OpenAI presenta sus modelos para el diseño de chips, apostando por superar los costos de las soluciones de código abierto

OpenAI está expandiendo sus modelos avanzados al diseño de chips, las ciencias de la vida y las finanzas, argumentando que un modelo con un costo inicial más alto puede compensarse al realizar una tarea con menos intentos.

Reuters informó el 9 de septiembre que la CFO Sarah Friar hizo este argumento en la Conferencia Communacopia + Technology de Goldman Sachs en San Francisco el 7 de septiembre.

Para las empresas que intentan decidir entre modelos de gama alta y de bajo costo, esto altera el debate. En lugar de preguntar qué modelo tiene el precio de token más bajo, OpenAI gustaría que los clientes consideren qué modelo ofrece la tarea completada más barata.

El diseño de chips como cuña, no como reemplazo de EDA

OpenAI no está intentando suplantar los sistemas de automatización de diseño electrónico que los ingenieros están empleando actualmente para desarrollar chips. De hecho, sus soluciones ayudan a mejorar esos procesos ayudando a los ingenieros a analizar problemas, evaluar enfoques y acelerar ciertos trabajos.

Según Friar, la demanda de IA desarrollada para tareas específicas está creciendo. Como ha informado Reuters, OpenAI también está probando un modelo de negocio donde el precio depende de qué tan efectiva es la IA para la empresa en cuestión en lugar de basarse en el consumo.

Esto se alinea con el post publicado por Friar el 17 de julio que sugería la importancia de la “Inteligencia Útil por Dólar” frente al precio del token. Si bien un modelo más barato podría requerir varios intentos y revisiones, así como intervención humana, un modelo más caro podría resultar ser una opción más rentable al llegar al resultado más rápido.

Jalapeño como el punto de prueba interno

La demostración más clara de la ingeniosidad de OpenAI es Jalapeño, su primer chip de inferencia personalizado. La empresa declaró en un post del 25 de agosto que su tecnología de IA facilitó la transición de Jalapeño desde la etapa de concepción hasta la tapeout en solo nueve meses.

Gracias a la IA, los ciclos de diseño, medición y verificación se acortaron. La IA también se utilizó para mejorar el rendimiento de los circuitos aritméticos y programar el chip terminado.

OpenAI afirmó que el rendimiento del chip Jalapeño fue de 1.5 a 1.9 veces mayor cuando se trató del trabajo de IA por vatio en comparación con los dispositivos equivalentes GB200 y GB300 de Nvidia utilizados para realizar los cálculos por GPT-OSS 120B, DeepSeek R1 y Kimi K2.5.

Según la información proporcionada por Cryptopolitan el 25 de agosto, el chip diseñado por Broadcom está destinado estrictamente a los propósitos de OpenAI y no para la venta en el mercado. Estas estadísticas son, por lo tanto, solo los números de OpenAI. SemiAnalysis observó las ejecuciones de InferenceX pero no reprodujo de forma independiente la suite de pruebas completa.

El argumento del costo por tarea, verificado con datos externos

Friar declaró que la decisión de OpenAI de reducir el costo de su producto de gama inferior Luna ha contribuido a un crecimiento casi diez veces en su uso, así como a aumentar el número de usuarios de Codex a 25 millones, según Reuters.

Las pruebas independientes proporcionan cierta evidencia para la declaración de precios. Artificial Analysis compara los precios de GPT-5.6 Luna con GLM-5.3 de Z.ai y establece el precio de Luna en aproximadamente $0.18 frente a GLM-5.3 en $2.01 para una tarea estándar.

Sin embargo, esta no es exactamente una comparación unilateral. GLM-5.3 obtuvo 45 en el Índice de Inteligencia de Artificial Analysis, lo que le da a Luna una puntuación de solo 38. Por lo tanto, OpenAI tiene una ventaja en el precio por tarea estándar, pero no necesariamente es la IA de mejor rendimiento.

Un campo al que OpenAI llega tarde

El diseño de chips asistido por IA ya está bien establecido. Synopsys afirma que su copilot de IA generativa puede reducir el tiempo de recuperación de información en un 40% y reducir el tiempo hasta la solución entre 10 y 20 veces.

Cadence dijo el 1 de junio que su ingeniero de IA autónomo ChipStack puede reducir algunos ciclos de validación de RTL de cinco semanas a menos de un día. El AlphaChip de Google también se ha utilizado en chips avanzados en todo Alphabet.

El verdadero diferenciador de OpenAI, entonces, no es la afirmación de que la IA puede ayudar a diseñar chips. Es el argumento de que sus modelos propietarios pueden hacerlo a un costo menor por resultado exitoso.

Por qué las apuestas siguen subiendo

El mercado detrás de ese argumento es enorme. PwC dijo el 2 de septiembre que el gasto de capital global en infraestructura de IA podría alcanzar $31.6 billones hasta 2050, con un gasto anual que aumenta desde aproximadamente $800 mil millones en 2026 hasta $1.8 billones en 2050. Se espera que las actualizaciones recurrentes de chips y servidores impulsen gran parte de ese gasto.

El informe del OECD del 10 de julio sobre los mercados de IA añade el contrapunto: los precios de los modelos de IA ajustados por calidad cayeron casi un 80% entre enero de 2024 y abril de 2026, incluso mientras el cálculo, los chips y otras entradas críticas permanecieron altamente concentrados.

OpenAI está apostando a que una integración más estrecha entre modelos, software y silicio convertirá esa concentración en una ventaja de eficiencia. Si tiene éxito, el costo por tarea completada podría importar más que el precio del token y convertirse en otra fuerza que empuje a la IA hacia jugadores de pila completa.