
Esta semana la industria de la IA pisó el acelerador a fondo y a alguien se le cayó el nombre justo: “model fatigue” (fatiga de modelos). Lo acuñó CNBC para describir lo que veníamos viendo hace meses: los labs ya no compiten por sacar el modelo del año, sino por sacar un modelo cada par de días.
El recuento de la semana habla solo:
- Anthropic actualizó Fable y Mythos.
- Meta y Google despacharon mejoras de sus modelos.
- OpenAI lanzó GPT-6 Astra, el lanzamiento más comentado (y el de rollout más desprolijo).
- NVIDIA cerró la compra de Hugging Face por US$12.900 millones, metiéndose de lleno en el ecosistema open source.
El problema no es la velocidad, es la digestión
El punto de CNBC no es que haya muchos modelos —eso ya lo sabíamos—. Es que la capacidad de adopción se convirtió en el nuevo cuello de botella. Un equipo de plataforma o datos no alcanza a evaluar, hacer benchmark ni poner en producción un modelo antes de que el proveedor anuncie el siguiente. El resultado es benchmark chasing eterno, migraciones a medias y la sensación de que cualquier decisión técnica queda obsoleta en semanas.
Lo que esto significa para los equipos
- No persigas cada release: define tu caso de uso y evalúa modelos contra eso, no contra el Hacker News del día.
- Ojo con los proveedores que prometen “lo último”: que un modelo salga no significa que esté estable ni disponible para todos (el caso Astra lo dejó clarísimo).
- El costo real es humano: ciclos de evaluación que se repiten sin terminar valen más caro que la diferencia de benchmark.
La ironía es bonita: llegamos al punto donde el cuello de botella de la IA dejó de ser entrenar modelos, y pasó a ser entenderlos, probarlos y decidir qué hacer con ellos.


