OpenAI dice que su IA aceleró partes del diseño de un chip, no que lo diseñara sola

OpenAI y Broadcom presentaron el 24 de junio de 2026 **Jalapeño**, el primer "procesador de inteligencia" propio de OpenAI, diseñado específicamente para inferencia —es decir, para servir respuestas de modelos ya entrenados, no para entrenarlos—. El dato que ha circulado con más fuerza es el tiempo: el chip pasó de diseño inicial a tape-out (el punto en que el diseño se envía a fabricación) en **nueve meses**, frente a los 1,5-2 años que OpenAI mismo describe como ciclo habitual para un ASIC de este tipo. Greg Brockman, presidente de OpenAI, dijo a CNBC que "el grado en que nuestros modelos han sido capaces de acelerarlo nos sorprendió".

Es importante leer con cuidado qué reivindica exactamente OpenAI, porque no es que su IA diseñara el chip de forma autónoma. El propio comunicado habla de "co-desarrollo profundo de software y hardware" que combina los equipos de ingeniería de OpenAI, la experiencia de implementación de silicio de Broadcom y "el uso de modelos de OpenAI para acelerar partes del proceso de diseño y optimización". La implementación física la hizo Broadcom, la fabricación corre por TSMC en un proceso de 3 nanómetros, y el ensamblaje de placas y racks lo realiza Celestica. Cualquier titular que sugiera que la IA diseñó el chip sola sobredimensiona la reivindicación real de la compañía.

Un segundo comunicado de OpenAI, posterior al anuncio de junio y centrado en resultados de rendimiento, aporta la cifra más citada en la cobertura sobre este proyecto: kernels —fragmentos de código muy optimizados que ejecutan operaciones concretas— generados con ayuda de IA para bloques de atención y de mezcla de expertos (MoE) del modelo abierto GPT-OSS corrieron entre **1,5 y 1,8 veces más rápido** que las implementaciones previas escritas por ingenieros expertos. OpenAI es explícito en que esta cifra se aplica a los bloques concretos evaluados, no al modelo completo ni al chip en su conjunto, y que dar soporte a cada nueva familia de modelos sigue exigiendo trabajo de optimización específico, no una solución automatizada de una sola vez.

Lee también: Documentos del pleito del NYT muestran inquietud interna en Microsoft y OpenAI por el uso de prensa para entrenar IA · Altman dice que el mundo tiene motivos para temer a la IA: los dos riesgos que identifica y el límite de su argumento

Conviene también no mezclar dos iniciativas distintas que sonarían parecidas: este trabajo de kernels de OpenAI-Broadcom es un programa propio, distinto del proyecto "fast kernels" del Scaling Intelligence Lab de Stanford, que usa modelos como o3 o Gemini 2.5 Pro con búsqueda en tiempo de inferencia para optimizar núcleos de PyTorch. Son esfuerzos paralelos de IA aplicada a optimización de código de bajo nivel, pero no forman parte del mismo programa ni deben citarse como si confirmaran mutuamente sus resultados.

Hay un precedente útil para calibrar cuánto crédito dar a estas cifras cuando las publica la propia empresa interesada: AlphaChip, la herramienta de Google DeepMind basada en aprendizaje por refuerzo para el trazado de chips, se ha usado en cada generación de TPU desde 2020 y Google ha afirmado que genera distribuciones de planta en horas frente a los cerca de 24 meses de un proceso manual. Sin embargo, tanto reintentos internos de Google como intentos externos de replicación no han logrado confirmar de forma independiente esas ventajas, según recoge la disputa documentada alrededor de un artículo publicado en Nature. Es un aviso razonable de que las afirmaciones de velocidad hechas por la propia compañía que usa la IA tienen un historial de ser difíciles de verificar externamente.

El alcance del propio chip también merece precisión: Jalapeño está pensado únicamente para **inferencia**, no para entrenamiento, y por tanto no sustituye a las GPU de Nvidia en esa función. En el momento del anuncio, las muestras de ingeniería ejecutaban cargas de trabajo de aprendizaje automático en laboratorio a la frecuencia y potencia objetivo, pero OpenAI no había publicado cifras finales de rendimiento por vatio frente a la competencia. El despliegue inicial está previsto para finales de 2026, con expansión en los años siguientes.