La trampa de los despidos por IA — Por qué las empresas automatizan de más
TL;DR
- Klarna redujo su plantilla de 5.500 a 3.400 personas, presumió de que su chatbot hacía el trabajo de 700 agentes, y un año después está recontratando humanos porque la calidad se desplomó.
- IBM despidió a 8.000 empleados de RRHH en 2023. Su IA AskHR gestionaba el 94% de las tareas, pero el 6% restante — el que requiere juicio humano — causó huecos operativos que obligaron a recontratar masivamente.
- Forrester: el 55% de empresas que despidieron por IA se arrepienten. La mitad recontratará, muchas offshore y con salarios inferiores.
- MIT: el 95% de los pilotos de IA generativa en empresas no llegan a producción.
- Hay un patrón claro: la automatización funciona para lo repetitivo y falla en lo que requiere contexto, empatía o juicio. El problema es que muchas empresas no saben distinguir antes de despedir.
Caso 1: Klarna — El chatbot que hacía el trabajo de 700 personas (hasta que no)
En 2024, Klarna presentó su chatbot de IA como un caso de éxito. La narrativa era impecable: su asistente basado en OpenAI hacía el trabajo de 700 agentes de atención al cliente, reducía costes y escalaba sin fricción. El CEO Sebastian Siemiatkowski dejó de contratar durante más de un año. La plantilla pasó de 5.500 a 3.400 personas.
La realidad un año después:
- La satisfacción del cliente cayó. Los usuarios con problemas complejos — disputas, errores de facturación, casos edge — no conseguían resoluciones adecuadas.
- El propio Siemiatkowski admitió que la empresa había ido demasiado lejos con los recortes de costes: no fue la IA la que falló, fue la obsesión por abaratar.
- Klarna está recontratando humanos bajo un modelo “dual-track”: IA para lo escalable, humanos para lo complejo. Los nuevos roles son contractuales, remotos, peor pagados que los originales.
La lección no es que la IA no funcione. Es que Klarna confundió capacidad técnica con capacidad operativa. Un chatbot puede responder 10.000 consultas simultáneas, pero si el 5% de esas consultas necesitan empatía, contexto o escalado, necesitas humanos — y si los despediste, el coste de reconstruir ese equipo es mayor que el ahorro inicial.
Caso 2: IBM — 8.000 despidos, 94% de automatización y el 6% que lo jodió todo
En 2023, IBM despidió a unos 8.000 empleados, principalmente del departamento de Recursos Humanos. La apuesta: su plataforma interna AskHR automatizaría las funciones rutinarias de RRHH.
Los números de AskHR son impresionantes sobre el papel:
- 94% de las tareas rutinarias de RRHH automatizadas
- $3.5 mil millones en ganancias de productividad declaradas
- +11.5 millones de interacciones gestionadas
- NPS que pasó de -35 a +74
Pero queda ese 6%. Las tareas que requieren juicio, empatía y contexto: gestión de conflictos laborales, casos disciplinarios complejos, decisiones sobre reubicaciones. AskHR no puede resolver una queja de acoso. No puede mediar entre un manager y un empleado. No puede leer entre líneas en una conversación difícil.
El resultado: IBM está recontratando agresivamente. No en RRHH administrativo — sino en roles que la IA no puede cubrir: ingeniería de software, ventas, relaciones con clientes. El CEO Arvind Krishna lo resumió: “El empleo total ha crecido realmente. La IA nos dio espacio para reinvertir en roles que enfrentan a otros humanos”.
La ironía: IBM despidió para automatizar, y terminó con más empleados que antes. Pero en roles diferentes. El coste de transición — reclutamiento, formación, pérdida de conocimiento institucional — rara vez se incluye en el ROI del proyecto de IA.
Caso 3: Dukaan — 90% de la plantilla reemplazada en un tuit
En julio de 2023, Suumit Shah, CEO de la startup india Dukaan, tuiteó con orgullo que había reemplazado al 90% de su equipo de soporte con un chatbot de IA. La respuesta inicial fue elogio de la comunidad tech.
Un año después, los resultados son más matizados:
- El tiempo de respuesta inicial mejoró significativamente
- El coste de soporte se redujo en un ~85%
- Pero la resolución al primer contacto para casos complejos cayó
- La startup se enfrentó a una tormenta de críticas públicas por el trato a los empleados despedidos
El caso Dukaan ilustra el problema de optimizar solo una métrica (coste) sin mirar el impacto en calidad y reputación. Ahorrar 85% en soporte no compensa si tus clientes con problemas reales no pueden resolverlos.
Caso 4: Amazon “Just Walk Out” — La IA que no era IA
Amazon presentó su tecnología Just Walk Out como el futuro del retail impulsado por IA: entras, coges lo que quieres, sales. Sin cajeros, sin colas, sin fricción.
En 2024, una investigación reveló que el sistema dependía de más de 1.000 trabajadores remotos en India que monitorizaban cámaras y etiquetaban transacciones manualmente. No era un fallo de la IA — era el esqueleto humano detrás de la fachada automatizada.
Amazon ha escalado back la tecnología y la ha reemplazado parcialmente con carritos inteligentes en sus tiendas Fresh. La lección: cuando vendes “IA autónoma” pero necesitas un ejército de humanos para que funcione, el problema no es técnico. Es de honestidad sobre las limitaciones.
Los datos que nadie quiere ver
El arrepentimiento masivo
- Forrester (2025): El 55% de empresas que despidieron trabajadores por IA se arrepienten de la decisión. La mitad recontratará, pero muchos lo harán offshore con salarios inferiores.
- Careerminds (febrero 2026): Dos de cada tres empresas que redujeron plantilla por IA ya están recontratando. De las que expresan arrepentimiento, el 32.7% realizó despidos impulsados por IA en los últimos 12 meses.
- MIT NANDA (2025): El 95% de los pilotos de IA generativa en empresas fracasan. No por la tecnología — por la falta de preparación organizativa.
Productividad real vs. prometida
- Los estudios muestran ganancias de 14-55% a nivel de tarea individual (el estudio de Stanford/Bruhn sobre agentes de soporte es el más citado: +14% de productividad, +35% para trabajadores novatos).
- Pero a nivel organizativo, las ganancias son inconsistentes. La J-curve de productividad sugiere que las empresas pierden eficiencia los primeros 2-4 años tras adoptar IA.
- El Nobel laureado Daron Acemoglu proyecta solo un 0.5% de crecimiento en productividad total de factores en la próxima década por IA. No es el 10-30% que venden los consultores.
El pipeline de talento se está secando
En campos “expuestos a IA”, la proporción de ofertas que piden 3 años de experiencia o menos ha caído:
| Campo | 2018 | 2024 |
|---|---|---|
| Desarrollo software | 43% | 28% |
| Análisis de datos | 35% | 22% |
| Consultoría | 41% | 26% |
Las empresas eliminan puestos junior porque la IA puede hacer esas tareas. Pero ¿quién forma a los seniors del futuro? No puedes reemplazar la curva de aprendizaje de 5 años con un prompt.
La curva de eficiencia real: dónde la IA reemplaza vs. dónde augmenta
Basado en los casos documentados, hay un patrón bastante claro:
La IA reemplaza bien en:
- Tareas repetitivas con reglas claras: triaje de tickets, FAQs, clasificación de documentos, extracción de datos
- Procesamiento a escala: análisis de miles de documentos, monitorización de logs, detección de patrones
- Generación de primer draft: código boilerplate, resúmenes, traducciones, emails estándar
La IA no reemplaza (todavía) en:
- Resolución de conflictos: mediación, negociación, gestión de crisis
- Decisiones con contexto institucional: ¿quién es este cliente? ¿por qué este proceso funciona así? ¿qué significan estos datos en el contexto de nuestra historia?
- Empatía y juicio: salud, legal, recursos humanos, atención al cliente compleja
- Creatividad estratégica: no “generar opciones” sino “elegir la correcta para este contexto específico”
La zona gris: el 6% de IBM
El problema no es el 94% que funciona. Es el 6% que no funciona. Y ese 6% a menudo representa los casos más valiosos, complejos y generadores de revenue. Si tu IA resuelve 100 consultas simples pero falla en las 6 que realmente importan, tu NPS se desploma y tus mejores clientes se van.
Framework práctico: qué automatizar y qué no
Antes de automatizar un proceso, evalúa estas tres dimensiones:
1. Complejidad decisional
| Nivel | Descripción | Automatizable | Ejemplo |
|---|---|---|---|
| Bajo | Reglas fijas, sin ambigüedad | Sí | Aprobación de vacaciones, reset de passwords |
| Medio | Reglas con excepciones | Parcial | Clasificación de tickets, routing de consultas |
| Alto | Juicio, contexto, trade-offs | No | Despidos, resoluciones de disputas, estrategia |
2. Coste del error
| Nivel | Impacto del fallo | Enfoque recomendado |
|---|---|---|
| Bajo | Inconveniente menor | Automatiza con supervisión ligera |
| Medio | Pérdida de cliente o revenue | IA + humano como fallback |
| Alto | Legal, reputacional, seguridad | Humano en el loop, IA como asistente |
3. Frecuencia y escala
| Frecuencia | Volumen | Mejor enfoque |
|---|---|---|
| Alta | Masivo | Automatiza, mide calidad, itera |
| Alta | Bajo | No merece la pena automatizar |
| Baja | Masivo | Automatiza solo si el coste del error es bajo |
| Baja | Bajo | Humano |
La regla de oro: si el coste de un error es alto Y la complejidad decisional es alta, no automatices. No importa lo tentador que sea el ahorro.
Perspectiva para devs
Si eres desarrollador construyendo sistemas que automatizan trabajo humano, esto te afecta directamente:
-
Diseña para augmentar, no para reemplazar. Los sistemas que funcionan mejor son los que hacen a los humanos más efectivos, no los que los eliminan. El caso Klarna demuestra que la degradación de calidad tiene costes reales.
-
Mide el fallback. Si tu sistema de IA tiene un 5% de fallos, ¿quién los absorbe? Si la respuesta es “nadie”, tienes un problema. El coste del fallback es parte del coste del sistema.
-
El conocimiento institucional no se recupera. Cuando IBM despidió a 8.000 personas de RRHH, perdió décadas de contexto sobre cómo funciona la organización. AskHR puede procesar solicitudes, pero no sabe por qué un proceso existe. Ese conocimiento se fue con las personas.
-
Cuidado con las métricas de productividad. “70% del código generado por IA” no significa “70% más productivo”. Puede significar más código que necesita más review, más bugs sutiles y más deuda técnica. Las métricas fáciles de medir no son siempre las que importan.
-
Construye sistemas con gradación. No es “IA o humano”. Es “IA para lo rutinario, IA+humano para lo medio, humano para lo crítico”. Los sistemas que mejor envejecen tienen escapes claros a intervención humana.
Sources
- Klarna AI reversal: Forbes, Fast Company, Business Insider (mayo-septiembre 2025)
- IBM AskHR layoffs and rehiring: OpenTools, HRKatha, Tech-ish (mayo 2025)
- Forrester Research: “The AI Layoff Trap” — HR Executive (diciembre 2025)
- MIT NANDA: “State of AI in Business 2025” — 95% pilot failure rate
- Careerminds study: HR specialists poll, February 2026 — 2/3 rehiring after AI cuts
- Stanford HAI: AI Index Report 2025
- Dukaan case: multiple sources, July 2023 - July 2024 follow-ups
- Amazon Just Walk Out: investigative reports, 2024
- Acemoglu productivity projections: MIT economics
Este análisis se basa en datos públicos disponibles hasta mayo 2026. Los casos documentados son representativos, no exhaustivos. Si tienes datos adicionales o correcciones, los welcome.