KI-fremskrittene går raskest når hele systemet forbedres i fellesskap. Slik ser jeg på OpenAIs databehandlingsstrategi: ett integrert system som omfatter datasentre og brikker, banebrytende modeller, utviklerplattformen vår, forbruker- og bedriftsprodukter og KI-integrerte enheter, der hvert lag styrker det neste.
Bedre programvare gjør maskinvaren mer produktiv. Maskinvare som er utviklet for arbeidsbelastningene våre gir høyere hastighet og effektivitet. Mer avanserte modeller åpner for bedre produkter, som igjen skaper større etterspørsel, økt bruk og mer læring. Disse signalene går tilbake gjennom systemet og hjelper oss med å ytterligere forbedre det.
I dag delte vi de første målte ytelsesresultatene fra Jalapeño, som er OpenAIs første spesialutviklede inferens-brikke. I InferenceX, som er en offentlig referansetest som bruker GPT‑OSS 120B, ga Jalapeño høyere toppgjennomstrømming per kilowatt og lavere token-latens enn de kommersielle systemene i sammenligningen. Den presterte også sterkt på DeepSeek R1 og Kimi K2, noe som viser at fordelene strekker seg over flere modellfamilier.
Jalapeño gir oss større kontroll over hvordan modellene våre kjører og over kostnadene ved å kjøre dem. Ved å utvikle modellen, kjøringsprogramvaren, brikken, minnet og nettverket sammen kan vi forbedre gjennomstrømming, responstid, energieffektivitet og kostnader som ett samlet system. Dette skaper en pålitelig egenutviklet løsning ved siden av akseleratorene vi bruker fra andre partnere, og utvider vår evne til å tilpasse hver arbeidsbelastning til det sterkeste systemet til riktig pris. Vi har nå fungerende egenutviklede brikker med målbare resultater, og fremtidige generasjoner er allerede under utvikling.
Ulike arbeidsbelastninger stiller ulike krav til systemet. Trening av banebrytende modeller, inferens med høyt volum og agenter som alltid er aktive, stiller ulike krav til brikker, programvare, nettverk, strøm og responstid.
Målet vårt er å holde oss på Pareto-grensen: å hele tiden finne den beste kombinasjonen av ytelse, hastighet, pålitelighet, effektivitet og kostnad for hver arbeidsbelastning. Ulike brikker og leverandører utmerker seg på ulike områder, og grensen forandrer seg stadig.
Porteføljen vår gir oss bredden vi trenger for å møte disse behovene. Microsofts databehandlingskapasitet og NVIDIAs brikker har vært avgjørende for OpenAIs vekst. I dag omfatter porteføljen vår også AWS, AMD, Broadcom, Cerebras, CoreWeave, Oracle, SB Energy og SoftBank. Hver av disse har ulike styrker innen skyinfrastruktur, akselerert databehandling, inferens med lav latens, utvikling av datasentre og energiforsyning.
Vi forvalter denne porteføljen aktivt med tanke på både funksjonalitet og økonomi. Vi bruker førsteklasses systemer der funksjonaligtet er avgjørende, og optimaliserer for effektivitet der skala og kostnader er viktigere. Ved å opprettholde et troverdig utvalg leverandører, maskinvare og driftsmodeller kan vi rette etterspørselen mot den beste ytelsen per dollar, opprettholde prisdisiplin når markedsforholdene endrer seg, og holde tritt med utviklingen når ny og bedre teknologi dukker opp. Direkte kontroll gir oss innflytelse der tettere integrasjon kan forbedre hele systemet. Vi inngår partnerskap der økosystemet hjelper oss å bevege oss raskere, og bygger selv der felles utforming gir en betydelig fordel.
Datasentre er enda et område der vi kan utgjøre en forskjell. Project Camellia i Georgia viser hvordan vi kan utforme anlegg tilpasset kundenes arbeidsbelastning og samtidig skape arbeidsplasser, støtte lokale bedrifter, dekke prosjektets infrastruktur- og energikostnader, spare vann gjennom et lukket kretsløp og underkaster våre forpliktelser en årlig, uavhengig offentlig revisjon.
Verdien av dette systemet måles ut fra hva det produserer: mer nyttig intelligens per databehandlingsenhet.
Bedre modeller finner riktig svar på færre forsøk. Smartere ruting og konteksthåndtering reduserer det unødvendige arbeidet. Optimalisert programvare og spesialutviklet maskinvare gir høyere hastighet og energieffektivitet.
På Artificial Analysis Coding Agent Index satte OpenAI GPT‑5.6 Sol med maksimal resonnementsevne ny rekord, samtidig som den brukte 54 % færre utdata-tokener enn en annen ledende modell. For kundene betyr slike forbedringer raskere resultater, mer pålitelige produkter, færre nye forsøk, agenter som fullfører lengre arbeidsflyter, og lavere totalkostnad for vellykket arbeid. Den beste økonomien oppnås gjennom nyttig intelligens per dollar.
Når nyttig intelligens blir mer avansert og rimeligere, blir det økonomisk lønnsomt å utføre mer arbeid. En bedrift kan tilby skreddersydde analyser til hver kunde, gjennomgå alle kontrakter, kjøre økonomiske scenarier i sanntid og hjelpe ingeniører med å teste flere ideer. Dette er Jevons’ paradoks: Høyere effektivitet gjør flere bruksområder lønnsomme, noe som øker forbruket og skaper ny økonomisk aktivitet gjennom mer utført arbeid, bedre beslutninger, flere lanserte produkter og økte inntekter.
Mer produktiv datakraft og et mer konkurransedyktig leverandørmarked hjelper oss med å betjene flere kunder til lavere kostnad og la brukerne dra nytte av effektivitetsgevinstene. Veksten finansierer videre investeringer i forskning, infrastruktur og sikkerhet. Dette er OpenAIs selvforsterkende fortrinn: Bedre teknologi gir bedre økonomi, bedre økonomi finansierer de neste fremskrittene, og hver forbedring gjør hele systemet sterkere.
