Por Canuto  

OpenAI está llevando sus modelos a industrias como el diseño de chips, las ciencias de la vida y las finanzas, con una tesis que puede cambiar la forma de medir el valor de la inteligencia artificial: el costo por tarea completada sería más importante que el precio por token. El chip Jalapeño es su principal demostración, aunque sus resultados todavía dependen de cifras internas y comparaciones que no han sido reproducidas por completo de forma independiente.
***

  • OpenAI sostiene que un modelo más caro puede resultar más rentable si completa una tarea con menos intentos y menor intervención humana.
  • La empresa afirma que su chip de inferencia Jalapeño llegó al tapeout en nueve meses con ayuda de sus modelos de IA.
  • Synopsys, Cadence y Google ya aplican IA al diseño de semiconductores, por lo que el diferencial de OpenAI será demostrar mejores costos por resultado.

OpenAI está ampliando el uso de sus modelos avanzados hacia el diseño de chips, las ciencias de la vida y los servicios financieros, mientras intenta redefinir la forma en que las empresas calculan el valor de la inteligencia artificial. La tesis de la compañía es que el precio por token no cuenta toda la historia, porque un sistema inicialmente más costoso puede terminar siendo más barato si resuelve una tarea con menos intentos, revisiones e intervención humana.

Sarah Friar, directora financiera de OpenAI, presentó ese argumento el 7 de septiembre durante la Conferencia Communacopia + Technology de Goldman Sachs, celebrada en San Francisco, según reportó Reuters el 9 de septiembre. La discusión ocurre mientras los clientes comparan modelos propietarios con alternativas de código abierto y buscan una métrica que conecte el gasto en inferencia con un resultado empresarial concreto.

Una nueva métrica para medir la IA

La propuesta de OpenAI desplaza el foco desde el costo unitario de cada consulta hacia el gasto total necesario para terminar un trabajo. Bajo esa lógica, un modelo barato puede exigir varios reintentos, controles de calidad y correcciones humanas, mientras que otro con una tarifa superior podría entregar una respuesta utilizable en menos pasos y reducir el costo operativo final.

Friar también señaló que OpenAI está probando un esquema comercial basado en la efectividad de la IA para cada empresa, en lugar de cobrar exclusivamente por el consumo. La idea coincide con una publicación suya del 17 de julio, en la que defendió la importancia de la “Inteligencia Útil por Dólar” frente a una evaluación limitada al precio del token.

La compañía afirmó que una reducción de precio en su producto de gama baja Luna impulsó casi diez veces su uso, mientras que el número de usuarios de Codex llegó a 25 millones, de acuerdo con Reuters. Esas cifras forman parte del argumento de que una tarifa menor puede acelerar la adopción, aunque la métrica decisiva para los clientes corporativos seguiría siendo la relación entre desempeño, automatización y costo total.

Una comparación de Artificial Analysis aporta contexto, pero no resuelve por sí sola el debate. La firma calculó que GPT-5.6 Luna ejecuta una tarea estándar por unos USD $0,18, frente a USD $2,01 para GLM-5.3 de Z.ai, aunque este último obtuvo 45 puntos en el Índice de Inteligencia de Artificial Analysis y Luna recibió 38. El costo por tarea es una métrica ponderada que depende de las pruebas utilizadas y no equivale automáticamente al costo final para cada empresa.

Jalapeño como demostración interna

El principal caso presentado por OpenAI es Jalapeño, su primer chip de inferencia personalizado, desarrollado con Broadcom para uso exclusivo de la empresa. OpenAI afirmó el 25 de agosto que sus modelos ayudaron a llevar el proyecto desde la concepción hasta el tapeout en nueve meses, una etapa que corresponde al envío del diseño terminado a una fábrica.

Según la compañía, la inteligencia artificial acortó los ciclos de diseño, medición y verificación, además de ayudar a mejorar el rendimiento de circuitos aritméticos y programar el chip terminado. La descripción muestra una función de apoyo a los ingenieros, no un intento de sustituir por completo las herramientas de automatización de diseño electrónico conocidas como EDA.

OpenAI también sostuvo que Jalapeño alcanzó entre 1,5 y 1,9 veces más rendimiento en trabajo de IA por vatio que dispositivos equivalentes GB200 y GB300 de Nvidia. La comparación se realizó al ejecutar GPT-OSS 120B, DeepSeek R1 y Kimi K2.5, por lo que sus resultados dependen del tipo de carga, del entorno de prueba y de las condiciones elegidas por la propia empresa.

La cautela es importante porque Jalapeño no se ofrece en el mercado y sus cifras proceden de OpenAI. SemiAnalysis analizó las ejecuciones de InferenceX, pero no reprodujo de manera independiente toda la suite de pruebas, de modo que el anuncio funciona como una demostración interna y todavía no como una validación completa frente a terceros.

Una carrera que comenzó antes

OpenAI entra en un terreno donde otros proveedores ya comercializan herramientas de inteligencia artificial para diseñar semiconductores. Synopsys afirma que su copiloto de IA generativa puede reducir 40% el tiempo de recuperación de información y acortar entre 10 y 20 veces el tiempo hasta encontrar una solución en determinados flujos de trabajo.

Cadence declaró el 1 de junio que su ingeniero de IA autónomo ChipStack puede reducir algunos ciclos de validación RTL de cinco semanas a menos de un día. Google, por su parte, ha utilizado AlphaChip en chips avanzados de distintas áreas de Alphabet, lo que demuestra que la aplicación de modelos al diseño de hardware ya tiene presencia dentro de grandes compañías tecnológicas.

Por eso, la novedad de OpenAI no consiste simplemente en afirmar que la IA puede ayudar a diseñar chips. El verdadero desafío será probar que sus modelos propietarios consiguen un resultado exitoso con un costo menor que las alternativas, incluso cuando el precio inicial por token sea superior.

La diferencia puede ser relevante para empresas que calculan presupuestos de infraestructura, porque una reducción en el tiempo de ingeniería o en las rondas de verificación puede pesar más que una tarifa individual de consulta. Sin embargo, esa ventaja solo será sostenible si los clientes pueden medirla con pruebas reproducibles y no dependen únicamente de las métricas publicadas por el proveedor.

La economía de una infraestructura gigantesca

El mercado al que apunta esta estrategia tiene una escala extraordinaria. PwC estimó el 2 de septiembre que el gasto de capital global en infraestructura de IA podría alcanzar USD $31,6 billones hasta 2050, con un desembolso anual que crecería desde unos USD $800.000 millones en 2026 hasta USD $1,8 billones en 2050.

Las actualizaciones recurrentes de chips y servidores concentrarían una parte importante de ese gasto, lo que vuelve más valiosa cualquier mejora en el diseño, el rendimiento por vatio y la velocidad de validación. En ese contexto, un chip interno como Jalapeño no solo sirve para reducir costos, sino también para que OpenAI controle una porción mayor de la infraestructura que sostiene sus modelos.

El panorama, sin embargo, incluye una presión constante sobre los precios. Un informe de la OCDE fechado el 10 de julio indicó que los precios de los modelos de IA ajustados por calidad cayeron casi 80% entre enero de 2024 y abril de 2026, mientras la computación, los chips y otros insumos críticos permanecieron altamente concentrados.

Esa combinación explica la apuesta por integrar modelos, software y silicio: si los precios de las aplicaciones siguen descendiendo, la eficiencia de toda la cadena puede convertirse en la defensa principal de los grandes proveedores. OpenAI intenta convencer al mercado de que el indicador decisivo no será cuánto cuesta cada token, sino cuánto se paga para alcanzar un resultado confiable y útil.

La estrategia todavía enfrenta preguntas sobre transparencia, comparabilidad y dependencia de mediciones internas, especialmente en el caso de Jalapeño. Si OpenAI logra demostrar de forma independiente sus ventajas, el costo por tarea podría convertirse en una métrica central para comprar IA y acelerar la concentración del sector en compañías capaces de controlar modelos, software y hardware.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados