Después de la pirámide: qué cambia en el trabajo cuando la IA rinde más

Circula una imagen con una promesa seductora: antes de la inteligencia artificial, la carrera era una pirámide; después, la pirámide se convierte en un diamante. La IA se apodera de la base, las personas se levantan para decidir, liderar y generar resultados. Menos tarea. Más propósito.

Como dirección, la imagen es poderosa. Como predicción, está incompleta.

Tiene razón al demostrar que realizar una tarea ya no es la única unidad de valor. Es un error sugerir que la base simplemente desaparece, que cada profesional se convierte en un líder o que el propósito surge automáticamente cuando una herramienta rinde más. La verdadera transición es menos geométrica y más exigente: se están recombinando tareas, responsabilidades y caminos de aprendizaje.

El dato más importante no es la media

Uno de los estudios de campo más citados sobre la IA generativa en el trabajo siguió a 5.172 agentes de soporte. en versión final publicada en el Quarterly Journal of Economics, el acceso a un asistente aumentó el número promedio de problemas resueltos por hora en un 15%. El efecto fue heterogéneo: el quintil con menor calificación tuvo una ganancia del 36%, y las ganancias se concentraron entre los profesionales menos calificados y con menos experiencia. Esto no significa que cada principiante haya mejorado en un 36%: la habilidad y la experiencia son dimensiones relacionadas, pero no equivalentes. [CAREER-A18-C1]

En el desarrollo de software, tres experimentos aleatorios realizados en Microsoft, Accenture y una empresa Fortune 100 reunieron a 4.867 profesionales. un Investigación de Microsoft informó un aumento del 26,08 % en las tareas completadas en todos los experimentos, con una mayor adopción y ganancias entre los desarrolladores menos experimentados. [CAREER-A18-C2]

Estos resultados no prueban que los principiantes ya no sean necesarios. Señalan algo casi opuesto: en contextos delimitados, la IA puede distribuir parte del conocimiento de personas más experimentadas y reducir la brecha de desempeño inicial. El efecto no es uniforme ni transfiere automáticamente la responsabilidad por el resultado.

Por tanto, la media oculta la decisión más importante. La pregunta no es sólo “¿cuánto produce la IA?”, sino Quién aprende, quién controla, quién responde y en qué sistema de trabajo..

La exposición de tareas no significa la desaparición de puestos de trabajo

O índice global refinado de la Organización Internacional del Trabajo parte de las tareas, no de los títulos de trabajo. El estudio analizó una muestra representativa de 29.753 tareas ocupacionales, recopiló 52.558 reseñas sobre 2.861 tareas y combinó este material con la validación de expertos.

El resultado estimado es relevante: una de cada cuatro personas empleadas ejerce una profesión con algún grado de exposición a la IA generativa, mientras que el 3,3% del empleo mundial se encuentra en el nivel más alto de exposición. La propia OIT destaca que, como la mayoría de las ocupaciones combinan tareas automatizables con tareas que requieren intervención humana, La transformación es más probable que la sustitución completa.. [CAREER-A18-C3] [CAREER-A18-C4]

La exposición indica capacidad técnica potencial. No determina adopción, calidad, costo, regulación, demanda, reorganización laboral o pérdida de empleo. Convertir la exposición en destino es cambiar una medida por una profecía.

La forma más útil es un diamante andamiado.

Si la pirámide tradicional representaba mucha ejecución en la base y poca toma de decisiones en la cima, la nueva forma no debería ser una pirámide invertida. Una representación más honesta sería una diamante con andamio de aprendizaje y control.

En el fondo, los sistemas de IA amplían la capacidad de investigar, sintetizar, programar, probar, documentar y operar. En el centro, los profesionales combinan contexto de dominio, criterios de calidad, comunicación y revisión. En la cima, las decisiones de riesgo, prioridad, inversión y dirección siguen asignadas explícitamente a las personas.

El andamio lo conecta todo:

• intención clara antes de la ejecución;
• contexto y limitaciones que la IA no puede inventar;
• contratos, pruebas y criterios de aceptación;
• revisión proporcional al riesgo;
• rastro de evidencia y posibilidad de corrección;
• mentoría para que la velocidad también produzca aprendizaje;
• responsabilidad humana por el efecto en los clientes, los equipos y la sociedad.

Esta lectura es consistente con la DORA 2025: La IA actúa principalmente como un amplificador de las fortalezas y debilidades ya existentes. El retorno proviene no sólo de la herramienta, sino del sistema organizacional en el que opera. [CAREER-A18-C5]

En una organización sana, la IA puede amplificar la claridad, la retroalimentación rápida y las mejores prácticas. En una organización desordenada, puede amplificar el volumen, la deuda, el riesgo y el retrabajo.

La paradoja del entrenamiento

Las tareas más fáciles de automatizar también suelen ser las tareas que se utilizan para capacitar a alguien: investigar un caso simple, escribir el primer borrador, corregir un pequeño error, preparar un análisis, observar a un profesional con más experiencia revisarlo.

Si la empresa automatiza estas tareas y mantiene el antiguo modelo de desarrollo de personas, crea un problema silencioso. El trabajo de entrada disminuye, pero aumenta la demanda de juicio. Al mismo tiempo, faltan experimentos graduales para construir este juicio.

El riesgo no es sólo que “hay menos jóvenes”. Está interrumpiendo la producción de futuros profesionales senior y concentrando el contexto en unas pocas personas. Surge un cuello de botella en la revisión: la IA genera más artefactos, pero los profesionales capaces de evaluar las consecuencias siguen siendo escasos.

El camino a seguir no es preservar el trabajo mecánico por nostalgia. Se trata de rediseñar el aprendizaje:

• los principiantes producen con IA, pero explican las decisiones y verifican el resultado;
• las revisiones enseñan criterios, no sólo devuelven una versión corregida;
• las tareas reales se dividen por riesgo y dificultad, con autonomía progresiva;
• los fracasos seguros se convierten en material de aprendizaje;
• El progreso se mide por la calidad del juicio y el tiempo hasta la autonomía, no por el volumen de prompts.

Qué cambia en cada etapa de la carrera

Para aquellos que empiezan

La diferencia no será escribir más rápido ni recolectar herramientas. Demostrará que puedes transformar una intención ambigua en un resultado verificable.

Aprenda los fundamentos del dominio, analice el problema, indique lo que no sabe, use IA para explorar alternativas y registre cómo verificó la respuesta. Su portafolio debe mostrar razonamiento, evidencia, pruebas, correcciones y aprendizaje, no solo un resultado pulido.

Para profesionales experimentados y senior

El conocimiento tácito ahora tiene una segunda función: además de resolver problemas, debe transformarse en patrones, ejemplos, criterios, evaluaciones y barreras de seguridad que otras personas y sistemas puedan utilizar.

El profesional senior que simplemente corrige todo al final se convierte en un cuello de botella. Quien diseña el sistema de calidad, enseña criterios y define dónde es segura la autonomía multiplica la capacidad.

Para gerentes

No basta con comprar licencias y cobrar por la adopción. El trabajo consiste en rediseñar el flujo: dónde puede actuar la IA, dónde necesita pedir confirmación, quién lo revisa, qué datos pueden llegar, qué evidencia acompaña al resultado y cómo los principiantes continúan aprendiendo.

Reducir las personas antes de entender este sistema puede producir ahorros aparentes y dependencia real: menos capacidad interna para juzgar lo que genera la propia automatización.

Para ejecutivos y nivel C

La pregunta ya no es "¿qué modelo vamos a utilizar?" y se convierte en “¿qué capacidad queremos desarrollar, qué riesgo aceptamos y quién es responsable del resultado?”.

Los modelos cambian. La arquitectura de decisiones, los límites de la autonomía, la protección de datos, los estándares de evidencia y la capacitación de las personas deben sobrevivir a este intercambio.

Liderar no significa convertirse en jefe

La frase “los humanos lideran” puede crear otra confusión. No todo el mundo necesita liderar equipos. Liderar, en este contexto, es ejercer agencia sobre el trabajo:

• formular el problema correcto;
• elegir criterios y hacer concesiones;
• reconocer cuando la respuesta parece buena pero es incorrecta;
• comunicar incertidumbre y límites;
• asumir la responsabilidad de una decisión;
• conectar la ejecución con un resultado que importe.

Un excelente ingeniero, analista, diseñador, vendedor o investigador puede liderar una decisión sin ocupar un puesto directivo. La carrera profesional tiende a parecerse más a una red de responsabilidades que a una única escalera de puestos.

Qué medir para saber si el cambio es real

El conteo de prompts, líneas generadas o usuarios activos mide la actividad. Para evaluar la transformación del trabajo, la organización necesita indicadores que conecten velocidad, calidad y aprendizaje:

• tiempo hasta un resultado aceptado, y no sólo hasta la primera versión;
• porcentaje de resultados aprobados sin reelaboración relevante;
• cargo de revisión humana por unidad entregada;
• incidencias, regresiones y correcciones posteriores a la entrega;
• tiempo para que una persona novata opere de forma autónoma dentro de un ámbito definido;
• distribución de ganancias entre niveles de experiencia;
• decisiones que quedan sin dueño claro;
• Impacto percibido por los clientes y las personas que realizan el trabajo.

Si la producción crece y la revisión explota, no había autonomía: había transferencia de cola. Si el tiempo disminuye y las incidencias aumentan, la productividad no está completamente definida. Si sólo mejoran los mejores profesionales, la organización puede estar ampliando la desigualdad de capacidades.

Un experimento de 30 días

En lugar de reorganizar la empresa en función de una imagen, elija un flujo real, repetible y reversible.

1. Registrar la línea base de tiempo, calidad, retrabajos e incidencias.
2. Separe las tareas de consecuencias bajas, medias y altas.
3. Define dónde sugiere la IA, dónde ejecuta y dónde debe detenerse.
4. Dar a una pareja formada por una persona con menos experiencia y otra con más experiencia el mismo contexto y los mismos criterios de aceptación.
5. Exigir evidencia de verificación para cada entrega.
6. Compare los resultados aceptados, la revisión y la carga de aprendizaje, no solo los resultados sin procesar.
7. Registre qué debería convertirse en estándar, qué requiere una nueva barandilla y qué no debería automatizarse.

Este experimento produce una respuesta local y auditable. Vale más para su organización que una predicción genérica sobre el futuro de todos los puestos de trabajo.

La posición de FORGE

En FORGE, el principio “conocimiento humano + IA” no sitúa a los humanos como decoración de una máquina autónoma. La persona define intención, límites, criterios y responsabilidad. Los agentes operan en ámbitos delimitados. Pruebas, revisiones y evidencias observan el trabajo. El resultado se puede corregir y la decisión sigue siendo asignable.

Esto ya no garantiza un propósito. Crea las condiciones para que las personas gasten menos energía en la repetición y más en comprender, decidir, construir relaciones y mejorar los sistemas. La elección sigue siendo organizativa y humana.

Conclusión

La pirámide no se convierte automáticamente en diamante. La IA no elimina la necesidad de establecer una línea de base; cambia lo que hace la base, acelera algunas curvas de aprendizaje y amenaza otras. Tampoco promueve que todas las personas sean líderes. Aumenta el valor de quienes pueden conectar la ejecución con el contexto, la verificación y las consecuencias.

Menos tareas y más propósitos es una posibilidad de diseño, no un efecto automático de la IA.

El futuro del trabajo se decidirá menos por la forma del organigrama y más por la calidad del sistema que construyamos entre personas, agentes, aprendizaje y responsabilidad.

Fuentes y límites de esta versión.

• Brynjolfsson, Li y Raymond — IA generativa en acción, Quarterly Journal of Economics 140(2). Versión final revisada por pares; estudio de campo en atención al cliente que no debe generalizarse directamente a todas las ocupaciones. El aumento del 36% se refiere al quintil de habilidades más bajo, no a todos los principiantes o profesionales con menos experiencia.
• Cui et al. —Los efectos de la IA generativa en el trabajo altamente calificado, Microsoft Research. Tres experimentos con asistente de código; el resultado agregado es ruidoso y el material es preimpreso.
• Gmyrek et al. — La IA generativa y el empleo, Documento de trabajo 140 de la OIT. Mide la exposición potencial a la tarea; no mide los despidos realizados ni prevé una estructura organizativa única.
• DORA — Estado del desarrollo de software asistido por IA 2025. Investigación enfocada al desarrollo de software; La idea de ampliación organizacional se utiliza aquí como un principio de diseño, no como una ley universal del mercado laboral.

Las referencias anteriores integran un corte de copia cero con hashes y recibos de adquisición. La revisión fáctica y aprobación de esta versión estuvo a cargo del propio autor, Fernando Parreiras, sobre el digest exacto. Esta versión no ha tenido revisión humana independiente.