Wenn neue AI-Chips plötzlich Nvidia schlagen wollen

Bei AI-Chips wird der Ton rauer. Kaum legt OpenAI mit Jalapeño Zahlen vor, tauchen schon die nächsten Behauptungen auf: ein weiterer Chip soll sogar Rubin und Jalapeño schlagen. Das ist ein bekanntes Muster in diesem Markt. Benchmarks werden zur Währung. Wer vorne liegen will, wirft zuerst mit Effizienz, Latenz und Durchsatz um sich.

Auslöser der Debatte sind vor allem die Werte, die OpenAI für seinen eigenen Inference-Chip Jalapeño genannt hat. Im Raum stehen 1,5- bis 1,9-mal mehr AI-Arbeit pro Watt, 1,7- bis 3,6-mal niedrigere End-to-End-Latenz und bis zu 4,1-mal höhere interaktive Performance im Vergleich zu Nvidia-Blackwell-Systemen. Jalapeño soll mit 700 Watt arbeiten, während bei Vergleichen ein 1.400-Watt-Flaggschiff von Nvidia genannt wird. Außerdem wurde berichtet, dass der Chip gemeinsam mit Broadcom entwickelt wurde und noch in diesem Jahr in den Einsatz gehen soll.

Das ist mehr als bloß Marketing. Es zeigt, wohin sich der Markt verschiebt: Weg vom Gedanken, dass nur universelle Highend-GPUs das Rennen machen, hin zu stärker spezialisierten Inference-ASICs. Für Unternehmen mit riesigen Modelllasten zählt jede eingesparte Kilowattstunde. Noch wichtiger ist aber die Latenz. Wer Chatbots, Assistenten oder agentische Systeme betreibt, kauft keine Chips für schöne Balkendiagramme. Gekauft wird Reaktionszeit unter Last.

Genau deshalb treffen solche Zahlen Nvidia an einer empfindlichen Stelle. Nvidia verdient nicht nur an Spitzenleistung, sondern an Margen, die aus technischer Führungsrolle und Plattformbindung kommen. Wenn ein großer Kunde wie OpenAI bei Inference glaubhaft zeigt, dass ein eigener Chip mehr Arbeit pro Watt erledigt und schneller antwortet, dann ist das ein Warnsignal. Nicht, weil Nvidia damit sofort abgehängt wäre. Sondern weil der Burggraben kleiner wird.

Man muss die Claims trotzdem sauber einordnen. Jalapeño wurde mit Blackwell verglichen. Mehrfach wurde auch behauptet, der Chip liege bei Inference-Durchsatz pro Megawatt sogar vor Rubin. An anderer Stelle hieß es jedoch, Rubin sei gar nicht direkt im Vergleich gewesen. Genau da liegt der Knackpunkt: In diesem Markt entscheiden Details des Setups über Sieg oder Niederlage. Modellgröße, Batch-Größe, Speicheranbindung, Netzwerk, Software-Stack und Auslastung verändern Resultate massiv.

Heißt: Eine neue Ankündigung, wonach nun noch ein weiterer Chip Rubin und Jalapeño schlagen soll, ist erstmal nur eines: eine Ansage. Mehr nicht. Ohne klaren Testaufbau sind solche Vergleiche vor allem ein Signal an Investoren, Partner und Hyperscaler. Der Markt für AI-Hardware ist in einer Phase, in der Aufmerksamkeit fast so wichtig geworden ist wie Silizium.

Trotzdem ist die Entwicklung real. OpenAI baut sichtbar an einer eigenen Infrastruktur aus Modellen, Software, Chips, Speicher, Netzwerk und Rechenzentren. Dazu passt auch die Aussage, dass AI beim Chipdesign selbst geholfen habe und bestimmte Implementierungen bis zu 1,8-mal schneller gewesen seien als Versionen von menschlichen Experten. Ob das im großen Maßstab trägt, muss sich noch zeigen. Aber die Richtung ist klar: Wer AI im großen Stil betreibt, will weniger abhängig von Nvidia sein.

Für Kunden und Betreiber großer AI-Dienste ist das eine gute Nachricht. Mehr eigene Chips, mehr ASICs, mehr Konkurrenz. Das erhöht den Druck auf Preise, Stromverbrauch und Lieferfähigkeit. Für Nvidia wird die Lage damit unbequemer. Der Konzern bleibt gesetzt, vor allem wegen CUDA, Software-Ökosystem und gewaltiger Deployment-Erfahrung. Aber die Zeit, in der neue Herausforderer schon vor dem Start chancenlos wirkten, ist vorbei.

Am Ende entscheidet nicht, wer auf einer Bühne oder in einer Grafik Rubin, Blackwell oder Jalapeño schlägt. Entscheidend ist, wer Modelle zuverlässig, günstig und in riesigem Maßstab betreibt. Genau dort trennt sich im AI-Chipmarkt gerade Substanz von Lärm.