Cada vez que leo sobre otra ronda de recortes “por inteligencia artificial”, hago una pausa. No porque dude que la tecnología esté cambiando los organigramas —lo está haciendo—, sino porque la etiqueta se ha vuelto una coartada demasiado cómoda.
El caso de la UNAM lo dejó clarísimo hace unos días: un escándalo de IA que, visto de cerca, no era un problema de la tecnología, sino de cómo se implementó y como se evitó cubir los posibles huecos de seguridad. Y ahí es donde quiero detenerme hoy.
El síntoma que confundimos con la enfermedad
Cuando una empresa despide gente y dice “fue por la IA”, en realidad está describiendo un síntoma, no una causa.
La causa casi siempre es la misma: se metió una herramienta sin construir el sistema humano que la sostiene. Sin criterio distribuido en el equipo para saber cuándo confiar en ella y cuándo no.
Y esa confusión no es gratuita. Los datos de una encuesta reciente de Adaptavist con 2,500 trabajadores del conocimiento lo confirman: el 55% cree que la IA está reduciendo la eficiencia de su equipo, y el 42% dedica más tiempo a verificar los resultados del que realmente ahorra usándola. Ese no es el resultado de “la IA fallando”. Es el resultado de gente sin las bases para detectar cuándo la IA se equivoca.
La métrica que todos celebran y la que nadie mide
Aquí está el problema de fondo, y lo dice bien Neal Riley, responsable de innovación en IA de Adaptavist: a las organizaciones les resulta mucho más fácil medir adopción —quién usa la herramienta, con qué frecuencia— que medir si esa herramienta realmente mejora el trabajo.
Es como premiar a un restaurante por cuántas veces prende la estufa, no por cuánta comida sale bien.
Y esa métrica mal elegida tiene un costo humano que casi nadie pone en el reporte trimestral. El 65% de los trabajadores encuestados siente nostalgia frecuente por cómo se trabajaba antes de que la IA generativa se volviera común. El 38% —casi cuatro de cada diez— eliminaría por completo estas herramientas si pudiera. Y lo más revelador: quienes más la rechazarían no son los veteranos escépticos de siempre, sino la Generación Z y los Millennials, generalmente los más entusiastas con la tecnología. Cuando los más jóvenes son los más hartos, algo en la implementación está mal, no en la generación.
Experiencia y novedad: el error de tratarlas como bandos opuestos
Esto conecta directo con lo que he visto en distintos casos: las empresas arman equipos de IA como si tuvieran que elegir entre el conocimiento del que lleva veinte años y la soltura digital del que acaba de entrar.
No es una elección. Es una integración mal diseñada.
El empleado con experiencia sabe cuándo un resultado de IA “huele mal” aunque no sepa explicarlo con datos. El empleado nuevo domina la herramienta pero no siempre tiene el contexto de negocio para dudar de ella. Juntar ambas cosas —criterio y velocidad— es exactamente el trabajo que ninguna empresa está haciendo bien todavía, y por eso el 46% de los encuestados dice que lidiar con contenido de baja calidad generado por IA hace que su trabajo se sienta menos significativo y más repetitivo.
Nadie despide por eso en el comunicado de prensa. Pero ahí está la fractura real.
No es un problema de la máquina, es un problema de mapa
No es que la IA esté sustituyendo gente. Es que las empresas están sustituyendo la responsabilidad de construir un buen proceso de adopción por la excusa de tener una herramienta nueva.
Y esa distinción cambia todo: si el problema fuera la tecnología, no habría nada que hacer más que resistirla o rendirse a ella. Pero si el problema es el mapa de adopción —quién aprende qué, cómo se detecta el error, quién integra al que ya sabe con el que apenas llega—, entonces sí hay algo que construir. Es justo el tipo de mapa que desarrollo con más detalle en esta guía sobre herramientas de inteligencia artificial gratuitas para quienes están empezando, pensada precisamente para quien necesita ese punto de partida claro, no otra lista de apps.
El consejo no pedido de hoy: antes de aprobar cualquier presupuesto de IA para tu equipo, pregunta primero cómo vas a medir si mejoró el trabajo —no cuántos la están usando. Esa sola pregunta separa una adopción real de un despido disfrazado de innovación.
¿Tu empresa está midiendo si la IA mejora el trabajo, o solo si la gente le hace clic?
