Em 25 de agosto, na conferência Hot Chips, a OpenAI publicou os primeiros benchmarks de desempenho do Jalapeño, seu chip de inferência desenvolvido com a Broadcom — e os números venceram sistemas com o Blackwell, da Nvidia. É a primeira vez que a empresa mostra dados concretos sobre o hardware próprio que vem construindo desde o ano passado.
O que mudou
Segundo a OpenAI, testado no InferenceX — benchmark público mantido pela SemiAnalysis, empresa independente de análise de semicondutores — o Jalapeño entregou de 1,5 a 1,9 vez mais trabalho de IA por watt do que sistemas Blackwell (GB200/GB300) da Nvidia, com latência de ponta a ponta de 1,7 a 3,6 vezes menor. Em cargas de trabalho altamente interativas — o tipo de tráfego de baixa latência que o próprio ChatGPT gera — o ganho chegou a 2,1–4,1 vezes. Os testes usaram três modelos públicos: GPT-OSS 120B (da própria OpenAI), DeepSeek R1 670B e Kimi K2.5 1T — ou seja, a OpenAI benchmarcou o chip inclusive com modelos de concorrentes diretos. É importante o contexto: os números são autorreportados pela OpenAI, seguindo a metodologia pública da SemiAnalysis, mas ainda sem verificação por terceiros independentes. O Jalapeño, anunciado em junho após cerca de nove meses de desenvolvimento com Broadcom e Celestica, ainda mira apenas produção em baixo volume no fim de 2026, e não foi testado contra a próxima geração Vera Rubin, da própria Nvidia.
Por que isso importa
O timing pesa: a Nvidia está prestes a divulgar resultados trimestrais, e a notícia já é lida pelo mercado como ameaça às margens da empresa, segundo a CNBC. Mas o dado mais relevante para quem compra IA como serviço é outro: mesmo com um chip próprio superando a Nvidia em benchmark inicial, a OpenAI afirma que vai continuar comprando hardware da rival. Ou seja, isso não é uma ruptura de fornecedor — é diversificação. Empresas que constroem hardware próprio para reduzir custo de inferência (o insumo mais caro de rodar modelos em escala) ganham poder de barganha e menos dependência de um único fornecedor, sem necessariamente abandoná-lo.
O impacto para o Brasil
Para empresas brasileiras que consomem IA via API — a esmagadora maioria fora das big techs — esse tipo de notícia não muda o preço de amanhã, mas sinaliza a direção: os grandes labs estão investindo pesado para baixar o custo de inferência na própria infraestrutura, o que historicamente precede repasse de preço mais competitivo ao cliente final (como já vimos com o roteamento de modelos da AT&T e a repactuação da DeepSeek). O ponto de atenção prático é outro: números de benchmark divulgados pelo próprio fornecedor, mesmo seguindo metodologia pública, merecem o mesmo ceticismo que qualquer material de marketing técnico — vale esperar validação independente antes de usar esse tipo de anúncio como argumento de decisão de compra.
Leitura da Entercast
Esse é mais um capítulo do tema que vimos seguindo aqui: infraestrutura de IA — não só o modelo — virou o campo de disputa que define custo e dependência de fornecedor. Já mostramos como a Anthropic assumiu o custo da própria rede elétrica, como o Google Cloud formalizou identidade e governança para agentes, e como a AT&T cortou custo via roteamento entre modelos. Agora é a camada de silício: quem depende de IA em produção deveria acompanhar esse movimento não pela corrida de benchmarks, mas pelo que ele sinaliza sobre para onde vai o custo de inferência nos próximos 12 a 18 meses — e sobre o risco de concentração em poucos fornecedores de chip, tema que também já tratamos aqui ao falar da disputa geopolítica por cadeia de suprimento de semicondutores.