OpenAI y Apple integran silicio propio: el margen de inferencia cambia de manos
Jalapeño marca el inicio del fin de la dependencia externa de cómputo en los labs.
No es una coincidencia que OpenAI y Apple anunciaran silicio propio el mismo día. Es la convergencia de una misma tesis económica: a escala, quien externaliza el cómputo de inferencia le transfiere márgenes a su proveedor de chips. El chip Jalapeño de OpenAI superó en benchmarks al estado del arte en tokens por usuario y throughput por kilowatt; Apple presentó M6 y M5 Ultra con un salto declarado en cómputo de IA. Ambos movimientos, en la misma semana, marcan un punto de inflexión que se venía construyendo: los grandes consumidores de inferencia dejaron de aceptar la dependencia de Nvidia como un costo estructural inevitable, y empezaron a resolverla.
La acumulación del patrón: de excepción a estrategia de industria
La integración vertical de silicio no es nueva en tecnología — Intel, IBM, y Apple tienen historia larga aquí. Lo que cambió es la velocidad con que los labs de IA, que históricamente compraban cómputo como commodity, pasaron a diseñar chips propios.
Un análisis de las arquitecturas de chips de IA publicado esta semana ilustra por qué ese salto es ahora económicamente inevitable a cierta escala: las GPU de propósito general, incluyendo H100 y B200 de Nvidia, están optimizadas para un rango amplio de tareas. Un chip diseñado específicamente para inferencia puede recortar consumo energético y costo por token de forma significativa, a costa de flexibilidad para entrenamiento. La economía de arbitraje del cómputo de inferencia ya venía generando presión desde abajo — los neoclouds especializados en inferencia barata forzaron a Nvidia a defender márgenes que hasta este año parecían inexpugnables.
OpenAI opera a una escala donde esa especialización genera ahorros que justifican el costo de diseño del chip. El nombre «Jalapeño» no es casual — es un chip picante en el sentido de que quema la estructura de costos del proveedor anterior.
Aggregation theory aplicada al silicio
La lente de aggregation theory predice que quien controla la demanda en un mercado captura el margen estructural. En el mercado de cómputo de IA, Nvidia ha sido el aggregator de facto: controla la arquitectura CUDA, la herramienta de software estándar del sector, y ha capturado márgenes extraordinarios gracias a esa posición.
El movimiento de OpenAI y Apple no es solo ahorrar dinero — es recuperar la posición de aggregator. Un lab que corre su inferencia en silicio propio ya no es un cliente de Nvidia: es un competidor en la cadena de valor del cómputo. Y si ese silicio propio resulta ser más eficiente para inferencia, otros labs tienen incentivo para seguir el mismo camino o comprar acceso a la arquitectura del nuevo entrante.
Apple tiene una ventaja adicional: el M6 corre en dispositivos propios que son también el canal de distribución. La inferencia on-device no solo reduce costos de cloud — elimina la latencia de red y abre casos de uso que requieren privacidad de datos. Es una integración vertical que cierra el loop desde el chip hasta el usuario final.
Quién gana y quién pierde en el rebalanceo
El perdedor más obvio es Nvidia en el segmento de inferencia. Sus márgenes en ese mercado dependen de que los grandes consumidores no tengan alternativa viable. Cada gran lab que desarrolla silicio propio reduce el mercado total direccionable y presiona los precios del resto.
El ganador menos obvio es el ecosistema open-source de modelos. Si la inferencia se abarata gracias a silicio más eficiente, los modelos que hoy son demasiado grandes para deployment económico se vuelven viables. Eso acelera la adopción de modelos open-weight en producción — una tendencia que ya se documenta en la paridad de rendimiento de los modelos open-weight con los premium, y que silicio más barato va a acelerar.
Conclusión: el test está en el próximo earnings de Nvidia
La predicción falsable es esta: en los próximos dos a tres trimestres, el guidance de Nvidia para su segmento de inferencia datacenter mostrará una desaceleración o compresión de márgenes atribuible a la integración vertical de los grandes labs. Si el guidance sigue creciendo sin señales de presión, la integración de OpenAI y Apple no habrá alcanzado todavía la escala suficiente para cambiar la dinámica del mercado.
El indicador adicional a seguir: si Google, Microsoft o Meta anuncian chips de inferencia propios en los próximos doce meses, el patrón se confirma como tendencia de industria. Si solo son OpenAI y Apple, podría ser una apuesta específica a sus economías de escala particulares.
Para decisores LATAM/España: la implicación más directa es que el costo de inferencia va a bajar de forma estructural en los próximos tres años. Eso cambia el cálculo de ROI de cualquier aplicación de IA que hoy parece cara por el costo de API. El momento de diseñar esas aplicaciones es ahora — implementarlas cuando los costos bajen es tarde.