Meta AI se cae en vivo: así fue la demo que dejó a Zuckerberg sin salsa (ni excusa) en Meta Connect 2025

¿Meta AI te cocina o te vende humo? La demo en Meta Connect 2025 pidió una pera que no existía y culparon al wifi. Te cuento por qué falló de verdad y cómo evitar estos fiascos.

¿Sabías que una IA puede inventarse ingredientes en pleno escenario? En Meta Connect 2025, una demo de cocina con la nueva Meta AI pidió rallar una pera… que no existía. Silencio incómodo, mirada perdida y la vieja excusa: fue el wifi. Como ingeniero de sistemas y creador —he ayudado a startups en Medellín, CDMX y Barcelona a lanzar productos con visión por computadora— te cuento por qué esto pasó y qué lecciones deja para no repetir el papelón.

Meta AI falló en vivo: el detalle que delató todo

Lo de la pera no fue mala suerte: fue una alerta roja de diseño. La IA reconoció etiquetas como ‘soy sauce’ y ‘sesame oil’, pero no entendió el estado real de la escena. En demos así, el sistema suele encadenar: visión (objetos), instrucciones (receta) y narrativa (pasos). Si la cadena no comparte una ‘memoria’ consistente, la IA asume pasos típicos: “ya mezclaste la base, ahora ralla la pera”. ¿El resultado? Un guion genérico pegado a una cocina real que no coincide.

Culpar al wifi es disfrazar el problema: la conectividad puede cortar una respuesta, no inventar un ingrediente que nunca estuvo. He montado demos live; cuando algo falla, lo hace en timings o latencia, no en lógica. Y la puesta en escena —botellas rotuladas mirando a cámara— evidenciaba que buscaban un reconocimiento visual “fácil”. Aun así, sin seguimiento de estado y verificación, cualquier multimodal hoy se puede tropezar. Por eso el clip se volvió viral: todos reconocimos el glitch del hype.

Meta AI y sus límites: patrón vs. comprensión real

La IA generativa no ‘piensa’: predice la siguiente palabra en función de patrones. En visión‑lenguaje, además, alinea lo que ve con lo que ha leído. Si millones de recetas dicen “tras mezclar la base, añade fruta rallada”, el modelo lo repite, aunque la fruta no exista. Ese es el choque entre ‘pattern matching’ y ‘grounding’ (anclaje a la realidad).

Según el AI Index 2024 de Stanford, los modelos multimodales avanzan rápido, pero las alucinaciones siguen siendo un reto serio, sobre todo fuera de contextos controlados. Mi experiencia: en una startup de retail en Medellín quisimos identificar productos en anaqueles para inventario. Con un 92% de acierto, el demo era wow; en tiendas reales, ese 8% de error era caos. ¿Qué funcionó? Umbrales de confianza, verificación humana y rutas de escape (si la cámara duda, pide escanear el código de barras). La lección: sin mecanismos de validación, la IA se vuelve un narrador convincente… y poco confiable.

Lecciones de ingeniería: cómo evitar fiascos así

Para que una demo de IA no termine en meme, hay que diseñar con humildad técnica. Estas prácticas nos han salvado más de una vez:

• Seguimiento de estado: la IA debe ‘saber’ qué ya ocurrió. Persistir pasos y validar antes de sugerir el siguiente.
• Verificación cruzada: visión dice “veo limón”; lenguaje pregunta “confirma con gesto o voz”. Si no, no asumas.
• Umbral de confianza y fallback: si la visión está por debajo de X, ofrece opciones: “¿Quieres receta A, B o buscar en web?”
• Modo offline y latencia honesta: la red se cae; diseña para degradación elegante, no excusas.
• UX transparente: muestra de dónde sale cada paso (receta citada, variación propuesta). No ‘magia’, sino trazabilidad.

En la siguiente sección veremos por qué, además, estas demos deben cuidar privacidad desde el día cero, sobre todo si una cámara ‘vive’ en tu sala.

Privacidad en casa: cámaras, datos y confianza

Una IA que ‘ve’ tu entorno promete utilidad… y abre preguntas duras. ¿Qué se procesa en el dispositivo y qué viaja a la nube? ¿Se guarda video para “mejorar el producto”? En LATAM tenemos marcos como habeas data (Colombia) o la LGPD (Brasil) que exigen consentimiento claro y finalidad específica. Buenas prácticas que pido a clientes:

• Procesamiento en el borde: reconoce ingredientes localmente y sube solo texto anonimizado.
• Controles granulares: opt‑in por función (no todo o nada). Cámara apagada por defecto.
• Borrado y auditoría: elimina clips automáticamente; registro accesible de qué se almacenó y por qué.
• Modo privado: sin envío a nube, aunque pierdas features.

¿La utilidad justifica una cámara atenta a tu cocina? Depende. Para mí, casos con alto valor (accesibilidad, seguridad, salud) y riesgos mitigados tienen sentido. Para recetas, quizá un buscador con buenas fuentes y listas interactivos gane por goleada.

Checklist anti-hype para usuarios y equipos

Antes de enamorarte de la promesa “tu casa, pero más inteligente”, valida esto:

• Precisión y tasa de error: ¿en escenarios reales, no solo en laboratorio?
• Trazabilidad: ¿te dice de dónde sacó el paso o la sugerencia?
• Degradación: ¿cómo se comporta sin red o con luz mala?
• Privacidad: ¿qué se procesa localmente y qué se guarda?
• Controles: ¿puedes pausar, borrar y revisar lo que capturó?

Como dev y comunicador, me emociona la IA cuando aporta valor concreto. También me he estrellado con demos perfectas que mueren al tocar la calle. Por eso defiendo menos humo y más ingeniería visible. Si Meta —o quien sea— quiere conquistar la cocina, que empiece por entender la mesa, no por inventar peras.

Únete al debate: ¿usarías una IA que ‘ve’ tu casa si promete ayudarte a cocinar? Cuéntame en comentarios y etiqueta a esa persona que siempre culpa al wifi. Nos leemos en Threads y X.

Preguntas frecuentes

¿Qué es Live AI y cómo funciona en una demo de cocina?

Es una experiencia multimodal: combina visión por computadora para identificar objetos con un modelo de lenguaje que genera pasos o recetas. Si no hay seguimiento de estado y verificación, el sistema rellena huecos con patrones típicos y puede inventar ingredientes o acciones.

¿Fue realmente culpa del wifi el fallo en el evento?

La mala conectividad puede cortar o retrasar respuestas, pero no explica que el sistema pida un ingrediente inexistente. Eso apunta a un problema de diseño: falta de grounding, validación y memoria de pasos. El wifi es una coartada, no la causa raíz.

¿La IA generativa sirve para cocinar o mejor buscar recetas?

Para inspiración rápida puede servir, sobre todo si cita fuentes y cantidades. Para resultados confiables, un buen sitio de recetas con medidas claras y contexto cultural suele ganar. Lo ideal: IA con verificación y enlaces a recetas reales.

¿Cómo evalúo la calidad de una demo de IA en vivo?

Busca señales de robustez: confirmaciones explícitas, trazabilidad de pasos, manejo de errores sin magia, y métricas de precisión en escenarios reales. Si todo parece demasiado perfecto, probablemente está demasiado guionado.