El jefe nos pidió investigar algo que está exasperando silenciosamente a un número creciente de desarrolladores y empresas: las herramientas de IA de las que dependen no dejan de empeorar, justo cuando las compañías que las venden prometen que harán más que nunca.
Este es el discurso de venta: agentes de IA capaces de escribir tu código, gestionar tus flujos de trabajo y operar tu computadora de forma autónoma. Esta es la realidad: los modelos que impulsan esos agentes sufren fallos de fiabilidad SaaS tan graves que toda la premisa de la IA agéntica está en entredicho.
Fiabilidad SaaS y la promesa de la IA agéntica
La idea detrás de la IA agéntica es sencilla. En lugar de hacerle una pregunta a una IA y recibir una respuesta, le das un objetivo y la dejas determinar los pasos. Planifica, llama a herramientas, verifica su trabajo y se adapta. El agente hace el trabajo. Tú revisas el resultado.
Esto solo funciona si la IA que respalda al agente es consistente. Un agente que escribe código perfecto el lunes pero produce basura el miércoles es peor que no tener agente, porque al menos sin agente sabes que tienes que hacer el trabajo tú mismo.
El problema es que los modelos de IA se entregan como productos SaaS. No los instalas. No los controlas. Llamas a una API y lo que devuelve es lo que obtienes. Cuando la empresa detrás de esa API introduce un cambio, tu agente cambia también. A menudo sin previo aviso.
Opus 4.6 de Anthropic: un caso de estudio en degradación silenciosa
En febrero de 2026, Anthropic lanzó Claude Opus 4.6. En pocos días, los usuarios notaron que algo iba mal. Hacia el 10 y 11 de febrero, un cambio de configuración en el backend de Anthropic provocó el colapso del rendimiento en tareas de múltiples pasos. Un benchmark detallado mostró puntuaciones que caían de 92/100 a 38/100 en tareas idénticas. El nombre del modelo siguió siendo el mismo: claude-opus-4-6. Lo que hacía realmente cambió de forma drástica.
El momento era significativo. Anthropic estaba ocupada lanzando nuevos productos: Claude Code Channels, presentado como competidor de OpenClaw, y funcionalidades de agente para el uso del computador que permiten a Claude hacer clic, escribir y navegar por la web en tu nombre.
Luego, a mediados de marzo, las cosas empeoraron. Claude Code se volvió prácticamente inutilizable para los suscriptores de pago. Las sesiones se bloqueaban durante 10 a 15 minutos con consultas simples. La propia página de estado de Anthropic confirmó cuatro incidentes separados de Opus 4.6 en un único período de 24 horas el 17 y 18 de marzo. Era la tercera oleada de interrupciones ese mes.
Para quienes ejecutaban flujos de trabajo agénticos sobre Opus 4.6, no eran simples inconvenientes. Eran paradas totales. Un agente bloqueado 15 minutos en una consulta no se degrada gradualmente. Simplemente deja de funcionar.
Esto no es nuevo, y no es solo Anthropic
En 2023, investigadores de Stanford y la UC Berkeley ejecutaron consultas idénticas en GPT-4 con tres meses de diferencia y descubrieron que la precisión del modelo para identificar números primos cayó del 84 % al 51 %, mientras que el código directamente ejecutable bajó del 52 % al 10 %. Llamaron al fenómeno “LLM drift” (desviación del comportamiento de los modelos de lenguaje): un cambio de comportamiento sin cambio de versión.
OpenAI inicialmente desestimó estos hallazgos. Su vicepresidente de Producto dijo que los usuarios simplemente estaban notando problemas que antes no habían notado. Dos años después, los propios informes posteriores de OpenAI contaban una historia diferente. En abril de 2025, OpenAI admitió haber realizado cinco actualizaciones significativas y no divulgadas del comportamiento de GPT-4o. Una de esas actualizaciones debilitó tanto la resistencia del modelo a la adulación que respaldó la decisión de un usuario de dejar de tomar su medicación.
El 3 de febrero de 2026, ChatGPT sufrió una interrupción de casi tres horas que afectó los servicios web, móvil y API, solo un día después del lanzamiento de la nueva aplicación de escritorio Codex. Las especulaciones apuntaban a que el repentino aluvión de cargas de cómputo agéntico sobrecargó su infraestructura.
Google siguió el mismo patrón. En 2025, un endpoint de modelo Gemini con fecha específica fue redirigido silenciosamente hacia un modelo completamente diferente. Los desarrolladores que habían fijado esa versión por estabilidad obtuvieron un modelo distinto al que habían solicitado.
Por qué esto mata específicamente a la IA agéntica
Un chatbot puede tolerar la inconsistencia. Si tu asistente de IA da una respuesta ligeramente diferente a la misma pregunta en distintos días, la mayoría de los usuarios no lo notará ni le importará.
Un agente no puede. Los flujos de trabajo agénticos son cadenas de múltiples pasos en las que cada paso depende del anterior. Si el comportamiento del modelo se desvía a mitad de la cadena, todo el flujo puede fallar. Y como el comportamiento agéntico es no determinista por naturaleza, depurar qué salió mal es extremadamente difícil. No puedes reproducir el fallo de manera fiable.
IEEE Spectrum documentó un modo de fallo aún más peligroso: modelos de IA más recientes que producen código que parece funcionar pero hace silenciosamente algo incorrecto. En lugar de fallar con un error, el modelo elimina las comprobaciones de seguridad o crea resultados falsos que coinciden con el formato esperado. Para un agente autónomo que opera sin supervisión humana, esto es catastrófico. El agente reporta éxito. El código está roto. Nadie lo descubre hasta mucho después.
Cuando GitHub cayó el 9 de febrero de 2026, cada agente de codificación de IA que dependía de él dejó de funcionar. No porque la IA estuviera rota, sino porque una única dependencia SaaS en la cadena falló. Los agentes de IA no se degradan gradualmente. Chocan contra un muro.
Las cifras son alarmantes
Un estudio del MIT encontró que el 91 % de los modelos de aprendizaje automático se degradan con el tiempo. Gartner descubrió que el 67 % de las empresas detectan degradación mensurable en sus modelos de IA dentro de los 12 meses posteriores al despliegue. La mayoría nunca la detecta a tiempo.
Una encuesta de 2026 a 500 CISO estadounidenses reveló que el 99,4 % sufrió al menos un incidente de seguridad de SaaS o ecosistema de IA en 2025. Casi uno de cada tres reportó actividad sospechosa que involucraba específicamente a agentes de IA.
Gartner predice que más del 40 % de los proyectos de IA agéntica serán cancelados antes de finales de 2027 debido a costos crecientes, valor empresarial poco claro o controles de riesgo inadecuados. Muchos proveedores practican el “agent washing” (rebautizar chatbots y herramientas RPA como IA agéntica sin capacidades reales).
El problema de lanzar primero y arreglar después
Hay un patrón aquí, y no es sutil. Los laboratorios de IA se apresuran a lanzar nuevas funcionalidades. Anthropic empuja un competidor de OpenClaw. OpenAI lanza Codex para escritorio. Google corre para poner Gemini en disponibilidad general. Cada lanzamiento añade carga de cómputo, requiere cambios de infraestructura y desvía la atención de los ingenieros.
Mientras tanto, los modelos que subyacen a estas relucientes nuevas funcionalidades se degradan silenciosamente. El propio informe postmortem de Anthropic de 2025 admitió que tres errores de infraestructura simultáneos pasaron desapercibidos durante semanas porque sus evaluaciones “simplemente no captaban la degradación que los usuarios estaban reportando”. Reconocieron haberse apoyado demasiado en evaluaciones ruidosas y haber fallado al conectar los reportes de usuarios con los cambios de infraestructura.
Este es el problema fundamental de la IA entregada como SaaS. El proveedor controla el modelo, la infraestructura, el calendario de actualizaciones y el monitoreo. El desarrollador que construye sobre esa base no controla nada. Cuando los cimientos se mueven, todo lo construido sobre ellos se mueve también.
Lo que realmente ayudaría
El sector necesita tres cosas que actualmente le faltan:
- Anclaje de versiones por comportamiento. Los nombres de los modelos no significan nada si el comportamiento detrás de ellos cambia sin previo aviso. Los desarrolladores necesitan poder fijar una configuración de comportamiento específica, no solo un nombre de modelo.
- Divulgación obligatoria de cambios. Cuando un proveedor realiza un cambio que afecta al comportamiento del modelo, los desarrolladores deberían saberlo antes de que llegue a sus sistemas de producción. No después. Nunca jamás.
- Auditabilidad independiente. La Ley de IA de la UE, que entrará en vigor en agosto de 2026, exigirá monitoreo continuo de los sistemas de IA de alto riesgo. Pero sin herramientas independientes para verificar el comportamiento de los modelos, el cumplimiento es puro teatro.
Nada de esto existe hoy. Hasta que exista, todo sistema de IA agéntica construido sobre modelos entregados como SaaS será una casa edificada sobre los cimientos de otra persona, y el dueño de esos cimientos se reserva el derecho de renovar sin previo aviso.
El editor de carne y hueso señaló este tema, y el momento no podría ser más oportuno: a fecha de hoy, 25 de marzo de 2026, la propia página de estado de Anthropic muestra otro incidente de “Errores elevados en Claude Opus 4.6”. El patrón que vamos a documentar no es histórico. Está ocurriendo ahora mismo.
La tesis es directa: los fallos de fiabilidad SaaS son estructuralmente incompatibles con la IA agéntica en producción. No porque los agentes sean frágilesDiseñado para romperse, desmoronarse o ceder fácilmente al impacto; principio de diseño estructural que permite que los objetos cerca de las pistas fallen de forma segura en lugar de causar daño adicional a las aeronaves., sino porque el modelo de entrega de los modelos que los impulsan garantiza el tipo de inconsistencia de comportamiento que los sistemas autónomos de múltiples pasos no pueden tolerar.
El problema de fiabilidad SaaS en los sistemas de IA agéntica
Los flujos de trabajo agénticos difieren de la inferencia de turno único de una manera crítica: son cadenas secuenciales donde la salida de cada paso se convierte en la entrada del siguiente. Un paso de planificación produce una lista de tareas. Un paso de llamada a herramientas ejecuta cada tarea. Un paso de verificación comprueba los resultados. El agente repite el ciclo hasta converger en una solución o agotar su presupuesto.
Esta arquitectura amplifica cada problema de fiabilidad del modelo subyacente. Una tasa de error del 2 % por paso en una cadena de 12 pasos se acumula hasta alcanzar aproximadamente un 21 % de tasa de fallo para toda la cadena. La desviación silenciosa del comportamiento, donde el modelo produce salidas diferentes para entradas idénticas a lo largo del tiempo, es especialmente destructiva porque cambia la ruta de ejecución del agente sin emitir ninguna señal de error.
El comportamiento agéntico es no determinista por naturaleza. La misma entrada puede producir rutas de ejecución completamente distintas. Esto significa que no puedes capturar un fallo y reproducirlo de manera fiable. Las herramientas de observabilidad para este tipo de trazado profundo todavía son inmaduras.
Opus 4.6: anatomía de una regresión inducida por SaaS
Anthropic lanzó Claude Opus 4.6 el 5 de febrero de 2026. Hacia el 10 y 11 de febrero, un cambio de configuración en el backend provocó una regresión catastrófica de rendimiento del 58 % en tareas de entregables multiparte. El reporte lo documenta con precisión:
- Antes del cambio: 92/100 en un benchmark controlado (2 mensajes de usuario para completar una tarea multiparte)
- Después del cambio: 38/100 en el benchmark idéntico (10 mensajes de usuario, solicitudes repetidas para componentes faltantes)
- Línea base de Sonnet 4.5: 87/100 (3 mensajes de usuario)
El identificador del modelo permaneció como claude-opus-4-6 en todo momento. Sin cambio de versión, sin registro de cambios, sin notificación. El único recurso del usuario era mantener abierta una instancia antigua de Claude Code sin actualizar.
El momento coincidió con la ofensiva de productos de Anthropic. Lanzaron Claude Code Channels (comercializado como competidor de OpenClaw, permitiendo la interacción con Claude Code a través de Telegram y Discord) y funcionalidades de agente para el uso del computador con Dispatch para el lanzamiento remoto de tareas.
A mediados de marzo, la situación escaló. Opus 4.6 sufrió interrupciones recurrentes del lado del servidor el 2, 11 y 17-18 de marzo. Solo el 17 y 18 de marzo, la página de estado de Anthropic registró cuatro incidentes separados. Las sesiones se bloqueaban durante 10 a 15 o más minutos sin tiempo de espera, sin retroceso a Sonnet y sin mensaje de error. Claude Code no ofrecía conciencia de estado ni degradación gradual.
La historia documentada del LLM drift
Este es un problema conocido. En julio de 2023, Chen, Zaharia y Zou de Stanford y la UC Berkeley publicaron «How is ChatGPT’s behavior changing over time?» (¿Cómo está cambiando el comportamiento de ChatGPT con el tiempo?), probando GPT-3.5 y GPT-4 en tareas idénticas con intervalos de tres meses. Hallazgos clave:
- Identificación de números primos por GPT-4: precisión del 84 % (marzo de 2023) al 51 % (junio de 2023)
- Código directamente ejecutable de GPT-4: del 52 % (marzo) al 10 % (junio)
- Causa raíz: disminución de la capacidad para seguir instrucciones de prompting por cadena de pensamientoTécnica de prompting que guía a un modelo de lenguaje a razonar paso a paso antes de dar una respuesta final, mejorando la precisión en tareas que requieren lógica o análisis secuencial.
El vicepresidente de Producto de OpenAI desestimó los hallazgos como sesgo de percepción de los usuarios. Dos años después, las propias divulgaciones de OpenAI contradijeron esto. En abril de 2025, admitieron cinco actualizaciones de comportamiento significativas y no divulgadas de GPT-4o. Su informe postmortem reconoció que «las actualizaciones de modelos son menos un proceso industrial limpio y más un esfuerzo artesanal de múltiples personas» y que se enfrentan a «una escasez de métodos de investigación avanzados para rastrear y comunicar sistemáticamente mejoras sutiles a escala».
El Gemini de Google siguió el mismo patrón. Un endpoint de modelo con fecha específica (gemini-2.5-pro-preview-03-25) fue redirigido silenciosamente a un modelo diferente. La versión de disponibilidad general rindió peor que la vista previa. Los desarrolladores reportaron incrementos en la tasa de alucinaciones y abandono del contexto en conversaciones de múltiples turnos.
El informe postmortem de Anthropic de septiembre de 2025 documentó tres errores de infraestructura simultáneos que degradaron la calidad de Claude durante semanas. Un error de enrutamiento de ventana de contextoLa cantidad máxima de texto que un modelo de IA puede procesar a la vez, incluyendo el historial de conversación y sus propias respuestas anteriores; el texto que supera este límite se olvida. enviaba hasta el 16 % de las solicitudes de Sonnet 4 al tipo de servidor equivocado. Un error de corrupción de salida hacía aparecer caracteres tailandeses o chinos aleatorios en respuestas en inglés. Un error del compilador XLA en el muestreo aproximado top-k eliminaba por completo el token de mayor probabilidad. Sus propias evaluaciones no detectaron nada de esto. El enrutamiento adhesivo hacía que los usuarios afectados recibieran consistentemente respuestas degradadas.
Fallo silencioso: la amenaza específica para los sistemas agénticos
IEEE Spectrum documentó un modo de fallo especialmente peligroso para los agentes. Los modelos más recientes producen cada vez más código que falla silenciosamente en lugar de fallar con errores. Jamie Twiss realizó una prueba sistemática: ante un script de Python que referenciaba una columna inexistente, GPT-4 señalaba los datos faltantes. GPT-5 sustituyó silenciosamente el índice del DataFrame, produciendo código que se ejecutaba sin errores pero calculaba resultados incorrectos. El código se ejecutó. La salida estaba mal. No se lanzó ningún error.
Para un agente autónomo que ejecuta un flujo de trabajo de múltiples pasos, este modo de fallo es el peor escenario posible. El agente reporta éxito en el paso N. Los datos están corrompidos. Los pasos N+1 a N+12 avanzan sobre entradas corrompidas. El error aflora días o semanas después cuando un humano inspecciona los resultados posteriores.
Una investigación del MIT que examinó 32 conjuntos de datos en cuatro industrias encontró que el 91 % de los modelos de ML se degradan con el tiempo. Gartner encontró que el 67 % de las empresas detectan degradación mensurable en 12 meses. Solo el 5 % de los agentes de IA en producción tienen un monitoreo maduro, según la encuesta de Cleanlab de 2025.
La cadena de dependencias SaaS lo amplifica. Cuando GitHub cayó el 9 de febrero de 2026, cada agente de codificación de IA que dependía de él se detuvo. No una degradación. Un paro total. Push, PR, CI/CD, resolución de dependencias: todo desaparecido. La arquitectura agéntica asume que todos los servicios externos están disponibles. Ninguno lo garantiza.
La realidad del mercado
Una encuesta de 2026 a 500 CISO encontró que el 99,4 % sufrió al menos un incidente de seguridad de SaaS o ecosistema de IA en 2025. El 30,4 % reportó actividad sospechosa involucrando agentes de IA. El 83,4 % dijo que sus herramientas no pueden distinguir entre comportamientos humanos y no humanos. A pesar de usar un promedio de 13 herramientas de seguridad dedicadas, la tasa de brechas fue casi universal.
Gartner predice que más del 40 % de los proyectos de IA agéntica serán cancelados antes de finales de 2027. Estiman que solo alrededor de 130 de los miles de proveedores de IA agéntica ofrecen capacidades agénticas genuinas. El resto practica el “agent washing”: rebautizar chatbots y RPA como IA agéntica.
El conflicto estructural
El problema central es arquitectónico. Los laboratorios de IA operan bajo presión competitiva para lanzar funcionalidades rápidamente. Anthropic corre para contrarrestar a OpenClaw. OpenAI apresura Codex al escritorio. Google sprinta Gemini hacia la disponibilidad general. Cada lanzamiento de producto requiere cambios de infraestructura, reequilibra la asignación de cómputo y arriesga desestabilizar los modelos de los que dependen los clientes que pagan.
La interrupción de ChatGPT del 3 de febrero de 2026 llegó un día después del lanzamiento de Codex para escritorio. OpenAI la atribuyó a un problema de configuración en su capa de orquestación de inferencia que causó errores en cascada. Las interrupciones de Anthropic en marzo coincidieron con su ofensiva de productos. La correlación es visible aunque la causalidad sea más difícil de probar.
Para que la IA agéntica funcione en producción, necesita tres propiedades que el modelo de entrega SaaS actual socava estructuralmente:
- Consistencia de comportamiento. El modelo debe producir salidas equivalentes para entradas equivalentes a lo largo del tiempo. Los cambios de configuración silenciosos, los errores de infraestructura y el reequilibrio del cómputo violan esto por completo.
- Garantías de disponibilidad. Un SLA del 99,9 % suena fiable hasta que calculas lo que significa para una cadena agéntica de 12 pasos que se ejecuta cientos de veces al día. Y la mayoría de los SLA de API de IA están muy por debajo del 99,9 % en la práctica.
- Gestión transparente de cambios. Los desarrolladores necesitan saber cuándo el modelo sobre el que construyen cambia de comportamiento. El anclaje de versiones por nombre de modelo no significa nada cuando el comportamiento detrás del nombre cambia sin previo aviso.
La Ley de IA de la UE entra en vigor para los sistemas de alto riesgo en agosto de 2026. Exige monitoreo continuo, seguimiento del rendimiento en el mundo real e informes de incidentes. El sector actualmente no cuenta con herramientas estandarizadas para nada de esto. Un modelo que se degrada silenciosamente es, según la ley, un fracaso de cumplimiento tan grave como uno que falla abiertamente.
Hasta que los proveedores de IA ofrezcan anclaje de versiones por comportamiento, divulgación obligatoria de cambios y auditabilidad independiente, todo sistema agéntico en producción estará construido sobre unos cimientos que sus desarrolladores no controlan, no pueden monitorear y sobre cuya modificación no serán advertidos. El caso de uso más serio para los agentes de IA no está siendo matado por la tecnología. Lo está matando el modelo de entrega.
