La frontera sigue abierta: por qué fracasan los despliegues corporativos de IA, por qué ganan los equipos ágiles y por qué las verdaderas prioridades son mayores que los despidos

En 2026 la inteligencia artificial se comercializa como una capacidad madura y lista para enchufar: algo que compras, enciendes y apuntas a un problema. La realidad está menos resuelta. El año pasado OpenAI publicó una investigación que sostenía que los grandes modelos de lenguaje alucinan no por un error subsanable, sino porque la forma en que se entrenan y califican premia la adivinación segura por encima de admitir la incertidumbre; el modo de fallo es, en parte, estructural. Las pruebas independientes refuerzan el argumento: investigadores de Stanford descubrieron que los modelos punteros alucinan en la mayoría de ciertas consultas jurídicas especializadas, y los nuevos baremos de 2025-2026 muestran que las tasas de fallo se disparan en contextos multimodales y en idiomas distintos del inglés. Esta no es una tecnología resuelta.

La fiabilidad es solo la mitad del asunto. La propia práctica está en plena ebullición. Modelos, herramientas, precios y mejores prácticas se reescriben cada pocos meses; un procedimiento operativo estándar redactado en enero queda obsoleto en verano. Categorías enteras de herramientas que definieron principios de 2025 ya han quedado superadas. Eso no es lo que parece una tecnología madura e industrializada: es lo que parece una frontera, con alta recompensa, alta incertidumbre y ningún manual consolidado que una empresa pueda simplemente comprar e instalar.

Las fronteras tienen un sesgo estructural. Recompensan a las personas y organizaciones que pueden moverse, aprender y volver a decidir con rapidez, y castigan a las que deben comprometer enormes recursos por adelantado y no pueden dar marcha atrás. Ese único hecho replantea toda la historia de la IA en 2026. La ventaja decisiva no es el capital ni la plantilla: es la adaptabilidad. Que es precisamente la razón por la que tantos de los despliegues de IA más grandes y mejor financiados son los que generan los peores titulares.

Las cifras son contundentes. En agosto de 2025, la iniciativa NANDA del MIT informó de que aproximadamente el 95 % de los pilotos empresariales de IA generativa no produjeron ningún impacto medible en la cuenta de resultados. Leído con precisión, eso significa que no lograron generar ingresos rápidos, y la causa que identificaron los investigadores fue organizativa —una «brecha de aprendizaje»— y no una mala calidad del modelo. De forma reveladora, las herramientas compradas a proveedores especializados tuvieron éxito con mucha más frecuencia que los ambiciosos desarrollos internos, una señal de que el cuello de botella es la integración y el criterio, no la capacidad bruta.

Las retiradas vinieron después. S&P Global descubrió que la proporción de empresas que abandonaban la mayoría de sus iniciativas de IA saltó del 17 % al 42 % en un solo año. Klarna, que había presumido de que su asistente de IA hacía el trabajo de 700 agentes, dio marcha atrás en 2025 después de que su director ejecutivo reconociera que el enfoque totalmente automatizado producía un servicio de «menor calidad», y empezó a recontratar personas. McDonald's puso fin a su prueba de voz en el autoservicio impulsada por IBM tras una serie de errores, y Taco Bell ralentizó públicamente su propio despliegue después de que un bromista pidiera 18.000 vasos de agua.

El hilo conductor no es que la IA no funcione. Es que se aplicaron la velocidad y la escala antes que el criterio. Los pilotos se impusieron desde arriba, el éxito se midió por la cantidad de personal eliminado en lugar de por los problemas resueltos, y la organización no pudo aprender lo bastante rápido para corregir el rumbo antes de que aflorara la brecha de calidad. La tecnología era de frontera; la gestión era industrial. Ese desajuste —no el modelo— es el fracaso.

La versión más visible del error es el anuncio de despidos disfrazado de estrategia de IA. Marc Benioff, de Salesforce, dijo en 2025 que la empresa había recortado el personal de atención al cliente de unos 9.000 a aproximadamente 5.000 porque, con su sistema Agentforce gestionando alrededor de la mitad de las interacciones, «necesita menos cabezas»: un giro notable respecto a sus garantías anteriores, y uno que dejó al personal restante absorbiendo los huecos. El director ejecutivo de Shopify pidió a los gerentes que demostraran que un puesto no puede ser realizado por la IA antes de aprobar cualquier nueva contratación. El memorando «AI-first» de Duolingo provocó una reacción tan feroz que su director ejecutivo se desdijo públicamente: «Esto fue culpa mía. No di suficiente contexto».

¿Por qué es un error? Porque estás cambiando conocimiento institucional, confianza del cliente y moral de la plantilla por una capacidad que todavía es de fiabilidad fronteriza, apostando a que el ahorro se materializará antes de que aparezca la brecha de calidad. Klarna es la prueba de que la brecha aparece primero. Además, envías una señal inconfundible a todos los que se quedan —que ellos son los siguientes—, lo que corroe justamente el esfuerzo discrecional y la buena voluntad de los que depende en realidad una adopción exitosa de la IA. El recorte parece decisivo en una diapositiva y costoso en todo lo demás.

El contraejemplo instructivo es IBM. Su sistema AskHR automatizó alrededor del 94 % de las tareas rutinarias de recursos humanos y reemplazó aproximadamente 200 puestos de RR. HH., pero el empleo total de IBM aumentó, porque el ahorro se reinvirtió en programadores y comerciales. Esa es toda la diferencia entre usar la IA para encoger una empresa y usarla para reasignar a las personas hacia un trabajo de mayor valor. Una es un reflejo de reducción de costes; la otra es una estrategia. Las empresas que acumularán una ventaja con la IA son las que tratan la capacidad humana liberada como algo que redirigir, no que descartar.

En ningún sitio es más equivocado el reflejo de despedir que en el servicio de cara al cliente, porque los clientes lo notan. Las encuestas descubren de forma constante que aproximadamente el 79 % de los consumidores prefieren a un humano antes que a un agente de IA, alrededor del 86 % afirma que la interacción humana importa para su experiencia con la marca, y el 61 % siente que los agentes humanos entienden mejor sus necesidades que la IA. Para asuntos delicados —fraude, reclamaciones de seguros, cualquier cosa que implique dinero o angustia—, alrededor del 67 % siempre quiere a una persona. Esto no es nostalgia; son afirmaciones sobre dónde reside la confianza.

Pero esto no es un argumento en contra de la IA. Cerca del 69 % de los consumidores afirma que es importante que la IA y los agentes humanos trabajen juntos. El modelo ganador está asistido por IA y gestionado por personas: la IA redacta, recupera, resume y clasifica a velocidad de máquina, mientras que una persona se encarga de la relación, la decisión de criterio y la empatía. La IA acelera el trabajo; la persona conserva la confianza. La automatización pura optimiza la partida de costes y degrada silenciosamente el activo —la relación— que esa partida de costes se suponía que debía proteger en primer lugar.

Esto es doblemente cierto entre culturas. En un mercado como Japón, donde el servicio se trata como un oficio y se recompensa la precisión cultural, una capa de soporte exclusivamente de IA se percibe como un retroceso en lugar de una mejora. El patrón correcto —el que Medusa Japan aplica a su propio trabajo multilingüe— está acelerado por IA pero terminado por personas: velocidad de máquina en las partes mecánicas, autoría humana en todo lo que un cliente realmente ve, oye y siente. Así es como se escala la producción sin aplanar el matiz que hacía que el trabajo mereciera la pena pagarse.

El segundo error corporativo es la imagen invertida del primero: entregar herramientas de IA a la plantilla con un mandato, pero sin un plan ni formación. El resultado es la IA en la sombra —una encuesta de 2025 descubrió que el 78 % de los empleados usaba herramientas de IA que su empleador no había aprobado, y el 51 % recibía indicaciones contradictorias sobre cuándo usarlas— y una paradoja de productividad, en la que casi el 60 % afirma que a menudo se tarda más en descifrar la herramienta que en hacer la tarea a mano. Un estudio controlado de 2025 de METR descubrió que las herramientas de IA de principios de 2025 en realidad hicieron a desarrolladores experimentados de código abierto alrededor de un 19 % más lentos, aunque esos desarrolladores creían que trabajaban más rápido.

Ahora combina los dos errores: despides a parte de la plantilla y obligas a los supervivientes a adoptar herramientas para las que nunca recibieron formación, bajo cuotas de uso. No obtienes productividad; obtienes teatro y resentimiento. Los informes de 2026 describen el «tokenmaxxing», en el que el uso de la IA se incorpora a las evaluaciones de desempeño y los empleados queman créditos para alcanzar la cifra: un ingeniero consumió, según se informa, 210.000 millones de tokens en una sola semana. Otras encuestas indican que alrededor del 16 % de los profesionales admite fingir que usa la IA, y hasta un 29 % admite sabotear activamente la estrategia de IA de su empleador, cifra que sube al 44 % entre la Gen Z. (Trata estas últimas cifras como datos informados por medios como Inc., Gizmodo, Newsweek y Fortune, y no como hallazgos revisados por pares).

La lección no es que los empleados sean perezosos. Es que los mandatos sin sentido producen un cumplimiento malicioso. La gente se resiste a ser medida por la cantidad de cómputo que consume, sobre todo mientras ve cómo sus colegas son reemplazados por esas mismas herramientas. La adopción es un problema de gestión del cambio antes que un problema de tecnología: necesita formación, confianza y un relato creíble sobre cómo la IA hace que el trabajo de las personas sea mejor, en lugar de más efímero. Sáltate eso y el mandato fabrica justamente el desperdicio que pretendía eliminar: créditos quemados a propósito en lugar de valor creado.

Pon los fracasos uno al lado del otro y emerge un panorama positivo. La ventaja en una tecnología de frontera corresponde a las organizaciones que pueden adoptar un nuevo modelo la misma semana en que se lanza, abandonar una herramienta que rinde por debajo de lo esperado sin parálisis por costes hundidos, mantener a una persona en cada circuito que toca a un cliente, y tratar la IA como un aumento en lugar de como un programa de reemplazo. Esos no son los rasgos de una empresa de 200.000 personas con un comité de dirección y un ciclo de planificación anual. Son los rasgos de un equipo ágil y liviano.

Este es el argumento estructural a favor de empresas como Medusa. Un pequeño estudio transfronterizo puede llevar a cabo en una tarde el experimento que una megacorporación necesita un comité para aprobar. Puede usar la IA para hacer el trabajo de un equipo mucho mayor en las capas mecánicas —investigación, redacción, pasadas de localización, control de calidad— mientras conserva la autoría y el criterio humanos en todo lo que se publica. No carga con una plantilla heredada que esté bajo presión trimestral para justificar su recorte, ni con un relato para inversores que la obligue a sobreautomatizar para una nota de prensa. Simplemente puede usar lo mejor de la frontera y terminar el trabajo a mano.

Así que el enfoque correcto para 2026 no es «la IA contra los humanos». Es «quién está organizado para usar bien una tecnología de frontera». Los gigantes están aprendiendo, de forma costosa y en público, que la escala sin adaptabilidad es aquí un lastre: que ser grande no es lo mismo que ser rápido. La oportunidad para los operadores ágiles consiste en ser quienes acierten con el aumento: capturar las ventajas de la frontera de forma silenciosa, rentable y semanas por delante de las instituciones que todavía están formando sus comités para decidir cuál debería ser su política al respecto.

Aléjate del organigrama y la pregunta cambia por completo. Si la IA genera de verdad la abundancia que prometen sus defensores, entonces los problemas centrales no son «a cuántas personas podemos recortar este trimestre», sino «cómo distribuimos las ganancias» y «cómo alimentamos y alojamos el cómputo». Sobre lo primero, la renta básica universal ha pasado del experimento mental a la evidencia. El estudio de OpenResearch —3.000 participantes, de los cuales 1.000 recibieron 1.000 $ al mes durante tres años, respaldado por Sam Altman— descubrió que los beneficiarios trabajaron solo alrededor de 1,3 horas menos a la semana y gastaron más en necesidades básicas y en ayudar a otros, lo que desmonta directamente el temor de que un suelo de ingresos haga que la gente deje de trabajar.

La renta básica universal sigue siendo una propuesta política, defendida en gran medida por personas del sector de la IA en lugar de aplicada a gran escala, y el estudio responde a una objeción y no a todas. Pero replantea el debate sobre los despidos con honestidad. Si la tecnología realmente va a desplazar mano de obra, la respuesta social madura es construir un suelo bajo las personas, no tratar cada ronda de recortes como una victoria trimestral. Una renta básica mundial es una respuesta mucho más seria al desplazamiento provocado por la IA que otra nota de prensa sobre plantilla, y merece ser una prioridad global en lugar de una nota a pie de página.

En cuanto al cómputo en sí, la frontera está literalmente abandonando el planeta. En noviembre de 2025 la startup Starcloud puso una Nvidia H100 en órbita y entrenó allí un modelo pequeño —el primer modelo entrenado en el espacio— y Google presentó el Project Suncatcher, una propuesta de constelación de satélites alimentados por energía solar y equipados con TPU, con dos satélites piloto previstos para principios de 2027. Jeff Bezos ha pronosticado centros de datos orbitales a escala de gigavatios dentro de una o dos décadas; el verdadero motor es la energía solar permanente y la ausencia de meteorología, y el verdadero obstáculo sin resolver es disipar el calor residual en el vacío. Estos plazos son aspiracionales más que compromisos, pero la dirección es clara. El trabajo que merece la pena hacer es trasladar la energía y la huella de la IA fuera del planeta y repartir sus ganancias de forma amplia, no optimizar un equipo de soporte hasta dejarlo en los huesos. La frontera sigue abierta. La verdadera pregunta es si la usamos para construir algo más grande que un ahorro de costes.