एक चिप जो आपके व्यवसाय में AI की लागत का हिसाब बदल सकती है

25 अगस्त 2026 को OpenAI ने Jalapeño के पहले मापे गए बेंचमार्क नतीजे प्रकाशित किए। यह वह कस्टम इन्फ़रेंस चिप है जिसे उसने Broadcom के साथ मिलकर विकसित किया है। बताए गए आँकड़े: पीक थ्रूपुट पर प्रति वॉट 1.5x से 1.9x अधिक AI काम, और तुलना में शामिल NVIDIA GB200 और GB300 सिस्टम की तुलना में 1.7x से 3.6x कम एंड-टू-एंड लेटेंसी। सीधे शब्दों में, उतनी ही बिजली से लगभग दोगुना आउटपुट मिलता है और जवाब जल्दी आते हैं। अगर आप भाषा मॉडल पर कोई AI असिस्टेंट या ऑटोमेशन चलाते हैं, तो आपका मासिक बिल ठीक इसी से तय होता है।

असल में क्या घोषणा हुई

Jalapeño ट्रेनिंग चिप नहीं है। यह एक इन्फ़रेंस चिप है, यानी यह मॉडल को ट्रेनिंग के बाद चलाती है, और इन्फ़रेंस ही वह हिस्सा है जिसके लिए आप हर API अनुरोध पर भुगतान करते हैं। इस चिप को पहली बार 24 जून 2026 को सामने लाया गया था, और इसके मापे गए आँकड़े Hot Chips सम्मेलन में प्रस्तुत किए गए। परीक्षण SemiAnalysis के सार्वजनिक बेंचमार्क InferenceX पर तीन ओपन-वेट मॉडलों के साथ किए गए: GPT-OSS, DeepSeek R1 और Kimi K2.5।

  • बिजली: प्रति चिप लगभग 700W, जबकि तुलना वाले सिस्टम इसकी लगभग दोगुनी बिजली लेते हैं।
  • थ्रूपुट: पीक थ्रूपुट पर प्रति वॉट 1.5x से 1.9x अधिक काम।
  • लेटेंसी: परीक्षण किए गए मॉडल के आधार पर एंड-टू-एंड 1.7x से 3.6x कम।
  • समय-सीमा: 2026 के अंत में सीमित शुरुआती तैनाती, और 2027 के दौरान धीरे-धीरे विस्तार।

आँकड़ों को आलोचनात्मक नज़र से पढ़ें

उत्साह से पहले सावधानियों की बात होनी चाहिए। ये आँकड़े खुद OpenAI के हैं और उसकी अपनी प्रयोगशालाओं में सत्यापित किए गए हैं। तुलना NVIDIA की मौजूदा पीढ़ियों से की गई है, अगली पीढ़ी से नहीं। और परीक्षण लंबी, कई चरणों वाली एजेंट बातचीत के बजाय अपेक्षाकृत छोटे वर्कलोड पर केंद्रित थे। फिर भी मूल संदेश कायम है: इन्फ़रेंस क्षमता अब एक ही आपूर्तिकर्ता वाला बाज़ार नहीं रही, और जो भी यह क्षमता खरीदेगा उसे अगले दो वर्षों में कम कीमतों पर ज़्यादा विकल्प मिलेंगे।

एक व्यवसाय मालिक के लिए व्यवहार में इसका क्या मतलब है

आप कभी Jalapeño चिप नहीं खरीदेंगे, न ही उसे देखेंगे। आप इसका असर तीन जगह महसूस करेंगे:

  • लागत: जब प्रदाता के लिए मॉडल चलाना सस्ता होता है, तो उपयोग-आधारित कीमतें धीरे-धीरे नीचे आती हैं। जो AI प्रोजेक्ट एक साल पहले बहुत महँगा लगता था, वह आज फ़ायदेमंद साबित हो सकता है।
  • गति: कम लेटेंसी ऐसे उपयोग संभव बनाती है जो पहले असंभव थे: बिना अटपटी चुप्पी वाला वॉइस असिस्टेंट, आपके दस्तावेज़ों में तुरंत खोज, ऐसा अनुरोध जिसकी समीक्षा तब हो जाए जब ग्राहक अभी काउंटर पर ही खड़ा हो।
  • मात्रा: जब अनुरोध सस्ते हो जाते हैं, तो नमूने के बजाय हर लेनदेन पर AI चलाना तर्कसंगत हो जाता है: हर ग्राहक संदेश का वर्गीकरण, हर इनवॉइस की जाँच, हर कॉल का सारांश।

सबसे ज़रूरी नियम: अपने सिस्टम को एक ही विक्रेता से न बाँधें

इन्फ़रेंस चिप की दौड़ का असली सबक यह नहीं है कि कौन जीतता है। सबक यह है कि विजेता हर कुछ महीनों में बदल जाता है। जो कोई आज ऐसा सिस्टम बनाता है जिसमें मॉडल बदलना असंभव हो, वह दो बार कीमत चुकाता है: एक बार बिल में, और एक बार उस बेहतर प्रदर्शन में जो उसे कभी नहीं मिलता।

आपका पैसा बचाने वाला इंजीनियरिंग निर्णय आज का सबसे अच्छा मॉडल चुनना नहीं है। यह ऐसा सिस्टम बनाना है जो आपको एप्लिकेशन दोबारा लिखे बिना कल मॉडल बदलने दे।

व्यवहार में इसका मतलब है: आपके एप्लिकेशन और मॉडल प्रदाता के बीच एक पतली परत, किसी एक विक्रेता से स्वतंत्र रूप से लिखे गए प्रॉम्प्ट और टूल, आपका डेटा और ज्ञान प्रदाता के प्लेटफ़ॉर्म के बजाय आपके अपने सिस्टम में, और एक गुणवत्ता टेस्ट सूट जिसे आप किसी भी नए मॉडल को अपनाने से पहले उस पर चलाते हैं।

Origami में हम इसे कैसे देखते हैं

जब हम किसी ग्राहक के लिए AI-सक्षम सिस्टम बनाते हैं, तो हम हमेशा बिज़नेस लॉजिक को उसे चलाने वाले मॉडल से अलग रखते हैं। ज्ञान और डेटा ग्राहक के अपने डेटाबेस में रहते हैं, प्रॉम्प्ट पोर्टेबल ढंग से लिखे जाते हैं, और मॉडल बदलना एक प्रोजेक्ट नहीं बल्कि कॉन्फ़िगरेशन का बदलाव होता है। इसके साथ ही हम लागत को केवल प्रति माह नहीं, बल्कि प्रति ऑपरेशन मापते हैं, ताकि आपको ठीक-ठीक पता हो कि सिस्टम का कौन-सा हिस्सा बजट खा रहा है, किस हिस्से को ज़्यादा ताकतवर मॉडल चाहिए, और कौन-सा हिस्सा एक छोटे, तेज़ मॉडल से बख़ूबी चल जाता है।

नियामक पक्ष कीमत के साथ नहीं बदलता। सस्ता इन्फ़रेंस सऊदी अरब के व्यक्तिगत डेटा संरक्षण कानून (PDPL) के तहत आपकी ज़िम्मेदारियों में कुछ भी नहीं बदलता। किसी बाहरी मॉडल से गुज़रने वाले ग्राहकों के हर डेटा के लिए अब भी वैध आधार, एक्सेस कंट्रोल और ऑडिट लॉग चाहिए, चाहे चलाने की लागत कितनी भी कम हो जाए।

इस हफ़्ते उठाने लायक व्यावहारिक कदम

  • अपने मौजूदा AI बिल की समीक्षा करें और केवल मासिक कुल नहीं, बल्कि हर उपयोगी ऑपरेशन की लागत निकालें।
  • उन कामों की पहचान करें जिन्हें एक छोटा, तेज़ मॉडल संभाल सकता है, और उन्हें वहाँ ले जाएँ; आम तौर पर आपके आधे उपयोग को सबसे ताकतवर मॉडल की ज़रूरत नहीं होती।
  • अपने वास्तविक व्यावसायिक मामलों को दर्शाने वाला एक छोटा गुणवत्ता टेस्ट सेट लिखें, और बदलाव से पहले उसे किसी भी वैकल्पिक मॉडल पर चलाएँ।
  • एक ही विक्रेता के साथ दीर्घकालिक प्रतिबद्धताओं को नवीनीकृत करने से पहले उनकी समीक्षा करें; बाज़ार खरीदार के पक्ष में जा रहा है।
  • उन विचारों पर दोबारा नज़र डालें जिन्हें आपने लागत या लेटेंसी के कारण खारिज कर दिया था: उनमें से कुछ अब व्यवहार्य हैं।

निष्कर्ष: 25 अगस्त को जो हुआ, वह असल में किसी चिप की कहानी नहीं है। यह एक संकेत है कि जिस परत पर आपके AI सिस्टम निर्भर हैं, वह सस्ती, तेज़ और ज़्यादा प्रतिस्पर्धी होती जा रही है। जिन व्यवसायों ने लचीले सिस्टम बनाए हैं, वे इस सुधार का लाभ अपने-आप उठाएँगे। जो व्यवसाय एक ही विकल्प में बँधे हैं, वे इसे अपने पास से गुज़रता देखते रह जाएँगे।

स्रोत