GPT-5 y el teatro del lanzamiento: cómo separar señal de humo en toda la industria

Los "expertos" de hoy --influencers, periodistas-- repiten las notas de prensa como si fuesen mandamientos. Buscan FOMO, vender su curso/servicio/publicidad y llegar primero a sumar algunos seguidores.

Las multinacionales montan el show: lanzan, anuncian maravillas y, cada vez más, no cumplen. El problema no es una empresa; es la industria del lanzamiento.

La noche del lanzamiento madrugué probando GPT-5 a fondo.

Me sorprendió la notoria inestabilidad, el razonamiento confuso (a niveles impensados) y sobre todo la degradación en GPTs, proyectos, agentes y automatizaciones que antes funcionaban.

Inexplicablemente, durante 24 horas las redes se mantuvieron positivas. "Copiando y pegando" los mismos mensajes. Luego comenzó a revertirse la marea de opiniones.

¿Qué cambió? Tweets de Sam Altman reconociendo problemas y, otra vez, el repique de las notas de prensa.

No es solo OpenAI. Buscó unificar y simplificar y salió con errores importantes. Google abusa de anuncios grandilocuentes con Gemini: titulares hoy, explicaciones mañana. El problema no es una empresa: es la industria del lanzamiento.

¿Cuál es el problema de fondo?

Que esta lógica de "gran anuncio" es ajena a las prácticas modernas de innovación. En lean y agile se aprende con los actores del negocio: se experimenta y co-crea, se despliega en lotes pequeños a producción, se prueba con muestras reales, se mide y se refina. Aquí, en cambio, se prioriza el show y se traslada el riesgo al usuario.

Esa lógica antigua --muy comercial-- (necesidad de "mostrar" repunte de mercado, pelear titulares) está creando riesgos serios para empresas y usuarios.

OpenAI promete consistencia y simplicidad, pero la ejecución deja problemas de desempeño e incertidumbre. Google maqueta promesas que luego no entrega o no funcionan como se anunció. Resultado: se diluye el posicionamiento y la propuesta de valor de ambos, y cae la confianza en la aplicación de estas herramientas.

Competencia por titulares. Unos anuncian demasiado pronto; otros salen inestables. En ambos casos, el usuario paga --con tiempo, errores y frustración-- mientras las organizaciones tienen que contener el impacto.

Cuando el modelo cambia, tu operación paga. Montas GPTs internos, asistentes y agentes para tareas concretas --clasificar tickets, responder a clientes, generar reportes, disparar ordenes-- y, de un día para otro, ChatGPT cambia de forma unilateral cómo "piensan". Resultado:

Formatos que ya no cumplen lo que espera tu sistema (campos vacíos, nombres distintos, estructuras nuevas).

Reglas que se contradicen: el mismo caso, dos decisiones diferentes.

Secuencias truncas en agentes: dejan pasos sin ejecutar o los invierten.

Automatizaciones con impacto en usuarios o en lo físico (envíos, reservas, facturación) que fallan en cadena.

Ese caos no solo se paga en horas: sino en retrabajo, escaladas, disculpas y reputación.

Sí, hay barreras técnicas para reducir estos riesgos, pero no son infalibles: los modelos pueden cambiar o retirarse, derivar en su comportamiento, variar tiempos y costos o fallar de forma imprevista, impactando a clientes, operaciones y marca. La única postura responsable es diseñar asumiendo esa incertidumbre, construir gestionando riesgos y decidir con evidencia continua, no con titulares.

Nuestra interacción con LLMs no es solo funcional; es relacional y emocional. Con el tiempo, construimos confianza con un asistente: su tono, su forma de leer, de interpretar y sus intuiciones. Cuando eso se mantiene, aparece el flow y el trabajo fluye.

Si esa "personalidad" cambia de un día para otro y no puedes cuidarla o elegir, se destruye valor:

Baja la adopción: la gente deja de usarlo porque "ya no me entiende".

Aumentan los errores por expectativas: el equipo cree que el asistente hará X y ahora hace Y.

Se quiebra la confianza: cada respuesta requiere doble chequeo; vuelves al trabajo manual.

Qué podría/debería ofrecer la industria (además de uptime):

Estabilidad comportamental como compromiso: no cambiar tono/estilo/formato sin aviso.

Avisos y ventanas antes de modificar rasgos de comportamiento, con opción de mantener temporalmente el modelo anterior para transicionar sin romper flujos.

Valor sostenible y confianza = robustez operativa (que nada se rompa cuando el proveedor cambia) + continuidad de personalidad e interacción (que el asistente "siga siendo él").

No externalizar el criterio. La inteligencia/estrategia del negocio no se terceriza; tampoco la IA, ni la experimentación continua.

Aprender por lotes con el usuario en el centro. Pilotos pequeños, métricas claras y decisiones basadas en evidencia, no en titulares.

Diseñar para el cambio. La pregunta no es si el modelo cambiará, sino cómo absorberás ese cambio sin perjudicar a tus usuarios y actores del negocio.

Vendedores de humo: quedan expuestos cuando su narrativa no se basa en experimentación y conocimiento real. No sigas aplausos; pide criterio. Y forma el tuyo.

Prensa y "expertos": su activo es la credibilidad. Copiar y pegar destruye ese capital.

Grandes tecnológicas: su valor no depende solo de lo que prometen, sino de cómo ejecutan el cambio sin dañar al usuario (ni su vínculo con el asistente).

Empresas usuarias: la ventaja está en integrar, gestionar el riesgo/retorno y aprender mejor que el resto.

Con datos frescos: Mis pruebas en manejo de textos largos (edición de capítulos y documentos extensos) cambiaron por completo respecto de ayer: los resultados son impresionantes en rendimiento y velocidad.