OpenAI ha publicado hoy los primeros resultados de rendimiento de Jalapeño, su primer chip de inferencia propio, y los números son lo suficientemente buenos como para que la industria los tome en serio. El chip, co-desarrollado con Broadcom y fabricado en el proceso TSMC N3P (3nm), entregó entre 1,5 y 1,9 veces más trabajo de IA por vatio y entre 1,7 y 3,6 veces menos latencia que los sistemas de comparación —los NVIDIA GB200 y GB300— en los benchmarks del suite InferenceX de SemiAnalysis.Para cargas de trabajo altamente interactivas —el perfil típico de los agentes de IA que OpenAI desarrolla bajo ChatGPT Work y Codex— la ventaja se amplía hasta 2,1 a 4,1 veces mejor rendimiento. Jalapeño fue testado con tres modelos públicos: GPT-OSS 120B (el modelo de código abierto de OpenAI), DeepSeek R1 670B y Kimi K2.5 1T.¿Qué hace diferente a Jalapeño?La filosofía de diseño de Jalapeño, según OpenAI, parte de una pregunta específica: ¿qué hardware construiría una empresa si su único objetivo fuera servir modelos de lenguaje grandes modernos, especialmente agentes interactivos? Los GPUs de NVIDIA no fueron diseñados con esa pregunta como punto de partida: son hardware de propósito general optimizado para paralelismo masivo, que resulta ser útil para entrenamiento e inferencia de IA pero que carga con compromisos de diseño heredados.Jalapeño se diseñó de arriba abajo para inferencia de LLMs. Las decisiones arquitectónicas clave incluyen:Chip único masivo: Jalapeño usa un único die del tamaño máximo que permite el proceso litográfico (reticle-sized), con 13,4 PFLOPs de cómputo MXFP4. Cada paquete incorpora 6 pilas de memoria HBM4 con un total de 216 GiB a 15,4 TB/s de ancho de banda. Para contexto: el GB300 de NVIDIA tiene 288 GB de HBM3E pero a un consumo nominal de 1.400 vatios. Jalapeño tiene una calificación de 700 vatios y en los workloads testados mantuvo el consumo en o por debajo de 550 vatios. Por vatio de consumo nominal, Jalapeño empaqueta aproximadamente un 50% más de memoria que el GB300.Minimización de movimiento de datos: OpenAI diseñó el sistema —chip, memoria, red y software conjuntamente— para mantener el estado del modelo localmente y reducir los movimientos de datos entre componentes, que son el principal cuello de botella en inferencia de LLMs.Lenguaje propio: Jalapeño usa el lenguaje de programación de kernels Gluon, desarrollado internamente por OpenAI. Eso significa que el software que optimiza la inferencia sobre Jalapeño no depende de CUDA, el ecosistema de NVIDIA que ha sido durante una década el factor más importante que ataba a los usuarios de IA al hardware de NVIDIA.Matices que los benchmarks no capturanLos resultados de SemiAnalysis son impresionantes pero tienen limitaciones que los analistas han señalado. Jalapeño no entrena modelos: el entrenamiento es el workload donde NVIDIA no tiene competidor relevante todavía. Los benchmarks comparan inferencia de Jalapeño contra inferencia de GB300 en configuraciones de predicción de token único (single-token), mientras que los despliegues reales de NVIDIA frecuentemente usan predicción multi-token (speculative decoding). Y los comparativos no incluyen la plataforma Vera Rubin de NVIDIA, que es la que OpenAI acordó desplegar en el complejo de Ohio de SoftBank.OpenAI es explícita en que seguirá usando GPUs de NVIDIA: «Satisfacer la demanda de IA requerirá cómputo de múltiples fuentes y continuaremos desplegando aceleradores de NVIDIA.» Jalapeño no es un reemplazo de NVIDIA; es un complemento propio que reduce la dependencia marginal y mejora la eficiencia de la parte de la infraestructura de OpenAI que corre inference.Despliegue: Jalapeño llegará en pequeños volúmenes a la infraestructura de OpenAI a finales de 2026, con escalado significativo en 2027. La segunda y tercera generación ya están en desarrollo.La apuesta de OpenAI por silicio propio sigue el mismo camino que el chip chino Meituan Longcat 2 como alternativa de entrenamiento de IA, que Google lleva años consolidando con sus TPUs y que Amazon continúa con Trainium. La diferencia es que OpenAI publica hoy sus primeros benchmarks con resultados que SemiAnalysis —una firma de análisis de semiconductores rigurosa— describe como «batiendo a todos los chips de NVIDIA, AMD y Google que hemos podido testear.» La apuesta China por ASICs propios en lugar de GPUs de NVIDIA que documentamos en junio tiene su equivalente americano en Jalapeño: el mercado está convergiendo hacia arquitecturas especializadas para inferencia como la alternativa más eficiente a los GPUs de propósito general. Y el hecho de que OpenAI haya desarrollado su propio lenguaje de kernel —Gluon— para no depender de CUDA es posiblemente el movimiento más estratégico de todo el anuncio: no solo construye su propio hardware, sino que construye su propia pila de software para liberar a los clientes del moat de NVIDIA.El ecosistema de silicio propio en las grandes empresas de IAJalapeño coloca a OpenAI en el grupo de empresas de IA que han apostado por silicio propio para inferencia, junto a Google (TPU), Amazon (Trainium y Inferentia), Meta (MTIA) y Anthropic (en desarrollo). La motivación compartida es reducir costes de inferencia a escala: cuando una empresa sirve millones de peticiones por día, la diferencia de eficiencia entre hardware propio optimizado y GPUs de propósito general se traduce en decenas o cientos de millones de dólares anuales. La diferencia de OpenAI respecto a competidores es el timing: sus primeros benchmarks públicos de Jalapeño muestran resultados que SemiAnalysis —una firma de análisis que no tiene incentivo comercial para exagerar los resultados de OpenAI— describe como mejores que cualquier alternativa disponible hoy. Si los resultados en producción validan los de benchmark, OpenAI habrá dado un salto que tomará a NVIDIA, AMD y a los demás proveedores de GPUs varios años de ciclos de diseño igualar en el segmento de inferencia de LLMs. El coste de desarrollo de Jalapeño no ha sido divulgado, pero dado el ciclo de nueve meses de RTL a tapeout que Broadcom menciona, la inversión fue significativamente menor que lo que habría costado sin el diseño conjunto con un fabricante de chips experimentado.El contexto financiero también importa: las restricciones de exportación que golpearon financieramente a NVIDIA en mercados asiáticos crearon el incentivo adicional para que sus clientes más importantes invirtieran en alternativas propias que reducen su exposición a las restricciones geopolíticas de hardware. Jalapeño no es solo un movimiento técnico: es también un seguro de diversificación.La noticia OpenAI publica los primeros benchmarks de Jalapeño: 1,9× mejor rendimiento por vatio y 3,6× menos latencia que los chips de NVIDIA fue publicada originalmente en Wwwhatsnew.com por Natalia Polo.