OpenAI publicó el 25 de agosto de 2026 los primeros resultados de las pruebas de su propio acelerador de inferencia, Jalapeño. En el benchmark público InferenceX de SemiAnalysis, los sistemas con el nuevo chip mostraron un rendimiento de 1,5 a 1,9 veces más operaciones por vatio en el ancho de banda máximo y redujeron la latencia de respuesta entre 1,7 y 3,6 veces en comparación con los sistemas basados en Nvidia GB200 y GB300. Las pruebas se realizaron en los modelos GPT-OSS-120B, DeepSeek R1 y Kimi K2.5. Para una empresa que atiende diariamente una enorme cantidad de solicitudes de ChatGPT, Codex y su propia API, estos indicadores están directamente relacionados con el costo de cada respuesta.
El chip está diseñado para una potencia nominal de 700 vatios, mientras que el consumo sostenido bajo las cargas probadas se mantuvo en un máximo de 550 vatios. Un bloque de 128 chips Jalapeño se anuncia con una capacidad de 1,7 exaflops de cómputo en formato de 4 bits.
Dónde termina la independencia de Nvidia
Jalapeño se desarrolló en conjunto con socios: Broadcom se encargó de la implementación del chip y la parte de red, Celestica de las placas y racks. Desde el inicio del diseño hasta la transferencia del mismo a producción pasaron nueve meses. El despliegue del chip en la infraestructura de OpenAI está planificado para finales de 2026, y Jalapeño se convertirá en la primera generación de una plataforma a largo plazo con futuras expansiones.
El acelerador universal de Nvidia debe atender a una amplia gama de clientes y tipos de tareas. Jalapeño, en cambio, está diseñado para la carga específica que OpenAI misma genera, mide y puede modificar junto con su pila de software — centrada en sus propios modelos lingüísticos, núcleos de cómputo, movimiento de datos, memoria e intercambio de red.
La escala está fijada en 10 GW
La base de todo el programa es un acuerdo entre OpenAI y Broadcom, mediante el cual las partes acordaron el despliegue de 10 GW de aceleradores de diseño propio de OpenAI. La instalación de racks comenzará en la segunda mitad de 2026 y se extenderá hasta finales de 2029. Con tal potencia, la diferencia en vatios y milisegundos deja de ser una característica de laboratorio y se convierte en un rubro de gastos en electricidad, refrigeración, memoria, red, racks y espacio en los centros de datos.
Sin embargo, OpenAI no renuncia completamente a proveedores externos:
- el entrenamiento de modelos de vanguardia sigue requiriendo aceleradores externos;
- la producción en serie de Jalapeño depende de socios en fabricación, memoria, empaquetado y ensamblaje;
- la compañía continuará utilizando ampliamente chips de Nvidia y otros proveedores, tanto para entrenamiento como para parte de la inferencia.
El límite del proyecto es, por tanto, claro: OpenAI mantiene una cadena de suministro externa, pero se queda con la arquitectura del hardware para el flujo más grande de cálculos diarios.
La economía de la inferencia
La diferencia entre usar un chip propio y comprar GPU va más allá del consumo energético. Nvidia cerró el año fiscal 2026 con ingresos de $215.900 millones y un margen bruto del 71,1%, y su segmento de centros de datos creció un 68% interanual — estos datos figuran en los informes de la empresa ante la Comisión de Bolsa y Valores (SEC). El comprador de GPU paga no solo el equipo en sí, sino también el beneficio comercial del proveedor por encima de este.
OpenAI construye el chip como un componente interno de su propio servicio y obtiene beneficio de la reducción del costo total de procesar una solicitud, incluso sin un margen de mercado separado sobre el procesador en sí. Parte del coste que antes se quedaba en el proveedor de aceleradores universales, la empresa intenta convertirla en su propio ahorro y en capacidad computacional adicional.
Una inferencia más barata y rápida permite ejecutar tareas de agentes durante más tiempo, atender más solicitudes en paralelo y reducir el costo de los productos sin un crecimiento proporcional del número de centros de datos. El aumento del uso del servicio, a su vez, eleva la carga de la plataforma propia y hace que la siguiente generación de chips especializados sea económicamente más justificable.
Jalapeño cambia la posición de OpenAI en la cadena de infraestructura de IA: la compañía ya controlaba el modelo, la pila de software y el producto, y ahora obtiene control sobre la arquitectura del procesor, de la cual depende el precio de la respuesta. Nvidia conserva el mercado del entrenamiento de modelos y los aceleradores universales, pero la parte más masiva del trabajo de OpenAI deja de ser una venta garantizada para ella.
Opinión de la IA
Desde el punto de vista del análisis automático de datos, el caso Jalapeño repite la trayectoria que, antes que OpenAI, ya siguieron otros líderes del sector. Anthropic asumió compromisos por un millón de TPU de Google en octubre de 2025, y Midjourney trasladó la generación de imágenes a las TPU de Google Cloud por ahorro. La lógica general es una: los hiperescaladores se alejan de las GPU universales hacia chips para su propia carga de trabajo, tan pronto como el volumen de inferencia se vuelve lo suficientemente predecible y masivo.
La estrategia también tiene una contrapartida. La especialización para un modelo y pila específicos reduce la flexibilidad al cambiar arquitecturas de IA, y la dependencia de Broadcom y Celestica en la producción crea un único punto de riesgo para todo el ciclo de desarrollo de nueve meses. ¿Seguirá siendo Jalapeño competitivo dentro de dos o tres generaciones de modelos, o la optimización estrecha para la inferencia de hoy se convertirá en una limitación mañana?
