Las empresas no se están reestructurando por lo que la IA hace: se están reestructurando por lo que creen que va a hacer

El 22 de septiembre, Timnit Gebru y Emily M. Bender —dos de las voces más persistentemente escépticas sobre el ecosistema de IA generativa— publicaron en MIT Technology Review un ensayo que no trata, en el fondo, sobre modelos de lenguaje. Trata sobre cómo se fabrica una narrativa. Documentan dos episodios del verano de 2026 que, en su momento, dominaron titulares como evidencia de capacidades de IA asombrosas: un supuesto caso de un modelo "fuera de control" que, examinado de cerca, resultó ser una falla de seguridad convencional en la infraestructura de OpenAI; y un presunto hallazgo matemático "novedoso" producido por un modelo, que matemáticos profesionales después calificaron como no original y posiblemente derivado sin atribución. Ninguno de los dos episodios era, estrictamente, mentira —ambos tenían algo real detrás—, pero ambos fueron presentados al público con un grado de asombro que la realidad, examinada con cuidado, no sostenía.

El patrón no es nuevo, pero la escala del rediseño organizacional sí lo es

Episodios de exageración tecnológica no son exclusivos de la IA —cada ola tecnológica reciente, de blockchain a la realidad virtual, ha tenido su temporada de titulares que no resistieron el escrutinio—. Lo que distingue este momento es la velocidad y la permanencia de las decisiones organizacionales que se están tomando sobre la base de esa narrativa, antes de que la evidencia agregada la respalde. Gebru y Bender citan datos que muestran que cerca del 90% de las empresas no reportan una ganancia de productividad medible atribuible a IA en los últimos tres años —una cifra que contrasta de forma incómoda con la cantidad de decisiones de reestructuración corporativa (recortes de personal, consolidación de equipos, redefinición de roles de nivel inicial) que ya se tomaron explícitamente citando la IA como justificación.

Por qué el incentivo de exagerar es estructural, no accidental

Vale la pena detenerse en el argumento central de Gebru y Bender sobre por qué este patrón se repite: no es que los proveedores de IA mientan de forma gratuita, es que el modelo de negocio completo de la industria —valuaciones que dependen de proyecciones de adopción masiva, rondas de financiamiento que se justifican con promesas de transformación radical, competencia entre laboratorios por ser percibidos como los líderes de la frontera técnica— crea un incentivo comercial directo y sostenido para presentar cada avance incremental como un salto cualitativo. Esto no requiere ninguna conspiración deliberada: basta con que cada actor individual del ecosistema —desde el laboratorio que anuncia el modelo hasta el periodista que cubre el anuncio, pasando por el consultor que vende el proyecto de "transformación con IA"— tenga un incentivo marginal para inclinarse hacia la versión más impresionante de la historia, y el resultado agregado es sistemáticamente optimista frente a lo que la evidencia sostiene.

El problema de quién absorbe el costo de haber creído la narrativa demasiado pronto

La asimetría más incómoda de este patrón es quién paga el costo cuando la narrativa resulta más optimista que la realidad. Un laboratorio de IA que exagera una capacidad y después tiene que matizarla pierde, en el peor caso, algo de credibilidad mediática pasajera. Una empresa que, basándose en esa misma narrativa, ya recortó un equipo completo asumiendo que la IA cubriría ese trabajo con calidad equivalente, no tiene una forma igual de reversible de deshacer esa decisión: el conocimiento institucional que salió por la puerta con las personas despedidas no regresa simplemente porque, seis meses después, la empresa descubra que la herramienta no rendía lo prometido. El costo de haber creído la narrativa demasiado pronto no lo absorbe quien la generó, lo absorbe quien actuó sobre ella.

La "seniorización" como síntoma del mismo problema desde otro ángulo

Un fenómeno relacionado, documentado en análisis recientes sobre el mercado laboral de entrada, es lo que algunos investigadores han empezado a llamar "seniorización": puestos que tradicionalmente se consideraban de nivel inicial —y que servían como la vía de entrada estándar para profesionales jóvenes— ahora exigen, en sus descripciones de empleo, habilidades estratégicas y de juicio que antes se reservaban para roles mucho más senior. La lógica implícita detrás de este cambio es que la IA ya cubre las tareas rutinarias que antes entrenaban a un junior, así que lo que la empresa necesita contratar ahora es a alguien que ya traiga el juicio que antes se desarrollaba dentro del puesto. El problema circular que esto crea es evidente apenas se piensa dos pasos adelante: si ya no existen los puestos donde ese juicio se desarrollaba originalmente, la siguiente generación de profesionales con juicio senior genuino —no solo con el título del puesto— simplemente no va a tener dónde formarse.

Lo que el escepticismo bien dirigido no implica

Es importante ser preciso sobre lo que este tipo de escrutinio no está diciendo: ni Gebru y Bender, ni la evidencia sobre productividad agregada, sostienen que la IA generativa carezca de utilidad real en contextos específicos y bien delimitados. La crítica no es contra la herramienta, es contra el salto narrativo entre "esta herramienta resuelve bien un conjunto específico de tareas, bajo supervisión, en contextos acotados" y "esta herramienta justifica un rediseño estructural completo de cómo se organiza el trabajo en mi empresa". Ese salto —de capacidad demostrada a transformación asumida— es exactamente el tipo de inferencia que una cultura corporativa dispuesta a creer la versión más impresionante de cada anuncio tiende a hacer sin pedir la evidencia intermedia que debería sostenerla.

El rol del consultor como amplificador, no como filtro

Buena parte de cómo una narrativa tecnológica exagerada se traduce en decisiones organizacionales concretas pasa por un intermediario que rara vez se analiza con el mismo escrutinio que los laboratorios de IA: la industria de consultoría de transformación digital, que durante los últimos dos años construyó una porción considerable de su propuesta de valor alrededor de ayudar a las empresas a "no quedarse atrás" frente a la IA. El incentivo de un consultor —cobrar por diseñar e implementar una reestructuración— no está alineado con el incentivo de verificar primero, con rigor y escepticismo, si la capacidad que esa reestructuración asume realmente existe al nivel prometido. Esto no implica mala fe sistemática por parte de la industria de consultoría, pero sí explica por qué el filtro que uno esperaría entre "narrativa de laboratorio" y "decisión ejecutiva concreta" —un tercero que verifique antes de recomendar un rediseño— termina, con más frecuencia de la que debería, funcionando como amplificador de la misma narrativa que debería estar poniendo a prueba.

Por qué la métrica de productividad agregada es, paradójicamente, difícil de cuestionar y fácil de ignorar

Hay algo revelador en el hecho de que una cifra tan contundente como el 90% de empresas sin ganancia medible de productividad no haya frenado, por sí sola, el ritmo de reestructuraciones basadas en IA. Parte de la explicación es que una cifra agregada de este tipo es fácil de descartar caso por caso: cualquier ejecutivo puede argumentar que su empresa específica es la excepción, que su caso de uso es distinto, que los resultados todavía no se materializan porque la implementación apenas empezó. Cada una de esas objeciones puede ser cierta en un caso individual —la cifra agregada no dice que ninguna empresa se beneficia, dice que la mayoría todavía no lo demuestra con datos—, pero la suma de miles de ejecutivos haciendo la misma apuesta individual de "nosotros sí seremos la excepción" es, estadísticamente, exactamente el patrón que produce un 90% de resultados decepcionantes a nivel agregado.

La pregunta que ninguna empresa quiere hacerse en voz alta todavía

Lo que este ensayo deja como tarea pendiente, más que una respuesta, es una pregunta incómoda para cualquier organización que ya tomó decisiones estructurales basadas en la narrativa de IA del último par de años: si la evidencia agregada eventualmente converge hacia algo más modesto que lo prometido —ni la transformación radical que algunos anunciaron, ni la irrelevancia que otros temían, sino algo intermedio y específico por industria—, ¿qué parte de la reestructuración ya hecha resultará haber sido una respuesta proporcional a lo que la tecnología realmente entregaba, y qué parte resultará haber sido, simplemente, una apuesta prematura disfrazada de inevitabilidad?

Lo que distingue a las organizaciones que sí parecen beneficiarse

Dentro del mismo cuerpo de investigación que documenta el 90% de empresas sin ganancia medible, hay una franja minoritaria que sí reporta resultados concretos, y lo que distingue a esas organizaciones no suele ser el modelo de IA que usan —en su mayoría son los mismos productos disponibles para cualquiera—, sino la disciplina con la que delimitaron el problema antes de implementar: definieron una tarea específica, con un criterio de éxito medible y acordado de antemano, y evaluaron el resultado real contra ese criterio antes de expandir el uso de la herramienta a otras áreas. Es, en esencia, lo opuesto al patrón de reestructuración amplia basada en una promesa general de transformación: es la metodología lenta y poco vistosa de validar antes de apostar, exactamente la disciplina que la presión competitiva de "no quedarse atrás" tiende a erosionar en el resto del mercado.

Fuentes

• Don't be fooled by this summer of AI hype — MIT Technology Review (Timnit Gebru y Emily M. Bender)
• A Collection of HBR's Most Insightful Research on AI at Work — Harvard Business Review