Bâtir une intelligence abondante

L’infrastructure d’IA n’a pas de valeur simplement parce qu’elle est vaste. Sa valeur réside dans ce qu’elle rend possible : une intelligence plus performante, accessible à plus de personnes et à moindre coût.

C’est ainsi que je conçois l’abondance. Elle est ancrée à la fois dans notre mission, veiller à ce que l’intelligence artificielle générale profite à toute l’humanité, et dans le moteur économique qui propulse notre entreprise.

Lorsque le coût de l’intelligence utile diminue, il devient avantageux d’accomplir davantage de tâches. Lorsque les modèles deviennent plus performants, ces tâches créent plus de valeur. À mesure que l’adoption augmente, nous obtenons les revenus, la rétroaction issue de l’utilisation concrète et la visibilité sur la demande nécessaires pour continuer à investir dans la prochaine génération de travaux de recherche et d’infrastructures.

Une meilleure intelligence favorise une adoption plus vaste. Une adoption plus vaste soutient davantage d’investissements. Des investissements accrus améliorent l’intelligence et l’efficacité. C’est le cycle que nous bâtissons.

Notre récente annonce sur les prix montre comment ce cycle profite rapidement aux clients. Hier, nous avons réduit le prix de GPT‑5.6 Luna de 80 % et celui de GPT‑5.6 Terra de 20 %. Luna coûte maintenant 0,20 $ par million de tokens d’entrée et 1,20 $ par million de tokens de sortie; Terra coûte respectivement 2 $ et 12 $.

Pour GPT‑5.6 Sol, le Mode rapide offre jusqu’à 2,5 fois la vitesse du traitement standard, au double du prix, sans modifier le niveau d’intelligence.

Il ne s’agit pas simplement de changements apportés à une liste de prix. Ils rendent possible un plus grand éventail de tâches et donnent aux clients plus de souplesse pour trouver un équilibre entre l’intelligence, la vitesse, la fiabilité et le coût.

La bonne question n’est pas de savoir quel modèle convient à quelle tâche. Il faut plutôt déterminer le niveau d’intelligence qu’exige le résultat souhaité, la rapidité avec laquelle cette intelligence est requise et le coût qu’elle devrait représenter pour y parvenir. Cet équilibre peut changer plusieurs fois au sein d’un même flux de travail.

Les clients n’achètent pas des tokens pour le simple plaisir d’en acheter. Ils veulent que le problème de soutien soit résolu, que le logiciel soit livré, que le contrat soit examiné ou que la question scientifique trouve réponse. La bonne mesure est le coût d’un résultat réussi, y compris le temps, les nouvelles tentatives, la supervision et les erreurs nécessaires pour y parvenir.

Un modèle plus performant qui accomplit le travail correctement et efficacement peut, au bout du compte, être plus économique qu’un modèle moins cher nécessitant des tentatives répétées ou une importante intervention humaine. Inversement, un modèle moins coûteux peut élargir considérablement l’accès lorsqu’il satisfait aux mêmes critères de qualité. La possibilité qui s’offre à nous est d’appliquer le maximum d’intelligence utile au juste prix.

Pour offrir cette valeur, il ne suffit pas de bâtir des centres de données supplémentaires. Il faut rendre chaque unité de calcul plus productive.

Nos récents travaux d’ingénierie illustrent ce que cela signifie. En collaboration avec nos équipes techniques, GPT‑5.6 Sol a contribué à optimiser le logiciel de production utilisé pour servir nos modèles, réduisant de 20 % les coûts de prestation de bout en bout. Il a aussi contribué à améliorer le décodage spéculatif, augmentant de plus de 15 % l’efficacité de génération des tokens.

Fait tout aussi important, l’efficacité n’est pas déterminée uniquement par le modèle. Le système qui l’entoure compte aussi. Un meilleur routage assure la productivité du matériel. Une gestion plus intelligente du contexte empêche les agents de répéter le travail. Des outils plus performants et une meilleure conception des produits réduisent le nombre d’étapes nécessaires pour accomplir une tâche.

Dans une récente analyse comparative, l’amélioration de la conservation du raisonnement et de la gestion du contexte a fait passer le score de GPT‑5.6 Sol sur l’ensemble public de tâches ARC-AGI-3 de 13,3 % à 38,3 %, tout en utilisant six fois moins de tokens de sortie. Le modèle n’a pas changé. Le système qui l’entoure, oui.

Ces gains se cumulent. Des modèles plus performants aident nos équipes à découvrir de nouvelles sources d’efficacité. Ces gains d’efficacité réduisent le coût du service aux clients et augmentent le volume de travail que nous pouvons prendre en charge avec la même infrastructure. Cela rend à son tour la prochaine génération d’intelligence plus accessible.

L’avantage de bâtir l’infrastructure, les modèles, la plateforme et les produits ne tient pas simplement à notre présence dans chaque couche. Il tient au fait que chaque couche améliore les autres.

L’utilisation concrète de nos produits nous montre ce qui apporte de la valeur aux clients et les difficultés qu’ils rencontrent. Cette rétroaction contribue à orienter nos recherches. Les avancées de la recherche renforcent nos produits et réduisent le coût de leur prestation. La demande pour ChatGPT, ChatGPT Work, Codex et l’API nous aide à mieux décider où accroître la capacité.

L’ampleur de cet apprentissage compte. Nos modèles rejoignent maintenant plus d’un milliard d’utilisateurs actifs et plus de deux millions d’entreprises. À mesure que les gens gagnent confiance en la technologie, ils l’utilisent de façon plus approfondie. Six mois après leur inscription, les gens envoient environ 50 % plus de messages par jour et utilisent ChatGPT pour près de deux fois plus de types de tâches. ChatGPT Work transforme ce que signifie être un travailleur du savoir, allant au-delà des réponses aux questions pour accomplir des tâches complexes en plusieurs étapes, des « questions » aux « actions ». À l’échelle d’OpenAI, le travail agentique réalisé avec Codex représente maintenant 99,8 % des tokens de sortie hebdomadaires, et les Finances figurent parmi les équipes qui ont fait des outils agentiques un élément central de leur façon de travailler.

Au sein des organisations, la tendance est semblable. Une entreprise peut commencer par une seule équipe ou un seul flux de travail. À mesure que la qualité et la rentabilité s’améliorent, l’adoption s’étend aux différentes fonctions et l’IA s’intègre au fonctionnement de l’entreprise.

Il en résulte une précieuse boucle de rétroaction entre la demande, l’amélioration des produits, l’efficacité et la planification de l’infrastructure. Cela ne nous oblige pas à posséder chaque actif ni à bâtir nous-mêmes chaque composant. Nous pouvons opter pour la propriété, les partenariats ou l’achat, selon ce qui sert le mieux le client et se justifie le plus sur le plan économique. Ce qui compte, c’est de coordonner le système et d’en tirer des apprentissages à tous les niveaux.

L’infrastructure d’IA doit être planifiée des années avant d’être nécessaire, alors que les modèles, les produits et la demande des clients évoluent beaucoup plus rapidement. Ce décalage rend la rigueur essentielle.

Nous fondons nos décisions d’investissement sur des données probantes : la croissance du nombre d’utilisateurs et des charges de travail, les engagements des entreprises, la consommation de l’API, l’utilisation, les revenus ainsi que les progrès en matière de capacité et d’efficacité des modèles. Des jalons techniques et commerciaux aident à déterminer quand les projets progressent. Les partenariats à long terme réunissent le financement, l’infrastructure et l’expertise opérationnelle nécessaires à une prestation à grande échelle.

Les revenus tirés des produits, les capitaux privés et les partenariats commerciaux jouent des rôles différents dans le soutien de cette croissance. L’objectif n’est pas de bâtir le plus d’infrastructure possible. Il consiste à déployer la bonne capacité, au bon moment, en fonction d’une demande crédible.

Pour moi, les questions clés sont simples : à quelle vitesse une nouvelle capacité devient-elle productive? Dans quelle mesure est-elle utilisée efficacement? À quelle demande des clients répond-elle? À quel rythme les progrès techniques peuvent-ils réduire le coût de la prestation d’une intelligence utile?

Ces questions relient l’ambition à long terme à la rigueur opérationnelle.

Nous n’en sommes encore qu’au début. Des systèmes plus performants mèneront à bien des projets plus longs, coordonneront plusieurs outils et prendront en charge une plus grande part du travail entre une idée et un résultat final. Les particuliers et les petites entreprises accéderont à des capacités autrefois réservées aux organisations beaucoup plus grandes. Les entreprises appliqueront l’intelligence plus largement à l’ensemble de leurs activités.

Notre objectif n’est pas simplement d’accroître la puissance de calcul, la taille des modèles ou de réduire le prix des tokens. Il consiste à rendre accessible une intelligence plus utile.

Voilà ce que signifie l’abondance : une intelligence toujours plus performante, plus abordable et plus précieuse pour les personnes qui l’utilisent. Nous mesurerons nos progrès selon la quantité de travail utile qu’elle rend possible, l’efficacité avec laquelle nous la fournissons et la mesure dans laquelle ses avantages peuvent être partagés.