Stratégie et gouvernance de l'IA

OpenAI et Broadcom dévoilent Jalapeño : la puce d’inférence qui redessine l’économie de l’IA

Le 24 juin 2026, OpenAI et Broadcom ont dévoilé Jalapeño, premier « processeur d’intelligence » conçu sur mesure pour les charges d’inférence des modèles d’OpenAI. Ce circuit ASIC, co-développé de la conception initiale jusqu’au tape-out en seulement neuf mois, affiche l’un des cycles de développement les plus rapides jamais atteints pour un semi-conducteur avancé de cette classe. Il promet une réduction d’environ 50 % des coûts par rapport aux GPU génériques habituellement mobilisés pour ce type de charge.

Pour les entreprises qui dépendent des modèles d’OpenAI — directement via l’API, ou indirectement via des produits construits dessus — cette annonce touche un point sensible : le coût d’inférence, c’est-à-dire le calcul mobilisé chaque fois qu’un modèle répond à une requête. Ce poste devient structurellement dominant à mesure que l’usage s’étend à des centaines de millions d’utilisateurs, davantage que le coût d’entraînement des modèles eux-mêmes.

Jalapeño, la première puce maison d’OpenAI

Jalapeño rompt avec la dépendance historique d’OpenAI aux GPU génériques de Nvidia pour ses charges de production. L’architecture a été conçue de bout en bout autour des besoins spécifiques de l’inférence des modèles d’OpenAI — les schémas de calcul, les mouvements mémoire, le réseau et les patterns de service qui déterminent la performance réelle en production, plutôt qu’une architecture polyvalente pensée à la fois pour l’entraînement et pour l’inférence. (Source : OpenAI)

L’inférence, nouveau centre de gravité des coûts de l’IA

Contrairement à l’entraînement — coûteux mais ponctuel, concentré sur la phase de construction d’un modèle —, l’inférence est un coût récurrent qui croît avec chaque nouvelle requête traitée. À mesure que ChatGPT et les produits construits sur l’API d’OpenAI touchent des centaines de millions d’utilisateurs, ce poste devient le plus lourd dans l’équation économique du groupe. C’est précisément ce segment que vise Jalapeño, plutôt que l’entraînement des futurs modèles de fondation.

Le gain de coût annoncé est de l’ordre de 50 % par rapport aux GPU génériques utilisés aujourd’hui pour ce type de charge. Ce gain repose sur une architecture spécialisée plutôt que sur une simple montée en fréquence : moins de polyvalence, mais un rendement visé bien supérieur sur la tâche précise pour laquelle le circuit a été taillé. (Source : Broadcom)

Une recomposition du marché des puces IA

Nvidia conserve aujourd’hui environ 70 % du marché des puces IA, un quasi-monopole construit sur la période d’entraînement massif des modèles de fondation. Cette part est toutefois appelée à s’éroder progressivement : Google (TPU), Amazon (Trainium/Inferentia) et Meta (MTIA) ont déjà investi dans des puces conçues sur mesure pour leurs propres charges, et OpenAI rejoint désormais ce mouvement aux côtés de Broadcom, qui apporte son expertise en implémentation silicium et en connectivité réseau.

Jalapeño n’est présenté ni par OpenAI ni par Broadcom comme un aboutissement isolé, mais comme la première étape d’une plateforme de calcul multi-générations. Les deux entreprises visent un déploiement des premiers serveurs avant la fin de 2026, avec une montée en puissance sur plusieurs générations les années suivantes.

Ce que cela change pour les entreprises

Une baisse durable du coût d’inférence chez le fournisseur dominant du marché devrait, à terme, se répercuter sur les tarifs de l’API OpenAI et accélérer la viabilité économique de cas d’usage à fort volume : support client automatisé, recherche documentaire, agents autonomes multipliant les appels au modèle. L’effet n’est pas immédiat — le déploiement ne commence qu’en fin d’année 2026 — mais il constitue un facteur à intégrer dans les projections de coût à moyen terme pour toute organisation qui construit sa feuille de route IA sur l’hypothèse d’une baisse continue des prix par token.

Les entreprises qui arbitrent aujourd’hui entre plusieurs fournisseurs de modèles doivent surveiller cette course au silicium sur mesure — Google TPU, Amazon Trainium/Inferentia, Meta MTIA, désormais OpenAI/Broadcom — comme un facteur structurant de compétitivité prix à moyen terme, davantage que la seule capacité brute des modèles annoncés. Un fournisseur qui maîtrise sa chaîne matérielle dispose d’une marge de manœuvre tarifaire que ses concurrents dépendants de GPU génériques n’ont pas.

Ce que cela met à jour dans la Méthode Virtuose

Ce dossier enrichit directement les chapitres consacrés à l’architecture, au LLMOps et au FinOps de la Méthode Virtuose : le coût par token d’un fournisseur n’est plus une simple donnée tarifaire figée, c’est une variable qui dépend de son degré d’intégration verticale — modèle, infrastructure et désormais silicium propriétaire. Intégrer ce facteur dans les grilles de choix fournisseur devient utile pour toute organisation qui compare les offres sur un horizon de douze à vingt-quatre mois plutôt que sur le seul prix affiché aujourd’hui.

Cela renforce aussi un principe déjà présent dans le volet FinOps de la Méthode : suivre non seulement le prix courant d’un modèle, mais les signaux d’investissement en infrastructure de son fournisseur, qui annoncent souvent les évolutions tarifaires à venir avec plusieurs trimestres d’avance.

Avec Jalapeño, OpenAI ne cherche plus seulement à améliorer ses modèles : elle cherche à maîtriser le coût de leur exploitation à grande échelle, comme Google, Amazon et Meta l’ont déjà fait pour leurs propres charges. La question qui se pose désormais aux entreprises clientes n’est plus seulement quel modèle choisir, mais quel fournisseur maîtrise assez sa chaîne de production pour tenir une trajectoire de coûts soutenable à mesure que leurs propres usages passent à l’échelle.

La plateforme de référence pour l'industrialisation de l'IA en entreprise. Nous transformons l'innovation technologique en performance durable.