Bouwen aan intelligentie in overvloed

AI-infrastructuur is niet waardevol omdat die groot is. De waarde zit in wat die infrastructuur mogelijk maakt: capabelere intelligentie die tegen lagere kosten voor meer mensen beschikbaar is.

Zo denk ik over overvloed. Dit principe ligt zowel besloten in onze missie—ervoor zorgen dat kunstmatige algemene intelligentie de hele mensheid ten goede komt—als in de economische motor achter ons bedrijf.

Wanneer de kosten van nuttige intelligentie dalen, wordt meer werk de moeite waard. Wanneer modellen capabeler worden, levert dat werk meer waarde op. Naarmate het gebruik groeit, krijgen we de omzet, praktijkfeedback en inzichten in de vraag die nodig zijn om te blijven investeren in de volgende generatie onderzoek en infrastructuur.

Betere intelligentie stimuleert breder gebruik. Breder gebruik maakt meer investeringen mogelijk. Meer investeringen verbeteren de intelligentie en efficiëntie. Dat is de cyclus die we opbouwen.

Onze recente aankondiging over prijzen laat zien hoe klanten snel van die cyclus profiteren. Gisteren hebben we de prijs van GPT‑5.6 Luna met 80 procent verlaagd en die van GPT‑5.6 Terra met 20 procent. Luna kost nu $ 0,20 per miljoen inputtokens en $ 1,20 per miljoen outputtokens; voor Terra zijn die bedragen respectievelijk $ 2 en $ 12.

Voor GPT‑5.6 Sol biedt de Fast-modus tot 2,5 keer de snelheid van standaardverwerking tegen tweemaal de prijs, zonder verandering in intelligentie.

Dit zijn niet zomaar wijzigingen in een prijslijst. Ze maken meer soorten werk praktisch uitvoerbaar en geven klanten meer flexibiliteit om intelligentie, snelheid, betrouwbaarheid en kosten tegen elkaar af te wegen.

De juiste vraag is niet welk model bij welke taak hoort. De vraag is hoeveel intelligentie nodig is voor het gewenste resultaat, hoe snel die intelligentie beschikbaar moet zijn en wat het behalen van dat resultaat mag kosten. Die balans kan binnen dezelfde workflow meerdere keren veranderen.

Klanten kopen geen tokens om de tokens zelf. Ze willen dat het ondersteuningsprobleem wordt opgelost, de software wordt uitgebracht, het contract wordt beoordeeld of de wetenschappelijke vraag wordt beantwoord. De juiste maatstaf is de kosten van een geslaagd resultaat, inclusief de tijd, nieuwe pogingen, controle en fouten die nodig zijn om dat resultaat te bereiken.

Een sterker model dat het werk correct en efficiënt voltooit, kan uiteindelijk voordeliger zijn dan een goedkoper model dat herhaalde pogingen of veel menselijk ingrijpen vereist. Omgekeerd kan een voordeliger model de toegang aanzienlijk verruimen als het aan dezelfde kwaliteitsnorm voldoet. De kans ligt in het toepassen van de maximaal bruikbare intelligentie tegen de juiste prijs.

Om die waarde te leveren, is meer nodig dan alleen extra datacenters bouwen. Elke eenheid rekenkracht moet productiever worden benut.

Ons recente technische werk laat zien hoe dat eruitziet. GPT‑5.6 Sol hielp onze technische teams de productiesoftware voor onze modellen te optimaliseren, waardoor de totale kosten voor het aanbieden ervan met 20 procent daalden. Het model hielp ook speculatief decoderen te verbeteren, waardoor tokens ruim 15 procent efficiënter worden gegenereerd.

Minstens zo belangrijk is dat efficiëntie niet alleen door het model wordt bepaald. Ook het omringende systeem doet ertoe. Betere routering zorgt dat hardware productief blijft. Slimmer contextbeheer voorkomt dat agents werk herhalen. Betere tools en een sterker productontwerp verminderen het aantal stappen dat nodig is om een taak te voltooien.

In een recente benchmarkanalyse verhoogden verbeteringen in het behoud van redeneringen en contextbeheer de score van GPT‑5.6 Sol op de openbare ARC-AGI-3-takenset van 13,3 naar 38,3 procent, met zes keer minder outputtokens. Het model veranderde niet. Het omringende systeem wel.

Deze verbeteringen versterken elkaar. Capabelere modellen helpen onze teams nieuwe efficiëntieverbeteringen te ontdekken. Die verbeteringen verlagen de kosten om klanten te bedienen en breiden het werk uit dat we met dezelfde infrastructuur kunnen ondersteunen. Daardoor wordt de volgende generatie intelligentie op haar beurt toegankelijker.

Het voordeel van bouwen aan infrastructuur, modellen, een platform en producten is niet alleen dat we op elke laag actief zijn. Elke laag maakt de andere namelijk beter.

Het gebruik van producten in de praktijk laat zien waar klanten waarde ervaren en waar ze tegen problemen aanlopen. Die feedback geeft richting aan ons onderzoek. Vooruitgang in ons onderzoek verbetert onze producten en verlaagt de kosten om ze aan te bieden. De vraag naar ChatGPT, ChatGPT Work, Codex en de API helpt ons beter te bepalen waar we capaciteit moeten toevoegen.

De schaal waarop we daarvan leren, is belangrijk. Onze modellen bereiken inmiddels meer dan één miljard actieve gebruikers en ruim twee miljoen bedrijven. Naarmate mensen meer vertrouwen krijgen in de technologie, gaan ze die intensiever gebruiken. Zes maanden na hun aanmelding versturen mensen dagelijks ongeveer 50 procent meer berichten en gebruiken ze ChatGPT voor circa twee keer zoveel soorten werk. ChatGPT Work verandert wat het betekent om kenniswerker te zijn: het gaat niet langer alleen om vragen beantwoorden, maar ook om complex werk met meerdere stappen voltooien—van "vragen" naar "doen". Binnen OpenAI is agentisch werk via Codex inmiddels goed voor 99,8% van de wekelijkse outputtokens. Finance behoort tot de teams die agentische tools tot een belangrijk onderdeel van hun werkwijze hebben gemaakt.

Binnen organisaties zien we een vergelijkbaar patroon. Een bedrijf begint misschien met één team of één workflow. Naarmate de kwaliteit en rendabiliteit verbeteren, breidt het gebruik zich uit naar andere functies en wordt AI onderdeel van de bedrijfsvoering.

Zo ontstaat een waardevolle feedbackcyclus tussen vraag, productverbetering, efficiëntie en infrastructuurplanning. Daarvoor hoeven we niet elk bedrijfsmiddel te bezitten of elk onderdeel zelf te bouwen. We kunnen iets zelf bezitten, samenwerken of inkopen, afhankelijk van wat de klant het beste helpt en economisch het verstandigst is. Het gaat erom dat we het systeem coördineren en in alle onderdelen ervan blijven leren.

AI-infrastructuur moet jaren voordat die nodig is worden gepland, terwijl modellen, producten en de klantvraag zich veel sneller ontwikkelen. Door dat verschil is discipline essentieel.

We baseren onze investeringsbeslissingen op bewijs: de groei van gebruikers en workloads, toezeggingen van bedrijven, API-verbruik, benutting, omzet en vooruitgang in de capaciteiten en efficiëntie van modellen. Technische en commerciële mijlpalen helpen bepalen wanneer projecten doorgaan naar de volgende fase. Langdurige samenwerkingen brengen de financiering, infrastructuur en operationele expertise bijeen die nodig zijn om op grote schaal te leveren.

Productomzet, privaat kapitaal en commerciële samenwerkingen vervullen elk een andere rol bij het ondersteunen van die groei. Het doel is niet om zo veel mogelijk infrastructuur te bouwen. Het doel is om op het juiste moment de juiste capaciteit in te zetten voor een aantoonbare vraag.

Voor mij zijn de kernvragen eenvoudig: hoe snel wordt nieuwe capaciteit productief? Hoe efficiënt wordt die benut? In welke klantvraag voorziet die capaciteit? Hoe snel kan technische vooruitgang de kosten van het leveren van nuttige intelligentie verlagen?

Die vragen verbinden onze langetermijnambitie met operationele discipline.

We staan nog maar aan het begin. Capabelere systemen zullen langere projecten voltooien, tools gecoördineerd inzetten en meer werk tussen een idee en een afgerond resultaat uitvoeren. Mensen en kleine bedrijven krijgen mogelijkheden die voorheen alleen voor veel grotere organisaties beschikbaar waren. Grote ondernemingen zullen intelligentie breder in hun bedrijfsvoering toepassen.

Ons doel is niet simpelweg meer rekenkracht, grotere modellen of lagere tokenprijzen. Het doel is om nuttigere intelligentie binnen handbereik te brengen.

Dat betekent overvloed: intelligentie die steeds capabeler, betaalbaarder en waardevoller wordt voor de mensen die haar gebruiken. We meten onze vooruitgang aan de hoeveelheid nuttig werk die hierdoor mogelijk wordt, de efficiëntie waarmee we die intelligentie leveren en de mate waarin de voordelen ervan breed kunnen worden gedeeld.