OpenAI diseña el chip Jalapeño en 20 meses con su propia IA

Quién está detrás de Jalapeño y por qué importa

Jalapeño es el primer chip de inferencia propio de OpenAI, anunciado oficialmente el 24 de junio de 2026. El desarrollo se repartió con Broadcom, responsable del diseño físico y de la tela de red Tomahawk; la fabricación quedó en manos de TSMC, en un proceso N3P de 3 nanómetros; y la integración de placa y rack la lidera Celestica, según los detalles publicados por Yahoo Finance.

Lo más llamativo no es la potencia bruta, sino el plazo: del concepto arquitectónico al silicio funcional, menos de 20 meses; del código a tape-out, 9 meses. El equipo medio que lo hizo posible fue de menos de 100 personas. Para ponerlo en contexto, los ciclos de diseño ASIC en esta categoría suelen moverse entre 3 y 5 años, según recoge IEEE Spectrum. Que un equipo reducido entregue un competidor directo de la línea Blackwell en una fracción de ese tiempo cambia las reglas del juego: cualquier hyperscaler con ingenieros y capital puede aspirar a hacer lo mismo.

Cómo la IA aceleró el diseño en el frente (y dónde no pudo)

La pregunta obvia es cómo se comprimió ese calendario. La respuesta corta la dio Richard Ho, vicepresidente de hardware de OpenAI, en Hot Chips 2026: «Los modelos están dando superpoderes a nuestros ingenieros». La respuesta larga está en dividir el flujo de diseño en dos mitades muy distintas.

🤖 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

En el front-end — la fase donde se escribe el código del chip usando lenguajes como XLS — la IA rindió. Como explicó 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». Herramientas como Codex aceleraron la escritura de especificaciones y exploración de arquitecturas. TechTimes documentó que, para bloques específicos de atención GPT-OSS y mixture-of-experts, las implementaciones generadas por IA corrieron 1,5 a 1,8 veces más rápido que las versiones humanas expertas.

En el back-end — donde ese código se traduce en circuitos físicos con restricciones de timing, potencia y área — la IA no fue suficiente. El grueso del trabajo lo siguieron haciendo ingenieros humanos, apoyados en la experiencia de Broadcom. Ho fue explícito: «No estamos diciendo que cualquiera pueda venir y construir chips aceleradores de IA usando solo Codex». Multiplicar la productividad de un equipo de élite, sí; democratizar el diseño de chips, no.

Qué puede hacer Jalapeño frente a Nvidia

Las cifras técnicas publicadas por OpenAI y verificadas por SemiAnalysis en Hot Chips 2026 (25 de agosto) son las que más pesan para el bolsillo de un founder:

13,4 petaFLOPs de cómputo en MXFP4.
216 GiB de memoria HBM4 (≈232 GB), con ancho de banda de 15,4 TB/s.
TDP nominal de 700 W, con consumo sostenido medido por debajo de 550 W.
1,5 a 1,9 veces más trabajo por vatio que los racks GB200 y GB300 de Nvidia.
1,7 a 3,6 veces menos latencia de extremo a extremo en la suite InferenceX.

El dato fino lo aportó SemiAnalysis: en puntos de operación interactiva (baja latencia, un solo usuario), la ventaja se amplía a 2,1 a 4,1 veces sobre los sistemas Nvidia probados. Los modelos utilizados en las pruebas fueron GPT-OSS 120B, DeepSeek R1 670B y Kimi K2.5, de Moonshot AI.

Ahora bien, ese benchmark se ejecutó sobre la generación Blackwell. Cuando SemiAnalysis comparó a Jalapeño contra los mejores resultados publicados de Vera Rubin (julio de 2026), la ventaja se estrecha. La comparación en coste total por token salió, en palabras de SemiAnalysis, «prácticamente un empate». Diferencia clave: Vera Rubin corre multi-token prediction, una técnica que infla el throughput; Jalapeño corrió siempre single-token. La métrica que más importa a un operador de datacenter — tokens por megavatio — sí favorece a Jalapeño, pero por un margen estrecho.

Otro matiz importante: Jalapeño es solo inferencia, no entrenamiento. El ecosistema CUDA de Nvidia para entrenar modelos frontera sigue intacto, y OpenAI no reclama lo contrario.

Qué cambia para Nvidia y para el resto del mercado

Jalapeño es silicio cautivo: según Ho, OpenAI no piensa venderlo ni licenciar. El plan es desplegar 10 gigavatios de sistemas basados en este diseño hasta 2029, según reveló el CEO de Broadcom Hock Tan en la earnings call del 2 de septiembre. Para 2027 la hoja de ruta marca 1,3 GW de despliegue y «línea de visión» hacia más de 5 GW en 2028, lo que convertiría a OpenAI en el segundo mayor cliente XPU de Broadcom, solo por detrás de Anthropic.

El frente donde más duele a Nvidia es inferencia a escala. Como señaló el CEO Jensen Huang en la earnings call de mayo (recogida por CNBC), esa parte del negocio es donde más hyperscalers están compitiendo con silicio propio: las TPUs de Google, Trainium de Amazon, Maia y Cobalt de Microsoft. Nvidia defendió que su cuota de inferencia sigue creciendo, pero admitió que Vera Rubin estará «suministro-constreñida» durante todo su ciclo de vida. Jalapeño se suma a esa presión.

Hay un cuello de botella adicional que ningún benchmark resuelve: la HBM4 está vendida hasta 2027. SK Hynix, Samsung y Micron tienen toda su capacidad comprometida. Jalapeño usa 216 GiB por encapsulado, frente a los 288 GB del GB300. En un mercado con escasez, quien necesita menos memoria por unidad de trabajo entregado puede producir más chips con la misma asignación de obleas. El propio SK Hynix ha advertido públicamente que 2027 será el peor año del cuello de botella.

Para Nvidia, el golpe inmediato es limitado: el 17 de agosto la propia OpenAI cerró un acuerdo para que Nvidia financie hasta US$105.000 millones de un campus de datacenter en Ohio. Ho resumió la relación sin rodeos: «Nvidia es un muy buen partner, y seguimos necesitando mucho Nvidia». El mensaje para el mercado: la inferencia empieza a erosionarse, pero el entrenamiento y la base instalada CUDA siguen siendo el castillo.

Qué significa esto para tu startup

Más allá del titulares para inversores, hay tres lecturas prácticas para quien construye producto con IA:

1. El coste por token de inferencia va a caer, pero no de forma inmediata. OpenAI no ha prometido bajar precios de API con Jalapeño. El historial es mixto: los modelos antiguos han abaratado sus APIs desde 2023, pero los frontera han mantenido precio. La eficiencia da la opción de bajar precios; no la garantiza. Diseña tu unit economics asumiendo que el coste actual puede caer 30-50% en 18 meses, pero no cuentes con ello en tu pitch.

2. La inferencia «on-device» y los modelos pequeños son la siguiente frontera. Jalapeño está optimizado para servir LLMs a millones de usuarios concurrentes, manteniendo estado y KV-cache cerca de los núcleos. Si tu producto depende de latencia baja o de mantener contexto largo, este tipo de arquitectura va a generalizarse. Empieza a diseñar tus prompts y cachés asumiendo que el coste dominará sobre el tamaño del modelo.

3. No vas a poder diseñar tu propio chip, pero sí puedes comprarlo mejor. La lección del equipo de Ho es la productividad asistida por IA: los modelos actual no reemplazan ingenieros especializados, multiplican a los buenos. Lo mismo aplica a tu workflow: invierte en formación de tu equipo en herramientas de IA aplicadas a tu dominio (código, datos, diseño, QA), porque la ventaja competitiva de los próximos 24 meses estará en quién integra IA en procesos, no en quién compra acceso a la API más cara.

La historia de Jalapeño no es solo hardware: es la prueba de que los ciclos de I+D en infraestructura se están comprimiendo de forma medible, y que la velocidad con la que cae el coste de servir IA depende cada vez menos del silicio estándar y más de quién pueda co-diseñar a medida.