OpenAIs Jalapeño-Chip fordert Nvidias KI-Vorsprung heraus

Worum es geht

OpenAI hat am 25. August 2026 erste Messergebnisse seines eigenen Inferenzchips Jalapeño veröffentlicht. Der Chip wurde mit Broadcom entwickelt und soll Sprachmodelle nach dem Training besonders schnell und energieeffizient ausführen. OpenAI plant, Jalapeño bis Ende 2026 in der eigenen Infrastruktur einzusetzen.

Die veröffentlichten Zahlen greifen Nvidias stärkste Marktposition direkt an: das Ausführen großer Modelle in Rechenzentren. OpenAI berichtet je nach Modell von 1,5- bis 1,9-mal mehr KI-Arbeit pro Watt bei Spitzendurchsatz und von 1,7- bis 3,6-mal geringerer Ende-zu-Ende-Latenz als bei den verglichenen Systemen. Die Ergebnisse stammen aus Tests mit GPT-OSS 120B, DeepSeek R1 und Kimi K2.5.

Was Jalapeño tatsächlich macht

Jalapeño ist kein allgemeiner Prozessor und kein Trainingschip für jede Aufgabe. Er ist auf Inferenz zugeschnitten: Ein bereits trainiertes Modell verarbeitet Anfragen und erzeugt Antworten. Dabei wechseln sich rechenintensive Phasen mit speicherintensiven Phasen ab. OpenAI sagt, Chip, Speicher, Netzwerk und Software seien gemeinsam darauf ausgelegt, Datenbewegungen und Wartezeiten zu reduzieren.

Der Chip ist mit 700 Watt angegeben; OpenAI meldet in den getesteten Arbeitslasten höchstens 550 Watt dauerhaft gemessene Leistungsaufnahme. Getestet wurde mit InferenceX, einem öffentlichen Benchmark von SemiAnalysis. Beim GPT-OSS-120B-Test nennt OpenAI rund 1,9-mal höheren Spitzendurchsatz pro Kilowatt als beim Nvidia-GB200-Vergleichssystem. Bei DeepSeek R1 waren es laut Veröffentlichung rund 1,7-mal mehr, bei Kimi K2.5 rund 1,5-mal mehr.

Warum das wichtig ist

Die laufenden Kosten großer KI-Dienste hängen stark von Stromverbrauch, Kühlung, Auslastung und Antwortzeit ab. Ein Chip, der mehr Anfragen pro Kilowatt erledigt, kann die Kosten pro erfolgreicher Antwort senken. Kürzere Wartezeiten sind besonders bei Agenten wichtig, weil sich Verzögerungen über viele aufeinanderfolgende Arbeitsschritte addieren.

Strategisch geht es um mehr als einen Benchmark. OpenAI wird damit selbst zum Chipentwickler und kann Modell, Software und Hardware enger aufeinander abstimmen. Das schwächt Nvidia nicht sofort: OpenAI betont ausdrücklich, weiterhin Beschleuniger von Nvidia und anderen Partnern einzusetzen. Es zeigt aber, dass die größten Modellanbieter ihre Abhängigkeit von Standardhardware schrittweise verringern wollen. CNBC ordnete Jalapeño deshalb als mögliche Bedrohung für hohe Margen bei KI-Beschleunigern ein.

Einfach erklärt

Stell dir eine Großküche vor. Ein universeller Koch kann viele Gerichte zubereiten, verliert aber Zeit beim Wechsel zwischen Werkzeugen und Arbeitsflächen. Jalapeño ähnelt einer Küche, die speziell für ein einziges, häufig bestelltes Menü eingerichtet wurde: Zutaten, Herd und Ausgabe liegen so nah beieinander, dass mehr Portionen mit weniger Energie entstehen. Das macht die Küche effizienter, beweist aber noch nicht, dass sie bei jedem Menü gewinnt.

Praktisches Beispiel

Ein KI-Dienst verarbeitet in einer Spitzenstunde 100.000 Anfragen. Jede Anfrage löst mehrere Modellschritte aus, und jede zusätzliche Sekunde verlängert die gesamte Aufgabe. Wenn ein spezialisiertes System bei vergleichbarer Antwortqualität mehr Anfragen pro Kilowatt schafft, braucht der Betreiber für dieselbe Last weniger aktive Hardware oder kann mehr Nutzer bedienen.

Die Rechnung ist dennoch nicht einfach „1,9-mal schneller bedeutet halb so teuer“. Anschaffung, Ausbeute in der Fertigung, Speicher, Netzwerk, Kühlung, Softwarepflege und tatsächliche Auslastung bestimmen die Gesamtkosten. Erst ein längerer Betrieb in realen Rechenzentren zeigt, ob die Vorteile außerhalb der ausgewählten Benchmarks bestehen bleiben.

Einordnung und Grenzen

• Die wichtigsten Zahlen kommen vom Anbieter: OpenAI veröffentlichte die Resultate und wählte Modelle, Betriebspunkte und Vergleichssysteme. InferenceX ist öffentlich, aber unabhängige Reproduktionen der vollständigen Jalapeño-Tests fehlen bislang.
• Benchmark und Produktion sind nicht dasselbe: Zuverlässigkeit, Fertigungsausbeute, Softwarefehler, Wartung und wechselnde Anfragemuster sind in einem Leistungsdiagramm nur teilweise sichtbar.
• Es ist kein vollständiger Nvidia-Ersatz: Jalapeño zielt auf Inferenz. Training und viele andere Arbeitslasten bleiben auf andere Beschleuniger angewiesen; OpenAI will Nvidia-Hardware weiter breit einsetzen.
• Kostenvorteile sind noch nicht belegt: Mehr Leistung pro Watt kann Kosten senken, doch OpenAI nennt weder Stückpreis noch vollständige Betriebskosten.

SEO- und GEO-Schlüsselbegriffe

OpenAI Jalapeño, KI-Chip, Inferenz, Nvidia GB200, Nvidia GB300, Broadcom, InferenceX, Leistung pro Watt, Rechenzentrum, KI-Hardware, Latenz, Custom Silicon