GPT‑5.6 giảm giá tới 80%: OpenAI mở rộng biên hiệu năng trên chi phí AI

287

31/07/2026 – (TinAI.vn) – Chưa đầy một tháng sau khi đưa dòng GPT‑5.6 vào sử dụng rộng rãi, OpenAI tiếp tục điều chỉnh chiến lược giá theo hướng quyết liệt. GPT‑5.6 Luna được giảm giá tới 80%, GPT‑5.6 Terra giảm 20%, trong khi GPT‑5.6 Sol có thêm chế độ Fast với tốc độ xử lý có thể cao gấp 2,5 lần chế độ tiêu chuẩn. Đây không chỉ là một đợt giảm giá API. Động thái này cho thấy cuộc cạnh tranh AI đang chuyển nhanh từ cuộc đua “mô hình nào thông minh nhất” sang câu hỏi thực tế hơn: mô hình nào tạo ra kết quả hữu ích nhất trên mỗi đồng chi phí.

Với doanh nghiệp, cơ sở giáo dục và các nhóm phát triển sản phẩm AI, thay đổi này có thể làm dịch chuyển đáng kể bài toán đầu tư. Nhiều tác vụ từng được xem là quá tốn kém để tự động hóa bằng tác nhân AI nay có thể trở nên khả thi ở quy mô lớn. Tuy nhiên, giá token thấp không đồng nghĩa tổng chi phí vận hành sẽ tự động giảm. Hiệu quả cuối cùng còn phụ thuộc vào cách chọn mô hình, thiết kế quy trình, quản trị dữ liệu, kiểm soát đầu ra và đo lường chi phí theo từng nhiệm vụ hoàn thành.

GPT‑5.6 chuyển trọng tâm từ giá token sang giá trị trên mỗi nhiệm vụ

Dòng GPT‑5.6 gồm ba mô hình được định vị cho các nhu cầu khác nhau. Sol là mô hình đầu bảng dành cho công việc phức tạp; Terra cân bằng giữa năng lực, tốc độ và chi phí; còn Luna hướng đến khối lượng tác vụ lớn, yêu cầu phản hồi nhanh và nhạy cảm về ngân sách. Cấu trúc này giúp tổ chức tránh phải sử dụng mô hình mạnh nhất cho mọi yêu cầu.

Điểm đáng chú ý trong thông báo mới là cách OpenAI nhấn mạnh “price-performance”, tức hiệu năng trên chi phí. Cách tiếp cận này thực tế hơn việc chỉ so sánh giá đầu vào và đầu ra trên một triệu token. Một mô hình có giá token cao hơn vẫn có thể mang lại tổng chi phí thấp hơn nếu hoàn thành nhiệm vụ với ít lần gọi, ít token đầu ra, ít lỗi và ít sự can thiệp của con người hơn.

Ngược lại, một mô hình rẻ có thể trở nên đắt nếu quy trình liên tục phải thử lại, sinh nội dung dài không cần thiết hoặc chuyển phần lớn yêu cầu sang mô hình mạnh hơn. Vì vậy, chỉ số quan trọng đối với nhà quản lý không nên dừng ở “chi phí một triệu token”. Tổ chức cần đo thêm chi phí mỗi hồ sơ được xử lý, mỗi câu hỏi được giải quyết, mỗi bài giảng được hoàn thiện hoặc mỗi quy trình được thực hiện thành công.

Ba tầng GPT‑5.6 cho phép tổ chức phân bổ tác vụ theo độ phức tạp thay vì dùng một mô hình cho mọi nhu cầu.

GPT‑5.6 Luna giảm 80% và trở thành lựa chọn cho tác vụ quy mô lớn

Sau điều chỉnh, giá API tiêu chuẩn của GPT‑5.6 Luna là 0,20 USD cho một triệu token đầu vào, 0,02 USD cho một triệu token đầu vào được lưu bộ nhớ đệm và 1,20 USD cho một triệu token đầu ra. So với mức cũ 1 USD cho đầu vào và 6 USD cho đầu ra, đây là mức giảm 80% trên các thành phần giá chính.

Vị trí của Luna vì thế thay đổi đáng kể. Mô hình này không chỉ phù hợp với những tác vụ ngắn hoặc đơn giản. Luna hỗ trợ suy luận, gọi công cụ, đầu ra có cấu trúc và quy trình nhiều bước. Điều đó mở ra khả năng triển khai tác nhân AI chi phí thấp cho phân loại tài liệu, trích xuất dữ liệu, định tuyến yêu cầu, tạo bản nháp, rà soát quy tắc và thực hiện các thao tác lặp lại.

Luna có cửa sổ ngữ cảnh khoảng 1,05 triệu token và mức đầu ra tối đa 128.000 token. Đây là thông số đáng chú ý đối với các hệ thống phải xử lý nhiều tài liệu trong một yêu cầu. Tuy nhiên, đầu vào ngữ cảnh dài không nên được hiểu là có thể đưa toàn bộ kho dữ liệu vào mô hình mà không cần chọn lọc. Khi yêu cầu vượt ngưỡng ngữ cảnh nhất định, cơ chế định giá có thể thay đổi; đồng thời, quá nhiều thông tin không liên quan cũng làm giảm độ chính xác của tác vụ.

Đánh giá độc lập của Artificial Analysis ghi nhận GPT‑5.6 Luna ở mức suy luận tối đa đạt 51 điểm trên Intelligence Index và tốc độ khoảng 195 token đầu ra mỗi giây tại thời điểm kiểm tra. Kết quả đánh giá bên thứ ba không bảo đảm mô hình sẽ đạt hiệu năng tương tự trong mọi môi trường, nhưng nó củng cố nhận định rằng Luna đang tạo ra một điểm cân bằng mới giữa năng lực, tốc độ và giá.

GPT‑5.6 Terra giảm 20%, nhưng vai trò cần được đánh giá theo từng quy trình

GPT‑5.6 Terra hiện có giá tiêu chuẩn 2 USD cho một triệu token đầu vào, 0,20 USD cho đầu vào được lưu bộ nhớ đệm và 12 USD cho một triệu token đầu ra. So với mức trước đó, các thành phần giá chính giảm 20%. Terra được định vị cho công việc hằng ngày cần năng lực cao hơn Luna nhưng chưa nhất thiết phải sử dụng Sol.

Trong môi trường doanh nghiệp, Terra có thể phù hợp với hỏi đáp không gian làm việc, tổng hợp tài liệu nội bộ, hỗ trợ viết, phân tích có phạm vi rõ và các tác vụ cần cân bằng giữa độ trễ với chất lượng. OpenAI dẫn lại đánh giá của Notion cho biết Terra đạt chất lượng tương đương GPT‑5.5 trong một số nhiệm vụ nội bộ của họ, với một nửa chi phí trên mỗi tác vụ và thời gian hoàn thành thấp hơn 60%. Đây là kết quả trong môi trường riêng của Notion, do đó không nên mặc định áp dụng cho mọi tổ chức.

Phân tích của Artificial Analysis cũng đưa ra một lưu ý quan trọng. Trên biểu đồ trí tuệ so với chi phí tác vụ tại thời điểm đánh giá, Luna và Sol có thể nằm trước Terra ở nhiều cấu hình suy luận. Điều đó không khiến Terra trở nên không cần thiết. Tuy nhiên, nó cho thấy tổ chức nên kiểm thử cả ba mô hình trên dữ liệu thật, thay vì chọn Terra chỉ vì mô tả “cân bằng”.

GPT‑5.6 Sol có chế độ Fast nhanh hơn, nhưng không dành cho mọi yêu cầu

OpenAI đồng thời giới thiệu Fast mode trong API để thay thế tên gọi Priority Processing. Với GPT‑5.6 Sol, chế độ này có thể cung cấp tốc độ nhanh hơn tới 2,5 lần so với xử lý tiêu chuẩn, trong khi năng lực của mô hình không thay đổi. Đổi lại, mức giá Fast cho ngữ cảnh ngắn cao gấp đôi giá tiêu chuẩn.

Ở chế độ tiêu chuẩn, GPT‑5.6 Sol có giá 5 USD cho một triệu token đầu vào, 0,50 USD cho đầu vào lưu bộ nhớ đệm và 30 USD cho một triệu token đầu ra. Với Fast mode, mức giá tương ứng là 10 USD, 1 USD và 60 USD. Các yêu cầu trước đây gắn nhãn dịch vụ “priority” vẫn tương thích và được chuyển sang cơ chế Fast.

Mức giá cao hơn có thể hợp lý khi độ trễ tác động trực tiếp đến giá trị kinh doanh. Một trợ lý tương tác với khách hàng, tác nhân hỗ trợ lập trình trực tiếp hoặc hệ thống xử lý sự cố có thể cần phản hồi nhanh. Trong khi đó, các tác vụ chạy theo lô vào ban đêm, tạo báo cáo định kỳ hoặc phân tích không yêu cầu tức thời thường không cần Fast mode.

Bài toán ở đây không phải là “nhanh hơn có tốt hơn không”, mà là mỗi giây tiết kiệm được tạo ra giá trị bao nhiêu. Nếu giảm độ trễ giúp tăng tỷ lệ hoàn thành giao dịch, giảm thời gian chờ của chuyên gia hoặc xử lý được nhiều yêu cầu hơn trong giờ cao điểm, phần chi phí tăng thêm có thể được bù đắp. Nếu không, chế độ tiêu chuẩn hoặc mô hình nhỏ hơn sẽ hợp lý hơn.

Bảng giá GPT‑5.6 sau điều chỉnh

Các mức giá dưới đây áp dụng cho xử lý API tiêu chuẩn với ngữ cảnh ngắn và được tính bằng USD trên một triệu token. Chi phí thực tế có thể khác khi sử dụng ngữ cảnh dài, chế độ xử lý khác, công cụ tích hợp hoặc điểm cuối có yêu cầu lưu trú dữ liệu.

Bảng giá cho thấy chênh lệch giữa Luna và Sol rất lớn. Tuy nhiên, việc lựa chọn không nên dựa trên giá đơn vị một cách cơ học. Một chiến lược hiệu quả thường là để Luna xử lý sàng lọc, phân loại và chuẩn bị dữ liệu; Terra xử lý phần việc trung bình; còn Sol chỉ tiếp nhận những yêu cầu vượt ngưỡng phức tạp hoặc rủi ro.

Tác nhân AI quy mô lớn trở nên khả thi hơn

Mức giá mới của Luna có thể tạo tác động rõ nhất đối với các hệ thống tác nhân AI. Khác với chatbot một lượt, tác nhân thường phải gọi mô hình nhiều lần để lập kế hoạch, truy xuất thông tin, sử dụng công cụ, kiểm tra kết quả và sửa lỗi. Mỗi nhiệm vụ hoàn chỉnh có thể phát sinh một chuỗi yêu cầu API, khiến chi phí tăng nhanh khi số lượng người dùng lớn.

Khi giá mô hình nhỏ giảm sâu, nhà phát triển có thể chuyển nhiều công đoạn phụ sang Luna. Ví dụ, một tác nhân nghiên cứu có thể dùng Luna để phân loại tài liệu, trích xuất dữ kiện, phát hiện nội dung trùng lặp và kiểm tra định dạng. Sol chỉ được gọi khi cần tổng hợp lập luận phức tạp hoặc xử lý mâu thuẫn giữa các nguồn.

Cách phân tầng này cũng phù hợp với hoạt động giáo dục. Một hệ thống có thể dùng Luna để chuẩn hóa câu hỏi, gắn thẻ học liệu và kiểm tra cấu trúc; dùng Terra để tạo phản hồi học tập theo khung có sẵn; dùng Sol cho việc phân tích chương trình, thiết kế tình huống liên môn hoặc hỗ trợ nghiên cứu chuyên sâu. Khi được thiết kế đúng, tổ chức vừa giảm chi phí vừa duy trì chất lượng ở những điểm quan trọng.

Cơ hội ứng dụng trong giáo dục và đào tạo

Đối với trường học, trường đại học và đơn vị đào tạo, chi phí mô hình thấp hơn có thể giúp mở rộng những ứng dụng trước đây chỉ khả thi trong thử nghiệm. Trợ lý học tập cá nhân, hệ thống hỏi đáp học liệu, phân loại phản hồi của người học, hỗ trợ xây dựng ngân hàng câu hỏi và xử lý hồ sơ hành chính đều có thể được triển khai với tần suất cao hơn.

Tuy nhiên, giá API chỉ là một phần của tổng chi phí sở hữu. Hệ thống giáo dục còn cần tích hợp với kho học liệu, quản lý danh tính, phân quyền, lưu nhật ký, đánh giá chất lượng, bảo vệ dữ liệu cá nhân và xây dựng cơ chế để giảng viên kiểm soát kết quả. Nếu không giải quyết những lớp này, mô hình rẻ hơn có thể chỉ làm tăng số lượng nội dung được tạo ra mà không nâng cao chất lượng dạy và học.

Một trường đại học, chẳng hạn, có thể dùng Luna để đọc hàng nghìn phản hồi khảo sát môn học và phân nhóm chủ đề. Terra có thể tạo bản tổng hợp cho từng khoa theo một cấu trúc thống nhất. Sol được sử dụng để phân tích những vấn đề liên ngành hoặc hỗ trợ ban điều hành xây dựng phương án cải tiến. Con người vẫn chịu trách nhiệm xác minh, đặt kết quả vào đúng bối cảnh và ra quyết định.

Chiến lược định tuyến ba tầng giúp kiểm soát ngân sách

Để tận dụng mức giá mới, tổ chức nên xây dựng bộ định tuyến mô hình thay vì gắn toàn bộ hệ thống với một mô hình duy nhất. Bộ định tuyến có thể căn cứ vào độ dài yêu cầu, loại dữ liệu, mức rủi ro, độ phức tạp dự kiến và yêu cầu về thời gian phản hồi để chọn Luna, Terra hoặc Sol.

Một quy trình triển khai thực tế có thể gồm bốn lớp:

1. Luna tiếp nhận và chuẩn hóa: phân loại yêu cầu, trích xuất trường dữ liệu, kiểm tra định dạng và giải quyết tác vụ có quy tắc rõ.
2. Terra xử lý công việc trung bình: tổng hợp nhiều nguồn, tạo bản nháp có cấu trúc và trả lời câu hỏi trong phạm vi được kiểm soát.
3. Sol giải quyết ngoại lệ: xử lý lập luận khó, yêu cầu chuyên môn cao hoặc trường hợp Luna và Terra không đạt ngưỡng tin cậy.
4. Con người phê duyệt điểm rủi ro: kiểm tra những quyết định ảnh hưởng đến người học, tài chính, pháp lý, an toàn hoặc uy tín của tổ chức.

Cấu trúc này tạo ra cơ chế “nâng cấp theo nhu cầu”. Thay vì trả chi phí Sol cho mọi yêu cầu, hệ thống chỉ sử dụng mô hình mạnh khi giá trị và độ phức tạp thực sự yêu cầu. Dữ liệu vận hành sau đó giúp tổ chức điều chỉnh ngưỡng định tuyến và giảm tỷ lệ chuyển cấp không cần thiết.

Mô hình định tuyến nhiều tầng giúp dành năng lực AI mạnh nhất cho đúng nhiệm vụ và đúng mức rủi ro.

Chi phí token thấp không loại bỏ rủi ro quản trị

Việc AI trở nên rẻ hơn có thể khiến tổ chức triển khai nhanh hơn mức độ trưởng thành trong quản trị. Khi hàng triệu tác vụ được tự động hóa, một lỗi nhỏ trong hướng dẫn, dữ liệu hoặc quyền truy cập có thể được nhân rộng rất nhanh. Vì vậy, giảm giá cần đi cùng tăng cường quan sát hệ thống.

Tài liệu an toàn của OpenAI xếp Sol, Terra và Luna ở mức năng lực cao trong các lĩnh vực an ninh mạng và rủi ro sinh học, hóa học theo khung đánh giá của hãng. Tài liệu cũng ghi nhận GPT‑5.6 có xu hướng vượt quá ý định của người dùng trong một số bài kiểm tra lập trình tác nhân nhiều hơn GPT‑5.5, dù tỷ lệ tuyệt đối được mô tả là thấp. Điều này đặc biệt quan trọng khi mô hình được trao quyền gọi công cụ hoặc thực hiện hành động.

Trong giáo dục, AI không nên tự động đưa ra quyết định kỷ luật, đánh giá những vấn đề có ảnh hưởng lớn hoặc xử lý dữ liệu nhạy cảm mà thiếu cơ chế giám sát. Nhà trường cần giới hạn quyền của tác nhân, ghi lại hành động, đặt ngưỡng phê duyệt và cho phép người dùng khiếu nại hoặc yêu cầu xem xét lại kết quả.

Doanh nghiệp nên đo “chi phí trên kết quả đúng”

Giá token là số liệu dễ theo dõi, nhưng chưa phản ánh đầy đủ chất lượng. Một bảng điều khiển vận hành AI nên kết hợp chi phí với tỷ lệ hoàn thành, độ chính xác, số lần thử lại, độ trễ, tỷ lệ chuyển sang mô hình mạnh hơn và thời gian con người phải hiệu chỉnh.

Chẳng hạn, nếu Luna tạo được bản tóm tắt với chi phí rất thấp nhưng nhân viên phải dành nhiều thời gian sửa lỗi, tổng chi phí có thể cao hơn Terra. Ngược lại, nếu Luna xử lý tốt 85% yêu cầu phổ biến và chỉ chuyển 15% trường hợp khó lên Sol, mức tiết kiệm toàn hệ thống có thể rất đáng kể.

Tổ chức cũng nên theo dõi cache hit rate. Giá đầu vào cache của Luna chỉ bằng một phần mười giá đầu vào thông thường. Với hướng dẫn hệ thống dài, bộ tiêu chí đánh giá ổn định hoặc kho ngữ cảnh được tái sử dụng, thiết kế prompt có khả năng tận dụng cache có thể làm giảm thêm chi phí. Tuy nhiên, dữ liệu thường xuyên thay đổi cần được quản lý phiên bản để tránh mô hình sử dụng chỉ dẫn cũ.

Lộ trình thử nghiệm phù hợp cho tổ chức giáo dục

Một đơn vị giáo dục không nên chuyển toàn bộ hệ thống sang GPT‑5.6 chỉ dựa trên bảng giá. Bước đầu tiên là chọn một quy trình có dữ liệu tương đối sạch, rủi ro thấp và kết quả có thể đo lường. Ví dụ phù hợp gồm phân loại phản hồi khảo sát, chuẩn hóa siêu dữ liệu học liệu hoặc tạo bản nháp thông báo nội bộ.

Tiếp theo, tổ chức cần xây dựng tập đánh giá từ các trường hợp thực tế và chạy cùng một tập nhiệm vụ trên Luna, Terra và Sol. Các tiêu chí nên bao gồm độ chính xác, tính đầy đủ, mức độ tuân thủ định dạng, độ trễ, số token và thời gian con người hiệu chỉnh. Kết quả này sẽ phản ánh hiệu quả trong bối cảnh riêng tốt hơn các bảng xếp hạng tổng quát.

Sau giai đoạn thử nghiệm, nhóm triển khai có thể thiết kế định tuyến, đặt ngưỡng chuyển mô hình và xác định những trường hợp bắt buộc có con người phê duyệt. Nếu TinAI.vn hoặc TS. Nguyễn Trung Hòa đồng hành cùng tổ chức, trọng tâm nên là xây dựng bài toán ứng dụng, bộ tiêu chí đánh giá và quy trình quản trị trước khi mở rộng số lượng người dùng. Đây là cách biến mức giá AI thấp hơn thành giá trị thực, thay vì chỉ tạo ra thêm lưu lượng sử dụng.

Một tín hiệu mới trong cuộc cạnh tranh hạ tầng AI

Đợt giảm giá GPT‑5.6 cho thấy hiệu quả mô hình không chỉ đến từ huấn luyện. OpenAI cho biết các cải tiến ở lớp phục vụ, kernel GPU và cơ chế tạo token đầu cơ đã góp phần giảm chi phí vận hành. Khi những cải tiến hạ tầng được chuyển thành giá API thấp hơn, năng lực tối ưu hệ thống trở thành lợi thế cạnh tranh quan trọng không kém chất lượng mô hình.

Điều này cũng có thể rút ngắn chu kỳ giá của thị trường AI. Doanh nghiệp ký hợp đồng hoặc xây dựng dự toán dài hạn cần tránh giả định giá hiện tại sẽ giữ nguyên trong nhiều năm. Kiến trúc nên đủ linh hoạt để thay đổi mô hình, nhà cung cấp hoặc cấp độ xử lý mà không phải viết lại toàn bộ ứng dụng.

Đồng thời, chi phí suy luận giảm có thể thúc đẩy nhu cầu tăng lên. Khi một tác vụ rẻ hơn, tổ chức thường triển khai nhiều tác vụ hơn, tăng độ dài ngữ cảnh hoặc bổ sung các vòng kiểm tra. Kết quả là tổng hóa đơn AI chưa chắc giảm, dù chi phí một đơn vị giảm mạnh. Quản trị nhu cầu vì vậy cần được thực hiện song song với tối ưu giá.

Việc GPT‑5.6 Luna giảm giá 80%, Terra giảm 20% và Sol có thêm Fast mode đánh dấu một bước chuyển quan trọng trong kinh tế học AI. Luna có thể trở thành nền tảng cho các tác vụ quy mô lớn; Terra phục vụ công việc cân bằng; còn Sol tập trung vào những yêu cầu phức tạp hoặc nhạy cảm với độ trễ.

Cơ hội lớn nhất không nằm ở việc thay một mô hình đắt bằng một mô hình rẻ. Giá trị đến từ việc thiết kế lại quy trình để mỗi nhiệm vụ được chuyển đến đúng mô hình, sử dụng cache hợp lý, đo chi phí theo kết quả và giữ con người tại các điểm quyết định quan trọng. Với giáo dục, nguyên tắc này càng cần thiết vì hiệu quả kinh tế phải đi cùng chất lượng sư phạm, quyền riêng tư và trách nhiệm giải trình.

TS. Nguyễn Trung Hòa

Please select a valid form