El 24 de junio de 2026, OpenAI y Broadcom presentaron Jalapeño, el primer chip diseñado por OpenAI: un procesador hecho a la medida para inferencia de modelos de lenguaje —para operarlos en producción, no para entrenarlos—, según reportó TechCrunch el mismo día del anuncio. OpenAI ya recibió las primeras muestras y las tiene en pruebas.
La cifra que mueve todo vino de Hock Tan, CEO de Broadcom: correr modelos sobre Jalapeño costaría cerca de 50% menos que sobre los GPUs de IA típicos, de acuerdo con el recuento de AIToolsRecap del 24 de junio. La misma fuente hace la aclaración que los titulares suelen saltarse: la cifra es direccional y no había benchmarks públicos al momento del anuncio.
Qué presentaron exactamente
Jalapeño es un ASIC: un circuito diseñado para una sola tarea. No compite con los GPUs en flexibilidad; los supera —en teoría— en costo y consumo eléctrico para esa tarea específica, que aquí es servir tokens de los modelos de OpenAI. TechCrunch reporta mejor rendimiento por watt que las alternativas actuales y un detalle poco común: los propios modelos de OpenAI participaron en el diseño del chip, lo que comprimió un ciclo que normalmente toma años.
El plan de despliegue, según AIToolsRecap: primeros racks a finales de 2026 y 1.3 gigawatts de capacidad comprometida para 2027. Con esto, OpenAI sigue el camino que Google abrió con sus TPU y Amazon con Trainium e Inferentia: fabricar silicio propio para depender menos de Nvidia. La alianza con Broadcom se había anunciado desde octubre de 2025; lo nuevo es que ya existe chip físico.
El mecanismo que te alcanza sin que compres nada
Tú no vas a comprar un Jalapeño. Nadie fuera de OpenAI lo va a comprar: es silicio interno, como los TPU de Google. Y aun así es la noticia de hardware más relevante del semestre para cualquier empresa que paga APIs de IA, porque el costo del chip es el piso del precio del token.
El diagrama lo resume: cuando el proveedor más grande de modelos recorta a la mitad su costo de operar inferencia, ese ahorro no se queda en su margen mucho tiempo. La competencia con Google, Anthropic y los modelos abiertos lo empuja hacia el precio de API, y de ahí a tu factura mensual. En mayo documentamos la caída sostenida de precios por token; Jalapeño es el motor físico que sostiene esa caída más allá de cualquier guerra de descuentos.
Lo que el 50% no dice
Vale bajarle al entusiasmo antes de rehacer tu presupuesto. Tres matices. Primero, la cifra viene del vendedor: Broadcom fabrica estos chips y no hay benchmarks públicos que la respalden aún; AIToolsRecap lo señala de forma explícita. Segundo, es solo inferencia: entrenar modelos sigue viviendo en GPUs, así que esto no destrona a Nvidia mañana. Tercero, el despliegue arranca a finales de 2026: el efecto en precios llegará de forma gradual a lo largo de 2027.
Aun con esos matices, la dirección es clara, y la dirección es lo que importa para planear:
| Supuesto de planeación | Antes | Con silicio propio de inferencia |
|---|---|---|
| Costo por token | Estable, se negocia una vez al año | A la baja; cada ciclo de hardware lo recorta |
| Contratos con proveedores de IA | Anuales, volumen y precio fijos | Corto plazo o con cláusula de reprecio |
| GPUs propios "para ahorrar" | Tentador si el volumen crece | Capex que se deprecia contra chips que no puedes comprar |
| Dónde está el gasto real | En el proyecto inicial | En la inferencia diaria: agentes y procesos operando |
La última fila es la validación más importante del anuncio: OpenAI no fabricó un chip de entrenamiento, fabricó uno de inferencia. La economía real de la IA empresarial se decide operando procesos todos los días, mucho después de la demo.
Qué significa para tu empresa
Para una empresa mexicana de 50 a 500 personas que ya gasta en APIs de IA, cuatro movimientos concretos:
- Revisa tus contratos de IA antes de renovar. Si tu proveedor de software o de API te propone un compromiso anual de volumen a precio fijo, negocia trimestral o exige cláusula de ajuste. Fijar hoy un precio por token es apostar contra una curva que lleva dos años cayendo.
- No compres GPUs "para ahorrar en la nube". El capex en hardware propio compite contra proveedores que fabrican su silicio a costos que tú no puedes tocar. Salvo requisitos regulatorios muy específicos, la inferencia rentada gana.
- Recalcula los casos que descartaste por caros. Ese proceso que en 2025 no salía por costo de tokens —clasificar todos los tickets, resumir todas las llamadas— probablemente ya sale, o saldrá en dos trimestres. Presupuesta la IA como costo variable a la baja en lugar de licencia fija.
- Pregunta a tu proveedor de software con IA si sus precios siguen a sus costos. Si la API que usa baja 50% y tu tarifa no se mueve, el ahorro se lo está quedando él. Es una pregunta legítima en cualquier renovación.
Si no tienes claro cuánto gastas hoy en inferencia ni qué procesos valdría la pena recalcular, el diagnóstico de unifai es un punto de partida honesto: mapea dónde está tu gasto y qué se vuelve viable conforme el costo por token sigue cayendo.