OpenAI haluaa osaksi jokapäiväistä elämää. Näin reititän oman AI-työni
OpenAI haluaa osaksi jokapäiväistä elämää. Näin reititän oman AI-työni
Nabil Samari
31. heinäkuuta 20265 min lukuaika
Jaa
Kun OpenAI laski GPT-5.6 Lunan hintaa 80 prosenttia, mun ensimmäinen ajatus oli aika suoraviivainen: nyt taustalla pyörivien AI-agenttien ajaminen halpenee kunnolla.
Toinen ajatus tuli vähän myöhemmin. Ehkä tässä ei ole kyse pelkästään API-hinnasta. OpenAI näyttää yrittävän tehdä itsestään niin halvan ja helposti saatavan, että sen mallit päätyvät huomaamatta osaksi tutkimusta, yrityksiä ja ihmisten tavallista arkea.
Luna halpeni, mutta halvin tokeni ei ratkaise kaikkea
Lunan uusi API-hinta on 0,20 dollaria miljoonalta syötetokenilta ja 1,20 dollaria miljoonalta tulostetokenilta. OpenAI kertoo Lunan hinnan pudonneen 80 prosenttia. Samalla yhtiö puhuu yhä enemmän onnistuneen tehtävän hinnasta eikä pelkästään tokenien hinnasta.
Tässä on järkeä. Jos halpa malli joutuu yrittämään saman tehtävän kolme kertaa, käyttää valtavan määrän tokeneita tai palauttaa työn, jonka ihminen korjaa käsin, se ei ollutkaan halpa. Toisaalta kaikkeen ei tarvita parasta mahdollista mallia. Selkeästi rajattu taustatyö voi onnistua pienemmällä mallilla aivan yhtä hyvin.
Siksi en käytä yhtä mallia kaikkeen.
Tutkijaohjelma kertoo hinnanalennusta isommasta strategiasta
Samaan aikaan hinnanalennusten kanssa OpenAI ilmoitti antavansa 100 000 tutkijalle, matemaatikolle ja insinöörille ilmaisen pääsyn frontier-malleihinsa. Ensimmäiset 10 000 käyttäjää tulevat mukaan kesällä 2026, ja ohjelman on tarkoitus laajentua vuoteen 2027 asti.
Kyse ei ole vain nipusta ilmaisia API-tokeneita. Osallistujat saavat käyttöönsä ChatGPT:n, ChatGPT Workin, Codexin ja GPT-5.6-mallit sekä tavallista suuremmat käyttörajat ja konteksti-ikkunat. OpenAI kertoo käyttävänsä ulkoisen tieteellisen tutkimuksen tukemiseen yli 250 miljoonaa dollaria vuoteen 2027 mennessä.
Yhtiön mukaan noin 1,3 miljoonaa ihmistä käyttää ChatGPT:tä viikoittain vaativaan tieteeseen ja matematiikkaan. Ilmainen pääsy on tutkijoille hyvä asia, mutta se on samalla todella vahva jakelustrategia.
Jos tutkija alkaa käyttää samaa järjestelmää kirjallisuuskatsauksiin, hypoteesien kehittämiseen, koodiin, data-analyysiin ja apurahahakemuksiin, palvelu ei jää yhdeksi työkaluksi muiden joukkoon. Sen ympärille syntyy työtapoja, opetusta, integraatioita ja organisaatioiden sisäisiä käytäntöjä. Myöhemmin vaihtaminen tarkoittaa paljon muutakin kuin uuden mallin valitsemista asetuksista.
Mun tulkinta on, että Lunan hinnanalennus ja tutkijoille annettu ilmainen pääsy ovat saman strategian kaksi puolta. OpenAI yrittää tehdä käyttöönotosta niin halpaa ja helppoa, että sen mallit päätyvät osaksi päivittäisiä prosesseja ennen kuin niitä edes ajatellaan infrastruktuurina.
Näin mallien reititys toimii mun Hermeksessä
Hermes on mun koneella toimiva AI-agentti. Se ei ole pelkkä chat-ikkuna, vaan se pystyy lukemaan tiedostoja, käyttämään selainta, ajamaan komentoja, tarkistamaan tuloksia ja jakamaan työn alitehtäviin.
Päämallina käytän GPT-5.6 Solia. Se pitää kokonaisuuden kasassa, päättää mitä pitää tehdä ja tarkistaa lopputuloksen. Sol on kallis verrattuna pienempiin malleihin, joten sen ei kannata lukea jokaista pitkää dokumenttia tai tehdä jokaista mekaanista välivaihetta itse.
Kun tehtävä voidaan jakaa osiin, Hermes delegoi niitä erillisiin aliagentteihin. Aliagentti saa rajatun tehtävän ja oman kontekstin. Se tekee työn erillään ja palauttaa lopuksi tiivistetyn tuloksen pääagentille. Näin Sol voi keskittyä päätöksiin sen sijaan, että se käyttäisi tokeneita jokaisen raakadatapätkän läpikäyntiin.
Mun nykyinen reititys näyttää tältä:
GPT-5.6 Sol hoitaa päättelyn, suunnan ja lopullisen laadunvarmistuksen.
DeepSeek V4 Flash tekee aliagenttien tekstityötä ja web-aineiston käsittelyä.
DeepSeek V4 Pro pakkaa pitkää keskustelukontekstia silloin, kun sessio kasvaa liian suureksi.
GPT-5.6 Luna tulkitsee kuvia ja ruutukaappauksia.
Gemini toimii vision varamallina, jos Luna ei ole käytettävissä.
Paikallinen Qwen 3.6 27B hoitaa töitä, joissa yksityisyys, suuri määrä tai pilvestä riippumattomuus painaa eniten.
Tässä OpenAI:n oma malliperhe voisi teoriassa hoitaa kaiken: Sol vaikeat kohdat, Terra keskivaikean työn ja Luna halvan volyymin. Mun käytännössä DeepSeek täyttää kuitenkin edelleen suuren osan Terran ja Lunan tekstiroolista. DeepSeek V4 Flashin tulostetokeni maksaa 0,28 dollaria miljoonalta, kun Lunan vastaava hinta on 1,20 dollaria. Siksi en vaihtanut kaikkia taustatöitä Lunalle vain siksi, että OpenAI laski hintaa.
Claudea käytän eri tavalla. En pidä sitä jatkuvasti pääreitillä, vaan otan sen mukaan toiseksi silmäpariksi, kun haluan tarkistaa koodimuutoksen, etsiä vaikean bugin tai käydä läpi turvallisuuteen liittyviä asioita. Eri malliperheen tekemä tarkistus on hyödyllinen juuri siksi, ettei se välttämättä tee samoja oletuksia kuin työn ensimmäisenä tehnyt malli.
Oma näytönohjain on yksi reitti muiden joukossa
Halusin verrata Lunaa myös paikalliseen malliin oikealla mittauksella. Ajoin Qwen 3.6 27B -mallia omalla RTX 4070 Ti SUPER -näytönohjaimellani. Malli tuotti 1 000 tokenin testissä keskimäärin 36,85 tokenia sekunnissa, ja näytönohjaimen kulutus oli keskimäärin 273 wattia.
Kun mukaan arvioidaan 80 wattia muulle koneelle ja sähkön kokonaishinnaksi 0,2246 euroa kilowattitunnilta, miljoonan tulostetokenin ajaminen maksaa noin 0,60 euroa. Lunan miljoona tulostetokenia maksaa 30.7.2026 ECB-kurssilla noin 1,05 euroa.
Mittaus omalla koneellani. Paikallisen mallin laskelma sisältää mitatun GPU-kulutuksen ja 80 watin arvion muulle koneelle. Raudan hankintahinta ei ole mukana.
Paikallinen ajo oli tässä laskelmassa noin 43 prosenttia halvempi. Se ei silti tarkoita, että Qwen ja Luna olisivat laadultaan sama asia. Vertailu kertoo vain käyttökustannuksesta silloin, kun rauta on jo hankittu. Näytönohjaimen hinta, kuluminen, ylläpito ja tyhjäkäynti jäävät laskelman ulkopuolelle.
Tää on juuri se syy, miksi reititys kiinnostaa mua enemmän kuin yhden voittajamallin etsiminen. Paikallinen malli on järkevä, jos tehtävä on yksityinen, toistuva ja sille löytyy riittävän hyvä paikallinen malli. Pilvimalli voittaa, jos tarvitsen parempaa päättelyä, kuvia, työkaluja tai valmiin infrastruktuurin ilman oman koneen ylläpitoa.
Malli optimoi jo järjestelmää, jolla sitä itse ajetaan
OpenAI:n teknisessä julkaisussa on yksi kohta, joka jäi erityisesti mieleen. Yhtiön mukaan Sol kirjoitti ja optimoi tuotantokerneliä, suunnitteli satoja kokeita tokenien generoinnin parantamiseksi sekä valvoi koulutusprosessia ja reagoi ongelmiin.
Kernel-optimoinnit laskivat OpenAI:n mukaan mallien tarjoilun kokonaiskustannusta 20 prosenttia. Spekulatiiviseen dekoodaukseen tehdyt muutokset paransivat tokenien generoinnin tehokkuutta yli 15 prosenttia.
Tätä ei kannata paisuttaa tarinaksi täysin itsenäisestä itseään kehittävästä AI:sta. OpenAI kuvaa prosessia ihmisten johtamaksi, ja tuotantoon vietävä työ tarkistetaan. Silti suunta on kiinnostava: parempi malli auttaa tekemään seuraavan mallikierroksen ja sitä pyörittävän infrastruktuurin halvemmaksi. Osa säästöstä siirtyy halvempina hintoina takaisin käyttäjille. Halvempi hinta tuo lisää käyttöä ja enemmän syitä upottaa malli uusiin palveluihin.
OpenAI ei laske hintaa vain myydäkseen tokeneita
Lunan hinnanpudotus, tutkijaohjelma ja Solin tekemät infrastruktuurin optimoinnit osoittavat samaan suuntaan. OpenAI yrittää tehdä itsestään yhteiskunnan yleisen AI-kerroksen. ChatGPT vie sitä ihmisten arkeen, ja Codex, työkalut sekä agentit vievät samaa tekniikkaa ohjelmistokehitykseen ja yritysten sisäisiin prosesseihin.
Halpa Luna sopii tähän hyvin. Kun riittävän hyvä malli maksaa vähän, sitä voidaan käyttää taustalla tuhansissa pienissä työvaiheissa. Käyttäjän ei tarvitse edes tietää, milloin malli lajittelee, tarkistaa, etsii tai tiivistää jotain hänen puolestaan.
Mulle vastaus ei ole yhden toimittajan valitseminen kaikkeen. Rakennan mieluummin järjestelmän, jossa työlle valitaan sopiva reitti. Vaikea päätös menee Solille. Halpa tekstityö DeepSeekille. Kuvat Lunalle. Ylimääräinen bugi- tai turvallisuustarkistus Claudelle. Yksityinen ja toistuva työ paikalliselle Qwenille.
Silloin voin hyödyntää parempia ja halvempia malleja ilman, että koko oma työskentelyni lukittuu yhden yrityksen sisään.
OpenAI haluaa olla kaikkialla. Se voi olla käyttäjälle todella hyödyllistä. Mä haluan silti itse päättää, mikä osa työstäni kulkee sen kautta.
