Den 15 juli 2026 släppte Thinking Machines Lab sin första egna AI-modell, Inkling, med öppna vikter. Det som gör den intressant för den som bygger automation är inte storleken, utan att modellen är gjord för att agera: skriva och köra kod, använda verktyg, styra en webbläsare och till och med finjustera sig själv för en uppgift. Just den kombinationen är kärnan i det som brukar kallas agentisk AI, och den är värd att förstå oavsett vilken modell du landar i till slut.
Vad Inkling faktiskt är
Inkling är en så kallad mixture of experts, en modell som har 975 miljarder parametrar totalt men bara aktiverar runt 41 miljarder åt gången för en given uppgift. Den hanterar ett kontextfönster på upp till en miljon tokens och läser text, bild och ljud, men svarar i text. Bakom bolaget står Mira Murati, tidigare teknikchef på OpenAI.
Thinking Machines är tydliga med att Inkling inte är den starkaste modellen som finns just nu, varken bland öppna eller stängda alternativ. Poängen är en annan. Bolagets tes är att en modell som organisationer kan anpassa själva i längden slår de storleksmodeller som de största labben säljer som en lösning för alla. På svenska rapporterades släppet av bland andra Computer Sweden.
Öppna vikter är inte samma sak som öppen källkod
Inkling släpps med öppna vikter, inte som öppen källkod. Skillnaden är viktig. Öppna vikter betyder att själva modellfilerna går att ladda ner, i det här fallet från Hugging Face, och köra eller anpassa på egen hårdvara. Det är inte detsamma som att hela byggprocessen och all träningsdata ligger öppet. För ett företag är ändå det praktiska värdet stort: du kan köra modellen där du vill, hålla känsliga data i din egen miljö och slippa vara inlåst i ett enda stängt API vars pris och villkor någon annan bestämmer.
Agentisk kodning och verktygsanvändning i praktiken
Det som skiljer en agentmodell från en vanlig chattassistent är att den inte bara svarar, den utför. Thinking Machines visar Inkling generera webbappar, arbeta i en webbläsare och skriva kod som förfinas i flera steg. I ett arbetsflöde innebär det att modellen kan ta ett mål, dela upp det, anropa verktyg, läsa resultatet och fortsätta, i stället för att lämna över varje delsteg till dig.
För den som jobbar no-code är det här den intressanta rörelsen. När en modell kan styra en webbläsare och köra egna skript flyttas gränsen för vad du kan automatisera utan att själv skriva all logik. En återkommande manuell process, hämta data, fylla i ett formulär, sammanställa ett svar, blir något du beskriver en gång och låter en agent utföra.
Modellen som finjusterar sig själv
En av de mer uppmärksammade demonstrationerna är att Inkling kan finjustera sig själv för en specifik uppgift via bolagets plattform Tinker. I exemplet tränas modellen att lösa en avgränsad språkuppgift bättre än den klarade från start. Principen är det intressanta: i stället för en modell som ska passa alla får du en som anpassas mot just ditt problem. För ett litet företag med ett smalt men återkommande behov kan en mindre, tränad modell vara både billigare och mer träffsäker än en stor generalist.
Den ärliga gränsen
Här är det värt att vara nykter. Att en modell har öppna vikter och kan tränas gör den inte till en färdig knapp. Att köra och finjustera Inkling kräver maskininlärningskompetens och egen infrastruktur, och ansvaret för säkerhet och beteende flyttas i praktiken över på den som anpassar modellen. För de flesta småföretag är det fortfarande enklare att nå den här sortens funktioner genom en tjänst som paketerar dem, inte genom att själv drifta en modell på 975 miljarder parametrar.
Det viktiga att ta med sig är riktningen, inte just den här modellen. Öppna modeller som är byggda för att agera, använda verktyg och anpassas gör automation mindre beroende av en enda leverantör och mer av vad du faktiskt vill få gjort. Inkling är en tidig och tydlig markör för det skiftet, och det är därför den är värd att hålla ögonen på även om du inte rör vikterna själv.
