Los primeros resultados de Jalapeño muestran velocidad y eficiencia líderes de la industria en inferencia de IA

OpenAI publicó los primeros resultados medidos de Jalapeño, el primer chip de inferencia diseñado por la compañía. El mensaje central del anuncio es que el chip logra, con una sola arquitectura, dos cosas que el hardware existente suele obligar a intercambiar: más trabajo servido por unidad de energía y respuestas más rápidas.

Para los equipos comerciales de Chile y Latinoamérica esto no es una nota de ingeniería aislada. El costo por token y la latencia de respuesta son las dos variables que hoy definen si un agente de IA dentro del CRM es viable o queda en piloto eterno.

¿Qué es Jalapeño y cómo midió OpenAI su rendimiento?

Jalapeño es el primer silicio propio de OpenAI para inferencia, es decir, para servir respuestas de modelos ya entrenados. OpenAI evaluó el chip sobre InferenceX, un benchmark público de SemiAnalysis que mide el proceso completo de atender una solicitud de IA, y lo comparó con sistemas comerciales líderes en todo el rango de operación, desde servicio de alto volumen hasta uso interactivo de baja latencia.

Las pruebas se corrieron sobre tres modelos abiertos: GPT-OSS 120B, DeepSeek R1 670B y Kimi K2.5 1T. OpenAI aclara que normalizó los resultados según la potencia declarada de cada acelerador. Jalapeño está clasificado en 700 vatios, aunque su consumo sostenido medido se mantuvo en 550 vatios o menos en las cargas probadas, frente a sistemas de comparación de 1.200 y 1.400 vatios.

¿Cuánto más rápido y más eficiente es?

• Entre 1,5 y 1,9 veces más trabajo de IA por vatio en rendimiento máximo, según el modelo.
• Entre 1,7 y 3,6 veces menos latencia extremo a extremo.
• Entre 2,1 y 4,1 veces más rendimiento en cargas altamente interactivas.
• En Kimi K2.5, el modelo público más grande evaluado, cerca de 1,5 veces más rendimiento por vatio y 3,4 veces menos latencia que el sistema comparado.

OpenAI señala además que en sus pruebas internas con modelos propios de frontera la ventaja se amplía, lo que sugiere que la arquitectura rinde mejor a medida que las cargas crecen.

¿Por qué esto importa si tu equipo ya opera agentes de IA?

El propio anuncio lo dice sin rodeos: la métrica relevante es cuánto trabajo útil se completa por unidad de energía cumpliendo la latencia que exigen los clientes y los agentes interactivos. Y agrega un matiz clave: los agentes encadenan muchos pasos en secuencia, de modo que los retrasos se acumulan a lo largo de toda la tarea.

Traducido al día a día de un equipo comercial en Chile o Latinoamérica: un agente que responde un chat de soporte, enriquece un registro del CRM y redacta un correo de seguimiento no ejecuta una llamada al modelo, ejecuta varias. Cada décima de segundo ahorrada en cada paso se multiplica.

OpenAI también describe que la IA participó en el diseño del propio chip, permitiendo pasar del diseño inicial al tapeout en nueve meses. Para bloques seleccionados de atención y de mezcla de expertos en GPT-OSS, implementaciones generadas por IA corrieron entre 1,5 y 1,8 veces más rápido que las escritas por expertos humanos.

¿Cuándo entra en operación y qué pasa con NVIDIA?

OpenAI planea empezar a desplegar Jalapeño dentro de su propia infraestructura de cómputo a fines de 2026. Lo describe como la primera generación de una hoja de ruta multigeneracional: la generación 2 está avanzada en desarrollo y la generación 3 tomando forma.

La compañía es explícita en que esto no reemplaza a sus proveedores: seguirá desplegando ampliamente aceleradores de NVIDIA y de otros socios, tanto para entrenamiento como para inferencia.

Análisis de Revenue Hub

Para un líder comercial de la región, la lectura correcta de este anuncio no es técnica sino de planificación de costos. Durante 2025 y buena parte de 2026 el argumento contra automatizar procesos completos con agentes fue el mismo: el costo por interacción no cerraba a escala. Cuando el proveedor del modelo controla también el chip, la memoria, la red y el software de servicio, ese costo deja de ser una constante del mercado y pasa a ser una palanca que la propia OpenAI puede mover. El anuncio lo dice en lenguaje financiero: mejorar el apalancamiento operativo para que el trabajo útil y los ingresos crezcan más rápido que el costo de servir.

La decisión práctica que esto implica es no congelar el caso de negocio de tus agentes con los precios y latencias de hoy. Si evaluaste un agente de servicio o de prospección hace seis meses y lo descartaste por costo o por lentitud, ese cálculo tiene fecha de vencimiento. Conviene dejar documentado el umbral exacto que hacía inviable el proyecto, en costo por conversación resuelta y en segundos de respuesta aceptables, para poder reevaluar rápido cuando el precio se mueva y no volver a empezar el análisis desde cero.

El riesgo del otro lado también es real y vale nombrarlo: mayor integración vertical significa mayor dependencia de un solo proveedor. Si tu operación comercial va a apoyarse en agentes, vale la pena que la capa de orquestación sea portable entre modelos, aunque hoy uses uno solo. En nuestra cobertura de tendencias SaaS venimos siguiendo cómo se mueve esta competencia entre laboratorios, y en el blog de Revenue Hub profundizamos en cómo estructurar procesos comerciales que no queden atados a un proveedor.