Un reporte urgente sobre la calidad de Claude Code y sus recientes fallos

🚀 La estabilidad de los modelos de IA es vital para su adopción masiva. Anthropic acaba de publicar un postmortem detallado tras recibir reportes de usuarios sobre una degradación en la calidad de sus respuestas. La empresa confirma que no hubo degradaciones intencionales y que el API permaneció intacto, pero sí identificó tres problemas específicos en Claude Code, Claude Agent SDK y Claude Cowork.

🔍 La investigación reveló que el 4 de marzo se modificó el esfuerzo de razonamiento por defecto de alto a medio para reducir la latencia percibida como «congelada» en la interfaz. Esta decisión fue revertida el 7 de abril tras recibir feedback indicando que los usuarios preferían la mayor inteligencia por defecto, optando manualmente a un menor esfuerzo solo cuando fuera necesario. Este cambio afectó directamente a las versiones Sonnet y Opus.

📊 Además, el 26 de marzo se implementó una función para limpiar el pensamiento antiguo en sesiones inactivas durante más de una hora. Sin embargo, un error técnico hizo que este proceso se repitiera cada turno en lugar de realizarse solo al inicio, haciendo parecer a Claude repetitivo y olvidadizo. La solución fue aplicada el 10 de abril, resolviendo definitivamente ambos inconvenientes en la versión v2.1.116.

Mi lectura: Este reporte demuestra una madurez operativa admirable en la gestión de fallos técnicos. La transparencia al admitir cambios erróneos y revertirlos rápidamente refuerza la confianza del usuario frente a empresas que no solo innovan, sino que escuchan activamente sobre sus experiencias. Es fundamental que los ecosistemas de IA mantengan estándares de calidad rigurosos en cada iteración para evitar frustraciones acumulativas. La prioridad de la inteligencia artificial reside en ofrecer resultados consistentes y fiables, no solo en velocidad o capacidad bruta. Cuando los modelos parecen olvidar contextos previos o fallan en el equilibrio entre rendimiento e intensidad cognitiva, se pone en riesgo la relación a largo plazo con la plataforma. Las correcciones implementadas hoy son un ejemplo de cómo la comunidad técnica debe responder ante retroalimentación negativa sin perder de vista el objetivo final del desarrollo.

📎 Fuente: anthropic.com