El progreso de la IA se acelera más cuando todo el sistema mejora en conjunto. Así concibo la estrategia de cómputo de OpenAI: un sistema integrado que abarca centros de datos y chips, modelos de vanguardia, nuestra plataforma para desarrolladores, productos para consumidores y empresas, y dispositivos nativos de IA, donde cada capa fortalece la siguiente.
Un mejor software aumenta la productividad del hardware. El hardware diseñado para nuestras cargas de trabajo mejora la velocidad y la eficiencia. Los modelos más capaces permiten crear mejores productos, que generan más demanda, uso y aprendizaje. Esas señales regresan al sistema y nos ayudan a mejorarlo de nuevo.
Hoy compartimos los primeros resultados de rendimiento medidos de Jalapeño, el primer chip de inferencia personalizado de OpenAI. En InferenceX, una prueba comparativa pública que utiliza GPT‑OSS 120B, Jalapeño logró un mayor rendimiento máximo por kilowatt y una menor latencia por token que los sistemas comerciales comparados. También tuvo un gran desempeño con DeepSeek R1 y Kimi K2, lo que demuestra que sus mejoras abarcan distintas familias de modelos.
Jalapeño nos da mayor control sobre cómo funcionan nuestros modelos y sobre los costos de ofrecerlos. Al desarrollar en conjunto el modelo, el software de servicio, el chip, la memoria y la red, podemos mejorar como un solo sistema el rendimiento, la latencia, la eficiencia energética y el costo. Esto crea una alternativa propia viable junto con los aceleradores de otros socios, lo que amplía nuestra capacidad de asignar cada carga de trabajo al sistema más potente con la estructura de costos adecuada. Ya contamos con silicio propio en funcionamiento y resultados medidos, y las próximas generaciones ya están en desarrollo.
Cada carga de trabajo plantea exigencias distintas al sistema. El entrenamiento de vanguardia, la inferencia de gran volumen y los agentes siempre activos tienen distintos requisitos de chips, software, redes, energía y latencia.
Nuestro objetivo es mantenernos en la frontera de Pareto: buscar continuamente la mejor combinación de capacidad, velocidad, confiabilidad, eficiencia y costo para cada carga de trabajo. Distintos chips y proveedores sobresalen en diferentes aspectos, y la frontera sigue avanzando.
Nuestro portafolio nos ofrece la variedad necesaria para satisfacer esas necesidades. El cómputo de Microsoft y los chips de NVIDIA han sido fundamentales para el crecimiento de OpenAI. Hoy nuestro portafolio también incluye a AWS, AMD, Broadcom, Cerebras, CoreWeave, Oracle, SB Energy y SoftBank. Cada uno aporta fortalezas distintas en infraestructura en la nube, cómputo acelerado, inferencia de baja latencia, desarrollo de centros de datos y suministro de energía.
Gestionamos activamente este portafolio en función de la capacidad y los costos. Usamos sistemas prémium donde la capacidad es prioritaria y optimizamos la eficiencia donde la escala y el costo son más importantes. Mantener opciones viables entre proveedores, hardware y modalidades de implementación nos permite dirigir la demanda hacia el mejor rendimiento por dólar, conservar la disciplina de precios a medida que cambian las condiciones del mercado y avanzar con la frontera conforme surge tecnología más potente. El control directo aporta ventaja donde una integración más estrecha puede mejorar todo el sistema. Nos asociamos cuando el ecosistema nos permite avanzar más rápido y construimos cuando el diseño conjunto ofrece una ventaja significativa.
Los centros de datos ofrecen otro punto de ventaja. El Proyecto Camellia en Georgia demuestra cómo podemos diseñar instalaciones en torno a las cargas de trabajo de los clientes y, al mismo tiempo, crear empleos, apoyar a las empresas locales, cubrir los costos de infraestructura y energía del proyecto, conservar agua mediante un sistema de circuito cerrado y someter sus compromisos a una auditoría pública e independiente cada año.
El valor de este sistema se mide por lo que produce: más inteligencia útil por cada unidad de cómputo.
Los mejores modelos llegan a la respuesta correcta con menos intentos. Un enrutamiento y una gestión del contexto más inteligentes reducen el trabajo desperdiciado. El software optimizado y el hardware especializado mejoran la velocidad y la eficiencia energética.
En el Artificial Analysis Coding Agent Index, GPT‑5.6 Sol con razonamiento Max alcanzó un nuevo máximo y utilizó un 54 % menos de tokens de salida que otro modelo líder. Para los clientes, mejoras como estas se traducen en resultados más rápidos, productos más confiables, menos reintentos, agentes capaces de completar flujos de trabajo más largos y un menor costo total por cada tarea exitosa. La mejor relación costo-beneficio proviene de la inteligencia útil por dólar.
A medida que la inteligencia útil se vuelve más capaz y asequible, más trabajos se vuelven económicamente viables. Una empresa puede ofrecer análisis personalizados a cada cliente, revisar todos los contratos, ejecutar escenarios financieros en tiempo real y ayudar a los ingenieros a probar más ideas. Esta es la paradoja de Jevons: una mayor eficiencia hace que más usos sean rentables, lo que amplía el consumo y crea nueva actividad económica mediante más trabajo realizado, mejores decisiones, más productos lanzados y más ingresos generados.
Un cómputo más productivo y una base de suministro más competitiva nos ayudan a atender a más clientes a menor costo y trasladarles esas mejoras de eficiencia a los usuarios. El crecimiento financia la inversión continua en investigación, infraestructura y seguridad. Esa es la ventaja acumulativa de OpenAI: una mejor tecnología genera una mejor estructura de costos, que financia la siguiente ola de progreso, y cada avance fortalece todo el sistema.
