TL;DR
· OpenAI und Broadcom bringen ihren ersten selbst entwickelten KI-Inferenzchip Jalapeño auf den Markt. Ziel ist eine erste Bereitstellung bis Ende 2026.
· Der Chip ist für die Inferenz von LLMs gedacht und kein Ersatz für Trainings-GPUs. Aussagen zur frühen Performance basieren weiterhin auf den Testkriterien des Unternehmens.
· OpenAI geht den ersten Schritt weg von der Abhängigkeit von NVIDIA, doch wie stark die Kosten gesenkt werden, das Produktionsausmaß und die Leistung unter realen Workloads wurden bisher noch nicht offengelegt.

OpenAI und Broadcom kündigten am 24. Juni Jalapeño an. Dabei handelt es sich um einen selbst entwickelten KI-Beschleuniger für die Inferenz großer Sprachmodelle (LLMs) – und zugleich um den ersten Chip von OpenAI, der als „Intelligence Processor“ bezeichnet wird. Laut den Mitteilungen beider Unternehmen befindet sich Jalapeño noch in der Test- und Vorserienphase. Ziel ist es, bis Ende 2026 mit der ersten Bereitstellung zu beginnen; in den folgenden Jahren soll die Technologie weiter ausgebaut werden. Für OpenAI besteht der Fokus nicht darin, sofort alle NVIDIA-GPUs zu ersetzen, sondern die kontinuierlich wachsenden Inferenzanforderungen in ChatGPT, Codex, der API und künftigen Agentenprodukten Schritt für Schritt auf eine Software- und Hardware-Kombination umzustellen, die besser zu den eigenen Modellen passt.

Mit Blick auf Inferenz beginnen und auf die Abfragekosten zielen, die jeden Tag anfallen

Der Bedarf an KI-Chips lässt sich grob in Training und Inferenz aufteilen. Training bestimmt die Obergrenze der Modellfähigkeit, während Inferenz entscheidet, ob sich nach Abschluss des Trainings massenhaft Nutzeranfragen mit akzeptablen Kosten beantworten lassen.

Jalapeño zielt auf das Letztere. OpenAI sagt, dieser Chip werde für Inferenz-Workloads großer Sprachmodelle eingesetzt—zur Bedienung von ChatGPT, Codex, API und zukünftigen Agenten-Produkten. Für normale Nutzer ändert er nicht direkt die Chat-Oberfläche, könnte aber die Kosten, Geschwindigkeit und Skalierbarkeit der Backend-Verarbeitung beeinflussen.

Das ist auch die gemeinsame Richtung des aktuellen Trends, dass KI-Unternehmen eigene Chips entwickeln. Google hat TPU, auch Amazon und Meta treiben benutzerdefinierte Acceleratoren voran. Sie müssen NVIDIA nicht zwingend vollständig ersetzen, sondern verlagern die stabilsten und größten internen Workloads auf Chips, die besser zu den eigenen Modellen und Software-Stacks passen.

OpenAI ist zuvor über lange Zeit von externen GPU-Lieferungen abhängig gewesen, insbesondere von NVIDIAs High-End-Accelerator-Karten. Mit dem Wachstum der Modellaufrufe bringt der reine Einkauf generischer GPUs gleich zwei Belastungen: Erstens die Kosten, zweitens die Versorgungssicherheit, die von einer externen Lieferkette abhängt. Außerdem können generische Chips in bestimmten Modell- und Service-Patterns möglicherweise nicht die höchste Effizienz erreichen. Die direkte Veränderung bei Jalapeño besteht darin, dass OpenAI von „nur Rechenleistung kaufen“ beginnt, an der Definition der Rechenleistung mitzuwirken.

Broadcom ist für die Silizium-Implementierung und die Verbindungstechnologie zuständig, der Wafer-Hersteller wurde nicht offengelegt

Jalapeño wurde von OpenAI von Grund auf entworfen, Broadcom liefert die Silizium-Implementierung sowie Netzwerk- und Verbindungstechnologien, und Celestica beteiligt sich an der Umsetzung auf der Ebene von Karten, Racks und Systemen. In der offiziellen Ankündigung wurde der Wafer-Hersteller nicht offengelegt, daher kann man nicht einfach schreiben, Broadcom übernehme die Herstellung.

Broadcom hat im Bereich maßgeschneiderte ASICs und Rechenzentrumsnetzwerke tiefgehende Erfahrung; in den vergangenen Jahren war das Unternehmen auch einer der Zulieferer hinter den eigenen Chip-Entwicklungen mehrerer großer KI-Giganten. Für OpenAI ist die Wahl von Broadcom eher so, als würde man die internen Architekturbedarfe eines Modellunternehmens an einen etablierten Halbleiter- und System-Ökosystem-Lieferanten übergeben, damit daraus ein bereitstellbares Produkt wird.

Auch beim Leistungsbereich muss man noch Spielraum nach oben einplanen. Die beiden Unternehmen sagen, Jalapeño ziele darauf ab, die Durchsatzleistung heutiger führender KI-Acceleratoren zu kombinieren und gleichzeitig eine deutliche Verbesserung bei Leistung pro Watt gegenüber aktuellen fortschrittlichen Lösungen zu erreichen. Offiziell wurde außerdem betont, dass Engineering-Muster bereits im Labor mit Ziel-Frequenzen und Leistungsaufnahme laufen, um ML-Workloads zu bearbeiten; die endgültige Performance werde aber noch gemessen. In den kommenden Monaten sollen detailliertere technische Berichte veröffentlicht werden.

Bislang sind keine Drittanbieter-Benchmarks veröffentlicht, und es wurden auch keine exakten Kennzahlen wie Durchsatz, Latenz, Leistungsaufnahme oder die prozentuale Abnahme der Kosten pro einzelne Abfrage offengelegt. Einige Marktinterpretationen stellen das Modell direkt neben Blackwell von NVIDIA oder TPU von Google zur Gegenüberstellung—aber solange keine echten Bereitstellungsdaten vorliegen, können Kostensenkung und Performance-Vorsprung derzeit nur als frühes Test-„Verständnis“ des Unternehmens betrachtet werden.

9 Monate bis zum Tape-out: KI-Assistenz beim Chipbau wurde zur nächsten Spur

Jalapeño gibt es noch eine vom Hersteller besonders hervorgehobene Einzelheit: Vom anfänglichen Design bis zum Erstellen der Fertigungs-„Tape-outs“ (fertige Chip-Layouts) vergingen nur 9 Monate. Diese Zeit ist nicht gleichbedeutend mit dem kompletten Serienproduktionszyklus, sondern bezeichnet die Geschwindigkeit, mit der das Chip-Design in die Phase der Fertigungsaufbereitung übergeht.

Bei der traditionellen Chip-Entwicklung benötigt der Weg von Architekturdesign über Validierung und EDA-Prozesse bis zum Tape-out in der Regel lange Zyklen. OpenAI zufolge wird dieser Prozess durch seine Modelle beschleunigt. Das Unternehmen versucht zu belegen, dass KI nicht nur Code schreiben und Inhalte generieren kann, sondern auch in Hardware-Engineering-Abläufe einsteigt und damit Entwurfs- und Validierungszeiten für Chips verkürzt.

Wenn sich dieser Ansatz in nachfolgenden Produkten wiederverwenden lässt, ist Jalapeño nicht nur ein Einzeltchip, sondern der Ausgangspunkt für eine Multi-Generation-Plattform für maßgeschneiderte Rechenleistung von OpenAI. OpenAI und Broadcom hatten bereits im Oktober 2025 die Zusammenarbeit für maßgeschneiderte KI-Acceleratoren im 10-GW-Segment angekündigt; geplant ist der Rollout ab der zweiten Jahreshälfte 2026 und die Fertigstellung bis Ende 2029. Jalapeño ist dabei das erste Exemplar, mit dem diese Kooperationslinie in eine öffentliche Produktphase übergeht.

Allerdings gilt: Schnelle Designzyklen bedeuten nicht automatisch schnelle Deployments. Ob Jalapeño in OpenAIs zentrale Infrastruktur einziehen kann, hängt von der späteren Serienfertigung, dem Packaging, der Verfügbarkeit von hochbandbreitem Speicher, der Systemintegration der Server sowie der Einsatz- bzw. Scheduling-Planung im Rechenzentrum ab. Wenn in irgendeiner Phase ein Engpass entsteht, kann sich dadurch der initiale Bereitstellungsrhythmus bis Ende des Jahres verschieben.

Weniger Abhängigkeit von NVIDIA ist die Richtung—nicht eine bereits abgeschlossene vollständige Ersetzung

Jalapeño wird vom Markt am leichtesten als „OpenAI stellt NVIDIA infrage“ interpretiert. Treffender ist es jedoch: OpenAI beginnt damit, für bestimmte Inferenz-Workload-Typen nach einem maßgeschneiderten Pfad jenseits von NVIDIA zu suchen.

Der Vorteil von NVIDIA liegt weiterhin nicht nur in der Leistung einer einzelnen GPU, sondern auch im CUDA-Ökosystem, den Trainings- und Inferenz-Toolchains, der systemweiten Vernetzung, der Entwicklerbasis und der Größenordnung bei der Lieferung. Selbst wenn OpenAI Jalapeño erfolgreich einsetzt, wird es NVIDIA nicht sofort loswerden. Gerade beim Training hochmoderner großer Modelle, bei allgemeiner Forschung und bei vielfältigen Workloads bleibt High-End-GPU eine entscheidende Basisinfrastruktur.

Der Inferenzbereich eignet sich besser für den Einstieg maßgeschneiderter Chips. Das Anfrage-Pattern ist relativ stabil, die Modellstruktur lässt sich besser kontrollieren und die Service-Ziele sind klarer. Wenn OpenAI die hochfrequenten, standardisierten Inferenzaufgaben aus ChatGPT, Codex oder der API auf Jalapeño verlagern kann, könnte das bei Kosten und Lieferflexibilität tatsächlich Vorteile bringen.

Für Broadcom bedeutet das Eigenentwickeln von Chips durch KI-Giganten nicht, dass die Chip-Companies umgangen werden—im Gegenteil, es bringt mehr maßgeschneiderte Projekte. Allerdings hängt das Ertragsfenster solcher Projekte weiterhin von Komponenten-Kosten, Lieferumfang und Systemkomplexität ab, insbesondere von den Preisen und der Verfügbarkeit wichtiger Lieferungen wie z. B. hochbandbreitigem Speicher.

Was Jalapeño als Nächstes wirklich beantworten muss, ist nicht, ob es zur Markteinführung mit Blackwell oder TPU gleichzieht, sondern wie groß es bis zum Jahresende skaliert bereitgestellt werden kann, welche echten Workloads es ausführen wird und auf welches Niveau die Inferenzkosten sinken. Für OpenAI ist dieser „mexikanische Chili“ nur der erste scharfe Test, um die GPU-Engpässe loszuwerden—ob daraus aber das Hauptgericht wird, muss sich anhand der bereitstellungsbezogenen Daten zeigen.