Inteligencia Artificial
29 de julio de 2026
Cuando la IA no es suficiente
Las empresas recontratan el conocimiento que intentaron reemplazar
La adopción acelerada de la inteligencia artificial en las empresas fue acompañada por una promesa simple, seductora y peligrosa: reemplazar personas, reducir costos y mantener, o incluso ampliar, la capacidad productiva de las organizaciones.
Esta promesa guió discursos empresariales, decisiones de inversión, reorganizaciones internas y recortes de personal en diferentes sectores. En muchos casos, la IA se presentó no como una herramienta de apoyo, sino como una alternativa directa al trabajo humano, especialmente en áreas consideradas repetitivas, administrativas, técnicas o de atención.
Sin embargo, la realidad operativa comienza a imponer una corrección importante: automatizar tareas no equivale a sustituir conocimiento, experiencia, juicio y responsabilidad profesional.
Este punto aparece con claridad en el reciente caso de Ford. En junio de 2026, la empresa pasó a ser citada como ejemplo de reversión parcial de la confianza excesiva en sistemas automatizados y herramientas de IA. Según reportajes basados en información de la propia compañía y en relatos divulgados inicialmente por Bloomberg, Ford contrató, promovió o trajo de vuelta a unos 300 a 350 ingenieros experimentados, incluyendo antiguos empleados y profesionales provenientes de proveedores, tras constatar que los sistemas automatizados de calidad y las herramientas de IA no entregaban, por sí solos, el nivel de confiabilidad esperado.
Estos profesionales pasaron a actuar en revisiones de proyecto, identificación temprana de fallas, orientación de equipos más jóvenes y mejora de los propios sistemas automatizados (Ha, 2026).
El caso es relevante porque no indica abandono de la inteligencia artificial. Al contrario, muestra algo más importante: la IA pasó a funcionar mejor cuando fue recolocada bajo supervisión de profesionales experimentados. Ford no concluyó que los algoritmos, la visión computacional y las pruebas automatizadas fueran inútiles. La conclusión fue otra: las herramientas automatizadas dependen de datos, criterios, validación, contexto y conocimiento acumulado.
Cuando la empresa reorganizó sus procesos, contrató ingenieros veteranos y fortaleció la integración entre ingeniería, manufactura, cadena de suministro y calidad, los resultados comenzaron a aparecer.
En 2026, Ford alcanzó el liderazgo entre las marcas masivas en el estudio de calidad inicial de J.D. Power, después de años de bajo rendimiento. La propia empresa asoció esta mejora a una combinación de colaboración interna, revisión técnica, contratación de ingenieros experimentados y uso de sistemas automatizados de apoyo (Ford, 2026; J.D. Power, 2026).
Recontratación técnica
El primer aspecto importante del caso Ford es la recuperación del valor de la experiencia técnica. Durante años, parte del discurso empresarial sobre IA trató el conocimiento profesional como algo fácilmente capturable por datos, documentos, requisitos y modelos estadísticos. Esta visión es limitada. En sectores industriales complejos, como el automotriz, la calidad de un producto no depende solo de verificar si una pieza cumple una especificación aislada.
Ella depende de la interacción entre diseño, material, montaje, software, proveedores, uso real, mantenimiento, historial de fallos y decisiones acumuladas a lo largo de ciclos sucesivos de desarrollo.
Por eso, la recontratación de ingenieros experimentados no debe leerse solo como un movimiento de recursos humanos. Representa una corrección epistemológica. La empresa reconoció que parte del conocimiento necesario para producir calidad no estaba plenamente formalizado en bases de datos, ni podía ser sustituido por la ingesta de requisitos en sistemas de IA.
Charles Poon, vicepresidente de ingeniería de hardware vehicular de Ford, afirmó que la IA es una herramienta importante, pero depende de la calidad de la información utilizada en su entrenamiento. También reconoció que la empresa no había prestado suficiente atención a la experiencia de sus ingenieros más conocedores, quienes habían pasado por muchos ciclos de producto (Ha, 2026).
Este reconocimiento es central, porque expone una falla común en las estrategias de automatización: la confusión entre información y competencia. Una base documental puede contener requisitos, diseños, patrones y registros de fallas. Esto no significa que contenga juicio técnico.
El profesional experimentado no solo consulta información. Interpreta señales incompletas, reconoce patrones débiles, anticipa efectos indirectos, identifica incompatibilidades entre áreas y percibe riesgos que aún no han aparecido como defectos medibles. La IA puede apoyar este proceso, pero no sustituye automáticamente la capacidad de formular el problema correcto.
En este sentido, la experiencia de Ford es una respuesta práctica al discurso de que basta con implementar IA para sustituir a profesionales cualificados. El propio resultado de calidad de la empresa sugiere lo contrario.
La mejora se produjo cuando el sistema técnico se reorganizó en torno a la colaboración, la auditoría interna, la revisión de ingeniería, la integración con proveedores y el uso de herramientas automatizadas como apoyo al trabajo humano. La empresa no mejoró porque eligió entre personas e IA. Mejoró porque dejó de tratar la IA como un sustituto suficiente y comenzó a usarla dentro de una arquitectura organizacional más madura.
Atención y calidad percibida
El mismo tipo de corrección aparece en otro sector: atención al cliente. Klarna, una empresa sueca de servicios financieros, se ha convertido en uno de los ejemplos más conocidos de apuesta agresiva por la IA para la reducción de personal.
En 2024, la empresa informó que su asistente de IA realizaba un trabajo equivalente al de 700 agentes de atención. La narrativa era sólida, ya que asociaba chatbot, reducción de costos y aumento de la productividad. Sin embargo, en 2025, la empresa volvió a contratar personas para funciones de atención y reconoció la necesidad de reequilibrar la estrategia.
Según Reuters, el CEO Sebastian Siemiatkowski afirmó que la empresa había “ido demasiado lejos” en el énfasis en el recorte de costos y estaba intentando corregir el rumbo. La compañía también volvió a tener vacantes abiertas, después de reducir la plantilla de 5.000 a 3.800 empleados el año anterior (Mukherjee; Wang, 2025).
Los casos de Klarna y Ford son distintos, pero apuntan al mismo límite estructural. En atención al cliente, la rapidez no es el único criterio de valor. Una respuesta automatizada puede reducir el tiempo medio de resolución, estandarizar procedimientos y disminuir el coste por contacto. Sin embargo, la experiencia del cliente implica confianza, empatía, negociación, excepciones, ambigüedad, frustración y percepción de cuidado. Cuando un cliente busca soporte en una situación simple, un sistema automatizado puede ser suficiente.
Cuando el problema involucra conflicto, pérdida financiera, error recurrente, urgencia o interpretación contextual, la ausencia de atención humana puede generar deterioro de la calidad percibida.
En mayo de 2025, Customer Experience Dive informó que Klarna estaba volviendo a contratar personas para atención al cliente y que la empresa había pasado a defender la existencia de una opción humana disponible. La propia comunicación de la compañía indicó un cambio de énfasis: la IA ofrecería velocidad, mientras que el talento humano ofrecería empatía.
La formulación es relevante, porque abandona la tesis de la sustitución total y adopta una lógica de complementariedad. Automatizar lo rutinario puede ser eficiente. Eliminar la posibilidad de intervención humana en situaciones complejas puede ser un error estratégico (Doerer, 2025).
Este movimiento desmonta otra simplificación frecuente: la de que la calidad puede reducirse a indicadores operativos de corto plazo. Un chatbot puede responder más rápido; un sistema puede cerrar más llamadas; un panel puede mostrar reducción de costos, pero nada de esto garantiza que el cliente tuvo el problema resuelto de forma satisfactoria, que la relación con la marca fue preservada o que el sistema no solo desplazó el costo a reclamaciones futuras, pérdida de confianza, cancelaciones y desgaste reputacional. La IA puede optimizar métricas locales y, al mismo tiempo, empeorar el resultado global.
El error de la sustitución directa
Por otro lado, la recontratación de profesionales después de despidos asociados a la IA no debe interpretarse como un fracaso general de la tecnología. Esa sería otra simplificación. El problema es más específico y más grave: varias empresas parecen haber adoptado la IA como justificación para decisiones de despido antes de comprobar, a escala, que las herramientas serían capaces de sostener la calidad, la continuidad y la responsabilidad operativa. En otras palabras, la IA se utilizó como narrativa de eficiencia antes de ser validada como infraestructura de producción.
Esta diferencia es decisiva. Una demostración de IA puede impresionar en un entorno controlado. Un piloto puede generar ahorros puntuales. Un chatbot puede resolver preguntas frecuentes. Un asistente de código puede producir fragmentos útiles. Sin embargo, las empresas no operan solo en demostraciones.
Operan con excepciones, clientes reales, sistemas heredados, contratos, integración entre áreas, fallas intermitentes, datos incompletos, decisiones regulatorias, riesgo reputacional y responsabilidad jurídica. El trabajo humano que parecía prescindible a menudo era precisamente el mecanismo que absorbía estas irregularidades.
Gartner estimó, en febrero de 2026, que para 2027 la mitad de las empresas que atribuyeron la reducción de personal en atención al cliente a la IA volverían a contratar profesionales para funciones similares, aunque posiblemente con nuevos títulos.
La consultoría también resaltó que la mayoría de las reducciones recientes de fuerza de trabajo no se debieron solo a la automatización, sino a condiciones económicas más amplias, y que las organizaciones tendrían que reinvertir en talento humano para sostener la calidad del servicio y el crecimiento.
El análisis es importante porque evita tanto el alarmismo como la propaganda. La IA afecta al trabajo, pero no elimina automáticamente la necesidad de experiencia, empatía y juicio humano (Gartner, 2026).
Forrester llegó a una conclusión similar en enero de 2026. La empresa proyectó que la automatización y la IA tendrían un impacto real, pero menor de lo que sugiere el discurso de sustitución generalizada. Según la consultora, solo el 6% de los empleos en Estados Unidos serían automatizados para 2030, mientras que el 20% de los puestos serían aumentados por la IA en el mismo período.
El informe también indicó que más de la mitad de los despidos atribuidos a la IA tienden a revertirse silenciosamente, a medida que las empresas se dan cuenta de las dificultades operativas de reemplazar prematuramente el talento humano. La propia Forrester advirtió sobre el riesgo de “AI washing“, es decir, atribuir recortes financieramente motivados a una automatización que aún no está madura para asumir esas funciones (Forrester, 2026).
Este punto debe ser enfatizado. No todos los despidos anunciados en nombre de la IA implican una sustitución real por IA. En muchos casos, la tecnología funciona como justificación pública para reestructuraciones que implican una caída de la demanda, presión por márgenes, contratación excesiva previa, costos financieros o reposicionamiento estratégico. Esto no disminuye el problema. Por el contrario, agrava la situación, porque la IA se utiliza como argumento genérico para decisiones que no siempre corresponden a la capacidad técnica efectiva de las herramientas implementadas.
Costo organizacional
La sustitución precipitada de personas por IA también produce costos que no aparecen inmediatamente en el presupuesto. La primera es la pérdida de memoria institucional. Cuando una empresa despide a profesionales experimentados, no pierde solo horas de trabajo. Pierde conocimiento sobre decisiones anteriores, problemas recurrentes, proveedores, clientes, limitaciones técnicas, atajos peligrosos, excepciones y errores ya cometidos. Este conocimiento rara vez está completamente documentado. Incluso cuando hay documentación, su utilidad depende de personas capaces de interpretarla.
El segundo costo es la degradación de la capacidad de supervisión. Una organización que reduce demasiado su personal técnico puede perder la competencia necesaria para evaluar la IA que ha comenzado a utilizar. Esta paradoja es central. Cuanto más depende la empresa de herramientas automatizadas para producir, revisar, atender, diagnosticar o decidir, mayor debe ser su capacidad interna para validar resultados. Si la organización recorta precisamente a los profesionales capaces de verificar errores, interpretar resultados y corregir desviaciones, aumenta su dependencia de sistemas que no comprende integralmente.
El tercer costo es el retrabajo. La IA puede producir respuestas, textos, códigos, diagnósticos, informes y recomendaciones a gran velocidad. Sin embargo, la velocidad de producción no es sinónimo de calidad entregada. En muchos contextos, el ahorro inicial se consume por revisión humana, corrección de errores, descarte de respuestas inadecuadas, reapertura de incidencias, fallos de integración y reconstrucción de confianza. La empresa cree haber reducido costos porque disminuyó la nómina, pero parte del trabajo reaparece de forma fragmentada, distribuida y menos visible.
El cuarto costo es la recontratación. Recontratar después de despedir no es simplemente volver al punto anterior. Hay costos de búsqueda, integración, capacitación, pérdida de continuidad, caída de la moral y posible aumento salarial para atraer profesionales que la propia empresa había despedido o devaluado.
Además, los profesionales anteriores no siempre están disponibles, dispuestos a regresar o interesados en reconstruir procesos que fueron interrumpidos por decisiones precipitadas. La corrección de un error de automatización puede costar más que el ahorro que la justificó.
Los datos del mercado refuerzan que el fenómeno no se limita a casos aislados. En junio de 2026, Business Insider, basándose en un informe de Challenger, Gray & Christmas, informó que la IA se había convertido en la razón más citada por las empresas norteamericanas al anunciar recortes de personal.
En mayo de 2026, la IA se asoció con el 40% de los 97.006 despidos anunciados por empleadores de Estados Unidos. En lo que va del año, ya se habían atribuido 87.714 despidos a la IA, por encima de los 54.836 registrados en todo el año 2025. El propio informe, sin embargo, destacó que la relación causal es cuestionada y que parte de las empresas puede estar utilizando la IA como explicación para decisiones de ajuste más amplias (Griffiths, 2026).
Este conjunto de datos indica un mercado en corrección. Por un lado, las empresas continúan anunciando recortes bajo el argumento de la IA. Por otro lado, casos como Ford, Klarna y las proyecciones de Gartner y Forrester indican que una parte de estas decisiones tendrá que ser revisada. La contradicción revela que el problema no está solo en la tecnología, sino en la gestión. Hay empresas que confunden herramienta con estrategia, automatización con competencia y reducción de personal con aumento de productividad.
Productividad y valor real
La dificultad de convertir la IA en valor económico medible también aparece en estudios sobre adopción empresarial. El informe The GenAI Divide: State of AI in Business 2025, asociado al MIT NANDA, señaló que, a pesar de inversiones estimadas entre US$ 30 y 40 mil millones en IA generativa, cerca del 95% de las organizaciones analizadas no obtenían retorno medible.
Según el análisis publicado por Fortune, el problema principal no era solo la calidad de los modelos, sino una brecha de aprendizaje e integración: las herramientas genéricas funcionan bien para individuos, pero tienden a fallar cuando necesitan adaptarse a flujos corporativos, procesos internos, sistemas heredados y responsabilidades organizacionales (Estrada, 2025).
Este diagnóstico está directamente relacionado con el tema de la recontratación. Cuando la IA se implementa sin una integración real con los procesos, no sustituye el trabajo. Crea una capa adicional de producción aparente. Las empresas pasan a generar más documentos, más respuestas, más código, más informes y más interacciones automatizadas, pero no necesariamente entregan más valor. El aumento de la producción simbólica puede ocultar la caída de la calidad decisoria. Producir más no significa resolver mejor.
La productividad real depende del encaje entre tecnología, proceso y competencia. Una IA aplicada a una tarea bien delimitada, con datos adecuados, supervisión humana y criterio de evaluación claro puede generar ganancias relevantes. La misma IA, aplicada a un proceso mal comprendido, con datos malos, metas vagas y ausencia de especialistas, puede producir solo ruido a escala. El error de muchas empresas fue asumir que la presencia de la herramienta bastaba. No basta. Las herramientas aumentan capacidades existentes. Cuando la capacidad organizacional es frágil, ellas también amplían fragilidades.
Esta distinción es decisiva para evitar una lectura equivocada de la crítica. La cuestión no es defender el retorno al trabajo pre-digital, ni negar que la IA pueda generar productividad. La cuestión es reconocer que la productividad no nace de la sustitución automática de personas, sino de la reorganización inteligente del trabajo.
La IA puede reducir tareas repetitivas, acelerar el análisis de datos, reconocer patrones, automatizar triajes, apoyar diagnósticos y ampliar la capacidad de profesionales cualificados. Sin embargo, cuando se utiliza para eliminar conocimiento antes de comprender el proceso, puede hacer que la empresa se equivoque más rápido.
Gobernanza del trabajo con IA
La lección principal de este ciclo es que la adopción de IA debe tratarse como una decisión de gobernanza, no como una moda administrativa. Antes de despedir personas, la empresa debe demostrar que la tecnología respalda una calidad equivalente o superior, que se han mapeado los riesgos, que existe supervisión competente, que se han estimado los costos indirectos y que hay un plan para las excepciones. El criterio no debe ser si la IA puede ejecutar una tarea en una demostración, sino si puede operar de manera confiable dentro del sistema real de la organización.
Esto exige un cambio de pregunta. En lugar de preguntar “¿cuántas personas reemplaza la IA?”, la empresa debería preguntar “¿qué tareas pueden automatizarse sin pérdida de calidad, cuáles requieren supervisión y cuáles dependen del juicio humano especializado?”. La primera pregunta induce recortes. La segunda induce diseño organizacional. La primera atiende al entusiasmo a corto plazo. La segunda protege la capacidad productiva a medio plazo.
También es necesario distinguir tres categorías de trabajo. Hay tareas repetitivas y estandarizadas, en las que la automatización puede ser dominante. Hay tareas semiestructuradas, en las que la IA puede preparar, organizar y sugerir, pero la decisión debe permanecer supervisada. Hay tareas complejas, ambiguas, críticas o relacionales, en las que la sustitución directa tiende a producir un riesgo elevado. El fracaso empresarial ocurre cuando estas categorías se tratan como si fueran equivalentes.
En el caso de Ford, la solución no fue abandonar la tecnología, sino reintroducir especialistas para guiar, revisar y mejorar el uso de la automatización. En el caso de Klarna, la corrección no fue negar el chatbot, sino restaurar la posibilidad de contacto humano y desplazar la estrategia de corte de costos hacia calidad y crecimiento.
En las proyecciones de Gartner y Forrester, el movimiento esperado no es la desaparición de la IA, sino la reversión parcial de recortes precipitados y la creación de nuevas funciones asociadas a la supervisión, integración y uso responsable de la tecnología.
Ante este escenario, la crítica necesaria es simple: es técnicamente ingenuo y gerencialmente irresponsable tratar la IA como una solución universal para problemas de productividad. La IA no sustituye automáticamente el conocimiento tácito, la memoria institucional, la empatía, el juicio profesional, la responsabilidad técnica y la capacidad de integración. En algunas situaciones, reduce costos. En otras, simplemente desplaza costos. En otras, aumenta el riesgo. En otras, revela que la empresa no entendía su propio proceso antes de intentar automatizarlo.
En conclusión, el reciente movimiento de recontratación y corrección estratégica muestra que la fase más ingenua de la IA empresarial comienza a encontrar límites concretos. Las empresas que anunciaron la automatización como una amplia sustitución de personas empiezan a enfrentar problemas de calidad, atención, integración, supervisión y retorno económico. La tecnología seguirá siendo relevante, pero la creencia de que resolvería todo empieza a mostrarse como una simplificación costosa.
El futuro más probable no estará compuesto por empresas sin profesionales, operadas por sistemas autónomos genéricos. Estará compuesto por organizaciones capaces de combinar IA con especialistas, procesos maduros, datos confiables y gobernanza. La empresa que entiende esto usa IA para ampliar competencia. La empresa que no entiende despide personas, pierde conocimiento, descubre tarde demasiado el valor de lo que cortó y luego necesita reconstruir, a costo mayor, la capacidad que creía haber automatizado.
| Para tener acceso a las referencias de este texto haga clic aquí |
Quién publicó esta columna
Maurício Acconcia Dias
