La recontratación de empleados despedidos por causa de la inteligencia artificial se convirtió en una realidad que mucha gente no esperaba ver tan pronto.
Y el dato que resume este escenario es bastante directo: casi 1 de cada 3 gerentes de contratación en Estados Unidos admitieron haber despedido a alguien con la justificación de que la IA asumiría el trabajo — y después tuvieron que dar marcha atrás.
No es un fenómeno aislado.
Empresas como Ford, Commonwealth Bank of Australia e IBM ya pasaron por esto en la práctica, y cada una de ellas aprendió de la forma más costosa posible que existe una diferencia enorme entre automatizar tareas y sustituir funciones enteras.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Lo que estos casos tienen en común es sencillo de entender:
- La automatización funcionó bien hasta el momento en que dejó de funcionar
- Los problemas que quedaron fueron exactamente los más complejos
- Y fue ahí donde la falta de personas cualificadas empezó a pesar en los resultados
No hay alarmismo aquí, ni romantización del trabajo humano.
Lo que hay es un patrón real, documentado, que vale la pena entender antes de tomar cualquier decisión sobre despidos y calidad del trabajo en la era de la IA. 🤖
Qué dicen los números sobre despidos e IA
Según datos citados por CNBC, la empresa de reclutamiento Robert Half constató que casi 1 de cada 3 gerentes de contratación en Estados Unidos llegó a eliminar una posición justificando la decisión por la inteligencia artificial, solo para después traer a alguien de vuelta para esa misma función o para una equivalente. El motivo no fue arrepentimiento emocional. Fue una cuestión práctica: las entregas dejaron de funcionar al nivel esperado, el volumen de trabajo no bajó como se había previsto y los procesos internos fueron perdiendo consistencia. El problema no estaba en la IA en sí, sino en la forma en que la decisión de recortar personal se tomó sin un diagnóstico claro de cuáles funciones podían ser realmente sustituidas y cuáles solo se beneficiarían del soporte tecnológico.
Un informe de la consultora Orgvue, también mencionado por CNBC, reforzó este escenario de forma aún más directa. Entre los líderes empresariales que eliminaron puestos como parte de una implementación de IA — un grupo que representaba el 39% de los encuestados —, más de la mitad, es decir, el 55%, admitió después que los recortes habían sido un error. Este número es revelador porque no viene de críticos externos, sino de los propios gestores que tomaron la decisión. Cuando más de la mitad de quienes apostaron por la sustitución reconoce públicamente que se equivocó, queda claro que no estamos hablando de casos puntuales, sino de un patrón que se repite en diferentes sectores y empresas de distintos tamaños.
Otro punto que llama la atención es que este ciclo de despido y recontratación ganó fuerza justo en un momento en que los recortes ligados a la IA venían subiendo. Según la firma de recolocación Challenger, Gray & Christmas, la inteligencia artificial fue la principal razón declarada para despidos en todos los sectores de Estados Unidos durante tres meses seguidos, y en mayo los recortes relacionados con la IA alcanzaron los 38.579 — cerca del 40% de todos los despidos anunciados ese mes, el mayor total mensual desde que la categoría comenzó a monitorearse, en 2023. Es decir, al mismo tiempo que las empresas recortaban basándose en promesas de automatización, muchas ya empezaban a darse cuenta de que tendrían que recontratar. 📊
Casos reales que muestran dónde la automatización encontró sus límites
Ford es uno de los ejemplos más claros de cuándo la automatización agresiva necesita corrección de rumbo. A lo largo de los últimos tres años, la automotriz contrató a 350 ingenieros veteranos para resolver problemas de calidad en los vehículos que los sistemas automatizados simplemente no lograban identificar. Charles Poon, vicepresidente de ingeniería de hardware de Ford, admitió que la empresa había partido de la suposición equivocada de que bastaba alimentar la IA con los requisitos de diseño para obtener un producto de alta calidad, sin la supervisión de profesionales experimentados. Los ingenieros que regresaron reformularon las herramientas de IA y pasaron a liderar las sesiones de resolución de problemas. El CEO Jim Farley afirmó que este esfuerzo ya generó cientos de millones de dólares en ahorro, gracias a la caída en los gastos de garantía y recall.
El Commonwealth Bank of Australia pasó por una situación diferente, pero con la misma raíz. El año pasado, el banco eliminó más de 40 posiciones de atención al cliente y colocó en su lugar un asistente de voz basado en IA, con la expectativa de reducir costos y mantener el servicio funcionando. Lo que ocurrió fue lo contrario: la tecnología no pudo con la carga de trabajo y provocó un aumento en el volumen de llamadas en vez de disminuirlo. Ante esto, el CBA revirtió los recortes. La institución reconoció, en un comunicado oficial, que no había considerado adecuadamente todas las cuestiones relevantes del negocio cuando anunció los despidos. La calidad del trabajo solo volvió a los niveles anteriores después de que el equilibrio entre lo humano y la tecnología fue restablecido.
Por su parte, IBM vivió un capítulo bastante ilustrativo con un sistema de IA implementado para asumir tareas de recursos humanos. La herramienta logró resolver cerca del 94% de las solicitudes recibidas, lo que a primera vista parece un número excelente. El problema estaba justamente en el 6% restante, que incluía situaciones que involucraban juicio ético y decisiones sensibles — exactamente donde la automatización completa choca con sus límites. Como respuesta, IBM anunció planes de triplicar las contrataciones de nivel inicial en Estados Unidos en 2026, en todas sus unidades de negocio. Nickle LaMoreaux, directora de recursos humanos de la empresa, resumió el razonamiento en un evento en Nueva York: si la compañía no sigue invirtiendo en contrataciones de entrada, dentro de tres o cinco años ya no habrá embudo de talento, y el pozo simplemente se seca. 🏥
Herramientas que usamos a diario
Por qué la calidad del trabajo es el termómetro más honesto de esta ecuación
Cuando las empresas evalúan la adopción de inteligencia artificial con enfoque exclusivo en reducción de costos, suelen medir el éxito por lo que se dejó de gastar, no por lo que se empezó a entregar. Ese punto ciego es exactamente donde el problema comienza a formarse. La calidad del trabajo es el indicador que más tarda en aparecer en los informes financieros, pero es el más honesto sobre lo que realmente está ocurriendo dentro de la operación. Cuando un cliente empieza a notar que las respuestas son más genéricas, que los errores aumentan o que los plazos se van corriendo, eso no aparece de inmediato en el balance — pero sí aparece en los índices de retención, en la reputación de la marca y, eventualmente, en los ingresos. Las empresas que entraron en el ciclo de despidos seguidos de recontratación son, en buena parte, aquellas que tardaron en darse cuenta de que el termómetro correcto no era el financiero de corto plazo.
La automatización funciona muy bien cuando el trabajo que asume es repetitivo, predecible y de baja variación contextual. Procesamiento de datos estructurados, clasificación de documentos estandarizados, respuestas a preguntas frecuentes con guiones bien definidos — esas son áreas donde los modelos de inteligencia artificial entregan ganancias reales y consistentes. El problema aparece cuando la lógica de recorte de personal va más allá de esas fronteras y empieza a alcanzar funciones que parecen repetitivas en la superficie, pero que en la práctica dependen de una adaptación constante. Un redactor que escribe informes técnicos, un analista que interpreta el comportamiento de los clientes o un ingeniero que resuelve problemas de calidad en una línea de producción no están haciendo trabajo estandarizado — están ejerciendo juicio contextual todo el tiempo, y es exactamente ese tipo de juicio el que todavía escapa a los modelos actuales cuando el nivel de exigencia sube.
También vale destacar que parte de las empresas fue criticada por usar la inteligencia artificial como explicación pública para despidos que, en realidad, tenían otras motivaciones — una práctica que algunos especialistas en gestión apodaron AI-washing. Esto vuelve el escenario aún más complejo, porque no todo recorte anunciado como consecuencia de la IA fue realmente causado por ella. Lo que los casos de Ford, Commonwealth Bank e IBM muestran, al final de cuentas, es que la tecnología y las personas, cuando están bien posicionadas, entregan más juntas que cualquiera de las dos por separado. Las empresas que aprendieron esto de la forma difícil están, hoy, estructurando sus procesos de una manera diferente: la automatización entra donde tiene sentido, y las personas se quedan donde el juicio todavía no puede ser replicado. 💡
