OpenAI baut mit Broadcom den eigenen Inferenzchip

Worum es geht

OpenAI und Broadcom haben am 24. Juni 2026 Jalapeño vorgestellt, OpenAIs ersten eigenen Inferenzchip fuer grosse Sprachmodelle. Das klingt zuerst nach einem weiteren Stueck Silicon-Valley-Hardware. Spannend wird es aber an einer viel praktischeren Stelle: Wer KI-Produkte fuer Millionen Menschen betreibt, zahlt nicht nur fuer das Training, sondern taeglich fuer jede einzelne Antwort.

Jalapeño soll genau dort ansetzen. OpenAI beschreibt den Chip als ersten Baustein einer mehrjaehrigen Compute-Plattform, die ChatGPT, Codex, API-Produkte und kuenftige Agenten schneller, verlaesslicher und guenstiger machen soll.

Was Jalapeño tatsaechlich macht

Jalapeño ist kein normaler Serverprozessor und auch kein universeller Grafikchip. Er ist ein ASIC, also ein Spezialchip, der fuer LLM-Inferenz gebaut wurde: Ein trainiertes Modell bekommt Eingaben, berechnet Tokens, nutzt Speicher und Netzwerk und liefert eine Antwort zurueck.

OpenAI sagt, der Chip sei mit Broadcom und Celestica von Grund auf an den eigenen Modell-, Kernel-, Speicher- und Serving-Mustern ausgerichtet worden. Engineering Samples laufen laut OpenAI bereits mit ML-Workloads im Labor, darunter GPT-5.3-Codex-Spark. Der wichtigste behauptete Vorteil ist bessere Performance pro Watt. Ein unabhaengiger technischer Bericht liegt aber noch nicht vor.

Warum das wichtig ist

Der Flaschenhals im KI-Geschaeft verschiebt sich. Training bleibt teuer, aber die Alltagskosten entstehen immer staerker beim Betrieb: Chat-Antworten, Coding-Agenten, Suche, Kundenservice, Analyse-Workflows. Wenn Inferenz billiger wird, koennen Anbieter laengere Aufgaben erlauben, niedrigere Preise anbieten oder Lastspitzen besser abfangen.

TechCrunch ordnet den Schritt als Versuch ein, OpenAIs Abhaengigkeit von Standard-GPUs zu reduzieren. Tom's Hardware betont gleichzeitig die offene Frage: Von aussen laesst sich noch nicht sauber beurteilen, wie der Chip intern aufgebaut ist und wie gross der Vorsprung wirklich wird. Genau diese Spannung macht die Meldung relevant.

Einfach erklaert

Stell dir eine Grosskueche vor. Fuer das Erfinden eines neuen Rezepts brauchst du Spitzenkoeche, Testessen und viel Zeit. Fuer tausende Portionen pro Tag brauchst du aber eine Kueche, die Kartoffeln, Pfannen und Auslieferung perfekt organisiert. Jalapeño ist nicht das Rezept. Jalapeño ist der Versuch, die Grosskueche fuer KI-Antworten billiger und schneller zu machen.

Praktisches Beispiel

Ein Softwareteam laesst Codex jeden Werktag 2.000 kleine Aufgaben pruefen: Tests lesen, Fehler reproduzieren, Patches vorschlagen. Wenn jede Aufgabe 30 Sekunden wartet und viele Tokens verbraucht, wird das teuer und langsam. Sinkt die Inferenzkostenkurve um 20 oder 30 Prozent, kann dasselbe Team mehr Pruefungen laufen lassen oder komplexere Aufgaben erlauben, ohne dass die Monatsrechnung sofort explodiert.

Einordnung und Grenzen

• OpenAI hat noch keine unabhaengig pruefbaren Benchmarks veroeffentlicht. Performance-pro-Watt bleibt bis zum technischen Bericht eine Herstellerangabe.
• Ein Inferenzchip loest nicht automatisch Daten-, Sicherheits- oder Modellqualitaetsprobleme. Er macht vor allem den Betrieb effizienter.
• Spezialhardware kann neue Abhaengigkeiten schaffen. Wenn Modelle, Software oder Workloads sich stark veraendern, muss die Plattform flexibel genug bleiben.

SEO- und GEO-Schluesselbegriffe

OpenAI, Broadcom, Jalapeño, AI inference chip, LLM inference, AI infrastructure, Codex, ChatGPT, data centers, semiconductors, performance per watt, AI compute 2026