La falsa lectura de las caídas de Claude

El mensaje de servicio ocupado en inteligencia artificial (IA) dejó de ser una rareza técnica, Durante agosto se convirtió en una presencia constante. Claude sumó más de 160 caídas desde enero, y solo entre el 12 y el 19 de agosto la empresa registró diez incidentes distintos. La disponibilidad de los últimos 90 días quedó entre el 99,3 y el 99,8% según la página de estado de Anthropic, la compañía que produce Claude.

Frente a esta seguidilla, se instaló en el mercado la idea de que Anthropic estaría muriendo de éxito. La demanda superaría de forma tan amplia la capacidad de cómputo instalada que cada interrupción probaría el atractivo comercial de la empresa antes de una eventual salida a bolsa. Bajo esta idea, un servidor saturado no sería una falla de ingeniería sino la prueba de una tecnología tan buscada que la infraestructura mundial no alcanza a sostenerla. Es una historia atractiva. También contiene errores de análisis serios.

El primer error consiste en atribuir todas las fallas a la falta de procesadores especializados. Cuando un sistema colapsa porque millones de usuarios piden cálculos al mismo tiempo, el síntoma habitual es la lentitud progresiva o el rechazo ordenado de pedidos por falta de potencia. Sin embargo, los registros técnicos de agosto muestran otra cosa. El 4 y el 16 de agosto falló el sistema que permite a los usuarios identificarse, cuando la autenticación quedó interrumpida durante 36 minutos en Claude.ai, en la plataforma para desarrolladores y en la interfaz de programación. Ninguna de estas dos fallas nace de la falta de procesadores porque son clásicas de arquitectura de programas y prueban una acumulación de deuda técnica, es decir el costo diferido de tomar atajos de desarrollo para lanzar funciones rápido en lugar de construir bases sólidas.

Comprar decenas de miles de procesadores adicionales o firmar acuerdos de energía millonarios no arregla un error en el código que gestiona la autenticación. Transformar una compañía nacida como laboratorio de investigación en un proveedor de infraestructura crítica exige una disciplina operativa que no se logra solo con dinero para centros de datos. Por otra parte, confundir la inmadurez operativa con un exceso de demanda es aceptar un argumento de relaciones públicas en lugar de revisar los hechos.

El segundo error asume una fidelidad del cliente que no existe en el mercado empresarial actual. Para un usuario que prueba un asistente digital por curiosidad, esperar media hora es una molestia menor, pero para una empresa que integró estos modelos en su atención al cliente o en su desarrollo de programas, una caída interrumpe operaciones y puede violar contratos de servicio. Migrar de un proveedor de programas a otro solía ser un proceso largo y costoso en la industria tradicional. Esa dificultad creaba clientes atados que toleraban fallas antes de asumir el costo del cambio. En el mercado de los modelos de lenguaje esa barrera bajó, aunque no desapareció del todo. Cambiar de un algoritmo a otro exige la revisión de las instrucciones que se le dan al sistema, evaluar de nuevo la calidad de las respuestas y a veces reconstruir integraciones con herramientas propias. Es un costo real, menor al de antes pero lejos de ser nulo. Trece caídas en un mes activan planes de contingencia y empujan a algunos usuarios hacia plataformas más estables.

La segunda mitad del problema está en la estructura financiera del negocio. Existe la costumbre de medir a las empresas de IA con las métricas que definieron al software clásico, donde el costo principal era el desarrollo inicial y atender a un cliente más costaba casi nada. La inferencia, es decir, el proceso por el cual un modelo ya entrenado procesa una consulta y genera una respuesta, rompe esa lógica. Cada demanda exige tiempo de procesador, memoria especializada y electricidad. Las herramientas de programación automatizada multiplican ese efecto porque ejecutan decenas de lecturas y pruebas para resolver una sola instrucción.

De ahí nace un dilema, porque un aumento fuerte en el uso no se traduce siempre en mejores ganancias. Si atender más consultas exige inversiones de capital equivalentes a gigavatios de energía y cientos de miles de procesadores, el negocio se parece más a una empresa industrial que a una compañía de software clásica. A esto se suma que las cifras de ingresos que se publicitan suelen calcularse sobre meses de uso récord, lo que infla la sensación de crecimiento, en particular cuando parte de ese volumen viene de créditos otorgados por otras empresas tecnológicas y no de clientes que pagan precio completo.

Esta dinámica se intensificó en un momento decisivo para la compañía. Anthropic presentó en junio una solicitud confidencial para salir a bolsa en Estados Unidos y buscaba, al momento de escribir esta nota, ampliar una línea de crédito rotativa por encima de los $10.000 millones, muy por arriba de los $2.500 millones que había conseguido el año anterior; y los bancos que participan de esa línea buscan un lugar en la futura colocación en bolsa. El relato de una empresa desbordada de pedidos que solo necesita más capital para construir infraestructura es muy eficaz frente a los inversores. Evoca las grandes historias de expansión industrial del siglo pasado y justifica valuaciones enormes. Pero en el terreno operativo el mercado no premia para siempre las promesas de capacidad futura si la plataforma actual falla una y otra vez.

El reto de Anthropic consiste en demostrar la capacidad de transicionar de un crecimiento veloz de usuarios a un negocio técnicamente estable. Cada aviso de sistema ocupado no muestra la gloria de un producto irresistible, sino la fragilidad de una arquitectura que corre el riesgo de espantar a sus clientes más valiosos antes de aprender a sostenerlos.

Las cosas como son.

Mookie Tenembaum aborda temas de tecnología como este todas las semanas junto a Claudio Zuchovicki en su podcast La Inteligencia Artificial, Perspectivas Financieras, disponible en Spotify, Apple, YouTube y todas las plataformas.