Vi bygger intelligens i overflod

KI-infrastruktur er ikke verdifull fordi den er stor. Den er verdifull på grunn av det den muliggjør: bedre intelligens som er tilgjengelig for flere mennesker til en lavere kostnad.

Det er slik jeg tenker på overflod. Det er forankret både i samfunnsoppdraget vårt – å sikre at kunstig generell intelligens kommer hele menneskeheten til gode – og i den økonomiske motoren som driver virksomheten vår.

Når kostnaden for nyttig intelligens synker, blir mer arbeid verdt å utføre. Når modellene blir mer avanserte, skaper dette arbeidet større verdi. Etter hvert som bruken øker, får vi inntektene, tilbakemeldingene fra faktisk bruk og innsikten i etterspørselen som trengs for å fortsette å investere i neste generasjon forskning og infrastruktur.

Bedre intelligens fører til bredere bruk. Bredere bruk gir rom for flere investeringer. Flere investeringer forbedrer intelligensen og effektiviteten. Det er denne syklusen vi bygger.

Vår nylige kunngjøring om priser viser hvor raskt denne syklusen kommer kundene til gode. I går reduserte vi prisen på GPT‑5.6 Luna med 80 prosent og GPT‑5.6 Terra med 20 prosent. Luna koster nå 0,20 dollar per million inndatatokener og 1,20 dollar per million utdatatokener. De tilsvarende prisene for Terra er 2 og 12 dollar.

For GPT‑5.6 Sol leverer Hurtigmodus opptil 2,5 ganger høyere hastighet enn standardbehandling til dobbelt pris, uten at intelligensen endres.

Dette er ikke bare endringer i en prisliste. De gjør flere typer arbeid praktisk gjennomførbare og gir kundene større fleksibilitet til å balansere intelligens, hastighet, pålitelighet og kostnader.

Det riktige spørsmålet er ikke hvilken modell som passer til hvilken oppgave. Spørsmålet er hvor mye intelligens som kreves for å oppnå ønsket resultat, hvor raskt intelligensen trengs, og hva den bør koste. Denne balansen kan endre seg flere ganger i løpet av den samme arbeidsflyten.

Kundene kjøper ikke tokener for tokenenes egen skyld. De vil at kundesaken skal løses, programvaren lanseres, kontrakten gjennomgås eller det vitenskapelige spørsmålet besvares. Det riktige målet er kostnaden ved et vellykket resultat, medregnet tiden, de gjentatte forsøkene, kontrollen og feilene som kreves for å komme dit.

En sterkere modell som utfører arbeidet riktig og effektivt, kan til syvende og sist være mer økonomisk enn en billigere modell som krever gjentatte forsøk eller omfattende menneskelig inngripen. En rimeligere modell kan på sin side gi langt flere tilgang når den oppfyller de samme kvalitetskravene. Muligheten ligger i å bruke mest mulig nyttig intelligens til riktig pris.

Å levere denne verdien krever mer enn å bygge flere datasentre. Det krever at hver enhet med regnekraft blir mer produktiv.

Vårt nylige utviklingsarbeid viser hvordan dette ser ut i praksis. I samarbeid med de tekniske teamene våre bidro GPT‑5.6 Sol til å optimalisere produksjonsprogramvaren som brukes til å drifte modellene våre. Det reduserte de samlede leveringskostnadene med 20 prosent. Den bidro også til å forbedre spekulativ dekoding, noe som økte effektiviteten i tokengenereringen med over 15 prosent.

Like viktig er det at effektiviteten ikke bestemmes av modellen alene. Systemet rundt den har også betydning. Bedre ruting sørger for at maskinvaren utnyttes produktivt. Smartere konteksthåndtering hindrer agenter i å gjenta arbeid. Bedre verktøy og produktdesign reduserer antallet trinn som kreves for å fullføre en oppgave.

I en nylig referansetestanalyse økte forbedringer i bevart resonnering og konteksthåndtering resultatet til GPT‑5.6 Sol på det offentlige oppgavesettet ARC-AGI-3 fra 13,3 til 38,3 prosent, samtidig som modellen brukte seks ganger færre utdatatokener. Modellen ble ikke endret, men systemet rundt den.

Disse gevinstene forsterker hverandre. Mer avanserte modeller hjelper teamene våre med å finne nye effektivitetsgevinster. Disse gevinstene reduserer kostnadene ved å betjene kundene og gjør at vi kan støtte mer arbeid med den samme infrastrukturen. Det gjør i sin tur neste generasjon intelligens mer tilgjengelig.

Fordelen ved å utvikle infrastruktur, modeller, plattform og produkter er ikke bare at vi er med på alle nivåer. Det er at hvert nivå gjør de andre bedre.

Bruken av produktene i praksis viser oss hvor kundene opplever verdi, og hvor de møter hindringer. Disse tilbakemeldingene bidrar til å forme forskningen vår. Fremskritt i forskningen styrker produktene våre og reduserer kostnadene ved å levere dem. Etterspørselen etter ChatGPT, ChatGPT Work, Codex og API-et hjelper oss med å ta bedre beslutninger om hvor kapasiteten bør økes.

Omfanget av denne læringen er viktig. Modellene våre når nå ut til over én milliard aktive brukere og mer enn to millioner bedrifter. Etter hvert som folk får større tillit til teknologien, tar de den i bruk på flere og mer avanserte måter. Seks måneder etter registrering sender folk omtrent 50 prosent flere meldinger hver dag og bruker ChatGPT til rundt dobbelt så mange typer arbeid. ChatGPT Work endrer hva det vil si å være kunnskapsarbeider, ved å gå fra å svare på spørsmål til å utføre komplekst arbeid i flere trinn – fra «å spørre» til «å gjøre». I OpenAI står agentbasert arbeid gjennom Codex nå for 99,8 prosent av det ukentlige antallet utdatatokener. Økonomiavdelingen er blant teamene som har gjort agentbaserte verktøy til en sentral del av arbeidsmåten sin.

Det samme mønsteret går igjen internt i organisasjoner. En bedrift begynner kanskje med ett team eller én arbeidsflyt. Etter hvert som kvaliteten og lønnsomheten forbedres, sprer bruken seg på tvers av funksjoner, og KI blir en del av virksomhetens drift.

Det skaper en verdifull tilbakekoblingssløyfe mellom etterspørsel, produktforbedring, effektivitet og infrastrukturplanlegging. Det krever ikke at vi eier alle ressurser eller bygger alle komponenter selv. Vi kan eie, inngå partnerskap eller kjøpe, avhengig av hva som gagner kunden best og er mest økonomisk fornuftig. Det viktige er å samordne systemet og lære på tvers av det.

KI-infrastruktur må planlegges flere år før den trengs, samtidig som modeller, produkter og kundenes etterspørsel utvikler seg langt raskere. Dette misforholdet gjør disiplin avgjørende.

Vi baserer investeringsbeslutningene våre på dokumenterte forhold: vekst i antall brukere og arbeidsmengder, forpliktelser fra bedriftskunder, API-forbruk, utnyttelsesgrad, inntekter og fremskritt innen modellenes kapasitet og effektivitet. Tekniske og kommersielle milepæler bidrar til å avgjøre når prosjekter går videre. Langsiktige partnerskap samler finansieringen, infrastrukturen og driftskompetansen som kreves for å levere i stor skala.

Produktinntekter, privat kapital og kommersielle partnerskap spiller ulike roller i finansieringen av denne veksten. Målet er ikke å bygge mest mulig infrastruktur. Det er å sette inn riktig kapasitet til riktig tid, basert på troverdig etterspørsel.

For meg er de viktigste spørsmålene enkle: Hvor raskt kan ny kapasitet tas i produktiv bruk? Hvor effektivt blir den utnyttet? Hvilken kundeetterspørsel dekker den? Hvor raskt kan tekniske fremskritt redusere kostnadene ved å levere nyttig intelligens?

Disse spørsmålene knytter langsiktige ambisjoner til disiplinert drift.

Vi er fortsatt i startfasen. Mer avanserte systemer vil kunne fullføre lengre prosjekter, samordne flere verktøy og håndtere mer av arbeidet fra en idé oppstår til resultatet er ferdig. Enkeltpersoner og små bedrifter vil få muligheter som tidligere bare var tilgjengelige for langt større organisasjoner. Store virksomheter vil ta i bruk intelligens i flere deler av driften.

Målet vårt er ikke bare mer regnekraft, større modeller eller lavere tokenpriser. Det er å gjøre mer nyttig intelligens tilgjengelig.

Det er dette overflod betyr: intelligens som stadig blir bedre, rimeligere og mer verdifull for dem som bruker den. Vi vil måle fremgangen etter hvor mye nyttig arbeid den muliggjør, hvor effektivt vi leverer den, og hvor bredt gevinstene kan deles.