La IA no va a reemplazar a las empresas. Va a cambiar su arquitectura.

Cuando hablamos del impacto de la inteligencia artificial en el trabajo, solemos hacernos la misma pregunta:

¿Qué puestos de trabajo va a reemplazar la IA?

Creo que esa pregunta se queda corta por ser demasiado simplista.

La transformación más importante podría no estar en qué profesiones desaparecen, sino en cómo se organizan las empresas cuando una parte cada vez mayor del trabajo puede ser realizada por agentes de IA.

Y esta lógica no sólo tiene por qué limitarse al trabajo digital. A medida que la robótica lleve capacidades similares al mundo físico, esta transformación podría extenderse a una parte mucho mayor de la economía.

Mi hipótesis (y la de muchos otros) es que estamos entrando en un proceso de compresión de la pirámide organizativa.

Las empresas seguirán necesitando personas. Seguirán necesitando ingenieros, diseñadores, comerciales, managers y directivos…

Pero probablemente necesiten menos personas para producir la misma cantidad de trabajo, especialmente en aquellos niveles donde el trabajo es más ejecutable, repetible y verificable. Y eso puede tener una consecuencia mucho más profunda que simplemente aumentar la productividad:

La IA puede cambiar la propia arquitectura de las empresas.

La pirámide tradicional

Una organización tradicional puede simplificarse enormemente en cuatro niveles distribuidos en tres capas: operativa, funcional y de negocio.

• En la base encontramos la capa operativa, donde están los empleados que ejecutan buena parte del trabajo.
• En el siguiente estrato se encuentra la capa funcional, donde encontramos a los managers encargados de coordinar personas, recursos y objetivos.
• Por último aparece la capa de negocio, conformada por la dirección de las distintas funciones de la compañía y, en la cúspide, el CEO y la máxima responsabilidad empresarial.

En cuanto los nivelos los podemos identificar como:

• Employees (H1): Ejecución y resolución de problemas dentro de un ámbito relativamente acotado.
• Management (H2): Coordinación de personas, asignación de recursos, seguimiento y priorización.
• C-Level (H3): Dirección de las diferentes funciones de la compañía y decisiones con un impacto considerable sobre el negocio.
• CEO (H4): Visión, estrategia, asignación de capital y responsabilidad final sobre la organización.

Cuanto más ascendemos, generalmente encontramos menos personas y mayor responsabilidad por persona.

La inteligencia artificial introduce una nueva variable en esta estructura.

Un agente no es simplemente otra herramienta

Durante décadas hemos aumentado la productividad de los trabajadores mediante software.

• Una hoja de cálculo permite a un contable hacer cálculos más rápidamente.
• Un IDE permite a un programador desarrollar software con mayor eficiencia.
• Figma permite a un diseñador producir y modificar interfaces mucho más rápido que las herramientas anteriores.

Pero en todos esos casos el software era fundamentalmente una herramienta que esperaba instrucciones. La planificación y la ejecución continuaban recayendo principalmente sobre el trabajador.

Los agentes de IA empiezan a romper esa relación. Un agente puede recibir un objetivo, explorar un problema, utilizar herramientas, producir un resultado, evaluar parte de ese resultado y continuar trabajando.

Incluso podemos construir procesos completos con múltiples agentes, donde el output de uno se convierte en el input de otro. La diferencia parece sutil, pero organizativamente es ENORME.

El software tradicional aumenta la capacidad de ejecución de una persona pero ahora los agentes empiezan a permitir que una persona también delegue la ejecución.

Esta diferencia ya puede observarse en el uso real de herramientas de programación. En un análisis de Anthropic sobre 500.000 interacciones relacionadas con código, aproximadamente el 49% de las interacciones en Claude.ai fueron clasificadas como automatización. En Claude Code, diseñado específicamente como agente de programación, la cifra ascendía al 79%.¹

No estamos hablando únicamente de autocompletar una línea de código. Una proporción importante de esas interacciones consistía en delegar una tarea al modelo y dejarlo trabajar sobre ella.

Cuando puedes delegar trabajo a máquinas, la relación entre número de empleados y capacidad productiva empieza a cambiar.

Las empresas pueden dejar de escalar únicamente contratando personas

Hasta ahora, el crecimiento de muchas empresas seguía aproximadamente esta relación:

• Más clientes.
• Más trabajo.
• Más empleados.
• Más managers.
• Más coordinación.
• Más costes.

La IA introduce otra variable en la ecuación. En lugar de aumentar capacidad exclusivamente incorporando personas, una organización puede aumentar también la capacidad artificial disponible para las personas que ya tiene.

Ya empezamos incluso a ver trabajadores coordinando varios agentes simultáneamente. En investigaciones recientes sobre herramientas de programación agénticas, una parte de los usuarios trabaja habitualmente con varios agentes concurrentes. La unidad de producción empieza así a parecerse menos a:

1 humano

y más a:

1 humano + N agentes

Esto no significa que el trabajo desaparezca. Significa que una parte del trabajo repetitivo de ejecución puede desplazarse hacia sistemas artificiales. Y si una persona puede producir más, la empresa deja de necesitar aumentar su plantilla en la misma proporción en la que aumenta su producción.

Algunas compañías ya están experimentando explícitamente con esta idea.

Shopify, por ejemplo, convirtió el uso habitual de IA en una expectativa interna y estableció que, antes de solicitar más plantilla, los equipos debían explicar por qué esa necesidad no podía resolverse utilizando IA.²

La pregunta organizativa empieza a cambiar. Antes era:

¿A quién necesitamos contratar para hacer esto?

Ahora puede empezar a ser:

¿Necesitamos otra persona o necesitamos aumentar la capacidad de las personas que ya tenemos?

El management también cambia

Gran parte del management actual consiste en:

• repartir trabajo.
• recopilar estados.
• hacer seguimiento.
• consolidar información.
• coordinar reuniones.
• priorizar tareas.
• detectar bloqueos.
• preparar reportes.
• comunicar hacia arriba y hacia abajo.

Una cantidad sorprendente de ese trabajo consiste en transformar, mover y sintetizar información. Y este es precisamente uno de los terrenos donde los modelos actuales funcionan especialmente bien. Un agente puede:

• resumir reuniones.
• detectar riesgos.
• actualizar Jira/Notion/Linear.
• generar documentación.
• seguir OKRs.
• preparar reportes.
• responder dudas internas.
• recopilar el estado de diferentes proyectos.

Esto no elimina la necesidad de management. Gestionar personas implica liderazgo, conflicto, motivación, contratación, desarrollo profesional, negociación y, sobre todo, responsabilidad. Pero sí puede reducir enormemente el coste de coordinación.

El valor del manager puede desplazarse progresivamente de mover información y tareas hacia interpretar contexto, resolver excepciones y tomar decisiones. Y si cada manager puede abarcar más, necesitamos menos capas exclusivamente dedicadas a transmitir información entre unas partes de la organización y otras.

De hecho, ya aparecen señales compatibles con este fenómeno:

• El State of Tech Talent 2026 de SignalFire encuentra que los managers de ingeniería de grandes tecnológicas gestionan actualmente alrededor de 12 ingenieros de media frente a 10 anteriormente. En startups tempranas, el ratio ronda los 15.³
• Los Product Managers también estarían soportando aproximadamente un 22% más de ingenieros que en 2019.³

La IA no es la única explicación. La corrección posterior a años de sobrecontratación, las condiciones macroeconómicas y los cambios en la industria también importan. Pero la dirección es interesante:

mayor capacidad individual → mayor alcance de supervisión → organizaciones potencialmente más planas.

También puede cambiar la organización por departamentos

Una empresa digital típica puede tener áreas como:

• Marketing.
• Diseño.
• Ingeniería.
• QA.
• Data.
• Producto.

Aunque las separemos en departamentos, todas trabajan sobre el mismo flujo de creación de valor. Con agentes especializados podemos imaginar procesos cada vez más continuos:

Idea → Research Agent → Business Agent → Product Agent → UX Agent → Design Agent → Frontend Agent → Backend Agent → QA Agent → Deployment Agent → Growth Agent

No significa necesariamente que desaparezcan Product, Design o Engineering.

Significa que una parte creciente del trabajo que circula entre esas funciones puede realizarse automáticamente.

El humano interviene donde aporta criterio: establece objetivos, proporciona contexto, evalúa resultados, resuelve excepciones y decide qué debe ocurrir después.

Y aquí aparece uno de los cambios que considero más importantes.

El cuello de botella se desplaza

Durante décadas:

• Producir era caro.
• Escribir software era caro.
• Diseñar era caro.
• Analizar información era caro.
• Crear contenido era caro.
• Preparar presentaciones era caro.

Todo ello sigue teniendo un coste, pero la IA está reduciendo drásticamente el coste marginal de muchas de estas actividades. El cuello de botella empieza a desplazarse desde producir hacia decidir.

• ¿Qué construimos?
• ¿Qué mercado atacamos?
• ¿Qué hipótesis probamos?
• ¿Qué lanzamos?
• ¿Qué matamos?
• ¿Qué priorizamos?

La IA puede abaratar enormemente la producción de una respuesta. No necesariamente abarata hacer la pregunta correcta.

Las empresas pequeñas ganan leverage

Todo esto puede aumentar enormemente el poder de organizaciones pequeñas.

Una startup de cinco personas equipada con buenos sistemas de IA puede aspirar a una capacidad productiva que hace pocos años habría requerido un equipo considerablemente mayor.

No necesitamos asumir una equivalencia literal de “5 personas = 50 personas”. La proporción dependerá enormemente del negocio y del tipo de trabajo. Lo importante es el mecanismo:

El tamaño de la plantilla y capacidad productiva empiezan a desacoplarse.

Klarna ofrece un ejemplo interesante. Entre 2022 y 2025, sus ingresos anuales por empleado pasaron aproximadamente de 344.000 dólares a 1,24 millones. La propia compañía ha relacionado parte de sus mejoras de eficiencia con la adopción de IA, la reducción de proveedores externos y el uso de herramientas de IA dentro de la organización.⁴

Esto no demuestra que la IA sea responsable de toda esa mejora. Pero sí ilustra el tipo de organización que muchas compañías están intentando construir:

Más producción y más ingresos sin aumentar proporcionalmente el número de empleados.

PwC encontró un patrón similar a escala agregada al analizar cerca de mil millones de ofertas de empleo: las industrias más expuestas a IA presentaban un crecimiento del revenue por empleado sustancialmente superior al de las menos expuestas.⁵

Si esta tendencia continúa, competir siendo pequeño puede hacerse mucho más fácil. Y eso puede introducir nuevos jugadores en mercados que históricamente requerían bastante más capital humano.

Construir software deja de ser suficiente

Durante décadas, la capacidad de construir tecnología constituía por sí misma una barrera de entrada considerable.

Si el coste de producir software continúa cayendo, esa barrera también disminuye.

El software no deja de ser el producto en un SaaS.

Pero construir software puede dejar de ser, por sí mismo, una ventaja competitiva suficiente.

El valor se desplaza hacia aquello que resulta más difícil de replicar:

• los datos.
• la distribución.
• la marca.
• la comunidad.
• los procesos.
• el conocimiento interno.
• el conocimiento del cliente.

Sobre todo, lo más díficil, el criterio para decidir qué construir:

• Dos empresas podrán acceder a modelos similares.
• Las dos podrán generar código rápidamente.
• Las dos podrán analizar millones de documentos.
• Las dos podrán producir campañas en minutos.

La diferencia real estará en qué deciden hacer con esa capacidad.

La aparición de las empresas AI-first

Una empresa AI-first no es una empresa que paga Claude, ChatGPT o el LLM de turno para todos sus empleados. Significa diseñar la organización suponiendo que los agentes existen desde el día uno.

Igual que una startup cloud-native no diseña su infraestructura como si tuviera que montar servidores físicos en una habitación, una empresa AI-first no diseña todos sus procesos suponiendo que cada paso debe ser realizado manualmente por una persona.

Primero diseña el sistema. Después decide dónde necesita intervención humana. Esto requiere algo bastante diferente de un chatbot o un copiloto. Empiezan a aparecer auténticos sistemas operativos empresariales que contienen:

• memoria.
• objetivos.
• contexto.
• métricas.
• agentes.
• conocimiento.
• procesos.
• herramientas.
• permisos.

Microsoft utiliza un concepto interesante para describir esta evolución: la Frontier Firm, organizaciones construidas alrededor de equipos formados por humanos y agentes. Incluso propone empezar a pensar en una nueva métrica: el human-agent ratio.⁶

¿Cuántos humanos necesita determinada función? ¿Cuántos agentes? ¿Y qué relación debería existir entre ambos?

Ese es exactamente el tipo de pregunta que una organización AI-first tendrá que empezar a responder. La empresa deja de ser exclusivamente un conjunto de personas utilizando herramientas. Pasa a ser un conjunto de humanos y agentes colaborando sobre una misma base de conocimiento y unos mismos objetivos. Podemos resumir la evolución así:

• Empresa tradicional: Humano → Software.
• Empresa AI-assisted: Humano → Copilot → Software.
• Empresa AI-native: Humano → Orquestador → Red de agentes → Software.

La revolución aquí no consiste simplemente en automatizar tareas. Consiste en cambiar la arquitectura de la empresa. Decir únicamente que “la IA hará más productivos a los empleados” se queda corto.

La productividad es la consecuencia.

El cambio realmente interesante está en cómo se organiza el trabajo, cómo se toman las decisiones y cómo escala una organización. Y teniendo todo esto en mente, llegamos a mi hipótesis.

La compresión de la pirámide organizativa

Imaginemos que cada nivel de la empresa empieza a disponer de agentes especializados.

• Un ingeniero puede delegar parte de la implementación, testing, documentación o investigación.
• Un manager puede automatizar seguimiento, reporting, recopilación de contexto o detección de bloqueos.
• Un director puede utilizar agentes para analizar métricas, estudiar mercados, modelar escenarios o preparar alternativas estratégicas.
• Un CEO puede disponer de sistemas que monitorizan continuamente finanzas, competencia, operaciones, clientes y riesgos.

La IA aparece en todos los niveles. Pero su efecto no tiene por qué ser igual en todos ellos. Cuanto más estructurado, repetible y verificable sea un trabajo, mayor será nuestra capacidad de delegarlo.

Podemos pensar además en una segunda dimensión independiente de la jerarquía: Ejecución → Coordinación → Estrategia

• La ejecución contiene tareas como programar, producir diseños, generar documentación o crear assets.
• La coordinación incluye planificación, asignación, seguimiento y síntesis de información.
• La estrategia contiene aquellas decisiones donde aumenta la incertidumbre, el impacto y la responsabilidad.

Mi hipótesis es que la IA desplaza progresivamente el trabajo humano hacia el extremo de mayor criterio y responsabilidad.

No significa que un empleado (H1) solamente ejecute ni que un CEO (H4) solamente diseñe estrategia. Significa que, a medida que la capacidad artificial absorbe ejecución y parte de la coordinación, aumenta proporcionalmente el valor del trabajo humano dedicado a entender, supervisar y decidir. Esto afecta especialmente a los puestos de la base de la pirámide.

El problema de los puestos de entrada

El desarrollo de software es uno de los lugares donde esta tensión empieza a resultar especialmente visible.

Tradicionalmente, contratar un perfil junior tenía una lógica económica bastante clara. La empresa obtenía capacidad de ejecución relativamente barata a cambio de aceptar una menor productividad inicial y asumir el coste de formar a esa persona:

1. El junior resolvía tareas sencillas.
2. Los perfiles más experimentados revisaban su trabajo.
3. Con el tiempo adquiría contexto, criterio y autonomía.

Pero los agentes de programación están empezando a competir precisamente en parte de ese espacio. Pueden implementar tareas delimitadas, escribir tests, buscar errores, modificar código existente, generar documentación o explorar una base de código. Y tienen unas características económicas muy diferentes a las de un empleado:

• No necesitan un proceso de contratación.
• No abandonan la empresa seis meses después.
• No requieren una progresión salarial ni plan profesional.
• No tienen horarios.
• Y por si fuera poco, el coste marginal de proporcionar más capacidad de inferencia continúa reduciéndose.

Esto no significa que un agente sea equivalente a un desarrollador junior. Tampoco estoy planteando una simple sustitución IA → humano. Estoy hablando de amplificación:

• La IA ejecuta. El humano decide.
• La IA produce opciones. El humano aprueba, rechaza o redefine.

Un empleado aprende el negocio, desarrolla criterio, construye relaciones, detecta problemas que nadie le ha pedido buscar y eventualmente puede convertirse en senior, staff engineer o CTO. Un agente no representa hoy ese mismo tipo de activo humano.

Pero para determinadas tareas aparece una comparación económica incómoda:

¿Contrato a otra persona para aumentar capacidad de ejecución o proporciono más capacidad de IA a las personas que ya tengo?

Creo que cada vez más empresas van a hacerse esa pregunta. Y no se limita a programación.

Podemos hacerla en diseño, marketing, finanzas, legal, recursos humanos y prácticamente cualquier función intensiva en información.

Y ya estamos viendo señales en los juniors

Aquí es donde la hipótesis empieza a encontrarse con datos especialmente interesantes.

Investigaciones recientes del Stanford Digital Economy Lab utilizando datos laborales de millones de trabajadores estadounidenses han encontrado una caída especialmente pronunciada del empleo entre trabajadores jóvenes en ocupaciones altamente expuestas a IA.

Para trabajadores de entre 22 y 25 años en las profesiones más expuestas, el empleo se situaba aproximadamente un 19% por debajo de la trayectoria de ocupaciones menos expuestas.⁷

Más interesante todavía: el patrón parece concentrarse especialmente en menor contratación de trabajadores jóvenes, no simplemente en despidos masivos.

SignalFire encuentra algo parecido dentro de la industria tecnológica.

Comparado con 2019, la contratación de recién graduados habría caído aproximadamente un 65% en grandes tecnológicas y un 76% en startups early-stage.³

Eso no demuestra que la IA sea la única responsable: Tipos de interés, sobrecontratación durante la pandemia, correcciones del mercado y otras variables importan enormemente.

Pero sí resulta compatible con una de las predicciones de esta tesis:

La compresión puede empezar no despidiendo masivamente la base de la pirámide, sino dejando de ampliarla al mismo ritmo.

El nivel de entrada puede subir

Esta puede ser una de las consecuencias menos discutidas de la revolución de la IA.

Durante años hemos asumido que una carrera profesional comienza aprendiendo a ejecutar tareas relativamente sencillas.

• Primero haces.
• Después entiendes.
• Finalmente decides.

La IA puede absorber precisamente una parte de ese primer escalón. Eso no implica necesariamente la desaparición del junior. Puede significar algo diferente:

El nivel mínimo esperado para aportar valor aumenta.

El junior del futuro quizá tenga que hacer desde su primer día cosas que antes esperábamos de alguien con bastante más experiencia.

No porque conozca mágicamente más ingeniería.

Sino porque dispondrá de agentes que le proporcionan una capacidad de ejecución muy superior y, al mismo tiempo, una red de apoyo. La habilidad diferencial deja progresivamente de ser únicamente hacer la tarea. Empieza a ser saber:

• qué tarea debe hacerse.
• cómo dividir un problema.
• qué contexto necesita la IA.
• cuándo el resultado es incorrecto.
• qué riesgos existen.
• qué solución encaja con el sistema.
• cuándo intervenir.
• y cuándo ignorar completamente lo que propone el modelo.

En otras palabras, aumenta el valor del criterio.

De ejecutar a supervisar

Esto podría producir un desplazamiento gradual del trabajo humano hacia mayores niveles de responsabilidad. No necesariamente hacia puestos directivos, sino hacia mayores niveles de responsabilidad dentro de cada profesión.

Esta transición empieza a ser observable en el uso real de agentes de programación. En un análisis de aproximadamente 400.000 sesiones de Claude Code, Anthropic encontró que los humanos tomaban la mayoría de las decisiones de planificación, mientras que Claude tomaba la mayoría de las decisiones relacionadas con la ejecución.⁸

El patrón encaja precisamente con este desplazamiento: la IA absorbe una parte creciente de la ejecución mientras el humano conserva una mayor proporción de la planificación, supervisión y decisión.

• El ingeniero dedica menos tiempo a escribir cada línea y más a arquitectura, producto y revisión.
• El diseñador dedica menos tiempo a producir variaciones y más a decidir qué experiencia debe existir.
• El especialista de marketing dedica menos tiempo a generar assets y más a decidir qué mensaje, audiencia y experimento tienen sentido.
• El manager dedica menos tiempo a recopilar información y más a resolver excepciones, desarrollar personas y tomar decisiones.

La IA ejecuta una parte mayor del trabajo. El humano decide sobre una parte mayor del sistema.

Una persona empieza a parecerse a un pequeño equipo

Hasta ahora hemos pensado la capacidad de una organización aproximadamente en términos de tamaño de la plantilla.

• ¿Necesitamos desarrollar más rápido? Contratamos.
• ¿Necesitamos producir más contenido? Contratamos.
• ¿Necesitamos más capacidad de producto? Contratamos.

La IA introduce una nueva forma de aumentar capacidad. Un trabajador puede disponer de varios agentes trabajando simultáneamente:

• uno investiga.
• otro implementa.
• otro analiza.
• otro prueba.
• otro monitoriza.

El humano deja de ser únicamente un productor individual y empieza a convertirse parcialmente en orquestador de capacidad artificial. La unidad productiva empieza a parecerse menos a:

1 humano

y más a:

1 humano + N agentes

Microsoft incluso utiliza el término Agent Boss para describir esta nueva función: trabajadores que construyen, delegan y gestionan agentes como parte de su actividad habitual.⁹

Esto podría permitir que organizaciones relativamente pequeñas produzcan resultados que históricamente habrían necesitado equipos mucho mayores.

¿Y qué ocurre con el management?

Aquí la tesis se vuelve especialmente interesante. Gran parte del management moderno existe porque coordinar seres humanos es caro.

Hay que transmitir información, recopilar estados, resolver dependencias, asignar trabajo, detectar bloqueos, preparar informes, celebrar reuniones y comunicar hacia arriba y hacia abajo.

Una cantidad considerable de ese trabajo consiste en transformar, mover y sintetizar información. Su valor individual puede ser relativamente bajo y, precisamente, es uno de los terrenos donde los modelos actuales funcionan especialmente bien.

Si reducimos ese coste de coordinación, un manager puede supervisar sistemas más grandes.

Y si cada manager puede abarcar más, la organización puede necesitar menos capas intermedias.

La pirámide vuelve a comprimirse. No necesariamente porque “sobren” personas. Sino porque cada responsable puede coordinar una cantidad mayor de trabajo gracias a sistemas de IA.

Una empresa podría pasar conceptualmente de algo como:

CEO
 │
5 directores
 │
40 managers
 │
300 empleados

a:

CEO
 │
2 directores
 │
8 managers
 │
120 especialistas

Los números son deliberadamente ilustrativos; no pretenden estimar ratios futuros.

Lo importante no son las cifras. Lo importante es la forma. La pirámide se estrecha y se aplana.

Cuanto más arriba, más importa la responsabilidad

Existe, sin embargo, una razón por la que no creo que esta pirámide simplemente desaparezca.

La capacidad y la responsabilidad no son lo mismo.

• Una IA puede producir un análisis financiero. Alguien sigue teniendo que decidir si invertir diez millones de euros.
• Puede recomendar cerrar una línea de producto. Alguien debe asumir las consecuencias de hacerlo.
• Puede generar una estrategia. Alguien tiene que apostar la empresa por ella.

A medida que ascendemos en una organización aumenta el coste de equivocarse y disminuye la posibilidad de verificar objetivamente una decisión antes de tomarla.

Hay problemas que tienen una respuesta correcta.

Y hay problemas donde solo existe incertidumbre.

Creo que los humanos conservarán durante bastante tiempo un papel central precisamente donde confluyen:

incertidumbre + impacto + responsabilidad

La IA puede proporcionar información extraordinariamente buena. Pero alguien tiene que decidir.

El gran problema: ¿de dónde salen los seniors?

Aquí aparece una contradicción importante en esta tesis. Si reducimos los puestos junior porque la IA puede ejecutar una parte del trabajo que históricamente utilizábamos para introducir personas en una profesión…

¿cómo producimos los seniors de dentro de diez años?

No nacemos con criterio:

• Lo desarrollamos resolviendo problemas.
• Cometiendo errores.
• Viendo sistemas romperse.
• Trabajando con gente mejor que nosotros.
• Tomando decisiones pequeñas antes de tomar decisiones grandes.

Y aquí aparece una paradoja:

La IA puede automatizar precisamente parte del trabajo mediante el cual aprendíamos a realizar trabajos más complejos.

Una empresa puede ahorrar dinero dejando de contratar juniors hoy y descubrir dentro de una década que ha destruido su propio pipeline de talento. Por eso no creo que la respuesta sea simplemente eliminar los puestos de entrada. Creo que tendremos que rediseñarlos.

Quizá el aprendizaje profesional deje de basarse tanto en producir trabajo sencillo durante varios años y pase a utilizar la IA como acelerador de formación.

Un junior con agentes podría enfrentarse antes a problemas más complejos, explorar alternativas, recibir feedback inmediato y trabajar sobre sistemas que anteriormente estaban reservados a perfiles más experimentados.

La pregunta deja entonces de ser cómo preservar artificialmente el trabajo que la IA puede realizar.

La pregunta interesante es:

¿Cómo enseñamos criterio cuando ejecutar deja de ser el cuello de botella?

Creo que esta puede acabar siendo una de las preguntas más importantes del mercado laboral de la próxima década.

Pero más IA no significa automáticamente más productividad

Hay una tentación evidente en todo este argumento. Asumir que introducir agentes implica automáticamente producir más.

No es así.

METR realizó un experimento controlado con desarrolladores experimentados trabajando sobre repositorios que conocían bien.⁹

Con las herramientas de IA disponibles en el momento del estudio, los desarrolladores tardaron aproximadamente un 19% más cuando podían utilizar IA.¹⁰

METR ha señalado posteriormente que las herramientas actuales probablemente produzcan mayores mejoras de productividad que las evaluadas en aquel experimento, aunque problemas de selección en sus estudios posteriores impiden estimar todavía con precisión el tamaño del efecto.¹¹

Lo especialmente interesante es que ellos mismos creían que habían sido más rápidos. Es una advertencia importante. Los agentes introducen también:

• coste de supervisión.
• errores.
• contexto incorrecto.
• problemas de seguridad.
• resultados aparentemente correctos que no lo son.
• y nuevas formas de deuda técnica.

La compresión organizativa solo ocurre cuando la capacidad artificial sustituye realmente capacidad de ejecución o coordinación. Instalar un chatbot para todos los empleados no convierte automáticamente una empresa en AI-first.

Esto no ocurrirá igual en todas partes

Esta es una hipótesis, no una ley económica:

• No todas las empresas pueden automatizar la misma cantidad de trabajo.
• No todas las profesiones tienen resultados fácilmente verificables.
• No todos los agentes son suficientemente fiables.

Existen cuestiones de seguridad, regulación, privacidad, responsabilidad y confianza que pueden ralentizar enormemente esta transformación.

Tampoco creo que las organizaciones simplemente sustituyan personas por IA siguiendo una proporción determinada. Probablemente veremos muchas configuraciones diferentes:

• Empresas que utilizan IA para crecer sin aumentar plantilla.
• Empresas que reducen determinadas funciones.
• Empresas que mantienen el mismo número de trabajadores pero multiplican su producción.
• Empresas donde la IA aporta poco o incluso introduce más coste de coordinación.
• Empresas que utilizan el aumento de productividad para hacer cosas que anteriormente ni siquiera eran económicamente posibles.

Lo importante no es predecir exactamente cuántos puestos desaparecerán. Es entender que la relación entre trabajo, tamaño de la plantilla y producción está cambiando.

Mi predicción

No creo que el futuro inmediato sea una empresa sin personas. Tampoco creo que vayamos mañana hacia CEOs gestionando compañías gigantescas mediante ejércitos completamente autónomos de agentes. Al menos no todavía.

Mi apuesta es bastante menos espectacular y, precisamente por eso, creo que puede ser mucho más importante.

• Las empresas digitales serán más pequeñas para una misma capacidad productiva.
• Habrá menos trabajo humano dedicado exclusivamente a ejecución.
• Los puestos de entrada exigirán más capacidad desde el principio.
• Los managers podrán abarcar más.
• Algunas capas de coordinación se reducirán.
• Los especialistas trabajarán con pequeños equipos de agentes.
• Una proporción creciente del valor humano se desplazará desde ejecutar hacia entender, supervisar, decidir y asumir responsabilidad.

No será humano contra IA.

Será humano + IA.

Pero eso no significa que nada cambie.

Significa precisamente lo contrario.

Cuando cada persona puede hacer el trabajo que antes requería varias, la empresa diseñada alrededor de esas personas también tiene que cambiar.

Footnotes

1. Datos extraídos de Anthropic Economic Index — AI’s impact on software development, basado en el análisis de 500.000 interacciones de programación en Claude.ai y Claude Code. ↩

2. Política de contratación AI-first de Shopify recogida en Shopify CEO tells teams to consider using AI before growing headcount. Tobi Lütke estableció que los equipos debían demostrar por qué una necesidad no podía resolverse utilizando IA antes de solicitar más headcount. ↩

3. Datos extraídos de SignalFire — State of Tech Talent Report 2026, que analiza contratación, seniority, capas de management y spans of control en grandes tecnológicas y startups. ↩ ↩² ↩³

4. Datos financieros extraídos del Klarna Group Annual Report 2025 presentado ante la SEC. Klarna reporta un aumento del revenue anual medio por empleado desde aproximadamente $344.000 en 2022 hasta $1,24 millones en 2025 y relaciona parte de sus mejoras de eficiencia con la adopción de IA. ↩

5. Datos extraídos de PwC — 2025 Global AI Jobs Barometer, basado en el análisis de cerca de mil millones de ofertas de empleo. PwC encontró que las industrias más expuestas a IA registraron un crecimiento del revenue por empleado del 27%, frente al 9% de las menos expuestas. ↩

6. Conceptos Frontier Firm y human-agent ratio extraídos del Microsoft 2025 Work Trend Index — The Year the Frontier Firm Is Born, basado en datos de 31.000 trabajadores de 31 países, tendencias laborales de LinkedIn y señales de uso de Microsoft 365. ↩

7. Datos extraídos de Stanford Digital Economy Lab — Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, revisión de agosto de 2026 basada en datos administrativos de ADP de millones de trabajadores estadounidenses hasta junio de 2026. ↩

8. Evidencia adicional sobre el trabajo humano-agente extraída de Anthropic — Agentic coding and persistent returns to expertise, basado en aproximadamente 400.000 sesiones de Claude Code entre octubre de 2025 y abril de 2026. El estudio encuentra que los humanos toman la mayoría de decisiones de planificación mientras Claude toma la mayoría de decisiones de ejecución. ↩

9. El concepto Agent Boss procede de Microsoft WorkLab — How to Be an Agent Boss, donde se define como una persona que construye, gestiona y delega trabajo a agentes de IA. ↩ ↩²

10. Contraevidencia extraída del estudio de METR Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. En el experimento controlado, los desarrolladores experimentados tardaron un 19% más utilizando las herramientas de IA evaluadas, pese a percibir que habían sido más rápidos. ↩

11. Actualización del experimento de productividad de METR en We are Changing our Developer Productivity Experiment Design. METR observa señales compatibles con mejoras de productividad usando herramientas posteriores, pero advierte que los efectos de selección impiden estimar de forma fiable el tamaño del aumento. ↩