La IA empieza a tocar nóminas en México

La conversación sobre IA en las empresas dejó esta semana de ser una conversación sobre productividad y se convirtió en una conversación sobre cuántas personas necesitas para hacer el trabajo del año entrante. Recientemente Intuit – la empresa estadounidense detrás de TurboTax, QuickBooks y Credit Karma – anunció el despido de aproximadamente 3,000 personas, alrededor del 17% de su plantilla global, y declaró que el recorte busca reasignar recursos hacia el desarrollo de IA en sus productos. Su director general intentó suavizar el mensaje horas después diciendo que la decisión “no tuvo nada que ver con IA”, pero la operación se anunció el mismo día que la compañía firmaba acuerdos plurianuales con Anthropic y OpenAI para integrar sus modelos.

Intuit no es un caso aislado. En lo que va del año, Meta recortó 8,000 puestos, y Salesforce, Microsoft y Google hicieron ajustes en líneas específicas, todos con un patrón que conviene nombrar: las empresas no están despidiendo porque la IA reemplazó tarea por tarea a trabajadores; están despidiendo porque la IA les permitió cumplir el mismo plan del año con equipos más pequeños.

Para un directivo en México, esto es importante porque las empresas multinacionales que operan localmente recibirán pronto instrucciones del exterior para usar IA como catalizador de su reorganización, no solo de eficiencia.

Contexto. Unilever opera más de 280 fábricas en cerca de 70 países y produce algunos de los productos de consumo más comunes que hay, desde helados hasta jabones para lavar la ropa. El reto de una operación de ese tamaño es gigantesco: cada cambio entre lotes en una línea de producción exige limpieza, ajuste y validación, y cada hora que la máquina pasa detenida es una hora que la fábrica no produce. Hace algunos años, una de sus plantas en Poznan, Polonia, fue elegida como banco de pruebas para una pregunta concreta: si la IA puede ver lo que el operador no ve dentro de una mezcla líquida, ¿cuánto tiempo de limpieza se ahorra?

Decisión. La planta de Poznan se asoció con una empresa especializada para instalar sensores que monitorean en tiempo real las mezclas líquidas que pasan por las tuberías de la fábrica. La IA aprende a distinguir cuándo el sistema realmente está limpio y cuándo el operador está limpiando de forma innecesaria. La decisión no se tomó como un proyecto aislado. Unilever lo planteó desde el principio como un piloto con dos condiciones: que los ahorros se midieran contra una línea base previa a la IA, y que el resultado tuviera que ser replicable en otras plantas. Si no era replicable, no se escalaba.

Resultado. En dos líneas de procesamiento de alimentos en Poznan, la IA redujo en 20% el tiempo de limpieza entre lotes y en 10% el consumo de servicios (agua y energía). La cifra más importante: alrededor de 100,000 euros anuales recuperados solo en esas dos líneas. El tiempo total de cambio entre lotes – el indicador que más arrastra a la productividad de cualquier planta de manufactura – bajó 16.7% en un año. Con esos números, Unilever programó la replicación del modelo a otras 35 plantas durante este año.

Qué puedes extraer tú de esto. Unilever decidió antes de empezar que el caso tenía que ser replicable; sin esa condición previa, una mejora local en Polonia hubiera quedado como una anécdota de innovación. La condición de replicabilidad no es técnica, es de diseño del proyecto: defines, antes de gastar el primer peso, qué resultado tendría que dar el piloto para justificar la inversión y qué indicadores tienen que sobrevivir a otra geografía, otro equipo y otro producto. Si tu empresa tiene un piloto de IA hoy que mejoró algo pero no estás seguro de poder replicarlo, probablemente le falta esa decisión inicial y la solución no es comprar más tecnología.

Recientemente se presentó en el Senado una iniciativa que propone reformar la Ley Federal del Trabajo para fijar límites concretos al uso de sistemas de IA en decisiones laborales. La propuesta no es teórica: nombra prácticas específicas – la sustitución automatizada de personal, la vigilancia digital excesiva del trabajador, y las decisiones disciplinarias o de evaluación tomadas únicamente por un sistema sin intervención humana – y pide prohibirlas o someterlas a supervisión humana documentada.

Conviene leer esta iniciativa con cuidado por una razón concreta. La ola global de reorganizaciones que mencionamos – Intuit, Meta y otras – ocurre en países donde la legislación laboral no contempla explícitamente a la IA. En México se está empezando a contemplarla. Si la iniciativa avanza con el contenido que se discute hoy, una empresa que decida usar un sistema de IA para puntuar desempeño, decidir promociones, calcular riesgo de fuga de un empleado o recomendar a quién se despide va a necesitar mostrar, ante una autoridad laboral, dos cosas: que existe un humano con nombre que toma la decisión final, y que el sistema no se está usando para sustituir personas sin la negociación que cualquier reestructura mexicana exige.

El punto de cumplimiento es distinto del que se discute en otras partes del mundo. La regulación europea de IA pone el foco en cómo se diseña el sistema; la conversación en Estados Unidos sobre responsabilidad civil se concentra en quién responde si el modelo se equivoca. Lo que se está discutiendo en México pone el foco en otra parte: en cómo se usa la IA cuando del otro lado hay un trabajador formal. No ha pasado por el proceso legislativo, pero el patrón es claro, el sistema laboral mexicano, históricamente más protectivo del trabajador que los estándares anglosajones, va a leer la adopción acelerada de IA con ese mismo lente.

El ejercicio de esta semana no requiere una sala de juntas ni una sesión formal. La pregunta que vas a contestar es una sola: ¿qué tareas en tu organización están haciendo hoy humanos que, con la IA que ya existe, podrían ser ejecutadas por un sistema con supervisión humana razonable dentro de doce meses?

Hazlo en dos pasos. Primero, lista entre cinco y diez tareas – no roles, tareas – que consumen un porcentaje relevante del tiempo de tu equipo y que comparten una característica concreta: el resultado final pasa por un criterio humano, pero el 80% del trabajo previo es procesar, revisar o resumir información. Conciliaciones, primera revisión de contratos, reportes mensuales, clasificación de tickets, redacción de comunicaciones rutinarias. Sé específico: no “atención a clientes”, sino “respuesta a la primera consulta de un cliente nuevo sobre un producto que ya tenemos”.

Segundo, para cada tarea, escribe dos cosas en una sola línea. La primera: ¿qué pasa con esa tarea si la IA asume el 80% del trabajo previo, qué cambia para la persona que hoy la hace? La segunda: ¿qué nueva tarea de mayor valor podría hacer esa persona con el tiempo liberado, dada su capacidad real y no aspiracional? La trampa aquí está en saltarse la segunda parte. Si no puedes nombrar la tarea de mayor valor con la misma especificidad con que nombraste la actual, el ejercicio te está diciendo algo importante: no estás reasignando trabajo, estás reduciendo plantilla. Esa decisión es legítima, pero entonces el problema deja de ser de IA y pasa a ser una decisión organizacional con consecuencias laborales que un sistema no puede contestar por ti.

Las empresas que están extrayendo valor de la IA hoy no son las que más rápido recortaron, son las que tomaron esta conversación antes, por escrito, y la convirtieron en un plan que tiene una respuesta para cada nombre que aparece en su nómina.

Samuel Campos

Arquitectura Estratégica con IA