OpenAI presentó el 25 de agosto, durante la conferencia Hot Chips, los primeros resultados de Jalapeño, su chip personalizado para ejecutar modelos de inteligencia artificial ya entrenados. En las pruebas, Jalapeño realizó entre 1,5 y 1,9 veces más procesamiento de IA con la misma cantidad de energía que los sistemas GB200 y GB300 de Nvidia. Además, registró un tiempo total de respuesta entre 1,7 y 3,6 veces menor.
La latencia de extremo a extremo mide el tiempo total transcurrido desde que el sistema recibe una solicitud hasta que entrega la respuesta. Los resultados se obtuvieron con tres modelos con parámetros abiertos, disponibles para que terceros los consulten y utilicen.
Por qué OpenAI midió el rendimiento por watt
Las evaluaciones se realizaron con InferenceX, un benchmark público de la firma de investigación SemiAnalysis. Este tipo de prueba estandarizada permite comparar el rendimiento de distintos sistemas bajo las mismas condiciones. Los resultados se ajustaron a la potencia publicada de cada acelerador. Jalapeño funciona con 700 W, mientras que el GB200 alcanza los 1.200 W y el GB300, los 1.400 W.
Esos valores corresponden a la potencia de diseño térmico (TDP), una referencia que indica cuánto calor debe disipar el sistema de refrigeración. En la práctica, casi toda la electricidad consumida por el procesador acaba convirtiéndose en calor.
OpenAI señaló que el rendimiento suele informarse por chip, pero sostuvo que “el estándar más útil es el rendimiento por unidad de potencia”. Aunque Jalapeño consume menos, sus 700 W siguen siendo una carga térmica considerable. De acuerdo con la potencia nominal, genera la mitad de la carga térmica de un GB300. En los dos modelos comparados con el GB300, Jalapeño también fue entre 1,5 y 1,7 veces más eficiente en el uso de la energía.
La eficiencia cobra mayor importancia ante las limitaciones que enfrenta la expansión de los centros de datos. SemiAnalysis señaló que OpenAI encuentra más restricciones en la disponibilidad de electricidad que en el presupuesto o en el espacio físico. La demanda eléctrica de los centros de datos aumentó un 17% en 2025, mientras que el consumo de las instalaciones dedicadas principalmente a la inteligencia artificial creció un 50%, según la Agencia Internacional de Energía.
El organismo también indicó que algunas empresas construyen sistemas de generación eléctrica en sus propios predios porque las conexiones a la red no están disponibles a tiempo. Nvidia sostiene una postura similar. Jensen Huang explicó que cuando un centro de datos tiene un suministro eléctrico limitado, mejorar el rendimiento por watt permite procesar más trabajo de IA con la misma energía y generar más ingresos.
Los límites de la comparación con Nvidia
SemiAnalysis verificó las pruebas en el laboratorio de OpenAI, aunque no ejecutó la batería completa de evaluaciones. Los datos de base también fueron proporcionados por la propia compañía.
La firma calificó la comparación con Blackwell como “algo incompleta e injusta”. Jalapeño utiliza memoria HBM4, una generación más reciente de memoria de alto ancho de banda, mientras que los sistemas GB200 y GB300 incorporan HBM3E.
Frente a Vera Rubin, ambas tecnologías generan casi la misma cantidad de texto por cada dólar invertido, una medición calculada según los tokens producidos. Sin embargo, las cifras de Rubin incluyen decodificación especulativa, una técnica que acelera la generación de texto al anticipar varios tokens antes de validarlos. Los resultados de Jalapeño no utilizan ese recurso.
Rubin ya está disponible comercialmente, mientras que Jalapeño todavía se encuentra en la etapa de muestras de ingeniería. Estas son versiones preliminares destinadas a realizar pruebas antes de comenzar la producción a gran escala. Las cifras de potencia de cada componente tampoco reflejan el consumo total de la infraestructura. Un rack con 128 chips demanda 130 kW, mientras que la instalación completa, que ocupa dos racks, se aproxima a los 160 kW.
Richard Ho, jefe de hardware de OpenAI, estimó que la implementación comenzará a fines de 2026 “en volúmenes muy pequeños”.
Un diseño de nueve meses y una arquitectura flexible
OpenAI aseguró que sus propios modelos de IA permitieron pasar del diseño inicial a la fabricación del chip en un plazo de 9 meses. Ese período forma parte de un programa más amplio que, según SemiAnalysis, demandó alrededor de 16 meses desde las primeras contrataciones hasta la fabricación, en noviembre de 2025.
La puesta en marcha del chip requirió otros tres meses. La reducción de los plazos podría modificar el costo y la conveniencia de desarrollar procesadores personalizados, una tarea históricamente condicionada por los largos ciclos de producción y la escasez de especialistas.
Esas barreras llevaron a la mayoría de las empresas a considerar que alquilar capacidad de procesamiento resultaba más conveniente. Si el desarrollo puede completarse en meses en lugar de años, esa ecuación cambia.
Un ASIC es un chip diseñado específicamente para realizar determinadas tareas. Su especialización permite ganar eficiencia a cambio de perder flexibilidad, por lo que suele recuperar su costo cuando las cargas de trabajo se mantienen estables. OpenAI diseñó Jalapeño para superar esa limitación. En lugar de dividir sus chips entre la precarga, cuando el modelo procesa la información inicial, y la decodificación, cuando genera la respuesta, mantuvo una única flota intercambiable.
En lugar de destinar chips distintos a la precarga y la decodificación, OpenAI mantuvo un único conjunto capaz de realizar ambas tareas según la demanda. Esto evita que parte del hardware quede inútil al cambiar la distribución del tráfico.
SemiAnalysis describió a Jalapeño como un chip de inferencia de propósito general. El equipo también logró que tres modelos con parámetros abiertos que no figuraban en el plan original alcanzaran un alto rendimiento en apenas dos meses. Así, Jalapeño puede adaptarse a diferentes modelos y cargas de trabajo sin modificar su arquitectura.
*Esta nota fue publicada originalmente en Forbes.com.
