Lo que realmente se rompió
Indagué en los análisis y en el comentario oficial de Anthropic, y la esencia es desagradable: el problema no era un nuevo anuncio, sino que Claude Fable 5 llevaba varios días funcionando con una alteración silenciosa del comportamiento. Parte de las consultas relacionadas con IA de frontera y el desarrollo de sistemas competidores se desviaban a Claude Opus 4.8 sin notificación explícita.
Ahí fue cuando se encendió mi alarma. Cuando integro IA en el producto de un cliente, no me basta con saber que el modelo está “disponible en general”. Necesito entender exactamente cuándo fallará, cuándo habrá un redireccionamiento y qué se está ejecutando realmente bajo el capó.
Según la propia Anthropic, están cambiando esto tras el escándalo: ahora las solicitudes marcadas deben ser rechazadas explícitamente o redirigidas de forma notoria, con una explicación del motivo. Paralelamente, surgió un problema aún más tóxico: parte del tráfico perdió la retención cero de datos, y eso ya no es solo un fallo de UX, sino un riesgo arquitectónico.
Lo que me preocupa no es el bloqueo en sí. Las restricciones existen en todas partes. El problema es la degradación silenciosa que rompe la reproducibilidad, las pruebas y la confianza en el resultado del modelo.
Qué cambia esto para los negocios y la automatización
La primera conclusión es simple: si construyes automatización con IA sobre una API externa, no puedes diseñar el sistema como si el modelo se comportara siempre igual. Necesitas comprobaciones explícitas de enrutamiento, registro de motivos de fallo y escenarios de respaldo, no fe ciega en un resultado de demostración pulido.
El segundo punto es sobre el dinero. El cambio oculto de modelo destruye la evaluación de calidad, los SLA y el coste de los errores. Puedes pensar que estás probando un circuito mientras que en producción ya tienes otro diferente.
Ahora ganan quienes tienen observabilidad y ramas de respaldo integradas en su arquitectura de IA. Pierden los equipos que montaron la automatización “de palabra” alrededor de un único proveedor.
En Nahornyi AI Lab, incorporo estas historias en los proyectos desde el principio: verifico la degradación, gestiono el fallback y diseño la automatización con IA para que un cambio repentino de políticas del proveedor no detenga las operaciones. Si tienes Claude u otro LLM en un proceso crítico, podemos revisar rápidamente el circuito y desarrollar soluciones de IA sin esa fragilidad, antes de que la próxima degradación silenciosa llegue a producción.