OpenAI presenta Jalapeño, il suo primo chip proprietario per l'AI

Quando un modello di intelligenza artificiale come ChatGPT risponde a una domanda, il calcolo che avviene in quel momento si chiama inference: è la fase operativa, quella in cui le capacità acquisite durante l'addestramento si trasformano in un'esperienza concreta per l'utente. È anche la fase più costosa in termini di infrastruttura e consumi energetici, perché deve avvenire milioni di volte al giorno, in tempo reale. OpenAI ha progettato Jalapeño proprio per questo scopo, e lo ha presentato il 25 agosto 2026 con risultati che, se confermati su larga scala, potrebbero ridisegnare alcune logiche del settore.

Secondo i dati pubblicati da OpenAI, Jalapeño esegue da 1,5 a 1,9 volte più elaborazione AI per ogni watt consumato rispetto ai sistemi di riferimento, e riduce il tempo di risposta da 1,7 a 3,6 volte — con punte fino a 4,1 volte nelle applicazioni più interattive. I test sono stati condotti tramite InferenceX di SemiAnalysis, una suite di benchmark pubblica pensata per valutare i sistemi di inference come li userebbe davvero un operatore: non solo la velocità di calcolo pura, ma anche i consumi, la latenza percepita dagli utenti e le scelte software che incidono sul risultato finale.

Un sistema, non solo un chip

Jalapeño è stato sviluppato in collaborazione con Broadcom, azienda specializzata nella realizzazione di chip su misura per grandi clienti. Nella comunicazione del 24 giugno 2026, OpenAI e Broadcom hanno inquadrato Jalapeño come parte di una piattaforma multi-generazione, con un primo dispiegamento previsto entro la fine del 2026 e un'espansione negli anni successivi. L'annuncio include partner per l'integrazione nei data center e una rete Ethernet ad altissime prestazioni come componente strutturale — non un accessorio opzionale.

Questo dettaglio è più rilevante di quanto sembri. Il progetto non riguarda un singolo chip, ma un sistema integrato in cui processore, memoria, rete e software di gestione sono stati progettati insieme come un'unica macchina. Nei data center moderni, il collo di bottiglia raramente è la mancanza di potenza di calcolo in senso astratto: è piuttosto l'incapacità di trasformare quel calcolo in risposte rapide senza sprecare energia o perdere tempo nel movimento dei dati tra i componenti. Jalapeño è costruito per ridurre questo «lavoro invisibile».

Jalapeño non vende calcolo in più, vende meno sprechi tra i componenti

Il confronto con Nvidia va contestualizzato

Le GPU (unità di elaborazione grafica, riconvertite per l'AI) di Nvidia restano la piattaforma dominante per l'addestramento dei modelli e per buona parte dell'inference. OpenAI stessa ha dichiarato che continuerà a usarle per l'addestramento. Nvidia, dal canto suo, ha investito molto su una logica simile a quella di OpenAI: il vantaggio competitivo non sta nella singola GPU, ma nel sistema completo. Nelle pagine tecniche legate a MLPerf Inference v6.0, Nvidia riporta risultati su DeepSeek R1 fino a 2.494.310 token al secondo in configurazione da 288 GPU GB300: un numero che misura la capacità di elaborazione massiva su larga scala, più che la reattività verso il singolo utente. Un ecosistema software articolato, tra runtime e ottimizzazioni continue, può cambiare sensibilmente la resa a parità di hardware.

Il punto su cui OpenAI concentra la propria narrazione è una tensione reale nell'ingegneria dei sistemi AI: throughput (quante risposte si riescono a generare nell'unità di tempo) e interattività (quanto velocemente arriva ogni risposta) spesso tirano in direzioni opposte. Spingere al massimo la velocità di risposta tende a ridurre l'efficienza complessiva, perché si rinuncia a elaborare più richieste insieme e si perdono ottimizzazioni che richiedono un minimo di «accumulo». Jalapeño dice di poter mantenere entrambi i parametri su livelli competitivi simultaneamente, grazie a un'architettura pensata esclusivamente per l'inference, senza i compromessi di un sistema progettato anche per l'addestramento.

I numeri vanno letti con cura

Leggere i benchmark richiede qualche cautela. InferenceX è pubblico e la riproducibilità è parte esplicita del progetto, il che è già un segnale di trasparenza non scontato nel settore. Restano però variabili che incidono molto sul risultato finale: il livello di compressione dei dati scelto per il modello, la dimensione dei gruppi di richieste elaborate insieme, le impostazioni di cache. Anche la gestione dell'energia va interpretata con attenzione: OpenAI dichiara per Jalapeño un consumo nominale di 700 watt, ma nei test la potenza sostenuta misurata è rimasta a o sotto i 550 watt. La differenza tra consumo dichiarato e consumo reale è normale per questo tipo di hardware, ma diventa un elemento critico quando la metrica principale che si vuole affermare è proprio «quanto lavoro per ogni watt».

C'è poi una domanda più pratica: quanto di questo vantaggio è trasferibile al di fuori dell'infrastruttura specifica di OpenAI? Un chip co-progettato con il proprio software di serving, la propria rete interna e la propria catena di ottimizzazioni può dare risultati che non si replicano automaticamente in altri contesti.

Il vero vincolo nei data center oggi non è la potenza di calcolo, è l'energia disponibile

Perché conta anche per chi non compra hardware

Jalapeño non sarà in vendita. OpenAI non ha piani per offrirlo ad altri: è uno strumento interno, pensato per abbassare il costo unitario di ogni risposta generata dai propri servizi. Questo sposta il significato competitivo dal mercato dell'hardware a quello dei servizi: se il costo per elaborare ogni risposta scende, OpenAI può offrire prezzi più bassi sulle proprie API, risposte più rapide o una maggiore disponibilità nei momenti di picco. Per aziende e sviluppatori che accedono alle capacità di OpenAI tramite servizi cloud — come avviene in Italia e in Europa — l'effetto arriverebbe indirettamente, attraverso i servizi che già usano.

L'analogia più pertinente è con le TPU di Google: processori sviluppati internamente per ottimizzare i propri servizi, che hanno ridefinito alcune aspettative del mercato senza essere mai stati venduti come prodotto autonomo. Broadcom, dal canto suo, porta in dote non solo la capacità di trasformare un progetto in silicio reale e in produzione scalabile, ma anche un portafoglio di tecnologie di rete che negli ultimi anni è diventato cruciale per collegare i componenti nei grandi cluster AI.

La posta in gioco è più ampia di un confronto di prestazioni. Jalapeño è un segnale che il settore sta entrando in una fase in cui il limite non è più «quanti chip si riescono a comprare», ma «quanta energia si riesce a ottenere per i data center». Se puoi generare più risposte a parità di kilowatt, stai acquistando capacità in un mercato dove l'energia è spesso il vero vincolo — non aggirabile con un semplice ordine d'acquisto. La domanda utile, per chi costruisce prodotti basati sull'AI in Europa, non è «quando posso ordinare Jalapeño», ma «quanto velocemente queste efficienze si rifletteranno sulla latenza e sui costi dei servizi che già uso».