Pada 25 Agustus 2026, OpenAI mempublikasikan hasil pertama pengujian akselerator inferensinya sendiri, Jalapeño. Dalam benchmark publik InferenceX dari SemiAnalysis, sistem dengan chip baru ini menunjukkan 1,5–1,9 kali lebih banyak komputasi per watt pada throughput puncak dan mengurangi latency respons 1,7–3,6 kali lipat dibandingkan dengan sistem berbasis Nvidia GB200 dan GB300. Pengujian dilakukan pada model GPT-OSS-120B, DeepSeek R1, dan Kimi K2.5. Bagi perusahaan yang melayani arus permintaan ChatGPT, Codex, dan API-nya sendiri yang sangat besar setiap harinya, angka-angka seperti ini berhubungan langsung dengan biaya pokok setiap respons.
Chip ini dirancang untuk daya nominal 700 W, dengan konsumsi daya berkelanjutan pada beban yang diuji tetap berada pada level hingga 550 W. Satu unit yang terdiri dari 128 chip Jalapeño diklaim mampu mencapai 1,7 exaflops komputasi dalam format 4-bit.
Di Mana Kemandirian dari Nvidia Berakhir
Jalapeño dikembangkan bersama dengan mitra: Broadcom bertanggung jawab atas implementasi chip dan bagian jaringan, Celestica — atas papan sirkuit dan rak. Dari awal perancangan hingga penyerahan desain untuk produksi memakan waktu sembilan bulan. Penerapan chip di infrastruktur OpenAI direncanakan pada akhir 2026, dan Jalapeño sendiri akan menjadi generasi pertama dalam platform multi-tahun dengan perluasan selanjutnya.
Akselerator universal Nvidia terpaksa melayani beragam klien dan jenis tugas yang luas. Jalapeño, sebaliknya, dirancang khusus untuk beban kerja spesifik yang dihasilkan, diukur, dan dapat diubah sendiri oleh OpenAI bersama dengan tumpukan perangkat lunaknya — berpusat pada model bahasa sendiri, inti komputasi, pergerakan data, memori, dan pertukaran jaringan.
Skala Ditargetkan 10 GW
Dasar untuk seluruh program ini adalah perjanjian antara OpenAI dan Broadcom, di mana kedua belah pihak sepakat untuk menyebarkan 10 GW akselerator yang dikembangkan sendiri oleh OpenAI. Pemasangan rak akan dimulai pada paruh kedua 2026 dan berlangsung hingga akhir 2029. Pada daya sebesar itu, perbedaan dalam watt dan milidetik berhenti menjadi karakteristik laboratorium dan berubah menjadi pos pengeluaran untuk listrik, pendinginan, memori, jaringan, rak, dan luas ruang pusat data.
Sementara itu, OpenAI tidak sepenuhnya meninggalkan pemasok eksternal:
- pelatihan model mutakhir masih memerlukan akselerator eksternal;
- produksi massal Jalapeño bergantung pada mitra di bidang manufaktur, memori, pengemasan, dan perakitan;
- perusahaan akan terus menggunakan chip Nvidia dan pemasok lainnya secara luas — baik untuk pelatihan maupun untuk sebagian inferensi.
Oleh karena itu, batasan proyek ini jelas: OpenAI mempertahankan rantai pasokan eksternal, tetapi mengambil alih arsitektur perangkat keras untuk aliran komputasi harian terbesar mereka.
Ekonomi Inferensi
Perbedaan antara chip sendiri dan pembelian GPU melampaui konsumsi daya. Nvidia menyelesaikan tahun fiskal 2026 dengan pendapatan $215,9 miliar dan margin kotor 71,1%, sementara segmen pusat datanya tumbuh 68% year-on-year — data ini tercermin dalam laporan perusahaan kepada Securities and Exchange Commission (SEC). Pembeli GPU membayar tidak hanya peralatan itu sendiri, tetapi juga keuntungan komersial pemasok di atasnya.
OpenAI membangun chip sebagai komponen internal layanannya sendiri dan mendapatkan manfaat dari penurunan biaya penuh pemrosesan permintaan, bahkan tanpa markup pasar terpisah pada prosesor itu sendiri. Sebagian dari biaya yang sebelumnya mengendap pada pemasok akselerator universal, perusahaan berusaha ubah menjadi penghematan internal dan kapasitas komputasi tambahan.
Inferensi yang lebih murah dan cepat memungkinkan untuk menjalankan tugas agen lebih lama, melayani lebih banyak permintaan paralel, dan menurunkan biaya produk tanpa pertumbuhan jumlah pusat data yang proporsional. Peningkatan penggunaan layanan, pada gilirannya, meningkatkan utilisasi platform internal mereka dan membuat generasi berikutnya dari chip khusus lebih ekonomis.
Jalapeño mengubah posisi OpenAI dalam rantai infrastruktur AI: perusahaan sebelumnya sudah mengontrol model, tumpukan perangkat lunak, dan produk, tetapi sekarang mendapatkan kendali atas arsitektur prosesor, yang menentukan harga setiap respons. Nvidia mempertahankan pasar pelatihan model dan akselerator universal, tetapi bagian kerja OpenAI yang paling masif tidak lagi menjadi penjualan terjamin baginya.
Opini AI
Dari sudut pandang analisis data mesin, kasus Jalapeño mengulangi lintasan yang telah dilalui pemimpin industri lain sebelum OpenAI. Anthropic mengambil komitmen untuk satu juta TPU dari Google pada Oktober 2025, sementara Midjourney memindahkan generasi gambar ke TPU Google Cloud demi penghematan. Logika umumnya sama: hyper-scaler beralih dari GPU universal ke chip yang disesuaikan dengan beban kerja mereka sendiri, begitu volume inferensi menjadi cukup dapat diprediksi dan masif.
Strategi ini juga membawa sisi sebaliknya. Spesialisasi untuk model dan tumpukan perangkat lunak tertentu mengurangi fleksibilitas ketika arsitektur AI berubah, dan ketergantungan pada Broadcom dan Celestica dalam produksi menciptakan titik risiko tunggal untuk seluruh siklus pengembangan sembilan bulan. Akankah Jalapeño tetap kompetitif setelah dua atau tiga generasi model, atau optimasi sempit untuk inferensi hari ini akan berubah menjadi batasan di masa depan?
