Despedir personas para reemplazarlas con IA: el cálculo que casi nadie hace bien

En los últimos doce meses, varias empresas grandes ejecutaron la misma jugada. Despidieron equipos completos, anunciaron que la IA los reemplazaría, celebraron el ahorro y luego, a los pocos meses, empezaron a recontratar o a quemar presupuestos que nadie había proyectado. Klarna eliminó cerca de 700 puestos de servicio al cliente entre 2022 y 2024 y hoy su CEO admite públicamente que la calidad cayó. Uber repartió Claude Code a 5.000 ingenieros en diciembre de 2025 y para abril de 2026 había agotado todo el presupuesto anual de IA, con un costo mensual por ingeniero de entre 500 y 2.000 dólares. Microsoft canceló las licencias internas de Claude Code porque el costo por usuario terminó superando el sueldo del propio empleado.

Y la frase más reveladora vino del lugar menos esperado. Bryan Catanzaro, vicepresidente de deep learning aplicado en Nvidia, le dijo a Axios que para su equipo el costo de la computación está muy por encima del costo de los empleados. Lo dijo el ejecutivo de la empresa que vende los chips que hacen funcionar la IA. Si en Nvidia la cuenta no cierra, vale la pena revisar dónde sí cierra.

El patrón es claro. La narrativa de que la IA reemplaza al humano más barato funciona en el titular pero no en el balance. Y no porque la tecnología no sirva, sino porque las empresas la están comprando sin un marco de decisión.

Lo que dice el dato estructural

Un estudio del MIT publicado en 2024 modeló la viabilidad económica de automatizar tareas con IA en Estados Unidos. El resultado: solo el 23% de los salarios pagados por trabajos que dependen de visión computacional son económicamente viables de automatizar. En el 77% restante, sigue siendo más barato que lo haga una persona. Los investigadores del CSAIL midieron tres variables al mismo tiempo: nivel de desempeño necesario para hacer la tarea, capacidad técnica del sistema de IA para alcanzar ese desempeño, y economía de construir y operar ese sistema. Cuando se consideran las tres variables, la conclusión es opuesta a la narrativa dominante: el desplazamiento laboral será sustancial pero gradual, no inmediato.

El estudio se enfocó en visión computacional porque ahí los modelos de costos están más maduros. Pero la lógica se extiende. La IA no es gratis. Los costos de cómputo, infraestructura, integración y mantención superan al sueldo humano en la mayoría de las tareas. McKinsey proyecta que el gasto global en IA llegará a 5,2 billones de dólares para 2030, con 1,6 billones solo en data centers. Mientras tanto, las tarifas de software de IA subieron entre 20% y 37% durante el último año según mediciones de empresas de gestión de gasto.

El mensaje del mercado es contradictorio. Las empresas anuncian despidos justificados por IA mientras los proveedores de IA suben precios y queman caja. Alguien está pagando esa cuenta, y no es la tecnología. Es la persona que perdió el trabajo, el cliente que ahora recibe peor servicio, y el accionista que va a ver el costo variable explotar en los próximos balances.

Lo que pasa cuando despides para reemplazar

Cuando una empresa despide para reemplazar con IA, está haciendo en realidad tres cosas al mismo tiempo, y casi nunca las separa.

Está sacando un costo fijo conocido. Sueldos, cotizaciones, beneficios, todo medido y predecible. Está incorporando un costo variable opaco. Tokens, llamadas a API, infraestructura cloud, integraciones, mantención, supervisión humana, corrección de errores generados por la IA. Y está perdiendo conocimiento operativo. Personas que llevaban años resolviendo casos complejos, conocían a clientes específicos y entendían excepciones que no estaban escritas en ningún manual.

El primer movimiento se ve en el P&L del próximo trimestre. Los otros dos aparecen seis meses después, cuando ya es tarde para volver atrás sin quedar mal parado. Reconstruir un equipo que se desarmó toma años. Recuperar conocimiento que se fue por la puerta es casi imposible.

Sam Altman, CEO de OpenAI, lo dijo sin filtros: existe un fenómeno de AI washing donde las empresas culpan a la IA por despidos que igual iban a hacer. Marc Andreessen lo formuló todavía más directo: la IA se convirtió en la bala de plata para justificar recortes que tenían otras causas, como el sobre-contratamiento de pandemia y las tasas de interés altas. Forrester estima que el 55% de los empleadores que despidió por IA hoy se arrepiente. Gartner proyecta que para 2027, la mitad de las empresas que atribuyeron reducciones de personal a la IA habrán recontratado para funciones similares, frecuentemente offshore o con salarios más bajos.

Eso no es transformación. Es transferencia de costo y de control. Y peor, es transferencia de riesgo desde la empresa hacia el trabajador, que pasa de un contrato indefinido a un esquema freelance sin protección.

Un marco de seis preguntas antes de implementar

El problema no es la IA. Es que las decisiones se están tomando con la lógica equivocada. Antes de incorporar IA en cualquier proceso crítico, hay seis preguntas que cualquier organización debería responderse con honestidad. Son simples, pero la mayoría de los proyectos que terminan mal saltó al menos tres.

1. ¿Qué problema real estamos resolviendo?

La pregunta no es dónde puedo poner IA. Es qué fricción operativa hoy me está costando tiempo, errores o pérdida de clientes. Si la respuesta es "no sé, pero todos están usando IA", el proyecto va a fallar. La IA mal aplicada acelera el desorden, no lo arregla. Tomar una solución y buscar un problema donde aplicarla es el reverso del método correcto.

2. ¿El proceso está ordenado antes de automatizarlo?

Automatizar un proceso confuso entrega caos automatizado. La eficiencia operativa precede a la automatización. Si el equipo humano hoy no logra resolver bien un proceso, ninguna herramienta va a hacerlo por ellos. Primero se ordena el flujo, se documentan las excepciones, se acuerdan criterios de decisión. Después se decide qué partes vale la pena automatizar y cuáles dejar en manos humanas porque dependen de juicio o contexto.

3. ¿Qué conocimiento se requiere y dónde vive hoy?

El conocimiento crítico de la mayoría de las empresas está en las personas. En conversaciones de WhatsApp, en mails con clientes, en documentos sueltos, en la cabeza de tres o cuatro funcionarios. Si despides a esas personas antes de mapear y estructurar ese conocimiento, perdiste el activo más valioso de tu empresa. Y ningún modelo de IA va a reconstruirlo desde cero, porque ese conocimiento no está en internet ni en ningún dataset público. Está en la experiencia operativa de tu equipo.

4. ¿Cuál es el costo total real, incluyendo lo variable?

El caso de Uber es ilustrativo. El presupuesto anual se agotó en cuatro meses porque nadie modeló el consumo real. La factura mensual por ingeniero llegó a 2.000 dólares en algunos casos. Y el COO de Uber reconoció en mayo que todavía no logra trazar una línea directa entre ese gasto y más productos útiles para el cliente final.

Antes de reemplazar un costo fijo por uno variable, hay que entender la elasticidad de ese costo variable. ¿Cuánto consume cada usuario? ¿Cómo escala con el volumen? ¿Hay topes? ¿Quién monitorea el gasto? ¿Qué pasa cuando el proveedor sube tarifas un 30% como ya ocurrió este año? Si esas preguntas no tienen respuesta antes de implementar, el control financiero se pierde el primer mes.

5. ¿La IA decide, o la IA asiste decisiones humanas?

Esta distinción es la que separa proyectos que escalan de proyectos que explotan. La IA bien aplicada amplifica el criterio humano, no lo reemplaza. En servicio al cliente, en producción de contenido, en análisis comercial, los mejores resultados vienen de equipos donde la IA hace el trabajo repetitivo y la persona toma las decisiones que requieren contexto, empatía o juicio. El error de Klarna no fue usar IA en atención. Fue suponer que la IA podía reemplazar completamente el juicio humano en interacciones complejas. La consecuencia: calidad de servicio caída, clientes molestos y una marcha atrás pública del CEO.

6. ¿Cómo se mide la adopción y el impacto real?

Métricas vanity como "X% de tickets resueltos por IA" o "Y% de código generado por IA" no significan nada si no se cruzan con calidad, retención de clientes, errores, costo total y satisfacción. Uber tiene 95% de adopción y 70% de código generado por IA, y su propio COO no logra justificar el gasto. Adopción alta sin impacto medido es solo consumo. Las únicas métricas que importan son las operativas: tiempo ahorrado real, errores reducidos, capacidad incremental, satisfacción del cliente y costo total por unidad de trabajo entregada.

El cálculo que vale la pena hacer

Cuando una empresa decide incorporar IA, el cálculo correcto no es cuánto me ahorro despidiendo. Es cuánto valor incremental genero, qué riesgos asumo y cuánto control mantengo. Esa ecuación tiene tres componentes.

El valor incremental viene de hacer cosas que antes no podías hacer, no solo de hacer más barato lo que ya hacías. Atender 24/7 sin caída de calidad. Personalizar comunicación a escala. Procesar volúmenes de información que un equipo humano no alcanzaría. Detectar patrones en datos que estaban perdidos. Liberar a personas talentosas de tareas mecánicas para que se enfoquen en lo que requiere criterio. Ahí está el retorno verdadero, no en el headcount.

El riesgo asumido incluye dependencia de proveedores externos cuyos precios suben, calidad de servicio que depende de variables fuera de tu control, pérdida de conocimiento interno y reputación si el sistema falla con clientes. El caso de Air Canada, donde un chatbot dio información incorrecta sobre la política de reembolsos y la empresa fue obligada a pagar, es un recordatorio barato de lo que puede pasar cuando se delega decisión sin supervisión.

El control mantenido es la pregunta más importante y la que casi nadie hace. ¿Quién es dueño del modelo? ¿Dónde viven los datos? ¿Qué pasa si el proveedor sube los precios, cambia los términos o discontinúa el servicio? ¿Tu organización aprende del uso del sistema o el aprendizaje se va al proveedor? Esa última pregunta es la que define si estás construyendo una capacidad propia o alquilando una dependencia.

Lo que la crisis actual está revelando

La supuesta crisis de la IA no es una crisis de la tecnología. Es una crisis de cómo se está implementando. Las empresas que están sufriendo no fracasaron porque la IA no funcione. Fracasaron porque tomaron decisiones de reemplazo cuando debieron tomar decisiones de rediseño. Reemplazaron personas en lugar de rediseñar procesos. Compraron herramientas en lugar de diseñar sistemas. Optimizaron por costo en lugar de optimizar por capacidad.

El cálculo correcto exige un marco. Diagnóstico antes de implementación. Procesos ordenados antes de automatización. Conocimiento estructurado antes de despedir. Costo total entendido antes de migrar. Adopción medida con métricas operativas reales, no comunicacionales. Supervisión humana mantenida sobre decisiones críticas. Control de datos y aprendizaje preservado dentro de la organización.

Los costos de IA, además, todavía van a subir antes de bajar. La infraestructura, la energía y los modelos consumen más recursos cada año. Las proyecciones de Gartner sugieren que la inferencia se va a abaratar hasta 90% en cuatro años, pero ese es un horizonte largo para una empresa que tomó decisiones de personal este trimestre. Los proveedores también están migrando desde tarifas planas hacia precios por uso, lo que significa que las empresas con alta adopción interna van a ver subir la cuenta de manera no lineal.

La pregunta no es si la IA va a transformar tu negocio. Va a hacerlo. La pregunta es si esa transformación la vas a diseñar tú, con criterio y control, o la vas a sufrir porque otros la decidieron por ti.