La llegada de una nueva inteligencia artificial (IA) siempre genera expectativas elevadas en redes sociales y comunidades especializadas. Sin embargo, esta emoción suele dar paso a un ciclo de decepción entre los usuarios más experimentados. Un ejemplo notable fue el modelo Gemini 2.5 Pro, inicialmente elogiado por su rapidez, precio accesible, amplia ventana de contexto y habilidades en programación. Pese a su buen comienzo, usuarios comenzaron a reportar una degradación en su desempeño, describiéndolo a menudo como «inutilizable» y produciendo «absolutas tonterías».
Este fenómeno no fue exclusivo de Gemini 2.5 Pro; modelos igualmente alabados como Claude también recibieron críticas similares. Los usuarios sospechan que detrás de estos declives está la reducción en el tamaño y capacidades de los modelos, especialmente en momentos de alta demanda, lo cual compromete su inteligencia y eficacia. Este cambio resulta en frustraciones generalizadas, incluso entre desarrolladores que manifiestan su voluntad de pagar más por versiones que mantengan su calidad constantemente.
Esta sensación de deterioro de calidad fue especialmente palpable con GPT-4 de OpenAI, cuyo desempeño fue percibido como decreciente en 2023. Un estudio académico confirmó una caída significativa en la precisión del modelo entre marzo y junio de ese año. Ante el feedback negativo, tanto OpenAI como Anthropic reconocieron los problemas con sus modelos, citando la imprevisibilidad en el comportamiento de las IA y la restricción en el uso de estas herramientas.
Los usuarios, en busca de soluciones, han ideado métodos creativos para incentivar a los modelos a mejorar su desempeño. Mientras tanto, compañías como Anthropic admiten abiertamente las limitaciones de sus modelos ante la creciente presión de los usuarios. Este ciclo de altas expectativas seguidas de decepciones pone de manifiesto los desafíos y limitaciones inherentes al desarrollo y mantenimiento de tecnologías de IA avanzadas.