Ya vimos a empresas meterse cada vez más de lleno en la IA para hacer el trabajo que antes hacía la gente. La propuesta suena irresistible: estos sistemas laburan todo el día, no se enferman, no piden aumento y no se quejan cuando les tirás más trabajo encima. Como humano que soy (por si acaso no se notaba, jajá), esas son justamente varias de las supuestas "ventajas" que mis colegas y yo estamos comparando frente a la IA que eventualmente llegará a nuestros puestos. En una planilla, eso puede parecer la decisión de headcount más limpia del mundo. En la práctica, sin embargo, los ahorros no están siendo los esperados, el trabajo de reparación crece y la cuenta real les está cayendo encima a varios bastante más tarde de lo que pensaban.

Los números de despidos, por sí solos, ya son una señal de alerta. Challenger, Gray & Christmas informó que las empresas anunciaron 49,135 recortes de empleo vinculados a IA en los primeros cuatro meses de 2026, y que la IA representó el 26 por ciento de todos los despidos anunciados en abril. Lo que vuelve la historia todavía más reveladora es que el retorno financiero sigue sin aparecer como muchos ejecutivos creían. La investigación NANDA del MIT encontró que el 95 por ciento de los pilotos empresariales de IA generativa no entregó ningún impacto medible en ganancias y pérdidas, que está bastante lejos de ser el gol cantado.

Esa brecha importa porque el costo de reemplazar personas con IA no es solo la suscripción o la línea de la API que alguien pone en una presentación. Es electricidad, refrigeración, acceso a GPU, capacidad en la nube, almacenamiento de datos y revisión de seguridad. Es también la integración con sistemas internos viejos que nunca fueron diseñados para esto. Y es la capa de supervisión humana que todavía tiene que detectar los errores cuando el modelo suena prolijo pero falla en el fondo. Muchas empresas están descubriendo que no reemplazaron mano de obra tanto como que cambiaron un costo salarial visible por un paquete más desordenado de infraestructura y supervisión.

La parte de la electricidad merece mucha más atención de la que recibe. Un informe de política pública citado por CalMatters advirtió que los grandes centros de datos ligados al crecimiento de la IA pueden requerir nueva infraestructura eléctrica importante y que, si los reguladores no tienen cuidado, los usuarios comunes pueden terminar subsidiando esos costos. El mismo informe planteó que los centros de datos deberían pagar el costo total que imponen sobre la red, incluso prepagar nueva infraestructura y abonar por la capacidad eléctrica que reservan. Eso ya te da una pista clara de hacia dónde va todo esto. La cuenta de la IA no se queda dentro del presupuesto de IA. Se empieza a derramar hacia servicios públicos, permisos, terrenos, transformadores, sistemas de refrigeración y planificación eléctrica local.

Después está el problema de chips y cómputo. Todo el mercado sigue actuando como si la IA pudiera escalar infinitamente mientras la gerencia lo quiera lo suficiente, pero el cómputo no es una abstracción. Funciona sobre hardware caro, oferta limitada e instalaciones que consumen muchísima energía. Estudios recientes muestran que muchas empresas están subestimando de forma grosera el costo total de propiedad de la IA, desde la instalación y las licencias hasta la capacitación, la observabilidad, el ajuste de modelos y los costos de reversión cuando el despliegue no rinde. Una de las formas más útiles de resumirlo es simple: cada empresa que persigue "ahorros por IA" también entra en la misma pelea por capacidad de GPU, espacio de servidores, talento de ingeniería y electricidad confiable. Nada de eso es barato, y nada de eso es infinito.

Incluso cuando las herramientas funcionan más o menos como deberían, hay otro costo que casi no aparece en el relato ejecutivo: la limpieza. Harvard Business Review destacó lo que los investigadores llamaron "workslop", osea, trabajo generado por IA que a primera vista parece aceptable pero en realidad no avanza de verdad la tarea. En esa investigación, los trabajadores de oficina pasaban un promedio de 1 hora y 56 minutos corrigiendo cada incidente, con un costo estimado de 186 dólares por empleado por mes, o unos 9 millones al año para una empresa de 10,000 personas. El modelo les dio algo rápido, pero ahora un humano tiene que revisarlo, corregirlo, reescribirlo, bajarle el riesgo y, a veces, pedir disculpas por eso.

Por eso el caso de reemplazo se ve cada vez más flojo cuando aterriza en el trabajo real. Atención al cliente es un buen ejemplo. En un tablero, la tasa de resolución puede parecer aceptable mientras la satisfacción del cliente cae en segundo plano. La investigación citada en el proyecto encontró que un informe de Qualtrics de 2026 mostró que la atención al cliente con IA falla al cuádruple de la tasa de otros usos de IA y que una de cada cinco personas dijo que no le aportó ningún beneficio. En criollo: la gente no juzga el soporte por si le contestó un bot. Lo juzga por si el problema se resolvió, si la respuesta tenía sentido y si pudo hablar con una persona real cuando la cosa se puso complicada.

El software y el trabajo del conocimiento están chocando con una pared parecida. La IA puede ser realmente útil para redactar, resumir, buscar y acelerar tareas repetitivas. Puede ayudar muchísimo a que una buena persona trabaje más rápido. Pero eso no es lo mismo que reemplazar el juicio. La investigación del proyecto señala que el empleo de los desarrolladores más jóvenes cayó fuerte después del gran empuje de la IA generativa, mientras varias métricas siguen mostrando que los agentes de IA fallan en una gran parte de las tareas de oficina comunes y del trabajo de código sin supervisión. Entonces las empresas están recortando la base de la escalera antes de que las herramientas sean suficientemente confiables como para sostenerse solas. Capaz eso parece eficiente durante un trimestre o dos, pero crea un problema de talento a largo plazo y le mete más trabajo de revisión a los que quedan.

Y esta es la parte que más se sigue salteando: los despidos tampoco son gratis. La indemnización cuesta plata. El arrepentimiento corporativo y las contrataciones de vuelta cuestan plata. Capacitar reemplazos cuesta plata. Quemar confianza del cliente cuesta plata. La confusión interna cuesta plata. Muchos líderes de distintas industrias que hicieron movimientos de fuerza laboral apoyados en IA se arrepintieron del paso, y una parte importante ya había vuelto a contratar después de darse cuenta de que la tecnología no podía cargar con tanto trabajo como esperaban. Ese tipo de marcha atrás silenciosa casi nunca recibe la misma atención que el anuncio original, pero te dice bastante sobre lo que realmente está pasando detrás de escena.

El problema de fondo es bastante simple. Estos modelos no reemplazan el juicio, el contexto, la responsabilidad ni la autoría. Generan el siguiente token más probable. A veces eso es increíblemente útil. Otras veces alcanza y sobra para ahorrar tiempo. Pero en cuanto la situación se vuelve cara, sensible, emocional, ambigua o de alto riesgo, alguien todavía tiene que hacerse cargo de la respuesta. A la máquina no le importa si el cliente se va, si el lenguaje legal está mal o si el tono no es el correcto. Tampoco le importa si el análisis es engañoso o si la recomendación hace daño. Una persona, en cambio, sí carga con ese peso.

Eso no significa que la IA sea inútil; dejemos eso claro. Estas herramientas sirven todos los días para investigar, redactar, comparar opciones, poner a prueba ideas y limpiar primeros borradores feos. Son útiles, rápidas y pueden hacer que un buen empleado rinda todavía más. Pero yo igual las trato como a un pasante muy brillante y muy seguro de sí mismo que a veces se inventa algo, lo dice con fluidez y espera que nadie revise demasiado de cerca. Deberíamos estar revisando.

Por eso, las empresas que van a ganar acá probablemente no sean las que más se obsesionen con reemplazar gente. Van a ser las que usen IA para volver más efectivos a sus buenos empleados, sin mentirse sobre el costo total del sistema que la rodea. También implica admitir que una herramienta puede ser impresionante y aun así ser un mal sustituto para una persona.

La ventana para aprender a usar bien estos sistemas sigue abierta. Pero la lección que deja 2026 hasta ahora no es que los empleados de IA ya estén listos para tomar el control. Es que muchas empresas intentaron saltar directo al reemplazo antes de entender los costos operativos reales, las concesiones de calidad y la cantidad de juicio humano que el trabajo todavía exige. Al final del día, los humanos todavía tienen la ventaja donde realmente importa: juicio, responsabilidad, contexto, moderación y esa capacidad medio caótica pero irremplazable de aparecer cuando hay algo de verdad en juego. La IA es una herramienta increíble. Todavía no es un compañero de trabajo.

— Eduardo Cestaro