OpenAI desenvolve em 9 meses chip próprio que supera o Blackwell; a Nvidia ainda tem vantagem competitiva?

A Jalapeño, um chip de inferência desenvolvido internamente pela OpenAI em parceria com a Broadcom, teve seus primeiros dados de desempenho revelados, superando significativamente os sistemas da Nvidia atualmente disponíveis e gerando amplo debate sobre uma possível reconfiguração no cenário de chips de IA.

De acordo com a análise mais recente de Rich Privorotsky, chefe da divisão de trading do Goldman Sachs, a Jalapeño não é o chamado “Nvidia killer”, mas seu lançamento marca o início de uma tendência de diversificação em um mercado de hardware de IA antes altamente concentrado. Essa visão está diretamente ligada à lógica de avaliação de longo prazo da Nvidia — não o volume de entregas deste ano, mas sim a estrutura de lucros nos próximos anos.

Para o mercado, o impacto central deste evento se desdobra em dois eixos: primeiro, a vantagem competitiva da Nvidia em chips de treinamento e no ecossistema CUDA permanece inabalada no curto prazo; segundo, o segmento de inferência — tarefas rotineiras caracterizadas por alta frequência e grande volume — está se tornando o principal campo de batalha dos chips personalizados, colocando as receitas “estilo anuidades” da Nvidia sob ameaça progressiva.

Dados práticos da Jalapeño: desempenho superior em inferência, mas com posicionamento definido

A Jalapeño, desenvolvida em conjunto pela OpenAI e Broadcom, divulgou recentemente seus primeiros benchmarks públicos. Os resultados mostram que o chip realiza 1,5 a 1,9 vezes mais operações de IA por watt em comparação com sistemas equivalentes da Nvidia, e é entre 1,7 a 3,6 vezes mais rápido em resposta.

Nas especificações de hardware, cada Jalapeño consome aproximadamente 700 watts em potência nominal, normalmente operando com consumo inferior. Um rack completo acomoda 128 chips, equipado com cerca de 27,5TB de memória HBM4 de alta largura de banda e com 15,4TB/s de largura de banda por chip.

Vale destacar que a OpenAI não fez concessões na configuração de memória — este é um chip explicitamente idealizado para alta densidade de largura de banda, e não para redução de custos via diminuição de memória.

O cronograma de implantação da Jalapeño prevê início em pequena escala ainda este ano, e volume de produção subindo a partir de 2027. A própria OpenAI já declarou explicitamente que o chip complementa soluções da Nvidia e outros parceiros, e não pretende substituí-los.

A distinção fundamental entre treinamento e inferência: onde está o fosso competitivo da Nvidia

A chave para entender esse evento está em diferenciar as duas categorias centrais de tarefas dos chips de IA.

O treinamento equivale a “ir à escola” — alimentar o modelo com grandes volumes de dados e atualizar pesos, uma tarefa complexa, de grande escala e longa duração, ainda fortemente dependente das GPUs universais ao estilo Nvidia. Já a inferência é “executar o serviço” — responder perguntas no ChatGPT, agendar passagens por agentes inteligentes, gerar funções com ferramentas de código; aqui, o modelo já está treinado e o objetivo é entregar resultados no menor tempo possível e ao menor custo.

Jalapeño é um ASIC dedicado à inferência (chip customizado), e não para treinamento. Nas palavras de Privorotsky: GPU é um canivete suíço, ASIC é uma faca de chef — esta é imbatível em tarefas específicas, mas não substitui a versatilidade da primeira.

Isso significa que, no futuro previsível, a OpenAI continuará adquirindo GPUs Nvidia para treinamento de modelos e pesquisa. Privorotsky aponta claramente que a Jalapeño não causará uma queda abrupta na demanda por Nvidia, mas “os limites da discussão sobre hardware de IA continuam se expandindo”.

Transição híbrida, e não extinção do setor

Privorotsky elenca três pontos principais em sua análise.

Primeiro, chips customizados de inferência não são mais projetos de laboratório. Uma empresa de software sem histórico em semicondutores conseguiu, em tempo recorde e com a Broadcom, lançar um chip de alto desempenho — mostrando que a barreira de entrada no segmento caiu drasticamente.

Segundo, isso não implica queda de demanda para Nvidia neste ano. Treinamento, pesquisa e várias tarefas não padronizadas continuam dependentes de GPUs universais, enquanto a produção inicial de chips customizados ainda é reduzida e com entregas mais lentas.

Terceiro, no longo prazo, mais tarefas de inferência migrarão para chips especializados. Trata-se de uma “transição híbrida” — o que muda é a distribuição do lucro, e não o tamanho do setor.

O Goldman Sachs também observa que esse movimento não é prejudicial para o setor de memórias. Um rack de 128 chips com 27,5TB de HBM4 implica em custos mais altos por watt efetivo para a OpenAI junto a fornecedoras como SK Hynix, Samsung e Micron. A migração da inferência para chips customizados não reduz a demanda por memória de alta largura de banda — pode até aumentar a sua escassez.

IA auxiliando design de chips: a narrativa realmente subestimada

No final de sua análise, Privorotsky levanta uma questão pouco discutida no mercado: como uma empresa sem histórico de design de chips conseguiu entregar um produto em tempo recorde?

A resposta do Goldman Sachs reside no ciclo de design auxiliado por IA e reinforcement learning — modelos que exploram variações de circuitos, encurtam o tempo entre design, medição e validação, e por fim geram o próprio código de software que será executado nos chips recém-desenvolvidos.

Essa abordagem “recursiva” indica que a IA está participando do próprio processo de criação das máquinas onde ela roda. Caso esse ciclo de design permaneça eficiente, o fosso da GPU universal baseado no ecossistema de software vai se estreitando progressivamente em cenários de inferência estabilizada.

Para toda a indústria, compiladores, geradores de kernel e os “modelos que escrevem código para chips” estão deixando de ser ferramentas marginais para se tornarem infraestrutura estratégica.

Reestruturação do ecossistema: quem ganha e quem sofre pressão

Nvidia: sem riscos no curto prazo, mas enfrentando pressão estrutural no longo prazo. Clusters de treinamento, o ecossistema CUDA, conexões de rede e a flexibilidade de “rodar um novo modelo na terça” ainda são fossos reais. Mas com a migração contínua de inferência para ASICs, a Nvidia manterá seu papel central nos investimentos (“corrida do ouro”), mas perderá parte da receita recorrente (“anuidades”). Trata-se de uma questão de múltiplos de valorização ao longo dos anos, e não de crise de entregas em 2026.

Broadcom e fabricantes de chips customizados: tornar-se-ão os “fornecedores de armas” para empresas que querem desenvolver chips próprios mas não desejam ser outra TSMC. Inferência customizada é um negócio de serviços e redes: mais Jalapeño significa mais demanda por encapsulamento, SerDes e manufatura em escala de racks.

Laboratórios de modelos: Jalapeño é uma ferramenta para aumentar eficiência e competitividade de produto. Ter chip próprio de inferência permite abaixar preços, aumentar taxas máximas de uso ou possibilitar que agentes executem mais tarefas antes que os custos fujam do controle. Quem só aluga GPU depende da estrutura de custos de terceiros; quem tem chip de inferência, redefine o produto. Google fez o TPU por isso, Amazon desenvolveu o Trainium, e agora a OpenAI entrou oficialmente nessa disputa com resultados divulgados publicamente.

Usuários e precificação: a queda do custo de inferência geralmente resulta em dois efeitos sincronizados — preços mais baixos na camada básica e modelos mais potentes e inteligentes com custos mais elevados na camada premium. A diminuição do custo total por token é a base que possibilita de um lado “chatbots de 20 dólares” e, de outro, “serviços de agentes inteligentes por 2000 dólares mensais”.