OpenAI ha publicado los primeros resultados de referencia para Jalapeño, su chip de inferencia personalizado, y los números son sorprendentes: en la prueba de referencia InferenceX de SemiAnalysis, el nuevo silicio registró más tokens por usuario y más rendimiento por kilovatio que los procesadores de inferencia de última generación actualmente disponibles, una comparación que incluye los sistemas Blackwell de Nvidia. Los resultados se presentaron el martes en la conferencia Hot Chips en Palo Alto, junto con una descripción técnica detallada de cómo se construyó el chip. Para los lectores que siguen la carrera informática que sustenta cada lanzamiento del modelo de IA, es uno de los puntos de datos de hardware más importantes del año.
"La conclusión es que los resultados muestran un avance de rendimiento muy, muy significativo con respecto a lo último en tecnología", dijo Richard Ho, jefe de hardware de OpenAI, en una conferencia de prensa informada por TechCrunch. "Jalapeño puede realizar más trabajo de IA por unidad de potencia y, al mismo tiempo, devolver respuestas más rápidamente. Es muy eficiente para atender a muchos clientes, pero también puede tener una latencia muy baja".
Un chip creado para el proceso de inferencia completo
Jalapeño se presentó en junio de 2026 como el primer silicio personalizado de OpenAI, desarrollado en estrecha colaboración con Broadcom, con los propios modelos de IA de OpenAI ayudando en el proceso de desarrollo del chip. La asociación en sí se remonta a octubre de 2025, cuando OpenAI presentó planes para un programa acelerador personalizado multigeneracional junto con el gigante de las redes.
Lo que diferencia a Jalapeño de una GPU de uso general, según OpenAI, es que fue diseñada en conjunto con los modelos a los que servirá. Debido a que la empresa controla toda la pila (productos, modelos, chips y memoria de IA), sus ingenieros pudieron atacar fases específicas del proceso de inferencia que a menudo causan fricciones.
En particular, Jalapeño está diseñado para minimizar los retrasos durante las fases de procesamiento previo al llenado y de comunicación, que según OpenAI con frecuencia actúan como cuellos de botella cuando se ofrecen grandes modelos de lenguaje a escala.
"Diseñamos Jalapeño para minimizar el movimiento de datos y los retrasos en la comunicación", escribió la compañía en una publicación de blog en la que presentaba los resultados. "Esto significa que el estado del modelo, incluido el caché KV utilizado al generar una respuesta, se puede colocar explícitamente y mantener local mientras el sistema activa la combinación correcta de computación, memoria y redes para cada fase de inferencia".
Este último punto es importante para cualquiera que ejecute cargas de trabajo de IA de producción. La caché KV (el contexto acumulado que mantiene un modelo mientras genera una respuesta) es uno de los mayores dolores de cabeza de memoria y ancho de banda en la inferencia moderna. Mantenerlo local y administrado explícitamente, en lugar de distribuirlo aleatoriamente en un clúster, es una forma clásica de recuperar la latencia y el poder.
Mejor que Blackwell, por ahora
La comparación principal es con un sistema Nvidia Blackwell, actualmente el caballo de batalla de la inferencia de IA de vanguardia. Un análisis independiente publicado el mismo día por SemiAnalysis, titulado "OpenAI Jalapeño: Better than Nvidia Blackwell", llegó a una conclusión similar sobre los primeros resultados del chip, y la historia rápidamente se convirtió en uno de los artículos más discutidos en Hacker News.
Pero tanto los ejecutivos como los analistas de OpenAI instan a la precaución. Ho estimó que Jalapeño se implementaría a finales de 2026 "en volúmenes muy pequeños", con una implementación más significativa en 2027. Para cuando Jalapeño alcance su escala completa, la competencia puede haber avanzado significativamente: la hoja de ruta de Nvidia continúa moviéndose y otros hiperescaladores, incluidos Google, Amazon y Microsoft, están impulsando su propio silicio personalizado.
Como señaló TechCrunch, los puntos de referencia medidos con el estado del arte actual son una instantánea, no una garantía. Un chip que gane en eficiencia en 2026 debe seguir ganando contra lo que sea que Nvidia y sus rivales envíen el próximo año.
Por qué OpenAI está construyendo su propio silicio
La lógica estratégica es sencilla: la inferencia es el mayor costo recurrente de OpenAI. Cada consulta de ChatGPT, cada llamada a la API y cada tarea de agente quema cómputo, y alquilar ese cómputo de Nvidia a precios de mercado reduce los márgenes a medida que aumenta el uso. Un chip personalizado adaptado a los propios modelos de OpenAI, diseñado conjuntamente con Broadcom y moldeado por los propios modelos de OpenAI, le brinda a la compañía una manera de atender a más usuarios por vatio y por dólar.
Jalapeño también se plantea como una plataforma multigeneracional en lugar de una pieza única. OpenAI ha dicho que tiene la intención de desarrollar productos, modelos, chips y memoria de IA juntos, de modo que cada generación de silicio se optimice conjuntamente con los modelos que ejecutará. Si los resultados de primera generación se mantienen en producción, Jalapeño se convierte en el modelo para todo lo que sigue.
Lo que está en juego se extiende más allá de OpenAI. El dominio de Nvidia en los aceleradores de IA ha sido el cuello de botella más estrecho de la industria durante tres años, y cada alternativa creíble (ya sea del equipo TPU de Google, Amazon o ahora OpenAI) cambia el panorama de negociación para todos los que construyen infraestructura de IA. Según se informa, la propia Nvidia está advirtiendo a los clientes sobre aumentos de precios del 15 por ciento o más en los servidores de IA a medida que aumentan los costos de la memoria, lo que sólo aumenta el atractivo de las alternativas internas.
¿Qué viene después?
Por ahora, Jalapeño sigue siendo una pieza de preproducción con cifras de papel prometedoras. La verdadera prueba llega a finales de 2026, cuando se implementen los primeros volúmenes pequeños, y especialmente en 2027, cuando OpenAI espera una escala significativa. Las preguntas clave siguen sin respuesta: confiabilidad en el mundo real a escala de centro de datos, costo total de propiedad versus capacidad alquilada de Blackwell y si la ventaja de eficiencia sobrevive frente a la próxima generación de Nvidia.
Aún así, los primeros puntos de referencia marcan un hito: la primera vez que uno de los grandes laboratorios de IA ha demostrado públicamente un silicio de inferencia personalizado que parece superar a los mejores en eficiencia. Para una industria que ha tratado el suministro de Nvidia como un salvavidas estratégico, ese es un verdadero punto de inflexión.
---
Manténgase a la vanguardia de la IAObtenga las últimas noticias, análisis y avances en IA, todo en un solo lugar.
Leer más noticias sobre IA →
