Criar inteligência abundante

A infraestrutura de IA não é valiosa por ser grande. É valiosa pelo que possibilita: inteligência mais capaz, disponível para mais pessoas e a um custo inferior.

É assim que penso na abundância. Está incorporada tanto na nossa missão — garantir que a inteligência artificial geral beneficia toda a humanidade — como no motor económico que impulsiona a nossa atividade.

Quando o custo da inteligência útil diminui, vale a pena realizar mais trabalho. Quando os modelos se tornam mais capazes, esse trabalho gera mais valor. À medida que a adoção cresce, obtemos as receitas, o feedback do mundo real e a visibilidade sobre a procura necessários para continuarmos a investir na próxima geração de investigação e infraestruturas.

Uma inteligência melhor impulsiona uma adoção mais ampla. Uma adoção mais ampla permite mais investimento. Mais investimento melhora a inteligência e a eficiência. É este o ciclo que estamos a construir.

O nosso recente anúncio sobre os preços mostra como este 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 custa agora 0,20 dólares por milhão de tokens de entrada e 1,20 dólares por milhão de tokens de saída; o Terra custa 2 e 12 dólares, respetivamente.

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

Não se trata apenas de alterações a uma tabela de preços. Estas alterações alargam o leque de trabalhos que se tornam viáveis e dão aos clientes mais flexibilidade para equilibrar inteligência, velocidade, fiabilidade e custo.

A pergunta certa não é qual o modelo adequado a cada tarefa. É quanta inteligência o resultado exige, com que rapidez esta é necessária e quanto deve custar para alcançar o resultado pretendido. Este equilíbrio pode mudar várias vezes dentro do mesmo fluxo de trabalho.

Os clientes não compram tokens pelo simples facto de os terem. Querem que o problema de suporte seja resolvido, que o software seja lançado, que o contrato seja revisto ou que a questão científica seja respondida. A medida certa é o custo de um resultado bem-sucedido, incluindo o tempo, as novas tentativas, a supervisão e os erros necessários para lá chegar.

Um modelo mais robusto que conclua o trabalho de forma correta e eficiente pode, no final, ser mais económico do que um modelo mais barato que exija várias tentativas ou uma intervenção humana significativa. Por outro lado, um modelo de menor custo pode alargar drasticamente o acesso quando cumpre o mesmo padrão de qualidade. A oportunidade consiste em aplicar o máximo de inteligência útil ao preço certo.

Proporcionar esse valor exige mais do que construir novos centros de dados. Exige tornar cada unidade de capacidade computacional mais produtiva.

O nosso recente trabalho de engenharia ilustra o que isto significa na prática. Em colaboração com as nossas equipas técnicas, o GPT‑5.6 Sol ajudou a otimizar o software de produção utilizado para disponibilizar os nossos modelos, reduzindo em 20% os custos totais de disponibilização. Também ajudou a melhorar a descodificação especulativa, aumentando em mais de 15% a eficiência da geração de tokens.

Igualmente importante é o facto de a eficiência não depender apenas do modelo. O sistema que o envolve também é importante. Um melhor encaminhamento mantém o hardware produtivo. Uma gestão mais inteligente do contexto evita que os agentes repitam trabalho. Ferramentas mais robustas e uma melhor conceção dos produtos reduzem o número de etapas necessárias para concluir uma tarefa.

Numa análise comparativa recente, as melhorias na retenção do raciocínio e na gestão do contexto aumentaram a pontuação do GPT‑5.6 Sol no conjunto público de tarefas ARC-AGI-3 de 13,3% para 38,3%, utilizando seis vezes menos tokens de saída. O modelo não mudou. O sistema envolvente, sim.

Estes ganhos acumulam-se. Modelos mais capazes ajudam as nossas equipas a descobrir novas formas de aumentar a eficiência. Esses ganhos de eficiência reduzem o custo de servir os clientes e alargam o trabalho que podemos apoiar com a mesma infraestrutura. Por sua vez, isto torna a próxima geração de inteligência mais acessível.

A vantagem de desenvolvermos infraestruturas, modelos, plataformas e produtos não reside apenas no facto de estarmos presentes em cada uma destas camadas. Reside no facto de cada camada melhorar as restantes.

A utilização dos produtos no mundo real mostra-nos onde os clientes encontram valor e onde enfrentam dificuldades. Esse feedback ajuda a orientar a nossa investigação. Os avanços na investigação reforçam os nossos produtos e reduzem o custo da sua disponibilização. A procura no ChatGPT, no ChatGPT Work, no Codex e na API ajuda-nos a tomar melhores decisões sobre onde aumentar a capacidade.

A escala desta aprendizagem é importante. Os nossos modelos chegam agora a mais de mil milhões de utilizadores ativos e a mais de dois milhões de empresas. À medida que ganham confiança na tecnologia, as pessoas passam a utilizá-la de forma mais aprofundada. Seis meses após a adesão, as pessoas enviam cerca de mais 50% de mensagens por dia e utilizam o ChatGPT em aproximadamente o dobro dos tipos de trabalho. O ChatGPT Work está a transformar o significado de ser um trabalhador do conhecimento, indo além de responder a perguntas para concluir trabalhos complexos em várias etapas — de «perguntar» a «fazer». Em toda a OpenAI, o trabalho realizado por agentes através do Codex representa agora 99,8% dos tokens de saída semanais, sendo a equipa financeira uma das que fizeram das ferramentas de agentes uma parte central da sua forma de trabalhar.

Dentro das organizações, o padrão é semelhante. Uma empresa pode começar por uma equipa ou um fluxo de trabalho. À medida que a qualidade e a relação custo-benefício melhoram, a adoção alarga-se às várias funções e a IA passa a fazer parte do funcionamento da empresa.

Isto cria um valioso ciclo de feedback entre a procura, a melhoria dos produtos, a eficiência e o planeamento das infraestruturas. Isso não exige que sejamos proprietários de todos os ativos nem que desenvolvamos todos os componentes internamente. Podemos deter, estabelecer parcerias ou comprar, consoante o que melhor servir o cliente e fizer mais sentido do ponto de vista económico. O que importa é coordenar o sistema e aprender com todas as suas partes.

A infraestrutura de IA tem de ser planeada anos antes de ser necessária, ao passo que os modelos, os produtos e a procura dos clientes evoluem muito mais depressa. Este desfasamento torna a disciplina essencial.

Baseamos as nossas decisões de investimento em dados concretos: crescimento dos utilizadores e das cargas de trabalho, compromissos empresariais, consumo da API, utilização, receitas e progressos na capacidade e eficiência dos modelos. Os marcos técnicos e comerciais ajudam a determinar quando os projetos devem avançar. As parcerias de longo prazo reúnem o financiamento, as infraestruturas e a experiência operacional necessários para operar à escala.

As receitas dos produtos, o capital privado e as parcerias comerciais desempenham papéis distintos no apoio a esse crescimento. O objetivo não é construir o máximo de infraestruturas. É disponibilizar a capacidade certa, no momento certo, em resposta a uma procura credível.

Para mim, as perguntas essenciais são simples: com que rapidez se torna produtiva a nova capacidade? Com que eficiência é utilizada? Que procura dos clientes permite satisfazer? Com que rapidez pode o progresso técnico reduzir o custo de fornecer inteligência útil?

Estas perguntas ligam a ambição de longo prazo à disciplina operacional.

Ainda estamos numa fase inicial. Os sistemas mais capazes irão concluir projetos mais longos, coordenar várias ferramentas e assumir uma maior parte do trabalho entre uma ideia e o resultado final. As pessoas e as pequenas empresas terão acesso a capacidades antes reservadas a organizações de muito maior dimensão. As grandes empresas aplicarão a inteligência de forma mais abrangente nas suas operações.

O nosso objetivo não é apenas ter mais capacidade computacional, modelos maiores ou preços mais baixos por token. É tornar mais inteligência útil acessível.

É isto que significa abundância: inteligência cada vez mais capaz, mais acessível e mais valiosa para quem a utiliza. Mediremos o nosso progresso pelo volume de trabalho útil que possibilita, pela eficiência com que o disponibilizamos e pela abrangência com que os seus benefícios podem ser partilhados.