Crear inteligencia abundante

La infraestructura de IA no es valiosa por ser grande. Es valiosa por lo que hace posible: una inteligencia más capaz, disponible para más personas y a menor coste.

Así es como entiendo la abundancia. Está presente tanto en nuestra misión —garantizar que la inteligencia artificial general beneficie a toda la humanidad— como en el motor económico que impulsa nuestro negocio.

Cuando baja el coste de la inteligencia útil, merece la pena realizar más trabajos. Cuando los modelos adquieren más capacidad, ese trabajo genera más valor. A medida que crece la adopción, obtenemos los ingresos, los comentarios del mundo real y la visibilidad de la demanda necesarios para seguir invirtiendo en la próxima generación de investigación e infraestructura.

Una inteligencia mejor impulsa una adopción más amplia. Una adopción más amplia permite aumentar la inversión. Una mayor inversión mejora la inteligencia y la eficiencia. Ese es el ciclo que estamos construyendo.

Nuestro reciente anuncio de precios muestra cómo ese ciclo beneficia rápidamente a los clientes. Ayer redujimos un 80 % el precio de GPT‑5.6 Luna y un 20 % el de GPT‑5.6 Terra. Luna cuesta ahora 0,20 $ por millón de tokens de entrada y 1,20 $ por millón de tokens de salida; Terra cuesta 2 $ y 12 $, respectivamente.

Para GPT‑5.6 Sol, el Modo rápido ofrece hasta 2,5 veces la velocidad del procesamiento estándar por el doble de precio, sin cambios en la inteligencia.

No se trata simplemente de cambios en una lista de precios. Amplían el abanico de trabajos que resultan viables y ofrecen a los clientes más flexibilidad para equilibrar inteligencia, velocidad, fiabilidad y coste.

La pregunta adecuada no es qué modelo corresponde a cada tarea. Es cuánta inteligencia exige el resultado deseado, con qué rapidez se necesita y cuánto debería costar para lograrlo. Ese equilibrio puede cambiar varias veces dentro de un mismo flujo de trabajo.

Los clientes no compran tokens por el mero hecho de tenerlos. Quieren que se resuelva la incidencia de soporte, se publique el software, se revise el contrato o se responda a la pregunta científica. La medida adecuada es el coste de obtener un resultado satisfactorio, incluidos el tiempo, los reintentos, la supervisión y los errores necesarios para conseguirlo.

Un modelo más potente que complete el trabajo correctamente y con eficiencia puede resultar, en última instancia, más económico que otro más barato que requiera varios intentos o una amplia intervención humana. A la inversa, un modelo de menor coste puede ampliar drásticamente el acceso cuando alcanza el mismo nivel de calidad. La oportunidad consiste en aplicar la máxima inteligencia útil al precio adecuado.

Ofrecer ese valor exige algo más que construir nuevos centros de datos. Exige aumentar la productividad de cada unidad de computación.

Nuestro reciente trabajo de ingeniería ilustra cómo se consigue. En colaboración con nuestros equipos técnicos, GPT‑5.6 Sol ayudó a optimizar el software de producción utilizado para servir nuestros modelos y redujo un 20 % los costes integrales de prestación del servicio. También ayudó a mejorar la decodificación especulativa, lo que aumentó más de un 15 % la eficiencia de generación de tokens.

Igual de importante es que la eficiencia no depende únicamente del modelo. El sistema que lo rodea también importa. Un mejor enrutamiento mantiene productivo el hardware. Una gestión más inteligente del contexto evita que los agentes repitan trabajo. Unas herramientas más potentes y un mejor diseño de producto reducen el número de pasos necesarios para completar una tarea.

En un reciente análisis comparativo, las mejoras en la conservación del razonamiento y la gestión del contexto elevaron la puntuación de GPT‑5.6 Sol en el conjunto público de tareas ARC-AGI-3 del 13,3 % al 38,3 %, utilizando seis veces menos tokens de salida. El modelo no cambió. Sí cambió el sistema que lo rodeaba.

Estas mejoras se acumulan. Los modelos más capaces ayudan a nuestros equipos a descubrir nuevas formas de mejorar la eficiencia. Esas mejoras reducen el coste de servir a los clientes y amplían el trabajo que podemos respaldar con la misma infraestructura. Esto, a su vez, hace más accesible la próxima generación de inteligencia.

La ventaja de trabajar en infraestructura, modelos, plataforma y productos no consiste simplemente en participar en cada capa. Consiste en que cada capa mejora las demás.

El uso de productos en el mundo real nos muestra dónde encuentran valor los clientes y dónde surgen dificultades. Esos comentarios ayudan a orientar nuestra investigación. Los avances en investigación mejoran nuestros productos y reducen el coste de prestarlos. La demanda de ChatGPT, ChatGPT Work, Codex y la API nos ayuda a decidir mejor dónde ampliar la capacidad.

La escala de ese aprendizaje es importante. Nuestros modelos llegan ya a más de mil millones de usuarios activos y más de dos millones de empresas. A medida que las personas ganan confianza en la tecnología, la utilizan más a fondo. Seis meses después de registrarse, las personas envían aproximadamente un 50 % más de mensajes al día y utilizan ChatGPT para casi el doble de tipos de trabajo. ChatGPT Work está cambiando lo que significa ser un trabajador del conocimiento: va más allá de responder preguntas para completar trabajos complejos de varios pasos, del «preguntar» al «hacer». En OpenAI, el trabajo con agentes mediante Codex representa ya el 99,8 % de los tokens de salida semanales, y Finanzas es uno de los equipos que han convertido las herramientas con agentes en una parte fundamental de su forma de trabajar.

Dentro de las organizaciones, el patrón es similar. Una empresa puede empezar con un equipo o un flujo de trabajo. A medida que mejoran la calidad y la rentabilidad, la adopción se extiende a distintas funciones y la IA se integra en el funcionamiento de la empresa.

Esto crea un valioso ciclo de retroalimentación entre la demanda, la mejora del producto, la eficiencia y la planificación de la infraestructura. No es necesario poseer todos los activos ni desarrollar internamente todos los componentes. Podemos optar por la propiedad, la colaboración o la compra según lo que mejor sirva al cliente y tenga más sentido económico. Lo importante es coordinar el sistema y aprender de todas sus partes.

La infraestructura de IA debe planificarse años antes de que sea necesaria, mientras que los modelos, los productos y la demanda de los clientes evolucionan mucho más rápido. Este desfase hace imprescindible la disciplina.

Basamos nuestras decisiones de inversión en datos: crecimiento de usuarios y cargas de trabajo, compromisos empresariales, consumo de la API, utilización, ingresos y avances en la capacidad y eficiencia de los modelos. Los hitos técnicos y comerciales ayudan a determinar cuándo avanzan los proyectos. Las alianzas a largo plazo reúnen la financiación, la infraestructura y la experiencia operativa necesarias para operar a gran escala.

Los ingresos por productos, el capital privado y las alianzas comerciales desempeñan distintas funciones para respaldar ese crecimiento. El objetivo no es construir la mayor cantidad posible de infraestructura. Es desplegar la capacidad adecuada, en el momento oportuno y ante una demanda creíble.

Para mí, las preguntas clave son sencillas: ¿con qué rapidez empieza a ser productiva la nueva capacidad? ¿Con qué eficiencia se utiliza? ¿Qué demanda de los clientes permite atender? ¿Con qué rapidez puede el progreso técnico reducir el coste de ofrecer inteligencia útil?

Estas preguntas conectan la ambición a largo plazo con la disciplina operativa.

Aún estamos en las primeras etapas. Los sistemas más capaces completarán proyectos más largos, se coordinarán entre distintas herramientas y asumirán una mayor parte del trabajo que separa una idea de un resultado terminado. Las personas y las pequeñas empresas adquirirán capacidades que antes solo estaban al alcance de organizaciones mucho mayores. Las grandes empresas aplicarán la inteligencia de forma más amplia en sus operaciones.

Nuestro objetivo no es simplemente disponer de más capacidad de computación, modelos más grandes o tokens más baratos. Es poner una inteligencia más útil al alcance de todos.

Eso es lo que significa la abundancia: una inteligencia cada vez más capaz, asequible y valiosa para quienes la utilizan. Mediremos nuestros avances por la cantidad de trabajo útil que hagan posible, la eficiencia con la que lo ofrecemos y el alcance con el que puedan compartirse sus beneficios.