Autor: TT3LABS, plataforma de reclutamiento remoto en Web3/AI/SaaS
El 26 de febrero de 2026, el gigante de la tecnología financiera Block anunció que despediría a más de 4,000 empleados, reduciendo su equipo de más de diez mil personas a menos de 6,000. El CEO Jack Dorsey mencionó en una carta a los accionistas:
“Las herramientas inteligentes ya han cambiado el significado de crear y gestionar una empresa… un equipo significativamente más pequeño, usando las herramientas que estamos construyendo, puede hacer más y hacerlo mejor.”
Dorsey también hizo una predicción extremadamente fría:
“Creo que la mayoría de las empresas ya están atrasadas. En el próximo año, la mayoría llegará a la misma conclusión y hará ajustes estructurales similares.”
Ese mismo día, después del cierre del mercado, las acciones de Block subieron más del 20%. Esta es la respuesta del mercado de capitales con dinero real: pagar por el apalancamiento y la eficiencia en IA de las empresas.
Una persona común que no sabe programar puede, con modelos grandes, lanzar en una noche una app funcional completa de forma independiente. Y el mercado de capitales seguramente planteará una pregunta aguda: ¿cuánto valor sigue teniendo el enorme costo laboral de mantener un gigante tecnológico con decenas de miles de programadores para que un súper app funcione día a día?
La tendencia de reemplazar mano de obra con IA, sin duda, será seguida por muchas grandes empresas. La ansiedad es inevitable, pero solo preocuparse no sirve de nada. Debemos comenzar desde el gran cambio del entorno, y poco a poco volver a las estrategias de supervivencia individual.
La IA no es solo una herramienta, está convirtiéndose en un medio de producción
En el mercado, algunos empiezan a usar el término “Web4” para definir la etapa actual. Para entenderlo, primero repasemos las diferentes fases de la evolución de Internet:
Web2
Se centra en la interacción entre software y personas. Las plataformas, mediante algoritmos, captan la atención de los usuarios; en esencia, es una guerra por la captura de tráfico.
Web3
Intenta resolver los problemas de la propiedad y distribución de valor de los activos digitales. Muchos la asocian simplistamente con las criptomonedas, pero en realidad sigue siendo un juego de reglas de distribución de riqueza, sin tocar la relación de “producción y fabricación” de los productos digitales.
Noche previa a Web4
Por primera vez, la IA toca la transformación de las relaciones de producción en sí mismas. Ya no es solo una herramienta para mejorar la eficiencia, sino que está convirtiéndose en un nuevo tipo de medio de producción. Quien sepa usarla, podrá ampliar el límite de producción en un nivel superior.
En la colaboración tradicional en equipo, existen costos ocultos considerables: la intuición y juicio de líderes destacados son difíciles de copiar, y en la ejecución múltiple, las desviaciones en comprensión y los retrabajos son inevitables. Estos son los “impuestos oscuros” de la organización, sin soluciones claras antes. La IA reduce significativamente estos costos ocultos: no tiene curva de aprendizaje, solo necesitas dar instrucciones claras y ejecuta con alta calidad, además puede manejar varias tareas en paralelo. La suma del juicio estratégico de una persona y el apalancamiento de ejecución de la IA puede multiplicar la producción de un equipo completo.
Por supuesto, la IA todavía puede “decir tonterías con seriedad”, por lo que la revisión y juicio humanos siguen siendo imprescindibles. Pero la fiabilidad de los modelos mejora mes a mes, y la ventana de oportunidad para tareas puramente ejecutivas es mucho más corta de lo que muchos piensan.
Equidad en eficiencia y crisis profunda: cuando se igualan las barreras de entrada
A corto plazo, las personas comunes pueden beneficiarse de la eficiencia al acceder a herramientas de IA. Pero, si retrocedemos, cuando la IA iguala las diferencias básicas de eficiencia y reduce mucho las barreras de entrada profesional, las empresas descubrirán que, tras un aumento sustancial en la productividad individual, si el tamaño general del negocio no crece proporcionalmente, mantener la misma plantilla se vuelve un pasivo.
La dispersión salarial actual lo demuestra claramente. Según datos de monitoreo de puestos de TT3LABS, desde 2025, en el mercado laboral de IA, ya aparecen paquetes salariales que superan los diez millones de dólares, y estos candidatos son jóvenes ingenieros de IA sin mucha experiencia en gestión de equipos. Cuando Meta reclutó a investigadores clave de OpenAI, la bonificación por firma superó los 100 millones de dólares; el salario en acciones de los empleados de OpenAI promedia 1.5 millones de dólares, y los ingenieros senior de investigación en Anthropic pueden ganar hasta 690,000 dólares anuales (sin contar acciones).
El dinero que invierten en esto busca una habilidad escasa: hacer que la IA sea más poderosa. Quien impulse la evolución de los modelos básicos, puede multiplicar su valor en toda la red comercial. En cambio, quienes solo realizan tareas que la IA puede cubrir a menor costo, podrían ver disminuir su valoración.
Esto también genera una crisis potencial más profunda. Cada vez más personas reaccionan primero pidiendo respuestas a la IA, saltándose el proceso de análisis, verificación y prueba. Con el tiempo, esto puede hacer que pierdan la capacidad de pensar críticamente. La realidad es que esa “trabaja tonta” que construye tu intuición sobre los problemas, es fundamental. Depender demasiado de la IA para hacer ese trabajo, puede hacer que tu rol en el trabajo se reduzca a un “traductor de demandas”: convertir las solicitudes en instrucciones para la IA y luego presentar los resultados a otros. Y esa etapa de intermediación es precisamente la que la próxima generación de IA puede saltarse más fácilmente.
Mapa de impacto: ¿en qué posición estás?
El miedo sin un punto de referencia solo genera ansiedad. Antes de discutir soluciones, primero hay que trazar un “mapa de impacto”. No para crear pánico, sino para que cada uno se ubique.
Puestos de alto riesgo cuya tarea puede ser claramente instruida
Programación básica, análisis de datos simple, generación de informes estandarizados, diseño con plantillas, corrección de traducciones rutinarias. Estas tareas comparten la característica de poder desglosarse claramente en “entrada → procesamiento → salida”. Entre los más de 4,000 despedidos en Block, muchos estaban en este rango. No son incapaces, pero sus tareas son exactamente las que los grandes modelos pueden realizar.
Un estándar para autoevaluarse: si toda tu labor puede resumirse en una instrucción para IA, significa que la máquina ya puede reemplazarte, solo falta que la empresa decida cuándo hacerlo.
Experiencia en medio que está siendo “reducida” por la presión
Gerentes de proyectos, responsables de operaciones, ingenieros intermedios. Su trabajo implica juicio y coordinación. A corto plazo, la IA no puede reemplazarlos, pero ya está comprimiendo su rol. Antes, una cadena de valor requería cinco gerentes en diferentes etapas, coordinando entre sí; ahora, con la IA tomando el control de la ejecución, una o dos personas pueden gestionar toda la cadena.
Este grupo enfrenta la situación de “menos puestos”. Sus habilidades no han disminuido, pero la demanda por su rol en el mercado cae rápidamente. La salida es aprovechar la IA para ampliar su capacidad de ejecución hacia abajo, y hacia arriba, definir mejor los problemas.
Gestores de la incertidumbre en valor añadido
Hay trabajos cuyo núcleo no es “hacer bien”, sino “tomar decisiones en condiciones de información siempre incompleta y asumir la responsabilidad de las consecuencias”. Negociaciones complejas, gestión de crisis, liderazgo en organizaciones multiculturales, evaluación de inversiones de alto riesgo. La IA puede ofrecer análisis y recomendaciones, pero no firmar decisiones, no asumir culpas, ni entender en una comida los intereses tras una mirada.
Estos roles no solo no pierden valor, sino que, debido a la reducción de costos de ejecución, pueden gestionar proyectos mayores con el mismo presupuesto, y los tomadores de decisiones tienen más apalancamiento.
En la práctica, muchas personas trabajan en más de un nivel. Un método simple de autoevaluación: piensa en tu trabajo diario, ¿cuánto puede ser claramente instruido en una sola orden? ¿Cuánto requiere que tú tomes decisiones en la incertidumbre? Cuanto mayor sea la proporción de tareas claramente instruibles, más urgente es que comiences a cambiar.
Deja de preocuparte por las herramientas, convierte el poder computacional público en una barrera privada
A finales de enero, OpenClaw (“Langosta”) apareció de repente, alcanzando en días más de 170,000 estrellas en GitHub. Los fabricantes de modelos respondieron rápidamente: Alibaba Cloud lanzó despliegue con un clic, Tencent presentó CoPaw como equivalente, MiniMax y Kimi también lanzaron sus versiones compatibles.
Y entonces, surge un fenómeno interesante: muchas personas dedican más tiempo en este mes a “investigar cómo desplegar Langosta” y “comparar qué plan es más rentable” que en realmente usar IA para producir resultados de negocio. Todos persiguen la herramienta, pero una vez que la tienen, otros en dos horas pueden copiar exactamente la misma configuración.
“Todos los grandes modelos de lenguaje—OpenAI, Anthropic, Meta, Google, xAI—son entrenados con los mismos datos públicos de internet. Por eso, en esencia, son iguales, y por eso mismo, se están comercializando a una velocidad vertiginosa.”
— Larry Ellison, llamada de resultados del segundo trimestre fiscal de Oracle 2026
Entender esto al revés: si tu trabajo solo depende de la capacidad pública de los modelos grandes, tu producción será homogénea. Por más que escribas instrucciones elaboradas, no tendrás una ventaja competitiva.
El verdadero muro de protección está en pasar de lo público a lo privado.
Ya hay una tendencia clara: desde grandes empresas hasta startups, cada vez más organizaciones están desplegando modelos privados en local. La razón principal es la seguridad de la información: nadie quiere entregar datos críticos a APIs de terceros. Pero esta tendencia tiene una reacción en cadena subestimada: cuando los principales actores del sector mantienen sus datos y conocimientos en entornos privados, la cantidad de información sectorial que puede aprender un modelo general en internet se reduce y se vuelve más obsoleta. Aunque la IA reduce la barrera de conocimiento general, el conocimiento sectorial valioso se está evaporando rápidamente de la red pública y se está acumulando en las bases de datos privadas de cada empresa.
Por eso, el conocimiento tácito acumulado durante años en tu sector no se deprecia, sino que se valoriza. Siempre que lo pongas en uso.
Organiza y estructura esas experiencias no estandarizadas que tienes en la cabeza, en chats, en correos históricos, y conviértelas en “contexto” que tu modelo privado pueda digerir. Datos de TT3LABS muestran que los candidatos con más de dos años en Web3 tienen mucho más éxito en la preselección que los talentos técnicos sin experiencia sectorial, porque el peso del conocimiento específico supera ampliamente las habilidades técnicas generales. Un operador de CEX con tres años, que entiende la lógica de cumplimiento y las reglas no escritas para listar tokens, un participante en ciclos de gobernanza DAO con experiencia en propuestas y análisis de sentimientos, un creador de contenido vertical con intuición sobre la psicología del público y el ritmo narrativo: esas cosas no aparecen en datos de entrenamiento públicos.
Al estructurar esas experiencias privadas y conectarlas a tu modelo, tu IA deja de ser una enciclopedia general y se convierte en un asistente exclusivo, que trabaja solo para ti y entiende tu sector. Esa profundidad de producción no puede ser igualada por otros que usan el mismo modelo general.
La lógica clave es simple: la IA domina el procesamiento del conocimiento público, pero en la gestión de experiencias privadas, depende totalmente de tu alimentación. Quien logre combinar profundo conocimiento sectorial con IA será el activo principal en la nueva división del trabajo.
Tu base de experiencias es el verdadero “modelo”
Los modelos de IA evolucionan rápidamente. Hoy, GPT, Claude, Gemini, en seis meses podrían ser reemplazados por versiones aún más potentes. Pero para ti, cambiar a un modelo más avanzado es solo cambiar de API. Lo que realmente no puede ser reemplazado por iteraciones es ese conjunto de datos y experiencias privadas que tú alimentas.
El modelo es una infraestructura general, accesible para todos. Pero las cogniciones sectoriales, juicios de negocio, registros de errores y aprendizajes, son tu “material de entrenamiento” exclusivo. Cuanto más fuerte sea la IA, mejor podrá digerir ese material, y mayor será tu barrera privada. Por eso, no te preocupes por que “crear una base de conocimientos ahora quede obsoleta rápidamente”; esa base será el activo que menos deprecie con las iteraciones del modelo. La IA cambia, pero tu barrera de datos solo se valoriza con la mejora de la capacidad de la IA.
Al mismo tiempo, la lógica tradicional de competencia laboral también se está reescribiendo. Antes, los empleados podían demostrar compromiso con largas horas. Pero ahora, con máquinas que trabajan 24/7, las estrategias basadas en “yo puedo aguantar más” se vuelven inútiles frente a la IA.
Muchos dicen: “Yo todavía aporto valor emocional al equipo.” Es cierto, esa es una capacidad humana única, pero su valor diferencial depende de tu nivel jerárquico. Cuando un equipo de diez personas se reduce a dos más unos agentes de IA, el “lubricante del equipo” pierde sentido en ese escenario. En la alta dirección, en cambio, las negociaciones complejas, la construcción de confianza en entornos de alto riesgo, la mediación en conflictos entre intereses, las conexiones profundas entre personas, se vuelven aún más valiosas por la reducción de costos básicos. El valor emocional no desaparece, solo se traslada hacia arriba en la jerarquía.
En definitiva, lo que más debes invertir en la era de la IA no es en aprender qué herramienta usar, sino en mantener viva esa base privada de IA que solo tú tienes. Las herramientas cambian, pero tu experiencia y conocimiento privado no.
Tres acciones que puedes comenzar hoy mismo
Volviendo al caso de Block, algunos fueron despedidos, otros permanecen. La diferencia está en que, tras la adopción generalizada de IA como herramienta de producción, quienes aún son insustituibles permanecen. No esperes a que tu empresa te prepare en IA; desde hoy, puedes intentar estas acciones:
01. Pasar de “hacer todo tú mismo” a “construir un flujo de trabajo”
La trampa más común para los empleados es usar IA para “hacer trampa” (como redactar informes semanales o mejorar correos), lo cual sigue siendo una mentalidad de ejecución. Lo que realmente debes hacer es convertirte en un “jefe de obra”, reestructurando tu tarea principal en una línea de producción automática con IA.
No pruebes diez modelos diferentes a la vez. Escoge uno de los más maduros (como ChatGPT Plus o Claude), y haz que participe en la etapa más costosa y que requiere más experiencia. Transforma la operación lineal de “recopilar datos manualmente → analizar y comparar → sacar conclusiones” en un proceso de “configurar automatización para recopilar → alimentar a la IA para análisis → intervención y ajuste manual”. Cuando puedas reducir una semana de trabajo a un día, con calidad estable, ya no serás solo un nodo de cálculo, sino una “microempresa” de alto apalancamiento.
02. Convertir experiencias tácitas en tu “doble digital” privado
Los grandes modelos aprenden de datos públicos, entienden teorías, pero no conocen los gustos ocultos de tus clientes difíciles, ni los límites internos de tu departamento con finanzas. Ese conocimiento tácito, que adquiriste tras muchos errores, es tu activo más valioso.
Pero si solo lo tienes en la cabeza, no genera valor compuesto. Tu tarea ahora es usar las funciones de personalización de los modelos (como Custom GPTs o Claude Projects) para convertir esa experiencia en instrucciones predeterminadas. Alimenta casos extremos, informes de fracasos, reglas no escritas del sector. No quieres un simple cuaderno de notas, sino un asistente personal 24/7 con tu estilo, que solo trabaje para ti. Cuando ese “doble digital” esté listo, nadie con un modelo general podrá competir contigo.
03. Potenciar tu “capacidad de definir problemas” y responsabilidad
Practica deliberadamente dejar que la máquina busque respuestas, pero mantén en tus manos la formulación de preguntas y la toma de decisiones. La IA es un motor de respuestas, pero nunca entenderá las motivaciones comerciales reales tras una demanda. Si el jefe dice “quiero una nueva estrategia de retención”, la IA puede ofrecer diez modelos, pero solo tú, con tu presupuesto y recursos, puedes decir: “La opción B, aunque perfecta, no se puede implementar ahora; la opción C, con menos funciones, encaja mejor en nuestro ritmo actual.”
Además, debes entender que la IA no va a la cárcel ni asume responsabilidades. La empresa te paga bien, en realidad, por tu “garantía” sobre los resultados comerciales. Cuando entregas código o propuestas generadas por IA, debes poder decir: “He revisado esto con mi experiencia profesional y asumo la responsabilidad final.” Esa disposición a decidir en zonas grises y aceptar las consecuencias comerciales es un valor que la máquina no podrá reemplazar en ninguna era.
Dorsey dijo que “la mayoría de las empresas ya están atrasadas”. Pero para el individuo, esa frase también es cierta: la mayoría aún no se ha preparado y no ha percibido esta tendencia.
No todos deben ser expertos en IA, pero sí deben entender qué partes de su trabajo serán reemplazadas por máquinas y cuáles solo tú puedes hacer. Tras la llegada de IA a todos los ámbitos, en 2027 o 2030, no será una transformación que puedas observar desde afuera.
Y eso no te esperará.
