OpenAI quema 3700 millones de dólares al trimestre: el plan de software y hardware para reducir los costes de inferencia de IA un 50%

La solución de software: enrutamiento multi-modelo

La optimización de software específica que OpenAI ha desarrollado para reducir los costes de inferencia en más de la mitad es el enrutamiento multi-modelo. Esta técnica dirige automáticamente las consultas sencillas a modelos más pequeños y baratos, mientras reserva los modelos más potentes (y caros) solo para las solicitudes complejas .

Las guías del sector describen el enfoque híbrido como una reducción de costes del 30-75% en la capa del modelo mediante el uso de cuantificación, destilación y ajuste de tamaño, combinado con optimizaciones en tiempo de ejecución como el procesamiento por lotes, la decodificación especulativa y la gestión de la caché KV, que pueden generar ganancias de rendimiento del 40-80% . OpenAI también ha puesto esto en práctica ofreciendo recortes de precios del 50% para la inferencia diferida a través de su API Batch: si los clientes aceptan esperar hasta 24 horas por los resultados .

Más allá del enrutamiento, los ingenieros de OpenAI han contado a The Information que las técnicas son tan potentes que en un momento dado sirvieron ChatGPT a usuarios no registrados con solo un par de cientos de GPU de Nvidia .

La iniciativa de hardware: el chip de inferencia personalizado 'Jalapeño'

El 24 de junio de 2026, OpenAI y Broadcom presentaron 'Jalapeño', el primer chip de inferencia diseñado a medida por OpenAI . Datos clave:

• Tipo: Circuito integrado de aplicación específica (ASIC) — no es una GPU, está diseñado exclusivamente para la inferencia de LLM
• Reducción de costes: Las pruebas iniciales muestran un coste por inferencia aproximadamente un 50% menor en comparación con el hardware de inferencia actual basado en GPU de NVIDIA
• Rendimiento: Ofrece un rendimiento por vatio "sustancialmente mejor" que el estado del arte actual
• Desarrollo: Desde el diseño hasta la producción en solo nueve meses, acelerado por los propios modelos de IA de OpenAI que asistieron en el diseño del chip
• Despliegue: Se prevé un despliegue a escala de gigavatios para finales de 2026
• Compromiso a largo plazo: Forma parte de un compromiso de infraestructura de 10 GW hasta 2029
• Ahorro anual: La reducción de costes del 50% podría traducirse en entre 500 y 1000 millones de dólares de ahorro anual para OpenAI en 2028

OpenAI describe el chip como "el primer bloque de construcción de una hoja de ruta de silicio personalizado de varios años" para construir su propia pila computacional y hacer frente al poder de fijación de precios de NVIDIA . El chip está integrado verticalmente: OpenAI lo utilizará exclusivamente para sus propias cargas de trabajo de inferencia y no se venderá a clientes externos .

Las presiones financieras en detalle

Cifras clave de los documentos para accionistas del primer trimestre de 2026:

• Ingresos: 5700 millones de dólares (aproximadamente el triple interanual)
• Quema de efectivo: 3700 millones de dólares (también se triplicó interanualmente)
• Pérdida operativa: 9300 millones de dólares solo en el primer trimestre
• Pérdida neta: 21 300 millones de dólares (incluyendo 2300 millones en compensación basada en acciones y un cargo contable no monetario de 12 400 millones)
• Gastos en I+D: 8600 millones de dólares
• Margen bruto: Mejoró ligeramente hasta el 39%
• Reservas de efectivo: 73 000 millones de dólares en efectivo y valores, lo que proporciona margen de maniobra a pesar de las enormes pérdidas

El margen operativo de la empresa fue de aproximadamente -122%, lo que significa que perdió unos 1,22 dólares por cada dólar ganado . En 2025 en su conjunto, OpenAI registró aproximadamente 38 500 millones de dólares en pérdidas sobre 34 000 millones en gastos .

La carrera más amplia del sector: el desplome de los costes de inferencia

Los movimientos de reducción de costes de OpenAI se enmarcan en una guerra de precios más amplia que está reconfigurando la economía de la IA:

• Anthropic ha acelerado el crecimiento de clientes y ha superado a OpenAI en adopción empresarial en EE. UU. (34,4% frente a 32,3%) a mayo de 2026 .
• Los modelos de código abierto están comprimiendo los precios: cuatro modelos chinos de pesos abiertos igualan ahora los puntos de referencia de codificación de frontera por un tercio del coste de las alternativas propietarias . Se informó que DeepSeek V4 era cincuenta veces más barato de ejecutar que Claude Opus 4.6 .
• Gemini 3.1 Flash de Google cuesta 0,10 dólares por millón de tokens de entrada, una reducción de precio del 99,7% en tres años .
• Claude Sonnet 4.6 de Anthropic supera a GPT-4 en todos los puntos de referencia heredados a 3 dólares por millón de tokens de entrada .
• Los costes de inferencia han caído aproximadamente 50 veces en tres años, y se prevé que el mercado crezca de 103 000 millones de dólares (2025) a 255 000 millones (2030) .
• OpenAI está considerando recortes significativos en los precios por token para desarrolladores y clientes empresariales para adelantarse a movimientos similares de Anthropic .
• Los clientes utilizan cada vez más herramientas de enrutamiento multi-modelo para combinar modelos más baratos y evitar los precios superiores de un solo proveedor .

Lo que esto significa para la industria de la IA

La combinación de optimizaciones de software y hardware posiciona a OpenAI para potencialmente reducir a la mitad sus costes de inferencia incluso mientras escala. Pero la empresa no actúa en el vacío. El colapso generalizado de los precios de inferencia, impulsado por competidores, alternativas de código abierto y hardware especializado, significa que el poder de fijación de precios se está erosionando en toda la industria .

Para las empresas, esto es una buena noticia: el coste efectivo de ejecutar cargas de trabajo de IA está cayendo más rápido de lo que crecen las capacidades. La API Batch de OpenAI ya ofrece descuentos del 50% para cargas de trabajo diferidas, mientras que el enrutamiento multi-modelo puede reducir los costes entre un 40% y un 60% sin sacrificar la calidad . La cuestión es si algún proveedor puede mantener precios superiores en un mercado donde los modelos chinos de código abierto ofrecen capacidades de nivel fronterizo a una fracción del coste .