La IA cambia las tareas, no la esencia

Una pyme contrató a un especialista en inteligencia artificial.

La empresa tenía 40 personas, tres líneas de negocio y un dueño que hacía de project manager, de comprador, de vendedor y de jefe de operaciones.

Seis meses después, la empresa tenía:

Un asistente para redactar propuestas.
Un chatbot para atención al cliente.
Una suscripción a una herramienta de “productividad con IA”.
Un curso de 40 horas para el equipo.
Las mismas reuniones de siempre.

El mismo Excel de seguimiento.
El mismo “mañana te lo paso”.
El mismo dueño contestando todo a las once de la noche.

La IA había entrado en la empresa.

La empresa no había cambiado.

La pregunta que casi todos se hacen mal

Cuando la IA aparece en una organización, la primera pregunta suele ser: ¿qué le pedimos que haga?

Y la segunda, casi siempre: ¿a quién reemplazamos?

Las dos preguntas quedan atrapadas en la capa más superficial del problema: la herramienta.

Y la evidencia reciente es incómoda para esa forma de preguntar.

En un estudio sobre 51 despliegues de IA que sí generaron valor, Brynjolfsson y su equipo encontraron que el 77% de los desafíos más difíciles no eran técnicos, sino gestión del cambio, calidad de datos y rediseño de procesos.

La conclusión del estudio es casi una definición: la clave del éxito casi nunca fue el modelo. Fue la organización.

Y hay un dato que conviene mirar con atención: la reducción de dotación fue importante en sólo el 45% de los casos. En el resto, las personas fueron reasignadas a tareas de mayor valor.

O sea: ni el problema técnico ni el problema de “despedir gente” fueron el centro.

El centro estaba en otro lado.

Tres capas que cambian a velocidades distintas

La IA está cambiando tres capas de una organización a la vez, y cada una tiene su propio ritmo. Confundirlas es la causa de casi todos los malentendidos sobre “transformación con IA”.

• La capa de las tareas y las herramientas. Acá el cambio es real, rápido y visible: los resúmenes, los primeros borradores, las consultas, el análisis exploratorio. Es la capa donde la IA rinde más, y también donde más se confunde avance con resultado.
• La capa de los procesos y los roles. Cambia más lento. Es donde se decide quién hace qué, quién aprueba y qué se deja de hacer. Es la capa más resistida, y la que define si la adopción se sostiene o se apaga a los tres meses.
• La capa de la esencia. El propósito, el criterio de decisión y la relación con el cliente. Esta no se automatiza. No porque sea intangible, sino porque alguien tiene que seguir eligiendo qué vale la pena, para quién y a costa de qué.

La consecuencia práctica es bastante simple: la primera capa se compra en una tarde, la segunda lleva meses, y la tercera no se compra. Se decide.

La teoría organizacional tiene una forma precisa de nombrar esto. Una organización tiene una rutina ostensiva (la forma en que dice que trabaja) y una rutina performativa (la forma en que trabaja de verdad). La IA movió la primera muy rápido.

La segunda hay que rediseñarla a propósito.

Lo que la evidencia dice sobre las tareas

La primera conclusión es tranquilizadora, y al mismo tiempo contraintuitiva.

No es que la IA aparezca y reescriba de cero la forma de un oficio. Es que, como resume el Economic Index de Anthropic, el uso se inclina levemente hacia la colaboración: el 57,4% de las tareas se resuelve de forma colaborativa y el 42,6% de forma automatizada (Anthropic lo llama augmentation y automation). La categoría más común, con el 31,3%, es la iteración de la tarea: pedir, corregir, volver a pedir. Le siguen el aprendizaje (23,3%) y la validación (2,8%).

O sea: la IA se usa, sobre todo, para acompañar un criterio humano, no para reemplazarlo.

La segunda conclusión es más dura y más útil. El AI Index 2026 de Stanford muestra un patrón muy consistente en la productividad: las ganancias se concentran en el trabajo estructurado y medible. Alrededor de 14-15% en soporte al cliente, 26% en desarrollo de software, 50% en la producción de contenido de marketing.

Y son menores justamente en las tareas que requieren razonamiento más profundo.

Eso no es un defecto de la tecnología. Es una definición bastante precisa de dónde la IA rinde y dónde no.

La tercera conclusión es la que más duele en el plano organizacional. El mismo Brynjolfsson resume un dato del seguimiento de empleo en ocupaciones más expuestas: la caída de empleo de los trabajadores de 22 a 25 años llegó al 19%, y fue mayor justamente en las ocupaciones donde la IA automatiza en lugar de complementar.

¿Qué queda? Lo que la IA hace mal.

Juicio, verificación, contacto con el cliente y orquestación.

Lo que no se delega

Hay un dato del informe “The GenAI Divide” de MIT NANDA que resume la cosa mejor que cualquier trabajo académico.

Cuando se les preguntó qué tareas preferían asignarle a la IA y cuáles a un colega junior, el patrón fue nítido: el 70% prefiere la IA para redactar emails, resumir o hacer análisis básicos. Pero en proyectos complejos o de largo plazo, los humanos ganan por nueve a uno.

¿Por qué? Porque la línea divisoria no es la inteligencia. Es la memoria.

El modelo genérico no sabe qué prefiere este cliente, qué errores ya cometimos con él, ni qué pasa en este proceso. No aprende de la organización. Y una organización, en el fondo, es memoria acumulada.

La misma lógica aparece en un estudio de Lee y colaboradores presentado en CHI 2025, con 319 trabajadores del conocimiento y casi mil ejemplos reales de uso: cuanto más confianza tienen en la IA, menos pensamiento crítico. Y en cambio, la confianza en uno mismo se asocia a más pensamiento crítico.

Es un riesgo que no aparece en ningún plan de adopción, porque no es un riesgo tecnológico. Es un riesgo de que la organización delegue su criterio justamente en la capa que debería tener más contexto, no menos.

En el Work Trend Index 2025 de Microsoft aparece un dato que vale por sí solo: casi la mitad de los líderes usa agentes para automatizar flujos completos, pero al mismo tiempo se espera que las funciones basadas en juicio, empatía o pensamiento creativo sigan apoyándose más en personas.

Y hay un caso concreto que es, literalmente, la tesis de este post: una empresa de consumo prioriza su inversión en IA en las funciones más alejadas de su ventaja competitiva, automatiza lo rutinario y preserva el valor humano donde realmente importa.

El dato local: en la pyme el cuello de botella no es la herramienta

Esto no es un debate de países lejanos. La encuesta nacional de nadIA (CEPE Di Tella y Fundar, abril 2026) sobre 402 pymes argentinas muestra un mapa bastante conocido.

El 41,6% ya usa al menos una tecnología de IA. Excluyendo software e IT, el 36,4%. Entre quienes todavía no la usan, el 46% considera probable incorporarla en los próximos 24 meses.

Por sector: 85,4% en software e IT, 47,4% en textil, 40,6% en metalmecánica, 34,7% en alimentos, 16,3% en minerales.

Y acá viene el dato que duele: el 57,4% de las empresas que ya usan IA no mide formalmente el impacto que está teniendo.

¿Y por qué no avanzan las que no la usan? Los tres obstáculos más mencionados son falta de experiencia y conocimiento (46,2%), falta de personal calificado (42,2%) y desconocimiento general (39,2%).

La frase del informe que mejor resume todo esto dice que el obstáculo principal no es tecnológico: la mayor barrera para una adopción efectiva es la gestión del cambio organizacional, y no suele ser ni el costo ni el acceso a la tecnología, sino la ausencia de intermediarios que traduzcan las herramientas disponibles a los procesos concretos de cada empresa.

Y se le suma un dato de Brynjolfsson: de las empresas que él estudió, sólo el 6% tenía datos limpios para empezar. El trabajo pesado, dice un ejecutivo de su estudio, está en la documentación de procesos y la arquitectura de datos.

O sea: antes de preguntarte qué le pedís a la IA, hay una pregunta bastante menos vistosa y mucho más rentable.

¿Tu proceso está escrito?

Adaptarse no es reemplazar la esencia: son cinco decisiones

Si la IA no cambia la esencia por sí sola, lo que sigue es trabajo de gestión. Concretamente, cinco decisiones.

1. Elegí el borde del proceso, no el centro. El informe de MIT NANDA es claro en esto: los despliegues que funcionan arrancan en procesos no críticos o adyacentes, con personalización alta y valor visible rápido, y desde ahí escalan al núcleo. Empezar por el centro casi siempre significa empezar por el conflicto.

2. Documentá antes de automatizar. No como superstición, sino por una razón concreta: lo que la IA no puede aprender de la organización es justamente lo que la organización no escribió. Y sin proceso documentado, no hay memoria que transferir, ni evaluación posible, ni segunda temporada de esto.

3. Definí quién aprueba y quién responde. Si el criterio no tiene nombre, se pierde. La automatización de flujos con IA convive con revisión humana en los casos de alto riesgo, y no es casualidad: es la única forma de que el sistema aprenda de los errores en lugar de repetirlos.

4. Medí con el criterio, no con la herramienta. El 57,4% de las pymes que usan IA no mide su impacto. Preguntarse “cuánto tiempo me ahorró” es una pregunta de la primera capa. La pregunta útil es otra: ¿qué cambió en el resultado que le importa al cliente?

5. Protegé la memoria. La ventaja de una pyme frente a un modelo genérico es el contexto: qué cliente es cuál, qué promesas se hicieron, qué funcionó y qué no. Si eso vive en la cabeza de una persona, la IA no puede ayudar. Si vive documentado, puede.

La esencia es un problema de dirección

Existe una idea muy repetida en la literatura de management: la esencia del management es el cambio.

Es cierta, pero incompleta.

La versión más útil dice otra cosa: el cambio es el mecanismo, no el fin. Adaptarse es poner a prueba la forma. Lo que no se adapta solo es lo que la organización decide ser.

Y esa decisión no la toma un modelo, ni una herramienta, ni un consultor. La toma alguien que tiene que poner la cara: la dirección.

En una pyme, ese rol casi siempre tiene nombre. Y casi nunca tiene tiempo.

La IA cambia el mapa.
La decisión de a dónde ir sigue siendo de la dirección.
Adaptarse no es dejar de ser la misma empresa: es dejar de hacer lo mismo que ya no funciona.

En POMO trabajamos exactamente eso: un Project Manager que se integra a la operación para ordenar prioridades, coordinar equipos y destrabar proyectos, con la capacidad de incorporar IA donde realmente aporta y de sostener el criterio donde la IA no llega.

Si tu empresa tiene IA en la herramienta pero sigue trabajando como antes, agendá una conversación de 20 minutos con nosotros: pomo.la/onboarding.

Fuentes

• Stanford Graduate School of Business (2026). “Almost Every Job Has Tasks That AI Can Change”. Entrevista a Erik Brynjolfsson, 17 de septiembre de 2026.
• Anthropic Economic Index (2025). “The Anthropic Economic Index”. Datos de augmentation y automation sobre tareas.
• MIT NANDA (2025). “The GenAI Divide: State of AI in Business 2025”.
• Stanford HAI (2026). “AI Index Report 2026”, capítulo Economy.
• Lee, H.-P. y colaboradores (2025). “The Impact of Generative AI on Critical Thinking”.CHI 2025, ACM.
• Microsoft (2025). “2025 Work Trend Index Annual Report: The Year the Frontier Firm is Born”.
• nadIA, CEPE Di Tella y Fundar (2026). “Encuesta nacional sobre adopción de IA en Pequeñas y Medianas Empresas de la Argentina”.
• Feldman, M. y Pentland, B. (2003). “Reconceptualizing Organizational Routines as a Source of Flexibility and Change”. Administrative Science Quarterly.
• Drucker Institute. “Quote Library”. Referencia para la idea de que la esencia del management es el cambio.