La IA prometió reemplazar al experto y terminó convocándolo de vuelta
El ciclo completo: automatizar, decepcionar, contratar. Las empresas lo están aprendiendo a sus costas.
Tres noticias de la misma semana, tres industrias distintas, un solo patrón: la IA no reemplazó al experto — lo desplazó temporalmente, cobró su factura, y terminó devolviéndolo al centro de la escena. No es un accidente ni un fracaso aislado. Es el ciclo completo de una apuesta que se hizo con demasiada confianza y demasiado poco escepticismo, y que ahora se está corrigiendo en tiempo real.
El ciclo que nadie quería ver
La secuencia es predecible en retrospectiva. Primero, la promesa: la IA puede hacer lo que hace el experto, más rápido y sin costo marginal. Segundo, la ejecución: se recortan equipos, se liberaliza el acceso a modelos, se reemplaza juicio por inferencia. Tercero, el choque con la realidad: los resultados no alcanzan el estándar, los costos se disparan, los márgenes no cierran. Cuarto, la corrección: se vuelve a buscar al experto, se raciona el acceso, se revisan las proyecciones.
Ford está en la cuarta etapa. La compañía descartó ingenieros veteranos cuando apostó a que la IA podía cubrir su rol en el desarrollo de producto. El resultado fue calidad insuficiente. La frase que resume el error es del propio management: «Equivocadamente pensamos que con solo introducir inteligencia artificial... eso produciría un producto de alta calidad.» Ahora están recontratando a los mismos perfiles que despidieron — los llamados «gray beards», ingenieros con décadas de criterio acumulado que ningún modelo puede sintetizar todavía.
El token como proxy del problema
El caso de Ford es visible porque involucra personas. Pero el mismo ciclo ocurre a nivel de infraestructura, con menos drama y más números.
Las empresas que abrieron el acceso a IA sin restricciones están ahora implementando sistemas de racionamiento de tokens. La «era del tokenmaxxing» — donde cualquier empleado podía lanzar consultas sin fricción — fue breve; el fin del acceso irrestricto a tokens ya tiene nombre propio. Lo que sigue es gobernanza: límites por usuario, aprobaciones para tareas intensivas, revisión de qué consultas generan valor real versus cuáles simplemente transfieren costo a la empresa.
Esto no es un fracaso de la tecnología. Es una falla de implementación: se trató a la IA como si fuera un recurso sin costo marginal, cuando en realidad tiene un costo variable que escala con el uso y que nadie estaba midiendo con cuidado.
Los márgenes que no cerraron
El tercer vector es el de los fabricantes de chips especializados en IA. Cerebras vio caer su acción bruscamente después de su primer reporte de ganancias desde su salida a bolsa, cuando proyectó márgenes brutos más ajustados de lo esperado en su negocio principal. El CEO intentó reencuadrar la lectura del mercado, pero el daño ya estaba hecho.
La lente analítica aquí es de incentivos: cuando la demanda de IA se proyecta como infinita, los fabricantes de hardware especializado valorizan a múltiplos que asumen márgenes de software. Cuando la demanda se racionaliza — porque las empresas empiezan a medir el ROI real —, los múltiplos se comprimen y los márgenes reales quedan expuestos. Es el mismo mecanismo que analizamos cuando la factura de la inferencia llegó por sorpresa.
Quién gana, quién pierde
Los ganadores inmediatos son los expertos con criterio irreproducible: ingenieros veteranos, especialistas de dominio, profesionales cuyo valor no está en el volumen de output sino en la calidad del juicio. Su posición de negociación mejora cada vez que una empresa aprende esta lección a sus costas.
Los perdedores son quienes apostaron a que la sustitución sería completa y rápida: empresas que recortaron equipos sin red de contención, chipmakers que valuaron a múltiplos de hipercrecimiento sostenido, y cualquier organización que trató el acceso irrestricto a tokens como un beneficio en lugar de un costo a gestionar.
Para los proveedores de IA el cuadro es más matizado: la racionalización del uso puede comprimir ingresos en el corto plazo, pero también filtra los casos de uso donde la tecnología agrega valor real — que son los que sostienen contratos a largo plazo.
Conclusión falsable: el reencuadre de valor llegará antes del Q1 2027
La predicción concreta: antes de que cierre el primer trimestre de 2027, al menos tres grandes empresas del Fortune 500 publicarán revisiones formales de su estrategia de IA que incluyan reconstitución de equipos de expertos humanos en roles que habían sido asignados a automatización. El dato a observar es el reporte trimestral de headcount en sectores como manufactura avanzada, servicios financieros y salud — si la tendencia de recontratación de perfiles senior se sostiene más allá del caso Ford, la corrección es sistémica y no anecdótica.
Para un decisor en LATAM o España, la lectura práctica es esta: antes de recortar un equipo experto en nombre de la eficiencia de IA, identificar con precisión qué parte del rol es reproducible por un modelo y qué parte depende de criterio acumulado. La segunda categoría no desaparece — solo se vuelve más cara de recuperar.