Membangun kecerdasan yang berlimpah

Infrastruktur AI tidak bernilai hanya karena ukurannya besar. Infrastruktur itu bernilai karena apa yang dimungkinkannya: kecerdasan yang lebih mumpuni, tersedia bagi lebih banyak orang, dengan biaya lebih rendah.

Begitulah saya memaknai keberlimpahan. Gagasan ini tertanam dalam misi kami—memastikan kecerdasan umum buatan bermanfaat bagi seluruh umat manusia—sekaligus dalam mesin ekonomi yang menggerakkan bisnis kami.

Ketika biaya kecerdasan yang berguna turun, semakin banyak pekerjaan menjadi layak dilakukan. Ketika model menjadi lebih mumpuni, pekerjaan tersebut menghasilkan nilai yang lebih besar. Seiring meluasnya adopsi, kami memperoleh pendapatan, masukan dari dunia nyata, dan gambaran permintaan yang diperlukan untuk terus berinvestasi dalam riset dan infrastruktur generasi berikutnya.

Kecerdasan yang lebih baik mendorong adopsi yang lebih luas. Adopsi yang lebih luas mendukung investasi yang lebih besar. Investasi yang lebih besar meningkatkan kecerdasan dan efisiensi. Siklus itulah yang sedang kami bangun.

Pengumuman harga terbaru kami menunjukkan bagaimana siklus tersebut dapat segera menguntungkan pelanggan. Kemarin, kami menurunkan harga GPT‑5.6 Luna sebesar 80 persen dan GPT‑5.6 Terra sebesar 20 persen. Harga Luna kini $0,20 per satu juta token masukan dan $1,20 per satu juta token keluaran; harga Terra masing-masing $2 dan $12.

Untuk GPT‑5.6 Sol, Mode Cepat memberikan kecepatan hingga 2,5 kali pemrosesan standar dengan harga dua kali lipat, tanpa perubahan pada kecerdasan.

Ini bukan sekadar perubahan pada daftar harga. Perubahan tersebut memperluas ragam pekerjaan yang menjadi praktis dilakukan dan memberi pelanggan keleluasaan lebih besar untuk menyeimbangkan kecerdasan, kecepatan, keandalan, dan biaya.

Pertanyaan yang tepat bukanlah model mana yang cocok untuk tugas tertentu. Pertanyaannya adalah seberapa besar kecerdasan yang dituntut untuk mencapai hasil yang diperlukan, seberapa cepat kecerdasan itu dibutuhkan, dan berapa biaya yang semestinya dikeluarkan untuk mencapainya. Keseimbangan tersebut dapat berubah beberapa kali dalam alur kerja yang sama.

Pelanggan tidak membeli token semata-mata demi token itu sendiri. Mereka ingin masalah dukungan diselesaikan, perangkat lunak diluncurkan, kontrak ditinjau, atau pertanyaan ilmiah dijawab. Ukuran yang tepat adalah biaya untuk mencapai hasil yang berhasil, termasuk waktu, percobaan ulang, pengawasan, dan kesalahan selama prosesnya.

Pada akhirnya, model yang lebih kuat dan mampu menyelesaikan pekerjaan dengan benar serta efisien dapat lebih ekonomis daripada model lebih murah yang membutuhkan percobaan berulang atau banyak campur tangan manusia. Sebaliknya, model berbiaya lebih rendah dapat memperluas akses secara drastis jika memenuhi standar kualitas yang sama. Peluangnya adalah menerapkan kecerdasan berguna secara maksimal dengan harga yang tepat.

Menghadirkan nilai tersebut membutuhkan lebih dari sekadar membangun pusat data tambahan. Setiap unit komputasi harus dibuat lebih produktif.

Pekerjaan rekayasa terbaru kami menggambarkan penerapannya. Bersama tim teknis kami, GPT‑5.6 Sol membantu mengoptimalkan perangkat lunak produksi yang digunakan untuk menjalankan model kami sehingga mengurangi biaya penyediaan layanan secara menyeluruh sebesar 20 persen. Model ini juga membantu menyempurnakan decoding spekulatif sehingga efisiensi pembuatan token meningkat lebih dari 15 persen.

Hal yang tak kalah penting, efisiensi tidak ditentukan oleh model saja. Sistem di sekelilingnya juga berperan penting. Perutean yang lebih baik menjaga produktivitas perangkat keras. Pengelolaan konteks yang lebih cerdas mencegah agen mengulangi pekerjaan. Alat yang lebih andal dan desain produk yang lebih baik mengurangi jumlah langkah yang diperlukan untuk menyelesaikan tugas.

Dalam analisis tolok ukur terbaru, peningkatan pada penalaran yang dipertahankan dan pengelolaan konteks menaikkan skor GPT‑5.6 Sol pada rangkaian tugas publik ARC-AGI-3 dari 13,3 persen menjadi 38,3 persen, sekaligus menggunakan token keluaran enam kali lebih sedikit. Modelnya tidak berubah. Sistem di sekelilingnyalah yang berubah.

Berbagai peningkatan ini memberikan manfaat yang terus berlipat. Model yang lebih mumpuni membantu tim kami menemukan efisiensi baru. Efisiensi tersebut menurunkan biaya layanan bagi pelanggan dan memperluas pekerjaan yang dapat kami dukung dengan infrastruktur yang sama. Pada gilirannya, hal ini membuat kecerdasan generasi berikutnya semakin mudah diakses.

Keunggulan membangun seluruh lapisan—mulai dari infrastruktur, model, dan platform hingga produk—bukan sekadar karena kami berkiprah di setiap lapisan. Keunggulannya adalah setiap lapisan membuat lapisan lainnya menjadi lebih baik.

Penggunaan produk di dunia nyata menunjukkan kepada kami apa yang bernilai bagi pelanggan dan di mana mereka mengalami kendala. Masukan tersebut membantu mengarahkan riset kami. Kemajuan riset memperkuat produk kami dan menurunkan biaya penyediaan layanannya. Permintaan di ChatGPT, ChatGPT Work, Codex, dan API membantu kami mengambil keputusan yang lebih baik tentang penambahan kapasitas.

Skala pembelajaran tersebut sangat penting. Model kami kini menjangkau lebih dari satu miliar pengguna aktif dan lebih dari dua juta bisnis. Seiring tumbuhnya kepercayaan terhadap teknologi ini, orang-orang menggunakannya secara lebih mendalam. Enam bulan setelah mendaftar, pengguna mengirim sekitar 50 persen lebih banyak pesan setiap hari dan memakai ChatGPT untuk kira-kira dua kali lebih banyak jenis pekerjaan. ChatGPT Work mengubah apa artinya menjadi pekerja pengetahuan: tidak lagi sekadar menjawab pertanyaan, tetapi menyelesaikan pekerjaan rumit yang terdiri atas banyak langkah—dari “bertanya” menjadi “melakukan”. Di seluruh OpenAI, pekerjaan berbasis agen melalui Codex kini mencakup 99,8% token keluaran mingguan. Tim Keuangan termasuk tim yang telah menjadikan alat berbasis agen sebagai bagian utama dari cara mereka bekerja.

Pola serupa terlihat di dalam organisasi. Perusahaan dapat memulai dari satu tim atau satu alur kerja. Seiring meningkatnya kualitas dan kelayakan ekonominya, adopsi meluas ke berbagai fungsi dan AI menjadi bagian dari cara bisnis beroperasi.

Hal ini menciptakan siklus umpan balik yang berharga antara permintaan, peningkatan produk, efisiensi, dan perencanaan infrastruktur. Untuk itu, kami tidak harus memiliki setiap aset atau membangun sendiri setiap komponennya. Kami dapat memilih untuk memiliki, bermitra, atau membeli berdasarkan opsi yang paling menguntungkan pelanggan dan paling masuk akal secara ekonomi. Yang terpenting adalah mengoordinasikan sistem tersebut dan belajar dari seluruh bagiannya.

Infrastruktur AI harus direncanakan bertahun-tahun sebelum dibutuhkan, sementara model, produk, dan permintaan pelanggan berkembang jauh lebih cepat. Ketidaksesuaian tersebut membuat disiplin menjadi sangat penting.

Keputusan investasi kami didasarkan pada bukti: pertumbuhan pengguna dan beban kerja, komitmen perusahaan, konsumsi API, tingkat pemanfaatan, pendapatan, serta kemajuan kemampuan dan efisiensi model. Pencapaian teknis dan komersial membantu menentukan kapan proyek dapat dilanjutkan. Kemitraan jangka panjang menyatukan pembiayaan, infrastruktur, dan keahlian operasional yang diperlukan untuk menghadirkan layanan dalam skala besar.

Pendapatan produk, modal swasta, dan kemitraan komersial memiliki peran berbeda dalam mendukung pertumbuhan tersebut. Tujuannya bukan membangun infrastruktur sebanyak mungkin. Tujuannya adalah menyediakan kapasitas yang tepat pada waktu yang tepat untuk memenuhi permintaan yang kredibel.

Bagi saya, pertanyaan utamanya sederhana: Seberapa cepat kapasitas baru dapat mulai produktif? Seberapa efisien kapasitas itu digunakan? Permintaan pelanggan apa yang dapat didukungnya? Seberapa cepat kemajuan teknis dapat menurunkan biaya penyediaan kecerdasan yang berguna?

Pertanyaan-pertanyaan tersebut menghubungkan ambisi jangka panjang dengan disiplin operasional.

Kita masih berada di tahap awal. Sistem yang lebih mumpuni akan menyelesaikan proyek yang lebih panjang, berkoordinasi dengan berbagai alat, dan menangani lebih banyak pekerjaan dari tahap gagasan hingga hasil akhir. Individu dan usaha kecil akan memperoleh kemampuan yang sebelumnya hanya tersedia bagi organisasi yang jauh lebih besar. Perusahaan akan menerapkan kecerdasan secara lebih luas dalam kegiatan operasional mereka.

Tujuan kami bukan sekadar menyediakan lebih banyak komputasi, model yang lebih besar, atau harga token yang lebih rendah. Tujuannya adalah membuat kecerdasan yang lebih berguna semakin mudah dijangkau.

Inilah makna keberlimpahan: kecerdasan yang terus bertambah mumpuni, semakin terjangkau, dan semakin bernilai bagi penggunanya. Kami akan mengukur kemajuan berdasarkan seberapa banyak pekerjaan bermanfaat yang dimungkinkannya, seberapa efisien kami menyediakannya, dan seberapa luas manfaatnya dapat dirasakan.