Inkling : Mira Murati défie OpenAI avec un modèle IA géant open-weights

Mira Murati, ancienne directrice technique d’OpenAI, vient de lancer Inkling, un modèle d’intelligence artificielle de 975 milliards de paramètres en open-weights. Un virage à 180° pour celle qui a contribué à bâtir l’empire fermé de ChatGPT. Mais derrière l’annonce spectaculaire, la documentation lacunaire soulève des questions sur la véritable transparence de ce géant multimodal.

D’OpenAI à l’open-weights : le pari de Mira Murati

Le 15 juillet 2026, vingt-deux mois après avoir quitté OpenAI, Mira Murati frappe un grand coup. Son nouveau laboratoire, Thinking Machines Lab, dévoile Inkling, un modèle d’intelligence artificielle dont les poids sont intégralement téléchargeables sous licence Apache 2.0. Une approche radicalement opposée à celle d’OpenAI, où les modèles restent strictement propriétaires et accessibles uniquement via API payante.

Le parcours de Murati incarne une tension majeure de l’industrie IA en 2026 : d’un côté, les laboratoires fermés (OpenAI, Anthropic, Google) qui misent sur le contrôle et la monétisation par abonnement ; de l’autre, un mouvement open-weights porté par Meta (Llama), Mistral AI et désormais Thinking Machines, qui parie sur la démocratisation et la personnalisation.

Selon les informations disponibles, Inkling est un modèle Mixture-of-Experts (MoE) comptant 975 milliards de paramètres au total, dont seulement 41 milliards sont actifs lors de chaque inférence. Cette architecture permet de combiner la « mémoire » d’un modèle géant avec la vitesse et les coûts d’un modèle plus modeste. Le modèle supporte une fenêtre de contexte d’un million de tokens et a été entraîné sur 45 trillions de tokens combinant texte, images, audio et vidéo.

Une architecture MoE ultra-optimisée

L’architecture Mixture-of-Experts n’est pas nouvelle, mais Inkling pousse le concept à l’extrême. Avec un taux d’activation de seulement 4,2 % (41 milliards sur 975 milliards), le modèle se distingue nettement de ses concurrents : Mixtral de Mistral AI active environ 14 % de ses paramètres, tandis que GPT-4 (dont l’architecture MoE reste non confirmée officiellement) activerait environ 25 % selon les estimations.

Concrètement, cette approche fonctionne comme une équipe de 24 spécialistes dont seuls 1 ou 2 interviennent pour chaque question. Un mécanisme de « routage » intelligent décide quels experts activer en fonction de la requête. Pour une question sur la biologie, le modèle mobilisera les experts spécialisés en sciences naturelles, ignorant ceux dédiés à la finance ou au droit.

Si cette stratégie fonctionne, elle pourrait révolutionner l’économie des modèles géants : disposer de la capacité d’un modèle de près d’un trillion de paramètres au coût d’inférence d’un modèle de 40 milliards. Mais sans benchmarks indépendants, impossible de savoir si cette optimisation se fait au détriment de la qualité des réponses.

45 trillions de tokens : un chiffre qui interroge

Thinking Machines Lab affirme avoir entraîné Inkling sur 45 trillions de tokens multimodaux – un chiffre extraordinairement élevé. Pour comparaison, Llama 3.1 405B de Meta a été entraîné sur 15 trillions de tokens, mais en texte uniquement. Cette différence massive soulève plusieurs hypothèses.

Première possibilité : Thinking Machines dispose de sources de données vidéo et audio massives non révélées, peut-être via des partenariats avec des plateformes comme YouTube ou des archives audiovisuelles. Seconde hypothèse : la méthodologie de comptage diffère. En traitement vidéo, chaque frame peut être décomposée en multiples tokens, gonflant mécaniquement les chiffres sans nécessairement augmenter la diversité réelle des données.

Le problème ? La documentation publiée ne permet pas de trancher. Simon Willison, analyste reconnu du secteur IA, a publié une critique cinglante : « La model card est beaucoup plus courte que ce à quoi on s’attend des laboratoires d’IA américains. » La documentation des données d’entraînement, censée détailler les sources et les méthodes, se résume à quelques paragraphes génériques.

Cette opacité n’est pas anodine. Elle empêche d’évaluer les biais potentiels du modèle, les risques de violation de droits d’auteur, ou la présence de données personnelles dans le corpus d’entraînement. Des questions cruciales à l’heure où l’Union européenne renforce ses exigences de transparence via l’AI Act.

Open-weights ou open-washing ?

Le terme « open-weights » est au cœur d’un débat sémantique qui dépasse la simple querelle technique. Un modèle open-weights rend ses paramètres entraînés publiquement téléchargeables, mais pas nécessairement son code d’entraînement, ses données sources, ou ses méthodologies d’évaluation. C’est différent d’un modèle « open-source » complet, où l’ensemble du processus est reproductible.

Selon plusieurs observateurs, l’industrie assiste à l’émergence d’un « open-washing » : des laboratoires qui revendiquent l’ouverture tout en maintenant une opacité stratégique sur les éléments critiques. Inkling, malgré sa licence Apache 2.0 permissive, n’échappe pas à ce soupçon.

La licence Apache 2.0 autorise l’usage commercial, la modification et la redistribution sans obligation de partager les améliorations. Une entreprise peut donc intégrer Inkling dans un produit commercial sans reverser de royalties ni publier ses modifications. C’est un atout majeur pour l’adoption, mais cela ne résout pas la question de la transparence initiale.

Pour Thinking Machines Lab, ce positionnement soulève une question économique : comment monétiser un modèle sous licence aussi permissive ? Les hypothèses incluent des services de fine-tuning via leur plateforme Tinker, du support entreprise, ou une stratégie de « loss leader » pour attirer des investissements massifs.

Une accessibilité en trompe-l’œil

Sur le papier, Inkling est « ouvert » et « gratuit ». Dans la pratique, l’utiliser nécessite une infrastructure considérable. Un modèle de 975 milliards de paramètres, même avec seulement 41 milliards actifs, requiert au minimum 8 GPU haut de gamme (type NVIDIA A100 ou H100) pour fonctionner en production, représentant un investissement de plusieurs centaines de milliers d’euros.

À cela s’ajoutent les coûts d’électricité, de refroidissement et de maintenance. Pour beaucoup d’entreprises, surtout les PME, payer une API propriétaire (OpenAI, Anthropic) reste économiquement plus viable que d’héberger Inkling en interne. L’« ouverture » profite surtout aux grandes organisations disposant déjà d’infrastructures GPU.

Thinking Machines Lab a annoncé une version plus petite, Inkling-Small, comptant 276 milliards de paramètres totaux (12 milliards actifs). Cette variante, encore en phase de test, pourrait démocratiser l’accès. Mais aucune date de sortie n’a été communiquée, et l’absence de détails techniques laisse planer le doute sur ses capacités réelles.

Les enjeux stratégiques du lancement

Au-delà de la technique, le lancement d’Inkling envoie un signal stratégique majeur. C’est la première fois qu’une figure de ce niveau de l’IA propriétaire (Murati a supervisé le développement de GPT-4 et DALL-E chez OpenAI) bascule publiquement vers l’open-weights. Ce précédent pourrait déclencher un exode de talents similaire.

Si d’autres leaders techniques d’OpenAI, Anthropic ou Google suivent cette voie, cela accélérerait massivement le mouvement open-weights et fragiliserait le modèle économique des laboratoires propriétaires. Le message implicite de Murati : l’avenir de l’IA ne passe pas par le contrôle centralisé, mais par la distribution et la personnalisation.

Reste une inconnue majeure : le financement de Thinking Machines Lab. Entraîner un modèle de cette envergure coûte entre 50 et 200 millions de dollars. Pourtant, aucune levée de fonds publique n’a été annoncée. Identifier les investisseurs révélerait les intentions stratégiques : capital-risque tech (pari commercial), gouvernements (souveraineté IA), ou fondations philanthropiques (bien commun).

Quelle place dans le paysage IA de 2026 ?

Inkling arrive dans un écosystème open-weights déjà dense. Meta domine avec Llama 3.1 (405 milliards de paramètres, documentation exhaustive, adoption massive). Mistral AI, champion européen, propose des modèles optimisés pour l’entreprise. En Chine, DeepSeek, Qwen et GLM-5.2 repoussent les limites techniques avec des ressources colossales.

Pour se différencier, Thinking Machines Lab mise sur trois arguments : la multimodalité native (texte, image, audio, vidéo dans un seul modèle), l’efficacité MoE (4,2 % de paramètres actifs), et la licence permissive Apache 2.0. Mais sans benchmarks indépendants comparant Inkling à GPT-4, Claude 3.5 ou Llama 3.1, impossible de valider ces promesses.

Les prochains mois seront décisifs. La communauté open-source va auditer le modèle, tester ses capacités réelles, documenter ses biais. Des early adopters vont publier leurs retours d’expérience sur l’infrastructure nécessaire et les coûts réels. Et Thinking Machines devra clarifier sa stratégie : sera-ce un laboratoire de recherche à but non lucratif, une startup visant l’acquisition, ou un nouveau géant de l’IA en devenir ?

Conclusion : révolution ou coup de com’ ?

Inkling incarne les contradictions de l’IA en 2026. D’un côté, un modèle techniquement impressionnant, porté par une figure crédible, qui démocratise l’accès à des capacités multimodales de pointe. De l’autre, une transparence en demi-teinte qui alimente les soupçons d’« open-washing » et limite la confiance des entreprises.

La vraie question n’est pas de savoir si Inkling est le « meilleur » modèle – il ne le sera probablement pas. C’est de savoir s’il validera un nouveau paradigme : celui d’une IA performante, personnalisable, et véritablement ouverte. Pour l’instant, le jury délibère. Et la sentence dépendra autant des benchmarks techniques que de la capacité de Thinking Machines Lab à prouver que « open-weights » ne rime pas avec « opaque ».

Une chose est sûre : le retour de Mira Murati dans l’arène IA ne laissera personne indifférent.