Resumen
· OpenAI y Broadcom lanzaron el primer chip de IA Jalapeño, diseñado por ellos mismos, con el objetivo de tener una implementación inicial antes de finales de 2026.
· Este chip está destinado a la inferencia de LLM, no es un sustituto de los GPUs para entrenamiento; las afirmaciones sobre su rendimiento temprano provienen de las pruebas de la empresa.
· OpenAI da el primer paso para reducir su dependencia de Nvidia, pero los detalles sobre la reducción de costos, la escala de producción y el rendimiento en condiciones reales aún no se han revelado.

OpenAI y Broadcom anunciaron el 24 de junio Jalapeño, un acelerador de IA diseñado para la inferencia de modelos de lenguaje grande, y es el primer chip de OpenAI denominado 'Procesador de Inteligencia'. Según el anuncio de ambas compañías, Jalapeño aún está en la fase de pruebas y prototipos, con el objetivo de comenzar una implementación inicial antes de finales de 2026 y continuar expandiéndose en los próximos años. Para OpenAI, el enfoque no es reemplazar de inmediato todos los GPUs de Nvidia, sino ir trasladando gradualmente las crecientes demandas de inferencia en ChatGPT, Codex, API y futuros productos de agentes inteligentes hacia una combinación de software y hardware que se adapte mejor a sus propios modelos.

Empezar por la inferencia y fijarse en el coste de las consultas que ocurren cada día

La demanda de chips de IA se divide, en términos generales, en entrenamiento e inferencia. El entrenamiento determina el límite de capacidad de un modelo; la inferencia determina, una vez completado el entrenamiento, si el modelo puede responder a las solicitudes masivas de usuarios con un coste aceptable.

Jalapeño apunta a lo segundo. OpenAI afirma que este chip se utilizará para cargas de inferencia de modelos de lenguaje de gran escala, para servir a ChatGPT, Codex, API y futuros productos de agentes. Para el usuario común, no cambiará directamente la interfaz de chat, pero podría influir en el coste, la velocidad y la escalabilidad del procesamiento de solicitudes en segundo plano.

Esta es también una dirección común en la ola de chips diseñados por cuenta propia en empresas de IA. Google tiene TPU; Amazon y Meta también están impulsando aceleradores personalizados. No necesariamente tienen que reemplazar por completo a NVIDIA: lo que hacen es trasladar sus cargas de trabajo internas más estables y de mayor escala a chips que se ajusten mejor a sus modelos y a su stack de software.

OpenAI ha dependido durante mucho tiempo de la oferta externa de GPU, especialmente de aceleradores de gama alta de NVIDIA. A medida que aumenta el volumen de llamadas al modelo, depender solo de comprar GPU de propósito general genera dos presiones: el coste y que el suministro queda condicionado por la cadena de suministro externa. Además, los chips genéricos no necesariamente logran la máxima eficiencia en modelos y patrones de servicio específicos. El cambio directo de Jalapeño es que OpenAI pasa de solo comprar capacidad de cómputo a participar en definirla.

Broadcom se encarga de la implementación del silicio y la tecnología de conexión; el fabricante de wafers no se ha divulgado.

Jalapeño fue diseñado desde cero por OpenAI; Broadcom proporciona la implementación de silicio, la red y las tecnologías de interconexión; y Celestica participa en la materialización a nivel de placas, racks y sistemas. El anuncio oficial no ha divulgado el fabricante de wafers, por lo que no se puede escribir simplemente que Broadcom se encarga de la fabricación.

Broadcom tiene una acumulación más profunda en ASIC personalizados y redes de centros de datos, y en los últimos años también se ha convertido en uno de los proveedores detrás del desarrollo interno de chips de varias grandes empresas de IA. Para OpenAI, elegir a Broadcom como socio es algo así como convertir las necesidades de arquitectura internas de la empresa de modelos en un producto desplegable a partir de una cadena madura de suministro de semiconductores y sistemas.

En el apartado de rendimiento todavía hay que dejar margen. Ambas compañías afirman que el objetivo de Jalapeño es combinar la capacidad de rendimiento (throughput) de los aceleradores de IA líderes actuales y lograr una mejora clara en rendimiento por vatio frente a las soluciones avanzadas actuales. Al mismo tiempo, la empresa oficial recalca que los prototipos de ingeniería ya ejecutan cargas de trabajo de aprendizaje automático en el laboratorio a la frecuencia y el consumo objetivo; el rendimiento final aún se está midiendo y en los próximos meses se publicarán informes técnicos más detallados.

Todavía no se han publicado puntos de referencia de terceros, ni se han revelado indicadores clave como el throughput preciso, la latencia, el consumo de energía o el porcentaje de reducción del coste por consulta. Algunas interpretaciones del mercado lo comparan directamente con Blackwell de NVIDIA o TPU de Google, pero hasta que salgan los datos de despliegue reales, la ventaja en reducción de costes y rendimiento solo puede considerarse como un argumento de pruebas tempranas de la empresa.

De 9 meses al tape-out: la fabricación de chips asistida por IA se convierte en otra pista

Hay otro detalle que la propia empresa destaca oficialmente de Jalapeño: desde el diseño inicial hasta la creación del primer prototipo de silicio (tape-out) solo se tardó 9 meses. Ese periodo no equivale al ciclo completo de producción en masa, sino a la rapidez con la que el diseño del chip entra en la fase de preparación para la fabricación.

En el desarrollo tradicional de chips, desde el diseño de la arquitectura, la validación, los procesos de EDA hasta el tape-out suele requerirse un periodo largo. OpenAI afirma que este proceso lo acelera su modelo. La empresa intenta demostrar que la IA no solo puede escribir código y generar contenido, sino también integrarse en el flujo de la ingeniería de hardware y ayudar a reducir el tiempo de diseño y validación del chip.

Si este enfoque puede reutilizarse en productos posteriores, Jalapeño no sería solo un chip de una sola generación, sino el punto de partida de una plataforma de cómputo personalizada de varias generaciones de OpenAI. OpenAI y Broadcom anunciaron anteriormente, en octubre de 2025, una colaboración para aceleradores de IA personalizados de nivel 10 GW. El plan es desplegarlos a partir de la segunda mitad de 2026 y completarlo antes de finales de 2029. Jalapeño es el primer ejemplo de esa línea de colaboración que pasa a la fase de producto público.

Sin embargo, la rapidez en el diseño no equivale a la rapidez en el despliegue. Que Jalapeño pueda entrar en la infraestructura central de OpenAI dependerá de la producción en masa posterior, el ensamblaje (packaging), el suministro de memoria de alto ancho de banda, la integración de sistemas de servidores y la gestión del scheduling en centros de datos. Si aparece un cuello de botella en cualquier etapa, podría afectar el ritmo de despliegue inicial antes de fin de año.

Reducir la dependencia de NVIDIA es la dirección; no que la sustitución ya esté completada

Jalapeño es lo que el mercado interpreta con más facilidad como «OpenAI desafiando a NVIDIA». La descripción más precisa sería: OpenAI ha empezado a buscar rutas personalizadas para ciertas cargas de trabajo de inferencia, fuera de NVIDIA.

La ventaja de NVIDIA sigue sin estar solo en el rendimiento de una GPU individual: también incluye el ecosistema CUDA, las herramientas para entrenamiento e inferencia, la interconexión a nivel de sistema, la base de desarrolladores y la escala de suministro. Aunque OpenAI despliegue Jalapeño con éxito, no eliminará de inmediato a NVIDIA. Especialmente en el entrenamiento de modelos grandes de vanguardia, la investigación y el desarrollo general, y cargas de trabajo diversas, las GPU de gama alta siguen siendo infraestructura clave.

El tramo de inferencia es el que mejor se adapta para entrar con chips personalizados. El patrón de solicitudes es relativamente estable, la estructura del modelo es más controlable y el objetivo del servicio es más claro. Si OpenAI puede trasladar tareas de inferencia de alta frecuencia y estandarizadas de ChatGPT, Codex o API a Jalapeño, podría obtener beneficios reales tanto en costes como en flexibilidad de suministro.

Para Broadcom, que los gigantes de la IA diseñen chips propios no significa que se evite a la empresa de chips; al contrario, esto podría generar más proyectos de personalización. Lo que ocurre es que el margen de beneficios de este tipo de proyectos sigue dependiendo del coste de los componentes, el tamaño del despliegue y la complejidad del sistema, especialmente de los precios y la disponibilidad de proveedores clave como la memoria de alto ancho de banda.

Lo que Jalapeño necesita responder ahora de verdad no es si puede equipararse a Blackwell o a TPU en el momento del lanzamiento, sino cuán a gran escala puede desplegarse antes de fin de año, qué cargas de trabajo reales puede ejecutar y hasta qué nivel puede reducir el coste de la inferencia. Para OpenAI, esta «pimienta mexicana» es solo el primer bocado para probar y salir del cuello de botella de las GPU; si puede convertirse en el plato principal, dependerá de los datos de despliegue.