Att skapa intelligens i överflöd

AI-infrastruktur är inte värdefull för att den är stor. Den är värdefull för det den möjliggör: mer kapabel intelligens som fler kan få tillgång till till en lägre kostnad.

Det är så jag ser på överflöd. Det är förankrat både i vårt uppdrag – att säkerställa att Artificiell generell intelligens kommer hela mänskligheten till godo – och i den ekonomiska motor som driver vår verksamhet.

När kostnaden för användbar intelligens sjunker blir fler arbetsuppgifter värda att utföra. När modeller blir mer kapabla skapar det arbetet större värde. När användningen ökar får vi intäkter, återkoppling från verklig användning och bättre insyn i efterfrågan, så att vi kan fortsätta investera i nästa generations forskning och infrastruktur.

Bättre intelligens leder till bredare användning. Bredare användning möjliggör fler investeringar. Fler investeringar förbättrar intelligensen och effektiviteten. Det är den cykel vi bygger.

Vårt senaste prismeddelande visar hur snabbt den cykeln gynnar kunderna. I går sänkte vi priset på GPT‑5.6 Luna med 80 procent och på GPT‑5.6 Terra med 20 procent. Luna kostar nu 0,20 dollar per miljon inmatningstoken och 1,20 dollar per miljon utmatningstoken. Motsvarande priser för Terra är 2 respektive 12 dollar.

För GPT‑5.6 Sol ger Snabbläge upp till 2,5 gånger högre hastighet än standardbearbetning till dubbla priset, utan att intelligensen förändras.

Det här är inte bara ändringar i en prislista. De gör fler slags arbetsuppgifter praktiskt genomförbara och ger kunderna större flexibilitet att balansera intelligens, hastighet, tillförlitlighet och kostnad.

Den rätta frågan är inte vilken modell som passar vilken uppgift. Frågan är hur mycket intelligens som krävs för önskat resultat, hur snabbt den behövs och vad den bör få kosta. Den balansen kan förändras flera gånger inom samma arbetsflöde.

Kunder köper inte token för deras egen skull. De vill få supportärendet löst, programvaran lanserad, avtalet granskat eller den vetenskapliga frågan besvarad. Det rätta måttet är kostnaden för ett lyckat resultat, inklusive den tid, de upprepade försök, den tillsyn och de fel som krävs för att nå dit.

En starkare modell som utför arbetet korrekt och effektivt kan i slutändan vara mer ekonomisk än en billigare modell som kräver upprepade försök eller omfattande mänskliga insatser. Omvänt kan en billigare modell göra tekniken tillgänglig för betydligt fler när den uppfyller samma kvalitetskrav. Möjligheten ligger i att använda maximalt med värdefull intelligens till rätt pris.

För att leverera det värdet krävs mer än att bygga fler datacenter. Varje enhet beräkningskapacitet måste bli mer produktiv.

Vårt senaste tekniska arbete visar hur det kan se ut. Tillsammans med våra tekniska team bidrog GPT‑5.6 Sol till att optimera den produktionsprogramvara som används för att tillhandahålla våra modeller, vilket sänkte den totala leveranskostnaden med 20 procent. Den bidrog också till bättre spekulativ avkodning, vilket ökade effektiviteten i tokengenereringen med över 15 procent.

Lika viktigt är att effektiviteten inte avgörs enbart av modellen. Systemet runt omkring spelar också roll. Bättre dirigering håller maskinvaran produktiv. Smartare kontexthantering hindrar agenter från att upprepa arbete. Kraftfullare verktyg och bättre produktdesign minskar antalet steg som krävs för att slutföra en uppgift.

I en nyligen genomförd benchmarkanalys höjde förbättringar av bibehållet resonemang och kontexthantering GPT‑5.6 Sols resultat på den offentliga uppgiftsuppsättningen ARC-AGI-3 från 13,3 till 38,3 procent, samtidigt som sex gånger färre utmatningstoken användes. Modellen förändrades inte. Det omgivande systemet gjorde det.

De här vinsterna förstärker varandra. Mer kapabla modeller hjälper våra team att hitta nya effektiviseringar. Effektiviseringarna sänker kostnaden för att betjäna kunder och gör att vi kan stödja fler arbetsuppgifter med samma infrastruktur. Det gör i sin tur nästa generations intelligens mer tillgänglig.

Fördelen med att utveckla infrastruktur, modeller, plattformar och produkter är inte bara att vi är verksamma i varje lager. Det är att varje lager gör de andra bättre.

Verklig produktanvändning visar var kunderna ser värde och var de stöter på hinder. Den återkopplingen bidrar till att forma vår forskning. Forskningsframsteg stärker våra produkter och sänker kostnaden för att tillhandahålla dem. Efterfrågan på ChatGPT, ChatGPT Work, Codex och vårt API hjälper oss att fatta bättre beslut om var vi ska utöka kapaciteten.

Omfattningen av det lärandet är viktig. Våra modeller når nu över en miljard aktiva användare och mer än två miljoner företag. När människor får större förtroende för tekniken använder de den mer på djupet. Sex månader efter registreringen skickar människor omkring 50 procent fler meddelanden per dag och använder ChatGPT för ungefär dubbelt så många slags arbetsuppgifter. ChatGPT Work förändrar vad det innebär att vara kunskapsarbetare genom att gå från att besvara frågor till att slutföra komplext arbete i flera steg – från ”fråga” till ”göra”. På OpenAI står agentbaserat arbete genom Codex nu för 99,8 procent av alla token som genereras varje vecka. Ekonomiavdelningen är ett av de team som har gjort agentbaserade verktyg till en central del av sitt arbetssätt.

Inom organisationer ser vi ett liknande mönster. Ett företag kan börja med ett enda team eller arbetsflöde. När kvaliteten och ekonomin förbättras sprids användningen till fler funktioner, och AI blir en del av verksamhetens arbetssätt.

Det skapar en värdefull återkopplingscykel mellan efterfrågan, produktförbättringar, effektivitet och infrastrukturplanering. Det kräver inte att vi äger varje tillgång eller själva bygger varje komponent. Vi kan äga, samarbeta eller köpa beroende på vad som bäst gynnar kunden och är mest ekonomiskt fördelaktigt. Det viktiga är att samordna systemet och dra lärdomar från alla dess delar.

AI-infrastruktur måste planeras flera år innan den behövs, samtidigt som modeller, produkter och kundernas efterfrågan utvecklas mycket snabbare. Den obalansen gör disciplin avgörande.

Vi grundar våra investeringsbeslut på belägg: tillväxt i användning och arbetsbelastning, företagskunders åtaganden, API-förbrukning, nyttjandegrad, intäkter samt framsteg inom modellernas kapacitet och effektivitet. Tekniska och kommersiella milstolpar bidrar till att avgöra när projekt går vidare. Långsiktiga partnerskap förenar den finansiering, infrastruktur och operativa kompetens som krävs för leverans i stor skala.

Produktintäkter, privat kapital och kommersiella partnerskap fyller olika funktioner för att stödja tillväxten. Målet är inte att bygga mest infrastruktur. Det är att sätta in rätt kapacitet vid rätt tidpunkt för en trovärdig efterfrågan.

För mig är nyckelfrågorna enkla: Hur snabbt blir ny kapacitet produktiv? Hur effektivt används den? Vilken kundefterfrågan tillgodoser den? Hur snabbt kan tekniska framsteg sänka kostnaden för att leverera användbar intelligens?

De frågorna förenar långsiktiga ambitioner med operativ disciplin.

Vi befinner oss fortfarande i ett tidigt skede. Mer kapabla system kommer att slutföra längre projekt, samordna flera verktyg och hantera mer av arbetet mellan en idé och ett färdigt resultat. Privatpersoner och småföretag får tillgång till förmågor som tidigare bara fanns hos betydligt större organisationer. Stora företag kommer att använda intelligens bredare i sina verksamheter.

Vårt mål är inte bara mer beräkningskapacitet, större modeller eller lägre tokenpriser. Det är att göra mer användbar intelligens tillgänglig.

Det är vad överflöd innebär: intelligens som blir allt mer kapabel, prisvärd och värdefull för dem som använder den. Vi kommer att mäta våra framsteg efter hur mycket värdefullt arbete tekniken möjliggör, hur effektivt vi levererar den och hur många som kan få del av nyttan.