El mito de la IA omnipotente: por qué importa lo que creemos que puede hacer

El titular "AI Can Do Anything" apareció hace unos días en Hacker News con apenas tres puntos y ningún comentario. Poca tracción social, pero el enunciado en sí merece atención: resume con brutal precisión el estado mental en que se mueve buena parte de quienes hablan de IA en 2026, ya sea para defenderla o para atacarla.

La pieza original, publicada en clawdcursor.com y recogida en Hacker News, parte de una premisa que hemos escuchado miles de veces en foros, en reuniones de producto y en presentaciones a clientes: la idea de que un modelo de lenguaje es, en potencia, capaz de cualquier cosa. La pregunta que conviene hacerse es si esa creencia ayuda o complica el trabajo real.

Qué significa creer que la IA "puede hacer cualquier cosa"

Cuando alguien dice que la IA puede hacer cualquier cosa, suele estar expresando una de estas tres cosas distintas: que el modelo es suficientemente flexible para adaptarse a muchas tareas, que dada la instrucción correcta el output siempre mejora, o directamente que no hay límite técnico relevante. Las tres afirmaciones tienen distinto grado de verdad.

La primera es razonable. Claude Opus 4.7, con su ventana de contexto de un millón de tokens, puede procesar volúmenes de información que habrían resultado inmanejables para cualquier flujo de trabajo hace dos años. Combinado con MCP servers bien configurados, subagentes especializados y hooks que automaticen etapas del ciclo de vida, el margen de aplicación es genuinamente amplio.

La segunda también tiene base sólida: la ingeniería de prompts, los skills reutilizables y la posibilidad de componer agentes en Claude Code han demostrado que muchas limitaciones percibidas eran, en realidad, limitaciones de diseño del flujo, no del modelo.

La tercera, sin embargo, es donde la narrativa se rompe. Los modelos actuales cometen errores factuales, tienen sesgos heredados de los datos de entrenamiento, no tienen acceso a información en tiempo real salvo que se les conecte explícitamente, y su razonamiento sobre ciertos dominios —matemáticas avanzadas, código muy especializado, lógica formal compleja— sigue produciendo fallos que sorprenden a quienes los dan por resueltos.

Por qué las expectativas colectivas tienen consecuencias reales

Este debate no es solo filosófico. Las creencias que los equipos tienen sobre lo que puede hacer un modelo determinan directamente cómo diseñan sus sistemas.

Hemos visto proyectos donde la fase de validación se elimina porque "el modelo lo hace bien". Y proyectos donde nunca se despliega nada porque "el modelo no es fiable". Ambos extremos parten de expectativas mal calibradas.

El problema con la narrativa de la omnipotencia es que desplaza la responsabilidad. Si el modelo puede hacer cualquier cosa, cuando algo falla la conclusión es que el prompt estaba mal, que faltaba contexto, que el modelo era la versión equivocada. Raramente se cuestiona si la tarea era la adecuada para un sistema de estas características en primer lugar.

En el ecosistema Claude específicamente, esta tensión es visible en cómo se usan —o se malentiendan— los plugins y los subagentes. Un subagente especializado puede ser extraordinariamente bueno en una tarea acotada. Convertirlo mentalmente en un agente general porque "la IA puede hacer cualquier cosa" es la forma más rápida de obtener resultados poco fiables y difíciles de depurar.

Lo que la comunidad de Hacker News (normalmente) hace bien

Aunque esta publicación concreta no generó discusión, Hacker News sigue siendo uno de los espacios donde el escepticismo técnico actúa como contrapeso natural al hype. La audiencia de ese foro tiende a pedir especificidad: ¿qué tarea exactamente? ¿con qué modelo? ¿en qué condiciones? ¿cuál es el baseline de comparación?

Esa exigencia de concreción es exactamente el antídoto a los titulares absolutos. No porque la IA no pueda hacer cosas notables —puede— sino porque la utilidad real siempre vive en los detalles del caso de uso, no en la afirmación genérica.

Opinión EP

La narrativa de la IA omnipotente no viene solo del marketing: la construimos colectivamente cada vez que simplificamos en exceso lo que un modelo ha hecho bien. Calibrar bien las expectativas no es pesimismo técnico; es el trabajo previo a cualquier integración que funcione de verdad.