Por qué las redes neuronales «se vuelven torpes» tras su lanzamiento: los informes de Anthropic y el ajuste oculto de effortNota · digest del 19 de noviembre
Bodegón surrealista con un regulador mecánico de esfuerzo y engranajes bajo una carcasa lisa
Nota3 secciones≈ 4 min

Por qué las redes neuronales «se vuelven torpes» tras su lanzamiento: los informes de Anthropic y el ajuste oculto de effort

La primera semana tras un lanzamiento sonado, el modelo nuevo digiere requisitos confusos y entrega código limpio; un par de semanas después tropieza con una corrección básica. La primera sospecha surge sola: subieron la potencia en el estreno para generar publicaciones virales y luego recortaron la red en silencio para ahorrar servidores. En realidad, las mediciones diarias por API no detectan un sabotaje oculto del modelo, mientras que los reportes de los propios laboratorios revelan otra causa para esas caídas.

Qué falló realmente en Anthropic y OpenAI

Si nadie tocó el modelo, ¿por qué incluso directivos de las empresas reconocen caídas de calidad? En su análisis, Nate Herk recuerda el lanzamiento de GPT-5: al día siguiente del estreno, Sam Altman confirmó abiertamente que el modelo rindió por debajo por un fallo en el enrutador de peticiones. Nadie tocó los pesos de la red —los números base con su conocimiento—, pero falló la capa que repartía el tráfico.

Esa mecánica queda aún más clara en el informe postmortem oficial de Anthropic del 23 de abril de 2026. En primavera los usuarios se quejaban de un Claude Code «más torpe», y las pruebas internas de la empresa no detectaron el problema. La investigación confirmó que ni la API ni los pesos cambiaron, pero en el entorno de Claude Code, Agent SDK y Cowork coincidieron tres errores. Del 4 de marzo al 7 de abril, los ingenieros bajaron el nivel estándar de razonamiento de Sonnet 4.6 y Opus 4.6 de high a medium para evitar pausas largas en la interfaz, decisión que luego revirtieron. Del 26 de marzo al 10 de abril, la caché de pensamientos previos se reiniciaba en cada paso del diálogo en lugar de limpiarse tras una hora de inactividad, haciendo que el asistente perdiera el hilo. Y del 16 al 20 de abril, un ajuste fallido de brevedad en el prompt del sistema degradó el código. Todo se corrigió el 20 de abril en la versión v2.1.116.

Monitores independientes como MarginLab y AI Stupid Level ejecutan a diario las mismas pruebas por API y no ven una degradación secreta de pesos. El propio Herk aclara que no hay pruebas directas contra los laboratorios, aunque en el estreno puedan ajustar parámetros para brillar en redes. Conviene separar ese escepticismo personal de los datos verificados y mirar el control que sí manejas tú.

La perilla oculta effort y una brecha de 5.3 puntos porcentuales

Un error frecuente al evaluar un modelo nuevo es comparar las gráficas publicitarias del lanzamiento con el uso en un chat normal. Los modelos de razonamiento gastan tokens internos pensando antes de responder, y ese tiempo de cálculo lo fija el parámetro effort con niveles low, medium, high, xhigh y max.

En la página de lanzamiento de Claude Opus 5.5 del 22 de septiembre de 2026 figura la prueba CursorBench 4.0 con tareas reales sobre múltiples archivos de código. Con esfuerzo máximo max effort el modelo logra 57.8%, frente al 52.5% en el ajuste predeterminado medium. En el video de Herk redondearon el segundo número a 52%, pero incluso con cifras exactas hay 5.3 puntos porcentuales de diferencia sobre los mismos pesos.

En la nota al pie de la tabla, Anthropic indica sin rodeos que los récords llamativos se midieron en max effort, y Terminal-Bench 4.0 incluso en xhigh effort. En la sesión diaria, en cambio, viene medium por defecto para ganar velocidad y ahorrar cuota. En consultas simples no se nota, pero en una refactorización compleja el modelo toma atajos.

Cómo fijar effort a mano y armar tu propia «prueba de recorte»

Para no depender de los valores predeterminados del cliente, conviene fijar a mano la profundidad de pensamiento. En Claude Code existe un botón en la interfaz y el comando /effort: basta escribir /effort low, medium, high, max o auto para volver al estándar. Subir al máximo para cualquier detalle no compensa, porque las respuestas tardan más y agotan antes el límite. El modo low sirve para cambios menores, medium cubre el día a día, high rescata depuraciones difíciles y max ni siquiera está en todas partes y se reserva para los casos más enredados.

El segundo apoyo es tu propio conjunto de control, lo que Herk llama una «prueba de recorte» para no guiarte por sensaciones tras cada actualización:

  1. Elige cinco prompts reales de tu trabajo semanal en lugar de acertijos abstractos.
  2. El día que salga un modelo, ejecuta los cinco con un nivel fijo de effort y guarda las respuestas de referencia.
  3. Repite la prueba cada dos semanas con las mismas entradas comparando detalle, precisión y errores: una caída brusca manteniendo el mismo /effort delatará un fallo del cliente o el momento de cambiar de modelo.
Quiero un análisis detalladoLos votos ayudan a elegir qué analizar a fondo. Este material tiene 0 votos.
Fuentes · 3