OpenAI heeft zojuist zijn eigen AI-chip gebouwd. Dit is waarom alles verandert.

De afgelopen jaren draaide elk AI-gesprek om modellen. Hoeveel parameters? Welke benchmarks? Wat kan het model dat vorige maand niet kon?

Maar er is altijd al iets net zo belangrijks geweest dat rustig op de achtergrond werkt: de computers die alles mogelijk maken.

Elke keer dat ChatGPT een vraag beantwoordt, elke keer dat Codex iemand helpt code te schrijven, elke keer dat een AI-agent een taak voltooit, doet iets fysiek dat werk. Een chip, ergens, verwerkt alles daarvan met buitengewone snelheid. En naarmate AI krachtiger wordt en meer mensen het gebruiken, wordt de hardware eronder net zo belangrijk als de software erboven.

Daarom is wat OpenAI op 24 juni 2026 aankondigde een veel groter deal dan het misschien lijkt.

Wat Is Jalapeño?

Jalapeño is OpenAI's eerste zelf gebouwde AI-chip, ontwikkeld met Broadcom en fabricagepartner Celestica. Het is specifiek ontworpen voor LLM-inferentie, het proces van het uitvoeren van een getraind AI-model en het genereren van een antwoord wanneer iemand er iets aan vraagt.

Om te begrijpen waarom dat belangrijk is, helpt het om één onderscheid te kennen. Training is wanneer een model leert. Het is duur, traag en gebeurt occasioneel. Inferentie is wat gebeurt elke keer dat je het model gebruikt: elk ChatGPT-bericht, elke Codex-suggestie, elke API-aanroep. Dat is inferentie, en het gebeurt miljarden keren per dag.

De meeste chips die tegenwoordig gebruikt worden, zijn niet voor dit doel gebouwd. Het zijn universele processoren, ontworpen om allerlei taken aan te kunnen. Jalapeño werd ontworpen voor één ding: het uitvoeren van grote taalmodellen zo efficiënt mogelijk.

Een eenvoudige manier om erover na te denken: stel je twee keukens voor. De ene kan elk gerecht koken. De ander is exclusief ingesteld op pizza, elk gereedschap, elk station geoptimaliseerd voor die ene taak. De pizzakeuken draait sneller, kost minder per bestelling en verwerkt veel meer volume. Dat is het verschil tussen een universele GPU en een chip zoals Jalapeño.

Hoe Is Het Gebouwd En Hoe Snel?

Jalapeño ging van initieel ontwerp tot fabricagetape-out in slechts negen maanden. Ter vergelijking: het duurt normaal gesproken 1,5 tot 2 jaar om een ASIC helemaal opnieuw te ontwerpen. OpenAI en Broadcom stellen dat dit mogelijk de snelste ontwikkelingscyclus ooit is bereikt in geavanceerde halfgeleiders met hoge prestaties.

Die snelheid was niet toevallig. OpenAI gebruikte zijn eigen AI-modellen om delen van het chipontwerp en optimalisatieproces te versnellen, wat betekent dat dezelfde modellen die aan gebruikers worden aangeboden, de infrastructuur voor het uitvoeren van toekomstige modellen hielpen bouwen. AI helpt bij het ontwerpen van betere AI-hardware. Dat is een echt interessante cyclus.

Engineering-samples voeren al ML-werklasten uit in het lab met doelfrequentie en vermogen voor productie. Vroege tests tonen aan dat Jalapeño aanzienlijk betere prestaties per watt levert dan huidige state-of-the-art alternatieven. Broadcom CEO Hock Tan heeft besparing van ongeveer 50% geciteerd in vergelijking met typische AI-GPU's in vroege tests. Een gedetailleerd technisch rapport verschijnt in de komende maanden. Initiële inzet is gepland voor het einde van 2026, met Broadcom's CEO die spreekt van "kleine prototypetontwikkeling" in laat 2026, van daaruit schaalbaar.

Waarom Bouwen AI-Bedrijven Hun Eigen Chips?

Het eerlijke antwoord is controle, kosten en schaal.

Universele chips zijn gebouwd om alles redelijk goed aan te kunnen. Maar AI-werklasten zijn specifiek; ze hebben bepaalde geheugenpatronen, bepaalde netwerkfuncties, bepaalde manieren nodig om berekeningen in balans te brengen. Wanneer je een model op de schaal van ChatGPT draait, tellen zelfs kleine inefficiënties op tot enorme kosten.

OpenAI werkt nu langs de volledige stack: modelontwikkeling, productbouw en infrastructuurontwerp: chiparchitectuur, geheugensystemen, netwerken en inzet. Omdat elke laag is geoptimaliseerd rond hetzelfde doel, draait het hele systeem sneller, betrouwbaarder en tegen lagere kosten.

Greg Brockman zei het duidelijk: "Door meer van de stack zelf te ontwerpen, kunnen we meer intelligentie serveren met grotere efficiëntie en kunnen we geavanceerde AI naar bredere toegang blijven duwen."

OpenAI is niet alleen. Google heeft zijn Tensor Processing Units. Amazon heeft Trainium. Meta heeft zijn eigen accelerators. Opmerkelijk aan Jalapeño is de snelheid — negen maanden, van begin tot eind, en de schaal van ambitie. Hyperscalers zullen naar verwachting meer dan 700 miljard dollar aan AI-infrastructuur uitgeven in 2026. Broadcom's CEO heeft een doelstelling gesteld van meer dan 100 miljard dollar aan AI-halfgeleidersales tegen 2027.

Wat Betekent Dit Voor Ontwikkelaars En Tech-Startups?

Voor de meeste ontwikkelaars is de onmiddellijke impact niet een nieuw gereedschap dat je moet installeren. Het zal stilletjes verschijnen — snellere reactietijden, betrouwbaardere uptime en uiteindelijk lagere inferentiekosten.

Maar de grotere implicatie is belangrijk. Stel je een startup voor die nu een AI-product bouwt. Snelheid, kosten en betrouwbaarheid zijn de drie beperkingen waartegen alles wordt afgewogen. Hoe sneller en goedkoper inferentie op hardwareniveau wordt, hoe ambitieuzere productteams kunnen bouwen zonder zich zorgen te maken over de economie.

Brockman vertelde CNBC dat OpenAI "rekenpower niet snel genoeg kan krijgen." Broadcom's CEO ondersteunde dat door te zeggen dat de vraag naar rekenpower van hun klanten "gewoon onverzadigbaar" is en naar verwachting verhoogd zal blijven tot 2028 en daarna. Dat soort vraag signaal zegt je hoeveel AI-productontwikkeling momenteel wacht tot de infrastructuur op te vangen.

De Vragen Die Iedereen Beantwoord Wil Hebben

V: Wat is AI-inferentie precies?

Inferentie is wat gebeurt elke keer dat je een getraind AI-model gebruikt. Training leert het. Inferentie is het model dat die kennis in real-time aan het werk zet, een antwoord genereert, code schrijft of een taak voltooit. Elk ChatGPT-bericht is een inferentie. Het gebeurt miljarden keren per dag, daarom is het zo belangrijk het efficiënter te maken.

V: Betekent dit dat OpenAI Nvidia vervangen?

Niet precies. ASICs zoals Jalapeño zijn speciaal gebouwd voor specifieke werklasten, minder flexibel dan Nvidia's GPU's, maar goedkoper per taak voor de jobs waarvoor ze ontworpen zijn. Meer intensieve taken zoals het trainen van grote modellen zullen waarschijnlijk nog steeds afhankelijk zijn van GPU-clusters. Jalapeño is geoptimaliseerd voor inferentie op schaal, waar speciaal gemaakte hardware het grootste verschil maakt voor kosten en snelheid.

V: Wat betekent dit voor startups die op AI-API's bouwen?

Algemeen goed nieuws. Naarmate inferentie goedkoper en sneller wordt op hardwareniveau, kan die efficiëntie doorvloeien naar API-pricing en prestaties. De producten die het meest baat hebben, zijn die waarbij reactiesnelheid en kosten per query de gebruikerservaring rechtstreeks beïnvloeden, wat voor de meeste AI-producten geldt.

Wat Komt Eraan

De eerste golf van AI ging over het bewijzen wat modellen konden doen. De volgende golf gaat over het overal beschikbaar stellen ervan, betrouwbaar en betaalbaar.

Jalapeño is een signaal dat de bedrijven die bepalen wat er volgt, niet alleen over het model nadenken. Ze denken over alles wat het model laat werken — de chip, het geheugen, het netwerk, het datacentrum, het inzetsysteem. Elke laag is geoptimaliseerd om de volgende beter te maken.

Voor iedereen die nu met AI bouwt, is die richting belangrijk. De producten die de meeste mensen bereiken, zullen niet alleen de beste modellen hebben. Ze worden gebouwd op infrastructuur die is ontworpen om die modellen op schaal en kosten te serveren die voorheen niet mogelijk waren.

TLDR

OpenAI heeft zojuist zijn eerste aangepaste AI-chip gebouwd genaamd Jalapeño, speciaal ontworpen om zijn AI-modellen uit te voeren — ChatGPT, Codex en alles daartussenin. In plaats van zich volledig te verlassen op universele chips zoals Nvidia's GPU's, ontwierp OpenAI er één die deze ene taak sneller en efficiënter doet. Ze bouwden het in slechts negen maanden, wat recordtijd is voor dit soort hardware. Het doel is simpel: AI goedkoper laten draaien, sneller reageren en beschikbaar stellen voor meer mensen. Voor ontwikkelaars en startups die op AI bouwen, betekent dat uiteindelijk lagere kosten en betere prestaties zonder dat je aan hun kant iets hoeft te veranderen.

Wil je een goed presterende remote tech-team bouwen?

Bekijk MyNextDeveloper, een platform waar je de top 3% softwareengineers kunt vinden die diep gepassioneerd zijn over innovatie. Onze on-demand, toegewijde en grondige software talent-oplossingen bieden een alomvattende oplossing voor al jouw software-behoeften.

Bezoek onze website om te ontdekken hoe we je kunnen helpen je perfecte team samen te stellen.