TL;DR
· OpenAI dan Broadcom merilis chip AI inferensi rancangan sendiri pertama mereka Jalapeño, dengan target implementasi awal sebelum akhir 2026.
· Chip ini ditujukan untuk inferensi LLM, bukan pengganti GPU untuk pelatihan; klaim performa pada tahap awal masih berdasarkan standar pengujian dari perusahaan.
· OpenAI mengambil langkah pertama untuk mengurangi ketergantungan pada Nvidia, namun besaran penghematan biaya, skala produksi massal, dan performa pada beban kerja nyata belum diungkapkan.

OpenAI dan Broadcom mengumumkan Jalapeño pada 24 Juni. Ini adalah akselerator AI rancangan sendiri yang ditujukan untuk inferensi model bahasa besar, sekaligus chip pertama OpenAI yang disebut sebagai "Intelligence Processor". Berdasarkan pengumuman kedua perusahaan, Jalapeño masih berada pada tahap pengujian dan sampel; targetnya adalah memulai implementasi awal sebelum akhir 2026, dan dalam beberapa tahun ke depan terus diperluas. Bagi OpenAI, fokusnya bukan langsung menggantikan semua GPU Nvidia, melainkan mengalihkan permintaan inferensi yang terus meningkat dari ChatGPT, Codex, API, dan produk agen (agent) di masa depan secara bertahap ke kombinasi perangkat lunak dan perangkat keras yang lebih sesuai dengan model mereka sendiri.

Mulai dari proses inferensi, dan mengincar biaya kueri yang terjadi setiap hari

Kebutuhan chip AI secara garis besar terbagi menjadi pelatihan dan inferensi. Pelatihan menentukan batas kemampuan model, sedangkan inferensi menentukan apakah setelah model dilatih selesai, model itu dapat menjawab jutaan permintaan pengguna dengan biaya yang masih dapat diterima.

Jalapeño menargetkan yang kedua. OpenAI menyebut bahwa chip ini akan digunakan untuk beban kerja inferensi pada model bahasa besar, melayani ChatGPT, Codex, API, serta produk agen cerdas di masa depan. Bagi pengguna biasa, chip ini tidak akan secara langsung mengubah tampilan antarmuka chat, tetapi dapat memengaruhi biaya, kecepatan, dan skalabilitas pemrosesan permintaan di bagian belakang (backend).

Ini juga merupakan arah bersama dari gelombang chip yang dikembangkan sendiri oleh perusahaan AI. Google punya TPU, sementara Amazon dan Meta juga mendorong akselerator kustom. Mereka tidak harus sepenuhnya menggantikan Nvidia, melainkan memindahkan beban kerja internal yang paling stabil dan berskala besar ke chip yang lebih cocok dengan model dan tumpukan perangkat lunak mereka sendiri.

Sebelumnya, OpenAI dalam jangka panjang bergantung pada pasokan GPU eksternal, terutama kartu akselerator kelas atas Nvidia. Seiring meningkatnya jumlah pemanggilan model, hanya membeli GPU serbaguna akan membawa dua tekanan sekaligus: biaya dan pasokan yang bergantung pada rantai pasok eksternal. Selain itu, chip serbaguna juga belum tentu mampu mencapai efisiensi tertinggi untuk model dan pola layanan tertentu. Perubahan langsung dari Jalapeño adalah membuat OpenAI, dari sekadar membeli daya komputasi, mulai ikut berperan dalam mendefinisikan daya komputasi.

Broadcom bertanggung jawab atas implementasi silikon dan teknologi konektivitas, sedangkan pihak pabrik pembuat wafer tidak diungkapkan

Jalapeño dirancang dari nol oleh OpenAI, Broadcom menyediakan implementasi silikon, jaringan, dan teknologi konektivitas, sementara Celestica berpartisipasi dalam penerapan pada tingkat kartu, rak, dan sistem. Pengumuman resmi tidak mengungkap pihak pabrik wafer, sehingga tidak bisa ditulis begitu saja bahwa Broadcom bertanggung jawab atas manufaktur.

Broadcom memiliki akumulasi yang lebih dalam pada custom ASIC dan jaringan pusat data. Dalam beberapa tahun terakhir, ia juga menjadi salah satu pemasok di balik chip yang dikembangkan sendiri oleh beberapa raksasa AI. Bagi OpenAI, memilih Broadcom bekerja sama lebih mirip menyerahkan kebutuhan arsitektur internal perusahaan model kepada rantai pasok semikonduktor dan sistem yang sudah matang agar diubah menjadi produk yang siap dideploy.

Bagian kinerja tetap perlu diberi batas. Kedua perusahaan mengatakan, target Jalapeño adalah menggabungkan kemampuan throughput akselerator AI terdepan saat ini, serta mencapai peningkatan yang jelas pada performa per watt dibanding solusi mutakhir saat ini. Resmi juga menekankan bahwa sampel teknik telah menjalankan beban kerja pembelajaran mesin di lab pada frekuensi dan konsumsi daya target; performa akhir masih akan diukur, dan dalam beberapa bulan ke depan akan dirilis laporan teknis yang lebih detail.

Saat ini belum ada benchmark pihak ketiga yang diumumkan, dan belum ada pengungkapan indikator kunci seperti throughput presisi, latensi, konsumsi daya, serta besaran penurunan biaya per kueri. Beberapa interpretasi pasar akan langsung membandingkannya dengan Nvidia Blackwell atau Google TPU, tetapi sebelum data penerapan dunia nyata keluar, keunggulan biaya dan performa masih hanya bisa disebut sebagai uji awal versi perusahaan.

9 bulan hingga tape-out, pembuatan chip berbantuan AI menjadi petunjuk lain

Detail lain yang secara resmi ditekankan pada Jalapeño: dari desain awal hingga pembuatan prototipe wafer berjalan (tape-out) hanya memakan waktu 9 bulan. Waktu ini tidak sama dengan seluruh siklus produksi massal, melainkan mengacu pada kecepatan ketika desain chip masuk ke tahap persiapan untuk manufaktur.

Dalam pengembangan chip tradisional, dari desain arsitektur, verifikasi, alur EDA hingga tape-out biasanya memerlukan siklus yang panjang. OpenAI mengatakan, proses ini dipercepat oleh modelnya. Perusahaan berupaya membuktikan bahwa AI tidak hanya bisa menulis kode dan menghasilkan konten, tetapi juga dapat masuk ke alur rekayasa perangkat keras untuk membantu memangkas waktu desain dan verifikasi chip.

Jika pendekatan ini dapat dipakai ulang untuk produk-produk berikutnya, Jalapeño bukan sekadar chip generasi tunggal, melainkan menjadi titik awal platform komputasi kustom multi-generasi milik OpenAI. OpenAI dan Broadcom sebelumnya telah mengumumkan pada Oktober 2025 kerja sama akselerator AI kustom level 10GW, dengan rencana mulai dideploy pada paruh kedua 2026 dan menyelesaikannya sebelum akhir 2029. Jalapeño adalah contoh pertama yang masuk tahap produk publik dari lini kerja sama tersebut.

Namun, kecepatan desain tidak selalu berarti kecepatan deployment. Apakah Jalapeño bisa masuk ke infrastruktur inti OpenAI juga akan bergantung pada produksi massal berikutnya, proses packaging, pasokan memori bandwidth tinggi, integrasi sistem server, serta penjadwalan di pusat data. Jika ada kemacetan di salah satu tahap, itu dapat memengaruhi ritme deployment awal pada akhir tahun.

Mengurangi ketergantungan pada Nvidia adalah arah, bukan penggantian yang sudah selesai

Jalapeño paling mudah ditafsirkan pasar sebagai “tantangan OpenAI terhadap Nvidia”. Namun yang lebih tepat, OpenAI mulai mencari jalur kustom di luar Nvidia untuk beberapa beban kerja inferensi.

Keunggulan Nvidia masih tidak hanya pada performa satu GPU, tetapi juga mencakup ekosistem CUDA, toolchain untuk pelatihan dan inferensi, interkoneksi tingkat sistem, fondasi bagi developer, serta skala pasokan. Bahkan jika OpenAI berhasil menerapkan Jalapeño, ia tidak akan langsung lepas dari Nvidia. Terutama pada pelatihan model besar di garis depan, riset dan pengembangan serbaguna, serta beragam beban kerja, GPU kelas atas tetap menjadi infrastruktur kunci.

Tahap inferensi lebih cocok untuk masuk dengan chip yang dikustom. Pola permintaan relatif stabil, struktur model lebih dapat dikendalikan, dan sasaran layanan juga lebih jelas. Jika OpenAI dapat memindahkan tugas inferensi yang berulang, berstandar, dan berfrekuensi tinggi dari ChatGPT, Codex, atau API ke Jalapeño, maka ada peluang untuk mendapatkan manfaat nyata dari sisi biaya dan keluwesan pasokan.

Bagi Broadcom, chip yang dikembangkan sendiri oleh raksasa AI tidak berarti perusahaan chip tersebut “diakali” atau tersingkir. Justru, hal itu dapat menghadirkan lebih banyak proyek kustom. Namun ruang keuntungan proyek semacam ini tetap bergantung pada biaya komponen, skala pengiriman, dan kompleksitas sistem—terutama harga dan ketersediaan pasokan kunci seperti memori bandwidth tinggi.

Yang benar-benar harus dijawab Jalapeño selanjutnya bukanlah apakah saat rilis bisa menyamai Blackwell atau TPU, melainkan seberapa besar ia bisa masuk ke skala produksi pada akhir tahun, beban kerja nyata apa saja yang bisa dijalankan, serta seberapa jauh biaya inferensi dapat diturunkan. Bagi OpenAI, “cabai Meksiko” ini hanyalah uji rasa pertama untuk keluar dari kemacetan GPU—apakah bisa jadi menu utama, masih perlu menunggu data penerapan.