Las empresas despiden antes de entender lo que compran. Este artículo presenta una lista de aspectos que impiden que la IA sea todavía una tecnologia fiable y comoditizada desde el punto de vista del negocio.
En los dos artículos anteriores de esta serie vimos el patrón: en El egoísmo de clase mató a Occidente, cómo las élites llevan cuatro décadas usando cada innovación para reducir el peso de los salarios; en Despedir por encima de las posibilidades: la trampa de la IA, cómo las empresas han despedido por encima de sus posibilidades reales de despedir. La IA que se usa como coartada para esos recortes no es la tecnología madura y segura que se presenta. Aquí están las pruebas.
Primer cargo: confunden exposición con sustitución
El error de partida es metodológico. Un puesto de trabajo no es una suma de tareas aisladas. Es un ecosistema de competencias: juicio crítico, memoria de casos, resolución de excepciones, asunción de responsabilidad. La IA puede ejecutar fragmentos de ese trabajo. No puede heredar el conjunto.
Los datos lo confirman. El modelo de tareas de Daron Acemoglu —Nobel de Economía— estima que alrededor del 20% de las tareas laborales en las economías avanzadas están expuestas técnicamente a los modelos de lenguaje. Pero exposición técnica no es sustitución rentable. La investigación del MIT FutureTech demuestra que solo el 23% de las tareas técnicamente automatizables son económicamente viables de sustituir, porque los costes de implementación y mantenimiento superan el valor generado en la mayoría de los casos.
Las empresas miran el 20% de exposición y calculan despidos. Ignoran el 77% de ese 20% que no sale rentable.
Segundo cargo: la supervisión neutraliza el ahorro
A diferencia del software determinista, los modelos de lenguaje operan por aproximación probabilística. Pueden producir resultados formalmente correctos pero fácticamente falsos, con apariencia de seguridad. Eso obliga a supervisar. Y la supervisión tiene coste.
La encuesta de Stack Overflow de 2025 lo refleja con precisión: el 84% de los desarrolladores usa o planea usar herramientas de IA en su trabajo, pero el 46% desconfía explícitamente de la precisión de sus respuestas. No es resistencia al cambio. Es experiencia profesional.
El estudio de Microsoft Research sobre GitHub Copilot muestra que los usuarios completan tareas de programación un 55,8% más rápido. Ese dato es real. Pero hay otro que el entusiasmo inicial oculta: tras la adopción masiva, los ingenieros senior experimentan una caída neta del 19% en su productividad original por el tiempo que dedican a depurar, refactorizar y validar código sintácticamente correcto pero arquitectónicamente inadecuado.
El esfuerzo ahorrado en generación se reabsorbe en auditoría. La empresa no deja de pagar trabajo humano. Lo desplaza hacia arriba: ya no paga a quien generaba, paga a quien corrige y se hace responsable de lo que la máquina produce. A veces es una forma más cara de llegar al mismo sitio.
Tercer cargo: los datos cuestan más que la licencia
Muchas empresas calculan el coste de la IA mirando solo el precio visible: una suscripción, una API, una licencia por usuario. Ese no es el coste real.
La IA no puede operar productivamente sobre cualquier ecosistema de información. Depende de la calidad, vigencia y coherencia de los datos internos. La mayoría de las empresas no tienen eso: tienen datos duplicados, documentos contradictorios, procedimientos obsoletos, bases de datos mal conectadas y conocimiento tácito que nunca se escribe porque vive en la experiencia de los trabajadores.
La preparación, limpieza y gobernanza de datos consume entre el 60% y el 80% del presupuesto real de cualquier proyecto de IA. Gartner proyecta que para 2026 el 60% de las iniciativas de IA sin arquitectura de datos preparada serán abandonadas en fase inicial por inviabilidad financiera.
Cuarto cargo: el Coste Total de Propiedad multiplica lo visible
El precio de la licencia o la API representa una fracción menor del coste real. Las estimaciones del sector muestran que la mayoría de las organizaciones subestiman los costes reales de sus sistemas de IA en más del 10%, y casi una cuarta parte los subestima en un 50% o más, al ignorar los costes operativos posteriores al despliegue.
El Coste Total de Propiedad incluye integración, preparación de datos, seguridad, formación, pruebas, mantenimiento, monitorización, auditoría, soporte, rediseño de procesos, revisión humana, gestión de errores y adaptación a cambios de modelo. Las tareas recurrentes de soporte, pruebas de regresión y corrección de la deriva del modelo (model drift) representan aproximadamente el 65% de los costes totales del ciclo de vida del software de IA. El mantenimiento anual absorbe entre el 15% y el 25% del coste inicial de construcción.
Los proyectos de IA no son instalaciones puntuales. Son sistemas vivos que exigen atención continua, y esa atención no aparece en ninguna presentación para inversores.
Quinto cargo: los tokens hacen el gasto impredecible
La IA generativa no se comporta económicamente como el software tradicional. No se paga solo por tener acceso a la herramienta: se paga por usarla, y ese uso se mide en tokens —las unidades mínimas de procesamiento que el modelo lee, interpreta y genera.
Cuanto más se usa la IA, más cuesta. Si una empresa sustituye trabajo humano por IA, no elimina el coste de producción. Lo convierte en consumo computacional variable. Un trabajador cobra lo mismo los días tranquilos que los de máxima presión. Un sistema basado en tokens puede disparar su factura exactamente cuando más se le exige.
Sexto cargo: la dependencia del proveedor sustituye autonomía por fragilidad
Muchas empresas reducen plantilla interna mientras aumentan su dependencia de grandes proveedores de IA. Eso no es modernización. Es una nueva forma de vulnerabilidad.
Si el proveedor cambia precios, condiciones o modelos, la empresa queda expuesta sin capacidad interna para reaccionar. Si una actualización altera el comportamiento del sistema, hay que revisar procesos. Si los costes por uso suben, el supuesto ahorro se evapora. Si la herramienta deja de estar disponible, se rompe parte del flujo de trabajo.
Cambiar trabajadores con conocimiento interno por sistemas opacos de plataformas externas no es ganar independencia. Es trasladar el punto de dependencia: antes dependen de personas que conocen el negocio; ahora dependen de empresas tecnológicas que no lo conocen y que tienen sus propios intereses.
Séptimo cargo: la regulación no desaparece porque lo haga un trabajador
La empresa puede delegar una tarea en un sistema automatizado. No puede delegar su responsabilidad.
Si la IA discrimina, filtra datos personales, produce una decisión injustificable o genera contenido falso con consecuencias legales, la responsabilidad vuelve a la empresa. La AI Act europea refuerza esta dimensión: los sistemas de alto riesgo —contratación, evaluación de rendimiento, crédito, servicios esenciales— exigen documentación, trazabilidad, supervisión humana y gestión de riesgos. Las sanciones por incumplimiento pueden alcanzar millones de euros o un porcentaje significativo de la facturación global.
La automatización no elimina el riesgo legal. Puede hacerlo más difícil de detectar y más caro de corregir.
Octavo cargo: destruyen la cantera
Hay un coste que no aparece en ninguna hoja de cálculo trimestral: la ruptura de la formación interna.
Las tareas que parecen simples son frecuentemente el lugar donde se aprende un oficio. Revisar documentos, responder consultas, preparar informes, corregir errores: son actividades donde los perfiles junior desarrollan criterio. Si esas tareas desaparecen bajo automatización, también desaparece la cantera.
El mercado ya registra la señal. Según el Digital Talent Overview 2026, las ofertas para perfiles junior en el sector tecnológico han caído un 26,9% en tres años, pese al crecimiento del empleo digital.
Conclusión: no falla la tecnología, falla la narrativa
La inteligencia artificial puede ser una tecnología transformadora. Pero no es una tecnología comoditizada, estable, predecible ni lista para sustituir trabajo humano en bloque.
Su rendimiento depende del modelo, del proveedor, de los datos disponibles, del caso de uso, del diseño del sistema, de los controles internos, de la formación de los equipos y de la capacidad organizativa para evaluar resultados. No es enchufar y ahorrar. Es diseñar, preparar, integrar, supervisar, corregir, mantener y medir.
Cada uno de los ocho problemas descritos en este artículo es conocible antes de despedir. No es información oculta ni técnica esotérica. Es la realidad del producto que se está comprando.
Las empresas eligen no mirarla porque el objetivo no es transformar. Es reducir la masa salarial. La IA es la coartada más moderna disponible para un reflejo tan antiguo como el capitalismo industrial: usar cada innovación para recortar lo que se paga al trabajo.
Lo que descubren después —recontrataciones, costes desbordados, sistemas frágiles, conocimiento destruido, dependencia tecnológica— no es el fracaso de la inteligencia artificial.
Es la factura de mentir sobre lo que es.
Este artículo se apoya en investigaciones de Daron Acemoglu, MIT FutureTech, Microsoft Research, Stack Overflow (Developer Survey 2025), Gartner, McKinsey Global Institute y el Digital Talent Overview 2026. Los datos deben entenderse como órdenes de magnitud dentro del debate sobre automatización, empleo y transformación tecnológica.
Comentarios
Publicar un comentario