OpenAI le puso números a su primer chip propio: hasta 1,9 veces más eficiente que las GPU de Nvidia y con la mitad del costo por token

OpenAI publicó esta semana los primeros resultados reales de "Jalapeño", el chip que diseñó junto a Broadcom pensado exclusivamente para hacer correr modelos de lenguaje ya entrenados — lo que en la industria se llama "inferencia". No es un chip para entrenar la próxima versión de GPT, sino para responder las consultas de millones de usuarios todos los días con menos gasto de energía y menos dependencia de Nvidia, el proveedor que hoy domina casi todo el mercado de hardware de IA.

Le importa a cualquiera que use servicios de IA porque ahí está buena parte del costo invisible detrás de cada respuesta: cada consulta a un modelo grande consume electricidad y capacidad de cómputo que alguien paga, y ese costo termina reflejado —tarde o temprano— en lo que cobran las plataformas que corren sobre esa infraestructura, desde ChatGPT hasta cualquier servicio que use su API.

Según las cifras que OpenAI y Broadcom compartieron, Jalapeño entrega entre 1,5 y 1,9 veces más trabajo por vatio que las GPU Nvidia GB200 y GB300, que hoy son de los chips de IA más usados en centros de datos. Hock Tan, CEO de Broadcom, fue más allá en una entrevista con Bloomberg: dijo que el costo de inferencia por token podría bajar hasta un 50% frente a lo que cuesta hoy con GPU Nvidia estándar.

En la parte de diseño, Jalapeño es un ASIC — un chip hecho a la medida para una sola tarea, en vez de un procesador de propósito general como las GPU — con ocho módulos de memoria HBM (memoria de altísimo ancho de banda) rodeando el núcleo de cómputo, y un diseño del tamaño máximo que permite un solo disparo de litografía. Se fabrica en TSMC, con Broadcom encargado del diseño del silicio y Celestica de integrar las tarjetas y los racks completos donde va montado.

Lo que más llama la atención es el tiempo: de la idea al primer chip listo para fabricación (lo que la industria llama "tape-out") pasaron apenas nueve meses, desde que OpenAI y Broadcom anunciaron la alianza en octubre de 2025 hasta que presentaron el chip en junio de 2026. OpenAI lo describe como posiblemente el ciclo de desarrollo más rápido registrado para un chip de este nivel de complejidad — y ya lo está usando para correr en producción su modelo GPT-5.3-Codex-Spark.

El plan de despliegue todavía es gradual: prototipos a pequeña escala hacia fines de 2026, producción real en 2027, y despliegue a gran escala —con Microsoft como socio de infraestructura— recién en 2028, dentro de un compromiso de capacidad de 10 gigavatios hasta 2029. Es decir, la promesa de eficiencia todavía tiene que sobrevivir el salto de un buen resultado de laboratorio a millones de chips funcionando a la vez.

Lo de fondo es una tendencia que ya no es exclusiva de OpenAI: Google, Amazon y Anthropic —esta última con chips propios que cubrimos hace unas semanas— también están diseñando su propio silicio de IA para dejar de depender solo de Nvidia. Para las empresas que no tienen el músculo de invertir en un chip propio, la realidad no cambia tan rápido: seguir alquilando capacidad sobre GPU Nvidia estándar, en la nube o en infraestructura propia, sigue siendo el camino más accesible para correr modelos de IA hoy — algo que puedes hacer sin esperar a 2028 en un servidor dedicado o un VDS con suficiente capacidad.