Un chip de 700 vatios acaba de superar a un gigante de 1400 vatios.
El 25 de agosto, durante la conferencia Hot Chips 2026, OpenAI hizo públicos los primeros datos reales de rendimiento de Jalapeño, su chip de inferencia propio. Según el benchmark InferenceX de SemiAnalysis, Jalapeño alcanza entre 1.5 y 1.9 veces el rendimiento de tokens por kilovatio de la Nvidia Blackwell GB300, reduciendo la latencia de extremo a extremo entre 1.7 y 3.6 veces. Con solo la mitad del consumo energético de su rival, la trascendencia de estas cifras va más allá de los números: señala cómo el estándar de la competencia en cómputo de IA está cambiando sigilosamente de la velocidad absoluta al rendimiento de tokens por vatio.
Figura: Imagen principal oficial del chip Jalapeño. Fuente: OpenAI
16 meses para completar lo que suele requerir tres años
Jalapeño es un ASIC (circuito integrado de aplicación específica) dedicado a la inferencia, diseñado conjuntamente por OpenAI y Broadcom. Fabricado con el proceso de 3 nm de TSMC y equipado con memoria de alto ancho de banda HBM4, cuenta con una potencia de diseño térmico (TDP) de unos 700 W. El proyecto arrancó a mediados de 2024, se anunció oficialmente en junio de 2026 y presentó resultados de pruebas en agosto: todo el proceso tomó aproximadamente 16 meses. La práctica habitual en la industria de semiconductores dicta que el desarrollo de un ASIC desde cero hasta el tape-out requiere al menos tres años.
SemiAnalysis calificó este ritmo como una prueba palpable del impacto del «diseño de chips acelerado por IA», demostrando que las herramientas de IA han logrado comprimir el ciclo de diseño del silicio. Un plazo de 16 meses resulta un caso excepcional en la industria. Durante la presentación en vivo, OpenAI mostró incluso una versión de Doom adaptada al chip mediante instrucciones de Codex, lo que demuestra que Jalapeño es un motor de inferencia de propósito general capaz de procesar cualquier peso de modelo y no solo cargas de trabajo propietarias.
Por qué la eficiencia energética supera al rendimiento absoluto
Para comprender la relevancia de los logros de Jalapeño, primero hay que entender el principal cuello de botella que afrontan los centros de datos actuales.
Como señaló Jensen Huang en Computex 2026: «Si dispones de 1 gigavatio de energía, tu rendimiento por vatio define tus ingresos». El diagnóstico de SemiAnalysis es todavía más tajante: «Hoy en día, los centros de datos están limitados por la energía». Los tiempos de espera para las aprobaciones de conexión a la red eléctrica superan con creces los ciclos de construcción de las instalaciones físicas. El hecho de que xAI tuviera que instalar sus propias turbinas de gas para alimentar el clúster Colossus 2 refleja la gravedad del problema. Se puede invertir capital, pero las conexiones eléctricas no se consiguen de la noche a la mañana.
En este contexto, la producción de tokens por vatio se traduce directamente en ingresos por kilovatio-hora. Al lograr de 1.5 a 1.9 veces el rendimiento con la mitad de consumo energético, la ventaja de Jalapeño se amplía aún más al comparar bajo el mismo envolvente de potencia. Esto explica por qué OpenAI eligió la eficiencia energética como su campo de batalla principal: es el terreno en el que puede ganar bajo las restricciones físicas actuales.
Contexto y consideraciones sobre los resultados
Figura: Comparativa del rendimiento de tokens por megavatio entre chips en el benchmark InferenceX, donde Jalapeño lidera de forma destacada. Fuente: SemiAnalysis / OpenAI
A pesar de los espectaculares datos, SemiAnalysis planteó tres matices importantes que requieren igual atención.
En primer lugar, todas las cifras fueron proporcionadas directamente por OpenAI. Aunque el equipo de SemiAnalysis visitó el laboratorio para verificar que la prueba InferenceX se ejecutaba en hardware real, no realizó una batería de pruebas independiente completa. En segundo lugar, el rival de comparación más justo debería ser la Nvidia Vera Rubin (que también emplea HBM4) en lugar de la Blackwell GB300; las unidades Rubin ya se están entregando, mientras que Jalapeño se encuentra únicamente en fase de muestras de ingeniería. En tercer lugar, los modelos utilizados en las pruebas no pertenecen a la mayor escala de modelos frontera actuales, por lo que el alcance de los resultados tiene límites.
Hay un detalle técnico adicional que conviene destacar: Jalapeño obtuvo todos estos resultados en modo de predicción de token único (Single-Token Prediction, STP), sin decodificación especulativa ni separación de prefill-decode. Por el contrario, los chips competidores de la gráfica se probaron con sus mejores configuraciones de software e incluyendo predicción multitoken (MTP). El rendimiento STP de Jalapeño superó incluso los datos MTP de la Nvidia Vera Rubin publicados en julio, lo que indica que a OpenAI le queda margen de optimización por explotar.
El foso de Nvidia perforado desde dentro por su propio cliente
OpenAI ha sido históricamente uno de los mayores clientes de Nvidia. Ahora ha fabricado un chip capaz de superar al buque insignia de Nvidia en la dimensión energética y ha mostrado públicamente los datos comparativos.
El significado estructural de este movimiento supera con creces el hito técnico. La industria de los semiconductores ha estado protegida tradicionalmente por barreras de capital y tiempo: ciclos de tres años, inversiones multimillonarias en I+D y riesgos de rendimiento de fabricación. Estas barreras constituyeron los cimientos del foso defensivo de Nvidia: los clientes que no podían permitirse desarrollar chips propios no tenían más remedio que comprar a Nvidia. El tape-out de Jalapeño en 16 meses demuestra que las herramientas asistidas por IA pueden franquear esa barrera temporal mucho más rápido de lo esperado. Microsoft Maia, Google TPU y Amazon Trainium avanzan en direcciones similares, pero ninguna ha desafiado a Nvidia de forma tan directa y pública.
El desarrollo de chips propios por parte de los creadores de modelos buscaba inicialmente reducir la dependencia de Nvidia y recortar costes. Los datos de Jalapeño demuestran que esto ya no es solo una estrategia de control de costes: ha pasado a competir cara a cara en el nuevo frente de la eficiencia energética.
En las muestras de ingeniería de Jalapeño, DeepSeek R1 alcanzó más de 700 tokens/s/usuario en concurrencia única, mientras que Kimi-K2.5 y GPT-OSS rondaron los 1400 tok/s/usuario, igualando la precisión de GSM8k del hardware de Nvidia. Se trata de cifras obtenidas con prototipos, lo que deja margen de mejora de cara a la producción en masa.
Las reglas del juego han cambiado
Jalapeño todavía no es un producto comercial masivo. Es una muestra de ingeniería, la elección de las comparativas está abierta al debate y los datos proceden de la propia OpenAI. Todas estas reservas son válidas.
Sin embargo, el caso ilustra con claridad que la dimensión competitiva del cómputo de IA ha experimentado un cambio sustancial. Pasar de «quién tiene más FLOPs» a «quién genera más tokens con menos electricidad» es una transición impuesta por los límites físicos de los centros de datos, no por el marketing. Nvidia no tenía rivales en este nuevo frente hasta ahora; la llegada de Jalapeño supone el primer reto directo procedente de su propia base de clientes de primer nivel. La siguiente pregunta es inevitable: cuando el chip de OpenAI entre en producción en masa y otras empresas sigan el ejemplo, ¿se estrechará el poder de fijación de precios de Nvidia ante esta nueva dinámica competitiva?
Enlaces de referencia:
- SemiAnalysis: OpenAI Jalapeño - Better Than Nvidia Blackwell
- Blog oficial de OpenAI: 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
- Discusión en HN (item?id=49434378)
