OpenAI ha dado un paso poco habitual para una empresa conocida principalmente por desarrollar inteligencia artificial: ha diseñado su propio chip para ejecutar modelos de IA. El procesador, llamado Jalapeño, ha conseguido en sus primeras pruebas superar a sistemas NVIDIA Blackwell utilizados como referencia en velocidad y eficiencia energética. El dato importa porque generar cada respuesta de servicios como ChatGPT requiere centros de datos con miles de aceleradores y un enorme consumo eléctrico.
Las claves del chip Jalapeño de OpenAI en 20 segundos
- OpenAI ha desarrollado Jalapeño, un chip especializado en ejecutar modelos de inteligencia artificial.
- En las pruebas publicadas supera a sistemas NVIDIA Blackwell en velocidad y eficiencia energética.
- Con GPT-OSS 120B alcanza hasta 1.459 tokens por segundo por usuario.
- La compañía busca reducir el coste y la electricidad necesarios para generar respuestas.
- OpenAI seguirá utilizando hardware de NVIDIA y otros fabricantes.
Para entender la importancia del anuncio conviene separar dos tareas diferentes. Primero están los enormes recursos necesarios para entrenar una inteligencia artificial, es decir, enseñarle a partir de grandes cantidades de información. Después llega la inferencia, que es lo que ocurre cada vez que una persona hace una pregunta y el modelo calcula una respuesta.
Jalapeño está diseñado precisamente para esa segunda parte.
Y cuanto más se utilizan los modelos de IA, mayor es su importancia económica. Una empresa entrena un determinado modelo durante un periodo limitado, pero puede tener que generar respuestas para millones de usuarios durante meses o años.
Más respuestas utilizando la misma electricidad
Uno de los principales problemas de la expansión de la inteligencia artificial ya no consiste únicamente en conseguir chips. También hay que disponer de suficiente electricidad para alimentarlos y de instalaciones capaces de refrigerarlos.
Por eso OpenAI destaca especialmente la eficiencia de Jalapeño.
En una prueba con GPT-OSS 120B, un modelo con 120.000 millones de parámetros, el nuevo chip consiguió 85.448 tokens por segundo y kilovatio, frente a los 44.960 obtenidos por el sistema NVIDIA GB200 utilizado como referencia.
Eso supone aproximadamente 1,9 veces el rendimiento por unidad de electricidad.
Las diferencias se mantienen con modelos mucho mayores. Con DeepSeek R1 670B, Jalapeño consiguió 19.641 tokens/s/kW frente a 11.781 del sistema NVIDIA GB300. Con Kimi K2.5, un modelo de un billón de parámetros, fueron 18.195 frente a 11.862.
| Modelo de IA | OpenAI Jalapeño | NVIDIA comparada | Diferencia |
|---|---|---|---|
| GPT-OSS 120B | 85.448 tokens/s/kW | GB200: 44.960 | 1,9 veces |
| DeepSeek R1 670B | 19.641 | GB300: 11.781 | 1,7 veces |
| Kimi K2.5 1T | 18.195 | GB300: 11.862 | 1,5 veces |
Un «token» puede entenderse de forma simplificada como una pequeña pieza de texto que procesa o genera una inteligencia artificial. Una palabra puede contener uno o varios tokens.
Cuantos más tokens puede producir un sistema utilizando la misma cantidad de electricidad, mayor cantidad de trabajo puede realizar un centro de datos sin aumentar proporcionalmente su consumo.
Eso no significa que Jalapeño sea «un 90 % más potente que NVIDIA». Los resultados corresponden a modelos, configuraciones y pruebas determinadas. Las GPU de NVIDIA son además dispositivos mucho más generales que pueden emplearse para entrenamiento, inferencia y otras tareas.
Una IA que responde a una velocidad difícil de aprovechar para una persona
Hay otra cifra todavía más fácil de visualizar.
Con GPT-OSS 120B, Jalapeño consiguió generar hasta 1.459 tokens por segundo para un usuario, frente a 535 del NVIDIA GB200 utilizado como referencia.
Con DeepSeek R1 fueron 700 tokens por segundo frente a 169 del GB300. Con Kimi K2.5, 694 frente a 182.
Una persona no necesita leer una respuesta a 1.459 tokens por segundo. Entonces, ¿para qué sirve alcanzar semejante velocidad?
La respuesta está en los agentes de inteligencia artificial.
Los nuevos sistemas ya no se limitan a escribir un párrafo y esperar al usuario. Pueden buscar información, generar código, consultar una base de datos, analizar el resultado y decidir cuál debe ser el siguiente paso.
Una tarea puede necesitar decenas de operaciones consecutivas. En esas situaciones, reducir unos segundos en cada respuesta puede disminuir considerablemente el tiempo necesario para completar el trabajo.
OpenAI también ha medido la latencia total. Con GPT-OSS obtuvo 1,03 segundos frente a 1,80 segundos del sistema NVIDIA comparado. Con DeepSeek R1 fueron 1,65 frente a 5,99 segundos y con Kimi K2.5, 1,56 frente a 5,31 segundos.
¿Significa esto que OpenAI dejará de comprar chips NVIDIA?
No.
Esta es probablemente la distinción más importante para interpretar el anuncio. OpenAI no ha comunicado que vaya a sustituir sus GPU de NVIDIA por Jalapeño.
La compañía asegura que continuará utilizando aceleradores de NVIDIA y otros fabricantes tanto para entrenar como para ejecutar modelos.
El objetivo es disponer también de hardware propio.
Es una estrategia que ya siguen otros grandes grupos tecnológicos. Google lleva años desarrollando sus TPU (Tensor Processing Units), mientras Amazon y Microsoft también han diseñado aceleradores propios para determinadas cargas de inteligencia artificial.
Para estas empresas hay una razón económica evidente. Cuando se necesitan cientos de miles de chips, incluso una pequeña mejora en el coste o el consumo de cada operación puede traducirse en diferencias enormes en la factura final.
OpenAI tiene además una ventaja particular: conoce exactamente cómo funcionan los modelos que posteriormente ejecutará sobre su infraestructura. Puede intentar diseñar conjuntamente el software y el hardware en lugar de adaptar sus necesidades exclusivamente a chips disponibles comercialmente.
NVIDIA y AMD siguen teniendo una ventaja difícil de reproducir
Los primeros resultados de Jalapeño son llamativos, pero todavía existe una diferencia considerable entre obtener buenos resultados en pruebas controladas y desplegar decenas de miles de aceleradores funcionando las 24 horas.
NVIDIA dispone de años de experiencia, un amplio catálogo de hardware y, sobre todo, de un entorno de software utilizado por buena parte de la industria de la IA.
AMD también está aumentando su presencia con su familia Instinct. Las pruebas independientes de InferenceX muestran que la diferencia entre NVIDIA y AMD varía considerablemente dependiendo del modelo y de la velocidad requerida.
Con GPT-OSS 120B, por ejemplo, NVIDIA B200 alcanza en una de las pruebas 32.860 tokens/s por chip cuando se solicitan 104 tokens/s por usuario, frente a 23.358 del AMD MI355X. Al aumentar la velocidad exigida a 238 tokens/s por usuario, las cifras pasan a 13.725 para B200 y 3.911 para MI355X.
En otros modelos las diferencias se reducen e incluso pueden invertirse en determinados puntos de funcionamiento. Por eso resulta engañoso hablar de un único «chip más rápido»: el resultado depende del modelo, del número de usuarios, de la latencia buscada y del consumo eléctrico.
Algo parecido ocurre con Jalapeño.
Sus resultados iniciales son favorables, pero todavía deben comprobarse con contextos más largos, cargas de trabajo reales y aplicaciones de agentes de IA mucho más complejas.
Además, cuando Jalapeño llegue a desplegarse ampliamente tendrá que competir con una nueva generación de aceleradores. NVIDIA ya está avanzando desde Blackwell hacia Rubin, mientras AMD continúa desarrollando nuevas generaciones de Instinct.
La factura de la IA explica esta carrera por fabricar chips
Detrás de esta competición hay una cuestión mucho menos llamativa que los modelos de IA, pero probablemente más importante para su futuro: cuánto cuesta generar cada respuesta.
Un servicio utilizado por millones de personas transforma pequeñas diferencias de eficiencia en enormes cantidades de electricidad, servidores y dinero.
Si un nuevo acelerador permite atender más usuarios dentro del mismo centro de datos y con la misma potencia eléctrica disponible, la empresa puede aumentar su capacidad sin que la infraestructura tenga que crecer al mismo ritmo.
Eso explica que OpenAI quiera controlar una parte cada vez mayor de la tecnología que existe debajo de sus modelos.
La compañía prevé comenzar a incorporar Jalapeño a su infraestructura antes de terminar 2026. Además, ya trabaja en una segunda generación y ha comenzado a definir una tercera.
Las primeras pruebas, por tanto, no anuncian el final de las GPU NVIDIA. Muestran algo diferente: OpenAI quiere dejar de depender exclusivamente de los chips que puede comprar en el mercado y diseñar parte del hardware específicamente para el enorme volumen de inteligencia artificial que necesita ejecutar.
Preguntas frecuentes
¿Qué es OpenAI Jalapeño?
Jalapeño es un chip especializado, o ASIC, desarrollado por OpenAI para ejecutar modelos de inteligencia artificial. Está orientado principalmente a la inferencia, el proceso mediante el cual un modelo genera respuestas una vez entrenado.
¿Es Jalapeño más rápido que los chips de NVIDIA?
En las pruebas publicadas, Jalapeño supera a los sistemas NVIDIA GB200 y GB300 utilizados como referencia en varias métricas de velocidad y eficiencia. Eso no significa que sea superior a todas las GPU NVIDIA en cualquier aplicación.
¿OpenAI dejará de utilizar NVIDIA?
No. OpenAI ha indicado que continuará desplegando aceleradores de NVIDIA y de otros proveedores junto con su hardware propio.
¿Por qué OpenAI quiere fabricar sus propios chips?
Controlar parte del hardware puede permitirle adaptar mejor los servidores a sus modelos y reducir el consumo y el coste de generar cada respuesta. A la escala de los grandes centros de datos de IA, pequeñas mejoras de eficiencia pueden tener un efecto económico considerable.
