La profecía que se devoró a sí misma

En mayo de 2025, Dario Amodei, director ejecutivo de Anthropic, ofreció a la agencia Axios una predicción que recorrería el mundo corporativo como una descarga eléctrica: la inteligencia artificial eliminaría la mitad de todos los empleos administrativos de nivel de entrada en un plazo de uno a cinco años, y el desempleo podría escalar a niveles de entre 10% y 20%. No hablaba en abstracto. Nombró los sectores condenados con precisión quirúrgica: consultoría, derecho, servicios financieros, tecnología. Ocho meses después, en febrero de 2026, no solo no se retractó, sino que redobló la apuesta. La cifra, dijo, se sostiene.

Hay algo genuinamente notable en que el hombre que dirige la carrera por construir esa tecnología sea también quien anuncia con mayor dramatismo su capacidad de destrucción. Y hay algo aún más revelador en lo que ocurrió después, cuando las empresas que tomaron esa profecía al pie de la letra empezaron a hacer las cuentas. Porque en el primer semestre de 2026 sucedió algo que ninguno de los grandes profetas de la automatización había puesto en su presentación de diapositivas: las empresas comenzaron a recontratar a los seres humanos que habían despedido. Y descubrieron, con la frialdad que solo un estado de resultados puede imponer, que la inteligencia artificial que los iba a reemplazar terminó costando más que ellos.

Este no es un artículo tecnófobo. En Headhunter-X trabajamos con inteligencia artificial todos los días, y su valor cuando se aplica con criterio es real y considerable. Es un artículo sobre la diferencia entre una tecnología y una narrativa; entre lo que una herramienta hace y lo que un discurso de venta promete que hará. Es, en el fondo, un análisis sobre uno de los errores estratégicos más costosos de la década: confundir la capacidad de ejecutar tareas con la capacidad de sustituir personas.

Los vendedores del apocalipsis

Conviene empezar por entender de dónde salió el mito, porque el mito tuvo autores, tuvo incentivos y tuvo un mecanismo de propagación perfectamente identificable. Andy Thurai, field CTO de Cisco, lo formuló sin diplomacia cuando comentó la predicción de Amodei: los proveedores de IA, dijo, "tienen que decir cosas extremas para ganar atención e instilar FOMO". La frase capta algo esencial. El discurso del reemplazo masivo no es únicamente una lectura del futuro; es también, y quizás sobre todo, un instrumento de mercado.

Consideremos los incentivos con la honestidad que el tema exige. Anthropic alcanzó una valuación de 183,000 millones de dólares y sirve a más de 300,000 clientes empresariales. OpenAI, bajo la dirección de Sam Altman, se ha convertido en una de las compañías privadas más valiosas de la historia. Elon Musk ha construido buena parte de la narrativa de xAI sobre la promesa de una inteligencia que superará a la humana en prácticamente todo. Para cada uno de estos actores, la creencia del mercado en un reemplazo inminente y total no es un efecto colateral de su trabajo: es un motor directo de su valuación. Cuando el líder de una empresa de IA advierte sobre el poder devastador de la IA, está describiendo un producto y elevando su precio en el mismo gesto.

Esto no significa que Amodei, Altman o Musk mientan deliberadamente. Significa algo más sutil e importante: que operan dentro de una estructura de incentivos donde la exageración se premia y la mesura se castiga. El CEO que dice "nuestra tecnología transformará marginalmente ciertos flujos de trabajo en un horizonte de años" no levanta rondas de financiamiento de decenas de miles de millones. El que anuncia el fin del trabajo administrativo tal como lo conocemos, sí. La profecía, en otras palabras, se retroalimenta de su propia audacia. Y las salas de consejo de medio mundo, movidas por el miedo a quedarse atrás, la compraron completa.

El resultado macroeconómico de ese miedo es cuantificable. La consultora Gartner proyecta que el gasto global en tecnologías de la información alcanzará los 6.31 billones de dólares en 2026, un incremento del 13.5% respecto al año anterior, impulsado por lo que denomina "momentum sostenido" en infraestructura de IA. Detrás de esa cifra colosal no hay únicamente cálculo estratégico. Hay también una dosis considerable de FOMO ejecutivo, de decisiones tomadas por directivos que temían ser el único consejo de administración que no había apostado por la revolución. La historia económica está llena de estos episodios, y rara vez terminan donde la euforia inicial prometía.

El regreso: cuando los datos contradicen al discurso

Si el mito del reemplazo fuera cierto, esperaríamos ver una curva descendente y sostenida de empleo en las funciones automatizadas. Lo que los datos del primer semestre de 2026 muestran es algo muy distinto y considerablemente más interesante: un patrón de reversión tan consistente que ya tiene nombre propio en la literatura de recursos humanos. Lo llaman el "boomerang", y describe a las empresas que despidieron trabajadores invocando a la inteligencia artificial para, meses después, recontratarlos discretamente.

Las cifras provienen de fuentes que nadie acusaría de tecnofobia. La firma de soluciones de talento Robert Half documentó que el 29% de las organizaciones que recortaron personal por razones vinculadas a la IA ya han recontratado para esas mismas posiciones. La cifra la corrobora, por otra vía, la consultora tecnológica Forrester Research, cuyo reporte "Future of Work" de 2026 arrojó un dato que debería figurar en toda presentación sobre estrategia de automatización: el 55% de los empleadores se arrepintió de haber despedido trabajadores por motivos relacionados con la IA. Más de la mitad. La mayoría de quienes tomaron la decisión que el mercado celebraba como visionaria, la lamentan.

El patrón, además, es predecible casi hasta la coreografía. La revista Time lo describió como un guion de tres actos que se repite empresa tras empresa. Primero, la compañía anuncia con fanfarria que una IA asumirá determinada función. Segundo, se reduce la plantilla. Tercero, tras un intervalo de entre seis y doce meses, la organización constata que la IA gestiona con éxito alrededor del 60% de las tareas del puesto, pero es incapaz de completar el 40% restante, y recontrata a los mismos trabajadores que había despedido. Gartner proyecta que para 2027, al menos el 50% de las organizaciones que eliminaron funciones de servicio al cliente por automatización estará recontratando para responsabilidades idénticas o muy similares.

Hay un dato dentro del dato que merece subrayarse, porque es el que convierte la anécdota en tragedia estratégica: entre las empresas que recontrataron, una de cada tres gastó más en volver a integrar a su personal de lo que había ahorrado con el despido original. El experimento de automatización, para ese tercio, no fue neutro ni ligeramente negativo. Fue un destructor neto de valor. Se despidió gente, se dañó la moral y la reputación, se erosionó el conocimiento institucional, y al final del ejercicio la cuenta salió más cara que si nunca se hubiera tocado la nómina.

Ford, IBM y la anatomía de lo irremplazable

Las estadísticas persuaden, pero los casos concretos revelan el mecanismo. Y en 2026 hay tres que funcionan como radiografías de por qué el reemplazo total fracasó donde más confiado se sentía.

El primero es Ford. La automotriz pasó tres años contratando a 350 ingenieros veteranos para resolver problemas de calidad que sus sistemas automatizados no habían logrado detectar. Charles Poon, vicepresidente de ingeniería de hardware vehicular de la compañía, ofreció una explicación que debería enmarcarse en toda escuela de negocios: la empresa había asumido erróneamente que bastaba con alimentar a la IA con sus requisitos de diseño para obtener un producto de alta calidad sin supervisión humana experimentada. La suposición resultó falsa. El juicio de un ingeniero que ha visto fallar mil piezas no se transfiere a un modelo por el simple expediente de mostrarle especificaciones.

El segundo caso es IBM, y es quizás el más elocuente porque procede de una empresa que suele estar del lado vendedor de la automatización. IBM desplegó un sistema de inteligencia artificial para asumir funciones de recursos humanos. El sistema gestionó con éxito alrededor del 94% de las solicitudes rutinarias. Un resultado que, en abstracto, suena a triunfo rotundo. El problema vivía en el 6% restante, que incluía dilemas éticos, situaciones ambiguas y decisiones que requerían comprensión del contexto humano. Ese 6% resultó ser precisamente el que justificaba la existencia del puesto. IBM anunció entonces planes para triplicar su contratación de nivel de entrada en Estados Unidos durante 2026. Nickle LaMoreaux, directora de recursos humanos de la compañía, lo explicó en la cumbre Charter AI de Nueva York con una imagen que desarma el entusiasmo automatizador: "Si no seguimos invirtiendo en contrataciones de nivel de entrada, ¿qué pasa en tres a cinco años? No hay tubería de talento; el pozo simplemente se seca."

El tercero es el Commonwealth Bank of Australia, que reorientó su estrategia hacia el capital humano tras haber recortado personal mientras invertía en inteligencia artificial. El patrón se repite a través de industrias y geografías con una regularidad que ya no puede atribuirse al azar.

¿Qué tienen en común los roles que más se recontratan? La respuesta es reveladora. No son las funciones puramente mecánicas ni las de captura de datos. Son los mandos medios, los directores de éxito del cliente, los especialistas en aseguramiento de calidad: lo que un análisis del sector describió acertadamente como el "tejido conectivo" de las organizaciones. Los puestos que exigen inteligencia emocional, coordinación entre departamentos, memoria de la historia de un cliente, comprensión de la cultura no escrita de una empresa. Precisamente aquello que un modelo de lenguaje, por vasto que sea su entrenamiento, no posee: contexto, relación y juicio.

Cuando el reemplazo cuesta más que la nómina

Llegamos así al corazón del asunto, al dato que da título a este análisis y que representa la ironía económica más pura de todo el ciclo. La inteligencia artificial que iba a abaratar las operaciones se ha vuelto, en un número creciente de casos, más cara que los trabajadores a los que reemplazó.

La admisión más contundente no vino de un crítico, sino desde el corazón mismo de la industria. Bryan Catanzaro, vicepresidente de Nvidia —la empresa que fabrica las tarjetas gráficas sobre las que corre prácticamente toda la IA del planeta—, reconoció que dentro de su propio equipo el poder de cómputo de inteligencia artificial resulta más costoso que los trabajadores que lo utilizan. Cuando el proveedor de las palas confiesa que la mina cuesta más de lo que produce, conviene prestar atención.

Los ejemplos se acumulan. El director de tecnología de Uber, Praveen Neppalli Naga, reveló que la compañía agotó su presupuesto anual de IA en apenas cuatro meses. Para marzo de 2026, el 84% de los ingenieros de Uber había adoptado herramientas de codificación asistida por IA, y cerca del 70% del código provenía ya de sistemas automatizados. El consumo fue enorme. El valor generado, considerablemente más difuso. El CEO de la startup Swan AI presumió en un post viral de LinkedIn una factura de más de 113,000 dólares de gasto en IA para un equipo de cuatro personas en un solo mes, enmarcándolo como una virtud: "Estamos construyendo el primer negocio autónomo, escalando con inteligencia, no con plantilla." La aritmética invita a la duda.

Detrás de estas anécdotas hay un problema estructural que la euforia inicial ignoró. El modelo de precios de la IA se basa en tokens —las unidades mínimas de cómputo—, y ese modelo tiene una propiedad perversa: mientras más se usa la herramienta, y mientras más eficientemente se la usa, más cuesta. Un empleado tiene un salario fijo. Un agente de IA que trabaja las veinticuatro horas, sin descanso ni vacaciones, consume tokens de forma continua, y esa continuidad se traduce en una factura que crece sin techo natural. Goldman Sachs pronostica que la IA agéntica podría impulsar un aumento de 24 veces en el consumo de tokens hacia 2030, alcanzando la cifra vertiginosa de 120 cuatrillones de tokens mensuales. Aun cuando el precio unitario de cada token baje, el volumen agregado puede disparar los costos totales.

Y aquí aparece el dato que debería haber estado sobre la mesa de cada consejo de administración antes de la primera ronda de despidos. Un estudio del MIT de 2018 —no de este año, sino de hace casi una década— ya advertía que la automatización mediante IA es económicamente viable en apenas el 23% de los empleos. En el 77% restante, los seres humanos siguen siendo, sencillamente, más baratos. La tecnología cambió mucho desde 2018, pero la estructura del argumento no: existe una amplia franja de trabajo humano donde sustituir a la persona por una máquina no ahorra dinero, lo gasta.

Un análisis de Forbes de julio de 2026 lo sintetizó con crudeza al hablar de una cultura de "tokenmaxxing": la costumbre corporativa de premiar el consumo de IA por encima de la productividad real. En Meta, un empleado creó un tablero de posiciones bautizado "Claudeonomics" para rastrear qué trabajadores usaban más IA. Amazon empujaba a su personal a "tokenmaxx", a consumir tantos tokens como fuera posible. El consumo se convirtió en métrica de virtud, desligado por completo del valor que generaba. Un estudio de Faros AI encontró que el "code churn" —las líneas de código descartadas frente a las añadidas— aumentó más del 800% bajo condiciones de alta adopción de IA. Más tokens entrando, más trabajo tirado a la basura.

La productividad fantasma

El supuesto que sostenía toda la operación era que la IA elevaría la productividad lo suficiente para justificar tanto su costo como los despidos. Los datos, de nuevo, se rehúsan a cooperar con el discurso.

Un estudio de febrero de 2026 encontró que más del 80% de las empresas que utilizaban IA no mostraron beneficio alguno de productividad. No un beneficio pequeño: ninguno medible. Simultáneamente, una investigación de Harvard Business Review documentó que el uso de IA está incrementando las tasas de agotamiento laboral entre los trabajadores, en lugar de aliviarlas. El Microsoft Work Trend Index de 2026, que analizó más de 100,000 conversaciones anonimizadas con su asistente Copilot, reveló que el 49% del uso se destina a trabajo cognitivo —análisis, resolución de problemas, pensamiento creativo—, mientras que apenas el 17% se dedica a producir resultados tangibles. La herramienta ayuda a pensar más de lo que ayuda a entregar, un matiz que cambia por completo el cálculo de retorno sobre la inversión.

La frase que mejor captura la lección la ofreció Jason Leverant, presidente de la agencia nacional de staffing AtWork: las empresas han aprendido que la IA no ha avanzado lo suficiente más allá de las tareas rutinarias como para manejar situaciones que requieren "confianza de humano a humano". O, en la formulación aún más precisa que circuló entre los analistas del fenómeno: la IA completa tareas, pero no completa trabajos. Un puesto no es una lista de tareas. Es un conjunto de tareas más el juicio para saber cuándo una de ellas se ha vuelto excepcional, cuándo hay que romper el procedimiento, cuándo el cliente necesita algo que no está en el manual. Ese excedente de juicio es exactamente lo que se paga en un salario, y es exactamente lo que la automatización no pudo replicar.

La lección para el liderazgo: tareas no son trabajos

Sería un error extraer de todo esto la conclusión contraria y falsa de que la IA es una moda pasajera o una inversión equivocada. No lo es. La lección correcta es más exigente y más útil: el problema nunca fue adoptar inteligencia artificial. El problema fue la ligereza con que se ejecutó la adopción, la prisa por cortar antes de entender, la confusión entre lo que una herramienta puede asistir y lo que puede reemplazar.

Pam Didner, consultora de estrategia de IA, lo planteó en Inc. con una claridad que merece adoptarse como principio operativo. Las empresas que ahora corren a recontratar no necesariamente subestimaron la experiencia; tomaron un atajo. Se saltaron la pregunta más crítica que enfrenta un líder antes de automatizar: ¿cómo se separa realmente el juicio humano del razonamiento táctico? Esa línea no se dibuja desde un organigrama. Se encuentra caminando un proceso de principio a fin —una propuesta, una secuencia de seguimiento de ventas, un flujo de incorporación de clientes— y observando en cada paso qué dispara la siguiente acción, quién la ejecuta y qué juicio se requiere para avanzar. La frontera entre lo humano y lo automatizable no es una política que se decreta desde arriba; se traza, un flujo de trabajo a la vez, por las personas que hacen el trabajo.

Jessica Smith, consultora en Texas y antigua directiva de recursos humanos en Meta y Amazon, describió el fenómeno como un movimiento demasiado veloz del "la IA puede asistir este trabajo" al "la IA puede reemplazar este trabajo", seguido de una recalibración cuando las organizaciones comprenden mejor dónde los humanos siguen aportando valor crítico. Chris Willis, director de diseño de la empresa de software Domo, ofreció la formulación constructiva: en lugar de simplemente reemplazar personas, se trata de colaboración humano-IA, y esa colaboración tiene que ser intencional y estar diseñada deliberadamente.

Para quien lidera una organización o gestiona su propia carrera, las implicaciones son concretas. Los perfiles que ganan valor en este nuevo mapa no son los que compiten con la IA en velocidad de procesamiento —esa batalla está perdida y además es irrelevante—, sino los que aportan lo que la máquina no tiene: criterio formado por la experiencia, capacidad de construir confianza, comprensión del contexto, responsabilidad sobre decisiones ambiguas. El trabajador que sabe usar la IA como herramienta y conserva el juicio para supervisarla es más valioso hoy que hace dos años, no menos. La automatización no eliminó la necesidad de talento; elevó la prima sobre el talento que sabe dónde la máquina se equivoca.

Coda: el juicio no se descarga

Hay una vieja idea del filósofo y químico Michael Polanyi que la temporada de la IA ha vuelto extrañamente actual. Polanyi la formuló en 1966 y se conoce como su paradoja: "sabemos más de lo que podemos decir". Buena parte del conocimiento humano más valioso es tácito. El médico que reconoce una enfermedad rara por una constelación de señales que no sabría enumerar; el negociador que percibe que la otra parte está a punto de ceder; el ingeniero de Ford que intuye que una pieza fallará antes de que ningún dato lo confirme. Ese conocimiento no está escrito en ninguna parte, y por lo tanto no puede transferirse a un sistema que aprende de lo que está escrito. Se puede automatizar lo explícito. Lo tácito se resiste.

El gran malentendido de esta era fue tratar el juicio como si fuera información, y la información como si fuera juicio. Un modelo de lenguaje contiene una cantidad de información que ningún ser humano podría abarcar en mil vidas. Pero información no es lo mismo que comprensión, y comprensión no es lo mismo que juicio. El juicio nace de la experiencia, de haberse equivocado y haber pagado el precio, de haber estado en la habitación cuando la decisión importaba. No se descarga. No se compra por token. No se acelera saltándose los años que toma acumularlo.

Las empresas que despidieron a sus trabajadores para financiar la IA que costaría más que ellos aprendieron esta lección de la manera más cara posible: pagándola dos veces. Primero, con el costo del despido y la automatización fallida. Después, con el costo de recontratar y reconstruir lo que habían desmantelado. La verdadera revolución de la inteligencia artificial no consistirá en reemplazar el juicio humano, sino en liberarlo de lo rutinario para que se concentre en lo que solo él puede hacer. Las organizaciones que entiendan esto —que usen la IA para amplificar a su gente en lugar de para prescindir de ella— serán las que prosperen. Las que confundieron una herramienta poderosa con un sustituto de lo humano ya están, en silencio y con la factura en la mano, aprendiendo a distinguir entre el ruido de una profecía y el peso terco de la realidad.

El trabajo humano no era tan fácil de reemplazar como algunos prometieron. Nunca lo fue. Y en el año en que la máquina resultó más cara que la persona, esa vieja verdad volvió a imponerse con la fuerza tranquila de los hechos.

Cuitláhuac Zurita es Executive Director y fundador de Headhunter-X, firma boutique de búsqueda ejecutiva multisectorial con operaciones en México, Estados Unidos y mercados LATAM. Con más de dos décadas de experiencia en selección de talento de alto nivel, construcción de equipos directivos y consultoría organizacional, escribe sobre el mercado laboral, la economía del talento y la intersección entre estrategia empresarial e inteligencia humana.

#InteligenciaArtificial #FuturoDelTrabajo #IA #Liderazgo #RecursosHumanos #ExecutiveSearch #HeadhunterX #TalentoHumano #TransformaciónDigital #EstrategiaEmpresarial