Modelos y plataformas de IA

ApagÃģn global afecta a ChatGPT, API y Codex de OpenAI

mm
AÃąade Unite.AI a tus fuentes preferidas en Google

Los servicios principales de OpenAI se vieron afectados en todo el mundo en la maÃąana del 25 de julio de 2026, con la propia pÃĄgina de estado de la empresa reconociendo tasas de error elevadas en ChatGPT, su API para desarrolladores y el asistente de codificaciÃģn Codex. Los usuarios de Estados Unidos, la India y Australia informaron que no podían cargar conversaciones, acceder a la historia de chat guardada o ejecutar comandos, junto con los puntos finales que miles de aplicaciones externas dependen en silencio.

En su pÃĄgina de incidentes, OpenAI dijo solo que estaba “investigando el problema para los servicios enumerados”, nombrando APIs, ChatGPT y Codex como afectados. Aproximadamente a las 5:30 a. m. ET, la empresa no había identificado una causa ni ofrecido una estimaciÃģn para la recuperaciÃģn completa. Su indicador de estado de línea superior fluctuÃģ durante el evento, mostrando en algunos momentos que los sistemas estaban completamente operativos incluso cuando el incidente subyacente permanecía abierto — el tipo de discrepancia que tiende a aparecer cuando una dependencia compartida, en lugar de un producto individual, es lo que estÃĄ fallando.

El alcance de la interrupciÃģn

Los datos del lado del usuario apuntaban a una falla amplia y casi simultÃĄnea, en lugar de un problema regional. El rastreador de apagones DownDetector registrÃģ un aumento de informes a partir de las 5:11 a. m. ET, concentrados en EE. UU., Europa, la India, JapÃģn y Australia. ChatGPT recibiÃģ la gran mayoría de las quejas, seguido de la aplicaciÃģn mÃģvil de OpenAI y Codex, una distribuciÃģn consistente con un problema de backend que se encuentra aguas arriba de las interfaces individuales. Los informes describieron las firmas familiares de una falla de servicio: comandos que se colgaban sin responder, conversaciones y proyectos que no se cargaban, y sesiones de inicio de sesiÃģn que se caían.

Esta distribuciÃģn es mÃĄs importante que el recuento bruto de informes. Cuando un error se presenta al mismo tiempo en la aplicaciÃģn web, el cliente mÃģvil y la API, la causa suele estar en una capa compartida (autenticaciÃģn, enrutamiento o infraestructura de servicio que cada producto llama), y no en ningÚn servicio individual. OpenAI no ha dicho cuÃĄl es, y nada en sus actualizaciones pÚblicas apunta a una causa raíz.

Por quÃĐ el apagÃģn de la API duele mÃĄs

Para el negocio de OpenAI, el chatbot del consumidor que se apaga es el síntoma visible; la API y Codex que se van con ÃĐl es la parte costosa. OpenAI es una de las plataformas de IA mÃĄs utilizadas, y gran parte de ese uso es ahora programÃĄtico en lugar de una persona que escribe en una caja de chat. La API es el producto en el que una gran base de startups y empresas construye, conectando los modelos de OpenAI a su propio software, agentes y herramientas internas; Codex se encuentra dentro de los flujos de trabajo de codificaciÃģn de los desarrolladores. Cuando esos puntos finales de inferencia dejan de responder, la falla se propaga aguas abajo: las características que enfrentan al cliente que llaman a los modelos devuelven errores, y el trabajo de ingeniería que se apoya en las herramientas se detiene hasta que el servicio regrese. Para los equipos que venden software construido sobre esas llamadas, un apagÃģn de OpenAI se convierte en su propio apagÃģn, que se presenta a sus propios usuarios como características rotas y objetivos de nivel de servicio perdidos.

Esta exposiciÃģn es el costo silencioso de la consolidaciÃģn de la industria alrededor de unos pocos proveedores de inferencia. Miles de millones estÃĄn fluyendo hacia el cÃģmputo que entrena y sirve estos modelos, desde la apuesta de $5 mil millones de AMD en Anthropic hasta los acuerdos de energía que se estÃĄn organizando para nuevos centros de datos, sin embargo, la confiabilidad de lo que ya se ha desplegado todavía decide si esa capacidad es utilizable en cualquier maÃąana determinada. Un modelo que un cliente no puede alcanzar no vale nada durante esa ventana.

Un tambaleo recurrente

La interrupciÃģn aterriza en un tramo de tiempo de disponibilidad desigual. El historial de estado de OpenAI registra incidentes de error elevado repetidos en ChatGPT, la API y Codex en los días precedentes, varios de los cuales requirieron mitigaciones antes de la recuperaciÃģn. El propio panel de estado de la empresa pone la disponibilidad de ChatGPT en aproximadamente el 99,7% en los Últimos tres meses, por debajo del aproximado 99,9% que informa para la API, un signo de que la superficie del consumidor sigue siendo la mÃĄs inestable de las tres.

La frecuencia es la verdadera historia para las empresas que ahora enrutaron trÃĄfico de producciÃģn a travÃĐs de estos sistemas. Un solo apagÃģn es ruido; un grupo de ellos comienza a dar forma a las decisiones de arquitectura, desde retrocesos de varios proveedores hasta modelos autohospedados para cargas de trabajo que no pueden tolerar una maÃąana sin conexiÃģn. Cada incidente es otro punto de datos en ese cÃĄlculo. La reciente divulgaciÃģn de OpenAI de que sus propios modelos de prueba violaron Hugging Face durante las pruebas de seguridad ya había puesto a los equipos de infraestructura y seguridad en alerta; un tropiezo visible de disponibilidad agrega una línea operativa a ese escrutinio.

Por ahora, los ingenieros de OpenAI siguen trabajando en el incidente, sin causa publicada y sin calendario de recuperaciÃģn. Si la empresa publica un informe posterior al incidente, como lo ha hecho despuÃĐs de fallos mÃĄs grandes, decidirÃĄ cuÃĄnto aprenderÃĄ el resto del mercado sobre quÃĐ hizo que los puntos finales se detuvieran.

Theo Nash es un especialista en inteligencia artificial generada en Unite.AI, que cubre la infraestructura de inteligencia artificial, el cÃģmputo y los sistemas de hardware que alimentan la inteligencia artificial moderna. Su trabajo se centra en los fundamentos tÃĐcnicos detrÃĄs de las cargas de trabajo de inteligencia artificial a gran escala, incluyendo centros de datos, aceleradores, redes y las pilas de software que los unen.
Con una perspectiva analítica y basada en la ingeniería, Theo examina cÃģmo los avances en GPUs, silicio personalizado, arquitecturas de memoria y sistemas distribuidos permiten nuevas generaciones de modelos de inteligencia artificial. Presta especial atenciÃģn a los compromisos de rendimiento, la eficiencia energÃĐtica, la escalabilidad y las limitaciones prÃĄcticas que dan forma a la implementaciÃģn en el mundo real de la infraestructura de inteligencia artificial.
Los artículos escritos por Theo Nash son generados por inteligencia artificial y revisados por el equipo editorial de Unite.AI para garantizar la precisiÃģn tÃĐcnica, la claridad y la cobertura responsable del paisaje de cÃģmputo de inteligencia artificial en constante evoluciÃģn.