Vi skaber intelligens i overflod

AI-infrastruktur er ikke værdifuld, blot fordi den er stor. Den er værdifuld på grund af det, den muliggør: mere kompetent intelligens, som er tilgængelig for flere mennesker til en lavere pris.

Sådan tænker jeg på overflod. Det er både indlejret i vores mission – at sikre, at kunstig generel intelligens kommer hele menneskeheden til gode – og i den økonomiske motor, der driver vores forretning.

Når prisen på nyttig intelligens falder, bliver flere opgaver værd at udføre. Når modeller bliver mere kompetente, skaber arbejdet større værdi. Efterhånden som anvendelsen vokser, får vi den omsætning, feedback fra den virkelige verden og indsigt i efterspørgslen, der gør det muligt fortsat at investere i næste generation af forskning og infrastruktur.

Bedre intelligens fører til bredere anvendelse. Bredere anvendelse understøtter flere investeringer. Flere investeringer forbedrer intelligensen og effektiviteten. Det er den cyklus, vi er ved at skabe.

Vores seneste prisudmelding viser, hvordan denne cyklus hurtigt kommer kunderne til gode. I går sænkede vi prisen på GPT‑5.6 Luna med 80 procent og på GPT‑5.6 Terra med 20 procent. Luna koster nu 0,20 USD pr. million inputtokens og 1,20 USD pr. million outputtokens. Terra koster henholdsvis 2 og 12 USD.

For GPT‑5.6 Sol leverer Hurtig tilstand op til 2,5 gange standardbehandlingens hastighed til den dobbelte pris uden ændring i intelligensen.

Det er ikke blot ændringer i en prisliste. De udvider rækken af opgaver, der bliver praktisk mulige, og giver kunderne større fleksibilitet til at afveje intelligens, hastighed, pålidelighed og pris.

Det rette spørgsmål er ikke, hvilken model der passer til hvilken opgave. Det er, hvor meget intelligens der kræves for at opnå det ønskede resultat, hvor hurtigt den skal leveres, og hvad det bør koste. Den balance kan ændre sig flere gange i den samme arbejdsgang.

Kunder køber ikke tokens for deres egen skyld. De vil have løst supportsagen, lanceret softwaren, gennemgået kontrakten eller besvaret det videnskabelige spørgsmål. Det rette mål er prisen på et vellykket resultat, inklusive den tid, de nye forsøg, det tilsyn og de fejl, der skal til for at nå frem til det.

En stærkere model, der udfører arbejdet korrekt og effektivt, kan i sidste ende være mere økonomisk end en billigere model, som kræver gentagne forsøg eller omfattende menneskelig indgriben. Omvendt kan en billigere model gøre adgangen markant bredere, når den lever op til samme kvalitetskrav. Muligheden består i at anvende mest mulig nyttig intelligens til den rette pris.

Det kræver mere end flere datacentre at levere den værdi. Hver enhed regnekraft skal udnyttes mere produktivt.

Vores seneste tekniske arbejde viser, hvordan det ser ud i praksis. I samarbejde med vores tekniske teams hjalp GPT‑5.6 Sol med at optimere den produktionssoftware, der bruges til at levere vores modeller, og reducerede dermed de samlede leveringsomkostninger med 20 procent. Den bidrog også til at forbedre spekulativ afkodning, så effektiviteten ved tokengenerering steg med mere end 15 procent.

Lige så vigtigt er det, at effektiviteten ikke alene afhænger af modellen. Systemet omkring den er også vigtigt. Bedre routing sikrer en produktiv udnyttelse af hardwaren. Smartere kontekststyring forhindrer agenter i at gentage arbejde. Bedre værktøjer og produktdesign reducerer antallet af trin, der kræves for at løse en opgave.

I en ny benchmarkanalyse løftede forbedringer af bevaret ræsonnering og kontekststyring GPT‑5.6 Sols resultat på det offentlige ARC-AGI-3-opgavesæt fra 13,3 procent til 38,3 procent, samtidig med at modellen brugte seks gange færre outputtokens. Modellen blev ikke ændret. Det gjorde systemet omkring den.

Disse gevinster forstærker hinanden. Mere kompetente modeller hjælper vores teams med at finde nye effektiviseringer. Effektiviseringerne sænker omkostningerne ved at betjene kunderne og udvider mængden af arbejde, vi kan understøtte med den samme infrastruktur. Det gør til gengæld næste generation af intelligens mere tilgængelig.

Fordelen ved at udvikle både infrastruktur, modeller, platform og produkter er ikke blot, at vi er med i hvert lag. Det afgørende er, at hvert lag gør de andre bedre.

Brugen af produkterne i praksis viser os, hvor kunderne oplever værdi, og hvor de møder forhindringer. Den feedback er med til at forme vores forskning. Fremskridt i forskningen styrker vores produkter og sænker omkostningerne ved at levere dem. Efterspørgslen på tværs af ChatGPT, ChatGPT Work, Codex og API'et hjælper os med at træffe bedre beslutninger om, hvor kapaciteten skal udvides.

Omfanget af den læring er vigtigt. Vores modeller når nu ud til mere end én milliard aktive brugere og over to millioner virksomheder. Efterhånden som mennesker får større tillid til teknologien, bruger de den mere indgående. Seks måneder efter tilmeldingen sender folk omkring 50 procent flere beskeder om dagen og bruger ChatGPT til cirka dobbelt så mange typer arbejde. ChatGPT Work ændrer, hvad det vil sige at være vidensarbejder: Det går fra at besvare spørgsmål til at udføre komplekst arbejde i flere trin – fra »at spørge« til »at gøre«. På tværs af OpenAI står agentbaseret arbejde gennem Codex nu for 99,8 % af de ugentlige outputtokens. Økonomiafdelingen er blandt de teams, der har gjort agentbaserede værktøjer til en central del af deres arbejdsform.

I organisationer ser vi et lignende mønster. En virksomhed begynder måske med ét team eller én arbejdsgang. Efterhånden som kvaliteten og økonomien forbedres, breder anvendelsen sig til flere funktioner, og AI bliver en del af virksomhedens drift.

Det skaber en værdifuld feedbackcyklus mellem efterspørgsel, produktforbedringer, effektivitet og planlægning af infrastruktur. Det kræver ikke, at vi ejer alle aktiver eller selv bygger alle komponenter. Vi kan eje, indgå partnerskaber eller købe alt efter, hvad der bedst gavner kunden og giver mest økonomisk mening. Det vigtige er at koordinere systemet og lære på tværs af det.

AI-infrastruktur skal planlægges flere år, før der bliver brug for den, mens modeller, produkter og kundernes efterspørgsel udvikler sig langt hurtigere. Den forskel gør disciplin afgørende.

Vi baserer vores investeringsbeslutninger på dokumentation: vækst i brugere og arbejdsbelastning, virksomhedsaftaler, API-forbrug, kapacitetsudnyttelse, omsætning samt fremskridt i modellernes evner og effektivitet. Tekniske og kommercielle milepæle er med til at afgøre, hvornår projekter går videre. Langsigtede partnerskaber samler den finansiering, infrastruktur og driftsmæssige ekspertise, der kræves for at levere i stor skala.

Produktindtægter, privat kapital og kommercielle partnerskaber spiller forskellige roller i finansieringen af væksten. Målet er ikke at bygge mest mulig infrastruktur. Målet er at etablere den rette kapacitet på det rette tidspunkt og i takt med en troværdig efterspørgsel.

For mig er de vigtigste spørgsmål enkle: Hvor hurtigt bliver ny kapacitet produktiv? Hvor effektivt bliver den udnyttet? Hvilken kundeefterspørgsel understøtter den? Hvor hurtigt kan tekniske fremskridt sænke omkostningerne ved at levere nyttig intelligens?

De spørgsmål forbinder langsigtede ambitioner med disciplin i driften.

Vi er stadig kun i begyndelsen. Mere avancerede systemer vil gennemføre længere projekter, koordinere arbejdet på tværs af værktøjer og håndtere en større del af processen fra idé til færdigt resultat. Enkeltpersoner og små virksomheder får adgang til funktioner, der tidligere var forbeholdt langt større organisationer. Store virksomheder vil bruge intelligens mere bredt i deres drift.

Vores mål er ikke blot mere regnekraft, større modeller eller lavere tokenpriser. Det er at gøre mere nyttig intelligens tilgængelig.

Det er dét, overflod betyder: intelligens, der bliver stadig mere kompetent, billigere og mere værdifuld for dem, der bruger den. Vi vil måle vores fremskridt på, hvor meget nyttigt arbejde den muliggør, hvor effektivt vi leverer den, og hvor bredt fordelene kan komme andre til gode.