OpenAI cambia las reglas del juego con Codex-Spark: más velocidad sin depender de Nvidia

En un movimiento que sacude los cimientos del mundo de la IA, OpenAI acaba de lanzar su primer modelo de producción que no depende del hardware de Nvidia. El nuevo GPT-5.3-Codex-Spark, desplegado en chips de Cerebras, no solo representa una declaración de independencia tecnológica, sino que marca un antes y un después en la velocidad de procesamiento para modelos de codificación.

Una velocidad que deja sin aliento a la competencia

Cuando hablamos de velocidad en modelos de IA, cada segundo cuenta. El nuevo Codex-Spark entrega código a más de 1.000 tokens por segundo, aproximadamente 15 veces más rápido que su predecesor. Para que nos entendamos: es como pasar de un coche familiar a un Fórmula 1.

Si lo comparamos con lo que ofrece la competencia, el Claude Opus 4.6 de Anthropic en su modo rápido de pago premium apenas alcanza 2,5 veces su velocidad estándar de 68,2 tokens por segundo. Y sí, Claude es un modelo más grande y potente, pero la diferencia sigue siendo abismal.

Sachin Katti, jefe de computación en OpenAI, no ha dudado en elogiar esta alianza: «Cerebras ha sido un gran socio de ingeniería, y estamos emocionados de agregar inferencia rápida como una nueva capacidad de plataforma». Y no es para menos.

¿Quién puede acceder a esta maravilla?

El nuevo modelo está disponible para los suscriptores de ChatGPT Pro (esos que pagan 200 dólares al mes) a través de la aplicación Codex, la interfaz de línea de comandos y la extensión de VS Code. OpenAI también está implementando acceso a la API para socios selectos. Y aunque de momento solo maneja texto, ya viene con una impresionante ventana de contexto de 128.000 tokens.

Lo interesante es que, mientras el modelo completo GPT-5.3-Codex (lanzado hace poco) está diseñado para tareas de codificación pesadas, Spark ha sido ajustado específicamente para priorizar velocidad sobre profundidad de conocimiento. Es como tener un Ferrari para circuitos de velocidad y un todoterreno para terrenos complicados; cada uno en su elemento.

La carrera armamentista por dominar la codificación automatizada

El salto que supone Codex-Spark es notable, incluso para los estándares de OpenAI. Según mediciones independientes de Artificial Analysis, los modelos más rápidos de OpenAI en hardware Nvidia ni se acercan: GPT-4o entrega aproximadamente 147 tokens por segundo, o3-mini alcanza alrededor de 167, y GPT-4o mini apenas llega a 52.

Sin embargo, los 1.000 tokens por segundo de Spark pueden parecer modestos comparados con lo que Cerebras ha conseguido con otros modelos: 2.100 tokens por segundo con Llama 3.1 70B y hasta 3.000 con el modelo gpt-oss-120B. Esto sugiere que la velocidad relativamente menor de Codex-Spark podría deberse a la complejidad del modelo.

Este último año ha sido crucial para los asistentes de codificación. Herramientas como Codex de OpenAI y Claude Code de Anthropic han alcanzado niveles de utilidad impresionantes para desarrollar prototipos, interfaces y código base. Lo que vemos es una carrera sin cuartel entre OpenAI, Google y Anthropic por lanzar agentes de codificación más capaces, donde la latencia se ha convertido en el factor diferencial.

La velocidad como ventaja competitiva

En el desarrollo de software actual, un modelo que codifica más rápido permite a los programadores iterar con mayor velocidad. Es la diferencia entre esperar un minuto a que tu asistente de IA complete una función o tenerla lista en segundos.

La presión competitiva ha llevado a OpenAI a acelerar el ritmo de desarrollo de su línea Codex, lanzando GPT-5.2 en diciembre pasado (después de que Sam Altman emitiera un memorando interno de «código rojo» por la amenaza de Google), y ahora GPT-5.3-Codex apenas unas semanas después.

Cuando probé personalmente varios asistentes de codificación en proyectos reales, la lentitud de Codex era un punto débil evidente. En diciembre pasado, al construir clones de Minesweeper con diferentes agentes de IA, Codex tardó aproximadamente el doble que Claude Code de Anthropic. Esta mejora en velocidad podría cambiar radicalmente la experiencia.

La estrategia de OpenAI para reducir su dependencia de Nvidia

Más allá de las impresionantes métricas de rendimiento, lo verdaderamente relevante de este lanzamiento es lo que significa para la estrategia de hardware de OpenAI. Codex-Spark funciona sobre el Wafer Scale Engine 3 de Cerebras, un chip del tamaño de un plato sobre el que la empresa ha construido su negocio desde al menos 2022.

OpenAI y Cerebras anunciaron su asociación en enero, y Codex-Spark es el primer fruto tangible. Pero esto no es un movimiento aislado, sino parte de una estrategia sistemática para reducir la dependencia de Nvidia que OpenAI ha estado ejecutando durante el último año:

• En octubre de 2025 firmaron un acuerdo multianual con AMD
• En noviembre alcanzaron un acuerdo de computación en la nube de 38.000 millones de dólares con Amazon
• Han estado diseñando su propio chip de IA personalizado para fabricación por TSMC

Mientras tanto, un plan de acuerdo de infraestructura de 100.000 millones con Nvidia parece haberse enfriado, aunque Nvidia se ha comprometido posteriormente a una inversión de 20.000 millones. Según Reuters, OpenAI no estaba satisfecha con la velocidad de algunos chips de Nvidia para tareas de inferencia, precisamente el tipo de carga de trabajo para el que se ha diseñado Codex-Spark.

El equilibrio entre velocidad y precisión

La velocidad importa, especialmente para los desarrolladores que pasan sus días dentro de un editor de código esperando sugerencias de IA. Trabajar a 1.000 tokens por segundo cambia completamente la experiencia: ya no es como pilotear cuidadosamente un rompecabezas, sino como manejar una sierra de calar.

Sin embargo, este aumento de velocidad podría venir a costa de precisión. Aunque OpenAI afirma que en benchmarks como SWE-Bench Pro y Terminal-Bench 2.0, Spark supera al antiguo GPT-5.1-Codex-mini mientras completa tareas en una fracción del tiempo, la empresa no ha compartido validación independiente de estos resultados.

¿Qué significa esto para el futuro de los detectores y generadores de IA?

Este avance no solo impactará en el mundo de la codificación, sino que podría transformar todo el ecosistema de herramientas de IA. Los detectores de IA que analizan patrones en contenido generado artificialmente tendrán que adaptarse a los nuevos modelos que funcionan sobre hardware no convencional, ya que podrían producir resultados con características sutilmente diferentes.

Para los generadores de imágenes IA, la arquitectura de Cerebras podría ofrecer ventajas similares en velocidad. Imaginad reducir los tiempos de generación de imágenes complejas de minutos a segundos. La experiencia de usuario mejoraría dramáticamente, permitiendo iteraciones creativas mucho más rápidas.

Lo que estamos presenciando es apenas el comienzo de una nueva era donde la diversificación de hardware permitirá a las empresas de