tecnología de OpenAI, la empresa ha logrado captar la atención global antes incluso de lanzar su primer producto. Su misión es clara: crear modelos de IA que sean confiables, repetibles y útiles en contextos críticos.
Lo que realmente destaca es el equipo que Murati ha reunido. La compañía cuenta con figuras clave de la industria como John Schulman, Barret Zoph y Lilian Weng, todos provenientes de altos cargos en OpenAI. Esta fuga de talento hacia Thinking Machines Lab sugiere que el problema que buscan resolver no solo es real, sino también urgente.
Con una financiación de 2 mil millones de dólares y una valoración de 12 mil millones, la empresa ha roto récords en el ecosistema de startups tecnológicas. Este respaldo financiero masivo demuestra la confianza de los inversores en su visión y capacidad técnica.
El problema de la inconsistencia: Más allá de una simple molestia
La inconsistencia en las respuestas de los modelos de IA puede parecer un problema menor, pero sus implicaciones son profundas. Imagina un sistema de atención al cliente que ofrece diferentes soluciones a la misma consulta, o una herramienta de análisis que genera resultados contradictorios. Esta falta de coherencia socava la confianza del usuario y limita enormemente la utilidad de la IA.
El equipo de Thinking Machines Lab realizó un experimento usando el modelo Qwen-3, con 235 mil millones de parámetros. Al pedirle 1,000 veces la misma respuesta sobre Richard Feynman, obtuvieron 80 respuestas distintas. La más común solo se repitió 78 veces. Sin embargo, al aplicar su técnica de control de kernels, las 1,000 respuestas fueron idénticas.
Este hallazgo demuestra que el problema no está en los modelos en sí, sino en cómo se ejecutan. Aborda un aspecto técnico fundamental que muchas veces pasa desapercibido: el comportamiento de los kernels de GPU durante la inferencia.
La raíz técnica del problema: kernels de GPU y determinismo
En lugar de enfocarse únicamente en algoritmos de alto nivel, Thinking Machines Lab ha identificado un factor técnico clave: los kernels de GPU. Estos pequeños programas son responsables de ejecutar instrucciones dentro del chip de procesamiento gráfico cuando una IA genera una respuesta.
La falta de control preciso sobre cómo se ejecutan estos kernels en paralelo provoca pequeñas variaciones, que se acumulan y generan salidas distintas. Aunque esto puede parecer insignificante, en modelos de gran escala, incluso una mínima desviación puede conducir a resultados totalmente diferentes.
El avance técnico de la startup consiste en lograr un control absoluto sobre la ejecución de estos kernels, lo que permite obtener resultados reproducibles. Este enfoque marca un cambio radical en el desarrollo de modelos de IA, y abre la puerta a un futuro donde la predictibilidad sea la norma y no la excepción.
Impacto para las empresas: Confiabilidad como ventaja competitiva
Para el mundo empresarial, la consistencia en las respuestas de IA no es solo un lujo; es una necesidad. En sectores como finanzas, salud o atención al cliente, una IA que actúe de forma impredecible puede generar errores costosos o afectar la experiencia del usuario.
La solución que propone Thinking Machines Lab promete transformar la relación entre las empresas y la IA. Por ejemplo, en un sistema bancario automatizado, respuestas coherentes permiten validar procesos regulatorios. En atención al cliente, aseguran que los agentes virtuales mantengan una línea de comunicación constante, sin contradicciones que puedan afectar la confianza del cliente.
Al eliminar la variabilidad, las organizaciones pueden construir flujos de trabajo más robustos, reducir la necesidad de supervisión humana y aumentar la productividad general. Esta ventaja competitiva será clave en la próxima generación de aplicaciones empresariales basadas en IA.
Reproducibilidad científica: un nuevo estándar para la investigación
La reproducibilidad es un pilar fundamental del método científico. Si un experimento no puede ser replicado con los mismos resultados, su validez se pone en duda. Aplicado a la IA, esto significa que los experimentos deben ofrecer resultados consistentes bajo las mismas condiciones.
La técnica de Thinking Machines Lab permite generar salidas idénticas en cada ejecución, lo que marca un antes y un después para la aplicación de modelos de lenguaje en investigaciones científicas. Esto es especialmente relevante para áreas como la biología computacional, donde la IA se utiliza para analizar grandes volúmenes de datos experimentales.
Con herramientas deterministas, la comunidad científica podrá avanzar de forma más rápida, confiable y transparente. Además, se eliminan las fuentes de error asociadas a la incertidumbre técnica, lo que mejora la calidad de las publicaciones y acelera el descubrimiento científico.
Transparencia radical: el blog Connectionism
En un mundo donde muchas empresas tecnológicas optan por el secretismo, Thinking Machines Lab ha elegido un camino diferente: la transparencia radical. A través de su blog de investigación «Connectionism», publican regularmente hallazgos, código fuente y experimentos reproducibles.
El primer artículo técnico que compartieron explica en detalle cómo obtener determinismo en modelos de lenguaje, incluyendo ejemplos prácticos y código para replicar los resultados. Este enfoque fortalece la colaboración dentro de la comunidad de IA y promueve buenas prácticas científicas.
Este nivel de apertura no solo mejora la reputación de la empresa, sino que también atrae talento de alto nivel que valora entornos de trabajo colaborativos y éticos. En última instancia, esta cultura de transparencia puede ser tan transformadora como la propia tecnología.
Rendimiento vs. consistencia: ¿un equilibrio posible?
El principal desafío de implementar determinismo completo es el impacto en el rendimiento. Según pruebas internas de Thinking Machines Lab, lograr respuestas idénticas puede duplicar el tiempo de procesamiento, pasando de 26 a 55 segundos por tarea.
Sin embargo, mediante optimización de software y hardware, lograron reducir ese tiempo a 42 segundos, lo cual representa una mejora significativa. Este equilibrio entre velocidad y consistencia será uno de los temas clave en el futuro próximo de la IA.
Las empresas deberán decidir si prefieren respuestas más rápidas o más confiables, dependiendo del uso específico. Para tareas críticas, la consistencia podría justificar el costo en rendimiento. Este dilema será cada vez más común conforme la tecnología se adopte de forma masiva.
Casos de uso futuros: de contratos inteligentes a diagnósticos médicos
La capacidad de generar respuestas consistentes abre la puerta a una nueva gama de aplicaciones. Por ejemplo, en el ámbito legal, los contratos inteligentes podrían ser verificados por una IA que siempre interprete las cláusulas de forma idéntica. En medicina, un sistema de diagnóstico basado en IA que ofrezca resultados reproducibles mejoraría la confianza del paciente y del profesional.
En el sector educativo, evaluaciones automatizadas podrían garantizar imparcialidad al generar retroalimentación consistente para todos los estudiantes. Estos casos de uso muestran que la consistencia no es solo una mejora técnica, sino un requisito para expandir la IA a dominios donde la precisión importa.
Thinking Machines Lab no solo está resolviendo un problema técnico, sino habilitando nuevas posibilidades para la inteligencia artificial.
El papel de los inversores: ¿una nueva burbuja o una apuesta fundamentada?
La valoración de 12 mil millones de dólares antes del lanzamiento de un producto podría parecer arriesgada. Sin embargo, los inversores no están apostando a una promesa vacía, sino a una solución con implicaciones profundas en múltiples industrias.
Entre los fondos que han invertido se encuentran nombres reconocidos del capital de riesgo tecnológico. Su decisión se basa en el historial del equipo, la magnitud técnica del problema y la alta demanda de soluciones confiables en IA.
Este fenómeno puede marcar el inicio de una nueva fase en el mercado de IA, donde ya no se prioriza únicamente la capacidad de generar texto o imágenes sorprendentes, sino la confiabilidad y precisión de las respuestas.
Qué deben hacer los líderes empresariales y técnicos ahora
Para los líderes empresariales, es crucial empezar a evaluar qué procesos dentro de su organización podrían beneficiarse de una IA determinista. Esto puede incluir desde chatbots hasta sistemas de recomendación o generación de informes automáticos.
Los equipos técnicos, por su parte, deberían familiarizarse con los conceptos de determinismo, control de kernels y optimización de inferencia. Estas habilidades serán cada vez más demandadas en el desarrollo de soluciones empresariales basadas en IA.
Incorporar estas herramientas desde ahora puede ofrecer una ventaja competitiva significativa cuando la tecnología madure y se masifique su uso.
Conclusión: hacia una IA más predecible y confiable
El trabajo de Thinking Machines Lab representa un cambio paradigmático en la inteligencia artificial generativa. Al resolver el problema de la inconsistencia, no solo están mejorando un aspecto técnico, sino redefiniendo lo que significa confiar en una IA.
La capacidad de generar respuestas coherentes, reproducibles y predecibles será una de las características más valoradas en los modelos de próxima generación. Este avance tiene el potencial de llevar a la IA desde el laboratorio hasta aplicaciones críticas en empresas, hospitales, tribunales y más.
Estamos presenciando el nacimiento de una nueva era en la inteligencia artificial, y Thinking Machines Lab está al frente de esta transformación silenciosa pero poderosa.
