El progreso de la IA se acelera más cuando todo el sistema mejora a la vez. Así concibo la estrategia de computación 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 refuerza la siguiente.
Un software mejor hace que el hardware sea más productivo. 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 recorren el sistema de vuelta y nos ayudan a mejorarlo de nuevo.
Hoy hemos presentado 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 ofreció un mayor rendimiento máximo por kilovatio y una menor latencia de token que los sistemas comerciales de la comparativa. También obtuvo buenos resultados con DeepSeek R1 y Kimi K2, lo que demuestra que sus mejoras se extienden a distintas familias de modelos.
Jalapeño nos da un mayor control sobre cómo se ejecutan nuestros modelos y sobre el coste de servirlos. Al desarrollar conjuntamente el modelo, el software de servicio, el chip, la memoria y la red, podemos mejorar como un único sistema el rendimiento, la latencia, la eficiencia energética y el coste. Esto crea una alternativa propia viable junto a los aceleradores de otros socios que utilizamos y amplía nuestra capacidad para asignar cada carga de trabajo al sistema más potente con la rentabilidad adecuada. Ya contamos con silicio propio operativo y resultados medidos, y las próximas generaciones ya están en marcha.
Cada carga de trabajo plantea distintas exigencias 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, fiabilidad, eficiencia y coste para cada carga de trabajo. Distintos chips y proveedores destacan en dimensiones diferentes, y la frontera sigue avanzando.
Nuestra cartera nos aporta la variedad necesaria para cubrir esas necesidades. La capacidad de computación de Microsoft y los chips de NVIDIA han sido fundamentales para el crecimiento de OpenAI. Hoy nuestra cartera también incluye a AWS, AMD, Broadcom, Cerebras, CoreWeave, Oracle, SB Energy y SoftBank. Cada uno aporta distintas fortalezas en infraestructura en la nube, computación acelerada, inferencia de baja latencia, desarrollo de centros de datos y suministro energético.
Gestionamos activamente esta cartera atendiendo tanto a la capacidad como a la rentabilidad. Utilizamos sistemas prémium donde más importa la capacidad y optimizamos la eficiencia donde pesan más la escala y el coste. Mantener alternativas viables entre proveedores, hardware y modelos de despliegue nos permite dirigir la demanda hacia el mejor rendimiento por cada dólar, preservar la disciplina de precios cuando cambian las condiciones del mercado y avanzar con la frontera a medida que surge tecnología más potente. El control directo añade capacidad de maniobra donde una integración más estrecha puede mejorar todo el sistema. Colaboramos cuando el ecosistema nos ayuda a avanzar más rápido y desarrollamos nuestros propios componentes cuando el diseño conjunto aporta una ventaja significativa.
Los centros de datos ofrecen otra vía para ganar ventaja. El Proyecto Camellia en Georgia muestra cómo podemos diseñar instalaciones en torno a las cargas de trabajo de los clientes y, al mismo tiempo, crear empleo, apoyar a las empresas locales, asumir los costes de infraestructura y energía del proyecto, conservar agua mediante un sistema de circuito cerrado y someter sus compromisos a una auditoría pública, independiente y anual.
El valor de este sistema se mide por lo que produce: más inteligencia útil por cada unidad de computación.
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 diseñado específicamente 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 utilizando un 54 % menos de tokens de salida que otro modelo líder. Para los clientes, estas mejoras se traducen en resultados más rápidos, productos más fiables, menos reintentos, agentes capaces de completar flujos de trabajo más largos y un menor coste total por cada tarea realizada con éxito. La mayor rentabilidad procede de la inteligencia útil obtenida por cada dólar.
A medida que la inteligencia útil gana capacidad y se vuelve más asequible, más tareas resultan económicamente viables. Una empresa puede ofrecer análisis personalizados a cada cliente, revisar todos los contratos, simular escenarios financieros en tiempo real y ayudar a los ingenieros a probar más ideas. Esta es la paradoja de Jevons: una mayor eficiencia hace rentables más usos, amplía el consumo y crea nueva actividad económica al permitir completar más trabajo, tomar mejores decisiones, lanzar más productos y generar más ingresos.
Una computación más productiva y una base de suministro más competitiva nos ayudan a atender a más clientes con un menor coste y a trasladarles esas mejoras de eficiencia. El crecimiento financia la inversión continua en investigación, infraestructura y seguridad. Esta es la ventaja acumulativa de OpenAI: una mejor tecnología mejora la rentabilidad, una mayor rentabilidad financia la siguiente ola de progreso y cada avance fortalece todo el sistema.
