Construire une intelligence abondante

La valeur de l’infrastructure d’IA ne tient pas à sa taille. Elle tient à ce qu’elle rend possible : une intelligence plus performante, accessible à davantage de personnes et à moindre coût.

C’est ainsi que je conçois l’abondance. Elle est au cœur de notre mission — veiller à ce que l’intelligence artificielle générale profite à toute l’humanité — comme du moteur économique de notre activité.

Lorsque le coût de l’intelligence utile baisse, davantage de tâches méritent d’être accomplies. Lorsque les modèles gagnent en capacités, ce travail crée davantage de valeur. À mesure que l’adoption progresse, nous obtenons les revenus, les retours concrets et la visibilité sur la demande nécessaires pour continuer à investir dans la prochaine génération de recherche et d’infrastructure.

Une intelligence plus performante favorise une adoption plus large. Une adoption plus large soutient davantage d’investissements. Davantage d’investissements améliorent l’intelligence et l’efficacité. C’est le cycle que nous construisons.

Notre récente annonce tarifaire 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 désormais 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, pour un prix deux fois supérieur et sans changement d’intelligence.

Il ne s’agit pas de simples modifications d’une grille tarifaire. Elles élargissent l’éventail des tâches qui deviennent réalisables et offrent aux clients davantage de souplesse pour équilibrer intelligence, vitesse, fiabilité et coût.

La bonne question n’est pas de savoir quel modèle convient à quelle tâche. Il faut plutôt déterminer le niveau d’intelligence exigé par le résultat attendu, la rapidité avec laquelle cette intelligence est nécessaire et le coût qu’elle devrait représenter. Cet équilibre peut changer plusieurs fois au sein d’un même workflow.

Les clients n’achètent pas des tokens pour le simple fait d’en posséder. Ils veulent que leur problème d’assistance soit résolu, que le logiciel soit livré, que le contrat soit examiné ou que la question scientifique trouve une 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 correctement et efficacement le travail peut finalement être plus économique qu’un modèle moins cher nécessitant des tentatives répétées ou une intervention humaine importante. À l’inverse, un modèle moins coûteux peut considérablement élargir l’accès s’il répond au même niveau d’exigence en matière de qualité. L’enjeu consiste à appliquer le maximum d’intelligence utile au juste prix.

Fournir cette valeur exige plus que la construction de centres de données supplémentaires. Cela exige de rendre chaque unité de calcul plus productive.

Nos récents travaux d’ingénierie illustrent concrètement cette approche. En collaboration avec nos équipes techniques, GPT‑5.6 Sol a contribué à optimiser le logiciel de production assurant le fonctionnement de nos modèles, réduisant de 20 % les coûts de service de bout en bout. Il a également contribué à améliorer le décodage spéculatif, augmentant de plus de 15 % l’efficacité de la génération de tokens.

Tout aussi important, l’efficacité n’est pas déterminée par le seul modèle. Le système qui l’entoure compte également. Un meilleur routage garantit une utilisation productive du matériel. Une gestion plus intelligente du contexte évite aux agents de répéter leur 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 du raisonnement conservé et de la gestion du contexte a fait passer le score de GPT‑5.6 Sol sur le jeu de tâches public 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. En revanche, le système qui l’entoure a évolué.

Ces gains se cumulent. Des modèles plus performants aident nos équipes à découvrir de nouveaux gains d’efficacité. Ces gains réduisent le coût de mise à disposition de nos services et élargissent l’éventail des tâches que nous pouvons traiter avec la même infrastructure. Cela rend à son tour la prochaine génération d’intelligence plus accessible.

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

L’utilisation concrète de nos produits nous montre ce qui crée de la valeur pour les clients et les difficultés qu’ils rencontrent. Ces retours contribuent à orienter nos recherches. Les progrès de la recherche renforcent nos produits et réduisent le coût de leur mise à disposition. La demande pour ChatGPT, ChatGPT Work, Codex et l’API nous aide à mieux décider où ajouter des capacités.

L’ampleur de cet apprentissage est essentielle. Nos modèles touchent désormais plus d’un milliard d’utilisateurs actifs et plus de deux millions d’entreprises. À mesure que les utilisateurs gagnent confiance dans la technologie, ils l’utilisent plus intensément. Six mois après leur inscription, les utilisateurs envoient environ 50 % de messages en plus chaque jour et utilisent ChatGPT pour près de deux fois plus de types de tâches. ChatGPT Work redéfinit le travail intellectuel : au-delà des réponses aux questions, il permet d’accomplir des tâches complexes en plusieurs étapes, en passant de « demander » à « faire ». Chez OpenAI, le travail agentique réalisé avec Codex représente désormais 99,8 % des tokens de sortie hebdomadaires, et la Finance figure parmi les équipes ayant placé les outils agentiques au cœur de leur façon de travailler.

Au sein des organisations, la tendance est similaire. Une entreprise peut commencer par une seule équipe ou un seul workflow. 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.

Cela crée une boucle de rétroaction précieuse entre la demande, l’amélioration des produits, l’efficacité et la planification de l’infrastructure. Cela ne nécessite ni de posséder chaque actif ni de construire nous-mêmes chaque composant. Nous pouvons posséder, nouer des partenariats ou acheter, selon ce qui sert le mieux le client et se révèle le plus pertinent économiquement. L’essentiel est de coordonner le système et de tirer des enseignements de l’ensemble.

L’infrastructure d’IA doit être planifiée plusieurs années avant son utilisation, alors que les modèles, les produits et la demande des clients évoluent bien plus vite. Ce décalage rend la rigueur indispensable.

Nous fondons nos décisions d’investissement sur des données concrètes : croissance du nombre d’utilisateurs et des charges de travail, engagements des entreprises, consommation de l’API, utilisation, chiffre d’affaires et progrès en matière de capacités et d’efficacité des modèles. Des jalons techniques et commerciaux permettent de déterminer quand faire avancer les projets. Les partenariats à long terme réunissent le financement, l’infrastructure et l’expertise opérationnelle nécessaires à un déploiement à grande échelle.

Les revenus issus des produits, les capitaux privés et les partenariats commerciaux jouent des rôles distincts dans le soutien de cette croissance. L’objectif n’est pas de construire le plus d’infrastructures possible. Il consiste à déployer les capacités adéquates, au bon moment, pour répondre à une demande crédible.

Pour moi, les questions essentielles sont simples : à quelle vitesse les nouvelles capacités deviennent-elles productives ? Avec quelle efficacité sont-elles utilisées ? À quelle demande des clients répondent-elles ? À quelle vitesse les progrès techniques peuvent-ils réduire le coût de mise à disposition 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 différents outils et effectueront une part croissante du travail entre une idée et le résultat final. Les particuliers et les petites entreprises bénéficieront de capacités autrefois réservées aux organisations bien plus grandes. Les entreprises appliqueront plus largement l’intelligence à l’ensemble de leurs opérations.

Notre objectif ne se limite pas à davantage de calcul, à des modèles plus grands ou à des tokens moins chers. Il consiste à rendre une intelligence plus utile accessible à tous.

Voilà ce que signifie l’abondance : une intelligence toujours plus performante, plus abordable et plus précieuse pour celles et ceux qui l’utilisent. Nous mesurerons nos progrès à la quantité de travail utile qu’elle rend possible, à l’efficacité avec laquelle nous la fournissons et à l’ampleur du partage de ses bénéfices.