OpenAI dévoile sa première puce d'inférence développée en interne, Jalapeño : un changement de paradigme dans la chaîne industrielle du calcul IA et une reconfiguration de la concurrence.

Aperçu de l'événement

Le 24 juin 2026, OpenAI et Broadcom ont conjointement dévoilé leur première puce d'inférence IA conçue en interne – Jalapeño. Cette puce est un circuit intégré spécifique à une application (ASIC) optimisé pour l'inférence des grands modèles de langage, dont l'architecture sous-jacente a été conçue par OpenAI, la mise en œuvre silicium et le matériel réseau assurés par Broadcom, et l'intégration des cartes et des systèmes en baie confiée au fabricant canadien de services électroniques Celestica. OpenAI affirme que le rapport d'efficacité énergétique (performance/consommation) de Jalapeño surpassera l'état de l'art actuel, et que des échantillons techniques font déjà fonctionner en laboratoire des modèles tels que GPT-5.3, Codex et Spark à la fréquence et à la puissance cibles de la production de masse.

Cet événement n'est pas isolé. Le même jour, Jensen Huang, PDG de NVIDIA, a souligné lors de l'assemblée générale annuelle que « l'ère de l'IA pratique » était arrivée, et a révélé que la plateforme Vera Rubin était en production à grande échelle. Google, grâce à sa gamme de TPU maison, affiche des avantages significatifs en matière de maîtrise des coûts de calcul et d'optimisation conjointe matériel-logiciel, tandis qu'Anthropic s'est profondément lié aux infrastructures de calcul d'Amazon et de Google. La « course aux armements » dans le domaine du calcul IA passe de l'échelle des modèles à la maîtrise autonome des infrastructures de calcul.

Contexte : le chemin inévitable de la location de puissance de calcul à la conception de puces en interne

Au début, OpenAI dépendait entièrement des GPU NVIDIA dans les clusters Microsoft Azure pour l'entraînement et l'inférence, conservant son avance en « convertissant du capital en puissance de calcul ». Cependant, avec la croissance exponentielle du nombre de paramètres des modèles GPT (GPT-5.3 devrait dépasser les 100 000 milliards de paramètres), les coûts d'inférence ont grimpé en flèche. Selon les estimations du secteur, le coût de l'électricité pour une seule inférence d'un modèle de niveau GPT-4 représente déjà plus de 30 % des dépenses d'exploitation. Parallèlement, l'offre de GPU NVIDIA reste tendue, la priorité d'allocation des capacités de production de l'architecture Blackwell étant accordée aux grands fournisseurs de cloud, ce qui place les petites et moyennes entreprises d'IA dans une situation d'attente.

Dans ce contexte, la conception de sa propre puce d'inférence par OpenAI devient le prolongement naturel d'une stratégie d'infrastructure complète à long terme. Jalapeño n'a pas vocation à remplacer totalement les GPU NVIDIA, mais à se concentrer sur les scénarios d'inférence – l'étape la plus coûteuse et la plus fréquente du déploiement de l'IA. Grâce à un ASIC sur mesure, OpenAI espère multiplier par 3 à 5 l'efficacité énergétique de l'inférence (sur la base d'expériences de conception similaires), réduisant ainsi considérablement les coûts marginaux.

Analyse approfondie

Impact technologiqueJalapeño est un ASIC dédié à l'inférence, dont la feuille de route technique diffère fondamentalement des GPU : - Architecture : adopte une architecture de flux de données plutôt que SIMT, en durcissant les multiplications matricielles et les mécanismes d'attention des modèles Transformer. Cela évite les surcoûts des unités de calcul généralistes des GPU, mais au détriment de la flexibilité. - Procédé : le nœud précis n'est pas divulgué, mais selon les pratiques industrielles, Broadcom utilise généralement les procédés 5 nm ou 3 nm de TSMC. En cas d'adoption du 3 nm, il faudra rivaliser avec des clients comme Apple et NVIDIA pour la capacité de production. - Interconnexion : la communication entre puces repose sur les commutateurs Tomahawk de Broadcom et une technologie photonique sur mesure en silicium, prenant en charge des déploiements de clusters à très grande échelle. Cela entre en concurrence directe avec NVLink de NVIDIA.

Le verrou technologique réside dans le fait que le compilateur et l'environnement d'exécution de l'ASIC d'inférence doivent être profondément couplés à la pile logicielle d'OpenAI (comme Triton, PyTorch). OpenAI a déjà ouvert en partie certains backends Triton, mais le jeu d'instructions de Jalapeño sera hautement fermé, créant un effet de verrouillage matériel-logiciel similaire aux TPU de Google.

Impact sur la chaîne d'approvisionnement

• La répartition de la chaîne d'approvisionnement de Jalapeño est la suivante :
• Amont : la conception de la puce repose sur les outils EDA de Synopsys et Cadence ; les cœurs IP peuvent provenir d'ARM (unité de contrôle CPU) ou de SiFive (coprocesseur RISC-V).
• Intermédiaire : la fonderie de wafers sera vraisemblablement assurée par TSMC ou Samsung. Compte tenu de la collaboration de longue date entre Broadcom et TSMC (comme pour les accélérateurs AI en 5 nm), TSMC est plus probable. Le packaging pourrait utiliser CoWoS ou InFO, réduisant encore davantage la capacité de production de NVIDIA.
• Aval : l'intégration système est réalisée par Celestica, mais OpenAI construit ses propres centres de données (prévus pour fin 2026), réduisant ainsi sa dépendance vis-à-vis de Microsoft Azure.

Bénéficiaires : Broadcom (forte augmentation des revenus des puces personnalisées, estimation de 50 à 80 $ supplémentaires par puce Jalapeño), Celestica (assemblage système), TSMC (remplissage des carnets de commandes pour les procédés avancés), ainsi que les fabricants de substrats et de tests associés. Parties risquées : NVIDIA (perte du marché d'inférence d'OpenAI, impact limité à court terme mais fort effet de démonstration), Microsoft (Azure perd une charge de travail AI majeure, pression sur la croissance des services cloud), autres entreprises AI (pression concurrentielle due à la différenciation matérielle).

Paysage concurrentiel#### NVIDIA : à court terme sans souci, à long terme sous pression Les GPU NVIDIA conservent une position monopolistique dans le domaine de l’entraînement (part de marché supérieure à 80 %), et la plateforme Vera Rubin est déployée à grande échelle. Cependant, le départ d’OpenAI pourrait déclencher une réaction en chaîne : si Google, Anthropic, Meta et d’autres augmentent encore la part de leurs puces développées en interne, NVIDIA perdra le marché de l’inférence à forte marge. Néanmoins, l’avantage de NVIDIA réside dans la fidélité de l’écosystème CUDA — toute nouvelle puce nécessite plusieurs années d’adaptation aux frameworks de modèles, tandis que NVIDIA renforce constamment son fossé concurrentiel grâce à des bibliothèques d’accélération (comme cuDNN, TensorRT).

#### Broadcom : le saut des puces de connexion au cœur de l’IA Broadcom était auparavant principalement spécialisé dans les puces réseau (commutateurs, PHY) et les ASIC personnalisés (par exemple, les puces auxiliaires des TPU de Google). Avec Jalapeño, il devient pour la première fois le fournisseur principal de la puce principale d’IA, marquant une transition vers un secteur à forte valeur ajoutée. Cependant, une dépendance excessive à un seul client (OpenAI) comporte des risques, et il doit concurrencer des fabricants de puces sur mesure comme Marvell et MediaTek.

#### Google TPU : un modèle commercial éprouvé Les TPU de Google, itérés jusqu’à la sixième génération, fournissent des services d’inférence via GCP. Leur avantage réside dans l’intégration matérielle et logicielle de bout en bout (propres modèles + propres puces + propre cloud). Le suivi d’OpenAI montre que ce modèle est devenu la norme pour les entreprises d’IA, mais Google bénéficie d’un net avantage de premier entrant.

• #### WiMi et les puces chinoises : une percée par la différenciation
• L’entreprise chinoise WiMi (Wei Mei Quan Xi) déploie des clusters de puces IA et de l’IA quantique, mais son centre d’intérêt reste l’edge computing et les scénarios verticaux comme l’AR holographique. Le cas d’OpenAI montre que le développement de puces en interne nécessite des dépenses d’investissement colossales (plusieurs milliards de dollars) et un engagement à long terme. Si les entreprises chinoises d’IA veulent concurrencer dans le domaine de l’inférence générale, elles doivent dépendre des procédés avancés des fondeurs nationaux (comme SMIC), mais les technologies sont actuellement en retard de deux générations ou plus. Par conséquent, WiMi et d’autres se concentreront probablement sur des ASIC pour des scénarios spécifiques (par exemple, faible consommation, inférence en périphérie), en utilisant des modèles open source (comme Llama) pour construire une différenciation.- États-Unis : Renforcement de l'autonomie et du contrôle du matériel IA, mais aggravation de la compétition pour les talents en semi-conducteurs (notamment les concepteurs ASIC).
• Taïwan (Chine) : La position de TSMC en tant que fondeur est renforcée, mais la concentration des commandes augmente ; en cas d'événement géopolitique, la chaîne d'approvisionnement mondiale de l'IA risque la rupture.
• Corée du Sud : Samsung pourrait perdre les commandes d'OpenAI (en raison de la concurrence avec TSMC), mais peut attirer d'autres clients de puces personnalisées.
• Japon : Les rattrapeurs de processus avancés comme Rapidus gagnent une fenêtre d'opportunité, mais il est difficile de percer à court terme.
• Europe : La demande de machines lithographiques ASML est encore stimulée, mais les bailleurs de subventions de la loi européenne sur les puces pourraient exiger un retour (comme une production locale).
• Asie du Sud-Est : L'usine de Celestica en Malaisie bénéficiera des commandes d'intégration de systèmes, mais à faible teneur technologique et valeur ajoutée limitée.### Moyen de chaîne : Fonderie de wafers et encapsulation
• La capacité de fabrication en 5nm/3nm de TSMC reste tendue, et la capacité d'encapsulation CoWoS ne pourra pas être atténuée avant 2027.
• Samsung Foundry doit accélérer l'acquisition de clients de puces personnalisées, sous peine d'être marginalisé.
• Les fabricants d'encapsulation et de test comme JCET et Tongfu Microelectronics bénéficieront de la demande de production en série des puces AI nationales (telles que Cambricon et Hygon).

Aval de chaîne : Cloud computing et services AI - Microsoft Azure perd la charge de travail principale d'OpenAI, mais peut récupérer une partie des revenus en fournissant des services d'hébergement pour le cluster Jalapeño. - Le modèle d'autosuffisance de Google Cloud devient une référence, attirant d'autres entreprises à l'imiter (comme Oracle, IBM). - Les petites et moyennes entreprises AI sont confrontées à un « dilemme du choix de puces » : louer des GPU coûte cher, développer leurs propres puces a un seuil élevé, elles pourraient se tourner vers les FPGA ou les ASIC achetés en une seule fois.

Conclusion

Le lancement d'OpenAI Jalapeño n'est pas un événement produit unique, mais le symbole de l'entrée de l'industrie AI dans l'ère de « l'intégration des infrastructures » à partir de « l'innovation algorithmique ». Son impact sur la chaîne industrielle est considérable : montée en puissance des fournisseurs de services de conception de puces ASIC personnalisées, offre insuffisante d'encapsulation avancée, accélération de la divergence des chaînes d'approvisionnement régionales. Pour les investisseurs, l'accent doit être mis sur la logique d'investissement dans les « infrastructures AI » plutôt que dans les « modèles AI » ; pour les entreprises chinoises, il est nécessaire de réaliser un couplage profond entre les ASIC et les piles logicielles dans des scénarios spécifiques, plutôt que de rechercher une puissance de calcul générique. Celui qui maîtrisera en premier le contrôle de la chaîne d'approvisionnement pour une puissance de calcul à faible coût, haute stabilité et zéro carbone détiendra le cœur du discours de l'industrie AI mondiale. Cependant, il faut noter que le succès de Jalapeño dépend du rendement de production de masse et de la maturité de l'écosystème logiciel ; son véritable impact se fera sentir après 2027.