GPT-5.6 es torna més barat? Què hi ha darrere la retallada del 80%

OpenAI ha reduït un 80% el preu de GPT‑5.6 Luna només unes setmanes després de presentar la família GPT‑5.6. El model passa a costar 0,20 dòlars per milió de tokens d'entrada i 1,20 dòlars per milió de tokens de sortida. GPT‑5.6 Terra baixa un 20%, fins a 2 i 12 dòlars respectivament, mentre que el preu estàndard de GPT‑5.6 Sol no canvia.

Matthew Berman destaca una dada encara més suggeridora: OpenAI afirma que el seu model més potent, Sol, va ajudar els enginyers a trobar millores que redueixen el cost de servir la família. El vídeo ho descriu com a «automillora recursiva». És un avanç real cap a la recerca automatitzada, però encara no és un model que es reentrena, modifica els seus propis pesos i produeix autònomament un successor més intel·ligent.

Resposta curta: GPT‑5.6 s'ha fet més barat ell mateix?

En un sentit limitat, GPT‑5.6 Sol va ajudar a millorar el sistema que l'executa. Va analitzar dades operatives, va proposar i provar estratègies d'encaminament, va optimitzar kernels de GPU i va participar en centenars d'experiments sobre el model auxiliar utilitzat en la decodificació especulativa. OpenAI atribueix a aquest treball una reducció del 20% del cost integral de servei i més d'un 15% de millora en l'eficiència de generació de tokens.

Però la millora no equival a una IA que hagi canviat tota sola el seu model principal. Els humans van definir l'objectiu, l'entorn d'experimentació i els criteris; van validar els canvis i van decidir desplegar-los. La manera més precisa de descriure-ho és «enginyeria d'inferència assistida per IA» o «recerca automatitzada sota supervisió».

Els canvis de preu

OpenAI també ha introduït un mode ràpid per a Sol: fins a 2,5 vegades més velocitat al doble del preu estàndard. L'opció anterior oferia aproximadament 1,5 vegades la velocitat pel mateix multiplicador de cost.

Això millora el rendiment temporal per dòlar respecte de l'antic mode prioritari, però no és literalment una reducció del preu per token. El client continua pagant el doble; rep més velocitat i pot completar abans una càrrega sensible a la latència.

1. Luna, Terra i Sol: tres nivells amb funcions diferents

La família GPT‑5.6 està dividida en tres nivells:

• Sol és el model insígnia per a treball professional complex, recerca, codi i tasques amb molta autonomia;

• Terra busca un equilibri entre capacitat i cost per al treball quotidià;

• Luna està orientat a gran volum, velocitat i càrregues sensibles al preu.

L'estratègia permet triar quanta intel·ligència es compra per a cada pas. Un agent pot utilitzar Luna per classificar, extraure o revisar milers d'elements i escalar a Sol només quan troba un cas difícil. La retallada reforça aquest patró: no pretén que Luna substitueixi Sol en tot, sinó que moltes accions deixin de necessitar el model més car.

2. Preu per token i cost per tasca no són el mateix

Berman insisteix encertadament que comparar només el preu per milió de tokens pot portar a una conclusió equivocada. Un model econòmic que produeix respostes molt llargues, fa més intents o resol menys casos pot acabar costant més.

OpenAI defineix el cost per tasca satisfactòria amb una fórmula simple:

1. sumar el cost complet d'executar el treball;

2. comptar quantes tasques han superat el nivell de qualitat requerit;

3. dividir el cost total pel nombre d'èxits.

El marc publicat per OpenAI recorda que també s'han d'incloure el temps humà de revisió, els reintents i la feina per corregir errors. Un model frontera pot ser més barat en una tasca rutinària si l'encerta a la primera; un model petit pot guanyar quan el procés és estable, fàcil de verificar i repetit milions de vegades.

Exemple simplificat

El model A continua sent lleugerament més barat abans d'afegir revisió i reintents. Si cada error requereix cinc minuts d'una persona, el model B podria resultar molt més econòmic. El cost per token només és una peça de la decisió.

3. Què diuen les proves d'Artificial Analysis?

El vídeo utilitza l'índex d'Artificial Analysis, que combina avaluacions de raonament, codi, ciència i treball amb agents. En el llançament inicial, Luna amb esforç màxim obtenia una puntuació propera a models més cars i costava aproximadament un 80% menys per tasca que Sol.

Amb el nou preu, Berman situa Luna al voltant de sis cèntims per tasca de l'índex, davant de quantitats superiors per a GLM‑5.2, Claude Sonnet, Claude Opus o GPT‑5.6 Sol. La imatge general és clara: Luna ocupa una zona molt competitiva de capacitat per dòlar.

Les xifres exactes s'han d'interpretar amb cautela per tres motius:

• el cost depèn del nombre de tokens que el model va generar en aquesta bateria concreta;

• el nivell d'esforç canvia tant la puntuació com la despesa;

• una mitjana de proves no prediu necessàriament el rendiment en el codi, els documents o les eines d'una empresa determinada.

Artificial Analysis és una comparació externa útil, però no elimina la necessitat de provar els models amb casos reals, una resposta esperada i un criteri de qualitat propi.

4. On va trobar eficiència GPT‑5.6 Sol?

L'article tècnic d'OpenAI sobre la millora de preu i rendiment descriu tres àrees principals.

Kernels de producció

Un kernel és una peça de programari molt optimitzada que executa operacions numèriques sobre la GPU. Petites millores en moviment de memòria, paral·lelisme o fusió d'operacions poden estalviar molt de còmput quan es repeteixen per milions de peticions.

OpenAI diu que Sol, utilitzat amb Codex, va ajudar a identificar feina que es podia precalcular, evitar o executar en paral·lel, i va reescriure i optimitzar kernels de producció. L'empresa atribueix al conjunt de millores una reducció del 20% del cost integral de servei.

Equilibri i encaminament

Un sistema distribuït ha de repartir les peticions entre moltes GPU i servidors. Si algunes màquines queden saturades mentre d'altres estan infrautilitzades, augmenten la latència i el cost.

Sol va ajudar a analitzar trànsit de producció, trobar desequilibris abans ignorats, provar estratègies noves i ajustar heurístiques. Això no significa necessàriament que el model llegeixi de manera indiscriminada el text personal de cada usuari; «trànsit» també pot referir-se a traces, mètriques, formes de càrrega i dades operatives.

Decodificació especulativa

La decodificació especulativa utilitza un model auxiliar més petit per proposar diversos tokens ràpidament. El model principal els comprova i n'accepta els correctes. Si les prediccions del model auxiliar són bones, el sistema genera text amb menys treball del model gran.

Sol va dissenyar i executar centenars d'experiments sobre la mida, l'estructura i les característiques d'aquest model auxiliar. OpenAI afirma que el resultat va millorar més d'un 15% l'eficiència de generació de tokens.

5. És automillora recursiva?

Depèn de la definició. En un sentit ampli, un model contribueix a fer més eficient la infraestructura que executa models de la mateixa família. El coneixement obtingut pot abaratir més experiments futurs, que al seu torn poden generar noves millores. Hi ha un bucle real.

En el sentit fort que s'utilitza en els debats sobre una explosió d'intel·ligència, encara no. Per parlar d'automillora recursiva plena esperaríem un sistema que pogués:

• proposar canvis substancials en el model principal;

• entrenar o modificar autònomament els seus pesos;

• validar de manera fiable que el successor és millor i segur;

• desplegar-lo o utilitzar-lo per repetir el procés;

• mantenir el progrés a través de moltes generacions amb poca intervenció humana.

El cas d'OpenAI mostra automatització de recerca i enginyeria dins d'un perímetre definit. És important perquè redueix una de les barreres del cicle, però no demostra que totes les altres hagin desaparegut.

6. La connexió amb autoresearch d'Andrej Karpathy

Berman compara el procés amb autoresearch, el projecte obert d'Andrej Karpathy. El repositori dona a un agent un petit sistema real d'entrenament de models. L'agent modifica un únic fitxer, entrena durant cinc minuts, comprova una mètrica, conserva o descarta el canvi i repeteix l'experiment.

El disseny és deliberadament acotat:

• una sola GPU;

• un sol fitxer modificable;

• un pressupost temporal fix per prova;

• una mètrica comparable;

• un historial de canvis que es pot revisar.

Aquestes limitacions són part de l'èxit. Convertir una pregunta oberta en un bucle amb experiments barats i una mètrica clara facilita que l'agent trobi millores. Escalar el mètode a un model frontera és molt més difícil: una sola prova pot costar milions, les mètriques poden entrar en conflicte i una millora en una prova pot degradar seguretat o capacitats en una altra.

Karpathy es va incorporar a Anthropic el maig del 2026 per treballar en preentrenament. Això reforça la tendència cap a laboratoris on els models participen cada vegada més en la recerca que crea la següent generació.

7. «Analitza els teus prompts constantment»? El matís de privacitat

El vídeo imagina Sol observant constantment milions de prompts d'usuaris per buscar ineficiències. La comunicació pública disponible no permet afirmar-ho d'aquesta manera.

OpenAI diu que, per defecte, no utilitza les entrades ni les sortides de ChatGPT Business, Enterprise, Edu o de l'API per entrenar o millorar els models. Els clients de l'API poden acceptar voluntàriament compartir dades. Els serveis per a particulars poden utilitzar converses per millorar els models si l'usuari no ho desactiva.

La documentació de controls de dades de l'API també diferencia contingut, registres de prevenció d'abusos, estat de l'aplicació i metadades operatives. Alguns registres poden conservar contingut durant un període limitat, mentre que les organitzacions elegibles poden configurar retenció zero.

Per tant, optimitzar-se amb «trànsit de producció» no s'ha de traduir automàticament per «llegir tots els teus prompts». La privacitat depèn del producte, la configuració, el consentiment i el tipus de dada utilitzada en l'anàlisi.

8. Per què Sol no ha baixat de preu?

Berman especula que OpenAI ha mantingut el preu de Sol perquè és el producte amb més marge i una font important d'ingressos. És una hipòtesi empresarial plausible, però no hi ha dades públiques que mostrin quina part dels ingressos de l'API aporta cada model.

També hi ha altres explicacions possibles:

• la demanda de Sol pot superar l'oferta disponible;

• les millores poden haver-se concentrat en Luna i Terra;

• el model insígnia pot necessitar una infraestructura més cara encara després de l'optimització;

• OpenAI pot voler segmentar el mercat i mantenir un preu superior per a les tasques de màxim valor;

• els estalvis poden destinar-se a ampliar capacitat o finançar la següent generació.

Sense informació de costos i ús per model, atribuir-ho només al marge és especulatiu.

9. La pressió de Kimi K3 i els models oberts

El vídeo relaciona la retallada amb Kimi K3, el model de pesos oberts de Moonshot AI. Kimi s'acosta als models propietaris en diverses proves i permet que múltiples proveïdors n'optimitzin la inferència.

L'obertura pot accelerar millores perquè investigadors i empreses d'arreu experimenten amb quantització, kernels, memòria cau, encaminament i maquinari. Però tampoc garanteix que el cost per tasca sigui menor. Kimi pot necessitar més tokens, i allotjar un model enorme exigeix moltes GPU.

El repositori oficial de Kimi K3 publica els pesos i la informació tècnica. Aquesta disponibilitat pressiona els laboratoris tancats perquè baixin preus o ofereixin una qualitat clarament superior. Que la retallada d'OpenAI sigui una resposta directa a Kimi és una inferència de Berman, no una motivació confirmada per OpenAI.

10. Què canvia per a un usuari o una empresa?

La nova tarifa pot alterar l'arquitectura d'un producte amb molts agents, però convé mesurar abans de migrar.

Un procés raonable és:

1. seleccionar un conjunt representatiu de tasques reals;

2. definir què significa una resposta correcta;

3. mesurar tokens, temps, reintents i revisió humana;

4. provar diversos nivells d'esforç de Luna, Terra i Sol;

5. calcular el cost per tasca que supera el llindar de qualitat;

6. reservar el model més potent per als casos que el necessiten;

7. repetir la prova quan canvien preus o versions.

La retallada anunciada afecta l'API i el consum de crèdits associat a alguns productes. No implica automàticament una reducció del preu de totes les subscripcions de ChatGPT ni que cada usuari disposi de cinc vegades més quota.

Conclusions

La notícia té dues capes. La primera és comercial i immediata: Luna costa un 80% menys, Terra un 20% menys i Sol ofereix un mode més ràpid. Això pot canviar de debò el pressupost d'aplicacions que executen milions de tasques.

La segona és tecnològica: un model frontera ja pot contribuir materialment a optimitzar kernels, encaminament i models auxiliars que redueixen el cost de la seva pròpia infraestructura. És un exemple important de recerca automatitzada, però anomenar-lo automillora recursiva plena elimina les parts que encara depenen d'enginyers, experiments controlats, verificació i desplegament humà.

El senyal més rellevant no és que la IA s'hagi tornat autònomament millor d'un dia per l'altre. És que la quantitat de treball d'enginyeria que pot automatitzar ha augmentat prou perquè els estalvis arribin ràpidament al preu. Si aquest cicle es repeteix, el cost per tasca —no només la puntuació del model— serà un dels principals camps de competència de la IA.

Preguntes freqüents

Quin és el nou preu de GPT‑5.6 Luna?

0,20 dòlars per milió de tokens d'entrada i 1,20 dòlars per milió de tokens de sortida, una reducció del 80% respecte del preu inicial.

GPT‑5.6 Terra també baixa?

Sí. Passa a 2 dòlars per milió de tokens d'entrada i 12 dòlars per milió de tokens de sortida, un 20% menys.

GPT‑5.6 Sol és més barat?

El preu estàndard no ha baixat. El nou mode ràpid ofereix fins a 2,5 vegades la velocitat pel doble del preu, una millora de rendiment respecte de l'anterior opció prioritària.

Sol va modificar els seus propis pesos?

No hi ha cap indicació pública que ho fes. Va ajudar a optimitzar programari de producció, estratègies d'encaminament i el model auxiliar de decodificació sota supervisió humana.

És el començament de l'automillora recursiva?

És una peça inicial del procés: automatitzar experiments i enginyeria que fan més eficient la IA. No és encara un bucle autònom que creï successivament models principals més intel·ligents.

Luna és sempre la millor opció?

No. És especialment atractiu per volum i tasques verificables. Sol o Terra poden resultar més econòmics quan eviten errors, reintents o revisió humana en problemes difícils.