El P&L puede estar bien — y la decisión sobre IA seguir estando equivocada

En mayo, en el Data & Analytics Summit de Gartner en Londres, Frances Karamouzis dijo algo que, creo, seguirá siendo relevante mucho después de que gran parte de lo que se ha dicho sobre IA este año haya dejado de serlo: "2026 comenzó con una hipoteca sobre el talento, producto de los despidos masivos de 2025".²

"Hipoteca" es una palabra precisa, y no creo que la haya elegido al azar. Significa que el dinero ya se gastó, que el activo ya está en uso y que las cuotas todavía no han empezado a pagarse. En la misma sesión entregó el dato que le da a la metáfora su lado incómodo: según Gartner, menos del 1% de los despidos es atribuible directamente a la IA, y los casos de negocio de IA basados en reducir dotación son, en sus palabras, irreconciliables con la forma en que la IA crea valor en la práctica.²

Vale la pena leer esas dos afirmaciones juntas. Durante 2025, buena parte de las reducciones de dotación se explicó ante directorios, accionistas, gerentes generales, el mercado, distintos tomadores de decisión y las propias personas despedidas con alguna versión de "la IA nos está haciendo más productivos". Si menos del 1% de esos recortes se debió realmente a la IA, entonces la explicación era un pretexto, o bien los casos de negocio eran sinceros pero se equivocaban en algo. Creo que fue sobre todo lo segundo, y creo que ese "algo" merece un nombre preciso, porque dos papers que Gartner publicó desde mayo lo describen en detalle.

1. Las cuatro cuotas de la hipoteca

The Hidden Workforce Costs of AI (Bansch y Coyle, junio de 2026)¹ parte de un dato que suena a buena noticia: el 88% de las organizaciones planea aumentar su gasto en IA.¹ Su tesis es que buena parte del costo real de ese gasto no aparece en los casos de negocio que lo justificaron, porque la IA, más que reducir el costo laboral, lo traslada a lugares donde el modelo original no miró. Los autores identifican cuatro mecanismos. Vale la pena verlos uno por uno, porque el patrón que comparten es el punto central de esta nota.

Ahora miremos los cuatro en conjunto y hagamos una pregunta simple: ¿cuál de ellos lo causó la tecnología?

Ninguno. El modelo hizo exactamente lo que tenía que hacer. Cada uno de los cuatro costos nació de una decisión: con qué agresividad automatizar, a quién recortar, si conservar a los juniors, si rediseñar la compensación. Alguien tomó esas decisiones sobre la tecnología, con un caso de negocio que incluía el ahorro y omitía las cuotas. Ese es el patrón, y por eso creo que la evidencia de Gartner apunta un paso más atrás de donde Gartner se detiene.

Cuatro costos, cuatro decisiones. La IA funcionó. La hipoteca nació de decisiones de liderazgo.

2. Dos cadenas, un solo despliegue

La cadena del caso de negocio, la que termina en el Estado de Resultados (P&L), es conocida:

IA → Productividad ↑ → Dotación ↓ → Costo ↓ → P&L ↑

No hay nada falso en ella. Cada eslabón es real y medible, y justamente por eso resulta tan persuasiva en una reunión de presupuesto. El problema es que "dotación ↓" no es un punto final. Es el primer eslabón de una segunda cadena, la que describen los cuatro mecanismos de Bansch y Coyle:

Dotación ↓ → Pipeline ↓ → Conocimiento tácito ↓ → Capacidad ↓ → Contratación externa a 3–4× → Recontratación de hasta el 30% hacia 2029 → Costo futuro ↑¹

Dos cosas distinguen la segunda cadena de la primera. Es lenta: las cuotas llegan entre dieciocho meses y tres años después, no en el próximo trimestre. Y es anónima: cuando llegan, lo hacen como una partida de reclutamiento, un contrato de consultoría, un bono de retención o una segunda ola de IA que se estanca, y ninguna de esas partidas lleva el nombre de la decisión que las originó. La organización termina así con dos curvas. Una se contabiliza cada trimestre. La otra se contabiliza, si acaso, el día en que alguien nota que la organización ya no puede hacer algo que antes hacía. Esa asimetría, no la tecnología, es lo que hace peligrosa la decisión.

El P&L puede estar bien — y la decisión sobre IA seguir estando equivocada.

3. ¿De quién es la deuda?

En agosto, Gartner le puso nombre al conjunto de esas consecuencias. The Workforce Impact of AI: Acting on Changes to Work, Jobs and Talent (Vaziri, Mullery, Mesaglio y otros, 4 de agosto de 2026)³ afirma en su resumen que "la IA amplifica las características de la organización y contribuye a acumular talent debt en las empresas", y recomienda a los CIO gestionar esa deuda en tres frentes: el trabajo, los cargos y el rediseño del pipeline de talento.

El verbo importa: amplifica. La IA no corrige un pipeline débil ni el conocimiento que nadie documentó; amplifica lo que ya estaba ahí. Es una observación útil y, en mi opinión, correcta. Pero hay que fijarse en dónde se detiene Gartner. Describe la deuda donde aparece: en la fuerza laboral. No dice quién la contrajo. Dar el paso atrás, hasta las decisiones que la produjeron, es cosa mía, y el argumento debe juzgarse por ese paso.

El talent debt toma su lógica de la deuda técnica: un atajo que se toma hoy y genera costo mañana. Si llevamos esa lógica hasta el final, aparece algo más. La deuda técnica nunca es culpa del código: alguien decidió salir a producción con el atajo. Por el mismo razonamiento, el talent debt no es culpa del talento. El talento no decidió irse. Alguien decidió cuánto automatizar y a qué velocidad. Alguien decidió qué cargos eran "solo costo". Alguien decidió cuánta arquitectura de datos construir primero, cuánta gobernanza era suficiente por ahora, si el ahorro iría a margen o se reinvertiría, y si el modelo operativo iba a cambiar o simplemente a encogerse. Ninguna de esas es una decisión de la IA. Son decisiones del liderazgo sobre la IA, y son la causa común de todas las deudas que la transformación deja tras de sí.

AI Leadership Debt. El costo organizacional futuro que se acumula cuando las decisiones de liderazgo sobre adopción, inversión y transformación con IA superan la capacidad de la organización para rediseñar las capacidades que necesita para sostener la creación de valor.

El talent debt es la forma que Gartner midió, y es la primera en aparecer porque las personas son el activo más fácil de recortar. Pero las mismas decisiones dejan al menos otras cinco: deuda de arquitectura, de gobernanza, de capacidades, de modelo operativo y de medición. La última merece un párrafo propio, porque el paper más reciente de Gartner no trata de otra cosa.

Seis formas, un mismo origen. El talent debt es la única que ya tiene un nombre reconocido y una señal medible. La deuda de medición es la más reciente: el paper de Gartner del 31 de agosto muestra que el 84% de los CFO no puede medir el retorno de la IA, mientras el gasto se acerca a los US$ 5,6 billones.⁴ Cada forma tiene un responsable ejecutivo distinto, y precisamente por eso el total no tiene ninguno.

Una objeción razonable

¿No es esto solo una taxonomía? Seis problemas conocidos bajo una etiqueta nueva. Me tomo en serio la objeción, y mi respuesta es práctica más que conceptual. Cada una de esas seis deudas tiene un responsable distinto (CHRO, CIO, directorio, COO, CEO, CFO), lo que en la mayoría de las organizaciones significa que nadie responde por el total. Un pasivo con seis responsables parciales y sin una cifra total es un pasivo que nunca llega a la agenda del directorio. Ponerle nombre al total es lo que lo lleva ahí.

4. La variable que el caso de negocio deja fuera

Aquí es donde creo que cambia la economía del problema, no solo el vocabulario. Un caso de negocio convencional de IA es estático: inversión, productividad, ahorro y retorno, evaluados en un período. Pero los cuatro mecanismos anteriores son dinámicos: una decisión tomada en el momento t cambia lo que la organización puede hacer en t+1 y, por lo tanto, lo que la siguiente iniciativa de IA puede rendir. Eso significa que detrás de la expresión "valor de la IA" se esconden dos cosas distintas:

Tomemos los propios números de Gartner y construyamos un caso concreto. Un programa de IA genera US$ 10 millones al año eliminando cien cargos. Los US$ 10 millones completos se contabilizan como reducción de costo. Ahora apliquemos el 30%: hacia 2029, treinta de esos cargos se vuelven a contratar, con un sueldo mayor, más el costo de reclutamiento. Apliquemos el efecto pipeline: los seniors que esos cargos habrían formado se compran en el mercado a tres o cuatro veces su costo. Apliquemos la vida útil de las habilidades: a los especialistas en IA contratados para construir el sistema habrá que reemplazarlos en dos a cinco años.¹

¿Se crearon US$ 10 millones? ¿O parte de la capacidad organizacional de 2029 se monetizó en 2025 y se contabilizó como si fuera valor? Un retorno calculado sobre un solo período no puede distinguir entre esos dos casos. No es un defecto del ROI; es una limitación del horizonte con que se calcula.

Por eso la ecuación convencional necesita el término que hoy le falta:

La objeción obvia: no se puede restar lo que no se puede medir. Y aquí entra el cuarto paper de Gartner. The Real Threat to AI ROI Is Unchecked AI Spend (Clougherty Jones, 31 de agosto de 2026)⁴ informa que el 84% de los CFO tiene dificultades para medir el retorno de la IA, mientras el gasto en IA se encamina a US$ 5,6 billones en 2030, más del doble del nivel actual. Esa es la deuda de medición resumida en una frase: la organización está duplicando un gasto que no sabe evaluar. Pero "difícil de medir" no significa "mejor ignorarlo", y las finanzas resuelven lo primero todos los días: con provisiones, calendarios de depreciación y tasas de descuento. Hoy nadie provisiona la AI leadership debt. Eso es una decisión, no una regla contable.

Dónde encaja en AVRT.⁶ En el sistema de medición AVRT, la acumulación de deuda es la restricción aguas arriba que captura el ALDI, el AI Leadership Debt Index, y que limita todas las tasas de conversión aguas abajo (DCR, ACR, VCR y AIRR). El AI-Labor Cost Ratio⁵ de Gartner encaja como una variable de contexto junto a ellas, no como reemplazo.

5. Cuándo extraer es correcto, y qué hacen distinto las organizaciones satisfechas

No quiero exagerar el argumento. Hay situaciones en las que capturar toda la ganancia como margen es la decisión correcta: un negocio en declive administrado, un proceso commodity cuya capacidad no tiene valor futuro, un balance que necesita la caja ahora. Extraer no es un error en sí mismo. Es una opción con un techo.

Supongamos que la IA crea US$ 100 de valor. El liderazgo puede llevarlos íntegros al margen, o destinar una parte a reskilling, capacidades de datos, arquitectura, gobernanza, rediseño de flujos de trabajo, a los juniors que iba a recortar o a la siguiente iniciativa. Son dos trayectorias.

Hasta hace unas semanas, el modelo de capitalización era solo un argumento lógico. El paper más reciente de Gartner aporta algo más cercano a evidencia: las organizaciones más satisfechas con sus resultados de IA gastan un 30% más en gestión de datos, gobernanza y talento que las menos satisfechas, y las que reportan un alto valor de la IA gastan 5,6 veces más en IA y en sus cimientos que las que reportan un valor bajo.⁴

Hay que leerlo con cautela: la satisfacción la declaran las propias empresas, y una correlación no es un mecanismo. Pero la dirección es la que predice el modelo de capitalización, no el de extracción: las organizaciones que obtuvieron el valor son las que pagaron por las capacidades que lo sostienen.

Modelo de extracción	Modelo de capitalización
Optimiza un solo período	Optimiza la suma de valor en el tiempo
Pregunta: "¿a cuánta gente podemos eliminar?"	Pregunta: "¿qué capacidades eliminamos, preservamos, rediseñamos o construimos?"
100% del valor de la IA → margen	Tasa explícita de reinversión en IA (AIRR)
Ciclo cerrado; la siguiente ola parte de una base más débil	Ciclo abierto; cada ola financia la siguiente
Correcto cuando la capacidad no tiene valor futuro	Coherente con el patrón de gasto +30% / 5,6×

Esto me lleva a sospechar que la asignación de capital de IA, la decisión explícita sobre qué fracción del valor de la IA se reinvierte y en qué capacidades, va a importar más en los próximos cinco años que la adopción. Adoptar IA ya no diferencia a nadie: el 88% está aumentando el gasto.¹ Es en la asignación donde las trayectorias se separan.

¿Qué capacidades debería permitirnos eliminar la IA, cuáles deberíamos preservar, cuáles rediseñar y qué capacidades nuevas deberíamos construir?

La receta de Karamouzis en el summit fue un "cambio de paradigma: del empoderamiento del empleado al rediseño de procesos y la integración del trabajo".² Yo lo plantearía como un cambio de pregunta. ¿A cuánta gente podemos eliminar? no es una pregunta equivocada. Es una pregunta incompleta, y lo que le falta tiene exactamente la forma de la deuda. Un caso de negocio capaz de responder la pregunta difícil es una transformación. Uno que solo responde la primera es un programa de reducción de costos con etiqueta de IA, y la cifra del 1% sugiere que hemos ejecutado muchos de esos.

La pregunta para cualquier caso de negocio de IA en 2026: ¿qué vamos a tener que reconstruir después, y no solo qué vamos a eliminar hoy? Si la respuesta es "nada", el ahorro es real. La hipoteca también.

Gartner ya midió la primera forma de esa deuda y le puso nombre. El resto del balance, y la hipoteca, es tarea del liderazgo.

Referencias

1. Gartner (2026). The Hidden Workforce Costs of AI. Jan Bansch y Joe Coyle, 1 de junio de 2026. gartner.com/en/articles/ai-workforce-costs
2. Gartner (2026). Beyond the Hype: AI's Impact on Headcount and Business Value. Frances Karamouzis, Data & Analytics Summit, Londres, 13 de mayo de 2026 (resumen del día 3). gartner.com/en/newsroom
3. Gartner (2026). The Workforce Impact of AI: Acting on Changes to Work, Jobs and Talent. Kabeh Vaziri, Alicia Mullery, Mary Mesaglio, Kristin Moyer, Meghna Joshi, Lily Mok y Caroline Hewings, 4 de agosto de 2026. gartner.com/en/documents/8226561
4. Gartner (2026). The Real Threat to AI ROI Is Unchecked AI Spend. Lydia Clougherty Jones, 31 de agosto de 2026. gartner.com/en/articles/rein-in-ai-spend
5. Gartner (2026). The AI-Labor Cost Ratio: A New Metric to Guide Workforce Change. Jonathan Jackson, Grace Myers y Vatsala Syed, 21 de julio de 2026. gartner.com/en/documents/8155129
6. Barrientos, C. (2026). AI Value Realization Theory (AVRT): Framework and Measurement System. Working paper y serie en LinkedIn. Resumen ejecutivo de AVRT