El ASIC Jalapeño de OpenAI seguirá siendo interno, pero su desafío a Nvidia apunta más lejos
OpenAI ha limitado su primer chip personalizado de inferencia a despliegues internos, pese a presentar el ASIC OpenAI Jalapeño como capaz de ejecutar modelos más allá de su propia cartera.
Esta distinción define ahora el lugar del chip en el mercado. OpenAI necesita Jalapeño para reducir las presiones de energía y capacidad generadas por ChatGPT, Codex, su API y productos agénticos cada vez más exigentes. Sin embargo, sus benchmarks públicos comparan deliberadamente el chip con los sistemas GB200 y GB300 de Nvidia.
Richard Ho, responsable de hardware de OpenAI, declaró a Tom’s Hardware que dar soporte a OpenAI seguirá siendo la prioridad durante “mucho tiempo”. También afirmó que el procesador podría servir a otras organizaciones y que no estaba codificado específicamente para modelos de OpenAI.
Esto deja a OpenAI en una posición inusual. No está ofreciendo una alternativa a Nvidia para compradores de nube, desarrolladores o laboratorios de IA competidores. Sin embargo, está construyendo y evaluando públicamente algo que se le parece cada vez más.
Por tanto, la verdadera competencia no es OpenAI contra Nvidia en el mercado de chips comerciales. Es la estrategia de OpenAI de priorizar el uso interno frente al potencial más amplio de la plataforma de inferencia programable que ha creado.
El ASIC Jalapeño de OpenAI tiene un primer cliente claro
OpenAI construyó Jalapeño para satisfacer su propia demanda de inferencia, y esa demanda es lo bastante grande como para absorber el suministro inicial.
Jalapeño es un circuito integrado de aplicación específica, o ASIC, diseñado para la inferencia de modelos de lenguaje grandes. La inferencia es el proceso que produce una respuesta después de que un modelo entrenado recibe una solicitud.
OpenAI presentó el procesador junto con Broadcom el 24 de junio de 2026. Las compañías lo describieron como el primer “Intelligence Processor” de OpenAI y el inicio de una plataforma informática multigeneracional.
El anuncio de Jalapeño vinculó directamente el chip con las cargas de trabajo operativas de OpenAI. Estas incluyen ChatGPT, Codex, la API de OpenAI y futuros productos basados en agentes de IA.
OpenAI diseñó la arquitectura, mientras que Broadcom aportó la implementación del silicio y la tecnología de redes. Celestica respalda las placas, racks e integración de sistemas necesarios para convertir un chip en una plataforma informática desplegable.
Esta división del trabajo es importante. OpenAI no se limita a comprar un procesador y adaptar su software después. Está alineando la arquitectura del chip, el movimiento de memoria, las redes, los kernels, la programación y las cargas de trabajo de los productos en torno a los mismos objetivos de inferencia.
El objetivo inmediato es la eficiencia. Ho dijo a Tom’s Hardware que esta era la prioridad central del diseño, especialmente en centros de datos con restricciones de energía.
La infraestructura moderna de IA no puede expandirse simplemente añadiendo procesadores. Los operadores también deben asegurar electricidad, refrigeración, redes, memoria, capacidad de empaquetado y espacio físico en los centros de datos.
Un procesador que completa más trabajo de inferencia útil dentro de un presupuesto energético fijo puede crear capacidad sin esperar a otra instalación. Para OpenAI, esto implica atender más solicitudes con la infraestructura que realmente puede desplegar.
Esto explica por qué un lanzamiento externo no es la prioridad actual. OpenAI ya cuenta con un cliente cautivo con demanda persistente, acceso directo a su pila de software e importantes incentivos para mejorar la utilización.
Ho dijo que la empresa tendrá las “manos llenas” al satisfacer sus propios requisitos. Sus comentarios establecen un orden de operaciones, no una restricción permanente.
Jalapeño se instalará primero donde OpenAI controla los modelos, el software de servicio y las decisiones de infraestructura. Este entorno también ofrece a los ingenieros el ciclo de retroalimentación más corto para identificar cuellos de botella y mejorar las generaciones posteriores.
El despliegue inicial está previsto para finales de 2026. La compañía no ha anunciado una instancia de nube pública, una tarjeta aceleradora, un programa de licencias ni un canal de ventas para clientes externos.
Esto hace de Jalapeño una plataforma interna hoy. No convierte a la arquitectura en inherentemente interna.
OpenAI afirma que las muestras de ingeniería ya han ejecutado cargas de trabajo de aprendizaje automático a su frecuencia y potencia de producción objetivo. La compañía también presentó resultados de modelos desarrollados fuera de OpenAI, lo que complica cualquier interpretación limitada del procesador.
El primer cliente del chip está definido. Los límites de su mercado futuro no lo están.
La eficiencia convierte el silicio interno en un activo estratégico
Jalapeño ofrece a OpenAI otra forma de ampliar la capacidad de inferencia sin depender por completo de las hojas de ruta de aceleradores de propósito general.
OpenAI y Broadcom revelaron por primera vez su alianza de infraestructura más amplia en octubre de 2025. Su acuerdo abarca 10 gigavatios de aceleradores diseñados por OpenAI y sistemas de red asociados.
Según la colaboración de 10 gigavatios, se preveía que los despliegues de racks comenzaran durante la segunda mitad de 2026. La finalización estaba programada para finales de 2029.
Esta escala hace que Jalapeño sea más que un experimento aislado de chips. Está destinado a formar parte de un gran programa de infraestructura que abarca múltiples generaciones de procesadores y socios de centros de datos.
OpenAI afirma que el primer procesador pasó del diseño al tape-out de fabricación en nueve meses. El tape-out es el momento en que un diseño de chip terminado se libera para su fabricación.
El calendario es una afirmación de OpenAI y Broadcom, no un récord de la industria establecido de forma independiente. Aun así, la cronología muestra por qué las hojas de ruta de software y semiconductores empiezan a converger.
OpenAI sabe qué operaciones consumen tiempo y energía en sus productos desplegados. Estas observaciones pueden influir en el hardware antes de la fabricación, en lugar de abordarse enteramente mediante optimización posterior del software.
La arquitectura busca reducir el movimiento de datos y lograr una alineación más estrecha entre los recursos de cómputo, memoria y red. Mover datos del modelo suele consumir una cantidad considerable de energía, por lo que reducir los desplazamientos innecesarios puede mejorar la eficiencia a nivel de sistema.
Este enfoque también refleja cómo la inferencia difiere del entrenamiento. El entrenamiento crea o actualiza los parámetros del modelo, mientras que la inferencia utiliza repetidamente esos parámetros para responder a solicitudes en tiempo real.
Jalapeño no sustituye al hardware de Nvidia en ambas cargas de trabajo. OpenAI lo ha posicionado para la inferencia, dejando el entrenamiento fuera de su función declarada.
Sin embargo, la inferencia cobra mayor importancia a medida que crece el uso. Cada respuesta de ChatGPT, llamada a la API o tarea de Codex de varios pasos añade trabajo recurrente de servicio tras completarse el entrenamiento del modelo.
Los productos agénticos pueden aumentar esa presión. Una sola instrucción de un usuario podría activar muchas llamadas al modelo, acciones de herramientas, comprobaciones y revisiones antes de devolver un resultado terminado.
Para los desarrolladores y compradores empresariales, el efecto importa más que la etiqueta del chip. Una mejor eficiencia de inferencia puede permitir menor latencia, disponibilidad más estable o mejores condiciones económicas cuando la demanda aumenta.
OpenAI no se ha comprometido a trasladar directamente ningún ahorro a los clientes. Tampoco ha publicado suficientes datos operativos para calcular una reducción verificada del coste por solicitud.
El beneficio estratégico sigue siendo visible. Poseer una arquitectura de inferencia proporciona a OpenAI otra palanca cuando la capacidad, la electricidad o los calendarios de los proveedores limitan el crecimiento de los productos.
También ejerce presión sobre Nvidia sin exigir que OpenAI se convierta en un proveedor directo de chips. Cada carga de trabajo trasladada a Jalapeño es una carga de trabajo que no requiere un acelerador de inferencia de Nvidia.
Esta presión tiene límites claros. Nvidia ofrece un entorno de software maduro, sistemas de entrenamiento, redes y aceleradores disponibles en múltiples proveedores de nube.
OpenAI no puede reproducir ese ecosistema simplemente produciendo un ASIC eficiente. No necesita hacerlo para que Jalapeño tenga valor interno.
Un chip interno solo debe superar a las alternativas disponibles en las cargas de trabajo que OpenAI ejecuta con la frecuencia suficiente para justificar los costes de ingeniería y despliegue.
Por eso la eficiencia es la métrica decisiva. El valor de Jalapeño depende menos de ganar todos los benchmarks que de ofrecer tokens útiles dentro de las restricciones de energía, latencia y suministro de OpenAI.
OpenAI Jalapeño frente a Nvidia no es una competencia sencilla
Los benchmarks de OpenAI presentan a Jalapeño como un diseño de inferencia creíble, pero no establecen un sustituto completo de las plataformas de Nvidia.
En Hot Chips 2026, OpenAI comparó Jalapeño con los sistemas de rack GB200 y GB300 de Nvidia utilizando la suite pública de benchmarks InferenceX de SemiAnalysis.
Las pruebas abarcaron el modelo GPT-OSS 120B de OpenAI, DeepSeek R1 670B y Kimi K2.5 de Moonshot AI. La inclusión de modelos externos respaldó la afirmación de OpenAI de que Jalapeño es programable.
Según los resultados publicados, Jalapeño produjo entre 1,5 y 1,9 veces más rendimiento por kilovatio. OpenAI también informó de una latencia de extremo a extremo entre 1,7 y 3,6 veces menor.
Los benchmarks publicados compararon un paquete Jalapeño de 700 vatios con aceleradores Nvidia clasificados en 1.200 y 1.400 vatios.
OpenAI afirmó que la potencia sostenida de Jalapeño se mantuvo en 550 vatios o menos durante las pruebas. Sin embargo, sus cálculos principales normalizaron los resultados utilizando la potencia de diseño térmico publicada de cada procesador.
El chip combina un die de cómputo con seis pilas HBM4. Ofrece 216 GiB de memoria de alto ancho de banda y 15,4 terabytes por segundo de ancho de banda de memoria.
La memoria de alto ancho de banda sitúa la memoria cerca del procesador y suministra datos mucho más rápido que la memoria ordinaria de servidor. Ese ancho de banda es crítico cuando los parámetros de modelos grandes deben permanecer disponibles durante la inferencia.
Según se informa, el diseño de OpenAI se concentra en exponer una mayor parte del ancho de banda disponible a las cargas de trabajo en ejecución. No se limita a añadir ancho de banda de memoria y asumir que las aplicaciones lo usarán de forma eficiente.
Estas especificaciones ayudan a explicar las afirmaciones de eficiencia de Jalapeño. No eliminan varias salvedades importantes.
Primero, OpenAI eligió los modelos, las configuraciones, los puntos de latencia y el marco de comparación. SemiAnalysis participó en la ejecución de las pruebas, pero los resultados siguieron procediendo del laboratorio y el hardware de OpenAI.
Segundo, las comparaciones principales utilizaron clasificaciones de potencia del paquete. Una comparación complementaria de potencia de servicio produjo diferencias más estrechas porque incluía una mayor parte del consumo energético real de cada sistema.
Tercero, Jalapeño y los sistemas de Nvidia no siempre utilizaron técnicas de decodificación idénticas. Los despliegues de Nvidia pueden utilizar predicción de múltiples tokens, que genera varios tokens candidatos durante una pasada de un modelo grande.
Jalapeño utilizó predicción de un solo token en las comparaciones destacadas. Esto hace que los resultados sean informativos, pero impide que los lectores reduzcan toda la competencia a una única proporción de rendimiento.
Cuarto, la plataforma más reciente Vera Rubin de Nvidia no se incluyó. La comparación con GB200 y GB300 demuestra competitividad frente a importantes sistemas Blackwell, no liderazgo sobre todas las generaciones disponibles de Nvidia.
Lo más importante es que Jalapeño no entrena modelos. Los sistemas de Nvidia admiten tanto entrenamiento como inferencia, lo que ofrece a los clientes mayor flexibilidad cuando cambian las cargas de trabajo.
OpenAI también sigue necesitando equipos de Nvidia. Jalapeño es una estrategia de diversificación, no una prueba de que la relación haya terminado.
Por tanto, el encuadre de OpenAI Jalapeño frente a Nvidia requiere precisión. Jalapeño desafía la eficiencia de Nvidia en cargas de trabajo de inferencia seleccionadas bajo las condiciones publicadas por OpenAI.
No iguala el papel total de Nvidia en el mercado, el alcance de su software, la disponibilidad de despliegue ni las capacidades de entrenamiento.
Los benchmarks siguen siendo relevantes porque las comparaciones de ASIC personalizados rara vez se presentan de forma tan directa. Los chips especializados suelen permanecer ocultos tras servicios internos de nube, con escasa evidencia pública sobre su rendimiento competitivo.
En cambio, OpenAI identificó sistemas Nvidia actuales, proporcionó resultados normalizados por consumo energético y ejecutó tres modelos grandes. Esa decisión invitó al mercado a evaluar Jalapeño como algo más que infraestructura cautiva.
La compañía afirma que sus ingenieros adaptaron DeepSeek y Kimi a la muestra de silicio A0 en aproximadamente dos meses. A0 se refiere a la primera revisión fabricada que se devuelve para pruebas.
Ho afirmó que la demostración buscaba rechazar la suposición de que el chip solo admite modelos de OpenAI. Su afirmación más trascendente fue que Jalapeño es programable y de propósito general dentro de su dominio previsto de inferencia.
Esa distinción mantiene abierta la cuestión del mercado externo. Un procesador vinculado a una única pila privada de modelos tendría poca relevancia fuera de su propietario.
Un procesador capaz de ejecutar modelos externos importantes tiene un caso de uso potencial más amplio, aunque OpenAI no haya decidido vender acceso.
La programabilidad deja la puerta abierta, pero el suministro la mantiene estrecha
La flexibilidad de software de Jalapeño respalda un despliegue más amplio, mientras que la capacidad de fabricación y la propia demanda de OpenAI hacen improbable que ocurra pronto.
La evidencia más sólida a favor de un uso más amplio no son las formulaciones especulativas de Ho. Es la combinación de compatibilidad con modelos externos, una hoja de ruta multigeneracional y un despliegue previsto a escala de gigavatios.
OpenAI podría llegar a ofrecer el hardware de varias maneras. Podría ofrecer capacidad de API respaldada por Jalapeño sin permitir que los clientes gestionen directamente el chip.
Podría colaborar con un socio de infraestructura para proporcionar instancias dedicadas. También podría poner generaciones posteriores a disposición mediante operadores seleccionados de centros de datos.
Ninguna de esas vías ha sido anunciada. Tratarlas como planes exageraría lo que OpenAI ha dicho.
La entrevista sobre uso interno establece una postura más moderada. OpenAI considera que otras organizaciones podrían utilizar el procesador, pero sus propias necesidades de capacidad son prioritarias.
El suministro es la restricción más inmediata. Los aceleradores avanzados compiten por capacidad de fabricación, memoria de alto ancho de banda, empaquetado, componentes de red, electricidad y espacio terminado en centros de datos.
Jalapeño no evita esos cuellos de botella porque OpenAI lo haya diseñado. Entra en muchas de las mismas colas de producción que los procesadores de IA competidores.
Sus seis pilas HBM4 son especialmente relevantes. Escalar esa configuración en un despliegue considerable convertiría a OpenAI en un gran consumidor de memoria de alto ancho de banda, un recurso escaso.
El sistema también necesita más que procesadores empaquetados. Broadcom proporciona tecnología de red, mientras que Celestica contribuye con placas, racks e integración de sistemas.
Cada capa debe llegar en la secuencia correcta. La escasez de un componente puede retrasar la capacidad útil incluso cuando el propio acelerador está listo.
OpenAI afirma estar en buena posición respecto a su suministro interno. Esa declaración no demuestra que cuente con capacidad suficiente para atender a clientes externos con garantías de servicio predecibles.
Las ventas externas generarían obligaciones adicionales. Los compradores necesitarían documentación, soporte de software, validación de cargas de trabajo, mantenimiento, programación y acceso estable a generaciones futuras.
Una plataforma comercial exitosa también necesita una confianza que vaya más allá del rendimiento en benchmarks. Los clientes deben creer que el proveedor ofrecerá capacidad predecible y mantendrá la compatibilidad a través de actualizaciones de software.
Actualmente, OpenAI controla ambos lados de esa relación dentro de su propia infraestructura. Puede modificar modelos, kernels y software de programación junto con el chip.
Un cliente externo no compartiría necesariamente la combinación de cargas de trabajo de OpenAI. Diferentes arquitecturas de modelos, formatos de cuantización, longitudes de contexto y objetivos de latencia podrían revelar limitaciones ausentes en las pruebas publicadas.
Ese es el ángulo escéptico central. Ejecutar tres modelos externos demuestra flexibilidad, pero no prueba una eficiencia universal en entornos de inferencia de producción.
La presentación de Hot Chips aportó detalles arquitectónicos significativos. Un despliegue independiente aún ofrecería evidencia más sólida que resultados obtenidos en el laboratorio de OpenAI.
Un lanzamiento más amplio también podría distraer del objetivo interno. Dar soporte a terceros consumiría tiempo de ingeniería mientras OpenAI intenta desplegar su primera generación y preparar sus sucesoras.
La compañía no necesita ingresos comerciales para justificar el proyecto. Menores costes internos de inferencia, mayor capacidad o mejor latencia de respuesta pueden ofrecer retornos suficientes.
Eso hace menos probable un lanzamiento comercial a corto plazo, incluso si el chip rinde bien. OpenAI obtiene flexibilidad estratégica al conservar la opción sin comprometer suministro.
La tensión podría seguir sin resolverse durante varias generaciones. OpenAI puede seguir mejorando Jalapeño internamente mientras hace su superficie de software más portable.
Si finalmente aparece acceso externo, probablemente seguirá a despliegues internos probados en lugar de precederlos.
El impacto más inmediato recae en los proveedores de infraestructura. Broadcom obtiene un papel central en la pila de cómputo de OpenAI, mientras Nvidia se enfrenta a otro cliente que desarrolla silicio especializado.
El programa TPU de Google ofrece el patrón histórico más claro. Google utilizó primero sus Tensor Processing Units internamente y después los expuso a través de Google Cloud, en vez de vender tarjetas aceleradoras convencionales.
Amazon siguió una vía relacionada con Inferentia y Trainium. Esos procesadores refuerzan los servicios de AWS y dan a los clientes acceso a través del entorno de nube de Amazon.
OpenAI carece de un negocio de nube de propósito general equivalente. Esa diferencia hace menos evidente su ruta hacia la disponibilidad externa.
Microsoft y otros socios de centros de datos podrían proporcionar un canal. Aun así, las partes no han explicado si los clientes podrán seleccionar capacidad respaldada por Jalapeño.
Hasta que eso cambie, el procesador seguirá siendo infraestructura para productos de OpenAI, en lugar de una alternativa a Nvidia que se pueda comprar.
Tres señales mostrarán si Jalapeño se extiende más allá de OpenAI
La evidencia de despliegue, la validación de cargas de trabajo más amplias y un modelo de acceso externo determinarán si Jalapeño se convierte en una plataforma o sigue siendo infraestructura privada.
La primera señal es un despliegue de producción verificado antes de finales de 2026. OpenAI ha dicho que la plataforma inicial comenzará a desplegarse antes de que termine el año.
Los lectores deberían buscar confirmación de que Jalapeño está atendiendo tráfico real de ChatGPT, Codex o API. El uso en producción pondría a prueba la fiabilidad, utilización, latencia e integración más allá de los benchmarks controlados.
La divulgación más útil separaría el hardware instalado de la capacidad activa de servicio. Un procesador en un laboratorio o en un rack parcialmente terminado no ofrece la misma evidencia que el tráfico de clientes.
La operación en producción reforzaría el argumento de OpenAI de que su enfoque de pila completa funciona. Un retraso debilitaría el calendario agresivo sugerido por su ciclo de desarrollo de nueve meses.
La segunda señal son pruebas independientes de rendimiento en más modelos y configuraciones de decodificación. Los resultados de OpenAI en Hot Chips establecieron un punto de partida creíble, no un veredicto final.
Una prueba más sólida compararía el consumo total del sistema, precisión equivalente, objetivos de latencia coincidentes y pilas de software actuales. También incluiría Nvidia Vera Rubin cuando haya sistemas comparables disponibles.
Los revisores deberían examinar el rendimiento con contextos largos, tamaños de lote variables, modelos mixture-of-experts y cargas de trabajo agénticas. La eficiencia media puede ocultar resultados débiles en puntos operativos importantes para productos interactivos.
El análisis de Hot Chips muestra por qué importan los detalles del sistema. Jalapeño se presenta como una plataforma de inferencia completa, no simplemente como un procesador independiente.
La validación independiente de toda esa plataforma reforzaría las afirmaciones sobre el uso general. Resultados más limitados respaldarían la opinión de que Jalapeño sigue optimizado principalmente para el perfil de cargas de trabajo de OpenAI.
La tercera señal es un mecanismo concreto de acceso externo. Eso significa más que una declaración de que otras organizaciones podrían usar el chip.
Un movimiento real incluiría un socio de nube identificado, un tipo de instancia, un compromiso de capacidad, un programa para desarrolladores o un entorno de software compatible. También definiría quién opera el hardware y quién presta soporte a los clientes.
Si OpenAI anuncia una vía así, Jalapeño empezará a presionar a Nvidia como una alternativa accesible. Sin una, su impacto competitivo seguirá siendo indirecto.
Ese impacto indirecto todavía puede ser considerable. El silicio personalizado interno reduce la proporción de la futura demanda de inferencia que fluye automáticamente hacia proveedores establecidos.
También da a OpenAI ventaja en las negociaciones de compra. Una alternativa creíble cambia las conversaciones sobre calendarios de entrega, diseño de sistemas y capacidad a largo plazo, incluso cuando Nvidia sigue siendo esencial.
Los desarrolladores no deberían rediseñar aplicaciones en torno a Jalapeño hoy. No hay disponible para ellos una instancia pública, un entorno de programación directo ni un compromiso de despliegue.
En su lugar, deberían observar cambios en el comportamiento de los servicios de OpenAI. Menor latencia, límites de tasa más altos, disponibilidad más estable y nuevas funciones agénticas podrían revelar primero los efectos operativos.
Los compradores empresariales deberían plantearse una pregunta distinta. Necesitan saber si la diversificación de infraestructura de OpenAI mejora la fiabilidad del servicio o introduce otra dependencia inmadura.
El control de OpenAI sobre una mayor parte de la pila puede acelerar la optimización. También puede concentrar decisiones técnicas en un solo proveedor y hacer más difícil comparar el rendimiento con hardware de nube estándar.
Los trabajadores del conocimiento experimentarán el resultado a través de productos, no de especificaciones de procesadores. Las respuestas más rápidas importan, pero el trabajo fiable de varios pasos puede importar más a medida que los sistemas de IA afrontan tareas más largas.
OpenAI Jalapeño, explicado desde esa perspectiva, tiene menos que ver con entrar en el negocio de los semiconductores. Se trata de controlar el coste y la capacidad detrás de cada interacción con un modelo.
Por ahora, la compañía ha trazado un límite operativo firme. Jalapeño servirá primero a OpenAI porque OpenAI espera consumir todo lo que pueda desplegar.
Su posicionamiento público apunta más allá de ese límite. El procesador ejecuta modelos externos, sigue una hoja de ruta multigeneracional y ha sido sometido a benchmarks frente a los sistemas insignia Blackwell de Nvidia.
Esas decisiones preservan una ambición mayor sin exigir un lanzamiento comercial inmediato.
Los próximos tres meses deberían aclarar la distinción. Esté atento al tráfico de producción, la replicación independiente de benchmarks y una vía identificada de acceso externo.
Si aparecen las tres, Jalapeño habrá pasado de infraestructura interna hacia una plataforma de inferencia más amplia. Si solo llega el despliegue, OpenAI seguirá habiendo logrado algo estratégicamente importante.
Habrá creado una fuente especializada de cómputo para sus cargas de trabajo de mayor crecimiento, al tiempo que mantiene a Nvidia en la pila allí donde Nvidia sigue siendo más fuerte.
Esa estrategia mixta es la realidad actual. OpenAI no está reemplazando a Nvidia ni vende Jalapeño al mercado.
Está construyendo suficiente credibilidad técnica y operativa para mantener abiertas ambas posibilidades.
