OpenAI ficha a Samsung para sus chips de próxima generación

Por qué Samsung y no solo TSMC para la próxima generación

El movimiento que Harrison Kim, máximo responsable de OpenAI en Corea del Sur, confirmó en la conferencia de prensa del 9 de septiembre en Seúl no es un recambio: es una ampliación de proveedores. Broadcom diseñó Jalapeño, TSMC lo fabrica en 3 nm y Samsung ya estaba dentro del proyecto como proveedor de memoria HBM4 (TrendForce). Lo nuevo es que Samsung entra también como socio de I+D para los chips de segunda y tercera generación.

La razón de fondo, según el análisis publicado por Xataka, es que TSMC tiene las líneas de producción al límite, especialmente en nodos de 2 y 3 nm. Nvidia y Apple, que llevan años reservando capacidad, tienen prioridad. OpenAI difícilmente puede competir por esa franja, así que sumar a Samsung como fabricante alternativo es lógico: el gigante surcoreano ya opera nodos avanzados y está invirtiendo para escalar su foundry (TrendForce).

No es un movimiento aislado. Según Reuters, Samsung y SK Hynix firmaron cartas de intención en octubre de 2025 para suministrar memoria al proyecto Stargate de OpenAI. Samsung llegó a estimar que la demanda de memoria de OpenAI podría llegar hasta 900.000 obleas de DRAM al mes, una cifra que dimensiona el volumen que está en juego.

🤖 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

Jalapeño, la primera generación que ya corre

El chip de primera generación se presentó oficialmente a finales de agosto de 2026, pero el origen del programa se remonta a finales de 2024, cuando OpenAI empezó a reclutar al equipo y a definir la arquitectura (LA Times, vía Hoodline). Jalapeño es un ASIC pensado exclusivamente para inferencia, no para entrenar modelos. El diseño se hizo junto a Broadcom y la fabricación corre por cuenta de TSMC en su nodo de 3 nm; el tape-out se completó a finales de 2025, en unos 16 meses, frente a los 24-36 meses que suele tardar un ASIC (SemiAnalysis, citado por LA Times).

Los primeros benchmarks, presentados en la conferencia Hot Chips y verificados por SemiAnalysis, muestran el chip midiéndose contra una Nvidia GB300 en el benchmark público InferenceX sobre tres modelos: GPT-OSS 120B, DeepSeek R1 670B y Kimi K2.5 1T. Resultados publicados por Tom’s Hardware y LA Times:

1,5 a 1,9 veces más trabajo por kilovatio que GB200/GB300 en throughput general
1,7 a 3,6 veces menos latencia de extremo a extremo
Consumo de 700 W frente a los 1.200 W y 1.400 W de los flagship de Nvidia
En cargas interactivas muy sensibles a latencia: 2,1 a 4,1 veces más rendimiento y entre 8,6 y 104,3 veces más throughput por kilovatio frente a la configuración más rápida del GB300
Memoria: 6 a 8 stacks de HBM4 Samsung, 216 GiB y 15,4 TB/s de ancho de banda (TrendForce)

Richard Ho, jefe de hardware de OpenAI, fue claro: «Jalapeño puede servir más trabajo de IA por vatio y, a la vez, devolver respuestas más rápido» (TechCrunch). El despliegue real será en pequeños volúmenes a finales de 2026 y a mayor escala en 2027 (LA Times).

Una hoja de ruta de tres generaciones

Lo relevante no es Jalapeño, sino que OpenAI ya tiene la segunda generación en desarrollo profundo y una tercera en fase de diseño preliminar (LA Times, vía Xataka). Eso significa que el laboratorio de Sam Altman está reservando capacidad de ingeniería y fabricación para un horizonte de varios años, algo que solo se sostiene si la dirección estratégica es firme.

El acuerdo con Samsung, según Reuters, no sustituye a TSMC: lo que hace es abrir un segundo frente de fabricación y, sobre todo, profundizar la colaboración en memoria, que es donde la propia OpenAI reconoce que hay más dependencia. Que Samsung entre en I+D, no solo en assembly, es la señal de que la alianza apunta a algo más estable y de mayor volumen que un contrato puntual.

La industria se rearma: Google, Meta y Anthropic también

OpenAI no es el único laboratorio que se ha cansado de depender exclusivamente de Nvidia:

Google lleva siete generaciones de TPU y acaba de presentar las variantes 8t y 8i. El ex jefe de TPU, Amir Salek, acaba de ser fichado por Anthropic (Bloomberg vía Yahoo Finance).
Meta desarrolla la familia MTIA, con el MTIA 300 como última iteración.
Anthropic contrató a Salek para liderar un equipo interno de diseño de chips (TechCrunch) y, según TrendForce citando a The Information y Yonhap, también estaría explorando los 2 nm y el empaquetado avanzado de Samsung Foundry para construir aceleradores propios.

En el ecosistema más amplio aparecen Cerebras, Etched (que cerró una ronda con valoración de US$21.000M) y MatX, fundada por exempleados de Google (LA Times, vía Hoodline). El espacio de silicio custom para inferencia se está llenando rápido, porque la inferencia ya representa entre el 60 % y el 70 % de un mercado de aceleradores cercano a los US$400.000 millones en 2026, frente al 40 % de 2023 (Six Point Ventures, vía Value Add VC).

Y el actor dominante no se está quieto: Nvidia asegura aproximadamente el 60 % de la capacidad de empaquetado avanzado de TSMC, que el foundry está expandiendo de 65.000-75.000 obleas/mes en 2025 a 120.000-130.000 en 2026 (Tom’s Hardware). Jensen Huang declaró en marzo que Nvidia tiene línea de visión hacia US$1 billón en pedidos de hardware de IA hasta 2027.

¿Qué significa esto para tu startup?

Si construyes sobre OpenAI, Google o cualquier proveedor de frontera, este rearme del silicio tiene tres consecuencias prácticas:

Diseña tus costes de inferencia como variable, no como constante. La promesa de Jalapeño (1,5-4x más trabajo por vatio que la generación Blackwell de Nvidia) significa que el coste por token va a caer en saltos discretos cada vez que un hyperscaler cambie de generación. Presupuesta a 18 meses, no a 3 años.
No asumas que tu proveedor de memoria es indiferente. Samsung estima que la demanda de OpenAI podría llegar a 900.000 obleas/mes. Si dependes de GPUs de gama alta o de HBM para entrenar o afinar modelos, tu acceso a esa memoria puede competir con el de los propios hyperscalers. Negocia contratos multianuales o explora alternativas como Groq, Cerebras o chips chinos que ya están liberados de algunas restricciones.
Prepárate para un mercado de inferencia más fragmentado. Nvidia seguirá dominando, pero entre OpenAI, Google, Anthropic y Meta van a ofrecer rutas custom que pueden ser más baratas por token para workloads específicos. Si tu producto depende mucho de un único modelo caro, explora portabilidad a TPU, MTIA o, en cuanto salgan, a los chips de Anthropic y OpenAI.