Jalapeño: OpenAI diseñó su chip de IA con IA en 9 meses

Del concepto al silicio en 20 meses: la cifra que redefine el sector

Que una empresa diseñe su propio chip de IA ya no es noticia: Google con sus TPU, Microsoft con Maia, Amazon con Trainium y Meta con su programa ASIC llevan años recorriendo ese camino. Lo verdaderamente excepcional de Jalapeño, el primer chip de OpenAI, es la velocidad. Del concepto arquitectónico al silicio transcurrieron menos de 20 meses, y del código a la fabricación apenas nueve. Como resume Richard Ho, vicepresidente de hardware de OpenAI, "los modelos están dando superpoderes a nuestros ingenieros".

El equipo de diseño trabajó con una media de menos de 100 personas a lo largo de todo el proyecto, repartido con Broadcom (físico del chip) y TSMC como fabricante. Para poner esa cifra en contexto, los planes de Microsoft con Maia 300 prevén más de 300.000 unidades sólo en 2027, según información de The Information recogida por Yahoo Finance, y aun así su programa empezó antes.

Qué logra Jalapeño frente a Nvidia (y frente a sí mismo)

Los números de Jalapeño, presentados oficialmente el 24 de junio de 2026 y ampliados con benchmarks en la conferencia Hot Chips de agosto, son los siguientes:

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Hasta 13,4 petaflops de cómputo en precisión 4 bits.
232 GB de memoria HBM4, la más avanzada del momento.
Ancho de banda de memoria de 15,4 TB/s.
1,5 a 1,9 veces más trabajo de IA por vatio que los sistemas Nvidia GB200/GB300 en pruebas con modelos GPT-OSS 120B, DeepSeek R1 y Kimi K2.5 1T, según benchmarks de InferenceX reportados por The Verge.
1,7 a 3,6 veces menos latencia de extremo a extremo frente a la GB300 de Nvidia.

Ojo con un matiz importante que subraya SemiAnalysis en su análisis para CNBC: la comparación contra Blackwell es "algo incompleta e injusta" porque Jalapeño ya usa memoria HBM4, mientras que el rival natural sería la plataforma Vera Rubin de Nvidia, que también integrará HBM4 y está empezando a llegar a clientes. Es decir: OpenAI no le está ganando a lo mejor de Nvidia, pero sí apunta a la siguiente generación.

Dónde la IA aceleró el diseño (y dónde todavía no)

El truco de OpenAI no fue mágico: fue aplicar sus propios modelos de IA a la fase donde más rinden. Como explica Chris Leary, del equipo de OpenAI, "a la IA se le daba mucho mejor lo que parecía software… XLS en cierto modo se parece a software, así que se benefició de eso".

En la práctica:

Front-end (escritura de código del chip): aquí la IA sí dio un salto enorme, automatizando gran parte del trabajo que normalmente requiere equipos numerosos de ingenieros de diseño.
Back-end (place & route, verificación física, fabricación): aquí la IA aporta poco. Siguió dependiendo de Broadcom y de ingenieros humanos especializados.

Ho lo dice sin rodeos: "no estamos diciendo que cualquiera pueda venir y construir chips aceleradores de última generación usando solo Codex. Estamos diciendo cosas muy concretas sobre cómo sacarle más partido a Codex". La moraleja para founders: la IA multiplica la productividad de equipos pequeños y muy buenos, pero no automatiza un proyecto complejo de extremo a extremo.

El contexto: la fiebre de chips propios contra Nvidia

Jalapeño no llega solo. El movimiento por dejar de depender de Nvidia se aceleró en 2026 en todas las grandes tecnológicas:

Microsoft lanzó Maia 200 en enero de 2026 y ultima Maia 300 para otoño, con planes de más de 300.000 unidades en 2027 y un objetivo a largo plazo de "gigavatios" de capacidad, según The Next Web.
Anthropic cerró un compromiso de más de US$100.000 millones con AWS a 10 años, incluyendo chips Trainium, y ya utiliza Google TPUs.
Meta anunció un despliegue de 1+ GW de chips custom con tecnología Broadcom.
Google monetiza directamente sus TPU vendiéndolos a clientes externos.

Según Omdia, citada por CNBC, se espera que los ASIC custom como Jalapeño superen en volumen a las GPUs hacia 2028, aunque en ingresos las GPUs de Nvidia seguirán dominando más tiempo por su mayor precio unitario. Para Adrián Sánchez, analista de Yole Group, Jalapeño demuestra que "un chip diseñado por un hyperscaler ya puede igualar o superar a las GPUs Nvidia clase Blackwell en eficiencia de inferencia".

Jalapeño se desplegará en pequeños volúmenes a finales de 2026 y el ramp-up llegará en 2027. OpenAI ya trabaja en las generaciones 2 y 3, y Ho aclaró que Jalapeño no reemplazará todo su stack de cómputo: Nvidia seguirá siendo socio estratégico, sobre todo para entrenamiento.

Qué significa esto para tu startup

No vas a diseñar un chip de IA con IA el próximo trimestre, pero sí puedes sacar tres lecturas accionables:

Aplica IA a la fase de tu proyecto que más se parece a "software". El caso OpenAI/Broadcom lo dice todo: la IA rinde mejor donde la tarea es simbólica y estructurada (código, configuración, textos, datos). Identifica en tu producto o en tu operativa qué procesos cumplen esa condición y mete ahí un agente o un copiloto antes de tocar nada más.
Diseña en equipo pequeño y con frontera clara. 100 ingenieros, no 500, y un partner para el back-end físico. Para una startup, eso es ley: la IA no sustitye a buenos ingenieros, pero comprime equipos y plazos. Tu objetivo no es contratar más, es subir el techo de cada persona con herramientas de IA especializadas.
Piensa en costo de inferencia como ventaja competitiva. Jalapeño ofrece 1,5–1,9x más trabajo por vatio que Nvidia Blackwell. Si tu producto depende de LLMs en producción, esa misma curva está llegando al cloud general. Negocia con tu proveedor, mueve cargas a horas valle, evalúa TPUs/Trainium/ASICs propios en regiones donde estén disponibles, y construye tu unit economics pensando en que el costo de cómputo por token va a seguir bajando.