Las empresas están aplanando su jerarquía para que la IA coordine. El problema es que la coordinación nunca fue el trabajo del gerente intermedio

Gartner proyecta que, hacia 2026, una quinta parte de las organizaciones usará inteligencia artificial para aplanar su estructura jerárquica, eliminando más de la mitad de los puestos de gerencia intermedia que existen hoy. Una encuesta de Korn Ferry encuentra que 41% de los empleados ya reporta que su empresa recortó capas de gerencia en el último año. Solo en el primer trimestre de 2026, distintas fuentes agregadas contabilizan 14,000 puestos eliminados en gerencia intermedia, servicio al cliente, desarrollo de software, recursos humanos y comunicación interna. La lógica detrás de estas cifras es, en apariencia, simple: si la IA puede coordinar flujos de trabajo, procesar información entre departamentos y automatizar reportes, buena parte de lo que hace un gerente intermedio deja de requerir a una persona. Lo que esa lógica no examina con suficiente cuidado es si la coordinación que la IA sí puede ejecutar es, en realidad, el mismo trabajo que un gerente intermedio competente hacía.

Dos trabajos distintos bajo el mismo título

El error de categoría que vale la pena nombrar con precisión es este: "gerente intermedio" nunca fue, en la práctica, un solo tipo de trabajo. Era, para la mayoría de quienes ocupaban ese puesto, una combinación de dos funciones bastante distintas empaquetadas bajo el mismo título. La primera es la coordinación mecánica —tomar información de un lugar, resumirla o reformatearla, y enviarla a otro lugar; dar seguimiento a si una tarea se completó; generar el reporte semanal que resume el estado de un proyecto—. Esta es, genuinamente, el tipo de trabajo que un sistema bien diseñado de IA puede ejecutar con una consistencia que ningún humano sostiene durante ocho horas diarias. La segunda función es la traducción interpretativa: tomar una instrucción estratégica deliberadamente ambigua —porque toda estrategia corporativa de alto nivel tiene que serlo para aplicar a contextos que el estratega nunca vio en detalle— y convertirla en una decisión concreta sobre qué debería hacer, hoy, un equipo específico con las limitaciones, capacidades y dinámicas particulares que solo quien los supervisa de cerca conoce bien.

Por qué la segunda función es mucho más difícil de automatizar de lo que parece desde el organigrama

Desde la perspectiva de un organigrama, o incluso desde la perspectiva de un ejecutivo que revisa cuántos reportes semanales produce cada gerente, estas dos funciones pueden parecer indistinguibles: ambas producen el mismo tipo de artefacto visible —instrucciones que bajan, reportes que suben—. Pero la función de traducción interpretativa depende de un tipo de conocimiento que rara vez se documenta en ningún sistema: quién en el equipo está sobrecargado esta semana aunque su calendario se vea libre, qué prioridad declarada oficialmente en realidad importa menos que otra que nadie puso en la lista, qué instrucción de arriba necesita ajustarse ligeramente para no chocar con un compromiso previo que el estratega desconocía. Un análisis reciente de Harvard Business Review sobre adopción de IA en entornos corporativos describe precisamente esta tensión: buena parte de los despliegues de IA fallan no porque la tecnología no funcione, sino porque la organización trató a sus gerentes intermedios como una capa a la que había que rodear o eliminar, en lugar del mecanismo crítico de traducción entre la herramienta y la tarea real.

El riesgo de optimizar lo que se puede medir, no lo que importa

Hay una tentación de diseño organizacional que vale la pena nombrar porque explica buena parte de este patrón: es mucho más fácil medir el costo de un salario de gerencia intermedia que medir el valor de la función de traducción interpretativa que esa persona cumplía, precisamente porque esa función casi nunca deja un rastro documentado explícito. Cuando una decisión de recorte se basa en lo que es fácil de medir frente a lo que es difícil de medir pero genuinamente valioso, el resultado sistemático es optimizar hacia la eliminación de justo aquello cuyo valor no se puede demostrar con una métrica limpia en una presentación ejecutiva —incluso cuando ese valor termina siendo, en la práctica diaria, lo que hacía que la estrategia de la empresa realmente llegara a ejecutarse de forma coherente en cada equipo.

Lo que pasa cuando se elimina la traducción sin sustituirla

El escenario que el análisis de HBR describe como fracaso típico de adopción de IA no es una empresa donde la tecnología simplemente no funciona: es una empresa donde la IA efectivamente absorbe la función de coordinación mecánica —y lo hace bien—, pero nadie queda a cargo de la función de traducción interpretativa que esa coordinación mecánica necesitaba para dirigirse hacia algo que realmente importara. El resultado observado con frecuencia es que la IA termina coordinando tareas que ya no están bien alineadas con lo que cada equipo específico necesitaba hacer esa semana, porque la persona que habría hecho ese ajuste fino ya no está en el organigrama, y ningún sistema automatizado está diseñado todavía para asumir, con la misma rendición de cuentas, ese tipo de juicio contextual bajo incertidumbre.

Una distinción que los equipos de diseño organizacional rara vez hacen explícita

Si la distinción entre coordinación mecánica y traducción interpretativa es tan relevante como sugiere este patrón, cabría esperar que los procesos formales de rediseño organizacional la hicieran explícita antes de decidir qué puestos recortar. En la práctica, la mayoría de los procesos de aplanamiento que se han hecho públicos en el último año se describen en términos de headcount y ahorro presupuestal, rara vez en términos de qué función específica, dentro del puesto que se elimina, se está asumiendo que la IA puede sustituir genuinamente. Esa ausencia de distinción explícita no prueba que las empresas estén tomando la decisión equivocada en todos los casos —algunos puestos de gerencia intermedia, honestamente, eran mayoritariamente coordinación mecánica con poco valor de traducción real—, pero sí sugiere que el criterio de decisión en muchos casos es el costo visible del puesto, no un análisis genuino de qué función específica de ese puesto sobrevive a la automatización y cuál no.

Lo que las cifras de recorte no están capturando

Vale la pena notar algo sobre la forma en que se reportan las cifras de aplanamiento organizacional: casi todas se expresan en número de puestos eliminados —los 14,000 del primer trimestre, el 41% de empleados que reporta recortes de capas—, pero ninguna métrica pública hace el seguimiento inverso, igual de relevante: cuántas de esas organizaciones, meses después del recorte, tuvieron que reconstruir informalmente la función de traducción interpretativa que eliminaron, ya sea devolviéndole responsabilidades no oficiales a algún sobreviviente del equipo, contratando consultores externos para resolver fricciones que antes resolvía un gerente interno, o simplemente absorbiendo una pérdida de coherencia estratégica que nunca aparece en un reporte financiero trimestral porque no tiene una línea contable propia. La ausencia de esa métrica de seguimiento no significa que el problema no exista —significa que, si existe, es estructuralmente invisible para cualquiera que solo mire los indicadores que las empresas eligen publicar.

El patrón que sí se puede observar en los casos documentados de fricción

En los casos donde la fricción de adopción de IA sí se ha documentado públicamente —el tipo de casos que análisis como el de HBR citan como ejemplo—, un patrón se repite con suficiente frecuencia como para no ser casualidad: la IA se implementa primero como herramienta de productividad individual, dirigida a quienes ejecutan tareas específicas, y solo después alguien se pregunta quién va a decidir cómo esa herramienta cambia la forma en que el equipo completo coordina su trabajo. Para cuando esa pregunta se hace, en los casos de fricción documentados, la persona que habría sido la respuesta obvia —el gerente intermedio que conocía tanto la herramienta nueva como el contexto específico del equipo— ya salió de la organización en una ronda de recorte anterior, dejando la pregunta sin un dueño claro hasta que el problema se vuelve lo suficientemente visible como para requerir una intervención de más alto nivel, generalmente más costosa y más lenta que si la hubiera resuelto la persona que ya estaba ahí.

La pregunta que cada organización va a tener que responder con evidencia, no con intuición

Lo que ni Gartner ni Korn Ferry ni el análisis de HBR pueden responder todavía con certeza es qué proporción de la gerencia intermedia actual era, mayoritariamente, coordinación mecánica sustituible, frente a qué proporción cumplía una función de traducción interpretativa que ningún sistema de IA actual puede replicar con la misma rendición de cuentas. Esa proporción probablemente varía enormemente entre industrias, culturas organizacionales y tipos específicos de equipo, lo que hace que cualquier cifra agregada de "aplanamiento" oculte tanto los casos donde el recorte fue genuinamente una optimización razonable como los casos donde una empresa eliminó, sin saberlo, la única persona que entendía por qué su estrategia tenía que aplicarse de forma distinta en ese equipo específico que en el organigrama idéntico de al lado.

Fuentes

• Middle Managers Will Make or Break AI Adoption — Harvard Business Review
• AI Adoption Is Overloading Your Middle Managers — Harvard Business Review