Una llave se inserta en la cerradura y gira media vuelta. Sam Altman y el CEO de Broadcom, Hock Tan, están de pie juntos en el escenario, sosteniendo una oblea de silicio de 300 mm con el chip bautizado como «Jalapeño». Los disparos de las cámaras suenan como una tormenta. El 24 de junio de 2026, OpenAI finalmente sacó su primera carta de hardware.
Según la información pública, Jalapeño es un ASIC dedicado a inferencia, desarrollado conjuntamente por OpenAI y Broadcom, fabricado con el proceso de 3 nm de TSMC, equipado con 8 pilas HBM y con un área de die que se aproxima al reticle limit. El chip utiliza una arquitectura de systolic array: en las fotos de la oblea se observa un floorplan columnar altamente repetitivo, una característica similar a la de proyectos anteriores de Broadcom en el diseño físico de las Google TPU. Las primeras muestras de ingeniería ya están ejecutando GPT-5.3-Codex-Spark, alcanzando la frecuencia y el consumo objetivo.
Una frase en el comunicado oficial de OpenAI provocó una reacción colectiva en la comunidad de chips: «Del diseño a la producción en solo nueve meses». La cobertura de Bloomberg añadió la declaración de Hock Tan: en comparación con las soluciones típicas de inferencia en GPU, Jalapeño puede ahorrar aproximadamente un 50% de costes. Estos dos datos juntos constituyen la narrativa central del lanzamiento: rápido y barato.
Pero, ¿qué son exactamente estos «9 meses»? En la discusión de HN, un usuario que se identifica como CEO de una empresa de chips, «zgao», ofreció un desglose desde la perspectiva de un ingeniero. Si «diseño» se refiere al RTL freeze (congelación del diseño lógico frontend) y «producción» se refiere al tapeout (envío a la fundición para fabricación), entonces 9 meses para un chip grande y complejo en proceso de 3 nm «es un cronograma bastante convencional, incluso poco impresionante». Pero si fue desde la «fase conceptual» —sin un diagrama de arquitectura, sin una sola línea de RTL escrita— hasta el tapeout en solo 9 meses, entonces sería algo realmente extraordinario. Y como OpenAI no especificó los hitos concretos de inicio y fin, «la verdad probablemente esté en algún punto intermedio».
Otro usuario, «sharkjacobs», fue más directo: si los modelos de IA realmente desempeñaron un papel tan importante en el diseño del chip, ¿se habría limitado OpenAI a mencionar vagamente que «nuestros modelos aceleraron el proceso de diseño y optimización»? Suena tan convincente como decir que «Microsoft Office aceleró nuestro desarrollo»: puro relleno de diapositivas. El autor se inclina a pensar que esta afirmación se sitúa entre la realidad y el marketing. Los lenguajes de descripción de hardware (HDL) como Verilog y SystemVerilog sí tienen cierta cobertura en el corpus de entrenamiento de los LLM, y la generación automatizada de testbenches ya es una dirección que la industria está explorando. OpenAI ha estado contratando para puestos de IA aplicada al diseño de chips en los últimos meses. Pero afirmar que ya ha desarrollado una cadena de herramientas completa como AlphaChip de Google DeepMind carece, por ahora, de cualquier evidencia pública.
Aquí entra en juego una división clave en la industria de chips: el diseño frontend y la implementación backend. El frontend abarca la definición de la arquitectura y la escritura del RTL, probablemente liderado por el equipo de hardware de OpenAI, cuyo responsable, Richard Ho, fue director de hardware del proyecto Google TPU y ya había trabajado con Broadcom en la era de las TPU. El backend consiste en la implementación física que convierte el RTL en GDS (el equivalente a los «archivos Photoshop» capa por capa del chip), además de la gestión de la cadena de suministro, el empaquetado y las pruebas, terreno donde Broadcom es un veterano absoluto. Un comentario mordaz pero preciso resume la situación: «OpenAI definió la arquitectura, Broadcom hizo todo lo demás.”
Entendiendo esta división, la razonabilidad de los «9 meses» depende de cuándo se empieza a contar. Del RTL freeze al tapeout, con las bibliotecas de IP existentes y el flujo de diseño maduro de Broadcom, 9 meses es un plazo normal. Del diseño conceptual al tapeout, 9 meses es casi imposible: el diseño de chips no es como la iteración de software; la tolerancia al error del silicio es cero.
Pasemos a los detalles técnicos. Jalapeño está diseñado exclusivamente para inferencia, no para entrenamiento. Esta decisión obedece a una lógica económica clara: el entrenamiento es un coste puntual, la inferencia es un coste continuo. El enorme volumen de solicitudes de inferencia que OpenAI procesa diariamente a través de ChatGPT, Codex, API y otras líneas de producto es la verdadera bestia que devora los márgenes. Trasladar la inferencia fuera de las GPU de Nvidia, incluso ahorrando solo un 30-50%, representa una diferencia de miles de millones de dólares anuales a escala operativa.
En cuanto a la arquitectura, Jalapeño adopta un diseño híbrido de systolic array + hardware de función fija, optimizado para la propagación hacia adelante de modelos Transformer. Esto guarda similitud con la filosofía de diseño de la Google TPU v1: también era un chip exclusivamente de inferencia, con 92 TOPS@INT8 y un consumo de solo 40W, superando por órdenes de magnitud la eficiencia energética de las GPU contemporáneas. Pero Google tardó una década entera en iterar las TPU hasta la octava generación, cubriendo el flujo completo desde inferencia hasta entrenamiento. OpenAI apenas acaba de dar el primer paso.
¿Cómo situar este chip en el panorama competitivo? Desde la perspectiva de las tendencias de la industria, los chips personalizados de las empresas de IA han pasado de ser una opción a una cuestión de calendario. Las Google TPU ya van por la séptima/octava generación, AWS tiene Trainium2 e Inferentia2, y la serie MTIA de Meta avanza hacia los 2 nm en colaboración con Broadcom. Anthropic también está explorando su propio camino en chips, y el uso de AWS Trainium para entrenar a Claude ya es información pública. El motor detrás de esta tendencia es claro: cuando la arquitectura de tu modelo, la combinación de operadores y los patrones de procesamiento por lotes son conocimiento interno, una GPU de propósito general tiene una enorme cantidad de transistores alimentando funciones que no necesitas.
Pero hay un riesgo del que no se habla con frecuencia: la ventana de oportunidad. Se espera que la Nvidia Vera Rubin se comercialice en la segunda mitad de 2026, y Nvidia afirma que su eficiencia de inferencia es 10 veces superior a la de Blackwell. El primer despliegue de Jalapeño está previsto para finales de 2026, y probablemente no alcanzará escala hasta 2027, momento en el que podría enfrentarse a la Vera Rubin Ultra o incluso a Feynman. Un usuario de HN emitió un juicio muy sobrio: «Si tienes una asignación de un gigavatio de electricidad, solo vas a instalar los mejores chips. Si los chips de Nvidia son mejores, este proyecto es un desperdicio de miles de millones de dólares.”
Por supuesto, el significado de Jalapeño va más allá de un simple chip. Es un paso clave de OpenAI hacia la «integración vertical full-stack». OpenAI escribió en su blog que no solo desarrollan modelos y productos, sino que también diseñan la infraestructura subyacente: «arquitectura de chips, kernels, sistemas de memoria, redes, planificación, sistemas de despliegue, experiencia de producto». Esta formulación recuerda al camino de Apple desde la compra de chips Intel hasta el desarrollo de su propia serie M. Pero en el ámbito de la IA, este camino es mucho más incierto: la arquitectura de los modelos evoluciona rápidamente —MoE (mezcla de expertos), cadenas de razonamiento profundo, contexto largo— y cada cambio puede alterar los supuestos sobre los que se basa el diseño óptimo del hardware.
Hay un contexto narrativo imposible de ignorar: esto podría ser el gran espectáculo antes de la IPO de OpenAI. Una valoración de decenas o incluso cientos de miles de millones de dólares necesita una historia de hardware que la respalde. «Podemos fabricar nuestros propios chips» puede resultar tan atractivo para los inversores como la propia reducción de costes de inferencia que ofrece el chip. El valor técnico de Jalapeño existe objetivamente, pero la función narrativa del momento del lanzamiento también merece ser reconocida.
A la luz de la información pública, la hoja de ruta técnica de Jalapeño es razonable, pero la competencia a la que se enfrenta —ya sea la velocidad de iteración de Nvidia, la madurez de las Google TPU o el hecho de que su despliegue no se materializará hasta 2027— son desafíos reales. La narrativa de los 9 meses quizá tenga algo de relleno, pero la dirección en sí no es errónea. La era del hardware de IA está pasando de «comprar a Nvidia» a «fabricar el propio», y Jalapeño es el hito más reciente y mediático en ese camino.
El análisis anterior se basa en la información pública actual y en los debates de la comunidad. Si tienes experiencia de primera mano más profunda en diseño de chips, eres bienvenido a señalar las deficiencias de este artículo.