Ideas clave
1. Los ideales fundacionales de OpenAI cedieron rápidamente ante la búsqueda de poder y lucro.
En los cuatro años siguientes, OpenAI se convirtió en todo aquello que había prometido no ser.
Altruismo inicial. Fundada como una organización sin fines de lucro por figuras como Elon Musk y Sam Altman, OpenAI se comprometió inicialmente a destinar mil millones de dólares para desarrollar una inteligencia artificial general (AGI) en beneficio de la humanidad, enfatizando la apertura, la colaboración e incluso el sacrificio propio si otro proyecto los superaba. El objetivo era evitar que la AGI quedara bajo el control exclusivo de una sola corporación como Google.
Cambio hacia la comercialización. Las presiones financieras y las luchas internas por el poder, especialmente tras la salida de Musk, llevaron a Altman a reestructurar OpenAI como una entidad de “lucro limitado”. Esto le permitió recaudar capital significativo, destacando una inversión de mil millones de dólares por parte de Microsoft, pero alteró radicalmente su rumbo hacia una comercialización agresiva y un secretismo creciente, priorizando ser los primeros en alcanzar la AGI por encima de sus ideales fundacionales.
Erosión de principios. Esta transición marcó un claro alejamiento de la misión original.
- La transparencia fue reemplazada por el secretismo.
- La colaboración cedió paso a una competencia feroz.
- El enfoque cambió de la investigación abierta a la creación de productos lucrativos como ChatGPT, buscando valoraciones millonarias.
Esta transformación evidenció que el proyecto, pese a su noble discurso, también estaba impulsado por el ego y la búsqueda de dominio.
2. La escalada implacable de los modelos de IA se convirtió en la estrategia central de OpenAI, impulsada por una profecía autocumplida.
La Ley de OpenAI, o lo que la empresa luego reemplazó por una búsqueda aún más frenética de las llamadas leyes de escalamiento, es exactamente lo mismo. No es un fenómeno natural. Es una profecía autocumplida.
La hipótesis del escalamiento. Inspirados por la observación de que el rendimiento de la IA mejoraba con el aumento de recursos computacionales (“compute”), especialmente tras el avance de ImageNet en 2012, los líderes de OpenAI, en particular Ilya Sutskever y Greg Brockman, teorizaron que escalar redes neuronales simples a tamaños sin precedentes era el camino más rápido hacia la AGI. Notaron que el uso de cómputo en IA crecía más rápido que la Ley de Moore.
La necesidad de cómputo masivo. Esta hipótesis dictó una demanda insaciable de GPUs y supercomputadoras, muy por encima de los recursos disponibles para una organización sin fines de lucro.
- Entrenar GPT-3 requirió una supercomputadora con 10,000 GPUs.
- Modelos futuros como GPT-4 y más allá necesitarían decenas o cientos de miles.
- El costo estimado para una supercomputadora “Fase 5” podría alcanzar los 100 mil millones de dólares.
Esta creciente necesidad de capital e infraestructura consolidó el cambio hacia un modelo con fines de lucro y la dependencia de socios como Microsoft.
Un imperativo estratégico. El escalamiento se volvió no solo un enfoque técnico, sino una estrategia de negocio.
- Ser el primero o el mejor requería mantenerse a la vanguardia en la curva de escalamiento.
- Quedarse atrás significaba perder influencia sobre el desarrollo de la AGI.
Esta creencia en “la escala por encima de todo” estableció las reglas para la nueva era de la IA, empujando a toda la industria a una carrera intensiva en recursos, sin importar enfoques alternativos o posibles consecuencias negativas.
3. El crecimiento del imperio de la IA se alimenta de la explotación de mano de obra vulnerable a nivel global para la anotación de datos.
Detrás de las promesas de que sus tecnologías mejorarían la productividad, desbloquearían la libertad económica y crearían nuevos empleos para mitigar la automatización, la realidad actual ha sido la contraria.
La fuerza laboral oculta. Entrenar modelos de IA, especialmente los grandes modelos de lenguaje, requiere enormes cantidades de trabajo humano para recolectar, limpiar y anotar datos. Este “trabajo fantasma” suele subcontratarse a trabajadores de bajos salarios en todo el mundo, particularmente en países con dificultades económicas.
Explotación en economías en crisis. Empresas como Scale AI y Sama han aprovechado crisis, como el colapso económico de Venezuela o el impacto de la pandemia en Kenia, para encontrar trabajadores desesperados dispuestos a realizar tareas tediosas y a menudo psicológicamente dañinas por centavos.
- Venezolanos trabajaban por menos de un dólar la hora en plataformas como Remotasks.
- Trabajadores kenianos recibían menos de dos dólares por hora para filtrar contenido tóxico para OpenAI.
Esta dependencia de mano de obra precaria refleja prácticas coloniales históricas de explotación de poblaciones subyugadas para la extracción de recursos.
El costo de los “pantanos de datos”. El cambio hacia entrenar modelos con conjuntos de datos masivos y sin filtrar (“pantanos de datos”) aumentó la necesidad de moderación de contenido y aprendizaje por refuerzo con retroalimentación humana (RLHF). Esto expuso a los trabajadores a contenidos perturbadores, incluyendo material de abuso sexual infantil, causando graves consecuencias en su salud mental, a menudo sin apoyo adecuado ni compensación justa.
4. Construir el imperio de la IA demanda recursos vastos, imponiendo costos ambientales significativos a nivel global.
Si vamos a desarrollar esta tecnología como antes, vamos a devastar la tierra.
Infraestructura física. Los modelos de IA, especialmente los grandes generativos, requieren enormes centros de datos físicos (“hiperescaladores” y “megacampus”) para entrenamiento e inferencia. Estas instalaciones consumen cantidades enormes de energía, tierra, minerales y agua.
Huella ambiental creciente. La demanda de recursos crece exponencialmente con el escalamiento.
- Se proyecta que los centros de datos consuman el 8% de la energía de EE. UU. para 2030.
- La computación de IA a nivel global podría usar más energía que India.
- La demanda de IA podría consumir entre 1.1 y 1.7 billones de galones de agua dulce a nivel mundial para 2027.
Esta intensidad de recursos agrava el cambio climático y presiona los entornos locales, especialmente en regiones con estrés hídrico.
Impacto desproporcionado. La carga ambiental recae fuertemente en comunidades, a menudo en el Sur Global, donde se construyen centros de datos por la tierra, energía y agua baratas. Estas comunidades, ya vulnerables por el extractivismo histórico, enfrentan:
- Fuentes de agua agotadas.
- Demandas energéticas que tensionan las redes locales.
- Contaminación acústica y desplazamiento territorial.
A pesar de las declaraciones corporativas sobre sostenibilidad, la realidad suele ser una continuación del saqueo de recursos para beneficio de gigantes tecnológicos distantes.
5. Los conflictos internos entre seguridad y comercialización se intensificaron a medida que OpenAI aceleró el despliegue.
Para tener éxito, necesitamos que estos tres clanes se unan como una sola tribu —manteniendo las fortalezas de cada clan— trabajando hacia una AGI que beneficie al máximo a la humanidad.
Facciones dentro de OpenAI. Desde sus inicios, OpenAI estuvo marcada por divisiones internas, caricaturizadas como “Investigación Exploratoria” (avanzar capacidades), “Seguridad” (centrada en riesgos) y “Startup” (moverse rápido y construir productos). Estas facciones a menudo chocaban por prioridades y ritmo de desarrollo.
Preocupaciones de seguridad vs. urgencia comercial. El clan de “Seguridad”, especialmente quienes se enfocaban en riesgos catastróficos y existenciales (los “Doomers”), se alarmó cada vez más por la rápida escalada y despliegue de modelos como GPT-3 y DALL-E 2 sin pruebas ni mecanismos de seguridad suficientes. Abogaban por cautela y retrasos.
Las presiones comerciales prevalecieron. La división “Aplicada” y el clan “Startup”, impulsados por la inversión y la necesidad de ingresos, presionaron para lanzamientos más rápidos (“despliegue iterativo”).
- La API de GPT-3 se lanzó pese a las preocupaciones de seguridad.
- DALL-E 2 se presentó como una “vista previa de investigación” para manejar riesgos.
- ChatGPT se apresuró por la competencia percibida.
Estas decisiones a menudo ignoraron objeciones de seguridad, generando tensiones y la salida de investigadores clave que sintieron que sus preocupaciones fueron relegadas por ganancias comerciales.
6. El estilo de liderazgo de Sam Altman —marcado por ambición, negociaciones y supuesta manipulación— impulsó tanto éxitos como conflictos.
“Sam es extremadamente bueno para volverse poderoso.”
Ambición y construcción de redes. Sam Altman se caracteriza por una ambición implacable, talento para negociar y un enfoque estratégico en construir redes poderosas. Aprovechó su posición en Y Combinator y sus relaciones con figuras como Peter Thiel y Reid Hoffman para avanzar su carrera y la posición de OpenAI.
Comportamientos contradictorios. Altman es descrito como carismático y aparentemente afable, pero también propenso a la ansiedad y a decir a diferentes personas lo que quieren oír. Esto generó confusión, desconfianza y conflictos entre colegas y socios, incluyendo:
- Malinterpretar acuerdos con Microsoft.
- Enfrentar a ejecutivos entre sí (por ejemplo, Sutskever y Pachocki).
- Socavar a quienes lo desafiaban.
Estos comportamientos, aunque sutiles individualmente, crearon una sensación generalizada de inestabilidad en los niveles más altos.
Acusaciones de deshonestidad y abuso. Acusaciones más graves, incluyendo las de su hermana Annie Altman y excolegas como Geoffrey Irving, dibujan un historial de supuesta manipulación, deshonestidad y abuso. Aunque Altman y su familia niegan estas afirmaciones, contribuyeron a la percepción de que su conducta personal era profundamente problemática y potencialmente relevante para su liderazgo en una empresa poderosa de IA.
7. La crisis del directorio en 2023 expuso profundas luchas de poder y fallas de gobernanza en la cúspide del desarrollo de IA.
Ilustró con claridad cuánto una lucha de poder entre un pequeño grupo de élites de Silicon Valley está moldeando el futuro de la IA.
Las preocupaciones del directorio. El consejo sin fines de lucro de OpenAI, encargado de priorizar la misión sobre el lucro, se preocupó cada vez más por el estilo de liderazgo de Sam Altman, su aparente falta de franqueza y comportamientos que parecían socavar la supervisión del consejo y la cultura de seguridad de la empresa. Retroalimentación de ejecutivos senior como Ilya Sutskever y Mira Murati consolidó estas inquietudes.
El despido y sus consecuencias. La decisión del consejo de despedir a Altman desató un caótico período de cinco días.
- Empleados amenazaron con renuncias masivas.
- Inversionistas presionaron para reinstalar a Altman.
- Microsoft apoyó públicamente a Altman y ofreció empleos a personal que se iba.
La rápida y abrumadora reacción evidenció el error del consejo al subestimar la influencia de Altman y la profunda lealtad que tenía entre empleados y actores clave.
Falla de gobernanza. La crisis reveló la fragilidad de la estructura única de gobernanza de OpenAI. El consejo sin fines de lucro, pese a su mandato, cedió ante presiones de intereses económicos y la amenaza de colapso de la empresa. El evento subrayó que decisiones críticas sobre una tecnología con implicaciones globales se tomaron a puertas cerradas por un pequeño grupo, con transparencia limitada incluso para los empleados.
8. OpenAI moldea activamente la política de IA para favorecer a incumbentes y modelos de frontera, a menudo desestimando daños presentes.
El equipo de preparación de Altman lo consideró un éxito rotundo.
Campaña de influencia política. Tras el éxito de ChatGPT, Sam Altman y OpenAI lanzaron un agresivo esfuerzo global de lobby, reuniéndose con legisladores en todo el mundo para moldear la regulación de la IA. El testimonio de Altman ante el Congreso fue un momento clave, posicionando a OpenAI como un líder responsable que aboga por salvaguardas necesarias.
Enfoque en riesgos “de frontera”. Las propuestas políticas de OpenAI, replicadas por el “Foro de Modelos de Frontera” (que incluye a Google y Anthropic), enfatizan regular riesgos futuros y potencialmente catastróficos de modelos de IA altamente capaces (“de frontera”). Esto desvía la atención de regular los daños inmediatos y documentados de sistemas de IA existentes, como:
- Desplazamiento y explotación laboral.
- Costos ambientales.
- Sesgos y discriminación.
- Infracciones de derechos de autor y privacidad de datos.
Umbrales de cómputo y controles de exportación. Propuestas clave, como usar umbrales de cómputo (por ejemplo, 10^26 FLOPs) para identificar modelos “de frontera” y restringir su exportación (potencialmente prohibiendo pesos de modelos de código abierto), se alinean con la estrategia de escalamiento y los intereses competitivos de OpenAI. Estas medidas corren el riesgo de consolidar el dominio de empresas con recursos computacionales masivos, mientras dificultan la investigación y desarrollo independientes.
9. La metáfora del “imperio de la IA” revela paralelos inquietantes con el colonialismo y extractivismo históricos.
A lo largo de los años, solo he encontrado una metáfora que encapsula la naturaleza de estos actores poderosos de la IA: imperios.
Extracción de recursos. Como los imperios históricos, las empresas de IA capturan y extraen recursos valiosos:
- El trabajo de artistas, escritores y usuarios en línea (datos).
- La mano de obra de trabajadores mal remunerados globalmente (anotación de datos, moderación de contenido).
- Tierra, energía, agua y minerales para centros de datos y hardware.
Esta extracción ocurre a menudo sin consentimiento, compensación justa ni consideración por las comunidades y entornos locales.
Justificación mediante narrativa. La búsqueda de la AGI y la promesa de un futuro mejor (“modernidad”, “progreso”, “abundancia”) sirven como un poderoso relato para legitimar esta extracción y explotación. Esto refleja cómo los imperios históricos usaban conceptos como “misiones civilizadoras” para justificar sus acciones.
Concentración de riqueza y poder. Los beneficios de este sistema se acumulan desproporcionadamente en una pequeña élite de Silicon Valley y corporaciones aliadas, mientras los costos los soportan poblaciones vulnerables a nivel global. La implacable carrera por superar rivales en la “carrera de la IA” alimenta aún más esta dinámica extractiva, consolidando poder y riqueza en la cima.
10. Visiones alternativas para el desarrollo de la IA ofrecen un camino hacia una tecnología descentralizada, ética y comunitaria.
La inteligencia artificial no tiene que ser lo que es hoy.
Resistencia al paradigma dominante. Comunidades y organizaciones en todo el mundo desafían el modelo prevalente de desarrollo de IA, que es centralizado, intensivo en recursos y extractivo. Sostienen que la IA puede desarrollarse de manera diferente, priorizando el bienestar humano y la sostenibilidad ambiental.
Ejemplos de enfoques alternativos:
- IA impulsada por la comunidad: Proyectos como Te Hiku Media en Nueva Zelanda desarrollan IA (por ejemplo, reconocimiento de voz) basándose en el consentimiento comunitario, la reciprocidad y la soberanía de datos, usando modelos pequeños y específicos para tareas.
- Institutos de investigación ética: Organizaciones como DAIR (Instituto de Investigación en IA Distribuida) realizan investigaciones centradas en comunidades afectadas, cuestionando sistemas existentes y compensando justamente el trabajo.
- Movimientos activistas: Grupos como MOSACAT en Chile luchan contra los impactos ambientales de los centros de datos, abogando por el control local de recursos y visualizando infraestructuras de IA integradas con la restauración ecológica.
Redistribución del poder. Estos esfuerzos buscan desplazar el poder de los imperios centralizados de IA mediante:
- Promover la producción independiente de conocimiento e investigación.
- Exigir transparencia sobre datos, modelos y cadenas de suministro.
- Abogar por protecciones laborales y ambientales más fuertes.
- Construir poder colectivo a través de la solidaridad y organización transfronteriza.
Esta visión aspira a moldear el desarrollo de la IA hacia un futuro más democrático, equitativo y sostenible.
Resumen de reseñas
Empire of AI ha recibido críticas encontradas, con elogios por su labor periodística de investigación sobre OpenAI y Sam Altman, pero también reproches por un sesgo percibido y la falta de profundidad técnica. Algunos lectores valoran la revelación de los impactos ambientales y laborales de la inteligencia artificial, mientras que otros consideran que el libro es excesivamente crítico y está cargado de una ideología marcada. La estructura narrativa y el énfasis en detalles personales son puntos que generan debate. En conjunto, los lectores aprecian las perspectivas sobre la evolución de OpenAI y las prácticas de la industria de la IA, aunque las opiniones difieren respecto al enfoque y las conclusiones del libro.
Preguntas frecuentes
What is Empire of AI: Dreams and Nightmares in Sam Altman's OpenAI by Karen Hao about?
- In-depth OpenAI profile: The book offers a comprehensive look at OpenAI’s rise, internal power struggles, and the broader implications of its work on artificial intelligence.
- Focus on power and governance: It examines how a small group of tech elites, led by Sam Altman, shape the future of AI, highlighting the tension between idealistic missions and commercial pressures.
- Societal and global impact: Karen Hao explores AI’s effects on labor, the environment, and the concentration of wealth and influence, framing AI development as a new form of empire-building.
- Insider access: The narrative is based on over 300 interviews and extensive documentation, providing rare behind-the-scenes insights into OpenAI and the global AI industry.
Why should I read Empire of AI by Karen Hao?
- Reveals hidden complexities: The book uncovers the human, ethical, and political struggles behind AI’s development, challenging simplistic narratives of technological progress.
- Societal and ethical context: Readers gain awareness of the real-world costs of AI, including labor exploitation, environmental harm, and the marginalization of vulnerable communities.
- Nuanced leadership portrait: It provides a balanced, detailed view of Sam Altman and OpenAI’s internal politics, showing how personalities and corporate culture shape AI’s trajectory.
- Alternative perspectives: The book introduces community-driven AI projects and movements, offering hope for more ethical and inclusive AI futures.
What are the key takeaways from Empire of AI by Karen Hao?
- AI is political: Progress in AI is driven by the ambitions and conflicts of a few powerful individuals and corporations, not just scientific merit.
- Scaling and its costs: OpenAI’s doctrine of scaling compute and data to achieve AGI fuels a costly, competitive race with significant social and environmental consequences.
- Concentration of benefits and harms: The rewards of AI are concentrated among elites, while workers and marginalized groups bear the burdens.
- Transparency and governance challenges: OpenAI’s shift from openness to secrecy illustrates the difficulties of responsible AI governance in a high-stakes environment.
- Possibility of alternatives: The book argues for diverse AI approaches and stronger policies to democratize AI’s benefits and mitigate its harms.
Who is Sam Altman and how is he portrayed in Empire of AI by Karen Hao?
- Central figure and CEO: Sam Altman is the CEO and cofounder of OpenAI, depicted as a charismatic, ambitious, and sometimes controversial leader.
- Complex personality: The book explores Altman’s background, personal traits, and leadership style, highlighting his ambition, sensitivity, and tendency toward secrecy and manipulation.
- Power struggles: Altman’s decisions, including his brief ouster and reinstatement, exemplify the intense internal conflicts and governance challenges at OpenAI.
- Public image vs. reality: While Altman carefully curates his public persona, the book reveals the anxieties and contradictions beneath his leadership.
What is OpenAI’s mission and how has it evolved according to Empire of AI?
- Original nonprofit mission: OpenAI was founded to develop artificial general intelligence (AGI) for the benefit of all humanity, emphasizing openness and collaboration.
- Shift to for-profit model: Financial pressures led to the creation of a capped-profit partnership, allowing OpenAI to raise billions while still claiming to prioritize its mission.
- Erosion of ideals: Over time, commitments to transparency and altruism gave way to secrecy, commercialization, and competitive urgency.
- Mission as justification: The mission is often invoked to rationalize rapid scaling and secrecy, with the belief that being first is essential to ensuring beneficial AI outcomes.
What is artificial general intelligence (AGI) and how is it portrayed in Empire of AI by Karen Hao?
- Definition of AGI: AGI refers to highly autonomous AI systems that outperform humans at most economically valuable work, representing the theoretical pinnacle of AI research.
- Uncertain and aspirational goal: The book emphasizes that AGI is an amorphous, largely unknowable target, with no clear markers for success or timeline.
- Scaling hypothesis: OpenAI’s leadership, especially Ilya Sutskever, believes AGI will emerge primarily through scaling simple neural networks with massive compute and data.
- Rhetorical tool: AGI serves as a powerful narrative to justify OpenAI’s aggressive resource consumption and secrecy, even as current AI systems fall short of true general intelligence.
What are the “scaling laws” and “OpenAI’s Law” described in Empire of AI by Karen Hao?
- OpenAI’s Law: This term describes the rapid doubling of compute used in AI breakthroughs, far outpacing Moore’s Law and requiring massive computational resources.
- Scaling laws: These are empirical relationships showing how AI model performance improves predictably with increases in training data, compute, and model size.
- Strategic importance: Scaling laws underpin OpenAI’s focus on building ever-larger models like GPT-3 and GPT-4, driving its resource-intensive approach.
- Consequences: The pursuit of scaling leads to enormous financial, environmental, and social costs, and creates a high-stakes race that shapes the entire AI industry.
How does Empire of AI by Karen Hao describe the role of human labor and data annotation in AI development?
- Foundational human labor: The book reveals that AI models rely heavily on low-paid annotators, often in the Global South, who label data and moderate content under harsh conditions.
- Exploitation and precarity: Workers face unstable pay, psychological harm, and limited protections, with companies exploiting crises in countries like Kenya and Venezuela to source cheap labor.
- Invisible but essential: Despite their critical role in AI’s success, these workers remain largely invisible and unsupported, highlighting a hidden supply chain.
- Calls for reform: The book discusses organizing efforts and research initiatives advocating for fair pay and labor rights in the AI industry.
What environmental and resource impacts of AI are highlighted in Empire of AI by Karen Hao?
- Massive energy consumption: Training and running large AI models require enormous computing power, leading to significant carbon emissions and energy use.
- Water and land use: Data centers consume vast amounts of water for cooling and occupy large land areas, often in vulnerable or marginalized communities.
- Extractivism and local harm: Mining for resources like lithium and copper, especially in places like Chile’s Atacama Desert, disrupts ecosystems and displaces Indigenous communities.
- Corporate greenwashing: Tech companies often downplay environmental harms, promoting efficiency narratives while lacking transparency about AI’s true carbon footprint.
What were the key events and lessons from the OpenAI board crisis in Empire of AI by Karen Hao?
- Altman’s firing and reinstatement: In November 2023, OpenAI’s board abruptly fired CEO Sam Altman, citing concerns about his leadership and honesty, but reinstated him after employee and investor backlash.
- Internal divisions: The crisis exposed deep fractures within OpenAI’s leadership, including conflicts among Altman, Greg Brockman, Ilya Sutskever, and Mira Murati.
- Governance failures: The board struggled with oversight, lacked independent legal support, and faced challenges in holding Altman accountable.
- Aftermath: The episode led to resignations, loss of trust, and highlighted the precarious balance of power in governing a powerful AI company.
How does Empire of AI by Karen Hao address AI safety and the ideological divide within OpenAI?
- Safety vs. speed: The book describes a factional split between those prioritizing AI safety (“Doomers”) and those pushing for rapid deployment and commercialization (“Boomers”).
- Superalignment and preparedness: OpenAI launched initiatives like Superalignment and the Preparedness Framework to evaluate and mitigate dangerous AI capabilities, but these were often rushed or deprioritized.
- Internal conflict: Safety advocates clashed with leadership, leading to departures of key researchers and raising concerns about the company’s commitment to responsible AI.
- Broader implications: The book underscores the need for independent oversight, transparency, and whistleblower protections to ensure AI safety.
What is reinforcement learning from human feedback (RLHF) and how is it explained in Empire of AI by Karen Hao?
- Definition and purpose: RLHF is a technique where human contractors provide examples and rank AI outputs to teach models to produce more helpful, truthful, and harmless responses.
- Process details: Workers write ideal answers to prompts and rank multiple AI-generated responses, allowing the model to learn from this feedback and adjust its outputs.
- Impact on AI models: RLHF was central to developing InstructGPT, ChatGPT, and GPT-4’s chat capabilities, improving usability and safety.
- Limitations: Despite its benefits, RLHF cannot fully eliminate errors or hallucinations, as neural networks inherently produce probabilistic outputs.
What are some of the best quotes from Empire of AI by Karen Hao and what do they mean?
- On explaining AI: Joseph Weizenbaum’s quote, “It is said that to explain is to explain away... its magic crumbles away,” highlights the tension between AI’s perceived intelligence and its mechanistic reality.
- On success and vision: Sam Altman’s statement, “Successful people create companies. More successful people create countries. The most successful people create religions,” reflects his view of tech founders as visionaries shaping belief systems.
- On OpenAI’s mission: Altman wrote, “Building AGI that benefits humanity is perhaps the most important project in the world... We must put the mission ahead of any individual preferences,” underscoring the company’s framing of its work as a historic, collective endeavor.
- On AI’s future: Altman predicted,
