Claude Status – Errores elevados en varios modelos
El aumento de las tasas de error en los modelos Claude de Anthropic provocó quejas de desarrolladores que perdieron trabajo a mitad de sesión y puso de relieve lo dependientes que se han vuelto muchos flujos de trabajo de las API de LLM alojadas. Los comentaristas debatieron la responsabilidad por las interrupciones frecuentes, la especulación de que la inestabilidad precede a grandes lanzamientos de modelos y los filtros de seguridad cada vez más agresivos que interrumpen casos de uso técnicos y científicos legítimos. Muchos describieron el paso a modelos rivales o la creación de herramientas para cambiar entre harnesses y mantener alternativas locales, subrayando la fiabilidad y el bloqueo por proveedor como preocupaciones crecientes en el ecosistema de herramientas de IA.
Alcance de la interrupción y posibles causas
- Los usuarios informan de errores elevados en varios modelos de Claude; algunos también ven problemas con Grok, lo que sugiere problemas de infraestructura compartida (p. ej., “Colossus”, AWS us-east-1).
- Se usa Atlassian Statuspage; algunos señalan que los widgets de suscripción funcionaron mal brevemente.
- Varios se preguntan si los problemas de AWS (vinculados a la página de estado de salud) contribuyeron, pero esto sigue sin estar claro.
Fiabilidad, SLA e impacto económico
- Frustración por trabajo perdido, tokens consumidos y tiempo perdido, sin reembolsos ni reconocimientos.
- Algunos dicen que estas interrupciones serían inaceptables para servicios básicos como la búsqueda; otros señalan que los humanos (ingenieros) también tienen una disponibilidad imperfecta.
- La gente pregunta por SLA formales y post‑mortems; no se mencionan en el hilo.
- Los comentaristas sostienen que las interrupciones subrayan la necesidad de alternativas locales, modelos locales más pequeños y flujos de trabajo resilientes.
Herramientas, harnesses y flujos de trabajo multmodelo
- Muchos describen cambiar sin problemas entre harnesses (Claude Code, Codex, Cursor, Pi, otros) y modelos (Claude, OpenAI, DeepSeek, etc.) cuando uno falla.
- Las técnicas incluyen guardar el estado en archivos locales o git, routers LLM personalizados, prompts/skills de “handoff” y funciones para reanudar sesiones.
- Algunos creen que los productos dedicados para cambiar entre harnesses son excesivos, ya que bastan unos pocos prompts o scripts.
Calidad del modelo, precios y competencia
- Algunos usuarios se orientan más hacia OpenAI (p. ej., Astra) por la percibida velocidad, precio o acceso, aunque se señalan límites de uso.
- Otros describen flujos de trabajo de “revisión adversarial” multmodelo en los que un modelo audita la salida de diseño de otro.
Salvaguardas de seguridad y límites de acceso
- Varios usuarios informan de aumentos repentinos en bloqueos de “safeguard”, especialmente para biología, ciberseguridad o incluso términos benignos (p. ej., “microbes”).
- La gente especula que las salvaguardas se endurecieron tras un posible incidente, pero esto no está claro.
Especulación sobre nuevos modelos y cadencia rápida de lanzamientos
- Varios vinculan las interrupciones a supuestos próximos lanzamientos (p. ej., Opus 5.5, Fable 5.2), citando el comportamiento de las rutas de API (403 frente a 404) como señales informales.
- El rápido flujo de nuevos modelos se compara con las “guerras” de hardware de los años 80/2000; a algunos les resulta emocionante, a otros agotador.
Meta: cobertura de HN y poder corporativo
- Algunos se quejan de que cada interrupción de IA que llega a la portada desplaza a “cosas que la gente está construyendo”.
- Otros responden que los votos positivos reflejan interés, como los eventos de Apple o las noticias locales de SF.
- Un largo subhilo critica la concentración de poder y riqueza en los ejecutivos tecnológicos y sostiene que hay que responsabilizar a las personas, no solo a las corporaciones.