Ein 700-Watt-Chip hat soeben einen 1.400-Watt-Giganten überflügelt.
Am 25. August stellte OpenAI auf der Konferenz Hot Chips 2026 die ersten Praxistestergebnisse für seinen eigenentwickelten Inferenz-Chip Jalapeño vor. Laut dem InferenceX-Benchmark von SemiAnalysis erzielt Jalapeño pro Kilowatt das 1,5- bis 1,9-Fache des Token-Durchsatzes von Nvidias Blackwell GB300 bei einer um das 1,7- bis 3,6-Fache geringeren End-to-End-Latenz. Bei nur der Hälfte der Leistungsaufnahme des Konkurrenten liefert der Chip eine höhere Ausbeute. Die eigentliche Tragweite dieser Zahlen liegt nicht in den Werten selbst, sondern in der Erkenntnis: Der Wettbewerb um AI-Rechenleistung verlagert seine Maßstäbe leise von „Wer rechnet am schnellsten“ hin zu „Wer erzeugt mit weniger Strom mehr Token“.
Abb.: Offizielles Hauptmotiv des Jalapeño-Chips. Quelle: OpenAI
In 16 Monaten geschafft, wofür die Branche sonst drei Jahre benötigt
Jalapeño ist ein spezialisierter Inferenz-ASIC (anwendungsspezifischer integrierter Schaltkreis), der von OpenAI gemeinsam mit Broadcom entwickelt wurde. Der Chip wird bei TSMC im 3nm-Verfahren gefertigt, nutzt HBM4-Speicher der vierten Generation und weist eine thermische Verlustleistung (TDP) von etwa 700 W auf. Die Entwicklungsphase begann Mitte 2024; im Juni 2026 folgte die offizielle Ankündigung, und im August wurden die ersten Messergebnisse veröffentlicht — eine Gesamtdauer von rund 16 Monaten. In der Halbleiterindustrie gilt als Faustregel: Von der Neuentwicklung eines ASIC bis zum Tape-Out vergehen üblicherweise mindestens drei Jahre.
SemiAnalysis bezeichnet dieses Tempo als konkreten Beweis für das Funktionieren von „AI-gestütztem Chipdesign“ — KI-Tools haben den physischen Chipentwicklungsprozess drastisch komprimiert. Ein Zeitrahmen von 16 Monaten stellt in der Halbleiterbranche einen extremen Ausreißer dar. Während der Live-Präsentation demonstrierte OpenAI sogar eine via Codex-Prompts auf den Chip portierte Version von Doom. Dies unterstreicht, dass Jalapeño als universelle Inferenz-Engine konzipiert ist, die beliebige Modellgewichte verarbeiten kann und nicht auf proprietäre Arbeitslasten beschränkt ist.
Warum Energieeffizienz wichtiger ist als absolute Spitzenleistung
Um die Bedeutung der Ergebnisse von Jalapeño zu verstehen, muss man die aktuellen Engpässe moderner Rechenzentren betrachten.
Nvidia-CEO Jensen Huang betonte auf der Computex 2026: „Wenn Sie 1 Gigawatt Leistung zur Verfügung haben, bestimmt Ihr Durchsatz pro Watt Ihren Umsatz.“ Die Analyse von SemiAnalysis bringt es noch direkter auf den Punkt: „Heutige Rechenzentren sind durch Stromkapazitäten limitiert.“ Die Wartezeiten für Netzanschlussgenehmigungen übersteigen die Bauzeiten physischer Gebäude inzwischen bei Weitem. Dass xAI für die Versorgung seines Colossus-2-Clusters eigene Gasturbinen installieren musste, verdeutlicht die Schärfe des Problems. Kapital lässt sich investieren, aber Netzanschlüsse lassen sich nicht über Nacht herbeizaubern.
In diesem Umfeld wird der Token-Ausstoß pro Watt direkt zum Umsatz pro Kilowattstunde. Indem Jalapeño bei halber Leistungsaufnahme den 1,5- bis 1,9-fachen Durchsatz erzielt, vergrößert sich der Vorsprung bei normierter Leistungsaufnahme noch weiter. Dies erklärt, warum OpenAI die Energieeffizienz zum zentralen Schauplatz gewählt hat — es ist das Feld, auf dem sich unter den gegebenen physikalischen Rahmenbedingungen Siege erringen lassen.
Einordnung der Ergebnisse und Vorbehalte
Abb.: Vergleich des Token-Durchsatzes pro Megawatt verschiedener Chips im InferenceX-Benchmark, bei dem Jalapeño auf ganzer Linie führt. Quelle: SemiAnalysis / OpenAI
Trotz der beeindruckenden Zahlen weist SemiAnalysis auf drei wesentliche Vorbehalte hin, die für das Gesamtbild ebenso wichtig sind wie die Messwerte selbst.
Erstens stammen sämtliche Daten direkt von OpenAI. Das Team von SemiAnalysis besuchte zwar das Labor und verifizierte die Ausführung des InferenceX-Benchmarks auf realer Hardware, führte jedoch keine unabhängige Gesamttestreihe durch. Zweitens wäre der angemessenere Vergleichspartner Nvidias Vera Rubin (ebenfalls mit HBM4) statt des Blackwell GB300 — Vera Rubin wird bereits ausgeliefert, während Jalapeño derzeit nur als Engineering Sample vorliegt. Drittens basieren die Tests nicht auf den derzeit größten Frontier-Modellen, womit die Aussagekraft für maximale Modellgrößen begrenzt bleibt.
Ein technisches Detail verdient gesonderte Erwähnung: Jalapeño erzielte diese Ergebnisse im Modus der Einzel-Token-Vorhersage (Single-Token Prediction, STP) — ohne Spekulative Dekodierung und ohne Trennung von Prefill und Decode. Die verglichenen Konkurrenzchips liefen hingegen in ihren jeweils optimalen Softwarekonfigurationen inklusive Multi-Token-Vorhersage (MTP). Dennoch übertraf der STP-Durchsatz von Jalapeño selbst die im Juli veröffentlichten MTP-Werte von Nvidias Vera Rubin. Das zeigt, dass OpenAI noch ungenutztes Optimierungspotenzial in der Hinterhand hat.
Nvidias Burggraben erstmals von einem Großkunden durchbrochen
OpenAI gehörte in der Vergangenheit zu den größten Kunden von Nvidia. Nun hat das Unternehmen einen eigenen Chip gebaut, der das Nvidia-Flaggschiff in puncto Energieeffizienz schlägt, und veröffentlicht die Vergleichsdaten demonstrativ.
Die strukturelle Bedeutung dieses Schrittes wiegt schwerer als der reine Technologieerfolg. Die Halbleiterbranche war historisch durch hohe Kapital- und Zeitbarrieren geschützt — Dreijahreszyklen, Milliarden-R&D-Budgets und Ausbeuterisiken. Diese Hürden bildeten das Fundament von Nvidias Burggraben: Kunden, die sich keine eigene Chipentwicklung leisten konnten, waren auf Nvidia angewiesen. Jalapeño zeigt mit seinem 16-Monate-Tape-Out, dass KI-gestützte Werkzeuge diese zeitliche Barriere schneller durchbrechen können als gedacht. Microsoft Maia, Google TPU und Amazon Trainium verfolgen ähnliche Ziele, doch keiner dieser Akteure ist Nvidia bisher so direkt und öffentlich entgegengetreten.
Die Eigenentwicklung von Chips durch Modellhersteller diente ursprünglich der Vermeidung von Vendor-Lock-in und der Kostenreduzierung. Die Daten von Jalapeño belegen, dass es dabei längst nicht mehr nur um Kostenkontrolle geht — der Chip tritt auf dem neuen Schlachtfeld der Energieeffizienz direkt in den Wettbewerb ein.
Auf den Engineering Samples von Jalapeño erreichte DeepSeek R1 bei einzelner Konkurrenz über 700 Tokens/s/User, während Kimi-K2.5 und GPT-OSS rund 1.400 tok/s/user erzielten. Die GSM8k-Genauigkeit lag auf Augenhöhe mit Nvidia-Hardware. Diese Werte repräsentieren einen frühen Prototypenstatus mit weiterem Luft nach oben für die spätere Serienfertigung.
Die Spielregeln haben sich geändert
Jalapeño ist noch kein Serienprodukt. Es handelt sich um ein Engineering Sample, die Wahl der Vergleichsmaßstäbe ist diskussionswürdig, und die Daten stammen vom Hersteller selbst. Diese Einwände sind berechtigt.
Dennoch macht der Fall eines unmissverständlich klar: Die Wettbewerbsdimension bei AI-Rechenleistung hat sich grundlegend verschoben. Von „Wer hat die meisten FLOPs“ hin zu „Wer erzeugt mit weniger Strom mehr Token“ — eine Verschiebung, die durch die physischen Grenzen von Rechenzentren erzwungen wird, nicht durch Marketing. Nvidia hatte in dieser neuen Dimension bislang keinen ebenbürtigen Gegner. Mit Jalapeño erwächst dem Platzhirschen erstmals ein direkter Herausforderer aus den Reihen der eigenen Topkunden. Die Kernfrage lautet nun: Wenn OpenAIs Chip in Serie geht und weitere Modellentwickler nachziehen, wird Nvidias Preissetzungsmacht unter diesem veränderten Wettbewerbsdruck bröckeln?
Referenzlinks:
- SemiAnalysis: OpenAI Jalapeño - Better Than Nvidia Blackwell
- Offizieller OpenAI-Blog: Jalapeño’s first results show industry-leading performance
- Tom’s Hardware: OpenAI’s 700W Jalapeño ASIC outpaces 1,400W Nvidia flagship
- TechCrunch: OpenAI’s Jalapeño chip is built for fast inference at scale
- HN-Diskussion (item?id=49434378)
