OpenAI ya no quiere limitarse a entrenar modelos, vender acceso a una API o convertir ChatGPT en una plataforma de productividad. Con Jalapeño, su primer Intelligence Processor diseñado junto a Broadcom, la compañía entra de lleno en la capa más física de la inteligencia artificial: el silicio, la red, los racks y la eficiencia energética de los centros de datos.

El anuncio marca un cambio importante en la estrategia de OpenAI. La empresa presenta Jalapeño como un acelerador diseñado desde cero para inferencia de modelos de lenguaje, no como una GPU generalista reutilizada para IA. Su objetivo es claro: servir modelos grandes de forma más rápida, más estable y con mejor rendimiento por vatio. En una industria donde cada punto de eficiencia puede traducirse en millones de dólares de ahorro, esta diferencia importa mucho.

La inferencia se ha convertido en uno de los grandes campos de batalla de la IA. Entrenar modelos frontera sigue siendo carísimo, pero el verdadero coste recurrente aparece cuando esos modelos se usan todos los días por millones de personas y empresas. Cada respuesta de ChatGPT, cada tarea de Codex, cada llamada a la API y cada futuro agente que ejecuta acciones durante minutos consume cómputo, memoria, red y energía.

Jalapeño apunta justo a ese problema. OpenAI no está diciendo solo que tendrá un chip propio. Está diciendo que quiere diseñar una parte de la infraestructura alrededor de cómo funcionan sus modelos, sus kernels, sus sistemas de serving y sus productos reales.

Un ASIC para una IA que ya vive en producción

La diferencia entre construir un chip generalista y diseñar un ASIC para una carga concreta es fundamental. Una GPU debe servir para muchas cosas: entrenamiento, inferencia, HPC, gráficos, simulación o análisis científico. Un acelerador específico puede renunciar a parte de esa flexibilidad a cambio de mejorar el rendimiento en tareas muy concretas.

OpenAI conoce esas tareas mejor que casi nadie. Opera cargas masivas en ChatGPT, Codex y su API. Sabe dónde se consume memoria, qué patrones de atención aparecen en sus modelos, qué latencias toleran los usuarios, qué tipo de kernels se repiten y dónde se pierde eficiencia cuando se sirve IA a gran escala.

Ese conocimiento es el que intenta llevar al hardware. Según OpenAI, Jalapeño reduce el movimiento de datos y equilibra cómputo, memoria y red para acercar la utilización real del chip a su rendimiento teórico. Este punto es importante porque muchos aceleradores prometen cifras muy altas sobre el papel, pero en producción se quedan lejos de ese pico por cuellos de botella en memoria, interconexión o software.

Capa del stack	Qué busca controlar OpenAI
Modelos	Arquitectura, entrenamiento y evolución de LLM
Productos	ChatGPT, Codex, API y futuros agentes
Serving	Planificación, latencia, escalado y costes
Kernels	Operaciones críticas de inferencia
Memoria	Menos movimiento de datos y mejor utilización
Red	Interconexión a gran escala con Broadcom
Hardware	Aceleradores propios para cargas de IA
Racks	Integración industrial con socios como Celestica

El chip no llega aislado. Broadcom aporta implementación de silicio, conectividad y tecnologías de red como Tomahawk. Celestica participa en la integración de placas, racks y sistemas. La lectura industrial es clara: OpenAI no está diseñando solo una pieza, sino una plataforma de cómputo multigeneracional.

Por qué Broadcom es el socio lógico

El protagonismo de Broadcom tiene sentido. La compañía se ha convertido en uno de los actores más relevantes en el mercado de ASIC personalizados para grandes clientes tecnológicos. Su papel no es exactamente competir con NVIDIA en la misma categoría de GPU universal, sino ayudar a empresas con enorme demanda de cómputo a crear aceleradores específicos, interconectados y producibles a escala.

Para OpenAI, esto ofrece una vía distinta a depender únicamente de GPUs comerciales. No significa abandonar a NVIDIA ni sustituir toda la infraestructura existente de golpe. Lo más probable es que durante años convivan GPUs, aceleradores propios y chips de terceros. Pero sí permite a OpenAI empezar a mover cargas específicas hacia hardware diseñado para sus patrones de inferencia.

La red es otro punto crítico. En IA a gran escala, el rendimiento no depende solo del chip. Miles de aceleradores deben comunicarse con baja latencia y gran ancho de banda. Cuando los modelos crecen, los agentes ejecutan más pasos y los usuarios exigen respuestas rápidas, la interconexión interna del centro de datos se convierte en parte del producto. Broadcom tiene ahí una posición fuerte.

Jalapeño, por tanto, debe leerse como chip, pero también como sistema. Acelerador, red, placa, rack, energía y software de serving forman una misma unidad operativa. Esta es la parte que separa la carrera actual de chips de IA de ciclos anteriores: el ganador no será solo quien tenga más TOPS o más ancho de banda, sino quien logre operar todo el sistema con menor coste por token.

La IA empieza a diseñar la infraestructura de la IA

Uno de los detalles más llamativos del anuncio es el plazo de desarrollo. OpenAI afirma que Jalapeño pasó del diseño inicial al tape-out en nueve meses, con el apoyo de sus propios modelos para acelerar partes del diseño y la optimización.

El dato debe tomarse con cautela, porque pasar del tape-out a despliegue masivo es otra historia. Pero aun así resulta relevante. El diseño de semiconductores de alto rendimiento suele ser un proceso largo, caro y lleno de validaciones. Si los modelos de IA empiezan a ayudar de forma real en tareas de verificación, documentación, exploración de diseño o revisión de errores, el ciclo de desarrollo de hardware puede cambiar.

Aquí aparece una especie de bucle industrial: los modelos actuales ayudan a diseñar chips que servirán para ejecutar modelos futuros. No es una idea menor. Si ese ciclo se acelera, las empresas que controlen más capas del stack podrán avanzar más deprisa que las que dependen de proveedores externos para cada decisión de hardware.

OpenAI ya utiliza IA para escribir código, analizar información y asistir a desarrolladores. Extender esa lógica al diseño de chips encaja con su estrategia de integración vertical. El objetivo no es solo tener mejores modelos, sino construir una fábrica de cómputo más eficiente para los modelos que vendrán después.

La batalla real es el coste por token

El dato técnico que falta es el más importante: cuánto reduce Jalapeño el coste real de inferencia. OpenAI asegura que las primeras pruebas muestran un rendimiento por vatio mucho mejor que el estado del arte actual, pero aún no ha publicado cifras finales, benchmarks comparables, detalles de memoria, proceso de fabricación, consumo, ancho de banda, coste por rack o coste por token.

Hasta que esos datos lleguen, Jalapeño debe verse como una promesa estratégica, no como una victoria técnica demostrada. En chips, el laboratorio es solo el primer paso. Después llega la producción, la fiabilidad, el rendimiento sostenido, el suministro, el software, la operación en centros de datos y la capacidad de escalar sin degradar la experiencia de usuario.

Aun así, el movimiento tiene todo el sentido. Si OpenAI reduce el coste de servir sus modelos, puede ofrecer respuestas más rápidas, planes más baratos, más disponibilidad en horas punta y agentes capaces de ejecutar tareas más largas sin disparar el coste. Esto afecta directamente a su negocio.

Métrica clave	Por qué importa
Rendimiento por vatio	Reduce coste energético y densidad necesaria
Latencia	Mejora experiencia en productos interactivos
Throughput	Permite atender más usuarios por infraestructura
Coste por token	Define precios y márgenes de API
Fiabilidad	Evita cuellos de botella en demanda alta
Escalabilidad	Determina si puede desplegarse a gigavatios

El coste por token será una de las métricas decisivas de la próxima etapa de la IA. Los modelos serán más capaces, pero también más utilizados. Agentes, herramientas de programación, copilotos empresariales, asistentes de investigación y productos multimodales consumirán cada vez más inferencia. Quien controle mejor ese coste tendrá más margen para competir.

La nueva carrera de chips ya no pertenece solo a NVIDIA

NVIDIA seguirá siendo el actor dominante en aceleradores de IA durante el futuro inmediato, especialmente en entrenamiento y en plataformas maduras de software. Pero el mercado se está fragmentando. Google tiene TPU, Amazon apuesta por Trainium e Inferentia, Microsoft desarrolla Maia, Meta trabaja en sus propios chips y ahora OpenAI avanza con Broadcom hacia hardware específico para sus cargas.

La razón es sencilla: los mayores consumidores de IA ya no quieren comprar siempre el mismo martillo para cualquier clavo. Cuando el volumen es enorme, diseñar una herramienta específica puede compensar. Y cuando el coste de cómputo condiciona el producto, el hardware pasa de ser una compra técnica a una decisión estratégica de negocio.

OpenAI se suma así a la lógica de los hiperescalares, aunque con una diferencia importante. No es un cloud generalista tradicional. Su carga principal es la inteligencia artificial como producto. Eso puede hacer que Jalapeño esté más especializado que otros chips internos de proveedores cloud.

La pregunta es si esa especialización será una ventaja suficiente. Un chip propio puede ser muy eficiente en una familia de cargas, pero puede quedarse corto si los modelos cambian de arquitectura, si la inferencia multimodal crece de forma inesperada o si el mercado demanda flexibilidad. OpenAI afirma que Jalapeño está pensado para LLM actuales y futuros, pero solo el despliegue real demostrará hasta qué punto esa flexibilidad existe.

Un paso más hacia la industrialización de OpenAI

Jalapeño no debe interpretarse como una curiosidad de hardware. Es otra señal de que OpenAI se está convirtiendo en una compañía industrial de IA. Modelos, producto, centros de datos, chips, acuerdos energéticos, alianzas cloud y capacidad de despliegue empiezan a formar parte de una misma estrategia.

Esto tiene implicaciones para todo el sector. Para los proveedores de chips, significa que sus mayores clientes quieren negociar desde una posición más fuerte. Para los centros de datos, confirma que la demanda de IA seguirá presionando energía, refrigeración y red. Para las empresas que usan la API, abre la posibilidad de que la inferencia sea más barata y estable si el chip cumple lo prometido. Para los competidores, eleva el listón de integración vertical.

También plantea una pregunta de fondo: si la IA más avanzada depende cada vez más de infraestructuras a escala de gigavatios, la competencia no se decidirá solo en laboratorios de investigación. Se decidirá en cadenas de suministro, disponibilidad energética, diseño de chips, redes de centros de datos y capacidad financiera.

Jalapeño es el primer chip de OpenAI, pero no será el último si la estrategia funciona. El verdadero anuncio no es un procesador concreto. Es el inicio de una plataforma de cómputo propia que puede redefinir cómo la compañía sirve sus modelos a escala global.

La próxima guerra de la IA no se librará solo en los benchmarks. Se librará en vatios, racks, latencia y coste por token.

Preguntas frecuentes

¿Qué es Jalapeño?
Jalapeño es el primer chip de inferencia diseñado por OpenAI junto a Broadcom. La compañía lo define como su primer Intelligence Processor.

¿Para qué sirve un chip de inferencia?
Sirve para ejecutar modelos ya entrenados cuando los usuarios los usan en productos como ChatGPT, Codex o la API. Su objetivo es reducir latencia, coste y consumo energético.

¿Sustituirá a las GPUs de NVIDIA?
No necesariamente. Lo más probable es que conviva con GPUs y otros aceleradores. Jalapeño está pensado para cargas específicas de inferencia de LLM, no para cubrir todos los usos posibles.

¿Cuándo se desplegará?
OpenAI plantea un despliegue inicial hacia finales de 2026 y una expansión posterior dentro de una plataforma multigeneracional con Broadcom, Celestica y socios de centros de datos.

Fuentes:
OpenAI, “OpenAI and Broadcom unveil LLM-optimized inference chip”.
OpenAI y Broadcom, anuncio de colaboración estratégica para aceleradores de IA.