Mbangun kapinteran sing luber

Infrastruktur AI ora aji mung amarga gedhe. Infrastruktur kasebut aji amarga apa sing bisa diwujudake: kapinteran sing luwih mumpuni, bisa digunakake luwih akeh wong, kanthi biaya luwih murah.

Mangkono caraku mangerteni kaluberan. Prinsip iki tinandur ing misi kita—mesthekake yen kecerdhasan umum tiruan migunani tumrap kabeh manungsa—lan ing mesin ekonomi sing nggerakake bisnis kita.

Nalika biaya kapinteran sing migunani mudhun, luwih akeh gaweyan dadi layak ditindakake. Nalika model saya mumpuni, gaweyan kasebut ngasilake nilai luwih gedhe. Nalika panganggone mundhak, kita entuk bathi, umpan balik saka donya nyata, lan wawasan babagan panjaluk supaya bisa terus nandur modal ing riset lan infrastruktur generasi sabanjure.

Kapinteran sing luwih apik nyurung panggunaan luwih amba. Panggunaan luwih amba nyengkuyung investasi luwih akeh. Investasi luwih akeh ningkatake kapinteran lan efisiensi. Iki siklus sing lagi kita bangun.

Pengumuman rega paling anyar nuduhake carane siklus kasebut kanthi cepet menehi manfaat marang pelanggan. Wingi, rega GPT‑5.6 Luna kita suda 80 persen lan GPT‑5.6 Terra suda 20 persen. Luna saiki regane $0.20 saben sayuta token input lan $1.20 saben sayuta token output; Terra regane $2 lan $12, manut urutane.

Kanggo GPT‑5.6 Sol, mode Fast nyedhiyakake kacepetan nganti 2,5 tikel pangolahan standar kanthi rega ping pindho, tanpa owah-owahan kapinteran.

Iki ora mung owah-owahan ing dhaptar rega. Owah-owahan kasebut nggedhekake cakupan gaweyan sing bisa ditindakake lan menehi pelanggan keluwesan luwih gedhe kanggo ngimbangi kapinteran, kacepetan, linuwih, lan biaya.

Pitakon sing bener dudu model endi kanggo tugas endi. Pitakone yaiku sepira gedhe kapinteran sing dibutuhake kanggo nggayuh asil, sepira cepete kapinteran kasebut dibutuhake, lan pira biaya sing prayoga kanggo nggayuh asil kasebut. Kaimbangan kasebut bisa owah kaping pirang-pirang sajrone alur kerja sing padha.

Pelanggan ora tuku token mung kanggo nduweni token. Dheweke kepengin masalah dhukungan dirampungake, piranti lunak diluncurake, kontrak ditliti, utawa pitakon ilmiah dijawab. Ukuran sing bener yaiku biaya kanggo nggayuh asil sing kasil, kalebu wektu, upaya mbaleni, pengawasan, lan kesalahan sajrone proses kasebut.

Pungkasane, model luwih kuwat sing bisa ngrampungake gaweyan kanthi bener lan efisien bisa luwih irit tinimbang model luwih murah sing mbutuhake upaya bola-bali utawa campur tangan manungsa kanthi akeh. Kosok baline, model sing luwih murah bisa nggedhekake akses kanthi drastis yen bisa nyukupi standar mutu sing padha. Kesempatane yaiku nggunakake kapinteran migunani kanthi maksimal ing rega sing pas.

Nyedhiyakake nilai kasebut ora cukup mung kanthi mbangun pusat data tambahan. Saben unit komputasi uga kudu digawe luwih produktif.

Pakaryan rekayasa paling anyar nggambarake wujude upaya kasebut. Kanthi kerja bareng tim teknis, GPT‑5.6 Sol mbantu ngoptimalake piranti lunak produksi kanggo nyedhiyakake model kita, saengga biaya layanan sakabehe mudhun 20 persen. Model kasebut uga mbantu ningkatake dekoding spekulatif, saengga efisiensi pangasilan token mundhak luwih saka 15 persen.

Sing ora kalah penting, efisiensi ora mung ditemtokake dening model. Sistem ing sakupenge uga penting. Pangarah rute sing luwih apik njaga produktivitas piranti keras. Pangaturan konteks sing luwih pinter nyegah agen mbaleni gaweyan. Piranti lan rancangan produk sing luwih apik nyuda jumlah langkah kanggo ngrampungake tugas.

Ing analisis pathokan paling anyar, paningkatan nalar sing dipertahanake lan pangaturan konteks ngunggahake skor GPT‑5.6 Sol ing kumpulan tugas umum ARC-AGI-3 saka 13,3 persen dadi 38,3 persen kanthi nggunakake token output kaping enem luwih sithik. Modele ora owah. Sing owah yaiku sistem ing sakupenge.

Kemajuan kasebut terus saya ngrembaka. Model sing luwih mumpuni mbantu tim kita nemokake efisiensi anyar. Efisiensi kasebut nyuda biaya kanggo nglayani pelanggan lan nggedhekake cakupan gaweyan sing bisa kita dukung nganggo infrastruktur sing padha. Sabanjure, iki ndadekake kapinteran generasi sabanjure luwih gampang digayuh.

Kaluwihan mbangun infrastruktur, model, platform, lan produk ora mung amarga kita melu ing saben lapisan. Nanging amarga saben lapisan ndadekake lapisan liyane luwih apik.

Panggunaan produk ing donya nyata nuduhake ing ngendi pelanggan nemokake manfaat lan ngalami alangan. Umpan balik kasebut mbantu ngarahake riset kita. Kemajuan riset nguwatake produk kita lan nyuda biaya kanggo nyedhiyakake layanan kasebut. Panjaluk ing ChatGPT, ChatGPT Kerja, Codex, lan API mbantu kita mutusake kanthi luwih becik ing ngendi kapasitas perlu ditambah.

Skala pamulangan kasebut penting. Model kita saiki digunakake luwih saka samilyar pangguna aktif lan luwih saka rong yuta bisnis. Saya yakin wong marang teknologi iki, saya jero anggone nggunakake. Nem sasi sawise ndhaptar, saben dina wong ngirim pesen udakara 50 persen luwih akeh lan nggunakake ChatGPT kanggo jinis gaweyan sing cacahe watara ping pindho. ChatGPT Kerja ngowahi makna dadi tenaga kerja kawruh, ora mung mangsuli pitakon nanging uga ngrampungake gaweyan rumit kanthi pirang-pirang tahap—saka “takon” dadi “nindakake”. Ing OpenAI, gaweyan agentik liwat Codex saiki nyakup 99,8% token output mingguan. Tim Keuangan kalebu salah sawijining tim sing ndadekake piranti agentik minangka bagean utama saka cara kerjane.

Ing organisasi, polane padha. Perusahaan bisa miwiti saka siji tim utawa siji alur kerja. Nalika mutu lan keekonomiane saya apik, panganggone sumrambah menyang macem-macem fungsi lan AI dadi bagean saka operasional bisnis.

Iki nggawe siklus umpan balik sing aji antarane panjaluk, paningkatan produk, efisiensi, lan perencanaan infrastruktur. Iki ora mbutuhake kita duwe saben aset utawa mbangun saben komponen dhewe. Kita bisa nduweni, kerja bareng mitra, utawa tuku, gumantung pilihan sing paling migunani kanggo pelanggan lan paling mlebu nalar kanthi ekonomi. Sing penting yaiku ngoordinasi sistem lan sinau saka kabeh bageane.

Infrastruktur AI kudu direncanakake pirang-pirang taun sadurunge dibutuhake, kamangka model, produk, lan panjaluk pelanggan owah luwih cepet. Bedane wektu kasebut ndadekake disiplin wigati banget.

Kaputusan investasi kita adhedhasar bukti: tuwuhe pangguna lan beban kerja, komitmen perusahaan, konsumsi API, tingkat panggunaan, bathi, sarta kemajuan kemampuan lan efisiensi model. Tonggak teknis lan komersial mbantu nemtokake kapan proyek diterusake. Kemitraan jangka panjang nyawijikake pembiayaan, infrastruktur, lan kaprigelan operasional sing dibutuhake kanggo nyedhiyakake layanan kanthi skala gedhe.

Pasil produk, modal swasta, lan kemitraan komersial nduweni peran beda kanggo nyengkuyung tuwuh kasebut. Tujuane dudu mbangun infrastruktur paling akeh. Tujuane yaiku nyedhiyakake kapasitas sing pas, ing wektu sing pas, kanggo nyukupi panjaluk sing bisa dipercaya.

Tumrapku, pitakon utamane cetha: Sepira cepete kapasitas anyar bisa produktif? Sepira efisien kapasitas kasebut digunakake? Panjaluk pelanggan apa sing bisa dilayani? Sepira cepete kemajuan teknis bisa nyuda biaya kanggo nyedhiyakake kapinteran sing migunani?

Pitakon kasebut nggandhengake gegayuhan jangka panjang karo disiplin operasional.

Kita isih ana ing tahap wiwitan. Sistem sing luwih mumpuni bakal ngrampungake proyek luwih dawa, ngoordinasi macem-macem piranti, lan nangani luwih akeh gaweyan saka gagasan nganti dadi asil pungkasan. Wong lan bisnis cilik bakal nduweni kemampuan sing biyen mung bisa diduweni organisasi luwih gedhe. Perusahaan bakal nggunakake kapinteran kanthi luwih amba ing saindenging operasine.

Tujuan kita ora mung komputasi luwih akeh, model luwih gedhe, utawa rega token luwih murah. Tujuane yaiku supaya kapinteran sing luwih migunani bisa digayuh.

Kuwi makna kaluberan: kapinteran sing saya mumpuni, saya murah, lan saya migunani tumrap wong sing nggunakake. Kita bakal ngukur kemajuan saka akehe gaweyan migunani sing bisa diwujudake, efisiensi anggone nyedhiyakake, lan ambane manfaat sing bisa dirasakake bebarengan.