Jalapeño, el chip de OpenAI, supera a Nvidia Blackwell en sus primeras pruebas
OpenAI ha publicado el 25 de agosto de 2026 los primeros resultados medidos de Jalapeño, su primer chip propio diseñado específicamente para inferencia de inteligencia artificial. Según explica la compañía en la presentación de los primeros resultados de Jalapeño, el acelerador consigue entre 1,5 y 1,9 veces más trabajo de IA por vatio y entre 1,7 y 3,6 veces menos latencia de extremo a extremo que los sistemas Nvidia Blackwell utilizados como comparación.
Esto no significa que OpenAI haya sustituido a Nvidia. Jalapeño todavía está en fase de despliegue inicial, pero sí demuestra que la compañía ya dispone de silicio propio competitivo para una de las partes más costosas de operar ChatGPT, Codex y sus API.
Jalapeño no entrena modelos: está diseñado para ejecutarlos
La distinción es importante. Entrenar un gran modelo consiste en procesar enormes cantidades de datos para ajustar sus parámetros. La inferencia llega después: es el trabajo que realiza el sistema cada vez que un usuario envía una consulta y el modelo genera una respuesta.
Jalapeño es un ASIC, un circuito integrado creado para una tarea concreta, y OpenAI lo ha optimizado precisamente para esa segunda fase. La compañía presentó Jalapeño junto a Broadcom como su primer procesador específico para inferencia. OpenAI diseña la arquitectura; Broadcom participa en la implementación del silicio, las redes y la conectividad; y Celestica aporta integración de placas, racks y sistemas.
La apuesta tiene una lógica económica clara. La inferencia se ejecuta continuamente y a enorme escala. Cuanto más crecen los asistentes y los agentes autónomos, más importante resulta reducir el consumo, el coste por consulta y el tiempo que tarda cada token en llegar al usuario.
Las cifras colocan a Jalapeño por delante de Blackwell
OpenAI ha evaluado el chip con InferenceX, un benchmark público desarrollado por SemiAnalysis que intenta medir el proceso completo de servir una petición de IA. Las pruebas incluyen GPT-OSS 120B, DeepSeek R1 de 670.000 millones de parámetros y Kimi K2.5, con alrededor de un billón de parámetros.
Con GPT-OSS 120B, Jalapeño alcanzó aproximadamente 1,9 veces más throughput por kilovatio que Nvidia GB200 y redujo la latencia de extremo a extremo de 1,80 a 1,03 segundos.
Con DeepSeek R1, frente a GB300, el rendimiento por kilovatio fue 1,7 veces superior y la latencia bajó de 5,99 a 1,65 segundos. En Kimi K2.5, OpenAI declara 1,5 veces más rendimiento por vatio y una latencia de 1,56 segundos frente a 5,31.
Jalapeño tiene una potencia nominal de 700 W, aunque OpenAI afirma que durante estas cargas mantuvo un consumo sostenido igual o inferior a 550 W. Los GB200 y GB300 utilizados como referencia tienen potencias de paquete considerablemente superiores.
Conviene interpretar estas cifras con prudencia. Son resultados publicados por OpenAI, aunque las pruebas emplean un benchmark externo y SemiAnalysis ha analizado directamente el rendimiento de Jalapeño frente a las plataformas de Nvidia. Además, Jalapeño es un ASIC especializado en inferencia, mientras que Blackwell es una arquitectura más flexible que también está diseñada para entrenamiento y otras cargas de cálculo.
El verdadero objetivo es mover menos datos
La arquitectura intenta atacar uno de los problemas menos visibles de los grandes modelos: mover información entre memoria y unidades de cómputo consume tiempo y energía.
Durante la inferencia hay dos fases principales. En el prefill, el sistema procesa el prompt y necesita mucha capacidad de cálculo. Después llega el decode, donde genera tokens uno a uno y el cuello de botella suele desplazarse hacia el ancho de banda de memoria.
OpenAI explica que Jalapeño intenta mantener local información como la KV cache, la memoria temporal que conserva estados necesarios para generar los siguientes tokens sin recalcular todo el contexto. Chip, memoria, red y software de serving se han diseñado conjuntamente para reducir movimientos y esperas.
Es una estrategia que encaja con una tendencia importante en los aceleradores de inteligencia artificial: aumentar la potencia de cálculo ya no basta si la memoria y las interconexiones no pueden alimentar esas unidades suficientemente rápido.
OpenAI también utilizó IA para diseñar su propio chip
Jalapeño tiene otra peculiaridad: OpenAI asegura que sus modelos participaron directamente en el desarrollo. La compañía afirma que pasó del diseño inicial al tape-out —el momento en el que el diseño definitivo se envía a fabricación— en nueve meses.
La inteligencia artificial se utilizó para explorar distintas implementaciones, acelerar verificaciones y optimizar circuitos aritméticos. Posteriormente, Codex y otros modelos ayudaron también a preparar kernels, las rutinas de software que permiten aprovechar de forma eficiente el hardware.
En determinados bloques de atención y arquitecturas mixture-of-experts utilizadas por GPT-OSS, OpenAI asegura que implementaciones generadas con ayuda de IA funcionaron entre 1,5 y 1,8 veces más rápido que algunas versiones escritas manualmente por expertos.
La cifra no corresponde al rendimiento del modelo completo, pero apunta a una tendencia relevante: la inteligencia artificial no solo se ejecutará sobre nuevos chips, sino que también participará cada vez más en su diseño, verificación y programación.
OpenAI no abandona Nvidia, pero reduce una dependencia estratégica
Jalapeño no va a reemplazar de inmediato las GPU de Nvidia. OpenAI seguirá utilizando aceleradores de Nvidia y de otros proveedores tanto para entrenamiento como para inferencia.
La diferencia es que ahora dispone de una alternativa propia para las cargas donde controlar toda la pila tecnológica puede ofrecer ventajas importantes. OpenAI puede diseñar conjuntamente el modelo, el compilador, la memoria, las comunicaciones, el servidor y el propio silicio.
El movimiento sigue el camino iniciado hace años por Google con sus TPU y por Amazon con Trainium e Inferentia. Las grandes compañías de inteligencia artificial intentan controlar cada vez más elementos de su infraestructura porque, a escala de millones de usuarios, incluso pequeñas mejoras en coste por inferencia pueden traducirse en ahorros enormes.
Para Nvidia, esto no implica necesariamente una pérdida inmediata de negocio. La demanda mundial de capacidad de cálculo para IA continúa creciendo con rapidez y las GPU mantienen una ventaja importante gracias a su flexibilidad y al ecosistema de software construido alrededor de CUDA.
Qué puede cambiar para los usuarios de ChatGPT
Para el usuario, Jalapeño probablemente será invisible. Nadie tendrá que seleccionar manualmente qué chip ejecuta una consulta de ChatGPT.
Sus consecuencias podrían notarse indirectamente. Una infraestructura de inferencia más eficiente permite generar más tokens con la misma cantidad de energía y hardware, reducir la latencia de las respuestas y ejecutar agentes capaces de realizar procesos más largos antes de alcanzar límites económicos o de capacidad.
Esto será especialmente importante a medida que los sistemas de IA evolucionen desde simples conversaciones hacia agentes que realizan decenas o cientos de operaciones para completar una tarea.
La prueba definitiva llegará cuando Jalapeño pase de los benchmarks al despliegue a gran escala. Será entonces cuando pueda comprobarse si las ventajas publicadas por OpenAI se mantienen con miles de usuarios simultáneos, diferentes modelos y cargas de trabajo reales.
OpenAI ya no quiere limitarse a construir los modelos: también quiere controlar parte de la infraestructura física que los ejecuta. Y en una industria donde el coste de la computación se ha convertido en uno de los principales factores competitivos, tener un chip propio puede resultar tan estratégico como disponer del mejor modelo.
¿Creéis que los chips propios de OpenAI, Google o Amazon acabarán reduciendo el dominio de Nvidia en inteligencia artificial? ¿O la ventaja de su ecosistema seguirá siendo demasiado grande?
