Costruire un’intelligenza abbondante

L’infrastruttura per l’IA non ha valore perché è grande. Ha valore per ciò che rende possibile: un’intelligenza più capace, accessibile a più persone e a un costo inferiore.

È così che concepisco l’abbondanza. È parte integrante sia della nostra missione, garantire che l’intelligenza artificiale generale porti benefici a tutta l’umanità, sia del motore economico che alimenta la nostra attività.

Quando il costo dell’intelligenza utile diminuisce, vale la pena svolgere più attività. Quando i modelli diventano più capaci, queste attività generano più valore. Con la crescita dell’adozione, otteniamo ricavi, riscontri dal mondo reale e una maggiore visibilità sulla domanda, che ci consentono di continuare a investire nella nuova generazione di ricerca e infrastruttura.

Un’intelligenza migliore favorisce un’adozione più ampia. Un’adozione più ampia sostiene maggiori investimenti. Maggiori investimenti migliorano l’intelligenza e l’efficienza. È questo il ciclo che stiamo costruendo.

Il nostro recente annuncio sui prezzi mostra come questo ciclo produca rapidamente vantaggi per i clienti. Ieri abbiamo ridotto dell’80% il prezzo di GPT‑5.6 Luna e del 20% quello di GPT‑5.6 Terra. Luna ora costa 0,20 USD per milione di token di input e 1,20 USD per milione di token di output; Terra costa rispettivamente 2 USD e 12 USD.

Per GPT‑5.6 Sol, la Modalità rapida offre una velocità fino a 2,5 volte superiore rispetto all’elaborazione standard, al doppio del prezzo e senza variazioni nell’intelligenza.

Non si tratta di semplici modifiche a un listino prezzi. Ampliano la gamma di attività che diventano praticabili e offrono ai clienti maggiore flessibilità nel bilanciare intelligenza, velocità, affidabilità e costo.

La domanda giusta non è quale modello sia adatto a una determinata attività. È quanta intelligenza richieda l’esito desiderato, quanto rapidamente debba essere disponibile e quale debba essere il suo costo per raggiungerlo. Questo equilibrio può cambiare più volte all’interno dello stesso flusso di lavoro.

I clienti non acquistano token fini a se stessi. Vogliono risolvere il problema di assistenza, distribuire il software, esaminare il contratto o trovare risposta alla domanda scientifica. La misura corretta è il costo di un risultato positivo, compresi il tempo, i nuovi tentativi, la supervisione e gli errori necessari per ottenerlo.

Un modello più potente, capace di completare il lavoro correttamente e con efficienza, può risultare più economico di uno meno costoso che richiede tentativi ripetuti o un ampio intervento umano. Viceversa, un modello meno costoso può ampliare notevolmente l’accesso quando soddisfa lo stesso standard qualitativo. L’opportunità consiste nell’applicare la massima intelligenza utile al prezzo giusto.

Offrire questo valore richiede più che costruire nuovi data center. Occorre rendere più produttiva ogni unità di calcolo.

Il nostro recente lavoro di ingegneria mostra concretamente cosa significa. Collaborando con i nostri team tecnici, GPT‑5.6 Sol ha contribuito a ottimizzare il software in produzione usato per erogare i nostri modelli, riducendo del 20% i costi complessivi di erogazione. Ha inoltre contribuito a migliorare la decodifica speculativa, aumentando di oltre il 15% l’efficienza della generazione di token.

Altrettanto importante è il fatto che l’efficienza non dipende soltanto dal modello. Conta anche il sistema che lo circonda. Un instradamento migliore mantiene produttivo l’hardware. Una gestione più intelligente del contesto evita che gli agenti ripetano il lavoro. Strumenti più efficaci e una migliore progettazione dei prodotti riducono il numero di passaggi necessari per completare un’attività.

In una recente analisi di benchmark, i miglioramenti apportati al mantenimento del ragionamento e alla gestione del contesto hanno innalzato il punteggio di GPT‑5.6 Sol nel set pubblico di attività ARC-AGI-3 dal 13,3% al 38,3%, utilizzando sei volte meno token di output. Il modello non è cambiato. È cambiato il sistema circostante.

Questi miglioramenti si amplificano a vicenda. Modelli più capaci aiutano i nostri team a scoprire nuove fonti di efficienza. Queste efficienze riducono i costi di erogazione ai clienti e ampliano le attività che possiamo supportare con la stessa infrastruttura. A sua volta, ciò rende più accessibile la prossima generazione di intelligenza.

Il vantaggio di sviluppare infrastruttura, modelli, piattaforma e prodotti non sta semplicemente nella nostra presenza a ogni livello. Sta nel fatto che ogni livello migliora gli altri.

L’uso concreto dei prodotti ci mostra dove i clienti trovano valore e dove incontrano difficoltà. Questi riscontri contribuiscono a orientare la nostra ricerca. I progressi della ricerca rafforzano i nostri prodotti e ne riducono i costi di erogazione. La domanda di ChatGPT, ChatGPT Work, Codex e dell’API ci aiuta a decidere meglio dove aggiungere capacità.

La portata di questo apprendimento è importante. I nostri modelli raggiungono ormai più di un miliardo di utenti attivi e oltre due milioni di aziende. Man mano che acquistano fiducia nella tecnologia, le persone la utilizzano in modo più approfondito. Sei mesi dopo l’iscrizione, le persone inviano ogni giorno circa il 50% di messaggi in più e usano ChatGPT per un numero di attività quasi doppio. ChatGPT Work sta ridefinendo il lavoro intellettuale: non si limita più a rispondere alle domande, ma porta a termine attività complesse e articolate in più fasi, passando dal «chiedere» al «fare». In OpenAI, il lavoro agentico tramite Codex rappresenta ormai il 99,8% dei token di output settimanali; il team Finance è tra quelli che hanno reso gli strumenti agentici una componente fondamentale del proprio modo di lavorare.

All’interno delle organizzazioni si osserva uno schema analogo. Un’azienda può iniziare da un solo team o flusso di lavoro. Con il miglioramento della qualità e della sostenibilità economica, l’adozione si estende alle diverse funzioni e l’IA diventa parte integrante dell’operatività aziendale.

Si crea così un prezioso circolo virtuoso tra domanda, miglioramento dei prodotti, efficienza e pianificazione dell’infrastruttura. Non è necessario possedere ogni risorsa o sviluppare internamente ogni componente. Possiamo scegliere se possedere, collaborare o acquistare, in base a ciò che serve meglio il cliente ed è economicamente più vantaggioso. Ciò che conta è coordinare il sistema e imparare da ogni sua parte.

L’infrastruttura per l’IA deve essere pianificata anni prima che sia necessaria, mentre modelli, prodotti e domanda dei clienti evolvono molto più rapidamente. Questo divario rende indispensabile la disciplina.

Basiamo le decisioni di investimento su dati concreti: crescita degli utenti e dei carichi di lavoro, impegni delle aziende, consumo delle API, utilizzo, ricavi e progressi nelle capacità e nell’efficienza dei modelli. I traguardi tecnici e commerciali aiutano a stabilire quando far avanzare i progetti. Le partnership a lungo termine riuniscono i finanziamenti, l’infrastruttura e le competenze operative necessari per operare su vasta scala.

I ricavi dei prodotti, il capitale privato e le partnership commerciali svolgono ruoli diversi nel sostenere questa crescita. L’obiettivo non è costruire la maggiore quantità possibile di infrastruttura. È mettere in campo la capacità giusta, al momento giusto, in risposta a una domanda comprovata.

Per me, le domande fondamentali sono semplici: quanto rapidamente la nuova capacità diventa produttiva? Con quale efficienza viene utilizzata? Quale domanda dei clienti consente di soddisfare? Quanto rapidamente il progresso tecnico può ridurre il costo necessario per fornire intelligenza utile?

Queste domande collegano l’ambizione a lungo termine alla disciplina operativa.

Siamo ancora agli inizi. Sistemi più capaci porteranno a termine progetti più lunghi, coordineranno strumenti diversi e svolgeranno una parte maggiore del lavoro che separa un’idea dal risultato finale. Persone e piccole imprese acquisiranno capacità un tempo accessibili solo a organizzazioni molto più grandi. Le aziende applicheranno l’intelligenza in modo più ampio alle proprie attività.

Il nostro obiettivo non è semplicemente aumentare la potenza di calcolo, creare modelli più grandi o ridurre il prezzo dei token. È rendere accessibile un’intelligenza più utile.

È questo che significa abbondanza: un’intelligenza sempre più capace, accessibile e preziosa per chi la utilizza. Misureremo i nostri progressi in base alla quantità di lavoro utile resa possibile, all’efficienza con cui lo svolgiamo e all’ampiezza con cui possiamo condividerne i benefici.