Fatiga de models d'IA: com decidir sense perseguir cada llançament

Entre l’1 i el 3 de setembre de 2026, Anthropic, Meta, Google i OpenAI van llançar quatre models d’IA de nova generació en tot just 72 hores —Claude Fable 5.1 i Mythos 5.1, Muse Spark 1.3, Gemini 3.8 Flash i GPT-6 Astra—, un ritme que CNBC ha batejat com a “model fatigue”: l’esgotament de qui ha de decidir quina IA fa servir la seva empresa abans que arribi el següent llançament (CNBC). A Evicron, estudi d’IA i software a mida de Barcelona, aquesta ha estat la tercera setmana seguida en què un client ens pregunta si hauria d’esperar “la propera IA” abans de decidir. La resposta curta és que aquesta espera no s’acaba mai.

Quatre models, una setmana: les xifres darrere la fatiga

L’1 de setembre Anthropic va presentar Claude Fable 5.1 i Mythos 5.1, que ja vam comentar aquí pel retall de preu en la memòria cau. L’endemà, Meta va llançar Muse Spark 1.3 —el seu quart model en cinc mesos— i Google va presentar Gemini 3.8 Flash, tot just tres setmanes després de la versió anterior. El 3 de setembre va arribar GPT-6 Astra, d’OpenAI, que ja vam analitzar per ser el primer model que la mateixa companyia situa al seu nivell de risc més alt.

No és una impressió subjectiva: segons les dades que recull CNBC, l’interval mitjà entre llançaments importants de models ha passat de 37,5 dies el 2023 a 11 dies en el que portem de 2026. Només a OpenAI, aquest interval ha baixat de 170,5 a 49 dies. El mateix Sam Altman ho va reconèixer a CNBC: “ens estem movent tots a ritmes més ràpids”, atribuint part de l’acceleració al fet que “tothom ha tornat de vacances d’estiu”. Zhen Lu, conseller delegat de la startup d’infraestructura d’IA Runpod, ho va resumir així: “la fatiga de models és real”.

Per què perseguir cada llançament surt car

El cost d’aquest ritme no és només mediàtic. Cada llançament genera la mateixa pregunta interna a qualsevol empresa que ja fa servir IA: hem de migrar, provar, comparar? Respondre-la bé —amb una prova real sobre els vostres propis casos d’ús, no sobre un benchmark genèric— costa temps d’un equip tècnic que també ha de continuar lliurant feina. Multiplicat per quatre llançaments en una setmana, aquest temps d’avaluació pot acabar pesant més que qualsevol millora real que porti el model nou. I l’alternativa —ignorar tots els llançaments per sistema— té el risc contrari: quedar-te amb un proveïdor que ja no és el més adequat per al que necessites, com ja vam veure quan Anthropic va superar OpenAI en despesa empresarial.

Com decidir sense perseguir cada release

1. Fixa una cadència de revisió, no una alerta per llançament. Revisar el panorama de models cada trimestre —no cada cop que en surt un de nou— és suficient per no quedar-te enrere sense convertir l’avaluació en una feina a temps complet.
2. Avalua pel teu cas d’ús, no pel rànquing general. Un model que puja posicions en benchmarks de programació no aporta res si la teva aplicació necessita, sobretot, resumir documents llargs amb precisió. Prova-ho amb les teves pròpies dades, no amb la taula comparativa del fabricant.
3. Distingeix millora marginal de salt que justifica mirar-s’ho. Una versió “punt u” amb millores de rendiment rarament justifica migrar; un canvi de preu del 75% com el de la memòria cau de Claude Fable 5.1, o un salt de capacitat que obre un cas d’ús que abans no era viable, sí que ho val.
4. No construeixis res que depengui d’un sol model. Amb una capa d’orquestració senzilla entre la teva aplicació i el proveïdor, canviar de model és una decisió de configuració, no una reescriptura de mesos.
5. Deixa que la comparativa s’automatitzi, no la segueixis a mà. Un panell senzill que compari cost i qualitat de resposta dels models que ja fas servir amb els que van sortint estalvia més temps que llegir cada nota de premsa de llançament.

Com ho treballem a Evicron

A la nostra consultoria d’IA per a empreses no seguim el cicle de llançaments per curiositat, sinó per saber quan un canvi real justifica revisar el que ja té muntat un client. Treballem indistintament amb Claude, GPT, Gemini i Llama als nostres projectes d’IA aplicada, i triem el model pel cas d’ús concret, no per quin ha sortit aquesta setmana. Aquesta és, al final, l’única manera sostenible d’aprofitar un mercat que llança un model de frontera cada 11 dies sense que la fatiga de decidir es mengi l’avantatge d’utilitzar-los.

En resum

Quatre models de frontera en 72 hores confirmen que el ritme de llançaments d’IA ja no dona temps a avaluar-los tots, i perseguir-los un a un costa més del que aporta. L’alternativa no és ignorar les novetats, sinó decidir amb una cadència fixa, sobre el teu propi cas d’ús i sense lligar-te a un únic proveïdor.

Vols saber si el model d’IA que fa servir la teva empresa continua sent el més adequat o si et compensa revisar-lo? Escriu-nos: la primera consultoria és gratuïta i responem en menys de 24 hores.