Cómo OpenAI usó su propia IA para diseñar un chip en tiempo récord

Un hito rápido en el mercado de hardware para IA

OpenAI sorprendió al revelar Jalapeño, su primer chip de inteligencia artificial fabricado en colaboración con Broadcom y producido en TSMC. Lo llamativo no es solo que una empresa de software se lance al diseño de silicio, sino la velocidad: del concepto arquitectónico al silicio en menos de 20 meses, y del código a la fabricación en apenas nueve meses. Para contexto, el diseño de un chip de esta clase suele requerir varios años y equipos mucho más grandes.

Qué ofrece Jalapeño

Según la información publicada por OpenAI, Jalapeño alcanza hasta 13,4 petaflops en computación de 4 bits, dispone de 232 GB de la memoria más avanzada disponible para este tipo de aceleradores y ofrece un ancho de banda de 15,4 terabytes por segundo hacia esa memoria. En latencia, OpenAI reporta una mejora de hasta 3,6 veces frente a la GB300 de Nvidia —el chip que hasta ahora abastece buena parte de sus cargas— y lo hace además con un consumo energético menor, según sus propios datos. El chip se anunció oficialmente el 24 de junio de 2026.

El objetivo estratégico: menos dependencia de Nvidia

Este lanzamiento forma parte de un plan mayor de infraestructura a largo plazo. Como otras grandes tecnológicas —por ejemplo Google con sus TPU o Microsoft con Maia—, OpenAI busca disminuir su dependencia de proveedores externos como Nvidia. Tener control sobre el diseño y la fabricación puede traducirse en optimizaciones específicas para sus modelos, mejores márgenes operativos y mayor independencia ante cuellos de botella en la cadena de suministro.

El atajo: usar IA para diseñar IA

Lo que aceleró el proyecto fue el uso de los propios modelos de OpenAI como herramienta de diseño en la etapa de front-end del desarrollo del chip. Richard Ho, vicepresidente de hardware de OpenAI, describió cómo los modelos proporcionaron “superpoderes” a los ingenieros. En la práctica, el equipo aplicó herramientas como XLS y capacidades de generación de código —mencionadas internamente como Codex en otros contextos— para automatizar y acelerar la escritura del código que define la arquitectura y comportamientos del chip.

Chris Leary, también de OpenAI, explicó que la IA rindió mejor en tareas que se parecen más al software. El front-end del diseño, que incluye la definición de la lógica y la arquitectura del sistema, se benefició especialmente porque puede expresarse y trabajar con abstracciones similares al desarrollo de software, donde los modelos son más efectivos.

Un equipo pequeño, resultados grandes

Otra variable clave fue el tamaño y la organización del equipo. El proyecto contó con menos de 100 personas en promedio durante su desarrollo, y la colaboración con Broadcom permitió dividir responsabilidades: OpenAI se enfocó en el diseño del sistema, mientras Broadcom manejó la ingeniería física y el trabajo de back-end necesario para llevar el diseño al silicio. Ese reparto de tareas, combinado con la automatización parcial del front-end gracias a la IA, permitió ciclos de iteración mucho más ágiles.

Lo que la IA no puede (aún) hacer

Aunque la IA aceleró aspectos importantes, no reemplazó a los ingenieros humanos. Las fases de back-end, la verificación física, la ingeniería de paquetes y la manufactura siguen dependiendo de especialistas y de socios como Broadcom. OpenAI reconoce explícitamente que no se trata de una automatización total del diseño de chips: “no estamos diciendo que cualquiera pueda venir y construir chips aceleradores de IA/ML de última generación usando solo Codex”, resumió Ho, subrayando que la IA multiplicó la productividad de un equipo pequeño y experto, pero no eliminó la necesidad de experiencia humana.

Implicaciones para América Latina

Para la región latinoamericana, este tipo de avances tiene varias lecturas prácticas: primero, la tendencia muestra que la ventaja competitiva en IA pasa también por la capa de hardware, no solo por modelos y software. Empresas y gobiernos de la región que planean inversiones en IA deben considerar la infraestructura (centros de datos, acuerdos de compra y consumo energético) como parte esencial de sus estrategias.

Segundo, la optimización de consumo y latencia que promete Jalapeño podría traducirse en menores costos operativos para grandes cargas de inferencia en el futuro. Para proveedores de servicios en la región —clouds locales, empresas con centros de datos o integradores—, esas mejoras pueden significar una menor factura energética y mejores tiempos de respuesta en aplicaciones críticas.

Tercero, el ejemplo de OpenAI muestra que equipos relativamente pequeños y bien organizados, con acceso a herramientas basadas en IA, pueden avanzar rápidamente en proyectos complejos. Eso plantea oportunidades para centros de investigación, startups y equipos académicos en América Latina interesados en combinar talento local con plataformas y partners internacionales.

Riesgos y consideraciones

El principal riesgo es la concentración tecnológica: si las grandes empresas optimizan sus propias pilas (modelo + hardware), las barreras de entrada para competidores más pequeños pueden crecer. Además, los beneficios reales en despliegue y costos dependerán de cuándo y cómo OpenAI u otros fabricantes decidan comercializar o licenciar esos diseños.

Finalmente, la carrera por chips especializados intensifica la competencia por capacidad de fabricación avanzada (shortage de wafers, dependencia de foundries como TSMC) y por talento en diseño de hardware, áreas donde muchas regiones, incluida América Latina, siguen formando su cadena de valor.

Conclusión

Jalapeño no es solo un chip: es un ejemplo práctico de cómo la IA puede acelerar procesos complejos cuando se usa como herramienta interna. OpenAI demostró que, con equipos pequeños, socios adecuados y modelos potentes, es posible reducir drásticamente los plazos de diseño en hardware de vanguardia. Para líderes y decisores en América Latina, el mensaje es claro: la estrategia de adopción de IA debe incorporar la capa de infraestructura y considerar alianzas que permitan aprovechar estas aceleraciones sin perder de vista los riesgos de concentración y la necesidad de formación en talento especializado.