En 2024, la financiera sueca Klarna anunció que su asistente conversacional gestionaba un volumen de trabajo equivalente al de unos 700 agentes de atención al cliente. Un año después rectificó por boca de su consejero delegado, quien reconoció que ese enfoque había deteriorado la calidad del servicio, y la compañía volvió a contratar personas para las interacciones que exigen criterio. La tecnología funcionaba, el error estuvo en decidir qué parte del servicio convenía delegarle.

El caso no es excepcional. Un informe preliminar de MIT NANDA de agosto de 2025, muy citado desde entonces, estimó que solo alrededor del 5% de los pilotos corporativos de IA generativa alcanzaba un retorno medible en la cuenta de resultados. La realidad es que el problema rara vez está en la tecnología sino en qué tareas se le encargan.

El patrón se repite fuera de Klarna. La radiología es hoy una de las áreas donde más se ha desarrollado la IA clínica y, aun así, entre 2014 y 2023 el número de radiólogos registrados en Medicare creció un 17,3%. Al mismo tiempo, el equipo de Erik Brynjolfsson en el Digital Economy Lab de Stanford encontró que el empleo de los trabajadores de 22 a 25 años en las ocupaciones más expuestas se sitúa un 19% por debajo de donde estaría si hubiera seguido el ritmo de las ocupaciones menos expuestas, mientras el de los perfiles con experiencia se mantiene o crece. Los dos datos parecen contradecirse mientras se miren al nivel de la profesión y dejan de hacerlo al mirar las tareas: las que la IA ejecuta bien son, en muchas ocupaciones, las que se encargaban a quien acababa de llegar.

No todas las tareas se dejan separar igual. Lo que le ocurre a un puesto depende de cuáles se automatizan y de cómo se relacionan con las que permanecen.

Luis Garicano, Jin Li y Yanhui Wu han formalizado esa intuición distinguiendo entre:

En los primeros, la automatización extrae actividades y estrecha el perímetro del puesto: al comercial que dedica las mañanas a construir listas de clientes potenciales y a redactar el primer correo, delegar esa preparación le deja las mañanas para llamar, visitar y cerrar.

En los paquetes fuertes, la automatización mejora el rendimiento sin sacar a la persona del proceso. El abogado litigante ilustra este segundo caso. Un modelo puede analizar el expediente y redactar un borrador del alegato inicial, pero leer las declaraciones, reconstruir los hechos y detectar contradicciones es también el proceso por el que construye la comprensión que después usará para contrainterrogar a un testigo o cambiar de estrategia ante el juez.

Hay una segunda distinción, todavía más determinante para el valor del trabajo. David Autor y Neil Thompson analizaron 303 ocupaciones en Estados Unidos entre 1980 y 2018 y encontraron resultados opuestos ante tecnologías equivalentes:

• A los auxiliares contables, la informática les retiró las tareas menos expertas, como registrar transacciones y hacer cálculos, y les dejó las más exigentes, como explicar por qué un área se ha salido del presupuesto. Estos puestos bajaron de 1,62 a 1,11 millones, alrededor de un tercio, y el salario real medio de quienes permanecieron subió cerca de un 40%.

• A los auxiliares de almacén les ocurrió lo contrario: los sistemas informáticos absorbieron aquello en lo que residía su pericia, el conocimiento detallado de dónde estaba cada referencia y cómo se organizaba el inventario, y les dejaron escanear artículos y reponer estanterías. El número de puestos más que se duplicó y el salario real cayó un 13%. Mirar solo el tamaño de la plantilla habría dado una lectura tranquilizadora pero equivocada.

Las dos automatizaciones se parecen mucho en una hoja de cálculo: las dos ahorran horas y las dos se justifican con el mismo argumento, la diferencia está en qué extremo del puesto se llevó la máquina. A los contables les quitó lo rutinario y les dejó lo que exige criterio, mientras que a los de almacén les quitó justo lo contrario y, con ello, lo que hacía valioso el puesto.

Además, tarda en verse. Un puesto no se abarata el trimestre en que se automatiza, sino cuando quienes lo ocupan ya no tienen dónde aprender lo que sabían sus predecesores y, para entonces, el ahorro está contabilizado y la decisión lleva años tomada.

Hay un coste que solo aparece cuando el sistema ya está funcionando, dentro de los equipos que trabajan con IA a diario. Investigadores de BetterUp Labs y del Social Media Lab de Stanford describieron en 2025 el workslop: informes, textos o código generados con IA que parecen terminados, carecen de sustancia y obligan a rehacer el trabajo a quien los recibe. El 40% de los trabajadores de oficina encuestados en Estados Unidos dijo haber recibido alguno el mes anterior. Resolver cada episodio consume cerca de dos horas y los autores estiman el coste agregado en unos 186 dólares por empleado y mes.

El workslop es la versión benigna del problema. Los modelos también alucinan, es decir, producen información falsa e imprecisa con apariencia de correcta y arrastran sesgos, de modo que sus resultados hay que verificarlos. Cuando nadie lo hace, el error puede costar caro: un tribunal canadiense obligó a Air Canada a aplicar un descuento que su asistente virtual había inventado.

Cada organización debe responder por lo que producen los sistemas que despliega, así que el tiempo de revisión y el riesgo de error entran en el cálculo antes de entregar una tarea a un modelo de IA.

En los dos casos el trabajo cambia de manos más que desaparecer: pasa de quien lo hacía a quien ahora tiene que comprobarlo, y comprobar exige competencias distintas de las que hacían falta para ejecutar. El Foro Económico Mundial estima que el 39% de las habilidades clave se habrá modificado antes de 2030. Ganan peso el pensamiento crítico y la resolución de problemas complejos, y se consolida la alfabetización en IA: saber instruir, evaluar y supervisar estos sistemas, detectar sus errores y reconocer cuándo la decisión exige juicio profesional.

Antes de automatizar una tarea, rediseñar un puesto o ajustar una plantilla, conviene responder tres preguntas. Ninguna lleva a la conclusión de no automatizar, más bien sirven para saber qué hay que hacer además.

El radiólogo sigue ahí porque su puesto es un paquete fuerte: la máquina señala hallazgos en la imagen, pero interpretarlos dentro del cuadro clínico, firmar el informe y responder por esa decisión sigue siendo trabajo de una persona. Además, abaratar las pruebas hizo que se pidieran más, un efecto conocido como la paradoja de Jevons. Al auxiliar de almacén, el sistema le retiró justo lo que le daba valor, su conocimiento del inventario, y el puesto se abarató aunque creciera en número. Los perfiles junior pierden terreno porque sus tareas suelen ser las que la IA hace mejor, y también las que enseñaban el oficio. En ninguno de estos casos decidió la tecnología por sí sola.

Para Recursos Humanos, la unidad de análisis debe ser la tarea, no el puesto completo. Automatizar una tarea puede liberar tiempo para funciones de mayor valor, reducir la importancia del puesto o eliminar una actividad con la que se formaban los futuros expertos. Antes de aprobar un proyecto de automatización, conviene identificar cuál de estos efectos puede producir y cómo se responderá ante él.

La introducción de la IA exige, además, la formación del personal que la utilizará. No basta con aprender a manejar una herramienta, es necesario saber supervisar su funcionamiento, verificar sus resultados, detectar errores y sesgos y reconocer cuándo una respuesta no debe utilizarse. También hay que proteger las rutas de aprendizaje dentro de la organización. Los puestos junior no solo aportan trabajo, son la etapa en la que se adquieren los conocimientos y la experiencia necesarios para llegar a ser sénior. Si se eliminan todos porque la IA puede realizar sus tareas iniciales, ¿de dónde saldrán los expertos de los próximos años?

La decisión sobre qué se delega debe tomarse analizando cada proyecto. Distinguir entre la tarea que sobra y la que sostiene el valor de un puesto es lo que permite quedarse con las dos cosas: las ganancias de productividad que promete la IA y el talento que hará falta para aprovecharlas.