O progresso na IA acelera mais quando todo o sistema evolui em conjunto. É assim que encaro a estratégia de computação da OpenAI: um sistema integrado que abrange centros de dados e chips, modelos de fronteira, a nossa plataforma para programadores, produtos para consumidores e empresas e dispositivos nativos de IA, em que cada camada reforça a seguinte.
Um software melhor torna o hardware mais produtivo. O hardware concebido para as nossas cargas de trabalho melhora a velocidade e a eficiência. Modelos mais capazes permitem criar produtos melhores, que geram mais procura, utilização e aprendizagem. Esses sinais regressam ao sistema e ajudam-nos a melhorá-lo novamente.
Hoje, divulgámos os primeiros resultados de desempenho medidos do Jalapeño, o primeiro chip de inferência personalizado da OpenAI. No InferenceX, um benchmark público que utiliza o GPT‑OSS 120B, o Jalapeño apresentou uma maior taxa de processamento máxima por quilowatt e menor latência por token do que os sistemas comerciais comparados. Também apresentou um desempenho sólido no DeepSeek R1 e no Kimi K2, demonstrando que os seus ganhos abrangem diferentes famílias de modelos.
O Jalapeño dá-nos maior controlo sobre a forma como os nossos modelos funcionam e sobre a economia da sua disponibilização. Ao desenvolvermos em conjunto o modelo, o software de disponibilização, o chip, a memória e a rede, podemos melhorar a taxa de processamento, a latência, a eficiência energética e o custo como um único sistema. Cria uma alternativa própria credível, a par dos aceleradores que utilizamos de outros parceiros, ampliando a nossa capacidade de adequar cada carga de trabalho ao sistema mais potente e com a melhor relação custo-benefício. Dispomos agora de silício próprio funcional, com resultados medidos, e as futuras gerações já estão em desenvolvimento.
Diferentes cargas de trabalho impõem diferentes exigências ao sistema. O treino de fronteira, a inferência em grande volume e os agentes sempre ativos têm requisitos distintos ao nível dos chips, software, redes, energia e latência.
O nosso objetivo é permanecer na fronteira de Pareto: procurar continuamente a melhor combinação de capacidade, velocidade, fiabilidade, eficiência e custo para cada carga de trabalho. Diferentes chips e fornecedores destacam-se em diferentes dimensões, e a fronteira continua a avançar.
O nosso portefólio dá-nos a amplitude necessária para responder a essas necessidades. A capacidade de computação da Microsoft e os chips da NVIDIA foram fundamentais para o crescimento da OpenAI. Atualmente, o nosso portefólio também inclui AWS, AMD, Broadcom, Cerebras, CoreWeave, Oracle, SB Energy e SoftBank. Cada um oferece diferentes vantagens em infraestruturas de nuvem, computação acelerada, inferência de baixa latência, desenvolvimento de centros de dados e fornecimento de energia.
Gerimos ativamente este portefólio, tendo em conta tanto a capacidade como a economia. Utilizamos sistemas de topo onde a capacidade é mais importante e otimizamos a eficiência onde a escala e o custo têm maior peso. Manter opções credíveis entre fornecedores, hardware e modelos de implementação permite-nos direcionar a procura para o melhor desempenho por dólar, manter a disciplina de preços à medida que as condições do mercado mudam e acompanhar a fronteira quando surgem tecnologias mais avançadas. O controlo direto aumenta a nossa vantagem onde uma integração mais estreita pode melhorar todo o sistema. Estabelecemos parcerias quando o ecossistema nos ajuda a avançar mais depressa e desenvolvemos internamente quando a conceção conjunta cria uma vantagem significativa.
Os centros de dados criam outro ponto de vantagem. O Projeto Camellia, na Geórgia, mostra como podemos conceber instalações em função das cargas de trabalho dos clientes, criando simultaneamente emprego, apoiando empresas locais, cobrindo os custos de infraestruturas e energia do projeto, poupando água através de um sistema de circuito fechado e sujeitando os seus compromissos a uma auditoria pública, independente e anual.
O valor deste sistema mede-se pelo que produz: mais inteligência útil por cada unidade de computação.
Modelos melhores chegam à resposta certa com menos tentativas. Um encaminhamento e uma gestão de contexto mais inteligentes reduzem o trabalho desperdiçado. Software otimizado e hardware concebido para fins específicos melhoram a velocidade e a eficiência energética.
No Artificial Analysis Coding Agent Index, o GPT‑5.6 Sol com raciocínio Max atingiu um novo máximo, utilizando menos 54% de tokens de saída do que outro modelo de referência. Para os clientes, melhorias como estas traduzem-se em resultados mais rápidos, produtos mais fiáveis, menos repetições, agentes capazes de concluir fluxos de trabalho mais longos e um custo total inferior por trabalho concluído com êxito. A melhor relação económica resulta da inteligência útil por dólar.
À medida que a inteligência útil se torna mais capaz e acessível, mais trabalho passa a ser economicamente viável. Uma empresa pode fornecer análises personalizadas a cada cliente, rever todos os contratos, executar cenários financeiros em tempo real e ajudar os engenheiros a testar mais ideias. Este é o paradoxo de Jevons: uma maior eficiência torna mais utilizações vantajosas, aumentando o consumo e criando nova atividade económica através de mais trabalho concluído, melhores decisões, mais produtos lançados e mais receitas geradas.
Uma computação mais produtiva e uma base de fornecedores mais competitiva ajudam-nos a servir mais clientes a um custo inferior e a transferir esses ganhos de eficiência para os utilizadores. O crescimento financia o investimento contínuo em investigação, infraestruturas e segurança. Esta é a vantagem cumulativa da OpenAI: uma tecnologia melhor gera uma economia mais favorável, essa economia financia a próxima vaga de progresso e cada avanço reforça todo o sistema.
