Construindo inteligência em abundância

A infraestrutura de IA não é valiosa por ser grande. Ela é valiosa pelo que viabiliza: inteligência mais capaz, disponível para mais pessoas e por um custo menor.

É assim que penso sobre abundância. Ela está incorporada tanto à nossa missão — garantir que a inteligência artificial geral beneficie toda a humanidade — quanto ao motor econômico que impulsiona nossos negócios.

Quando o custo da inteligência útil diminui, passa a valer a pena realizar mais trabalhos. Quando os modelos se tornam mais capazes, esse trabalho gera mais valor. À medida que a adoção cresce, obtemos a receita, o feedback do mundo real e a visibilidade da demanda necessários para continuar investindo na próxima geração de pesquisa e infraestrutura.

Uma inteligência melhor impulsiona uma adoção mais ampla. Uma adoção mais ampla sustenta mais investimentos. Mais investimentos aprimoram a inteligência e a eficiência. Esse é o ciclo que estamos construindo.

Nosso anúncio recente sobre preços mostra como esse ciclo beneficia rapidamente os clientes. Ontem, reduzimos o preço do GPT‑5.6 Luna em 80% e o do GPT‑5.6 Terra em 20%. O Luna agora custa US$ 0,20 por milhão de tokens de entrada e US$ 1,20 por milhão de tokens de saída; o Terra custa US$ 2 e US$ 12, respectivamente.

No GPT‑5.6 Sol, o modo Fast oferece até 2,5 vezes a velocidade do processamento padrão pelo dobro do preço, sem nenhuma alteração na inteligência.

Essas não são apenas mudanças em uma tabela de preços. Elas ampliam a variedade de trabalhos que se tornam viáveis e dão aos clientes mais flexibilidade para equilibrar inteligência, velocidade, confiabilidade e custo.

A pergunta certa não é qual modelo deve ser usado em cada tarefa. É quanta inteligência o resultado exige, com que rapidez ela é necessária e quanto deve custar para alcançar o resultado desejado. Esse equilíbrio pode mudar várias vezes dentro do mesmo fluxo de trabalho.

Os clientes não compram tokens apenas para tê-los. Eles querem que o problema de suporte seja resolvido, que o software seja lançado, que o contrato seja revisado ou que a questão científica seja respondida. A medida correta é o custo de um resultado bem-sucedido, incluindo o tempo, as novas tentativas, a supervisão e os erros necessários para chegar até ele.

No fim, um modelo mais avançado que realize o trabalho corretamente e com eficiência pode ser mais econômico do que um modelo mais barato que exija várias tentativas ou ampla intervenção humana. Por outro lado, um modelo de menor custo pode ampliar drasticamente o acesso quando atende ao mesmo padrão de qualidade. A oportunidade está em aplicar o máximo de inteligência útil pelo preço certo.

Entregar esse valor exige mais do que construir novos data centers. É preciso tornar cada unidade de capacidade computacional mais produtiva.

Nosso trabalho recente de engenharia ilustra como isso funciona. Em colaboração com nossas equipes técnicas, o GPT‑5.6 Sol ajudou a otimizar o software de produção usado para disponibilizar nossos modelos, reduzindo em 20% os custos totais de inferência. Ele também ajudou a aprimorar a decodificação especulativa, aumentando em mais de 15% a eficiência da geração de tokens.

Igualmente importante, a eficiência não é determinada apenas pelo modelo. O sistema ao redor dele também é importante. Um roteamento melhor mantém o hardware produtivo. Uma gestão de contexto mais inteligente evita que os agentes repitam tarefas. Ferramentas mais avançadas e um melhor design de produto reduzem o número de etapas necessárias para concluir uma tarefa.

Em uma análise recente de benchmark, melhorias na retenção do raciocínio e na gestão de contexto elevaram a pontuação do GPT‑5.6 Sol no conjunto público de tarefas ARC-AGI-3 de 13,3% para 38,3%, usando seis vezes menos tokens de saída. O modelo não mudou. O sistema ao redor dele mudou.

Esses ganhos se acumulam. Modelos mais capazes ajudam nossas equipes a descobrir novas formas de aumentar a eficiência. Esses ganhos de eficiência reduzem o custo de atender os clientes e ampliam o trabalho que podemos realizar com a mesma infraestrutura. Isso, por sua vez, torna a próxima geração de inteligência mais acessível.

A vantagem de atuar em infraestrutura, modelos, plataforma e produtos não está apenas em participar de cada camada. Está no fato de que cada camada aprimora as demais.

O uso dos produtos no mundo real mostra onde os clientes encontram valor e onde enfrentam dificuldades. Esse feedback ajuda a orientar nossa pesquisa. Os avanços da pesquisa fortalecem nossos produtos e reduzem o custo de oferecê-los. A demanda pelo ChatGPT, ChatGPT Work, Codex e pela API nos ajuda a tomar melhores decisões sobre onde ampliar a capacidade.

A escala desse aprendizado é importante. Nossos modelos agora chegam a mais de um bilhão de usuários ativos e mais de dois milhões de empresas. À medida que ganham confiança na tecnologia, as pessoas passam a usá-la de forma mais aprofundada. Seis meses após o cadastro, as pessoas enviam cerca de 50% mais mensagens por dia e usam o ChatGPT para aproximadamente o dobro de tipos de trabalho. O ChatGPT Work está transformando o significado do trabalho intelectual, indo além de responder a perguntas para realizar tarefas complexas em várias etapas — de "pedir" a "fazer". Em toda a OpenAI, o trabalho com agentes de IA por meio do Codex já representa 99,8% dos tokens de saída semanais. A equipe de Finanças está entre as que tornaram as ferramentas com agentes de IA parte central de sua forma de trabalhar.

Dentro das organizações, o padrão é semelhante. Uma empresa pode começar por uma única equipe ou fluxo de trabalho. À medida que a qualidade e a relação custo-benefício melhoram, a adoção se espalha pelas áreas, e a IA passa a integrar a operação da empresa.

Isso cria um ciclo de feedback valioso entre demanda, aprimoramento dos produtos, eficiência e planejamento da infraestrutura. Para isso, não precisamos ser proprietários de todos os ativos nem desenvolver todos os componentes internamente. Podemos ser proprietários, firmar parcerias ou comprar, conforme a opção que melhor atenda ao cliente e faça mais sentido econômico. O importante é coordenar o sistema e aprender com todas as suas partes.

A infraestrutura de IA precisa ser planejada anos antes de se tornar necessária, enquanto os modelos, os produtos e a demanda dos clientes evoluem muito mais rápido. Esse descompasso torna a disciplina essencial.

Baseamos nossas decisões de investimento em evidências: crescimento de usuários e cargas de trabalho, compromissos empresariais, consumo da API, utilização, receita e avanços na capacidade e eficiência dos modelos. Marcos técnicos e comerciais ajudam a determinar quando os projetos devem avançar. Parcerias de longo prazo reúnem o financiamento, a infraestrutura e a experiência operacional necessários para operar em grande escala.

A receita dos produtos, o capital privado e as parcerias comerciais desempenham papéis distintos no apoio a esse crescimento. O objetivo não é construir a maior quantidade possível de infraestrutura. É disponibilizar a capacidade certa, no momento certo, para atender a uma demanda concreta.

Para mim, as principais perguntas são simples: com que rapidez a nova capacidade se torna produtiva? Com que eficiência ela é usada? Que demanda dos clientes ela atende? Com que rapidez o progresso técnico pode reduzir o custo de oferecer inteligência útil?

Essas perguntas conectam a ambição de longo prazo à disciplina operacional.

Ainda estamos no começo. Sistemas mais capazes realizarão projetos mais longos, coordenarão diferentes ferramentas e cuidarão de uma parcela maior do trabalho entre uma ideia e o resultado final. Pessoas e pequenas empresas terão acesso a recursos antes disponíveis apenas para organizações muito maiores. As empresas aplicarão inteligência de forma mais ampla em suas operações.

Nosso objetivo não é apenas ter mais capacidade computacional, modelos maiores ou tokens mais baratos. É tornar a inteligência útil mais acessível.

É isso que significa abundância: inteligência cada vez mais capaz, acessível e valiosa para quem a utiliza. Mediremos nosso progresso pelo volume de trabalho útil que ela viabiliza, pela eficiência com que a oferecemos e pela amplitude com que seus benefícios podem ser compartilhados.