Internet seguirá fallando en 2026 y el AI es parte del motivo

Si 2025 se sintió como el año en que internet seguía fallando, 2026 se está convirtiendo en más de lo mismo. Los cortes de servicio, incidentes y fallos de producción ya no son eventos raros que sorprenden a los equipos de ingeniería. Están convirtiéndose en una condición de fondo constante del desarrollo de software moderno.

Los datos de los rastreadores de cortes de servicio como IsDown.app muestran incidentes que aumentan año tras año desde 2022, sin una reversión significativa, y las encuestas independientes respaldan esto. Una encuesta global de más de 1.000 CIO, CISO y ingenieros de red encontró que el 84% de las organizaciones informaron un aumento de los cortes de servicio, con más de la mitad experimentando aumentos del 10-24% en solo dos años.

ThousandEyes observó una volatilidad similar, con cambios bruscos de un mes a otro que apuntan a una presión hacia arriba sostenida en lugar de fallos aislados. La conclusión incómoda es que los sistemas en los que confiamos todos los días se están volviendo más frágiles, no más resilientes, a pesar de años de inversión en infraestructura en la nube, observabilidad y automatización.

Cuando las plataformas principales se caen, el radio de acción es inmediato. Los pagos fallan, las aplicaciones de consumidor se congelan, las herramientas internas se detienen y las cadenas de suministro enteras sienten el impacto con estimaciones de pérdidas económicas que rutinariamente alcanzan miles de millones. Por ejemplo, Amazon, un líder en comercio electrónico, atribuye un aumento de incidentes —incluyendo un corte de servicio de casi seis horas de su sitio web y aplicación de compras este mes— a cambios asistidos por AI generativa. Esto ha llevado a la empresa a programar reuniones de ingeniería para una inmersión profunda en el reciente aumento de cortes de servicio.

Después de cada gran corte de servicio, las mismas conversaciones se repiten en torno a la redundancia, las estrategias de multi-nube y el riesgo de concentración de proveedores. Esas discusiones son importantes, pero pierden la perspectiva más amplia.

Si los proveedores de infraestructura no están empeorando en lo que hacen y la herramientas siguen madurando, ¿cómo es que los incidentes siguen aumentando?

El AI cambió la forma en que se envían los software

Uno de los cambios más grandes que ocurren al mismo tiempo que este aumento de cortes de servicio es la difusión del desarrollo de software asistido por AI. Las herramientas de codificación de AI ya no son experimentales. Están integradas en los flujos de trabajo diarios, ya sea en los IDE o en la CLI, lo que hace que sea más fácil generar código con AI.

A lo largo de la industria, las solicitudes de extracción por desarrollador han aumentado materialmente, con algunos análisis que muestran un aumento del 20% año tras año a medida que el AI acelera la producción. Al mismo tiempo, los incidentes por solicitud de extracción han aumentado aún más rápido, aumentando más del 23%.

Esta correlación no es una prueba de causalidad, pero es difícil ignorarla. El AI no solo hace que sea más rápido escribir código, cambia la forma del riesgo. Hasta ahora, la mayoría de los equipos han encontrado un flujo constante de errores en el código asistido por AI que los ingenieros experimentados están seguros de que no habrían introducido por sí mismos.

Estos no son errores de sintaxis dramáticos o cambios obviamente rotos. Son errores lógicos sutiles, configuraciones incorrectas, guardias ausentes y fallos de casos límite que parecen razonables a primera vista.

El código generado por AI a menudo se compila limpiamente, pasa las pruebas básicas y se lee plausiblemente correcto. El problema no es que el AI invente nuevos tipos de errores. Es que produce errores familiares con más frecuencia y a una escala que abruma los procesos de revisión y prueba existentes.

Lo que muestra la data cuando el AI escribe más código

Recientemente analizamos cientos de solicitudes de extracción de código abierto para ayudar a poner números detrás de esta intuición en nuestro Informe sobre el estado de la generación de código de AI vs. humano. Cuando los cambios coautorizados por AI se compararon con las solicitudes de extracción de solo humanos y se normalizaron por tamaño, las solicitudes de extracción asistidas por AI contenían aproximadamente 1,7 veces más problemas en general.

Más preocupante, también mostraron 1,4-1,7 veces más problemas críticos y principales. Los problemas de lógica y corrección, incluyendo el flujo de control defectuoso, el uso incorrecto de dependencias y los errores de configuración, fueron aproximadamente un 75% más comunes. Las brechas de manejo de errores, como las comprobaciones de nulos ausentes, las rutas de excepción incompletas y las guardias ausentes, aparecieron casi el doble de veces.

Los problemas de seguridad también se amplificaron, con algunas categorías que ocurren a tasas de hasta 2,7 veces más altas, particularmente alrededor del manejo de credenciales y las referencias de objetos inseguras. Los problemas de concurrencia y corrección de dependencias también aumentaron aproximadamente 2 veces.

Los humanos cometen los mismos errores, pero cuando el AI está involucrado, estos defectos ocurren con más frecuencia, en una base de código más grande y a una velocidad que supera la revisión de código tradicional. Estos son exactamente los tipos de defectos que probablemente pasen desapercibidos en una revisión rápida y más tarde se manifiesten como incidentes de seguridad o cortes de servicio en entornos de producción.

Qué decide si 2026 se ve diferente

Desde una perspectiva de seguridad, esta tendencia es difícil de ignorar. Las fallas lógicas, los valores predeterminados inseguros y los errores de configuración amplían la superficie de ataque incluso cuando ninguna vulnerabilidad individual parece catastrófica en aislamiento. Las brechas de manejo de errores y los errores de dependencia aumentan la probabilidad de que los fallos se propagen en lugar de degradarse de manera segura.

La aislación fuerte, la ejecución de privilegios mínimos, las credenciales de vida corta y el cifrado pueden limitar el radio de acción si algo sale mal, pero no pueden compensar los defectos introducidos anteriormente en el ciclo de vida de desarrollo. La seguridad y la confiabilidad ya no son solo preocupaciones de infraestructura y son consecuencias directas de cómo se construye, revisa y prueba el software.

Internet seguirá fallando en 2026 si esta desigualdad permanece. Eso no es un argumento en contra del AI, ya que el AI ya está aquí y no se va. Los equipos que mejor lo harán no son aquellos que evitan el AI, sino aquellos que adaptan sus guardias para igualar al AI.

Esto significa dotar a los equipos de revisión y prueba de los recursos adecuados para una mayor producción, desplazar las pruebas y la validación más temprano en el ciclo de desarrollo, ser explícitos sobre qué problemas generados por AI merecen una mayor atención y tratar el código asistido por AI como una entrada de mayor variabilidad en lugar de una salida de confianza por defecto.

La lección es simple: no puedes automatizar tu forma de salir de la responsabilidad. A medida que el AI escribe más código, los equipos necesitan tiempo, herramientas y personal para revisar más código, no menos. La próxima fase de la innovación del AI no se definirá por lo rápido que se genera el código, sino por lo confiado que se puede enviar.

La revisión es ahora el cuello de botella

El AI aumentó dramáticamente la capacidad de generación de código. No aumentó automáticamente la capacidad de revisión. Esta brecha crea riesgo. La próxima fase de la adopción del AI no se definirá por lo rápido que se genera el código. Se definirá por lo confiado que los equipos pueden enviarlo.

Esto significa:

• Dotar a la revisión y la prueba de los recursos para una mayor producción, no menor.
• Mover la validación más temprano en el ciclo de desarrollo.
• Aumentar la señal en las solicitudes de extracción para que los revisores se centren en lo que importa.
• Tratar el código asistido por AI como merecedor de una mayor atención, no de una supervisión más ligera.

Internet no tiene que seguir fallando. El AI no es el problema principal, el código generado por AI sin revisión es. Si el AI va a escribir una parte cada vez mayor del software de producción, algo igualmente riguroso necesita revisarlo antes de que se envíe.

Este cambio es exactamente por lo que las revisiones de código de AI están convirtiéndose en infraestructura fundamental, no en herramientas opcionales. Plataformas como CodeRabbit incorporan revisiones de AI conscientes del contexto directamente en su flujo de trabajo de Git, ayudando a los equipos a detectar errores lógicos, brechas de seguridad y casos límite antes de que se conviertan en incidentes.

Porque si la generación de código se escala, la revisión tiene que escalar con ella.

De lo contrario, 2026 se verá exactamente como 2025, solo más rápido.