La IA genera más trabajo humano, no menos, y eso cambia todo para quien lidera
Hay un relato que circula con comodidad en los directorios: la inteligencia artificial va a eliminar puestos, reducir nómina y liberar capital. Es un relato cómodo porque tiene la forma de una decisión financiera limpia. El problema es que los datos no lo sostienen.
Jeff Bezos lo dijo sin ambages en una entrevista reciente en CNBC: la IA no va a vaciar el mercado laboral, va a generar escasez de talento. Su analogía fue precisa. Un ingeniero que durante años cavó una zanja con pala no desaparece cuando le dan una excavadora. Excava más, más rápido, en proyectos que antes no eran viables. El trabajo se eleva, no se extingue.
Lo que está ocurriendo en la frontera real de la adopción de IA confirma esta tesis de una manera que debería incomodar a quienes tomaron decisiones de plantilla basadas en el relato opuesto.
Cuando la automatización multiplica el trabajo experto
Dan Shipper, CEO de Every, publicó un análisis que vale leer con atención. Su empresa automatizó todo lo que pudo automatizar con agentes de IA. El resultado fue que el equipo creció de cuatro a más de treinta personas. No a pesar de la automatización, sino precisamente por ella.
La mecánica detrás de este fenómeno es menos paradójica de lo que parece. Cuando la IA asume las partes estandarizadas de un proceso, no elimina la necesidad de juicio experto: la multiplica. Alguien tiene que definir qué cuenta como un resultado bueno. Alguien tiene que revisar el output del agente antes de que llegue al cliente. Alguien tiene que decidir qué hacer con ese output en el contexto más amplio de la organización. La IA colapsa la tarea media. Los humanos sostienen los extremos.
Shipper lo describe con una geometría del proceso que tiene implicaciones organizacionales concretas: al inicio, los humanos establecen el marco. En el centro, la IA ejecuta. Al final, los humanos juzgan, extienden y deciden. Eso no es un ciclo que reduce la carga humana. Es un ciclo que desplaza esa carga hacia las decisiones de mayor densidad cognitiva.
Los datos de Anthropic sobre el uso de sus modelos con usuarios reales apuntan en la misma dirección. En tareas típicas de trabajo de conocimiento, el tiempo de ejecución cae aproximadamente un 80%. Ese ahorro no se convierte en menos trabajo; se convierte en mayor volumen de iniciativas, mayor velocidad en los ciclos de decisión y mayor superficie de coordinación humana. McKinsey estima que con la adopción de agentes de IA a escala, alrededor del 57% de las horas de trabajo en Estados Unidos son técnicamente automatizables con la tecnología disponible hoy. Si esa cifra se cumpliera, el valor económico adicional potencial alcanzaría los 2,9 billones de dólares anuales para 2030 solo en ese mercado. El problema no está en la capacidad de la tecnología. Está en quién supervisa, coordina e integra ese nuevo volumen de output.
La investigación de MIT Sloan que rastreó el impacto de la IA entre 2010 y 2023 encontró algo que raramente aparece en los titulares: cuando la IA automatiza solo una parte de las tareas de un puesto, el empleo en ese puesto puede crecer. Y en los roles de alto salario con alta exposición a la IA, el crecimiento del empleo fue de alrededor de un 3% en cinco años. No es destrucción. Es reconfiguración.
El costo organizacional de creer el relato equivocado
Lo que me interesa del análisis de Shipper no es solo la mecánica del proceso. Es lo que revela sobre las conversaciones que muchas organizaciones están evitando.
Cuando un equipo directivo adopta IA bajo la premisa de que va a reducir su dependencia del talento humano experto, está construyendo una estrategia sobre una premisa falsa. Y las estrategias construidas sobre premisas falsas no colapsan de golpe. Se pudren lentamente. El síntoma más común es un backlog creciente de decisiones que la IA no puede tomar, acumulado encima de un equipo que fue reducido o que no fue formado para operar en el nuevo esquema.
Lo que Shipper identifica como el nuevo cuello de botella organizacional es un problema de gobierno, no de tecnología. La IA produce a una velocidad que la estructura humana de supervisión no siempre puede absorber. Y cuando esa brecha no se nombra, la organización empieza a operar sobre outputs que nadie revisó realmente bien, solo revisó rápido. La diferencia entre ambas cosas tiene consecuencias que tardan meses en hacerse visibles y que entonces se presentan como errores inexplicables.
Hay otro efecto que pocas organizaciones están midiendo con honestidad: la homogeneización del output. Cuando todos en una industria usan los mismos modelos para producir documentos, análisis, presentaciones y comunicaciones, el resultado es una convergencia hacia la mediocridad legible. Shipper lo dice sin rodeos: la abundancia genera uniformidad, y la uniformidad destruye valor diferencial. El análisis financiero que se parece al de todos los competidores no aporta ventaja. La estrategia de comunicación que suena como el promedio del sector no construye posicionamiento. En ese contexto, la escasez real pasa a ser el juicio humano que produce algo que no se parece a lo que la IA elegiría por defecto.
Goldman Sachs Research llegó a una conclusión similar desde otro ángulo. Su análisis encuentra que hasta ahora no hay correlación estadística significativa entre la exposición local a la IA y el crecimiento del desempleo, las tasas de despido, los salarios o las horas trabajadas. Cero impacto macro medible, a pesar del volumen de narrativa sobre destrucción de empleo. Lo que sí están viendo es una redistribución de tareas dentro de los puestos, acompañada de una demanda creciente de las habilidades que la IA no puede replicar: coordinación compleja, criterio contextual, confianza interpersonal.
El trabajo que la organización no ve todavía
Hay un tipo de trabajo que la adopción de IA crea y que pocas organizaciones contabilizan correctamente: el trabajo de mantener a los agentes funcionando bien.
Shipper tiene en su empresa un equipo dedicado exclusivamente a asegurarse de que los agentes de IA operen dentro de parámetros aceptables. No es un costo temporal de implementación. Es un costo operativo estructural. Los modelos degradan en ciertos contextos, producen outputs que requieren calibración continua, y el umbral de lo que cuenta como "suficientemente bueno" cambia con el tiempo y con la exigencia del cliente. Eso requiere ingenieros, criterio y decisiones que no se pueden delegar de vuelta a la IA.
Boston Consulting Group estima que en los próximos dos o tres años, entre el 50% y el 55% de los puestos en Estados Unidos van a ser reconfigurados significativamente por la IA. Reconfigurados, no eliminados. Esa distinción no es semántica. Significa que la organización que llega a ese proceso sin haber preparado a su gente para operar en esquemas de supervisión, criterio e integración de outputs va a encontrar que tiene herramientas potentes y capacidad humana desalineada con lo que esas herramientas requieren.
El error más caro que puede cometer un equipo directivo en este momento no es moverse demasiado lento con la tecnología. Es moverse a velocidad tecnológica mientras opera la estructura humana a velocidad del pasado. La IA acelera el ciclo de producción. Si la organización no construye simultáneamente la capacidad de supervisión, gobierno y juicio a esa misma escala, lo que acelera no es el valor. Es el volumen de outputs que nadie está realmente validando.
La pregunta que vale sostener en los próximos meses no es cuántas posiciones puede automatizar la IA. Es cuántas posiciones de criterio experto necesita crear la organización para que esa automatización produzca algo que valga la pena.
Shipper resume esto con una frase que merece más atención de la que habitualmente recibe en las conversaciones de C-Level: una vez que una situación queda reducida a texto, queda convertida en corpus. Y el corpus es un cadáver. Lo que necesita hacer el humano es precisamente lo que aún no ha ocurrido, lo que no puede estar ya documentado, lo que requiere ser nombrado ahora, en este contexto, con este cliente, bajo estas condiciones. Ahí es donde la IA no alcanza. Y ahí, paradójicamente, es donde más trabajo hay por hacer.
