OpenAIのJalapeño(ハラペーニョ)の性能は？電力効率1.5〜1.9倍・遅延最大3.6倍の初期実測

OpenAI初の自社AIチップ「Jalapeño(ハラペーニョ)」に、初めて具体的な性能値が出ました。
2026年8月25日の初期実測では、比較システムに対し電力当たりの処理性能が約1.5〜1.9倍、エンドツーエンド遅延が約1.7〜3.6倍低い結果です。

数字は目を引きますが、あらゆるAI業務が最大3.6倍速くなるわけではありません。
この記事では、3モデルの測定値と条件をそろえ、分かったことと未検証のことを切り分けます。

OpenAI Jalapeñoの初期実測は電力効率と遅延を同時に改善

OpenAI Jalapeñoの性能で注目すべき点は、処理量と応答速度を同時に改善したことです。
通常、同時に多くの利用者へ応答して処理量を上げると、1人当たりの応答は遅くなりやすい関係にあります。

今回のJalapeñoは、公開された3モデルの測定範囲でピーク時のAI処理量が1kW当たり約1.5〜1.9倍となり、応答完了までの時間も短縮しました。
OpenAIは、チップ、メモリ、ネットワーク、サービングソフトウェアを一体で設計し、データ移動と通信待ちを減らしたと説明しています。

Jalapeñoは新しいAIモデルではなく、モデルの回答生成を支える推論用アクセラレーターです。
OpenAIが設計し、Broadcomのシリコン実装・ネットワーク技術、Celesticaのボード・ラック・システム技術を組み合わせています。

なお、性能向上と料金改定は別の話です。
OpenAI独自AIチップがChatGPTの利用料へ与える可能性は、費用面の論点を分けて解説しています。

出典: OpenAI公式「OpenAI and Broadcom unveil LLM-optimized inference chip」(英語)

Jalapeñoの性能を3モデルで比較

Jalapeñoの初期実測には、SemiAnalysisの公開ベンチマークInferenceXが使われました。
条件はnominal 8k入力・1k出力、次の1トークンを予測するsingle-token prediction(STP)です。

モデル／比較相手	ピークTPS/kW	E2E遅延
GPT-OSS 120B 対GB200	約1.9倍 85,448対44,960	約1.7倍低い 1.03秒対1.80秒
DeepSeekのR1 対GB300	約1.7倍 19,641対11,781	約3.6倍低い 1.65秒対5.99秒
Kimi K2.5 対GB300	約1.5倍 18,195対11,862	約3.4倍低い 1.56秒対5.31秒

タイトルの「遅延最大3.6倍」は、DeepSeekのR1における1.65秒対5.99秒を指します。
GPT-OSS 120Bは約1.7倍、Kimi K2.5は約3.4倍で、モデルごとの差は明確です。

モデル	最小TBT	1人当たり速度
GPT-OSS 120B	0.69ms対1.87ms	1,459対535tok/s
DeepSeekのR1	1.43ms対5.90ms	700対169tok/s
Kimi K2.5	1.44ms対5.48ms	694対182tok/s

電力効率の計算は、チップの設計上の消費電力指標である公表パッケージTDPで正規化されています。試験中の持続電力とは別の指標です。
Jalapeñoは700W、GB200は1,200W、GB300は1,400Wで、Jalapeñoの試験中の持続電力は550W以下だったとOpenAIは報告しました。

出典: OpenAI公式「Jalapeño’s first results show industry-leading speed and efficiency in AI inference」(英語)

OpenAI Jalapeñoの速さを測る3指標

OpenAI Jalapeñoの速さは、1つの倍率だけでは判断できません。
経営者が押さえたいのは、処理量、完了時間、表示の滑らかさに対応する3指標です。

• mixed TPS/kW: 1kW当たりに処理できるトークン量。大人数へ同時提供する能力を見る
• エンドツーエンド遅延: 質問から回答完了までの時間。業務タスク全体の待ち時間を見る
• TBT: 出力トークン間の待ち時間。文章がどれだけ滑らかに表示されるかを見る

たとえば、TPS/kWが高くてもTBTが長ければ、同時処理量は多い一方で利用者は遅く感じます。
Jalapeñoの初期結果では、このトレードオフを複数の動作点で改善した点が重要です。

一方、電力効率が約1.9倍でも、企業のAI利用料が1.9分の1になるとは限りません。
生成AIの利用料を決める推論コストと上限設計のように、モデル、入出力量、混雑、事業者の価格設定も分けて見る必要があります。

出典: InferenceX by SemiAnalysis「About」(英語)

初期実測でまだ分からないこと

Jalapeñoの初期実測は実機の結果ですが、独立機関が全条件を再現した試験ではありません。
SemiAnalysisはOpenAIのラボでInferenceXの実行を確認した一方、数値はOpenAI提供であり、全スイートとAgentXは未実施だと説明しています。

AgentXは、長い会話、複数ターン、共有プレフィックス、キャッシュ再利用などを含む実運用寄りの測定です。
単発の8k/1kで強くても、長時間動くAIエージェントで同じ差が出るとはまだ言えません。

また、GB200やGB300との比較は公開時点のソフトウェア構成に左右されます。
高性能モデルを全業務へ使わない判断と同じく、AIの性能は仕事の重さと待ち時間をそろえて比べることが欠かせません。

出典: SemiAnalysis「OpenAI Jalapeño: Better Than Nvidia Blackwell」(英語)

OpenAI Jalapeñoで中小企業のAI活用は何が変わるか

OpenAI Jalapeñoは、2026年末までにOpenAIの計算基盤へ導入を始める計画です。
中小企業がチップを購入する話ではなく、ChatGPT、Codex、APIを支える基盤が変わる話として捉えると判断しやすくなります。

期待できる方向は、応答待ちの短縮、混雑時の処理能力、電力制約下で提供できるAI処理量の改善です。
ただし、具体的な料金改定、Jalapeñoを使う製品・モデル、日本での選択機能は未発表。今の契約を性能値だけで変える段階ではありません。

生成AIの使用量を部署別に見える化する方法で費用を記録し、AIエージェントの導入効果を作業時間から測る考え方で速度を測ると、改善前後を同じ軸で比べられます。

OpenAIはJalapeñoを他社アクセラレーターの全面的な代替とは位置づけていません。
NVIDIAなども使い続け、仕事ごとに適した計算基盤を選ぶポートフォリオを広げる方針です。

出典: OpenAI公式「The full stack behind abundant intelligence」(英語)

初期実測の性能に関するFAQ

OpenAI Jalapeñoの初期実測は、推論性能の前進を示す結果です。
倍率を自社の判断へ使う前に、対象と未公表事項をFAQで確認します。

Jalapeñoの次の判断材料は、AgentXなど実運用寄りの測定、量産後の安定性、製品別の料金・提供条件です。
それまでは初期実測を将来の約束に変えず、自社のAI業務の現在値を残すことから始めましょう。