Por Canuto  

La promesa de que la inteligencia artificial reduciría drásticamente la carga laboral está chocando con una realidad distinta: en varias empresas nativas de IA, los agentes no están eliminando tareas, sino multiplicando las posibilidades de producción. Eso está creando un nuevo problema para los equipos humanos: un backlog casi infinito que exige más criterio, más coordinación y más trabajo experto.
***

  • Every, una empresa nativa de IA, asegura haber automatizado casi todo lo posible sin despedir personal en favor de agentes.
  • Dan Shipper sostiene que la IA abarata la competencia técnica, pero eleva el valor del juicio humano para crear diferencia.
  • Analistas y mercado comienzan a premiar el crecimiento impulsado por IA más que los simples recortes por eficiencia.

Durante años, buena parte del debate sobre inteligencia artificial se concentró en una idea central: la automatización avanzada reduciría el trabajo humano, sobre todo en tareas de oficina y puestos de entrada. Sin embargo, la experiencia de algunas compañías que ya operan con agentes autónomos sugiere un desenlace menos lineal y mucho más complejo.

El argumento fue expuesto en The AI Automation Paradox: Why Agents Create MORE Work 🤖, del canal AINexLayer, donde se revisa cómo las empresas más volcadas a la automatización con IA no necesariamente están reduciendo equipos. En varios casos, ocurre lo contrario: la tecnología expande el volumen de trabajo posible y aumenta la necesidad de supervisión, criterio y dirección humana.

La discusión cobra peso en 2026, un año que, según el análisis, marcó el paso desde el esquema tradicional de “prompt y espera” hacia agentes capaces de producir por cuenta propia. Esa transición ha alimentado temores importantes en el sector corporativo y tecnológico, pero también ha dejado ver nuevas tensiones operativas que no encajan del todo con la narrativa del reemplazo inmediato.

Entre las advertencias más citadas aparece la del CEO de Anthropic, Dario Amodei, quien señaló que la IA podría anular el valor de los trabajadores humanos y borrar hasta la mitad de los empleos administrativos de nivel inicial. A esto se suman medidas como la instalación de software de rastreo en computadoras de empleados por parte de Meta, con el fin de reunir datos de entrenamiento sobre trabajo de conocimiento avanzado.

El panorama también incluye inquietud entre grandes actores financieros. Ken Griffin, de Citadel, expresó preocupación ante la posibilidad de que empleos de muy alta especialización terminen completamente automatizados por sistemas de IA agéntica. El temor, en otras palabras, no se limita a funciones repetitivas o junior, sino que se extiende a labores complejas y mejor remuneradas.

La empresa que automatizó casi todo y no despidió a nadie

Frente a ese clima de alarma, destaca el caso de Every, descrita como una publicación, empresa de productos y consultoría nativa de IA. Su CEO, Dan Shipper, plantea una paradoja llamativa: la firma ha automatizado todo lo que ha podido, pero no ha sustituido empleados por agentes.

Según su descripción, Every utiliza Codex y Claude Code en áreas como programación, redacción, diseño y atención al cliente. Además, la IA responde actualmente al 95% de los correos del CEO. Pese a ello, la empresa no ha despedido a una sola persona en favor de agentes y mantiene un equipo de casi 30 integrantes.

Más aún, Shipper sostiene que dentro de la compañía hay más trabajo humano que antes. El punto no es menor, porque contradice la expectativa más extendida sobre la automatización. En vez de vaciar la agenda de los equipos, la tecnología amplía la cantidad de cosas que pueden construirse, probarse o lanzarse.

Para entender este fenómeno, el análisis propone una idea central: la aparición de un “backlog infinito”. Antes, en el paradigma de IA asistida, la jornada tenía un límite natural porque el trabajador se cansaba. Con agentes que no duermen ni se fatigan, el trabajo solo se detiene cuando alguien deja de asignar nuevas tareas.

Ese cambio altera la experiencia diaria de los usuarios avanzados. En vez de terminar temprano por ganar eficiencia, muchos ahora enfrentan una nueva forma de saturación: la sensación de que existe una lista interminable de proyectos viables. El problema ya no es solo ejecutar, sino decidir qué merece ser hecho y en qué orden.

Del “prompt y espera” a la colaboración semi-sincrónica

La evolución de uso también ha sido rápida. Hace pocos meses, explica el análisis, la relación con la IA seguía un formato por turnos: el usuario enviaba una instrucción, esperaba, revisaba la salida y volvía a intervenir. Ese modelo resultaba más lento y limitaba la continuidad del trabajo.

Luego llegó una etapa de máxima autonomía, en la que algunos adoptantes tempranos comenzaron a ejecutar agentes en computadoras encendidas las 24 horas, como Mac mini dedicadas, y a supervisarlos mediante mensajes o “heartbeats” temporizados. La promesa era delegar más, pero pronto aparecieron problemas de costo y control.

Esos esquemas consumían tokens con rapidez y solían operar sin suficiente orientación gerencial. Por eso, el punto de equilibrio actual sería una colaboración semi-sincrónica, donde las personas conectan teléfono, portátil y equipos siempre activos para mover una misma tarea entre dispositivos con menor latencia.

El resultado es un flujo de trabajo más continuo, en el que el agente no opera como una caja negra completamente apartada del humano. Más bien funciona como una capa de ejecución muy veloz que requiere intervenciones frecuentes para enmarcar el objetivo, corregir el rumbo y definir el siguiente paso.

El “sándwich humano” y el nuevo rol de los equipos

Uno de los conceptos más gráficos del análisis es el llamado “human sandwich”, o sándwich humano. Un empleado de Every lo usó para describir cómo trabajan con sistemas operativos de IA como Codex y Claude Code cuando se trata de tareas complejas y originales.

La metáfora plantea que los humanos son el pan que va al principio y al final, mientras la IA ocupa el centro y realiza el grueso de la ejecución. En la práctica, el esquema implica tres pasos. Primero, la persona define el marco y lo que cuenta como un buen resultado.

Después, la IA realiza el trabajo pesado. Puede redactar, buscar, programar, resumir o explorar opciones. Finalmente, el humano vuelve para evaluar el resultado, decidir si realmente sirve, ubicarlo en el contexto correcto y determinar cuál es la siguiente unidad de trabajo necesaria.

Lejos de desaparecer, el factor humano se vuelve crítico en la apertura y el cierre del ciclo. Sin esa intervención, la producción automatizada puede perder sentido, calidad o dirección. El cuello de botella ya no es tanto la capacidad de producir borradores, sino la calidad del juicio para convertirlos en algo útil.

El análisis también destaca un cambio en la organización interna de los agentes. En una primera etapa, muchas empresas alentaron a cada empleado a crear un agente personal, casi como una réplica digital propia. Pero ese enfoque generó fricciones importantes.

Si el agente fallaba, el trabajador debía dejar su labor para repararlo. Y si el empleado abandonaba la empresa, gran parte del valor del agente se iba con él, porque dependía demasiado de su entrenamiento personal. Por eso, varias compañías nativas de IA están migrando hacia agentes compartidos por equipo.

Esos agentes actúan más como compañeros de trabajo, gestores de proyecto o jefes de gabinete compartidos. Viven dentro de espacios comunes y conservan el contexto de la organización. Si mejoran sus capacidades, el beneficio se distribuye de inmediato entre varios miembros del equipo.

La abundancia de competencia y la demanda de diferencia

La explicación de fondo, según Dan Shipper, está en la propia arquitectura de los modelos de lenguaje. Estos sistemas se entrenan con el rastro visible de la competencia humana, como código, imágenes o especificaciones de producto. En otras palabras, empaquetan los residuos de tareas ya realizadas con éxito y los vuelven accesibles a gran escala.

Eso abarata la competencia de ayer. Habilidades antes escasas, como producir un pull request complejo o diseñar una miniatura llamativa, se vuelven mucho más accesibles. Cuando el costo de una capacidad rara cae de forma abrupta, su oferta se dispara y empieza a difundirse entre perfiles que antes no la poseían.

De ahí que personal de operaciones o servicio al cliente ahora pueda emitir solicitudes de código, mientras ingenieros de software pueden generar artículos completos. Pero el efecto secundario de esa democratización es la proliferación de “slop”, un término usado para describir trabajo correcto en apariencia, pero homogéneo y poco diferenciado.

No se trata necesariamente de errores concretos. El problema es la repetición de una misma base estilística y conceptual. Cuando muchas personas usan los mismos modelos entrenados sobre corpus similares, sin aportar reflexión propia, el resultado tiende a una uniformidad visible y difícil de ignorar.

Shipper resume esta tensión con una frase clave: “La abundancia crea uniformidad. La uniformidad crea una demanda de diferencia”. En ese entorno, el valor del juicio humano experto aumenta, porque el mercado necesita piezas que se aparten del promedio y respondan a necesidades reales del presente.

La IA, bajo esta lógica, solo conoce el trabajo que ya fue hecho. Los humanos, en cambio, identifican lo que debe hacerse ahora. Por eso, abaratar el trabajo experto no elimina a los expertos, sino que multiplica los contextos en los que su criterio se vuelve indispensable.

Mercado, empleo y el giro desde la eficiencia hacia el crecimiento

La implicación más amplia es que la IA podría expandir el empleo más de lo que lo contrae, al menos en el largo plazo. El análisis cita a Gartner, cuyos especialistas han comenzado a cuestionar la visión más sombría sobre el futuro del trabajo. Aunque admiten posibles ajustes o despidos ligados a IA hacia 2028, sostienen que el efecto neto final sería expansivo.

La razón sería simple: si la IA permite hacer cosas antes imposibles, aumenta el volumen total de trabajo económicamente viable. Pero ese volumen adicional no se traduce automáticamente en valor. Sigue requiriendo personas que definan prioridades, aseguren calidad y conviertan la producción abundante en propuestas realmente distintas.

El mercado, además, parece empezar a premiar esa visión. El caso mencionado es Atlassian. En marzo, la empresa anunció despidos por 10% y su acción cayó hasta un mínimo del año. Más tarde, reportó un crecimiento de ganancias de 29%, apoyado en fuertes ventas de nuevos productos mejorados con IA.

Tras ese anuncio, la acción subió 29% en una sola noche. El mensaje para los inversionistas parece cambiar: ya no basta con exhibir recortes y eficiencia operativa. Hay mayor apetito por crecimiento impulsado por IA, nuevas capacidades y expansión del negocio.

En ese contexto, las empresas que saquen ventaja no serían necesariamente las que usen agentes para recortar nómina más agresivamente. La ventaja podría quedar del lado de quienes inviertan en la capacidad de sus equipos para trabajar con agentes, supervisarlos y aprovecharlos como multiplicadores de criterio humano.

La conclusión del análisis es que los modelos de lenguaje terminarán por commoditizarse. Si eso ocurre, la diferencia competitiva no estará solo en acceder a la tecnología, sino en la calidad de las personas que sepan dirigirla. Más que una herramienta de ahorro presupuestario, los agentes se perfilan como una inversión en capacidad humana aumentada.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados