El 25 de agosto de 2026, OpenAI publicó 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 entre 1,5 y 1,9 veces más computación por vatio en el rendimiento máximo de ancho de banda 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 un enorme flujo de solicitudes de ChatGPT, Codex y su propia API, estos indicadores están directamente relacionados con el coste de cada respuesta.
El chip está diseñado para una potencia nominal de 700 vatios, aunque su consumo sostenido en las cargas probadas se mantuvo en un nivel de hasta 550 vatios. Se anuncia que un bloque de 128 Jalapeño alcanza 1,7 exaflops de cómputo en formato de 4 bits.
Dónde termina la independencia de Nvidia
Jalapeño se desarrolló en colaboración con socios: Broadcom se encargó de la implementación del núcleo y la parte de redes, mientras que Celestica se ocupó de las placas y armarios. Pasaron nueve meses desde el inicio del diseño hasta la entrega del mismo para producción. Se planea desplegar el chip en la infraestructura de OpenAI a finales de 2026, y Jalapeño se convertirá en la primera generación de una plataforma multi-anual con futuras expansiones.
El acelerador universal de Nvidia está obligado a atender a una amplia gama de clientes y tipos de tareas. En cambio, Jalapeño está diseñado para la carga específica que la propia OpenAI genera, mide y puede modificar junto con su pila de software, centrada en sus propios modelos de lenguaje, núcleos de cómputo, movimiento de datos, memoria e intercambio en red.
La escala está fijada en 10 GW
La base de todo el programa es un acuerdo entre OpenAI y Broadcom, en el que las partes acordaron el despliegue de 10 GW de aceleradores de desarrollo propia de OpenAI. La instalación de los armarios comenzará en la segunda mitad de 2026 y se extenderá hasta finales de 2029. Con esa potencia, la diferencia en vatios y milisegundos deja de ser una característica de laboratorio y se convierte en una partida de gastos en electricidad, refrigeración, memoria, red, armarios y espacio en centros de datos.
A pesar de esto, OpenAI no renuncia completamente a los proveedores externos:
- el entrenamiento de modelos de vanguardia aún requiere aceleradores externos;
- la producción en serie de Jalapeño depende de socios para fabricación, memoria, empaquetado y ensamblaje;
- la empresa seguirá utilizando ampliamente chips de Nvidia y otros proveedores, tanto para entrenamiento como para parte de la inferencia.
Por lo tanto, el límite del proyecto es claro: OpenAI mantiene su cadena de suministro externa, pero se queda con la arquitectura del hardware para el mayor flujo de cómputo diario.
La economía de la inferencia
La diferencia entre usar su propio chip y comprar GPUs va más allá del consumo energético. Nvidia cerró su ejercicio fiscal 2026 con unos ingresos de 215.900 millones de dólares y un margen bruto del 71,1%, mientras que su segmento de centros de datos creció un 68% interanual, según los datos reflejados en sus informes ante la Comisión de Bolsa y Valores (SEC). El comprador de GPUs no solo paga el propio equipo, sino también el beneficio comercial del proveedor por encima de su coste.
OpenAI construye el chip como un componente interno de su propio servicio y obtiene el beneficio de reducir el coste total de procesamiento de cada solicitud, incluso sin una sobreprecio de mercado específico para el procesador. Parte del coste que antes quedaba en manos del proveedor de aceleradores universales, la empresa intenta convertirlo en su propio ahorro y capacidad de cómputo adicional.
Una inferencia más barata y rápida permite ejecutar durante más tiempo tareas de agentes, atender más solicitudes paralelas y reducir el coste de los productos sin un crecimiento proporcional en el número de centros de datos. El aumento del uso del servicio, a su vez, incrementa la utilización de su propia plataforma 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: antes la empresa ya controlaba el modelo, la pila de software y el producto, y ahora obtiene el control sobre la arquitectura del procesor, de la cual depende el precio de cada respuesta. Nvidia mantiene su mercado en el entrenamiento de modelos y los aceleradores universales, pero la parte más masiva del trabajo de OpenAI deja de ser una venta garantizada para ellos.
Opinión de la IA
Desde el punto de vista del análisis de datos automatizado, el caso Jalapeño repite la trayectoria que ya han seguido otros líderes del sector antes que OpenAI. Anthropic asumió compromisos por un millón de TPUs de Google en octubre de 2025, y Midjourney trasladó la generación de imágenes a TPUs de Google Cloud para ahorrar. La lógica general es la misma: los hiperescaladores abandonan las GPUs universales por chips diseñados para su propia carga, tan pronto como el volumen de inferencia se vuelve lo suficientemente predecible y masivo.
Sin embargo, esta estrategia también tiene una contrapartida. La especialización para un modelo y pila de software concretos reduce la flexibilidad ante cambios en las 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 actual se convertirá en una limitación mañana?
