OpenAI tiene su primer chip de IA propio y lo construyó más rápido de lo que nadie esperaba. Jalapeño —anunciado oficialmente el 24 de junio de 2026 y desarrollado en colaboración con Broadcom y fabricado por TSMC— alcanza hasta 13,4 petaflops de cómputo en 4 bits, accede a 232 GB de la memoria HBM más avanzada disponible y se conecta a ella a 15,4 TB por segundo. En latencia de extremo a extremo, reduce hasta 3,6 veces el tiempo frente al chip GB300 de Nvidia, el hardware del que OpenAI depende actualmente para inferencia. Y lo hace consumiendo menos energía.Lo que lo hace todavía más notable es el tiempo: del concepto arquitectónico al silicio en menos de 20 meses, y del código a la fabricación en nueve meses. El equipo medio involucrado fue de menos de 100 personas. El secreto, según Richard Ho, vicepresidente de hardware de OpenAI: usar sus propios modelos de IA como herramienta de diseño. «Los modelos están dando superpoderes a nuestros ingenieros», declaró Ho en IEEE Spectrum.¿Cómo aceleró la IA el diseño del chip?La IA actuó fundamentalmente en el front-end del proceso de diseño: la fase de escritura de código del chip, apoyada en herramientas como XLS (un lenguaje de descripción de hardware de alto nivel). Como explica Chris Leary, de OpenAI: «A la IA se le daba mucho mejor lo que parecía software… XLS en cierto modo se parece a software, así que se benefició de eso». Herramientas como Codex aceleraron la escritura de especificaciones de hardware de una manera que antes solo era posible con más ingenieros y más tiempo.El resultado es que un equipo pequeño —con el foco y la especialización correctos— pudo comprimir un ciclo de diseño que normalmente lleva entre 3 y 5 años en algo que se completó en menos de dos. Esto no es la automatización del diseño de chips: es la multiplicación de la productividad de ingenieros muy buenos con herramientas de IA muy específicas.La división del trabajo con Broadcom también fue clave: OpenAI se encargó del diseño de sistema mientras Broadcom asumió la parte física. Esa especialización permitió que cada equipo se concentrara en lo que domina, sin que OpenAI tuviera que construir competencias en fabricación física desde cero.Lo que la IA todavía no puede hacer en el diseño de chipsAquí viene la parte que Ho y Leary son cuidadosos en subrayar: la IA ayudó mucho en el front-end, pero el back-end —la parte física del diseño, donde el código se convierte en circuitos reales con restricciones de timing, potencia y espacio— siguió dependiendo en gran medida de ingenieros humanos y de la experiencia acumulada de Broadcom.«No estamos diciendo que cualquiera pueda venir y construir chips aceleradores de IA usando solo Codex», resume Ho. «Estamos diciendo cosas muy concretas sobre cómo sacarle más partido, y cómo nos hemos centrado en un equipo pequeño y en plazos rápidos para lograr resultados de calidad». En pocas palabras: la IA multiplicó la productividad de un equipo de élite; no democratizó el diseño de chips.Esto tiene implicaciones claras. Las grandes tecnológicas con los ingenieros y el capital para invertir en esta metodología —Google con sus TPUs, Microsoft con Maia— pueden acelerar sus ciclos de diseño significativamente. Las empresas sin ese punto de partida humano siguen igual de lejos del silicio. Desde que seguimos la apuesta de OpenAI por sus propios chips a finales de 2024, el seguimiento ha sido constante: nadie esperaba que el primer resultado llegara tan pronto ni que los números fueran tan competitivos con Nvidia.¿Qué significa esto para el mercado?Jalapeño es el primer paso de OpenAI para reducir su dependencia de Nvidia, no el último. El plan prevé una infraestructura de varios años con Broadcom, y los data centers que OpenAI está construyendo en Canadá serán el destino natural de este hardware. El incentivo económico es obvio: no comprar GPUs H100 o B200 a Nvidia a precio de mercado cuando puedes fabricar tu propia inferencia con mejor latencia y menor consumo energético es una ventaja competitiva directa en un negocio donde la inferencia a escala es el principal coste operativo.La compra de Glass Imaging por más de 300 millones de dólares muestra que OpenAI está construyendo competencias en hardware de múltiples formas simultáneamente. Jalapeño es el resultado de que ese proceso funciona y que la IA como herramienta de diseño de hardware tiene rendimientos reales. La pregunta ya no es si OpenAI puede hacer chips. Es cuánto tiempo tardará en que esos chips representen una porción significativa de su capacidad de inferencia total, y qué significa eso para el precio de las acciones de Nvidia.El contexto más amplio es que casi todos los grandes compradores de GPUs de Nvidia están ahora desarrollando sus propios chips de IA. Google lleva años con sus TPUs; Amazon tiene Trainium e Inferentia para inferencia en sus centros de datos; Microsoft colabora en el diseño de chips con Maia y Cobalt. Jalapeño confirma que OpenAI sigue el mismo camino, y que la metodología de usar IA para acelerar el front-end del diseño de hardware puede comprimir significativamente los ciclos de desarrollo. Para Nvidia, el riesgo no es inmediato: sus GPUs siguen siendo el estándar para entrenamiento de grandes modelos y los clientes más grandes del mercado las necesitarán durante años. Pero la erosión de la dependencia en inferencia a escala —que es donde está el mayor volumen de operaciones diarias— ya tiene candidatos creíbles, con benchmarks publicados. Jalapeño es el más reciente y, por los números, el más competitivo.La noticia OpenAI diseñó el chip Jalapeño con su propia IA y lo hizo en 20 meses: lo que eso cambia para Nvidia fue publicada originalmente en Wwwhatsnew.com por Natalia Polo.