OpenAI vill bredda användningen av sina AI-modeller till specialiserade företagsområden som chipdesign, life science och finansiella tjänster. På Goldman Sachs Communacopia + Technology Conference den 9 september 2026 sade CFO Sarah Friar att OpenAI använde egna modeller i utvecklingen av bolagets Jalapeño-chip och nådde tape-out på nio månader. OpenAI hade redan i juni uppgett att processorn utvecklades från design till produktion på nio månader med hjälp av bolagets modeller.

Jalapeño blev ett test för AI-assisterad chiputveckling

Jalapeño är OpenAI:s första egenutformade inferensprocessor och har tagits fram tillsammans med Broadcom och Celestica. Processorn är byggd för att köra stora språkmodeller och är en del av OpenAI:s plan att kontrollera en större del av AI-stacken, från modeller och produkter till hårdvara och datacenter.

Det nya beskedet är framför allt relevant eftersom OpenAI nu använder chipprojektet som exempel på hur företag kan använda generativ AI i tekniska utvecklingsflöden. Friar sade enligt Reuters att bolaget ser möjligheter inom bland annat elektronisk designautomation, där AI kan hjälpa ingenjörer att analysera, optimera och verifiera delar av chipdesignen.

OpenAI har inte offentliggjort någon generell produkt eller prissättning för en separat chipdesigntjänst. Det är därför mer korrekt att beskriva satsningen som en riktning för företagserbjudandet än som en färdig fristående produkt.

Nio månader från design till tape-out

I OpenAI:s och Broadcoms presentation av Jalapeño den 24 juni uppgav bolagen att chipet gick från design till produktion på nio månader och att OpenAI:s modeller användes för att accelerera arbetet. Tape-out är den punkt där en färdig chipdesign skickas vidare för fysisk tillverkning. Det betyder inte att hela produktionskedjan är klar, men det är en central milstolpe i halvledarutveckling.

OpenAI beskriver Jalapeño som en processor byggd från grunden för inferens av stora språkmodeller. Arkitekturen ska minska onödig dataflytt och balansera beräkning, minne och nätverk för att få högre faktisk användning av hårdvarans kapacitet.

Egna benchmarkresultat visar hög effektivitet

I augusti publicerade OpenAI de första resultaten från tester av Jalapeño och sade att processorn gav hög genomströmning och låg latens vid AI-inferens. Resultaten är leverantörens egna benchmarkdata och bör bedömas som sådana tills bredare oberoende tester finns.

Det är ändå en viktig signal om varför AI-bolag bygger egna acceleratorer. Inferencekostnaden blir allt viktigare när stora modeller används av miljontals användare och agentiska system kör fler steg per uppgift. En processor optimerad för en specifik typ av arbetslast kan i teorin sänka både energiförbrukning och kostnad per genererat svar.

OpenAI vill sälja fler vertikala AI-lösningar

Friar tog också upp kostnaden för AI-drift. Enligt Reuters sade hon att OpenAI:s billigare Luna-modell i vissa molnscenarier kan vara billigare att köra än vissa kinesiska öppna modeller. Det är ett leverantörspåstående och den faktiska kostnaden beror på modell, infrastruktur, trafikprofil och molnpris.

För halvledarbranschen är den större frågan om AI kan korta utvecklingscykler i en sektor där en ny processor normalt kräver omfattande simulering, verifiering och fysisk implementation. Jalapeño-projektet visar att AI kan användas som ett verktyg i processen, men OpenAI har inte redovisat hur stor del av nio-månaderscykeln som direkt kan tillskrivas modellerna.

Vad det betyder för företag

Om AI-assisterad chipdesign fungerar i större skala kan den bli ett exempel på en bredare förändring i företags-AI. I stället för generella chattverktyg flyttas fokus mot modeller som arbetar inne i specialiserade tekniska arbetsflöden och mäts på konkreta resultat: kortare utvecklingstid, lägre beräkningskostnad eller färre manuella steg.

För OpenAI ger Jalapeño samtidigt ett eget referensprojekt. Bolaget kan visa hur modeller används i en komplex ingenjörsprocess samtidigt som den färdiga hårdvaran i sin tur ska sänka kostnaden för att köra framtida AI-modeller.

Källor