OpenAI entwickelt in 9 Monaten einen eigenen Chip, der Blackwell übertrifft – Hat Nvidia noch einen Burggraben?

OpenAI hat in Zusammenarbeit mit Broadcom erstmals die selbst entwickelte Inferenz-Chip Jalapeño mit realen Messdaten vorgestellt. Die Leistungskennzahlen übertreffen bestehende Nvidia-Systeme deutlich und haben breit angelegte Diskussionen über eine Neugestaltung der Marktstrukturen für KI-Chips ausgelöst.

Laut der aktuellen Analyse von Rich Privorotsky, Leiter der Handelsabteilung von Goldman Sachs, ist Jalapeño nicht der sogenannte „Nvidia-Killer“. Seine Einführung signalisiert jedoch, dass der Markt für KI-Hardware vom hoch konzentrierten Segment zu einer vielfach diversifizierten Branche übergeht. Diese Einschätzung ist direkt relevant für die langfristige Bewertungslogik von Nvidia — es geht nicht um die Verkaufszahlen dieses Jahr, sondern um die Gewinnstruktur der kommenden Jahre.

Für den Markt hat dieses Ereignis vor allem zwei Auswirkungen: Erstens ist Nvidias Festung im Bereich Trainings-Chips und der CUDA-Ökosphäre kurzfristig nicht gefährdet. Zweitens wird die Inferenz — die hochfrequenten, volumetrischen, alltäglichen Lasten — zum Hauptkampffeld der speziell zugeschnittenen Chips; die „Renten“-artige Einkommensquelle von Nvidia wird schrittweise erodiert.

Die Messdaten von Jalapeño: Führend bei Inferenzleistung, aber klar positioniert

Der Jalapeño-Chip von OpenAI und Broadcom wurde kürzlich mit den ersten öffentlich verfügbaren Benchmark-Daten vorgestellt. Die Tests zeigen, dass Jalapeño pro Watt 1,5 bis 1,9 mal mehr KI-Berechnungen ausführen kann als vergleichbare Nvidia-Systeme. Die Reaktionsgeschwindigkeit ist 1,7 bis 3,6 mal schneller.

Die Hardware-Spezifikationen: Ein einzelner Jalapeño-Chip hat eine nominelle Leistungsaufnahme von etwa 700 Watt, während die tatsächliche Last meist niedriger ist. Ein voller Rack kann 128 Chips aufnehmen und verfügt über etwa 27,5 TB HBM4-Speicher mit hoher Bandbreite. Die Speicherbandbreite pro Chip beträgt 15,4 TB/s.

Bemerkenswert ist, dass OpenAI beim Speicher nicht kompromittiert hat — dies ist ein bewusst für eine bandbreitenintensive Anwendung entwickelter Chip, bei dem keine Kosten durch Speichereinsparungen gesenkt wurden.

Jalapeño wird später dieses Jahr zuerst in kleinerem Maßstab eingesetzt und ab 2027 in die Produktionshochlaufphase gehen. OpenAI hat klar betont, dass dieser Chip eine Ergänzung zu Partnern wie Nvidia ist und keinen Ersatz darstellt.

Grundlegende Unterscheidung zwischen Training und Inferenz: Wo liegt Nvidias Festung?

Der Schlüssel zum Verständnis dieses Ereignisses liegt in der Unterscheidung der zwei Kern-Arbeitslasten von KI-Chips.

Training ist das „Schulbank drücken“, bei dem große Datenmengen das Modell füttern und die Gewichtungen aktualisiert werden — ein komplexer, massiver und langwieriger Vorgang, der weiterhin stark auf Nvidias universelle GPUs angewiesen ist. Inferenz ist das „Arbeiten“ — Nutzer stellen Fragen an ChatGPT, Agenten buchen Flüge, Code-Tools generieren Funktionen; das Modell ist bereits trainiert und es geht darum, mit minimalen Kosten und maximaler Geschwindigkeit Ergebnisse zu liefern.

Jalapeño ist ein spezieller Inferenz-ASIC (Application Specific Integrated Circuit) und kein Trainingschip. Privorotsky vergleicht: Die GPU ist das Schweizer Taschenmesser, der ASIC das Profimesser — letzteres ist bei bestimmten Aufgaben überlegen, kann aber nicht die Universalität des ersten ersetzen.

Das bedeutet, dass OpenAI auf absehbare Zeit weiterhin Nvidia-GPUs für Modelltraining und Forschungsarbeiten benötigt. Privorotsky stellt klar: Jalapeño wird keinen „Abgrund“ bei der Nvidia-Nachfrage verursachen, aber der Diskussionsrahmen über KI-Hardware erweitert sich stetig.

Hybridwechsel statt Branchensterben

Privorotsky bringt in seiner Analyse drei Hauptargumente.

Erstens: Speziell entwickelte Inferenzchips sind keine Laborprojekte mehr. Ein Softwareunternehmen ohne Halbleiter-Historie kann gemeinsam mit Broadcom in extrem kurzer Zeit einen leistungsfähigen Chip auf den Markt bringen — der Einstieg in diesen Bereich ist deutlich einfacher geworden.

Zweitens: Das bedeutet nicht, dass die Nachfrage nach Nvidia dieses Jahr sinkt. Training, Forschung und viele nicht standardisierte Arbeitslasten benötigen weiterhin universelle GPUs, während die erste Generation spezialisierter Chips nur in kleinen Mengen ausgeliefert wird und längere Lieferzeiten hat.

Drittens: Auf längere Sicht werden immer mehr KI-Inferenz-Arbeitslasten auf spezialisierte Chips verlagert. Das ist ein „Hybridtransfer“ — betroffen ist die Profitverteilung, nicht die Branchen-Größe.

Goldman Sachs stellt zudem klar, dass dieses Ereignis keinen negativen Einfluss auf die Speicherindustrie hat. Ein Rack mit 128 Chips und 27,5TB HBM4 bedeutet, dass OpenAI an Anbieter wie SK Hynix, Samsung und Micron höhere effektive Watt-Preise zahlt. Die Verlagerung der Inferenz auf spezialisierte Chips verringert nicht den Bedarf an High-Bandwidth-Memory, sondern könnte ihn sogar erhöhen.

KI-gestützte Chipdesigns: Das wirklich unterschätzte Narrativ

Privorotsky stellt am Ende seiner Analyse eine vom Markt meist ignorierte Frage: Wie konnte ein Unternehmen ohne Erfahrung im Chipdesign den Jalapeño in Rekordzeit fertigstellen?

Goldman Sachs antwortet: durch verstärkte Lernzyklen und KI-gestützte Entwurfsschleifen — Modelle testen Schaltungskonzepte, verkürzen Design-, Mess- und Validierungszyklen, und KI generiert die Software, die auf dem neuen Chip läuft.

Diese „rekursive“ Logik bedeutet, dass KI bei der Konstruktion der Maschine zur Ausführung von KI selbst beteiligt ist. Wenn diese Entwurfsschleifen weiterhin effektiv funktionieren, wird der Festungsgraben der universellen GPU-Softwareökosphäre in stabilen Inferenz-Szenarien allmählich schmaler.

Für die gesamte Industrie gilt: Compiler, Kernel-Generatoren und „Modelle zum Schreiben von Chip-Software“ entwickeln sich von Randwerkzeugen zur strategischen Infrastruktur.

Neustrukturierung des Ökosystems: Wer profitiert, wer leidet darunter?

Nvidia: Kurzfristig keine Probleme, langfristig struktureller Druck. Trainings-Cluster, CUDA-Ökosystem, Netzwerkintegration und die Flexibilität „am Dienstag den neuen Modelllauf starten“ – all das bleibt eine echte Festung. Verlagert sich die tägliche, hochfrequente Inferenz-Arbeitslast weiter auf ASICs, behält Nvidia das „Goldrausch“-Geschäft, verliert aber langsam einen Teil der „Renten“. Das ist ein langfristiges Bewertungsproblem, kein Auslieferungskrisenproblem für 2026.

Broadcom und individuelle Chip-Fertiger: Sie werden zu „Waffenhändlern“ für Unternehmen, die eigene Chips entwickeln möchten, aber nicht wie TSMC werden wollen. Spezialisierte Inferenz ist ein Geschäftsmodell für Dienstleistung und Netzwerk; mehr Jalapeño bedeutet mehr Packaging, SerDes und Rack-Level-Fertigungsbedarf.

Modell-Labore: Jalapeño ist ein Gewinn- und Produktwaffe. Labore mit eigenen Inferenzchips können Preise senken, die maximale Geschwindigkeit erhöhen oder Agenten erlauben, mehr Schritte auszuführen, bevor die Rechnung aus dem Ruder läuft. Wer nur GPUs mietet, mietet die Kostenstruktur anderer; eigene Inferenzchips ermöglichen eine neue Produktdefinition. Google hat dafür die TPU gebaut, Amazon die Trainium und OpenAI steigt dank offiziellem Leistungsnachweis neu in diesen Wettbewerb ein.

Nutzer & Pricing: Sinkende Inferenzkosten führen typischerweise zu zwei parallelen Ergebnissen — niedrigere Preise auf Basisebene, teurere Endprodukte wegen größerer Modelle und fortschrittlicher Agenteneigenschaften. Die sinkenden Gesamtkosten pro Token bilden die Grundlage für den „20 Dollar Chatbot“ und den „2000 Dollar/Monat-Agentendienst“.