Une clé s’insère dans la serrure, tourne d’un demi-tour. Sam Altman et Hock Tan, CEO de Broadcom, se tiennent côte à côte sur scène, brandissant une plaque de silicium de 300 mm sur laquelle est gravée la puce baptisée « Jalapeño ». Le cliquetis des obturateurs crépite comme une averse. Le 24 juin 2026, OpenAI a finalement sorti sa première carte maîtresse matérielle.
D’après les informations publiques, Jalapeño est un ASIC d’inférence dédié, co-développé par OpenAI et Broadcom, fabriqué selon le procédé 3 nm de TSMC, équipé de 8 stacks HBM, avec une surface de die proche de la limite du réticule. La puce adopte une architecture systolic array — les photos de la plaque révèlent un floorplan en colonnes hautement répétitives, une caractéristique que l’on retrouve dans les projets antérieurs de Broadcom pour la conception physique des Google TPU. Les premiers échantillons d’ingénierie font déjà tourner GPT-5.3-Codex-Spark, atteignant les fréquences et la consommation cibles.
Une phrase de la déclaration officielle d’OpenAI a provoqué une levée de boucliers dans la communauté des semi-conducteurs : « De la conception à la production, en seulement neuf mois. » L’article de Bloomberg cite Hock Tan qui précise que, comparé aux solutions d’inférence GPU classiques, Jalapeño permettrait d’économiser environ 50 % des coûts. Ces deux données mises bout à bout forment le récit central de cette annonce : rapide, et économique.
Mais que recouvrent exactement ces « neuf mois » ? Dans la section commentaires de HN, un utilisateur se présentant comme CEO d’une entreprise de puces, « zgao », livre une analyse du point de vue de l’ingénieur. Si « conception » désigne le RTL freeze (gel de la conception logique frontale) et « production » le tapeout (envoi en fonderie), alors neuf mois pour une puce complexe en 3 nm « constitue un calendrier assez classique, voire peu impressionnant ». En revanche, si l’on parle de la phase de concept — sans même un schéma d’architecture, sans une ligne de RTL — jusqu’au tapeout en neuf mois, alors c’est un exploit véritablement stupéfiant. Or, OpenAI n’a pas précisé les jalons de départ et d’arrivée, donc « la vérité se situe probablement entre les deux ».
Un autre utilisateur, « sharkjacobs », est plus direct : si l’IA avait vraiment joué un rôle aussi important dans la conception de la puce, OpenAI se serait-il contenté d’une mention vague comme « nos modèles ont accéléré le processus de conception et d’optimisation » ? Cela ressemble autant à du remplissage de slides qu’à du « Microsoft Office a accéléré notre développement ». L’auteur de cet article penche pour une position intermédiaire entre le factuel et le marketing. Les langages de description matérielle (HDL) comme Verilog et SystemVerilog sont effectivement présents dans le corpus d’entraînement des LLM, et la génération automatisée de testbenchs est une piste déjà explorée par l’industrie. OpenAI a d’ailleurs recruté ces derniers mois pour des postes orientés IA appliquée à la conception de puces. Mais affirmer qu’ils disposent d’une chaîne d’outils complète comparable à AlphaChip de Google DeepMind — aucune preuve publique ne l’étaye à ce jour.
Il s’agit ici d’une distinction cruciale dans l’industrie des puces : la conception frontale (frontend) et l’implémentation physique (backend). Le frontend couvre la définition de l’architecture et l’écriture du RTL — cette partie a probablement été dirigée par l’équipe matérielle d’OpenAI, sous la houlette de Richard Ho, ancien responsable matériel du projet Google TPU, qui avait déjà collaboré avec Broadcom à l’époque du TPU. Le backend concerne la conversion du RTL en GDS (que l’on peut voir comme le « fichier Photoshop » couche par couche de la puce), ainsi que la gestion de la chaîne d’approvisionnement et le packaging — Broadcom est un maître incontesté sur ces aspects. Certains résument, de façon acerbe mais juste : « OpenAI a défini l’architecture, Broadcom a fait tout le reste. ”
Si l’on comprend cette division du travail, la plausibilité des « neuf mois » dépend du point de départ du chronomètre. Du RTL freeze au tapeout, avec une bibliothèque d’IP existante et un flux de conception mature chez Broadcom, neuf mois est un délai normal. De la conception conceptuelle au tapeout, neuf mois est quasiment impossible — la conception de puces n’est pas une itération logicielle : le silicium n’admet aucune erreur.
Poursuivons avec les détails techniques. Jalapeño est positionnée exclusivement sur l’inférence (inference), pas sur l’entraînement. Ce choix obéit à une logique économique claire : l’entraînement est un coût ponctuel, l’inférence est un coût récurrent. Le volume massif de requêtes d’inférence traitées quotidiennement par les lignes de produits d’OpenAI — ChatGPT, Codex, API — est le véritable gouffre à profits. Déporter l’inférence des GPU Nvidia, même avec une économie de 30 à 50 %, représente, à l’échelle, des milliards de dollars de différence sur la facture annuelle.
Sur le plan architectural, Jalapeño combine un systolic array et du matériel à fonctions fixes, optimisé pour la propagation avant des modèles de type Transformer. La philosophie rappelle celle de la Google TPU v1 — à l’époque, la TPU v1 était aussi une puce d’inférence pure, 92 TOPS@INT8, seulement 40 W, surpassant les GPU contemporains d’un ordre de grandeur en efficacité d’inférence. Mais il a fallu dix ans à Google pour itérer la TPU jusqu’à la huitième génération, couvrant l’ensemble du workflow de l’entraînement à l’inférence. OpenAI, elle, ne fait que son premier pas.
Quelle place pour cette puce dans le paysage concurrentiel ? Au niveau sectoriel, la conception de puces par les entreprises d’IA est passée du statut d’option à celui de question de calendrier. Google TPU en est à sa septième/huitième génération, AWS a Trainium2 et Inferentia2, la série MTIA de Meta avance vers le 2 nm avec Broadcom. Anthropic explore également sa propre feuille de route « puces », l’utilisation d’AWS Trainium pour entraîner Claude étant déjà publique. Le moteur de cette tendance est limpide : quand l’architecture de vos modèles, vos combinaisons d’opérateurs et vos patterns de batch sont une connaissance interne, un GPU générique consacre une quantité massive de transistors à des fonctions dont vous n’avez pas besoin.
Mais il existe un risque moins souvent discuté : la fenêtre temporelle. Le Vera Rubin de Nvidia est attendu pour le second semestre 2026, avec une efficacité d’inférence officiellement annoncée comme 10 fois supérieure à Blackwell. Le premier déploiement de Jalapeño est prévu fin 2026, la montée en échelle véritable pour 2027 — à cette date, elle pourrait déjà faire face au Vera Rubin Ultra, voire à Feynman. Le jugement d’un utilisateur de HN est glacial : « Si vous avez un gigawatt de capacité électrique allouée, vous n’installerez que la meilleure puce. Si la puce de Nvidia est meilleure, ce projet représente des milliards de dollars gaspillés. ”
Naturellement, la signification de Jalapeño dépasse celle d’une simple puce. C’est une étape clé vers « l’intégration verticale complète » pour OpenAI. Sur son blog, l’entreprise écrit qu’elle ne développe pas seulement des modèles et des produits, mais conçoit aussi l’infrastructure sous-jacente : « architecture des puces, kernels, systèmes mémoire, réseau, ordonnancement, systèmes de déploiement, expérience produit. » L’évocation rappelle la trajectoire d’Apple, passant de l’achat de puces Intel à la conception de sa propre série M. Mais dans le domaine de l’IA, cette trajectoire comporte bien plus d’incertitudes — les architectures de modèles évoluent rapidement : MoE (Mixture of Experts), chaînes de raisonnement profond, contexte long, chaque mutation peut redéfinir les hypothèses de conception d’un matériel optimisé.
Un contexte narratif incontournable : il pourrait s’agir du grand spectacle avant l’IPO d’OpenAI. Une valorisation de plusieurs dizaines, voire centaines de milliards de dollars a besoin d’un récit matériel. « Nous pouvons désormais fabriquer nos propres puces » a un pouvoir d’attraction sur les investisseurs qui n’a peut-être rien à envier à la réduction effective des coûts d’inférence. La valeur technique de Jalapeño existe objectivement, mais la fonction de narration publique du moment de l’annonce mérite tout autant d’être reconnue.
D’après les informations disponibles, la trajectoire technique de Jalapeño est raisonnable, mais la concurrence qui l’attend — la vitesse d’itération de Nvidia, la maturité des Google TPU, un déploiement qui ne portera ses fruits qu’en 2027 — constitue un défi bien réel. Le récit des « neuf mois » est peut-être un peu gonflé, mais la direction en elle-même n’est pas erronée. L’ère du matériel IA est en train de passer de « acheter chez Nvidia » à « fabriquer soi-même », et Jalapeño est le plus récent — et le plus médiatique — des jalons sur cette route.
L’analyse ci-dessus est fondée sur les informations publiques et les discussions de la communauté. Si vous avez une expérience directe plus approfondie de la conception de puces, n’hésitez pas à signaler les inexactitudes.