Un artículo de 1983 sobre pilotos automáticos explica mejor lo que le está pasando al gerente intermedio que cualquier reporte de consultoría de este año

En 1983, una ingeniera e investigadora británica llamada Lisanne Bainbridge publicó en la revista académica Automatica un artículo de apenas unas páginas titulado "Ironies of Automation". No hablaba de inteligencia artificial —ese término apenas empezaba a circular fuera de laboratorios de investigación— sino de algo más mundano: cabinas de avión y plantas industriales que, en los años setenta y ochenta, empezaban a automatizarse agresivamente con la promesa de que los operadores humanos dejarían de ser necesarios. Bainbridge documentó algo que la industria no quería escuchar entonces, y que la conversación actual sobre IA y trabajo gerencial sigue sin querer escuchar ahora: automatizar las tareas rutinarias de un sistema no elimina al operador humano. Lo reasigna a una tarea distinta —vigilar el sistema automatizado— que resulta ser, en muchos sentidos, más difícil que la que tenía antes.

El argumento que Bainbridge hizo hace cuatro décadas

La lógica de Bainbridge es, en retrospectiva, incómodamente simple. Cuando un sistema automatizado funciona bien la mayor parte del tiempo, el operador humano que debería supervisarlo deja de practicar activamente las habilidades que necesitaría para intervenir cuando el sistema falla. No es negligencia ni falta de disciplina: es una consecuencia casi mecánica de cómo funciona la atención y la pericia humanas. Una habilidad que no se ejercita se deteriora, y un sistema automatizado, por diseño, reduce las oportunidades de ejercitarla. El resultado es una paradoja cruel: cuanto más confiable es el sistema automatizado, menos preparado está el humano que lo supervisa para el momento específico —raro, mal calendarizado e inevitablemente estresante— en que ese sistema efectivamente falla. Bainbridge documentó este patrón en cabinas de avión, pero el mecanismo que describió no depende de que el sistema sea un avión: depende de la relación entre automatización, práctica y pericia, una relación que aplica con la misma fuerza a cualquier dominio donde un humano supervisa, en lugar de ejecutar, un proceso complejo.

Por qué esta idea de 1983 describe mejor al gerente intermedio de 2026 que cualquier reporte de consultoría reciente

La conversación dominante sobre IA y trabajo gerencial —la que alimenta buena parte de la cobertura sobre recortes corporativos atribuidos a la automatización— asume implícitamente que la IA reemplaza al gerente intermedio reduciendo la cantidad total de supervisión humana que una organización necesita. Si los agentes de IA pueden redactar reportes, resumir datos, priorizar tareas y coordinar flujos de trabajo que antes requerían un gerente de nivel medio, la lógica dice que se necesitan menos gerentes. Lo que esa lógica pasa por alto es exactamente lo que Bainbridge identificó hace cuarenta años: delegar la ejecución de una tarea a un sistema automatizado no elimina la necesidad de supervisión humana sobre esa tarea —la transforma en una supervisión de un tipo distinto, y generalmente más exigente, que requiere evaluar la calidad de un trabajo que el humano ya no hace él mismo. Un gerente que antes redactaba sus propios reportes de desempeño desarrollaba, en el proceso, un juicio fino sobre qué datos importan y cuáles son ruido. Un gerente que ahora revisa reportes generados por un agente de IA necesita ese mismo juicio fino —quizás más afinado— para detectar cuándo el agente generó algo plausible pero equivocado, sin el beneficio de la práctica continua que antes le daba redactar el reporte él mismo.

La evidencia de que esto ya está pasando, sin que se le llame por su nombre

No hace falta buscar muy lejos para encontrar evidencia empírica de esta dinámica, aunque casi nadie la describe usando el vocabulario de Bainbridge. El estudio del MIT Media Lab, a través de su Project NANDA, que encontró que 95% de los pilotos corporativos de IA generativa no muestra impacto financiero medible, suele leerse como evidencia de que la tecnología todavía no funciona bien lo suficiente. Una lectura alternativa, consistente con la ironía de la automatización, es que buena parte de ese fracaso no viene de que la IA genere trabajo de mala calidad, sino de que las organizaciones no desarrollaron la capacidad de supervisión necesaria para distinguir, de forma consistente, cuándo el trabajo generado por IA es bueno y cuándo no lo es —exactamente el tipo de pericia que, según Bainbridge, se atrofia cuando se deja de ejercitar la tarea subyacente. Una encuesta citada ampliamente en reportes de adopción empresarial de 2026 encontró que los empleados cuyos gerentes apoyan activamente el uso de IA tienen 8.7 veces más probabilidad de ver beneficios reales de la tecnología en su trabajo —una cifra que, leída bajo esta lente, sugiere que el factor diferenciador no es la herramienta en sí, sino la calidad de la supervisión humana que se mantiene activa alrededor de ella, no la que se abandona por asumir que ya no hace falta.

El error de diseño organizacional que esto revela

Donde esto se vuelve particularmente relevante para el debate actual sobre "aplanar" las organizaciones y eliminar capas de gerencia intermedia es en un punto de diseño que rara vez se discute explícitamente: si una organización va a delegar tareas de ejecución a agentes de IA, necesita invertir deliberadamente en desarrollar la pericia de supervisión de quienes quedan a cargo de vigilar esos agentes —no asumir que esa pericia aparece automáticamente, ni que se puede prescindir de ella simplemente porque la tarea de ejecución ya no la hace un humano. Bainbridge fue explícita sobre esto en su artículo original: propuso que los sistemas automatizados deberían diseñarse deliberadamente para mantener al operador humano involucrado de forma activa, no pasiva, precisamente para preservar la pericia que necesitaría en el momento de una falla. Trasladado al contexto gerencial actual, eso implicaría que una organización que automatiza tareas con IA debería, en paralelo, rediseñar el rol del gerente que supervisa esa automatización para que siga ejercitando juicio activo —revisando muestras de trabajo con el mismo rigor que si lo hubiera hecho él mismo, por ejemplo— en lugar de simplemente reducir su carga de trabajo y asumir que la supervisión pasiva es suficiente.

Lo que Bainbridge no pudo prever, y lo que sí

Es justo reconocer los límites de esta analogía. Bainbridge escribía sobre sistemas de control en tiempo real, donde una falla puede ser catastrófica e instantánea —un avión que pierde altitud, una planta nuclear que se sobrecalienta—. El trabajo gerencial de oficina no tiene, en la gran mayoría de los casos, ese mismo perfil de riesgo: un reporte mal generado por un agente de IA se puede corregir, revisar y aprender de él sin que nadie salga lastimado. Esa diferencia es real y no debe minimizarse. Pero el mecanismo central que Bainbridge describió —la erosión de la pericia humana cuando se le pide vigilar, en lugar de ejecutar, un proceso automatizado— no depende de que la falla sea catastrófica para ser real. Depende únicamente de que exista una tarea cognitiva compleja, una automatización que reduce la práctica activa de esa tarea, y un momento, eventualmente, en que el juicio humano todavía se necesita. Esas tres condiciones se cumplen en el trabajo gerencial de oficina tanto como se cumplían en una cabina de avión de los años ochenta, aunque las consecuencias de una falla sean, afortunadamente, mucho menos dramáticas.

La pregunta que la discusión actual sobre el "fin del middle manager" no se está haciendo

La narrativa dominante sobre la desaparición del gerente intermedio trata la automatización como una simple sustracción: menos tareas rutinarias, por lo tanto menos gerentes necesarios. Lo que esa narrativa no se pregunta es qué tipo de trabajo gerencial queda después de esa sustracción, y si las organizaciones están preparando deliberadamente a quienes sobreviven esa reducción para hacer ese trabajo nuevo —el de supervisar sistemas que fallan pocas veces, pero de forma impredecible, y que exigen exactamente el tipo de juicio fino que solo se desarrolla practicando la tarea que la automatización ya les quitó. Cuarenta años después de que Bainbridge lo advirtiera en el contexto de cabinas de avión, la pregunta sigue siendo la misma, solo que ahora aplicada a quien revisa, en lugar de escribir, el reporte trimestral: ¿quién está entrenando al supervisor para el día en que el sistema que supervisa, finalmente, se equivoque?

Fuentes

• Bainbridge, L. (1983). "Ironies of Automation." Automatica, 19(6), 775-779.
• MIT Report Finds 95% of AI Pilots Fail to Deliver ROI, Exposing the "GenAI Divide" — Digit.fyi, sobre el estudio del MIT Media Lab / Project NANDA
• AI Agents for B2B Productivity: Anthropic's 2026 Vision — IntuitionLabs, sobre la cifra de gerentes que apoyan activamente la adopción de IA </content>

</invoke>