Fast KI-ytelse blir 13 ganger billigere i året, men MIT finner bare 3× i algoritmene

I januar 2025 kostet det anslagsvis 30 cent per spørsmål å få OpenAIs o3 til 75 prosent på GPQA Diamond, en eksamen i fysikk, kjemi og biologi på doktorgradsnivå. Knapt 18 måneder senere klarte GPT-5.6 Luna det samme for 0,04 cent, 725 ganger billigere, ifølge forskningsorganisasjonen Epoch AI. Over fem benchmarks innen matte, naturfag og spill anslår Epoch at prisen for et fast ytelsesnivå har falt 47 prosent per kvartal siden 2023.

Epoch sammenligner med andre teknologier, målt som årlig prisfall:

Fallet er brattest rett etter at et nivå først nås: 66 prosent per kvartal for ny toppytelse, mot 32 prosent to år senere. Epoch kaller selv funnene «reasonable but rough measurements». Spilloppgavene faller tregest, 39 til 43 prosent per kvartal, blant dem Mystery Game Puzzles, der spillet holdes hemmelig for å motvirke trening mot kjente benchmarks.

Hans Gundlach og kolleger ved MIT finner et lavere tall med data fra Artificial Analysis og Epoch: 5 til 10 ganger billigere per år for frontmodeller. Når de isolerer åpne modeller for å kontrollere for konkurranse og trekker fra billigere maskinvare, står rundt 3× per år igjen som ren algoritmisk effektivitet. Samtidig stiger prisen for å kjøre selve frontmodellene med 3× til 18× i året, fordi modellene blir større og resonnerer lenger.

«Mye av denne fremgangen har bare vært mulig ved å bruke dyrere modeller.» — Gundlach og medforfattere i MIT-artikkelen

For deg som bygger betyr det at modellvalget bør tas per oppgave: en agent som klarer seg med fjorårets toppnivå, blir billigere bare ved at du bytter modell jevnlig, mens en som krever siste frontmodell kan bli dyrere å drifte.