L’ASIC Jalapeño d’OpenAI reste interne, mais son défi à Nvidia ouvre d’autres perspectives

OpenAI a réservé sa première puce d’inférence sur mesure à des déploiements internes, bien qu’il présente l’ASIC OpenAI Jalapeño comme capable d’exécuter des modèles au-delà de son propre portefeuille.

Cette distinction définit désormais la place de la puce sur le marché. OpenAI a besoin de Jalapeño pour réduire les contraintes d’alimentation électrique et de capacité créées par ChatGPT, Codex, son API et des produits agentiques toujours plus exigeants. Pourtant, ses benchmarks publics placent délibérément la puce aux côtés des systèmes GB200 et GB300 de Nvidia.

Richard Ho, responsable du matériel chez OpenAI, a déclaré à Tom’s Hardware que servir OpenAI resterait la priorité pendant « encore très longtemps ». Il a également indiqué que le processeur pourrait servir d’autres organisations et qu’il n’était pas codé en dur pour les modèles OpenAI.

OpenAI se retrouve ainsi dans une position inhabituelle. L’entreprise ne propose pas d’alternative à Nvidia aux acheteurs de cloud, aux développeurs ou aux laboratoires d’IA concurrents. Elle construit toutefois, et mesure publiquement, une solution qui lui ressemble de plus en plus.

La véritable compétition n’oppose donc pas OpenAI à Nvidia sur le marché des puces commercialisées à des tiers. Elle oppose la stratégie d’OpenAI privilégiant l’usage interne au potentiel plus vaste de la plateforme d’inférence programmable qu’elle a créée.

L’ASIC OpenAI Jalapeño a un premier client clairement identifié

OpenAI a conçu Jalapeño pour répondre à sa propre demande d’inférence, et cette demande est suffisamment importante pour absorber l’approvisionnement initial.

Jalapeño est un circuit intégré spécifique à une application, ou ASIC, conçu autour de l’inférence de grands modèles de langage. L’inférence est le processus qui produit une réponse après qu’un modèle entraîné a reçu une requête.

OpenAI a dévoilé le processeur avec Broadcom le 24 juin 2026. Les entreprises l’ont présenté comme le premier « Intelligence Processor » d’OpenAI et le début d’une plateforme de calcul à plusieurs générations.

L’annonce de Jalapeño reliait directement la puce aux charges de travail opérationnelles d’OpenAI. Celles-ci incluent ChatGPT, Codex, l’API OpenAI et de futurs produits fondés sur des agents d’IA.

OpenAI a conçu l’architecture, tandis que Broadcom a apporté l’implémentation du silicium et la technologie réseau. Celestica prend en charge les cartes, les racks et l’intégration système nécessaires pour faire passer une puce à une plateforme de calcul déployable.

Cette répartition des rôles est importante. OpenAI ne se contente pas d’acheter un processeur avant d’adapter son logiciel. L’entreprise aligne l’architecture de la puce, les mouvements de mémoire, le réseau, les noyaux, l’ordonnancement et les charges de travail produits sur les mêmes objectifs d’inférence.

L’objectif immédiat est l’efficacité. Ho a déclaré à Tom’s Hardware qu’il s’agissait de la priorité centrale de conception, en particulier dans les centres de données soumis à des contraintes d’alimentation.

L’infrastructure d’IA moderne ne peut pas s’étendre en ajoutant uniquement des processeurs. Les opérateurs doivent aussi obtenir de l’électricité, du refroidissement, des capacités réseau, de la mémoire, des capacités de packaging et de l’espace physique dans les centres de données.

Un processeur qui accomplit davantage de travail d’inférence utile dans une enveloppe énergétique fixe peut créer de la capacité sans attendre une nouvelle installation. Pour OpenAI, cela signifie servir davantage de requêtes à partir de l’infrastructure qu’elle peut réellement déployer.

Cela explique pourquoi un lancement externe n’est pas la priorité actuelle. OpenAI dispose déjà d’un client captif affichant une demande persistante, un accès direct à sa pile logicielle et de fortes incitations à améliorer l’utilisation des ressources.

Ho a déclaré que l’entreprise aurait « fort à faire » pour répondre à ses propres besoins. Ses commentaires établissent un ordre des opérations plutôt qu’une restriction permanente.

Jalapeño sera d’abord installé là où OpenAI contrôle les modèles, les logiciels de service et les décisions d’infrastructure. Cet environnement donne également aux ingénieurs la boucle de rétroaction la plus courte pour identifier les goulets d’étranglement et améliorer les générations ultérieures.

Le déploiement initial est prévu pour la fin de 2026. L’entreprise n’a pas annoncé d’instance de cloud public, de carte accélératrice, de programme de licences ou de canal de vente pour des clients externes.

Jalapeño constitue donc aujourd’hui une plateforme interne. Cela ne rend pas son architecture intrinsèquement interne.

OpenAI indique que des échantillons d’ingénierie ont déjà exécuté des charges de travail de machine learning à leur fréquence et à leur puissance de production cibles. L’entreprise a également présenté des résultats obtenus avec des modèles développés hors d’OpenAI, ce qui complique toute interprétation étroite du processeur.

Le premier client de la puce est établi. Les frontières de son marché futur ne le sont pas.

L’efficacité transforme le silicium interne en actif stratégique

Jalapeño offre à OpenAI un autre moyen d’étendre sa capacité d’inférence sans dépendre entièrement des feuilles de route des accélérateurs généralistes.

OpenAI et Broadcom ont d’abord révélé leur partenariat d’infrastructure plus vaste en octobre 2025. Leur accord couvre 10 gigawatts d’accélérateurs conçus par OpenAI et de systèmes réseau associés.

Dans le cadre de la collaboration de 10 gigawatts, le début des déploiements en racks était visé au cours du second semestre 2026. Leur achèvement était prévu d’ici la fin de 2029.

Cette ampleur fait de Jalapeño bien plus qu’une expérience isolée sur une puce. Il doit devenir un élément d’un vaste programme d’infrastructure couvrant plusieurs générations de processeurs et partenaires de centres de données.

OpenAI affirme que le premier processeur est passé de la conception au tape-out de fabrication en neuf mois. Le tape-out correspond au moment où une conception de puce achevée est transmise pour fabrication.

Ce calendrier est une affirmation d’OpenAI et de Broadcom, et non un record industriel établi de manière indépendante. Il montre néanmoins pourquoi les feuilles de route logicielles et des semi-conducteurs commencent à converger.

OpenAI sait quelles opérations consomment du temps et de l’énergie dans l’ensemble de ses produits déployés. Ces observations peuvent influencer le matériel avant la fabrication, plutôt que d’être traitées entièrement par une optimisation logicielle ultérieure.

L’architecture vise à réduire les mouvements de données et à mieux aligner les ressources de calcul, de mémoire et de réseau. Le déplacement des données de modèles consomme souvent beaucoup d’énergie ; réduire les mouvements inutiles peut donc améliorer l’efficacité au niveau du système.

Cette orientation reflète aussi les différences entre l’inférence et l’entraînement. L’entraînement crée ou met à jour les paramètres du modèle, tandis que l’inférence réutilise ces paramètres pour répondre de façon répétée à des requêtes en direct.

Jalapeño ne remplace pas le matériel Nvidia pour ces deux charges de travail. OpenAI le positionne pour l’inférence, laissant l’entraînement hors de son rôle déclaré.

Toutefois, l’inférence gagne en importance à mesure que l’usage progresse. Chaque réponse de ChatGPT, appel d’API ou tâche Codex en plusieurs étapes ajoute un travail de service récurrent après la fin de l’entraînement du modèle.

Les produits agentiques peuvent accroître cette pression. Une seule instruction utilisateur peut déclencher de nombreux appels de modèle, actions d’outils, vérifications et révisions avant de renvoyer un résultat finalisé.

Pour les développeurs et les acheteurs d’entreprise, l’effet importe davantage que l’étiquette de la puce. Une meilleure efficacité d’inférence peut soutenir une latence plus faible, une disponibilité plus stable ou une meilleure économie lorsque la demande augmente brusquement.

OpenAI ne s’est pas engagé à répercuter directement les éventuelles économies sur les clients. L’entreprise n’a pas non plus publié suffisamment de données opérationnelles pour calculer une réduction vérifiée du coût par requête.

L’avantage stratégique reste visible. Posséder une architecture d’inférence donne à OpenAI un levier supplémentaire lorsque la capacité, l’électricité ou les calendriers des fournisseurs limitent la croissance de ses produits.

Cela exerce aussi une pression sur Nvidia sans obliger OpenAI à devenir un fournisseur direct de puces. Chaque charge de travail transférée vers Jalapeño est une charge qui ne requiert pas d’accélérateur d’inférence Nvidia.

Cette pression a des limites claires. Nvidia fournit un environnement logiciel mature, des systèmes d’entraînement, du réseau et des accélérateurs disponibles chez plusieurs fournisseurs de cloud.

OpenAI ne peut pas reproduire cet écosystème simplement en produisant un ASIC efficace. L’entreprise n’a pas besoin de le faire pour que Jalapeño acquière de la valeur en interne.

Une puce interne doit seulement surpasser les alternatives disponibles sur les charges de travail qu’OpenAI exécute assez fréquemment pour justifier les coûts d’ingénierie et de déploiement.

C’est pourquoi l’efficacité est la métrique décisive. La valeur de Jalapeño dépend moins de sa capacité à remporter chaque benchmark que de sa capacité à fournir des tokens utiles dans les contraintes d’OpenAI en matière de puissance, de latence et d’approvisionnement.

OpenAI Jalapeño face à Nvidia : une compétition loin d’être simple

Les benchmarks d’OpenAI établissent Jalapeño comme une conception d’inférence crédible, mais ils ne démontrent pas qu’il remplace entièrement les plateformes de Nvidia.

Lors de Hot Chips 2026, OpenAI a comparé Jalapeño aux systèmes en racks Nvidia GB200 et GB300 à l’aide de la suite publique de benchmarks InferenceX de SemiAnalysis.

Les tests couvraient le modèle GPT-OSS 120B d’OpenAI, DeepSeek R1 670B et Kimi K2.5 de Moonshot AI. L’inclusion de modèles externes soutenait l’affirmation d’OpenAI selon laquelle Jalapeño est programmable.

Selon les résultats publiés, Jalapeño a produit entre 1,5 et 1,9 fois plus de débit par kilowatt. OpenAI a également signalé une latence de bout en bout de 1,7 à 3,6 fois inférieure.

Les benchmarks publiés comparaient un package Jalapeño de 700 watts à des accélérateurs Nvidia évalués à 1 200 et 1 400 watts.

OpenAI a déclaré que la puissance soutenue de Jalapeño est restée égale ou inférieure à 550 watts lors des tests. Ses principaux calculs ont néanmoins normalisé les résultats en utilisant la puissance thermique nominale publiée de chaque processeur.

La puce associe un die de calcul à six piles HBM4. Elle offre 216 GiB de mémoire à haute bande passante et 15,4 téraoctets par seconde de bande passante mémoire.

La mémoire à haute bande passante place la mémoire près du processeur et fournit des données bien plus rapidement que la mémoire de serveur ordinaire. Cette bande passante est essentielle lorsque les paramètres de grands modèles doivent rester disponibles pendant l’inférence.

La conception d’OpenAI se concentre, selon les informations disponibles, sur l’exposition d’une plus grande part de la bande passante disponible aux charges de travail en cours. Elle ne se contente pas d’ajouter de la bande passante mémoire en supposant que les applications l’utiliseront efficacement.

Ces spécifications contribuent à expliquer les affirmations d’efficacité de Jalapeño. Elles n’éliminent pas plusieurs réserves importantes.

Premièrement, OpenAI a choisi les modèles, les configurations, les points de latence et le cadre de comparaison. SemiAnalysis a participé à l’exécution des tests, mais les résultats provenaient toujours du laboratoire et du matériel d’OpenAI.

Deuxièmement, les principales comparaisons ont utilisé les puissances nominales des packages. Une comparaison complémentaire de la puissance au niveau de l’installation a produit des écarts plus réduits, car elle incluait une plus grande part de la consommation énergétique réelle de chaque système.

Troisièmement, Jalapeño et les systèmes Nvidia n’ont pas toujours utilisé des techniques de décodage identiques. Les déploiements Nvidia peuvent utiliser la prédiction multi-token, qui génère plusieurs tokens candidats lors d’un passage d’un grand modèle.

Jalapeño a utilisé la prédiction à token unique dans les comparaisons mises en avant. Cela rend les résultats instructifs, mais empêche les lecteurs de réduire l’ensemble de la compétition à un seul ratio de performance.

Quatrièmement, la nouvelle plateforme Vera Rubin de Nvidia n’était pas incluse. Les benchmarks face aux GB200 et GB300 montrent une compétitivité par rapport à d’importants systèmes Blackwell, et non une position de leader face à toutes les générations Nvidia disponibles.

Plus important encore, Jalapeño n’entraîne pas les modèles. Les systèmes Nvidia prennent en charge à la fois l’entraînement et l’inférence, offrant aux clients une plus grande flexibilité lorsque les charges de travail évoluent.

OpenAI continue également d’avoir besoin d’équipements Nvidia. Jalapeño est une stratégie de diversification, et non la preuve que cette relation a pris fin.

Le cadrage OpenAI Jalapeño face à Nvidia exige donc de la précision. Jalapeño défie l’efficacité de Nvidia sur certaines charges de travail d’inférence, dans les conditions publiées par OpenAI.

Il n’égale pas le rôle global de Nvidia sur le marché, sa portée logicielle, sa disponibilité de déploiement ou ses capacités d’entraînement.

Les benchmarks restent importants, car les comparaisons avec des ASIC personnalisés sont rarement aussi directes. Les puces spécialisées restent souvent dissimulées derrière des services cloud internes, avec peu d’éléments publics permettant d’évaluer leurs performances face à la concurrence.

OpenAI a au contraire cité les systèmes Nvidia actuels, fourni des résultats normalisés selon la consommation électrique et testé trois grands modèles. Cette décision a invité le marché à considérer Jalapeño comme davantage qu’une infrastructure captive.

L’entreprise affirme que ses ingénieurs ont porté DeepSeek et Kimi sur l’échantillon de silicium A0 en environ deux mois. A0 désigne la première révision fabriquée, renvoyée pour les tests.

Ho a déclaré que la démonstration visait à réfuter l’hypothèse selon laquelle la puce ne prendrait en charge que les modèles d’OpenAI. Son affirmation la plus importante était que Jalapeño est programmable et polyvalent dans son domaine d’inférence prévu.

Cette distinction maintient ouverte la question du marché externe. Un processeur lié à une seule pile de modèles privée aurait peu de pertinence au-delà de son propriétaire.

Un processeur capable d’exécuter d’importants modèles externes bénéficie d’un cas d’usage adressable plus vaste, même si OpenAI n’a pas choisi d’en vendre l’accès.

La programmabilité laisse la porte ouverte, mais l’offre reste limitée

La flexibilité logicielle de Jalapeño soutient un déploiement plus large, tandis que la capacité de production et la propre demande d’OpenAI plaident contre une arrivée prochaine.

L’élément le plus solide en faveur d’un usage élargi n’est pas la formulation spéculative de Ho. C’est l’association entre la prise en charge de modèles externes, une feuille de route sur plusieurs générations et un déploiement prévu à l’échelle du gigawatt.

OpenAI pourrait à terme proposer le matériel de plusieurs façons. L’entreprise pourrait offrir une capacité API soutenue par Jalapeño sans permettre aux clients de gérer directement la puce.

Elle pourrait collaborer avec un partenaire d’infrastructure pour fournir des instances dédiées. Elle pourrait aussi rendre les générations ultérieures disponibles via certains opérateurs de centres de données sélectionnés.

Aucune de ces voies n’a été annoncée. Les présenter comme des projets confirmerait plus que ce qu’OpenAI a déclaré.

L’interview sur l’usage interne établit une position plus mesurée. OpenAI estime que d’autres organisations pourraient utiliser le processeur, mais ses propres besoins en capacité passent avant tout.

L’offre constitue la contrainte la plus immédiate. Les accélérateurs avancés se disputent la capacité de fabrication, la mémoire à large bande passante, l’encapsulage, les composants réseau, l’électricité et l’espace disponible dans les centres de données.

Jalapeño n’échappe pas à ces goulets d’étranglement parce qu’OpenAI l’a conçu. Il rejoint bon nombre des mêmes files de production que les processeurs d’IA concurrents.

Ses six piles HBM4 sont particulièrement pertinentes. Étendre cette configuration à un déploiement conséquent ferait d’OpenAI un grand consommateur de mémoire à large bande passante, une ressource rare.

Le système requiert aussi davantage que des processeurs encapsulés. Broadcom fournit des technologies réseau, tandis que Celestica contribue les cartes, les racks et l’intégration système.

Chaque couche doit arriver dans le bon ordre. Une pénurie d’un composant peut retarder une capacité utile, même lorsque l’accélérateur lui-même est prêt.

OpenAI affirme être bien positionné en matière d’approvisionnement interne. Cette déclaration ne prouve pas qu’elle dispose d’une capacité suffisante pour servir des clients externes avec des garanties de service prévisibles.

Les ventes externes créeraient des obligations supplémentaires. Les acheteurs auraient besoin de documentation, de support logiciel, de qualification des charges de travail, de maintenance, d’ordonnancement et d’un accès stable aux générations futures.

Une plateforme commerciale réussie exige également une confiance allant au-delà des performances de benchmark. Les clients doivent croire que le fournisseur offrira une capacité prévisible et maintiendra la compatibilité lors des mises à jour logicielles.

OpenAI contrôle actuellement les deux côtés de cette relation au sein de sa propre infrastructure. Elle peut modifier les modèles, les noyaux et le logiciel d’ordonnancement en même temps que la puce.

Un client externe ne partagerait pas nécessairement le même éventail de charges de travail qu’OpenAI. Des architectures de modèles, formats de quantification, longueurs de contexte et objectifs de latence différents pourraient révéler des limites absentes des tests publiés.

C’est l’angle sceptique central. L’exécution de trois modèles externes démontre une flexibilité, mais ne prouve pas une efficacité universelle dans les environnements d’inférence de production.

La présentation Hot Chips a apporté des détails architecturaux significatifs. Un déploiement indépendant fournirait néanmoins des éléments plus solides que des résultats produits dans le laboratoire d’OpenAI.

Un déploiement plus large pourrait également détourner l’attention de l’objectif interne. Le soutien à des tiers consommerait du temps d’ingénierie alors qu’OpenAI tente de déployer sa première génération et de préparer ses successeurs.

L’entreprise n’a pas besoin de revenus commerciaux pour justifier le projet. Des coûts d’inférence internes plus faibles, une capacité accrue ou une meilleure latence de réponse peuvent offrir des retours suffisants.

Cela rend un lancement commercial à court terme moins probable, même si la puce est performante. OpenAI gagne en flexibilité stratégique en préservant cette option sans engager son offre.

La tension pourrait rester non résolue durant plusieurs générations. OpenAI peut continuer à améliorer Jalapeño en interne tout en rendant son interface logicielle plus portable.

Si un accès externe apparaît finalement, il suivra probablement des déploiements internes éprouvés plutôt qu’il ne les précédera.

L’impact le plus immédiat concerne les fournisseurs d’infrastructure. Broadcom gagne un rôle central dans la pile de calcul d’OpenAI, tandis que Nvidia fait face à un autre client développant du silicium spécialisé.

Le programme TPU de Google offre le précédent historique le plus clair. Google a d’abord utilisé ses Tensor Processing Units en interne, puis les a proposées via Google Cloud plutôt que de vendre des cartes accélératrices conventionnelles.

Amazon a suivi une voie similaire avec Inferentia et Trainium. Ces processeurs renforcent les services AWS et donnent aux clients un accès via l’environnement cloud d’Amazon.

OpenAI ne dispose pas d’une activité cloud généraliste équivalente. Cette différence rend sa voie vers une disponibilité externe moins évidente.

Microsoft et d’autres partenaires de centres de données pourraient fournir un canal. Toutefois, les parties n’ont pas indiqué si les clients pourront sélectionner une capacité soutenue par Jalapeño.

Tant que cela ne changera pas, le processeur restera une infrastructure destinée aux produits OpenAI plutôt qu’une alternative achetable à Nvidia.

Trois signaux indiqueront si Jalapeño dépasse le cadre d’OpenAI

Les preuves de déploiement, une validation sur un éventail plus large de charges de travail et un modèle d’accès externe détermineront si Jalapeño devient une plateforme ou reste une infrastructure privée.

Le premier signal est un déploiement de production vérifié d’ici la fin de 2026. OpenAI a déclaré que la plateforme initiale commencerait à être déployée avant la fin de l’année.

Les lecteurs devraient surveiller la confirmation que Jalapeño traite du trafic réel de ChatGPT, Codex ou de l’API. L’usage en production testerait la fiabilité, l’utilisation, la latence et l’intégration au-delà des benchmarks contrôlés.

La divulgation la plus utile distinguerait le matériel installé de la capacité active de traitement. Un processeur placé dans un laboratoire ou dans un rack partiellement terminé ne constitue pas la même preuve que le trafic client.

L’exploitation en production renforcerait l’argument d’OpenAI selon lequel son approche full-stack fonctionne. Un retard affaiblirait le calendrier agressif suggéré par son cycle de développement de neuf mois.

Le deuxième signal est un test de performances indépendant sur davantage de modèles et de configurations de décodage. Les résultats d’OpenAI à Hot Chips ont constitué un point de départ crédible, pas un verdict définitif.

Un test plus robuste comparerait la puissance totale du système, une précision équivalente, des objectifs de latence correspondants et des piles logicielles actuelles. Il inclurait aussi Nvidia Vera Rubin lorsque des systèmes comparables seront disponibles.

Les évaluateurs devraient examiner les performances sur des contextes longs, différentes tailles de lots, des modèles mixture-of-experts et des charges de travail agentiques. L’efficacité moyenne peut masquer de faibles résultats aux points de fonctionnement qui comptent pour les produits interactifs.

L’analyse de Hot Chips montre pourquoi les détails du système comptent. Jalapeño est présenté comme une plateforme d’inférence complète, et non comme un simple processeur autonome.

Une validation indépendante de l’ensemble de cette plateforme renforcerait les affirmations sur un usage général. Des résultats plus limités conforteraient l’idée que Jalapeño demeure principalement optimisé pour le profil de charges de travail d’OpenAI.

Le troisième signal est un mécanisme concret d’accès externe. Cela signifie davantage qu’une déclaration selon laquelle d’autres organisations pourraient utiliser la puce.

Une véritable initiative inclurait un partenaire cloud nommé, un type d’instance, un engagement de capacité, un programme développeur ou un environnement logiciel pris en charge. Elle préciserait également qui exploite le matériel et qui accompagne les clients.

Si OpenAI annonce une telle voie, Jalapeño commencera à exercer une pression sur Nvidia en tant qu’alternative accessible. Sans cela, son impact concurrentiel restera indirect.

Cet impact indirect peut néanmoins être considérable. Le silicium personnalisé interne réduit la part de la demande future d’inférence allant automatiquement aux fournisseurs établis.

Il donne aussi à OpenAI un levier dans les négociations d’achat. Une alternative crédible modifie les discussions sur les calendriers de livraison, la conception des systèmes et la capacité à long terme, même lorsque Nvidia reste indispensable.

Les développeurs ne devraient pas repenser leurs applications autour de Jalapeño aujourd’hui. Aucune instance publique, aucun environnement de programmation direct ni aucun engagement de déploiement ne leur est accessible.

Ils devraient plutôt surveiller l’évolution du comportement des services d’OpenAI. Une latence plus faible, des limites de débit accrues, une disponibilité plus stable et de nouvelles fonctionnalités agentiques pourraient révéler les effets opérationnels en premier.

Les acheteurs d’entreprise doivent se poser une autre question. Ils doivent savoir si la diversification de l’infrastructure d’OpenAI améliore la fiabilité du service ou introduit une nouvelle dépendance encore immature.

Le contrôle d’OpenAI sur une plus grande partie de la pile peut accélérer l’optimisation. Il peut aussi concentrer les décisions techniques chez un seul fournisseur et rendre les performances plus difficiles à comparer avec du matériel cloud standard.

Les travailleurs du savoir ressentiront le résultat à travers les produits plutôt qu’à travers les spécifications des processeurs. Des réponses plus rapides comptent, mais un travail fiable en plusieurs étapes pourrait compter davantage à mesure que les systèmes d’IA prennent en charge des tâches plus longues.

Vu sous cet angle, OpenAI Jalapeño consiste moins à entrer dans le secteur des semi-conducteurs. Il s’agit de contrôler le coût et la capacité derrière chaque interaction avec un modèle.

Pour l’instant, l’entreprise a tracé une limite opérationnelle ferme. Jalapeño servira d’abord OpenAI, car OpenAI s’attend à consommer tout ce qu’elle peut déployer.

Son positionnement public va au-delà de cette limite. Le processeur exécute des modèles externes, suit une feuille de route sur plusieurs générations et a été comparé aux systèmes Blackwell phares de Nvidia.

Ces choix préservent une ambition plus large sans exiger un lancement commercial immédiat.

Les trois prochains mois devraient clarifier la distinction. Surveillez le trafic de production, la réplication indépendante des benchmarks et une voie nommée d’accès externe.

Si les trois apparaissent, Jalapeño sera passé d’une infrastructure interne à une plateforme d’inférence plus large. Si seul le déploiement se concrétise, OpenAI aura tout de même accompli quelque chose d’important sur le plan stratégique.

L’entreprise aura créé une source spécialisée de calcul pour ses charges de travail à la croissance la plus rapide tout en conservant Nvidia dans la pile là où Nvidia reste le plus fort.

Cette stratégie mixte constitue la réalité actuelle. OpenAI ne remplace pas Nvidia, et ne vend pas Jalapeño au marché.

Elle bâtit suffisamment de crédibilité technique et opérationnelle pour maintenir les deux possibilités ouvertes.