Cuando la IA reemplaza sin mapear el trabajo real

Cuando la IA reemplaza antes de entender: el costo oculto de automatizar un puesto sin mapear lo que realmente hace la gente

Una de cada cinco personas trabajadoras en Estados Unidos dice haber sido reemplazada por IA y, después, haber recibido una invitación para volver a su empleo. Es el dato más llamativo de una encuesta de SHL a 2,036 trabajadores en Estados Unidos y Reino Unido: 19% en Estados Unidos y 13% en Reino Unido reportan haber vivido ese giro de primera mano. La firma lo bautizó “AI rebounding”. Y lo más interesante no es el regreso, sino las condiciones con las que muchos volverían. 

Qué dice la encuesta (y qué no) 

Conviene leerla con precisión. Son percepciones de trabajadores, no cifras auditadas de las empresas, y SHL no detalla qué puestos fueron los afectados. Aun así, el patrón es consistente con lo que muchos líderes ven en sus propias organizaciones: se automatiza una función con base en su descripción de puesto y, meses después, aparecen las tareas que nadie había documentado, el criterio para casos complejos y el conocimiento que vivía en las personas. 

Quienes recibieron la propuesta de regresar no vuelven igual. Según SHL, 51% pediría un aumento sustancial, 42% exigiría garantías específicas de estabilidad laboral y 40% querría transparencia total sobre cómo se usará la IA en su rol. Además, 8% dice que no regresaría bajo ninguna circunstancia. Reemplazar y recontratar no es neutro: tiene costos de salario, de confianza y de reputación como empleador. 

El discurso también está cambiando 

El contexto de mercado ayuda a entender el momento. El informe de octubre de Challenger, Gray & Christmas registró 43,994 recortes en Estados Unidos, de los cuales 1,265 se atribuyeron a la IA, el nivel mensual más bajo del año. En lo que va de 2026, la IA acumula 121,401 recortes, cerca de 20% del total, pero las condiciones económicas ya superaron a la IA como principal razón citada por los empleadores. En palabras de la firma, las razones han pasado de la tecnología a la economía. 

Nada de esto significa que la automatización pierda fuerza. Significa que la conversación madura: ya no se trata de cuántos puestos puede absorber un modelo, sino de qué tan bien entendemos el trabajo antes de automatizarlo. 

El problema de fondo es de visibilidad 

Lucy Beaumont, de SHL, lo resume así: las organizaciones toman decisiones rápidas, a veces miopes, sobre su gente con un cuadro incompleto de lo que sus empleados pueden hacer con o sin IA. Detrás hay un problema de datos y de procesos: pocas empresas tienen un mapa confiable de las tareas, las excepciones, las decisiones y las habilidades que sostienen una operación. Según la misma encuesta, solo 42% de los trabajadores dice que su jefe entiende por completo sus habilidades más allá del título del puesto. 

Si no se conoce cómo se ejecuta realmente un proceso, la automatización se diseña sobre una versión idealizada. El resultado es predecible: excepciones que se desbordan, clientes mal atendidos y equipos que deben reconstruirse a las prisas. 

Qué pueden hacer hoy los líderes 

Primero, documentar antes de automatizar. Un diagnóstico de procesos que identifique tareas repetibles, excepciones frecuentes y puntos donde se requiere juicio humano reduce el riesgo de automatizar de más. Segundo, medir en lugar de suponer: analítica operativa sobre tiempos, volúmenes, errores y reprocesos muestra qué partes de un flujo son buenas candidatas y cuáles no. Tercero, pensar en automatización asistida: agentes de IA que resuelven lo rutinario y escalan a una persona lo complejo suelen dar más resultado que reemplazos totales. Y cuarto, planear la transición de las personas: 47% de los encuestados preferiría ser capacitado antes que perder su empleo si la IA cambiara su rol de forma significativa. 

Dónde entra la tecnología 

Este es el tipo de trabajo donde datos, procesos y tecnología se juntan. Integrar las fuentes de información de una operación, construir tableros que den visibilidad real, aplicar modelos predictivos para dimensionar la carga de trabajo y diseñar automatizaciones con puntos de control humano son capacidades que ayudan a decidir mejor qué automatizar, en qué orden y con qué salvaguardas. En ISITA vemos que los proyectos que mejor funcionan empiezan por entender el proceso y sus datos, y solo después por elegir la herramienta. 

La IA seguirá transformando funciones. La diferencia la harán las organizaciones que automaticen con evidencia y no por inercia, y que traten a su talento como parte de la solución. 

Conoce cómo mapear tus procesos y datos antes de automatizar: agenda una conversación con un especialista de ISITA.