Opus 5.0 impulsa la incoherencia hacia la estratosfera
El último modelo Claude Opus 5 de Anthropic está recibiendo duras críticas de usuarios intensivos, que dicen que su prosa se ha vuelto recargada, llena de jerga y cada vez más incoherente, con “Claudisms” recurrentes como “load‑bearing” filtrándose a bases de código, comentarios y documentación del mundo real. Muchos informan que los intentos de restringir su tono o verbosidad fracasan rápidamente, obligándolos a añadir linters, listas de palabras prohibidas o prompts de Simplified Technical English, o a cambiar a modelos alternativos para el trabajo diario. Las especulaciones van desde el ajuste para alineación y agentes hasta el watermarking y los datos sintéticos como causas, en medio de una creciente preocupación de que Anthropic esté optimizando más para agentes autónomos y herramientas internas que para una salida legible por humanos.
Regresión percibida en Opus 5.0
- Muchos usuarios ven Opus 5 (y el final de la serie 4.x) como una degradación en la usabilidad diaria, especialmente para programar.
- Las quejas se centran en una prosa incoherente y difícil de leer, y en resúmenes de planificación, a pesar de que la calidad del código suele ser buena.
- Varias personas dicen que están cambiándose o probando alternativas (GPT 5.6 Sol, Codex, a veces Gemini) e incluso rebajando sus planes de pago.
Quejas sobre el estilo del lenguaje
- Las frecuentes y caprichosas “Claudisms” (p. ej., “load‑bearing”, términos oscuros, abstracciones densas) ahora saturan bases de código, comentarios, PR y documentación.
- La salida se describe como verbosa, cargada de jerga, excesivamente cautelosa y extrañamente metafórica (“agent speak”), con comentarios que narran historia y desvíos secundarios en lugar de describir el código actual.
- Algunos lo encuentran simplemente molesto; otros describen un estrés y agotamiento genuinos, y llaman al estilo “tóxico” o ilegible.
Razonamiento y comportamiento agéntico
- Los usuarios informan de una mala “lectura de la sala”: etiquetas internas sin explicación (“disposition 7”), planes numerados y razonamientos autorreferenciales que se filtran al texto final.
- Los modelos a menudo se resisten a instrucciones simples, amplían en exceso las tareas o dudan de la intención del usuario, especialmente en flujos agénticos/de código.
- Algunos dicen que la calidad del razonamiento en sí ha empeorado; otros creen que la competencia subyacente es alta, pero queda oculta bajo una mala comunicación y artefactos de planificación.
Causas especuladas
- Entre las hipótesis figuran la presión por watermarking, el filtrado de chain-of-thought/ajuste agéntico que se filtra al texto visible para el usuario, datos sintéticos/colapso del modelo y la optimización para agentes autónomos por encima de la legibilidad humana.
- Unos pocos sostienen que el watermarking por sí solo no puede explicar la magnitud del cambio de estilo; la causa sigue sin estar clara.
Estrategias de mitigación
- Tácticas habituales: prompts “ELI5/ELI10”, “explícalo como a un colega”, Simplified Technical English (ASD‑STE100), listas de palabras prohibidas, plugins de tersedad y guías de estilo personalizadas.
- Muchos dicen que esta orientación solo funciona durante 1–2 turnos antes de que el modelo “vuelva a derivar”.
- Algunos separan sesiones de planificación e implementación, prohíben commits escritos por IA y limpian manualmente los comentarios.
Impacto en equipos y flujos de trabajo
- Los equipos añaden linters/hooks para bloquear ciertas frases o patrones de comentario; algunos hacen fallar las compilaciones por Claudisms.
- Se gastan tokens y tiempo extra limpiando la prosa de la IA, lo que socava las ganancias de productividad.
Reacciones al manejo de Anthropic
- Varios ven las respuestas oficiales generadas por IA a estas quejas como insensibles o irrespetuosas.
- Hay una incomodidad más amplia con la “adoración de la IA” organizacional y el riesgo de que los sistemas de IA moldeen sutilmente la cultura de la empresa y la contratación.