Artificial Analysis: GPT-5.6 Sol leder på tokeneffektivitet

Artificial Analysis melder at OpenAI fortsatt sitter tungt på tokeneffektivitets-fronten, selv etter en måned med flere store modellslipp fra konkurrerende laboratorier. I den ferske gjennomgangen av Artificial Analysis Intelligence Index peker de på at GPT-5.6-variantene, særlig Sol, tar mange av plassene på Pareto-fronten for intelligens målt mot antall output-tokens per oppgave.

Dette høres teknisk ut. Det er det også. Men konsekvensen er veldig praktisk: output-tokens er ikke bare tekst på skjermen. De er tid, kostnad og kapasitetsbruk. Når en modell bruker færre svar- og resonneringstokens for å levere samme eller bedre oppgavekvalitet, betyr det lavere kost per oppgave, lavere ventetid og mindre press på kvoter og infrastruktur. For virksomheter som går fra pilot til produksjon, er det ofte viktigere enn én ekstra benchmark-seier på en akademisk test.

Poenget fra Artificial Analysis er at mange evals fortsatt leses for flatt. Ledere spør gjerne «hvilken modell er smartest?». Utviklere spør ofte «hvilken modell løser oppgaven best?». Begge spørsmålene er for smale når modellene skal inn i arbeidsflyter med tusenvis eller millioner av kall. Det riktige spørsmålet er nærmere: hvilken modell gir nok kvalitet per krone, per sekund og per risikoklasse?

Artificial Analysis skiller mellom answer tokens og reasoning tokens. Answer tokens er det brukeren ser: selve svaret. Reasoning tokens er den skjulte eller interne beregningen modellen bruker for å komme frem til svaret. Begge påvirker regnestykket. En modell som resonnerer tungt kan levere bedre svar, men også dra opp kost og latency. En modell som er mer disiplinert med tokenbruken kan være mer attraktiv i produksjon, selv om den ikke alltid topper rå intelligens.

Det er her GPT-5.6 Sol blir interessant. Ifølge Artificial Analysis ligger Sol på fronten der modellen leverer høy intelligens med relativt effektiv tokenbruk. Terra og Luna, slik de er plottet i analysen, produserer mer output ved tilsvarende intelligensnivåer og havner dermed ikke like rent på fronten. Det betyr ikke at de er dårlige modeller. Det betyr at de passer dårligere hvis styringsmålet er mest mulig oppgavekvalitet per token.

For CIO-er og CISO-er bør dette endre måten modellvalg evalueres på. Det holder ikke å samle modeller i en meny og la brukerne velge etter magefølelse. Modellruting må ha regler. Enkle saker bør gå til raske og billige modeller. Oppgaver med høy verdi, høy risiko eller høy kompleksitet kan eskaleres til dyrere modeller. Kodeendringer, juridiske vurderinger, sikkerhetsanalyse og kundedialog bør ha forskjellige terskler for når høyere resonneringsbudsjett er verdt kostnaden.

Dette er også relevant for agentarbeid. Agenter brenner tokens på en helt annen måte enn chat. De planlegger, leser, skriver, feiler, prøver igjen og bruker verktøy. En liten forskjell i tokenbruk per delsteg kan bli stor når en agent kjører hundrevis av operasjoner. Derfor er tokeneffektivitet ikke et nerdet sidepunkt. Det er selve økonomien i agentisk AI.

Benchmark-bildet blir mer krevende fordi leverandørene optimaliserer ulikt. Noen modeller er sterke på rå problemløsing, men dyre i bruk. Andre er svært raske og billige, men mister presisjon i komplekse saker. Noen scorer bra med høyt resonneringsnivå, men blir vanskelige å rettferdiggjøre i standard kontoroppgaver. En moden AI-portefølje trenger derfor ikke én vinner. Den trenger et kostnads- og kvalitetskart.

Det praktiske rådet er å måle egne arbeidsflyter på samme måte. Ikke bare spør om modellen svarer riktig. Logg antall input-tokens, output-tokens, latency, kost per ferdig oppgave, feilrate, eskaleringer og hvor ofte mennesker må rydde opp. Først da ser man om en dyr modell faktisk sparer arbeid, eller bare flytter kostnaden fra mennesketimer til API-faktura og ventetid.

For ledelsen er den viktigste konklusjonen enkel: modellstrategi er blitt finansiell styring. Når OpenAI, Anthropic, Google, xAI, DeepSeek og andre slipper stadig flere varianter, blir «beste modell» et bevegelig mål. Det stabile spørsmålet er hvilke modeller som gir best margin, fart og kontroll i konkrete prosesser. Artificial Analysis sin tokenfront viser hvorfor neste runde med AI-anskaffelser bør handle mindre om demo og mer om porteføljestyring.

Kilder og medier

Primærkilde: Artificial Analysis, https://x.com/ArtificialAnlys/status/2080360526534877537

Bakgrunn: Artificial Analysis Intelligence Index, https://artificialanalysis.ai/evaluations/artificial-analysis-intelligence-index

Thumbnail: OpenAI Image 2 / hogby.ai