Quella di Thinking Machines è stata una delle presenze più silenziosa nel panorama AI: un anno e mezzo di lavoro sotterraneo per mettere a punto un'infrastruttura, prima ancora di mostrare un prodotto. Poi, all'improvviso, il velo si alza su Inkling, un LLM aperto che l'azienda presenta come prova tangibile della direzione scelta.

Non è solo il classico annuncio di un modello. La dichiarazione di intenti — una scommessa contro l'AI 'one-size-fits-all' — segnala qualcosa di più specifico. Negli ultimi due anni l'industria ha inseguito la scala a tutti i costi: modelli sempre più grandi, addestrati su dataset sempre più vasti, distribuiti quasi esclusivamente via API da pochi giganti del cloud. La contro-scommessa, incarnata da Inkling, è che molte applicazioni aziendali non abbiano bisogno di un Leviatano da trilioni di parametri, ma di modelli più focalizzati, addestrabili o perfezionabili su domini ristretti, e distribuibili dove servono — anche su infrastruttura propria.

Il fatto che Thinking Machines abbia dedicato diciotto mesi a costruire prima l'infrastruttura e solo ora rilasci un modello aperto è una scelta rivelatrice. Suggerisce che l'azienda non punti a vincere una gara di benchmark generici, ma a fornire una filiera verticale: software stack, pipeline di training e strumenti di deployment, di cui Inkling è il primo assaggio. In quest'ottica, il modello diventa un dimostratore di capacità ingegneristiche più che un fine a sé. E la licenza aperta permette di ispezionarlo, adattarlo, eseguirlo in locale — un asset strategico per chiunque abbia esigenze di sovranità dei dati o semplicemente voglia sfuggire ai costi ricorrenti delle API.

Se confermata da dettagli tecnici che ancora mancano — architettura, numero di parametri, contesto supportato, requisiti hardware — questa impostazione potrebbe incidere sugli equilibri di mercato. Le organizzazioni con dati sensibili (sanità, finanza, pubblica amministrazione) sono tra le più interessate a LLM che girino on-premise, con controllo totale su sicurezza e residenza dei dati. Inkling, se si posiziona in una fascia di risorse accessibile — per esempio, eseguibile su una o due GPU consumer o su server enterprise senza dover investire in cluster da decine di migliaia di euro — allarga il perimetro del self-hosting realistico.

Non è una dinamica nuova: aziende come Meta con Llama o Mistral con i modelli aperti hanno già tracciato un solco. Ma l'ingresso di un player che parte dall'infrastruttura, anziché da un gruppo di ricerca che rilascia pesi addestrati, cambia le carte. Sposta l'attenzione dal solo modello allo stack complessivo. E riduce la dipendenza da soluzioni cloud monolitiche, rimettendo al centro la scelta dell'utente su dove e come eseguire l'inference.

Per chi oggi valuta il deployment on-premise, esistono trade-off noti: costo iniziale dell'hardware, competenze interne, manutenzione. AI-RADAR ha esplorato questi snodi nei suoi framework analitici, che aiutano a pesare fattori come TCO e compliance. L'arrivo di Inkling aggiunge un'opzione a un catalogo in crescita, ma trasferisce anche un messaggio più ampio: la fase in cui l'AI era una scatola nera centralizzata sta lasciando spazio a un ecosistema modulare, in cui l'infrastruttura che si sceglie conta quanto il modello che si adotta.